10. 随机波动率模型：Heston模型基础、与局部波动率的对比
好，咱们今天聊点硬核的。随机波动率模型，说白了就是给波动率也装上了一个随机过程。你想想看，BS模型里假设波动率是常数，这在实际交易中根本站不住脚。我刚开始做期权交易那会儿，就吃过这个亏——用BS算出来的价格，跟市场报价差了十万八千里。
为什么会这样？因为波动率本身会变，而且变得毫无规律。今天市场恐慌，波动率飙升；明天风平浪静，波动率又掉下来。所以我们需要一个模型，让波动率也能随机游走。Heston模型就是干这个的。
10.1 Heston模型的核心思想
Heston模型在1993年被提出，到现在快30年了，依然是业界最常用的随机波动率模型之一。它的核心公式长这样：
dS = μS dt + √v S dW₁
dv = κ(θ - v) dt + σ√v dW₂
dW₁ · dW₂ = ρ dt别被公式吓到，我来拆解一下：
- S 是标的资产价格，跟BS一样
- v 是方差（波动率的平方），这才是关键
- κ 是均值回复速度，说白了就是波动率回归长期均值的快慢
- θ 是长期方差均值，波动率最终会回到这个水平
- σ 是波动率的波动率（vol of vol），嗯，有点绕
- ρ 是资产价格和波动率的相关系数
我个人习惯把ρ叫做“杠杆效应”。为什么？因为当ρ为负时，价格下跌会导致波动率上升——这不就是市场恐慌时的典型现象吗？我在2015年股灾时亲眼见过，大盘一跌，隐含波动率直接翻倍。
关键点：Heston模型最大的贡献，就是让波动率有了自己的随机过程，而且允许波动率和资产价格之间存在相关性。这比BS模型不知道高到哪里去了。
10.2 与局部波动率的对比
说到局部波动率（Local Volatility），很多新手容易搞混。局部波动率模型（比如Derman-Kani模型）假设波动率是价格和时间的确定性函数：σ(S, t)。而Heston模型里，波动率本身是随机的。
我画了一张对比图，帮你理清思路：
你看，这两者的本质区别就在于：Heston模型给波动率加了一个随机项，而局部波动率模型把波动率当作价格和时间的函数。我在实际项目中遇到过这样的情况：用局部波动率模型定价一个长期障碍期权，结果价格跟市场差了20%。换成Heston模型后，误差降到了3%以内。
10.3 Heston模型的优缺点
任何模型都有它的适用范围。Heston模型也不是万能的，我总结一下它的优缺点：
| 方面 | 优点 | 缺点 |
|---|---|---|
| 波动率形态 | 能产生自然的微笑和偏斜 | 对极端波动率形态拟合不够灵活 |
| 参数数量 | 只有5个参数，简洁 | 参数间存在相关性，校准困难 |
| 计算速度 | 有半解析解，比MC快 | 比局部波动率模型慢很多 |
| 预测能力 | 对未来波动率有预测能力 | 参数不稳定，需要频繁重校准 |
| 奇异期权 | 适合路径依赖型期权 | 对某些障碍期权有偏差 |
我曾经踩过的坑：有一次我用Heston模型给一个5年期的雪球产品定价，参数校准得漂漂亮亮，结果市场一波动，模型价格直接崩了。后来发现是均值回复参数κ设得太高，导致波动率被过度拉回均值。记住，长期期权对参数κ和θ特别敏感，一定要做敏感性分析。
10.4 代码实现：Heston模型的欧式期权定价
光说不练假把式。咱们用Python实现一个Heston模型的欧式看涨期权定价。这里用的是数值积分方法，不是蒙特卡洛——因为蒙特卡洛太慢了，你想想看，每次定价跑几万条路径，交易员能等你吗？
import numpy as np
from scipy.integrate import quad
def heston_call_price(S, K, T, r, kappa, theta, sigma, rho, v0):
"""
Heston模型欧式看涨期权定价
使用数值积分方法
参数:
S: 标的资产价格
K: 行权价
T: 到期时间(年)
r: 无风险利率
kappa: 均值回复速度
theta: 长期方差均值
sigma: 波动率的波动率
rho: 相关系数
v0: 初始方差
"""
def characteristic_function(u, j):
"""Heston模型的特征函数"""
# 这里省略了复杂的推导过程
# 实际实现需要计算d, g, C, D等中间变量
# 完整代码见课程配套资源
pass
def integrand(u):
"""积分核函数"""
numerator = np.exp(-1j * u * np.log(K)) * characteristic_function(u - 1j, 1)
denominator = 1j * u * characteristic_function(-1j, 1)
return np.real(numerator / denominator)
# 数值积分
integral, _ = quad(integrand, 0, 100, limit=1000)
# 期权价格
price = S - K * np.exp(-r * T) * integral / np.pi
return price
# 使用示例
S = 100 # 标的价格
K = 105 # 行权价
T = 1.0 # 1年期
r = 0.05 # 利率5%
kappa = 2.0 # 均值回复速度
theta = 0.04 # 长期方差
sigma = 0.3 # vol of vol
rho = -0.7 # 负相关（杠杆效应）
v0 = 0.04 # 初始方差
price = heston_call_price(S, K, T, r, kappa, theta, sigma, rho, v0)
print(f"Heston模型看涨期权价格: {price:.4f}")我的建议：在实际交易中，不要直接用这个代码去跑生产环境。数值积分在参数极端时可能不收敛。我一般会先用傅里叶变换方法（FFT）做快速定价，再用数值积分做精确校准。另外，注意特征函数里有个分支切割问题，处理不好会出负数价格——嗯，这个坑我替你们踩过了。
10.5 什么时候用Heston，什么时候用局部波动率？
这个问题没有标准答案，但我可以给你一些实战经验：
- 短期期权（1个月以内）：用局部波动率模型就够了。因为短期波动率主要受当前市场情绪影响，随机性没那么重要。
- 长期期权（1年以上）：必须用Heston模型。长期来看，波动率的均值回复特性会显著影响期权价格。
- 奇异期权（障碍、亚式等）：优先考虑Heston模型。局部波动率模型对路径依赖型期权的定价偏差很大。
- 做市商高频报价：用局部波动率模型。Heston模型计算太慢，等你算出来，行情都变了。
说白了，没有完美的模型，只有合适的模型。我见过有人非要用Heston模型给1天期的期权定价，结果参数都校准不出来——因为短期波动率根本不会均值回复。也见过有人用局部波动率模型给10年期的期权定价，结果价格跟市场差了30%。
最后说一句，Heston模型虽然好，但也不是终点。后来还有SABR模型、VG模型、CGMY模型等等。但Heston模型作为随机波动率模型的入门，你一定要吃透。因为它的思想——给波动率加一个随机过程——是所有更复杂模型的基础。
公众号:蓝海资料掘金营，微信deep3321