跳至主要內容

局部随机波动率模型（Local-Stochastic Volatility Model）

上海子午线大约 13 分钟

局部随机波动率模型（Local-Stochastic Volatility Model）

访问猛犸期权定价系统，支持外汇期权和结构化产品定价估值！
访问猛犸期权定价系统，支持外汇期权和结构化产品定价估值！

局部随机波动率模型（Local-Stochastic Volatility Model, 简称 SLV）是金融衍生品定价领域中的重要工具。它结合了局部波动率模型和随机波动率模型的优点，既能精确拟合市场隐含波动率曲面，又能捕捉标的资产价格的动态特性，为复杂金融产品的定价和风险管理提供了强大的建模框架。

1. 前言

1.1 局部随机波动率模型的特点

局部随机波动率模型的核心在于将波动率拆分为两部分：

  • 局部波动率（Local Volatility）：
    一个确定性函数 σ(t,S)\sigma(t, S)，依赖于时间 tt 和资产价格 SS，用于精确拟合市场隐含波动率曲面。
  • 随机波动率（Stochastic Volatility）：
    一个随机过程 VtV_t，描述波动率随时间的动态变化特性，能够捕捉市场中真实存在的波动率路径依赖性和杠杆效应。

1.2 主要的局部随机波动率模型

局部随机波动率模型是一个广义框架，以下是常见的几种实现方式：

Andersen SLV 模型

  • 将局部波动率部分建模为资产价格的二次函数（如 Taylor 展开），随机波动率部分遵循经典的 CIR 过程。
  • 提供了灵活的拟合能力和解析近似方法，适用于欧式期权和部分路径依赖期权的定价。

Heston SLV 模型

  • 基于经典 Heston 随机波动率模型扩展而来，通过引入局部波动率函数 σ(t,S)\sigma(t, S) 进行调整。
  • 结合了 Heston 模型的动态特性和局部波动率模型的市场拟合能力，是实际应用中的常用模型之一。

2. Heston SLV 模型介绍

2.1 Heston 模型扩展为 SLV 的方法

SLV模型通过引入杠杆函数（Leverage Function），将局部波动率（Dupire）和随机波动率（Heston模型）结合，使得模型既可以拟合市场隐含波动率曲面，又可以更好地描述波动率的动态变化。

2.2 SLV模型的数学形式

基于Heston模型的框架SLV模型，其动态方程为：

dSt=[rd(t)−rf(t)]Stdt+L(St,t)VtStdW1(t),S0=s,dVt=κ(θ−Vt)dt+λVtdW2(t),V0=v,dW1(t)⋅dW2(t)=ρdt,\begin{aligned} dS_t &= [r_d(t) - r_f(t)] S_t dt + L(S_t, t) \sqrt{V_t} S_t dW_1(t), \quad S_0 = s, \\ dV_t &= \kappa (\theta - V_t) dt + \lambda \sqrt{V_t} dW_2(t), \quad V_0 = v, \\ dW_1(t) \cdot dW_2(t) &= \rho dt, \end{aligned}

其中：

  • StS_t：标的资产价格（外汇价格）。
  • VtV_t：随机波动率。
  • L(St,t)L(S_t, t)：杠杆函数，用于调整局部波动率和随机波动率的权重。当 L≡1L \equiv 1 时，方程组 (12) 恢复为原始的 Heston 随机波动率模型 (SV)。
  • κ,θ,λ,ρ\kappa, \theta, \lambda, \rho：随机波动率模型的参数，分别为均值回复速率、长期方差、波动率的波动率（vol of vol）以及两个布朗运动之间的相关性。
  • rd(t),rf(t)r_d(t), r_f(t)：分别为国内和国外的无风险利率。

杠杆函数 L(St,t)L(S_t, t) 的定义为：

L(St,t)=σLV(St,t)E[Vt∣St=x],L(S_t, t) = \frac{\sigma_{LV}(S_t, t)}{\sqrt{\mathbb{E}[V_t | S_t = x]}},

其中 σLV(St,t)\sigma_{LV}(S_t, t) 为局部波动率。

2.3 Heston SLV模型的校准与定价

2.3.1 模型校准

SLV模型的校准分为两个阶段：

  1. 校准随机波动率参数：利用Heston模型的半解析公式，使用市场隐含波动率数据（特别是平值期权附近）来拟合随机波动率参数（κ,θ,λ,ρ\kappa, \theta, \lambda, \rho）。
  2. 校准杠杆函数：在已校准的随机波动率参数基础上，利用市场隐含波动率曲面和交易的奇异期权（如障碍期权）的价格，通过数值方法（例如Fokker-Planck方程）求解杠杆函数。
2.3.1.1 Fokker-Planck方程

为了求解杠杆函数 L(St,t)L(S_t, t)，文章利用了Fokker-Planck方程来描述SLV模型下的概率密度函数 p(S,V,t)p(S, V, t) 的演化：

∂p∂t=−∂∂S([μS]p)−∂∂V([μV]p)+12∂2∂S2([σS2]p)+∂2∂S∂V([σSV]p)+12∂2∂V2([σV2]p),\frac{\partial p}{\partial t} = -\frac{\partial}{\partial S}\left([\mu_S]p\right) - \frac{\partial}{\partial V}\left([\mu_V]p\right) + \frac{1}{2}\frac{\partial^2}{\partial S^2}\left([\sigma_S^2]p\right) + \frac{\partial^2}{\partial S \partial V}\left([\sigma_{SV}]p\right) + \frac{1}{2}\frac{\partial^2}{\partial V^2}\left([\sigma_V^2]p\right),

其中：

  • μS,μV\mu_S, \mu_V：资产价格和波动率的漂移项。
  • σS2,σSV,σV2\sigma_S^2, \sigma_{SV}, \sigma_V^2：资产价格、波动率及两者的扩散项。

通过数值解方程，可以得到条件期望 E[Vt∣St=x]\mathbb{E}[V_t | S_t = x]，并进而计算杠杆函数。

2.3.1.2 混合权重参数

为了平衡局部波动率和随机波动率的贡献，文章引入了一个混合权重参数 η∈[0,1]\eta \in [0, 1]。当 η=1\eta = 1 时，随机波动率主导；当 η=0\eta = 0 时，局部波动率主导。

2.4.1 定价方法

文章探讨了两种主要的期权定价方法：

2.4.1.1 基于PDE的定价

通过SLV模型的反向定价偏微分方程（Backward PDE），可以求解期权价格：

∂u∂τ=[r(τ)−12L2V]∂u∂X+12L2V∂2u∂X2+ρλL∂2u∂X∂Z+[(κθ−12λ2)1V−κ]∂u∂Z+12λ21V∂2u∂Z2−rd(τ)u,\frac{\partial u}{\partial \tau} = [r(\tau) - \frac{1}{2} L^2 V] \frac{\partial u}{\partial X} + \frac{1}{2} L^2 V \frac{\partial^2 u}{\partial X^2} + \rho \lambda L \frac{\partial^2 u}{\partial X \partial Z} + \left[(\kappa \theta - \frac{1}{2} \lambda^2) \frac{1}{V} - \kappa \right] \frac{\partial u}{\partial Z} + \frac{1}{2} \lambda^2 \frac{1}{V} \frac{\partial^2 u}{\partial Z^2} - r_d(\tau) u,

其中：

  • u(X,Z,τ)u(X, Z, \tau) 为期权价格（τ=T−t\tau = T - t）。
  • X=log⁡(S/S0),Z=log⁡(V/V0)X = \log(S/S_0), Z = \log(V/V_0) 为对数变换后的资产价格和波动率。

通过**交替方向隐式法（ADI）**对PDE进行数值求解，可以高效计算欧式期权和障碍期权的价格。

2.4.2.2 基于蒙特卡洛模拟的定价

蒙特卡洛方法直接模拟SLV模型中的资产价格路径和随机波动率路径：

  1. 使用杠杆函数 L(St,t)L(S_t, t) 调整局部波动率和随机波动率的贡献。
  2. 对于每条模拟路径，计算期权的最终收益。
  3. 将所有路径的贴现收益平均以得到期权价格。

蒙特卡洛方法适用于复杂的奇异期权（如障碍期权或敲入敲出期权），但需要大量的模拟次数以确保精度。

3. Andersen SLV 模型介绍

3.1 模型结构

Andersen SLV 模型是由 Andersen 和 Hutchings 提出的，结合了局部和随机波动率的优点。其资产价格动态为：

dXt=λ(t)Vt[(1−b(t))+b(t)Xt+12c(t)(Xt−1)2]dWt,dX_t = \lambda(t) \sqrt{V_t} \left[ \left(1 - b(t)\right) + b(t)X_t + \frac{1}{2}c(t)(X_t - 1)^2 \right] dW_t,

dVt=κ(1−Vt)dt+η(t)VtdZt,dV_t = \kappa(1 - V_t)dt + \eta(t) \sqrt{V_t}dZ_t,

其中：

  • XtX_t： 归一化的资产价格。
  • 局部波动率：
    σ(t,x)=1−b(t)x+12c(t)(x−1)2\sigma(t, x) = 1 - b(t)x + \frac{1}{2}c(t)(x - 1)^2，为资产价格的二次函数。
  • 随机波动率：
    通过 CIR 过程 VtV_t 建模，捕捉波动率动态特性。

优点

  • 市场拟合能力强： 二次局部波动率函数提供了额外的灵活性，更好地拟合隐含波动率曲面。
  • 解析定价： 提供了一种基于时间平均化和常参数近似的高效定价方法。

局限性

  • 复杂度高： 包含多个时间依赖参数（如 b(t),c(t),η(t)b(t), c(t), \eta(t)），校准较为耗时。
  • 极端情况准确性不足： 当相关性 ρ\rho 远离零或二次偏斜 c(t)c(t) 较大时，模型可能失去精度。

总结

SLV 模型的适用场景

局部随机波动率模型（SLV，Local-Stochastic Volatility Model）结合了局部波动率模型和随机波动率模型的优点，既能精确拟合市场隐含波动率曲面，又能捕捉资产价格的动态特性。因此，SLV 模型的适用场景主要集中在那些需要兼顾市场一致性和动态真实性的复杂定价与风险管理问题中。

以下是 SLV 模型的主要适用场景：

1. 复杂波动率结构的市场

在许多市场中，隐含波动率曲面并非平坦，而是呈现出明显的波动率微笑、偏斜或复杂的期限结构。SLV 模型在这种场景下非常适用：

  • 隐含波动率微笑和偏斜：
    标的资产（如股票、外汇、大宗商品）的隐含波动率通常随行权价和到期时间变化，SLV 模型通过局部波动率部分拟合隐含波动率曲面，同时随机波动率部分捕捉波动率动态。

  • 期限结构复杂：
    随着期权到期时间的增加，隐含波动率的期限结构可能发生显著变化。SLV 模型能够捕捉短期和长期波动率之间的差异，适用于定价长期及跨多个期限的期权产品。

  • 适用市场：

    • 外汇市场： 外汇期权常表现出复杂的隐含波动率曲面（微笑、偏斜、期限结构），尤其是对于长期外汇期权。
    • 股票市场： 个股期权和指数期权通常具有明显的波动率微笑或偏斜。
    • 大宗商品市场： 大宗商品（如能源、贵金属）期权的波动率微笑和跳跃风险也使得 SLV 模型具有优势。

2. 复杂结构化衍生品的定价

SLV 模型特别适用于那些具有复杂路径依赖性或波动率敏感性的结构化衍生品的定价：

  • 路径依赖性产品：
    一些期权的价值不仅依赖于到期时的标的资产价格，还与标的资产价格的历史路径相关。SLV 模型的随机波动率部分能够更真实地模拟资产价格路径，从而提高复杂产品的定价精度。

    • 适用产品：
      • 亚式期权（Asian Options）。
      • 触碰型期权（Barrier Options）。
      • 目标累计期权（TARNs）。

  • 波动率敏感型产品：
    一些产品的价值高度依赖于波动率的动态行为，如波动率互换（Variance Swaps）或波动率期权。SLV 模型可以捕捉波动率动态的随机性，对这些产品的定价和风险管理更为可靠。

  • 篮子期权和相关性产品：
    对于涉及多个标的资产的产品（如篮子期权或相关性期权），SLV 模型可以扩展为多维版本，既能捕捉个体资产的波动率动态，又能处理资产间的相关性。

3. 高波动性或极端市场情境

在市场波动剧烈或极端条件下，SLV 模型的随机波动率部分能够更好地反映市场行为：

  • 杠杆效应：
    在市场下跌时，波动率通常会迅速上升（即波动率与标的资产价格负相关）。SLV 模型通过随机波动率部分和资产价格的相关性参数（ρ\rho）捕捉这一现象。

  • 跳跃行为：
    在极端市场条件下，标的资产价格可能表现出突然的跳跃，导致波动率发生剧烈变化。SLV 模型能够更准确地模拟这些动态特性。

  • 极端市场应用：

    • 金融危机期间的股指期权或外汇期权定价。
    • 涉及高波动或跳跃风险的资产（如加密货币期权）。

尽管 SLV 模型具有强大的灵活性和适用性，但其复杂性较高，校准和计算成本较大，因此常用于需要高精度定价或动态风险管理的场景，而非普通的欧式期权定价问题。

参考文献

1. 原始文献

SLV 模型的理论基础来源于局部波动率模型和随机波动率模型的结合。以下是 SLV 模型的核心文献：

  1. Dupire's Local Volatility Model (1994)
    Dupire, B. (1994). "Pricing with a Smile." Risk Magazine, 7(1), 18–20.

    • 提出了局部波动率模型，推导出隐含波动率曲面的偏微分方程，并为 SLV 模型提供了局部波动率的基础部分。

  2. Heston's Stochastic Volatility Model (1993)
    Heston, S. L. (1993). "A Closed-Form Solution for Options with Stochastic Volatility with Applications to Bond and Currency Options." The Review of Financial Studies, 6(2), 327–343.

    • 提出了经典的随机波动率模型，为 SLV 模型的随机波动率部分提供了基础。

  3. Combining Local and Stochastic Volatility (2002)
    Lipton, A. (2002). "The Volatility Smile Problem." Risk Magazine, 15(2), 61–65.

    • Lipton 讨论了如何结合局部波动率和随机波动率模型以更好地捕捉波动率微笑。

  4. Local-Stochastic Volatility: Theory and Calibration (2005)
    Ren, M., and Madan, D. (2005). "Local-Stochastic Volatility Models and Risk-Neutral Measures."

    • 提出了 SLV 模型的理论框架并探讨了其校准方法。

2. 实际应用文献

SLV 模型在金融行业中的实际应用主要集中于隐含波动率曲面的拟合和金融衍生品的定价。

  1. Gatheral's Work on Stochastic Volatility and SLV (2006)
    Gatheral, J. (2006). The Volatility Surface: A Practitioner's Guide. Wiley.

    • 详细讨论了随机波动率模型、局部波动率模型以及它们的结合。该书是 SLV 模型的实践指南。

  2. Andreasen and Huge (2011)
    Andreasen, J., and Huge, B. (2011). "Volatility Interpolation." Risk Magazine.

    • 提出了一种高效的 SLV 模型数值实现方法，解决了 SLV 模型在实际计算中的瓶颈问题。

  3. Massimo Morini's Practical SLV Calibration (2011)
    Morini, M. (2011). "Understanding and Managing Model Risk: A Practical Guide for Quants, Traders, and Validators." Wiley.

    • 包含了关于 SLV 模型的校准和风险管理的实用建议。

  4. Guyon and Henry-Labordère's Work (2013)
    Guyon, J., and Henry-Labordère, P. (2013). Nonlinear Option Pricing. CRC Press.

    • 提出了 SLV 模型的数值实现算法和校准流程，为从理论到实践的应用提供了详细的指导。

  5. “Simple and Efficient Simulation of the Heston Stochastic Volatility Model”
    L. Andersen (2008): Journal of Computational Finance, 11(3):1–42, 2008.

    • 作者分析了 Heston 模型中 CIR 过程的数值稳定性，并提出了一种改进的仿真方法，避免了传统方法中可能出现的负方差问题。

  6. “The Zero-Coupon Rate Model for Derivatives Pricing”
    Xiao Lin (2017) Published on ResearchGate, October 31, 2017.
    文献链接

    • 本文提出了一种基于零息票利率模型（Zero-Coupon Rate Model, ZCRM）的衍生品定价框架，该框架旨在统一各种金融衍生品的定价方法。

3. 数值方法相关文献

SLV 模型的实现通常需要高效的数值方法，以下是相关的参考文献：

  1. Monte Carlo Methods for SLV

    • Kloeden, P. E., and Platen, E. (1992). Numerical Solution of Stochastic Differential Equations. Springer.
      经典的数值方法参考文献，包含了 SLV 模型中使用的随机微分方程数值解法。

  2. PDE-Based SLV Approaches

    • Duffy, D. J. (2006). Finite Difference Methods in Financial Engineering: A Partial Differential Equation Approach. Wiley.
      提供了基于 PDE 的 SLV 模型求解方法。

  3. Calibration of SLV Models Using Particle Methods (2010)
    Guyon, J., and Henry-Labordère, P. (2010). "Being Particular About Calibration." Risk Magazine.

    • 提出了粒子方法（Particle Method）用于 SLV 模型的校准和模拟。

4. 高阶研究文献

以下是一些对 SLV 模型进行拓展或深入研究的文献：

  1. Brigo, Mercurio, and Morini (2013)
    Brigo, D., Mercurio, F., and Morini, M. (2013). Arbitrage-Free Pricing with Stochastic Volatility Models.

    • 讨论了 SLV 模型如何避免套利以及其在市场实践中的运用。

  2. Hybrid Models and SLV (2015)
    Grzelak, L. A., and Oosterlee, C. W. (2015). "On the Construction of a Hybrid Model for Interest Rates and Stochastic Volatility with Applications to Pricing Long-dated Derivatives." Journal of Financial Engineering.

    • 将 SLV 模型与其他金融模型结合，应用于更复杂的衍生品定价。

  3. Path-Dependent SLV Models (2020)
    Lorig, M., and Pascucci, A. (2020). "Path-Dependent Local-Stochastic Volatility Models." Quantitative Finance.

    • 探讨了路径依赖型 SLV 模型，进一步提升了其灵活性。
定价、估值与风险管理
Copyright © 2025 上海子午线