波动率微笑:为什么隐含波动率是曲线而不是数字

为什么 Black-Scholes 的对数正态收益假设不能匹配市场价格。波动率微笑、偏度、它在说什么,以及 SVI 如何参数化它。

第 2 篇 · 共 12 篇约 11 分钟

周一早上走进任何衍生品台,打开 Bloomberg 终端,调出 SPX 的期权链。你会看到一列标记”IV”或”Imp Vol”,每个行使价有一个数字。ATM 交易在 16% 左右。虚值 5% 的行使价交易在 21%。深度虚值看跌交易在 30%、40%,危机时更高。

如果 Black-Scholes 是真的,那一列会有一个数字,对每个行使价都一样。市场不是那样交易的。它们交易的方式反映比对数正态更丰富的分布。IV 跨行使价的模式, 微笑(或偏度,或皱眉,取决于你的心情和标的), 编码了市场做市商相信的关于大幅移动风险的一切。

微笑长什么样

股票指数期权有负偏度, 看跌交易比看涨贵。调出 SPX 你会看到类似:

| 行使价 | IV | | | | | 3800 (深度虚值看跌) | 32% | | 4200 (轻微虚值看跌) | 22% | | 4500 (ATM) | 16% | | 4800 (轻微虚值看涨) | 17% | | 5100 (深度虚值看涨) | 19% |

这是股票指数的特征。所有行使价的斜率为负,曲率在看跌里最高。单只股票有类似但不那么极端的偏度。外汇期权有对称微笑, 两翼同样抬高。利率上限有微笑但倾斜, 左右不同水平,因为利率分布不对称。

为什么微笑存在

最好的单一诊断是通过 Black-Scholes 公式反演观察到的期权价格,问:“如果我假设对数正态收益,我需要代入什么波动率才能复制这个市场价格?”你得到的数字是隐含波动率。它依赖于行使价这件事正好就是微笑。

如果你相信对数正态,唯一的 IV 曲线是平的。市场在告诉我们收益不是对数正态, 它们肥尾。对数正态给 $3\sigma$ 移动 $5\%$ 概率质量;市场定价大约 $3\%$ 但假设 $8\%$ 。区别正好是 IV 差距。

任何体面的微笑模型都必须重现三个风格化事实(Hull, 2018, 第 18 章):

1. 偏度在下跌侧陡峭。交易员为下跌保护付高价。世界上交易量最大的单一期权合约是 S&P 500 的 1 月 5-delta 看跌。人们对冲崩盘。

2. 微笑对短期大致平。非常短期期权(不到一周)在平静市场不显示太多微笑。波动率接近实现数字,因为中心极限定理还没时间”平均掉”路径, 每个 tick 重要。

3. 微笑对更长期扁平并平移。当 $T$ 增加,微笑相对于其水平变得不那么明显,微笑本身变得更对称。这大致跟混合扩散-跳跃模型(Merton, 1976)一致,跳跃主导短期,扩散主导长期。

微笑背后的三个机制

基本上有三个经济原因,合在一起产生微笑。每个指向不同的补救办法。

机制 1:随机波动率

波动率不是常数。当市场大动时,波动率倾向于上升。这是杠杆效应(或”方差反馈”取决于学派)。收益分布变成对数正态的混合:当波动率高时,实现收益有更宽分布,所以尾部概率比对数正态高。

混合平坦并平移隐含分布。定量地(Wilmott, 2007, 第 1 卷,第 13 章):

\mathbb{E}[f(S_T)] = \int_0^\infty f^{\text{BS}}(S_T, \sigma) \, p(\sigma) \, d\sigma

其中 $p(\sigma)$ 是积分方差的分布。如果围绕平均波动率 $\bar\sigma$ 用 $f^{\text{BS}}(S, \sigma)$ 作为 $\sigma$ 的函数做泰勒展开:

\mathbb{E}[f^{\text{BS}}(\sigma)] \approx f^{\text{BS}}(\bar\sigma) + \frac{1}{2}\text{Var}(\sigma) \cdot \frac{\partial^2 f^{\text{BS}}}{\partial \sigma^2}

第二项正好是 vomma, 当你混合波动率,你按平均波动率加上凸性修正为期权定价。凸性随看跌的实值度增加,所以看跌的偏度更负。这匹配股票市场结构。

机制 2:跳跃风险

1987 年黑色星期一是 S&P 500 单日 23% 的移动。带 20% 波动率的对数正态给那个事件概率 $\sim 10^{-30}$ 。市场对 23% 跳跃的价格远高于对数正态概率。

Merton (1976) 通过往股票 SDE 加 Poisson 跳跃成分建模这个:

dS_t = \mu S_t \, dt + \sigma S_t \, dW_t + S_t \, dJ_t

其中 $dJ_t$ 是复合 Poisson 过程。收益分布现在是扩散和跳跃的混合, 比任一部分都肥尾。

纯跳跃模型产生平的微笑但相对对数正态抬高的两翼。纯随机波动率模型产生对称微笑。股票偏度需要两者:随机波动率给微笑形状,跳跃(或左偏波动率过程如带负相关的 Heston)给不对称。

机制 3:崩盘恐惧和对冲压力

纯经济学不是完整故事。偏度部分由需求驱动:投资者买看跌,做市商对冲压低看跌的隐含波动率并抬高看涨的(合成低对冲)。在压力市场,对虚值看跌的需求甚至飙升,偏度变成撕裂。5-delta 看跌的 IV 能跑到 $40\%$ 而 25-delta 看跌交易在 $20\%$ 。

这是行为机制:市场不是按真实客观概率而是按更高的主观恐惧加权概率定价尾部风险。1987 年之后,股票偏度永久变陡;2008 和 2020 之后同样发生。交易员称这个效应为”恐惧溢价”(Hull, 2018, 第 18.7 节)。

数学:比直觉更紧

用风险中性矩量化微笑。数字或虚值期权的价格对局部密度敏感。具体地(Wilmott, 2007, 第 1 卷,第 13.3 节):

对看涨,Breeden-Litzenberger (1978) 恒等式给出:

\frac{\partial^2 C}{\partial K^2} = e^{rT} \, q(K)

其中 $q(K)$ 是 $S_T$ 在 $K$ 的风险中性概率密度。等价地,IV 微笑是风险中性密度的平滑版本。ATM IV 是密度在行使价的平均值;微笑的两翼追踪密度的尾。

如果你接受那个,微笑字面上就是分布。 $K = 0.85 S_{\text{spot}}$ 处的隐含波动率是风险中性密度在 $S_T = 0.85 S_{\text{spot}}$ 的局部高度,通过 Black-Scholes 反演表达。

对指数:

ATM 波动率 ≈ 整个分布的缩放
偏度(ATM 处 $d\sigma/dK$ )≈ 现货方差的对数波动率导数,或大致收益的不对称性
曲率(ATM 处 $d^2\sigma/dK^2$ )≈ 风险中性分布的峰度

这叫做 IV 围绕 ATM 的 edgeworth 展开(Bakshi, Chen & Gao, 1995)。量化交易员一直用它把 IV 偏度映射到风险中性矩。

SVI 参数化

你需要微笑的闭式表达有两个原因:第一,校准需要平滑的东西来拟合;第二,无套利条件需要可强制执行。SVI(Stochastic Volatility Inspired,随机波动率启发) 由 Gatheral (2004) 提出是最流行的参数化,因为它对两翼拟合得好且有易处理的无套利条件。

对到期时间 $\tau$ 的切片,SVI 把总隐含方差 $w = \sigma^2 \tau$ 参数化为对数实值度 $k = \ln(K/F)$ 的函数:

w(k) = a + b \left(\rho(k - m) + \sqrt{(k-m)^2 + \sigma^2}\right)

五个参数:

$a$ , 方差整体水平(大致设定 ATM 波动率)
$b$ , 两翼的斜率( $b$ 越高微笑更肥尾)
$\rho$ , 旋转; $\rho = -1$ 让微笑在左侧陡, $\rho = 0$ 让它对称
$m$ , 左移或右移微笑(对股票通常为负, 微笑偏向虚值看跌)
$\sigma$ , 两翼的平滑度

拟合 SVI 到市场数据在中心区域条件良好但在两翼棘手。量化通常用加权最小二乘在校准集上拟合,对 ATM 和近 ATM 行使价(对冲最重要的)赋权更大,对远翼(买卖价差宽)赋权更小。

SVI 的无套利条件已被广泛研究。Gatheral 和 Jacod (2018) 表明局部方差必须保持非负:

\frac{\partial w}{\partial \tau} \geq 0, \quad \frac{1}{2} \frac{\partial^2 w}{\partial k^2} - 1 + \left(\frac{\partial w/\partial k}{2w}\right)^2 \cdot (-w) \geq 0

这些是必要条件;充分条件需要更多工作。实践中,没有模型在浮点层面是无套利的, 你通过算蝶式价差来检验:

\text{Butterfly}(K_1, K_2, K_3) = V(K_1) - 2V(K_2) + V(K_3) \geq 0

对任意三个行使价 $K_1 < K_2 < K_3$ 。如果任何一个变负,你有可日历套利。

下一步

微笑本身就是市场对分布的解读。本模块接下来三篇文章处理模型侧:怎么从微笑提取局部波动率曲面,怎么扩展到随机波动率,以及怎么构造无套利参数拟合。微笑不是特征;它是你在波动率建模中所做一切的边界条件。

你应该从这篇文章带走:

微笑存在是因为市场价格比对数正态更肥尾和更偏。
三个来源:随机波动率、跳跃、需求压力。单独没有一个匹配股票市场;需要组合。
偏度定量编码风险中性分布, 它的斜率是不对称性,曲率是峰度。
SVI 是主力参数化但不是任意的, 它有无套利条件你不能违反。

当你听到有人说”偏度太陡”,他们意思是隐含分布比他们的模型能定价的有更多左尾。当他们说”偏度错位”,他们意思是整条曲线跳了,只发生在崩盘或供应商数据故障时。

实践中的 SVI:校准走查

SVI 参数化每个切片有五个参数: $a, b, \rho, m, \sigma$ 。在真实校准里,你要跨切片平滑, 相邻 $T$ 值应该给出相似参数值。标准方法:

选锚定期限(例如 1M、2M、3M、6M、9M、1Y、18M、2Y)。
对每个期限,提取跨行使价的 IV。转换为对数实值度 $k = \ln(K/F)$ ,其中 $F = S_0 e^{rT}$ 是远期。
算总方差 $w(k, T) = \sigma_{\text{IV}}^2 \cdot T$ 。
拟合 SVI 参数以最小化 $\sum_i (w_{\text{SVI}}(k_i; a, b, \rho, m, \sigma) - w_{\text{mkt}}(k_i))^2$ 按倒数买卖价差加权。

典型拟合:跨条 5-10bps RMS 误差。一些期限(尤其非常近或非常远)有更差拟合;这正常,因为数据在那里稀疏或噪声。

生产团队用的两个拟合策略:

逐切片。独立拟合每个期限。可能跨期限有摆动,但每个切片局部最优。

带正则化的联合。同时拟合所有切片,带正则化项强制 $(a, b, \rho, m, \sigma)$ 跨 $T$ 平滑变化。加一个参数:平滑权重。生产团队调这个平衡拟合质量和切片间平滑。

SVI 之外:动态微笑

SVI 是静态快照。对持头寸数周的交易策略,曲面的变化才是重要的。那个变化的结构叫微笑动态。

简单经验模型:每个 SVI 参数跟随带漂移的随机游走。今天校准;明天的参数是昨天的加上一个小冲击。从历史微笑数据估计这些冲击的协方差。这是”微笑协方差”矩阵或波动率曲面动态模型。

一个惊讶的经验规律:sticky strike vs sticky delta 二分。当现货移动时,你是在同一行使价重新评估曲面(sticky strike)还是同一 delta(sticky delta)?

Sticky strike:同一 IV 适用于同一行使价不管现货如何。
Sticky delta:同一 delta 行使价处的 IV 保持不变。现货移动时,行使价移动保持 delta,IV 沿那条移动线不变。

经验上,对短期期权和指数 sticky delta 更接近真;但对长期期权 sticky strike 更好。不同市场有不同动态。混合 sticky 或有限 sticky 参数化的思想:两个机制之间有平滑过渡。

实践中:每 30 秒再对冲 delta 的市场做市商注意到他们的 delta 对冲账簿有未解释 P&L(他们的模型假设 sticky X 但市场是 sticky Y),直接看到这个效应。修复是对每个市场用正确的 stickiness 规则。

不同市场的形状

每个市场有特征的微笑形状,说明关于基础收益分布的一些东西。

股票指数(S&P、Russell)。 负偏度、驼峰形。虚值看跌翼陡升;虚值看涨翼几乎不抬高。表示肥尾和崩盘风险。SPX 虚值 5-delta 看跌经常交易在 $30+\%$ IV 对 $16\%$ ATM, 是平值水平的两倍。

单只股票。跟指数类似但偏度不那么突出。AAPL IV 偏度在大约 6 个行使价外变平;SPX 偏度在整个链上保持陡。单只股票偏度反映公司特定崩盘风险(单个公司的价格崩塌风险高)。

外汇。对称微笑,两翼同样抬高。GBP/USD 5-delta 看涨交易在类似 5-delta 看跌的波动率。微笑反映外汇收益的对称尾分布。

商品。通常是带绝对波动率低的 backwardated 期限结构在 contango 市场。原油微笑大致对称但带小 backward shift 反映 backwardation。黄金微笑更对称。农产品有季节性波动率效应。

利率。利率上限和下限有不对称微笑难以干净刻画。偏度依赖中央银行的政策机制:当利率变化偏向降息时,下限(下跌)偏度更陡。

风险中性密度视角

回忆 Breeden-Litzenberger:

q_T(K) = e^{rT} \frac{\partial^2 C}{\partial K^2}

这是 $S_T$ 的风险中性密度。IV 微笑是这个密度的平滑表示。

风险中性密度告诉你期权市场认为未来现货分布是什么。风险中性累积分布:

Q(S_T < K) = 1 - e^{rT} \frac{\partial C}{\partial K}

(或者通过看跌)。对正态( $q$ 平),IV 微笑是平的。对左偏分布,IV 微笑在看跌侧陡。

这给一个有意思的量化:“市场隐含 SPX 在 $S_0 = 4500$ 时 $S_T < 1000$ 的概率是 12%“是从隐含分布读出的具体数字。从历史数据的客观概率低得多, 按实现分布像 3%。区别是风险溢价、对冲需求和尾部高估。

套利微笑 vs 市场微笑

有个微妙的区别。无套利微笑满足所有蝶式和日历约束。市场微笑从实际报价观察,可能(短暂地)违反那些约束。

实践中,观察的微笑偶尔有:

极端行使价处负密度:市场报价隐含 $q_T < 0$ 在某些行使价,这对概率密度不可能。
倒挂的日历价差:总方差对某些行使价随到期减小。
垂直套利: $C(K_1) - C(K_2) > S_0 - K_1 e^{-rT}$ 。

这些通常是瞬时的, 出现一小时然后消失。最干净的处理方式是保持曲面规则化的无套利版本(例如之前校准的 SSVI)作为”模型曲面”,然后针对模型曲面而非噪声市场微笑交易。

当差异持续,你有真实市场结构问题, 可能公司行动没被定价,或特定市场做市商试图推头寸。

微笑和实现波动率

常见交易策略:比较隐含波动率(微笑的 ATM 波动率)到最近实现波动率。当 IV 相对实现高时,做空波动率的预期收益为正,反之。

这长期有效(方差溢价历史上为正,尤其在 1987 年之后)但围绕均值有大幅方差。做空波动率历史在 2008、2020 和其他尾部事件上亏钱,而在中间慢慢稳步赚钱。策略在用 vol-of-vol 信号计时更有趣:vol-of-vol 高时做空 vol,低时做多。

同样逻辑适用于方差风险溢价:IV 和实现波动率之间的历史差距平均每年 2-4 个 vol 点。交易员随时间收取这个但在离群日被狠打。

带回家的点

波动率微笑编码了市场对未来分布知道的一切。三个经济机制, 随机波动率、跳跃、崩盘恐惧, 组合产生观察到的模式。SVI 是主力参数化但需要仔细校准。微笑动态对交易决策重要,理解 stickiness(sticky strike vs sticky delta)是正确的对冲账簿和不可解释的对冲账簿之间的区别。

意识到:微笑不是任何特定模型的特征。它是所有合理模型拟合数据的极限。一旦你理解微笑是市场的属性,不是任何特定参数化的,你可以更灵活地看用哪个模型。

阅读清单。 Hull, Options, Futures, and Other Derivatives, 第 10 版,第 18 章(2018)。Wilmott, Paul Wilmott on Quantitative Finance, 第 2 版,第 1 卷,第 13 章(2007)。Gatheral, The Volatility Surface (2006)。Bakshi, Chen, Gao, “Empirical Performance of Alternative Option Pricing Models,” Journal of Finance (1997)。Merton, “Option Pricing When Underlying Stock Returns are Discontinuous,” JFE (1976)。