以下为对论文 “If Not Now, Then When? Model Risk in the Optimal Exercise of American Options” 的逐节、图表与方法论的详尽剖析。全文力求详尽解释每一项重要论点、数据点、假设与结论,并对文中每一重要图表和表格做逐一解读与评估。文末每处直接源自原文的结论或推断均以页码溯源标注 [page::x];当引用跨多页内容时以逗号分隔多个页码标注(每处不超过两个页码)。
一、元数据与概览(引言与报告概览)
报告题目、作者与机构:论文题为 “If Not Now, Then When? Model Risk in the Optimal Exercise of American Options”,作者为 Luna Rigby、Rüdiger Frey 与 Erik Schlögl;作者隶属单位包括 WU Vienna、University of Technology Sydney、AIFMRM (University of Cape Town) 与 University of Johannesburg 等机构。该论文为预印本,标注日期为 March 23, 2026(即预印版本)。2
研究主题与核心问题:研究美式期权(以美式看跌期权为例)在“最优行权(optimal stopping)”情形下的模型风险,即在真实数据由带随机波动率(Heston)模型生成的前提下,当交易者使用错误的模型(Black–Scholes 或 Dupire local volatility)并基于这些模型决定行权策略时,会产生何种损失与偏差。论文采用 Hull & Suo (2002) 的benchmark 方法,对比“精通模型者”(使用实际的 Heston 模型)与“非精通模型者”(用错模型但校准到同一欧式期权价格)在行权边界、行权时间分布与折现收益上的差异。作者还考察了频繁重新校准的影响(对 Black–Scholes 进行周期性再校准)。2
主要结论(高阶摘要):核心结论包括(i)随机波动率与收益-波动率相关系数(ρ)显著影响最优行权边界,从而构成美式期权的一个关键模型风险来源;(ii)即便一个简单模型(如 Dupire local volatility 或 Black–Scholes)被完美或充分校准以重现欧式期权价格,校准本身并不能消除由于模型结构错误带来的行权策略偏差与经济损失;(iii)频繁的再校准(例如每7天)并不能可靠地弥补因模型错设而产生的行权决策错误(在本文数值实验设定下)。3
二、逐节深度解读(逐章精读与剖析)
为便于阅读,遵循论文原有结构逐节展开剖析。
2.1 摘要与引言(论文动机与定位)
关键点:作者将“模型风险”定义为概率模型错设带来的定价/对冲/决策风险;指出文献多集中于欧式期权的价值与对冲,较少系统性研究美式期权的模型风险,而美式期权的最优行权问题会将模型结构直接传递到行权时点的决策中,因此模型错设可能不仅影响期权估值,也影响行权时间与最终收益分布。2
推理基础:文章采用 Hull & Suo 的 benchmark 框架——假设市场报价由一个“真实”模型(此处为 Heston)生成,另一个参与者以错误的一维模型校准相同的报价并据此制定策略,从而可以分离出由模型结构错设而非简单参数估计误差引发的损失。3
意义:该设定直接对应实际交易机构常见流程(用简化模型快速定价/决定策略并依据市场欧式期权报价校准),因此结论对实务有直接针对性。3
2.2 第2节:Setup 与 benchmark 方法论(模型设定)
关键论断与假设:论文把 Heston 随机波动率模型作为基准(benchmark/真实数据生成过程),写明 SDE:dS = r S dt + sqrt(v) S dW1; dv = κ(θ−v) dt + σ_v sqrt(v) (ρ dW1 + sqrt(1−ρ^2) dW2),并要求 Feller 条件 2κθ > σ_v^2 以保证 v>0。市场交易欧式期权价格且这些价格与 Heston 基准一致;两个参与者(“sophisticated” 用 Heston,“unsophisticated” 用 Black–Scholes 或 Dupire local-vol)均把各自模型校准到这些欧式价格并据此计算美式看跌最佳行权边界/策略并在 Heston 路径上测试策略表现。4
重要细节:Black–Scholes 的 σ 取 ATM 隐含波动率;Dupire 的 local volatility σ(t,S) 通过 Andersen & Brotherton-Ratcliffe (1998) 的方法从有限的 (K_m,T_m) 对中反推,作者承认该问题为病态(ill-posed)并采用正则化/样条插值等数值处理。论文既考虑只在 t=0 校准一次,也研究对 Black–Scholes 的周期性再校准情形(后者仅限 Black–Scholes 因计算量)。4
方法论逻辑:对每个模型先用 PDE/变分不等式的数值方法(Brennan–Schwartz 与有限差分/ADI)求解其最优行权边界(对 Heston 为二维 (S,v) 问题),再将由这些边界定义的行权规则应用于大量 Heston 路径以统计比较折现收益分布与行权时间分布(这一过程直接衡量“模型错设导致的决策损失”)。4
2.3 第3节:美式期权在 Black–Scholes 与 Dupire 下的理论与数值(1D)
概要:对一维模型,美式看跌的价值为最优停时问题的 Snell 包络;定义行权区/延续区并证明在 Black–Scholes 与满足一定正则条件的 Dupire 模型下,对于每个 t,存在单调的界限值 \tilde{B}(t) 将延续与行权区隔开(即行权区为 S ≤ \tilde{B}(t))。5
证明要点与假设:在 Dupire 模型下,通过引用 Ekström (2004) 的结果,在局部波动率满足局部 Hölder(1/2) 与增长受控条件下,美式期权价值关于 S 凸,进而行权域为区间形式 [0, \tilde{B}(t)](命题与推论详见文中 Proposition 3.1 与 Corollary 3.2)。5
数值刻画:该节指出可用变分不等式(viscosity solution)及有限差分法(例如 Brennan–Schwartz 算法,Crank–Nicolson 或半隐式方案)求解 \tilde{U}(t,x) 满足的 PDE/VI,并在程序上通过每步判断是否立即行权来隐式确定离散行权边界。作者还列举 Black–Scholes 下已知的边界性质(连续可微、随时间递增、到期极限为 K)。6
对关键术语的解释(针对非专业读者):Snell 包络 = 折现支付的最优停止值;viscosity solution = 在没有 classical 解时对 PDE 的弱解概念,适用于此类带不等式的 PDE 问题;Brennan–Schwartz 算法 = 在 PDE 格点上以有限差分近似并在每步以 payoff 与 PDE 解取最大以体现早期行权的数值方法。以上推导与数值合理性在文中给出溯源与引用。6
2.4 第4节:Heston 模型下的美式期权(二维问题)——理论与数值
理论要点:在 Heston 模型中,美式看跌的价值函数 V(t,S,v) 也可表示为最优停时的期望,且 V 在 S 上凸,存在二维的行权边界 B(t,v) 使行权区为 S ≤ B(t,v);边界关于 v 的单调性为“非递增且左连续”,关于 t 为“非递增且右连续” 等性质由 Lamberton & Terenzi (2019) 提供。V 是满足相应二维变分不等式的唯一 viscosity 解。该点说明 Heston 的行权边界比一维模型更复杂、同时关键地依赖即时波动 v 和 ρ(收益-波动相关)。7
数值方法:作者采用基于 ADI 的分裂方法(Modified Craig–Sneyd, MCS)处理 Heston PDE 的二维混合导数与对流项,采用非均匀网格(在 strike 附近与 v ≈ 0 附近加密)以及向上 / 中央 / 向下差分方案的组合来处理边界与避免虚振荡。时间线程上使用 MCS(λ_2 = 0.4 最终采用,且实验显示 λ_2 = 0.5 与 0.4 结果相似且数值稳定),最后在每步取 max{PDE 解, 即刻支付} 以体现早期行权并隐式近似行权边界。作者对数值细节(网格生成、差分系数、矩阵分解与插值)在附录 A–C 里给出实现细节。8 9
术语解析:ADI(交替方向隐式)= 在多维 PDE 中将不同空间方向分裂成易解线性系统交替求解,从而降低维数灾难与提高稳定性;MCS/CS = ADI 的改进方案以处理混合导数项并保持稳定、二阶时间收敛;插值(样条)用于在 v 方向细化边界函数。以上方法是求解 Heston 美式 PDE 的业界常用方案,作者并在附录中提供实现参数与数值稳定性讨论。 8 9
三、图表深度解读(每一个重要图表/表格逐一分析)
下列为论文中所有主要表格与图形的描述、数据解读及其如何支撑文本结论(每幅图/表后包含其所在页码溯源标注):
Table 1(基准参数表)
插图:
描述與来源:表列基线情形的 Heston 参数:κ=5、θ=0.16、σ_v≈0.9、ρ=−0.5、r=0.1、S(0)=10、v(0)=(0.25)^2、K=10、T=1 等(即初始 ATM 看跌,期限 1 年)。此表位于论文第 10 页的参数汇总并被后续所有数值实验采用以构建 Heston 基准路径与校准欧式价格样本。该参数选择与文献常见设定一致且专门选用 ρ<0 以模拟 equity 市场常见的负相关与波动率倾斜(skew)。11
Figure 1(Dupire 校准的 local volatility surface)
插图:
描述:该 3D 曲面图显示由 Heston 生成的欧式期权价格集合反推得到的 local volatility σ(t,S)(t∈[0,1], S∈约 7–13 区间)。作者报告对 100 个 (K,T) 点(4 maturities × 25 strikes)做拟合后,Dupire 校准平均相对绝对误差约 0.7405%,表明拟合质量良好并可作为“已校准”局部波动率模型的代表。该图表展示了在基线 ρ=−0.5 下 local vol 随 S 下降(对 S 较小处 local vol 较高,形成前述 skew),并随到期时间变化呈一定平滑曲率。此图用于支撑后续结论:尽管 Dupire 能在欧式价格上拟合得很好,但其结构无法完全再现 Heston 的动态(尤其是 ρ 引起的路径行为),从而导致行权策略差异。11
Table 2(支付分布摘要)
描述(文本表格,source page 显示):作者对 1e6 条 Heston 路径应用三种模型产生的行权规则并统计分布:中位数均为 0(说明超过 50% 路径不行权),均值(Heston: 1.076 (SE 0.0013), BS:1.061 (0.0012), Dupire:1.064 (0.0013)),第3 四分位和最大值显示 Heston 在极端右尾更重(max Heston=5.405 vs BS=3.831、Dupire=4.252)。这支持“在期望意义上 Heston 策略最优,但在路径层面并不处处支配”这一论断。该表出现在论文相关部分并被用于说明 Heston 策略在均值上领先但并非路径优越。12
Figure 2(Payoff QQ plots: Heston vs Black–Scholes / Dupire)
插图:
解读:左图(BS vs Heston)显示在中位及中等分位数上 Heston 的分位值低于 BS(下方低 quantiles 相对较小),但 Heston 的高分位数远高于 BS(右上偏离对角线明显),这说明 Heston 的支付分布右尾更厚并包含更大极端收益;右图(Dupire vs Heston)表明 Dupire 与 Heston 更接近但仍存在差异(Dupire 在许多分位下略低于 Heston)。结论:一维模型可能低估极端情形下行权带来的高额收益,因此在期望意义外无法复制 Heston 的尾部特征。该图直接支持文中“没有第一阶随机支配”的陈述。13
Figure 3(Stopping-time QQ plots)
插图:
解读:这组 QQ 图对比了行权时间分布,观测到 Heston 的行权时间倾向于晚于 Black–Scholes(Heston 在大多数分位上较晚行权),而对比 Dupire 时 Heston 的行权偏早(即 Dupire 更倾向晚行权)。这与随后对行权边界形态的描述一致(Heston 行权边界随 v 变化且通常在高 v 时更低,导致晚行权)。该图支持“行权次序受模型结构影响”这一核心观点。13
Figure 4(散点图:逐路径 payoffs 比较)
插图:
解读:前 10k 条样本的散点图显示没有清晰的逐路径(pathwise)优序:很多点位于对角线两侧,表示在若干路径上错设模型反而产生更高回报(偶然获胜),这与最优停时问题的本质一致——最优性是条件期望的最优性而不是路径逐点最优。作者据此强调:即便整体期望最好,错误模型仍可在个别路径上优于“真实”策略(采样波动引致)。13
Figure 5(基线下的行权边界比较)
插图:
解读:左图展示在 Heston 下不同 v 值(v=0.06,0.16,0.3,1)对应的 B(t,v) 随时间的曲线(随 t 增加而上升,且 v 越大,边界越低);右图展示 Black–Scholes(单一曲线)与 Dupire 的边界,Dupire 与 BS 接近但 BS 通常略高(更倾向早行权)。关键观察:Heston 的 B(t,v) 随 v 降低(v 高时继续持有价值更高,因而行权门槛低,从而倾向晚行),这直接解释为何 Heston 策略的期望收益高及行权时间偏后。图表直接验证了关于 v 与行权边界关系的理论断言。14
Figure 6(当 ρ 变化时的校准 local volatility surfaces)
插图:
解读:三幅图分别对应 ρ ∈ {−0.5, 0, 0.5},展示校准得到的 σ(t,S) 如何随 ρ 改变:ρ<0 时 local vol 在 S 较低处更高(产生传统 skew);ρ=0 时相对平坦(smile 弱);ρ>0 时则出现 reverse-skew(S 大时 vol 高)。结论:ρ 的符号与大小会显著改变经校准的 local volatility surface,从而影响 Dupire 的延续价值与行权边界;因此仅靠“在欧式价格上一致”的校准并不能传递 Heston 中 ρ 对行权行为的路径性影响。该图支撑作者的主张:校准到欧式价面无法补偿模型维数/结构的缺失。15
Figure 7(不同 ρ 下的 1D 模型行权边界)
插图:
解读:左图为 Black–Scholes(边界几乎不随 ρ 变动),右图为 Dupire(随着 ρ 从 −0.5 到 0.5,Dupire 的行权边界整体升高,即更倾向早行权)。这说明在一维误设模型中,ρ 的影响只能通过校准的 local vol 曲面间接体现,且表现为行权边界随 ρ 的上升而升高(更早行权)。该观察与后文 payoff 分析合并解释了为何 Dupire 在 ρ<0 时优于 BS,而在 ρ>0 时排序可能反转。15
Figure 8(Heston 下不同 ρ 的 B(t,v))
插图:
解读:对于固定 v,Heston的行权边界随 ρ 增加而降低(即 ρ 越大越倾向晚行权),这一点与 Heston 框架中 ITM put 的价值随 ρ 增大而增加的性质一致(Ould Aly 2013)。因此 Heston 可将“相关性(ρ)”与“波动率水平(v)”分离开来并呈现不同影响,而 Dupire 必须把这两种效应混杂在 local vol surface 中。此图是本文最关键的数值证据之一,直接支持作者关于“校准不能传递 ρ 的路径信息”的结论。16
Table 4 & Table 5(不同 ρ 下的期望收益与中位数)
描述:表中列出在 ρ ∈ {−0.5, 0, 0.5} 下 3 模型的期望折现收益与中位数(例如期望:Heston 1.076 → 1.061 →1.035 随 ρ 增小;Black–Scholes 与 Dupire 同样列出数值变化)。中位数随 ρ 增大显著增加(例如 Heston 中位数从 0 到 0.523),这表明随着 ρ 从负到正,支付分布变得更靠近中心、不那么偏右尾(skewness 减小)。这与行权边界与路径分布共同作用的机制解释一致(当 ρ>0 时,中间情形更多导致更频繁行权,从而中位数上升)。16 17
Figure 9 / Figure 10(停止时间在 ρ 变化下的比较图)
插图(Figure9):
插图(Figure10):
解读:这些 QQ 图进一步细分了“对比同模型但 ρ 不同”下的停止时间分布差异,验证了前述对行权频率随 ρ 的相对变化(在不同 t 段)之描述(例如 Heston 在小 t 时行权频率会因为 ρ 改变而变化,而接近到期时则另有不同表现)。18 19
Section 6.2 与 Figure 11、Figure 12(Black–Scholes 每7天再校准实验)
插图(Figure11):
插图(Figure12):
解读:作者对 Black–Scholes 在每 7 天对 ATM 欧式期权再校准后应用得到的行权策略做了 100k 条 Heston 路径的测试(考虑到重新校准的计算量)。Table 6(文中)显示:再校准后的 BS 策略在均值上仍显著落后于 Heston(且略逊于单次校准的 BS 策略),中位数上再校准有时将中位数提升为正值但并未带来整体期望提升。Figure12 展示了每次校准时隐含波动 σ_n 的分布与 sqrt(v(t_n)) 的分布差异:隐含波动较为集中且趋向对真实瞬时波动的“平滑/稳定”估计(高 v 时隐含 vol 往往低估真实 sqrt(v),低 v 时往往高估),这种系统性偏差使得再校准并不能有效“追踪”即时方差并纠正行权边界所需的路径信息,因此再校准并未明显缓解模型错设导致的决策差异。作者据此得出“常见的动态再校准并不能消除美式行权的模型风险”的结论。20 21
Figure 13(Longstaff–Schwartz 与 PDE/FD 较验)
插图:
解读:作者还以 Longstaff–Schwartz(LS,模拟回归方法)作为替代数值方法做比较,发现 LS 与 PDE/FD 在一维模型上较为相符,而在 Heston(二维)上 LS 给出的边界在高 v 时更不稳定 / 不光滑,导致结果噪声更大。因此文中主要结果基于 PDE/变分不等式的数值解(更为稳定与精确),LS 作为补充确认而非主证据。该比较增加了作者对数值结果稳健性的信心。29
四、估值分析(文中估值方法与假设评估)
所用估值方法概述:
一维模型(Black–Scholes, Dupire):通过变分不等式转化为 PDE,使用 Brennan–Schwartz 类型的有限差分法求解(Crank–Nicolson 或半隐式权重 λ_1=0.5 的方案),并在每步取 max{PDE 解, 即刻支付} 来反映早期行权(变分不等式的数值解法)。6 25
Heston(二维):对二维变分不等式使用 ADI 类型分裂(Modified Craig–Sneyd, MCS),网格在 S 与 v 方向非均匀加密,混合导数由 A_0 矩阵离散,时间步采用 MCS(λ_2=0.4)。行权以在每个 v 网格逐步搜索最大有利行权格点的方式隐式逼近边界,同时对 v 方向使用样条插值以得到连续函数 B(t,v)。8 9 28
关键输入与假设:折现率 r、Heston 参数(κ,θ,σ_v,ρ)、初始 v(0)、网格密度、时间步数(n_t=300),以及用于 Dupire 校准的 observed (K,T) 格点集(4 maturities ×25 strikes)。对 Dupire 校准的数值正则化与样条外推是必要以缓解病态问题。作者在附录里详细给出矩阵形式、边界条件和 FD 差商系数,确保数值可重复性。 10 25 26
敏感性与稳健性:作者用不同 ρ 值(−0.5,0,0.5)比较并检验了结果的方向性一致性;同时用 LS 模拟法交叉验证部分结论(结果“质上”相符但 Heston 下 LS 噪声更大),并衡量了再校准频率的影响(7 天一次作为实务代表)。这些检验提升了主要发现的稳健性。 14 29 17
五、风险因素评估(作者识别的主要风险)
模型风险来源:结构性错设(将二维随机波动率与 ρ 的路径影响替换为一维 local-vol 或常数波动)是关键风险来源,导致行权边界与延续价值的错误估计,从而在期望上带来经济损失。作者明确指出即便欧式价格被校准一致,1D 模型仍缺失路径相关信息,因而无法复现 Heston 在行权问题上的决策。3 15
数值风险与近似误差:二维 PDE 的离散、混合导数近似、插值精度、网格稀疏对边界估计都会造成数值误差。作者通过选择精细网格(m1=500,m2=110,mt=300)与稳定的 MCS scheme(λ_2 选 0.4)以及在附录中给出差分系数,试图控制这些误差,并用 LS 作为互证。仍需注意:二维离散化会存在插值误差与边界效应(尤其在 v 大或 v≈0 地区);作者已在文中说明这些潜在限制并给出处理策略(向上/向下差分混合、自然样条、外推界限)。8 28
再校准策略风险:将 Black–Scholes 每 7 天再校准并不能可靠地纠正决策错误,因为隐含波动率反映的是对未来波动的预期且相对平滑,无法即时反映当前瞬时波动 sqrt(v(t_n)) 的极端波动,从而导致再校准后的行权边界仍与真实最优有制度性差距。作者通过比较 σ_n 与 sqrt(v(t_n)) 的密度(Figure 12)证明了该点。20 21
六、批判性视角与细微差别(审慎客观的评估)
结论的外推性与参数依赖:作者以一组常见 Heston 参数进行大量仿真与灵敏度(ρ)检验,结果具有代表性,但仍需注意:不同行权期限、非 ATM 初始状态、带股息或多期权组合、或不同 Heston 参数(例如更大 σ_v 或不同 κ)可能改变边界行为与收益差异的量级或方向。因此结论在“标准参数附近”稳健,但对极端或其他产品类别(例如 path-dependent American)需要进一步检验。作者在结论中亦指出此点并建议未来研究。 9 21
校准细节与实务差异:Dupire 校准依赖样条外推和对置信区间/交易流动性的隐含假设(作者用广泛 strike/maturity 网格并限制波动边界 [0.01,6]),在真实市场中报价噪声、bid-ask spread、缺失报价会使得 local-vol 校准更为复杂并可能降低拟合质量;作者通过给出平均相对绝对误差 ~0.74% 表示其合成市场数据上的校准效果良好,但实际市场状况可能更差。此点意味着在实际应用中模型错设带来的风险有可能更严重。 11 25
数值可重复性:作者在附录详述算法与参数(网格、时间步、差分系数、MCS 参数),这有助于重现;不过高计算成本(1e6 路径 + Heston PDE 求解)对外部复现提出挑战,且再校准实验也因计算成本仅做 100k 路径下的近似测试。作者在文中说明了这些计算限制。 18 28
七、结论性综合(对全篇发现的综合提炼)
核心综合结论(要点式):
随机波动率(Heston)与收益-波动率相关(ρ)对美式期权最优行权边界有实质影响,因此构成重要的模型风险来源;校准到欧式价格并不能保证在美式行权决策上消除该风险,因为欧式价格校准并未把路径性与条件期望(在不同 v 下)所需的信息完全传递至一维模型的行权策略。3 15
在作者设定的数值实验中,基准 Heston 策略在期望收益上优于两种错设模型(Black–Scholes、Dupire),但并不在路径上逐点支配它们(即不存在一阶随机支配);因此在个别路径上错设模型可能偶发优于“真策略”,但长期平均上会亏损。该结论由 Table 2、Figure 2、Figure 4 等直接数据支撑。12 13
ρ 的符号与大小会导致 1D 模型(尤其 Dupire)与 Heston 在行权边界方向上呈现相反的敏感性(Dupire 的边界随 ρ 增大而上升,而 Heston 的 B(t,v) 随 ρ 增大而下降),这体现出二维模型可分离的机制(v 与 ρ 效应)在一维近似中被混杂,从而产生模型风险。Figure 6–8 与相关表格支持这点。15 16
动态再校准(示例:Black–Scholes 每 7 天对 ATM 欧式期权重新校准)并未显著改进最终的平均收益表现;隐含波动率分布平滑且倾向于低估/高估即时 volatility 的极端值,因而再校准不能可靠“同步”捕捉瞬时方差,不能弥补结构性错设。Figure 11–12 与 Table 6 提供了数值证据。20 21
对从图表得出的深刻见解的重申:
Heston 在高 v 情形下的行权边界显著低于 1D 模型(导致更晚行权并在期望上获取更高折现回报);该差异在 payoff 的右尾表现尤为明显(Heston 产生更重右尾的高回报)。14
Dupire 即便在欧式价格上拟合良好(平均相对误差 ~0.74%),仍无法在行权决策上复制 Heston 的路径相关行为(校准不能传递 ρ 所代表的路径相关信息)。11 15
最后总结性声明(实务含义):对于交易或风控实践,论文表明:若美式期权组合或行权决策对路径/波动率动态敏感(例如在高 v 或对冲/仓位策略中),盲目使用一维经校准的模型(即使能拟合欧式价面)可能导致经济上显著的模型风险;此外,常规的频繁再校准也并非万能补救,需要在风控体系中明确识别并度量这种来源的模型风险。作者建议对更复杂路径依赖或其他市场摩擦情形做进一步研究。 21
八、对读者的补充建议与可复制性提示(实践导向)
若读者拟重现本文研究或在实务中测试类似问题,建议注意:要用足够细的 S 与 v 网格、充足的时间步(作者使用 300 步)以及稳定的 ADI 分裂方案(MCS 或 CS)。Dupire 校准需要稳定的插值/正则化(作者用 bicubic splines 与约束优化)。长样本(≥1e5 条路径)可提供收益分布的稳健估计,但计算成本极高,需并行计算或对样本量做折衷。作者在附录中给出具体差分系数、网格生成参数与算法细节,有助于复现。 8 25 28
結语:本论文以清晰的理论逻辑与大规模数值实验,系统展示了在美式期权最优行权问题上模型结构错设所产生的实质性风险,尤其强调随机波动率与收益-波动相关对行权边界的影响并论证仅靠欧式价面校准或常规再校准无法消除这一风险。论文对理论与实务均具有参考价值,并为进一步研究更复杂衍生品(如路径相关或含障碍/多资产美式产品)的模型风险提供了明确的研究方向。若需我进一步(i)提供关键代码结构与数值参数复现建议、(ii)针对其他参数格局(例如不同 κ、σ_v 或含股息情形)做敏感性检验计划,或(iii)以表格形式列出所有被引用图表的逐点解读与数值读数,我可以继续扩展并给出可执行的复现步骤与伪代码。