一、元数据与概览(引言与研究脉络的提要)
标题与作者/机构:Estimating the Stochastic Discount Factor from Option Prices and Predicting the Equity Premium; Kenichiro Shiraya, Tomohisa Yamakami, Akira Yamazaki(1 Graduate School of Economics, The University of Tokyo; 2 The University of Tokyo, Mizuho-DL Financial Technology Co., Ltd.; 3 Hosei University)1 .
发布时间与主题:2026年7月10日,聚焦通过期权价格隐含信息重构时变波动率下的随机折现因子(SDF),并以此预测股票市场的权益溢价(equity premium,EP)及其时序预测能力1 。
核心论点与创新点:提出将时间变动的波动率作为SDF的尺度因子,使得SDF具备稳定但非单调的形状(在浅度看跌方出现明显的“ hump”,随着到期日延长而转为更明显的“W形”),并给出在恒定市场风险收益率假设下的理论解释。核心结论包括:1) 以S&P 500期权价格为唯一信息源构建的SDF,能在不同市场状态下稳定地呈现非单调形状;2) 以TVS(time-varying volatility scaled)SDF所得到的EP在样本外预测市场收益方面,优于Martin bounds等基准;3) TVS在模型有效性检验(如J-test)方面相较CVS更稳健,且对到期日的延长表现出更强的预测力1 。
研究结构与要点摘要:全文按“方法论–数据–估计–EP预测–形状与一致性分析–结论”展开,包含对SDF的两种尺度化设定(CVS: constant volatility scaled、TVS: time-varying volatility scaled)、以及基于Hansen—Jagannathan距离的GMM估计、EP的多种界(M-Bound、CYL-Bound)与对比分析。重要结论集中体现在:TVS SDF的形状更符合市场观测(非单调、随到期日演化的W形/ hump特征)、EP的样本外预测能力在较长 horizon上显著且稳健、且与风险中性框架的对齐加强了估计的内在一致性1 。
二、逐节深度解读(逐章精读与剖析)
引言与研究动机(Section 1)
关键论点概述:SDF作为未来不确定收益折价的核心,是风险厌恶与经济预期的直接体现。但直接估计SDF极具挑战,通常需在某一资产的视角下进行投影;以期权价格为主线的研究能获得对未来状态的前瞻性信息。论文回顾两大主线:一是分布比率法(物理分布/风险中性分布的比值)与“风险中性定价密度来自期权价格”的路径;二是直接对SDF进行参数化或半参数建模,通过市场数据(期权与现货)来刻画SDF。作者指出现有文献在SDF形状的鲁棒性、以及EP的预测能力方面仍存在空白,尤其缺乏在同一时点上使SDF同时与零息票价格一致的估计方法2 。
研究贡献定位:提出“时间变动波动率作为SDF尺度”的嵌入式框架,力图在不同市场状态下获得更稳定、非单调且可解释的SDF形状,并在每一时点通过与无套利一致的调整来确保SDF与零息票价格的一致性。并以S&P 500期权数据进行实证,检验SDF对EP的预测力,且数据仅来自期权市场以减少跨市场时序错配噪声2 。
对应证据点:文中明确指出“持续的拐点与形状变化”需要通过波动率的动态缩放来解释,并给出时间尺度(到期日)的非线性演化是核心经验发现之一3 。
理论框架与估计设定(Section 2),包括2.1–2.3小节
2.1 SDF的理论构造
核心公式:在连续时间框架下,mt,T作为SDF,其与价格、风险中性密度等通过Radon–Nikodym变换联系;在可观察的标的XT=f(ST)情形下,投影SDF可写成与ST相关的函数。作者引入波动率σt的时间变化,将其作为SDF的水平缩放因子,推导出在恒定市场风险溢价λ时,波动性分量会导致SDF在浅度看跌区出现“ hump”,并且随着时间到期延长而转变为W形结构4 5 。
关键直觉:波动性的横向缩放可对SDF的形状产生放大/压缩效应,使SDF的高阶矩信息更易被期权市场价格捕捉,从而提高对极端状态(尾部风险)的定价能力。对冲与风险厌恶在不同波动性水平下的体现会在SDF的对数形式中表现出非线性特征5 。
2.2 SDF的估计方法
两大路线对比:第一路线是分布比率法,第二路线直接从支付与价格的关系出发,用横截面期权与其现实化支付来构造SDF的估计。论文采用后者,通过最小化Hansen–Jagannathan距离的GMM框架来估计SDF参数,并引入二阶矩权重等方法来提升估计稳健性;此外,强调与Hansen-Jagannathan距离相关的稳健性测试(J-检验)以及对GMM的“过识别性”检验的重要性7 8 。
估计细节要点:在基础设定下,选择基资产(含隐含折现债价格与远期价格),并以不同次数的多项式n=2–6来近似SDF的形状,排除了n=1以避免单调SDF与数据观察不符的问题;数据窗为1996-01至2023-02;对CVS(全波动量尺度)与TVS(时变波动尺度)两种Strike集合下的SDF进行对比估计。对CVS与TVS,从J检验和HC检验来看,TVS的稳健性更高,尤其在60–180天的到期区间表现更为一致14 15 16 。
2.3 Equity Premium(EP)
EP定义与计算:通过Carr–Madán的跨期展开,借助SDF期望的机制,将EP定义为在实际测度下的期望超额收益。论文提出若SDF不满足某些一致性约束,需对EP进行βt,T的调整以与利率对齐,确保EP的可比性和价格一致性。文献回顾给出两类界:Hansen-Jagannathan上界(HJB)与CYL下界(CYL-Bound),并指出这两类界限在不假设特定SDF形状时可提供EP的无偏或保守估计,但在“同时精确SDF形状”和“EP的预测能力”两者兼顾方面存在权衡8 9 。
进一步的界限扩展:CYL-Bound在考虑连续分红的情况下被扩展实现对EP的下界估计,然而两类界限都无法同时实现“精确SDF形状”和“EP预测力”的双目标。因此,本文通过TVS SDF与CVS SDF的估计来探索在实践中对EP预测力的提升路径9 。
第3章:SDF与EP的估计实现(数据、估计与EP预测)
3.1 数据
数据来源与筛选:使用Option Metrics的S&P 500交易数据(1996-01至2023-02),期权买卖报价与标的价格,以及隐含的无风险利率和股息收益率,均来自期权市场以期减少跨市场时滞带来的噪声。对数据进行严格筛选(如剔除买卖价差过大、交易量或未开盘等情况、到期日少于10日、以及跨击价的价格单调性违背),并使用Carr–Madan的跨期数值积分去计算隐含的dCt,T(K)、Pt,T(K)、Ct,T(K)等,以获得基于期权价格的SDF估计。论文还说明了用σp,t,T、σc,t,T等构造区间并采用梯形积分等数值方法的细节性处理10 11 。
Strike集合与波动缩放:定义了CVS(固定 σ¯τ 对应所有时点)与TVS(每个t点的 σt∗,t+τ)两套Strike集合;对比这两套 Strike 集合下的SDF估计,旨在考察波动率是否应作为横截面性缩放因子来提升SDF捕捉力12 。
3.2 CVS与TVS SDF的估计结果(核心章节)
建模与基资产构造:SDF nt,t+τ,n,CVS(St+τ)与TVS nt,t+τ,n,T VS(St+τ)分别以二至六阶多项式来近似,目标是通过最小化HJ距离来估计系数a0…a6。VAR映射与端点外推被用来确保在区间外的曲线连续性与可导性。论文详细地描述了端点斜率f p(,1n)(−1)与f p(,1n)(1)的落点,以及为什么较高阶多项式是必要的(以捕捉ATM周围、以及看跌/看涨极端区间的形状)13 14 。
结果表述:CVS与TVS两种SDF的估计结果在Tables 3–4给出。论文强调:TVS在J检验和HC检验上的通过率更高,尤其60–180天区间,TVS的高阶多项式往往能通过检验,且整体更一致地支持“非单调、在不同期限表现出系统性变化”的SDF形状。作者指出,TVS比CVS更能稳定地捕捉不同到期结构下的SDF形状,且边界端点斜率的符号分布(左端负斜、右端正斜)指向了对深度看涨/看跌边缘的溢价要求15 16 。
3.3 EP的时序及预测性(Out-of-Sample)
EP预测框架:使用 expanding window 的SDF估计来计算EP,随后在目标到期日周边进行插值得到目标期限的EP预测。CVS EP与TVS EP分别对应四阶多项式的EP估计,比较对象包括历史均值(HA)、M-Bound与CYL-Bound等基准。Figure 1展示了不同期限的EP随时间的演化(包括CYL与M-Bound的对比),并指出EP在2020年疫情冲击等极端时期会出现与M-Bound/CYL-Bound的偏离现象19 20 。
R2OS结果与结论:Table 5给出不同期限、不同SDF类型及多项式阶数对应的R2OS值,结论是:TVS SDF在大多数期限与汇总期的预测性能上优于CVS,且阶数4在大多数情形下具有最稳健且最高的R2OS;此外,TVS在较长期限(尤其360天)显示出更稳定且显著的提升趋势,暗示波动率尺度化的SDF在跨期限的长期预测能力方面更具优势17 18 。
3.4 基于期权价格推断的EP预测性能(与其他基准的对比)
EP的时间序列表现:Figure 1显示EP随时间的演化,TVS EP在大多数时期高于CYL/M-Bound,但在市场极端波动(如2020年COVID-19冲击)时,SDF-based EP可能低于这两个界限,提示在极端阶段EP的估计存在一定不稳定性或市场结构性冲击19 20 。
与预测力相关的表格对比(Table 6):在全样本与分段期内,TVS EP在多数期限上对HA、M-Bound及CYL-Bound显示出更强的预测力,且在360天期限上统计显著性更强;CVS EP的预测能力普遍弱于TVS,且区间宽、置信度不足,导致推断不够稳健。总体结论是:TVS EP在长期 horizon 展现出更为稳定且显著的预测能力,且对CYL-Bound仍具鲁棒性优势,即使CYL-Bound本就是市场上难以超越的基线之一21 21 。
研究结论的稳健性:研究发现,EP的预测力随期限拉长而增强,且TVS对跨期的系统性解释性更强,暗示波动性动态尺度对EP的捕捉在实践中确实具有增益效应21 。
形状分析与一致性检验(Section 4)
4.1 SDF的形状分析(Figure 2–4)
核心发现:通过第四阶多项式的最优规格,CVS与TVS在全部期限下都呈现出相似的非线性形状:SDF在ATM及浅块看跌区出现明显“ hump”,并随着期限增长逐步形成“W形”结构;浅 Put 区的 hump 强化、Put侧边斜率在边界处多呈现负斜、右端正斜的格局,使得在更长期限上W形更加突出。这一现象被解释为波动率的时间尺度效应所致,反映市场在远期对尾部风险的更高定价需求22 23 。
理解来源:a1为负、a2在多数期限下为负(ATM区域的凹性),a4等项对边界斜率及中间的凸起有支撑作用;边界区间斜率的符号分布与“深度看涨/看跌”处的高风险溢价一致,支撑非单调形状的解释框架。论文还给出更直观的小-V模型解释:若未来波动率存在 dispersion(α1、α2两种波动水平及其转变概率p1、p2),在α1显著大于α2的情景下,ATM附近的SDF曲线可能在看跌侧出现局部凹性甚至 hump,从而在极端尾部区段形成向上趋势,最终产生W形结构24 25 。
形状解释的综合性:作者同时指出CVS与TVS给出类似的SDF形状,但TVS由于内部一致性地对波动性进行尺度化,能够更准确地捕捉期限带来的演化,从而在预测与估计的一致性上表现更优25 。
图像溯源:论文的 Figures 2 与 Figure 3(CVS SDF 与 TVS SDF的逐期形状)提供了直观证据,相关图像路径分别是 images/a6aad222fa4fd0c3f7d433f7fddb0a6343cf68426cef52defa54ae66b8b9f6b6.jpg?page=22 与 images/e7943a9536dd75c9503389dec445e56cc1455f8c032198de1b683f524ae591ef.jpg?page=23,便于溯源核验23 24 。
4.2 与现实收益及理性预期假说的一致性(Section 4)
回归分析:将 realized excess returns 对 EP(M-Bound、CYL-Bound、CVS-EP、TVS-EP)进行线性回归,结果表明:对于“所有期限”的截距通常接近零且置信区间覆盖零,说明不存在系统性水平偏误;对于 slope,CYL-Bound在120天及更长期限的斜率置信区间包含1,不能拒绝理性预期假说(REH),但对其他模型和期限,斜率的下限大于1,显示存在预测性;CVS EP则几乎无预测力;TVS EP在360天之外也呈现出一定的预测性,但置信区间普遍较宽,意味着推断的不确定性较高。这些结果提示:尽管EP可以具有一定预测力,但在统计显著性与区分度方面,CVS与TVS均受限,尤其是在较短期限下的预测力较弱且不稳定26 27 。
结论性解读:CYL-Bound在较长期限上对REH的支持更稳健,说明在没有模型化SDF具体形状时,某些边界条件仍能较好地连接市场信息与现实收益的关系;而CVS与TVS的EP则受限于置信区间宽、解释力不足的问题,特别是对TVS而言,尽管总体预测力优于CVS,但仍需谨慎对待结论的统计稳健性26 。
综合性讨论与结论(Section 5)
研究要点回顾:本文提出了基于时间变动波动率缩放的SDF(TVS SDF)框架,通过仅使用S&P 500期权信息构建SDF,并在不同期限对EP进行样本外预测,显示TVS SDF在形状捕捉、与零息票一致性、以及EP预测方面具有相对优势;与之相比,CVS在稳定性和预测力方面略显逊色。重要的实证发现包括:1) SDF的“ hump”在浅度看跌区突出,随到期日延长逐渐演化为W形;2) 这一形状可以被稳定地解释为在恒定市场风险溢价下的波动率随机性;3) TVS SDF在长期预测中对EP具有显著的预测力,且在J检验与相关稳健性测试方面表现更佳1 19 25 。
风险与局限性提示:EP预测力在短期(如30天)通常不显著,且CVS/TVS EP的回归结果存在较大的置信区间宽度,导致对some horizon的预测力难以稳健断言。此外,2020年的市场极端事件显示EP的估计会出现与某些界限(如M-Bound、CYL-Bound)背离的情况,提示模型在极端市场状态下可能需要进一步扩展(如对冲需求、极端波动性结构的捕捉)19 20 。
进一步的理论与实证含义:波动率的时间可变性不仅是统计要素,更是解释SDF形状的关键机制;将波动率做尺度化处理有助于“去噪听证”,让市场对未来状态的前瞻性判断更清晰地反映在SDF中。这一发现对资产定价与风险管理具有重要的实践含义,提示在衍生品定价、风险对冲及市场微结构分析中,考虑波动率的动态尺度化是必要且有价值的5 25 。
三、图表与表格深度解读(逐表/逐图的要点释义与溯源)
图1:时间序列的EP(30、60、90、120、180、270、360天)对比。可见CVS EP与TVS EP在多数时期与多个期限处于与CYL-M-Bound的对比区间,疫情时期(2020年)EP与基准的偏离尤为显著,提示极端市场环境对EP的影响与SDF估计的稳定性相关性较强。溯源图片:Figure 1 path为 images/e1b5bae73bd26c5b71b34b0139af3914a96161a5bcc9a1a453bc7fc912484f02.jpg?page=19 20 。
图2/图3:CVS SDF 与 TVS SDF 的形状对比(30–360天的各到期)。结果显示两者在形状上高度相似:ATM处出现 hump,随着期限延长逐渐形成W形;边界处的斜率特征(左端负、右端正)支持深度极端状态的高额风险溢价。请参见 Figure 2(CVS)和 Figure 3(TVS)的图像路径:CVS为 images/a6aad222fa4fd0c3f7d433f7fddb0a6343cf68426cef52defa54ae66b8b9f6b6.jpg?page=22,TVS为 images/e7943a9536dd75c9503389dec445e56cc1455f8c032198de1b683f524ae591ef.jpg?page=23 23 24 。
图4:通过一个简单的两态波动率 dispersion 模型说明为何在α1远大于α2时,SDF在浅Put区可能出现凹性并形成 hump,从而在尾部区域推动SDF向上(与深度尾部的抵御偏好一致)25 。
表1、表2:显示CVS与TVS Strike Set下的“Avg、StdV、CI Lower/Upper”等历史期权收益率统计。两表均显示深度看涨(calls)的收益在“0.2–0.6”区间达到峰值,且深度OTM区域的收益下降,提示SDF存在非单调性,与论文的核心发现一致。参见表1(CVS Strike Set)与表2(TVS Strike Set)的描述段落。上述表格在文中附有明确的注释和定义,便于追踪数据来源与计算口径12 13 14 。
表3/表4:CVS与TVS SDF在全样本下的估计结果。提供每日到期、阶数n、系数a0…a6、端点斜率等,以及J-test与HC-test的P值。J-test在60–270天的CVS中多数被拒绝,TVS在60–180天区间更易通过,整体显示TVS对市场数据的拟合更稳健。溯源:表3与表4。
表5:各期限、聚合期下,TVS与CVS两种SDF的R2OS结果,指出4阶多项式在绝大多数期限具有最佳性能,TVS相对于CVS在多数期限具备更高且更稳健的R2OS。溯源:Table 5。
表6:EP对HA、M-Bound、CYL-Bound的out-of-sample预测对比,TVS EP在长期期限(尤其360天)显示出显著的R2OS提升,且对CYL-Bound的鲁棒性保持较好。溯源:Table 6。
表7: realized ER 对 EP 的线性回归结果(out-of-sample),CVS EP预测能力弱,TVS EP在某些期限下显示出可观的斜率与R2,但整体区间较宽,需谨慎推断。溯源:Table 7。
四、估值分析要点(本文并非以“价格目标/估值区间”为核心输出,但有明确的量化评估)
方法论框架:本文以Hansen–Jagannathan距离驱动的GMM估计SDF,并以EP作为预测变量来评估模型在样本外的预测力,辅以M-Bound、CYL-Bound等无须完整SDF形状的界限来衡量EP的上下界。该体系强调:在没有强约束的情况下,通过跨期的期权信息来反推SDF的形状与风险偏好,是对传统基于历史收益/波动率的单一分布估计的一种强化替代。相关方法与思想分布在Section 2的2.2、2.3以及Section 3的实证分析中有明确阐释7 8 9 。
关键输入与假设:隐含的无风险利率、股息收益率、远期价格等均来自期权数据(而非外部市场),以避免时序错配并提升对市场参与者预期的捕捉度。对SDF的估计使用多项式近似并依赖高阶阶数以捕捉SDF在不同区间的形状。这些假设对估值的结论有直接影响,尤其是对高阶多项式的检验显著性(J-test)在不同期限的敏感性会影响对EP预测力的解读10 14 15 。
敏感性与稳健性:TVS相较CVS更具鲁棒性,且在较长 horizon 上的预测力更强。这提示在估值/定价框架中,若要对长期风险溢价进行稳健预测,纳入波动率的时间动态尺度化是关键的。
五、风险因素评估(作者明确列出并在文中逐项评析)
主要风险点
极端市场状态下EP的预测能力下降:COVID-19等极端事件时,SDF EP往往低于某些基准(如M-Bound、CYL-Bound),提示在系统性冲击下模型的稳定性需要进一步强化19 20 。
高阶多项式估计的过拟合与统计显著性:尽管4阶在多数场景表现最佳,但高阶多项式在某些期限的J-test/HC-test并非总是通过,存在“过拟合风险”与对样本划分敏感的问题15 16 。
置信区间宽与推断不确定性:EP回归的R2和系数的置信区间在多期限并不始终显著,导致对长期预测力的结论存在不确定性,需要更大样本或更强稳健性检验来巩固结论26 27 。
缓解与缓释思路
通过TVS提升对期限结构的适配性与一致性(论文已证实),未来可进一步将TVS与其他扩展信息(如波动率微结构、VIX分解、跨资产组合信息)耦合以增强鲁棒性。
引入极端情形的稳健性测试(如压力情景、极端尾部事件模拟),以及对端点斜率的边界约束进行更系统化的稳健性检验,可能提升在危机时期的稳健性25 26 。
六、批判性视角与细微差别(谨慎的审视)
潜在偏见与强烈观点
研究高度依赖期权市场的信息与隐含变量,若期权市场参与者结构性偏好或流动性约束在某些时段异常,则SDF形状可能被市场微结构因素扭曲,而非真实经济风险偏好反映。
尽管TVS在多数期限的表现优于CVS,研究仍然不能完全排除“模型设定本身的局限性”(如多项式阶数的选择、端点外推的假设、以及对波动率分布假设的简单化处理)。
EP的统计显著性在部分期限显示出较大的不确定性,且对极端事件的解释力不足,提示需要在理论上寻求更强的边界条件或对冲机制来提升长期稳健性26 27 。
内部一致性与冲突点
研究强调SDF应与零息票价格的一致性(通过βt,T的调整实现),但不同期限下的估计与边界界限(M-Bound、CYL-Bound)之间的冲突性提示,单一SDF在完整市场中的“完美一致性”可能无法被强制实现,需要对模型的近似性保持清醒认识8 9 。
七、结论性综合(对整份报告的关键发现的综合性总结)
最核心发现:时间变动波动率对SDF的尺度化显著提升了SDF形状的可识别性与稳定性,能够在跨期限内实现从 hump(浅看跌区)向W形转变的结构演化,并且由此推导出的EP在样本外的预测力在较长期限上显著优于传统基准(如Martin Bound)。论文以TVS SDF为主线的实证结果证明了波动率动态尺度化在期权信息驱动的SDF估计中的价值,并明确了EP预测的长期性特征1 19 21 。
对行业/学术的影响:为资产定价和风险管理提供了一种较为鲁棒的、以市场隐含信息驱动的SDF估计路径,强调在风险定价与未来收益预测中应充分考虑波动率的时变性与其对SDF形状的放大效应。研究也为将来将EP作为风险预警或投资策略信号的应用提供了方法论依据,尤其是在利用期权市场信息进行跨期限预测时的实证框架参考1 5 。
最后的定性判断:该研究成功地把期权市场作为“前瞻性信息源”来重构SDF,并提供了一个可操作的EP预测框架,其核心贡献在于将波动率的时变性恰当地嵌入SDF的尺度化过程,从而解释了SDF在不同期限下的非单调形状及其对长期权益溢价的预测能力。尽管存在短期限预测力不足与极端事件下的稳健性问题,但在长期 horizon 上的显著性结果与跨期限的一致性为该领域的研究提供了有力证据与研究方向27 28 。
附录与溯源图片(便于核验与直观理解)
Figure 1: Time-Series Equity Premium(图片:/images/e1b5bae73bd26c5b71b34b0139af3914a96161a5bcc9a1a453bc7fc912484f02.jpg?page=19)20 .
Figure 2: Estimated CVS SDF with Full-Sample Data(图片:/images/a6aad222fa4fd0c3f7d433f7fddb0a6343cf68426cef52defa54ae66b8b9f6b6.jpg?page=22)23 .
Figure 3: Estimated TVS SDF with Full-Sample Data(图片:/images/e7943a9536dd75c9503389dec445e56cc1455f8c032198de1b683f524ae591ef.jpg?page=23)24 .
Figure 4: Shape of the Model SDF by the dispersion of the volatility distribution(图片:/images/b10d52eef53bbd672c1841e558558a5cee4f5b0db4573799402266482062787d.jpg?page=24)25 .
若需进一步细分某一段的推理过程、某一表格的具体数值分布、或对比不同期限下SDF形状的微观差异,我可以再按页码逐条展开逐项对照分析。