报告题目与概览
题目 :Theoretical and Empirical Validation of Heston Model
作者 :Zheng Cao, Xinhao Lin
指导老师 :Professor Roza Galeeva
机构 :Johns Hopkins University
发布日期 :未明示,结合内容应为2024年左右
主题 :本报告围绕Heston模型在期权定价中的理论推导与实证检验展开,重点评估其统计性质及市场适用性,对WTI原油期权市场数据进行了实证标定。
核心论点与目标 :
关键论点 :Heston模型通过引入随机波动率(stochastic volatility)有效地解决了传统Black-Scholes模型对隐含波动率微笑现象的解释不足。
研究目标 :重新推导Heston模型的期权定价公式,对其数值模拟精度进行检验,推导希腊字母,绘制隐含波动率曲线,基于WTI原油期权实盘数据进行五参数标定,并探讨模型实际适用性和局限。
主旨信息 :Heston模型在理论和实证上均表现出较好的有效性,但模型参数的常数假设在市场现实中有明显局限,后续需引入更灵活的机器学习方法来优化。
1. 逐节深度解读
1.1 引言(第1页)
Black-Scholes模型假设波动率恒定,无法解释波动率微笑,这一市场现象表明波动率存在随机性。
过往引入随机波动率的模型如Scott、Hull-White、Wiggins等虽改善波动率的描述,但一般缺少封闭解,计算复杂,且部分忽视波动率与标的资产收益率的相关性。
Heston模型弥补上述不足,假设波动率服从均值回复的随机过程,且与资产价格路径相关联,提供欧式期权的半解析解形式。
报告结构明确,依次介绍模型推导、模拟验证、希腊值推导、隐含波动率分析、参数标定及最后总结。
1.2 模型推导(第2-4页)
Heston模型由两个联立随机微分方程组成:标的资产价格S ( t ) S(t) S ( t ) 与其波动率v ( t ) v(t) v ( t ) ,其中v ( t ) v(t) v ( t ) 服从CIR过程,即均值回复且波动率本身随机波动。
资产价格动态为d S ( t ) = μ S ( t ) d t + v ( t ) S ( t ) d W 1 ( t ) \mathrm{d}S(t)=\mu S(t)\mathrm{d}t + \sqrt{v(t)} S(t) \mathrm{d}W_1(t) d S ( t ) = μ S ( t ) d t + v ( t ) S ( t ) d W 1 ( t ) ,波动率动态为d v ( t ) = − λ ( v ( t ) − v ˉ ) d t + η v ( t ) d W 2 ( t ) \mathrm{d}v(t)=-\lambda(v(t)-\bar{v})\mathrm{d}t + \eta \sqrt{v(t)} \mathrm{d}W_2(t) d v ( t ) = − λ ( v ( t ) − v ˉ ) d t + η v ( t ) d W 2 ( t ) ,且两布朗运动相关系数为ρ \rho ρ 。
在风险中性测度下,针对欧式看涨期权,Heston利用偏微分方程(PDE)形式推导出其价格函数,重点转换变量利用傅里叶变换简化问题,将解表示为两个概率加权的期权内在价值(P 1 P_1 P 1 , P 0 P_0 P 0 )。
给出关键中间函数C ( u , τ ) C(u,\tau) C ( u , τ ) 和D ( u , τ ) D(u,\tau) D ( u , τ ) 满足常微分方程并提供显解,最终解释了如何逆傅里叶变换得到价格。
对欧式看跌期权同样适用,只需修正终端条件,且展现经典的看涨看跌期权定价对偶关系(Put-Call Parity)。
特殊极限情况η = 0 \eta=0 η = 0 对应确定性方差,Heston模型退化为Black-Scholes模型,且等效波动率可通过v ( t ) v(t) v ( t ) 求解的积分均值推导计算,使得两者衔接自然顺畅。
1.3 模拟方法与结果(第5-7页)
引入粗略蒙特卡洛(Crude MC) 和混合蒙特卡洛(Mixing MC) 两种数值方法:
粗略MC直接对价格与方差路径联合模拟,计算期权支付期望。
Mixing MC利用波动率不依赖的第二个独立布朗运动分解路径,分别模拟标的对数收益与波动率路径,减少方差,加速收敛。
通过数值实验(参数设置对照Glasserman示例),两种模拟均收敛至理论价格,且Mixing MC在同样路径数下误差显著更小,收敛速度更快。
变动初始价格S 0 S_0 S 0 及波动率v 0 v_0 v 0 ,模拟结果依旧与理论偏差极小,支持理论定价和数值算法的正确性。
1.4 模型检验(第8页)
检验Put-Call Parity成立,体现理论推导的严谨性。
零行权价场景下(K → 0 K\to 0 K → 0 )期权价值等于标的价格,符合自然直觉。
验证不同参数对期权价格影响的合理性:初始价格、初始方差均与期权价值正相关。
确认在确定性波动(η = 0 \eta=0 η = 0 )情形下,Heston模型与对应模拟一致。
1.5 希腊字母及隐含波动率分析(第9-15页)
利用Mixing MC模拟公式推导并计算五个主要希腊值:Delta(对初始期货价格)、Gamma(二阶导数)、Vega(对初始波动率)、Theta(对时间的敏感度)、Rho(对无风险利率),且与有限差分法进行了对比验证,结果吻合,验证了Mixing MC计算方法的有效性。
图表(图4-8)分别呈现希腊值随初始期货价格及初始波动率变动的曲线,展现出市场预期波动规律。
描述隐含波动率(IV)曲线与Heston五个参数之间的关系:
ρ \rho ρ :决定IV笑曲线的对称轴偏移方向,负相关时对称点位于行权价略高于现货。
η \eta η 与λ \lambda λ :决定IV笑曲线的曲率,η \eta η 对曲率影响显著高于λ \lambda λ 。
v 0 v_0 v 0 与v ˉ \bar{v} v ˉ :控制整体IV水平,v 0 v_0 v 0 影响更显著。
显示不同参数对IV曲线形态的灵敏度,为后续标定提供理论基础。
1.6 标定(第16-22页)
选用WTI原油期货及期权实盘数据 ,包含2024年4月下旬至5月上旬6个交易日样本。
以365天为年长度,取无风险利率3.6%,将期权视为欧式期权处理。
数据处理包括缺失值剔除,非数值字符替换,IV异常过滤,以log(K/Spot)为自变量标准化行权价。
利用均方误差损失函数,采用梯度下降算法(Algorithm 1)优化五参数:初始方差v 0 v_0 v 0 、长期方差v ˉ \bar{v} v ˉ 、均值回复速度λ \lambda λ 、波动率波动率η \eta η 、相关系数ρ \rho ρ 。
设置合理参数范围限制(如0.02 ≤ v 0 ≤ 0.12 0.02 \leq v_0 \leq 0.12 0.02 ≤ v 0 ≤ 0.12 ,λ ∈ [ − 2 , 2 ] \lambda \in [-2,2] λ ∈ [ − 2 , 2 ] 等),以保证估计稳定。
标定结果(表1&图12-14):
单日内各合约间参数较稳定,跨日异动明显;长期方差v ˉ \bar{v} v ˉ 和初始方差v 0 v_0 v 0 随剩余期限增长而增大,体现市场对长期波动性的定价偏好。
λ \lambda λ 较为稳定,说明均值回复速度难以从短期数据捕捉出明显变化。
η \eta η 与ρ \rho ρ 不稳定,尤其ρ \rho ρ 并无统一趋势,说明假设参数不随时间变化的限制,反映模型拟合中的不足。
对比全部参数固定(取均值)与部分固定标定方法,后者在拟合度上更优(见图15-18及表3),对参数稳定性的权衡尤为关键。
说明WTI期权市场的高动荡特性及数据异常对标定结果可能带来的影响,提示未来在模型选择或参数拟合算法上的改进空间。
1.7 总结(第23页)
该项目系统推导并验证了Heston模型定价公式;通过数值模拟验证原理论;基于WTI市场数据完成参数标定。
发现尽管Heston模型具备理论优势,实际市场中模型参数非固定且呈现异动,尤其η \eta η 和ρ \rho ρ 的非常数性暴露模型的局限。
未来研究方向:
利用更先进机器学习优化方法,辅助参数估计(如通过方向性奖励替代简单MSE)。
设计算法解决数据错误和异常点的影响。
扩展样本数据,提升统计显著性与模型泛化能力。
探索其他大宗商品及更复杂的波动率模型。
利用异常数据寻找套利机会。
2. 图表深度解读
图1(第6页) :误差∣ c ^ H − c H ∣ |\hat{c}_H-c_H| ∣ c ^ H − c H ∣ 随路径数n P n_P n P 对数坐标变化曲线,分为粗略MC(蓝线)和混合MC(橙线)。
趋势:均随路径数增加减小,混合MC误差明显低于粗略MC,收敛速度快。
意义:印证Heston价格公式正确,混合MC效率优越。
图2(第7页) :改变初始价比ln S 0 K \ln\frac{S_0}{K} ln K S 0 和初始方差v 0 v_0 v 0 时,理论Heston价与混合MC模拟价对比,模拟点紧密拟合理论曲线。
意义:验证模型和模拟对不同参数稳定可靠。
图3(第8页) :η = 0 \eta=0 η = 0 时,确定性波动率情形模拟与理论定价对比,保持良好拟合,支持极端情形推导。
图4-8(第9-14页) :五个希腊值Delta, Gamma, Vega, Theta, Rho分别随F 0 , v 0 F_0,v_0 F 0 , v 0 变化的模拟(Mixing MC)与有限差分对比,点线高度重合,验证Mixing MC计算有效性。
图9(第14页) :不同ρ \rho ρ 时的IV曲线,显示负ρ \rho ρ 使对称点位于K > F 0 K>F_0 K > F 0 ,正ρ \rho ρ 相反,体现ρ \rho ρ 对微笑对称性的决定性影响。
图10(第15页) :分别展示不同η \eta η 和λ \lambda λ 下的IV曲线,η \eta η 变动引起明显曲率变化而λ \lambda λ 影响相对较弱,说明η \eta η 是调控波动率波动程度的关键参数。
图11(第15页) :体现不同初始波动率v 0 v_0 v 0 和长期波动率v ˉ \bar{v} v ˉ 对IV水平及曲率的共同影响。v 0 v_0 v 0 对波动率水平影响更明显。
图12-14(第17-18页) :分别为2024年4月24-26日WTI期权不同到期合约的真实(红点)与模型拟合(蓝线)IV曲线,配合对应损失值,展示所有参数自主优化拟合整体较好但第四至六日表现波动偏大。
图15(第20页) :固定所有参数,取均值后拟合2024年4月26日和5月10日合约,4月26日拟合优于5月10日,后者存在异常点影响拟合精度。
图16-18(第21-22页) :固定v ˉ \bar{v} v ˉ 和λ \lambda λ ,仅拟合v 0 , η , ρ v_0, \eta, \rho v 0 , η , ρ ,拟合效果基本保持,支持三个变量灵活调整可实现合理拟合。
3. 估值分析
估值基于Heston半解析解形式计算欧式期权价格,主要依赖于对复数空间的傅里叶逆变换积分计算得到风险中性概率,结合标的价和行权价权重汇总。
Monte Carlo数值估计(粗略和混合)辅助验证模型计算和检验实现准确性,提供灵活的数值估算路径。
对实际隐含波动率数据使用基于均方误差的梯度下降算法拟合模型五参数,着重匹配IV笑曲线,确保模型市场拟合度。
参数设定和约束基于经验数据,避免不合理参数值,保证估值模型的稳健性。
4. 风险因素评估
参数假设的稳定性在实证检验中受挑战,尤其η \eta η 和ρ \rho ρ 表现为时间非定常,限制了模型在市场上的长时间应用。
数据质量较差,存在隐含波动率为零或异常值,中断训练过程,影响参数估计的可靠性。
WTI原油市场波动性受地缘政治等外部风险强烈影响,导致模型参数难以恒定,降低了预测准确率。
模型假设风险:Heston模型隐含假设市场完整性、常数相关性、稳定均值回复速度等,现实中违反性导致模型拟合误差。
缓解方面,报告主要通过数据清洗、限制参数空间、分阶段固定参数的方法,试图提升模型适配,但未深度展开风险缓解机制。
5. 批判性视角与细微差别
本报告较为客观地建立Heston模型理论基础并辅以实证,避免“过于乐观”的结论,明确指出参数非定常为限制。
报告的参数标定受到可用数据量少、时段短和市场噪声影响,结论具有初步性质,需更多市场样本完善。
模型参数关联与影响的复杂性没有完全深入量化,尤其参数间的交互作用及对隐含波动率波动的贡献未详述。
报告中利用的梯度下降算法为相对基础的数值优化方法,未来可尝试更复杂机器学习方法,如贝叶斯优化、深度学习等,提升模型表现。
American期权相关推导在附录呈现,但无实证部分,体现报告聚焦欧式期权,存在适用范围局限。
一定程度缺乏对市场微观结构变化和宏观经济环境影响的考量,模型结构较为静态。
6. 结论性综合
本报告系统且全面地展示了Heston随机波动模型的推导、数值验证、希腊值敏感度计算及市场实证标定过程。从理论上,报告重申Heston模型能有效建模波动率微笑,提供欧式期权价格的解析近似解,兼顾资产价格与波动率的随机性关联。数值模拟阶段,粗略蒙特卡洛和混合蒙特卡洛结果均证实理论定价公式的有效性,则后者表现出更高的数值效率和精度。
实证层面,以WTI原油数据为样本,报告利用梯度下降算法对Heston的五参数进行拟合,拟合结果体现了参数的时间和期限异动,尤其波动率波动率η \eta η 与相关系数ρ \rho ρ 的显著非定常性,揭示经典Heston模型参数常数假设的不足。参数敏感性分析深入解析了模型内各参数对隐含波动率曲线形态的影响,为实际应用和参数调优提供指导。
尽管报告成功在理论及实证两方面验证Heston模型的基本适用性,仍指出了模型在复杂市场环境(如WTI原油市场)中的局限,建议结合多样化机器学习方法以及更丰富、高质量的市场数据,以提升模型的适应性和预测精度。报告最后提出对数据质量、模型迭代次数、损失函数设计的改进方向,展望未来研究可以更好地弥合理论模型与市场实践之间的差距。
整体而言,报告学术严谨、结构清晰、数据翔实,兼顾理论推导与实操验证,是对随机波动率模型在石油期权市场中应用的有益贡献,且为后续深化研究提供了富有启发的思路和路径。1 ,1,2,3,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23]