定义:一个随机过程
无记忆性:未来只依赖于当前状态,与历史状态无关
弱式有效市场与马尔可夫过程
![]() |
|
观察:花粉颗粒运动轨迹完全随机但有统计规律
物理本质
数学特性
讨论:花粉颗粒的布朗运动与金融资产价格变化的机制有相似性吗?
布朗运动的金融应用
一个随机过程
维纳过程的性质
|
![]() |
伊藤过程(Itô Process):漂移率和方差率为时间
广义维纳过程不是合适的股票价格模型
几何布朗运动(Geometric Brownian Motion)
若
伊藤引理:若随机过程
则随机过程
|
|
主要作用
|
应用举例
|
如果
预期收益率
波动率的概念
估计波动率
波动率的性质
![]() |
|
|
Black-Scholes公式的性质
|
Black-Scholes公式可整理为: 其中:
|
|
将期权价格泰勒展开:
希腊字母 | 公式 | 风险指标定义 | 主要应用场景 |
---|---|---|---|
Delta | 期权价格对标的资产价格 变化的敏感度 |
1. 方向性风险管理 2. 构建Delta中性策略 3. 确定对冲比率 4. 评估期权实值/虚值程度 |
|
Gamma | Delta对标的资产价格 变化的敏感度 |
1. 评估大幅波动风险 2. 设计波动性交易策略 3. 决定Delta对冲再平衡频率 4. 控制凸性风险敞口 |
|
Theta | 期权价格对时间 流逝的敏感度 |
1. 设计时间价值衰减策略 2. 优化期权持有期 3. 规划期权展期时机 4. 收益率计算和时间套利 |
|
Vega | 期权价格对隐含波动率 变化的敏感度 |
1. 波动率风险管理 2. 设计波动率交易策略(跨式/宽跨式) 3. 监控市场情绪变化 4. 评估波动率偏斜交易机会 |
|
Rho | 期权价格对无风险利率 变化的敏感度 |
1. 利率风险评估 2. 长期期权管理 3. 设计跨市场套利策略 4. 期权与固定收益产品组合管理 |
希腊字母 | 公式 | 定义 | 主要用途 |
---|---|---|---|
Epsilon | ∂V/∂r* | 期权价格对标的资产股息率变化的敏感度 | 股息政策变更风险管理,除息日前后策略调整 |
Lambda | (∂V/∂S)×(S/V) | 期权价格变化与标的价格变化的弹性比率 | 评估期权杠杆效应,资本效率分析 |
Vomma (Volga) | ∂²V/∂σ² | Vega对波动率变化的敏感度 | 波动率的波动率(vol-of-vol)风险管理 |
Vanna (DvegaDspot) | ∂²V/∂S∂σ | Delta对波动率变化的敏感度 | 评估价格和波动率交互效应 |
Charm (DdeltaDtime) | ∂²V/∂t∂S | Delta随时间的变化率 | 管理假日效应,临近到期日Delta调整 |
Color (DgammaDtime) | ∂³V/∂t∂S² | Gamma随时间的变化率 | 长假期前的Gamma风险重新评估 |
Speed | ∂³V/∂S³ | Gamma对标的资产价格变化的敏感度 | 极端市场条件下的风险控制 |
Zomma | ∂³V/∂S²∂σ | Gamma对波动率变化的敏感度 | 波动率环境变化下的Gamma调整 |
Veta (DvegaDtime) | ∂²V/∂t∂σ | Vega随时间的变化率 | 管理长期波动率交易的时间衰减 |
Vera (DvegaDr) | ∂²V/∂r∂σ | Vega对利率变化的敏感度 | 评估利率与波动率的交互影响 |
Ultima | ∂²V/∂σ³ | Vomma对波动率变化的敏感度 | 极端波动率环境的风险评估 |
Dual Delta | ∂V/∂K | 期权价格对行权价变化的敏感度 | 期权产品设计和行权价优化 |
Dual Gamma | ∂²V/∂K² | Dual Delta对行权价变化的敏感度 | 复杂期权产品的行权结构设计 |
认股权证(Warrants) 是公司以自己的股票作为标的发行的长期看涨期权
可转换债券(Convertible bonds) 是公司发行的,在特定时间可以按照事先确定的转换比率转换为股票的债券
认股权证和可转债可以用标准的期权定价模型定价,我们只需将摊薄效应(dilution effect)考虑在内。假设公司现有
在新股摊薄之后:
简化后,我们得到:
这等于
|
|
|
|
核心理念
Heston模型(Heston, 1993)
SABR模型(Hagan et al., 2002)
Hull-White模型(Hull and White, 1987)
随机波动率模型优势
核心理念
Merton跳跃扩散模型(Merton, 1976)
Kou双指数跳跃模型(Kou, 2002)
Bates模型(Bates, 1996)
跳跃扩散模型优势
核心理念
分数布朗运动模型
FIGARCH模型(Baillie et al, 1996)
Rough波动率模型(Gatheral et al., 2018)
长记忆过程模型优势
|
|
方法 | 基本原理 | 优点 | 缺点 | 应用场景 |
---|---|---|---|---|
二叉树模型 (Binomial Tree) |
将价格变动离散化为上涨/下跌两种可能,从期满日倒推定价 | 直观易懂,适合美式期权 | 简单期权结构,早期行权分析 | |
有限差分法 (Finite Difference) |
将Black-Scholes偏微分方程转化为离散差分方程,通过网格求解边值问题 | 处理复杂边界条件,计算效率高 | 路径依赖期权,复杂边界条件问题 | |
蒙特卡洛模拟 (Monte Carlo Simulation) |
通过大量随机模拟计算期权的期望收益 | 适用于高维问题,灵活处理各种随机过程 | 计算量大,对美式期权不够高效 | 多资产期权,路径依赖期权 |
Merton模型 (1974)
|
KMV模型
|
|
|
课后阅读:教材第十一章第三节、十二章第一节、第六章、第七章相关内容
练习
## Wiener Processes and Itô's Lemma
### Itô's lemma #### [Kiyosi Itô (伊藤清)](https://en.wikipedia.org/wiki/Kiyosi_It\%C3\%B4) <img align="center" style="padding-right:10px;" width=70% src="../myfig/options/ito.jpg"> ---
---
$$\Delta G=\textcolor{blue}{\frac{\partial G}{\partial x}\Delta x+\frac{\partial G}{\partial t}\Delta t}+\textcolor{green}{\frac{1}{2}\frac{\partial^2 G}{\partial x}(\Delta x)^2}+\textcolor{red}{\frac{\partial^2 G}{\partial x\partial t}\Delta x\Delta t+\frac{1}{2}\frac{\partial^2 G}{\partial t}(\Delta t)^2}+o(\Delta t)$$ $$\textcolor{red}{\Delta x\Delta t}=(a\Delta t+b\Delta z)\Delta t=a\textcolor{red}{(\Delta t)^2}+b\epsilon\textcolor{red}{\Delta t\sqrt{\Delta t}}=o(\Delta t)$$ $$\textcolor{red}{(\Delta t)^2}=o(\Delta t)$$ $$\textcolor{green}{(\Delta x)^2}=a^2\textcolor{red}{(\Delta t)^2}+2ab\Delta z\Delta t+b^2(\Delta z)^2=a^2\textcolor{red}{(\Delta t)^2}+2ab\epsilon\textcolor{red}{\Delta t\sqrt{\Delta t}}+\textcolor{green}{b^2\epsilon^2\Delta t}$$ $$\mathbb{E}[\epsilon^2\Delta t]=(Var[\epsilon]+(\mathbb{E}[\epsilon])^2)\Delta t=\Delta t$$ $$Var[\epsilon^2\Delta t]=(\mathbb{E}[\epsilon^4]-(\mathbb{E}[\epsilon^2])^2)\Delta t=((4-1)\mathbb{E}[\epsilon^{4-2}]-1)\Delta t=2\Delta t$$
---
$$\int_{-\infty}^\infty t^4\frac{1}{\sqrt{2\pi}}e^{-\frac{t^2}{2}}dt$$
--- ### The Stock Price Assumption - Consider a stock whose price is $S$ - In a short period of time of length $\Delta t$, the return on the stock is normally distributed: $$\frac{\Delta S}{S}\approx\phi(\mu\Delta t,\sigma^2\Delta t)$$ - So the price $S_T$ is lognormal distributed $$\ln S_T-\ln S_0\approx\phi\left[\left(\mu-\frac{\sigma^2}{2}\right)T,\sigma^2T\right]$$ or $$\ln S_T\approx\phi\left[\ln S_0+\left(\mu-\frac{\sigma^2}{2}\right)T,\sigma^2T\right]$$