11 期权定价:B-S-M模型

内容概要

随机过程(Stochastic Process)

  • 随机过程是一组随时间演变的随机变量,常用来描述系统随时间演化的随机规律
  • 数学表达

    • 是时间集合
    • 对每个时间点 是一个随机变量,有其概率分布“照片”
    • 对所有的, 代表随机过程的一次完整实现“电影”
  • 例子:股票价格每日的变化
    • 每日以30%的概率上涨1元,以50%的概率保持不变,以20%的概率下跌1元
    • 每日价格变动服从正态分布,均值为0.2元,标准差为1元
  • 随机过程的分类
    • 按时间:离散时间(每日收盘价)vs.连续时间(实时市场数据)。
    • 按状态:离散状态(有限取值,如抛硬币结果)vs.连续状态(无限取值,如股价变化)。

随机过程的概率性质

  • 条件分布
    • 随机过程的概率分布在时间上的演化:

    • 确定随机过程分布特性的核心问题:“给定当前状态的未来概率分布是什么?”
  • 均值与协方差
    • 均值函数:

    • 自协方差函数:

  • 平稳过程
    • 定义:概率性质(均值、方差、协方差)与时间无关的过程。
    • 应用:平稳过程是很多金融模型的出发点。

马尔可夫过程(Markov Processes)与金融市场

  • 定义:一个随机过程被称为马尔可夫过程,如果它满足“无记忆性”:

  • 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

    • 基于市场历史数据制定交易规则不能持续获得超额收益,技术分析无效
  • 讨论:
    • 市场弱式有效,股票价格是否为马氏过程?
    • 市场弱式有效,股票指数是否为马氏过程?

布朗运动(Brownian Motion)

  • 布朗运动(Brownian Motion)也称为维纳过程(Wiener Process)。
  • 由植物学家罗伯特·布朗(Robert Brown)在1827年观察到的花粉微粒在水中的随机运动
  • 爱因斯坦(1905年)和维纳(1923年)对其进行了数学定义和分析
  • 巴舍利耶(Louis Bachelier)早在1900年就最早提出了布朗运动的数学表示并将之用于金融研究

布朗运动的性质

  • 观察:花粉颗粒运动轨迹完全随机但有统计规律

  • 物理本质

    • 观察非连续
    • 观察窗内微小颗粒在水中被无数水分子随机撞击
    • 中心极限定理正态位移
  • 数学特性

    • 起点固定:
    • 独立增量:不同时间区间的变化相互独立
    • 正态分布增量:,即增量服从均值为0,方差为时间间隔的正态分布
    • 路径连续:时间轴上没有跳跃
    • 非平滑轨迹:路径在任何点都不可微

布朗运动与金融模型


  • 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

    • 资产价格建模:标准布朗运动是几何布朗运动(用于股票价格建模)的基础
    • 随机波动性:捕捉金融市场的不确定性
    • 期权定价:Black-Scholes模型的核心组成部分
    • 风险管理:用于模拟市场风险情景

布朗运动/维纳过程的数学定义


  • 一个随机过程是维纳过程,如果以下条件成立:

    • 初始值为0:
    • 高斯增量:记内增量为
    • 增量独立:两段不同(无重叠)时间内的增量互相独立
    • 路径连续:轨迹没有跳跃
  • 维纳过程的性质

    • 均值:
    • 方差:
    • 马尔可夫性

广义维纳过程(Generalized Wiener Processes)

  • 数学表示

    • 参数分别为漂移率(drift rate)和方差率(variance rate)
    • 标准维纳过程漂移率为0,方差率为1
  • 取极限(

    • 取代
    • 随机差分方程随机微分方程

    • 将随机微分方程离散化往往更方便理解

股票价格模型

  • 伊藤过程(Itô Process):漂移率和方差率为时间的函数

    • 随机微分方程

    • 离散化

  • 广义维纳过程不是合适的股票价格模型

    • 漂移率和方差率为常数的假设不合理
    • 股票价格可能为负
    • 可假设漂移率和方差率与股票价格成正比
  • 几何布朗运动(Geometric Brownian Motion)

伊藤引理(Itô's lemma)

  • 有何影响?

    • 普通微积分中的链式法则(chain rule)

    • 随机微积分的链式法则

  • 伊藤引理:若随机过程满足

    则随机过程满足:

伊藤引理的极简推导

  • 目标:忽略的影响,明确发生变化时变化的数量
  • 展开

    • 保留一阶项
    • 忽略二阶项中的高阶无穷小所有高于二阶的项
    • 重点分析二阶项中还不明确的部分
  • 分析

    • 时可用代替

伊藤引理的极简推导(续)

伊藤引理的作用和应用

主要作用

  • 随机环境下的"链式法则"

    • 将普通微积分的链式法则扩展到随机过程领域
    • 提供了如何对随机过程函数进行"求导"的规则
  • 随机过程的变换工具

    • 允许从一个随机过程推导出另一个随机过程的动态特性
    • 如果是一个随机过程,伊藤引理帮助确定Y的随机过程特性
    • 在变换过程中保留原随机过程的统计特性

应用举例

  • 假设股票价格满足几何布朗运动

  • 为以该股票为标的的衍生工具的价格,满足

  • 对远期(
    • 满足

股票价格分布

  • 假设在一段较短时间内,股票瞬时收益率服从正态分布,即

  • 应满足

  • 时,股票价格满足几何布朗运动

  • ,由伊藤引理

连续复利收益率

  • 如果是实现的连续复利收益率,我们有:

  • 预期收益率

    • 股票价格的预期值是
    • 股票的预期收益率是 而非
    • 原因是 不相同
  • 的区别

    • 是在非常短的时间 内的瞬时预期收益率,表示为以 为复利频率
    • 是长时间段内的预期收益率,表示为连续复利(或近似地以 为复利频率)

波动率

  • 波动率的概念

    • 波动率是指1年内连续复利收益率的标准差
    • 短时间段内收益率的标准差约为
  • 估计波动率

    • 取时间间隔为年的观察值(例如,对于周数据
    • 计算每个时间间隔的连续复利收益率:
    • 计算的标准差,历史波动率估计为:
  • 波动率的性质

    • 交易时段的波动率通常比收盘后要大得多
    • 因此,在对期权估值时通常以"交易日"而非日历日来计量时间
    • 对于大多数资产假设一年中有252个交易日

The Black-Scholes-Merton定价模型

  • 期权价格和股票价格依赖于相同的潜在不确定性来源

  • 我们可以构建一个由股票和期权组成的投资组合,消除这种不确定性来源

  • 该投资组合瞬时无风险,因此必须瞬时获得无风险利率的收益

  • 由此得到Black-Scholes-Merton偏微分方程

Black-Scholes-Merton偏微分方程的推导过程


  • 股票和衍生工具价格分别满足
  • 建立(无风险)组合
    • 衍生工具:
    • 股票:
  • 组合的初始价值及价值变化量
  • 组合无风险(获得瞬时无风险收益)

Black-Scholes-Merton偏微分方程


  • 任何价格依赖于股票价格的证券都满足该微分方程
  • 不同证券(衍生工具)对应不同边界条件
  • 在远期合约中,边界条件是:当时,
  • 该方程的解为:

Black-Scholes-Merton期权定价公式及其性质


  • 看涨期权

  • 看跌期权

Black-Scholes公式的性质

  • 变得非常大时,趋向于,且趋向于零
  • 变得非常小时,趋向于零,且趋向于
  • 讨论:
    • 变得非常大时会发生什么?
    • 变得非常大时会发生什么?

理解Black-Scholes期权定价公式

Black-Scholes公式可整理为:

其中:

  • : 折现因子

  • : 行权概率

  • : 期权行权时股票价格的预期增长倍数

  • : 行权时支付的执行价格

  • 风险中性定价

    • 变量 不出现在Black-Scholes-Merton微分方程中
    • 该方程的解不受风险偏好影响,因此微分方程的解在风险中性世界和现实世界相同
    • 可以应用风险中性定价
  • 应用风险中性定价

    • 假设股票的预期收益率为无风险利率
    • 计算期权的预期收益
    • 按无风险利率折现

希腊字母(Greeks)

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

不常见期权希腊字母列表

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

认股权证与可转换债券

  • 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

    • 认股权证通常在发行债券的时候被创造出来
    • 认股权证通常与债券分开交易
    • 当认股权证被执行时,发行人对持有人结清
    • 当认股权证被执行时,公司获得现金同时发行新的股票
  • 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

    • 可转换债券等价于普通债券加认股权证
    • 可转换债券使公司可以以较低的票息率发行债务

定价

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。假设公司现有股股票和份认股权证,每份权证允许持有人以协议价格购买股股票。在期初包括股票和认股权证的公司价值为:

在新股摊薄之后:

简化后,我们得到:

这等于份股票期权的价值:

指数期权

  • 无风险组合

    • 衍生工具:
    • 股票:
  • 组合(瞬时)收益

    • 组合价值变化:
    • 指数收益:
  • 偏微分方程

  • 定价公式

  • 风险中性定价

期货期权

  • 期货合约价值的漂移率

    • 风险中性:

    • 漂移率为0:
    • 服从的随机微分方程:

  • 偏微分方程

  • Black模型

  • Black模型的应用

    • Black模型常用于对(现货价格的)欧式期权进行估值
    • 避免了需要估计资产收益的问题

期权定价的扩展模型:随机波动率模型

  • 核心理念

    • 放弃波动率恒定假设
    • 波动率本身遵循随机过程
    • 符合市场观察到的波动率聚集现象
  • Heston模型(Heston, 1993)

    • :波动率回归速度
    • :长期均值水平
    • :波动率的波动率
    • :价格与波动率相关系数
  • SABR模型(Hagan et al., 2002)

    • 带杠杆效应的随机alpha-beta模型
    • 利率衍生品市场标准
  • Hull-White模型(Hull and White, 1987)

    • 波动率遵循对数正态分布
  • 随机波动率模型优势

    • 准确复制波动率微笑/偏斜现象
    • 捕捉波动率的均值回归特性
    • 考虑波动率与资产价格的相关性
    • 提高长期期权定价准确性

期权定价的扩展模型:跳跃扩散模型

  • 核心理念

    • 在连续扩散过程中加入离散跳跃成分
    • 模拟市场中的突发事件和极端价格变动
    • 反映市场中实际存在的尾部风险
  • Merton跳跃扩散模型(Merton, 1976)

    • :跳跃频率(强度)
    • :泊松过程
    • :平均跳跃幅度
  • Kou双指数跳跃模型(Kou, 2002)

    • 跳跃幅度遵循不对称双指数分布
    • 区分上行和下行跳跃
  • Bates模型(Bates, 1996)

    • 结合Heston随机波动率与跳跃过程
    • 同时捕捉连续波动与离散事件
  • 跳跃扩散模型优势

    • 能够刻画市场崩盘等极端事件
    • 改善短期期权的定价准确性
    • 生成更符合实际的尾部分布
    • 适用于市场震荡期的风险管理

期权定价的扩展模型:长记忆过程模型

  • 核心理念

    • 考虑资产回报的长期依赖性
    • 打破了马尔可夫假设
    • 过去的价格变动对未来有持久影响
  • 分数布朗运动模型

    • :分数布朗运动
    • :Hurst指数
      • :长记忆特性(正相关)
      • :反持久性(负相关)
      • :标准布朗运动
  • FIGARCH模型(Baillie et al, 1996)

    • 分数积分GARCH
    • 捕捉波动率的长期记忆
  • Rough波动率模型(Gatheral et al., 2018)

    • 使用粗糙路径描述波动率动态
    • 的分数过程
  • 长记忆过程模型优势

    • 捕捉市场中观察到的长期依赖性
    • 改善长期期权的定价
    • 符合波动率的实证观察结果
    • 适合大宗商品和低流动性市场

期权定价的扩展模型:其他重要扩展模型

  • 多因素模型

    • 多个随机因子驱动价格动态
    • 更好捕捉复杂相关结构
  • 局部波动率模型

    • Dupire模型:波动率依赖于价格和时间
    • 完美拟合市场波动率曲面
  • 时间变化测度模型
    • 核心理念
      • 通过随机时钟改变时间测度
      • 在经济时间而非日历时间中建模
    • 代表模型
      • 方差Gamma过程
      • 正态逆高斯过程
      • 广义双曲线分布

期权定价的数值方法


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模型与KMV模型:信用风险的期权理论框架

Merton模型 (1974)

  • 基本原理

    • 核心思想:公司股权被视为公司资产的看涨期权
    • 理论基础:Black-Scholes-Merton期权定价模型
    • 违约机制:当到期日资产价值低于债务面值时发生违约
  • 关键假设

    • 公司资产价值遵循几何布朗运动
    • 资本结构简单(单一零息债券)
    • 无交易成本、税收和破产成本
    • 违约仅发生在债务到期日
  • 数学表达

    • 股权价值
    • 违约概率
      • 其中

KMV模型

  • 发展背景

    • 由KMV公司(现为穆迪分析)开发,解决Merton模型实际应用问题
    • 保留期权理论框架,但引入实证方法提高预测准确性
  • 模型创新

    • 违约距离(DD):衡量公司距离违约的标准化距离
    • 违约点(DPT):通常设为短期债务+长期债务的一部分
    • 预期违约频率(EDF):通过实证数据从DD转换得到的违约概率
  • 实施流程

    • 从股权市场数据反推公司资产价值和波动率
    • 确定适当的违约点
    • 计算违约距离:
    • 根据实际违约数据将DD映射到EDF

实物期权

  • 概念与原理

    • 定义:应用期权定价理论评估实际投资项目中的管理灵活性价值
    • 区别于传统DCF:DCF假设固定路径,实物期权捕捉决策灵活性价值
  • 估值方法

    • 二叉树模型:适用于简单实物期权,直观展示决策点
    • BSM模型:连续时间框架下的复杂评估
    • 蒙特卡洛模拟:处理多源不确定性
  • 主要类型与应用

    类型 描述 类比金融期权 行业应用
    延期期权 推迟投资决策 看涨期权 资源勘探、土地开发
    扩展期权 扩大投资规模 看涨期权 工厂扩建、研发扩展
    放弃期权 终止亏损项目 看跌期权 研发项目、风险投资
    转换期权 改变运营模式 互换期权 多功能生产设施

课后阅读与练习

课后阅读与练习

  • 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

    • 教材pp186:7,10
    • 扫码做题

## 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 $$\ln S_T\approx\phi\left[\ln S_0+\left(\mu-\frac{\sigma^2}{2}\right)T,\sigma^2T\right]$$