2. 期权定价与波动率基础

在进入SABR与Heston模型的校准实战之前，必须先回到一切波动率建模的共同起点：Black-Scholes框架及其隐含波动率语言。校准之所以困难，往往不是因为优化算法不够强，而是因为对“我们究竟在拟合什么”理解不清。本节将梳理四个关键基础：Black-Scholes模型的核心逻辑、隐含波动率的定义与求解、波动率微笑与偏斜的市场含义，以及市场数据的获取与清洗方法。

一、Black-Scholes模型回顾：从假设到定价公式

Black-Scholes模型（1973）在一系列理想化假设下给出了欧式期权的解析定价公式。其核心假设包括：标的资产价格服从几何布朗运动、波动率为常数、无风险利率与股息率恒定、市场无摩擦且可连续对冲、无套利机会。在这些假设下，期权价格仅依赖于五个可观测或可估计的参数：标的现价 S、行权价 K、到期时间 T、无风险利率 r 与波动率 σ。

对于无股息欧式看涨期权，其价格为：

C = S · N(d1) − K · e^(−rT) · N(d2)

d1 = [ln(S/K) + (r + σ²/2)T] / (σ√T)
d2 = d1 − σ√T

其中 N(·) 为标准正态累积分布函数。看跌期权可由看涨看跌平价关系 P = C − S + K·e^(−rT) 得到。需要强调的是，BS公式中唯一不可直接观测的参数就是 σ。这为后续“用市场价格反推波动率”埋下了伏笔。

二、隐含波动率：把价格翻译成波动率

隐含波动率（Implied Volatility, IV）是指将市场上观察到的期权价格代入BS公式后，反解出的波动率参数。由于BS公式关于 σ 没有解析反函数，通常使用数值方法求解，例如牛顿-拉夫森法或二分法。牛顿法迭代格式为：

σ_{n+1} = σ_n − (BS(σ_n) − P_market) / Vega(σ_n)

其中 Vega = S·φ(d1)·√T，φ(·) 为标准正态密度函数。实践中需要注意：深度实值或深度虚值期权的Vega接近零，牛顿法容易发散，此时应改用二分法或Brent法，并设置合理的波动率上下界（如0.1%至500%）。

隐含波动率的意义在于：它把不同行权价、不同期限的期权价格标准化为同一维度的指标，使交易员能够直观判断“哪个期权贵、哪个便宜”。但IV本身并不是对未来波动率的预测，而是市场在当前价格下对波动率的“共识定价”。

三、波动率微笑与偏斜：BS假设的裂缝

如果BS模型完全正确，那么同一标的、同一到期日的所有期权，无论行权价如何，反解出的隐含波动率应当完全相同，呈现为一条水平线。然而真实市场中，IV随行权价变化呈现明显的曲线形态，这就是著名的“波动率微笑”与“波动率偏斜”。

• 波动率微笑：虚值和实值期权的IV高于平值期权，曲线呈U形。常见于外汇市场。
• 波动率偏斜：低行权价（看跌）期权的IV显著高于高行权价（看涨）期权，曲线向左上方倾斜。股票指数市场尤为典型，反映市场对下行风险的定价。
• 期限结构：不同到期日的微笑形态不同，短期偏斜更陡，长期趋于平缓。

微笑与偏斜的存在说明：标的收益率分布并非正态，而是具有尖峰厚尾和负偏特征；波动率也并非常数，而是随价格水平变化。这正是SABR与Heston等随机波动率模型要解决的核心问题。

四、市场数据获取与清洗方法

校准的质量高度依赖输入数据的质量。原始期权链数据通常包含大量噪声、缺失和异常，直接用于校准会导致参数不稳定甚至无解。以下是标准的数据处理流程：

1. 数据获取：从交易所、数据供应商或行情接口获取期权链，字段至少包括标的现价、行权价、到期日、买价、卖价、成交量、持仓量、合约乘数。
2. 计算中间价：用 (bid + ask)/2 作为期权价格，避免使用最后成交价（可能滞后或非活跃）。
3. 过滤无效合约：剔除买价为0、买卖价差过大、成交量与持仓量均为0的合约。
4. 无套利检查：验证看涨看跌平价关系、价格上下界（如看涨期权价格不超过标的现价），剔除违反无套利的点。
5. 期限与行权价筛选：选择流动性较好的平值附近合约，剔除深度实值与深度虚值点。
6. 反解隐含波动率：对清洗后的价格逐点求解IV，记录求解失败或超出合理范围的合约。

掌握以上基础后，我们才能理解为什么SABR模型要引入 α、β、ρ、ν 四个参数来刻画微笑的动态，以及为什么Heston模型要用随机方差过程来生成偏斜。校准不是盲目拟合，而是在理解数据与模型关系的基础上，寻找最能解释市场报价的参数组合。