3、随机波动率模型回顾：Heston、SABR等经典随机波动率模型的原理、优缺点，以及为何需要局部波动率模型
在衍生品定价与风险管理的演进历程中，Black-Scholes（BS）模型因假设波动率为常数而广受诟病。市场交易者很早就观察到“波动率微笑”与“波动率偏斜”现象，即隐含波动率随执行价格和期限变化。为了捕捉这些现象，金融工程领域发展出两类主流改进路径：一类是随机波动率模型（SV模型），将波动率本身视为一个随机过程；另一类是局部波动率模型（LV模型），将波动率视为标的资产价格与时间的确定性函数。本章将系统回顾Heston、SABR等经典随机波动率模型的数学原理、工程实现中的优缺点，并深入剖析为何在实务中我们仍然需要引入局部波动率模型作为补充工具。
上图从模型结构、市场拟合能力与动态特性三个维度对比了随机波动率模型与局部波动率模型的核心差异。接下来，我们将逐一拆解Heston与SABR模型的数学框架、工程实现要点及其在实务中的局限性，进而引出局部波动率模型存在的必要性。
3.1 Heston随机波动率模型：原理与工程实现
3.1.1 核心原理与数学结构
Heston模型（1993）是金融工程中最具影响力的随机波动率模型之一。其核心思想是：标的资产价格S_t的方差v_t服从均值回复的CIR过程（Cox-Ingersoll-Ross），且与资产价格过程共享一个布朗运动相关性ρ。在风险中性测度下，模型可表示为：
dS_t = r S_t dt + √v_t S_t dW₁(t)
dv_t = κ(θ − v_t) dt + σ√v_t dW₂(t)
dW₁(t)·dW₂(t) = ρ dt其中，κ为均值回复速度，θ为长期方差水平，σ为波动率的波动率（vol-of-vol），ρ为资产价格与方差过程的相关系数（通常为负，体现杠杆效应），v₀为初始方差。Heston模型的关键优势在于其特征函数具有闭式解，这使得欧式期权价格可以通过快速傅里叶变换（FFT）或Carr-Madan方法在半解析框架下高效计算，校准速度远快于纯蒙特卡洛方法。
3.1.2 判断方法与操作流程
在实际工程中，Heston模型的校准通常遵循以下流程：
- 数据准备：获取市场欧式期权的隐含波动率曲面（不同执行价K与期限T），转换为期权价格
C_mkt(K,T)。 - 参数初始化：设定
κ, θ, σ, ρ, v₀的初值。常用技巧：θ近似取长期ATM隐含方差，v₀取短期ATM隐含方差，ρ取负值（如-0.5），σ取0.2~0.5。 - 目标函数定义：通常采用均方根误差（RMSE）或加权RMSE，权重可设为Vega倒数（即价格误差对波动率的敏感度），以平衡不同流动性期权的权重。
- 优化求解：使用Levenberg-Marquardt或差分进化等全局优化算法迭代，直至目标函数收敛。需注意Feller条件（2κθ > σ²）以保证方差过程为正。
- 验证与输出：检查校准后的模型价格与市场价格的残差，并绘制隐含波动率拟合对比图。
3.1.3 案例拆解：Heston校准中的“微笑拟合”困境
假设某交易日，市场数据显示标普500指数期权在1个月、3个月、1年三个期限上均呈现明显的“偏斜微笑”（左侧偏斜，即低执行价隐含波动率更高）。我们使用Heston模型进行校准，初始参数设为κ=1.5, θ=0.04, σ=0.3, ρ=-0.7, v₀=0.04。经过优化后，模型在3个月期限上拟合良好（RMSE≈0.8%），但在1个月期限上，模型产生的偏斜程度不足——市场实际偏斜斜率为-2.5%每10%Delta，而模型仅产生-1.8%每10%Delta。原因在于：Heston模型的偏斜主要由ρ和σ共同驱动，但σ增大虽能增强偏斜，却同时会推高远期波动率水平，导致长期期限拟合恶化。这种“期限结构耦合”是Heston模型的固有局限。
ρ接近-1或σ过大时，方差过程可能频繁触及零边界，导致数值不稳定。建议在优化中加入Feller条件的软约束，并对σ设置上限（如0.5~0.8）。
3.2 SABR模型：原理与适用场景
3.2.1 核心原理与数学结构
SABR模型（Stochastic Alpha, Beta, Rho）由Hagan等人在2002年提出，最初用于利率衍生品（如利率上限、互换期权）的隐含波动率建模。其核心假设是：远期价格F_t服从CEV过程，而波动率参数α_t本身服从对数正态随机过程：
dF_t = α_t F_t^β dW₁(t)
dα_t = ν α_t dW₂(t)
dW₁(t)·dW₂(t) = ρ dt其中，β为CEV弹性参数（0≤β≤1），ν为波动率的波动率，ρ为相关性。SABR模型最著名的贡献是Hagan等人推导出的隐含波动率近似解析公式，该公式在ATM附近具有极高的精度，使得SABR模型在利率期权市场几乎成为行业标准。
3.2.2 判断方法与操作流程
SABR模型的校准相对简洁，通常分为两步：
- 参数估计：对于每个到期日，使用该期限的期权波动率微笑数据，通过最小化模型隐含波动率与市场隐含波动率的差异，估计出
α, β, ρ, ν四个参数。其中β通常根据资产类别先验设定（股票指数取0.5，利率取1，外汇取0.7）。 - 插值与外推：对不同期限的参数进行插值（如对
α和ν使用样条插值），以构建完整的波动率曲面。
3.2.3 案例拆解：SABR在利率期权中的“尾部失真”
在某次利率互换期权定价中，市场数据为1年期CMS掉期期权，执行价偏离远期利率±200bps。SABR模型在校准后，ATM附近拟合误差小于0.1%，但在深度虚值（执行价偏离300bps以上）处，模型隐含波动率出现明显上翘，而市场数据则趋于平坦。这是因为SABR的近似公式在极端执行价处误差增大，且对数正态波动率过程（α_t）会导致尾部过厚。实务中，交易台通常会对SABR的尾部行为进行修正（如加入“截断”或“粘性”处理），但这会破坏模型的解析性。
3.3 随机波动率模型的共性局限与局部波动率模型的必要性
3.3.1 随机波动率模型的三大共性缺陷
| 缺陷维度 | 具体表现 | 对定价/对冲的影响 |
|---|---|---|
| 期限结构拟合不足 | 单一参数集难以同时精确拟合短、中、长期波动率微笑 | 长期期权定价偏差可达2%~5% |
| 动态对冲不一致 | 模型隐含的波动率动态与市场实际波动率曲面移动方式不符 | Delta对冲组合的PnL方差增大 |
| 参数校准不稳定 | 不同期限的参数插值方法缺乏理论依据，参数跳跃明显 | 风险敞口度量失真，压力测试不可靠 |
这些缺陷的根源在于：随机波动率模型假设波动率过程是“外生的”且参数恒定，而市场实际波动率曲面是“内生的”——它由期权供需、宏观事件、流动性等因素共同决定，且随时间非线性演化。
3.3.2 局部波动率模型的核心优势与引入动机
Dupire（1994）与Derman-Kani（1994）提出的局部波动率模型，通过直接从市场期权价格反解确定性波动率函数σ_LV(S,t)，实现了对当前市场波动率曲面的完美静态复制。其核心公式为：
σ²_LV(K,T) = [∂C/∂T + (r−q)K·∂C/∂K + q·C] / [ (1/2)K²·∂²C/∂K² ]局部波动率模型的引入动机可归纳为三点：
- 精确校准：能够以任意精度拟合所有可交易期权的市场价格，消除模型风险。
- 计算效率：模型维度与BS相同（仅一个随机源），适合PDE有限差分法和蒙特卡洛模拟，尤其适合路径依赖型奇异期权定价。
- 无套利一致性：在满足无套利条件下，局部波动率模型保证了风险中性定价的一致性。
3.3.3 案例拆解：局部波动率在障碍期权定价中的实战
某投行需为挂钩某股票指数的向下敲出障碍期权定价，障碍水平为初始价格的70%，期限6个月。使用Heston模型定价结果为4.2%权利金，但市场同类产品报价为4.8%。经分析，Heston模型在障碍价格附近的局部波动率与市场隐含的局部波动率存在显著差异——市场在障碍水平附近波动率更高（因为交易者预期下跌时波动率上升）。改用Dupire局部波动率模型后，模型精确复现了市场波动率曲面在障碍价位的水平，定价结果为4.75%，与市场报价吻合。该案例表明，对于路径依赖期权，局部波动率模型对“当前市场状态”的精确刻画比随机波动率模型的“参数化假设”更为关键。