4、局部波动率模型理论：Dupire公式的推导、局部波动率函数的数学定义、与隐含波动率曲面的关系

在期权定价与风险管理实践中，Black-Scholes模型假设波动率为常数，但市场隐含波动率曲面普遍呈现“波动率微笑”或“偏斜”形态，这一现象直接暴露了常数波动率假设的系统性偏差。局部波动率模型（Local Volatility Model）由Dupire（1994）与Derman-Kani（1994）分别独立提出，其核心思想是：在风险中性测度下，存在一个关于标的资产价格S和时间t的确定性函数σ_loc(S,t)，使得该函数能够精确复现市场上所有可观测的欧式期权价格。本章将系统推导Dupire公式，明确局部波动率函数的数学定义，并深入剖析其与隐含波动率曲面的内在联系。

上图展示了局部波动率模型的核心逻辑链：从市场可观测的隐含波动率曲面出发，通过Black-Scholes公式反解出欧式期权价格C(K,T)，再代入Dupire公式求导，最终得到局部波动率函数。这一过程构成了从市场数据到模型参数的完整映射，是后续数值实现与校准的基础。

4.1 Dupire公式的推导

4.1.1 核心原理：从Fokker-Planck方程到Dupire公式

Dupire公式的推导建立在风险中性测度下标的资产价格服从如下随机微分方程（SDE）的假设之上：

dS_t = (r - q) S_t dt + σ_loc(S_t, t) S_t dW_t

其中r为无风险利率，q为连续股息率，σ_loc(S,t)为待求的局部波动率函数，W_t为风险中性测度下的标准布朗运动。推导的关键步骤在于：

1. 正向Kolmogorov方程（Fokker-Planck方程）：设p(S,t; S₀,0)为标的资产价格在风险中性测度下的转移概率密度函数，则p满足：

∂p/∂t = -∂/∂S[(r-q)S·p] + ½·∂²/∂S²[σ²_loc(S,t)·S²·p]

2. 期权价格与概率密度的关系：欧式看涨期权价格可表示为：

C(K,T) = e^(-rT) · ∫₀^∞ (S_T - K)⁺ · p(S_T,T; S₀,0) dS_T

3. 对K求一阶与二阶偏导：利用分布函数的性质，可得：

∂C/∂K = -e^(-rT) · ∫_K^∞ p(S_T,T) dS_T = -e^(-rT) · P(S_T > K)

∂²C/∂K² = e^(-rT) · p(K,T)

这一结果揭示了期权价格对执行价的二阶导数与风险中性密度之间的直接联系——二阶导数本质上度量了市场对标的资产在特定价格水平上的概率密度预期。

4. 对T求偏导并代入Fokker-Planck方程：将上述关系代入Fokker-Planck方程，经过分部积分与整理，最终得到Dupire公式：

σ²_loc(K,T) = [∂C/∂T + (r-q)K·∂C/∂K + qC] / [½K²·∂²C/∂K²]

4.1.2 判断方法与操作流程

在实际应用中，Dupire公式的推导结果需要转化为可操作的数值流程。标准的操作步骤如下：

步骤	操作内容	关键输入/输出	注意事项
1	获取市场隐含波动率曲面	σ_imp(K,T) 矩阵	需覆盖足够的执行价与期限范围
2	转换为期权价格	C(K,T) = BS(S₀,K,T,r,q,σ_imp)	使用BS公式反解，注意利率与股息率
3	数值求导	∂C/∂T, ∂C/∂K, ∂²C/∂K²	推荐使用样条插值或有限差分
4	代入Dupire公式	σ²_loc(K,T)	检查分母为正，剔除异常点
5	坐标变换	σ_loc(S,t) 通过 S=K, t=T 映射	插值到所需网格

4.1.3 案例拆解：欧式看涨期权数据的Dupire公式应用

假设某股票当前价格S₀=100，无风险利率r=2%，股息率q=0.5%。市场给出如下隐含波动率数据（简化示例）：

执行价K	期限T=0.5年	期限T=1.0年
90	25.0%	24.0%
100	22.0%	21.5%
110	20.5%	20.0%

以K=100, T=1.0为例，计算步骤如下：

1. 使用BS公式计算C(100,1.0) ≈ 6.85（由σ_imp=21.5%代入）
2. 数值求导：∂C/∂T ≈ (C(100,1.0)-C(100,0.5))/0.5，其中C(100,0.5)由σ_imp=22%计算约为4.72，故∂C/∂T ≈ (6.85-4.72)/0.5 = 4.26
3. ∂C/∂K ≈ (C(110,1.0)-C(90,1.0))/(110-90)，分别计算C(110,1.0)≈3.12，C(90,1.0)≈11.85，故∂C/∂K ≈ (3.12-11.85)/20 = -0.4365
4. ∂²C/∂K² ≈ (C(110,1.0)-2C(100,1.0)+C(90,1.0))/(10²) = (3.12-13.70+11.85)/100 = 0.0127
5. 代入Dupire公式：σ²_loc = [4.26 + (0.02-0.005)×100×(-0.4365) + 0.005×6.85] / [0.5×100²×0.0127] = [4.26 - 0.6548 + 0.0343] / 63.5 = 3.6395/63.5 ≈ 0.0573
6. σ_loc(100,1.0) = √0.0573 ≈ 23.9%

4.2 局部波动率函数的数学定义

4.2.1 核心原理：确定性函数与状态依赖

局部波动率函数σ_loc(S,t)是一个确定性的二元函数，它描述了在给定时间t和标的资产价格S的条件下，标的资产收益率的瞬时标准差。与常数波动率模型不同，局部波动率模型允许波动率随标的价格和时间变化，从而能够捕捉波动率微笑和期限结构效应。

数学上，局部波动率函数可以表示为：

σ_loc(S,t) = √{ 2·[∂C/∂T + (r-q)K·∂C/∂K + qC] / [K²·∂²C/∂K²] } |_{K=S, T=t}

这一表达式表明，局部波动率完全由期权价格曲面的几何性质决定。从概率视角看，σ_loc(S,t)与风险中性密度p(S,t)之间存在如下关系：

σ²_loc(S,t) = 2·[∂p/∂t + (r-q)·∂(S·p)/∂S] / [∂²(S²·p)/∂S²]

这意味着局部波动率函数本质上是对风险中性转移密度的“重构参数”。

4.2.2 判断方法与性质检验

在实际建模中，需要检验局部波动率函数的合理性：

• 非负性：σ_loc(S,t) ≥ 0 对所有S,t成立，否则模型无意义
• 光滑性：函数应关于S和t连续可微，避免数值不稳定
• 无套利约束：∂²C/∂K² > 0，即期权价格关于执行价是凸的
• 边界行为：当S→0时，σ_loc(S,t)应有界；当S→∞时，σ_loc(S,t)不应发散

4.2.3 案例拆解：波动率微笑的局部波动率解释

考虑一个典型的股票期权波动率微笑场景：低执行价期权隐含波动率高于高执行价期权（即负偏斜）。通过Dupire公式转换后，局部波动率曲面通常表现出更陡峭的偏斜形态。例如，当隐含波动率从K=90的25%下降到K=110的20.5%时，局部波动率可能从K=90的28%下降到K=110的18%，偏斜程度被放大。

这一现象的解释是：隐含波动率是路径平均效应，而局部波动率是瞬时状态依赖效应。当市场预期股价下跌时波动率上升（杠杆效应），局部波动率在低股价区域会显著高于高股价区域，且这种差异比隐含波动率曲面所显示的更为剧烈。

4.3 与隐含波动率曲面的关系

4.3.1 核心原理：从平均到边际的映射

隐含波动率曲面σ_imp(K,T)与局部波动率曲面σ_loc(S,t)之间存在一一对应关系，但这种关系是高度非线性的。隐含波动率可以视为局部波动率在时间维度上的某种加权平均：

σ²_imp(K,T) = (1/T) · E[ ∫₀^T σ²_loc(S_t,t) dt | S_T = K ]

这一表达式揭示了关键区别：隐含波动率是“路径条件期望”下的平均波动率，而局部波动率是“状态条件”下的瞬时波动率。因此，局部波动率曲面通常比隐含波动率曲面具有更明显的“微笑”或“偏斜”特征。

4.3.2 判断方法与转换技巧

从隐含波动率曲面到局部波动率曲面的转换，在实务中通常采用以下两种路径：

方法	原理	优点	缺点
直接Dupire公式	对期权价格求导	理论精确	对噪声敏感，需大量平滑
隐含波动率求导法	将σ_imp代入BS公式再求导	与市场报价直接关联	公式复杂，计算量大

其中，隐含波动率求导法的核心公式为：

σ²_loc(K,T) = [σ²_imp + 2Tσ_imp·∂σ_imp/∂T + 2(r-q)KTσ_imp·∂σ_imp/∂K] / [1 + 2K√T·d₁·∂σ_imp/∂K + K²T·(d₁d₂·(∂σ_imp/∂K)² + σ_imp·∂²σ_imp/∂K²)]

其中d₁ = [ln(S₀/K) + (r-q+σ²_imp/2)T] / (σ_imp√T)，d₂ = d₁ - σ_imp√T。

4.3.3 案例拆解：曲面转换的实务操作

假设市场给出了如下隐含波动率数据（S₀=100, r=2%, q=0.5%, T=1年）：

K	σ_imp	∂σ_imp/∂K	∂²σ_imp/∂K²	∂σ_imp/∂T
95	23.0%	-0.0020	0.0001	-0.01
100	21.5%	-0.0018	0.0001	-0.01
105	20.2%	-0.0016	0.0001	-0.01

以K=100为例，计算d₁ = [ln(100/100) + (0.02-0.005+0.215²/2)×1]/(0.215×1) = (0+0.015+0.0231)/0.215 ≈ 0.1772，d₂ = 0.1772-0.215 = -0.0378。代入公式：

分子 = 0.215² + 2×1×0.215×(-0.01) + 2×(0.02-0.005)×100×1×0.215×(-0.0018)
     = 0.046225 - 0.0043 - 0.001161 = 0.040764
分母 = 1 + 2×100×1×0.1772×(-0.0018) + 100²×1×(0.1772×(-0.0378)×(-0.0018)² + 0.215×0.0001)
     = 1 - 0.0638 + 10000×(0.00000217 + 0.0000215)
     = 0.9362 + 10000×0.00002367 = 0.9362 + 0.2367 = 1.1729
σ²_loc = 0.040764/1.1729 ≈ 0.03475
σ_loc(100,1) ≈ 18.6%

对比隐含波动率21.5%，局部波动率18.6%明显更低，这反映了偏斜市场中局部波动率与隐含波动率的系统性差异。

4.3.4 常见误区与总结复盘

在理解局部波动率与隐含波动率关系时，常见的误区包括：

• 误区一：认为局部波动率就是隐含波动率的某种简单插值。实际上，两者之间是积分-微分关系，需要完整的偏导数信息。
• 误区二：忽视∂²C/∂K²的正性约束。当市场报价存在微小噪声时，二阶导数可能变负，导致局部波动率无定义。
• 误区三：在深度虚值区域直接使用Dupire公式。该区域期权价格对波动率不敏感，数值求导误差极大。
• 误区四：混淆局部波动率与瞬时波动率。局部波动率是状态依赖的确定性函数，而瞬时波动率可以是随机的。

总结而言，Dupire公式建立了从市场可观测的隐含波动率曲面到模型内部状态依赖的局部波动率函数的桥梁。这一桥梁的核心价值在于：它使得模型能够精确复现欧式期权市场价格，同时为奇异期权定价和风险管理提供了自洽的波动率动态框架。然而，局部波动率模型的局限性也源于其确定性本质——它无法产生波动率自身的随机波动，这为后续随机波动率模型的发展埋下了伏笔。在实际工程中，理解Dupire公式的推导逻辑、掌握数值实现技巧、识别数据陷阱，是构建稳健的局部波动率模型的关键能力。