抹茶iswian
返回首页

波动率微笑中静态对冲奇异期权

2026-07-21 衍生品-期权 未标签
835 字 4 分钟
目录 ⌄

Source: 沈雁 (2020), “在波动率微笑中静态对冲奇异期权”, 中国证券期货, DOI:10.19766/j.cnki.zgzqqh.2020.4.005

核心问题#

在波动率微笑/倾斜的市场中，如何用常规欧式期权（香草期权）来静态复制和定价奇异期权（主要是障碍期权）？

创新贡献#

  1. 提出**平移型对数正态模型族（Shifted Log-Normal, SLN）**及其混合形式
  2. 首次证明该模型族具有期权对称性（Option Symmetry）
  3. 利用对称性导出：障碍期权可分解为一组香草期权的静态复制组合

这意味着：即使存在波动率微笑，也不需要复杂的动态对冲，只需管理一组常规欧式期权即可对冲奇异期权的市场风险。

模型族#

平移型对数正态模型（SLN）#

dXt=(Xt+s)⋅σ⋅dWtdX_t = (X_t + s) \cdot \sigma \cdot dW_t

关键参数 ss（平移参数）控制波动率倾斜程度：

  • s=0s=0 → 标准对数正态模型（无倾斜）
  • s→∞s \to \infty → 正态模型（最大向左倾斜）
  • 0<s<∞0 < s < \infty → 介于两者之间

解析解： Xt=(X0+s)exp⁡{−12σ2(t−t0)+σ(Wt−Wt0)}−sX_t = (X_0 + s)\exp\left\{-\frac{1}{2}\sigma^2(t-t_0) + \sigma(W_t-W_{t_0})\right\} - s

混合平移密度函数族#

多个 SLN 密度函数的凸组合：

f(t,x∣t0,x0)=∑i=1nλi⋅fSLN(t,x∣t0,x0;s,σi)f(t, x | t_0, x_0) = \sum_{i=1}^n \lambda_i \cdot f_{\text{SLN}}(t, x | t_0, x_0; s, \sigma_i)

其中 ∑λi=1,λi>0\sum \lambda_i = 1, \lambda_i > 0。

  • λi,σi\lambda_i, \sigma_i 的组合产生丰富的波动率微笑（肥尾效应）
  • ss 控制波动率倾斜方向
  • 参数可大幅简化：用两个参数即可控制微笑和倾斜

期权对称性定理#

定理1（平移型模型的期权对称性）：给定 SLN 模型（参数 ss），对于组合： ∏(t,Xt;KL,KH,δ)=C(t,T;Xt,KH)−δ⋅P(t,T;Xt,KL)\prod(t, X_t; K_L, K_H, \delta) = C(t, T; X_t, K_H) - \delta \cdot P(t, T; X_t, K_L)

存在唯一的价格 BB 满足： (B+s)2=(KL+s)(KH+s)(B+s)^2 = (K_L+s)(K_H+s)

且选定 δ=B+sKL+s=KH+sB+s\delta = \frac{B+s}{K_L+s} = \frac{K_H+s}{B+s}，则对于任何 t<Tt<T、任何波动率水平，当 Xt=BX_t = B 时组合价值为 0。

意义：该对称性表明在 SLN 模型中，**风险翻转（Risk Reversal）**可以精准对冲波动率倾斜风险，且不受波动率水平变化影响。

延伸定理#

  • 定理2：混合模型族同样满足期权对称性（由于线性叠加性质）
  • 定理3：上下出局障碍期权（Up-and-Out / Down-and-Out）可以精确分解为香草期权组合
  • 定理4：上下入局障碍期权（Up-and-In / Down-and-In）同理

实际应用#

  1. 障碍期权的静态对冲：

    • 无需动态调整 Δ\Delta 对冲
    • 一次构建香草期权组合即可覆盖整个存续期风险

  2. 复制定价：

    • 奇异期权的价格直接等于其香草复制组合的价格
    • 避免了复杂数值方法的依赖

  3. 适用范围：

    • 商品期权、短期汇率期权
    • 中长期固定收益结构（利率互换期权、CMS 价差结构等）
    • 适用于单因子 BGM 利率模型框架

对比传统方法#

维度传统方法（CEV/Heston/SABR）本文方法（SLN 混合族）
对冲方式动态对冲静态复制
定价方法数值方法（MC/FD）解析解
模型复杂度参数多，校准复杂参数少，易校准
固定收益适用性利率随机时不便自然适用
对称性一般不具备天然具有

相关论文#