粗糙波动率：分数模型为何能更准确地为期权定价

核心要点

金融市场中的波动率路径远比经典模型假设的更加粗糙。主导已实现波动率的赫斯特指数约为0.1，而非标准布朗运动所暗示的H = 0.5。Gatheral, Jaisson, and Rosenbaum (2018)严格记录的这种粗糙性，解释了隐含波动率曲面为何呈现陡峭的短期偏斜、VIX为何能在日内飙升31%并在数小时内回落，以及传统随机波动率模型为何系统性地错误定价短期期权。

波动率打破自身规则的那一天

2018年2月5日，VIX在单个交易时段内从17飙升至50，日内变动达194%，摧毁了数十亿美元的空头波动率产品。XIV交易所交易票据一夜之间损失了96%的价值。建立在波动率作为平滑扩散过程演化假设之上的标准随机波动率模型，对此类事件赋予了接近零的概率。模型并非校准失误，而是在结构上不具备生成市场常规产生的那种急剧、聚集性波动率爆发的能力。

这并非孤立事件。2015年8月的闪崩、2014年10月的国债波动率飙升，以及最近2026年3月VIX 31%的日内急升，都共享同一特征：波动率以锯齿状的自相似爆发方式运动，而非平滑的均值回归弧线。数十年来，从业者注意到了模型与现实之间的这种不匹配。直到2018年的一篇里程碑式论文才解释了其中原因。

核心论点：波动率是粗糙的

Gatheral, Jaisson, and Rosenbaum (2018)提出了一个简单却有力的主张：对数已实现波动率的样本路径表现得如同由赫斯特指数H约等于0.1的分数布朗运动所驱动，远低于标准布朗运动的H = 0.5。这一单一参数的变化对期权的建模、定价和对冲方式具有深远影响。

在Heston (1993)等标准随机波动率模型中，波动率过程由普通布朗运动驱动。该过程的增量是独立的；知道昨天波动率上升并不能告诉你今天会上升还是下降。样本路径是连续但处处不可微的，具有由H = 0.5主导的特征粗糙度。

分数布朗运动（fBm）通过允许赫斯特参数H取0到1之间的任意值来推广这一框架。当H < 0.5时，过程表现出反持续性行为：正增量之后往往跟随负增量，反之亦然。路径变得比标准布朗运动更粗糙，方向变化更频繁，外观更加锯齿状。当H > 0.5时，过程具有持续性，路径更加平滑。

关键发现是，股票、货币和商品市场的已实现波动率一致显示H接近0.1。这意味着波动率路径远比标准模型能够产生的任何路径都更加粗糙，在短时间尺度上表现出上升和下降之间的快速交替。

如何证明波动率是粗糙的？

Gatheral, Jaisson, and Rosenbaum (2018)的实证方法论依赖于分数布朗运动的标度性质。对于具有赫斯特指数H的过程，时间滞后q上增量的方差按以下方式标度：

E[|X(t+q) - X(t)|^2] 与 q^(2H) 成正比

作者通过计算从1天到数月的不同时间滞后上对数已实现波动率增量的经验标度，通过对观测方差结构拟合幂律来估计H。在横跨股票、外汇和商品的数千种资产中，估计的赫斯特指数紧密聚集在0.1附近。

这一发现具有惊人的一致性。无论是检查个股波动率、指数波动率还是货币对波动率，粗糙度参数几乎不变。这一结果的普遍性表明，H约等于0.1反映的是信息被纳入波动率方式的某种根本性特征，而非任何特定市场或时期的统计伪迹。

Comte and Renault (1998)的早期研究曾提出H > 0.5的长记忆波动率模型，产生比布朗运动更平滑的路径。粗糙波动率文献逆转了这一发现：在短时间范围（天到周），波动率表现出反持续性和粗糙性，而非主导较长时间范围的长记忆。两种现象共存；短期粗糙性产生爆发性急升，长期记忆则产生VIX向其历史均值的缓慢均值回归。

粗糙性为何对期权定价至关重要

经典随机波动率模型面临一个众所周知的校准问题。它们可以拟合隐含波动率曲面的短端（临近到期的期权）或长端，但无法同时拟合两者。短期期权表现出极其陡峭的波动率偏斜；平值与虚值看跌期权之间的隐含波动率差异，在周期权上远大于六个月到期的期权。H = 0.5的标准模型在不引入扭曲其他部分拟合的额外参数的情况下，无法重现这种陡峭性。

粗糙波动率模型解决了这一矛盾。由于波动率过程在短时间尺度上更加粗糙，模型自然为短期期权生成更陡峭的偏斜，同时在较长到期日保持合理的行为。Bayer, Friz, and Gatheral (2016)通过粗糙Bergomi模型证明了这一点，表明H约为0.07的单一参数集可以同时拟合所有行权价和到期日的整个SPX隐含波动率曲面。

这种简洁性是核心的实务优势。传统模型需要对波动率曲面的不同部分进行单独校准，引入使对冲复杂化的不一致性。粗糙波动率模型以更少的自由参数实现相当或更优的拟合，产生更稳定的对冲比率和更具内部一致性的风险度量。

波动率微笑与期限结构

隐含波动率微笑（虚值期权以高于平值期权的隐含波动率交易的模式）自Black-Scholes以来一直是衍生品定价的核心谜题。不同到期日表现出不同的微笑形状；短期微笑陡峭且不对称，长期微笑则更平坦且更对称。

粗糙波动率模型通过单一机制解释这种微笑的期限结构：波动率路径的时间尺度依赖性粗糙度。在短时间范围内，H约为0.1的分数布朗运动的反持续性增量在波动率中创造出快速而不可预测的波动。这些波动使极端走势的可能性高于平滑波动率模型的预测，推高虚值期权的价格并使微笑更加陡峭。在较长时间范围内，粗糙性被平均化，微笑趋于平坦，这与期权市场中有据可查的行为一致。

平值偏斜的期限结构（微笑斜率随到期日变化的速度）提供了直接检验。在经典模型中，平值偏斜随到期时间t衰减为t^(-1/2)。在粗糙波动率模型中，衰减遵循t^(H-1/2)，当H约为0.1时得到t^(-0.4)，这是一种更慢的衰减，与经验观察更加吻合。Fukasawa (2011)推导了这一标度关系，并表明股指期权的经验偏斜期限结构与H = 0.5不一致，但与H接近0.1时吻合良好。

对散户投资者的实际启示

粗糙波动率研究具有超越衍生品交易商交易台的多项启示。

理解VIX行为。VIX急剧飙升后快速回落的倾向是粗糙波动率动态的自然结果。波动率增量的反持续性特征意味着大幅波动往往会部分反转，但粗糙性意味着这些反转以锯齿状、不可预测的方式发生，而非平滑的弧线。对于将VIX作为恐慌指标进行追踪的投资者，关键洞察在于日内VIX飙升夸大了底层波动率变化的持续性。31%的VIX跳升并不意味着31%的持续更高波动率；粗糙模型预测快速的部分均值回归。

短期期权在结构上是昂贵的。粗糙波动率模型解释的陡峭短期偏斜转化为一个实际现实：周期权和短期看跌期权内嵌的波动率溢价大于较长期的替代品。通过周看跌期权购买投资组合保护的投资者正在为波动率路径的粗糙性支付成本；这一成本随着保护期限的延长而减少。

波动率聚集是真实的，但并不平滑。标准GARCH模型捕捉波动率聚集（高波动率时期后往往跟随高波动率时期），但施加了平滑的指数衰减结构。粗糙波动率模型表明，短时间范围内的聚集更加不规则，波动率能够在同一交易时段内飙升并部分回落。这对止损设置和日内风险管理具有启示意义。

局限性与注意事项

粗糙波动率模型并非没有挑战。分数布朗运动的模拟在计算上比标准布朗运动的模拟更加昂贵，因为反持续性增量需要生成相关随机变量而非独立随机变量。这使得奇异衍生品的蒙特卡洛定价更慢且更消耗内存。

赫斯特指数虽然在各资产间remarkably稳定，但是从历史数据中估计的，可能并非随时间完全恒定。一些研究者认为，表面上的粗糙性可能部分反映了高频波动率估计中的微观结构噪声，不过Gatheral, Jaisson, and Rosenbaum (2018)通过跨越多种估计器和采样频率的稳健性检验解决了这一疑虑。

粗糙波动率模型中的对冲比经典框架更加复杂。分数布朗运动的非马尔可夫性质意味着，最优对冲不仅取决于当前状态，还取决于整个路径历史。在实践中，通常通过用有限数量的辅助因子扩展状态空间来近似，但马尔可夫设定的理论优雅性因此丧失。

最后，粗糙波动率模型描述了波动率路径的统计性质，但其本身并未解释波动率为何是粗糙的。已有多种理论被提出，包括买卖压力的积累遵循近似反持续过程的订单流动态模型，以及市场参与者之间频繁的意见分歧产生所观察到的粗糙性的异质信念模型。微观基础仍是活跃的研究领域。

可操作的总结

粗糙波动率框架代表了我们对波动率行为理解的重大进步。对于期权市场参与者，它解释了短期隐含波动率为何持续陡峭，以及VIX为何表现出爆发性但部分自我修正的行为。对散户投资者而言，实际教训是，日内VIX飙升等波动率事件是粗糙动态的特征，而非异常。短期期权相对于其信息含量，系统性地比长期替代品更加昂贵，扩展至30到90天期限的投资组合保护策略往往能捕获比周度对冲更好的风险回报。波动率的粗糙性不是市场故障，而是市场的自然纹理。