Heston模型：隨機波動率及其重要性

核心要點

Black-Scholes模型假設波動率恆定，這一簡化產生了系統性的定價誤差，且無法解釋實際選擇權市場中觀察到的波動率微笑。Heston模型（1993）透過允許波動率遵循自身的隨機過程來解決這個問題，由五個參數控制，分別捕捉均值回歸、波動率的波動率以及資產收益率與波動率之間的相關性。其特徵函數允許歐式選擇權價格的半封閉形式解，使對整個隱含波動率曲面的校準既可行又快速。發表三十年後的今天，Heston模型仍然是衍生品定價、風險管理和波動率曲面構建的核心隨機波動率框架。

恆定波動率的問題

1973年，Black和Scholes發表了將成為金融學中最具影響力公式的論文。他們的選擇權定價模型基於多項假設，其中最關鍵的是假設標的資產的波動率在選擇權存續期間保持恆定。在此假設下，具有相同標的和相同到期日的選擇權的隱含波動率在所有行權價上應該相同。

市場並不認同。1987年股災之後，選擇權市場開始展現一種持續的模式：虛值看跌選擇權始終以高於平值選擇權的隱含波動率交易。這種波動率微笑（或稱偏斜，因其在股票市場中的不對稱性）是金融中最穩健的經驗規律之一。Black-Scholes模型無法產生它。當交易員使用Black-Scholes公式將市場價格反推為隱含波動率時，他們發現一個隨行權價和到期時間系統性變化的曲面，這直接與恆定波動率假設相矛盾。

經濟直覺很直接。實際市場中的波動率呈現聚集現象：高波動率日往往跟隨高波動率日，平靜時期也會持續。波動率還與收益率呈負相關；當股價下跌時，波動率往往上升，這就是Black（1976）首先記錄的槓桿效應。將波動率視為固定的模型無法捕捉這兩種現象。

Heston框架

Steven Heston在1993年的論文中引入了一個模型，其中資產價格的方差遵循均值回歸的平方根過程，創建了一個由兩個耦合隨機微分方程組成的系統。

資產價格S遵循：dS = mu * S * dt + sqrt(v) * S * dW_1

方差v遵循：dv = kappa * (theta - v) * dt + sigma_v * sqrt(v) * dW_2

兩個布朗運動W_1和W_2以係數rho相關：dW_1 * dW_2 = rho * dt

該系統由五個參數控制，每個參數都有明確的經濟解釋：

均值回歸結構確保方差不會漂移至無窮大或崩塌至零（在特定條件下）。方差動態中的平方根項sqrt(v)按當前方差水平比例縮放噪聲，在Feller條件滿足時防止方差變為負值：2 * kappa * theta > sigma_v的平方。當此條件成立時，方差過程保證保持嚴格正值。當條件被違反時，方差可以觸及零但會立即被反射，這需要謹慎的數值處理但在經濟上仍然合理。

為什麼Rho產生偏斜

相關參數rho是波動率偏斜最重要的單一驅動因素。在股票市場中，rho始終為負值，通常在-0.5到-0.9之間。這種負相關意味著當股價下跌時（dW_1為負），方差往往增加（考慮符號結構，dW_2也為負，方差SDE在dW_2為負時推高v）。

對選擇權定價的影響是深遠的。負的rho意味著股價下跌與波動率上升相關，使得大幅下跌比恆定波動率模型預測的更有可能發生。這種不對稱性使虛值看跌選擇權相對於虛值看漲選擇權的價格膨脹，產生了股票指數選擇權中觀察到的偏斜。

當rho等於零時，模型仍然僅透過vol-of-vol參數sigma_v產生微笑（深度實值和虛值選擇權的隱含波動率升高）。但微笑是對稱的。打破這種對稱性並創造股票隱含波動率曲線特徵性左偏形狀的是負的rho。

特徵函數方法

Heston論文最重要的技術貢獻是證明了可以使用對數資產價格的特徵函數以半封閉形式計算歐式選擇權價格。這是一個突破，因為隨機波動率模型定價偏微分方程的直接求解通常是不可行的。

對數價格ln(S_T)的特徵函數phi(u)給出風險中性機率密度的傅立葉變換。Heston證明該函數具有指數仿射形式：phi(u) = exp(C(u, T) + D(u, T) * v_0 + i * u * ln(S_0))

函數C和D滿足允許包含複指數和對數的解析解的常微分方程（Riccati方程）。一旦特徵函數已知，歐式看漲和看跌選擇權價格可以透過數值積分恢復。

對於普通香草選擇權定價，這種方法相比蒙特卡羅模擬有三個主要優勢。第一，速度大幅提升；單個選擇權價格只需要評估一維積分，而不是對數千條模擬路徑取平均。第二，精確到數值積分誤差，消除了蒙特卡羅估計中固有的統計噪聲。第三，由於整個隱含波動率曲面可以在幾秒內計算，因此能夠實現高效校準，允許基於梯度的最佳化將模型參數擬合到觀察到的市場價格。

對於奇異選擇權（障礙選擇權、回望選擇權和路徑依賴型支付），Heston動態下的蒙特卡羅模擬仍然是必要的。但對於涉及擬合普通歐式選擇權的校準步驟，特徵函數方法是不可或缺的。

校準：擬合波動率曲面

校準是尋找最能再現觀察到的市場隱含波動率曲面的五個Heston參數的過程。典型程序最小化行權價和到期日網格上模型隱含波動率與市場隱含波動率之間的平方差之和。

校準品質取決於波動率曲面的豐富程度。流動性高的股票指數選擇權（S&P 500、Euro Stoxx 50）提供密集的行權價和到期日網格，能夠進行精確的參數估計。流動性較低的市場可能需要正則化或貝葉斯先驗來防止對噪聲數據的過擬合。

S&P 500指數選擇權的典型校準結果可能產生：

校準後的rho為-0.72，與數十年來關於股票市場槓桿效應的實證證據一致。kappa為2.5意味著方差半衰期為ln(2)/2.5，約0.28年或約70個交易日，這意味著波動率衝擊後，偏離長期均值的約一半在三個月內消散。

一個眾所周知的局限性是Heston模型無法用單一參數集同時擬合波動率曲面的極短期和極長期部分。短期選擇權需要更高的有效vol-of-vol來匹配觀察到的陡峭偏斜，而長期選擇權則暗示更低的值。這種張力促進了雙Heston模型（兩個獨立方差過程）和用分數布朗運動替代布朗驅動的粗糙波動率模型等擴展的發展。

Heston與Black-Scholes：差異重要之處

Heston和Black-Scholes之間的定價差異在所有選擇權中並不均勻。在較短到期日的虛值看跌選擇權和深度實值看漲選擇權中差異最大。

最大的差異出現在虛值看跌選擇權中，因為Heston模型中的負rho在收益分布中產生更厚的左尾。Black-Scholes定價為0.50的虛值看跌選擇權在Heston下可能價值0.70到0.80，反映了具有負相關性的隨機波動率所暗示的大幅下跌的更高機率。

對於平值選擇權，由於平值隱含波動率大約等於初始方差v_0的平方根，兩個模型通常緊密一致，且兩個模型都將其用作輸入。隨著選擇權偏離平值或到期時間縮短，分歧增大。

局限性與擴展

Heston模型儘管優雅，但有幾個已知的局限性。

它產生的波動率微笑不夠靈活，無法匹配所有市場配置。模型主要透過rho參數生成偏斜，透過sigma_v生成曲率，但缺乏在不同到期日獨立控制微笑兩翼的自由度。在實踐中，這意味著即使基礎市場條件沒有實質性變化，校準後的參數在不同交易日之間也可能不穩定。

資產價格的跳躍（如在財報發布或地緣政治事件期間發生的跳躍）在基本Heston框架中缺失。Bates模型（1996）透過在資產價格過程中添加跳躍擴散組件來擴展Heston，在保持特徵函數可解析性的同時提供對短期微笑的更好擬合。

Feller條件2 * kappa * theta > sigma_v的平方在股票指數選擇權的校準Heston參數中經常被違反。當sigma_v相對於kappa * theta較大時，方差過程可以達到零，對某些定價方案造成數值挑戰。現代實現透過仔細的離散化（Lord、Koekkoek和Van Dijk（2010）的全截斷方案）或接受理論邊界行為在實際目的中經濟上不相關來處理這一問題。

儘管存在這些局限性，Heston模型仍然是默認的隨機波動率基準，因為它平衡了解析可行性、經濟可解釋性和校準品質。更複雜的模型（SABR、粗糙Bergomi、局部-隨機波動率混合）在特定情境中提供更好的擬合，但代價是複雜性增加、校準變慢或失去封閉形式定價。

可行的結論

Heston模型持久的相關性在於它能夠將五個經濟上有意義的參數轉化為完整的隱含波動率曲面。對於從業者而言，需要監控的關鍵參數是rho（驅動偏斜的槓桿效應）、sigma_v（控制微笑曲率的vol-of-vol）和kappa（控制波動率衝擊衰減速度的均值回歸速度）。當校準後的rho比歷史基準更負時，市場正在定價更高的崩盤風險。當sigma_v上升時，市場正在對未來波動率本身賦予更高的不確定性。理解這些動態提供了比任何恆定波動率框架更完整的選擇權定價圖景。