Breeden-Litzenberger 隐含风险中性密度：从期权价格反推市场预期的崩盘

大多数人看期权只看一个数：隐含波动率（IV）。但一个 IV 只是把整条价格曲线压成一个标量，丢掉了最值钱的信息——市场对到期日标的价格的完整概率分布预期。这个分布里，藏着市场对崩盘的定价。

结论先放这：给定同一到期日、一整排不同行权价的看涨期权价格 C(K)，你不需要任何分布假设，就能把市场心中对到期日标的价格的风险中性密度 q(S_T) 直接「解」出来。Breeden-Litzenberger(1978) 证明它就是看涨期权价格对行权价的二阶导乘以贴现因子：

q(S_T = K) = e^{rT} · d²C/dK²

这不是估计、不是拟合，是一个精确的数学恒等式。 合成 BS + 波动率微笑的实验里，含微笑反推出的密度偏度 −1.10（明显肥左尾），而 BS 常数波动率假设下反推的密度偏度 +0.34（对数正态、右偏）。更直接的对比：市场预期 P(S_T<80)（跌 20%）=9.17%，是常数 IV 假设的 5.74% 的 1.6 倍；P(S_T<70)（跌 30%）=4.84%，是常数 IV 的 0.58% 的 8.3 倍——波动率微笑不是曲线好看，它是市场把崩盘概率明码标价搬到了左尾。附完整 Python 与六类真实陷阱（高阶）。

一、为什么一个隐含波动率远远不够#

Black-Scholes 假设标的服从几何布朗运动，波动率是常数。这个假设的直接推论是：同一到期日、所有行权价的期权，反解出来的隐含波动率应该完全一样——画出来是一条水平线。

但 1987 年股灾之后，真实市场的 IV 曲线永远不是水平线。股指期权尤其明显：行权价越低（越是虚值看跌期权），隐含波动率越高。画出来是一条向左上翘的曲线，业界叫「波动率偏斜（skew）」或「波动率微笑（smile）」。

这条曲线的经济含义很直白：市场愿意为「保护下跌」的看跌期权付更高的价钱。翻译成分布语言就是——市场认为标的价格的真实分布，左尾比对数正态更肥。一个平值 IV 数字完全捕捉不到这件事，你必须把整条曲线的信息榨出来。

二、Breeden-Litzenberger 恒等式的直觉#

先看看涨期权的定价公式（风险中性测度下）：

C(K) = e^{-rT} · E[max(S_T − K, 0)] = e^{-rT} · ∫_K^∞ (S_T − K) q(S_T) dS_T

其中 q(S_T) 就是我们想要的风险中性密度。现在对 K 求一阶导（用 Leibniz 积分法则）：

dC/dK = e^{-rT} · ∫_K^∞ (−1) q(S_T) dS_T = −e^{-rT} · [1 − Q(K)]

这里 Q(K) 是累积分布函数。看涨期权价格对行权价的一阶导，正比于「负的生存概率」。再求一次导：

d²C/dK² = e^{-rT} · q(K)

移项就得到 Breeden-Litzenberger 恒等式：

q(K) = e^{rT} · d²C/dK²

这是一个精确恒等式，不依赖任何分布假设。 只要你有一整排连续的 C(K)，就能把市场的风险中性密度直接解出来。一阶导给你 CDF，二阶导给你 PDF。

期权价格对 K 是单调下降且凸的，凸性正好对应二阶导为正（密度非负）：

三、用 Python 从零反推密度#

先写自包含的 Black-Scholes 看涨定价（不依赖 scipy），并构造一条左偏的波动率微笑：

import numpy as np

def norm_cdf(x):
    # Abramowitz-Stegun 误差函数近似
    x = np.asarray(x, dtype=float)
    sign = np.sign(x)
    z = np.abs(x) / np.sqrt(2.0)
    t = 1.0 / (1.0 + 0.3275911 * z)
    a = [0.254829592, -0.284496736, 1.421413741, -1.453152027, 1.061405429]
    erf = 1.0 - (((((a[4]*t + a[3])*t) + a[2])*t + a[1])*t + a[0])*t*np.exp(-z*z)
    return 0.5 * (1.0 + sign * erf)

def bs_call(S, K, r, sigma, T):
    d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T) / (sigma*np.sqrt(T))
    d2 = d1 - sigma*np.sqrt(T)
    return S*norm_cdf(d1) - K*np.exp(-r*T)*norm_cdf(d2)

S0, r, T, atm_vol = 100.0, 0.02, 0.5, 0.20
K = np.linspace(55, 150, 951)          # 细行权价网格
m = np.log(K / S0)                       # 对数 moneyness

# 左偏微笑：低行权价 IV 更高
sig_smile = np.clip(atm_vol + 0.55*(-m) + 0.60*m**2, 0.08, 0.80)
sig_flat  = np.full_like(K, atm_vol)     # BS 常数 IV 对照

C_smile = bs_call(S0, K, r, sig_smile, T)
C_flat  = bs_call(S0, K, r, sig_flat,  T)

然后是核心的 Breeden-Litzenberger 反推——用数值二阶差分：

trapz = getattr(np, "trapezoid", np.trapz)   # NumPy 2.x 兼容

def rn_density(Cvals, Kvals, r, T):
    d2 = np.gradient(np.gradient(Cvals, Kvals), Kvals)  # d²C/dK²
    q = np.clip(np.exp(r*T) * d2, 0, None)              # 密度非负
    return q / trapz(q, Kvals)                           # 归一化

q_smile = rn_density(C_smile, K, r, T)
q_flat  = rn_density(C_flat,  K, r, T)

就这么几行。np.gradient 连用两次就是二阶导，乘以贴现因子、裁掉数值噪声导致的微小负值、再归一化，一条风险中性密度就出来了。

四、微笑到底把概率搬去了哪里#

把两条密度画在一起，差异一目了然：

• 常数 IV（BS 假设）：反推出来的是标准对数正态密度，右偏（偏度 +0.34），左尾很薄；
• 含微笑：反推出来的密度偏度 −1.10，左尾被显著拉肥、右尾被压薄，众数向右移。

两条密度的均值几乎相同（100.88 vs 100.89，都约等于远期价格，这是无套利约束的体现），标准差也接近（13.95 vs 14.14）。差别全在形状——微笑不改变期望，它把概率质量从右尾和中心搬到了左尾。

量化这个「搬运」，看不同下跌幅度的到期概率：

规律很清楚：跌幅越大，微笑与常数 IV 的分歧越夸张。 温和下跌（15%）两者差不多，但到了极端崩盘（30%），BS 常数波动率认为几乎不可能（0.58%），而市场真实定价是它的 8 倍多（4.84%）。这就是为什么用单一 ATM 波动率做尾部风险管理会系统性地低估崩盘——你用的是错的分布。

五、这东西能拿来做什么#

风险中性密度不是学术摆设，它有几个非常实在的用途：

1. 尾部风险监控：从当下期权链实时反推 q(S_T)，追踪 P(S_T < 0.9·S0) 这类崩盘概率的时间序列。它比 VIX 更细——VIX 只是密度的二阶矩汇总，密度是完整形状。
2. 事件定价拆解：财报、FOMC、大选前后，反推密度常出现双峰（bimodal），直接读出市场对「利好/利空」两种情景的概率与幅度。
3. 相对价值：把风险中性密度和你自己的真实测度（P 测度）预期对比，差异就是风险溢价——如果市场把左尾定得比你认为的更肥，卖尾部保险可能有超额收益（反之则买）。
4. 组合压力测试：直接用市场隐含的 q(S_T) 作为情景分布，比用历史模拟或正态假设更贴近市场当下的真实预期。

六、六类真实陷阱（高阶）#

陷阱一：离散行权价 + 报价噪声会让二阶导炸成锯齿。 真实期权链的行权价是离散的（间隔 5 或 10 点），且买卖价差、非同步报价会污染 C(K)。直接对含噪的离散 C(K) 做二阶差分，出来的密度是剧烈震荡甚至负值。实务里必须先在 IV 空间做平滑（对 IV 曲线拟合样条或 SVI 参数模型），再用平滑后的 IV 重算 C(K)，最后才求二阶导。本文用解析微笑函数所以干净，真实数据没这运气。

陷阱二：负密度不是 bug，是套利违约的信号。 如果反推出来某处 q(K)<0，说明你的 C(K) 曲线违反了「蝶式无套利」约束（C(K−h)−2C(K)+C(K+h)≥0）。这时不能简单裁成 0，而应回头检查数据或用带无套利约束的拟合（如 SVI 的 no-butterfly-arbitrage 参数域）。裁 0 只是掩盖问题。

陷阱三：尾部靠外推，外推假设决定尾部概率。 交易所只挂有限行权价范围（比如 70~130），但密度的极端尾部（S_T<60 或 >150）落在挂牌范围之外。这部分只能靠外推，而外推假设（对 IV 做线性/常数/GPD 延拓）会直接决定你算出来的极端崩盘概率。报告尾部概率时必须说明外推方法，否则数字不可比。

陷阱四：这是风险中性密度，不是真实概率。 q(S_T) 是 Q 测度下的密度，它已经包含了风险溢价——市场厌恶下跌，所以给左尾定的价（隐含概率）高于真实世界（P 测度）会发生的概率。直接把 q 当「市场认为崩盘的真实概率」是错的，它是「市场愿意为对冲崩盘付的价格所隐含的概率」。要转成 P 测度需要一个定价核（pricing kernel）假设。

陷阱五：远期价格约束是校验密度的免费检查项。 无套利要求 ∫ S_T·q(S_T)dS_T = S0·e^{rT}（密度的均值等于远期价格）。本文两条密度均值都是 ~100.88 ≈ 100·e^{0.02·0.5}=100.99（微小偏差来自数值离散与截断）。每次反推完都用这个恒等式自检，均值对不上说明数据或数值有问题。

陷阱六：股息与美式期权会破坏干净的恒等式。 Breeden-Litzenberger 推导用的是欧式期权 + 无股息（或连续股息）。个股期权多是美式，且有离散股息，早行权溢价和股息缺口会让 C(K) 不再是纯欧式价格，二阶导反推的密度会带偏。指数期权（多为欧式、股息连续）是这套方法最干净的应用场景，个股要先做美式→欧式的近似修正。

七、诚实结论#

Breeden-Litzenberger 是「把期权价格的全部信息榨成一条分布」的标杆方法：看涨期权价格对行权价的二阶导乘以贴现因子，就是市场心中的风险中性密度，一个精确恒等式，不需要任何分布假设。合成实验里，波动率微笑反推的密度偏度 −1.10、P(S_T<70)=4.84%（常数 IV 的 8.3 倍），把市场对崩盘的定价显性地摊在左尾——这是任何单一隐含波动率数字都表达不出来的信息。

落到实盘，先过 IV 空间平滑、蝶式无套利约束、尾部外推方法、Q 测度≠P 测度、远期价格自检、股息与美式修正 这六关。最有用的姿势：把从期权链反推的 P(S_T < 0.9·S0) 做成时间序列日更监控——它比 VIX 更早、更细地告诉你「市场正在为多大的崩盘付钱」。

注：全文数据为自洽合成（Black-Scholes 定价 + 指定左偏波动率微笑函数，确定性网格）。所有密度、偏度、尾部概率均由文中 Python 逻辑真实计算。真实复现请用实际期权链，并对 IV 平滑、无套利约束、尾部外推与股息修正逐一做稳健性检验。