Merton 跳跃扩散模型：给期权定价补上『崩盘』这一课 • halo 的技术博客

问题：Black-Scholes 为什么算不准崩盘保险？#

Black-Scholes（BS）是期权定价的地基，但它站在一个理想化的假设上：股价是连续的。在 BS 的世界里，价格像水流一样平滑移动，明天的价格离今天的价格不会太远，收益率严格服从正态分布。

现实不是这样。2020 年 3 月熔断、2015 年 A 股千股跌停、个股财报暴雷一夜 -20%——这些跳变（jump）在 BS 的连续路径里根本画不出来。一个连续扩散过程要走到 -20%，需要经过中间的每一个点；而现实的跳空是瞬间的、跳过中间价位的。

后果很具体：BS 会系统性低估虚值期权的价格，尤其是虚值看跌期权（防崩盘的保险）。因为 BS 认为”一个月内跌 30%“的概率几乎为零，于是给这种保险定了个白菜价。但市场知道崩盘会发生，愿意为这种保险付更高的钱——这就是**波动率微笑（volatility smile）**的由来：把不同行权价的市场期权价格反解成 BS 隐含波动率，会得到一条两端翘起的曲线，而不是 BS 理论预言的水平线。

Robert Merton 1976 年给出了一个优雅的补丁——跳跃扩散模型（jump-diffusion model）：在原来的连续扩散上，叠加一个泊松跳跃过程。平时价格照常连续波动，但每隔一段时间（服从泊松分布），价格会瞬间跳一下，跳幅服从对数正态分布。

\frac{dS_t}{S_t} = (r - \lambda k)\,dt + \sigma\,dW_t + (J - 1)\,dN_t

其中 $dW_t$ 是布朗运动（连续扩散）， $dN_t$ 是强度为 $\lambda$ 的泊松过程（跳跃到达）， $J$ 是跳幅（ $\ln J \sim \mathcal{N}(\mu_J, \sigma_J^2)$ ）， $k = E[J-1]$ 是补偿项，保证漂移在风险中性下仍等于无风险利率。

纯 GBM vs 跳跃扩散样本路径

图1 把两种模型的样本路径摆在一起。左边是纯几何布朗运动（GBM），价格连续蠕动，最大的单日变动也很温和；右边是跳跃扩散，大部分时间和左边看起来一样，但时不时会有一根断崖式的竖线——那就是跳跃。注意这些跳大多向下（因为我设了 $\mu_J = -0.10$ ，崩盘偏向），这正是股票市场的真实特征：跌起来比涨起来更快更狠。

跳跃如何制造肥尾与左偏#

BS 假设收益正态，但真实收益是**尖峰厚尾（leptokurtic）**的：中间比正态更尖（大部分日子波动很小），两端比正态更肥（极端日子远比正态预测的频繁）。跳跃扩散能自然地生成这个特征。

我用固定种子模拟 4 万条路径、每条 252 个交易日，统计日对数收益的分布：

收益分布肥尾

图2 左用对数纵轴画收益直方图——对数轴是看尾部的关键，线性轴会把尾部压成看不见的一条线。纯 GBM（蓝）的尾部干净利落地掉下去，跳跃扩散（红）的尾部则明显厚一截、拖得更远，尤其左侧（崩盘方向）。

图2 右是分位-分位图（QQ 风格）：如果两个分布相同，点会落在 45° 对角线上。实际曲线在两端明显偏离对角线并向外弯——跳跃扩散的极端分位数远比 GBM 更极端。

数字最直接：同样的年化波动率下，纯 GBM 的峰度是 0（正态基准），跳跃扩散的峰度飙到 140.93，偏度是 -6.24。 这就是跳跃的贡献：它没有改变”平均波动多大”，但彻底改变了”极端事件多频繁、多偏向一侧”。这也是为什么只看年化波动率（标准差）会严重误判尾部风险——标准差对跳跃几乎无感，峰度和偏度才是崩盘风险的探测器。

解析级数解：把跳跃次数拆开来算#

Merton 最漂亮的贡献不只是模型，还有闭式解。他的洞察是：在给定”未来发生了 n 次跳跃”的条件下，跳跃扩散退化成一个参数调整过的 Black-Scholes。于是总价格就是对所有可能的跳跃次数 $n$ （服从泊松分布）加权求和：

C_{\text{Merton}} = \sum_{n=0}^{\infty} \frac{e^{-\lambda' T}(\lambda' T)^n}{n!}\; C_{\text{BS}}(S, K, r_n, \sigma_n, T)

其中每一项的等效波动率 $\sigma_n = \sqrt{\sigma^2 + n\sigma_J^2/T}$ （跳得越多，等效波动越大），等效利率 $r_n$ 也随 $n$ 调整， $\lambda' = \lambda(1+k)$ 。

import numpy as np
from scipy.stats import norm
from math import exp, log, sqrt, factorial

def bs_call(S, K, r, sig, T):
    if sig <= 0 or T <= 0:
        return max(S - K * exp(-r * T), 0.0)
    d1 = (log(S / K) + (r + 0.5 * sig**2) * T) / (sig * sqrt(T))
    d2 = d1 - sig * sqrt(T)
    return S * norm.cdf(d1) - K * exp(-r * T) * norm.cdf(d2)

def merton_call(S, K, r, sig, T, lam, mu_j, sigma_j, n_terms=60):
    """Merton 1976 跳跃扩散解析级数解。"""
    k = exp(mu_j + 0.5 * sigma_j**2) - 1.0   # 期望相对跳幅
    lam_p = lam * (1.0 + k)
    price = 0.0
    for n in range(n_terms):
        r_n = r - lam * k + n * (mu_j + 0.5 * sigma_j**2) / T
        sig_n = sqrt(sig**2 + n * sigma_j**2 / T)
        w = exp(-lam_p * T) * (lam_p * T)**n / factorial(n)
        price += w * bs_call(S, K, r_n, sig_n, T)
    return price

# 参数：S0=100, K=100, r=3%, σ=20%, T=1, λ=1次/年, μ_J=-10%, σ_J=15%
price = merton_call(100, 100, 0.03, 0.20, 1.0, 1.0, -0.10, 0.15)
print(f"Merton ATM 看涨 = {price:.4f}")   # 11.74
print(f"BS   ATM 看涨 = {bs_call(100,100,0.03,0.20,1.0):.4f}")  # 9.41

python

ATM 看涨期权：Merton 定价 11.74，BS 定价 9.41——跳跃让期权贵了 2.32 块，约 25%。 这 2.32 块就是市场为”崩盘可能性”额外收的保险费。BS 看不见跳跃，于是把这笔钱漏算了。

波动率微笑：模型的试金石#

一个跳跃扩散模型是否抓住了真实市场，最直接的检验是：用它算出的期权价格，反解成 BS 隐含波动率，能不能画出一条微笑曲线？

波动率微笑

图3 给出答案。灰色虚线是 BS 的世界——无论行权价多少，隐含波动率都等于扩散波动率 20%，是一条平线。而 Merton 价格反解出的隐含波动率（红色）是一条两端翘起的微笑：虚值看跌区（左侧，K/S < 1）的隐含波动率 28%，明显高于 ATM 的 26%，右侧虚值看涨区也翘起来。

蓝色曲线把跳跃波动 $\sigma_J$ 调大 1.8 倍——微笑更深、更陡。这印证了机制：跳跃的幅度和频率越大，市场对极端行权价的定价越贵，微笑就越翘。

这条微笑不是硬凑出来的，而是跳跃扩散内生产生的。这就是 Merton 模型的历史地位：它是第一个能从第一性原理解释波动率微笑的模型，也是后续所有随机波动率模型（Heston、SABR 等）的思想源头。

对抗式检验：我怀疑过的四件事#

一个能同时解释肥尾、左偏、微笑的模型，很容易让人产生”太完美了”的警惕。我对它做了四项对抗式检验，全部通过。

对抗式检验

图4a：蒙特卡洛与解析解互验。 解析级数解和蒙特卡洛模拟是两条完全独立的计算路径，如果其中一个有 bug，两者不会重合。我用不同路径数跑蒙特卡洛定价 ATM 看涨，随着路径数增加，价格连同 95% 置信区间稳稳收敛到解析解 11.74（20 万路径时 11.71，落在误差带内）。两条独立路径重合，是”代码没写错”最强的证据。

图4b：关掉跳跃，Merton 必须退化为 BS。 这是模型的一致性红线。我把跳跃强度 $\lambda$ 从 3 逐步降到 0，Merton 价格平滑下降，当 $\lambda = 0$ 时精确落在 BS 基准 9.41 上。如果 $\lambda=0$ 时 Merton 不等于 BS，说明补偿项或级数写错了。它精确退化，说明模型在极限情形下自洽。

图4c：跳跃越密，左尾保险越贵。 我扫描 $\lambda$ 从 0 到 3，看 ATM（K=100）和虚值看跌区（K=85）的隐含波动率如何变化。两者都随 $\lambda$ 上升，但虚值看跌区涨得更快、更高——跳跃越频繁，防崩盘保险越贵，微笑越翘。这与经济直觉完全一致：崩盘越可能，左尾保险越值钱。

图4d：泊松级数几项即收敛。 无穷级数在代码里必须截断，截多少项才够？我画出价格随截断项数的变化：当 $\lambda T$ 不大时（这里 $\lambda T = 1$ ），级数几项就收敛，前 5 项和前 25 项的差已小到看不见。这说明 60 项的截断远远够用，数值上是安全的。

三段式总结#

A. 实现细节#

模型设定：风险中性下的 Merton 跳跃扩散， $S_0=100$ 、 $r=3\%$ 、扩散波动 $\sigma=20\%$ 、跳跃强度 $\lambda=1$ 次/年、跳幅对数正态 $\mu_J=-10\%$ （崩盘偏向）、 $\sigma_J=15\%$ 、 $T=1$ 年。固定种子 20260801。
两条独立定价路径：(1) Merton 1976 解析级数解，按泊松权重对参数调整后的 BS 价格加权求和，截断 60 项；(2) 蒙特卡洛路径模拟，每步扩散项 + 泊松跳（一步内可多跳，跳幅方差随跳数线性放大），252 步离散。两者互验。
隐含波动率反解：对每个行权价的模型价格用二分法反解 BS 隐含波动率，误差容限 1e-6，得到波动率微笑曲线。
分布统计：4 万条路径的日对数收益汇总，计算峰度、偏度，与纯 GBM 对照。

B. 已知偏差#

跳跃参数是外生给定的：本文直接设定 $\lambda, \mu_J, \sigma_J$ ，没有从市场期权价格校准。真实应用中这些参数要从波动率曲面反推，校准本身是个不适定问题——扩散波动、跳跃频率、跳幅三者对期权价格的影响会互相纠缠，不同参数组合可能拟合出相近的曲面。
常数跳跃强度的局限：Merton 假设 $\lambda$ 恒定，但真实市场的跳跃是簇发的（危机期间跳跃扎堆，平静期几乎没有）。这需要 Hawkes 自激过程或状态切换来建模，本文的常数强度会低估危机期的尾部风险。
跳跃独立于扩散的假设：模型假设跳跃过程与扩散过程独立，但现实中跳跃常伴随波动率飙升（跳完之后波动加大）。这需要 Bates 模型（Heston 随机波动 + 跳跃）才能刻画，Merton 的常数扩散波动是简化。
风险中性 vs 真实测度：本文全程在风险中性测度下定价，跳跃风险的市场价格（jump risk premium）被吸收进补偿项。真实世界的跳跃频率和跳幅与风险中性下的可能差很多，这也是虚值看跌期权长期偏贵（保险溢价）的来源。

C. 结果解读#

跳跃是尾部风险的正确语言：图2 的峰度从 0 到 140 说明，在同样的波动率下，有没有跳跃是两个完全不同的风险世界。只用标准差/年化波动来衡量风险（如经典 VaR、夏普率）会系统性漏掉跳跃风险。任何涉及尾部的应用——组合保险、期权做市、极端风险对冲——都必须用跳跃扩散或更复杂的模型，用 BS/GBM 会低估崩盘概率一个数量级。
微笑是模型对不对的判决书：图3 说明，一个期权定价模型好不好，不看它能不能拟合 ATM 期权（那太容易了），而看它能不能内生地产生波动率微笑。BS 产生平线（错），Merton 产生微笑（对）。这是量化里一个通用的判据：模型必须在结构上产生市场观察到的定型化事实（stylized facts），而不是靠参数硬凑。
那 2.32 块钱的经济学含义：Merton 比 BS 贵的 2.32 块（ATM 看涨），本质是市场为”价格会跳”这件事收的费。做期权卖方（收取权利金）如果用 BS 定价，会系统性低估自己卖出的保险的真实成本，在崩盘来临时被跳跃扫仓。2018 年 2 月的 XIV（做空波动率 ETN）一夜归零，就是长期卖出尾部保险、用连续模型低估跳跃风险的经典教训。
Merton 是承前启后的枢纽：它上接 BS（ $\lambda=0$ 时退化），下启所有带跳跃/随机波动的现代模型（Bates、Kou 双指数跳跃、Hawkes 跳跃）。理解 Merton，是理解”为什么真实期权市场长这样”的第一把钥匙。
适用边界：Merton 适合定价受跳跃主导的资产——个股（财报跳空）、加密货币（24 小时无熔断的剧烈跳变）、事件驱动标的。它对纯指数、大盘、低波动品种可能过度参数化（跳跃不明显时 BS 已够用）。用之前先看资产的收益峰度：峰度显著大于 3，才值得上跳跃模型。