标签： #波动率微笑

标准 CRR 二叉树的转移概率是常数，所以只能给一条「平」的隐含波动率。Rubinstein (1994) 隐含二叉树换思路：先由市场微笑用 Breeden-Litzenberger 反推出终端风险中性分布，再用前向归纳反解出每个节点的状态依赖转移概率 p(i,j)。本文从零跑通这条自洽闭环，并用真实数值证明——它定出来的期权曲面在每个行权价都能精确还原市场报价，而固定 p 的树只能压出一条平 IV。

Black-Scholes 假设波动率为常数，于是同标的、不同行权价的隐含波动率该是平的；但真实市场弯成微笑。Dupire（1994）把波动率写成「依赖于标的现价 S 和到期 T」的局部函数 σ_loc(S,T)，从整张期权价格曲面 C(K,T) 反推出它。本文用自洽合成数据从零跑通「正向 PDE 解出价格曲面 + Dupire 公式反演恢复」的闭环，并诚实点出 ATM 奇点、微笑套利、无模型风险三类真实陷阱（中阶）。

Black-Scholes 给所有行权价同一个常数波动率，于是隐含波动率该是平的；但真实市场弯成微笑，外汇期权尤其典型。Vanna-Volga（VV 法，又称半解析微笑插值）不拟合整个曲面，只抓三个支柱期权（25-delta put / ATM / 25-delta call），用蝴蝶（凸度）和 Vega（波动率敏感度）把微笑「加」回 BS 价格。本文用自洽合成数据从零跑通三支柱 Lagrange 校正，证明它在支柱处精确还原市场 IV（残差=0），并诚实点出支柱外无套利失控、远端外推爆炸等六类真实陷阱（中阶）。

经典随机波动率把波动率当成普通布朗运动(H=1/2)，所以短端隐含波动率斜度只该 ∝ 1/√T。但真实股权微笑短端比这还陡得多——模型漏了什么？Gatheral-Jaisson-Rosenbaum(2014) 的答案是：波动率不是平滑的，它是「粗糙」的，Hurst 指数 H≈0.1。本文用分数布朗运动重写波动率的记忆，自包含 Monte Carlo 实跑：① 粗糙(H=0.1)路径锯齿状、平滑(H=0.5)温和漂移；② 平均 variogram 回收 H≈0.11（对照 H=0.5 回收≈0.47，二者都受小样本滞后偏误轻微下压）；③ 粗糙 Bergomi 短端偏度 ∝ T^{H−1/2}：T=0.05 年时 4.18、T=2.0 年时仅 0.95，短端陡约 4.4 倍。附完整 Python 与六类真实陷阱（高阶）。

Black-Scholes 假设波动率为常数，于是同标的、不同行权价的隐含波动率应是水平线；但真实市场是弯弯的微笑甚至偏斜的。SABR(Hagan 2002) 把波动率也建模成随机过程，用 α、β、ρ、ν 四个参数精确还原整条波动率微笑。附完整 Python 与六类真实陷阱（高阶）。

期权价格里藏着市场对未来的完整分布预期，不只是一个隐含波动率数字。Breeden-Litzenberger(1978) 证明：看涨期权价格对行权价的二阶导，乘以贴现因子，就是到期日标的的风险中性密度 q(S_T)=e^{rT}·d²C/dK²。合成 BS+波动率微笑里，含微笑反推的密度偏度 −1.10（肥左尾）、P(S_T<80)=9.17% 是常数 IV 的 1.6 倍、P(S_T<70)=4.84% 是常数 IV 的 8.3 倍——微笑把崩盘概率显性搬到左尾。附完整 Python 与六类真实陷阱（高阶）。

Black-Scholes 假设波动率是常数，于是同一标的、不同行权价的期权隐含波动率应当是一条水平线。但真实市场里它是一条弯弯的微笑（且长期偏斜）——BS 用平值波动率给所有行权价定价会系统性误定价。Heston(1993) 把波动率本身建模成均值回复的平方根过程（带杠杆效应 ρ<0：跌时波动飙升），从机制上还原了波动率微笑。合成 30 资产级蒙特卡洛定价显示：T=0.5 时 BS 用平值 IV 给深度虚值/实值期权定价，误定价高达 ±0.45，Heston 则贴合微笑。附完整 Python 与六类真实陷阱（高阶）。

裸 IV 报价带噪且可能隐含套利。SVI 用 5 个参数把整条微笑、整张曲面平滑吃下，并用 Breeden-Litzenberger 反推风险中性密度、亮出蝶式套利红旗。配 4 张图表与完整 Python。