本文是「期权定价」系列的序言。读完之后，你会知道：期权定价模型的作用是什么；以及 Black–Scholes–Merton 模型如何把期权问题组织成一套系统的研究框架。
符号约定
本系列文章统一使用以下折叠栏内的符号。
Details
说明： 若未特别说明，所有带时间下标的变量默认表示在时刻 $t$ 的取值。
| 符号 | 含义 |
|---|---|
| $S_t$ | 标的资产在时刻 $t$ 的价格 |
| $K$ | 行权价（常数） |
| $T$ | 到期时间（年化，固定） |
| $r_t$ | 无风险利率（可为常数或函数） |
| $q_t$ | 股息收益率（可为常数或函数） |
| $\sigma_t$ | 波动率（模型输入参数，可为常数或过程） |
| $\sigma_{t,IV}$ | 隐含波动率（从市场价格反解，通常为函数） |
| $F_t$ | 时刻 $t$ 的远期价格，$F_t = S_t e^{(r-q)(T-t)}$ |
| $k$ | 对数在值度，$k = \log(K/F_t)$ |
| $V_t$ | 瞬时方差（随机波动率模型中的状态变量） |
| $W_t^{\mathbb{Q}}$ | 风险中性测度 $\mathbb{Q}$ 下的布朗运动 |
| $\Gamma_t$ | Gamma，$\partial^2 V/\partial S^2$（在 $t$ 时刻） |
期权定价模型有啥用？
学习期权定价模型时，Black–Scholes–Merton（后文统称为 BS 模型）几乎是必学的理论。从字面上看，「期权定价」很容易被理解成给期权确定一个公允的价格，告诉市场这张期权合约应该值多少钱。那么，BS 模型的用处就是给期权合约确定合理的价格吗？
大多数时候并非如此。场上的期权价格绝大多数1并非来自于期权定价模型，而是根据买卖双方的风险偏好、供需关系撮合所得。从历史上看，期权在任何定价模型出现之前就已经在市场上交易了——1688 年，Joseph de la Vega 在阿姆斯特丹出版了 Confusion de Confusiones，书中已经描述了股票交易、远期/期权性质的合约、保证金和对冲等实践。Taleb 在 2011 年的论文里甚至指出，期权交易员从来没有真正使用过 Black–Scholes 公式——他们用的是更稳健的启发式规则，BS 出现之后，他们继续用这些规则，只是开始用「隐含波动率」这个语言来报价和沟通。
然而，「市场不依赖模型定价」和「模型没有用」是两回事。从业界的视角出发，期权定价模型可用于 P&L 的分解和对冲。做市商每天仍然校准模型，原因不是用它定价，而是用它度量和对冲风险。没有一套共同的框架，Delta 是什么、Vega 是什么、对冲了多少风险、还剩多少残差——这些问题就无法被精确回答，更无法在交易对手之间沟通。因此可以说，期权定价模型的价值，不在于它确定市场价格，而在于它提供了期权研究的框架，提供了一套让风险可以被度量、分解和沟通的语言。这套框架正是由 BS 模型首次系统化地建立起来的。因此，要理解期权定价这一领域在研究什么，我们就需要从 BS 模型出发。这套框架的具体内容，正是接下来要讨论的七件事。
用 BS 模型研究期权时，我们做了哪些事？
实际上，当我们用 BS 模型「期权定价」时，我们看到了 BS 框架为期权研究提供的七个维度2。
1. 确定衍生产品的现金流结构
在建任何模型之前，我们首先需要确认：这张衍生产品在什么条件下，给谁，付多少钱？以欧式认购期权为例。其现金流结构很简单，期权到期时，如果标的资产价格高于行权价，则期权持有人收到差价；否则什么都不收：
$$\text{Payoff} = \max(S_T - K,\ 0)$$
这一步看起来简单，但它做了几个隐含的选择：我们关心的状态空间是什么（只是到期价格，还是整条路径）；我们用什么计价单位（货币、比率、还是其他资产）。对于路径依赖期权（Asian、Barrier），这一步的答案和欧式期权完全不同，Payoff 函数依赖整条价格路径，这直接决定了后续步骤的难度。一旦把「定价」理解为「对现金流结构的研究」，我们就可以反过来做——先设计我们想要的风险收益结构，再构造能实现它的衍生产品。这是结构化产品的基础逻辑。雪球结构、variance swap，本质上都是对 Payoff 函数的工程设计。
2. 假设标的资产的 dynamics
标的资产的 dynamics 描述的是：标的资产的价格过程的概率分布如何随时间变化。这是整个框架里唯一会随模型迭代而改变的部分，也是期权定价模型发展的主线。
以 BS 为例，其假设标的资产的价格服从几何布朗运动：
$$dS_t = \mu S_t \,dt + \sigma S_t \,dW_t$$
这个假设做了几个选择：价格是连续的（没有跳跃）、波动率是常数 $\sigma$、价格服从对数正态分布。
根据实证研究，这些假设不符合实际。BS 的三个假设各自在不同维度上失效。第一，常数波动率不成立——implied vol 随行权价和到期日变化，形成 vol smile 和 term structure（1987 年之后尤为明显）。第二，价格连续性不成立——市场存在跳跃，尾部事件的概率远高于对数正态预测。第三，对数正态分布不成立——实际收益率分布有更厚的尾部和更高的峰度。这三类失效对应了不同的模型修正方向，见下表：
| 模型 | dynamics 假设 | 修正了什么 |
|---|---|---|
| Black–Scholes | $\sigma$ 是常数 | 基准 |
| Local Vol | $\sigma = \sigma(S,t)$，确定性函数 | $\sigma$ 可以随 spot 和时间变化 |
| Heston | $\sigma = \sqrt{V}$，$V$ 是随机过程 | $\sigma$ 本身有随机性 |
| SABR | $\sigma = \alpha F^\beta$，$\alpha$ 是随机的 | 适合利率市场的随机结构 |
| Rough Vol | $\sigma$ 由分数布朗运动驱动 | vol 路径比标准布朗运动更粗糙 |
3. （给定 2 中的 dynamics，）找到衍生产品的复制方法
复制（replication）指的是，构造一个由可交易资产组成的动态组合，使得这个组合在到期时的价值和衍生产品完全相同。在 BS 的 dynamics 假设下，复制组合由标的资产和无风险债券组成，比例随时间动态调整。持有 $\Delta_t = \partial C_t/\partial S_t$ 份标的资产，剩余资金存入无风险账户，这个组合可以精确复制欧式期权的收益。复制成功后，衍生产品的价格由无套利条件唯一锁定。
复制组合的构造方法直接给出了对冲策略。$\Delta$ 告诉我们每时每刻需要持有多少标的资产来抵消衍生产品的方向性风险。更进一步，$\Gamma$、$\text{Vega}$、$\Theta$ 这些 Greeks 描述的是复制组合对各种市场变量的敏感度——它们的来源，正是「找复制方法」这个过程本身。
不过，复制也是需要条件的。复制需要可交易资产足够多，能够覆盖所有风险来源。在 BS 的假设下不会有问题，毕竟只有 1 个风险源（标的资产价格），1 个可交易资产就够了。但如果使用了 Heston 模型的假设，引入了第 2 个风险源（随机波动率），那么市场不再完备，需要引入第 2 个可交易资产或者对波动率风险单独定价——这就是 Heston 里 vol risk premium 参数的来源，而 BS 里没有这个参数。
另外，复制在实践中有两个重要限制。第一，连续对冲不可行——实际交易是离散的，每次再平衡之间的价格变动会产生 hedging error，其大小取决于 Gamma 和 realized vol 与 implied vol 的差。第二，跳跃会破坏复制——当标的资产价格发生跳跃时，Delta 对冲无法提前覆盖跳跃带来的损失。这两个限制正是第 6 件事（风险结构）要处理的核心问题。
4. （给定 1, 2 和 3，）确定衍生产品价格的形成机制
这一步把前 3 步整合在一起：
$$\text{现金流结构} + \text{dynamics 假设} + \text{复制方法} \xrightarrow{\text{无套利}} \text{唯一价格}$$
在 BS 的框架下，这个价格由 Black–Scholes PDE 描述：
$$\frac{\partial V}{\partial t} + \frac{1}{2}\sigma^2 S^2 \frac{\partial^2 V}{\partial S^2} + rS\frac{\partial V}{\partial S} - rV = 0$$
注意 $\mu$ 完全消失了——这正是第 3 步复制论证的结果。给定边界条件（第 1 步的 Payoff 结构），这个方程唯一地确定了衍生产品在任意时刻的价格。
等价地，价格可以写成风险中性测度 $\mathbb{Q}$ 下的贴现期望：
$$V_0 = e^{-rT},\mathbb{E}^{\mathbb{Q}}[\text{Payoff}_T]$$
$\mathbb{Q}$ 不是真实世界的概率测度，而是一个虚构的测度，在以 money market account 为 numeraire 的风险中性测度下，所有可交易资产的贴现价格过程是鞅；若资产有连续股息收益率 $q$，则除息价格的风险中性 drift 为 $r-q$。这个概率测度 $\mathbb{Q}$ 的存在性等价于无套利条件，唯一性等价于市场完备条件。
建立「价格 $= \mathbb{Q}$ 下的贴现期望」这个框架之后，我们可以通过改变 numeraire（计价单位）来变换测度，把复杂的定价问题转化成更易计算的形式。Forward measure、Swap measure 都是这个工具的应用，是利率衍生产品定价的核心技术。
5. （研究 2 时，）获得标的资产的风险属性和统计推断
第 2 步关心的是“价格过程怎么生成”；第 5 步关心的是“这个生成机制暗含了怎样的风险分布”。给定 dynamics 假设，标的资产价格分布的形状完全确定——均值、方差、偏度、峰度、尾部厚度。这些性质告诉我们：在这个假设下，各种极端事件发生的概率是多少？标的资产价格的自相关结构是什么？波动率会不会聚集（volatility clustering）？与此同时，dynamics 假设的准确性也影响了风险管理指标的计算。例如，用对数正态假设算出来的 99% VaR，在有厚尾的真实市场里会系统性地低估风险。
6. （研究 3 和 4 时，）获得衍生产品的风险结构
这里讨论的是经过 delta 对冲后的期权（衍生品）头寸的 PnL。在小时间步长下，这个 PnL 可以分解成各个 Greeks 对应的贡献：
$$\text{PnL} \approx \Delta_t\cdot\Delta S + \frac{1}{2}\Gamma_t\cdot(\Delta S)^2 + \text{Vega}_t\cdot\Delta\sigma + \Theta_t\cdot\Delta t + \text{Vanna}_t\cdot\Delta S\cdot\Delta\sigma + \cdots$$
这个分解告诉我们今天的盈亏从哪里来。持续跟踪 unexplained PnL（实际 PnL 减去模型预测的 PnL），是检验模型假设是否成立的最直接方式——如果残差有系统性偏差，说明模型的某个假设在现实中不成立。
7. 把模型假设转化为可估计、可校准的参数
这一步把所有假设和目标转化成可以被数据估计、可以被市场校准的具体数字。以 BS 的参数化为例，整个模型只有 1 个自由参数 $\sigma$。这个 $\sigma$ 可以从历史数据估计（historical vol），也可以从市场价格反解（implied vol）。Heston 有 5 个参数，SABR 有 4 个，SVI 有 5 个。参数越多，模型越灵活，也越难校准，越容易过拟合。参数化做了两件隐含的事：把观点数值化（我们对市场的判断必须转化成具体参数值才能被检验），以及把目标数值化（我们想要什么样的风险收益结构，必须转化成可以优化的目标函数）。
总结
第 1 到第 7 步建立的研究范式——现金流结构、dynamics 假设、复制方法、价格机制、风险属性、风险结构、参数化——这套框架是普适的。这是 BS 最重要的贡献，不是具体的定价公式，而是一套研究期权的方法论。之后很多模型首先是在第 2 步替换 dynamics，而这种替换也会连带着改变复制是否可行、风险中性测度如何指定、hedging error 如何分解，以及参数如何校准。
这个系列的其他文章
后续我还会从数学定义、模型校准、风险分解来回顾我对期权定价模型的理解。这三个方面可简述为：
- 数学定义对应第 2、3、4 件事——dynamics 假设（第 2 步，变化的部分）和复制、价格机制（第 3、4 步，不变的部分），介绍期权定价的数学理论以及工具，以及不同 dynamics 的设定。
- 模型定价和校准对应第 7 件事——参数化和参数提取。定价（给定参数 → 算衍生产品价格）和校准（给定市场价格 → 反推参数）是同一个问题的两面，但定价通常比校准更稳定；有些模型有解析或半解析公式，更多情形需要数值方法；逆向校准是病态的优化问题，充满了局部极小和参数不稳定。
- 风险分解对应第 5、6 件事——风险属性、风险结构和 PnL Attribution，解释每个模型让我们看见哪些风险，让我们看不见哪些风险？delta hedge 之后的 residual PnL 从哪里来？