波动率也会波动:Computational-Finance-Course随机波动率模型与相关布朗运动入门
波动率也会波动:Computational-Finance-Course随机波动率模型与相关布朗运动入门
在 Computational-Finance-Course 这门计算金融课程中,随机波动率模型(Stochastic Volatility Models)是理解真实市场波动的关键一课。本教程带你快速入门 Heston 模型、CIR 方差过程以及相关布朗运动(Correlated Brownian Motion)的 Python 模拟方法,配套 Lecture 07 与 Lecture 10 的课件和代码材料,帮助你用直观的方式理解"波动率也会波动"这一核心思想。
为什么波动率不再是常数?
在 Black-Scholes 框架里,波动率是一个固定的常数。但真实市场中,波动率会随时间起伏——金融危机时剧烈放大,平静期则明显收敛。
💡 随机波动率模型的核心观点:波动率本身也是一个随机过程。
这正是 Lecture 07《Stochastic Volatility Models》要解决的问题,课件文件见:
- Lecture 07- Stochastic Volatility Models.pdf
Heston 模型:最经典的随机波动率模型
Heston 模型是课程中随机波动率模型的主角。它的结构可以拆成两部分:
| 过程 | 描述 |
|---|---|
| 股票价格过程 | 股票的对数价格受一个瞬时波动率驱动 |
| CIR 方差过程 | 方差 服从均值回归过程,围绕长期均值 波动,并保证非负 |
两个关键参数值得新手关注:
- kappa:均值回归速度,决定方差回到长期均值的快慢;
- rho:股价与波动率之间的相关系数,负相关(如
rho = -0.9)能刻画"跌时波动加大"的杠杆效应。
核心概念:相关布朗运动
Heston 模型中股价和方差由两个相关的布朗运动驱动,相关结构通过参数 rho 构造。课程提供了一个非常直观的模拟脚本:
- 示例代码:CorrelatedBM.py
它的实现思路分三步:
- 生成两组独立的正态随机数
Z1、Z2; - 用线性组合制造相关性:
Z2 = rho * Z1 + sqrt(1 - rho**2) * Z2; - 按步长
dt累加得到两条布朗运动路径W1、W2。
脚本中分别设置了 rho = -0.9(负相关)、rho = 0.9(正相关)和 rho = 0.0(独立)三种情形,运行后可以看到:负相关时两条路径呈现明显的"跷跷板"走势,正相关时则同涨同跌,独立时各走各的。
蒙特卡洛模拟 Heston 模型:Euler 还是 AES?
Lecture 10《Monte Carlo Simulation of the Heston Model》专门讲解如何对 Heston 模型做离散化与蒙特卡洛定价。核心材料:
- 课件:Lecture 10- Monte Carlo Simulation of the Heston Model.pdf
- 离散化对比:HestonModelDiscretization.py
- 精确采样:CIR_ExactSimulation.py
- 期权价格比较:OptionPrices_EulerAndMilstein.py
- 边界处理:CIR_paths_boundary.py
HestonModelDiscretization.py 中实现了两种离散方案:
| 方案 | 做法 | 优缺点 |
|---|---|---|
| Euler 方案 | 对方差过程直接做欧拉离散,并用 np.maximum(V, 0) 截断保证非负 |
简单直观,但存在数值偏差 |
| AES 方案(Almost Exact Simulation) | 利用 CIR 过程的转移密度(非中心卡方分布)精确采样方差,再条件模拟股价 | 几乎消除离散化误差,更接近精确解 |
代码中通过 CIR_Sample 函数基于 np.random.noncentral_chisquare 完成方差的精确采样,这是理解"几乎精确模拟"的关键一步。最终脚本会用 COS 方法(傅里叶变换类方法)计算参考的精确价格,再与 Euler、AES 两种蒙特卡洛结果对比,直观展示两种方案的精度差异。
从课程地图看学习路径
整个课程在 README.md 中列出了 14 讲内容,建议按如下顺序理解随机波动率这一主题:
- Lecture 02:股票、期权与随机过程基础——Lecture 02- Stock, Options and Stochastics.pdf
- Lecture 03:用几何布朗运动(GBM)做 Python 路径模拟——GBM_ABM_paths.py
- Lecture 04:隐含波动率——ImpliedVolatility.py,体会"市场波动率"为何非常数
- Lecture 07:随机波动率模型与相关布朗运动(本文重点)
- Lecture 10:Heston 模型的蒙特卡洛模拟与精度比较
- Lecture 12:进阶——Bates 模型的隐含波动率——BatesImpliedVolatility.py
新手上手建议
🎯 三步掌握随机波动率模型:
- 先跑 CorrelatedBM.py:感受相关参数
rho如何改变两条路径的联动关系,这是理解 Heston 模型双驱动结构的最好入口; - 再读 CIR_ExactSimulation.py:体会"方差可以精确采样"这一技巧,它把 CIR 过程与蒙特卡洛误差解耦;
- 最后对比两种离散方案:运行 HestonModelDiscretization.py,观察不同步长
dt下 Euler 与 AES 的价格误差,理解数值方案选择的重要性。
课程基于 Oosterlee 与 Grzelak 的著作 Mathematical Modeling and Computation in Finance,配套 YouTube 视频讲座(ComputationsInFinance 频道)可辅助理解。仓库中还附有 Questions-and-Answers/Courses_Questions-Volume 1.pdf,收录了课程习题集,适合学完每讲后自测。
📌 小结:随机波动率模型把"波动率"从常数解放为随机变量,Heston + CIR 是最经典组合,而相关布朗运动是搭建这套框架的积木。掌握这三块,你就打开了理解真实市场波动的大门。