为什么Black-Scholes不够用?Computational-Finance-Course带你搞懂跳跃过程与泊松分布

原创2026-10-23 22:09:411,958 阅读

为什么Black-Scholes不够用?Computational-Finance-Course带你搞懂跳跃过程与泊松分布

Black-Scholes模型是期权定价的基石,但它无法解释财报发布时的价格跳空,也无法刻画波动率微笑。Computational-Finance-Course 是一套完整的计算金融开源课程材料,从资产类别入门讲起,用Python逐步带你实现泊松过程、Merton跳跃扩散、Heston随机波动率等模型的模拟与定价,正好补上Black-Scholes留下的空白。本文以课程第5讲 Jump Processes 为主线,带你快速搞懂跳跃过程与泊松分布。

一、Black-Scholes的两大致命短板 ⚠️

Black-Scholes模型建立在几何布朗运动(GBM)之上,隐含两个关键假设:

假设 现实市场 后果
价格连续运动 财报、并购、突发事件造成瞬间跳空 无法为跳空风险定价
波动率恒定 波动率随时间剧烈变化 出现著名的"波动率微笑"

第二点在课程第4讲中已有定量演示,可以直接运行 ImpliedVolatility.py 观察不同行权价下隐含波动率随K变化形成的微笑曲线——这正是"Black-Scholes不够用"最直观的证据。

二、跳跃过程的数学核心:泊松过程

跳跃过程(Jump Process)= 连续部分(布朗运动)+ 跳跃部分(泊松过程)。

泊松过程 X(t)X(t) 描述"事件发生次数"随时间累积:在时间段内发生 kk 次跳跃的概率服从参数为 ξPt\xi_P t 的泊松分布,其中 ξP\xi_P 是跳跃强度(年均跳跃次数)。

课程第5讲提供了可直接运行的模拟脚本 PoissonProcess_paths.py:

  • np.random.poisson(xiP*dt, ...):每个时间步独立抽取跳跃次数;
  • 普通泊松过程 X(t)X(t):阶梯状单调递增;
  • 补偿泊松过程 Xc(t)=X(t)−ξPtX_c(t) = X(t) - \xi_P t:扣除期望漂移后均值为零,这是保证风险中性定价成立的关键技巧。

运行后你会看到两组matplotlib图形:纯泊松过程的"阶梯图"和补偿过程的"围绕零轴波动图",跳跃过程的直觉瞬间建立。

三、Merton跳跃扩散模型:泊松分布的实战应用

把跳跃叠加到对数股价上,就得到 Merton跳跃扩散模型:

dS/S = 漂移项·dt + σ·dW + 跳跃项

其中:

  • 跳跃次数服从泊松过程,强度为 ξP\xi_P(代码中 xiP = 1 表示平均每年1次);
  • 跳跃幅度 J∼N(μJ,σJ2)J \sim N(\mu_J, \sigma_J^2),代码中 sigmaJ = 0.7 意味着跳跃幅度波动率高达70%,远超日常波动 sigma = 0.2;
  • 漂移项包含一项修正 ξP(E[eJ]−1)\xi_P(E[e^J]-1),其中 E[eJ]=eμJ+σJ2/2E[e^J] = e^{\mu_J+\sigma_J^2/2},用于维持无套利定价的鞅性质。

完整模拟逻辑都在 MertonProcess_paths.py 中,核心就这几行:

ZPois = np.random.poisson(xiP*dt, [NoOfPaths, NoOfSteps])   # 跳跃次数
J = np.random.normal(muJ, sigmaJ, [NoOfPaths, NoOfSteps])   # 跳跃幅度
X[:,i+1] = X[:,i] + (r - xiP*(EeJ-1) - 0.5*sigma**2)*dt \
           + sigma*np.sqrt(dt)*Z[:,i] + J[:,i]*ZPois[:,i]   # 连续部分 + 跳跃部分

运行该脚本,你将得到25条、为期5年的股价路径图:大部分时间平滑波动,偶尔出现陡峭的上下跳空——这就是真实市场"平时波澜不惊、出事一泻千里"的数学刻画。

四、如何快速运行这些Python脚本 🚀

环境要求很简单,只需两个常用库:

pip install numpy matplotlib
python "Lecture 05- Jump Processes/Materials/MertonProcess_paths.py"

脚本末尾的 mainCalculation() 已内置参数(25条路径 × 500步,S0=100S_0=100,r=5%r=5\%),运行即出图,无需修改任何配置。想感受"无跳跃 vs 有跳跃"的对比,可以先把 xiP 改为0,再恢复为1跑两遍,图像差异一目了然。

配套讲义 Lecture 05- Jump Processes.pdf 给出了完整的推导:为什么用补偿泊松过程、风险中性测度下跳跃参数如何校准,建议边读边运行代码对照。

五、进阶路线:从Merton走向Bates模型 📈

搞懂第5讲后,课程的跳跃过程内容还有两个延伸方向:

  1. 仿射跳跃扩散过程:Lecture 06- Affine Jump Diffusion Processes.pdf 介绍更一般的一类过程,是后续解析定价的基础;
  2. 对冲与Greeks:HedgingWithJumps.py 演示了含跳跃模型下的对冲策略,你会发现跳跃会让delta对冲变得"笨拙";
  3. Bates模型:把Merton跳跃 + Heston随机波动率合体,能同时解释波动率微笑和偏斜。BatesImpliedVolatility.py 用COS方法计算特征函数并反解隐含波动率,是课程中最完整的"跳跃过程应用闭环"。

六、课程全貌与学习建议

整个课程共14讲,覆盖计算金融的核心技能树:

课程基于教材 Mathematical Modeling and Computation in Finance(Oosterlee & Grzelak),配套习题答案见 Courses_Questions-Volume 1.pdf。

给新手的路线建议:先跑通 PoissonProcess_paths.py 建立直觉 → 再改参数跑 MertonProcess_paths.py 观察跳跃形态 → 最后阅读第6讲讲义把Merton放入仿射框架统一理解。三步走完,你就比大多数只会调用Black-Scholes公式的人多掌握了"市场不连续"这一真实维度。

💡 核心记忆点:泊松分布管"跳不跳",正态分布管"跳多远",两者叠加就是跳跃扩散模型的全部秘密。

登录后查看全文
Computational-Finance-Course