Black-Scholes 隱含波動率曲面：由倒推波動率到校準問題｜Quant Math 第 2 講筆記
第 2 課・共 14 課
目錄
這是 Roman Paolucci 量化金融數學系列按發佈時序的第 2 講。講者以一個情境開場：你坐在奇異期權交易枱前，熟客經 IB 問你為一隻 Apple 的下跌出局屏障期權報價——你憑甚麼開價？答案繞不開量化金融最重要的結構之一：隱含波動率曲面 Implied Volatility Surface。本講沿「Black-Scholes 模型 → 隱含波動率 → 波動率曲面 → 校準問題 → 延伸模型」的路線，解釋為何單靠 Black-Scholes 報價等於向對手方送錢。
學習重點
- Black-Scholes 的五個輸入：現價、行使價、無風險利率、波動率、到期時間；其中四個由市場或合約決定，期權市價也已知——唯一缺的是不可觀察的波動率。
- 隱含波動率是「倒推」出來的：固定其餘參數，解 Black-Scholes 逆函數（實務上設為最小化問題），找出令模型價格等於市價的波動率，屬前瞻性量度。
- 波動率曲面不是平的：同一相關資產、不同行使價與到期日的期權，倒推出不同的隱含波動率；股票期權呈現「恐懼在下行」的歪斜——價外認沽比價外認購貴。
- 常數波動率假設 = 套利漏洞：用單一波動率為整個曲面報價，必然與市價不一致，對手方可構造蝶式類價差組合做波動率套利，長期累積正期望值。
- 出路是延伸模型＋校準：局部波動率、Heston 隨機波動率、跳躍擴散等模型能重現曲面形狀；把模型參數擬合至市場曲面的過程就是校準 Calibration。
詳細筆記
Black-Scholes 模型：五個參數的定價函數
講者開宗明義：本講不需要重新推導 Black-Scholes，只需知道模型在無套利與連續對沖等假設下建立並求解一條偏微分方程，得到歐式認購／認沽期權的閉式解。重點是它的函數形式——把 $\mathbb{R}^5$ 中的參數向量映射為期權價格：
$$BS: (S, K, r, \sigma, T) \mapsto C$$五個輸入分別是現價 $S$（相關資產當前價格）、行使價 $K$、無風險利率 $r$、波動率 $\sigma$、到期時間 $T$。講者隨即指出一個微妙但關鍵的觀察：這五個輸入中，現價由市場供需決定，行使價與到期時間寫死在合約裏，無風險利率可用國庫券等方法代理——四個參數都「名花有主」。更有趣的是，期權價格本身也已知：翻開期權鏈就見到市價。唯一真正缺的，是波動率。
波動率無法直接觀察。回看歷史回報序列可以估計「後視」的波動率，但不存在一個「真實波動率水平」擺在市場上等你去讀。這正是隱含波動率 Implied Volatility 登場的位置。
倒推隱含波動率：由猜數字到最小化問題
影片示範：假設一隻 Nvidia 期權，現價、行使價、到期日、利率皆可觀察，市價約 $11.50。先隨意代入 $\sigma = 0.2$（20%），Black-Scholes 函數輸出 $10.45——不對。由於波動率上升時期權價格上升，調高至 $0.5$——大幅超越目標；再試 \$0.35$、\$0.25$……逐步逼近。講者強調這種逐手試錯顯然不切實際，正確做法是設立最小化問題：最小化市價與模型價之間的距離，講者以最簡單的凸目標函數示範——把差額平方，再用 SciPy 優化：
$$\sigma_{\text{imp}} = \arg\min_{\sigma} \; \big( BS(\sigma \,|\, S, K, r, T) - C_{\text{mkt}} \big)^2$$由於其餘四個參數已被市場與合約鎖定，Black-Scholes 函數在此情境下只是 $\sigma$ 的函數；求逆函數 $BS^{-1}$ 作用在市價上，得到的正是隱含波動率。影片展示收斂圖：誤差由起初較高水平迅速降到接近零。此後便可在「Black-Scholes 價格 ↔ Black-Scholes 波動率」之間自由往返——例如把合約市價改為 $15，其餘不變，倒推出的隱含波動率便升至 32.4%，因為要解釋更高的期權價格，唯一途徑是報一個更高的波動率；市價降至 $10，隱含波動率便要下調。
兩點補充：其一，平常說「隱含波動率」，默認指Black-Scholes 隱含波動率；其他語境（如以神經網絡逼近定價泛函）會有別的定義，通常會明確標明。其二，隱含波動率不只給出前瞻性的波動率水平，還告訴我們該用哪個波動率為特定期權定價——它與合約一一對應。
隱含波動率曲面：不是平的
把同一相關資產（如 Nvidia）的不同行使價、不同到期日期權逐一倒推隱含波動率，排成網格再畫成立體圖，就是隱含波動率曲面。影片以五個行使價 × 五個到期日的固定網格示範（有時以在值程度 Moneyness 如 80%、90%、100%、105%、110% 標示橫軸）。
截圖出自原片（Roman Paolucci，2025）：股票期權的隱含波動率曲面示例——曲面明顯不平，低行使價（價外認沽）一側隱含波動率顯著較高。
曲面明顯不平：行使價方向上，價外認沽需要的隱含波動率高於價外認購——講者解讀為「恐懼在下行」，下行風險令認沽期權更貴；商品期權則可能相反，恐懼在上行，歪斜方向調轉。到期日方向上也可見波動率期限結構 Term Structure。按 Put-Call Parity，平值的認購與認沽理論上共享同一隱含波動率。
假如曲面是平的，意味着同一個隱含波動率可以重現所有市價——但現實顯然不是。這把問題帶回 Black-Scholes：模型假設的正是常數波動率，即一個平的曲面。
常數波動率的代價：波動率套利
回到開場情境：要為下跌出局屏障期權報價，該用曲面上哪個波動率？平值的？價外認沽的？價外認購的？三者互相矛盾。講者指出，若交易枱用 Black-Scholes 的單一波動率為各合約報價，報價必然偏離市場共識的波動率曲面，等於把自己暴露於波動率套利 Volatility Arbitrage。
影片模擬一個蝶式類價差情境：同一相關資產上，行使價 90 的認購（call A）與行使價 110 的認購（call B）。精明交易員可以「打你的買入價」（hit our bid）賣出 call A、同時「揭你的賣出價」（lift our offer）買入 call B，再對沖方向性敞口——剩下的就是波動率層面的優勢。模擬該交易數千次後，對手方的平均損益為正：財富路徑圖上，對手方逐步累積財富，我方交易枱則持續流失（模擬結果：平均最終枱面財富約 $994，對手方約 $1,006）。在衍生工具這個零和遊戲裏，報價不一致就是長期負期望值的生意。
出路：可重現曲面的模型與校準問題
解法是改用容許非平坦曲面的模型。講者列出幾條路線：
- 局部波動率 Local Volatility：離散時間為 Derman，連續時間為 Dupire；
- 隨機波動率 Stochastic Volatility：Heston、SABR；
- 跳躍擴散 Jump Diffusion：如 Merton 模型，捕捉更多市場的程式化事實；
- （影片另提及粗糙波動率 Rough Volatility 與神經網絡逼近定價泛函等前沿方向。）
一般而言，模型捕捉的動態越豐富、參數越多，校準到市場曲面的效率就越低——存在「模型豐富度 vs 校準效率」的取捨。校準 Calibration 指：取模型框架內的可調參數，擬合至模型的波動率曲面，令用模型算出的每個期權價格都等於市價——正如先前在 Black-Scholes 框架內倒推單一隱含波動率，只是這次要令整個曲面一致。
影片以 Heston 模型示範。股價之外，波動率（方差）本身跟隨另一條隨機微分方程——均值回歸的 Ornstein-Uhlenbeck 型過程：
$$dS(t) = \mu S(t)\,dt + \sqrt{v(t)}\,S(t)\,dW_1(t)$$$$dv(t) = \kappa\big(\theta - v(t)\big)\,dt + \sigma\sqrt{v(t)}\,dW_2(t)$$其中 $S(t)$ 為股價、$v(t)$ 為方差（波動率平方）、$\mu$ 為漂移、$\kappa$ 為均值回歸速度、$\theta$ 為長期方差、$\sigma$ 為「波動率的波動率」（vol-of-vol）；兩個布朗運動相關：$\mathrm{corr}(dW_1, dW_2) = \rho\,dt$。相關結構捕捉槓桿效應 Leverage Effect——波動率上升往往伴隨資產價格下跌（幅度未必對稱）。
截圖出自原片（Roman Paolucci，2025）：Heston 模型（1993）的 SDE 定義與參數說明，下方為模擬的股價路徑與波動率路徑。
示範中，講者未經任何校準，僅模擬 Heston 路徑為兩隻期權定價：現價 100，行使價 90 的認沽與行使價 110 的認購（同樣價外 $10）。結果認沽的隱含波動率為 22.71%、認購為 17.54%——模型自然產生「認沽較貴」的歪斜，與市場曲面的形態一致。下一步便是調校 $\kappa$、$\theta$、$\sigma$、$\rho$ 等參數令模型曲面貼合市場曲面，之後才能為那隻奇異期權開出一致的報價。
怎樣才算好模型
講者收結時給出三個標準：其一，定價一致——在市場曲面與外推價格上都不留套利空間；其二，定價效率——若要模擬一千萬條路徑、跑一小時才出一個價，縱使理論保證齊全也無法用來即時報價；其三，對真實市場分佈的假設越少越好——模型必然是錯的，但有些模型錯得離譜（如 Black-Scholes 在曲面層面的表現），好的模型只作完成任務所需的最少假設。
🙏 覺得內容有用？本站所有內容免費提供，使用推薦碼開戶就是支持我們繼續營運的最大鼓勵：
ZA Bank 邀請碼 P20923
—— 你享 HKD 2,000 迎新獎賞，本站獲得營運支持。
立即開戶 →
（聯盟連結｜投資涉及風險，受條款及細則約束，此資料僅可於香港境內分發）
欣利克的看法
- 隱含波動率是把「錯的模型」變成報價語言的橋樑。 Black-Scholes 假設明顯與市場不符，但市場參與者照用它的公式——用途是倒推波動率作為報價單位，而非相信其假設。理解這層「模型當語言用、不當真理用」的分別，比背出公式重要。
- 「定價一致」是交易枱的生死線，不只是學術要求。 影片的財富路徑模擬值得記住：報價與市場曲面不一致時，對手方的優勢會隨交易次數累積——這與本站 Quant Theory 第 1 講 所講「模型須在樣本外仍然成立」是同一道理：單次誤差看似小事，重複交易就變成穩定的負期望值。
- 模型選擇是工程取捨。 Heston 未校準已能重現歪斜，說明均值回歸波動率＋相關結構是對的假設方向；但校準是迭代過程，每輪都要重算整個曲面，效率問題直接決定模型能否上枱。這也解釋了業界為何投入大量資源研究 FFT 定價與神經網絡逼近。
- 資料時效提醒： 影片於 2025 年 7 月上載，提及的 Nvidia 股價與期權價格僅為教學示例數字；模型框架與校準概念屬長期有效知識。本講與第 4 講（奇異期權定價實作）屬同一條故事線，建議順序閱讀。
名詞解釋
- Black-Scholes 模型 Black-Scholes Model：在無套利與連續對沖假設下，以五個參數給出歐式期權閉式價格的經典模型。
- 隱含波動率 Implied Volatility：令 Black-Scholes 公式輸出等於市價的波動率輸入值，屬前瞻性量度。
- Heston 模型 Heston Model：方差跟隨均值回歸過程的隨機波動率模型，能重現市場波動率歪斜。
- 期權 Option：賦予持有人於到期日或之前以指定價格買賣資產的權利而非義務的衍生合約。
- 行使價 Strike Price：期權合約約定的買賣價格。
- 無風險利率 Risk-Free Rate：理論上零風險投資的回報率，常以短期國庫券收益率代理。
- 無套利 No Arbitrage：「沒有免費午餐」的定價原則——不存在零成本、零風險的正收益機會。
- 馬丁格爾 Martingale：數學上指未來期望等於現值的隨機過程，是風險中性定價的核心性質。
常見問題 FAQ
既然波動率可以從歷史回報估計，為何還要倒推隱含波動率？
歷史波動率是後視的，反映過去已實現的價格波動；隱含波動率由市場期權價格倒推，反映交易者當下願意為未來波動付出的價格，屬前瞻性量度。為期權定價需要的是未來持有期的波動預期，因此市場以隱含波動率為報價標準。
波動率歪斜從何而來？
以股票期權為例，講者的解讀是「恐懼在下行」：跌市風險令投資者願意為價外認沽支付更高價格，倒推出來的隱含波動率便高於價外認購，形成歪斜。商品期權的恐懼方向可能相反（擔心價格急升），歪斜方向亦會調轉。數學上，這反映市場不認同 Black-Scholes 的常數波動率與對稱分佈假設。
為何不能直接用 Black-Scholes 為奇異期權報價？
因為 Black-Scholes 假設所有期權共用一個常數波動率，而市場曲面明顯不平。用單一波動率外推奇異期權價格，結果必然與曲面上某些期權的市價不一致，對手方可構造價差組合做波動率套利。影片模擬顯示這種不一致會令報價方在大量交易後穩定地累積虧損。
原影片
本文整理自以下影片，版權屬原創作者所有，建議配合原片觀看：