💰 quantitative finance

Synthetic American Option Pricing via Jump-HMM-Driven Heston Implied Volatility

本文介绍了一个开源 Julia 框架，该框架通过结合跳跃隐马尔可夫模型、状态依赖的 Heston 动力学以及经神经代理校准的二叉树格，生成逼真的美式期权价格与隐含波动率曲面，从而打破了合成期权定价中的循环依赖。

原作者： Julia Sun, Zheyu Jin, Jiawei Zhang, Jeffrey D. Varner

发布于 2026-05-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Julia Sun, Zheyu Jin, Jiawei Zhang, Jeffrey D. Varner

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在教一个机器人如何玩一场复杂的金融国际象棋。要做到这一点，你需要生成数百万个“如果……会怎样”的情景：如果股市崩盘会怎样？如果一家科技公司的财报表现优异会怎样？如果油价飙升会怎样？

为了玩这场游戏，机器人需要知道这些股票的“保险单”（称为期权）的价格。但这里有个陷阱：这种保险的价格取决于一个叫做**隐含波动率（IV）**的因素。问题在于，在现实世界中，我们只有在看到这些“保险单”的实际价格后，才知道隐含波动率是多少。这是一个循环陷阱：你需要价格来了解波动率，但你需要波动率来计算价格。这使得生成逼真的“虚假”数据来训练机器人或测试策略变得非常困难。

本文提出了一种巧妙的方法来打破这个循环。作者构建了一种机器，它不仅仅猜测价格；它是从基础开始构建价格，始于股票实际如何运动。

以下是他们机器的运作方式，通过几个简单的类比来解释：

1. 引擎：“情绪戒指”股票模拟器

首先，团队使用一种称为**跳跃隐马尔可夫模型（Jump Hidden Markov Model）**的东西构建了股票价格模拟器。你可以把它想象成整个股市的“情绪戒指”。

情绪：市场不仅仅是“涨”或“跌”。它有不同“状态”或“情绪”。有时它很平静，有时它很紧张，有时它处于恐慌之中。
跳跃：真实的股票不会只是平稳移动；它们有时会“跳跃”（突然崩盘或飙升）。该模拟器旨在制造这些突然的跳跃以及波动率的“聚集”（即糟糕的一天之后往往跟着另一个糟糕的日子）。
关联：它也知道，当一只股票恐慌时，它的邻居往往也会恐慌（就像涟漪效应一样）。

2. 转换器：“变形”波动率

一旦模拟器创建了股票价格路径，团队就需要将其转换为一个“隐含波动率”数值。过去，人们必须手动猜测这个数值应该是什么样子。

创新：作者创建了一个修正的赫斯顿模型（modified Heston model）。想象一个控制市场热度（波动率）的恒温器。通常，恒温器有一个固定的目标温度。
智能恒温器：他们的恒温器很智能。它会根据以下因素改变其目标温度：
- 情绪：市场是否处于恐慌状态？（调高热度）。
- 时间：期权距离到期还有多久？
- 行权价：期权是在押注大幅波动还是小幅波动？
- 财报：一家公司是否即将发布财务报告？
结果：因为恒温器如此智能，“微笑”和“偏斜”（期权价格的复杂形状）会自动出现。你不需要强行制造它们；它们会从股票的行为中自然涌现。

3. 大脑：“神经代理”

为了让恒温器更智能，他们使用了神经网络（一种人工智能）。

问题：一个简单的公式无法捕捉每一家公司的独特怪癖。像英伟达（NVIDIA）这样的科技公司与像摩根大通（JPMorgan）这样的银行表现不同。
解决方案：他们训练了一个“神经代理”。你可以把它想象成一个专门的翻译，它学习不同公司群体（行业）的特定“个性”。
- 它了解到科技股具有某种“微笑”形状。
- 它了解到医疗保健股在 FDA 批准日期附近会有凸起。
- 它了解到能源股会对石油供应冲击做出反应。
层级：他们最初为所有人使用一个翻译，然后意识到为每个行业（Sector）拥有一个翻译会更好，最后，对于最大的公司，只为该特定公司拥有一个翻译。这使得预测更加准确。

4. 计算器：“晶格”

一旦他们有了股票路径和波动率，就需要计算美式期权（可以提前行权）的最终价格。他们使用了二项式晶格（Binomial Lattice）。

隐喻：想象一棵树，每个分支代表一种可能的未来价格。计算机从树的末端向回走到起点，在每个分支处检查：“现在变现更好，还是等待更好？”这给出了期权的精确价格。

大测试：它奏效了吗？

作者通过两种方式测试了他们的机器：

“财报”测试：他们试图预测财报发布前后的期权价格。他们发现，只有当公司宣布了一个日历上未列出的意外财报结果时，机器才会遇到困难。如果事件是预定的（如已知的财报日期），机器可以完美预测价格跳跃。如果意外是完全的冲击，机器无法预见它（这很现实！）。
“前向模拟”测试：他们选取了一只真实股票（高盛），并运行了 1,000 次模拟未来。
- 他们卖出“看空”期权（押注价格不会大幅波动）。
- 结果：机器显示，虽然大多数时候这个赌注会赢（你保留权利金），但损失是“肥尾”的。这意味着当你亏损时，你亏损的金额比你预期的要多得多，尤其是在“看涨”方面（押注价格上涨）。发生这种情况是因为机器正确地学到了：当股票崩盘时，波动率会飙升，使得保险变得更加昂贵。

结论

该论文声称他们构建了一个合成数据生成器。它无需首先查看真实市场价格，就能生成逼真的期权价格和波动率。它通过让波动率从模拟的股票运动中自然涌现，打破了循环依赖。

他们以开源工具的形式发布了这个工具（使用 Julia 编程语言），以便其他人可以使用它来为机器学习模型生成训练数据、测试风险策略，或在不需要可能具有偏见或不完整的现实世界数据的情况下模拟市场崩盘。

简而言之：他们为股市构建了一个视频游戏引擎，该引擎生成自己的逼真物理（波动率），这样你就可以训练你的 AI 来玩这个游戏，而无需先观察现实世界。

技术摘要：基于跳变隐马尔可夫模型驱动的 Heston 隐含波动率合成美式期权定价

1. 问题陈述

为机器学习和风险分析生成逼真的合成期权数据，受到循环依赖的阻碍：美式期权定价通常需要将隐含波动率（IV）作为输入，然而 IV 本身却是从观察到的期权价格中得出的经验量。现有方法未能打破这一循环：

参数化模型（如 SABR、SVI）将 IV 曲面拟合至市场报价，但无法为未观测到的条件生成新的 IV 动态。
局部波动率模型生成的静态曲面与单一横截面一致，但缺乏随机波动。
随机波动率模型（如 Heston）生成逼真的方差路径，但需要观测到的 IV 或期权价格进行校准，从而重新引入了循环性。

因此，文献中存在空白，即缺乏能够生成自洽 IV 曲面的框架，这些曲面作为结构性股票收益模型的涌现输出，且在模拟过程中不依赖观测到的期权数据。

2. 方法论

作者提出了一个三阶段流程，其中 IV 是结构性模型的输出而非输入。该框架耦合了跳变隐马尔可夫模型（JumpHMM）、修正的 Heston 随机方差过程以及二叉格点定价器。

阶段 1：价格路径生成（JumpHMM）
跳变隐马尔可夫模型生成多资产价格路径，保留金融收益的三个典型事实：厚尾、可忽略的线性自相关以及持续的波动率聚类。

机制：连续超额增长率通过拟合的拉普拉斯分布的分位数区间离散化为 $N$ 个状态。
动态：隐藏状态 $S_t$ 控制收益的 Student-t 分布的位置和尺度。泊松分布的跳变迫使链进入尾部状态，从而形成持续的极端波动率体制。
依赖性：通过 Student-t copula 施加跨资产依赖性，确保逼真的联合尾部事件。

阶段 2：隐含波动率生成（修正的 Heston）
价格路径被转换为 IV 路径，使用修正的 Heston 随机方差过程。

状态依赖的均值回归：长期方差目标 $\theta$ 不是常数，而是 JumpHMM 体制状态、距到期日天数（DTE）、虚实值程度以及综合市场情绪指标的函数。
均衡初始化：一个核心设计选择是为每个行权价 - 到期日对将方差过程初始化为其均值回归目标（ $v_0 = \theta$ ）。这确保了微笑、偏斜和期限结构在没有外部校准数据的情况下自动涌现。
市场情绪：内生市场情绪信号（ $M_t$ ）定义为处于尾部状态的 ticker 比例。当多个资产处于尾部状态时， $M_t$ 上升，推高所有合约的 $\theta$ 和 IV，从而在压力期间产生相关的 IV 尖峰。
形状函数（ $\psi$ ）：针对特定合约对 $\theta$ $θ$ 的调整通过形状函数 $\psi$ $ψ$ 建模。作者采用了一种分层表示法：
1. 参数化基线：五参数对数多项式形式。
2. 全局神经代理：所有 ticker 共享的单个神经网络。
3. 行业特定神经代理：针对不同行业（如科技、医疗）的独立网络，以捕捉行业特定的偏斜和曲率。
4. 单 ticker 扩展：对于数据丰富的名称，该框架支持单 ticker 网络。
事件感知：形状函数整合了计划事件特征：带符号的距财报日天数（ $e$ ）以及同行业 peers 距财报日的最小天数（ $e_{peer}$ ）。

阶段 3：美式期权定价（二叉格点）
生成的 IV 曲面用于通过重组二叉格点对美式期权进行定价。

定价：Cox-Ross-Rubinstein（CRR）树用于主要校准流程。
希腊值计算：对于需要平滑有限差分希腊值的正向模拟，使用 Leisen-Reimer（LR）树。LR 构建将行权价固定在节点上，消除了 CRR 树中当现货或波动率扰动使行权价跨越节点边界时观察到的“阶梯混叠”现象。

3. 主要贡献

打破循环性：该框架将自洽的 IV 曲面作为股票收益动态的涌现属性进行生成，消除了在模拟期间将观测到的期权数据作为校准目标的需求。
内生市场情绪：该模型引入了源自 JumpHMM 状态分布的内生市场情绪信号，允许在压力事件期间出现相关的 IV 尖峰，而无需外部数据（如 VIX）。
分层形状校准：本文展示了从参数化到神经表示的演进，表明行业特定的神经代理在捕捉横截面微笑几何形状方面显著优于全局参数化形式。
事件驱动的泛化：研究将计划的公司财报隔离为时间泛化误差的主要来源，并证明了日历派生特征（财报距离和同行耦合）可以恢复部分该信号。

4. 结果

校准性能（31 个 ticker 的阶梯）

参数化与神经：用全局神经代理替换全局参数化形状函数，将均方根误差（RMSE）从 12.48% IV 降低至 11.47% IV。
行业特异性：转向行业特定的神经网络进一步将 RMSE 降低至 10.24%（相比参数化基线累计改善了 17.9%）。
单 ticker 增益：在包含 234,549 个观测值的汇总语料库上，单 ticker 神经网络将 RMSE 降低至 9.73%，在行业内异质性较高的行业（如科技、医疗）中观察到最大的增益。

时间泛化

财报影响：时间保留测试揭示了 +4.99% IV 的泛化差距。当排除财报前后 ±3 天内的观测值时，差距消失（−0.06%），证实计划财报事件是误差的唯一来源。
特征恢复：将财报距离和同行耦合特征添加到形状网络中，恢复了约五分之一的泛化差距（将测试 RMSE 从 13.03% 降低至 11.98%）。
局限性：基于日历的指标捕捉了事件前的 IV 扩张和同情性波动，但未能预测由财报意外（例如 INTC 的 +2192% 每股收益意外）驱动的事件后 IV 崩盘。

正向模拟场景

设置：该框架被应用于模拟高盛（GS）和礼来（LLY）期权在 31 天期限内的 1,000 条路径。
定价精度：对于 GS，模型的初始公允价值位于市场买卖价差之内。对于 LLY，由于捕获日特定的 IV 体制不匹配，模型定价略低于市场，验证了模型对 IV 水平的敏感性。
风险动态：模拟重现了逼真的短期溢价不对称性。尽管收到的溢价较小，但空头看涨期权的左尾损失比空头看跌期权更厚，这是由单 ticker 形状函数中编码的负偏斜和杠杆耦合驱动的。
希腊值：Leisen-Reimer 格点提供了平滑的有限差分希腊值（Delta、Gamma、Vega），这对风险分析至关重要，避免了标准 CRR 树典型的振荡。

5. 意义与主张

本文声称提供了一个稳健的开源框架（使用 Julia 实现），用于生成与股票收益动态在结构上一致的合成美式期权数据。

结构一致性：通过将方差初始化为其均值回归目标，模型确保 IV 曲面完全由结构参数决定，避免了将 IV 拟合至价格的“鸡生蛋、蛋生鸡”问题。
可扩展性：分层校准方法（参数化 $\to$ 全局 NN $\to$ 行业 NN $\to$ 单 ticker NN）允许模型适应不同的数据量和行业特征。
应用：该框架旨在作为下游应用的合成数据生成器，包括训练用于期权定价的机器学习模型、通过强化学习学习 delta 对冲策略，以及进行需要在不同行权价和到期日之间具有一致期权价格的基于情景的风险分析。
谦逊：作者承认，虽然该框架捕捉了计划事件风险，但尚未建模由财报意外或其他特异性冲击驱动的非计划 IV 尖峰。建议未来的工作纳入单 ticker 尾部敏感性机制，以解决这些残余信号。