💰 quantitative finance

Entropic Dynamics of Jump-Diffusion Option Pricing

本文通过一种利用对数价格动力学信息约束和无套利条件的熵增推理方法，推导出了默顿跳跃扩散模型及其相关的期权定价框架，从而将连续过程与跳跃过程统一起来，并在不存在跳跃时还原为布莱克-舒尔茨极限。

原作者： Mohammad Abedi

发布于 2026-07-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Mohammad Abedi

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，你正试图预测一名在森林中行走的徒步旅行者的路径。

大多数传统的金融模型始于对森林规则的猜测。它们说：“让我们假设徒步者像个醉汉一样走得平滑且摇晃，偶尔会被突如其来的阵风吹动。”它们将整个纸牌屋建立在这些假设之上。

然而，这篇论文采取了一种完全不同的方法。它不是在猜测规则，而是在问：“如果我们只知道一些特定的事实，那么更新我们对徒步者路径的信念，最逻辑化的方式是什么？”

作者使用了一种称为**熵动力学（Entropic Dynamics）**的方法。可以将它想象成一个“逻辑引擎”，它接收你拥有的任何信息，然后吐出最可能的场景，而不添加任何额外的猜测。以下是他们如何将其应用于股票市场：

1. 正确的尺子：测量回报率，而非价格

首先，作者们问道：“我们到底在测量什么？”
如果一只股票从 10 美元涨到 11 美元，那是 10% 的收益。如果它从 100 美元涨到 101 美元，那只有 1% 的收益。市场在意的是百分比（回报率），而不是美元金额。

类比： 想象测量徒步者的进度。如果你以“步数”来测量，一步就是一步。但如果你以“英里”来测量，根据徒步者体型的大小，一步的意义就不同。
结果： 论文证明，为了使数学计算公平且一致，我们必须用对数（一种特殊的数学尺度）来衡量股票。在这个尺度上，价格的乘法变成了简单的加法。这是尊重市场对称性的唯一方法。

2. 两条车道

论文认为股票价格在两条不同的“车道”或通道中移动。

车道 A（平滑路径）： 这是正常的、日常的交易。价格缓慢漂移并轻微摇晃。这是“连续”的部分。
车道 B（跳跃）： 有时，重大新闻袭来（如财报或战争）。价格不会摇晃，而是直接瞬间移动到一个新的水平。这是“跳跃”的部分。

重大发现： 作者展示了由于这两条车道承载着不同类型的信息（一条关于平滑性，另一条关于突然的冲击），它们互不干扰。它们可以分别进行计算，然后合并。

结果： 当他们在这些车道上运行“逻辑引擎”时，平滑车道自然地成为了著名的几何布朗运动（几十年来使用的标准模型），而跳跃车道则变成了默顿跳跃扩散模型（Merton Jump-Diffusion Model）。
为什么重要： 他们并没有假设这些模型是正确的。他们是推导出了这些模型。这就像是通过观察苹果落地来发现引力，而不是仅仅说“让我们假设引力存在”。

3. 市场的“微笑”

在现实世界中，股票期权（对未来价格的博弈）有一种奇怪的模式，称为“波动率微笑”。这意味着人们愿意为那些能够防范巨大崩盘的赌注支付更高的价格，而标准的模型无法预测这一点。

论文的解释： 标准模型假设徒步者只会平滑行走。但真实的徒步者会跳跃！当你把“跳跃车道”加入模型时，数学自然地创造了这个“微笑”。市场并没有出错，只是旧的模型缺少了跳跃车道。

4. 期权定价：“不偷窃”规则

现在，如果市场存在跳跃，你该如何为期权定价？
在一个平滑的世界里，只有一个正确的价格。但在一个存在跳跃的世界里，市场是“不完备的”——存在无数种定价方式，只要不违反规则即可。

规则： 所有人达成共识的唯一规则是无套利（No Arbitrage）（即没有“免费午餐”）。你不能建立一个成本为零、没有风险且保证获利的交易。
解决方案： 作者再次使用了他们的逻辑引擎。他们问道：“如果我们要满足‘没有免费午餐’这一规则，最逻辑化的调整概率方式是什么？”
结果： 引擎选择了一种被称为 Esscher 变换 的特定数学工具。这并不是他们凭空创造的规则；当输入“没有免费午餐”这一约束条件时，这是机器给出的唯一逻辑答案。

核心结论

这篇论文的核心思想是关于信息。

旧方法： “让我们假设股票像 X 一样移动。如果 X 错了，我们的模型就会失效。”
新方法： “这是我们掌握的信息（价格平滑移动，但有时会跳跃；不允许有免费午餐）。最符合逻辑的模型是什么？”

作者表明，如果你将正确的信息输入这个逻辑引擎，你会得到标准模型（Black-Scholes，当跳跃消失时）作为一种特例，以及更复杂的模型（Merton，当跳跃存在时）。这种“魔力”不在于数学本身，而在于数学仅仅是反映了你所输入的信息的本质。

简而言之： 他们并没有发明一种新的股票移动方式。他们构建了一个机器，证明了股票的实际移动方式，正是由市场所提供的这些信息所决定的唯一逻辑结果。

技术摘要：跳跃-扩散期权定价中的熵动力学

问题陈述
标准的金融模型（如几何布朗运动 GBM 和 Black–Scholes 框架）依赖于对特定随机过程的“假设”。虽然这些模型成功描述了连续的价格演化，但它们无法捕捉经验性的现实：资产回报表现出尖峰厚尾（leptokurtosis）、负偏态（negative skewness）和重尾特征，而期权市场则显示出持久的波动率微笑（volatility smiles）和微笑（smirks）。这些特征被归因于由离散信息事件（如收益报告、政策决策）触发的非连续价格跳跃。此外，跳跃的存在使得市场是不完全的，这意味着仅凭无套利条件不足以唯一确定风险中性定价测度。现有文献通常将跳跃-扩散过程（例如 Merton 模型）和特定的定价测度（例如 Esscher 变换）作为公理进行假设。本文旨在解决如何利用不完全信息从基本原理出发，而非通过假设，来“推导”这些动力学过程和定价测度的需求。

方法论：熵推断
本文采用了熵动力学（Entropic Dynamics, ED），这是一个基于最大熵（MaxEnt）方法和相对熵的归纳性框架。其核心哲学是：动力学并非机械定律，而是随着新信息的到来，概率分布进行的推断更新。该方法分为两个截然不同的阶段：

动力学的推导（股票模型）：
- 变量选择： 框架首先识别正确的动力学变量。通过施加回报对称性（即在价格均匀缩放下的转移概率不变性），本文推导出对数价格 ( $\ln S$ ) 是使乘性缩放变为加性的唯一变量。
- 连续通道： $\ln S$ 的动力学通过最大化相对熵来构建，并受两个约束条件的限制：连续性（下一个价格与当前价格接近，通过均方位移约束体现）和方向性（一种系统性漂移，通过平均对数回报约束体现）。这产生了一个无漂移的高斯先验和一个偏移高斯后验，从而在未假设的情况下恢复了 GBM。
- 跳跃通道： 为了解释不连续性，微观状态被扩大，纳入了跳跃计数变量 ( $n$ ) 和跳跃大小 ( $Y$ )。框架引入了三个额外的约束：期望到达率 ( $\lambda$ )，以及跳跃大小的一阶和二阶矩 ( $\kappa, \nu$ )。
- 因子分解： 至关重要的是，由于跳跃通道的约束与连续通道的约束是正交分离的，MaxEnt 程序强制后验分布发生因子分解。连续部分保持为 GBM，而跳跃部分则被推导为跳跃大小的高斯分布。两者的结合使得 Merton 跳跃-扩散过程成为一个定理，而非一个假设。
- 前向方程： $\ln S$ 密度的演化被证明遵循 Kolmogorov–Feller 方程，该方程通过包含一个用于处理跳跃的积分项，推广了 Fokker–Planck 方程。
定价的推导（期权估值）：
- 市场不完全性： 存在跳跃时，市场是不完全的，等价鞅测度（EMM）并非唯一。仅靠无套利条件无法选择单一测度。
- 选择原则： 本文通过施加平均对数回报约束（用经凸性调整后的无风险利率取代主观漂移）来实施无套利条件。随后，它通过最大化定价测度相对于物理跳跃-扩散过程的相对熵来进行选择。
- Esscher 变换： 这一推断过程唯一地选择了 Esscher 变换 作为定价测度。本文认为，这并非外部强加，而是基于平均对数回报约束进行信息更新的结果。
- 结构保持： 该对数回报约束确保定价测度仍保持在跳跃-扩散族内，仅平移了漂移、强度和跳跃大小分布。
- 定价方程： 生成的期权溢价满足 Merton 偏积分微分方程（PIDE）。风险中性分布是逻辑正态分布的泊松加权混合，自然地产生了隐含波动率微笑。

主要贡献与结果

推导 Merton 模型： 本文严格从熵推断原理出发，推导出了 Merton 跳跃-扩散过程及其相关的 Kolmogorov–Feller 方程，取代了标准模型中的直接假设。
推导 Esscher 变换： 本文证明了在平均对数回报无套利约束下，通过最大化相对熵所选出的唯一测度即为 Esscher 变换。
模型统一化： 框架表明 Black–Scholes (GBM) 和 Black–Scholes–Merton (跳跃-扩散) 并非竞争理论，而是同一个推断机制的不同极限情况，其区别仅在于输入系统的信息（约束）不同。
波动率微笑： 该模型通过跳跃约束，自然地产生了股票市场中观察到的隐含波动率微笑和微笑，而无需引入人为的波动率函数。
解决非唯一性问题： 本文将跳跃市场中定价测度的非唯一性，重新定义为用于施加无套利的“信息约束”的非唯一性。选择平均对数回报会得到 Esscher 测度；而选择总回报则会得到另一种（规范的）测度。

意义与主张
本文声称其核心贡献在于方法论层面。作者认为，不同金融模型之间的区别不在于推断引擎本身，而在于输入其中的特定信息（约束）。通过将动力学视为“没有机制的力学”，作者主张熵框架提供了一个统一且有原则的基础，用于金融建模。

其观点如下：

动力学是被推断出来的，而非假设的： GBM 和跳跃-扩散过程是在最大化熵且满足特定经济对称性和信息约束下的必然结果。
定价是一个推断问题： 选择风险中性测度是一个归纳步骤，由用于执行无套利的观测值选择所驱动。
模块化： 该框架允许通过简单地扩大微观状态并增加相应的约束，来无缝集成新的市场特征（如跳跃），而无需丢弃底层的推断逻辑。

本文总结道，“真正的困难”不在于更新机制（该机制由 MaxEnt 原理固定），而在于如何正确识别与问题真正相关的变量和信息。