💰 量化金融

Equivalent Behavioural Martingale Measure

本文通过推导行为密度的补偿随机指数表示，将萨缪尔森-默顿（Samuelson-Merton）基于效用的定价法整合进连续时间等价鞅测度框架中，从而在经验上将期权隐含密度分解为风险态度，并证明了在液态期权面板中其样本外表现优于SVI模型。

原作者： G. Charles-Cadogan

发布于 2026-10-08✓ Author reviewed ⓘ

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： G. Charles-Cadogan

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。它不是由作者撰写的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在金融世界中，价格不仅仅是数字，它们是信号。当投资者购买期权（一种赋予他们在未来某个日期买入或卖出股票权利的合约）时，他们支付的价格揭示了市场集体对未来的看法。具体而言，它揭示了市场对崩盘的恐惧程度或对繁荣的期望程度。几十年来，经济学家一直使用一套标准的数学框架来解码这些价格，将其视为一个单一、理性的机器。然而，真实的市场是由人组成的，而人并不总是表现得像机器一样。他们会感到恐惧，会变得贪婪，并且会根据自己是在面对潜在损失还是潜在收益时，以不同的方式衡量风险。长期以来的问题一直是：我们能否将人类行为这种混乱、感性的现实，纳入规范金融定价的严苛、逻辑性的规则之中，而不破坏整个系统？

这正是 G. Charles-Cadogan 的一篇新工作论文所探索的领域，该论文试图弥合人类心理学与数学金融之间的鸿沟。该论文关注期权市场中观察到的一种特定模式：“微笑”或“撇嘴”（smirk）。如果你将期权价格绘制成相对于当前股价距离的函数图，你会发现它通常是一条曲线而非平直的线。这条曲线表明，市场对极端事件（无论是崩盘还是大规模反弹）的定价方式与标准理论预测的不同。作者询问，这条曲线究竟仅仅是一个数学产物，还是人类风险态度的直接映射——即人们在亏钱与赚钱时，对风险的感觉有何不同。其目标是展示这些情绪反应可以被转化为一种严谨的数学语言，同时遵循金融学的基本规则：不存在免费的午餐，或者用技术术语来说，不存在套利机会。

该论文引入了一种看待这些市场价格的新方法，称之为“等价行为鞅测度”（Equivalent Behavioral Martingale Measure）。要理解这一点，请想象市场为每一个可能的未来结果分配了不同的权重。标准模型可能会平等对待所有结果，但行为模型承认，投资者对同等规模的坏结果比对好结果更在意。作者证明，你可以将这种带有情绪色彩的、加权的未来观转化为一个有效的数学工具，但前提是必须应用特定的修正。这就像是在调整天平：如果你想在同一个天平上称量羽毛和石头，你不能只是把它们放上去，你必须先考虑到它们在秤盘上的受力差异。同样，论文表明，你不能简单地使用人类对风险的原始感受来为期权定价。你必须首先消除由风险厌恶程度与市场波动率结合而产生的特定数学“漂移”。一旦补偿了这种漂移，所得出的公式就会成为一种有效的、稳定的资产定价方式，同时仍能捕捉人类行为的本质。

核心发现是，这个修正后的公式是有效的。作者证明，如果你提取财富的边际效用（即衡量投资者在特定时刻多获得一美元的价值），并针对市场风险进行调整，它就会转化为一个有效的概率测度。这意味着你可以利用它来计算价格，而不会产生矛盾或不可能的利润。论文确定了必须移除的精确数学项，并将其直接与 Arrow-Pratt 风险厌饰度联系起来——这是一个经典的经济学概念，用于量化一个人对风险的厌恶程度。作者展示了这种风险厌饰度在乘以市场波动率后，产生了必要的调整。如果没有这项调整，模型将无法通过基本的金融逻辑测试。

除了理论之外，论文还利用现实世界的数据对这一想法进行了测试。作者收集了来自主要美国股票和交易型开放式指数基金（ETF）的大量期权价格，其中包括苹果、微软、特斯拉等巨头以及广泛的市场指数。他们过滤掉了嘈ently或不可靠的数据，然后尝试将这个新的行为模型拟合到观察到的价格中。他们将结果与专业人士使用的其他标准模型（如专门设计用于拟合期权价格形状的 SVI 模型）进行了比较。结果是复杂且具有启发性的。当新的行为模型被施加与标准模型相同的防止套利的严格规则时，它的表现与标准模型不相上下，在某些汇总测试中甚至略好，能够更好地预测未来价格。然而，论文谨慎地指出，这并不是要取代目前交易员用来构建整个交易曲面的复杂工具。相反，它是一个诊断工具。

来自数据的最显著洞察在于将“微笑”拆解为不同的组成部分。作者发现，这条曲线不仅仅是一个单一的形状，而是两种截然不同的力量的结合。一部分是对称的，代表一种影响所有结果的普遍风险恐惧，形成了一个标准的“微笑”。另一部分是非对称的，使曲线向一侧倾斜，作者将其解释为投机性的“撇嘴”。这种倾斜表明，在某些市场条件下，投资者不仅害怕损失，还在积极寻求获得某种类似彩票式的巨额收益的可能性。数据表明，这种投机性倾斜是一个强大且一致的市场特征，其强度往往超过了普遍的风险恐惧。事实上，这种投机性倾斜的强度似乎具有微弱但可衡量的能力，可以预测市场在近期内的波动幅度。

论文还探讨了当不同类型的投资者混合在一起时会发生什么。在现实市场中，有些人非常谨慎，而有些人则非常大胆。作者表明，只要进行正确的加权，你就可以将这些不同群体的定价观点合并为一个有效的单一模型。如果你只是将他们的观点简单相加而不考虑其相对规模或重要性，数学逻辑就会崩溃。但如果你对权重进行归一化处理，将其视为市场总份额的一部分，合并后的模型依然有效。这提供了一种理解为何一个拥有多样化性格的市场仍能达成单一、连贯的期权价格的方法。

最终，这篇论文并不声称已经解开了市场为何波动的谜团，也不声称找到了赚取利润的新方法。相反，它提供了一个更清晰的视角，让我们去观察已经存在的那些价格。它证实了期权价格那些奇怪的形状并非随机噪声或数学错误，而是深深植根于人类感知风险与回报的方式之中。通过展示如何精确地将这些人类情感转化为严密的数学框架，作者提供了一种方法，可以将真实的心理偏好信号从市场摩擦的噪声中分离出来。这项工作表明，虽然市场很复杂，但其定价的底层驱动力与概率的基本定律是一致的，前提是我们必须花时间去修正人类对风险过度反应的倾向。这使得经济学家和交易员不仅能看到市场认为会发生什么，还能理解市场对于这种可能性背后的“感受”。

技术摘要：等价行为鞅测度

问题陈述
本文解决了期权定价以及波动率微笑（smiles）与偏斜（smirks）解释中的一个基础性空白。虽然 Samuelson–Merton 的“效用-概率”（util-prob）构建（即通过边际效用加权物理概率来形成定价核）是一个标准的理论概念，但它并不自动成为一个等价鞅测度（EMM）。原始的边际效用密度往往无法满足实现 EMM 所需的严格数学条件，特别是要求密度过程必须是真正的鞅（即期望值为一且无漂移）。

因此，在缺乏确保所得密度具有容许性的机制的情况下，将观察到的期权隐含波动率模式（微笑与偏斜）直接解释为投资者风险厌恶的反映，在数学上是存在风险的。本文旨在形式化相关条件，使“效用-概率”密度能够被严谨地表示为一个补偿随机指数，从而验证在无套利框架内进行“行为学”定价解释的有效性。

方法论
本文使用过滤概率空间 $(\Omega, \mathcal{F}, \mathbb{P})$ 构建了一个连续时间框架。

理论构建：
- 补偿随机指数： 核心数学贡献在于推导出一个补偿项 $\Gamma_t$ ，将原始边际效用 $U'(Y_t)$ 转化为真正的鞅密度 $L_t$ 。通过伊藤引理（Itô's formula），本文表明由风险厌恶（ $A_t$ ）和谨慎度（ $a_t = U'''/U'$ ）产生的漂移项必须被移除。
- 核（Kernel）： 所得的行为密度表示为一个 Doléans–Dade 随机指数：
  $L_t = \mathcal{E}\left(-\int_0^t A_s \sigma_s dW_s\right)$
  其中 $A_t$ 是 Arrow–Pratt 绝对风险厌恶过程， $\sigma_t$ 是状态波动率。布朗风险价格被确定为 $\lambda_t = A_t \sigma_t$ 。
- 容许性条件： 本文确立了若要使 $L_t$ 定义一个等价行为鞅测度（EBMM），它必须满足正定性、可积性、归一化以及充分的鞅条件（例如 Novikov 条件）。
微笑与偏斜的结构化表示：
本文提出了一个“ $\tau$ -焊接”的双曲基底，用于在不同值度（moneyness, $m = \log(K/S)$ ）下分解风险态度过程 $A_t$ ：
$A_\theta(m, \tau) = \beta_0(\tau) + A_{\text{averse}}(\tau)[\cosh(m) - 1] + A_{\text{seek}}(\tau)\sinh(m)$
此处，偶成分 $[\cosh(m)-1]$ 捕捉对称曲率（微笑），而奇成分 $\sinh(m)$ 则捕捉非对称偏斜（偏斜）。 $A_{\text{seek}}$ 被允许为负值，代表局部的风险寻求或投机行为。
经验校准：
- 数据： 使用来自 ThetaData Terminal 的流动性较好的美国指数 ETF（SPY, QQQ, IWM）和个股期权（AAPL, MSFT, NVDA, AMZN, TSLA）面板数据。
- 步骤：
  1. 利用套利惩罚 SVI 曲面从期权价格中恢复风险中性密度（ $q_\tau$ ）。
  2. 从历史收益率中估计物理密度（ $p_\tau$ ）。
  3. 计算经验定价核比例 $\hat{L}_\tau = q_\tau / p_\tau$ 。
  4. 拟合 EBMM 参数（ $A_{\text{averse}}, A_{\text{seek}}$ ），以最小化模型隐含密度与恢复出的比例之间的距离，并受限于约束条件（ $A_{\text{averse}} > 0, A_{\text{seek}} < 0$ ）。
- 诊断： 研究采用有限样本 Novikov 一致性筛选，以检查拟合参数是否会产生导致违反鞅容许性的爆炸性指数项。

关键结果

数学等价性： 本文证明了只有在对风险厌恶和谨慎度产生的漂移项进行补偿后，Samuelson–Merton 的“效用-概率”密度才能成为等价鞅测度。布朗风险价格被明确地联系到 Arrow–Pratt 风险态度与状态波动率的乘积。
Cox–Ross 恒等式： 在 EBMM 框架下，本文重新推导了 Cox–Ross 风险溢价恒等式，表明期权与标的资产风险溢价之比等于其波动率之比，且共同的定价核在此过程中相互抵消。
经验拟合：
- 在合并样本的留出测试中，套利惩罚后的 EBMM 比原始 EBMM 和 套利惩罚后的 SVI 基准实现了更低的平方误差损失。
- 然而，在切片层面（单个标的/到期日），结果表现不一，SVI 在特定切片中通常优于 EBMM。
- 风险寻求成分： 经验估计显示，带符号的风险寻求成分（ $A_{\text{seek}}$ ）始终为负且在统计上显著，而对称风险厌恶成分（ $A_{\text{averse}}$ ）通常接近数值下限（零），这表明该样本中的数据主要识别的是投机倾向而非对称曲率。
预测能力： 初步的预测回归表明，带符号的风险寻求成分对下一阶段实现的方差具有一定的预测能力，但风险厌恶成分则不然。

意义与主张
本文明确将其贡献界定为适度的方法论贡献，而非对现有波动率曲面估计技术的替代。

容许性过滤器： EBMM 的主要价值不在于生成比 SVI 或 SABR 更优的波动率曲面，而在于作为一个密度比容许性测试。它提供了一个结构化过滤器，用于判断观察到的期权隐含微笑或偏斜是否可以被合法地解释为满足鞅条件的补偿边际效用密度。
解释性桥梁： 它架起了早期“效用-概率”文献与现代状态价格密度恢复之间的桥梁。它澄清了在此语境下的“行为学”是指状态相关的边际效用加权，而非违反无套利原则或秩相关概率扭曲。
分解： 该框架允许将波动率曲面分解为带符号的 Arrow–Pratt 成分，从而区分对称风险厌恶（微笑）与非对称风险寻求/投机行为（偏斜）。
局限性： 作者指出，由于经验结果是基于较小的面板数据，且对称风险厌恶因子在数据中往往难以识别，因此强调 EBMM 是一个解释工具，用于评估候选密度比，而非生产级的估计器。本文总结道，未来的工作应在更广泛的数据集（商品、加密货币）上测试这些容许性限制，并与标准参数化方法进行比较。

技术摘要：等价行为鞅测度

类似论文