第二章：期权定价模型基础
做量化交易这些年，我越来越觉得期权定价是波动率套利的基石。说白了，不懂定价模型，你根本没法判断一个期权是贵了还是便宜了。这一章，我们就来聊聊Black-Scholes模型、隐含波动率，还有那个让人又爱又恨的波动率微笑。
2.1 Black-Scholes模型：一个改变金融世界的公式
1973年，Black和Scholes发表了那篇著名的论文。嗯，说实话，刚入行时我看这个公式也是一头雾水。但后来我发现，你不需要成为数学家也能用好它。
BS模型的核心假设其实很简单：
- 市场是有效的，没有套利机会
- 股票价格服从几何布朗运动
- 无风险利率和波动率是常数
- 期权可以连续对冲
公式长这样：
C = S₀·N(d₁) - K·e^(-rT)·N(d₂)
其中：
d₁ = [ln(S₀/K) + (r + σ²/2)T] / (σ√T)
d₂ = d₁ - σ√T
C = 看涨期权价格
S₀ = 标的资产当前价格
K = 行权价
r = 无风险利率
T = 剩余到期时间
σ = 波动率
N(·) = 标准正态分布累积函数我在项目中遇到过一个问题：用BS模型定价深度虚值期权时，价格总是偏低。后来才发现，这是因为真实市场存在波动率微笑，而BS模型假设波动率是常数。这个坑，我踩过。
关键理解：BS模型不是用来精确预测价格的，而是用来反推隐含波动率的。这个思路转变很重要。
2.2 隐含波动率 vs 历史波动率
这两个概念，我经常被问到有什么区别。其实很简单：
| 类型 | 定义 | 用途 |
|---|---|---|
| 历史波动率 | 基于过去价格数据计算的实际波动 | 衡量过去，预测未来 |
| 隐含波动率 | 从期权市场价格反推出的波动率 | 反映市场对未来波动的预期 |
历史波动率的计算，我一般用这个公式：
σ_hist = √(252/n) * √(Σ(ln(Pᵢ/Pᵢ₋₁) - μ)² / (n-1))
其中：
Pᵢ = 第i天的收盘价
μ = 对数收益率的均值
n = 样本天数
252 = 年化交易日数你想想看，历史波动率是向后看的，而隐含波动率是向前看的。做波动率套利时，我们比较的就是这两个值。如果隐含波动率远高于历史波动率，说明期权被高估了，可以考虑卖出。
我的经验：计算历史波动率时，窗口期选择很关键。30天窗口适合短期交易，90天窗口更适合趋势判断。我曾经用错窗口期，导致信号完全反了。
2.3 波动率微笑与偏斜
如果BS模型是完美的，那么不同行权价的期权应该对应相同的隐含波动率。但现实不是这样的。你会发现，隐含波动率随着行权价变化而变化，画出来就像一张笑脸——这就是波动率微笑。
为什么会这样？
- 市场参与者对尾部风险的担忧
- 杠杆效应：价格下跌时波动率上升
- 供需失衡：保护性看跌期权需求更大
在股票市场，我们更多看到的是波动率偏斜——看跌期权的隐含波动率通常高于看涨期权。这反映了市场对下跌的恐惧。我记得2018年做美股期权时，标普500的波动率偏斜特别明显，虚值看跌期权的IV比平值高了将近10个点。
避坑指南：我曾经以为波动率微笑是固定不变的，结果在2015年股灾时吃了大亏。实际上，微笑的形态会随着市场情绪剧烈变化。做套利时一定要动态调整模型参数。
2.4 知识体系总览
下面这张图，是我自己整理的知识结构。每次带新人时，我都会先让他们看这个框架：
这张图把整个知识体系串起来了。从BS模型出发，到隐含波动率的计算，再到波动率微笑的识别，最后落地到套利策略。每个环节都环环相扣。
2.5 实战中的注意事项
说了这么多理论，最后分享几个实战中的要点：
- 数据质量第一：期权数据经常有异常值，我习惯用中位数过滤法清洗数据
- 注意到期日效应：临近到期时，BS模型的误差会急剧放大
- 波动率曲面：不要只看单一期限的微笑，要关注整个波动率曲面
- 模型校准：我每周都会重新校准一次模型参数，市场变化太快了
核心观点：BS模型是工具，不是真理。真正有价值的是理解市场为什么偏离模型，以及如何利用这种偏离获利。
嗯，这一章的内容就到这里。波动率定价这块水很深，但掌握了这些基础，你就能看懂市场在说什么了。记住，做量化交易，模型是骨架，但对市场的理解才是灵魂。