4. 局部波动率模型：Dupire公式推导、局部波动率曲面的构建、有限差分法求解
局部波动率模型，说白了就是把波动率从「常数」变成「随时间和标的价格变化」的函数。嗯，这听起来很直观——市场里波动率本来就不是一成不变的嘛。但真正让我觉得这东西厉害，是在一次做奇异期权定价的时候。当时用BS模型算出来的价格和交易台报的差了好几个点，换成局部波动率模型后，误差直接缩到可接受范围。从那以后，我就再也没小看过这个模型。
4.1 为什么需要局部波动率？
BS模型假设波动率是常数，这显然不现实。你想想看，标的价格跌到历史低位时，市场恐慌情绪上来，波动率肯定飙升。反过来，价格在高位横盘时，波动率可能反而下降。这就是所谓的「波动率微笑」或「偏斜」现象。
我个人习惯把局部波动率理解为「瞬时波动率的快照」。它告诉我们：在某个特定时间点、某个特定价格水平上，标的资产的瞬时波动率是多少。这比BS模型里那个「一刀切」的常数波动率要精准得多。
核心思想：局部波动率 σ(S,t) 是一个确定性函数，它完美复刻了市场上所有欧式期权的隐含波动率曲面。换句话说，只要你把市场上所有期权的价格输入进去，Dupire公式就能反推出这个函数。
4.2 Dupire公式推导——从BS到局部波动率
Dupire公式的推导，其实是从BS的偏微分方程出发的。我记得第一次看这个推导时，觉得它像变魔术一样——怎么就能从期权价格反推出波动率呢？
咱们先回顾一下BS方程：
∂V/∂t + ½ σ² S² ∂²V/∂S² + rS ∂V/∂S - rV = 0这里V是期权价格，S是标的价格，t是时间，r是无风险利率。注意，这里的σ是常数。
Dupire的聪明之处在于：他把期权价格看成是执行价格K和到期时间T的函数，而不是S和t的函数。然后他利用Fokker-Planck方程（也叫前向Kolmogorov方程）重新推导了期权价格随K和T的变化规律。
推导的关键步骤是这样的：
- 从BS方程出发，把V(S,t)换成V(S₀, K, T)，其中S₀是当前标的价格
- 利用风险中性定价公式：V = e^{-rT} ∫ max(S_T - K, 0) q(S_T) dS_T
- 对K求二阶导，得到风险中性密度：q(K) = e^{rT} ∂²V/∂K²
- 对T求一阶导，结合Fokker-Planck方程，最终得到Dupire公式
最终结果长这样：
σ²_loc(K, T) = (∂V/∂T + rK ∂V/∂K) / (½ K² ∂²V/∂K²)我的经验：实际计算时，∂V/∂T和∂²V/∂K²都是通过数值差分得到的。我曾经踩过一个坑——直接用期权价格做差分，结果噪声大得离谱。后来改用隐含波动率曲面做插值，再转回期权价格，效果就好多了。
4.3 局部波动率曲面的构建
有了Dupire公式，下一步就是构建局部波动率曲面了。说白了，就是三步走：
- 获取市场数据：收集不同执行价格K和到期时间T的期权价格（或隐含波动率）
- 构建隐含波动率曲面：对离散的数据点做插值，得到一个光滑的曲面
- 应用Dupire公式：在曲面上计算偏导数，得到局部波动率
这里有个坑要注意——直接对期权价格做插值很容易出问题。我建议的做法是：
- 先把期权价格转成隐含波动率
- 在隐含波动率空间做插值（用样条或SVI参数化）
- 再转回期权价格，然后计算偏导数
下面是我常用的一个流程示意图：
4.4 有限差分法求解局部波动率PDE
有了局部波动率曲面，接下来怎么用？最常见的场景就是给奇异期权定价。这时候需要求解局部波动率下的PDE：
∂V/∂t + ½ σ²_loc(S,t) S² ∂²V/∂S² + rS ∂V/∂S - rV = 0这个方程没有解析解，只能用数值方法。我个人最常用的是有限差分法（FDM）。
4.4.1 网格划分
首先把时间和价格空间都离散化：
- 时间网格：t₀, t₁, ..., t_N，步长Δt
- 价格网格：S₀, S₁, ..., S_M，步长ΔS
注意，价格网格最好在标的当前价格附近加密。为什么？因为大部分期权价值都集中在这个区域。我曾经试过均匀网格，结果计算量大了好几倍，精度还没提高多少。
4.4.2 差分格式选择
常用的差分格式有三种：
| 格式 | 精度 | 稳定性 | 我的建议 |
|---|---|---|---|
| 显式差分 | 一阶 | 有条件稳定（CFL条件） | 不推荐，时间步长限制太严格 |
| 隐式差分 | 一阶 | 无条件稳定 | 可以，但需要解三对角方程组 |
| Crank-Nicolson | 二阶 | 无条件稳定 | 强烈推荐，精度和稳定性兼顾 |
避坑指南：我曾经在Crank-Nicolson格式上吃过亏——当局部波动率变化剧烈时，它会产生数值振荡。后来我改用Rannacher修正（前两步用全隐式，后面用C-N），问题就解决了。
4.4.3 边界条件
求解PDE还需要边界条件。对于看涨期权：
- S=0时：V(0,t) = 0
- S→∞时：V(S,t) ≈ S - Ke^{-r(T-t)}
- 到期时：V(S,T) = max(S-K, 0)
嗯，这里有个细节——上边界不能取太大，否则计算量太大。我一般取S_max = 4倍的当前标的价格，基本够用。
4.5 代码实现要点
下面是一个简化的Crank-Nicolson求解框架：
# 伪代码：Crank-Nicolson求解局部波动率PDE
def crank_nicolson(S_grid, T_grid, sigma_loc, r, K):
M = len(S_grid) - 1 # 价格网格数
N = len(T_grid) - 1 # 时间网格数
dt = T_grid[1] - T_grid[0]
ds = S_grid[1] - S_grid[0]
# 初始化矩阵A和B（三对角）
A = np.zeros((M-1, M-1))
B = np.zeros((M-1, M-1))
for i in range(1, M):
S = S_grid[i]
sigma = sigma_loc(S, 0) # 取当前时间层的局部波动率
# 构建系数
alpha = 0.25 * dt * (sigma**2 * S**2 / ds**2 - r * S / ds)
beta = -0.5 * dt * (sigma**2 * S**2 / ds**2 + r)
gamma = 0.25 * dt * (sigma**2 * S**2 / ds**2 + r * S / ds)
# 填充A和B矩阵
# ...（具体填充略）
# 时间迭代
V = np.maximum(S_grid - K, 0) # 到期时的payoff
for n in range(N-1, -1, -1):
# 更新局部波动率
sigma_loc_n = sigma_loc(S_grid, n*dt)
# 解线性方程组 A * V_new = B * V_old
V[1:-1] = solve_tridiagonal(A, B @ V[1:-1])
return V性能优化：如果网格很大（比如1000×1000），每次迭代都解三对角方程组会有点慢。我建议用Thomas算法，复杂度只有O(M)，比通用LU分解快一个数量级。
4.6 实际应用中的注意事项
最后，分享几个我在实战中总结的经验：
- 数据清洗：市场上的期权报价经常有异常值。我一般会先剔除深度虚值和深度实值的期权，它们的流动性差，报价不可靠。
- 插值方法：在隐含波动率曲面上做插值时，用三次样条比线性插值好得多。但要注意样条的边界条件——自然样条在边界处容易振荡，我习惯用clamped样条。
- 时间处理：Dupire公式里的时间导数∂V/∂T，实际计算时要用到不同到期日的期权数据。如果到期日间隔不均匀，建议先插值到统一的时间网格上。
- 数值稳定性：当∂²V/∂K²接近零时（比如深度实值或虚值期权），Dupire公式的分母会很小，导致局部波动率爆炸。我一般会加一个小的正则化项，或者直接截断。
局部波动率模型虽然比BS复杂，但它能捕捉到市场的真实波动特征。我个人觉得，它是从「理论模型」走向「实战应用」的关键一步。嗯，今天就先聊到这里，下次有机会再聊聊随机波动率模型——那又是另一个故事了。