第1章隐含波动率基础

1. 隐含波动率基础：期权定价模型回顾、隐含波动率定义、波动率微笑与偏斜现象

各位同学，欢迎来到《隐含波动率预测模型实战》的第一章。

说实话，做期权交易这么多年，我最大的感触就是——隐含波动率才是期权市场的灵魂。价格嘛，谁都会看，但真正能赚钱的，往往是那些读懂波动率的人。今天咱们就从最基础的东西聊起，把这块地基打扎实了。

聊隐含波动率之前，得先说说期权是怎么定价的。你想想看，如果没有定价模型，我们拿什么去反推波动率？

Black-Scholes 模型，这是绕不开的起点。1973年，Black、Scholes和Merton搞出了这个公式，直接拿了诺贝尔奖。公式长这样：

C = S₀·N(d₁) - K·e^(-rT)·N(d₂)
P = K·e^(-rT)·N(-d₂) - S₀·N(-d₁)

其中：
d₁ = [ln(S₀/K) + (r + σ²/2)T] / (σ√T)
d₂ = d₁ - σ√T

嗯，看着有点复杂对吧？其实核心逻辑就一句话：期权价格 = 内在价值 + 时间价值。BS模型假设股价服从几何布朗运动，波动率是常数——但我在实际项目中很快就发现，这个假设太理想了。

BS模型的五个输入参数：

除了BS模型，还有二叉树模型和蒙特卡洛模拟。我个人习惯在美式期权定价时用二叉树，因为它能处理提前行权的问题。蒙特卡洛嘛，路径依赖型期权的好帮手，就是计算量大了点。

我的经验：千万别迷信BS模型。我在2018年做美股期权策略时，用BS算出来的价格和实际市场价差了将近5%。后来才发现，是波动率曲面出了问题。记住，模型只是工具，市场才是老大。

好，现在咱们进入正题。隐含波动率是什么？说白了，就是把市场上的期权实际成交价格，代入BS模型，反推出来的那个波动率数值。

公式表达就是：

σ_IV = BS⁻¹(C_market, S₀, K, T, r)

你看，BS公式是已知波动率求价格。隐含波动率正好反过来——已知价格求波动率。这玩意儿没法直接解，得用数值方法，比如牛顿-拉夫森法或者二分法。

我刚开始做这个的时候，自己手写了一个牛顿迭代求解器。后来发现，其实scipy.optimize里就有现成的函数，直接调就行。但理解原理很重要，不然出了问题你都不知道怎么debug。

避坑指南：我曾经在计算深度虚值期权的隐含波动率时，发现牛顿法死活不收敛。后来才意识到，深度虚值期权的vega（波动率敏感度）接近于零，BS模型在那块区域基本失效。遇到这种情况，我建议改用二分法，或者直接剔除这些数据点。

如果BS模型是完美的，那么同一标的、同一到期日的期权，不同行权价算出来的隐含波动率应该是一样的。但现实呢？完全不是这么回事。

波动率微笑，指的是隐含波动率随着行权价变化呈现U形曲线。平值期权波动率最低，两边越来越高。这个现象在1987年股灾之后变得特别明显——市场开始给极端行情定价了。

波动率偏斜，更常见于股票期权。虚值看跌期权的隐含波动率，往往比虚值看涨期权高出一大截。为什么？因为市场参与者更害怕暴跌，愿意为下行保护支付更高的溢价。

我画了一张图，帮你直观理解这两个概念：

为什么会这样？我总结了几点原因：

实战中的意义：

我记得有一次做波动率曲面建模，发现某只科技股的偏斜特别陡峭。后来一查，原来是公司马上要发财报，市场在赌它暴雷。这种事件驱动的偏斜变化，其实是可以提前捕捉到的——这就是我们后面要讲的内容。

一个小技巧：判断市场情绪，可以看25-delta看跌和看涨期权的隐含波动率差值。差值越大，说明市场越恐慌。我一般用这个指标来辅助判断是否要加仓对冲。

好了，这一章的内容就到这里。波动率微笑和偏斜，是理解整个隐含波动率预测模型的基石。你想想看，如果连市场为什么会有偏斜都搞不清楚，那后面建出来的模型，大概率也是空中楼阁。

公众号:蓝海资料掘金营，微信deep3321