金融工程中“Heston模型对美式期权定价的改进.docxVIP

金融工程中“Heston模型对美式期权定价的改进”

一、美式期权定价的核心挑战与传统模型局限

在金融市场中，期权作为“风险管理的基石”，其定价的准确性直接影响着投资者的决策与市场的效率。而美式期权因“提前行权”的特性，成为期权定价中最复杂的领域之一。要理解Heston模型的改进价值，需先明确美式期权定价的核心难点，以及传统模型的先天局限。

（一）美式期权的行权特性与定价难点

美式期权与欧式期权的本质区别，在于提前行权的灵活性——持有者可在到期日之前的任意交易日选择行权，而非仅在到期日行权。这种灵活性赋予美式期权更高的价值，但也让定价逻辑从“静态计算”转向“动态决策”。

从定价原理看，欧式期权只需计算“到期日标的资产价格与执行价格差值的现值”，而美式期权需要在每一个时间点比较“立即行权的收益”与“继续持有期权的预期收益”，取最大值作为该时刻的期权价值。这背后隐藏着一个关键问题：如何确定“最优行权边界”——即找到一条随时间变化的价格线，当标的资产价格超过（或低于）这条线时，提前行权更划算，否则继续持有更优。

比如，对于一只支付股息的股票，美式看涨期权的持有者可能选择在股息发放前行权——因为股息会降低股票价格，进而削弱看涨期权的价值，提前行权能锁定股息前的收益。但如果股息金额很小，或剩余时间内股票价格上涨的预期强烈，继续持有期权可能更划算。这种“收益与风险的权衡”需考虑无数种未来情景，而传统模型的简化假设很难覆盖这些变量的动态变化。

更复杂的是，美式期权的价值具有路径依赖性——它不仅取决于当前的标的资产价格，还与过去的价格走势（尤其是波动率变化）相关。例如，一只经历过大幅波动的股票，其期权的时间价值更高（未来继续波动的可能性大），投资者更愿持有；而一只价格稳定的股票，期权时间价值低，投资者更可能提前行权。这种路径依赖让美式期权定价从“单变量问题”变成“多变量动态问题”，传统模型难以应对。

（二）传统Black-Scholes模型在美式期权定价中的局限

1973年的Black-Scholes模型是期权定价的里程碑，但它的“理想假设”使其在美式期权定价中存在显著缺陷：

第一，恒定波动率假设与现实脱节。Black-Scholes假设标的资产的波动率固定不变，且服从对数正态分布。但实际中，波动率是“随机的”——不同执行价格的期权对应不同的隐含波动率（即“波动率微笑”），同一标的资产的波动率会随时间波动（即“波动率聚类”），且股价下跌时波动率往往上升（“杠杆效应”）。这些现实特征让Black-Scholes模型无法准确计算期权的时间价值，导致定价偏差。

第二，无法处理提前行权的动态决策。Black-Scholes模型是为欧式期权设计的，无法直接应用于美式期权。虽然后续学者通过“二叉树模型”“有限差分法”等数值方法拓展其应用，但这些方法仍基于“恒定波动率”假设，无法捕捉波动率随机变化对提前行权决策的影响。例如，在波动率高企时，传统模型可能低估期权的时间价值，导致投资者过早行权，损失潜在收益。

第三，忽略标的资产与波动率的相关性。Black-Scholes模型假设标的资产价格与波动率相互独立，但实际中，股价与波动率呈负相关（杠杆效应）——股价下跌时，企业的杠杆率上升，风险增加，波动率随之上升。这种相关性会显著影响期权价值（如看跌期权在股价下跌时，内在价值与时间价值双重提升），但传统模型无法捕捉这一效应。

二、Heston模型的基本框架与随机波动率建模优势

正是传统模型的局限，推动了Heston模型的诞生。1993年，StevenHeston提出的Heston模型，核心创新在于将波动率视为随机变量，从而突破了Black-Scholes的恒定波动率假设，为美式期权定价提供了更贴近现实的框架。

（一）Heston模型的核心假设与随机波动率机制

Heston模型用两个随机过程描述标的资产的变化：

标的资产价格的对数收益率过程：反映股价的随机波动；

波动率的均值回复过程：用“Ornstein-Uhlenbeck过程”描述波动率的变化——即波动率会围绕一个“长期均值”波动，当偏离均值时，会被“拉回”合理水平。

简单来说，Heston模型的逻辑是：波动率不是固定的，而是随时间变化的，且具有“均值回复”特性。例如，当市场发生重大事件（如疫情），波动率会突然飙升，但随后会逐渐回落至长期平均水平。这种设定更符合实际中的波动率行为。

此外，Heston模型还引入了标的资产价格与波动率的相关性（即杠杆效应）。例如，当股票价格下跌时，波动率往往上升（负相关），这种相关性会直接影响期权的价值——看跌期权在股价下跌时，内在价值（执行价减股价）和时间价值（波动率上升）同时提升，价值显著增加。

（二）Heston模型对传统波动率假设的突破

Heston模型的最大优势，在于解决了