The Black-Scholes-Merton model
在 1970 年代,Fischer Black, Myron Scholes, Robert Merton 提出了一个重要的欧式期权定价模型。这个模型基于以下 7 条假设:
- 股票价格符合伊藤过程 \(\frac{ dS }{ S } = \mu ~dt + \sigma ~dz\)
- 允许卖空证券并充分利用收益
- 没有交易费用和税,所有证券完全可分割
- 在期权期限内,股票不支付股息
- 不存在无风险套利机会
- 证券交易连续进行
- 无风险利率 \(r\) 是常数并且对所有期限相同
注意,这其中并不包含风险中性假设。从根本上讲,风险中性假设只是一个数学上的求解技巧,即使不使用这个技巧,一样可以通过暴力求解 PDE 得到同样的结果(Feynman-Kac Theorem)。这一点非常重要,因为真实世界明显不是风险中性的,BSM 公式也不可能基于这么一个不靠谱的假设。
14.6 Black-Scholes-Merton 微分方程
根据假设,股票的价格服从以下伊藤过程:
我们的目标,也就是以该股票为标的物的看涨期权的价格 \(C\) 肯定是 \(S\) 和 \(t\) 的函数。根据伊藤引理,得到:
这是一个随机微分方程,我们很难直接求解。于是我们希望利用 \(S\) 和 \(C\) 的线性组合消去其随机项。
构造一个 portfolio \(V = Q_S S + Q_C C\),其中 \(Q_S\) 和 \(Q_C\) 分别是股票和看涨期权的数量。为了消除随机项 \(dz\),我们需要:
我们可以令 \(Q_S = \frac{\partial C}{\partial S}\),\(Q_C = -1\)。
值得注意的是,我们通过这样实际构造了一个无风险的 portfolio,同时,股票的数量也是 Greeks 里面的 delta。 由于这是一个无风险的 portfolio,其波动率为 0,期望收益等于无风险利率 \(r\)。因此:
并且
带入得:
这就是 Black-Scholes-Merton 微分方程。这个方程的精妙之处在于我们消掉了随机项和期望收益率 \(\mu\) 这两个非常复杂的部分。
这个方程有很多解,对应于各种衍生品。假设一个衍生品不满足这个微分方程,例如\(e^S\),则该衍生品不可能存在,因为一定存在套利机会。
14.7 风险中性定价
我们注意到,推导出的 Black-Scholes-Merton 微分方程不含期望收益 \(\mu\),这也从证明了我们在用二叉树进行定价时的风险中性假设的正确性。因为它与投资人的风险偏好无关。我们就可以放心使用风险中性假设简化计算。
- 假设从标的物获得的期望收益就是无风险利率\(r\)
- 计算衍生品的期望的 payoff
- 将期望的 payoff 折现,折现率也等于无风险利率 \(r\)
例
假设一个远期合约多头到期日为\(T\),执行价格为\(K\),目前现货价格是 \(S_0\),无风险利率为 \(r\),则远期合约价格为?
假设到期日标的物价格为 \(S_T\),则利用以上三个步骤,可以得到:
由于我们的期望收益率为无风险利率 \(r\),则有 \(E(S_T) = S_0 e^{rT}\),带入可以得到:
这符合我们利用无套利假设得出的结论。
14.8 Black-Scholes-Merton 定价公式
在这里,我们将利用风险中性定价原理来推导 BSM 定价公式。这样可以避免解偏微分方程的复杂度。
14.8.1 计算 payoff 期望
以欧式看涨期权为例,其在到期日 \(T\) 的 payoff 为 \(f =\max(S-K, 0)\)。它的价格应该为 payoff 的期望折现后的值。因此问题转化为求:
其中 \(g(S)\) 代表股票价格为 \(S\) 的概率。那么如何得到 \(g(S)\) 呢?
我们已经假设 \(S\) 服从伊藤过程:
令 \(G = \ln(S)\),由伊藤引理,可以得到:
因此股票价格 取对数后 的变化量 \(\ln(S_T) - \ln(S_0)\) 服从正态分布 \(N((\mu-\frac{1}{2} \sigma^2)T, \sigma^2 T)\)。
为了表示方便,我们记作 \(\ln(S_T)\) 服从 \(N(m, w^2)\)。
令 \(Q = \frac{ \ln(S) - m}{ w}\),则 \(Q\) 服从标准正态分布 \(N(0,1)\)。并有 \(S = e^{Qw + m}\)。
我们可以将 payoff 期望改写为:
分为两部分:
其中\(h(Q)\) 为标准正态分布密度函数:
我们将该式代入第一部分,得到:
假设\(\Phi(x)\)表示标准正态分布变量小于 \(x\) 的概率,则:
同理,对于第二部分,有:
其中:
因此得出结论:
其中:
14.8.2 应用风险中性假设
我们在 14.7 中已经证明了可以使用风险中性定价。那么期望收益 \(\mu\) 和贴现率都等于无风险利率 \(r\)。代入 14.8.1 得出的 payoff,贴现后得出该欧式看涨期权价格:
其中:
利用 put-call-parity:
可以算出对应的欧式看跌期权的价格:
例 1
某欧式看跌期权执行价格为 50$,期限为 3 个月。标的股票当前价格为 50$,波动率为 30%每年。无风险利率为 10% 每年。计算该欧式看跌期权的价格。 如果在 2 个月后将派发 1.5$ 的股息,结果会如何变化?
将 \(K = 50\),\(S_0 = 50\), \(r = 0.1\), \(\sigma = 0.3\), \(T=0.25\)代入 BSM 公式。可以得到:
其中:
有 \(\Phi(-d_1) = 0.4052\), \(\Phi(-d_2) = 0.4641\)。
因此 \(p = 2.372\)。
如果两个月后会派发股息,说明现在的股票价格中包含了股息贴现后的价值。在应用 BSM 公式之前,我们需要先将其去掉。因此:
再按照以上的方法计算,得到 \(d_1 = 0.042\) \(d_2 = -0.108\)。
这符合我们 之前的结论,对于派发股息的股票,看跌期权价值会升高
例 2
股票价格为 $40,期望回报率为 15%,波动率为 25%。则 2 年收益率的概率分布是什么?
股票价格变化满足对数正态分布,即:
假设要求的收益率为 \(r\),满足:
则显然
因此收益率的分布为\(N(0.11875, 0.03125)\)。
例 3
某股票价格服从几何布朗运动,期望回报率为 16%,波动率为 35%,当前价格为 $38。 (a). 某欧式看涨期权执行价格为 $40,到期日为 6 个月后,求它行权的概率。 (b). 与(a)中对应的欧式看跌期权的行权概率是多少
已知股票价格符合几何布朗运动,即满足:
那么有:
求行权概率实质上是求 \(S_T > K\) 的概率。因此:
代入 \(K = 40\) \(S_0 = 38\) \(\mu = 0.16\) \(\sigma = 0.35\) \(T = 0.5\),得到该欧式看涨期权行权概率为 \(\Phi(- 0.007751) = 0.496\)。
看跌期权行权概率即 \(S_T < K\) 的概率,即 \(1 - 0.496 = 0.504\)。
例 4
考虑一个衍生品,其在\(T\) 时刻 payoff 为 \(S_T ^n\),其中 \(S_T\) 是标的股票在 \(T\) 时刻价格,服从几何布朗运动。它在 \(t\) 时刻的价格可以表示为 \(h(t,T)S^n\),其中 \(S\) 表示 \(t\) 时刻股票价格,\(h\) 是关于 \(t\) 和 \(T\) 的函数。
(a) 利用 BSM 偏微分方程推导 \(h(t, T)\) 的微分方程
(b) \(h(t, T)\)的边界条件是什么
(c) 求出 \(h(t, T)\)
(a) 将价格表示为 \(f = h(t,T)S^n\)。则该价格满足微分方程:
我们可以算出
代入有:
(b)
\(h(t, T)\) 满足边界条件 \(h(t, T) |_{t=T} = 1\)
(c)
上式满足
令 \(x = \ln(h)\),则有:
得出
其中 \(C\) 为常数。再根据边界条件 \(x|_{t=T} = \ln(1) = 0\),得出:
因此:
例 5
(a) 证明:在风险中性世界中,一个欧式看涨期权被行权的概率等于\(\Phi(d_2)\)。
(b) 假设一个衍生品 payoff 为 $100 如果股票价格 \(S\) 大于 \(K\),求该衍生品的价格。
(a)
欧式看涨期权被行权的概率是 \(P(S_T > K)\)。而 \(S_T\) 满足:
由于对数函数的单调性,\(P(S_T > K) = P(\ln(S_T) > \ln(K))\),且在风险中性世界中,有 \(\mu = r\),则:
(b)
利用上面的结论,可以得到该衍生品收益期望为 \(100 \Phi(d_2)\),贴现后的即为当前价格:
例 6
某银行的某款理财产品保证投资者在 6 个月后得到:
a. 0,如果股指下跌
b. 40% 股指收益
用股指期权来描述该产品的收益。
假设无风险利率是 8%,股息是 3%,波动率是 25%,这个理财产品值得买吗?
假设目前股指是 \(S_0\),6 个月后股指为 \(S_t\)。我们可以知道其收益为:
因此其实际上是相当于 0.4 倍的执行价格为 \(S_0\) 的欧式看涨期权的收益。
我们可以计算执行价格为 \(S_0\),到期日为 6 个月的欧式期权的价值:
其中
将\(K = S_0\),\(T = 0.5\),\(q = 0.03\),\(r = 0.08\),\(\sigma = 0.25\)代入:
假设投资金额为 \(M\),该理财产品的现金流相当于在 0 时刻,免费获得了 \(0.4 \frac{M}{S_0}\) 份看涨期权,其代价是剩余的资金无法赚取无风险利率。我们需要比较期权的价格以及无风险利率的收益。
现在我们假设有两个 portfolio A 和 B。 - A:全额购买该理财产品 - B:购买了 \(0.4 \frac{M}{ S_0}\) 份看涨期权,剩余资金用于赚取无风险利率
显然 B 购买的期权具有和 A 完全一致的 payoff。我们只需要比较其余资金。
对于 A,六个月后会获得 \(M\) 外加 payoff。
对于 B,除了与 A 一致的 payoff,还有:
因此显然该理财产品不划算。
14.4 计算历史波动率 \(\sigma\)
在 B-S-M 模型中,唯一难以确定的参数就是波动率 \(\sigma\)。在实际中,不能直接使用历史波动率,但是可以作为重要参考。以下提到的波动率都指历史波动率,而非实际(隐含)波动率。
\(\sigma\) 用于衡量股票回报率的不确定性。我们将波动率 \(\sigma\) 定义为 连续复利下股票 1 年中回报率的标准差。它一般在 15% 到 60% 之间。
连续复利下的股票回报率可以表示为:
我们已经假设:
因此回报率满足:
假设我们已经知道以某个较小采样间隔(例如每周) \(\Delta t\) 的股票回报率历史数据,我们可以估计其方差 \(D\)。
假设第 \(i\) 个 \(\Delta t\) 内的回报率为 \(u_i\),其平均值为 \(\overline{u}\)。对于方差 \(D\) 的无偏估计可以表示为:
也可以写为:
然后根据下式求波动率的估计:
这个 \(T\) 表示一年时间,假设 \(\Delta t\) 是周,那么 \(T = 365/7 = 52\)。
例 1
假设我们观察到某个股票在连续 15 个周五的价格为:30.2; 32.0; 31.1; 30.1; 30.2; 30.3; 30.6; 33.0; 32.9; 33.0; 33.5; 33.5; 33.7; 33.5; 33.2。 (a) 估算该股票的波动率 (b) 这个波动率的估计的标准差是多少?
# | 股票价格(\(S\)) | 相对价格(\(S_{i+1}/S_i\)) | 周回报率(\(u = \ln(S_{i+1}/S_i)\)) |
---|---|---|---|
1 | 30.2 | ||
2 | 32.0 | 1.05960 | 0.05789 |
3 | 31.1 | 0.97188 | -0.02853 |
4 | 30.1 | 0.96785 | -0.03268 |
5 | 30.2 | 1.00332 | 0.00332 |
6 | 30.3 | 1.00331 | 0.00331 |
7 | 30.6 | 1.00990 | 0.00985 |
8 | 33.0 | 1.07843 | 0.07551 |
9 | 32.9 | 0.99697 | -0.00303 |
10 | 33.0 | 1.00304 | 0.00303 |
11 | 33.5 | 1.01515 | 0.01504 |
12 | 33.5 | 1.00000 | 0.00000 |
13 | 33.7 | 1.00597 | 0.00595 |
14 | 33.5 | 0.99407 | -0.00595 |
15 | 33.2 | 0.99104 | -0.00900 |
(a)
首先计算得到:
计算得
(b)
这个估计本身的标准差为