好的，我们来对CEV模型（常方差弹性模型） 进行一次详细的解析。这是一个在金融工程和期权定价领域非常重要且实用的模型。
一、CEV模型是什么？
CEV 的全称是 Constant Elasticity of Variance，即常方差弹性模型。它是一个用于描述资产价格（如股票）动态变化的随机过程模型，由约翰·考克斯（John C. Cox）于1975年提出。
CEV模型是经典布莱克-斯科尔斯（Black-Scholes）模型 的重要扩展。在BS模型中，资产的波动率被假设为常数。然而，大量的实证研究表明，真实市场的波动率并非恒定不变，它与资产价格水平密切相关，尤其是在市场大幅下跌时，波动率会显著上升（即所谓的“杠杆效应”）。
CEV模型通过引入一个弹性参数，成功地捕捉到了资产价格与波动率之间的这种关系。
二、模型的定义与数学表达
在CEV模型中，资产价格 $S_t$ 的随机微分方程（SDE）为：
$$ dS_t = \mu S_t dt + \sigma S_t^{\gamma} dW_t $$
其中：
$S_t$： 在时间 $t$ 的资产价格。
$\mu$： 资产的预期收益率（漂移项）。
$\sigma$： 尺度参数，可以理解为波动率的系数。
$\gamma$： 方差弹性系数（Elasticity Parameter），这是CEV模型最核心的参数，决定了波动率与股价之间的关系。
$dW_t$： 标准维纳过程（Wiener Process），代表随机冲击。
核心：$\gamma$ 参数的意义
关键在于 $\gamma$ 的取值，它决定了波动率（扩散项 $\sigma S_t^{\gamma}$）如何随资产价格 $S_t$ 变化：
当 $\gamma = 1$ 时：
扩散项变为 $\sigma S_t dW_t$。
瞬时方差为 $\sigma^2 S_t^2$。
这完全退化为了经典的布莱克-斯科尔斯模型，波动率为常数 $\sigma$。
当 $\gamma < 1$ 时（最常见的情形）：
例如 $\gamma = 0.5$，则扩散项为 $\sigma S_t^{0.5} dW_t$。
瞬时方差为 $\sigma^2 S_t^{2\gamma} = \sigma^2 S_t$。
波动率与股价的平方根成反比：股价 $S_t$ 下跌 -> 瞬时方差 $\sigma^2 S_t$ 变小 -> 但波动率（标准差）$\sigma \sqrt{S_t}$ 会相对上升。这完美地解释了杠杆效应：公司股价下跌导致其债务杠杆上升，风险增大，从而股价波动更加剧烈。这是CEV模型最常用的设定。
当 $\gamma > 1$ 时：
例如 $\gamma = 2$，则扩散项为 $\sigma S_t^{2} dW_t$。
瞬时方差为 $\sigma^2 S_t^{4}$。
波动率与股价成正比：股价上涨反而导致波动率增大。这种现象在某些商品市场（如能源）中可能被观察到，但股票市场中较为罕见。
三、CEV模型的主要特征
非恒定波动率（Volatility Smile/Skew）：
CEV模型可以天然地生成波动率微笑（Volatility Smile） 或波动率偏斜（Volatility Skew）。
当 $\gamma < 1$ 时，模型会为低执行价的期权（价外看跌期权）赋予更高的隐含波动率，而为高执行价的期权（价外看涨期权）赋予更低的隐含波动率，这与股票指数期权市场中观察到的负偏斜（Negative Skew） 现象一致。
价格分布的非正态性：
在BS模型中，资产回报率服从对数正态分布。
在CEV模型中（$\gamma \neq 1$），资产价格的分布不再是对数正态分布。当 $\gamma < 1$ 时，分布是负偏的，并且具有更厚的左尾（即大幅下跌的概率比BS模型预测的更高），这更符合现实。
吸收边界（Absorbing Barrier） at Zero：
当 $\gamma < 1$ 时，资产价格有正的概率在有限时间内跌至零（即公司破产）。一旦价格达到零，它将被“吸收”并保持为零。
这是一个非常符合现实的特性，而BS模型中股价则永远不可能真正触及零。
四、CEV模型的期权定价
CEV模型下的欧式期权没有像BS公式那样的简洁封闭解，但其定价公式可以表示为非中心卡方分布（Non-central Chi-square Distribution） 的互补累积分布函数。
对于一个行权价为 $K$，到期日为 $T$ 的欧式看涨期权，其定价公式为：
$$ C(S, t) = S_t Q(\chi^2(\cdot); \cdot) - K e^{-r(T-t)} $$1 - Q(\chi^2(\cdot); \cdot)$$ $$
对于一个欧式看跌期权：
$$ P(S, t) = K e^{-r(T-t)} Q(\chi^2(\cdot); \cdot) - S_t $$1 - Q(\chi^2(\cdot); \cdot)$$ $$
其中 $Q(\chi^2(\cdot); \cdot)$ 代表非中心卡方分布的互补累积分布函数，其参数非常复杂，具体形式取决于 $\gamma$ 是大于1还是小于1。在实际应用中，通常通过数值方法或查询预先计算好的分布表来求解。
由于其复杂性，在实际交易系统中，更常见的做法是：
使用有限差分法或蒙特卡罗模拟来数值求解CEV下的期权价格。
使用CEV模型来校准隐含参数（特别是 $\gamma$），然后用于计算更 exotic 的期权价格。
五、参数估计
校准CEV模型主要是估计两个参数：波动率系数 $\sigma$ 和弹性系数 $\gamma$。
基于历史价格数据：
可以对资产价格的时间序列数据进行最大似然估计（MLE）来拟合出 $\sigma$ 和 $\gamma$。
基于期权市场数据：
这是更常见的方法。使用市场上不同执行价的欧式期权的报价，通过最小化模型价格与市场价格的误差（如最小二乘法）来反向推导出最合适的 $\sigma$ 和 $\gamma$。
这个过程称为模型校准。校准得到的 $\gamma$ 值通常小于1，对于股票指数（如S&P 500），$\gamma$ 通常在0.6到0.8之间。
六、优缺点总结
优点：
更符合实际：成功捕捉了波动率与股价之间的负相关关系（杠杆效应）。
解释了波动率微笑：为期权市场上观察到的隐含波动率曲线提供了一个理论框架。
包含破产可能性：允许资产价格在有限时间内跌至零，更现实。
缺点：
计算复杂：期权定价公式涉及复杂的特殊函数，计算速度慢于BS公式。
灵活性仍有限：虽然比BS模型好，但CEV模型仍然用一个固定的 $\gamma$ 来描述整个期限结构和微笑曲线，有时可能不够精确。更复杂的模型（如局部波动率模型、随机波动率模型）在此基础上进一步发展。
参数校准：$\gamma$ 的校准需要充足的市场数据，且其稳定性可能需要关注。
七、与其他模型的关系
Black-Scholes模型：是CEV模型在 $\gamma=1$ 时的一个特例。
平方根模型（CIR模型）：如果CEV模型中的漂移项是均值回归的（如 $dS_t = \kappa(\theta - S_t)dt + \sigma S_t^{\gamma} dW_t$），当 $\gamma=0.5$ 时，就变成了著名的CIR模型，广泛用于利率建模。
局部波动率模型（Dupire模型）：可以看作是CEV模型的进一步推广，允许波动率同时是价格和时间的函数 $\sigma(S_t, t)$，灵活性大大增强。
希望这份详细的解释能帮助你全面理解CEV模型。
系统当前共有 481 篇文章