从零开始学 Heston
1/5方差是活的
Black-Scholes 把波动率当作印在合约上的固定数字，永远不变。现实世界显然不是这样运作的。Heston 通过为方差赋予自己的随机微分方程来解决这个问题。
在 Black-Scholes 中，现货价格遵循一个具有恒定 σ 的 SDE。每个期权、每个行权价、每个到期日都使用相同的波动率。该模型内部自洽，但却是错误的：市场对每个行权价都报出不同的 σ 。这就是微笑，而 BS 无法产生它。
把现货价格想象成一辆汽车，把方差想象成路面。在 BS 中，道路处处都是完美平滑的沥青。在 Heston 中，路面本身会变化——有时是碎石，有时是冰面，有时是新铺的柏油。汽车会对当前的路面做出反应。路越颠簸，行驶就越颠簸。
Heston 表明：现货像 BS 一样波动，但具有可变的 √v 而非恒定的 σ。而方差遵循其自身的均值回归平方根过程：
第二行： 方差有其自身的漂移项（拉向 θ）以及自身的噪声（由 σ 缩放）。
第三行： 两个布朗运动是相关的。这就是偏斜背后的引擎。
第二个方程是一个 CIR (Cox-Ingersoll-Ross) 过程——与用于利率的过程相同。它有一个内置下限：√v 扩散项随着 v 趋近于零而缩小，从而防止方差变为负值（在适当条件下）。
结果是：波动率可以飙升、消退、聚集，并与现货同向变动。所有这些模式在真实市场中都能观察到。BS 一个都无法重现，而 Heston 可以。
五个参数
Heston 恰好有五个自由参数。每个参数都讲述关于市场行为的不同故事。学会像看仪表盘一样解读它们。
κ (kappa) —— 均值回归速度。 方差被拉回其长期水平的力度有多强。高 κ 意味着波动率飙升是短暂的：过程会快速回弹。低 κ 意味着波动率状态会持续。在加密市场中，κ 往往较低——冲击过后波动率仍维持在高位。
θ (theta) —— 长期方差。 方差随时间趋向的水平。如果您取 √θ，大致可得到长期的平值 (ATM) 波动率。对于 BTC 而言，这通常在年化 50-70% 左右。
σ (sigma) —— 波动率的波动率 (vol-of-vol)。 方差过程本身有多不稳定。当 σ = 0 时，完全没有微笑曲线——您就回到了确定性波动率的世界。随着 σ 增大，微笑曲线的两翼都会抬升。可以这样理解：方差中的随机性越大 = 尾部越厚 = 虚值 (OTM) 期权越贵。
ρ (rho) —— 现货-波动率相关性。 现货变动与波动率变动之间的方向联系。负 ρ 意味着现货下跌、波动率上升。这是偏斜最重要的单一参数。我们将在下一节深入讨论它。
v₀ —— 初始方差。 方差当前所处的位置。如果 v₀ 高于 θ，短期期权会定价当前的压力，而长期期权则会回归正常水平。在波动率飙升之后，v₀ >θ，期限结构随之倒挂。
拖动上方的滑块。一次专注于一个参数。最大的洞见是：ρ 会使微笑曲线向左或向右倾斜。 σ 会使其变宽。 κ/θ/v₀ 设定水平和期限结构。
相关性如何产生偏斜
这是 Heston 的核心数学洞见。负的 ρ 意味着现货下跌时方差往往上升。仅这一个关系就产生了您在股票和加密货币市场中看到的整个左偏微笑曲线。
其机制如下，逐步分解：
1. 现货下跌（dW₁ 为负）。
2. 由于 ρ < 0，dW₂ 往往为正。
3. 正的 dW₂ 会推动方差上升。
4. 更高的方差意味着标的资产现在波动性更大。
5. OTM 的 Put（低行权价）更有可能到期时变为实值。
6. 市场会给它们更高的定价。微笑曲线的左翼抬升。
反之亦然：现货上涨，波动率下降。看涨一侧的期权会失去部分波动率溢价。这就是为什么右翼通常比左翼更平坦。
点击上方三个预设进行切换。差异非常显著：
ρ = −0.7: 强烈的左偏。这正是股票和加密市场的样子。下行保护很昂贵，因为当市场下跌时波动率会飙升。
ρ = 0: 对称的微笑曲线。现货与波动率之间没有方向性偏好。您得到的是纯粹由 vol-of-vol 带来的曲率，但没有倾斜。
ρ = +0.3: 右偏。上行期权相对昂贵。这在实践中很罕见，但可能出现在商品市场中，供给冲击会同时推高价格和不确定性。
ρ 直接映射到 vanna 敞口。Vanna 是 Delta 对波动率变化的敏感度。当ρ 强烈为负时，OTM 的 Put 具有较大的正 vanna：随着波动率上升，它们的 Delta 变得更负。这就是为什么在抛售行情中空头 Put 头寸会更加危险——它们是 vanna 空头。
特征函数
大多数随机波动率模型需要蒙特卡洛模拟来定价。Heston 有一个诀窍：可以通过对已知特征函数进行傅里叶反演来为期权定价。无需模拟。
标准的 Black-Scholes 看涨期权定价公式形式如下 C = S·N(d₁) − K·e−rTN(d₂). Heston 具有类似的结构：
关键对象是特征函数 φ(u)。它编码了关于到期时对数现货价格概率分布的一切信息。可以把它看作该分布在频率空间中的指纹。
为什么可行？三个步骤：
1. 矩生成函数。 由于 Heston SDE 是仿射的（在状态变量上是线性的），其矩生成函数可以求出闭式解。这正是使 Heston 特殊的数学巧合。
2. 特征函数 = 虚轴上的 MGF。 特征函数是 φ(u) = E[eiu·X] where X = ln(ST). 一旦您有了 MGF，您就有了 φ.
3. 反演得到密度，积分得到价格。 标准的傅里叶反演可从 φ 恢复风险中性密度。将该密度与到期收益进行积分即可得到期权价格。这个积分是一维的，在微秒级内收敛。
结果是：完整的微笑曲线在毫秒级而非分钟级内算出。这使校准成为可能。您可以在优化器中对该积分求值数千次，将五个参数拟合到观测到的微笑曲线上。
在 Heston（1993）之前，随机波动率模型已经存在，但并不实用 -- 您必须模拟路径才能为单个期权定价。Heston 的特征函数使随机波动率在交易台上变得可用。每一个后续模型（Bates、双 Heston、rough Bergomi）都试图保留或近似这种傅里叶定价结构。
Heston 何时失效
Heston 很优雅，但有实际局限。方差过程可能触及零，微笑曲线形状对加密货币来说过于僵化，而五参数拟合问题是布满局部最优解的雷区。
Feller 条件。 为使方差保持严格为正，您需要满足：
在实践中，拟合出的 Heston 参数经常违反 Feller 条件。市场想要的 vol-of-vol（σ）超过了 Feller 条件所允许的范围。当被违反时，方差过程可能触及零，必须进行"反射"或"吸收"——这会带来数值上的麻烦，并使模型在尾翼处不太可靠。
向上调整 σ，观察 Feller 条件被打破。红色路径触及零。在真实的定价引擎中，这些触零情况需要特殊处理，既拖慢速度，又引入细微误差。
加密微笑曲线过于陡峭。 短期加密期权往往具有极其陡峭的偏斜和很宽的尾翼。Heston 的 CIR 方差过程过于平滑，无法捕捉这一点。该模型的尾翼行为趋近于一个恒定的斜率，但真实的加密尾翼比这更陡。这就是为什么加密交易台会使用 SVI 或 SSVI 进行曲面拟合，并将 Heston 视为一种概念工具，而非生产级的拟合引擎。
五参数拟合是不稳定的。 不同的参数组合可以产生几乎相同的微笑曲线。优化器存在多个局部最小值。逐日校准可能在差异极大的参数集之间跳变，却产生相似的价格。这使得对冲变得不可靠，因为 Greeks 取决于您最终落在哪个参数集上。
解决这些问题的扩展模型：
Bates = Heston + 跳跃。 在现货过程中加入一个跳跃分量，可以让您获得更肥的短期尾部，而无需使用不合理的 σ 值。跳跃强度和跳跃幅度增加了额外的参数，但特征函数仍具有半闭式形式。
随机局部波动率 (SLV)。 将 Heston 式的随机方差与局部波动率叠加相结合。您既能获得对观测曲面的精确校准（来自局部波动率），又能获得真实的动态特性（来自随机分量）。这正是许多生产级交易台实际运行的模型。
Rough Bergomi。 用分数布朗运动（Hurst 参数 H 接近 0.1）替代平滑的 CIR 方差过程。方差路径变得粗糙且锯齿状，能更好地匹配观测到的波动率行为。代价是：没有闭式特征函数。
接下来去哪里：
SVI 参数化 -- 加密货币波动率曲面的微笑拟合标准
SABR 模型 -- 无均值回归的随机波动率，拟合更简单
Rough Bergomi -- 分数随机波动率，粗糙路径
插值方法 -- 所有方法的比较