CGMY模型下ATM期权定价的高阶渐近展开：从Laplace积分到漂移-二项式结构

2026/6/25 21:37:38

1. 从“ATM”的歧义谈起：金融期权与通信信元

最近在社区里看到不少关于“ATM”的讨论，发现一个挺有意思的现象：金融圈的朋友在聊“ATM期权”的定价模型，而隔壁技术圈的朋友可能在讨论“ATM取款机”的案例设计，甚至还有通信领域的“ATM信元”。这几个“ATM”虽然缩写相同，但内涵天差地别。我作为一个在量化金融领域摸爬滚打多年的从业者，今天想聊的，自然是那个让无数定价模型头疼的“At-The-Money”期权，也就是平值期权。

为什么平值期权这么特殊？因为它正好处在“价内”和“价外”的临界点上。对于认购期权，当标的资产价格等于行权价时，它就是平值；对于认沽期权，同理。这个位置非常微妙——期权的内在价值为零，其价格完全由时间价值构成。而时间价值，又极度依赖于我们对未来资产价格波动路径的预期。因此，平值期权的定价，就像在刀尖上跳舞，对模型假设的细微差异都异常敏感。传统的Black-Scholes模型在这里常常失灵，因为它假设资产价格服从几何布朗运动，波动率是常数，这与现实中观察到的“波动率微笑”或“偏斜”现象严重不符。

这就引出了我们今天要深入探讨的核心：如何更精确地为平值期权定价？一个强有力的工具是CGMY模型。这不是一个凭空冒出来的模型，而是为了捕捉真实金融市场中资产收益率分布的“尖峰厚尾”和“非对称性”而生的。CGMY属于一类更广泛的模型家族——指数型Lévy过程。你可以把它理解为对布朗运动的一种“改良”或“扩展”，它允许价格在极短时间内发生跳跃，并且跳跃的幅度和频率可以用更灵活的参数来控制。CGMY四个字母分别代表了模型的四个关键参数，它们共同刻画了这种跳跃行为的精细结构。在平值点附近，由于标的资产价格“悬停”在行权价上，这些跳跃特性对期权价格的影响会被放大，因此使用CGMY这类高级模型变得尤为必要。

然而，直接使用CGMY模型进行期权定价计算，在平值点附近可能会遇到数值上的挑战。模型给出的价格公式往往涉及复杂的积分（比如标题中提到的Laplace积分），直接数值求积在ATM点可能收敛较慢或不够稳定。这就催生了我们今天要讨论的主题：对CGMY模型下的ATM期权价格进行高阶渐近展开。简单说，我们不想硬算那个复杂的积分，而是想找到一个当标的资产价格非常接近行权价时，期权价格的近似公式。这个近似公式是一个“级数展开式”，就像用多项式去逼近一个复杂函数。展开的阶数越高，逼近的精度就越高。而“从Laplace积分到漂移-二项式结构”则揭示了我们达成这一目标的两步关键数学技术路径。

2. CGMY模型的核心：刻画现实世界的跳跃

在深入展开之前，我们必须先理解CGMY模型究竟在描述什么。Black-Scholes模型的世界是“连续”且“平滑”的，资产价格像溪流一样潺潺流动。但真实的市场更像是一片偶尔泛起涟漪、但时常惊涛骇浪的海洋——有持续的微小波动，也有突如其来的暴涨暴跌（比如财报发布、黑天鹅事件）。CGMY模型就是为了描述这片海洋而设计的。

CGMY是一个四参数模型，其名称来源于四位提出者（Carr, Geman, Madan, Yor）的姓氏首字母。它定义了一个Lévy过程，其Lévy测度（用来描述跳跃强度和大小分布的核心工具）具有如下形式：

ν(dx) = C * ( e^{-G|x|} / |x|^{1+Y} * 1_{x<0} + e^{-M|x|} / |x|^{1+Y} * 1_{x>0} ) dx

这个公式看起来复杂，但我们可以拆解其经济含义：

C > 0：总体活动率参数。它控制了跳跃发生的整体频率，C越大，市场越“活跃”，跳跃事件越多。
G ≥ 0, M ≥ 0：分别控制负向（下跌）和正向（上涨）跳跃的衰减速率。G越大，大的负向跳跃发生的可能性越小；M越大，大的正向跳跃发生的可能性越小。它们共同决定了跳跃分布的“偏斜”程度。如果G和M不相等，就意味着上涨和下跌的跳跃行为不对称，这能很好地刻画市场恐惧（下跌恐慌往往更剧烈）导致的波动率偏斜。
Y < 2：这是最关键的一个参数，称为Blumenthal-Getoor指数。它决定了小跳跃活动的强度，进而影响了过程的路径性质。
- 当 Y < 0 时，过程是有限活动跳跃的（类似Merton跳跃扩散模型）。
- 当 0 ≤ Y < 1 时，过程是无限活动但有限变差的。这意味着在任意短的时间区间内，价格路径的总变动是有限的，但跳跃次数是无限的（主要是无数个非常微小的跳跃）。
- 当 1 ≤ Y < 2 时，过程是无限活动且无限变差的。这是最有趣也最符合高频数据观察的情况，路径在任意小区间内都极其“粗糙”，由无数小跳跃主导，同时夹杂着大跳跃。

正是这个Y参数，让CGMY模型能够产生比布朗运动“更粗糙”的价格路径，从而拟合实际数据中观察到的资产收益率分布的“尖峰厚尾”特征。尖峰（高峰度）意味着极端收益率（无论涨跌）出现的概率比正态分布预测的更高；厚尾则特指出现极大涨跌幅的概率更高。

在期权定价中，我们关心的是风险中性测度下的过程。这通常需要对原过程的漂移项进行调整，以确保贴现后的资产价格是一个鞅（公平博弈）。对于CGMY过程，这个调整体现在一个特定的漂移项补偿上。经过调整后，在风险中性世界下，资产价格过程 S_t 可以表示为： S_t = S_0 * exp( (r - q + ω)t + X_t ) 其中，r是无风险利率，q是股息率，X_t是纯跳跃的CGMY过程，ω是凸性调整项（convexity correction），它的存在正是为了确保exp(X_t)的期望等于1，从而满足鞅条件。ω的具体表达式由CGMY过程的特征函数决定，计算中必须精确处理。

3. 定价难题：特征函数与Laplace积分的挑战

有了风险中性过程，期权价格理论上可以通过风险中性定价公式计算。对于欧式看涨期权，其价格C为： C = e^{-rT} * E[max(S_T - K, 0)] 其中K是行权价，T是到期时间。

对于CGMY这类指数Lévy模型，一个强大且通用的工具是傅里叶变换方法。其核心在于利用过程的特征函数。特征函数φ(u)是概率分布傅里叶变换的期望，对于CGMY过程，它有解析表达式，这比直接处理概率密度函数要方便得多。

基于特征函数，看涨期权价格可以通过著名的Carr-Madan公式或Lewis公式表示为傅里叶逆积分的形式。以Lewis公式为例，看涨期权价格可以写为： C = S_0 e^{-qT} - (√(S_0K) e^{-(r+q)T/2} / π) * ∫_0^∞ Re[ e^{-i u \ln(K/S_0)} * φ(u - i/2) / (u^2 + 1/4) ] du

这个公式将期权价格计算转化为一个在无穷区间上的积分问题。虽然可以通过数值积分（如FFT、COS方法）高效计算大部分情况下的价格，但在ATM点（即S_0 ≈ K），这个被积函数在u=0附近的行为会变得比较特殊，有时会导致数值积分精度下降或需要更精细的网格划分，计算效率受到影响。

另一种等价的思路是将问题转化为计算一个Laplace型积分。通过变量代换和概率论中的Wiener-Hopf分解等技术，ATM期权的价格（或与其密切相关的“溢价”）有时可以表达为如下形式的积分： I(ε) = ∫_0^∞ e^{-ε * ψ(λ)} * g(λ) dλ 其中，ε是一个小参数，可以理解为到期时间T，或者标的资产对数价格与行权价的对数之差（即moneyness，在ATM点接近于0）。函数ψ(λ)和g(λ)由CGMY过程的特征指数决定。

当ε很小时（对应短期期权或极度接近平值），这就是一个典型的Laplace积分。计算这类积分的主流数值方法（如高斯-拉盖尔求积）在ε→0时可能会遇到困难，因为被积函数e^{-εψ(λ)}在λ很大时衰减很慢。此时，我们需要的是一种当ε趋于0时的渐近展开方法，来给出期权价格关于小参数ε的近似解析表达式。这就是“高阶展开”的意义所在——我们不是去硬算那个积分，而是去寻找一个当ε很小时的幂级数近似。

4. 渐近展开的利器：Watson引理与漂移变换

要对形如 I(ε) = ∫_0^∞ e^{-ε ψ(λ)} g(λ) dλ 的积分进行小参数ε展开，数学上经典的武器是Watson引理。它的核心思想是：如果函数g(λ)在λ=0附近可以展开成幂级数形式，并且积分在无穷远处收敛得足够快，那么整个积分I(ε)就可以展开为ε的幂级数。每一项的系数由g(λ)在λ=0处的导数以及函数ψ(λ)在λ=0处的行为共同决定。

然而，直接将Watson引理应用于CGMY期权定价的Laplace积分会遇到一个障碍：对于CGMY过程，其特征指数（对应ψ(λ)）在λ=0处可能具有奇异性（特别是当Y ≥ 1时），这使得标准的Watson引理无法直接应用。函数g(λ)在λ=0处的展开也可能不简单。

为了解决这个问题，我们需要引入一个关键的技巧：漂移变换（Drift Change），或者更专业地说，测度变换。这个想法来源于概率论中的Esscher变换。其基本思路是，我们不对原始的风险中性测度P进行积分，而是引入一个新的辅助测度Q_θ，其Radon-Nikodym导数与exp(θ X_t)成比例。通过精心选择参数θ，我们可以改变原过程X_t的分布特性。

在ATM期权定价的语境下，我们通常会选择θ = 1/2。进行这个特定的测度变换后，一个神奇的效果出现了：在新的测度Q_(1/2)下，原CGMY过程的概率对称性得到了极大改善。更具体地说，变换后的过程，其正负跳跃的统计特性变得更加平衡。这种对称化处理，极大地简化了后续的渐近分析。

从积分表达式的角度看，这个测度变换相当于在被积函数中引入了一个指数因子e^{θ λ}，从而改变了ψ(λ)的形式。经过变换后，新的“有效”特征函数在λ=0附近的行为变得更加良好，使得Watson引理的应用成为可能。这一步，是从原始复杂积分走向可展开形式的关键桥梁。

5. 构建“漂移-二项式”结构：离散化与递归关系

经过漂移变换的“预处理”后，我们得到了一个行为更友好的Laplace积分。但如何系统性地得到它的高阶展开项呢？这里就引入了标题中后半部分的核心概念：漂移-二项式结构。

这并非指我们真的用二项式树来给期权定价，而是指在推导展开系数的过程中，会出现一种类似于二项式系数递归关系的数学结构。其推导过程通常如下：

写出变换后的积分表达式：在测度Q_(1/2)下，ATM看涨期权的价格（或时间价值）可以表示为某个积分I(ε)。这个积分中的被积函数，其核心部分包含了变换后CGMY过程的特征函数的一个特定组合。
将被积函数展开为幂级数：利用复变函数的知识，将变换后的特征函数在λ=0附近进行劳伦特展开（Laurent expansion）。由于CGMY特征函数的特殊性，这个展开式会包含λ的分数幂次项（因为参数Y不是整数）。展开后，整个被积函数g(λ)就可以写成一系列形如λ^{α_k}的项的和，其中α_k可能为分数。
逐项应用广义Watson引理：对于展开后的每一项c_k * λ^{α_k} * e^{-ε ψ(λ)}，我们可以应用推广的Watson引理（允许ψ(λ)在原点有特定形式的奇异性）。每一项积分会给出一个关于ε的渐近贡献，形式为 Γ(β_k) * c_k * ε^{-β_k}，其中Γ是伽马函数，指数β_k与α_k和ψ(λ)在原点的主导项阶数有关。
系数的递归生成——“二项式”结构的涌现：当我们将特征函数的展开式代入时，c_k这些系数并不是独立的。它们之间通过CGMY模型的参数（C, G, M, Y）以一种递归的方式相互关联。仔细组织这些项，你会发现，高阶项的系数可以由低阶项的系数通过一种固定的线性组合规则生成，这种组合规则类似于二项式系数的递推关系（如帕斯卡三角形），只不过这里的“系数”是包含了模型参数的更复杂表达式。因此，我们称之为“漂移-二项式”结构。“漂移”指的是我们之前所做的测度变换（漂移调整），“二项式”描述了系数生成的模式。

这种结构的美妙之处在于可计算性。一旦我们推导出这个递归关系，就可以像套公式一样，从最低阶（主导项）开始，一步步计算出任意高阶的展开系数，而无需每次都重新进行复杂的积分渐近分析。这为编写高效、稳定的计算程序提供了可能。

6. ATM价格高阶展开式的具体形式与应用

通过上述一系列步骤，我们可以得到CGMY模型下，ATM欧式看涨（或看跌）期权时间价值的渐近展开式。一个典型的形式如下：

V_ATM ≈ S_0 * e^{-qT} * [ σ_eff * √(T/(2π)) + a_1 * T^{(3-Y)/2} + a_2 * T^{(4-Y)/2} + a_3 * T^{(5-Y)/2} + ... ]

让我们来详细解读这个公式的每一部分：

V_ATM：平值期权的价格（通常指时间价值部分，因为内在价值为0）。
S_0 * e^{-qT}：这是标的资产现货价格经过股息调整后的现值，一个缩放因子。
主导项 σ_eff * √(T/(2π))：这是展开式的第一项，也是最重要的一项。它看起来非常像Black-Scholes公式中ATM期权价格的主导项。这里的σ_eff是一个“有效波动率”，但它不是常数，而是由CGMY模型参数推导出来的、与时间T有关的量。对于CGMY过程，σ_eff通常包含一个与T^{(Y/2)-1}成正比的项，这反映了无限活跃跳跃过程对“瞬时”波动率的贡献。这一项抓住了ATM价格关于到期时间T的平方根依赖关系，这是扩散过程的主要特征。
高阶修正项 a_k * T^{γ_k}：从第二项开始，a_1, a_2, ... 就是通过“漂移-二项式”结构递归计算出的系数。指数γ_k = (k+2 - Y)/2，它们是与跳跃活动指数Y相关的分数幂。这些项修正了纯扩散（布朗运动）假设带来的偏差。
- 例如，a_1 * T^{(3-Y)/2} 项捕捉了由于跳跃非对称性（G≠M导致的偏斜）对ATM价格的一阶影响。
- 更高阶的项则包含了更复杂的跳跃矩信息（如峰度等）的贡献。
参数依赖：所有系数a_k都是C, G, M, Y四个模型参数的函数。系数a_k的表达式会相当复杂，但通过之前建立的递归关系可以系统性地求出。

这个展开式的威力体现在哪里？

计算速度与稳定性：对于短期期权（T很小）或极度平值的期权，直接数值积分可能需要非常精细的网格来保证ATM点的精度。而使用这个展开式，你只需要计算几个幂次项和已知的系数，计算是瞬间完成的，且避免了数值积分在奇点附近的潜在不稳定问题。
模型校准的加速：在利用市场期权价格数据来反推（校准）CGMY模型参数时，需要反复计算模型理论价格与市场价格之间的误差。在优化循环中，成千上万次的价格计算是家常便饭。在ATM点使用这个高精度展开式替代完整的数值积分，可以极大提升单次定价速度，从而显著加快整个校准过程的效率。
风险管理的解析洞察：展开式以解析的形式展示了期权价格如何依赖于各个模型参数（C, G, M, Y）和时间T。这使得计算希腊字母（Greeks）变得相对直接，例如可以通过对展开式求偏导来近似计算Vega、Gamma等在ATM点的值，有助于交易员快速评估和管理风险。
理论验证与极限行为分析：展开式清晰地揭示了当T→0（到期时间极短）或Y取特殊值（如Y=0，对应有限跳跃活动）时，ATM价格的主导行为是什么。这有助于从理论上理解模型在不同极限下的表现，并与经典模型（如Black-Scholes、Merton跳跃模型）进行交叉验证。

注意：这个展开式是一个渐近展开，而非收敛级数。这意味着存在一个“最优截断”阶数。对于固定的T，添加更高阶的项并不会无限提高精度，超过某一阶后，误差反而可能开始增大。在实际应用中，通常取前3到5项就能达到极高的精度（与直接数值积分相比，误差可控制在10^-5以内）。

7. 实战心得：从理论到代码的注意事项

在理论层面理清了脉络后，将其转化为可运行的代码是另一个战场。以下是我在实现CGMY模型ATM价格高阶展开时积累的一些实操心得和容易踩的坑：

7.1 系数计算的稳定性

递归计算高阶系数a_k时，表达式中会频繁出现伽马函数Γ(z)、幂函数和模型参数的组合。当参数Y接近其定义域的边界（如接近0, 1, 2）时，某些中间项可能会出现数值上的“病态”（如非常接近0除0或无穷大）。例如，公式中经常出现形如1 / Γ(1-Y)的项，当Y接近1时，Γ(0)是发散的。

应对策略：在代码中，必须为这些临界情况编写特例处理。对于Y接近整数的情况，需要使用伽马函数的级数展开或反射公式来计算其极限值。一个稳健的做法是，在计算任何包含Γ(1-Y)或类似因子的表达式前，先判断|1-Y|是否小于一个阈值（如1e-8），如果是，则切换到基于Y=1的极限公式。这些极限公式需要从展开式的原始推导中单独求出。

7.2 有效波动率σ_eff的计算

σ_eff并非一个简单的参数，它的表达式为：σ_eff^2 = σ_diffusion^2 + σ_jump^2(T)。其中，σ_diffusion^2可能来自模型可能包含的布朗运动部分（纯CGMY没有扩散部分，但扩展模型可能有），而σ_jump^2(T)来自CGMY跳跃部分的方差率，它通常与T^{Y-1}成正比。这意味着对于Y≠1的情况，σ_eff是依赖于时间T的。

常见错误：误将σ_eff当作常数，或者错误地使用了CGMY过程的瞬时方差率（与T无关的那个）。必须严格按照展开式推导中得到的公式来计算σ_eff，它通常是模型参数和T的函数。
验证方法：一个简单的验证是，计算极短期（T=1e-5）的ATM期权价格，其主导项σ_eff√(T/2π)应该非常接近基于模型特征函数通过数值微分得到的隐含波动率（如果模型包含扩散项，则需小心区分）。

7.3 展开阶数的选择与精度控制

如前所述，渐近展开存在最优截断。盲目增加阶数不一定会提升精度。

实操建议：对于一个给定的模型参数集和期限T，可以设计一个简单的测试：分别计算1阶、2阶、3阶、4阶展开式的价格，并与高精度的数值积分基准（例如使用自适应积分或高精度COS方法）进行比较。观察误差随阶数变化的曲线。通常会发现，误差先迅速下降，在某个阶数达到最小，然后开始缓慢上升或震荡。将这个“最优阶数”记录为该组参数和T的推荐阶数。在实际应用中，可以预先计算一个“最优阶数查询表”，或者实现一个简单的自适应逻辑：如果加入下一阶后价格变化小于某个容差，则停止。

7.4 与数值积分法的混合使用

高阶展开式在ATM点附近和短期T下表现卓越，但当期权偏离平值（moneyness绝对值较大）或期限较长时，其精度可能会下降。一个稳健的定价库不应只依赖一种方法。

混合策略：实现一个“调度器”逻辑。定义一个“ATM区域”，例如|ln(S0/K)| < 0.02且T < 0.25（即3个月内、2%以内价平）。对于落在这个区域内的期权，使用高阶展开式计算。对于区域外的期权，则切换回经过充分验证的数值积分方法（如FFT或COS方法）。这样可以兼顾计算速度和全局精度。

7.5 模型参数边界的测试

CGMY模型的参数有定义域（C>0, G≥0, M≥0, Y<2）。在代码测试阶段，必须有意识地在参数空间的边界附近进行测试。