第一章：导论

——为什么需要随机波动率模型？

本笔记基于 Bergomi《Stochastic Volatility Modeling》第一章，按原书行文结构整理，兼顾数学推导的经济直觉与实务启发。

1. 核心问题的提出

Bergomi 在开篇抛出了一组根本性的问题：交易员为什么要使用随机波动率模型？它解决了什么问题？为什么仅靠 Delta 对冲是不够的？

全章的论证分三个层次递进。第一层揭示 Black-Scholes 方程的本质——它是一个损益会计工具，而非对标的资产动态的刻画。第二层用具体计算证明，纯 Delta 对冲在真实市场中无法将 P&L 风险控制在可接受范围内。第三层说明，一旦引入期权作为对冲工具，就必须为隐含波动率的动态建模——这正是随机波动率模型的任务所在。

视角前提：模型的价值不在于对标的资产历史动态的拟合精度，而在于能否为对冲头寸提供一套自洽的 P&L 分解框架。计量经济学家基于拟合优度批评 Black-Scholes 模型，但这种"规范性思维"在交易实践中并不适用——真实资产的动态不规则，无法被任何单一模型精确刻画，且交易员必须在期权市场价格下动态交易，而非坐等到期收益。

2. Black-Scholes 方程的损益会计推导（§1.1）

2.1 问题设定

假设交易台上的量化团队提供了一个期权定价函数 $P (t, S)$ ，我们作为风险管理者，不知道其内部实现，如何判断它是否适合用于风险管理？

第一个检验：到期条件必须满足

P (T, S) = f (S), \forall S (1.1)

通过这一检验后，考察 Delta 对冲头寸的 P&L。

2.2 P&L 的推导

在 $[t, t + δ t]$ 区间内，卖出期权并用 $Δ$ 份标的资产对冲，P&L 由两部分构成——期权空头本身的损益（含期权费的利息收入）以及 Delta 对冲头寸的损益（含借款成本和持股收益）：

P&L = - [P (t + δ t, S + δ S) - P (t, S)] + r P δ t + Δ (δ S - r S δ t + q S δ t)

选取 $Δ = \frac{d P}{d S}$ 消去 $δ S$ 的一阶项。由于收益率方差近似与时间尺度成正比（即回报无序列相关），有 $⟨ δ S^{2} ⟩ \sim δ t$ ，因此 $δ S \sim δ t$ ，交叉项 $δ S \cdot δ t \sim δ t^{3/2}$ 在 $δ t \to 0$ 时可忽略。展开至 $δ t$ 一阶、 $δ S$ 二阶，得到持仓损益（carry P&L）：

P&L = - A (t, S) （ Theta 部分） (\frac{d P}{d t} - r P + (r - q) S \frac{d P}{d S}) δ t - B (t, S) （ Gamma 部分） \frac{1}{2} S^{2} \frac{d ^{2} P}{d S ^{2}} (\frac{δ S}{S})^{2} (1.2)

各项的经济含义：

$A$ 中的三项分别对应：期权的时间衰减 $\frac{d P}{d t}$ 、期权费的利息收入 $- r P$ 、Delta 对冲头寸的融资净成本 $(r - q) S \frac{d P}{d S}$ 。 $A$ 是确定性的。
$B = \frac{1}{2} S^{2} \frac{d ^{2} P}{d S ^{2}}$ 是美元 Gamma，乘以日对数收益率平方 $(δ S / S)^{2}$ ，构成随机损益项。

简记为：

P&L = - A (t, S) δ t - B (t, S) (\frac{δ S}{S})^{2} (1.3)

2.3 模型可用性条件

由于 Gamma 项是随机的，P&L 无法精确为零。分析 $A$ 、 $B$ 符号的三种情形：

$A$	$B$	结果	判断
$\geq 0$	$\geq 0$	无论 $δ S$ 如何，持续亏损	定价过低，模型不可用
$\leq 0$	$\leq 0$	无论 $δ S$ 如何，持续盈利	定价过高，模型不可用
异号	异号	存在盈亏平衡水平	模型可用

$A$ 与 $B$ 异号是模型可用的必要条件。此时盈亏平衡收益率水平为 $\frac{δ S}{S} = \pm - A / B δ t$ 。

进一步引入一个自然的风险管理准则——平均不盈不亏：设 $\overset{σ}{^}$ 为标的历史波动率（ $⟨(δ S / S)^{2} ⟩ = \overset{σ}{^}^{2} δ t$ ），要求

A (t, S) = - \overset{σ}{^}^{2} B (t, S), \forall S, \forall t

代入 $A$ 、 $B$ 的表达式，即得到 Black-Scholes 方程：

\frac{d P _{\overset{σ}{^}}}{d t} - r P_{\overset{σ}{^}} + (r - q) S \frac{d P _{\overset{σ}{^}}}{d S} + \frac{σ ^ ^{2}}{2} S^{2} \frac{d ^{2} P _{\overset{σ}{^}}}{d S ^{2}} = 0 (1.4)

将此条件代回式（1.2），得到全书最核心的损益公式：

P&L = - 美元 Gamma \frac{S ^{2}}{2} \frac{d ^{2} P _{\overset{σ}{^}}}{d S ^{2}} 实现方差 \frac{δ S ^{2}}{S ^{2}} - 隐含方差 \overset{σ}{^}^{2} δ t (1.5)

公式（1.5）的直觉极为清晰：Delta 对冲后的日 P&L，完全由实现方差与隐含方差之差决定，权重是期权的美元 Gamma。Gamma 为正（多 Gamma）时，若实现波动率超过隐含波动率则盈利；Gamma 为负（空 Gamma）时方向相反。

推导方向的颠覆性：这个论证从损益会计出发，无需任何关于布朗运动或对数正态分布的假设，自然导出了 Black-Scholes 方程（1.4）。方程（1.4）恰好是抛物型 PDE，存在概率论解释（解可写为扩散过程 $d S_{t} = (r - q) S_{t} d t + \overset{σ}{^} S_{t} d W_{t}$ 下收益的期望值），但这是数学上的对应，不是建模的起点。

2.4 多资产情形推广

当使用多个对冲工具时，定价函数为 $P (t, S_{1}, \dots, S_{n})$ ，P&L 推广为：

P&L = - A (t, S) δ t - \frac{1}{2} ij \sum ϕ_{ij} (t, S) （交叉美元 Gamma ） S_{i} S_{j} \frac{d ^{2} P}{d S _{i} d S _{j}} \frac{δ S _{i}}{S _{i}} \frac{δ S _{j}}{S _{j}} (1.6)

对 $ϕ$ （实对称矩阵）做特征值分解 $ϕ = T φ T^{⊤}$ ，令 $δ z_{k} = T_{k}^{⊤} U$ （ $U_{i} = δ S_{i} / S_{i}$ ），Gamma 项对角化为 $\sum_{k} φ_{k} δ z_{k}^{2}$ ，将多资产问题还原为若干单资产 P&L 之和：

P&L = - A δ t - \frac{1}{2} k \sum φ_{k} δ z_{k}^{2}

模型可用等价于存在正数 $ω_{k} > 0$ 使得 $A = - \frac{1}{2} \sum_{k} φ_{k} ω_{k}$ 。令 $C = T ω T^{⊤}$ （ $ω$ 为以 $ω_{k}$ 为对角元的矩阵），则 $C$ 是正定矩阵，且：

A = - \frac{1}{2} tr (ϕC) = - \frac{1}{2} ij \sum ϕ_{ij} C_{ij}

P&L 可写成对称形式：

P&L = - \frac{1}{2} ij \sum ϕ_{ij} (\frac{δ S _{i}}{S _{i}} \frac{δ S _{j}}{S _{j}} - C_{ij} δ t) (1.8)

$C_{ij}$ 是对冲工具 $i$ 和 $j$ 的隐含协方差盈亏平衡水平， $C$ 是正定的隐含协方差矩阵。反之，可以证明对任意正定矩阵 $C$ ，均有 $ω_{k} = T_{k}^{⊤} C T_{k} > 0$ ，因此 $C$ 的选取无约束。

市场模型（market model）的定义：满足上述条件（存在正定 $C (t, S)$ 使得 Theta 与所有交叉 Gamma 通过 $A = - \frac{1}{2} tr (ϕC)$ 关联）的模型称为市场模型。需注意，交叉 Gamma $ϕ_{ij}$ 涉及的是对实际对冲工具价值的导数，而非模型特有的状态变量。后文将证明：局部波动率模型（第2章）、远期方差模型（第7章）是市场模型；大多数局部随机波动率模型（第12章）则不是。

3. Delta 对冲的有效性（§1.2）

3.1 问题设定

公式（1.5）量化了日 P&L，但单日 P&L 并非真正的风险暴露——交易员关心的是期权整个存续期内累积 P&L 的分布。具体地：均值需接近零（否则定价有偏），标准差则量化了实际风险敞口的大小。

期权整个生命周期内的折现总 P&L（每日对冲一次， $δ t = 1$ 天）：

P&L = - i \sum e^{- r t_{i}} 折现美元 Gamma \frac{S _{i}^{2}}{2} \frac{d ^{2} P _{\overset{σ}{^}}}{d S ^{2}} (t_{i}, S_{i}) 实现方差 - 隐含方差 (r_{i}^{2} - \overset{σ}{^}^{2} δ t) (1.9)

其中 $r_{i} = (S_{i + 1} - S_{i}) / S_{i}$ 为日收益率。若未来平均实现波动率与 $\overset{σ}{^}$ 相符，则总 P&L 均值为零；关键在于标准差的大小。

3.2 P&L 方差的分解推导

简化假设：将折现美元 Gamma 近似为常数（取初始值 $S_{0}^{2} \frac{d ^{2} P _{\overset{σ}{^}}}{d S ^{2}} (t_{0}, S_{0})$ ），消去一个随机性来源。

将日收益率分解为：

r_{i} = 日实现波动率 σ_{i} δ t 标准化收益 z_{i} (1.10)

其中 $⟨ z_{i} ⟩ = 0$ ， $⟨ z_{i}^{2} ⟩ = 1$ ， $z_{i}$ 独立同分布且与 $σ_{i}$ 相互独立。这一分解将波动率集群效应（ $σ_{i}$ 的相关性）与收益率分布形态（ $z_{i}$ 的峰度）分离开来。

总 P&L 的核心随机量为 $\sum_{i} (σ_{i}^{2} z_{i}^{2} - \overset{σ}{^}^{2}) δ t$ ，对其方差展开：

⟨ ij \sum (σ_{i}^{2} z_{i}^{2} - \overset{σ}{^}^{2}) (σ_{j}^{2} z_{j}^{2} - \overset{σ}{^}^{2}) ⟩ δ t^{2}

对角项（ $i = j$ ）：利用 $⟨ z_{i}^{4} ⟩ = 3 + κ$ 、 $⟨ σ_{i}^{4} ⟩ = \overset{σ}{^}^{4} (1 + Ω)$ ，

⟨(σ_{i}^{2} z_{i}^{2} - \overset{σ}{^}^{2})^{2} ⟩ = ⟨ σ_{i}^{4} ⟩ ⟨ z_{i}^{4} ⟩ - \overset{σ}{^}^{4} \approx (2 + κ) \overset{σ}{^}^{4}

非对角项（ $i \neq = j$ ）：利用 $z_{i}, z_{j}$ 独立且 $⟨ z^{2} ⟩ = 1$ ，

⟨(σ_{i}^{2} z_{i}^{2} - \overset{σ}{^}^{2}) (σ_{j}^{2} z_{j}^{2} - \overset{σ}{^}^{2})⟩ = ⟨ σ_{i}^{2} σ_{j}^{2} ⟩ - \overset{σ}{^}^{4} = \overset{σ}{^}^{4} Ω f_{ij}

汇总得到方差表达式：

Var [i \sum (σ_{i}^{2} z_{i}^{2} - \overset{σ}{^}^{2}) δ t] = \overset{σ}{^}^{4} i \sum (2 + κ) δ t^{2} + Ω i \neq = j \sum f_{ij} δ t^{2} (1.11)

其中三个关键参数为：

参数	定义	含义
$κ$	$⟨ z_{i}^{4} ⟩ - 3$ （超额峰度）	日收益率厚尾程度
$Ω$	$\frac{⟨ σ ^{4} ⟩ - σ ^ ^{4}}{σ ^ ^{4}}$	日波动率的相对方差（vol of vol）
$f_{ij}$	$\frac{⟨( σ _{i}^{2} - σ ^ ^{2} ) ( σ _{j}^{2} - σ ^ ^{2} )⟩}{⟨ σ _{i}^{4} ⟩ - σ ^ ^{4} ⟨ σ _{j}^{4} ⟩ - σ ^ ^{4}}$	日方差的自相关函数

利用 Black-Scholes 中 Vega 与 Gamma 的关系 $\frac{d P _{\overset{σ}{^}}}{d σ ^} = S^{2} \frac{d ^{2} P _{\overset{σ}{^}}}{d S ^{2}} \overset{σ}{^} T$ （式1.12），P&L 标准差归一化为 Vega 的倍数：

\frac{StDev ( P&L )}{σ ^ \frac{d P _{\overset{σ}{^}}}{d σ ^}} ≃ \frac{2 + κ}{4 N} + \frac{Ω}{2 T ^{2}} \int_{0}^{T} (T - τ) f (τ) d τ (1.13/1.15)

右侧可理解为：使期权价格产生一个 P&L 标准差变动所对应的隐含波动率相对扰动幅度。对于平值期权（价格 $\approx \overset{σ}{^}$ 的线性函数），它也近似等于 $StDev (P&L) / P$ 。

3.3 Black-Scholes 情形（§1.2.1）

在 BS 框架下， $σ_{i} = \overset{σ}{^}$ （常数），故 $Ω = 0$ ；日收益率可视为高斯分布（ $σ_{i} δ t \approx 0.01$ 时正态近似成立），故 $κ = 0$ 。式（1.13）简化为：

StDev (P&L) = \frac{1}{2 N} \overset{σ}{^} \frac{d P _{\overset{σ}{^}}}{d σ ^} (1.14)

其中 $N = T / δ t$ 为对冲次数。这一结果有清晰的统计解释： $\frac{1}{2 N}$ 恰好是历史波动率估计量 $\overset{σ}{ˉ}^{2} = \frac{1}{N δ t} \sum_{i} r_{i}^{2}$ 的相对标准差（在正态日收益率假设下， $StDev (\overset{σ}{ˉ}^{2}) / ⟨ \overset{σ}{ˉ}^{2} ⟩ = 2/ N$ ，对应波动率估计量的相对标准差约为 $1/ 2 N$ ）。因此：

Delta 对冲 P&L 的标准差 = 期权 Vega × 基于相同对冲频率的历史波动率估计量的标准差。

数值示例：一年期平值看涨期权， $\overset{σ}{^} = 20%$ ， $S = 1$ ， $P = 7.97%$ ， $N = 250$ 个交易日：

\frac{1}{2 N} \approx 4.5%, \overset{σ}{^} \frac{d P}{d σ ^} \approx P ⟹ StDev (P&L) \approx 0.045 \times P \approx 0.36%

5% 的相对标准差看似合理，但真实市场的情况大相径庭。

3.4 真实市场情形（§1.2.2–1.2.3）

Bergomi 基于欧洲金融股的高频数据（5分钟收益率，2008–2010年），估计波动率自相关函数 $f (τ)$ ：

波动率自相关函数

图 1.1：日波动率自相关函数 $f (τ)$ ， $τ$ 单位为交易日。

$f (τ)$ 衰减缓慢，可用指数函数拟合： $f (τ) = ρ e^{- k τ}$ ，参数估计为 $ρ = 0.78$ ， $1/ k = 45$ 天（半衰期约 45 个交易日）。代入典型参数（ $Ω \in [1.5, 4]$ ，取 $Ω = 2$ ； $κ \approx 5$ ），得到：

\frac{StDev ( P&L )}{σ ^ \frac{d P _{\overset{σ}{^}}}{d σ ^}} ≃ \frac{2 + κ}{4 N} + \frac{ρ Ω}{2} \cdot \frac{k T - 1 + e ^{- k T}}{( k T ) ^{2}} (1.16)

图 1.2 给出了三条曲线的对比：

P&L标准差对比

图 1.2：式（1.16）右侧随到期期限的变化（深色实线），与不含峰度项的情形（虚线）及纯 Black-Scholes 情形（浅色线）的对比。

对比结果：同一个一年期平值期权，真实情形的 P&L 标准差约为期权费的 35%（约 2.8%），Black-Scholes 情形仅为 4.5%（约 0.36%），相差近 8 倍。

从图 1.2 的深色线与虚线之差可见，除极短期限外，P&L 离散性的主要来源是波动率自相关（ $Ω \cdot f (τ)$ 项），而非收益率厚尾（ $κ$ 项）。其物理机制：若某日波动率偏高，接下来数日的波动率大概率也偏高（自相关半衰期 45 天），导致日 P&L 同向持续累积，方差远超独立情形。

Delta 对冲 1 年期平值期权，面临约三分之一期权费的 P&L 风险。仅靠 Delta 对冲无法运营期权业务。

正如 Bergomi 初入金融业时 FX 期权交易员 Nazim Mahrour 的直言："期权要用期权来对冲"（options are hedged with options）。

对中国市场的参照：A股期权（上证50ETF、沪深300ETF等）市场同样存在显著的波动率集群效应， $f (τ)$ 的衰减速度可能与欧洲金融股有所不同，但定性结论一致。国内场外期权业务（含雪球等结构性产品）的风险管理均依赖 Gamma 和 Vega 对冲，而非单纯 Delta 对冲。

4. 走向随机波动率（§1.3）

4.1 用期权对冲 Gamma 引出的新问题

用一个香草期权 $O$ （隐含波动率 $\overset{σ}{^}_{O}$ ）来对冲 Gamma，对冲比率为：

λ = \frac{d ^{2} P / d S ^{2}}{d ^{2} O / d S ^{2}} (1.18)

$O$ 的 Delta 对冲 P&L 与式（1.5）形式相同：

P&L_{O} = - \frac{S ^{2}}{2} \frac{d ^{2} O}{d S ^{2}} (\frac{δ S ^{2}}{S ^{2}} - \overset{σ}{^}_{O}^{2} δ t) (1.17)

定价一致性要求：若对 $P$ 和 $O$ 分别使用不同的隐含波动率 $\overset{σ}{^} \neq = \overset{σ}{^}_{O}$ ，则 Gamma 对消（ $λ$ 使净 Gamma 为零）后，净 Theta 不为零——这与 §2.3 中" $A$ 与 $B$ 同号时模型不可用"的结论矛盾。因此必须令 $\overset{σ}{^} = \overset{σ}{^}_{O}$ ，定价函数显式依赖对冲工具的市场价格：

P = P (t, S, \overset{σ}{^}_{O})

这是**校准（calibration）**的基本含义——让异型期权的价格成为其他衍生品市价的函数。这是交易决策，而非统计推断。

4.2 隐含波动率变动的残余 P&L

$\overset{σ}{^}_{O}$ 是市场隐含波动率，随标的运动和时间推移不断变化。将 P&L 展开至 $δ S$ 、 $δ \overset{σ}{^}_{O}$ 的二阶：

P&L_{O} = - \frac{S ^{2}}{2} \frac{d ^{2} O}{d S ^{2}} (\frac{δ S ^{2}}{S ^{2}} - \overset{σ}{^}_{O}^{2} δ t) - \frac{d O}{d σ ^ _{O}} δ \overset{σ}{^}_{O} - \frac{1}{2} \frac{d ^{2} O}{d σ ^ _{O}^{2}} δ \overset{σ}{^}_{O}^{2} - \frac{d ^{2} O}{d S d σ ^ _{O}} δ S δ \overset{σ}{^}_{O} (1.19)

Gamma 对消后（ $δ S^{2}$ 项和 $δ t$ 项均消去），对冲头寸的净 P&L 为：

P&L = - 净 Vega (\frac{d P}{d σ ^ _{O}} - λ \frac{d O}{d σ ^ _{O}}) δ \overset{σ}{^}_{O} - \frac{1}{2} 净 Volga (\frac{d ^{2} P}{d σ ^ _{O}^{2}} - λ \frac{d ^{2} O}{d σ ^ _{O}^{2}}) δ \overset{σ}{^}_{O}^{2} - 净 Vanna (\frac{d ^{2} P}{d S d σ ^ _{O}} - λ \frac{d ^{2} O}{d S d σ ^ _{O}}) δ S δ \overset{σ}{^}_{O} (1.20)

这是逐市值（mark-to-market）P&L，与 Gamma/Theta 损益（carry P&L）性质不同但同样真实。

4.3 三条关键观察

第一：Vega 项。若 $P$ 与 $O$ 是同到期日欧式期权，BS 模型中 Vega 与 Gamma 成正比（式1.12），Gamma 对消自动带来 Vega 对消。但真实异型期权没有静态对冲，其对冲组合包含不同到期日的期权，Gamma 中性并不意味着 Vega 中性。实践中，异型期权账簿汇集大量头寸，可在账簿层面综合管理 Gamma 与 Vega 风险，但单笔交易层面无法做到。

第二：风险暴露的转移。未对冲时，风险来自实现波动率与 $\overset{σ}{^}$ 的偏差；用期权对冲 Gamma 后，实现波动率敞口消失，代之以隐含波动率动态的敞口。式（1.20）中不再出现实现波动率，全部风险来自 $δ \overset{σ}{^}_{O}$ 。

第三，也是最关键的： $δ \overset{σ}{^}_{O}^{2}$ 和 $δ S δ \overset{σ}{^}_{O}$ 项没有对应的确定性 $δ t$ 项来抵消。在 BS 框架中， $\overset{σ}{^}$ 提供了 Gamma 与 Theta 之间的对消机制；但对于隐含波动率的 Gamma，既没有"波动率的隐含波动率"，也没有"现货与隐含波动率的隐含相关系数"——对冲头寸可能系统性地持续盈利或亏损。

随机波动率模型的任务：为隐含波动率的动态建模，提供额外 Theta 项来抵消 δ \overset{σ}{^}_{O}^{2} 和 δ S δ \overset{σ}{^}_{O} 产生的 Gamma P&L 。

对于流动性高的股票指数，全部隐含波动率 $\overset{σ}{^}_{K, T}$ （按行权价 $K$ 和到期日 $T$ 标记）构成二维波动率曲面（volatility surface），随机波动率模型需要对这整张曲面的联合动态进行建模。

5. 两个示例：精确定位波动率风险（§1.3.1–1.3.2）

不同异型期权对波动率曲面动态的敏感性各有侧重，下面两个例子展示了这种敏感性可以被精确定位。

5.1 障碍期权（§1.3.1）

一年期期权，到期支付 1，除非 $S_{t}$ 触及上障碍 $L = 120$ （ $S_{0} = 100$ ， $σ = 20%$ ）。

Carr-Chou 静态复制：给定带上障碍 $L$ 的障碍期权，可以找到到期日为 $T$ 的欧式支付函数 $g (S)$ ，使得在 BS 模型下对所有 $S \leq L$ ， $G (t, S) = F (t, S)$ （ $F$ 为障碍期权定价函数）。零利率下：

g (S) = {1, - S / L, S < L S > L

即持有两个数字期权（各支付 1）空一份零息债券（支付 1）空 $1/ L$ 份行权价 $L$ 的看涨期权。

图 1.3 展示了两者的价值与美元 Gamma 分布：

障碍期权价值与Gamma

图 1.3：障碍期权（实线）与双数字欧式期权去掉零息债券后（虚线）的价值（左）和美元 Gamma（右）， $σ = 20%$ 。两条线几乎重合，说明双数字期权是障碍期权的良好近似对冲。

关键风险——触障时的平仓成本：若标的在时间 $τ$ 触及 $L$ ，需平仓欧式静态对冲。双数字期权在 $S = L$ 处的价值为：

D = 2 D_{L}^{BS} (\overset{σ}{^}_{L}) + Vega \frac{d P _{L}^{BS}}{d σ ^} \cdot ATM 偏斜 \frac{d σ ^ _{K}}{d K}_{L} - 1 (1.24)

$D_{L}^{BS}$ 约为 50% 且对 $\overset{σ}{^}_{L}$ 不敏感；但第二项包含触障时刻的平值偏斜 $\frac{d σ ^ _{K}}{d K}_{L}$ ，对股票指数这一修正项典型值约为 8%——并非小量。

触障时偏斜越陡，平仓欧式对冲的成本越高（或收益越低），因此障碍期权的定价必须对"标的触碰障碍时的远期 ATM 偏斜"有明确预判。

障碍期权的定价主要取决于标的触障时刻的平值偏斜动态（条件远期偏斜）。

国内市场对应：场外市场中的敲出结构（如雪球的敲出条款，挂钩中证500等）在标的触及敲出价时需解除对冲，此时的隐含波动率偏斜同样是关键定价因素。逻辑与此处完全一致。

5.2 远期起始期权（Cliquet，§1.3.2）

简单看涨 cliquet，到期日 $T_{2}$ 时支付：

(\frac{S _{T_{2}}}{S _{T_{1}}} - k)^{+}, k = 100% (1.25)

零利率下 BS 价格为：

P ≃ \frac{1}{2 π} σ T_{2} - T_{1} (1.26)

关键观察： $P$ 不依赖 $S$ ，BS 框架中唯一的动态变量 $S$ 完全消失了。这是因为 cliquet 的支付仅依赖 $S_{T_{2}} / S_{T_{1}}$ ，由 BS 模型的同质性（homogeneity），价格与 $S$ 无关。

$P$ 仅是 $σ$ 的函数——波动率才是 cliquet 的真正标的。更精确地说，cliquet 是以 $T_{2}$ 期限的远期平值隐含波动率（ $T_{1}$ 时刻观测）为标的、到期日为 $T_{1}$ 的期权：

在 $T_{1}$ 时，cliquet 变为行权价 $k S_{T_{1}}$ 的普通看涨期权；
对冲策略需要在 $T_{1}$ 时恰好筹集到购买该期权所需的资金；
因此，cliquet 的风险完全在于远期隐含波动率的不确定性，与现货路径无关。

Cliquet 期权的定价主要取决于远期隐含波动率的动态，而非现货的动态。

6. 全章总结

Bergomi 在章末给出四条核心结论，也是全书的逻辑主线：

① Delta 对冲消去 $δ S$ 的一阶项。对二阶残余 P&L 施加盈亏平衡条件，自然导出 BS 方程（1.4）——这是一个损益会计工具，而非对标的动态的预测。多资产情形下，模型可用等价于存在正定盈亏平衡协方差矩阵 $C (t, S)$ 。

② 纯 Delta 对冲无法将 P&L 标准差控制在合理范围。离散性来源于：(a) 收益率厚尾（ $κ$ 项），(b) 波动率随机性及其长程自相关（ $Ω \cdot f (τ)$ 项）。对中长期期权，后者占主导（自相关半衰期约 45 天）。真实市场下，一年期平值期权的 P&L 标准差约为期权费的 35%，是 BS 理论值的 8 倍。

③ 用期权对冲 Gamma，将实现波动率敞口转换为隐含波动率动态的敞口。 $δ \overset{σ}{^}^{2}$ 和 $δ S δ \overset{σ}{^}$ 项在 BS 框架内无法抵消。随机波动率模型的目的是为隐含波动率的动态建模，而非实现波动率的动态。

④ 不同异型期权对波动率曲面动态的敏感性各有侧重：障碍期权主要敏感于触障时的条件远期偏斜，cliquet 主要敏感于远期隐含波动率。识别这种敏感性是评估随机波动率模型适用性的基础。

附：关键公式索引

编号	内容	核心作用
(1.1)	到期条件 $P (T, S) = f (S)$	定价函数基本要求
(1.3)	P&L $= - A δ t - B (δ S / S)^{2}$	持仓损益两项分解
(1.4)	Black-Scholes 方程	由盈亏平衡条件导出
(1.5)	P&L $= - \frac{S ^{2}}{2} Γ (δ S^{2} / S^{2} - \overset{σ}{^}^{2} δ t)$	核心损益公式
(1.8)	多资产 P&L，以正定协方差矩阵 $C$ 表达	市场模型可用性条件
(1.9)	累积折现 P&L 求和表达式	总损益的精确表达
(1.14)	BS 情形 P&L 标准差 $\propto 1/ 2 N$	理想基准
(1.16)	真实情形 P&L 标准差（含 $Ω, κ, f$ ）	量化真实风险
(1.20)	期权对冲后的残余 P&L（Vega/Volga/Vanna）	随机波动率需求的直接来源
(1.24)	触障时双数字期权价值（含偏斜修正）	障碍期权风险定位
(1.25)–(1.26)	Cliquet 支付与 BS 价格	远期隐含波动率风险定位