局部波动率把整张欧式曲面反推成一个自洽模型，却把波动率钉死成了确定性函数。它锚住了今天，但锁不住明天。本篇引入以 Heston 为代表的随机波动率模型（SV）：给波动率一个独立演化的隐藏状态，补上 LV 缺失的「未来微笑如何变化」这一维。文章用远期起始与单边触碰两个案例，讲清模型价差从何而来，并交代 Heston 的定位与边界，最后引出 SLV。
演绎自 《期权估值系列五 | 当今天的波动率微笑不够用了：随机波动率模型》，原作者：COMSTAR
在ComStar系统的期权定价矩阵中，我们已经探讨了 Black-Scholes 模型（BS）与局部波动率模型（LV），两者分别用「单一波动率假设」和「波动率随时间和价格变动的假设」，来解决不同类型期权的估值问题。
但当交易台面对强路径依赖（Chen 注：Path-dependent。期权收益不只取决于到期时点的标的价格，而是依赖标的在整个存续期内走过的路径，即同样的到期价、不同的中途轨迹会给出不同收益。障碍、触碰、亚式等结构都属此类。与之相对，欧式香草、数字期权只看到期分布，属弱路径依赖或非路径依赖，正是[第 4 篇](/notes/option-valuation-04)中 LV 已能胜任的部分。）等复杂结构时，这两种模型都难以给出准确定价。因为这类结构的价值并不取决于当前曲面本身，更依赖于未来路径上分布的演化，尤其体现为触碰概率对尾部风险，以及波动率偏斜随时间变化的敏感性。
正因如此，引入随机波动率模型（本文以 Heston 模型（Chen 注：Heston 模型由 Steven Heston 于 1993 年提出，让方差 $v_t$ 自身服从一个带均值回复的 CIR 过程，并与价格过程相关。它有闭式的欧式期权定价公式（经特征函数做傅里叶反演），校准快，是最主流的随机波动率模型。）为代表）变得非常必要：它的核心使命并非替代 LV 去更好地拟合「今日曲面」，而是补足 LV 所缺失的高维视角——未来的波动率微笑将如何演化？
局部波动率模型（LV）的精妙在于，它通过 Dupire 公式（Chen 注：Bruno Dupire 于 1994 年提出：只要给定一张完整、无套利的欧式期权价格曲面，就存在唯一一个局部波动率函数使模型与该曲面完全一致。详见[第 4 篇](/notes/option-valuation-04) 1.2 节。）让波动率成为标的价格与时间的确定性函数，但恰恰是这种纯粹的确定性，成了它处理强路径依赖产品时的软肋。
在 LV 框架下，一旦给定未来的时间与标的价格，波动率便被唯一确定，模型并没有赋予其独立演化的自由度。这意味着 LV 本质上缺乏对「未来波动率微笑如何变化」的动态推演能力，更像是当前曲面的静态延伸，而非真实的演化机制。
这也是我们需要 Heston 模型的原因。它的核心价值并不在于把今天的曲面拟合得比 LV 更精准（事实上，LV 能做到 100% 的反推复现，而 Heston 只能做到近似（Chen 注：LV 由 Dupire 公式从曲面反推得到，只要曲面干净，理论上能与整张欧式曲面完全一致；而 Heston 只有 $v_0,\theta,\kappa,\sigma,\rho$ 五个参数，自由度有限，通常只能近似拟合当前曲面。这个「拟合能力」上的劣势，正是它换取「动态演化能力」所付的代价。）），而在于它为波动率的演化提供了独立的动态机制。
图 1 沿用前文的 Delta 坐标系，比较市场曲线（IV）与 Heston 的校准结果。Heston 可以捕获当前曲面的核心特征（尤其在中长端切片上），但它并不强求对当前整张曲面的零误差拟合。
在 Heston 模型的控制方程中，标的价格与方差演化被同时建模：
这里 是瞬时方差， 为 Heston 的核心参数（Chen 注：第一式是标的价格过程，与 LV 的区别是把波动率换成了瞬时波动率 $\sqrt{v_t}$；第二式是方差 $v_t$ 自身的随机过程（CIR 型均值回复）：$\theta$ 是方差的长期中枢，$\kappa$ 是回复速度，$\sigma$ 是方差的波动率（vol-of-vol）；第三式规定两个布朗运动 $W_t^{S}$ 与 $W_t^{v}$ 的增量协变差期望为 $\rho\, dt$（$\rho$ 即两者的相关系数），写成逐路径的二次协变差 $dW_t^{S}\, dW_t^{v}=\rho\, dt$ 是同一含义的常见等价写法。$r_d-r_f$ 仍是[第 4 篇](/notes/option-valuation-04)里的本外币利差。）。这里方差过程还隐含一个正性约束（Feller 条件）（Chen 注：Feller 条件。CIR 方差过程要保证 $v_t$ 严格为正、不触零，需满足 $2\kappa\theta \geq \sigma^2$：长期中枢 $\theta$ 与回复速度 $\kappa$ 的合力要压得住方差自身的波动 $\sigma$。这也解释了为何 $\sigma$（vol-of-vol）不能无限放大——它越大，方差越容易砸到零、尾部越厚，正对应下文把 $\sigma$ 称作「肥尾放大器」。）。
其中最核心的交易直觉是：相较于 LV，Heston 引入了一个独立演化的隐藏状态变量 （Chen 注：LV 里波动率是 $(S_t,t)$ 的确定性函数，没有自己的随机源；Heston 给方差 $v_t$ 配了一个独立的布朗运动 $W_t^{v}$，于是它成了一个「隐藏状态」，即使价格路径相同，$v_t$ 仍可走出不同轨迹。这一自由度正是 LV 所没有的。）。
在 Heston 模型里，即使未来抵达相同的即期价格，市场仍可能处于截然不同的波动率状态中。未来的波动率曲面之所以会变形、触碰期权边界的概率之所以会产生偏移，根本上都是因为 这个独立变量会沿着不同路径演化，并通过相关性参数 与价格路径产生联动。
为了更直观地从交易角度理解，我们可以抛开复杂的微积分，直接把 Heston 的几个核心参数理解为驱动市场特征的「因子」：
图 2 中，左图改变相关系数 ，展示了偏斜（skew）方向的翻转；中图调整 ，直观呈现曲线曲率与尾部的增厚；右图切入远端（ 远期起始微笑），揭示了均值回复速度 如何「压平」未来的曲面。
结合上图，在做风险感知和情景分析时，我们可以从因子化视角作如下理解：
有了这套动态解释语言，我们就能清晰地解剖那些在 LV 下无法被充分解释的结构特征。接下来，我们把视野从单个未来时点逐渐拉长至连续的时间线，通过两个案例来看模型的动态假设是如何造成估值差异的。
远期起始期权（Chen 注：Forward Start Option，远期起始期权。合约在今天成交，但行权价要到未来某个「重置日」才根据届时的即期价格确定（如设为届时即期的某个百分比）。因为行权价锚定在未来，它的价值直接取决于重置日之后那一段的波动率微笑，是「读取」模型未来微笑假设最干净的探针。）提供了一种直接「读取」模型对未来波动率微笑假设的方式。
对于普通即期期权，所有模型都会被校准以匹配当前曲面；而远期起始期权的价值，则取决于在未来某一重置日（例如 6 个月后），模型隐含的波动率微笑将如何演化。
我们设定一个简单的 远期起始看涨期权，在 6 个月后将行权价确定为届时即期价格的 。此时，模型差异浮出水面：
图 3 中，左图对比 6M 欧式看涨期权与 远期起始看涨期权的价格。前者在 LV 与 Heston 下几乎没有差异，而后者则出现明显分化：Heston（ pips）显著高于 LV（ pips）。中图展示由远期起始期权反推的远期隐含波动率微笑（Chen 注：Forward Implied Volatility Smile，远期隐含波动率微笑。指从「未来某段时间」（如 6 个月后起的 6 个月）期权价格反推出的微笑，刻画模型对未来微笑形态的预测。LV 的远期微笑往往过快变平，是它最被诟病的动态缺陷。）：LV 的远期微笑往往趋于平坦，Heston 由于 的状态延续性，仍保留明显的偏斜与曲率。右图以 25D RR（Chen 注：Risk Reversal，风险逆转，$RR_{25\Delta}=\sigma_{25\Delta\text{Call}}-\sigma_{25\Delta\text{Put}}$，度量微笑的偏斜方向与幅度，是[第 3 篇](/notes/option-valuation-03)介绍的核心报价参数。这里用它的期限结构来刻画「远期偏斜随期限如何衰减」。） 表示远期偏斜的期限结构：LV 的偏斜随期限快速衰减，而 Heston 则体现出更强的偏斜延续性。
在这个案例中，LV 并没有「算错」，只是它的模型构造缺乏对未来波动率偏斜延续的独立机制，在远端产生了更强的平滑效应。而 Heston 通过独立演化的状态变量，把波动率的动态特征带到了未来，从而为远期起始期权赋予了更高的时间价值溢价。这类源于微笑动态假设差异的定价偏离，正是我们所说的模型价差（Chen 注：即[第 4 篇](/notes/option-valuation-04)反复强调的：不同模型在同一张曲面下给出的价格差异，本质是「模型对未来动态的假设不同」，而非计算误差。远期起始期权把这种差异放在未来某一时点上，单边触碰则把它沿路径累积。）。
从定价结构上看，单边触碰期权（Chen 注：One-Touch Option，单边触碰期权。存续期内标的只要触及约定的单一障碍价，就在到期（或触碰时）支付固定金额，否则支付 0。它是典型的强路径依赖结构，价值取决于「首次触及障碍」的概率，因此对整条路径上的波动率动态高度敏感。）本质上给出了路径上「首次触及障碍」的概率。若将时间离散化，可以把这一概率近似理解为一系列短时间区间内触及概率的累积（Chen 注：严格说这是「首次触碰」（first passage）概率：直接把各区间的触及概率相加会重复计数（此前已触碰的路径在后续区间会被再算一次），须条件化为「此前从未触碰」才对。这里的「累积」是为建立直觉的近似说法，工程上仍需按首次触碰口径处理。）；而这些局部概率与对应期限的尾部概率密切相关，并可由障碍附近的短期限数字期权近似刻画。
与之对比，远期起始期权刻画的是未来某一时点的分布形态，而单边触碰期权则将这种分布差异沿时间维度累积到路径层面。因此，案例一中模型在远期波动率微笑上的差异，会沿路径被持续累积，并最终体现为显著的定价分歧。
图 4 是 6M 单边触碰期权的定价对比，其价格可理解为观察区间内的触碰概率。左图固定障碍价为当前曲面的 6M 10D Call 行权价：BS 分别以 6M ATM 波动率和 6M 10D Call 波动率作为单一代表波动，LV 与 Heston 则从当前曲面出发，在各自动态假设下计算连续触碰概率。右图为对称微笑（）条件下的模型偏差示意；因其形似八字须，常被称为 「Moustache」形态（Chen 注：Moustache，八字须。指模型触碰概率相对 BS 基准的偏差曲线：横轴是 BS 触碰概率、纵轴是模型概率减 BS 概率，两端翘、中间沉，形如八字胡。它是对比触碰类产品模型差异的经典可视化。），用于比较模型触碰概率相对于 BS 基准的偏差。横轴为 BS 触碰概率（左为下触碰，右为上触碰），纵轴为模型概率减去 BS 概率（百分点）。
可以看出：低概率触碰区域相对 BS 更高，中等概率相对更低，而在极端大概率或极端小概率下差异回归于零。同时，Heston 的偏离幅度显著大于 LV，说明随机方差的引入进一步放大了尾部风险与路径不确定性。
面对沿路径持续观察的边界事件，「应该用哪个波动率代入公式」本身已经失去意义。在这个场景下，即使 LV 和 Heston 从同一张今日曲面出发，两套模型中资产价格触及边界的路径分布也可能明显不同：
因此，当你看到单边触碰、美式障碍、乃至复杂结构化产品中出现可观的 Heston 与 LV 价差时，它往往不是计算误差，而是模型在明确提示你：这笔交易对未来波动率动态的假设极其敏感。
总结而言，Heston 及更广泛的随机波动率体系并不是用来替代 LV 做常规矩阵报价的，它在交易台上的定位更像一个「感知动态风险的实盘沙盘」：
这也正是 ComStar 在 Heston 模型上强调校准（Chen 注：Calibration，校准。指在给定当前市场曲面下反解模型参数，使模型价格尽量匹配市场报价。Heston 有 $v_0,\theta,\kappa,\sigma,\rho$ 五个参数，全参数校准即同时求解这五个；固定部分参数（如 $\kappa$）再校准其余，是交易台常用的稳定化手法。）能力的原因。
速度与灵活性是实盘驾驭动态风险的关键：系统支持快速的全参数校准，可在给定市场曲面后同时寻找 等参数；也支持按交易员习惯固定任意参数，再对其余参数校准。比如实务中，交易台常会固定 以稳定均值回复假设和远端微笑形态，再让 等参数吸收当日偏斜与曲率的变化。这样既保留了 Heston 对市场曲面变化的响应速度，也降低了参数无意义跳动带来的解释噪音，使模型更适合作为可复现、可沟通的动态风险工具。
不可否认，Heston 模型也面临固有的局限：单凭自身有限的参数，很难在全期限上 100% 精确复原当下的欧式期权市价（Chen 注：这正是 LV 与 SV 的对偶短板：LV 能完美贴合今日曲面却锁不住未来动态，Heston 有了未来动态却贴不平今日曲面。SLV 就是为同时拿下这两点而生。）；如果缺少稳定的校准约束，复杂的校准过程也可能引入经济解释上的不稳定性。
这就引出了下一步自然要面对的问题：如果我们既不想舍弃 LV 贴合「今日曲面」的能力，又希望保留 Heston 对「未来动态微笑」的解释机制，能否找到一条中间道路？
这正是下一篇的中心课题：随机-局部波动率模型（SLV）如何同时连接当前横截面与未来路径动态。
回到本系列的主线：第 1 篇证伪 BS 的常数波动率、第 2 篇在 BS 内部做修正、第 3 篇（番外）把曲面本身讲清、第 4 篇用 LV 把曲面升级成自洽模型。本篇则让波动率真正「动起来」，用 Heston 补上了 LV 缺失的未来动态维度，但代价是失去了对今日曲面的精确复现。