[论文解读] A new look at the Heston characteristic function

Sebastián del Baño Rollin, Albert Ferreiro-Castilla+1 more|ArXiv.org|Feb 12, 2009

Stochastic processes and financial applicationsEconomics, Econometrics and Finance参考文献 18被引用 19

一句话总结

本文提出赫斯顿随机波动率模型中对数波动率特征函数的新解析表达式，揭示其解析性质，并实现对矩生成函数定义域的精确计算。关键贡献在于将矩生成函数分解为贝塞尔型分量，从而促进构造收敛于对数波动率的随机变量序列，为模型的矩结构及极端行权价行为提供更深层次的洞察。

ABSTRACT

A new expression for the characteristic function of log-spot in Heston model is presented. This expression more clearly exhibits its properties as an analytic characteristic function and allows us to compute the exact domain of the moment generating function. This result is then applied to the volatility smile at extreme strikes and to the control of the moments of spot. We also give a factorization of the moment generating function as product of Bessel type factors, and an approximating sequence to the law of log-spot is deduced.

研究动机与目标

• 为赫斯顿模型的特征函数提供一种新的、解析透明的表达式，明确展示其解析性质。
• 确定对数波动率矩生成函数（MGF）的精确定义域，以实现对矩和尾部行为的精确分析。
• 将对数波动率的矩生成函数分解为与已知分布（如贝塞尔或非中心卡方分布）相关的分量。
• 推导一个依分布收敛于对数波动率的随机变量序列，提供一种构造性近似方法。
• 将结果应用于极端行权价的波动率微笑，特别是对李氏公式的翼参数进行改进。

提出的方法

• 通过伊藤引理导出实值偏微分方程，求解对数波动率的矩生成函数，避免依赖标准特征函数形式。
• 运用复分析技术，包括哈达玛因式分解定理与梅林-莱夫勒定理，分析特征函数的极点与结构。
• 通过识别由特征函数分母导出的整函数的根，将矩生成函数分解为贝塞尔型矩生成函数的乘积。
• 利用分解结果及贝塞尔分布的性质，建立随机变量序列依分布收敛于对数波动率的证明。
• 利用矩生成函数的定义域与极点结构，计算极端行权价下波动率微笑的渐近参数，尤其在李氏矩公式背景下。
• 利用连续性与赫维茨定理，将结果推广至临界情形（如 ρ = ±√2/2），此时标准收敛性失效。

实验结果

研究问题

• RQ1 赫斯顿模型中对数波动率的矩生成函数的精确定义域是什么？其数值计算方法如何？
• RQ2 如何将对数波动率的特征函数表达为能明确揭示其解析性的形式，以利于分析？
• RQ3 对数波动率的矩生成函数能否分解为与已知分布（如贝塞尔或非中心卡方分布）相关的分量？
• RQ4 极端行权价下波动率微笑的极限行为是什么？能否通过矩生成函数的极点结构进行量化？
• RQ5 能否构造一个依分布收敛于对数波动率的随机变量序列？该收敛的随机过程解释是什么？

主要发现

• 对数波动率的矩生成函数在零点附近的一个实区间内是解析的，其精确定义域由复平面上极点的位置决定，可通过简单程序实现数值计算。
• 通过证明在零点邻域存在实值矩生成函数，表明特征函数是解析的，这一表征比标准形式更强且更具实用性。
• 对数波动率的矩生成函数可分解为贝塞尔型矩生成函数的乘积，揭示其潜在随机分量为非中心卡方分布。
• 在某些参数组合下，对数波动率可表示为独立非中心卡方随机变量之和，属于第二 Wiener 阶，与 CIR 过程为平方 Ornstein-Uhlenbeck 过程之和的结构一致。
• 通过分解结果显式构造了依分布收敛于对数波动率的随机变量序列，提供了一种新的近似方法。
• 证明了特征函数分母在大根处的留数为正，且其渐近行为为 1/c²（若 ρ²=1 且 c≠2aρ，则为 2/c²），从而实现精确的尾部分析。