[论文解读] Option Pricing with Time-Varying Volatility Risk Aversion
本文在Heston-Nandi GARCH模型中引入了一个时变波动率风险规避框架，其中波动率风险溢价比率（ηₜ = hₜ*/hₜ）驱动时变定价核曲率，实现VIX与期权价格的闭式解。该模型在样本内和样本外均将衍生品定价误差降低了50%以上，且ηₜ与市场情绪、不确定性及经济基本面密切相关。
We introduce a pricing kernel with time-varying volatility risk aversion to explain observed time variations in the shape of the pricing kernel. When combined with the Heston-Nandi GARCH model, this framework yields a tractable option pricing model in which the variance risk ratio (VRR) emerges as a key variable. We show that the VRR is closely linked to economic fundamentals, as well as sentiment and uncertainty measures. A novel approximation method provides analytical option pricing formulas, and we demonstrate substantial reductions in pricing errors through an empirical application to the S&P 500 index, the CBOE VIX, and option prices.
研究动机与目标
- 为了解决经验定价核呈现时变形状（包括U型和倒U型）这一典型事实，而标准模型无法捕捉该现象。
- 构建一个可处理的框架，将时变波动率风险规避纳入定价核，同时保持VIX与期权价格的闭式解。
- 表明波动率风险溢价比率（ηₜ）是定价核时变性的根本驱动因素，并为市场风险溢价提供关键预测能力。
- 通过建模时变风险规避来降低衍生品定价误差，特别是在市场压力或情绪转变时期。
- 建立波动率风险溢价比率与经济基本面、情绪指标及不确定性度量之间的联系。
提出的方法
- 引入一个具有时变风险规避的定价核，其曲率与波动率风险溢价比率ηₜ = hₜ*/hₜ函数相关。
- 将Heston-Nandi GARCH模型与时变定价核结合，当ηₜ为预设值时，推导出VIX的闭式表达式。
- 开发一种基于泰勒级数的新型近似方法，用于在ηₜ服从随机过程时定价期权，以VIX公式作为基准。
- 采用得分驱动方法建模ηₜ的时变性，使其能够响应经济与情绪指标。
- 利用S&P 500收益率与期权价格对模型进行实证估计，控制宏观经济与情绪变量。
- 采用两步估计法：首先通过得分驱动动态估计ηₜ，然后利用其进行期权定价与VIX计算。
实验结果
研究问题
- RQ1具有动态风险规避的时变定价核能否解释经验定价核形状的时变性？
- RQ2通过波动率风险溢价比率（ηₜ）引入时变波动率风险规避，是否能显著提升期权定价精度？
- RQ3波动率风险溢价比率（ηₜ）是否系统性地与经济基本面、情绪及不确定性度量相关？
- RQ4在ηₜ时变条件下，能否推导出VIX与期权价格的闭式解或高精度近似方法？
- RQ5与静态风险规避模型相比，该模型在样本内与样本外的表现如何？
主要发现
- 波动率风险溢价比率（ηₜ）是定价核时变性的根本驱动因素，且与风险规避参数曲率函数相关。
- 该模型在样本内与样本外测试中，均将衍生品定价的均方根误差降低了50%以上。
- 波动率风险溢价比率与情绪指标、不确定性度量以及关键宏观经济变量（如期限利差与股权风险溢价）显著相关。
- 该模型能生成多种经验观察到的定价核形状，包括U型与倒U型，具体取决于ηₜ的水平与动态变化。
- 针对ηₜ随机时的期权定价，所提出的新型近似方法通过调整波动率以匹配预设ηₜ下的VIX公式，实现了高度准确的结果。
- 当ηₜ为预设值时，该模型保持VIX与期权价格的闭式解；当ηₜ为随机过程时，需借助泰勒级数方法进行近似，该方法成功解决了该问题。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。