基于成分Realized EGARCH模型的期权定价研究

doi:10.16381/j.cnki.issn1003-207x.2022.1305

摘要/Abstract

摘要：

本文对Realized EGARCH（R-EGARCH）模型进行扩展，引入成分波动率结构，构建成分R-EGARCH（CR-EGARCH）模型对期权定价。构建的CR-EGARCH模型能够更充分地刻画波动率动态性，如波动率长记忆性、长期杠杆效应和短期杠杆效应。同时，该模型充分利用了已实现测度包含的日内信息，能够改进对资产收益率分布的拟合和对波动率估计的精确性。基于具有双重冲击（收益率和波动率冲击）的Radon-Nikodym导数，获得风险中性收益率动态性，利用蒙特卡罗模拟方法计算期权价格。进一步，采用标的资产及其期权价格数据，建立了序贯极大似然方法对定价模型参数进行估计。基于上证50ETF期权数据的实证研究表明：CR-EGARCH模型比R-EGARCH模型在基于隐含波动率的均方根误差（IVRMSE）方面降低了13.52%；R-EGARCH模型比成分EGARCH（C-EGARCH）模型、EGARCH模型和Black-Scholes（B-S）模型的IVRMSE分别降低了10.95%、29.48%和25.02%。研究结果反映考虑成分波动率结构以及已实现测度（极差）包含的日内极值信息可以有效提高期权定价的精确性。总的来说，CR-EGARCH模型具有最好的期权定价表现，且研究结论具有稳健性。

关键词: 期权定价, Realized EGARCH模型, 波动率成分, 杠杆效应, 极差

Abstract:

Options are a type of financial derivative， which are mainly to be used as a tool for building investment strategies and managing financial risk. Options play an important role in developing the financial system， and generating economic growth. One of the important issues for trading options is to address the question on how options can be valued correctly. It aims to develop a reasonable model for pricing options.Classical option pricing model， such as the Black-Scholes （B-S） model， relies on the assumption that the underlying asset returns are normally distributed with constant volatility. However， the assumptions are inconsistent with empirical findings， resulting in option pricing biases and ``volatility smirk". It is well recognized that asset return distribution exhibits characteristics such as negative skewness and excess kurtosis. Moreover， asset returns exhibit volatility clustering， asymmetric volatility and long memory volatility behaviors.To overcome the drawbacks of the conventional option pricing approach， the GARCH option pricing models have been developed. However， the GARCH option pricing model fails to account for the intraday information as well as the complex volatility dynamics （such as asymmetric volatility and long memory volatility） for pricing options. In light of this， the Component Realized EGARCH （CR-EGARCH） model is proposed， which extends the Realized EGARCH （R-EGARCH） model through the incorporation of component volatility structure， to price options. The proposed CR-EGARCH model could more adequately capture the volatility dynamics， such as the long-memory volatility and the long-term and short-term leverage effects. Meanwhile， the model exploits the intraday information from realized measure， which is expected to improve return fitting and volatility estimates. The risk-neutral return dynamic is derived relying on the Radon-Nikodym derivative with dual shocks （return and volatility shocks）. Using Monte Carlo simulation method， the prices for European options are computed. A sequential maximum likelihood estimation method is developed to estimate the parameters of the pricing model using data on the underlying asset and option prices.An empirical analysis based on Shanghai Stock Exchange （SSE） 50ETF options shows that in terms of implied volatility root mean squared error （IVRMSE） the CR-EGARCH model offers a 13.52% improvement over the standard R-EGARCH model. The R-EGARCH model offers 10.95%， 29.48% and 25.02% improvements over the Component EGARCH （C-EGARCH） model， the EGARCH model and the B-S model， respectively. The results provide strong support for incorporating the component volatility structure as well as the intraday extreme-value information from realized measure （range） to improve option pricing performance， with the proposed CR-EGARCH model offers the best option pricing performance. Finally， it is confirmed that the superior pricing performance of the CR-EGARCH model is robust to different evaluation criteria， different sample period， out-of-sample analysis， different realized measure and different option type.

Key words: option pricing, Realized EGARCH model, volatility components, leverage effects, range

中图分类号:

F830.9

吴鑫育,尹学宝,谢海滨, 等. 基于成分Realized EGARCH模型的期权定价研究[J]. 中国管理科学, 2026, 34(4): 22-33.

Xinyu Wu,Xuebao Yin,Haibin Xie, et al. Option Pricing with Component Realized EGARCH Model[J]. Chinese Journal of Management Science, 2026, 34(4): 22-33.

图/表 6

表1

图1

表2

表3

参数估计结果"

参数	EGARCH	C-EGARCH	R-EGARCH	CR-EGARCH
客观参数
$λ$	0.0270	0.0294	0.0305	0.0300
$λ$	(0.0066)	(0.0062)	(0.0036)	(0.0038)
$ω (m 1)$	-0.0797	-0.0214	-0.1216	-0.0766
$ω (m 1)$	(0.0008)	(0.0004)	(0.0013)	(0.0010)
$α 1$				0.1084
$α 1$				(0.0026)
$β 1$		0.9968		0.9910
$β 1$		(0.0001)		(0.0002)
$d 1$		0.0097		0.0109
$d 1$		(0.0030)		(0.0021)
$d 2$		0.0789		0.0388
$d 2$		(0.0033)		(0.0017)
$α (α 2)$			0.1372	0.0371
$α (α 2)$			(0.0025)	(0.0037)
$β (β 2)$	0.9892	0.9143	0.9857	0.7910
$β (β 2)$	(0.0003)	(0.0089)	(0.0002)	(0.0057)
$ν 1$	-0.0068	-0.0332	-0.0160	-0.0597
$ν 1$	(0.0027)	(0.0053)	(0.0019)	(0.0038)
$ν 2$	0.1574	0.1096	0.0527	0.0216
$ν 2$	(0.0032)	(0.0075)	(0.0016)	(0.0025)
$ξ$			-0.7385	-0.7376
$ξ$			(0.0030)	(0.0021)
$σ u 2$			0.4789	0.4743
$σ u 2$			(0.0092)	(0.0095)
$δ 1$			0.0628	0.0572
$δ 1$			(0.0039)	(0.0055)
$δ 2$			0.2575	0.2555
$δ 2$			(0.0032)	(0.0032)
波动率风险溢价
$χ$			0.1266	0.0748
$χ$			(0.0104)	(0.0101)
对数似然
$l n L R$	11530.5911	11542.8590	11577.6242	11581.3346
$l n L R, x$			7209.9617	7232.1409
$l n L O$			2526.1689	2700.0491

表3

图2

表4

参考文献 45

[1]	Black F， Scholes M. The pricing of options and corporate liabilities［J］. Journal of Political Economy，1973，81（3）： 637-654.
[2]	Yue T， Gehricke S A， Zhang J E， et al. The implied volatility smirk in the Chinese equity options market［J］. Pacific-Basin Finance Journal， 2021， 69： 101624.
[3]	Heston S L. A closed-form solution for options with stochastic volatility with applications to bond and currency options［J］. The Review of Financial Studies， 1993， 6（2）： 327-343.
[4]	Duan J C. The garch option pricing model［J］. Mathematical Finance， 1995， 5（1）： 13-32.
[5]	Heston S L， Nandi S. A closed-form GARCH option valuation model［J］. The Review of Financial Studies， 2000， 13（3）： 585-625.
[6]	Merton R C. Option pricing when underlying stock returns are discontinuous［J］. Journal of Financial Economics， 1976， 3（1-2）： 125-144.
[7]	Kou S G. A jump-diffusion model for option pricing［J］. Management Science， 2002， 48（8）： 1086-1101.
[8]	Corsi F， Fusari N， La Vecchia D. Realizing smiles： Options pricing with realized volatility［J］. Journal of Financial Economics， 2013， 107（2）： 284-304.
[9]	Christoffersen P， Feunou B， Jacobs K， et al. The economic value of realized volatility： Using high-frequency returns for option valuation［J］. The Journal of Financial and Quantitative Analysis， 2014， 49（3）： 663-697.
[10]	Majewski A A， Bormetti G， Corsi F. Smile from the past： A general option pricing framework with multiple volatility and leverage components［J］. Journal of Econometrics， 2015， 187（2）： 521-531.
[11]	Christoffersen P， Jacobs K， Ornthanalai C. GARCH option valuation： Theory and evidence［J］. The Journal of Derivatives， 2013， 21（2）： 8-41.
[12]	Chorro C， Fanirisoa Zazaravaka R H. Discriminating between GARCH models for option pricing by their ability to compute accurate VIX measures［J］. Journal of Financial Econometrics， 2022， 20（5）： 902-941.
[13]	Escobar-Anel M， Rastegari J， Stentoft L. Option pricing with conditional GARCH models［J］. European Journal of Operational Research， 2021， 289（1）： 350-363.
[14]	Andersen T G， Bollerslev T， Diebold F X， et al. The distribution of realized stock return volatility［J］. Journal of Financial Economics， 2001， 61（1）： 43-76.
[15]	赵树然，李金宸，张洁，等. 高频网络波动率矩阵模型构建及其应用［J］.中国管理科学，2024， DOI：10.16381/j.cnki.issn1003-207x.2023.0115 .
	Zhao S R， Li J C， Zhang J， et al. Construction and application of high-frequency network volatility matrix model［J］. Chinese Journal of Management Science， In Press， 2024，DOI：10.16381/j.cnki.issn1003-207x.2023.0115 .
[16]	Hansen P R， Huang Z， Shek H H. Realized garch： A joint model for returns and realized measures of volatility［J］. Journal of Applied Econometrics， 2012， 27（6）： 877-906.
[17]	Hansen P R， Huang Z. Exponential GARCH modeling with realized measures of volatility［J］. Journal of Business & Economic Statistics， 2016， 34（2）： 269-287.
[18]	Huang Z， Wang T， Hansen P R. Option pricing with the realized GARCH model： An analytical approximation approach［J］. Journal of Futures Markets， 2017， 37（4）： 328-358.
[19]	Tong C， Hansen P R， Huang Z. Option pricing with state-dependent pricing kernel［J］. Journal of Futures Markets， 2022， 42（8）： 1409-1433.
[20]	Hansen P R， Huang Z， Tong C， et al. Realized GARCH， CBOE VIX， and the volatility risk premium［J］. Journal of Financial Econometrics， 2024， 22（1）： 187-223.
[21]	Tong C， Huang Z. Pricing VIX options with realized volatility［J］. Journal of Futures Markets， 2021， 41（8）： 1180-1200.
[22]	Park Y H. The roles of short-run and long-run volatility factors in options market： A term structure perspective［J/OL］. SSRN Electronic Journal， 2011. .
[23]	Bardgett C， Gourier E， Leippold M. Inferring volatility dynamics and risk premia from the S&P 500 and VIX markets［J］. Journal of Financial Economics， 2019， 131（3）： 593-618.
[24]	吴鑫育，李心丹，马超群. 基于期权与高频数据信息的VaR度量研究［J］. 中国管理科学， 2021， 29（8）： 13-23.
	Wu X Y， Li X D， Ma C Q. Measuring VaR based on the information content of option and high-frequency data［J］. Chinese Journal of Management Science， 2021， 29（8）： 13-23.
[25]	朱福敏，宋佳音，郑尊信. 动态跳扩散双因子与长短期波动率：来自期权市场的证据［J］. 系统工程理论与实践， 2024， 44（6）： 1913-1933.
	Zhu F M， Song J Y， Zheng Z X. Jump-Diffusion dynamics and long-short term volatility： Evidence from option pricing［J］. Systems Engineering —Theory & Practice， 2024， 44（6）： 1913-1933.
[26]	Wang F， Ghysels E. Econometric analysis of volatility component models［J］. Econometric Theory， 2015， 31（2）： 362-393.
[27]	Conrad C， Kleen O. Two are better than one： Volatility forecasting using multiplicative component GARCH-MIDAS models［J］. Journal of Applied Econometrics， 2020， 35（1）： 19-45.
[28]	吴鑫育，谢海滨，李心丹. 基于双成分已实现EGARCH模型的VaR度量研究［J］. 数理统计与管理， 2021， 40（3）： 556-570.
	Wu X Y， Xie H B， Li X D. Measuring VaR based on two-component realized EGARCH model［J］. Jouranl of Applied Statistics and Management， 2021， 40（3）： 556-570.
[29]	Christoffersen P， Jacobs K， Ornthanalai C， et al. Option valuation with long-run and short-run volatility components［J］. Journal of Financial Economics， 2008， 90（3）： 272-297.
[30]	Christoffersen P， Dorion C， Jacobs K， et al. Volatility components， affine restrictions， and nonnormal innovations［J］. Journal of Business & Economic Statistics， 2010， 28（4）： 483-502.
[31]	杨兴林，王鹏. 基于时变波动率的50ETF参数欧式期权定价［J］. 数理统计与管理， 2018，37（1）： 162-178.
	Yang X L， Wang P. Parametric European option pricing of 50ETF options based on time-varying volatility［J］. Journal of Applied Statistics and Management， 2018， 37（1）： 162-178.
[32]	周仁才. 基于波动率分解的期权定价［J］. 系统工程理论与实践， 2018， 38（8）： 1919-1929.
	Zhou R C. Option valuation based on volatility decomposition［J］. Systems Engineering-Theory & Practice， 2018， 38（8）： 1919-1929.
[33]	吴鑫育，李心丹，马超群. 考虑微观结构噪声的非仿射期权定价研究——基于上证50ETF期权高频数据的实证分析［J］.中国管理科学， 2017， 25（12）： 99-108.
	Wu X Y， Li X D， Ma C Q. Non-affine option pricing in the presence of microstructure noises： An empirical study based on the high-frequency Shanghai 50ETF options data［J］. Chinese Journal of Management Science， 2017， 25（12）： 99-108.
[34]	孙有发，吴碧云，郭婷，等. 非仿射随机波动率模型下的50ETF期权定价：基于Fourier-Cosine方法［J］. 系统工程理论与实践， 2020， 40（4）： 888-904.
	Sun Y F， Wu B Y， Guo T， et al. Fourier-Cosine based option pricing for SSE 50 ETF under non-affine stochastic volatility model［J］. Systems Engineering —Theory & Practice， 2020， 40（4）： 888-904.
[35]	吴鑫育，赵凯，李心丹，等. 时变风险厌恶下的期权定价——基于上证50ETF期权的实证研究［J］. 中国管理科学， 2019， 27（11）： 11-22.
	Wu X Y， Zhao K， Li X D， et al. Option pricing under time-varying risk aversion： An empirical study based on SSE 50ETF options［J］. Chinese Journal of Management Science， 2019， 27（11）： 11-22.
[36]	王西梅，赵延龙，史若诗，等. 基于局部波动率模型的上证50ETF期权定价研究［J］. 系统工程理论与实践， 2019， 39（10）： 2487-2501.
	Wang X M， Zhao Y L， Shi R S， et al. Empirical analysis of Shanghai 50ETF options pricing based on local volatility model［J］. Systems Engineering-Theory & Practice， 2019， 39（10）： 2487-2501.
[37]	瞿慧，何佳诺. 基于已实现波动率的50ETF期权定价研究［J］. 管理科学， 2019， 32（3）： 148-160.
	Qu H， He J N. Pricing 50ETF options using realized volatility［J］. Journal of Management Science， 2019， 32（3）： 148-160.
[38]	吴鑫育，姜晓晴，李心丹，等.基于已实现EGARCH-FHS模型的上证50ETF期权定价研究［J］. 中国管理科学， 2024， 32（3）： 105-115.
	Wu X Y， Jiang X Q， Li X D， et al. The pricing of SSE 50 ETF options with realized EGARCH-FHS model［J］. Chinese Journal of Management Science， 2024， 32（3）： 105-115.
[39]	Huang Z， Tong C， Wang T. Which volatility model for option valuation in China？ Empirical evidence from SSE 50 ETF options［J］. Applied Economics， 2020， 52（17）： 1866-1880.
[40]	余湄，程志勇，邓军，等. 一个新的期权定价方法：基于混合次分数布朗运动的新视角［J］. 系统工程理论与实践， 2021， 41（11）： 2761-2776.
	Yu M， Cheng Z Y， Deng J， et al. A new option pricing method： Based on the perspective of sub-mixed fractional Brownian motion［J］. Systems Engineering-Theory & Practice， 2021， 41（11）： 2761-2776.
[41]	Byun S J， Jeon B H， Min B， et al. The role of the variance premium in Jump-GARCH option pricing models［J］. Journal of Banking & Finance， 2015， 59： 38-56.
[42]	Duan J C， Simonato J G. Empirical martingale simulation for asset prices［J］. Management Science， 1998， 44（9）： 1218-1233.
[43]	Broadie M， Chernov M， Johannes M. Model specification and risk premia： Evidence from futures options［J］. The Journal of Finance， 2007， 62（3）： 1453-1490.
[44]	Parkinson M. The extreme value method for estimating the variance of the rate of return［J］. The Journal of Business， 1980， 53（1）： 61-65.
[45]	沈根祥，周泽峰. 拟得分驱动条件异方差自回归极差模型及其实证研究［J］. 中国管理科学， 2025， 33（5）： 34-44.
	Shen G X， Zhou Z F. Quasi score-driven conditional heteroskedastic autoregressive range model and it’s empirical study［J］. Chinese Journal of Management Science， 2025， 33（5）： 34-44.

价值状态	DTM < 30	30 < DTM < 60	60 < DTM < 120	DTM > 120	All
合约数目
S/K< 0.94	1417	1071	1376	1542	5406
0.94 <S/K< 0.97	508	456	432	659	2055
0.97 <S/K< 1.00	531	480	447	682	2140
All	2456	2007	2255	2883	9601
平均价格
S/K< 0.94	0.0043	0.0153	0.0324	0.0775	0.0345
0.94 <S/K< 0.97	0.0149	0.0379	0.0717	0.1196	0.0655
0.97 <S/K< 1.00	0.0338	0.0638	0.1030	0.1536	0.0932
All	0.0128	0.0320	0.0539	0.1052	0.0542
平均隐含波动率
S/K< 0.94	0.3528	0.2715	0.2627	0.2417	0.2821
0.94 <S/K< 0.97	0.2237	0.2075	0.2094	0.2014	0.2100
0.97 <S/K< 1.00	0.2066	0.2005	0.2020	0.1974	0.2013
All	0.2945	0.2400	0.2405	0.2220	0.2486

统计量	收益率	极差	对数极差
样本数	4123	4123	4123
均值	0.0003	0.0002	-9.2080
最小值	-0.1052	0.0000	-12.5720
最大值	0.0955	0.0073	-4.9171
标准差	0.0170	0.0004	1.1739
偏度	-0.1669	6.9482	0.2722
峰度	8.0099	79.6974	3.0168
Q(10)	38.6646	4265.4813	10273.9500

模型	B-S	EGARCH	C-EGARCH	R-EGARCH	CR-EGARCH
Overall IVRMSE	0.0729	0.0775	0.0614	0.0547	0.0473
IVRMSE by moneyness
S/K< 0.94	0.0750	0.0732	0.0599	0.0564	0.0473
0.94 <S/K< 0.97	0.0695	0.0723	0.0565	0.0485	0.0423
0.97 <S/K< 1.00	0.0707	0.0917	0.0692	0.0558	0.0515
IVRMSE by maturity
DTM < 30	0.0679	0.0613	0.0516	0.0666	0.0560
30 < DTM < 60	0.0716	0.0547	0.0464	0.0455	0.0425
60 < DTM < 120	0.0760	0.0672	0.0558	0.0450	0.0413
DTM > 120	0.0755	0.1058	0.0797	0.0561	0.0467