Black-Scholes 模型 + 隐含波动率（IV）求解

日期: 2026-05-26 方向: 期权 / BS / IV 阶段: Phase 1: 基础与工具链 标签: #BlackScholes #ImpliedVolatility #IV #PutCallParity #py_vollib #NumericalMethods

---

今日目标

---

一、为什么是 Black-Scholes：站在 1973 年看 2026 年

1973 年 Fischer Black、Myron Scholes、Robert Merton 三人提出 BS 公式那一刻，期权市场还是「场外议价 + 凭感觉」的状态。BS 提供了第一个可计算、可复制对冲、可反推参数的连续时间定价框架。

50 多年后的今天，所有做市商的报价引擎、所有期权链的 IV/Greeks、所有书本里讲的 Delta-Hedging，根都是 BS。我们今天要学的不是 BS 公式本身（公式三行），而是：

1. BS 五个假设里哪些必然错、错得多严重、错了之后怎么补
2. 从「报价 → IV」反推（IV 求解）的数值方法到底在做什么
3. 为什么 IV 是「市场对未来 σ 的观点」而不是 σ 本身
4. 在 PM 视角，BS 是**「先用最简单的模型上线，再用补丁修正现实」**的样板工程

---

二、BS 模型的五大假设：每一条都不真实，每一条都有用

核心认知：BS 是个已知有缺陷但极有用的模型。它的价值不在于「定价准」，在于：

• 提供了统一语言（IV/Delta/Gamma/Theta/Vega），让全市场可以对话
• 提供了可微的解析解，让 Delta-Hedging 实现可工程化
• 提供了baseline 价格，让套利者能发现偏离

PM 类比：BS 之于期权 ≈ 双因子认证之于身份认证。明知道短信验证码会被劫持，但「先有个能用的标准，再逐步加 TOTP/passkey 补丁」远好过「等到完美方案再上线」。

---

三、BS 完整公式与几何直觉

3.1 Call 公式

设标的当前价 S、行权价 K、到期时间 T（年）、无风险利率 r（连续复利）、波动率 σ、连续股息率 q（无股息时 q=0）：

C = S·e^(-qT)·N(d1) - K·e^(-rT)·N(d2)

d1 = [ln(S/K) + (r - q + σ²/2)·T] / (σ·√T)
d2 = d1 - σ·√T

其中 N(·) 是标准正态分布的 CDF。

3.2 Put 公式

P = K·e^(-rT)·N(-d2) - S·e^(-qT)·N(-d1)

3.3 d1、d2 是什么

不要被 d1/d2 公式吓到，记住一个直觉：

Call 价值 = 「行权时预期能得到的 S」 - 「行权时要支付的 K」
        = S·e^(-qT)·N(d1)     -    K·e^(-rT)·N(d2)

3.4 Python 实现

# tr_lib/options/bs.py
from __future__ import annotations
import math
from dataclasses import dataclass
from scipy.stats import norm

@dataclass(frozen=True)
class BSInputs:
    S: float      # spot
    K: float      # strike
    T: float      # time to maturity in years
    r: float      # risk-free rate (cont. compounded)
    sigma: float  # volatility
    q: float = 0.0  # continuous dividend yield

def _d1_d2(p: BSInputs) -> tuple[float, float]:
    if p.T <= 0 or p.sigma <= 0:
        # degenerate cases handled by callers
        raise ValueError("T and sigma must be > 0")
    d1 = (math.log(p.S / p.K) + (p.r - p.q + 0.5 * p.sigma ** 2) * p.T) / (p.sigma * math.sqrt(p.T))
    d2 = d1 - p.sigma * math.sqrt(p.T)
    return d1, d2

def bs_call(p: BSInputs) -> float:
    if p.T <= 0:
        return max(p.S - p.K, 0.0)
    d1, d2 = _d1_d2(p)
    return p.S * math.exp(-p.q * p.T) * norm.cdf(d1) - p.K * math.exp(-p.r * p.T) * norm.cdf(d2)

def bs_put(p: BSInputs) -> float:
    if p.T <= 0:
        return max(p.K - p.S, 0.0)
    d1, d2 = _d1_d2(p)
    return p.K * math.exp(-p.r * p.T) * norm.cdf(-d2) - p.S * math.exp(-p.q * p.T) * norm.cdf(-d1)

def bs_vega(p: BSInputs) -> float:
    """∂C/∂σ — 与 call/put 相同。单位：1 单位 σ 变化的价格变化（即 σ=0.01 时大约对应 vega/100 的报价变化）。"""
    if p.T <= 0 or p.sigma <= 0:
        return 0.0
    d1, _ = _d1_d2(p)
    return p.S * math.exp(-p.q * p.T) * norm.pdf(d1) * math.sqrt(p.T)

---

四、Put-Call Parity：免费的检查器

4.1 公式

无股息：

C - P = S - K·e^(-rT)

含连续股息率 q：

C - P = S·e^(-qT) - K·e^(-rT)

4.2 为什么这是「免费的」

Put-Call Parity 是纯无套利关系，不依赖 BS 假设、不依赖 σ。只要 r、q 合理，且期权是欧式（American 在无股息时对 call 等价），等式必然成立到 bid-ask spread 范围内。

4.3 三个实战用法

4.4 代码

def parity_residual(call: float, put: float, S: float, K: float, T: float, r: float, q: float = 0.0) -> float:
    """Returns C - P - (S·e^(-qT) - K·e^(-rT)). Should be ~0 modulo bid-ask spread."""
    return call - put - (S * math.exp(-q * T) - K * math.exp(-r * T))

---

五、股息红利的处理：指数 ETF 不能忽略

5.1 为什么 q 重要

5.2 离散股息 vs 连续股息率

学术界用连续股息率 q，简洁。实务里股票发的是离散股息（每季一次）。两种处理方法：

1. Escrowed Dividend Model：从 S 中减去到期前所有股息的现值，再用 BS 定价（更精确，常用于美式期权）
2. 连续化近似：q = 年化股息总额 / S（简单，对长期合约够用，短期合约误差大）

对个人量化（90 天计划），用连续化近似够。把 IBKR 期权链里的 q 字段直接拿来用，或者用近 12 个月股息累计 / 当前股价。

5.3 期货合约

对期货期权，r 用 0（持有期货不用付资金成本，但保证金有），公式变成 Black-76，是 BS 的特例。这里不展开，Day 60+ 期货合约时再讲。

---

六、解 IV：报价 → σ 的反问题

6.1 IV 是什么

Inputs:  S, K, T, r, q, σ
BS:      σ      →     C(σ)
IV:      C_market →   σ_implied

给定一个市场报价 C_market，求 σ 使得 BS(S, K, T, r, q, σ) = C_market。这个 σ 就是隐含波动率（IV）。

注意：

• BS 公式没有 σ 的解析逆函数（不像 d1/d2 可以代入算 C）
• 必须用数值方法
• IV 必然存在且唯一（如果 C_market 在无套利边界内），因为 C 对 σ 严格单调递增（vega > 0）

6.2 二分法（Bisection）

最朴素，最稳。给定 σ 上下界 [σ_lo, σ_hi]（例如 [1e-5, 5.0]）：

# tr_lib/options/iv_solver.py
def iv_bisection(target_price: float, S: float, K: float, T: float, r: float, q: float = 0.0,
                 is_call: bool = True, tol: float = 1e-6, max_iter: int = 100) -> float:
    lo, hi = 1e-5, 5.0
    f = bs_call if is_call else bs_put

    # boundary check — if target outside arbitrage bounds, return NaN
    intrinsic = max((S - K) if is_call else (K - S), 0.0)
    if target_price < intrinsic - 1e-8:
        return float('nan')

    for _ in range(max_iter):
        mid = (lo + hi) / 2
        price = f(BSInputs(S=S, K=K, T=T, r=r, sigma=mid, q=q))
        if abs(price - target_price) < tol:
            return mid
        if price < target_price:
            lo = mid
        else:
            hi = mid
    return mid  # best effort after max_iter

优点：保证收敛（只要解在区间内）、不需要 vega、对边界值鲁棒。 缺点：慢，每次只折半，要 100 次迭代才到 1e-6 精度（log2(5/1e-6) ≈ 23 次，实际更多因为浮点）。

6.3 Newton-Raphson

利用 vega 做切线逼近：

σ_{n+1} = σ_n - [BS(σ_n) - C_market] / vega(σ_n)

def iv_newton(target_price: float, S: float, K: float, T: float, r: float, q: float = 0.0,
              is_call: bool = True, tol: float = 1e-8, max_iter: int = 50) -> float:
    sigma = 0.3  # initial guess
    f = bs_call if is_call else bs_put
    for _ in range(max_iter):
        p = BSInputs(S=S, K=K, T=T, r=r, sigma=sigma, q=q)
        price = f(p)
        diff = price - target_price
        if abs(diff) < tol:
            return sigma
        v = bs_vega(p)
        if v < 1e-12:
            # fall back to bisection if vega ~ 0 (deep ITM/OTM)
            return iv_bisection(target_price, S, K, T, r, q, is_call)
        sigma = sigma - diff / v
        if sigma <= 0:
            sigma = 1e-5  # clamp
    return sigma

优点：通常 5-10 次迭代到 1e-8 精度，比二分法快 10 倍。 缺点：

• 深度 ITM/OTM 时 vega 接近 0，分母不稳定，可能发散
• 初值差时可能跳出合理区间
• 对极短到期（DTE<2）数值很脆

实战建议：混合策略 — Newton 跑 8-10 次没收敛就 fallback 到 bisection。生产代码必须有 fallback。

6.4 py_vollib 用的方法

py_vollib（C 后端 py_lets_be_rational）实现的是 Peter Jäckel 2015 年的 "Let's Be Rational" 算法：

• 用 normalized Black formula 重写定价
• 选择更稳定的初值（基于 Householder 三阶逼近）
• 每次迭代利用 normal cdf 的特殊性质
• 平均 2-3 次迭代收敛到机器精度（1e-15）
• 对深度 OTM 也稳定

结论：生产用 py_vollib，自己写的代码用于学习和兜底。我们今天写一遍是为了理解原理，不是为了用自己写的版本。

6.5 三种方法对比

---

七、自己写 vs py_vollib：跑一遍对比

7.1 验证脚本

# scripts/tr_day17_iv_check.py
import py_vollib.black_scholes_merton.implied_volatility as vlib
from tr_lib.options.bs import bs_call, bs_put, BSInputs
from tr_lib.options.iv_solver import iv_bisection, iv_newton

cases = [
    # (S, K, T, r, q, sigma_true, flag)
    (450, 450, 30/365, 0.045, 0.014, 0.15, 'c'),  # SPY ATM 1M
    (450, 470, 30/365, 0.045, 0.014, 0.18, 'c'),  # OTM call
    (450, 430, 30/365, 0.045, 0.014, 0.20, 'p'),  # OTM put
    (450, 450,  7/365, 0.045, 0.014, 0.12, 'c'),  # short-dated
    (450, 500, 90/365, 0.045, 0.014, 0.22, 'c'),  # deep OTM 3M
]

print(f"{'S':>5} {'K':>5} {'T':>6} {'true σ':>7} {'mine':>10} {'pyvol':>10} {'diff':>10}")
for S, K, T, r, q, sigma, flag in cases:
    p = BSInputs(S=S, K=K, T=T, r=r, sigma=sigma, q=q)
    price = bs_call(p) if flag == 'c' else bs_put(p)

    iv_mine = iv_newton(price, S, K, T, r, q, is_call=(flag == 'c'))
    iv_lib = vlib.implied_volatility(price, S, K, T, r, q, flag)

    print(f"{S:>5} {K:>5} {T:>6.3f} {sigma:>7.4f} {iv_mine:>10.6f} {iv_lib:>10.6f} {abs(iv_mine-iv_lib):>10.2e}")

7.2 预期输出

   S     K      T  true σ       mine      pyvol       diff
 450   450  0.082  0.1500   0.150000   0.150000   1.23e-08
 450   470  0.082  0.1800   0.180000   0.180000   2.55e-09
 450   430  0.082  0.2000   0.200000   0.200000   8.81e-10
 450   450  0.019  0.1200   0.120000   0.120000   4.12e-09
 450   500  0.247  0.2200   0.220000   0.220000   3.07e-09

两边差距 < 1e-6 就算自己的实现过关。如果 diff > 1e-3，说明：

• 公式 bug（最常见是 d1/d2 里的 q 漏了）
• Newton 初值不好导致发散
• norm.cdf 实现精度问题

---

八、IV 不是「σ 的真值」：理解 IV 是什么的「观点」

8.1 三个 σ

8.2 IV 不等于「未来的真 σ」

经验性事实：

IV > RV(未来实现)       通常    （IV 平均高估 1-3 个 vol 点）→ 这是卖期权能赚钱的根本原因
IV < RV(未来实现)       偶尔    （黑天鹅前夕）
IV = RV                  几乎从不

IV 是市场对未来 σ 的「报价共识」，包含三层东西：

1. 统计预期（如果做市商用 GARCH 估的话）
2. 风险溢价（做市商不愿白白承担 Gamma 风险，要 markup）
3. 供需失衡（保险买盘多 → IV 抬高）

学术语言：IV = E^Q[σ]（在风险中性测度 Q 下的期望），而 RV ≈ E^P[σ]（在物理测度 P 下的期望）。两者差距就是 Variance Risk Premium (VRP)。

8.3 这对策略意味着什么

Day 18 会用 IV Rank / IV Percentile 把这种「IV 在历史区间的位置」做成可交易的信号。

---

九、IV Smile / Skew：BS 假设失效的最直接证据

9.1 现象

如果 BS 假设成立（σ 常数），那么同一标的、同一到期日、不同 strike 的期权 IV 应该都一样。

实际市场：

SPY 30-DTE IV (2026-05-26 报价示意):
K=420 (deep OTM put)   →   IV = 28%   ← 高（恐慌溢价）
K=440 (OTM put)        →   IV = 19%
K=450 (ATM)            →   IV = 15%   ← 最低
K=460 (OTM call)       →   IV = 14%
K=480 (deep OTM call)  →   IV = 13%   ← 略低

把 IV 对 K 画图，股票/股指呈现「左高右低」的曲线，叫 volatility skew（也叫 leverage smile、reverse smile）。 外汇/单股经常是对称的「两边高中间低」，叫 volatility smile。

9.2 为什么有 skew

1. 股市崩盘历史：1987 黑色星期一之后，做市商对左尾保护要求更高溢价 → OTM put IV 抬升
2. 杠杆效应：股票跌时，企业 D/E 比率上升 → 实际波动率确实在下跌时更大 → 左尾肥
3. 保险需求：机构投资人长期是 put 的净买方（对冲 long 仓位），需求推高 OTM put 价
4. 没有上方崩盘：股市不会突然大涨 50%，但会突然大跌 50% → 分布天然右偏（log return 左偏）

9.3 这意味着什么

• BS 公式给你「一个 σ」是不对的，市场实际有「σ(K, T)」的曲面
• 用 ATM IV 给 OTM 期权定价会低估 OTM put 的价格
• 但反向利用：把每个 K 的 IV 单独反推，你就有了一张 IV smile，可以用来发现「这个 K 的 IV 偏离 smile 太多 → 可能错价」
• Day 20-21 会画 SPY 真实 IV smile，并用 SVI 模型拟合

---

十、BS 在实战里的失败模式

10.1 杠杆型 ETF（TQQQ / SOXL / UVXY）

3x 杠杆 ETF 的日收益是底层标的的 3x，但长期对数收益不是 3x（volatility drag）。BS 假设 lognormal 完全不适用。这类标的的期权要用杠杆调整的 vol model，或者干脆不交易（个人量化建议直接 skip）。

10.2 Inverse ETF（SQQQ / SH）

价格有 floor（不会变负），但 BS 假设价格可以 → 0。深度 ITM call 定价偏差大。

10.3 Earnings Event

财报前一周 IV 会暴涨，因为期权价格里 priced-in 一个跳跃风险溢价，而 BS 没有跳跃项。这时候用 BS 反推的 IV 包含了 jump premium，不是真正的 diffusion vol。

应对方法：

• 把 earnings 期间的 IV 拆成 diffusion IV + event vol（earnings calendar 工具如 ORATS、Volga 提供）
• 不要用 earnings 前的 IV 直接做 IV percentile 排序（会严重偏高）

10.4 接近到期（< 5 DTE）

T → 0 时：

• vega → 0，IV 解出来对价格极敏感（spread 里的 1 美分能让 IV 跳 5%）
• gamma → ∞，hedging 几乎不可能
• BS 假设的连续 hedging 完全失效
• 个人量化建议：< 5 DTE 不持仓，不交易。机构 0DTE 玩家是另一套生态。

10.5 高股息密集付息日附近

离散股息 + 美式期权 + 行权决策，BS 完全失效。AAPL 季度股息日前的 deep ITM call 可能被提前行权。用 Cox-Ross-Rubinstein 二叉树 或 Bjerksund-Stensland 美式期权近似。

---

十一、PM 视角：BS 教给我做产品的 5 件事

1. 先有模型，再有补丁 — BS 的伟大不在「准」，在于提供了一个能用的 baseline，让整个行业开始迭代。这正是产品做 MVP 的精髓：先上线最朴素的版本，让市场用，再用补丁修。

2. 显式声明假设 — BS 把 5 个假设写得明明白白，所有人都知道在哪儿会失效。坏的产品文档把假设藏起来，好的产品文档把假设贴脸上。我们写 PRD、设计 API 时，应该学 BS：明确列出适用条件。

3. 可观测的偏差就是产品 backlog — IV smile 不是 BS 的失败，是 BS 的「监控指标」。每次 smile 偏离正常形状，就是市场在告诉你「这里有信息」。产品的 backlog 不来自需求文档，来自指标偏离。

4. 数值方法 = 实现细节，关键是方法的选择 — 二分法 vs Newton vs Let's Be Rational，选错了系统就崩。产品里类似的选择无处不在（同步 vs 异步、强一致 vs 最终一致）。没有最好的方法，只有最合适的方法。

5. 「现成的」永远值得评估一次 — py_vollib 比自己写的快 10 倍、稳 100 倍、精度高 10^9 倍。自己写一遍是为了理解，生产用现成的是为了存活。产品里也一样：自建消息队列还是用 Kafka？写一遍 toy 版本理解原理，生产直接用 Kafka。

---

十二、Day 17 实操 Checklist

按顺序：

• (1) 装 py_vollib：pip install py_vollib==1.0.1 （注意是 py_vollib，不是 py-vollib）
• (2) 创建 tr_lib/options/bs.py，把第 3.4 节代码抄进去
• (3) 创建 tr_lib/options/iv_solver.py，二分法 + Newton 都实现，Newton 失败时 fallback 到二分
• (4) 创建 tests/test_bs.py，验证：
  • bs_call + put-call parity 自洽（5 组随机参数，残差 < 1e-10）
  • 自己的 IV solver 与 py_vollib 差距 < 1e-6（10 组参数）
  • 极端值不崩（T=1e-6、σ=5、deep OTM）
• (5) 跑 scripts/tr_day17_iv_check.py，确认输出与第 7.2 节预期一致
• (6) 用 ib_insync 拉一次 SPY 30-DTE 完整期权链，对每个 strike 算 IV，画一条 smile（matplotlib 散点图）
• (7) 用 put-call parity 检查 SPY 期权链，找出 |residual| > 0.05 的异常报价（通常是 illiquid 或 stale 报价）
• (8) 更新 docs/daily/TR_PROGRESS.md Week 3 / Day 17 标 ✅
• (9) 本笔记最后填「实际执行记录」

---

十三、知识结构图（Day 15-17 串联）

Day 15: 期权基础（合约/Greek 概念）
            │
            ▼
Day 16: Greeks 直觉（Delta/Gamma/Theta/Vega/Rho）
            │
            ▼
Day 17: BS 模型 + IV 求解 ← 你在这里
            │
            ├──→ Day 18: IV Rank / IV Percentile（IV 是观点 → 排序成信号）
            │
            ├──→ Day 19: Vol smile / skew / term structure（曲面建模）
            │
            └──→ Day 20-21: Greeks 在期权组合里的合成与 hedging
                            │
                            ▼
                    Week 4: 期权策略（CSP / CC / spread / Iron Condor）

---

十四、明日预告

Day 18: IV Rank / IV Percentile — 把 IV 从「值」变成「信号」

• 为什么单看 IV 的绝对值没意义（TSLA 50% IV 是低，SPY 50% IV 是天塌）
• IV Rank = (current IV - 1y min) / (1y max - 1y min)
• IV Percentile = % of past 1y days where IV < current IV
• 两者差异、各自适用场景
• 用 yfinance/IBKR 拉 1 年 IV30 历史，给 5 个标的算出 IV Rank
• 卖期权策略的 「IV Rank > 50 才入场」 规则的统计依据
• IV Mean Reversion 现象：IV 高了真的会回落吗？做一次 backtest 验证

---

实际执行记录

启动一项填一项，时间戳 + 卡点。

• [hh:mm] 装 py_vollib — ...
• [hh:mm] bs.py 写完 — ...
• [hh:mm] iv_solver.py 写完 — ...
• [hh:mm] test_bs.py 全过 — diff 最大 = ...
• [hh:mm] SPY 期权链 IV smile 画完 — ATM IV = ..., 25Δ put IV = ..., 25Δ call IV = ...
• [hh:mm] Put-call parity 异常报价数 — ...
• 今日最大认知收获：
• 卡点 / 困惑：

---

总字数：约 6,400 字 今日完成度：理论 ✓ / 实操（你自己执行）/ 笔记 ✓