金惠珠和 Oh 东焕 (2025) 提出了一种新的期权定价模型估计框架，该框架结合了局部、状态相关的信息以提高样本外预测性能。他们没有修改基础期权定价模型，例如 Heston-Nandi GARCH 或 Heston 随机波动率框架，而是引入了一种基于关键状态变量的局部 M 估计方法，包括 VIX、已实现波动率和时间。他们的方法根据历史观测值与当前市场状况的相关性，使用具有通过验证程序选择的带宽的核函数重新加权历史观测值。这种自适应估计提高了模型对动态变化的响应能力，同时保持了易处理性。
核心观点：
- 通过修改估计方法而不是模型结构来改进期权定价模型。
- 使用基于核的加权方法依赖于市场状态变量，对观测值进行重新加权。
- 局部估计方法在期权定价的背景下，相对于传统的估计方法具有显著优势。
关键数据和研究结论：
- 局部估计器在预测短期期权隐含波动率方面大幅优于传统非局部方法。
- 这种改进在低波动率环境以及期权横截面中尤为突出。
- 局部估计器在解释未来期权收益方面也优于非局部估计器。
- 当适当结合到估计过程中时，局部信息可以提高期权定价模型的准确性和稳健性。
- 实证研究表明，局部估计方法在时间序列和横截面维度上均显著优于传统非局部方法。
- 局部估计产生的风险中性回报分布更紧密地与非参数基准对齐，特别是在低波动环境中。
- 局部估计下的模型隐含期权预期回报更准确地匹配实际回报，反映了物理与风险中性动态之间的对齐。
研究方法：
- 使用 Heston-Nandi GARCH 和 Heston SV 模型作为基准期权定价模型。
- 采用局部 M 估计框架，使用基于核的加权方法依赖于市场状态变量。
- 考虑了六种随机状态变量：VIX、标普 500 指数的 5 分钟已实现波动率 (RV5)、VVIX、基于 BKM 的无模型风险中性偏度和峰度、方差风险溢价 (VRP) 以及时间。
- 使用扩展窗口和滚动窗口方法，在多个时期进行模型估计和评估。
- 通过比较非局部基准与局部估计方法的样本外 (OOS) 性能，评估模型表现。
主要发现：
- 对于 GARCH 模型，基于 VIX 或时间轴的局部估计实现了最低的隐含波动率预测误差。
- 对于 SV 模型，基于时间轴的局部估计表现最佳，RV5 和 VIX 也取得了优异的结果。
- 局部估计降低了平价和到期期限上的定价误差离散度，从而实现了更均衡的横截面表现。
- 局部估计在期权回报方面提供了更优越的经济意义，其产生的预期期权收益始终比非局部估计计算出的更紧密地与实际期权收益相吻合。
结论：
该研究表明，根据当前市场状况调整估计方法的实际价值。在不增加模型复杂性的情况下，局部估计框架在预测精度方面带来了显著提升，使其特别适用于风险管理、利润率设定和监管预测等应用。
