Testing for Asset Price Bubbles Using Options Data¶

作者: Nicola Fusari, Robert Jarrow, Sujan Lamichhane
来源: Journal of Business & Economic Statistics
主题: 经济理论 / 应用
相关性: 2/10
机构绿灯: Johns Hopkins（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2024.2429470

一、领域脉络与小综述¶

这个方向是什么：这个子方向要解决的核心问题是 资产价格泡沫的实时识别与量化。传统方法（如单位根检验）依赖于价格序列本身，识别滞后且难以区分泡沫成分与基础价值冲击。该方向试图利用衍生品市场（尤其是期权）提供的额外信息，通过期权定价公式的偏离（如 put-call parity 被违反）来识别不可观测的泡沫成分。当前成熟度：属于方法发展期，有若干独立工作（Jarrow 等人的局部鞅方法、Phillips 等人的递归检验），但将期权数据系统用于识别的文献尚在积累中。
发展脉络（history）：
- 奠基工作： Phillips, Wu, and Yu (2011) 以及后续的 Phillips, Shi, and Yu (2015) 提出了基于递归单位根检验（Sup ADF）的泡沫检测方法，成为文献主流基准（PSY 方法）。它们直接检验价格序列是否存在爆炸性根，但不区分泡沫性质。
- 主要进展（局部鞅视角）： Jarrow, Kchia, and Protter (2011) 和 Jarrow, Protter, and Seo (2019) 提出资产价格泡沫等价于资产价值违反局部鞅性质，并利用期权价格数据来检验。
- 当前 frontiers 与本文位置： 本文 Fusari, Jarrow, and Lamichhane (2024) 直接利用 put-call parity（PCP） 的偏离来识别泡沫。它与 Jarrow 等人先前工作（利用期权价格识别局部鞅）共享期权数据这一核心，但有了更直接、更像 “统计识别” 的策略——利用多个期权合约的行权价与到期日，将泡沫估计转化为一个 over-identified 线性系统。它避开了单位根检验的滞后性和对基本面估计的依赖。关键被引文献包括：Gürkaynak (2008, Econometric Reviews) 的开创性回顾论文，以及 Jarrow, Protter, and Ye (2022) 关于利用期货与期权数据推断不可观测变量的更早工作。同时，论文引用了 Whitehouse, Roman, and Indro (2018) 等利用经济和金融变量预测泡沫的实证工作。
- 子线索聚类（被引文献）：
  1. 单位根检验法（PSY 风格）：Phillips, Shi, and Yu (2015) 等。在大样本时间序列下递归检验爆炸性根。优点是无模型，缺点是滞后、对泡沫结构不敏感。
  2. 局部鞅 / 概率方法（Jarrow 一派）：Jarrow, Kchia, and Protter (2011)，Jarrow, Protter, and Seo (2019)。将泡沫视为资产价格过程违反局部鞅性质，利用期权价格进行非参数检验。更理论，且对市场微观结构要求高。
  3. 本文所在的位置（期权衍生品识别）：直接利用 put-call parity 偏离。与第 2 条子线索（Jarrow 一派）密切相关，但更直接地将泡沫视为一个“线性因子”嵌入期权定价模型。该子线索在被引文献中目前只有本文及少数先驱（如 Whitehouse, Roman, and Indro (2018)，但该文侧重基本面预测，不聚焦于衍生品识别机制本身）。文献密度较低。
核心问题与主流方法瓶颈：
- 如何在不依赖对基础价值（dividends / cashflows）的精确估计下，识别泡沫成分？（传统方法受限于此。）
- 如何实现实时（而非事后）检测？单位根检验需要积累一定观测数量，滞后明显。
- 如何处理泡沫的多期共存（例如同时存在多个到期日的泡沫）？
- 作者的 framing 是否合理？：作者说“我们利用 put-call parity 的偏离来估计泡沫”，这是一个非常清晰且诱人的框架。它假设看涨期权和看跌期权的价格差异（在除去了理论价差后）可以唯一归因于泡沫成分。这是一个很强的识别假设，但被作者淡化了——他们似乎回避了“非泡沫因素（如限价、流动性、交易成本、无风险利率波动、股息不确定性）也能导致 put-call parity 短暂偏离”这一可能性。 值得深究的是，关于交易成本、流动性、市场摩擦，这篇论文在识别部分没有做任何 explicit 的 robustness check 或 sensitivity analysis。此外，有一篇重要文献 Jarrow and Protter (2012, Journal of Economic Theory) 系统阐述了泡沫的局部鞅理论，但本文并未在introduction中提及。在参考文献中是否存在关于利用期权隐含波动率曲面（volatility smile）来分离泡沫与其他市场微观噪声的工作？ 这值得您去查。
张力：被引文献之间没有明显对立结论。单位根检验（PSY）和期权识别法（本文）是互补而非竞争关系：前者是纯时间序列视角，后者从跨期衍生品市场获取信息。本文也未对单位根检验的直接适用性提出质疑。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型与可观测数据
- 记号与变量定义：
  - \( S_t \)：标的资产在时刻 \( t \) 的市场价格。
  - \( B_t \)：时刻 \( t \) 的泡沫成分（latent / unobservable, 要估的目标）。
  - \( A_t \)：时刻 \( t \) 的 基础价值（fundamental value），即扣除泡沫后的部分（latent, \( S_t = A_t + B_t \)）。
  - \( C(K, T) \)：在时刻 \( t \)（通常为今日）观测到的、到期日为 \( T \)、行权价为 \( K \) 的 看涨期权价格。
  - \( P(K, T) \)：对应看跌期权价格。
  - \( T_1, T_2, \dots, T_m \)：不同的期权到期日（即不同的“时间点”）。
  - \( K_1, K_2, \dots, K_n \)：不同的期权行权价。
  - \( F_{t,T} \)：在时刻 \( t \) 观测到的、关于到期日 \( T \) 的 远期价格（期货价格，可观测）。
  - \( r \)：无风险利率（已知或可观测）。
- 模型 (核心假设)：
  - 资产价格 = 基础价值 + 泡沫成分：\( S_t = A_t + B_t \)。
  - 论文假设泡沫成分是“非完全对冲的”：即对于一个 vanilla 期权组合（long call + short put with same \(K, T\)），它的 delta 和 gamma 等风险暴露可以被市场完全对冲，但唯有泡沫成分无法复制，从而在期权定价中体现。这种差异体现在，对于同一标的资产和同一到期日，看涨-看跌期权的组合价格会偏离无套利定价。
  - 具体来说，put-call parity 在无泡沫、无摩擦市场中应当是 \( C(K,T) - P(K,T) = S_t - K e^{-r(T-t)} \)。当存在泡沫时，作者假设影响为：\( C(K,T) - P(K,T) = \tilde{S}_t - K e^{-r(T-t)}, \) 且 \( \tilde{S}_t = S_t - B_t \) (即，泡沫消融，基础价值在进行定价)。这等价于：put-call 价差的偏离 = 泡沫成分的一个确定函数。
  - 进一步，假设泡沫对每个期权到期日 \( T \) 的影响可以参数化为一个线性方程。简化模型为：对于每一个期权契约（\(K, T\)），观测到的价差 \( C(K,T) - P(K,T) \) 与理论价差 \( S_t - K e^{-r(T-t)} \) 之间的差异，可以写成关于 \( B \) 的线性方程：\( \text{diff} = g(B) \)，其中函数 \( g \) 取决于期权的到期时间。本文的关键推导是，对于每一个到期日 \( T \)，这个 diff 对不同的 \( K \) 是常数（因为泡沫估计只有一个值）。这就使得我们可以用多个期权（不同 \( K \)）的观测值来“over-identify”同一个泡沫参数。
- 可观测数据：研究者手里有的数据是同一标的资产（如 S&P 500）在不同到期日 \( T \) 与不同行权价 \( K \) 下的 看涨期权与看跌期权的市场报价（\( C(K,T) \) 和 \( P(K,T) \)），以及标的资产的市场价格 \( S_t \)。远期价格 \( F_{t,T} \) 可以从期货市场获取。无风险利率 \( r \) 也是可观测的（例如从国债收益率曲线）。
- 不可观测（潜在）：泡沫成分 \( B_t \)（核心目标）和基础价值 \( A_t \)。
第二步：最小内核（最简特例）
- 在特例下：假设只有一行权价 \( K_1 \) 和一个到期日 \( T_1 \)。
  - 在此情况下，我们只有一个数据点：\( C(K_1,T_1) - P(K_1,T_1) \)。
  - 可观测数据包括：\( S_t, C, P, F, r, K_1, T_1 \)。
  - 模型退化为：我们假设泡沫 \( B_t \) 仅体现在 put-call parity 的偏离上。公式 (3) 在文中给出：\( C(K,T) - P(K,T) = [S_t - B_t] - K e^{-r(T-t)} \)。或者写成：偏离 = \( C - P - (S_t - K e^{-r(T-t)}) = -B_t \)。
- 核心命题（退化形式）：泡沫 \( B_t \) 可以直接从这一个方程中 唯一识别：\( B_t = [S_t - K e^{-r(T-t)}] - [C(K,T) - P(K,T)] \)。
  - 证明（即核心思路）：直接代入公式。这个简单的例子没有 over-identification，没有需要估计的参数（\( B_t \) 被一个方程决定了）。这个例子证明了“在一个无摩擦、无股息的世界中，泡沫可以通过单一的期权对观测显式地读出”。
  - 为什么要引入多个期权：当存在市场摩擦（比如交易成本、流动性溢价）时，从一个方程得出的 \( B_t \) 可能含有噪声或包括非泡沫因素。论文的核心创新就是用多个期权（不同 K 和不同 T）来 over-identify 泡沫 \( B_t \)，从而：
    1. 提高估计效率。
    2. 可以把泡沫分解为不同到期时间的成分（时变泡沫：\( B_t \) 可能以指数衰减，其参数在跨到期日估计时被识别而非歧义）。
- 为什么这个内生是困难的：如果泡沫具有跨期性（例如，泡沫的生命周期长于一期），那么对于不同到期日的期权，泡沫对它们的影响是不同的，这涉及到时间尺度的膨胀。用多个期权去做 over-identification 时，必须要假设泡沫的动态衰减函数——论文的突破在于，作者将一个复杂的衍生品定价识别问题，通过一个线性模型来近似，并利用多个矩条件（moment conditions）来直接回弹泡沫参数，而无需利用基础价值的任何信息。

三、这篇论文做了什么¶

三句话：
1. 研究了如何利用期权市场的 put-call parity 偏离来实时识别和估计资产价格泡沫，无需依赖对基础价值的显式估计。
2. 核心方法是将泡沫视为一个隐藏因子，导致 put 和 call 的价差偏离无套利理论值；通过最小化价格差中关于此因子构造的残差，使用多个行权价和到期日的期权数据 over-identify 泡沫成分。
3. 主要结论：在 2014-2018 年间，S&P 500 和 Nasdaq-100 指数未见显著泡沫，但明星个股（Amazon, Facebook）出现频繁且显著的泡沫，且泡沫时期伴随高波动率和高交易量。
关键设定与假设（在第二节基础上补全）：
- 核心假设：泡沫仅能通过 put-call parity 的偏离来体现，即期权市场中无其他系统性定价噪声。交易成本和流动性溢价的短期影响被忽略，或归为 i.i.d. 的噪声项。隐含假设比文中明言的更强。
- 模型具体化：资产价格分解为 \( S_t = A_t + B_t \)。在期权定价中，泡沫对合约的贡献取决于该泡沫的预期剩余寿命。论文假设泡沫以指数速率衰减：预期未来时刻泡沫 \( = B_t \times e^{-\rho t} \)，\( \rho \) 是泡沫衰减速率（需要估计的参数）。
- 终止条件：泡沫在期权到期日 \( T \) 结束时必须为 0（或基于到期日的 last trading day）。因此，在时间为 \( T \) 的期权合约里，泡沫对价格贡献的现值通项与 \( B_t \) 成比例，比例因子为 \( e^{-\rho (T-t)} \)。
- 最终识别方程：对于每一期权合约，可构建一个线性矩方程：
  \[C(K,T) - P(K,T) - (F_t - K e^{-r(T-t)}) = B_t \times \text{Function}(\tau), \quad \text{其中 } \tau = T-t.\]
  左边是观测到的市场价差减去远期-行权价差（无风险折现后）。右边是泡沫常数乘以一个时间衰减因子。这里，\( B_t \) 是待估参数，而 \(\text{Function}(\tau)\) 由衰减模型给出。
- 与已有文献对比：相比单位根检验（PSY），无需等待价格序列积累。相比 Jarrow 以前的局部鞅方法，模型更简洁（参数化，而非半参数）。
主要结果：
- 方法层面：提出了一个动量计（monitoring statistic），用于判断 \( B_t \) 是否显著大于 0。该统计量的计算基于 daily 的期权数据交易。
- 实证结论：
  1. 指数层面：S&P 500 和 Nasdaq-100 在两个样本期内未检测到显著及持续的正泡沫（泡沫估计值在统计上不显著于零）。
  2. 个股层面：Amazon 和 Facebook 有大量、频繁的正泡沫出现（统计上显著，且持续数日乃至数周）。
  3. 泡沫特征：高波动率和高换手率是泡沫的显著伴随特征。
  4. 稳健性：方法对不同的期权到期日选择稳健，因为识别来自 over-identified 系统，而不是单一期权。
实证的详细解读：
- 数据：S&P 500 和 Nasdaq-100 指数期权，及亚马逊和 Facebook 个股期权。时间跨度：2014.01-2018.12。数据来源是 OptionMetrics。
- 实现：对每日的期权数据，收集所有满足特定流动性条件的期权合约（剔除零报价、价差过大等不满足条件合约）。然后，将一个指数衰减参数 \( \rho \) 视为在跨期权数据池里用 GMM (广义矩估计) 或最小二乘来优化，对所有期权合约残差平方和最小化。
- 结果：论文展示泡沫估计随时间变化的路径。两次泡沫高峰（2015 和 2018 年前后）显著，而 2016 年则相对平静。
- 为何必须讲真实例子：该部分展示了方法的实时性（每天给出一个泡沫估计值），以及对金融政策制定者的实际意义。如果不做金融类应用，可以直接跳过。
🔎 结论是否比证明窄？：是的，这是一个需要注意的点。 论文在 模型设定（公式 4-5） 中假设泡沫对到期日 \( T \) 的期权价格贡献为一个特定的指数衰减函数 \( e^{-\rho (T-t)} \)。这篇论文的核心证明都建立在这个特定的参数形式之上。然而，在结论讨论（Section 5）中，作者声称 “这种方法可以应用于任何存在泡沫的资产”。如果泡沫的衰减是非指数的（例如随机的、或状态依赖的），那么整个识别方程就不再成立。因此，结论（方法广泛适用）宽于可证明的范围（仅适用于指数衰减泡沫假设）。这是一个典型的统计假设与现实模型的差距。

四、开放问题（扎根具体语句）¶

泡沫识别假设的稳健性（第 3 节，方程 4-5）：论文的识别极度依赖于 “put-call parity 的偏离完全归因于泡沫” 这一不可检验的假定。一个直接的开放问题是：如何将交易成本、资金限制产生的流动性效应、以及期权市场的买卖价差等经验上不可忽略的因素纳入模型，并检验泡沫成分是否仍能被分解出来？ 指向文内：Section 3.1，“\( C - P = [S_t - B_t] - K e^{-r(T-t)}\)”。
动态衰减函数的非参数化（第 3 节的参数假设）：泡沫衰减函数 \( e^{-\rho t} \) 是（指数）参数化的，具有很强的曲线形状假设。开放问题：是否可以通过使用多个到期日的期权数据，对泡沫的跨期衰减函数做半参数（甚至非参数）估计？ 指向文内：Section 3.2 的公式(4)-(5)，特别是 \( B_{t,T} = B_t * \text{Function}(\tau) \) 的定义。
多重泡沫的识别（结论的推广限制）：论文假设同一时点只存在一个独立的泡沫成分。但经验上，一个公司可能同时存在多个业务层面的泡沫（如核心业务泡沫 + 新业务/AI 泡沫）。开放问题：如何识别并分离同时存在的多个泡沫成分？ 这会涉及更高的数据维度（需要更多期权到期日或行权价的观测？）和更多的识别假设。指向文内：Section 2.2 的模型设定，未提及多因子泡沫。

Maintained by 陈星宇 · Homepage · Source on GitHub

Testing for Asset Price Bubbles Using Options Data¶

一、领域脉络与小综述¶

二、最核心、最简单的例子 / 数学问题¶

三、这篇论文做了什么¶

四、开放问题（扎根具体语句）¶

评论