跳跃扩散模型

定义

跳跃扩散模型（Jump-Diffusion Model）是在传统扩散过程（如 Black-Scholes）的基础上增加跳跃项，以捕捉突发新闻导致的价格突变。

核心公式

dx = μ dt + σ_b dW + 跳跃项

三个组成部分：

1. 扩散项（σ_b dW）

• 信念波动率 — 概率在没有重大新闻的情况下，因持续信息流（民调更新、分析师评论、社交媒体情绪）而缓慢变化的速度
• 类比：水面上的波纹，持续但温和
• 这就是预测市场的”隐含波动率”

2. 跳跃项

• 突发新闻导致的概率突变
• 辩论中的关键失误、意外的政策声明、突然的退选
• 类比：一块石头砸进水里

3. 漂移项（μ）

• 概率随时间的”自然趋势”
• 关键：漂移被完全锁定

漂移为什么被锁定

概率 p 必须是一个鞅（martingale）。在没有新信息的情况下，你对概率的最佳预测就是当前概率。

如果市场认为特朗普有 60% 的概率赢，那么在没有新信息的情况下，明天的最佳预测还是 60%。

对做市商的意义：你不需要预测方向，只需要估计波动率。方向是所有人都在猜的东西——你没有优势。但波动率可以从数据中精确估计——这才是你的优势。

为什么传统 BS 不够

传统 Black-Scholes 只有扩散（波纹），没有跳跃（石头）。

预测市场的新闻冲击远比股票市场更频繁、更剧烈：

• 选举辩论中的失误
• 突发政策声明
• 候选人退选

这些事件会导致概率瞬间大幅跳变，纯扩散模型无法捕捉。

直观理解

想象你在看一场选举的民调：

• 大多数时候：支持率每天变化 0.1-0.3 个百分点（扩散）
• 某天晚上：候选人在辩论中说了一句灾难性的话，支持率一夜之间从 55% 跌到 42%（跳跃）

跳跃扩散模型同时捕捉了”波纹”和”石头”。

相关概念

• Black-Scholes 模型 — 跳跃扩散是 BS 的扩展
• 做市 — 跳跃扩散帮助做市商管理新闻冲击风险
• 隐含波动率 — 扩散项的核心参数
• Logit 变换 — 让跳跃扩散适配预测市场