tf-quant-finance 中的 SVI 波动率模型:从曲面校准到总方差与隐含波动率重建

原创2026-10-12 09:16:241,943 阅读
文章标签:金融科技科学计算

tf-quant-finance 中的 SVI 波动率模型:从曲面校准到总方差与隐含波动率重建

本文介绍高性能量化金融库 tf-quant-finance 中 experimental.svi 模块的完整用法:SVI(Stochastic Volatility Inspired)模型用 5 个参数描述期权隐含波动率微笑,本模块提供批量校准(calibration)、由原始参数计算总方差(total_variance_from_raw_svi_parameters)与隐含波动率(implied_volatility_from_raw_svi_parameters)三个核心函数。读完本文,你将掌握 SVI 模型的数学形式与参数含义、如何用真实市场波动率数据在 TensorFlow 中完成批量校准、如何校验拟合质量并重建波动率曲面,以及各参数在源码层面的底层实现与约束。

一、SVI 模型概述与数学基础

SVI 模型直接参数化期权的总隐含方差(total implied variance)w(k,t) := sigmaBS(k,t)^2 * t,其中 k := log(K/F) 是期权的对数金钱度(log-moneyness),K 为行权价,F 为远期价格,t 为剩余期限,sigmaBS(k,t) 为 Black-Scholes 市场隐含波动率。

对于固定的到期时间切片(给定 expiry t),原始 SVI(raw SVI)参数化由 5 个参数 (a, b, rho, m, sigma) 构成,模型公式为(参见官方 API 文档与源码 parameterizations.py):

w(k) = a + b * (rho * (k - m) + sqrt((k - m)^2 + sigma^2))

1.1 五个原始参数的含义

根据 API 文档与源码中的参数解释(对应文献 Gatheral 的原始论文),各参数作用如下:

参数 含义 对方差图形的影响
a 垂直平移项 整体上下移动方差曲线
b 斜率控制项 控制左右渐近线之间的夹角
rho 旋转控制项 控制方差曲线的旋转(微笑的倾斜方向)
m 水平平移项 水平移动方差曲线(微笑顶点位置)
sigma 平滑度控制项 控制顶点(ATM 附近)曲线的平滑程度

1.2 参数约束

为保证模型合理性,原始 SVI 参数需要满足如下约束(见 calibration.py 中 _raw_svi_to_unconstrained 的注释):

  • b > 0
  • |rho| < 1
  • sigma > 0
  • a + b * sqrt(1 - rho^2) > 0(保证最小方差为正)

由于这些不等式约束的存在,calibration 在内部会把原始参数转换为无约束参数进行优化,文章第三节将详细展开。

1.3 从总方差到隐含波动率

给定到期时间 t,模型隐含波动率由总方差换算得到:

w(k,t) = sigmaBS(k,t)^2 * t  =>  sigmaBS(k,t) = sqrt(w(k,t) / t)

在 tf-quant-finance 中,total_variance_from_raw_svi_parameters 负责计算 w(k),implied_volatility_from_raw_svi_parameters 负责在 w(k) 基础上结合 expiries 换算出隐含波动率。

二、模块结构与导入方式

tf_quant_finance.experimental.svi 模块由两个源文件组成(见 BUILD):

模块入口 init.py 显式导出三个符号:

_allowed_symbols = [
    'calibration',
    'total_variance_from_raw_svi_parameters',
    'implied_volatility_from_raw_svi_parameters',
]

因此标准用法为:

import numpy as np
import tensorflow.compat.v2 as tf
import tf_quant_finance as tff

# 三个函数均可通过 tff.experimental.svi 访问

模块位于 experimental 命名空间下,属于实验性 API,接口在未来版本中可能存在变动。

三、计算模型总方差:total_variance_from_raw_svi_parameters

该函数根据给定的原始 SVI 参数与对数金钱度(或由远期/行权价换算),计算模型输出的总方差。

3.1 函数签名

tf_quant_finance.experimental.svi.total_variance_from_raw_svi_parameters(
    *, svi_parameters, log_moneyness=None, forwards=None, strikes=None, dtype=None,
    name=None
)

3.2 参数说明

参数 类型与形状 说明
svi_parameters rank 2 实数 Tensor,形状 [batch_size, 5] 每条波动率切片的原始 SVI 参数 (a, b, rho, m, sigma)
log_moneyness rank 2 实数 Tensor,形状 [batch_size, num_strikes] 期权的对数金钱度
forwards rank 2 实数 Tensor 期权在到期时的远期价格
strikes rank 2 实数 Tensor 期权的行权价
dtype 可选 tf.Dtype 若提供,输入输出张量统一转换为此 dtype;默认 None,从 log_moneyness 推断
name Python str 操作名;默认 None,映射为 svi_total_variance

forwards 与 strikes 必须成对提供;若二者提供了,则内部自动计算 log_moneyness = log(strikes / forwards)。

3.3 完整示例

以下示例直接取自 API 文档,使用一组给定参数计算 7 个行权价上的总方差:

import numpy as np
import tensorflow.compat.v2 as tf
import tf_quant_finance as tff

svi_parameters = np.array([-0.1825, 0.3306, -0.0988, 0.0368, 0.6011])

forwards = np.array([2402.])
strikes = np.array([[1800., 2000., 2200., 2400., 2600., 2800., 3000.]])

total_var = tff.experimental.svi.total_variance_from_raw_svi_parameters(
    svi_parameters=svi_parameters, forwards=forwards, strikes=strikes)

# Expected: total_var 张量(保留 4 位小数)应为
# [[0.0541, 0.0363, 0.02452, 0.0178, 0.0153, 0.0161, 0.0194]]

3.4 源码实现要点

核心计算在 parameterizations.py 中完成。实现将 svi_parameters 按最后一维切分为 5 个长度为 1 的切片,利用 TensorFlow 广播机制与 log_moneyness 逐元素计算:

a = svi_parameters[..., 0:1]
b = svi_parameters[..., 1:2]
rho = svi_parameters[..., 2:3]
m = svi_parameters[..., 3:4]
sigma = svi_parameters[..., 4:5]
k = log_moneyness

return a + b * (rho * (k - m) + tf.sqrt((k - m)**2 + sigma**2))

保留最右侧长度为 1 的维度是为了让 [batch_size, 5] 的参数与 [batch_size, num_strikes] 的金钱度张量正确广播。

3.5 异常处理

输入组合错误会抛出 ValueError(实现于 parameterizations.py,测试见 parameterizations_test.py):

  • forwards 与 strikes 只提供一个:"Either both 'forwards' and 'strikes' must be supplied, or neither."
  • log_moneyness 与 forwards 同时提供或同时缺失:"Exactly one of 'log_moneyness' or 'forwards' must be provided."

四、计算模型隐含波动率:implied_volatility_from_raw_svi_parameters

该函数在总方差的基础上,结合到期时间 t 换算出 Black-Scholes 隐含波动率。

4.1 函数签名

tf_quant_finance.experimental.svi.implied_volatility_from_raw_svi_parameters(
    *, svi_parameters, log_moneyness=None, forwards=None, strikes=None,
    expiries=None, dtype=None, name=None
)

4.2 参数说明

参数 类型与形状 说明
svi_parameters rank 2 实数 Tensor,形状 [batch_size, 5] 每条波动率切片的原始 SVI 参数
log_moneyness rank 2 实数 Tensor,形状 [batch_size, num_strikes] 期权的对数金钱度
forwards rank 2 实数 Tensor,形状 [batch_size, num_strikes] 期权在到期时的远期价格
strikes rank 2 实数 Tensor,形状 [batch_size, num_strikes] 期权的行权价
expiries rank 1 实数 Tensor,形状 [batch_size] 各切片的到期时间(年化)
dtype 可选 tf.Dtype 默认 None,从 log_moneyness 推断
name Python str 默认 None,映射为 svi_implied_volatility

4.3 完整示例

以下示例取自 API 文档:

import numpy as np
import tensorflow.compat.v2 as tf
import tf_quant_finance as tff

svi_parameters = np.array([-0.1825, 0.3306, -0.0988, 0.0368, 0.6011])

forwards = np.array([2402.])
expiries = np.array([0.23])
strikes = np.array([[1800., 2000., 2200., 2400., 2600., 2800., 3000.]])

implied_vol = tff.experimental.svi.implied_volatility_from_raw_svi_parameters(
    svi_parameters=svi_parameters,
    forwards=forwards,
    strikes=strikes,
    expiries=expiries)

# Expected: implied_vol 张量(保留 4 位小数)应为
# [[0.4849, 0.3972, 0.3265, 0.2785, 0.2582, 0.2647, 0.2905]]

4.4 源码实现要点

该函数是 total_variance_from_raw_svi_parameters 的一层薄封装(见 parameterizations.py):

total_variance = total_variance_from_raw_svi_parameters(
    svi_parameters=svi_parameters,
    log_moneyness=log_moneyness,
    forwards=forwards,
    strikes=strikes,
    name=name)
expiries = tf.convert_to_tensor(expiries, dtype, name='expiries')
implied_volatilities = tf.math.sqrt(total_variance / expiries[:, None])
return implied_volatilities

注意 expiries 为 rank 1 张量,通过 expiries[:, None] 增加一维以广播到 [batch_size, num_strikes] 的总方差张量。因此,若某切片剩余期限为 0,此处的除零会传播为 NaN/Inf,实际使用中应保证 expiries > 0。

4.5 返回与异常

  • 返回:rank 2 实数 Tensor,形状 [batch_size, num_strikes],即模型隐含波动率曲面。
  • 异常与 total_variance_from_raw_svi_parameters 完全一致(forwards/strikes 必须成对,log_moneyness/forwards 必须二选一)。

五、SVI 参数校准:calibration

calibration 是模块的核心:针对一批波动率切片(volatility skews),通过优化 SVI 参数使其在波动率空间上拟合给定的市场隐含波动率。

5.1 函数签名

tf_quant_finance.experimental.svi.calibration(
    *, forwards, expiries, strikes, volatilities, weights=None,
    initial_position=None, optimizer_fn=None, tolerance=1e-06, x_tolerance=0,
    f_relative_tolerance=0, maximum_iterations=100, dtype=None, name=None
)

5.2 输入参数详解

参数 类型与形状 说明
forwards rank 1 实数 Tensor,形状 [batch_size] 每一条切片对应的标的远期价格
expiries rank 1 实数 Tensor,形状 [batch_size] 每一条切片的期权到期时间
strikes rank 2 实数 Tensor,形状 [batch_size, num_strikes] 期权行权价
volatilities rank 2 实数 Tensor,形状 [batch_size, num_strikes] 待拟合的市场 Black-Scholes 隐含波动率
weights 可选 rank 2 实数 Tensor,形状 [batch_size, num_strikes] 加权 L2 损失中的权重;默认 None(等价于全 1)
initial_position 可选 rank 2 实数 Tensor,形状 [batch_size, 5] 优化起点,即原始 SVI 参数元组 (a, b, rho, m, sigma);默认 None 时使用启发式估计,可能收敛较慢
optimizer_fn 可选 Python 可调用对象 自定义优化器(接口见下);默认 None 时使用共轭梯度算法 conjugate_gradient_minimize
tolerance 标量实数 Tensor 梯度范数阈值:当梯度向量的上确界范数低于该值时停止;默认 1e-6
x_tolerance 标量实数 Tensor 相邻迭代位置绝对变化小于该值时停止;默认 0(不启用)
f_relative_tolerance 标量实数 Tensor 相邻迭代目标函数相对变化小于该值时停止;默认 0(不启用)
maximum_iterations 标量正 int32 Tensor 最大迭代次数;源码默认值为 100(注意:API 文档的参数描述段落中写为 200,与函数签名及 calibration.py 中的实际默认值 100 不一致,使用时以源码为准)
dtype 可选 tf.Dtype 张量转换的目标 dtype;默认 None,由 TensorFlow 推断
name Python str 操作名;默认 None,映射为 svi_skew_calibration

5.3 损失函数与优化目标

校准的损失函数是波动率空间上的加权 L2 范数,逐条切片独立优化(见 calibration.py):

@make_val_and_grad_fn
def loss_function(unconstrained_params):
    parameters = _unconstrained_to_raw_svi(unconstrained_params)
    model_variance = parameterizations.total_variance_from_raw_svi_parameters(
        svi_parameters=parameters, log_moneyness=log_moneyness)
    model_vol = tf.math.sqrt(model_variance / expiries[:, None])
    weighted_squared_difference = weights * tf.math.squared_difference(
        model_vol, volatilities)
    loss = tf.math.reduce_sum(weighted_squared_difference, axis=1)
    return loss

可见校准过程中的关键步骤:

  1. 由 strikes / forwards[:, None] 计算对数金钱度 log_moneyness(源码注释明确:k := log(K/F));
  2. 将市场波动率转换为目标总方差:total_variance = volatilities**2 * expiries[:, None];
  3. 每轮迭代把模型总方差开方还原为模型波动率,与市场波动率做(加权)平方差求和。

权重 weights 的实战价值在测试 calibration_test.py 中得到了充分验证:当尾部行权价出现离群波动率时,将对应权重置 0 即可让校准结果忽略这些离群点,从而重新收敛到正确的参数。

5.4 约束处理:原始参数与无约束参数的互相转换

由于原始 SVI 参数受 b > 0、|rho| < 1、sigma > 0、a + b * sqrt(1 - rho^2) > 0 约束,直接对原始参数做无约束优化会遇到边界问题。calibration 采用重参数化技巧(见 calibration.py):

正向转换 _raw_svi_to_unconstrained:

logminvar = tf.math.log(a + b * sigma * tf.math.sqrt(1 - rho**2))
logb = tf.math.log(b)
r = tf.math.log1p(rho) - tf.math.log1p(-rho)   # 相当于 2*arctanh(rho)
logsigma = tf.math.log(sigma)

反向转换 _unconstrained_to_raw_svi:

b = tf.math.exp(u[..., 1])
rho = 2 * tf.math.sigmoid(u[..., 2]) - 1
m = u[..., 3]
sigma = tf.math.exp(u[..., 4])
a = tf.math.exp(u[..., 0]) - b * sigma * tf.math.sqrt(1 - rho**2)

logminvar(最小方差的对数)保证最小方差恒为正,logb/logsigma 保证 b、sigma 恒为正,log1p(rho) - log1p(-rho) 保证 rho 落在 (-1, 1)。由于用户提供的 initial_position 可能不满足这些约束,源码还通过 tf.where(tf.math.is_nan(...), 0, ...) 对转换后出现的 NaN 做了保护。

5.5 默认启发式初始值

当未提供 initial_position 时,_estimate_initial_position 用如下启发式给出起点:

  • rho = 0:强制初始微笑对称;
  • sigma = 0.5:给定合理的顶点平滑度;
  • m:取目标总方差最小的对数金钱度(即微笑顶点位置);
  • a、b:在固定上述取值后,将 SVI 方程简化为 y = a + b * x(其中 x = sqrt((k - m)^2 + sigma^2)),用简单线性回归公式解析求解。

该方法速度快,但文档明确提示"可能收敛较慢";对精度要求高的场景,建议用此前校准得到的参数作为 initial_position 热启动。

5.6 自定义优化器接口

optimizer_fn 必须满足如下接口:

result = optimizer_fn(value_and_gradients_function, initial_position,
                      tolerance, max_iterations)

其中:

  • value_and_gradients_function:接受一个实数 Tensor 点,返回 (函数值, 梯度) 元组;
  • initial_position:优化起点(实数 Tensor);
  • tolerance:停止容差(实数标量 Tensor);
  • max_iterations:最大迭代次数。

optimizer_fn 应返回一个包含 position(最优位置)、converged(是否收敛)、failed(是否失败)、num_iterations(迭代次数)、objective_value(最优目标函数值)的命名元组。默认优化器为 conjugate_gradient_minimize,其基于 HZ2006 算法实现,支持一维 batch,并提供 sufficient_decrease_param、curvature_param 等可调参数(见 ConjugateGradientParams)。

测试 calibration_test.py 验证了默认共轭梯度优化器与 tfp.optimizer.bfgs_minimize 均能完成校准,说明接口对第三方优化器(如 TensorFlow Probability 的 BFGS)也是兼容的。

5.7 校准示例:基于真实市场数据的单条切片

以下示例取自 API 文档,数据基于 2021-05-27 前后 GOOG210820C*(GOOG 2021-08-20 到期看涨期权)的真实市场报价:

import numpy as np
import tensorflow.compat.v2 as tf
import tf_quant_finance as tff

forwards = np.array([2402.])
expiries = np.array([0.23])
strikes = np.array([[
    1700., 1800., 1900., 2000., 2050., 2100., 2200., 2250., 2350., 2400.,
    2450., 2500., 2550., 2600., 2650., 2700., 2750., 2800., 2850., 2900.,
    2950., 3000.
]])
volatilities = np.array([[
    0.5335, 0.4882, 0.4389, 0.3937, 0.3749, 0.3569, 0.3259, 0.3135, 0.29,
    0.283, 0.2717, 0.2667, 0.2592, 0.2566, 0.2564, 0.2574, 0.2595, 0.2621,
    0.2669, 0.2732, 0.2826, 0.2967
]])

(svi_params, converged, _) = tff.experimental.svi.calibration(
    forwards=forwards,
    expiries=expiries,
    strikes=strikes,
    volatilities=volatilities)

# Expected results(数值容差范围内):
# svi_params: [[-0.2978, 0.4212, 0.0415, 0.1282, 0.7436]]
# converged: [True]

5.8 返回值

返回三元组 (parameters, status, iterations):

  • parameters:形状 [batch_size, 5] 的原始 SVI 参数 (a, b, rho, m, sigma);
  • status(即 converged):布尔张量,表示优化是否依据设定的收敛准则找到最优解;
  • iterations:优化实际执行的迭代次数。

六、测试验证与拟合质量检查

仓库中的测试用例既验证了实现正确性,也演示了典型的工作流。

6.1 参数化函数的数值正确性

parameterizations_test.py 用固定参数 (a=-0.02, b=0.15, rho=0.3, m=0.2, sigma=0.4)、forwards=8.0、10 个行权价(4 到 16 线性分布)核对总方差输出,精度容差 1e-8;另一个用例用 (a=0.03, b=0.1, rho=-0.2, m=0.05, sigma=0.5) 与直接传入的 log_moneyness 核对隐含波动率输出。

6.2 校准的收敛性与参数恢复

calibration_test.py 中:

  • test_calibration_correctness:用已知真参数生成市场波动率(batch=2),分别用共轭梯度与 BFGS 校准,断言 converged.all() 且恢复的参数与真值误差在 atol=1e-4, rtol=1e-3 内;
  • test_calibration_correctness_bulk:batch=7、每片 30 个行权价的批量校准,验证了批处理能力与参数恢复(atol=1e-3, rtol=1e-2)。

6.3 真实市场数据回归测试

RealMarketDataCalibrationTest(calibration_test.py)使用 GOOG 真实报价,校验了三件事:

  1. 两种优化器都能收敛,且结果在容差范围内吻合(共轭梯度得到 [-0.1705, 0.3222, -0.0772, 0.0514, 0.5781],BFGS 得到 [-0.1825, 0.3306, -0.0988, 0.0368, 0.6011]);
  2. 校准后的参数重建的隐含波动率与原市场波动率近似(rtol 2%~5%);
  3. 校准后的参数重建的总方差与市场总方差近似(rtol 4%~5%)。

这正是"校准 → 重建 → 质检"闭环的参考实现:先 calibration 得到参数,再分别用 implied_volatility_from_raw_svi_parameters 与 total_variance_from_raw_svi_parameters 回代检验拟合效果。

七、端到端实战工作流

将上述函数串联起来,即可形成从市场数据到定价模型的完整链路:

import numpy as np
import tensorflow.compat.v2 as tf
import tf_quant_finance as tff

# 1) 输入市场数据
forwards = np.array([2402.])
expiries = np.array([0.23])
strikes = np.array([[1800., 2000., 2200., 2400., 2600., 2800., 3000.]])
volatilities = np.array([[0.4849, 0.3972, 0.3265, 0.2785, 0.2582, 0.2647, 0.2905]])

# 2) 校准 SVI 参数
svi_params, converged, iterations = tff.experimental.svi.calibration(
    forwards=forwards, expiries=expiries,
    strikes=strikes, volatilities=volatilities)

if not converged.all():
    print("Calibration did not converge; consider adjusting tolerance/"
          "maximum_iterations or supplying initial_position.")

# 3) 用校准参数重建平滑波动率曲面(任意行权价)
smooth_strikes = np.linspace(1700., 3000., 14)[None, :]
model_vol = tff.experimental.svi.implied_volatility_from_raw_svi_parameters(
    svi_parameters=svi_params, forwards=forwards,
    strikes=smooth_strikes, expiries=expiries)

# 4) 在平滑曲面上对任意行权价期权定价(调用 black_scholes 模块)
option_prices = tff.black_scholes.option_price(
    volatilities=model_vol, strikes=smooth_strikes,
    expiries=expiries, forwards=forwards,
    is_call_options=True)

八、注意事项与已知限制

  1. 输入秩限制:calibration 当前只接受 rank 1 的 forwards/expiries 与 rank 2 的 strikes/volatilities(即 batch 维度为一维)。源码中的 TODO(b/189458981) 注明计划支持更高秩张量,使用多维 batch 时需自行 reshape。
  2. forwards/strikes 成对性:两个参数化函数中,forwards 与 strikes 必须同时提供或同时省略;log_moneyness 与 forwards 必须二选一,否则抛出 ValueError。
  3. 默认值差异:calibration 的 maximum_iterations 源码默认值为 100(x_tolerance 与 f_relative_tolerance 默认值均为 0),API 文档描述段落中的数字存在不一致,实际行为以 calibration.py 为准。
  4. expiries > 0:隐含波动率换算涉及 sqrt(total_variance / t),期限为 0 会产生除零问题。
  5. 参数约束:手工传入 initial_position 时需满足 b > 0、|rho| < 1、sigma > 0、a + b * sqrt(1 - rho^2) > 0,否则转换过程可能出现 NaN(源码虽做了 NaN 兜底,仍建议提供合规初值)。
  6. 实验性模块:experimental.svi 属于实验性 API,接口与默认值可能在后续版本调整,生产环境使用前请锁定版本并参考最新文档(模块索引)。

九、小结

tf-quant-finance 的 experimental.svi 模块用三个函数覆盖了 SVI 模型的核心工作流:total_variance_from_raw_svi_parameters 与 implied_volatility_from_raw_svi_parameters 负责由参数正向生成总方差与波动率曲面,calibration 负责从市场波动率反向拟合参数。得益于 TensorFlow 的向量化与自动微分,批量切片的校准可以一次性完成;源码中约束重参数化、启发式初值与 NaN 兜底等设计保证了优化的稳健性,而测试用例则给出了"校准-重建-质检"的完整参考闭环。对于需要以解析形式表示并外推波动率微笑的定价与风险管理场景,这是一个开箱即用的高质量实现。

登录后查看全文
tf-quant-finance