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
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| < 1sigma > 0a + 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):
- calibration.py:实现
calibration函数; - parameterizations.py:实现两个参数化函数。
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:
- 由
strikes / forwards[:, None]计算对数金钱度log_moneyness(源码注释明确:k := log(K/F)); - 将市场波动率转换为目标总方差:
total_variance = volatilities**2 * expiries[:, None]; - 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
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:
- 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]); - 校准后的参数重建的隐含波动率与原市场波动率近似(
rtol2%~5%); - 校准后的参数重建的总方差与市场总方差近似(
rtol4%~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
- 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。 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。- 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。 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。- 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)。 - 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。