tf-quant-finance SVI 模型实战:用 raw SVI 参数计算 Black-Scholes 隐含波动率(implied_volatility_from_raw_svi_parameters)
tf-quant-finance SVI 模型实战:用 raw SVI 参数计算 Black-Scholes 隐含波动率(implied_volatility_from_raw_svi_parameters)
本文以 tf-quant-finance 的 tff.experimental.svi.implied_volatility_from_raw_svi_parameters 为核心,讲解如何用 raw SVI 五参数 (a, b, rho, m, sigma) 在任意对数货币度(log-moneyness)网格上高效还原期权隐含波动率曲面。读完本文,你将掌握 SVI 总方差公式的数学原理、函数的完整签名与参数语义、两种输入方式(log_moneyness 或 forwards + strikes)的正确用法,以及如何把它与 SVI 校准流程串联起来搭建一条"市场波动率 → 参数拟合 → 任意点波动率插值"的完整链路。
一、背景:SVI 模型与总隐含方差
SVI 模型是一种简洁而广受欢迎的隐含波动率微笑参数化方法。tf-quant-finance 的 SVI 模块将其实现为"总隐含方差"的解析表达式。所谓总隐含方差定义为:
w(k, t) := sigma_BS(k, t)^2 * t
其中 k := log(K / F) 是期权的对数货币度(K 为行权价,F 为远期价格),t 为距到期的时间,sigma_BS(k, t) 是市场 Black-Scholes 隐含波动率。
对于固定到期时间片(即给定 t),raw SVI 参数化由 5 个参数 (a, b, rho, m, sigma) 构成,模型对 w(k) 的近似公式为:
w(k) = a + b * (rho * (k - m) + sqrt((k - m)^2 + sigma^2))
5 个参数各自控制着方差曲线的几何形态(该解释出自参数化文档与[Gatheral, A parsimonious arbitrage-free implied volatility parameterization]):
| 参数 | 作用 |
|---|---|
a |
垂直平移方差曲线(整体水平) |
b |
控制左右两条渐近线之间的夹角 |
rho |
控制方差曲线的旋转(刻画微笑的偏斜方向) |
m |
水平平移方差曲线(微笑最低点位置) |
sigma |
控制曲线在顶点(ATM 附近)的平滑程度 |
正是这套紧凑的五参数表示,让 SVI 能够用极少的自由度刻画一整条 skew/微笑,这也是它在业界被广泛用于波动率曲面插值与套利检测的原因。
二、从总方差到隐含波动率:核心推导
implied_volatility_from_raw_svi_parameters 的任务,是把上面模型给出的总方差进一步换算成Black-Scholes 隐含波动率。依据文档给出的换算关系:
w(k, t) = sigma_BS(k, t)^2 * t
因此:
sigma_BS(k, t) = sqrt(w(k, t) / t)
也就是说,该函数是"先按 SVI 公式算总方差,再除以到期时间并开平方"的两步过程。这一点在源码中体现得非常直接(parameterizations.py):
total_variance = total_variance_from_raw_svi_parameters(
svi_parameters=svi_parameters,
log_moneyness=log_moneyness,
forwards=forwards,
strikes=strikes,
name=name)
dtype = dtype or total_variance.dtype
expiries = tf.convert_to_tensor(expiries, dtype, name='expiries')
implied_volatilities = tf.math.sqrt(total_variance / expiries[:, None])
return implied_volatilities
注意这里的 expiries[:, None]:expiries 是一维 [batch_size],而 total_variance 是二维 [batch_size, num_strikes],通过增加一个长度为 1 的维度,让到期时间与每一行的所有行权价自动广播对齐。
三、函数签名与参数详解
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
)
所有参数均为关键字参数(* 之后),各参数语义如下:
| 参数 | 类型 / 形状 | 说明 |
|---|---|---|
svi_parameters |
rank 2 实数 Tensor,[batch_size, 5] |
每个 volatility skew 对应的 raw SVI 参数,最后一维依次为 (a, b, rho, m, sigma) |
log_moneyness |
rank 2 实数 Tensor,[batch_size, num_strikes] |
期权的对数货币度 k = log(K / F) |
forwards |
rank 2 实数 Tensor,[batch_size, num_strikes] |
期权在到期时刻的远期价格 |
strikes |
rank 2 实数 Tensor,[batch_size, num_strikes] |
期权的行权价 |
expiries |
rank 1 实数 Tensor,[batch_size] |
各 skew 对应的期权到期时间(以年计) |
dtype |
可选 tf.Dtype |
若提供,输入输出 Tensor 均转换为此 dtype;默认 None,即从 log_moneyness 推断 |
name |
Python str |
创建的 ops 的名称;默认 None,映射为 svi_implied_volatility |
返回值:一个 rank 2 实数 Tensor,形状为 [batch_size, num_strikes],即模型计算出的 Black-Scholes 隐含波动率。
抛出的异常:
ValueError:若forwards与strikes只提供了其中一个;ValueError:若log_moneyness与forwards同时提供,或二者均未提供。
四、两种输入方式:log_moneyness 还是 forwards + strikes?
该函数提供了两种指定横轴的方式,源码中的校验逻辑(parameterizations.py)如下:
if (strikes is None) != (forwards is None):
raise ValueError(
'Either both `forwards` and `strikes` must be supplied, or neither.')
if (log_moneyness is None) == (forwards is None):
raise ValueError(
'Exactly one of `log_moneyness` or `forwards` must be provided.')
由此可以总结出三条硬性规则:
strikes与forwards必须成对出现(要么都传,要么都不传);log_moneyness与forwards(及其配对的strikes)必须恰好二选一;- 因此实际可用的合法组合只有两种:
- 传
log_moneyness + expiries(横轴直接给定); - 传
forwards + strikes + expiries(函数内部自动计算log_moneyness = log(strikes / forwards))。
- 传
当选择第二种组合时,函数内部会自动执行换算(parameterizations.py):
forwards = tf.convert_to_tensor(forwards, dtype=dtype, name='forwards')
strikes = tf.convert_to_tensor(strikes, dtype=dtype, name='strikes')
log_moneyness = tf.math.log(strikes / forwards)
五、完整可运行示例
以下示例直接取自 API 文档并保持完整,演示了一条典型的使用路径:给定一组 raw SVI 参数、远期价格、到期时间与多个行权价,一次性算出对应的一组隐含波动率。
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)
# 期望输出(四舍五入到 4 位小数):
# [[0.4849, 0.3972, 0.3265, 0.2785, 0.2582, 0.2647, 0.2905]]
从结果可以看到清晰的"微笑"形态:深度虚值(strike=1800)与深度实值(strike=3000)一侧波动率较高,ATM 附近(strike=2600 附近)波动率最低,这正是 SVI 模型捕捉 skew 形态的典型表现。
若手头直接有对数货币度,也可以走第一种输入方式,例如:
# 直接给定 k = log(K/F),不再需要 forwards 与 strikes
log_moneyness = np.array([[-0.2888, -0.1836, -0.0879, 0.0, 0.0811, 0.1534, 0.2222]])
implied_vol = tff.experimental.svi.implied_volatility_from_raw_svi_parameters(
svi_parameters=svi_parameters,
log_moneyness=log_moneyness,
expiries=expiries)
(以上 log_moneyness 数值即为示例中 log(strike/2402) 的计算结果,两段代码应得到相同的输出。)
六、源码实现剖析:公式是如何落地的
在 parameterizations.py 中,total_variance_from_raw_svi_parameters 的公式落地过程非常直白:
svi_parameters = tf.convert_to_tensor(
svi_parameters, dtype=dtype, name='svi_parameters')
# 将五参数拆成独立的列,保留长度 1 的最右维度以便广播
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))
几个值得注意的工程细节:
- 广播设计:
svi_parameters的最后一个维度被切分成[..., 0:1]等形状为[batch_size, 1]的切片,从而与[batch_size, num_strikes]的log_moneyness自动广播。这意味着同一组参数可以一次性应用到任意数量的行权价上,完全向量化,无需 Python 循环; - 纯 TensorFlow 算子:公式只依赖
tf.sqrt、乘加等基础算子,因此整个函数天然支持tf.function图编译与 XLA 加速,也支持反向梯度传播(这在后续把它嵌入校准优化器时至关重要); - dtype 传播:当
dtype未提供时,以log_moneyness的 dtype 为准,并用于转换svi_parameters。
七、与 total_variance_from_raw_svi_parameters 的关系
implied_volatility_from_raw_svi_parameters 与 total_variance_from_raw_svi_parameters 是 SVI 模块中同一公式的两个视图(二者均在 parameterizations.py 的 __all__ 中导出):
total_variance_from_raw_svi_parameters:直接返回模型总方差w(k),不依赖expiries;implied_volatility_from_raw_svi_parameters:在其基础上额外接收expiries,换算为隐含波动率sigma_BS = sqrt(w / t)。
实际使用中,若你关心的是方差曲面(例如做方差互换估值),用前者;若需要与市场波动率报价直接对比(例如校准时的损失函数),用后者。二者共享同一套输入校验与广播逻辑。
八、完整工作流:先校准,再正演
在真实业务中,svi_parameters 通常不是拍脑袋给定的,而是从市场报价校准而来。tf-quant-finance 的 calibration(实现见 calibration.py)正是为这一目的设计:它以市场 Black-Scholes 波动率为目标,用波动率空间上的加权 L2 范数作为损失,为每个 skew 独立优化 SVI 参数。默认使用共轭梯度优化器(optimizer.conjugate_gradient_minimize),并支持传入自定义 optimizer_fn(如 tfp.optimizer.bfgs_minimize)。
校准的核心链路如下(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
可以看到,校准内部正是以"先算总方差、再除以 expiries 开方得到波动率"的方式构造损失——与 implied_volatility_from_raw_svi_parameters 的数学过程完全一致。
校准示例(取自文档,基于 2021-05-27 时点的 GOOG 期权报价近似数据):
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)
# 期望结果(数值容差内):
# svi_params: [[-0.2978, 0.4212, 0.0415, 0.1282, 0.7436]]
# converged: [True]
校准完成后,把得到的 svi_params 喂给 implied_volatility_from_raw_svi_parameters,即可在任意行权价网格上重建连续、光滑的波动率曲线,完成"市场离散报价 → 连续曲面"的插值任务。
九、测试用例验证:正确性如何保障
该函数的数值正确性由 parameterizations_test.py 中的 test_volatility_correctness 用例锁定:
a = 0.03
b = 0.1
rho = -0.2
m = 0.05
sigma = 0.5
k = np.linspace(-1.25, 1.25, 11)
parameters = np.array([[a, b, rho, m, sigma]])
expiries = np.array([2.])
actual = tff.experimental.svi.implied_volatility_from_raw_svi_parameters(
svi_parameters=parameters, log_moneyness=k, expiries=expiries)
# 期望:[[0.31247711, 0.28922053, 0.26489603, ..., 0.2607681]]
# 使用 assertAllClose(actual, expected, 1e-8) 校验
该测试同时覆盖了两种输入模式(forwards + strikes 与 log_moneyness),并专门测试了非法参数组合的报错行为(test_raises_when_bad_combination_of_inputs),与本文第四节总结的校验规则一一对应。校准模块的端到端正确性则见 calibration_test.py:用已知真参数生成目标波动率(正是通过 implied_volatility_from_raw_svi_parameters 正演),再反向校准并断言参数收敛到真值,构成一个完整的闭环验证。
十、注意事项与使用限制
- 参数约束:raw SVI 参数存在隐含的有效性约束(
b > 0、|rho| < 1、sigma > 0、a + b * sqrt(1 - rho^2) > 0)。正演函数本身不做强校验,但在校准场景下,优化器会在内部把参数变换到无约束空间再求解(见 calibration.py 中的_raw_svi_to_unconstrained/_unconstrained_to_raw_svi),以保证搜索过程中始终满足这些约束; - 形状约定:
expiries必须是一维[batch_size]且与svi_parameters的 batch 维对齐;svi_parameters最后一维必须恰好为 5; - 实验性状态:该模块位于
tf_quant_finance.experimental命名空间下(模块组织见 init.py),API 可能随版本演进调整;calibration的文档中亦标注了 TODO,未来可能支持更高 rank 的输入张量; - 参考依据:模型公式与参数语义出自 Gatheral 关于无套利 SVI 波动率曲面的经典文献(Gatheral J., Jaquier A., Arbitrage-free SVI volatility surfaces),如需深入理解模型性质,建议结合原文研读。
综上,implied_volatility_from_raw_svi_parameters 是 tf-quant-finance SVI 模块中"参数化 → 波动率曲面重建"的关键出口。配合 total_variance_from_raw_svi_parameters 理解方差视图、配合 calibration 理解参数来源,你就能在 TensorFlow 环境中搭建出一套完整、可微、可向量化批量执行的波动率曲面拟合与插值管线。