tf-quant-finance 中的 Heston 模型校准:基于欧式期权价格的 `calibration` 完整指南

原创2026-10-12 22:04:211,984 阅读
文章标签:金融科技科学计算

tf-quant-finance 中的 Heston 模型校准:基于欧式期权价格的 calibration 完整指南

本篇技术指南聚焦 tf-quant-finance(TF Quant Finance,TFF)提供的 Heston 模型校准入口 tf_quant_finance.models.heston.calibration:它以一批市场可观测的欧式期权价格作为输入,通过数值优化自动求解 Heston 模型的五个参数(mean_reversion、initial_variance、theta、volvol、rho),并支持一次性批量校准多个模型。读完本文,你将掌握该 API 的完整签名与全部参数含义、可直接运行的校准示例、返回值 CalibrationResult 的结构,以及其背后"半解析定价 + 无约束变换 + L-BFGS 优化"的源码级实现原理与测试验证结论。

Heston 模型与"参数校准"要解决什么问题

Heston 模型是一个经典的随机波动率模型,在 tf-quant-finance 中它被建模为如下 Ito 过程(见 calibration.py 与 heston_model.py 的 docstring):

dX(t) = -V(t) / 2 * dt + sqrt(V(t)) * dW_{X}(t),
dV(t) = mean_reversion(t) * (theta(t) - V(t)) * dt
        + volvol(t) * sqrt(V(t)) * dW_{V}(t)

其中 W_{X} 与 W_{V} 是相关系数为 rho(t) 的两个一维 Brown 运动;V(t) 表示时刻 t 的过程方差,X 表示时刻 t 的现货价格的对数。四个核心参数均为时间的正的分段常数函数(piecewise constant functions of time),其经济含义如下:

参数 含义
mean_reversion 均值回归速率(mean reversion rate),描述方差过程被拉回长期水平的快慢
theta 长期方差水平(long run price variance),方差过程的均值回归目标
volvol 波动率的波动率(volatility of the volatility),描述方差过程自身的波动幅度
rho 对数现货价格与方差之间的相关系数
initial_variance 方差过程的初始值 V(0)

"校准"(calibration)指的是:给定一组市场上观测到的欧式期权价格,反向求解上述参数,使得模型定价与市场价格尽量吻合。TFF 的 calibration 函数正是为此设计的开箱即用入口。

函数总览与完整调用签名

calibration 定义在 tf_quant_finance/models/heston/approximations/calibration.py,并经由 tf_quant_finance/models/heston/init.py 导出为 tff.models.heston.calibration,同时也在 tff.models.heston.approximations.calibration 下可用。完整签名如下(注意所有参数均为 keyword-only,即必须显式写出参数名):

tf_quant_finance.models.heston.calibration(
    *, prices, strikes, expiries, spots=None, forwards=None, is_call_options,
    discount_rates=None, dividend_rates=None, discount_factors=None, mean_reversion,
    initial_variance, theta, volvol, rho, mean_reversion_lower_bound=0.001,
    mean_reversion_upper_bound=0.5, initial_variance_lower_bound=0.0,
    initial_variance_upper_bound=1.0, theta_lower_bound=0.0, theta_upper_bound=1.0,
    volvol_lower_bound=0.0, volvol_upper_bound=1.0, rho_lower_bound=-1.0,
    rho_upper_bound=1.0, optimizer_fn=None, tolerance=1e-06, maximum_iterations=100,
    validate_args=False, dtype=None, name=None
)

函数返回一个三元组 (CalibrationResult, converged, num_iterations),具体结构见下文"返回值详解"。

开箱即用的完整校准示例

官方文档(calibration.md)给出了一个可以直接复制运行的完整示例。该示例一次性校准两个 Heston 模型(batch_size = 2):第一行期权(5 个行权价、0.5 年到期)为看涨期权,第二行(5 个行权价、1 年到期)为看跌期权,远期价格均为 100:

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

dtype = np.float64

# 设置市场条件:观测价格、行权价、到期日、远期、看涨/看跌标记
observed_prices = np.array(
    [[29.33668202, 23.98724723, 19.54631658, 15.9022847, 12.93591534],
     [15.64785924, 21.05865247, 27.11907971, 33.74249536, 40.8485591]],
    dtype=dtype)
strikes = np.array(
    [[80.0, 90.0, 100.0, 110.0, 120.0], [80.0, 90.0, 100.0, 110.0, 120.0]],
    dtype=dtype)
expiries = np.array([[0.5], [1.0]], dtype=dtype)
forwards = 100.0
is_call_options = np.array([[True], [False]])

# 校准模型
models, is_converged, _ = tff.models.heston.calibration(
    prices=observed_prices,
    strikes=strikes,
    expiries=expiries,
    forwards=forwards,
    is_call_options=is_call_options,
    mean_reversion=np.array([0.3], dtype=dtype),
    initial_variance=np.array([0.8], dtype=dtype),
    theta=np.array([0.75], dtype=dtype),
    volvol=np.array([0.1], dtype=dtype),
    rho=np.array(0.0, dtype=dtype),
    optimizer_fn=tff.math.optimizer.bfgs_minimize,
    maximum_iterations=1000)

# 预期校准结果(官方文档给出的参考输出):
# 模型 1:mean_reversion = 0.3, initial_variance = 0.473, volvol = 0.1,
#         theta = 0.724, rho = 0.028
# 模型 2:mean_reversion = 0.3, initial_variance = 0.45, volvol = 0.1,
#         theta = 0.691, rho = -0.073

需要注意几个细节:

  • forwards 在这里是标量 100.0,会被广播到 strikes 的形状;
  • expiries 的形状为 [2, 1](每个 batch 一个到期日),与 [2, 5] 的 strikes 广播兼容;
  • is_call_options 形状为 [2, 1],与价格形状广播后逐元素生效;
  • 示例中显式传入了 tff.math.optimizer.bfgs_minimize 作为优化器,并将 maximum_iterations 提高到了 1000(默认仅 100)。

参数详解(核心参考表)

市场数据参数

参数 形状与说明 约束
prices 形状 [batch_size, num_strikes] 的实数 Tensor,观测到的期权价格;batch_size 即本次调用中同时校准的 Heston 模型个数 必填
strikes 形状 [batch_size, num_strikes] 的实数 Tensor,期权行权价 必填
expiries 形状与 [batch_size, num_strikes] 广播兼容的实数 Tensor,期权到期时间 必填
spots 任意形状实数 Tensor,当前现货价格,广播到 strikes 形状 与 forwards 二选一且只能选其一
forwards 任意形状实数 Tensor,到期远期价格,广播到 strikes 形状 与 spots 二选一且只能选其一
is_call_options 布尔 Tensor,形状与 [batch_size, num_strikes] 兼容;True 表示价格对应看涨期权,False 对应看跌期权 必填
discount_rates 与 strikes 同 dtype、可广播的实数 Tensor;若给定,折现因子按 e^(-rT) 计算,r 为无风险利率 与 discount_factors 最多给一个;默认 None 等价于 r=0、折现因子为 1
dividend_rates 与 strikes 同 dtype、可广播的实数 Tensor,股息率 q 默认 None,等价于 q=0
discount_factors 与 strikes 同 dtype 的实数 Tensor,到期折现因子(即 e^(-rT)) 与 discount_rates 互斥;若同时给了 spots,还会用它计算到期远期价格;默认 None 时映射为从 discount_rates 计算 e^(-rT)

模型参数的初始估计(必填,形状均为 [batch_size])

参数 含义 取值范围要求
mean_reversion 均值回归速率的初始估计 无显式约束(由上下界控制)
initial_variance 方差初始值的初始估计 必须满足 0 <= initial_variance
theta 长期方差的初始估计 必须满足 0 <= theta
volvol 波动率之波动率的初始估计 必须满足 0 <= volvol
rho 远期价格与波动率相关系数的初始估计 必须满足 -1 < rho < 1

参数上下界(约束校准结果的搜索范围)

每个被校准参数都配有独立的 lower_bound / upper_bound,默认值如下表。这些边界不仅用于约束优化结果,还会参与参数的无约束变换(详见"实现原理")。

参数 lower_bound 默认值 upper_bound 默认值
mean_reversion 0.001 0.5
initial_variance 0.0 1.0
theta 0.0 1.0
volvol 0.0 1.0
rho -1.0 1.0

优化与运行参数

参数 说明 默认值
optimizer_fn Python callable,实现校准过程中的目标函数最小化算法。接口约定为 result = optimizer_fn(value_and_gradients_function, initial_position, tolerance, max_iterations),其中 value_and_gradients_function 接收一个实数 Tensor 点、返回 (函数值, 梯度) 元组;返回结果需为包含 position、converged、failed、num_iterations、objective_value 字段的 namedtuple None,源码中映射为 L-BFGS 最小化器(optimizer.lbfgs_minimize,见 calibration.py)
tolerance 实数标量 Tensor,迭代终止的绝对容差 1e-6
maximum_iterations 正整数标量 Tensor,优化最大迭代次数 100
validate_args 布尔值,是否校验输入参数的形状与取值(以牺牲一定性能为代价);开启后越界参数会抛出 InvalidArgumentError False
dtype 参数转 Tensor 时使用的默认 dtype;None 表示由 TensorFlow 自动推断 None
name 创建 op 时使用的名称;None 映射为默认名 'heston_calibration' None

返回值详解

calibration 返回一个三元组:

  1. CalibrationResult:一个 dataclass(定义见 calibration.py),包含五个 rank-1 Tensor 字段,每个字段的 [i] 对应第 i 个 batch 模型校准后的参数:
    • initial_variance:校准后的初始方差水平;
    • mean_reversion:校准后的均值回归速率;
    • theta:校准后的长期价格方差;
    • volvol:校准后的波动率之波动率;
    • rho:校准后的远期价格与随机波动率之间的相关系数。
  2. converged:布尔 Tensor,逐 batch 指示优化算法是否按指定收敛准则找到了最优点。
  3. num_iterations:Tensor,逐 batch 给出优化算法实际执行的迭代次数。

实现原理深挖(源码视角)

1. 输入校验与前置处理

在进入优化之前,calibration.py 会做如下前置处理:

  • 互斥性校验:spots 与 forwards 必须恰好提供一个(if (spots is None) == (forwards is None): raise ValueError);discount_rates 与 discount_factors 最多提供一个,否则直接抛出 ValueError。
  • 折现因子换算:若只给 discount_factors,则反解出 discount_rates = -log(discount_factors) / expiries;若两者都未给,则 discount_rates 取 0(即无折现)。
  • 远期推导:当只给 spots 时,按持有成本公式 forwards = spots * exp(cost_of_carries * expiries) 计算远期,其中 cost_of_carries = discount_rates - dividend_rates。
  • batch 形状提取:batch_shape = prices.shape.as_list()[:-1],动态形状下回退到 tff.utils.get_shape(prices)[:-1]。

2. 目标函数:对数价格均方误差

校准本质上是最小化"模型价格 vs 市场价格"的偏差。核心损失函数定义在 calibration.py:

def _price_transform(x):
    return tf.math.log1p(x)

scaled_target_values = _price_transform(prices)

@make_val_and_grad_fn
def loss_function(x):
    # 从优化变量 x 中解出五个参数
    ...
    values = approximations.european_option_price(
        strikes=strikes, expiries=expiries, forwards=forwards,
        is_call_options=is_call_options,
        variances=..., mean_reversion=..., volvol=..., rho=..., theta=...,
        discount_rates=discount_rates, dividend_rates=dividend_rates, dtype=dtype)
    scaled_values = _price_transform(values)
    return tf.math.reduce_mean((scaled_values - scaled_target_values)**2, axis=-1)

要点:

  • 使用 log1p(x)(即 log(1+x))对价格做缩放后再求 MSE,可让深度虚值/深度实值期权的小价格与平值附近的大价格处于更均衡的贡献权重;
  • 损失按最后一个轴(num_strikes 维)求均值,得到一个逐 batch 的损失向量;
  • 损失函数经由 make_val_and_grad_fn 包装,使优化器能同时拿到函数值与梯度。

3. 有约束问题的无约束化:sigmoid / inverse-sigmoid 变换

Heston 参数存在天然约束(方差非负、相关系数落在 (-1, 1) 等)。源码没有直接做带约束优化,而是先把每个参数映射到无约束空间再交给优化器。相关工具函数位于 calibration.py:

def _scale(x, lb, ub):
    return (x - lb) / (ub - lb)

def _to_unconstrained(x, lb, ub):
    # 归一化到 [0,1] 后做 logit(inverse-sigmoid)变换
    x = _scale(x, lb, ub)
    return -tf.math.log((1.0 - x) / x)

def _to_constrained(x, lb, ub):
    # 对无约束变量做 sigmoid 再反归一化回 [lb, ub]
    x = 1.0 / (1.0 + tf.math.exp(-x))
    return x * (ub - lb) + lb

流程为:初始估计 → _assert_parameter_valid(若 validate_args=True 则用 tf.debugging.assert_greater_equal / assert_less_equal 检查初值是否越界)→ 广播到 batch 形状 → _to_unconstrained 送入优化器。优化完成后,_OptimizerArgHandler(calibration.py)按位置从打包变量中解包出五个参数(索引 0~4 分别对应 initial_variance、theta、volvol、mean_reversion、rho),再用 _to_constrained 还原到约束域。这样保证了最终输出参数必然落在用户设定的上下界内。

4. 优化器接口与默认 L-BFGS

optimizer_fn 需要遵循 result = optimizer_fn(value_and_gradients_function, initial_position, tolerance, max_iterations) 的接口。当其为 None 时,源码默认使用 tff.math.optimizer.lbfgs_minimize(从 TensorFlow Probability 导入,见 tf_quant_finance/math/optimizer/init.py)。优化器返回对象需包含 position(最优值)、converged(是否收敛)、failed(是否失败)、num_iterations(迭代次数)、objective_value(目标函数值);这与 TFF 中 OptimizerResult 的字段结构一致(见 conjugate_gradient.py)。官方示例中使用的 tff.math.optimizer.bfgs_minimize 同样满足该接口。

5. 定价内核:Attari 傅里叶变换方法

损失函数内部的 approximations.european_option_price(实现于 european_option.py)是校准的定价引擎。其原理要点:

  • Heston(1993)给出了基于 Fourier 变换的欧式期权半解析定价公式,但其特征函数因复平面中平方根函数的不连续性存在数值问题;本实现采用 Albrecher 指出的"第二个特征函数"版本规避该问题;
  • 进一步采用 Attari 的改进:只需一次 Fourier 数值积分(而非两次),且被积函数按 1/u^2 二次衰减(Heston 原始公式为线性衰减 1/u),收敛更快;
  • 默认使用复合 Simpson 积分规则(IntegrationMethod.COMPOSITE_SIMPSONS_RULE),点数 num_points=1001、积分上下界 lower=1e-9、upper=100(见 european_option.py);
  • 看跌期权通过看涨-看跌平价 undiscounted_put = undiscounted_call - forwards + strikes 计算(european_option.py)。

测试验证:从测试用例看行为保证

tf_quant_finance/models/heston/approximations/calibration_test.py 中的测试覆盖了本 API 的主要行为,可作为使用时的行为契约参考:

  • 动态形状支持(test_dynamic_shapes,第 29 行):在 @tf.function(input_signature=[tf.TensorSpec([None, None], ...)]) 下运行校准,验证了校准函数可在图模式下配合动态 batch 与行权价数量使用;
  • 逐 batch 独立上下界(test_calibration_batch_limits,第 107 行):每个 batch 元素可以传入各自不同的 lower/upper bound 数组(例如 batch 0 的 mean_reversion 界为 [0.05, 1.0]、batch 1 的为 [0.1, 5.0]),校准后所有 batch 均收敛,且用校准参数回算的期权价格与输入价格在 atol=1e-3, rtol=1e-3 内一致;
  • spots + discount_factors 输入路径(test_spots_and_discounts,第 175 行):验证了只给 spots 与 discount_factors、不给 forwards 的调用方式同样能完成校准;
  • 参数校验(test_validate_args,第 237 行):当 validate_args=True 且初值越界(如 volvol=10.5 超出上界、rho=0.76 超出 [-0.75, 0.75])时抛出 tf.errors.InvalidArgumentError;初值合法时正常收敛;
  • 带噪价格恢复(test_calibration,第 345 行):先用"真参数"生成无噪价格,再叠加不同幅度的噪声(noise_size 分别为 0 与 0.01)作为观测价格,校准后用模型回算价格与无噪真值对比,no_noise 场景容差 (1e-2, 5e-3)、low_noise 场景容差 (1e-2, 1e-2),验证了校准过程的数值稳定性与抗噪能力。

实践建议

结合文档参数说明与源码实现,使用时有以下几点值得注意:

  1. 初始估计与上下界要协调:优化器是在"上下界内的无约束空间"中搜索的,初始估计应落在对应上下界之内,否则开启 validate_args=True 会直接报错;上下界设置得越贴近经济含义合理的区间,越有助于快速收敛。
  2. 默认优化器与迭代预算:不传 optimizer_fn 时默认走 L-BFGS;官方示例中显式改用 bfgs_minimize 并把 maximum_iterations 提高到 1000。若校准未收敛(converged 为 False),优先考虑放宽 maximum_iterations 或调整 tolerance。
  3. 优先使用 float64:官方文档与全部测试均使用 dtype=np.float64 以获得校准精度;涉及复杂特征函数与数值积分时,双精度能显著降低舍入误差。
  4. 输入形状约定:prices/strikes 为 [batch_size, num_strikes],而 expiries、is_call_options 可为 [batch_size, 1] 广播形式,充分利用批量校准能力一次性处理多条期限/多种期权类型。
  5. 图模式可用:test_dynamic_shapes 证实该函数支持在 tf.function 内配合动态形状使用,适合嵌入到更大的回测或风险计算管线中。
  6. 校准后验证:测试用例的标准做法是用校准出的参数调用 tff.models.heston.approximations.european_option_price 回算价格并与观测价格对比,这是检验校准质量的推荐方式。

更深入的使用示例与相邻能力(如 Heston 模型的路径模拟 HestonModel、亚式期权近似定价 asian_option_price)可继续参阅 heston 模块索引 与 approximations 模块 的 API 文档。

登录后查看全文
tf-quant-finance