tf-quant-finance SABR 模型校准指南:用欧式期权价格拟合 alpha、beta、volvol 与 rho

原创2026-10-12 20:28:371,991 阅读
文章标签:金融科技科学计算

tf-quant-finance SABR 模型校准指南:用欧式期权价格拟合 alpha、beta、volvol 与 rho

本文以 tf-quant-finance 提供的 tff.models.sabr.calibration 函数为主线,系统讲解如何利用一组欧式期权市场价格(call/put)反解 SABR 模型的四个参数(alpha、beta、volvol、rho)。读完本文,你将掌握校准函数的完整参数语义、两种目标函数(基于隐含波动率 / 基于期权价格)的选择逻辑、优化器与收敛控制手段,并能结合源码理解参数初始化、边界变换与批量校准的底层实现。

SABR 模型与校准问题的数学背景

SABR(Stochastic Alpha Beta Rho)模型用如下随机微分方程组描述标的远期价格 F(t) 与瞬时波动率 sigma(t) 的风险中性动态:

dF = sigma F^beta dW_1
dsigma = volvol sigma dW_2
dW1 dW2 = rho dt

F(0) = f
sigma(0) = alpha

其中四个模型参数的含义为:

参数 符号 含义
alpha α 波动率的初始水平,sigma(0),须严格为正
beta β CEV 指数,控制远期价格与波动率的关系,须满足 0 <= beta <= 1
volvol ν 波动率的波动率(vol-of-vol),须满足 volvol >= 0
rho ρ 两个 Wiener 过程 dW1、dW2 的瞬时相关系数,须满足 -1 < rho < 1

模型结构可参考 SabrModel 源码 中的定义:F_t 为远期价格,v_t 为波动率,beta 为 CEV 参数,volvol 为波动率的波动率,W_F 与 W_v 为两个瞬时相关系数为 rho 的 Wiener 过程。

校准问题:给定一批欧式期权(不同行权价 K、不同到期时间 T)的市场价格,寻找一组 SABR 参数,使模型计算出的期权价格(或其隐含波动率)尽可能贴近市场观测值。tf-quant-finance 的 calibration 函数正是为解决该问题而设计:它基于 SABR 模型的闭式近似解(Hagan 近似)完成校准,无需蒙特卡洛模拟。

校准 API 一览:函数签名与使用入口

校准函数在 tf_quant_finance.models.sabr.approximations.calibration 中实现,并被同时暴露在 tff.models.sabr.calibration 与 tff.models.sabr.approximations.calibration 两个入口下(见 sabr 包 init.py 与 approximations 子包 init.py)。完整签名如下:

tf_quant_finance.models.sabr.calibration(
    *, prices, strikes, expiries, forwards, is_call_options, beta, volvol, rho,
    volatility_type=None, approximation_type=None,
    volatility_based_calibration=True, alpha=None, alpha_lower_bound=None,
    alpha_upper_bound=None, calibrate_beta=False, beta_lower_bound=0.0,
    beta_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
)

注意:所有参数均为关键字参数(* 之后的参数不可按位置传入)。从源码看,approximation_type 与 volatility_type 为 None 时分别默认映射到 SabrApproximationType.HAGAN 与 SabrImpliedVolatilityType.LOGNORMAL,name 默认取 'sabr_calibration'(见 calibration.py 实现)。

输入参数详解

市场数据类参数

参数 形状 说明
prices [batch_size, num_strikes] 观测到的期权价格,实数 Tensor。batch_size 为本次调用中同时校准的 SABR 模型个数
strikes [batch_size, num_strikes] 期权的行权价
expiries 与 [batch_size, num_strikes] 兼容 期权到期时间(年化)
forwards 与 [batch_size, num_strikes] 兼容 观测到的远期价格/利率
is_call_options 与 [batch_size, num_strikes] 兼容 布尔 Tensor,True 表示价格对应看涨期权(call),False 表示看跌期权(put)

其中 batch_size 表示一次调用中并行校准的模型个数:同一批次中,各行可拥有不同的市场数据、不同的参数初值与边界,最终得到 batch_size 组独立的校准结果。这一批量化设计使校准天然支持并行(可配合 tf.function 与 XLA 使用)。

待校准参数及其初值与边界

参数 形状 说明
beta [batch_size] 模型 beta 的初始估计,须满足 0 <= beta <= 1
volvol [batch_size] vol-vol 参数的初始估计,须满足 0 <= volvol
rho [batch_size] 远期价格与波动率相关系数的初始估计,须满足 -1 < rho < 1
alpha [batch_size] 波动率初始水平的初始估计,须严格为正。若为 None,程序会自动估计初值及上下界(详见下文"参数初始化")
alpha_lower_bound 与 alpha 兼容 alpha 校准值的下界;仅当 alpha 非 None 时生效,默认 None
alpha_upper_bound 与 alpha 兼容 alpha 校准值的上界;仅当 alpha 非 None 时生效,默认 None
calibrate_beta 标量布尔 是否将 beta 也纳入校准。若为 True,必须同时给出 beta_lower_bound、beta_upper_bound;若为 False,模型使用 beta 指定的值。默认 False
beta_lower_bound 与 beta 兼容 仅当 calibrate_beta=True 时使用,默认 0.0
beta_upper_bound 与 beta 兼容 仅当 calibrate_beta=True 时使用,默认 1.0
volvol_lower_bound 与 volvol 兼容 volvol 校准值下界,默认 0.0
volvol_upper_bound 与 volvol 兼容 volvol 校准值上界,默认 1.0
rho_lower_bound 与 rho 兼容 rho 校准值下界,默认 -1.0
rho_upper_bound 与 rho 兼容 rho 校准值上界,默认 1.0

实践中一个常用做法是:先根据经验固定 beta(例如利率市场常用 beta=0.5),只校准 alpha、volvol、rho 三个参数,从而将优化问题从 4 维降到 3 维、提高稳定性;当对 beta 不确定时再打开 calibrate_beta=True,并为其指定合理的上下界。

模型变体与损失函数类参数

参数 说明
volatility_type SabrImpliedVolatilityType.NORMAL 或 LOGNORMAL。默认 None 映射为 LOGNORMAL。NORMAL 对应 dF = sigma_n dW 型标的(输出正常模型波动率 sigma_n),LOGNORMAL 对应 dF = sigma_b F dW 型 Black 模型(输出 sigma_B),详见 SabrImpliedVolatilityType 文档
approximation_type SabrApproximationType 枚举实例。默认 None 映射为 HAGAN(Hagan 等人 2002 年提出的解析近似,目前源码中 implied_volatility 仅支持 HAGAN 一种,见 implied_volatility.py)
volatility_based_calibration 布尔值。True 时先把期权价格转成隐含波动率,再最小化输入隐含波动率与模型隐含波动率之差;否则最小化输入价格与模型价格的 log1p 均方误差。默认 True

优化器与流程控制类参数

参数 说明
optimizer_fn 可选 Python callable,实现校准所用的最小化算法。接口约定为 result = optimizer_fn(value_and_gradients_function, initial_position, tolerance, max_iterations),其中 value_and_gradients_function 接受一个实数 Tensor 点并返回 (函数值, 梯度) 元组;返回结果须为包含 position、converged、failed、num_iterations、objective_value 的 namedtuple。默认 None,对应 LBFGS 最小化器(tff.math.optimizer.lbfgs_minimize)
tolerance 实数标量 Tensor,迭代终止的绝对容差,默认 1e-6
maximum_iterations 正整数标量 Tensor,优化最大迭代次数,默认 100
validate_args 布尔值,是否校验输入参数的形状与取值范围(以潜在性能损耗为代价),默认 False
dtype 转换 Tensor 时使用的默认 dtype;默认 None,由 TensorFlow 推断
name 操作命名前缀,默认 None 映射为 'sabr_calibration'

完整可运行示例:从市场报价到校准结果

原文档提供了一个可直接运行的完整示例,其核心逻辑也被 calibration_test.py 的 test_calibration_docstring 验证。下面给出完整代码并逐段解释:

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

dtype = np.float64

# 构造市场条件:两批(batch_size=2)各 5 个行权价的期权
observed_prices = np.array(
    [[20.09689284, 10.91953054, 4.25012702, 1.11561839, 0.20815853],
     [3.34813209, 6.03578711, 10.2874194, 16.26824328, 23.73850935]],
    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)   # 第一批发 0.5 年,第二批 1 年
forwards = 100.0
is_call_options = np.array([[True], [False]])      # 第一批为 call,第二批为 put

# 校准模型:
# 本例使用 lognormal 隐含波动率近似,并显式固定 beta
beta = np.array([0.5, 0.5], dtype=dtype)
models, is_converged, _ = tff.models.sabr.approximations.calibration(
    prices=observed_prices,
    strikes=strikes,
    expiries=expiries,
    forwards=forwards,
    is_call_options=is_call_options,
    beta=beta,
    calibrate_beta=False,               # 固定 beta,不纳入优化
    volvol=np.array([1.0, 1.0], dtype=dtype),
    volvol_lower_bound=0.0,
    volvol_upper_bound=10.0,            # 放宽 volvol 上界,示例中初始值 1.0 距真实值较远
    rho=np.array([0.0, 0.0], dtype=dtype),
    rho_lower_bound=-0.75,
    rho_upper_bound=0.75,
    maximum_iterations=1000)

# 返回两个 SabrModel 的校准参数:
# 模型 1:alpha = 1.5, beta = 0.5, volvol = 0.33, rho = 0.1
# 模型 2:alpha = 2.5, beta = 0.5, volvol = 0.66, rho = -0.1

示例要点:

  • 两个批次分别代表"0.5 年到期的 call 期权链"与"1.0 年到期的 put 期权链",虽然行权价同为 80~120,但价格序列完全不同;
  • forwards = 100.0 作为标量传入,在实现中会被自动广播到与批次兼容的形状(源码中 alpha 自动估计逻辑会对 forwards 做 reduce_mean 处理);
  • 该示例故意将 volvol 初值设为 1.0(真实值为 0.33/0.66)、rho 初值设为 0.0(真实值为 ±0.1),用于展示优化器从较差初值出发仍能收敛。

两种校准目标函数:波动率基准 vs 价格基准

volatility_based_calibration 参数决定了损失函数的构造方式,二者在源码中分别由 _get_loss_for_volatility_based_calibration 与 _get_loss_for_price_based_calibration 实现(见 calibration.py):

波动率基准(默认,True):

  1. 先调用 black_scholes.implied_vol,把输入价格 prices 反解为市场隐含波动率 target_implied_vol(根据 volatility_type 选择 UnderlyingDistribution.LOG_NORMAL 或 NORMAL);
  2. 对候选参数调用 approximations.implied_volatility 计算模型隐含波动率;
  3. 损失函数为各批次内所有行权价上的均方误差:
loss = tf.math.reduce_mean((target_implied_vol - implied_vol)**2, axis=-1)

价格基准(False):

  1. 对输入价格做 log1p 变换:scaled_target = log(1 + prices);
  2. 对候选参数调用 approximations.european_option_price 计算模型价格,同样做 log1p 变换;
  3. 损失函数为:
loss = tf.math.reduce_mean((scaled_values - scaled_target_values)**2, axis=-1)

两种方式各有适用场景:波动率基准贴近交易台的"波动率微笑"拟合习惯,且隐含波动率量纲统一、更利于数值稳定性;价格基准直接面向价格误差,在价格噪音较小时精度表现良好,但深度虚值期权价格接近 0 时需要用 log1p 压缩量纲。测试文件中的参数化用例(no_noise_* 与 low_noise_* 系列)同时覆盖了两种方式在 LOGNORMAL 与 NORMAL 下的校准与价格复现精度。

优化器与收敛控制

默认优化器为 LBFGS(tff.math.optimizer.lbfgs_minimize,源自 TensorFlow Probability),这是 optimizer_fn=None 时的实现选择(源码第 292-293 行:optimizer_fn = optimizer.lbfgs_minimize)。

由于校准对象是一个光滑的最小二乘问题,梯度类方法非常合适。你也可以通过 optimizer_fn 替换为其他实现,例如测试中出现的 tff.math.optimizer.bfgs_minimize(见 test_dynamic_shapes),或 tf-quant-finance 自带的 conjugate_gradient_minimize。optimizer_fn 的返回值必须包含 position、converged、failed、num_iterations、objective_value 五个字段——其中 converged 与 num_iterations 会直接透传为校准函数返回值中的两个 Tensor。

收敛控制由 tolerance(绝对容差,默认 1e-6)与 maximum_iterations(最大迭代次数,默认 100)决定。示例中把 maximum_iterations 提高到 1000,是因为同时校准多个参数且初值偏离较大时,默认 100 次迭代可能不足。测试中波动率基准的用例常把 tolerance 收紧到 1e-8 以获得更高精度。

参数初始化与边界处理:源码级细节

alpha 的自动初始估计

当 alpha=None 时,源码采用如下启发式:令初始 alpha 满足 alpha * F^(beta-1) 处于 10% 量级,即:

alpha = tf.math.reduce_mean(forwards, axis=-1)
alpha = tf.pow(alpha, 1.0 - beta) * 0.1
alpha_lower_bound = alpha * 0.1
alpha_upper_bound = alpha * 10.0

也就是说:以远期价格的均值作为基准,反推使"调整后 alpha"约为 10% 的初值,并把搜索范围设为该初值的 0.1~10 倍。这正是"若不提供 alpha,例程会自行寻找合理初值与边界"的文档承诺。

有约束优化:sigmoid / 逆 sigmoid 变换

SABR 参数均有天然取值范围(alpha>0、0<=beta<=1、volvol>=0、-1<rho<1)。为避免优化器在无约束空间中越界,源码用 _to_unconstrained / _to_constrained 做变量变换:

def _to_unconstrained(x, lb, ub):
    x = (x - lb) / (ub - lb)          # 归一化到 [0, 1]
    return -tf.math.log((1.0 - x) / x)  # 逆 sigmoid(logit)映射到实数轴

def _to_constrained(x, lb, ub):
    x = 1.0 / (1.0 + tf.math.exp(-x))  # sigmoid 映射回 (0, 1)
    return x * (ub - lb) + lb          # 反归一化到 [lb, ub]

优化器在无约束空间(-inf, +inf)内搜索,得到的 position 再通过 _OptimizerArgHandler 的 get_alpha / get_volvol / get_rho / get_beta 方法还原为有界参数。当 calibrate_beta=False 时,get_beta 直接返回用户给定的 beta,不参与优化(packed_optimizer_args 只有 3 个分量 [alpha, volvol, rho]);当 calibrate_beta=True 时,优化向量为 4 个分量 [alpha, volvol, rho, beta]。

批量边界与 validate_args

上下界参数(如 volvol_lower_bound、rho_upper_bound 等)可以按批次分别给出,例如测试用例 test_calibration_batch_limits 中为两个批次设置了不同的边界(volvol_lower_bound=[0.0, 0.2]、volvol_upper_bound=[5.0, 10.0]),并仍能正确恢复真实参数。

validate_args=True 时,每个参数在进入优化前都会通过 tf.debugging.assert_greater_equal / assert_less_equal 校验取值范围(见 _assert_parameter_valid);测试 test_validate_args 证明:当 volvol=12.0 超出上界 10.0、或 rho=0.76 超出 0.75 时,会抛出 tf.errors.InvalidArgumentError。该开关默认关闭以换取性能,生产环境中若担心数据质量可打开。

返回值与结果解读

函数返回一个三元组:

  1. CalibrationResult:一个持有校准结果的 dataclass,包含四个 rank-1 实数 Tensor 字段(见 CalibrationResult 定义):
    • alpha:第 i 个批次的校准 alpha;
    • beta:第 i 个批次的校准 beta(若 calibrate_beta=False 则为用户固定值);
    • volvol:第 i 个批次的校准 volvol;
    • rho:第 i 个批次的校准 rho。
  2. 收敛状态 Tensor:每个批次元素一个布尔值,指示优化算法是否按给定收敛准则找到最优点。
  3. 迭代次数 Tensor:每个批次元素一个整数,为优化算法实际执行的迭代数。

在文档示例中,两个批次分别收敛到 (alpha=1.5, beta=0.5, volvol=0.33, rho=0.1) 与 (alpha=2.5, beta=0.5, volvol=0.66, rho=-0.1)。测试文件以 assertAllClose 校验了这些数值(AlphaRecovered、BetaRecovered、VolVolRecovered、RhoRecovered 四个子测试),表明校准算法在无噪音合成数据上能高精度还原真实参数。

测试与验证:校准可靠性的证据

calibration_test.py 是理解校准行为的最佳参考,其覆盖范围包括:

  • test_calibration_docstring:验证文档示例,收敛且参数还原精度满足容差;
  • test_dynamic_shapes:在 tf.function(input_signature=[tf.TensorSpec([None, None], ...)]) 下以动态形状输入执行校准,证明函数可与 @tf.function 图模式配合(该用例同时演示了 bfgs_minimize 作为 optimizer_fn 的用法);
  • test_calibration_batch_limits:演示各批次独立设置上下界;
  • test_validate_args:验证参数越界时抛错、合法参数正常收敛;
  • test_calibration(参数化):系统性地覆盖 LOGNORMAL/NORMAL × 价格基准/波动率基准 × calibrate_beta 开/关 × 无噪音/1% 比例噪音共 16 种组合。其验证方式值得借鉴:先用真实参数 true_alpha/beta/volvol/rho 通过 european_option_price 生成"无噪音价格",可选地叠加按价格比例缩放的随机噪音,校准后用校准参数回算价格并与无噪音价格对比,assertAllClose 验证端到端一致性。

这些测试同时证明了函数既支持 eager 模式也支持图模式(类装饰器 run_all_in_graph_and_eager_modes)。

与相邻模块的配合使用

校准函数不是孤立的,它与 SABR 模块内的其他组件构成完整工作流:

  • implied_volatility.py:实现 Hagan 近似公式(论文 Managing Smile Risk 中的 A.69 系列公式),给定 SABR 参数输出等价隐含波动率(NORMAL 或 LOGNORMAL)。校准的波动率基准损失函数正是复用它;
  • european_options.py:option_price 先求 SABR 隐含波动率,再套用 Black-Scholes vanilla_prices 得到近似欧式期权价格,是价格基准损失函数与测试中价格生成环节的核心;
  • sabr_model.py:SabrModel(继承 GenericItoProcess)提供蒙特卡洛路径模拟能力,支持时变参数与无偏采样;校准得到的参数可直接喂给 SabrModel 做后续衍生品定价或风险度量,完成"校准 → 定价"闭环。

典型的落地流程是:从市场上抓取期权链报价 → 用 calibration 拟合四个参数 → 用校准参数调用 implied_volatility 生成任意行权价/期限的微笑曲线,或驱动 SabrModel 做模拟定价。整个过程全部基于 TensorFlow 张量运算,天然支持批处理、tf.function 图编译与 XLA 加速。

登录后查看全文
tf-quant-finance