tf-quant-finance SABR 模型隐含波动率近似计算:implied_volatility 完整指南

原创2026-10-12 17:59:531,717 阅读
文章标签:金融科技科学计算机器学习

tf-quant-finance SABR 模型隐含波动率近似计算:implied_volatility 完整指南

导读

本文围绕 tf-quant-finance 提供的 tff.models.sabr.approximations.implied_volatility 函数展开,系统讲解如何在 SABR 随机波动率模型框架下,利用 Hagan 近似公式("Managing Smile Risk",Wilmott 2002)快速计算欧式期权的隐含波动率。读完本文,你将掌握该函数的完整签名与全部参数语义、SABR 随机微分方程的数学背景、Normal 与 Lognormal 两种波动率类型的取舍,以及如何结合源码把该函数用于期权定价、模型校准与批量行情处理等实战场景。

1. 函数定位与模块结构

implied_volatility 位于 tf-quant-finance 的 SABR 模型解析近似子模块中,模块导出的全部符号见 approximations/init.py:

  • calibration:基于欧式期权价格校准 SABR 参数;
  • european_option_price:SABR 模型下欧式期权近似定价;
  • implied_volatility:SABR 模型下隐含波动率近似计算(本文主角);
  • 枚举类型 SabrApproximationType 与 SabrImpliedVolatilityType。

从 BUILD 的依赖关系可以看出模块分层:european_options 依赖 implied_volatility,calibration 同时依赖两者,而 implied_volatility 本身仅依赖 TensorFlow,是最底层的解析公式实现。

官方 API 文档见 implied_volatility.md,核心源码见 implied_volatility.py。

2. SABR 模型与 Hagan 近似公式

SABR(Stochastic Alpha, Beta, Rho)模型把标的资产的远期价格 F 与随机波动率 sigma 建模为如下风险中性动态过程:

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

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

其中 F(t) 是远期价格,sigma(t) 是随机波动率。五个核心参数各有明确的经济含义:

  • alpha:初始波动率水平 sigma(0);
  • beta:CEV 指数,控制标的分布形态;
  • volvol:波动率的波动率(vol-of-vol);
  • rho:远期价格与波动率两个维纳过程之间的相关系数;
  • f:初始远期价格。

由于 SABR 模型没有封闭形式的精确解,本函数实现了 Hagan 等人提出的近似解,并反解出两种等价模型下的隐含波动率:Normal 模型(sigma_n)或 Black/对数正态模型(sigma_B)。该近似公式即文献 [1] Hagan et al, Managing Smile Risk, Wilmott (2002), 1:84-108 中的经典公式(A.69a/A.69b)。

3. 函数签名与逐参数详解

tf_quant_finance.models.sabr.approximations.implied_volatility(
    *, strikes, expiries, forwards, alpha, beta, volvol, rho,
    shift=0.0,
    volatility_type=tf_quant_finance.models.sabr.approximations.SabrImpliedVolatilityType.LOGNORMAL,
    approximation_type=tf_quant_finance.models.sabr.approximations.SabrApproximationType.HAGAN,
    dtype=None, name=None
)

注意该函数全部参数均为关键字参数(* 之后),这是 tf-quant-finance 的约定风格。各参数语义与取值约束如下表:

参数 类型与形状 含义 取值约束 / 默认值
strikes 实数 Tensor,任意形状 期权执行价 必须严格为正
expiries 实数 Tensor,形状与 strikes 兼容 期权剩余期限(年) 必须严格为正
forwards 实数 Tensor,形状与 strikes 兼容 观测到的标的远期价格 必须严格为正
alpha 实数 Tensor,形状与 strikes 兼容 随机波动率的初始值 必须严格为正
beta 实数 Tensor,形状与 strikes 兼容 模型指数(CEV 参数) 必须满足 0 <= beta <= 1
volvol 实数 Tensor,形状与 strikes 兼容 波动率的波动率乘子 必须非负(volvol >= 0)
rho 实数 Tensor,形状与 strikes 兼容 远期价格与波动率的相关系数 必须满足 -1 < rho < 1
shift 可选 Tensor,形状与 strikes 兼容 位移参数,见下文"移位 SABR" 默认 0.0
volatility_type 枚举 SabrImpliedVolatilityType NORMAL 或 LOGNORMAL 默认 LOGNORMAL
approximation_type 枚举 SabrApproximationType 目前仅支持 HAGAN 默认 HAGAN
dtype tf.DType 张量转换精度 默认 None(由 strikes 推断)
name str 运算名称 默认 'sabr_approx_implied_volatility'

返回值为与 strikes 形状相同的实数 Tensor,包含对应的等价隐含波动率。

4. 快速上手:官方示例

官方文档给出如下可直接运行的最小示例(见 implied_volatility.py):

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

equiv_vol = tff.models.sabr.approximations.implied_volatility(
    strikes=np.array([106.0, 11.0]),
    expiries=np.array([17.0 / 365.0, 400.0 / 365.0]),
    forwards=np.array([120.0, 20.0]),
    alpha=1.63,
    beta=0.6,
    rho=0.00002,
    volvol=3.3,
    dtype=tf.float64)
# Expected: [0.33284656705268817, 1.9828728139982792]

该示例同时被收录在单元测试 implied_volatility_test.py 的 test_implied_volatility_docstring_example 中,测试通过 assertAllClose(equiv_vol, [0.33284656705268817, 1.9828728139982792]) 校验结果,并在注释中说明该答案与 QuantLib 的 ql.sabrVolatility(strike=106.0, forward=120.0, expiryTime=17.0/365.0, alpha=1.63, beta=0.6, volvol=3.3, rho=0.0002) 的等价计算一致,可用于跨库交叉验证。

注意两个期权的期限分别是 17 天与 400 天,用 天数 / 365.0 的年化表示;strikes、expiries、forwards 均为长度为 2 的数组,函数按元素对应计算,这是典型的按 strike 批量处理场景。

5. 源码级剖析:近似公式如何落地

阅读 implied_volatility.py 的实现,可以完整还原 Hagan 公式的计算链条:

5.1 移位与货币性预处理(L167-L177)

strikes += shift
forwards += shift

moneyness = forwards / strikes
log_moneyness = tf.math.log(moneyness)
adj_moneyness = tf.math.pow(moneyness, 1.0 - beta)
sqrt_adj_moneyness = tf.math.sqrt(adj_moneyness)

adj_alpha = alpha * tf.math.pow(strikes, beta - 1.0)

其中 moneyness = F/K 为货币性,adj_alpha = alpha * K^(beta-1) 是调整后的波动率水平。

5.2 Zeta 与数值稳定化(L179-L182,L225-L234)

zeta = (volvol / adj_alpha) * sqrt_adj_moneyness * log_moneyness
zeta_by_xhat = _zeta_by_xhat(zeta, rho, dtype)

zeta 对应文献中的公式(A.69b)。而 _zeta_by_xhat 对 zeta / x_hat(zeta) 做了关键的数值处理:

def _zeta_by_xhat(zeta, rho, dtype):
  zbxh = tf.math.divide_no_nan(
      zeta,
      tf.math.log(
          (tf.math.sqrt(1 - 2 * rho * zeta + zeta * zeta) - rho + zeta) /
          (1.0 - rho)))
  eps = _epsilon(dtype)
  # When zeta -> 0, the limit of zeta / x_hat(zeta) reduces to 1.0
  return tf.where(tf.abs(zeta) > eps, zbxh, 1.0)

当 zeta -> 0(即平价期权附近)时,zeta / x_hat(zeta) 的极限趋于 1.0,直接用除式会产生 0/0 的不稳定数值,因此实现用 tf.where 将小 zeta 分支替换为常数 1.0。判断阈值 _epsilon 依 dtype 而异(implied_volatility.py):float32 取 1e-6,float64 取 1e-10,这解释了为何官方示例建议用 tf.float64 获得更精确的结果。

5.3 分母项与三阶修正项(L184-L195)

denom = _denom(beta, log_moneyness)

correction_2 = ((rho * beta / 4.0) * (1.0 / sqrt_adj_moneyness) *
                (adj_alpha * volvol * expiries))
correction_3 = ((2.0 - 3.0 * rho * rho) / 24.0
                * (volvol * volvol * expiries))

其中 _denom 实现文献公式分母的级数展开(implied_volatility.py):

def _denom(beta, log_f_by_k):
  s = (1.0 - beta) * log_f_by_k
  s_squared = s * s
  return 1.0 + s_squared / 24.0 + (s_squared * s_squared) / 1920.0

correction_2、correction_3 是乘在 (1 + {...}) 中的时域修正项,实现中已乘入 expiries 使其无量纲化。

5.4 两种波动率类型的最终公式

LOGNORMAL(Black 模型)分支(implied_volatility.py):

correction_1 = (((1.0 - beta) * (1.0 - beta) / 24.0) * (1.0 / adj_moneyness) *
                (adj_alpha * adj_alpha * expiries))

return (adj_alpha * (1.0 / sqrt_adj_moneyness) * (1.0 / denom) *
        zeta_by_xhat * (1.0 + correction_1 + correction_2 + correction_3))

NORMAL 分支(implied_volatility.py):

correction_1 = ((-beta * (2.0 - beta) / 24.0) * (1.0 / adj_moneyness) *
                (adj_alpha * adj_alpha * expiries))

number = _denom(0.0, log_moneyness)  # 等价于令 beta = 0

return (adj_alpha * strikes * tf.math.pow(moneyness, beta / 2.0) *
        (number / denom) * zeta_by_xhat *
        (1 + correction_1 + correction_2 + correction_3))

Normal 分支中分母项取 beta = 0(即 Normal 分布对应 CEV 指数为 0),同时 correction_1 的符号与结构也不同,体现了两种波动率类型在数学形式上的本质差异。若传入其他 volatility_type 值,代码会直接抛出 ValueError('Invalid value of volatility_type')。

6. NORMAL 与 LOGNORMAL:如何选择

两个枚举值定义于同一源码文件(implied_volatility.py),API 文档见 SabrImpliedVolatilityType.md:

  • NORMAL:对应 Normal 模型 dF = sigma_n dW 的波动率 sigma_n,波动率对价格水平的敏感度更低,适合利率接近零甚至为负、对数正态假设失真的市场(如部分货币与利率产品);
  • LOGNORMAL:对应 Black(对数正态)模型 dF = sigma_B * F * dW 的波动率 sigma_B,是权益类期权最常用的报价方式,也是默认值。

单元测试分别以 NORMAL 与 LOGNORMAL 为参数验证两种模式下的数值正确性(implied_volatility_test.py),例如同一组参数 strikes=130, forwards=110, expiries=200/365, alpha=0.31, beta=0.5, volvol=2.8, rho=-0.02 下,LOGNORMAL 的期望波动率为 0.1805437461785543,而 NORMAL 的期望值为 14.240742(数量级差异明显,因为 Normal 波动率直接以价格单位度量)。两种类型的测试容差也不同:LOGNORMAL 用 atol=2e-5, rtol=2e-4,NORMAL 用 atol=5e-3, rtol=1e-3。

7. 移位 SABR(shifted SABR):支持负利率场景

shift 参数允许将远期过程修改为 dF = sigma * (F + shift)^beta * dW。引入位移后,只要 F > -shift,负的远期利率就变得合法,这对负利率环境下的定价至关重要。

源码在公式计算前统一执行 strikes += shift; forwards += shift(implied_volatility.py),因此位移前后模型等价。测试 implied_volatility_test.py 的 test_implied_volatility_shifted_model_example 正是利用了这一等价性:它先用负 forward([-0.5, 0.0])加 shift=[1.0, 2.0] 计算,再对位移后的 forward/strike(-0.5+1.0, 0.0+2.0 与 1.0+1.0, 2.0+2.0)不加 shift 计算,断言两者 assertAllClose,在 NORMAL 与 LOGNORMAL 两种类型下均通过。

8. 向量化与广播:一次性处理整张波动率曲面

所有参数都是 Tensor,支持标准的 TensorFlow 广播语义。测试 implied_volatility_test.py 展示了实用模式:strikes 为 [3, 5] 的矩阵,而 expiries、alpha、beta、volvol 为 [3, 1] 的列向量,forwards、rho 为标量,广播后一次性得到 3 个到期日 × 5 个执行价的整张波动率微笑/曲面:

equiv_vol = tff.models.sabr.approximations.implied_volatility(
    strikes=np.array([
        [105.0, 110.0, 115.0, 120.0, 125.0],
        [105.0, 110.0, 115.0, 120.0, 125.0],
        [105.0, 110.0, 115.0, 120.0, 125.0],
    ]),
    expiries=np.array([[30.0 / 365.0], [60.0 / 365.0], [90.0 / 365.0]]),
    forwards=115.0,
    alpha=np.array([[1.00], [1.50], [2.00]]),
    beta=np.array([[0.25], [0.50], [0.75]]),
    rho=0.05,
    volvol=np.array([[2.0], [2.5], [3.0]]),
    dtype=tf.float64)

例如第一行输出的 [0.072901..., 0.048678..., 0.029253..., 0.048663..., 0.069685...] 对应 expiries=30/365, alpha=1.0, beta=0.25, volvol=2.0 下 105~125 五个执行价的隐含波动率,呈明显的波动率微笑形态。这正是用 SABR 拟合市场 smile 的核心用途:一次调用即可生成整张波动率曲面。

9. 边界情形与可微性:测试覆盖的证据

参数化测试 test_implied_volatility_lognormal_correctness 与 test_implied_volatility_normal_correctness(implied_volatility_test.py)覆盖了大量边界组合,均在 float32 与 float64 两种精度下验证:

  • beta = 0:纯 CEV 零指数情形;
  • beta = 1:退化为对数正态 SABR;
  • volvol = 0:波动率不随机,退化为确定性波动率模型;
  • expiries = 0:零期限极限;
  • 平价期权(ATM,strikes == forwards):zeta -> 0 的数值稳定分支所在区间。

此外 test_implied_volatility_differentiable(implied_volatility_test.py)用 tf.GradientTape 对 forwards, strikes, expiries, alpha, beta, rho, volvol 全部七个输入求梯度,并断言所有梯度均有限(np.isfinite)。由于整条计算链全部由可微的 TensorFlow 算子构成(包括 tf.where 分支),该函数天然可微,可以直接接入梯度下降式的参数校准流程——这是本函数能被用于"校准 SABR 参数"的关键前提。

10. 工程应用:定价与校准的调用链

10.1 欧式期权近似定价

european_options.py 的 option_price 正是以本函数为引擎:先调用 implied_volatility 得到 sigma_normal 或 sigma_black,再把它作为波动率输入交给 tf_quant_finance.black_scholes.vanilla_prices.option_price(注意此时 strikes + shift、forwards + shift 传入定价函数),最终得到欧式期权价格。文档示例(european_option_price.md)中,strikes=[90.0, 100.0], expiries=[0.5, 1.0], forwards=[100.0, 110.0], is_call_options=[True, False], alpha=3.2, beta=0.2, volvol=1.4, rho=0.0005 的期望价格为 [10.41244961, 1.47123225]。

10.2 模型参数校准

calibration.py 的 calibration 函数把期权价格先反解为市场隐含波动率,再用 implied_volatility 计算模型隐含波动率,通过最小化两者均方误差(reduce_mean((target_implied_vol - implied_vol)**2),见 calibration.py)得到 alpha, beta, volvol, rho。校准支持 LBFGS/共轭梯度等优化器、参数上下界(如 volvol_lower_bound、rho_upper_bound),以及是否校准 beta 的开关。校准测试 calibration_test.py 验证了用 volatility_based_calibration 能从期权价格中恢复出预设参数(alpha=[1.5, 2.5], beta=[0.5, 0.5], volvol=[0.33, 0.66], rho=[0.1, -0.1]),闭环验证了"隐含波动率函数 → 校准 → 反解参数"的完整链路。

也就是说,implied_volatility 是整个 SABR 解析工具链的基石:向上支撑 european_option_price 定价,再支撑 calibration 校准,三个函数共用同一组 volatility_type / approximation_type 枚举,保证内部一致性。

11. 使用注意事项小结

  • 参数域约束:strikes/expiries/forwards/alpha 必须严格为正,0 <= beta <= 1,volvol >= 0,-1 < rho < 1;在需要强校验时可借助校准接口的 validate_args 或自行用 tf.debugging 断言,implied_volatility 本身不强制校验。
  • 近似类型限制:approximation_type 目前只有 HAGAN 一个取值,源码中 del approximation_type 直接忽略该参数(implied_volatility.py),是为未来扩展预留的接口,请勿期望传入其他近似方案。
  • 精度建议:涉及 zeta -> 0 的 ATM 或短期限场景,建议使用 dtype=tf.float64 以获得 1e-10 级别的数值稳定阈值与更高计算精度(float32 的阈值仅为 1e-6)。
  • 负利率场景:启用 shift 后允许 F > -shift 的负远期价格,但位移需同时作用于 strikes 与 forwards,源码内部已自动处理。
  • 批量与可微:所有参数支持广播,可一次计算整张波动率曲面;函数全程可微,可直接用于 tf.GradientTape 与基于梯度的优化。

12. 延伸阅读

登录后查看全文
tf-quant-finance