tf-quant-finance SABR 模型隐含波动率近似计算:implied_volatility 完整指南
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
- 官方 API 参考:implied_volatility.md、european_option_price.md、calibration.md
- 源码实现:implied_volatility.py、european_options.py、calibration.py
- 数值验证:implied_volatility_test.py、calibration_test.py
- 蒙特卡洛对照:SABR 的路径模拟模型见 SabrModel,支持时间依赖参数与几乎精确采样,可用于与本文的解析近似互相验证。