tf-quant-finance SABR 模型隐含波动率类型详解:NORMAL 与 LOGNORMAL 的选择与实现

原创2026-10-12 09:45:431,435 阅读
文章标签:金融科技科学计算机器学习

tf-quant-finance SABR 模型隐含波动率类型详解:NORMAL 与 LOGNORMAL 的选择与实现

导读

本文深入解析 tf-quant-finance 中 tf_quant_finance.models.sabr.approximations.SabrImpliedVolatilityType 这一枚举类型,它决定了 SABR 近似解输出的隐含波动率是"正态波动率(normal volatility)"还是"对数正态/Black 波动率(lognormal volatility)"。通过本文,你将理解这两种波动率在数学定义上的本质差异、它们在 implied_volatility、european_option_price 与 calibration 三个核心 API 中的传递路径,以及在实际定价与校准任务中应该如何根据标的资产与市场惯例做出选择。

一、SABR 模型与近似解中的波动率约定

在深入枚举之前,先回顾 SABR 模型本身。tf-quant-finance 中的近似解实现(源码见 implied_volatility.py)将标的远期价格的风险中性动态描述为如下随机微分方程组:

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

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

其中:

  • F(t) 表示标的远期价格随时间的变化;
  • sigma(t) 表示随时间演化的随机波动率;
  • alpha 是波动率的初始值(sigma(0));
  • beta 是模型指数,取值 0 <= beta <= 1;
  • volvol 是波动率的波动率(vol-of-vol);
  • rho 是刻画远期价格与波动率两条 Wiener 过程之间相关性的相关系数,取值 -1 < rho < 1。

该模块采用 Hagan 等人提出的近似解(见 SabrApproximationType,参考文献为 Hagan et al, Managing Smile Risk, Wilmott (2002), 1:84-108),并在此基础上"反解"出等价于正态模型或 Black 模型下的隐含波动率。而"反解到哪一种波动率"正是由 SabrImpliedVolatilityType 枚举控制的。

二、SabrImpliedVolatilityType 枚举定义

SabrImpliedVolatilityType 是一个 enum.Enum,其定义位于 implied_volatility.py,文档页见 SabrImpliedVolatilityType.md。官方文档对其的概括是:"The implied volatility arising from the SABR approximate solution",即 SABR 近似解所反解出的隐含波动率。

该枚举包含两个成员,每个成员对应一类标的动态假设与一套波动率计量口径:

1. NORMAL:正态波动率 sigma_n

官方文档描述为:NORMAL 是正态模型(normal model)的波动率,即对于标的 F 满足如下随机过程的 sigma_n:

dF = sigma_n dW

可以看到,正态模型假设远期价格本身服从算术布朗运动——波动率直接作用于价格水平,而非价格的相对比例。因此 sigma_n 的量纲是"价格单位/时间平方根",典型的输出值也往往比对数正态波动率小一个数量级。

2. LOGNORMAL:对数正态(Black)波动率 sigma_B

官方文档描述为:LOGNORMAL 是对数正态模型(lognormal model,即 Black 模型)的波动率,即对于标的 F 满足如下随机过程的 sigma_B:

dF = sigma_b F dW

对数正态模型假设远期价格服从几何布朗运动——波动率作用于价格的比例(收益率)。这正是利率与外汇市场中 Black-Scholes/Black 隐含波动率的标准口径,其量纲是"无单位的百分比/时间平方根"。

从源码可以确认两个枚举成员的具体取值(implied_volatility.py 中 NORMAL = 1、LOGNORMAL = 2),且该枚举使用 @enum.unique 装饰器保证成员值唯一,避免出现重复取值。

三、两种波动率的本质区别

理解 NORMAL 与 LOGNORMAL 的区别,关键是理解它们各自对应的定价模型:

维度 NORMAL(正态波动率) LOGNORMAL(对数正态/Black 波动率)
标的动态 dF = sigma_n dW(算术布朗运动) dF = sigma_B F dW(几何布朗运动)
波动率作用对象 价格的绝对变动 价格的相对变动(收益率)
常用场景 利率期权(如 CMS、部分债券期权),低/负利率环境下 股票期权、外汇期权及利率市场中传统的 Black 报价
数值量级 相对较小(价格单位口径) 相对较大(百分比口径)
与 beta 的关系 近似相当于设定 beta = 0 的极端情形 对应 beta = 1 的 Black-Scholes 极限

值得强调的是,在 Hagan 近似公式内部,两种波动率的计算路径确实存在系统性差异。查看 implied_volatility.py 的源码可以确认:

  • 当 volatility_type == SabrImpliedVolatilityType.NORMAL 时,公式中的一阶修正项 correction_1 采用 -beta * (2 - beta) / 24 的系数,且分母项 number = _denom(0.0, log_moneyness) 相当于在计算中显式把 beta 置为 0.0;
  • 当 volatility_type == SabrImpliedVolatilityType.LOGNORMAL 时,correction_1 采用 (1 - beta)^2 / 24 的系数,最终结果是一个"等价 Black 波动率"。

也就是说,同样的 SABR 参数(alpha、beta、volvol、rho)与市场数据(strikes、expiries、forwards),选择不同的 volatility_type 会得到不同数值口径的隐含波动率——它们描述的是同一市场微笑,但用不同的波动率标尺去度量。

四、在 implied_volatility 函数中使用 volatility_type

枚举最主要的消费方是 tff.models.sabr.approximations.implied_volatility 函数,其完整签名与参数说明见 implied_volatility.md。关键参数为:

  • volatility_type:SabrImpliedVolatilityType.NORMAL 或 LOGNORMAL,默认值为 LOGNORMAL;
  • approximation_type:当前仅支持 SabrApproximationType.HAGAN(源码中 del approximation_type # Currently, only HAGAN approximation is supported. 一行即表明此限制);
  • shift:可选的移位参数,默认 0.0。在移位模型中动态变为 dF = sigma * (F + shift)^beta * dW,从而在 F > -shift 的前提下允许负远期利率。

官方文档给出的最小示例(默认使用 LOGNORMAL 口径):

import tf_quant_finance as tff
import numpy as np
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]

若希望得到正态波动率口径的结果,只需显式传入 volatility_type=tff.models.sabr.approximations.SabrImpliedVolatilityType.NORMAL。

五、在欧式期权定价中的传递:european_option_price

volatility_type 的第二个重要消费方是欧式期权近似定价函数 tff.models.sabr.approximations.european_option_price(源码见 european_options.py,文档见 european_option_price.md)。

该函数的执行逻辑(源码 european_options.py)是:

  1. 先调用 implied_volatility 计算出对应口径的隐含波动率;
  2. 再调用 Black-Scholes 模块的 vanilla_prices.option_price 将波动率换算为期权价格。

其中存在一个关键的联动细节:volatility_type 的选择直接决定 vanilla_prices.option_price 中 is_normal_volatility 标志的值——

  • 选择 NORMAL 时,is_normal_volatility=True,即用正态(Bachelier)公式定价;
  • 选择 LOGNORMAL 时,is_normal_volatility=False,即用 Black-Scholes/Black 公式定价。

这与两种波动率的定义完全自洽:正态波动率必须配正态定价公式,Black 波动率必须配 Black 定价公式,二者不能混用。同时,函数内部对 strikes 和 forwards 统一加上 shift,保证移位模型在定价环节依然一致。

六、在模型校准中的应用:calibration

volatility_type 还贯穿于 SABR 参数校准流程 tff.models.sabr.approximations.calibration(源码见 calibration.py,API 文档位于 api_docs/tf_quant_finance/models/sabr/calibration.md)。该校准函数根据给定的欧式期权价格估计 alpha、beta、volvol、rho 四个参数,其 volatility_type 参数默认值同样是 None 并映射到 LOGNORMAL。

在基于波动率的校准模式(volatility_based_calibration=True)下,volatility_type 会影响两处(源码 calibration.py):

  1. 目标波动率的提取口径:函数先从期权价格反解市场隐含波动率,此时根据 volatility_type 选择 UnderlyingDistribution.LOG_NORMAL 或 UnderlyingDistribution.NORMAL,即从 Black 公式或正态公式中反解波动率;
  2. 模型波动率的生成口径:随后调用 approximations.implied_volatility 生成同口径的模型波动率,二者相减的均方误差作为优化目标。

因此,在校准时也必须保持口径一致:若市场报价是 Black 波动率(例如利率市场常见的 BP vol 之外的传统报价),应使用 LOGNORMAL;若市场采用正态波动率(例如部分利率期权市场),应使用 NORMAL。

七、源码与测试中的实证证据

仓库中的单元测试为两种波动率的正确性提供了可复现的基准,见 implied_volatility_test.py:

  • 测试文件顶部定义了别名:NORMAL = tff.models.sabr.approximations.SabrImpliedVolatilityType.NORMAL、LOGNORMAL = ...LOGNORMAL;
  • test_implied_volatility_lognormal_correctness 覆盖 LOGNORMAL 口径的多组参数化用例(beta=0、beta=1、volvol=0、到期时间为 0、平价期权、张量输入),断言容差为 atol=2e-5, rtol=2e-4;
  • test_implied_volatility_normal_correctness 覆盖 NORMAL 口径的同类用例,其期望波动率数值明显更大(如同一参数下 LOGNORMAL 为 0.1805 量级,而 NORMAL 为 14.24 量级),印证了两种口径数量级的差异;
  • test_implied_volatility_shifted_model_example 同时以 NORMAL 与 LOGNORMAL 验证移位模型:给 forwards 和 strikes 分别加上 shift 后,结果与直接使用正远期输入完全一致(assertAllClose),说明 shift 参数与两种波动率口径兼容;
  • test_implied_volatility_differentiable 使用 tf.GradientTape 对 forwards、strikes、expiries、alpha、beta、rho、volvol 七个输入求梯度并断言所有梯度有限,证明整个计算图在两种 volatility_type 下均可微分——这对于后续基于梯度的校准优化至关重要。

八、选型建议与实践要点

综合文档与源码,给出以下实践要点:

  1. 默认使用 LOGNORMAL:它是 implied_volatility、european_option_price 与 calibration 三个 API 的默认口径,与业界最常见的 Black 波动率报价体系一致,也是利率曲线微笑(smile)建模的传统选择。
  2. 利率期权、负利率或低利率环境下考虑 NORMAL:当远期价格接近甚至低于零时,对数正态模型在数值上不稳健,此时正态波动率口径更为合适。若仍需在 LOGNORMAL 下处理接近零或负的远期,应配合 shift 参数使用。
  3. 口径必须贯穿始终:无论是"波动率→价格"的定价链路,还是"价格→波动率→校准"的反向链路,volatility_type 都要保持一致,否则会出现用 Black 波动率代入正态公式之类的口径错配。
  4. 配合 SabrApproximationType 理解局限:当前仓库实现中 approximation_type 仅支持 HAGAN(del approximation_type 注释明确说明),volatility_type 是相对更灵活的选项。
  5. 数值可复现:test_implied_volatility_docstring_example 给出的参考值 [0.33284656705268817, 1.9828728139982792] 可与 QuantLib 的 sabrVolatility 对照验证,可作为自测基准。

九、总结

SabrImpliedVolatilityType 看似只是一个两成员的枚举,实则是 SABR 近似解输出口径的总开关:NORMAL 对应算术布朗运动下的正态波动率 sigma_n,LOGNORMAL 对应几何布朗运动(Black 模型)下的波动率 sigma_B。它贯穿隐含波动率计算、欧式期权定价与模型校准三大链路,并通过 is_normal_volatility、UnderlyingDistribution 等标志把口径一致性传递到 Black-Scholes 模块。在实际量化开发中,正确理解并统一使用该枚举,是避免"微笑曲线扭曲"、保证定价与校准结果可解释性的关键一步。

登录后查看全文
tf-quant-finance