降低偏差的非参数局部波动率:无需构建连续隐含波动率曲面的稳定数值方法
《Mathematics and Computers in Simulation》:Bias-reduced nonparametric local volatility: Stable numerical method without building the continuous implied volatility surface
【字体:
大
中
小
】
时间:2026年01月30日
来源:Mathematics and Computers in Simulation 4.0
编辑推荐:
赵俊炫|郑宇烈|杨东熙|李成哲韩国首尔延世大学计算科学与工程系摘要我们提出了一种稳定的数值方法,用于构建无偏的参数化局部波动率表面,无需依赖预先构建的连续隐含波动率表面。通过将费曼-卡茨公式应用于杜皮尔方程,我们引入了平均局部波动率的概念。我们构建自然的立方样条函数来近似行权方向
赵俊炫|郑宇烈|杨东熙|李成哲韩国首尔延世大学计算科学与工程系摘要我们提出了一种稳定的数值方法,用于构建无偏的参数化局部波动率表面,无需依赖预先构建的连续隐含波动率表面。通过将费曼-卡茨公式应用于杜皮尔方程,我们引入了平均局部波动率的概念。我们构建自然的立方样条函数来近似行权方向上的连续看涨期权价值,并计算费曼-卡茨期望值。随后,我们通过将看涨期权样条函数与由平均局部波动率控制的随机过程进行解析积分来估计该期望值。接着使用二分法确定网格点上的平均局部波动率值。最后,我们利用这些值通过插值方法在整个域上得到连续的局部波动率表面。我们的数值分析和实验表明,所提出的方法在各种时间和空间离散化情况下都能提升数值稳定性,且性能优于传统的有限差分方法。此外,我们还证明了该方法在数据稀疏和不确定性条件下仍能保持稳定性,同时满足利普希茨连续性条件。通过DAX期权链以及S&P500和EURO STOXX50的最新数据进行的实证应用,进一步验证了该方法在降低局部波动率表面的偏差方面的有效性,从而有助于发现市场扭曲和套利机会。引言期权定价模型始于[1],该研究为期权价格提供了封闭形式解,为现代金融工程奠定了基础。然而,布莱克-斯科尔斯模型假设波动率是恒定的,无法解释诸如波动率微笑之类的非线性市场现象。为了解决这些局限性,[2]提出了随机波动率框架,将波动率视为随时间变化的随机变量,以更真实地反映市场动态。与此同时,[3]提出了隐含二叉树模型,直接纳入了波动率微笑等特征。在这些进展的基础上,[4]推导出了一个偏微分方程,将期权价格与作为时间和标的资产价格函数的局部波动率联系起来。这为捕捉复杂的期权结构提供了有力框架,并使得在无套利约束下构建局部波动率表面成为可能。隐含波动率与局部波动率之间的相关渐近关系有助于理解短期行为和翼状行为,也为杜皮尔型重构提供了依据[5]。解决杜皮尔方程的一种常用方法是有限差分法(FDM),该方法能够稳定地估计局部波动率表面[6]。该方法已扩展到更高维度的模型,如多维布莱克-斯科尔斯方程[7],而交替方向隐式(ADI)方案和算子分裂等改进措施则提升了数值稳定性和效率[8]。这些发展使得有限差分法成为量化金融领域的核心技术。与此同时,实际工作中通常首先根据离散报价在到期日和行权价范围内构建无套利表面[9]。近年来,机器学习技术作为灵活的波动率估计工具逐渐兴起。神经网络、生成对抗网络(GAN)以及神经随机微分方程(SDE)已被应用于局部或随机波动率校准[10]。长短期记忆(LSTM)和深度强化学习架构进一步提升了波动率预测和交易策略优化能力[11]、[12]。基于深度学习的波动率建模也被用于实现隐含波动率表面平滑处理、补全以及无套利局部波动率恢复等任务[13]、[14]、[15]、[16]。尽管这些研究表明基于机器学习的方法在波动率建模的各个层面都具有巨大潜力[17]、[18],但它们也存在一些共同的限制:许多模型依赖于特定问题的数据以及难以解释或复制的复杂神经网络结构,而且可重复性往往受到代码可用性有限或实现细节如超参数和预处理方案披露不完整的影响。传统的数值方法,如有限差分法,已被广泛用于根据杜皮尔方程构建局部波动率表面。然而,现实市场的期权数据是离散的、稀疏的且存在噪声——尤其是对于长期限期权——这就容易引发数值不稳定问题。在网格上直接求解杜皮尔方程会对这些不规则性十分敏感,往往导致得到的表面不可靠。短期限下的渐近行为也表明了此类重构何时会变得条件不良[19]。为了解决这些限制,近期的研究着眼于直接从市场数据构建隐含价格或方差表面。例如,[20]提出了一种受L1约束的薄板样条方法,用于构建无套利的隐含价格表面并恢复风险中性密度。与此同时,随机波动率模型则旨在在非高斯特征和跳跃风险存在的情况下校准隐含结构[21]、[22]。虽然这些方法提升了方差域内的平滑度和经济合理性,但它们的目标和技术与局部波动率构建有所不同。与这种以方差为中心的研究思路相辅相成的是“先IVS”构建理念,该理念直接针对隐含表面本身,然后再推断出动态或定价输入。典型的“先IVS”构建方法包括受启发式的无套利随机波动率参数化方法[23]及其推广形式[24],以及在构建和外推过程中保持单调性和凸性的插值原理[25]。另一个方向是一些研究探索了直接从离散的期权价格观测值中恢复局部波动率表面的方法。例如,[26]采用了蒂霍诺夫正则化框架,以稳定广义布莱克-斯科尔斯模型中局部波动率校准的逆问题。类似地,[27]提出了一种受形状约束的样条方法,通过强制保持单调性和凸性,从而确保行权方向上的平滑性和结构一致性。这些技术为在数据稀疏或存在噪声的情况下进行稳健的局部波动率估计提供了重要基础。与此同时,基于样条的平滑方法对于构建局部波动率表面至关重要。[28]引入了受形状约束的平滑样条,这类样条可强制满足单调性和凸性等要求,尤其适用于按行权价进行插值。[29]将这一理念扩展到使用受形状约束的立方样条构建无套利的隐含方差表面。这些方法有助于确保行权方向上的利普希茨连续性,并对含噪声的期权数据进行规范化处理。在此基础上,我们提出了在期限方向上的平均局部波动率概念,以此提升整个表面上的数值稳定性和可解释性。最近的研究进一步扩展了局部波动率框架,纳入了粗糙波动率动态,例如[30]提出的粗糙随机局部波动率模型。与此同时,还开发了具有显式偏置校正IVS公式的多因子随机波动率模型,以提高实际校准效果和计算效率[31]。我们从物理学中得到了一个概念类比:速度可以通过点态的瞬时变化来估计,但这易受噪声影响;或者通过区间平均值来估计,这种方式更为稳健且易于理解。同样,传统方法直接估计瞬时局部波动率,而我们则提出利用时间区间内的平均局部波动率,通过插值方法构建更为平滑、稳定的表面。我们的方法正是遵循这一思路。首先,我们对不同行权价下的看涨期权价格拟合自然的立方样条函数。然后,在费曼-卡茨框架下,利用平均局部波动率通过解析积分计算期望值,并通过二分法确定与市场价格相匹配的值。最后,我们用这些值进行插值,从而构建出连续的局部波动率表面。通过提高估计精度并降低偏差,我们的方法能够实现更可靠的对冲比率计算,为动态风险管理提供支持。我们的贡献在于解决了如何从离散的期权报价中数值重建局部波动率表面的问题。我们所提出的平均局部波动率是一种在基于费曼-卡茨的逆向推导过程中使用的期限方向平均机制,它能够对估计过程进行规范化处理,不会引入额外的随机因素,也不会改变标准的局部波动率扩散过程。在实际应用中,通过用封闭形式的样条积分替代杜皮尔/安德森流程中的噪声较大的数值微分操作,再加上简单的σ值二分法,该流程能够降低偏差,减少对网格噪声和数据稀疏性的敏感性,从而在实验中得到稳定的局部波动率表面。由于无需预先拟合IVS,该流程结构简洁,适合大规模应用。本文主要有三个贡献:1.降低偏差:通过避免构建连续的IVS,我们消除了插值或外推过程中产生的偏差。2.应对数据问题的稳健性:我们的方法通过估算平均局部波动率而非直接估算杜皮尔波动率,能够在数据稀疏和不确定的情况下保持稳定性。3.离散化稳定性:我们提供了一种改进的误差结构,使得即便在任意选择的时间和空间步长下,也能实现准确的局部波动率估计。本文的其余部分结构如下:第2节介绍局部波动率建模的理论基础,包括杜皮尔方程以及我们所提出的平均局部波动率概念。第3节阐述有限积分方法及其数学表述,以及如何利用自然立方样条构建平均局部波动率表面。第4节进行误差分析,重点说明方法的稳定性和偏差降低效果。第5节展示数值性能,包括对网格的稳定性、对数据稀疏性的适应性以及实证验证结果。最后,第6节总结全文并探讨未来的研究方向。片段摘录平均局部波动率设C(T,K)表示到期时间为T、行权价为K的欧式看涨期权的价值。给定局部波动率σ(T,K)、利率r(T)和股息率q(T),该看涨期权价值需满足杜皮尔方程:?C?T=12σ2(T,K)K2?2C?K2?(r(T)?q(T))K?C?K?q(T)C。假设我们在计算域Ω=[0,Tmax]×[0,Kmax]内的离散点(Ti,Kj)处观测到看涨期权价值。则可以通过将费曼-卡茨公式应用于杜皮尔方程,得到看涨期权价值C(Ti+1,Kj)的表达式。实现方式为了得到与风险中性密度一致的局部波动率,我们使用在每个到期日对应的看涨期权价格上拟合的自然立方样条函数,该函数需满足[29]中规定的不等式条件和无套利条件。同时,参照[32],我们设定样条函数的边界,使得在到期前这段时间内(从0到T),局部波动率始终为正且小于1,这符合杜皮尔方程的要求。这些条件共同保证了整个网格范围内的无套利性。此外,看涨期权价格与局部波动率之间的函数映射关系误差分析根据[33]、[34],在完全市场中,无套利条件的存在意味着存在一个鞅测度。该测度由风险中性转移密度?(ST,T∣St,t,σ)唯一确定,其中St表示时间t时的资产价格,T则表示到期时间。行权价为K的欧式看涨期权的估值函数为:C(T,K,St,t)=e?r(T?t)∫0∞max(ST?K,0)?(ST,T∣St,t)dST。(8)该函数必须表现出递减且凸的性质数值实验在本节中,我们将展示所提出的有限积分方法(FIM)的数值稳定性。数值稳定性对于确保可靠的计算结果至关重要,尤其是在金融模型领域,微小的误差就可能导致结果出现显著差异。我们从两个方面说明FIM的稳定性:一是针对任意选择的时间和空间步长,二是考虑期权链数据中固有的稀疏性和不确定性。FIM所展现出的数值稳定性结论在本文中,我们提出了一种新的局部波动率表面构建框架,该框架解决了传统方法中存在的数据稀疏性、数值不稳定性和偏差问题。我们没有直接求解杜皮尔偏微分方程,而是基于其理论基础,采用基于自然样条的积分方法来估算平均局部波动率值。有限积分方法是这一过程的核心。通过将对样条函数近似后的期权价格进行费曼-卡茨表示的积分,有限积分方法实现了数值稳定且偏差较低的局部波动率表面构建。CRediT作者贡献声明赵俊炫:撰写——初稿、可视化、验证、软件、项目管理、方法论、研究、数据整理、概念设计。郑宇烈:撰写——审稿与编辑、撰写——初稿、可视化、验证、软件、研究、形式分析。杨东熙:验证、软件、研究、形式分析。李成哲:监督、资金筹集。关于写作过程中使用生成式AI和AI辅助技术的声明在撰写本手稿时,未使用任何生成式AI或AI辅助技术。关于利益冲突的声明作者声明自己不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢本研究得到了韩国政府科技信息通信部资助的韩国国家研究基金会(NRF)的资助(项目编号RS-2024-00456958,负责人:李成哲),该资助也用于支持郑宇烈。此外,韩国国家研究基金会(NRF)还提供了另一项资助(项目编号RS-2022-NR069691),用于支持杨东熙。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号