3、波动率曲面构建（二）：参数化模型（SVI、SSVI、SABR）原理与实现、曲面平滑与正则化、曲面外推与内插技巧

上一章我们聊了非参数化方法构建波动率曲面，说白了就是直接插值。但实际工作中，你会发现市场数据总有噪声，有些期限上的报价还特别稀疏。这时候，参数化模型就派上用场了。

我个人习惯把参数化模型比作「给波动率曲面穿上紧身衣」——它用少数几个参数，就能描述整个曲面的形状。今天咱们重点聊三个主流模型：SVI、SSVI 和 SABR。每个我都踩过坑，咱们边讲边避雷。

3.1 SVI 模型：原始但好用

SVI（Stochastic Volatility Inspired）模型，是 Gatheral 在 2004 年提出的。它的想法很直接：用一条参数化曲线，描述某个到期日上的波动率微笑。

公式长这样：

σ_IV(k) = a + b * ( ρ * (k - m) + sqrt( (k - m)^2 + σ^2 ) )

其中 k = ln(K/F) 是货币性（log-moneyness），a、b、ρ、m、σ 是五个参数。每个参数都有直观含义：

参数	含义	取值范围
a	整体波动率水平	a > 0
b	微笑的倾斜程度	b > 0
ρ	微笑的偏度（左/右倾）	-1 < ρ < 1
m	微笑的最低点位置	实数
σ	微笑的曲率（平滑度）	σ > 0

我在项目中遇到过一个问题：直接用原始 SVI 拟合时，参数经常跑到边界上。比如 ρ 跑到 ±0.999，b 变得特别大。后来我发现，加一个简单的正则化项就能解决——把参数往合理区间拉一拉。

3.2 SSVI 模型：把期限也加进来

SVI 只能处理单个到期日。但实际中，我们需要整个曲面。SSVI（Surface SVI）就是 Gatheral 和 Jacquier 在 2014 年提出的扩展版。

它的核心思想是：把每个到期日 T 上的 SVI 参数，用一条「期限结构」串起来。具体来说：

σ_IV(k, T) = θ_T * ( 1 + φ_T * ( ρ * k + sqrt( (k + ρ * φ_T)^2 + (1 - ρ^2) * φ_T^2 ) ) )

其中 θ_T 是 ATM 波动率水平，φ_T 是期限相关的曲率参数。SSVI 的好处是：

• 参数少：整个曲面只需要 3 个全局参数（ρ、η、γ）加上每个期限的 θ_T
• 无套利：只要参数满足一定条件，曲面天然无套利
• 可外推：对未交易的期限，可以插值 θ_T 和 φ_T

嗯，这里要注意：SSVI 的 φ_T 通常用 φ_T = η * T^(-γ) 来参数化。我试过用 η=2, γ=0.5 作为初始值，效果还不错。但如果你遇到的是加密货币期权市场——那里的期限结构特别陡，γ 可能要调到 0.8 以上。

3.3 SABR 模型：从动态角度出发

SABR（Stochastic Alpha Beta Rho）模型，是 Hagan 等人在 2002 年提出的。它不是一个纯粹的波动率曲面模型，而是一个随机波动率模型。但它的近似公式，可以直接用来拟合波动率微笑。

SABR 的近似公式（Hagan 2002）：

σ_IV(K, F) = α / (F^(1-β)) * (1 + ... )

参数含义：

• α：波动率水平（类似 SVI 的 a）
• β：CEV 指数（0 ≤ β ≤ 1），控制 ATM 附近的形状
• ρ：价格与波动率的相关系数，控制偏度
• ν：波动率的波动率，控制曲率

我个人觉得 SABR 最大的优点是：参数有金融含义。β=0 时是正态模型，β=1 时是对数正态。我在做利率期权时，习惯用 β=0.5，因为市场数据拟合得最好。

但 SABR 有个坑：当 K 离 F 很远时，近似公式会失效。你想想看，深度虚值期权的波动率，用 SABR 算出来可能偏大 10% 以上。这时候，我建议用 Monte Carlo 校准，或者用「冻结参数」技巧。

3.4 曲面平滑与正则化

不管用哪个模型，拟合完都会遇到一个问题：参数在相邻期限上跳来跳去。比如 1 个月和 2 个月的 θ_T 差 5%，但 2 个月和 3 个月的又差 0.5%。这明显不合理。

解决办法是加正则化。我常用的两种：

1. Tikhonov 正则化：在损失函数里加一项 λ * ||θ_T - θ_{T-1}||^2，让相邻期限的参数变化平滑
2. 样条平滑：先拟合每个期限的参数，再用样条对参数序列做平滑

举个例子，用 Python 实现 Tikhonov 正则化：

import numpy as np
from scipy.optimize import minimize

def fit_ssvi_with_regularization(vol_surface, tenors, strikes, lambda_reg=0.1):
    # vol_surface: dict, key=tenor, value=vol array
    # 先拟合每个期限的 θ_T
    theta_hat = []
    for t in tenors:
        # 用 ATM 附近的点拟合 θ_T
        atm_idx = np.argmin(np.abs(strikes - forward_price))
        theta_hat.append(vol_surface[t][atm_idx])
    
    # 定义损失函数：拟合误差 + 正则化项
    def loss(params):
        theta = params[:len(tenors)]
        phi = params[len(tenors):]
        # 拟合误差
        mse = 0
        for i, t in enumerate(tenors):
            vol_model = ssvi_vol(strikes, theta[i], phi[i], rho, eta, gamma)
            mse += np.mean((vol_surface[t] - vol_model)**2)
        # 正则化项：相邻 θ 的差异
        reg = lambda_reg * np.sum(np.diff(theta)**2)
        return mse + reg
    
    # 优化
    result = minimize(loss, x0=np.concatenate([theta_hat, phi_init]), method='L-BFGS-B')
    return result.x

3.5 曲面外推与内插技巧

曲面建好了，但实际交易中，你经常需要某个没在市场上交易的期限或执行价。这时候就要外推或内插。

内插（Interpolation）：

• 期限方向：用三次样条插值 θ_T 和 φ_T。我试过线性插值，效果太粗糙，尤其是短期端。
• 执行价方向：直接用参数化模型算。比如你要 1.5 个月的 105% 执行价，先内插出 1.5 个月的 SVI 参数，再代入公式算波动率。

外推（Extrapolation）：

• 短期外推：T → 0 时，波动率应该趋于现货波动率。我习惯用 σ(T) = σ_spot + a * T 来外推，其中 a 从最近两个期限估计。
• 长期外推：T → ∞ 时，波动率趋于一个常数。可以用 σ(T) = σ_inf + b * exp(-c * T) 来拟合。
• 深度虚值外推：K 很远时，波动率应该趋于一个上限。SVI 模型本身有这个性质（因为 sqrt 项是线性的），但 SABR 没有，需要手动加一个 cap。

3.6 知识体系总览

下面这张图，是我自己总结的参数化波动率曲面建模流程。你看一眼，应该能对整个章节有个全局把握。

你看，整个流程其实就三步：选模型 → 拟合参数 → 后处理。但每一步都有细节。我刚开始做的时候，总觉得拟合完就完事了，结果曲面在期限之间扭来扭去，根本没法用。后来才明白，正则化和平滑才是真正体现功力的地方。

好了，这一章的内容就到这儿。参数化模型的好处是简洁、可解释，但坏处是——模型本身就有假设，如果市场行为变了，参数可能不再稳定。所以，实际工作中，我通常会同时跑 SVI 和 SABR，看看哪个拟合得更好，再决定用哪个。