4、SVI模型实战：SVI参数化、拟合技巧、参数平滑处理

做期权做市这几年，我接触过不少波动率模型。说实话，SVI（Stochastic Volatility Inspired）模型是我个人最常用的一个。为什么？因为它参数少、拟合快，而且能很好地刻画波动率曲面的“微笑”特征。今天我就把实战中的一些心得分享给你。

4.1 SVI模型参数化：五个参数搞定一个切片

SVI模型的核心思想很简单——用五个参数来描述一个到期日上的波动率微笑。你想想看，一个复杂的曲面，拆成不同到期日，每个到期日就是一个“切片”，每个切片用五个参数搞定，是不是很清爽？

标准的SVI参数化形式是这样的：

w(k) = a + b * (ρ * (k - m) + sqrt((k - m)² + σ²))

其中：

• w(k)：对数执行价k对应的总方差（即σ² * T）
• k：对数执行价，k = ln(K/S)
• a：整体水平参数，控制微笑的“高度”
• b：倾斜度参数，控制微笑的“陡峭程度”
• ρ：偏度参数，控制微笑的“左右不对称”
• m：偏移参数，控制微笑的“中心位置”
• σ：平滑参数，控制微笑底部的“曲率半径”

我在项目中遇到过一个问题——刚开始用SVI时，总觉得参数越多越灵活。其实不然。五个参数已经足够描述大多数市场条件下的波动率微笑了。参数太多反而容易过拟合，尤其是当你的数据点不够密集时。

4.2 拟合技巧：别让优化器把你带沟里

拟合SVI参数，说白了就是一个优化问题。但这里面的坑，我踩过不少。

4.2.1 初始化策略

优化算法的初始值很关键。我建议这样设：

• a：取ATM附近的总方差均值
• b：设为0.1左右，别太大
• ρ：设为0，先不考虑偏度
• m：设为0，即ATM位置
• σ：设为0.1，保证底部有一定曲率

为什么要这样？因为优化器对初始值敏感。我曾经试过随机初始化，结果十个里面有八个收敛到局部最优。后来我改用上述策略，收敛速度快了不止一倍。

4.2.2 目标函数选择

拟合时用哪个目标函数？我个人习惯用加权最小二乘：

min Σ w_i * (σ_模型(k_i) - σ_市场(k_i))²

权重w_i怎么设？我的经验是：

• ATM附近的权重给高一些（比如2倍）
• 深度虚值和深度实值的权重给低一些（比如0.5倍）
• 流动性差的合约直接剔除

4.2.3 约束处理

优化时别忘了加约束。我一般用序列二次规划（SQP）算法，它处理边界约束很顺手。代码示例：

# Python伪代码示例
from scipy.optimize import minimize

def svi_objective(params, k, w_market):
    a, b, rho, m, sigma = params
    # 约束检查
    if b < 0 or abs(rho) >= 1 or sigma <= 0:
        return 1e10  # 惩罚项
    w_model = a + b * (rho * (k - m) + np.sqrt((k - m)**2 + sigma**2))
    return np.sum(weights * (w_model - w_market)**2)

# 初始值
x0 = [0.1, 0.1, 0.0, 0.0, 0.1]
# 边界约束
bounds = [(None, None), (0, None), (-0.99, 0.99), (None, None), (1e-6, None)]
result = minimize(svi_objective, x0, args=(k, w_market), 
                  method='SLSQP', bounds=bounds)

4.3 参数平滑处理：让曲面“顺滑”起来

拟合完每个到期日的参数后，你会发现一个问题——相邻到期日的参数可能跳来跳去。这不行，做市时你希望波动率曲面是连续变化的。

参数平滑，说白了就是让五个参数沿着到期日方向变得“顺滑”。我常用的方法有两种：

4.3.1 样条插值法

对每个参数分别做样条插值。比如对参数a，你有T1, T2, ..., Tn这些到期日对应的a值，用三次样条插值得到任意到期日的a值。

# 对参数a做样条插值
from scipy.interpolate import CubicSpline

cs_a = CubicSpline(maturities, a_values)
cs_b = CubicSpline(maturities, b_values)
# ... 其他参数同理

4.3.2 全局拟合法

另一种思路是直接对所有到期日一起拟合，让参数沿着到期日方向满足某种函数形式。比如让参数a随到期日线性变化：

a(T) = α₀ + α₁ * T
b(T) = β₀ + β₁ * T
# ... 其他参数同理

这样做的好处是参数更稳定，但灵活性会差一些。我个人偏好先用逐到期日拟合，再做平滑处理。这样既有灵活性，又能保证曲面的连续性。

4.4 实战中的避坑指南

最后，分享几个我踩过的坑：

• 数据质量：我曾经用了一组包含错误报价的数据，结果拟合出来的参数完全不能用。现在我会先做数据清洗，剔除明显异常的报价。
• 到期日选择：太近的到期日（比如1天内）波动率微笑很陡，SVI拟合效果不好。我一般会剔除到期日小于3天的合约。
• 参数稳定性：如果市场波动不大，相邻两个交易日的参数应该变化很小。如果发现参数跳变，大概率是数据有问题或者拟合没收敛。

嗯，关于SVI模型的实战技巧，今天就聊到这里。记住，模型是工具，市场才是老师。多观察、多调试，你也能用好SVI。