Модели стохастической волатильности: случайная дисперсия, премия за риск и динамика улыбки

Изучите семейство моделей стохастической волатильности, разделите динамику дисперсии под физической и нейтральной к риску мерами, сравните варианты Heston, SABR и грубой волатильности, а также подтвердите калибровку, выйдя за рамки статической улыбки.

Только в образовательных целях; не является инвестиционным советом или инвестиционной рекомендацией. Инвестиции могут привести к убыткам.

Краткий ответ

Модель стохастической волатильности делает мгновенную дисперсию актива случайной переменной состояния, а не константой или детерминированной функцией спота и времени. В общей непрерывной двухфакторной спецификации:

dS_t = μ_t S_t dt + √v_t S_t dW_t^S

dv_t = a(v_t,t)dt + b(v_t,t)dW_t^v, с dW_t^S dW_t^v = ρ_t dt

Дополнительный шок дисперсии может создать изменяющуюся во времени волатильность, кластеризацию, возврат к среднему, перекос и более богатую динамику улыбки. Модель не делает волатильность «известной»; он определяет вероятностный закон, параметры которого и нейтральная к риску версия должны быть оценены или откалиброваны.

Это семейство моделей, а не одна формула. Heston использует процесс дисперсии с квадратным корнем и возвратом к среднему, SABR развивает форвард и его волатильность, модели форвардной дисперсии описывают срочную структуру дисперсии, а модели грубой волатильности используют немарковскую память. Каждый выбор соответствует разным характеристикам и порождает разные численные и модельные риски.

Область применения: эта страница рассматривает механику моделей для биржевых и внебиржевых ванильных и зависящих от траектории опционов на акции, валюты, процентные ставки и сырьевые товары. Это общий каркас, а не описание конкретной биржи, брокера, маржинального счёта, налогового режима или юрисдикции. Примеры гипотетические и относятся к 2026-08-22; перед применением проверьте условия продукта, рыночные соглашения, правила счёта и применимую юрисдикцию. Это не индивидуальная инвестиционная, юридическая или налоговая консультация.

Физическая динамика — это не динамика цен

Историческая доходность моделируется с использованием физической меры P; для оценки безарбитражного опциона используется нейтральная к риску мера Q. При шоке неторгуемой дисперсии акции и денежные средства, как правило, не могут охватить все источники неопределенности. Рынок неполный, поэтому отсутствие арбитража само по себе не определяет однозначно премию за риск дисперсии или дрейф дисперсии в Q.

Схематически одно и то же состояние дисперсии может иметь:

dv_t = a_P(v_t,t)dt + b(v_t,t)dW_t^{v,P}

под P, но

dv_t = a_Q(v_t,t)dt + b(v_t,t)dW_t^{v,Q}

под Q. Разница между a_P и a_Q включает компенсацию риска волатильности. Оценка параметров P на основе доходности и вставка их в неизмененном виде в цену опциона молчаливо предполагает устранение этого различия.

Корреляция ρ связывает шоки доходности и дисперсии. В моделях акций отрицательная нейтральная к риску корреляция часто помогает создать более выраженный нисходящий уклон Put. Волатильность волатильности контролирует, насколько рассредоточенной может стать будущая дисперсия, и влияет на кривизну улыбки. Возврат к среднему формирует срочную структуру. Эти интерпретации условны: параметры взаимодействуют, и несколько наборов параметров могут давать близкие цены ванильных опционов.

Статическая посадка против динамики

Калибровка сводит к минимуму ошибки по страйкам и экспирациям одновременно. Модель риска также должна указывать, как эта подобранная поверхность изменяется после точечных, временных и волатильных шоков. Две модели могут соответствовать сегодняшним ванильным опционам и давать разные значения барьеров, форвардные перекосы, коэффициенты хеджирования и прибыль/убыток следующего дня. Таким образом, динамика улыбки и хеджирование вне выборки являются отдельными целями проверки, а не частью ошибки калибровки.

Пример: одна текущая дисперсия, две меры

Предположим, текущая дисперсия равна v₀ = 0.04, поэтому текущая мгновенная волатильность равна √0.04 = 20%. Для иллюстрации предположим, что дисперсия возвращается к среднему под каждой мерой:

E[v_T] = θ + (v₀ − θ)e^(−κT)

Используйте эти гипотетические параметры:

Мера	`κ`	`θ`	Шестимесячный `E[v_0.5]`
Физический `P`	`1`	`0.04`	`0.04`
Нейтральный к риску `Q`	`2`	`0.0625`	`0.05422`

Под P:

0.04 + (0.04 − 0.04)e^(−1×0.5) = 0.04

Под Q:

0.0625 + (0.04 − 0.0625)e^(−2×0.5) = 0.05422

Квадратные корни равны 20% и 23.29% соответственно. Эта разница не является прогнозом опционной прибыли и не определяет риск опционной премии из одного наблюдения. Он показывает, почему временная структура нейтральной к риску дисперсии, откалиброванная на основе опционов, не может быть переименована в ожидаемую волатильность.

Кроме того, √E[v_T] обычно не равен E[√v_T]. В примере указывается квадратный корень ожидаемой дисперсии, а не ожидаемой волатильности. Полная стоимость опциона зависит от распределения и траектории дисперсии, её корреляции с доходностью и выплатой, а не только от этого среднего значения.

Контрольный список выбора и проверки модели

Сформулируйте стохастические уравнения, меры, переменные состояния, единицы измерения параметров, граничное поведение и корреляционную структуру.
Отдельные параметры, рассчитанные на основе доходности под P, от параметров, откалиброванных по ценам опционов под Q.
Используйте синхронизированные исполняемые котировки, форварды, коэффициенты дисконтирования, дивиденды и условия контрактов.
Взвешивайте ошибки калибровки по экономической значимости, такие как Bid-Ask или Vega, и проверяйте каждый срок истечения и крыло.
Выполнять несколько первоначальных предположений и сообщать о почти эквивалентных наборах параметров; один результат оптимизатора может быть неидентифицируемым.
Проверьте положительность, моментные условия, предвзятость моделирования, дискретизацию, интеграцию преобразований и обработку ветвей.
Переоцените все калибровочные инструменты и сравните ошибки с рыночными спредами, а не только с IV RMSE.
Проверка будущих движений поверхности, хеджирования прибылей и убытков и стабильности параметров вне выборки.
Стрессовые скачки цен, дисперсия событий, разрывы корреляций, скачки волатильности и потеря ликвидности.
Сравните Хестон, локальную волатильность, стохастически-локальную волатильность, скачок и грубые альтернативы фактического выигрыша.
Рассматривать американское исполнение опциона его держателем (exercise), дискретные дивиденды, барьеры и зависимость от траектории с помощью подходящих численных методов.
Включите транзакционные издержки, дискретное рехеджирование, финансирование, размещение опционов на продажу (уступку) и недоступные инструменты хеджирования.
Запись о том, какие риски модель намеренно опускает; точная калибровка не уменьшает упущенный риск.

Распространённые заблуждения

«Стохастическая волатильность предсказывает волатильность». Определяет условную динамику после выбора модели и параметров.
«Исторические параметры дисперсии сами по себе оценивают опционы». Для ценообразования обычно требуется нейтральная к риску динамика и премия за риск волатильности.
«Идеальная ванильная подгонка подтверждает модель». Статическая подгонка не определяет реалистичные пути или поведение хеджирования.
«Больше факторов всегда повышает точность». Гибкость может увеличить нестабильность, переобучение и неустранимая риск параметров.
«Стохастическая волатильность включает в себя обвалы». Модель непрерывной дисперсии может по-прежнему не учитывать прерывистые скачки цен и дисперсии.
«Ожидаемая дисперсия под нейтральной к риску мерой является рыночным прогнозом». Это объект ценообразования, содержащий премии за риск и зависящий от соглашений.
«Один калибруемый параметр имеет одно экономическое значение». Параметры компенсируют друг друга и могут быть слабо идентифицированы.