波动率微笑的 SVI 参数化：用一条曲线吃下整张隐含波动率曲面 • halo 的技术博客

你拿到一份期权链：同一到期、几十个行权价，每个对应一个隐含波动率（IV）。把它们对行权价画出来，得到的不是一条平线，而是一条中间低、两边翘的曲线——这就是波动率微笑（smile）。股票期权更常是波动率倾斜（smirk）：左侧（虚值看跌）明显更高，因为市场愿意为”崩盘保险”付溢价。

问题来了：这些 IV 报价是带噪声的，不同经纪商、不同快照对不上；更糟的是，原始报价偶尔会隐含无风险套利（比如相邻行权价之间能白捡钱）。任何依赖曲面定价的系统（波动率套利、风险中性密度、Exotic 定价、 Greeks 对冲）都受不了这种脏输入。

这篇文的主角是 SVI（Stochastic Volatility Inspired，Gatheral 2004）：一个只要 5 个参数、就能把一整条微笑平滑参数化的工具。我会从形态讲起，用最小二乘逐月拟合，恢复二维曲面，最后用 Breeden-Litzenberger 定理把 SVI 翻译成风险中性密度，并指出”误校准的 SVI 如何给出负密度——也就是蝶式套利”。所有数字与图表均由文末 Python 真实生成。

一、波动率曲面长什么样，为什么难啃#

把 IV 写成两个变量的函数：资金费率 $k = \ln(K/F)$ （对数口径，F 为远期价）和到期 $T$ 。对固定 $T$ ，IV 随 $k$ 的曲线就是”微笑”；不同 $T$ 的曲线叠起来，就是曲面。

合成的『市场』IV 微笑：股票式 smirk（左偏 + 凸）

上图是我们在 4 个到期（0.1 / 0.25 / 0.5 / 1.0 年）上合成的”市场”微笑：典型的股票式 smirk——整体随到期升高（期限结构），左侧虚值看跌 IV 更高（负偏），且整体呈凸性。我们还加了 0.2% 量级的轻噪声，模拟真实报价的毛刺。

裸用这些点有三个麻烦：(1) 噪声让相邻点抖动，直接插值会得到锯齿；(2) 不同到期之间不连续；(3) 没有任何机制保证无套利。SVI 一次性解决前两点，并给第三点一个可检查的抓手。

二、SVI 原始参数化：一条 5 参数曲线#

SVI 不是直接对 IV 建模，而是对总方差 $w(k) = (\sigma_{\text{imp}}\sqrt{T})^2$ 建模——总方差在 log-moneyness 上是更平滑、更稳定的量：

$w(k) = a + b\,\Big( \rho\,(k - m) + \sqrt{(k - m)^2 + \sigma^2} \Big)$

五个参数各有含义： $a$ 控制整体水平， $b>0$ 控制曲率幅度， $|\rho|<1$ 控制倾斜方向（负 $\rho$ 即左偏 smirk）， $m$ 是微笑的最低点位置， $\sigma>0$ 控制微笑的”宽度/尖锐度”。约束 $b>0,\ \sigma>0,\ |\rho|<1$ 保证函数行为合理。

拟合就是最小二乘：给定某到期的市场点 $(k_i, w_i)$ ，找使 $\sum_i (w(k_i)-w_i)^2$ 最小的参数。我们用带约束的 scipy.optimize.least_squares，并对多组初值择优——优先选”无套利”的解（总方差处处为正、且由它反推的密度处处非负，见第四节）。

SVI 逐月拟合：一条 5 参数曲线吃下整条微笑

四个到期的拟合结果（IV 口径的 RMSE 全部在 0.002 左右，几乎贴合市场点）：

到期 T	a	b	ρ	m	σ	IV-RMSE
0.10	-0.076	0.653	-0.950	-0.994	0.389	0.00177
0.25	-0.221	1.883	-0.950	-1.008	0.393	0.00211
0.50	-0.402	3.000	-0.937	-0.899	0.405	0.00188
1.00	-0.778	3.000	-0.855	-0.700	0.531	0.00222

注意 $\rho$ 全接近 $-0.95$ ：这正是 smirk 左偏的数学签名。随到期变长， $a$ 更负（曲面整体抬升）、 $\sigma$ 略增（微笑变宽），都符合”越远越贵、越平”的直觉。

这里有个刻意的设计选择值得点破：SVI 建模的是总方差 $w=\sigma_{\text{imp}}^2 T$ ，而不是 IV 本身。原因有二。其一，总方差在 $k$ 上比 IV 平滑得多——IV 在深虚值处会翘得很陡，平方之后反而更温顺，最小二乘更好收敛；其二，无套利条件（下一节会看到）天然作用在方差而非 IV 上，先落在方差空间里，后面做套利检查更顺。还原时再开方除以 $\sqrt{T}$ ，就回到我们最终要的 IV。这个”先在方差空间拟合、再转换”的思路，也是绝大多数曲面模型（SSVI、SVI++、甚至局部波动率 calibration）的共识。

三、从逐月到整张曲面#

把每个到期的 SVI 参数拿来，对任意 $(k, T)$ 算出 $w(k;T)$ ，再开方除以 $\sqrt{T}$ 还原 IV，就得到一张连续、平滑、无锯齿的隐含波动率曲面：

SVI 恢复的隐含波动率曲面（平滑、无噪点）

这张曲面的价值在于：你可以安全地插值和外推。要某个不在原始报价网格上的 $(K, T)$ ？直接代入 SVI 公式，而不是在噪声点上做危险的线性插值。波动率套利、日历价差、方差互换定价，都建立在这张干净曲面上。

顺便说一句工程量：逐月拟合 4 条曲线，每次最小二乘跑几个初值，整个流程在普通笔记本上不到一秒，却把几百个带噪报价压缩成了 20 个数字（4 到期 × 5 参数）。这正是参数化曲面的精髓——用极少的、有经济含义的系数，代替又大又脏的原始网格，后续任何计算都更快、更稳、更可微。

四、SVI → 风险中性密度：并亮出套利红旗#

SVI 还有个杀手锏：它解析地给出风险中性密度。Breeden-Litzenberger 说，看涨期权价格对行权价的二阶导就是风险中性密度；Gatheral 把它写成 SVI 总方差的闭式：

$f_K(K) = \frac{1}{\sqrt{w}}\,\phi\!\left(\frac{k}{\sqrt{w}}\right)\left[ 1 - \frac{k}{2w}w'(k) + \frac{1}{4}\!\left(\frac{1}{w}-\frac{1}{4w^2}\right)(w'(k))^2 + \frac{1}{2}w''(k) \right]$

其中 $\phi$ 是标准正态密度， $w,w',w''$ 都由 SVI 公式直接求导得到（ $w'(k)=b(\rho+(k-m)/d),\ w''(k)=b\sigma^2/d^3,\ d=\sqrt{(k-m)^2+\sigma^2}$ ）。

一个正确校准、无套利的 SVI，其密度应当处处为正。下面蓝线是我们在 $T=0.5$ 拟合出的无套利 SVI，密度最低点仍有 0.135，全程为正——健康的崩盘保险溢价形态。

同一到期：误校准 SVI 给出负密度——无套利被打破的红旗

红线是同一个到期下一个误校准的 SVI：总方差依然处处为正，但密度跌到了 $-0.037$ ，约 4% 的区域内为负。密度为负在金融上意味着”你可以构造一个稳赚不赔的组合”——也就是蝶式套利（butterfly arbitrage）。这正是对原始 SVI 最著名的批评：它参数少、拟合好，但无约束拟合很容易掉进套利陷阱，尤其在稀疏报价、远处外推、或多到期各自独立拟合却互不协调时。

实务要点：原始 SVI 逐月独立拟合虽然方便，但无法保证跨到期的日历套利（calendar arbitrage） 不存在（总方差必须随 T 非减）。生产中常用它的改良版 SSVI（Surface SVI），把参数设为 T 的确定性函数，从一开始就锁死无套利。本文聚焦原始 SVI 的直觉，落地请用 SSVI 或加套利约束的拟合。

五、别踩这些坑#

原始 SVI ≠ 自动无套利：拟合 RMSE 低不代表没套利。务必做密度非负 + 跨期单调性检查（见第四节）。
远处外推危险：SVI 在 $|k|$ 很大时近似线性，外推到极虚值/极实值会放大套利。只在拟合区间内使用，外推要设护栏。
参数冗余/病态：原始 SVI 的 $(b,\sigma,\rho)$ 存在近似等价组合，优化器可能漂进极端值（如极大 $b$ 配极小 $\sigma$ ）。务必设合理上下界并多初值择优。
IV 来源要先清洗：用 midpoint IV 而非 last；剔除明显错价（IV 为负、离谱高）的报价再拟合。
forward 要用对：资金费率 $k=\ln(K/F)$ 里的 $F$ 要用期权隐含的远期（认沽看涨平价反推），别用即期近似，否则整个曲面会系统性偏移。

附：可复现 Python#

纯 numpy/scipy 的核心实现（文中数字与图表即由此算得）：

import numpy as np
from scipy.optimize import least_squares

def svi_w(k, a, b, rho, m, sig):
    return a + b * (rho * (k - m) + np.sqrt((k - m)**2 + sig**2))

def svi_density(k, a, b, rho, m, sig):
    """Gatheral 风险中性密度(以 k=ln(K/F) 为变量)"""
    d = np.sqrt((k - m)**2 + sig**2)
    w = a + b * (rho * (k - m) + d)
    wp = b * (rho + (k - m) / d)
    wpp = b * sig**2 / d**3
    sq = np.sqrt(w)
    phi = np.exp(-k**2 / (2 * w)) / np.sqrt(2 * np.pi * w)
    g = 1 - (k / (2 * w)) * wp + (1/4) * (1/w - 1/(4*w**2)) * wp**2 + 0.5 * wpp
    return phi * g

def fit_svi(k, w_mkt):
    def resid(p):
        return svi_w(k, *p) - w_mkt
    inits = [[w_mkt.mean()*0.9, 0.5, -0.5, 0.0, 0.3],
             [w_mkt.mean()*0.8, 1.0, -0.7, -0.3, 0.5]]
    lb = [-np.inf, 0.05, -0.95, -np.inf, 0.05]
    ub = [ np.inf, 3.00,  0.95,  np.inf, 1.20]
    best = None
    for p0 in inits:
        sol = least_squares(resid, p0, bounds=(lb, ub), max_nfev=20000)
        af = np.all(svi_density(k, *sol.x) > 0) and np.all(svi_w(k, *sol.x) > 0)
        key = (0 if af else 1, float(np.sum(sol.fun**2)))
        if best is None or key < best[0]:
            best = (key, sol.x)
    return best[1]

# ---- 演示: 合成微笑并拟合 ----
rng = np.random.default_rng(20260712)
ks = np.linspace(-0.4, 0.4, 41); T = 0.5
iv_mkt = (0.20 + 0.05*np.sqrt(T)) + (-0.25 - 0.10*np.sqrt(T))*ks + (0.60 + 0.30*np.sqrt(T))*ks**2
iv_mkt += rng.normal(0, 0.002, ks.size)
w_mkt = (iv_mkt**2) * T
a, b, rho, m, sig = fit_svi(ks, w_mkt)
iv_fit = np.sqrt(np.maximum(svi_w(ks, a, b, rho, m, sig), 1e-8) / T)
print("拟合参数 a=%.3f b=%.3f ρ=%.3f m=%.3f σ=%.3f" % (a, b, rho, m, sig))
print("IV-RMSE = %.5f" % np.sqrt(np.mean((iv_fit - iv_mkt)**2)))
# 误校准 SVI -> 负密度(蝶式套利)
g_bad = svi_density(ks, -0.30, 0.60, -0.50, -0.60, 0.60)
print("误校准密度最低点 = %.4f (负=套利)" % g_bad.min())

python

跑一遍你会看到：五参数 SVI 把带噪微笑拟合到 RMSE 千分之二，而无套利版本密度全程为正、误校准版本却跌成负值——一条曲线的参数，就是”干净曲面”与”隐形套利”之间的距离。