11. 参数化模型：SVI模型、SABR模型、SSVI模型

聊到隐含波动率曲面，咱们前面已经花了不少功夫。从数据清洗到插值，一步步把离散的报价变成了连续的曲面。但说实话，那些方法更多是“修修补补”。真正想要理解波动率曲面的内在规律，还得靠参数化模型。

我个人习惯把参数化模型比作“骨架”。插值法是给骨架贴肉，而参数化模型直接告诉你骨架长什么样。今天咱们就聊聊三个最主流的模型：SVI、SABR、SSVI。嗯，这三个名字你肯定听过，但它们的区别和适用场景，我建议你好好看看。

11.1 SVI模型：随机波动率模型的“轻量级选手”

SVI，全称Stochastic Volatility Inspired。名字听着唬人，其实思路很直接。它用五个参数，就能拟合出一条漂亮的波动率微笑曲线。

公式长这样：

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

其中：

• k：对数执行价，ln(K/S)
• a：整体水平参数，控制微笑的上下平移
• 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：微笑最低点的位置
• σ：平滑参数，控制微笑底部的弯曲程度

我在项目中遇到过一个问题：用SVI拟合深度虚值期权时，参数b和σ容易打架。说白了，就是两个参数都能控制曲率，导致优化算法不知道该听谁的。后来我加了个正则化项，才把这个问题压下去。

11.2 SABR模型：从利率市场杀出来的“猛将”

SABR模型，全称Stochastic Alpha Beta Rho。它最早是给利率衍生品设计的，后来被期权交易员们“借”过来用。你想想看，利率市场和期权市场，本质上都是在处理波动率，所以这套东西移植过来并不违和。

SABR的核心假设是：远期价格和波动率都服从随机过程。公式我就不贴了，咱们直接说参数：

参数	含义	典型范围
α	波动率的初始水平	0.01 - 0.5
β	CEV指数，控制分布形状	0 - 1
ρ	价格与波动率的相关系数	-1 到 1
ν	波动率的波动率（vol of vol）	0.1 - 2.0

我曾经踩过一个坑：用SABR拟合股指期权时，β参数设成了0.5。结果模型在尾部完全失效，深度虚值期权的定价偏差超过20%。后来我才意识到，股指期权的β应该接近0.7-0.8。嗯，这里要注意，β不是随便选的，它反映了标的资产的分布特征。

11.3 SSVI模型：SVI的“进化版”

SSVI，全称Surface SVI。说白了，就是把SVI从一条曲线，扩展到了整个曲面。它解决了SVI的一个大问题：不同到期日的微笑曲线之间，缺乏一致性约束。

SSVI的核心思想是：用一个参数θ(t)来控制时间结构，再用SVI的五个参数来控制截面形状。这样，整个曲面就变成了一个有机整体。

公式结构如下：

σ(k, t) = θ(t) * SVI(k; a, b, ρ, m, σ)

其中θ(t)通常取：

θ(t) = η * t^(-γ) + (1 - η) * t^(-γ/2)

η和γ是额外引入的两个参数，控制波动率曲面的期限结构。

我个人觉得，SSVI最大的优势在于“可解释性”。你调整一个参数，就能看到整个曲面怎么变。不像某些黑箱模型，调完参数都不知道发生了什么。

11.4 三个模型的对比与选择

咱们直接上对比表，一目了然：

模型	参数数量	适用场景	主要缺点
SVI	5	单到期日微笑拟合	不同到期日之间不一致
SABR	4	利率、外汇期权	极端行情下失效
SSVI	7	全曲面建模	参数优化较复杂

怎么选？我的建议是：

• 如果你只做单月期权，SVI够用了
• 如果你做利率或外汇，SABR是行业标准
• 如果你要构建全曲面，SSVI是更好的选择

11.5 知识体系结构图

下面这张图，帮你理清三个模型的关系：

这张图把三个模型的核心特征和适用场景都串起来了。你仔细看看，会发现它们其实各有侧重，没有绝对的优劣之分。