第九章：SVI模型——从原理到实战

各位同学，今天我们来聊聊SVI模型。说实话，这个模型在期权交易圈子里，几乎是做波动率曲面必学的工具。我当年刚入行时，看着一堆期权报价完全摸不着头脑，直到带我的老交易员甩给我一篇论文——"去把SVI搞明白"。嗯，那会儿可没现在这么多现成的Python库，全是手撸代码。

9.1 SVI模型到底在讲什么？

SVI的全称是Stochastic Volatility Inspired，直译过来就是"受随机波动率启发"。但你别被名字吓到，它本质上就是一个参数化公式，用来拟合隐含波动率随行权价变化的形状。

为什么需要SVI？你想想看，市场上期权报价是离散的，就那么几个行权价。但做定价、做风控时，我们需要连续完整的波动率曲面。SVI就是干这个活的——用5个参数，把一条波动率微笑曲线给"捏"出来。

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

这5个参数各有各的脾气。我个人习惯把a想象成"基准波动率"，b是"斜率"，ρ控制左右哪边更高，m是"波谷位置"，σ则是"微笑的弧度"。你调过几次参数后，自然就找到感觉了。

9.2 参数拟合——最磨人的一步

理论讲完了，接下来就是实战。SVI参数拟合，说白了就是找一组参数，让模型算出来的波动率，跟市场上实际报价最接近。

我在项目中遇到过最头疼的问题：参数不收敛。明明看着曲线形状差不多，但优化算法就是死活找不到最优解。后来怎么解决的？我告诉你几个关键点：

1. 初始值很重要——别随便给个0。我一般用线性回归先估个大概。
2. 加约束条件——ρ必须在[-1,1]之间，σ必须大于0。否则算法会跑到奇怪的地方去。
3. 目标函数选对——直接用均方误差(MSE)就行，但记得对近月合约加权大一点。

9.3 Python实现——手把手教你写

好了，直接上代码。这是我常用的SVI拟合实现，经过多次实战检验，你可以直接拿去用。

import numpy as np
from scipy.optimize import minimize

def svi_model(k, a, b, rho, m, sigma):
    """SVI模型核心函数"""
    return a + b * (rho * (k - m) + np.sqrt((k - m)**2 + sigma**2))

def fit_svi(strikes, forward, implied_vols):
    """拟合SVI参数"""
    # 计算对数行权价
    k = np.log(strikes / forward)
    
    # 设置初始值（经验值）
    a0 = np.mean(implied_vols)
    b0 = 0.1
    rho0 = 0.0
    m0 = 0.0
    sigma0 = 0.1
    
    # 约束条件
    bounds = [
        (0.01, 1.0),   # a
        (0.01, 1.0),   # b
        (-0.99, 0.99), # rho
        (-0.5, 0.5),   # m
        (0.01, 1.0)    # sigma
    ]
    
    def objective(params):
        a, b, rho, m, sigma = params
        pred = svi_model(k, a, b, rho, m, sigma)
        return np.mean((pred - implied_vols)**2)
    
    result = minimize(
        objective, 
        [a0, b0, rho0, m0, sigma0],
        bounds=bounds,
        method='L-BFGS-B'
    )
    
    return result.x

# 使用示例
strikes = np.array([3.6, 3.7, 3.8, 3.9, 4.0, 4.1, 4.2])
forward = 3.9
vols = np.array([0.25, 0.23, 0.22, 0.21, 0.22, 0.24, 0.27])

params = fit_svi(strikes, forward, vols)
print(f"拟合参数: a={params[0]:.4f}, b={params[1]:.4f}, "
      f"rho={params[2]:.4f}, m={params[3]:.4f}, sigma={params[4]:.4f}")

9.4 可视化——看看拟合效果

参数拟合完了，一定要画图看看。我见过太多人只看数值结果，结果曲线形状完全不对还在那用。下面这个图展示了SVI拟合的效果：

从图上你能看到：蓝色虚线是SVI拟合出来的曲线，橙色点是市场上的实际报价。拟合效果好不好，就看这些点是不是紧贴着曲线。如果偏差太大，要么是参数没优化好，要么是数据本身有问题。

9.5 实战中的几个坑

最后，我把自己踩过的坑总结一下，你遇到了可以直接对照排查：

嗯，SVI模型的内容就这些。它虽然只有5个参数，但用好了能解决很多实际问题。我自己的经验是：别光看理论，多动手调参数，多画图看效果。做多了，你自然就能一眼看出哪组参数靠谱、哪组参数有问题。

公众号:蓝海资料掘金营，微信deep3321