第10章：波动率曲面模型：SVI模型、SSVI模型简介
聊到波动率曲面，很多新手第一反应就是「插值」。但说实话，插值只是表面功夫。真正做期权交易的，心里得有一本账——曲面背后的结构是什么？为什么有些形状会出现？
我个人习惯用SVI模型来处理这个问题。它不是什么万能药，但在实际项目中，它帮我解决了不少头疼的曲面拟合问题。
10.1 为什么需要参数化模型？
你想想看，市场上能看到的期权报价，永远只有有限的行权价和到期日。但做策略的时候，我们需要任意点的波动率。怎么办？
两种思路：
- 非参数方法：直接插值。简单粗暴，但容易过拟合，而且外推时经常出妖蛾子。
- 参数化模型：用少数几个参数描述整个曲面。稳健，可解释性强。
我在项目中遇到过这样的情况：用样条插值拟合出来的曲面，在深度虚值区域波动率突然变成负数。嗯，这显然不合理。从那以后，我对参数化模型就格外偏爱。
10.2 SVI模型：原始版本
SVI的全称是Stochastic Volatility Inspired模型。名字挺唬人，其实核心思想很简单——用一条带参数的曲线来描述隐含波动率的「微笑」形状。
原始SVI模型的形式是这样的：
w(k) = a + b * ( ρ * (k - m) + sqrt( (k - m)² + σ² ) )其中：
w(k)是总方差（隐含波动率平方 × 到期时间）k是log-moneyness，即 ln(K/S)a控制曲线的整体水平b控制曲线的倾斜程度ρ控制曲线的偏斜方向（正负）m控制曲线的最低点位置σ控制曲线的曲率（微笑的「宽度」）
关键点：SVI模型只有5个参数，却能拟合出各种形状的波动率微笑。这在量化交易中非常实用。
10.3 我在实战中踩过的坑
我曾经用SVI模型拟合标普500指数期权数据，结果发现参数b经常跑到负值。一开始我以为是数据问题，后来才发现——原始SVI模型对参数约束不够严格。
具体来说：
- 参数b必须大于0，否则曲线形状会扭曲
- ρ必须在[-1, 1]之间，不然会出现无意义的波动率
- σ必须大于0，否则平方根里会出负数
所以，实际使用时一定要加边界约束。别问我怎么知道的……
10.4 SSVI模型：升级版
原始SVI模型有个硬伤——它只处理单一期限。如果你有多个到期日，就得每个期限单独拟合一套参数。这会导致不同期限之间的参数不连续，曲面看起来坑坑洼洼的。
SSVI（Surface SVI）模型就是为了解决这个问题而生的。它的核心思想是：
- 用一个「总方差」函数来描述所有期限
- 引入一个「期限结构」参数，让不同期限的波动率自然衔接
SSVI模型的数学形式：
w(k, t) = θ_t * ( 1 + ρ * φ_t * k + sqrt( (φ_t * k + ρ)² + (1 - ρ²) ) )其中：
θ_t是期限t的总方差水平φ_t控制微笑的「陡峭度」随期限的变化ρ是全局偏斜参数（所有期限共享）
我的经验：SSVI模型最大的好处是参数少、全局一致。我在做跨期限套利策略时，用SSVI模型拟合出来的曲面，比逐期限拟合的SVI模型稳定得多。
10.5 两种模型的对比
| 特性 | SVI模型 | SSVI模型 |
|---|---|---|
| 参数数量 | 5个（每期限） | 3个全局 + 2个期限结构 |
| 跨期限一致性 | 差（各自独立拟合） | 好（全局参数共享） |
| 拟合灵活性 | 高（每期限独立） | 中等（受全局约束） |
| 外推稳定性 | 差（容易出负波动率） | 好（结构约束） |
| 计算速度 | 快 | 稍慢（需要优化） |
10.6 核心知识体系
下面这张图，是我自己总结的SVI/SSVI模型知识框架。你看一眼就能明白它们之间的关系：
10.7 实际应用中的选择建议
说了这么多，到底该用哪个？我的建议很简单：
- 做日内交易：用SVI。因为只关注单一期限，拟合速度快，参数调整灵活。
- 做跨期限套利：用SSVI。曲面一致性比灵活性更重要。
- 做风险管理：两个都试试。我习惯用SSVI做基准，用SVI做局部微调。
注意：无论用哪个模型，拟合完成后一定要做「合理性检查」。我见过有人拟合出来的参数ρ=1.2，这明显超出了[-1,1]的范围。这种模型你敢用吗？
好了，关于SVI和SSVI模型的基本概念就聊到这里。说白了，它们就是两把不同用途的螺丝刀——选对了工具，曲面拟合这件事就没那么玄乎了。
公众号:蓝海资料掘金营，微信deep3321