11. SVI模型：随机波动率启发式模型（SVI）的参数化方法

说到波动率曲面建模，很多人第一反应就是Heston、SABR这些随机波动率模型。但说实话，在实际交易中，我们往往不需要那么复杂的动力学机制。我们真正需要的是——一个能快速、稳定地拟合市场报价，并且能外推出合理隐含波动率的工具。

SVI模型就是为此而生的。它全称是Stochastic Volatility Inspired模型，名字里带“随机波动率”，但本质上它是一个参数化公式。说白了，它借用了随机波动率模型的某些数学结构，但用起来比那些模型轻便得多。

我个人习惯把SVI看作“曲线拟合的瑞士军刀”。它不追求解释波动率的来源，只追求一件事：用最少的参数，把市场上观察到的波动率微笑描述清楚。

11.1 SVI模型的基本形式

SVI模型由Gatheral在2004年提出，核心公式是这样的：

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

其中：

• w(k)：总方差，即 w(k) = σ²(k) * T，T是到期时间
• k：对数行权价，k = ln(K/F)
• a：整体水平参数，控制波动率的绝对大小
• b：倾斜角度参数，控制微笑的陡峭程度
• ρ：偏度参数，控制左右不对称性，范围在[-1, 1]
• m：水平偏移参数，控制微笑的最低点位置
• σ：平滑参数，控制微笑底部的曲率半径

嗯，这里要注意：b必须大于0，σ也必须大于0。否则你拟合出来的曲线会变得很奇怪，我在项目里吃过这个亏。

11.2 五个参数各自扮演什么角色？

我刚开始学SVI时，总觉得这五个参数有点抽象。后来我在一个期权做市商的项目里，每天要处理上千条波动率报价，才真正理解了每个参数的意义。

参数	作用	典型取值范围
a	控制波动率的整体水平	0.01 ~ 0.5
b	控制微笑的倾斜程度	0.1 ~ 1.0
ρ	控制左右不对称性	-1.0 ~ 1.0
m	控制微笑最低点的水平位置	-0.5 ~ 0.5
σ	控制微笑底部的曲率	0.05 ~ 0.5

你想想看，如果ρ=0，那微笑就是完全对称的。如果ρ>0，右边比左边高，这叫“正偏斜”。如果ρ<0，左边比右边高，这叫“负偏斜”。在股票期权市场，我们通常看到的是负偏斜——因为市场更害怕暴跌。

11.3 为什么SVI这么受欢迎？

我在做波动率曲面平滑时，试过很多方法。样条插值容易过拟合，多项式拟合又不够灵活。SVI的好处在于：

• 参数少：5个参数就能描述一整条微笑曲线
• 行为合理：外推时不会出现负波动率或奇怪的翘尾
• 可解释性强：每个参数都有明确的几何意义
• 拟合稳定：用最小二乘法就能收敛，不需要复杂的优化算法

我曾经用SVI拟合过标普500指数期权在2020年3月的数据——那段时间波动率剧烈波动，但SVI依然能稳定收敛。换成其他模型，早就发散得一塌糊涂了。

11.4 如何用Python实现SVI拟合？

下面是我在实际项目中常用的代码。注意，这里我用的是scipy的优化器，但加了参数边界约束——这是避坑的关键。

import numpy as np
from scipy.optimize import minimize

def svi_vol(k, a, b, rho, m, sigma):
    """计算SVI模型给出的总方差"""
    return a + b * (rho * (k - m) + np.sqrt((k - m)**2 + sigma**2))

def svi_objective(params, k, w_target):
    """目标函数：最小化拟合误差"""
    a, b, rho, m, sigma = params
    w_model = svi_vol(k, a, b, rho, m, sigma)
    return np.sum((w_model - w_target)**2)

def fit_svi(k, w_target):
    """拟合SVI参数"""
    # 初始值设置很关键
    init_params = [0.04, 0.3, -0.4, 0.0, 0.1]
    
    # 参数边界约束
    bounds = [
        (0.001, 0.5),   # a
        (0.01, 1.0),    # b
        (-0.99, 0.99),  # rho
        (-0.5, 0.5),    # m
        (0.01, 0.5)     # sigma
    ]
    
    result = minimize(svi_objective, init_params, 
                      args=(k, w_target),
                      method='L-BFGS-B',
                      bounds=bounds)
    
    return result.x

11.5 从单条微笑到整个曲面

SVI模型处理的是单一期限的波动率微笑。但实际中，我们有多个期限的数据。怎么把这些微笑拼成一个曲面？

常用的做法是：对每个期限分别拟合SVI参数，然后观察这些参数随期限的变化规律。你会发现：

• a 随期限增加而减小（波动率均值回归）
• b 随期限增加而减小（微笑变平）
• ρ 随期限增加趋近于0（偏斜减弱）

然后我们可以对这些参数再做一次插值，就能得到任意期限的SVI参数，进而得到完整的波动率曲面。

11.6 SVI的变体与扩展

在实际应用中，SVI有几个常用的变体：

• raw SVI：原始形式，直接拟合总方差
• natural SVI：对参数做变换，保证无套利条件
• SVI-JW：用波动率而不是总方差来参数化，更适合做市商使用

我个人比较推荐SVI-JW形式。它把参数重新参数化为ATM波动率、微笑斜率、曲率等更直观的量。这样即使你不懂SVI的数学细节，也能根据市场直觉来调整参数。

11.7 避坑指南

最后，分享几个我在实战中踩过的坑：

• 参数ρ接近±1时：微笑会变得非常尖锐，容易导致无套利条件被违反。我建议把ρ限制在[-0.95, 0.95]之间。
• σ太小：微笑底部会变得过于尖锐，外推时波动率可能变成负值。σ至少设到0.02以上。
• 数据点太少：如果只有3-4个行权价，SVI拟合会很不稳定。至少需要5-7个点才能得到可靠的结果。
• 忽略期限结构：只拟合单条微笑而不考虑相邻期限的连续性，会导致曲面出现“锯齿”。

我曾经在一个项目中，因为σ设得太小，导致远虚值期权的波动率变成了负数。交易员看到报价直接懵了——负波动率意味着他们可以无风险套利。嗯，从那以后我再也不敢忽视参数边界了。