[论文解读] A Probabilistic Approach to Nonparametric Local Volatility

Martin Tegnér, Stephen Roberts|arXiv (Cornell University)|Jan 17, 2019

Forecasting Techniques and Applications被引用 1

一句话总结

本文提出一种基于高斯过程的非参数贝叶斯局部波动率建模方法，实现了对局部波动率曲面的概率推理。通过将局部波动率视为具有高斯过程先验的随机函数，该方法提供了不确定性量化，避免了过拟合，并支持对未来波动率曲面的预测分布，其在标普500数据上的表现优异，尤其在1周后预测方面表现突出。

ABSTRACT

The local volatility model is a widely used for pricing and hedging financial derivatives. While its main appeal is its capability of reproducing any given surface of observed option prices---it provides a perfect fit---the essential component is a latent function which can be uniquely determined only in the limit of infinite data. To (re)construct this function, numerous calibration methods have been suggested involving steps of interpolation and extrapolation, most often of parametric form and with point-estimate representations. We look at the calibration problem in a probabilistic framework with a nonparametric approach based on a Gaussian process prior. This immediately gives a way of encoding prior beliefs about the local volatility function and a hypothesis model which is highly flexible yet not prone to over-fitting. Besides providing a method for calibrating a (range of) point-estimate(s), we draw posterior inference from the distribution over local volatility. This leads to a better understanding of uncertainty associated with the calibration in particular, and with the model in general. Further, we infer dynamical properties of local volatility by augmenting the hypothesis space with a time dimension. Ideally, this provides predictive distributions not only locally, but also for entire surfaces forward in time. We apply our approach to S&P 500 market data.

研究动机与目标

• 为解决从有限、离散的市场数据中进行局部波动率校准的不适定问题，提出一种原理清晰的概率框架。
• 通过高斯过程先验编码对局部波动率平滑性和结构的先验信念。
• 实现对局部波动率估计及其导数（如期权价格和隐含波动率）的不确定性量化。
• 将模型扩展至时变动态，支持对未来局部波动率和隐含波动率曲面的预测分布。
• 在真实标普500期权数据上展示该方法的实际应用价值，包括未来预测和VIX指数建模。

提出的方法

• 在（时间，行权价）输入空间上对局部波动率建模为高斯过程先验，实现非参数函数学习。
• 使用平方定价误差作为似然函数，直接将标准校准目标与贝叶斯似然联系起来。
• 通过马尔可夫链蒙特卡洛或变分推理进行后验推断，获得局部波动率函数的分布。
• 将时间作为输入维度，以建模时间演化，并支持对未来波动率曲面的预测分布。
• 利用高效的高斯过程推断算法，实现对真实市场数据的可扩展性，包括在多个时间点上的序列后验更新。
• 支持灵活的似然函数，包括加权或绝对误差目标，以适应市场数据的噪声结构。

实验结果

研究问题

• RQ1 如何在有限市场数据下实现局部波动率的估计，以量化不确定性并避免过拟合？
• RQ2 与传统参数化或插值方法相比，非参数概率框架是否能提升校准的鲁棒性？
• RQ3 该模型在1周后对局部波动率和隐含波动率曲面的预测效果如何？其预测不确定性与实际误差相比如何？
• RQ4 通过随时间序列更新后验分布，该模型能否捕捉局部波动率的时间依赖性？
• RQ5 该框架如何扩展以预测VIX指数或其他波动率衍生品？

主要发现

• 高斯过程先验成功编码了平滑性以及对局部波动率的先验信念，实现了稳定且无振荡的重构，且无过拟合现象。
• 后验推断提供了局部波动率函数的完整分布，支持对模型输出及其导数的不确定性量化。
• 该模型在1周后未来波动率曲面的预测性能与样本内校准误差相当，表明其具有强大的预测能力。
• 对隐含波动率和VIX指数的未来预测均生成了具有实际意义的不确定性估计，真实反映了风险传播。
• 该方法通过分层推断自然支持模型选择，避免了人为正则化或超参数调优。
• 该方法通过利用高斯过程通过先验进行正则化并进行不确定性边际化，对噪声或稀疏数据表现出鲁棒性。