[论文解读] Robust calibration and arbitrage-free interpolation of SSVI slices

Pierre Cohort, Jacopo Corbetta+2 more|arXiv (Cornell University)|Apr 13, 2018

Stochastic processes and financial applications参考文献 7被引用 3

一句话总结

本文提出了一种针对扩展SSVI（eSSVI）波动率曲面模型的稳健、无套利校准方法，通过将每个到期日切片锚定在平值远期点，并采用确保无蝶形套利和日历套利的重参数化方法。关键贡献在于，对校准后参数进行简单的分段线性插值/外推可保持无套利条件，从而实现快速、简洁且可靠的波动率曲面构建。

ABSTRACT

We describe a robust calibration algorithm of a set of SSVI slices (i.e. a set of 3 SSVI parameters $θ, ρ, φ$ attached to each option maturity available on the market), which grants that these slices are free of Butterfly and Calendar-Spread arbitrage. Given such a set of consistent SSVI parameters, we show that the most natural interpolation/extrapolation of the parameters provides a full continuous volatility surface free of arbitrage. The numerical implementation is straightforward, robust and quick, yielding an effective, parsimonious solution to the smile problem, which has the potential to become a benchmark one.

研究动机与目标

• 开发一种eSSVI参数的稳健校准算法，确保在所有到期日均不存在蝶形套利与日历套利。
• 确保在对切片参数进行插值/外推后，所得波动率曲面保持连续且无套利。
• 提供一种计算高效、无需模型假设的方法，从市场观测的期权价格构建完整的无套利波动率曲面。
• 实现校准参数的简洁存储与重用，以支持风险管理和历史曲面重建。

提出的方法

• 使用$(\rho, \psi)$对每个SSVI切片进行重参数化，其中$\psi = \theta \varphi$，并将切片锚定在最接近远期平值点（$k^*$, $\theta^*$）的市场数据点上，以提升校准稳定性。
• 采用一维Brent算法进行优化，避免使用复杂的黑箱求解器，确保校准的稳健性。
• 通过显式约束强制实现无套利：$\theta_t \varphi(\theta_t) \leq \frac{4}{1+|\rho|}$ 与 $\theta_t \varphi(\theta_t)^2 \leq \frac{4}{1+|\rho|}$，从而保证无蝶形套利。
• 在到期日之间采用$\theta_t$、$\rho_t$与$\psi_t$的分段线性插值，该方法已被证明可保持无套利条件。
• 通过$\theta_t = \lambda \theta_1$，$\psi_t = \lambda \psi_1$，$\rho_t = \rho_1$，其中$\lambda = t/T_1$，实现短期外推，确保在短期端无套利。
• 通过使用连续递增函数$u(t)$（满足$u(T_N) = 0$）实现长期外推，设定$\theta_t = \theta_N + u(t)$，$\psi_t = \psi_N$，$\rho_t = \rho_N$，从而在长期端保持无套利。

实验结果

研究问题

• RQ1 能否设计一种基于一维优化的稳健校准方法，用于eSSVI切片，以保证蝶形套利与日历套利的完全消除？
• RQ2 对eSSVI参数在到期日之间进行朴素的分段线性插值，是否能保持最终完整波动率曲面的无套利性？
• RQ3 能否构建短期与长期外推方案，使其在保持无套利条件的同时，确保在到期日零处期权价格函数的连续性？
• RQ4 所得到的eSSVI曲面构建方法是否兼具计算高效性与在做市与风险管理中的实际可用性？

主要发现

• 采用$\rho$与$\psi = \theta \varphi$的锚定重参数化方法，显著提升了校准的稳健性，通过将每个切片锚定在远期平值附近的可靠市场数据点上。
• 使用一维Brent算法进行校准，确保了计算效率，并避免了高维优化中常见的收敛问题。
• 对$\theta_t$、$\rho_t$与$\psi_t$在到期日之间的分段线性插值可保持无套利条件，这对一种简单插值方案而言是非显而易见且极为突出的结果。
• 短期外推方案$\theta_t = \lambda \theta_1$，$\psi_t = \lambda \psi_1$，$\rho_t = \rho_1$，其中$\lambda = t/T_1$，可确保无套利且在$t \to 0^+$时保持连续性。
• 长期外推通过$\theta_t = \theta_N + u(t)$，$\psi_t = \psi_N$，$\rho_t = \rho_N$实现，其中$u(t)$为递增函数且满足$u(T_N) = 0$，可维持所有到期日的无日历套利。
• 整个框架实现了对完整无套利波动率曲面的简洁、快速且可靠的构建，适用于存储与重用，以支持风险分析与历史曲面重建。