[论文解读] The quadratic rough Heston model and the joint S&P 500/VIX smile calibration problem

Jim Gatheral, Paul Jusselin+1 more|arXiv (Cornell University)|Jan 1, 2020

Financial Risk and Volatility Modeling参考文献 33被引用 22

一句话总结

本文提出二次粗糙赫斯顿模型，一种连续路径随机波动率模型，能够同时校准标普500（SPX）和VIX期权隐含波动率微笑。通过结合粗糙波动率动态与价格反馈（祖马赫）效应，该模型解决了长期存在的波动率建模难题，为朱利安·盖翁关于连续SPX路径下联合校准不可能性的猜想提供了反例。

ABSTRACT

Fitting simultaneously SPX and VIX smiles is known to be one of the most challenging problems in volatility modeling. A long-standing conjecture due to Julien Guyon is that it may not be possible to calibrate jointly these two quantities with a model with continuous sample-paths. We present the quadratic rough Heston model as a counterexample to this conjecture. The key idea is the combination of rough volatility together with a price-feedback (Zumbach) effect.

研究动机与目标

• 解决在连续路径模型中联合校准SPX与VIX期权隐含波动率微笑的长期挑战。
• 挑战朱利安·盖翁关于在连续SPX价格路径下联合校准不可能性的猜想。
• 证明粗糙波动率与价格反馈效应的结合可实现更优的联合校准。
• 提供一个简洁、可处理的模型，重现SPX与VIX期权的关键市场特征。
• 为VIX与SPX期权定价提供跳扩散或非模型化方法的实用替代方案。

提出的方法

• 提出二次粗糙赫斯顿模型，通过引入价格反馈（祖马赫）效应扩展粗糙赫斯顿模型。
• 引入由分数布朗运动驱动的随机波动率过程，赫斯特参数 α ≈ 0.51。
• 使用改进的波动率过程 Zt，通过非马尔可夫积分结构纳入过去收益的反馈。
• 采用参数化初始函数 θ0(t) = Z0 / (λΓ(1−α)t−α) 以简化校准。
• 使用最小二乘目标函数校准模型参数，最小化模型隐含波动率与SPX及VIX期权市场中间隐含波动率之间的差异。
• 通过蒙特卡洛模拟计算模型隐含波动率，并校准六个参数：α, λ, a, b, c, Z0。

实验结果

研究问题

• RQ1 是否存在一种连续路径模型，能够联合校准SPX与VIX期权微笑，从而挑战盖翁的猜想？
• RQ2 粗糙波动率与价格反馈（祖马赫效应）的结合是否能实现优于标准粗糙赫斯顿模型的联合校准？
• RQ3 能否为该模型构建一个简洁的、可约化为马尔可夫性的无限维表示？
• RQ4 该模型在多大程度上能再现SPX微笑的左尾及短期期限下VIX微笑结构？
• RQ5 该模型是否能拟合VIX期权的市场买卖价差，特别是短期到期期限的情况？

主要发现

• 该模型在2017年5月19日成功拟合SPX与VIX隐含波动率微笑，参数为 α = 0.51, λ = 1.2, a = 0.384, b = 0.095, c = 0.0025, Z0 = 0.1。
• 模型生成的VIX微笑系统性地落在观测到的市场买卖价差范围内，表明具有高度市场一致性。
• SPX波动率曲面，包括极端左尾部分，均被模型良好再现。
• 该模型捕捉市场下跌期间VIX飙升的能力与祖马赫效应一致，即波动率在下跌后上升幅度大于上涨后。
• 该模型的无限维马尔可夫表示允许将SPX与VIX的欧式期权定价表示为时间、S与初始函数 θt 的函数。
• 尽管校准方法并非最优且仅含六个参数，该模型仍实现了高保真度的联合校准，表明借助更先进的校准技术仍有进一步优化潜力。