Đa thức bậc năm từ đầu
1/5Fit đường smile bằng đa thức
Quên chuyện chọn SDE hay mô hình biến động ngẫu nhiên đi. Lấy đường tổng phương sai w(k) và fit trực tiếp bằng một đa thức theo log-moneyness. Sáu hệ số cho mỗi lát cắt. Xong.
Ý tưởng gần như đơn giản đến mức khiêu khích. Tổng phương sai w(k) =σ²·T là một hàm của log-moneyness k = ln(K/F). Chỉ cần fit nó bằng một đa thức:
So sánh với SVI, vốn có năm tham số mang ý nghĩa hình học cụ thể (level, độ dốc, độ cong, tâm, độ nghiêng). Quintic có sáu tham số không mang ý nghĩa nội tại -- chúng chỉ là các hệ số đa thức. Cái bạn mất về khả năng diễn giải, bạn được lại về tính linh hoạt.
Mỗi hệ số kiểm soát một khía cạnh khác nhau của hình dạng smile: a₀ thiết lập mức ATM. a₁ kiểm soát skew tuyến tính. a₂ kiểm soát độ cong. Các số hạng bậc cao hơn xử lý tính bất đối xứng và cấu trúc tinh vi mà hình dạng cố định của SVI không thể nắm bắt.
SVI là một khuôn đúc định hình: nó chỉ có thể tạo ra các smile thuộc một họ nhất định. Quintic là đất sét mềm: bạn có thể nặn ra nhiều hình dạng hơn, nhưng đất sét không biết một smile nên trông như thế nào. Bạn cần kỷ luật từ bên ngoài (các ràng buộc) để ngăn nó tạo ra những hình dạng vô nghĩa.
Vì sao lại là bậc năm (quintic)?
Bậc 5 là điểm ngọt. Bậc ba quá cứng nhắc cho các smile thực tế. Bậc bốn giúp ích nhưng vẫn không xử lý được sự bất đối xứng giữa cánh put và cánh call. Bậc bảy (septic) dao động. Bậc năm luồn qua khe cửa hẹp.
Bậc ba (degree 3): 4 hệ số. Có thể nắm bắt một smile nghiêng nhưng không nắm được độ cong độc lập của từng cánh. Nếu cánh trái dốc và cánh phải phẳng, bậc ba không thể fit cả hai mà không làm méo phần tâm.
Bậc bốn (degree 4): 5 hệ số. Tốt hơn -- nó có thể xử lý độ cong đối xứng -- nhưng vẫn thiếu một số hạng lũy thừa lẻ đủ cao để phân biệt các cánh một cách rõ ràng.
Bậc năm (degree 5): 6 hệ số. Số hạng bậc năm thêm vào cho phép kiểm soát độc lập sự bất đối xứng của các cánh ở dải moneyness phù hợp. Các smile thực tế đều bất đối xứng (cánh put dốc hơn cánh call trong cổ phiếu và crypto), và bậc năm nắm bắt được điều này mà không overfitting.
Bậc bảy (degree 7) và cao hơn: Quá nhiều bậc tự do. Đa thức bắt đầu dao động giữa các điểm dữ liệu, tạo ra những cục u và gợn sóng giả không có trong dữ liệu thị trường. Đây là sự đánh đổi bias-variance kinh điển: càng linh hoạt càng dễ overfitting.
Hãy nhìn phần so sánh phía trên. Bấm qua từng bậc. Bậc ba trượt các cánh. Bậc bốn gần nhưng cứng. Bậc năm khớp. Bậc bảy bắt đầu gợn sóng. Hình ảnh trực quan đó chính là toàn bộ lập luận cho bậc 5.
Các ràng buộc chênh lệch giá lên đa thức
Đây là vấn đề cơ bản của các mô hình smile bằng đa thức: chúng tăng quá nhanh ở các cánh. Công thức moment của Roger Lee nói rằng tổng phương sai tối đa chỉ được tăng tuyến tính theo |k| khi |k| tiến ra vô cực. Một đa thức bậc 5 tăng như k⁵. Đó là một vấn đề.
Công thức moment của Lee (2004) thiết lập hành vi tiệm cận của biến động ngụ ý:
Biểu đồ phía trên cho thấy sự khác biệt rất rõ. Các cánh của SVI bị chặn: chúng tiệm cận một độ dốc tuyến tính. Các cánh của quintic bùng nổ. Ở các cánh xa, đa thức báo giá các biến động ngụ ý hàm ý butterfly spread âm -- tiền miễn phí.
Cách khắc phục: chỉ dùng quintic ở phần bên trong của smile (chẳng hạn, |k| < 0.5) và pha trộn vào một mô hình cánh (tuyến tính hoặc kiểu SVI) để ngoại suy. Đây là cách tiếp cận sản xuất tiêu chuẩn: đa thức ở phần trong, cánh được kiểm soát.
Ngoài ra, bạn có thể thêm các ràng buộc tường minh trong quá trình fit:
1. w(k) ≥ 0 với mọi k (phương sai phải dương).
2. w(k) is convex ở phần bên trong (không có butterfly arbitrage -- đây là điều kiện Durrleman).
3. w(k)/|k| ≤ 2 tại các điểm đầu mút của dải fit.
Các ràng buộc này đều tuyến tính hoặc bậc hai theo các hệ số, nên có thể áp đặt bằng cách giải một bài toán bình phương tối thiểu có ràng buộc (quadratic program) thay vì bình phương tối thiểu không ràng buộc.
Hiệu chỉnh chỉ đơn giản là hồi quy tuyến tính
Khác với tối ưu phi tuyến của SVI (vốn cần khởi tạo, lặp, và có thể bị kẹt ở cực tiểu địa phương), fit một đa thức là bài toán bình phương tối thiểu tuyến tính. Dựng một ma trận, giải một hệ tuyến tính, xong.
Cho N điểm dữ liệu quan sát được (kᵢ, wᵢ), bài toán là:
Kéo các điểm dữ liệu phía trên. Fit cập nhật tức thì vì nó chỉ là giải ma trận -- không lặp, không vấn đề hội tụ, không nhạy cảm với khởi tạo. So sánh với hiệu chỉnh SVI, nơi bộ tối ưu có thể mất hàng chục vòng lặp và có thể tìm ra đáp án khác nhau tùy vào điểm xuất phát.
Thêm ràng buộc: Nếu bạn thêm các ràng buộc chênh lệch giá từ phần trước (tính dương, tính lồi, chặn cánh), bài toán trở thành một quadratic program (QP) thay vì bình phương tối thiểu không ràng buộc. QP vẫn nhanh và đã được nghiên cứu kỹ -- các solver xử lý chúng trong vài mili-giây. Điểm mấu chốt: quintic có ràng buộc vẫn hiệu chỉnh nhanh hơn SVI một cách đáng kể.
Ổn định số học: Ma trận Vandermonde có thể bị điều kiện xấu khi dải moneyness rộng. Các biện pháp tiêu chuẩn: (1) co giãn k về [-1, 1] trước khi fit, (2) dùng đa thức trực giao (Chebyshev, Legendre) thay cho các lũy thừa thô. Đây là các kỹ thuật giải tích số thường quy.
Quintic so với SVI
Không cái nào thắng ở mọi nơi. Quintic fit nhanh hơn và linh hoạt hơn ở phần trong. SVI có cánh bị chặn và tham số có thể diễn giải. Hãy biết chọn cái nào cho đúng.
Quintic thắng khi:
1. Bạn cần hiệu chỉnh nhanh (hàng nghìn lát cắt mỗi giây cho một bề mặt thời gian thực). Giải tuyến tính không thể bị đánh bại về tốc độ.
2. Smile quan sát được có các đặc điểm mà hình dạng cố định của SVI không khớp được -- các cục u cục bộ, độ cong bất thường, cánh bất đối xứng. Quintic linh hoạt hơn ở phần trong.
3. Bạn đang làm việc ở phần bên trong của smile (|k| < 0.3) nơi hành vi cánh không quan trọng và bạn muốn fit sát nhất có thể với dữ liệu quan sát.
SVI thắng khi:
1. Bạn cần ngoại suy cánh đáng tin cậy. Tính tuyến tính tiệm cận của SVI ở các cánh đúng theo cấu trúc. Quintic phải bị cắt hoặc pha trộn.
2. Bạn muốn có tham số diễn giải được cho quản trị rủi ro. Của SVI: a (level), b (góc), ρ (độ nghiêng), m (tâm), σ (làm mượt cánh) ánh xạ trực tiếp tới các đặc điểm smile quan sát được.
3. Bạn đang xây dựng một bề mặt xuyên các ngày đáo hạn. SSVI mở rộng SVI ra toàn bộ bề mặt kèm bảo đảm không có chênh lệch giá. Không có "quintic bề mặt" tiêu chuẩn nào với các bảo đảm tương tự.
Giải pháp thỏa hiệp trong sản xuất: Nhiều bàn giao dịch dùng cả hai. Quintic cho nội suy phần trong nhanh và báo giá thời gian thực. SVI hoặc SSVI cho bề mặt chính thức, ngoại suy cánh, và báo cáo rủi ro. Quintic xử lý phần tâm dày dữ liệu; SVI xử lý các cánh thưa dữ liệu.
Đa thức bậc năm không phải là một mô hình của thị trường. Nó là một công cụ fit đường cong. Nó không nói gì về động lực học, phòng hộ, hay vì sao smile lại có hình dạng như vậy. SVI cũng là một công cụ fit đường cong, nhưng có đủ cấu trúc để mở rộng thành một bề mặt. Về động lực học thực sự, bạn cần SABR, Heston, hoặc một mô hình biến động cục bộ ngẫu nhiên. Quintic nằm trong khoảng giữa dữ liệu thô và một mô hình thực -- nó là cách nhanh nhất để có được một smile mượt, được nội suy từ các quan sát nhiễu.
Đi tiếp ở đâu:
Tham số hóa SVI -- mô hình smile tiêu chuẩn với cánh bị chặn
Bề mặt SSVI -- SVI mở rộng ra toàn bộ bề mặt kèm bảo đảm không có chênh lệch giá
Các phương pháp nội suy -- so sánh tất cả các phương pháp fit