Mô hình Rough Bergomi
Rough Bergomi giải thích một điều đã khiến các trader băn khoăn trong nhiều năm: tại sao smile của các kỳ hạn ngắn lại dốc đến vậy? Câu trả lời hóa ra là các đường đi (path) của biến động trong thị trường thực tế gồ ghề hơn nhiều so với giả định của các mô hình cổ điển. Khi bạn đo độ "gồ ghề" (roughness) của biến động thực nhận (realized vol) thực tế của BTC, ETH hay S&P 500, bạn sẽ thấy nó gồ ghề hơn nhiều so với bất cứ thứ gì mà Heston hay SABR có thể tạo ra.
Mô hình này không được dùng để khớp bề mặt biến động theo thời gian thực -- nó quá chậm. Giá trị của nó nằm ở mặt lý thuyết: nó cho bạn biết tại sao bề mặt biến động lại có hình dạng như vậy, và cung cấp cho bạn trực giác đúng khi khớp các mô hình thực dụng như SVI cho quyền chọn crypto kỳ hạn ngắn. Các mẫu hình biến động ngụ ý mà nó giải thích xuất hiện trên mọi thị trường quyền chọn có thanh khoản.
Góc nhìn về độ gồ ghề
Đo lường trên các thị trường cổ phiếu, FX và crypto, các đường đi của biến động đều gồ ghề hơn nhiều so với giả định của các mô hình tiêu chuẩn. Độ gồ ghề này một cách tự nhiên tạo ra skew dốc ở các kỳ hạn ngắn được quan sát trên thị trường -- không cần cú nhảy (jump) hay tham số cực đoan nào.
Tương tác: Độ gồ ghề và Skew
Sử dụng thanh trượt bên dưới để xem cả hai hiệu ứng của tham số độ gồ ghề (H) trong thực tế. Bảng bên trái cho thấy H thấp hơn tạo ra các đường đi gồ ghề, bất thường hơn như thế nào. Bảng bên phải cho thấy độ gồ ghề đó chuyển thành skew dốc hơn ở các kỳ hạn ngắn ra sao.
Trình khám phá quỹ đạo gồ ghề
Độ gồ ghề của quỹ đạo
Skew ATM theo kỳ hạn (log-log)
Kéo thanh trượt để thay đổi H. H thấp hơn tạo ra quỹ đạo răng cưa hơn (bên trái) và skew kỳ hạn ngắn dốc hơn (bên phải). Tại H=0.5, quỹ đạo là chuyển động Brown chuẩn và skew tuân theo mức suy giảm cổ điển T^(-0.5).
"Rough" nghĩa là gì
Các mô hình cổ điển như Heston cho biến động những đường đi mượt mà, uốn lượn nhẹ nhàng -- như một dòng sông. Rough Bergomi cho biến động những đường đi gồ ghề, giống như đường bờ biển. Đây không phải là một lựa chọn mô hình hóa -- đây là điều dữ liệu cho thấy khi bạn đo các đường đi biến động thực với tần suất cao.
Độ gồ ghề được kiểm soát bởi một con số duy nhất: tham số Hurst H. H thấp hơn = đường đi gồ ghề hơn = skew kỳ hạn ngắn dốc hơn.
H gần 0.1 là một sự thật, không phải một lựa chọn
Các nhà nghiên cứu tìm thấy H gần 0.1 dù họ đo S&P 500, cổ phiếu riêng lẻ, BTC hay ETH. Chính dữ liệu nói rằng các đường đi biến động là gồ ghề. Mô hình được xây dựng dựa trên điều dữ liệu cho thấy.
Quy luật lũy thừa của skew ATM
Tham số độ gồ ghề H kiểm soát cách skew ATM suy giảm từ kỳ hạn ngắn đến kỳ hạn dài. Với H gần 0.1, skew kỳ hạn ngắn dốc và phẳng dần khi kỳ hạn dài hơn. Tham số duy nhất này giải thích toàn bộ cấu trúc kỳ hạn của skew từ 1 ngày đến 1 năm -- trong cả crypto lẫn cổ phiếu.
Các mô hình cổ điển (Heston, SABR) mắc lỗi này một cách có hệ thống: chúng dự đoán skew quá cao ở kỳ hạn 1 ngày và quá thấp ở kỳ hạn 30 ngày. Rough Bergomi với H gần 0.1 vượt qua thử thách này. Khuôn khổ Black-Scholes hoàn toàn không thể nắm bắt hành vi quy luật lũy thừa này.
Giải thích skew dốc ở kỳ hạn ngắn
Rough Bergomi giải thích tại sao skew kỳ hạn ngắn lại dốc đến vậy. Đây là một góc nhìn lý thuyết, không phải công cụ dùng trong sản xuất.
Tham số
Ba tham số tự do, cộng với đường cong phương sai kỳ hạn (forward variance curve) từ dữ liệu thị trường.
Điểm mạnh và Hạn chế
So sánh với các mô hình cổ điển
Tại sao nó quan trọng với Crypto
Một lăng kính, không phải công cụ sản xuất
Rough Bergomi giống như Black-Scholes -- không phải mô hình bạn chạy trong sản xuất, mà là khuôn khổ cung cấp cho bạn ngôn ngữ và trực giác đúng đắn.
Nó giải thích tại sao smile crypto lại có hình dạng như vậy. Bề mặt biến động của BTC và ETH có skew kỳ hạn ngắn dốc. Rough Bergomi nói rằng: độ dốc này là hệ quả tự nhiên của các đường đi biến động rough, đúng như dữ liệu cho thấy.
Nó cho bạn tiền nghiệm đúng khi khớp SVI. Nếu bạn đang khớp SVI với dữ liệu kỳ hạn ngắn thưa thớt, biến động rough cho bạn biết rằng skew nên dốc. Quy luật lũy thừa cho bạn một kỳ vọng định lượng về cách skew nên biến đổi qua các ngày đáo hạn. Hữu ích khi dữ liệu mỏng. Tại mỗi giá thực hiện, biến động ngụ ý kỳ vọng bắt nguồn từ độ gồ ghề của quá trình phương sai cơ sở.
Nó định hình biên giới nghiên cứu. Khớp mô hình biến động rough bằng deep learning, mô hình lai rough-local vol, và các biến thể rough Heston có thể cuối cùng sẽ đủ nhanh cho sử dụng thời gian thực. Hiểu khuôn khổ này ngay bây giờ nghĩa là bạn sẽ nhận ra những công cụ này khi chúng xuất hiện. Các khái niệm như phòng hộ delta và mức độ phơi nhiễm vega vẫn giữ nguyên, nhưng việc tính toán chúng trở nên khó hơn nhiều dưới động lực học rough. Thách thức là tính các Greek này mà không vi phạm arbitrage lịch khi ghép các lát cắt mô phỏng lại với nhau, điều mà cánh OTM đặc biệt nhạy cảm.
Trình khám phá phương trình
Chuyển đổi giữa biến động ngụ ý, tổng phương sai, log-moneyness, và giá quyền chọn.
Trình khám phá phương trình
Tự kiểm tra
💡 Mẹo: Hãy thử trả lời từng câu hỏi trước khi xem đáp án.
Xây dựng trực giác toán học
Học Rough Bergomi từ đầuBài học tương tác · không cần kiến thức nềnBài học này bắt đầu với góc nhìn về biến động rough, sau đó giải thích tham số Hurst, quá trình phương sai, và tại sao độ gồ ghề một cách tự nhiên làm dốc phần đầu ngắn của smile.
Xem thêm:
- Mô hình SABR -- Mô hình biến động ngẫu nhiên cho động lực học smile
- Mô hình Heston -- Biến động ngẫu nhiên cổ điển với phương sai hồi quy về trung bình
- Tham số hóa SVI -- Phương pháp khớp smile thực dụng
- SSVI (Surface SVI) -- Mở rộng bề mặt không có arbitrage lịch
- Skew -- Hành vi và đo lường skew thực nghiệm
- Cấu trúc kỳ hạn -- Cách biến động thay đổi qua các ngày đáo hạn
- Các phương pháp nội suy -- So sánh tất cả các phương pháp