作 者：老余捞鱼
原创不易，转载请标明出处及原作者。
文中示例仅用于技术讨论，不构成任何操作建议。
量化策略开发应以学习和技术交流为目的。
本号不荐股、不卖课、不承诺收益。
市场有风险，请合法合规投资。
本文约 4000 字 | 阅读预计需 10-15 分钟，文中有代码示例，建议先收藏。
· · ·
先大家问一个问题，波动率是常数吗？
可能多数人嘴上会说不是，然而操作时却默认它是。看一眼期权报价里的隐含波动率数字，就以为那是全部。
实际上，同一标的、同一到期日，不同执行价的期权，隐含波动率完全不一样。把这些数字画在图上，是一条两头翘起来的曲线，中间凹、两边高，像一张咧开的嘴。量化圈管它叫”波动率微笑”。
我先说明一点，”微笑”是英文 volatility smile 直译过来的，说的是曲线形状，并不是什么俏皮话。而让大家看懂这条曲线，就是这篇文章要解决的事。
① 为什么简单模型搞不定
传统模型有一个硬伤，它假设波动率是个固定数字。你给它一个 0.2，它就从头到尾用 0.2。
但市场不这么想。同样一只股票，深度虚值的认沽期权，隐含波动率常常比平值期权高出一大截。为什么？因为大家都在抢着买”下跌保险”，把虚值认沽的价格抬高了，反推出来的波动率自然就高。这就是偏斜。
固定波动率的模型画不出这条曲线，它只能画一条平线。于是 SABR 出场了。
SABR 的全称是 Stochastic Alpha Beta Rho，核心解释就是：它把波动率本身也当成一个会随机变化的量，而且这个波动率和标的价格之间还有联动。它诞生在 2000 年代初期，先在利率市场站稳脚跟，后来扩散到股票和其他资产，靠的是两样东西，画出来的波动率表面足够真实，算起来又足够快。
② 四个参数，各管一件事
SABR 有四个参数，拆开讲其实不复杂。
第一个是 beta，管弹性。它决定波动率对价格变化的敏感程度。数值接近 1，就是对数正态，股票期权常用。数值更低，适合那些绝对涨跌幅比百分比更重要的场景，比如某些利率品种。实际用的时候，大家通常按历史规律或市场惯例把 beta 固定下来，不随便乱调，这样更稳。
第二个是 alpha，管基准。它定了整个波动率的高度，尤其是平值期权附近。你可以理解成整条微笑曲线的”地基高度”。
第三个是 rho，管偏斜。它抓的是价格变动和波动率变动之间的相关性。股票市场里这个数通常是负的，因为股价一跌，恐慌情绪起来，波动率跟着飙升。负得越狠，说明市场越怕跌。
第四个是 nu，管曲率。它也叫”波动率的波动率”，控制微笑曲线两边的翘起程度，反映市场给极端行情定了多高的价格。nu 越大，肥尾越明显，意味着市场认为大涨大跌的概率都不低。
这四个数凑在一起，就能画出一条跟市场报价贴得很近的波动率微笑。关键是它有近似的闭式解，算得快，交易台和风控系统能实时用。
③ 校准就是把模型对到市场价
有了模型，下一步是校准。校准就是调参数，让模型算出来的价格，跟市场上真实成交的价格对齐。这一步做完，SABR 才从理论公式变成一个能用的工具。
通常的做法是，先用流动性最好的平值期权，锚定整体波动率水平，也就是先定 alpha。再用虚值期权，去拟合偏斜和曲率，把 rho 和 nu 定下来。整个过程靠数值优化，找一组参数，让模型价和市场价的差距最小，而且权重往往偏向成交最活跃的那几个执行价。
实际落地时，团队会每个到期日单独校准，再保证参数在整个波动率表面上平滑过渡。这样做能避免套利机会，也让流动性差的合约插值更可靠。现在主流实现都会加边界约束和正则化，让参数一天一天之间别跳得太凶。
一套校准好的 SABR 表面，会随着盘中新报价不断更新，给你一个实时视角，看市场预期在往哪边挪。
④ Python 代码，完整可跑
下面这段代码是完整的，一行没删，从定义公式到画出拟合曲线，你复制过去就能跑。核心就三步，定义 SABR 波动率公式，把参数校准到样本市场价，画出拟合好的微笑曲线。
import numpy as np
from scipy.optimize import least_squares
import matplotlib.pyplot as plt
def sabr_vol(f, k, t, alpha, beta, rho, nu):
"""Hagan's approximate SABR implied Black volatility."""
if abs(f - k) < 1e-12: # ATM case
return alpha * (f ** (beta - 1)) * (
1 + (((1 - beta)**2 * alpha**2) / (24 * f**(2 - 2*beta)) +
(rho * beta * nu * alpha) / (4 * f**(1 - beta)) +
((2 - 3 * rho**2) * nu**2) / 24) * t)
z = (nu / alpha) * ((f * k) ** ((1 - beta) / 2)) * np.log(f / k)
x = np.log((np.sqrt(1 - 2 * rho * z + z**2) + z - rho) / (1 - rho))
A = ((1 - beta)**2 * alpha**2) / (24 * (f * k)**(1 - beta))
B = (rho * beta * nu * alpha) / (4 * (f * k)**((1 - beta)/2))
C = (2 - 3 * rho**2) * nu**2 / 24
factor = 1 + (A + B + C) * t
if abs(z) < 1e-8:
vol = alpha * (f ** (beta - 1)) * factor
else:
vol = (alpha * z / x) * (1 / (f * k)**((1 - beta)/2)) * factor
return vol
def objective(params, f, t, strikes, market_vols, beta):
alpha, rho, nu = params
model_vols = np.array([sabr_vol(f, k, t, alpha, beta, rho, nu) for k in strikes])
return model_vols - market_vols
# Example data (SPY-like equity options, 3-month expiration)
f = 400.0 # Forward price
t = 0.25 # Time to expiration in years
beta = 0.5 # Common choice for equities
strikes = np.array([350, 375, 400, 425, 450])
market_vols = np.array([0.28, 0.24, 0.20, 0.22, 0.26]) # Observed implied vols
initial_guess = [0.25, -0.3, 0.6]
result = least_squares(objective, initial_guess,
args=(f, t, strikes, market_vols, beta),
bounds=([0.01, -0.99, 0.1], [1.0, 0.99, 2.0]))
alpha, rho, nu = result.x
print("Calibrated - Alpha:", round(alpha, 2), "Rho:", round(rho, 2), "Nu:", round(nu, 2))
# Generate fitted vols
fitted_vols = np.array([sabr_vol(f, k, t, alpha, beta, rho, nu) for k in strikes])
# Plot
plt.figure(figsize=(10, 6))
plt.plot(strikes, market_vols * 100, 'o-', label='Market Implied Vol', linewidth=2)
plt.plot(strikes, fitted_vols * 100, 's--', label='SABR Fitted Smile', linewidth=2)
plt.xlabel('Strike Price')
plt.ylabel('Implied Volatility (%)')
plt.title('SABR Calibration: Market vs Fitted Volatility Smile')
plt.legend()
plt.grid(True)
plt.show()跑完的输出是这样的。
Calibrated - Alpha: 1.0 Rho: -0.04 Nu: 2.0这段示例用的是类 SPY 的股票期权，三个月到期，远期价 400，执行价从 350 到 450 五个档，对应的市场隐含波动率是 0.28、0.24、0.20、0.22、0.26。一眼能看出，中间低、两边高，这就是微笑的形状。
⑤ 三个读数，还原市场在想什么
校准出来的三个数，各讲了一件事。
Alpha 是 0.99，接近上限。这说明基础波动率偏高，模型得把这个起点定高，才够得着整条微笑的高度。换句话说，市场认为当前整体波动不低。
Rho 是 -0.04，一个很轻的负数。说明偏斜很平衡，市场没有在这个到期日上，把下行恐惧定得比上行风险重多少。
Nu 是 1.99，同样接近上限。这是”波动率的波动率”，数值高意味着微笑曲线的曲率很强，市场给大涨和大跌都赋了不低的概率，也就是肥尾。
把三个数合起来读，是这么一幅图景，市场预期波动会很大，尾部风险显著，但对方向没有明显偏向。有了这套参数，你就能给任意执行价插值出隐含波动率，或者给自定义期权做跟市场一致的定价。
⑥ 微笑和偏斜，就是市场的恐惧曲线
一条校准好的微笑曲线，讲的其实是当下的情绪。
偏斜陡峭，说明抢着买下行保护的人多，这在经济担忧期很常见。曲率明显，说明市场认为大涨大跌的概率都不低。而不同到期日的微笑宽度还不一样，临近重大事件时，短期的微笑会突然变宽，长期的则更反映结构性判断。观察 SABR 参数怎么随时间演变，能帮你分清，这是一次性冲击，还是趋势性的变化。
对股票投资者来说，这个信号能补上基本面分析的盲区。如果下行偏斜在没有公司级利空的情况下突然变陡，背后可能是更大的组合对冲盘，或者宏观层面的麻烦。企业财务部门也能用它来挑对冲时机，压低成本。
⑦ 如何用这个SABR
组合经理拿校准好的表面，给复杂期权头寸定准确的价，算出更可靠的希腊字母去对冲。风控部门靠它做压力测试和风险价值计算，不再假设波动率服从正态，尾部估计更准，资本缓冲和应急预案也就更合理。
企业这一侧，发可转债、管养老金、做股份回购的，都能从更准的估值输入里受益。管外汇和利率敞口的财务团队，可以挑那些市场定价更划算的执行价和到期日。私募和风投在交易结构里越来越多碰到期权条款，懂波动率建模，谈判和投后都更主动。
哪怕你长期投资、手上没有任何期权，这套思路也有用。当 SABR 表面定价的极端行情，跟经济基本面明显对不上，可能就是个有耐心的资金进场的好时点。反过来，微笑异常平坦，反而是该警惕市场过于松懈的信号。
⑧ 五条值得记住的教训
第一，市场对风险定价是不对称、动态的。很多资产类别里持续的负偏斜提醒你，防跌是有溢价的。做组合时把这一点放进去，用分散、选择性对冲或不对称收益结构，韧性会更好。
第二，波动率是均值回归的，中间夹杂尖峰脉冲。能抓到 nu 的模型，帮你提前准备这些脉冲，而不是当它们是完全的意外。
第三，校准好的模型给的是结构，但参数必须放到宏观背景、行业进展、公司催化剂里去解读。量化的表面配上定性的判断，决策才稳。
第四，技术一直在把建模门槛拉低。当年要昂贵专有系统才能做的事，现在开源工具加云计算，小团队和个人就能上手。愿意花时间的人，能攒下一个复利的信息优势。
第五，量化是持续学习的事。市场在演化，新产品不断出现，模型要一直打磨。把建模当活的实践，而不是设好就忘，才能在未来的不确定性里站得更稳。
⑨ 如何迈出第一步
先去看你已经在关注的资产的波动率微笑。很多公开平台都展示不同执行价的隐含波动率，拿平值跟虚值比一比，慢慢建立对偏斜和曲率的直觉。
上面那段代码就是起点，拿 yfinance 抓主流标的的期权数据试着跑。在关键事件前后跟踪参数变化，积累手感。记住一条，早期实验一定要让风控走在前面，仓位小一点，对冲方案清晰一点，任何衍生品操作都得跟整体组合目标对齐。
往后看，机器学习和高性能计算的进步，会带来更快更稳的校准方法，SABR 和其他方法杂交的模型也会更强。跟得上这些变化的人，才能在市场越来越复杂的时候占住先机。
#期权定价 #波动率微笑 #SABR模型 #隐含波动率 #量化金融 #Python #风险管理 #波动率偏斜 #衍生品 #Hagan公式 #尾部风险 #投资优势
Be First to Comment