Полином пятой степени с нуля
1/5Аппроксимация улыбки полиномом
Забудьте про выбор SDE или стохастической модели волатильности. Возьмите кривую полной дисперсии w(k) и аппроксимируйте её напрямую полиномом по логарифмической монейности. Шесть коэффициентов на срез. Готово.
Идея почти вызывающе проста. Полная дисперсия w(k) =σ²·T — это функция логарифмической монейности k = ln(K/F). Просто аппроксимируйте её полиномом:
Сравните это с SVI, у которого пять параметров с конкретным геометрическим смыслом (уровень, наклон, кривизна, центр, скос). У квинтического полинома шесть параметров без внутреннего смысла — это просто коэффициенты полинома. Что вы теряете в интерпретируемости, то выигрываете в гибкости.
Каждый коэффициент управляет своим аспектом формы улыбки: a₀ задаёт уровень ATM. a₁ управляет линейным скью. a₂ управляет кривизной. Члены более высокого порядка отвечают за асимметрию и тонкую структуру, которую фиксированная форма SVI уловить не может.
SVI — это готовая форма для отливки: она может создавать улыбки только определённого семейства. Квинтический полином — это мягкая глина: из неё можно вылепить больше форм, но глина не знает, как должна выглядеть улыбка. Нужна внешняя дисциплина (ограничения), чтобы не допустить бессмысленных форм.
Почему квинтический?
Степень 5 — золотая середина. Кубический слишком жёсткий для реалистичных улыбок. Квартический помогает, но всё ещё не справляется с асимметрией между пут- и колл-крыльями. Септический (степень 7) осциллирует. Квинтический попадает точно в цель.
Кубический (степень 3): 4 коэффициента. Может отразить наклонённую улыбку, но не независимую кривизну каждого крыла. Если левое крыло крутое, а правое пологое, кубический не подгонит оба без искажения центра.
Квартический (степень 4): 5 коэффициентов. Лучше — он справляется с симметричной кривизной, — но всё ещё не хватает члена нечётной степени, достаточно высокой, чтобы чисто различать крылья.
Квинтический (степень 5): 6 коэффициентов. Дополнительный член пятой степени даёт независимый контроль над асимметрией крыльев в нужном диапазоне монейности. Реальные улыбки асимметричны (пут-крыло круче колл-крыла в акциях и крипте), и квинтический полином отражает это без переобучения.
Септический (степень 7) и выше: Слишком много степеней свободы. Полином начинает осциллировать между точками данных, создавая ложные горбы и колебания, которых нет в рыночных данных. Это классический компромисс смещения и дисперсии: больше гибкости — выше риск переобучения.
Посмотрите на сравнение выше. Пройдите по каждой степени. Кубический промахивается по крыльям. Квартический близок, но негибок. Квинтический совпадает. Септический начинает колебаться. Эта визуализация — весь аргумент в пользу степени 5.
Арбитражные ограничения для полиномов
Вот фундаментальная проблема полиномиальных моделей улыбки: они слишком быстро растут в крыльях. Формула моментов Роджера Ли гласит, что полная дисперсия должна расти не быстрее, чем линейно по |k| при |k|, стремящемся к бесконечности. Полином степени 5 растёт как k⁵. Это проблема.
Формула моментов Ли (2004) устанавливает асимптотическое поведение подразумеваемой волатильности:
График выше резко показывает разницу. Крылья SVI ограничены: они приближаются к линейному наклону. Крылья квинтического полинома взрываются. В дальних крыльях полином котирует такие подразумеваемые волатильности, которые дают отрицательные спреды бабочки — бесплатные деньги.
Решение: используйте квинтический полином только во внутренней части улыбки (скажем, |k| < 0.5) и склеивайте его с моделью крыльев (линейной или SVI-подобной) для экстраполяции. Это стандартный продакшн-подход: полином внутри, контролируемые крылья.
В качестве альтернативы можно добавить явные ограничения при аппроксимации:
1. w(k) ≥ 0 для всех k (дисперсия должна быть положительной).
2. w(k) is convex во внутренней части (нет арбитража бабочки — это условие Дюррлемана).
3. w(k)/|k| ≤ 2 на концах диапазона аппроксимации.
Все эти ограничения линейны или квадратичны относительно коэффициентов, поэтому их можно обеспечить, решая задачу наименьших квадратов с ограничениями (квадратичное программирование) вместо безусловных наименьших квадратов.
Калибровка — это просто линейная регрессия
В отличие от нелинейной оптимизации SVI (которая требует инициализации, итераций и может застрять в локальных минимумах), аппроксимация полиномом — это задача линейных наименьших квадратов. Составьте матрицу, решите одну линейную систему — готово.
Дано N наблюдаемых точек данных (kᵢ, wᵢ), задача такова:
Перетаскивайте точки данных выше. Аппроксимация обновляется мгновенно, потому что это просто решение матрицы — никаких итераций, проблем сходимости, чувствительности к инициализации. Сравните это с калибровкой SVI, где оптимизатору могут потребоваться десятки итераций и он может найти разный ответ в зависимости от точки старта.
Добавление ограничений: Если добавить арбитражные ограничения из предыдущего раздела (положительность, выпуклость, границы крыльев), задача становится квадратичным программированием (QP) вместо безусловных наименьших квадратов. QP по-прежнему быстры и хорошо изучены — решатели справляются с ними за миллисекунды. Ключевой момент: квинтический полином с ограничениями всё равно калибруется драматически быстрее, чем SVI.
Численная устойчивость: Матрица Вандермонда может быть плохо обусловлена при широком диапазоне монейности. Стандартные средства: (1) масштабировать k к [-1, 1] перед аппроксимацией, (2) использовать ортогональные полиномы (Чебышёва, Лежандра) вместо чистых степеней. Это рутинные методы численного анализа.
Квинтический полином против SVI
Ни один не выигрывает везде. Квинтический полином быстрее аппроксимируется и гибче во внутренней части. У SVI ограниченные крылья и интерпретируемые параметры. Знайте, к какому из них обращаться.
Квинтический выигрывает, когда:
1. Нужна быстрая калибровка (тысячи срезов в секунду для поверхности в реальном времени). По скорости линейное решение непобедимо.
2. Наблюдаемая улыбка имеет особенности, которые фиксированная форма SVI не может повторить — локальные горбы, необычная кривизна, асимметричные крылья. Квинтический полином гибче во внутренней части.
3. Вы работаете во внутренней части улыбки (|k| < 0.3), где поведение крыльев не имеет значения и вы хотите максимально плотную подгонку к наблюдаемым данным.
SVI выигрывает, когда:
1. Нужна надёжная экстраполяция крыльев. Асимптотическая линейность SVI в крыльях корректна по построению. Квинтический полином приходится обрезать или склеивать.
2. Нужны интерпретируемые параметры для управления рисками. У SVI a (уровень), b (угол), ρ (скос), m (центр), σ (сглаживание крыльев) напрямую соответствуют наблюдаемым особенностям улыбки.
3. Вы строите поверхность по экспирациям. SSVI расширяет SVI на всю поверхность с гарантиями отсутствия арбитража. Стандартного «поверхностного квинтического полинома» с такими же гарантиями нет.
Продакшн-компромисс: Многие дески используют оба. Квинтический полином для быстрой интерполяции внутренней части и котирования в реальном времени. SVI или SSVI для официальной поверхности, экстраполяции крыльев и отчётов по рискам. Квинтический полином обрабатывает насыщенный данными центр; SVI — разрежённые крылья.
Квинтический полином — это не модель рынка. Это инструмент аппроксимации кривой. Он ничего не говорит о динамике, хеджировании или о том, почему улыбка имеет такую форму. SVI тоже инструмент аппроксимации кривой, но с достаточной структурой, чтобы расширяться до поверхности. Для реальной динамики нужны SABR, Heston или модель стохастической локальной волатильности. Квинтический полином живёт в пространстве между сырыми данными и настоящей моделью — это самый быстрый способ получить гладкую, интерполированную улыбку из зашумлённых наблюдений.
Что почитать дальше:
Параметризация SVI — стандартная модель улыбки с ограниченными крыльями
Поверхность SSVI — SVI, расширенный на всю поверхность с гарантиями отсутствия арбитража
Методы интерполяции — сравнение всех методов аппроксимации