20180502-财通证券-随机波动率微笑模型及套利_27页_1mb

随机波动率微笑模型及套利总结

核心内容

本文主要围绕金融市场波动率的特性、隐含波动率微笑现象以及利用随机波动率模型进行套利策略进行分析。重点介绍三种模型：Vanna-Volga 模型、SABR 模型和 SVI 模型，并通过回测方法评估其在期权套利中的表现。

波动率的分类

波动率可以分为以下三类：

• 历史波动率 (HV)：基于过去价格波动的统计计算，常用于衡量资产的历史风险。
  • 标准差：衡量收益率的波动程度，常用年标准差进行风险评价。
  • GARCH & EWMA：GARCH 模型用于捕捉波动率的持续性和条件异方差，EWMA 是 GARCH 的特殊情况。
• 隐含波动率 (IV)：通过期权价格反推得出的预期波动率，反映市场对未来波动的预期。
  • 方差互换 (Variance Swap)：通过复制组合来计算波动率的合理价格。
  • 中国波指 (ivIX)：用于衡量上证50ETF未来30日的波动预期，基于期权价格计算。
• 已实现波动率 (RV)：基于高频数据（如5分钟收益率）计算的波动率，能更精确地反映实际波动情况。

波动率的特征

• 尖峰肥尾：资产收益率分布呈现极端值概率高于正态分布，说明市场存在尾部风险。
• 波动率群集：高或低波动率时段会聚集，表明市场波动具有持续性。
• 杠杆效应：股票价格下跌与波动率上升存在负相关关系。
• 长记忆性：波动率具有高度持续性，特别是对高频数据。
• 协同运动：国际市场的价格波动具有相关性，可以通过因子模型进行分析。

隐含波动率微笑

• 波动率微笑：隐含波动率并非与标的资产波动率一致，而是呈现出微笑或倾斜的形状。
• 随机波动率模型：Vanna-Volga、SABR、SVI 等模型可用于拟合波动率微笑。
• 波动率曲面：隐含波动率 $\omega(t,t + h)$ 依赖于日历时间 $t$、到期期限 $h$ 和期权的货币性。
• 期限结构：隐含波动率在不同到期时间的结构可能不同，通常表现为向上或向下倾斜。

隐含波动率微笑模型

Vanna-Volga 模型

• 定义：通过衡量 Vega、Vanna、Volga 风险，构建对冲组合以复制期权价格。
• 套利方法：找出被高估和低估的期权合约，买入低估、卖出高估，保持 Delta 中性。
• 表现：在认购期权季月合约上表现最佳，年化收益率超过 $20%$。

SABR 模型

• 定义：波动率与标的价格相关，通过随机过程建模。
• 套利方法：与 Vanna-Volga 模型类似，通过模型刻画隐含波动率微笑，选取高估和低估合约进行交易。
• 表现：在认购期权季月合约上表现优于认沽期权，年化收益率较高。

SVI 模型

• 定义：直接对隐含波动率微笑进行建模，参数估计方法简单且稳定。
• 参数估计：采用两层参数估计法，内层为线性估计，外层为非线性估计。
• 表现：在认购期权季月合约上表现良好，年化收益率较高。

波动率套利方法总结

• 最佳表现：在认购期权季月合约上进行波动率套利效果最佳。
• 模型表现：
  • Vanna-Volga 模型在 2015~2018 年间持续获利，表现优于 SABR 和 SVI 模型。
  • SABR 和 SVI 模型在 2015 年表现不错，但之后逐渐失效。
• 风险提示：市场波动具有不确定性，模型可能失效，需注意模型风险。
• 流动性限制：季月合约流动性较低，实际操作中可能面临冲击成本和成交量不足的问题。

回测结果（年化收益率）

关键信息

• 三种模型（Vanna-Volga、SABR、SVI）均可用于拟合隐含波动率微笑。
• Vanna-Volga 模型在 2015~2018 年间表现最优，尤其是在认购期权季月合约上。
• 隐含波动率微笑的形成原因包括资产收益率分布的尖峰肥尾、跳跃风险、市场对深度虚值期权的需求等。
• 波动率套利需注意流动性问题，实际操作中需考虑冲击成本和成交量。
• 本文旨在为投资者提供波动率套利的方法论，而非具体投资建议。