4. SABR模型数学推导
SABR模型由Hagan等人在2002年提出，其名称来源于四个核心参数：Stochastic（随机）、Alpha（α）、Beta（β）、Rho（ρ）。它之所以成为利率与外汇期权市场的行业标准，关键在于它用一个简洁的随机微分方程组，同时刻画了标的资产价格与波动率自身的随机演化，并给出了可直接用于校准的隐含波动率近似解析解。
一、SABR随机微分方程组
SABR模型在风险中性测度下由两个耦合的随机微分方程定义。设远期价格为 F，其瞬时波动率为 α：
dF_t = α_t · F_t^β · dW_1
dα_t = ν · α_t · dW_2
dW_1 · dW_2 = ρ · dt其中各参数含义如下：
- β：控制远期价格与波动率之间的弹性关系，取值通常在 [0,1]，决定模型属于正态型（β=0）还是对数正态型（β=1）。
- α：初始瞬时波动率水平，是校准中最重要的拟合参数之一。
- ν：波动率的波动率（vol of vol），控制微笑曲线的弯曲程度。
- ρ：两个布朗运动之间的相关系数，控制微笑曲线的偏斜方向与幅度。
该方程组的关键特征是：波动率 α 服从几何布朗运动，因此始终为正；而远期价格 F 的扩散项带有 F^β 因子，使得模型能够灵活匹配不同市场的价格分布特征。两个布朗运动通过相关系数 ρ 耦合，正是这种耦合产生了隐含波动率微笑的偏斜。
二、Hagan近似解析解与隐含波动率公式
SABR模型没有精确的闭式解，Hagan通过奇异摄动法推导出隐含波动率的近似解析公式。对于行权价 K、远期价格 F、到期时间 T，隐含波动率 σ_B(K,F) 的表达式为：
σ_B(K,F) = α / [ (FK)^((1-β)/2) · (1 + ((1-β)^2/24)·ln²(F/K) + ((1-β)^4/1920)·ln⁴(F/K)) ]
· (z / x(z))
· { 1 + [ (1-β)²α² / (24(FK)^(1-β)) + ρβνα / (4(FK)^((1-β)/2))
+ (2-3ρ²)ν² / 24 ] · T }其中辅助变量 z 与 x(z) 定义为：
z = (ν/α) · (FK)^((1-β)/2) · ln(F/K)
x(z) = ln[ (√(1 - 2ρz + z²) + z - ρ) / (1 - ρ) ]该公式的物理意义可以分层理解：
- 主项 α/(FK)^((1-β)/2)：给出平值附近的基准波动率水平。
- z/x(z) 因子：刻画微笑曲线的偏斜与弯曲，由 ρ 和 ν 共同驱动。
- 大括号内的修正项：包含到期时间 T 的修正，反映波动率随时间的演化效应。
三、不同β取值下的模型特性
β 是SABR模型中最具争议也最关键的参数。它决定了模型对价格分布的假设，直接影响校准的稳定性与对冲表现。
| β 取值 | 模型类型 | 价格分布假设 | 典型市场 | 校准特点 |
|---|---|---|---|---|
| β = 0 | 正态SABR | 远期价格服从正态分布 | 利率上限/下限 | 允许负利率，α 量纲与价格一致 |
| β = 0.5 | CEV型 | 平方根过程 | 部分商品 | 折中方案，校准较稳定 |
| β = 1 | 对数正态SABR | 远期价格服从对数正态分布 | 外汇期权 | α 近似为平值波动率，直观易解释 |
实践中，β 通常不参与拟合，而是由用户根据市场特征预先固定。这是因为 β 与 ρ、ν 之间存在较强的参数耦合，若同时自由拟合，容易导致参数不稳定甚至过拟合。常见做法是：利率市场取 β=0 或 0.5，外汇市场取 β=1，然后仅校准 α、ρ、ν 三个参数。
四、校准实战流程与复盘要点
基于上述推导，SABR校准的标准流程如下：
- 数据准备：收集同一到期日的多行权价隐含波动率报价，转换为远期价格 F 与行权价 K。
- 固定 β：根据市场类型选择 β=0、0.5 或 1。
- 参数初值：α 取平值隐含波动率，ρ 取 -0.3 至 -0.7，ν 取 0.2 至 0.5。
- 优化求解：最小化模型隐含波动率与市场报价的加权平方误差，常用Levenberg-Marquardt算法。
- 诊断残差：检查各行权价残差是否呈现系统性偏差，若存在则考虑调整 β 或增加到期日联合校准。
# 伪代码：SABR校准核心循环
for beta in [0, 0.5, 1.0]:
params = initial_guess(alpha, rho, nu)
for iteration in range(max_iter):
model_vol = hagan_implied_vol(F, K, T, alpha, beta, rho, nu)
error = market_vol - model_vol
params = update_params(params, error, method='LM')
record_rmse(beta, params)复盘时需重点关注三类问题：一是残差是否在平值附近出现"尖峰"，这通常意味着 ν 被低估；二是微笑两端是否出现"翘尾"，往往与 β 选择不当有关；三是不同到期日校准出的参数是否随时间稳定，若 α 或 ν 出现剧烈跳变，需检查市场数据质量或考虑引入随机波动率的期限结构扩展。