本页为简体中文译文。如有歧义，请以英文原文为准。 阅读英文版 →
跳转到主要内容

SABR 模型

信息

本页深入介绍 SABR 模型。如需了解它在波动率曲面构建流程中的位置，请参阅曲面如何构建。如需与其他方法进行比较，请参阅插值方法。

SABR(Stochastic Alpha Beta Rho) 是由 Hagan、Kumar、Lesniewski 和 Woodward(2002)提出的随机波动率模型。SVI 描述的是微笑曲线的形状，而 SABR 描述的是产生微笑曲线的动态过程。微笑曲线是模型的自然结果，源于波动率与标的资产共同演化的方式。

SABR 是利率互换期权以及利率上限/下限的主流模型。它在加密货币领域较少使用，因为 SVI 拟合更简单、两翼表现更好，因而更受青睐。

探索参数​

调整每个参数，观察 SABR 微笑曲线如何变化。切换"Show backbone"(显示骨架)可查看仅含 CEV 的曲线(即没有波动率的波动率时微笑曲线的样子)。

SABR 微笑曲线探索器

典型的利率互换期权微笑。中等偏斜,轻微曲率。
4%9%13%758595ATM105115125行权价隐含波动率 (%)
α(波动率水平)0.30
当前瞬时波动率
β(主干)0.50
0 = 正态,0.5 = 平方根,1 = 对数正态
ρ(现货-波动率相关性)-0.30
负值 = 看跌偏斜(常见)
ν(波动率的波动率)0.40
控制微笑宽度。0 = 无微笑。

切换“显示主干”可查看仅 CEV 的曲线(无波动率的波动率)。主干与完整微笑之间的差距即 ν 的贡献。

各参数的作用​

  • α\alpha(波动率水平)：当前的瞬时波动率。α\alpha 越高，整体 IV 越高。这是最常重新校准的参数。
  • β\beta(骨架)：控制波动率如何随标的资产价格缩放。β=1\beta = 1 表示百分比波动率恒定(对数正态)。β=0\beta = 0 表示美元波动率恒定(正态)。β=0.5\beta = 0.5 介于两者之间(平方根)。实践中，β\beta 通常固定为市场惯例值，而不是拟合得出。
  • ρ\rho(现货-波动率相关性)：控制偏斜。负的 ρ\rho 表示标的资产下跌时波动率上升(这是股票和加密货币中的常见行为)。正的 ρ\rho 则相反(较少见)。
  • ν\nu(波动率的波动率)：控制微笑曲线的宽度。当 ν=0\nu = 0 时，不存在微笑，只有 β\beta 和 ρ\rho 所产生的偏斜("骨架")。随着 ν\nu 增大，两翼都会抬升。

骨架​

点击上方浏览器中的"Show backbone"(显示骨架)。虚线是 ν=0\nu = 0 时的微笑曲线：波动率中没有随机性，只是确定性的 CEV 模型。骨架与完整微笑曲线之间的差距就是 ν\nu(波动率的波动率)的贡献。这种分解是 SABR 独有的，它让交易者能够清楚地直观理解微笑曲线的曲率从何而来。

校准​

标准方法​

  1. 将 β\beta 固定为市场惯例值：

    • 利率：β=0.5\beta = 0.5(常用)或 β=0\beta = 0(正态 SABR)
    • 股票：β=1\beta = 1(对数正态)
    • β\beta 固定后，模型有 3 个自由参数。

  2. 将 α\alpha 锚定到 ATM 波动率。 α\alpha 与 ATM 隐含波动率之间存在近似闭式关系。根据观察到的 ATM IV 求解 α\alpha。这样拟合就缩减为 2 个自由参数。

  3. 拟合 ρ\rho 和 ν\nu：在各行权价上最小化 SABR 微笑曲线与观察到的 IV 之间的加权误差。只有 2 个参数，拟合快速且稳健。

权重​

  • ATM 获得最高权重(流动性最好、最可靠)
  • 买卖价差较窄的期权获得更高权重
  • 深度 OTM 期权获得较低权重(Hagan 近似在该区域准确度较低)

优势​

动态解释。 SABR 告诉您当标的资产变动时微笑曲线应如何移动。默认情况下，SABR 产生类似 sticky-delta 的行为：当现货下跌时，波动率上升(若 ρ<0\rho < 0)，微笑曲线随现货平移。对于微笑动态对对冲至关重要的产品，这一点很有价值。

骨架分解。 将骨架(β\beta 驱动的偏斜)与微笑(ν\nu 驱动的曲率)分离，为交易者提供了清晰的思维模型。

简约。 在 β\beta 固定、α\alpha 锚定到 ATM 的情况下，您只需拟合 2 个参数。这样速度快，且几乎没有过拟合的空间。

局限性​

两翼问题。 Hagan 近似在远端两翼可能产生负的隐含波动率或负的概率密度。这是一个已知问题。生产系统会使用修正后的公式(无套利 SABR，或针对极端行权价使用 PDE 求解器)。

长期限。 对于超过 10 到 15 年的期限，渐近展开的精度会下降。此时应改用数值方法。

静态拟合，而非动态校准。 尽管 SABR 具有动态解释，但实践中每个到期日都是独立拟合的(与 SVI 相同)。动态层面的描述更多是理想化的，而非在实际操作中强制执行。

SABR 与 SVI 对比​

SABRSVI
建模对象产生微笑曲线的动态过程微笑曲线的形状
参数3 个(β\beta 固定时)5 个
套利Hagan 公式可能在两翼违反无套利有清晰的约束条件可用
两翼表现极端行权价处可能失效有界，线性渐近线
速度公式求值优化求解
最适用于利率、外汇股票、加密货币

关键区别：SABR 回答的是"微笑曲线如何移动？"，而 SVI 回答的是"微笑曲线长什么样？"对于简单的欧式期权定价和风险计算，SVI 更简单的拟合和更好的两翼表现通常更胜一筹。对于微笑动态至关重要的产品(百慕大式互换期权、sticky-delta 下的障碍期权)，SABR 的动态解释很有价值。

与 SVI 的联系​

SABR 可用于初始化 SVI 拟合。先拟合 SABR(快速的 2 参数优化)，在多个行权价上计算 SABR 微笑曲线，然后用这些点拟合 SVI。当市场数据稀疏时，这能为 SVI 提供良好的起点。

建立数学直觉​

从零开始学习 SABR交互式课程 · 4 个参数、5 个章节

上面的交互式课程逐一讲解 SABR 的四个参数：alpha 如何设定波动率水平，rho 如何倾斜偏斜，nu 如何抬升两翼，以及 beta 如何控制骨架动态。每个部分都有专门的滑块，便于您单独观察某一个参数的影响。

开源实现​

代码仓库值得查看的原因
QuantLibSABR Hagan 近似 + 校准
pysabr纯 Python 的 SABR 实现，可读性好
OpenGamma Strata在生产风险系统中结合微笑插值的 SABR

另请参阅：

最后更新于