五次多项式模型
SVI 是拟合波动率微笑的行业标准——5 个参数，一次拟合一个切片。但 SVI 内置了一个特定的形状假设：微笑曲线永远是经过平移和缩放的双曲线。当市场表现出 SVI 无法产生的形状时，拟合质量就会下降。五次多项式模型（Gauthier & Possamai，2023）完全抛弃了这一形状假设。它将总隐含方差拟合为对数价值状态的多项式——一个带有 5 或 6 个系数的 4 次或 5 次多项式。它可以拟合市场产生的任何微笑形状，包括 SVI 在结构上无法捕捉的形状。
没有形状约束的 SVI
参数数量与 SVI 相同。同样是一次拟合一个切片。但 SVI 强制使用双曲线形状，而多项式让数据自己决定。代价是：您失去了 SVI 内置的尾部行为，需要显式约束来保证无套利。偏斜和曲率是相互独立的调节旋钮。
实际体验
拖动滑块，探索每个系数如何塑造微笑曲线。试试 "Double bump" 预设，那是 SVI 无法产生的形状。
五次多项式微笑曲线探索器
试试“双峰”并切换“显示 SVI 参考曲线”，即可看到多项式能生成而 SVI 在结构上无法生成的形状。
工作原理
1. 将总方差表示为多项式
对于给定的到期日 ，总隐含方差 被建模为对数价值状态 的多项式：
每个系数都有直接的交易员解读：
2. 套利约束只是简单的界限
要使多项式无套利（方差为正、看涨期权价格为凸），约束条件可化简为关于系数的不等式。无需复杂的数值检查——只需在拟合过程中限定系数范围即可。
3. 拟合速度快
将多项式拟合到市场数据是一个最小二乘问题，可在微秒级求解。拟合会向流动性最高的 ATM 行权价加权。将系数界限作为线性约束加入，您就得到一个小型 QP（二次规划）——比 SVI 的非线性优化更快、更稳健。
更高次的多项式会在尾翼处震荡
6 次或 7 次多项式会在尾翼处震荡（龙格现象）。4-5 次多项式有足够的灵活性来捕捉真实的微笑形状，而不会在最后一个流动性行权价之外产生伪影。对于深度虚值 (OTM) 尾翼行为，您需要显式的外推规则。
五次多项式 vs. SVI
与加密货币的关联
加密货币的微笑曲线经常表现出 SVI 难以处理的不对称形态——强制平仓连锁反应引发的陡峭看跌偏斜、空投期权价值带来的异常看涨侧凸起，或者在未平仓合约集中的热门行权价附近出现"折点"的微笑曲线。多项式模型可以拟合这些形状，而无需强加双曲线结构。从多项式微笑计算出的 Delta 和 Vega 在构造上就是平滑的。主要局限是：加密货币期权的行权价稀疏，如果约束不够谨慎，多项式在数据点之间可能表现异常。
SVI 的简洁性，却没有它的形状偏见
可以拟合 SVI 在结构上无法产生的微笑曲线。代价是：您失去了 SVI 良好的尾翼外推行为，并且必须显式处理套利约束。多到期日曲面需要单独的期限结构约束。最适合微笑形状异常或 SVI 拟合残差过大的市场。
公式探索器
在隐含波动率、总方差、对数价值状态和期权价格之间进行转换。
公式探索器
💡 提示： 先尝试自己回答每个问题，再查看答案。
建立数学直觉
从零开始学习五次多项式互动课程 · 无需任何基础本课程解释了为什么多项式拟合能带来额外的微笑曲线灵活性、总方差多项式的工作原理，以及一旦允许形状更自由地变化，为何更严格的套利检查变得至关重要。
另请参阅：
- SVI 参数化 —— 本模型所扩展的行业标准参数模型
- SSVI（曲面 SVI） —— SVI 的日历一致性曲面扩展
- SANOS（非参数曲面） —— 使用 LP 拟合的完全非参数方法
- 神经 SDE / 深度对冲 —— 端到端学习动态的数据驱动方法
- 插值方法 —— 所有方法的对比