本页由机器翻译。英文原文为权威版本。 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。要了解它在波动率曲面构建流程中的位置，请参阅曲面是如何构建的。要与其他方法进行对比，请参阅插值方法。

SABR（Stochastic Alpha Beta Rho，随机 Alpha Beta Rho） 是由 Hagan、Kumar、Lesniewski 和 Woodward（2002）提出的随机波动率模型。与描述微笑曲线形状的 SVI 不同，SABR 描述的是产生微笑曲线的动态过程。微笑曲线是波动率与标的资产共同演化过程的自然结果。

SABR 是利率互换期权（swaptions）和利率上下限（caps/floors）领域的主导模型。它在加密货币领域较少使用，加密市场更偏好 SVI，因为其拟合更简单且尾部（wing）行为更好。

探索参数​

调整每个参数，观察 SABR 微笑曲线如何变化。切换"显示骨架（backbone）"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。这是重新校准最频繁的参数。
  • 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 通常按市场惯例固定，而非拟合得出。
  • ρ\rho（现货-波动率相关性）：控制偏斜（Skew）。负的 ρ\rho 表示标的资产下跌时波动率上升（股票市场和加密市场的常见行为）。正的 ρ\rho 表示相反情况（罕见）。
  • ν\nu（波动率的波动率）：控制微笑曲线的宽度。当 ν=0\nu = 0 时，没有微笑，只有 β\beta 和 ρ\rho 产生的偏斜（即"骨架"）。随着 ν\nu 增大，两侧尾部都会抬升。

骨架（Backbone）​

在上方探索器中点击"显示骨架"。虚线是 ν=0\nu = 0 时的微笑曲线：波动率没有随机性，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，能让交易者清晰地理解微笑曲线的曲率从何而来。

校准​

标准方法​

  1. 固定 β\beta 为市场惯例值：

    • 利率：β=0.5\beta = 0.5（常见）或 β=0\beta = 0（正态 SABR）
    • 股票：β=1\beta = 1（对数正态）
    • 固定 β\beta 后，模型剩下 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接近闭式解的关系。给定观测到的 ATM IV，求解出 α\alpha。这样拟合就减少到 2 个自由参数。

  3. 拟合 ρ\rho 和 ν\nu，通过最小化 SABR 微笑曲线与各行权价上观测到的 IV 之间的加权误差。只有 2 个参数，拟合快速且稳健。

权重设置​

  • 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
  • 深度虚值 (OTM) 期权获得较低权重（Hagan 近似在该区域精度较差）

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 表现出类似 sticky-delta 的行为：当现货下跌时，波动率上升（若 ρ<0\rho < 0），且微笑曲线随现货移动。对于微笑动态对对冲很重要的产品而言，这非常有价值。

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

参数简约。 固定 β\beta 并将 α\alpha 锚定到 ATM 后，您只需拟合 2 个参数。这样拟合速度快，过拟合的空间也很小。

局限性​

尾部问题。 Hagan 近似在极远尾部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版本（无套利 SABR，或对极端行权价使用 PDE 求解器）。

长期限。 渐近展开在到期时间超过 10-15 年时会失效。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（就像 SVI 一样）。其动态叙事更多是理念上的，并未在操作层面强制实现。

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（固定 β\beta 后）5 个
套利Hagan 公式在尾部可能违反无套利有清晰的约束条件可用
尾部行为极端行权价下可能失效有界、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"微笑曲线如何移动？"，而 SVI 回答"微笑曲线长什么样？"对于简单的欧式期权定价和风险管理，SVI 更简单的拟合和更好的尾部行为通常更胜一筹。对于微笑动态很重要的产品（百慕大互换期权、sticky-delta 下的障碍期权），SABR 的动态解释则非常有价值。

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），在多个行权价处评估 SABR 微笑曲线，然后用这些点来拟合 SVI。在市场数据稀疏时，这为 SVI 提供了一个良好的起点。

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四个 SABR 参数：alpha 如何设定波动率水平、rho 如何倾斜偏斜、nu 如何抬升尾部，以及 beta 如何控制骨架动态。每个部分都有专属滑块，让您可以单独观察某一个参数的效果。

开源实现​

代码库值得研究的原因
QuantLibSABR Hagan 近似 + 校准
pysabr纯 Python 的 SABR 实现，可读性好
OpenGamma Strata生产级风险系统中带微笑插值的 SABR

另请参阅：

最后更新 于