本文提出一种面向多股票的通用条件扩散模型,联合生成下一交易日的股票收益率与隐含波动率曲面增量,并通过平滑性、静态套利约束及情景重加权提升生成结果的金融合理性。模型基于50只股票训练,并在50只样本内股票和50只样本外股票上进行检验;结果显示,扩散模型在静态套利控制、收益风险预测和主成分方差结构还原方面整体优于VolGAN,且无需重新训练即可迁移至样本外股票。其中,MSE版本的套利违约最少,套利约束版本的收益率区间覆盖率最接近95%目标,说明模型学习到了可跨股票共享的隐含波动率动态 。
报告标题:《Universal Diffusion Models for Implied Volatility Surfaces: Learning Shared Dynamics Across Stocks》(跨股票学习共享动态的通用隐含波动率曲面扩散模型)。
作者:Mingzhi Yang、Sheng Wang、Chao Zhang、Ruikun Li。
机构:香港科技大学(广州)。
发表信息:报告拟发表于 2026 年第六届 ACM International Conference on AI in Finance(ICAIF ’26),论文篇幅为 9 页。文本未提供传统证券研究报告中的股票评级、目标价或投资建议,因此其核心产出不是“买入/卖出”判断,而是一个用于期权波动率曲面情景生成的机器学习模型。
报告研究的对象是隐含波动率曲面(Implied Volatility Surface,IVS)。IVS 是将不同执行价和到期日的期权价格转换成隐含波动率后形成的二维函数,常见形态包括波动率微笑、偏斜和期限结构。作者的核心论点是:与仅针对单只股票训练、或基于 GAN 的 VolGAN 模型相比,一个在多只股票合并数据上训练的条件扩散模型,可以学习具有跨股票共性的 IVS 动态,并且能够在没有重新训练的情况下迁移到训练集中未出现的股票。,
研究同时生成两个对象:下一交易日的股票收益率,以及下一交易日 IVS 的变化量。模型在 50 只股票的合并数据上训练,并在 50 只训练内股票和 50 只训练外股票上测试。评价标准包括静态套利违反程度、股票收益率 95%预测区间覆盖率,以及 IVS 日变化的前三个主成分解释方差比例。总体结论是:所有扩散模型在综合表现上优于 VolGAN;其中纯 MSE 模型的套利违反程度最低,加入显式套利惩罚的 DDPMarbitrage 模型在收益风险校准和 PCA 结构拟合方面更优。, , ,
期权通常不是直接以波动率报价,而是根据期权溢价反解 Black–Scholes 模型得到隐含波动率。对于日期 (t)、标的价格 (S_t)、执行价 (K) 和到期日 (T),报告以相对执行价或 moneyness (m=K/S_t),以及剩余期限 (\tau=T-t) 为坐标,定义 IVS 为 ((m,\tau)\mapsto\sigma_t(m,\tau))。如果波动率在所有执行价和期限上均相同,曲面将是平的;现实市场中的微笑、偏斜和期限结构,正是其偏离平面的表现。
IVS 建模的难点至少有三项:第一,市场报价在执行价和到期日维度上是不规则且稀疏的;第二,曲面具有较高维度,且每日变化需要同时描述局部形状和整体移动;第三,生成的曲面必须满足无静态套利条件。传统随机波动率、跳跃扩散、隐含树等结构模型具有较好的经济解释能力,但依赖预先指定的动态形式,可能难以覆盖现实市场中的复杂分布。作者因此采用生成模型,希望通过数据直接学习条件分布。,
原始期权报价首先经过筛选,限定为价外合约,然后通过 Vega 加权的 Nadaraya–Watson 核平滑器转换为固定网格上的曲面。平滑器的带宽具有股票特异性,并通过最小化静态套利程度进行调节。最终曲面被插值到一个包含 11 个 moneyness 节点和 9 个期限节点的网格上,取对数波动率后展平为 99 维向量。
这一处理的经济含义是,用统一的 99 维表示替代每只股票不同、每日不完整的原始报价,从而允许一个模型在横截面上共享参数。它也意味着模型学习的并非原始报价本身,而是经过筛选、平滑和插值后的“规范化曲面”。因此,模型的稳定性部分来自平滑预处理,而非完全来自扩散网络自身。
报告在离散网格上使用有限差分惩罚来度量静态套利。其总惩罚由三部分构成:
报告将满足静态套利条件的情形定义为总惩罚 (\Phi=0)。这些约束是在重建出的波动率曲面上先取指数恢复普通波动率,再转化为相应的离散惩罚,而不是直接对对数波动率简单施加线性限制。,
报告令 (R_t) 为标的股票对数收益率,令 (g_t=\log\sigma_t) 为 99 维对数 IVS 向量。条件状态包含前一日曲面、两个滞后日收益率以及月度实现波动率。模型生成的目标是下一日收益率与 IVS 增量的联合创新,其中曲面部分是 (\Delta g_t)。这种设计不是直接从零生成一个全新的曲面,而是以观察到的上一日曲面为锚点,生成下一日变化,因此更接近条件动态预测,也能保留收益率与波动率曲面变化之间的相关性。
从图 2 的维度标注可以看出,扩散目标 (x_k) 为 100 维,即 1 个收益率维度加上 99 个曲面增量维度;条件状态为 102 维,随后编码为 256 维上下文。该结构体现了作者的建模取舍:收益率和曲面变化被作为一个联合随机向量生成,而不是分别训练两个互不相关的模型。
模型采用共享于所有股票的条件去噪网络,核心为 FiLM 调制的多层感知机。扩散过程先向真实目标逐步加入高斯噪声,模型再从不同噪声水平中恢复干净目标。去噪器接收三类信息:当前带噪目标、扩散步数,以及市场条件状态。
图 2 显示,扩散步数经过时间嵌入,条件状态经过 MLP 编码,二者合并为 256 维上下文向量。该上下文进入 8 个 FiLM 残差块;每个残差块根据上下文产生缩放参数 (\gamma) 和平移参数 (\beta),对层归一化后的隐藏特征进行调制,再经过前馈层。最终线性输出头预测正向扩散过程中加入的噪声 (\epsilon)。FiLM 的作用是使同一个网络在不同扩散阶段、不同市场状态下采用不同的去噪方式,而不必为每只股票分别建立模型。
图 1 左侧的 AAPL 原始报价呈现为不规则的三维点状曲面,并在部分 moneyness 区域出现明显尖峰;右侧经过平滑后,曲面变得连续,局部异常和报价空洞被削弱。图示直接支持了报告采用固定网格和平滑处理的必要性,但也揭示出一个重要限制:后续模型生成的是平滑曲面分布,结果可能低估真实市场报价中的微观噪声、跳跃和流动性缺口。
报告比较四种扩散模型:
训练时,模型先根据预测噪声反推出干净目标 (\hat{x}_0),从其中提取预测曲面增量,再加回上一日曲面,得到预测的下一日 IVS 水平。这样做的好处是,平滑和套利约束作用于最终曲面,而不是只作用于抽象的噪声预测目标。与此同时,报告也承认,训练阶段对重建曲面施加的惩罚,与最终反向采样得到的曲面违反程度并不完全等价,这可能造成训练目标与测试指标之间的偏差。,
混合模型的惩罚权重由梯度匹配确定,具体为:calendar 0.2739、spread 0.0671、butterfly 0.0166、moneyness 平滑 0.0086、期限平滑 0.0011。权重差异较大,说明作者认为不同约束对主 MSE 梯度的相对影响并不相同。尤其是期限方向平滑权重明显低于 calendar 套利权重,表明“曲面变化平滑”和“满足经济无套利”在优化层面不是同一件事。
图 3 左侧展示正向过程:真实目标 (x_0) 逐步加入高斯噪声,直到接近标准正态分布;右侧展示反向过程:去噪器在给定条件下预测噪声,并重复执行多个反向步骤,最终得到收益率和曲面增量情景。由于反向过程仍包含随机项,每个条件状态可以产生多个可能的下一日情景,而非单一预测值。
作者进一步采用情景重加权方法,设置 (\beta=50),提高低套利惩罚情景的权重、降低高违反情景的贡献。尽管如此,有效样本量仍保持在 1000 个情景中的 995 以上,说明重加权并没有严重压缩情景多样性。该方法相当于在生成后进行风险筛选,但它不改变模型本身的原始生成分布,因此应当将“原始生成能力”和“经过重加权后的可用情景质量”区分开来。
表 1 汇总了核心实验设计。数据包含 100 只美国股票,其中 50 只用于训练并作为训练内测试对象,另外 50 只完全排除在训练之外,用于测试零样本迁移;时间上采用 2010—2022 年与 2023—2024 年的历史—测试划分。所有模型都在合并后的训练数据上训练,使用 AdamW,学习率为 (6\times10^{-4}),批量大小 4096,训练 1000 个 epoch,指数移动平均系数为 0.999。每个条件日期生成 1000 个情景,标准化参数仅使用训练样本估计,并且实验只使用一个随机种子。
表 1 的设计突出两个问题:一是模型是否能从多股票数据中学习共享规律,二是结果是否受股票特定拟合影响。训练外股票在不重新训练的情况下仍取得类似结果,是报告关于“universal”模型最重要的验证方式。但单随机种子会降低结果的统计稳健性,无法充分判断不同初始化和样本抽样下的排名是否稳定。
表 2 按股票层面汇总测试期平均套利惩罚,并同时报告训练内股票、训练外股票和全部股票的均值及多个分位数。表中分别比较不重加权的 (\beta=0) 与重加权后的 (\beta>0) 结果;Data 行来自实际观察曲面,不能作为生成模型排名对象。,
表 2 的主要结论是:所有模型在重加权后套利均值都下降,说明高违反情景的权重确实被压低。无论重加权前还是重加权后,所有扩散模型在三类股票组中的均值和分位数都优于 VolGAN。总惩罚主要由 butterfly 组件贡献,扩散模型相较 VolGAN 对该组件的改善最明显;calendar 组件通常也更低,而 spread 组件整体较小。
最值得注意的是,DDPMmse 的套利表现最好。它在训练内、训练外和全体股票组中均取得最低的重加权总违反均值,并且各个报告分位数也最低,主要原因是 butterfly 违反最低。该优势在训练外股票上仍然存在,因此作者认为它不是简单的训练集过拟合,而是具有迁移性的生成能力。
不过,表 2 的注释指出,训练内和训练外真实数据的套利基准本身存在明显差异,因此不能直接用两组绝对惩罚值之差衡量迁移质量。更合理的判断是比较每组内部的模型排名和相对于该组 Data 基准的改善程度,而不是把两组原始数值直接横向解释。
表 3 衡量生成的 95%收益率预测区间包含真实实现收益率的频率,并分别给出未重加权和重加权结果。理想覆盖率应接近 0.95。
扩散模型的覆盖率总体接近名义 95%,并且训练内与训练外股票表现相近,说明模型能够较好捕捉收益率风险。相比之下,VolGAN 的覆盖率约为 75%,表现为明显低覆盖,即预测区间过窄、系统性低估尾部风险。
在扩散模型内部,DDPMarbitrage 的平均覆盖率最接近 95%目标,说明显式套利约束虽然没有带来最低的套利违反,却可能改善了收益率与曲面变化联合分布中的风险校准。报告还指出,重加权不是获得良好收益覆盖率的必要条件,因为未经重加权的扩散模型已经具有接近名义水平的覆盖率;这意味着重加权的主要价值在于减少曲面套利,而不是修复收益率风险预测。
需要注意的是,95%覆盖率只检查一个名义水平,不能说明预测分布在 50%、75%、90%或 99%等其他概率水平上同样校准,也不能检验区间是否过宽或过窄。因此,报告的“风险预测有效”更准确地说是单一覆盖率意义上的有效。
表 4 比较观察数据和各模型生成数据中前三个主成分的平均解释方差比例。PCA 用于把 99 维 IVS 日变化压缩为若干主要共变动方向。第一主成分通常对应曲面整体水平移动,第二主成分对应偏斜,第三主成分对应曲率。,
观察数据中,PC1 约解释 81%的总变异,PC2 约 7%,PC3 约 4%。这说明 IVS 的日变化高度集中在一个“整体水平”因子上,同时偏斜和曲率仍具有独立的边际贡献。VolGAN 低估 PC1、同时高估 PC2 和 PC3,意味着其生成的变化结构过于分散,不能充分再现现实市场中由整体波动率水平主导的动态。
扩散模型整体更接近观察数据;其中 DDPMarbitrage 对 PC1 和 PC3 的均值拟合最好,而 DDPMmse 对 PC2 最接近。该结果再次体现没有单一损失函数在所有目标上都占优:MSE 模型最擅长套利指标,但套利模型在结构性风险因子和收益率覆盖方面更好。
图 4 分为三行:第一行是 PC1(level),第二行是 PC2(skew),第三行是 PC3(curvature);左列为 50 只训练内股票,右列为 50 只训练外股票。每只股票的蓝色柱状区间表示 1000 个情景下生成解释方差比例的均值加减 1.96 个标准差,水平线为生成均值,绿色圆点表示观察值落在模型区间内,红色菱形表示落在区间外。
从图形趋势看,PC1 在大多数股票中占比最高,并且随着股票不同而呈现明显横截面差异;PC2 和 PC3 的解释比例显著低于 PC1,且整体呈下降或收缩趋势。大量绿色点落在蓝色区间内,表明 DDPMarbitrage 不仅能拟合横截面平均值,也能在多数股票上覆盖观察到的因子份额。训练外面板没有出现整体失效,说明共享模型的迁移能力并非只由训练内股票驱动。
但图中的区间是基于模型情景的均值加减 1.96 个标准差,并不自动等同于严格意义上的 95%预测区间;如果生成分布偏斜或厚尾,这种正态式区间可能不能真实反映覆盖概率。因此图 4 更适合被解读为“生成不确定性与观察值的相容性”,而非完整校准检验。
图 5 左列为观察数据的 PC1、PC2、PC3 载荷曲面,右列为 DDPMarbitrage 生成结果。每个生成特征向量都与观察特征向量进行符号对齐,因为 PCA 特征向量正负号本身不具有经济意义。
PC1 的观察曲面和生成曲面都呈现整体水平因子形态;PC2 体现出更明显的 moneyness 方向偏斜;PC3 则展示出更复杂的曲率结构。左右两列在主要高低起伏、局部极值和空间形状上较为接近,说明模型捕捉到的不只是“PC1 占多少、PC2 占多少”的方差比例,还包括 IVS 在执行价和期限维度上的共同变化模式。,
不过,图 5 仅展示 AAPL,且是视觉上的代表性案例,不能单独证明所有股票都具有同等拟合质量。该结论需要与表 4 的全横截面平均结果以及图 4 的 100 只股票比较结合起来理解。
这不是传统公司研究或证券估值报告,因此不存在 DCF、P/E、EV/EBITDA、目标价或企业评级。报告的“价值”主要体现在风险管理和情景生成层面:若模型能够生成更接近真实分布、同时减少静态套利的收益率—IVS 联合情景,则可以服务于期权定价、套期保值、压力测试和组合风险管理。,
模型的经济评价并非通过一个货币化的组合 P&L,而是使用三个代理指标:曲面是否违反静态套利、收益预测区间是否覆盖真实收益、生成曲面变化的主要风险因子是否与数据一致。由此,报告证明的是“统计和结构性生成质量改善”,而不是已经证明模型在实际交易策略中的超额收益或对冲成本改善。
第一,模型只进行一日提前生成,没有证明多日递推后误差不会累积。作者明确承认其目前采用固定网格、隔夜预测,并未覆盖更长预测期限。
第二,模型只处理静态无套利条件,没有处理动态套利、跨期策略一致性或路径层面的无套利约束。一个单日曲面看似无套利,并不意味着连续时间路径或多日生成序列不存在套利机会。
第三,模型评价主要依赖一个 95%覆盖率指标。单一名义覆盖率无法全面评估尾部分布、分位数校准、概率积分变换或联合曲面分布质量。
第四,实验只使用一个随机种子,且报告没有展示多次重复实验的均值、标准差或显著性检验,因此模型之间尤其是不同扩散损失之间的细微排名可能不够稳健。
第五,训练数据经过较强平滑,并且带宽通过静态套利表现调节。由于报告指出平滑后的数据本身可能已经接近无套利流形,DDPMmse 取得最低套利惩罚并不一定意味着“金融约束完全没有价值”,也可能意味着输入数据预处理已经预先解决了相当一部分套利问题。
第六,显式套利惩罚没有取得最低测试套利违反,反而是 MSE 模型表现最好。作者提出的解释包括:非线性套利惩罚与去噪目标之间存在梯度干扰、训练阶段的干净目标惩罚与采样阶段的最终违反不完全一致,以及平滑数据已经接近无套利区域。这是报告中最重要、也最需要进一步验证的反常现象。,
此外,文献和发表信息存在需要核实之处:ACM DOI 在文本中仍显示为“nnnnnnn.nnnnnnn”占位符,说明提供的版本可能是投稿稿或未完成出版元数据的版本。该点不影响方法描述,但意味着正式出版状态和最终版本内容仍应另行确认。
报告提出了一个共享参数的条件扩散模型,将股票下一日收益率与 IVS 增量联合生成,并在多股票合并数据上训练,再无须重新训练地迁移到未见股票。图 1 说明平滑和固定网格处理解决了原始报价不规则问题;图 2 和图 3 展示了 FiLM 条件去噪与随机反向生成机制;表 2 表明扩散模型及情景重加权均能降低静态套利违反,其中 DDPMmse 最优;表 3 表明扩散模型的收益率 95%覆盖率接近名义水平,显著优于覆盖率约 75%的 VolGAN,DDPMarbitrage 的校准最好;表 4 和图 4、图 5 则显示扩散模型能更准确地恢复 IVS 变化中的水平、偏斜和曲率因子。, , ,
总体而言,作者支持的不是某一个单独正则化版本,而是“通用条件扩散”这一总体框架。报告的最终判断是:扩散模型相较 VolGAN 具有更强的 IVS 情景生成能力,并且这种优势在训练内和训练外股票上都存在,支持跨股票共享动态的假设。与此同时,最优模型取决于评价目标——MSE 模型在套利控制上最好,套利感知模型在收益风险覆盖和 PCA 结构拟合上更好,因此未来研究需要在多随机种子、更长预测期限、动态无套利约束和全面分布校准下进一步验证这一结论。
2609.22893.pdf