DYSANOS提出一种基于ML-SANOS解码器的生成式期权市场模型,可生成覆盖所有执行价与到期日、逐日演化并严格满足静态无套利条件的平滑期权曲面;其低维AR(1)-PCA基线在2020—2025年标普500期权数据上能够较好复现曲面的一阶水平、偏度、期限结构和杠杆效应,但未能充分捕捉波动聚集与危机尾部风险。实验同时显示,持有期权至到期时未发现套利,而在交易时点之间进行固定合约再交易时出现动态套利迹象。
报告标题:《DYSANOS:Generative Dynamic Smooth Arbitrage-free Non-parametric Option Surfaces》
作者:Hans Buehler、Blanka Horvath、Anastasis Kratsios
发布日期:2026年8月14日
研究主题:生成式期权市场模型、隐含波动率曲面动态、静态与动态套利、机器学习和期权对冲。报告使用Option Metrics IvyDB的标普500指数期权数据,样本区间为2020年1月2日至2025年8月29日。
报告的核心主张是:DYSANOS能够生成覆盖所有执行价和到期日、平滑且严格静态无套利的期权价格曲面,并进一步生成多年期的每日现货和期权价格路径。不过,作者也明确承认,虽然每一个时间截面的曲面不存在静态套利,但不同交易时点之间的固定期权价格变化仍然可能产生动态套利,实验结果已经发现了这类数值证据。
因此,DYSANOS并不是一个已经完全解决期权市场模拟问题的最终模型,而是一个具有严格横截面无套利结构的基准框架。作者将其定位为“robust and useful if somewhat simplistic baseline”,即稳健、有用但相对简单的基线模型,未来需要通过更先进的时间序列模型来改善波动率聚类、危机尾部和高阶曲面动态。
期权市场的隐含波动率不是一个静态数值,而是随时间在执行价和到期日两个维度上变化的连续曲面。对期权组合进行风险管理时,这种曲面变化会带来Vega风险,即期权价值对隐含波动率变化的敏感性。
传统方法通常先指定Heston、SABR或粗糙波动率等风险中性模型,再每日独立校准参数。这类方法能够解释单日价格,但不同日期之间的动态一致性较弱,难以直接生成多年期、逐日演化的完整期权市场路径。
另一类方法直接在隐含波动率空间中使用PCA、神经网络或生成模型。然而,隐含波动率本身没有一个天然保证无套利的参数化形式。如果模拟出来的曲面存在蝶式套利或日历套利,强化学习或深度对冲算法便可能学会利用这种人为利润,而不是学习真实的对冲能力。
作者还指出,既有模拟器往往只在离散且“漂移”的执行价、剩余期限网格上生成期权。由于每一天的合约条款发生变化,模拟器不能直接提供现实中同一固定现金执行价、固定日历到期日合约的每日收益。这会限制Deep Hedging、Statistical Hedging和Deep Bellman Hedging等算法对真实可交易期权收益的使用。
图1由多个日期的三维曲面组成,横轴大致对应执行价或相对执行价,另一维对应到期日,竖轴为隐含波动率。图中可以观察到:
这张图支持了报告的基本动机:模型不能只生成一个静态、可校准的曲面,而需要生成一个连续演化的曲面路径。
报告定义,一个期权价格曲面若不存在能够产生非负收益且有正概率获得正收益的交易策略,则称其静态无套利。
根据定理2.2,欧式看涨期权曲面静态无套利需要满足:
这些条件分别对应风险中性分布的非负性、不同期限分布之间的凸序关系、到期支付结构以及价格尾部可积性。
报告还具体解释了套利如何构造。例如,若蝶式价差价格为负,交易者可以收取入场现金并获得非负的未来支付;若长期限期权价格低于短期限期权,则买入长期期权、卖出短期期权可以形成日历套利;若零执行价看涨期权价格不等于1,也会产生直接套利。
SANOS以一组模型到期日和每个到期日下的模型执行价网格为基础,通过“鞅密度” (q) 描述风险中性分布。密度必须满足非负性、归一化、均值约束以及跨到期日的凸序约束。
模型首先在离散网格上构造期权价格,然后通过总波动率插值和带平滑参数的函数扩展到任意到期日和任意执行价。理论结果是:SANOS曲面严格静态无套利,并且当平滑参数 (\mu>0) 时,在执行价方向上为无穷可微。
这一点是DYSANOS的核心:模型不是先模拟一个可能违反套利约束的隐含波动率曲面,再通过惩罚项尽量修正,而是从参数化结构上确保解码后的每个曲面都满足套利约束。
SANOS校准可以转化为线性规划,因为在给定总波动率和模型网格后,市场期权价格对密度权重 (q) 是线性的。
报告称,在一天约1000个期权、48个到期日、从2个交易日至657个交易日的SPX数据上,线性规划可以在普通桌面电脑上亚秒级求解;在代表性日期2025年5月6日,91.4%的期权拟合价格落在买卖价差内,其余期权的中位误差为半价差的21%。
图2展示了多个期限下的市场买价、卖价和SANOS拟合曲线。总体上,黄色拟合曲线位于绿色买价和红色卖价之间或非常接近买卖价区间,且曲线随执行价平滑下降。短期限部分局部形状更复杂,长期限曲线更接近规则的线性或平滑斜率。图表说明SANOS不仅满足理论无套利,也能够较好地贴近实际买卖报价。
直接使用每个期限和执行价位置上的离散局部波动率,会产生约2000个参数,既维度过高,也不够平滑。报告通过离散Dupire结构的逆变换,将无约束的实数参数映射为满足边界条件和非负约束的SANOS参数。
进一步地,作者使用一个三层前馈神经网络 (N_{Q_\theta}),把约20维隐藏状态 (h_t) 映射到完整的SANOS参数空间。实验中网络有100个隐藏节点,使用SELU激活函数。
这使得模型获得两个重要性质:
图3左侧显示离散局部波动率,右侧显示对应密度。局部波动率柱状图存在大量尖峰和不规则变化,而密度也呈现若干集中区域。这说明直接把DLV作为时间序列状态会产生明显过度参数化和噪声问题,因此需要神经网络把低维状态映射到高维结构。
作者报告,使用20维隐藏状态,在约五年的SPX期权数据上,对一年以内期权实现平均隐含波动率误差约0.3%。
图4显示每日平均误差、误差中位数和90%分位数。中位数大多数时间约在0.001附近,即约0.1%总波动率;均值通常约0.001至0.003之间,而90%分位数经常达到0.003至0.005以上。由此可见,模型对大多数期权拟合较好,但尾部和特殊日期存在明显较大的拟合误差。
图5的三行示例显示,模型曲面的主体形状与插值后的市场曲面非常接近,误差主要集中在短期限、低执行价或曲面边缘区域。报告特别指出,2日到期的短期期限拟合存在一定缺陷。
图6展示了一个现货对数状态和20个曲面隐藏状态的历史轨迹。第0个状态具有明显趋势和市场周期特征,而其他状态多数围绕相对稳定的水平波动,部分状态在2020年初出现极端跳变。该结果为后续均值回复AR(1)建模提供了经验基础。
作者将状态分为:
定理3.1指出,只要对联合状态 ((s_t,h_t)) 使用一个非退化生成模型,经过ML-SANOS解码后,每个日期都会得到平滑且静态无套利的期权曲面。
曲面状态采用连续时间PCA-AR(1)模型,参数包括长期均值、均值回复矩阵、扩散载荷和PCA因子。作者分别测试5个因子和全部20个因子。现货在曲面状态之后单独拟合,其漂移可以依赖于曲面状态,从而捕捉现货与波动率曲面之间的同期相关性。
模型还允许在历史创新重采样和高斯创新之间进行混合。这样可以在保持协方差结构的同时,选择更加经验化或更加平滑的创新分布。
简单Euler离散化在大时间步长下可能数值不稳定,因此作者在高斯模式下使用精确仿射高斯转移,并利用模型的平稳分布初始化远离历史样本的曲面状态。
现货重要性抽样的设计具有实用性:先固定完整的曲面路径,再只对现货残差进行尾部扩展,从而提高现货触及远执行价的频率,而不改变曲面的边际路径。示例中使用尾部放大倍数 (r=8)、直接物理分布混合权重 (\pi_0=0.1),即10%路径来自原始分布,90%来自尾部扩展分布,实验有效样本量约为30.5%。
图7中蓝色区域是校准物理分布下现货的条件5%—95%区间,橙色区域是尾部放大后的提议分布区间。橙色范围随着期限迅速扩大,能够覆盖更远的现金执行价,但它不能被解释为物理世界下的置信区间;所有物理概率和矩估计必须通过似然比重新加权。
作者使用1412个历史曲面,分别生成10万条5因子和20因子高斯路径。5个因子解释99.343%的曲面创新方差,20个因子解释100%;曲面因子同时解释现货创新方差的71.9%和74.7%。拟合生成器的最小实特征值为0.0113,因而平稳分布存在。
图8左侧比较不变状态,右侧比较五日变化。对于不变状态,5因子模型在协方差距离上的表现明显差于20因子模型;但在五日变化中,两者差距相对有限。整体而言,模型均值和边际分布较接近历史数据,但高阶联合分布仍有差异。
报告进一步指出,历史五日对数收益标准差为0.0274,模拟为0.0303;历史平均五日实现对数方差为0.000918,模拟为0.000914和0.000915,说明第一矩匹配较好。然而,历史实现方差的标准差为0.002693,模拟仅为0.000578,表明高斯基线无法再现波动率聚类和危机尾部。
移动输入网格的第一主成分解释77.7%的日变化,而固定现金期权重新定价后的第一主成分仅解释约20%,并且需要19个成分才能达到90%。这说明“移动相对执行价网格”会人为压缩动态维度,不能代表固定可交易合约的真实收益动态。
模型能够捕捉固定期权的方向,但幅度偏小。历史固定期权的水平、偏度、期限结构变化标准差分别为0.0174、0.0266和0.0335;20因子模拟分别为0.0133、0.0225和0.0285。现货与水平、偏度的历史相关系数为0.610和0.675,而20因子模型为0.422和0.548,说明杠杆效应被低估。
图10显示,市场隐含波动率水平的第一主成分解释93.1%,第二主成分解释4.7%,后续成分贡献很小。模拟模型的前两项形状与市场非常接近,第一、第二特征方向夹角仅约1.9°和4.8°,但高阶特征曲面无法被准确复制。
图11显示,市场日变化第一主成分解释80.8%,5因子和20因子模型分别集中到90.0%和89.5%。第一方向夹角仅约4.9°和4.7°,说明模型能够复制主导的整体波动率水平变化,但第二方向夹角约30°,意味着偏度、期限结构等次级动态仍存在明显偏差。
作者将DYSANOS与直接在隐含波动率上使用PCA的PCA-IV模型比较。PCA-IV模型故意作为“金丝雀”或正控制,因为它没有静态无套利约束,理论上应该产生套利。
测试覆盖每日和每周交易、10个交易时点、7个期限、20个执行价,并加入零执行价期权作为现货和Delta对冲工具。交易成本分别设为0、1和10个基点。
表2和表3的核心结果是:
这并不意味着DYSANOS满足完整意义上的动态无套利,而只是说明在每个日期单独观察并持有到期时,没有发现套利。
期间收益测试考察同一固定期权从一个交易日持有到下一个交易日时的收益。此时,固定合约的价格变化受到两个不同曲面状态之间转移规律的影响,而不是单一曲面的静态套利约束。
表4和表5显示,DYSANOS在所有交易成本水平下都保留了有效套利候选,而且发生率高于PCA-IV;在100万路径实验中,所有选定状态区域均得到足够验证样本,说明结果不能简单归因于小样本支持不足。
作者随后对两个最强的DYSANOS周度候选进行每个初始状态下100万次独立重采样:
因此,报告最终结论非常谨慎:DYSANOS存在动态套利的强数值迹象,但测试没有给出数学意义上的完整套利证明,也没有对所有状态和所有策略空间进行穷尽验证。
数据处理包括报价清洗、正态化、基于Put-Call Parity重新计算远期、套利无风险预处理、流动性筛选、平滑插值和ML-SANOS拟合。
数据过滤规则包括剔除当日到期合约、低于0.011美元报价、无效报价、异常结算标识以及不规则到期日。每个期限至少需要10个执行价,并且至少4个执行价同时存在看涨和看跌报价。
报告承认,早期年份尤其是一年以上期权的成交量和未平仓量信息可能不可靠,因此过滤规则可能删除了大量长期限期权;作者建议未来测试中考虑放宽或取消部分成交量、未平仓量筛选。
最终参考网格包括7个期限,约为2、5、10、20、40、127.5和255个交易日,每个期限使用100个插值执行价,ML-SANOS最终使用20个模型执行价,标准化相对执行价范围为-2至1。
报告最突出的优点是把“静态无套利”从软约束提升为结构性约束,避免了惩罚权重选择和训练路径中偶发套利的问题。同时,ML-SANOS的低维状态和GPU可定价特性,使其适合用于深度对冲和强化学习环境。
但模型也存在明显局限:
报告内部最重要的“张力”是:作者一方面强调DYSANOS是严格无套利的市场模型,另一方面又发现其在固定合约的跨期交易中存在动态套利。准确理解是,严格保证只针对每个日期的静态曲面,不包括日期之间的价格转移条件。因此,DYSANOS解决的是横截面无套利问题,而不是完整动态无套利问题。
DYSANOS的主要贡献不是提出一个已经完美拟合真实市场的动态模型,而是构建了一条清晰的技术路线:先用SANOS生成所有执行价和到期日上的平滑静态无套利期权曲面,再用低维ML-SANOS隐藏状态和状态空间模型生成曲面与现货路径。
实证结果显示,模型能够较好地复制隐含波动率水平、主要曲面形状、水平—偏度—期限结构的一阶变化,并且每个生成日期的曲面都没有发现到期套利。图表还显示,模型的主要特征曲面方向与市场高度接近,说明低维表示具有经济意义。
然而,模型低估了固定期权收益的波动幅度、现货—波动率相关性和高阶动态,无法再现波动率聚类及危机尾部,并且在跨交易日的固定合约收益测试中出现了动态套利候选。
因此,作者的总体判断是:DYSANOS是一个具有严格静态无套利保障、可以用于生成多年期现货和期权路径的有力基线,但并非完整解决方案;未来应重点发展非高斯、带波动率聚类和危机状态切换的动态模型,并直接约束或校验固定期权跨期收益的动态无套利性质。
2608.12587.pdf