本文构建了适用于商品期货、普通期权及日历价差期权的算术多因子随机波动率模型,并利用2013—2024年WTI期货、普通期权和日历价差期权数据进行联合估计。研究发现,三个随机波动率因子能够较好刻画波动率期限结构的水平与斜率,基于这些因子的对冲几乎消除了普通期权组合的日度风险;日历价差期权还提供了期货与普通期权无法识别的合约间依赖结构信息,将其纳入估计可显著改善价差期权定价和对冲表现。算术模型在期货和普通期权定价及普通期权对冲方面整体优于几何模型,但恒定杠杆相关性难以解释偏度的动态变化,未来仍需引入独立的随机杠杆因子。
报告的核心主张是:相较于传统的几何期货模型,算术型多因子随机波动率模型在WTI市场具有更强的可估计性和更广泛的期权定价适用性,尤其适合直接纳入日历价差期权进行联合估计。, 研究进一步认为,WTI期货波动率期限结构至少需要三个随机波动率因子才能同时解释波动率水平和期限斜率;而日历价差期权则提供了普通期权无法提供的相邻期货合约相关性信息。,
全文最重要的实证结论可以概括为四点:
传统商品期货模型通常采用几何布朗运动或其随机波动率扩展,使价格变化与价格水平成比例,即价格越高,绝对波动通常越大,这种结构适合正价格和对数正态分布。, 本文改用算术模型,即期货价格的波动率不直接乘以价格水平,类似Bachelier模型,价格变化本身而非收益率变化由随机波动率驱动。
这一选择有三层理由。
第一,计算和估计更加简洁。 对于具有凹形波动率期限结构的模型,算术模型重建整条期货曲线只需要约(3n)个状态变量,而对应几何模型需要约(6n)个状态变量,其中(n)为期货曲线因子数量。, 状态变量数量减少意味着卡尔曼滤波、最大似然估计和大规模历史面板估计的计算负担显著下降。
第二,算术模型天然允许负价格。 2020年4月WTI近月期货曾出现负价格,且市场交易了负执行价期权,因此传统对数正态模型的正价格约束不再只是理论上的便利,而可能成为现实中的定价缺陷。 算术模型产生近似对称的价格水平分布,更符合WTI期权以Bachelier波动率衡量时表现出的近似对称微笑曲线。,
第三,多资产期权更容易定价。 算术结构下,单个期货、两个期货的价差、跨商品价差、多交割期货以及平均价格期权都可以转化为同一类“线性篮子”问题,从而使用统一的半封闭形式定价方法。, , 这为把日历价差期权直接纳入动态估计提供了技术基础。
报告也明确承认算术模型的现实限制。模型忽略了显著的季节性和跳跃,虽然作者认为WTI跳跃大多集中在极短期限且对总体方差贡献有限,原油季节性也相对较弱。 这意味着该模型更适合本文所研究的WTI短期和中期市场,但未必适合季节性极强的农产品或电力市场。
在风险中性测度下,商品期货价格是鞅,因此其漂移为零,基本形式是:
[ dF(t,T)=\sigma(t,T)dW^Q(t) ]
其中(F(t,T))是交割时间为(T)的期货价格,(\sigma(t,T))是期限依赖的随机波动率,(W^Q)是风险中性布朗运动。
模型进一步假定波动率具有可分离结构:
[ \sigma(t,T)=H(t)\phi(T-t) ]
其中(H(t))描述随时间变化的随机波动率状态,(\phi(T-t))描述不同到期期限上的确定性波动率载荷。 这种分解把“当前市场波动状态”和“波动率随期限如何衰减或形成驼峰”分离开来,便于建立有限维Markov表示。
随机波动率部分采用多维Heston型过程。每个波动率因子均为非负过程,具有均值回复、波动率的波动率以及因子之间的交叉溢出;矩阵(\Gamma)控制均值回复和因子之间的联动,杠杆相关系数(\rho_i)控制期货价格冲击与对应波动率因子冲击的相关性。,
期货波动率载荷采用指数衰减与低阶多项式的乘积:
[ \phi_i(\tau)=p_i(\tau)e^{-\kappa_i\tau} ]
其中(\tau=T-t)为剩余期限,(\kappa_i>0)控制衰减速度。 当期限增加时,载荷趋近于零,因此近月期货波动率高、远月期货波动率低,这体现了商品市场常见的Samuelson效应。
在实证中,作者主要使用一次多项式,因此每个载荷可以呈现单调衰减或单峰形状。若只使用常数多项式,模型虽然更简单,但无法生成驼峰型期限结构。,
对于三因子模型,期货曲线可以由(x(t))、(z(t))和(v(t))共同重建,总状态变量数量为(3n),而几何对应模型需要约(6n)个状态变量。 其中,(x,z)直接决定期货曲线水平和形状,(v)主要决定曲线波动率;当价格波动率不完全由期货价格风险驱动时,模型就具有“未被期货完全覆盖的随机波动率”,因此期权不能被期货完全复制。
这个结论对后续对冲结果非常重要:期货可以有效对冲价格水平和曲线因子,但不能完全对冲波动率因子,因而需要增加期权作为波动率风险的对冲工具。,
模型将普通期权和日历价差期权都写成某个线性篮子(Y(t))上的期权:
[ Y(t)=\sum_j w_jF(t,T_j) ]
普通期权对应单个期货,日历价差期权对应两个期货之差,例如(F(t,T_1)-F(t,T_2))。由于算术模型对线性组合保持封闭,篮子仍具有与单个期货相同的算术动态结构。
定价过程基于条件特征函数和一组复值Riccati常微分方程,最终只需要一维数值积分,因此属于“半封闭形式”。 这并不意味着完全没有数值计算,而是指高维状态问题被压缩成一维积分和低维常微分方程求解。Delta和Vega也可以从同一套公式中得到,这对后续对冲非常关键。
若利率与期货价格独立,折现因子可以直接从期权定价公式中分离出来;作者认为该简化对短期和中期WTI期权影响有限,但承认长期期权可能需要显式建模随机利率及其与期货价格的相关性。,
样本覆盖2013年1月2日至2024年2月29日,共2810个交易日,包含:
期货部分选取前七个具有足够流动性的月度合约M1–M7,再加入三个季度合约Q1–Q3和三个远期12月合约Y1–Y3,共13个合约。,
图1展示了2013—2024年期货曲线的时间—期限三维变化。图中可以识别出2014年油价下跌、2020年疫情期间暴跌,以及2022年俄乌冲突后的价格飙升。 曲线近端的起伏明显大于远端,说明近月合约更容易受到库存、仓储能力、现货供需和临近交割压力影响,这与Samuelson效应一致。
这张图对模型设定的支持在于:模型需要一个快速均值回复、主要作用于前端的瞬时波动因子,同时还需要更慢、更持久的中长期因子。
普通期权为美式期权,作者将其去美式化后转化为欧洲期权,并采用Bachelier模型而不是Black模型计算隐含波动率,因为WTI价格和执行价都可能为负。,
普通期权按绝对Delta划分为ATM、中间和四档虚值看涨、虚值看跌桶,价内期权被剔除;每个桶选择最接近桶中心的期权,以保证不同日期和不同合约之间具有可比性。 这种方法的优点是能够覆盖整个波动率微笑,而不是只使用少量ATM报价;缺点是会牺牲一部分市场报价信息,并且依赖于隐含波动率和Delta计算的稳定性。
图2的核心信息是:M1近月期权的微笑最明显,M3次之,Q1最平坦,说明短期限的尾部风险最强,随着到期时间拉长,微笑趋于平缓。,
用Black波动率表示时,左侧虚值看跌方向的波动率上升非常陡峭,显示市场定价了比对数正态分布更大的下行风险;用Bachelier波动率表示时,微笑明显更接近对称。 报告给出的20Delta风险逆转相对ATM波动率中位数,在Bachelier度量下约为0.05,而Black度量下约为0.23,说明大部分看似显著的Black偏斜可能来自价格水平和对数正态基准之间的不匹配。
这直接支持算术模型:算术模型的基准分布在价格水平上更接近对称,因此模型的杠杆相关系数只需解释剩余偏度,而不必先抵消几何模型自身造成的基准偏斜。
日历价差期权通常以Bachelier波动率报价,因为价差和执行价均可能为负;样本只保留金融结算、一个月间隔、前六个价差M1–M6的期权。, 图3显示,价差期权的平均微笑两端均上升,但略偏向看涨方向;ATM隐含波动率随价差期限快速下降。
价差期权的关键不是单个期货的边际分布,而是两个相邻期货之间的联合分布。若两个期货的Bachelier波动率分别为(s_1,s_2),相关系数为(\rho),则价差波动率满足:
[ s_{CS}^2=s_1^2+s_2^2-2\rho s_1s_2 ]
因此,给定普通期权已经提供的两个边际波动率,价差期权主要揭示(\rho),也就是曲线相邻期限之间的相关性或去相关程度。
作者用近似(s_2=s_1)计算隐含去相关。该近似没有使用模型,但大体上是去相关程度的上界,因此读者不应将其视为完全无误的真实相关性估计。
图3中M1的ATM价差波动率约为2.0美元/桶/年,M6约为1.15美元/桶/年,呈明显下降趋势;价差期权的波动风险随着第一腿到期时间增加而下降。
图4将普通期权和价差期权转化为三个模型无关指标:
波动率在2020年和2022年显著飙升,且近月波动率的变化幅度大于远期,说明波动率具有均值回复和期限结构。 偏度大部分时间为正,但2020年疫情期间前端偏度主要为负,2022年则几乎统一转为正,反映不同危机阶段的市场尾部风险方向不同。
典型情况下,两个月期限的相邻期货隐含去相关约为0.002,意味着相邻合约几乎完全相关;在2020年4月极端市场中,该指标最高达到0.066。, 去相关通常随期限增加而下降,但在曲线陡峭、库存约束显著或期限结构发生剧烈变化时会升高。
作者的主成分分析表明,波动率期限结构大致是二维的,水平和斜率可以解释(M_2)日变化的96%;但波动率与偏度的联动解释度只有约10%,与去相关的解释度只有约17%。 这意味着“波动率水平/斜率”“偏度”和“曲线去相关”是相对独立的风险维度,简单地用同一组波动率因子解释三者会遇到结构性困难。
作者采用无迹Kalman滤波器和准最大似然法,将连续时间模型离散为每日状态转移系统。 无迹Kalman滤波适合处理非线性观测方程,尤其是期权价格对波动率状态的非线性依赖。
模型估计中的几个重要处理值得注意:
报告比较了五类模型:V2、V3表示只用期货和普通期权估计的两因子和三因子模型;VC3表示额外加入日历价差期权的三因子模型;V2-U和V3-U表示不使用偏度强制项的模型。,
V3模型中三个因子具有清晰的期限分工:
图5显示,2020年疫情冲击主要体现为快速因子的尖峰,并在数月内消退;2022年俄乌冲突后的波动则更多地进入长期水平因子,并持续到样本末端。 这提供了一个具有经济直觉的危机分解:2020年主要是流动性、仓储和近月交割冲击,2022年则更像持续性的全球能源供给和地缘政治冲击。
加入日历价差期权后,因子角色发生重组。VC3中的中间因子承担前端普通期权的日常波动,而快速因子主要承担曲线去相关和价差期权波动。 因此,日历价差期权并非简单增加样本量,而是改变了模型对风险来源的识别。
图6进一步显示,V3中同一个快速因子同时影响近月普通期权和近月价差期权;VC3则将二者分离:普通期权前端波动主要由中间因子解释,而价差期权波动主要由快速因子解释。, 这正是为什么只用普通期权时模型无法识别曲线去相关的根本原因:普通期权只关心每个合约自身的方差,而价差期权关心不同合约波动率载荷之间的差异。
V3的期货RMSE在整个期限曲线上均小于V2,尤其在M1和M2改善明显;VC3进一步降低了主要是M1合约的误差;V3-U与V3接近,但M1误差略大。 这说明第三个快速因子主要解决近月曲线的动态变化,而加入价差期权后,模型对前端曲线形状的识别进一步改善。
所有模型的普通期权误差在M1和波动率微笑两翼最大。 第三个因子显著改善ATM定价,但在尾部改善有限,因为带有较小杠杆相关系数的额外因子主要增加波动率水平灵活性,而不是增加微笑形状的灵活性。
加入日历价差期权后,VC3牺牲了一部分ATM普通期权定价精度;不使用偏度强制项的V3-U则在尾部表现更好,因为它迫使波动率因子承担偏度变化,但其ATM期限结构变得过陡。 这反映了模型之间的权衡:更好地拟合偏度或曲线去相关,可能会损害整体波动率期限结构。
图7按2013—2019、2020—2021和2022—2024三个阶段比较数据和模型。早期市场的微笑相对温和,V3和VC3能够较好跟随;2020—2021年数据出现明显看跌偏斜,模型只能部分捕捉;2022—2024年数据转为看涨偏斜,而V3和VC3几乎无法跟随。,
加入强制项后的估计曲线可以明显跟随两个危机阶段的偏度,但这是因为偏度变化被外生地注入估计,而非由模型内部的固定杠杆相关系数产生。 因此,模型的“估计拟合”与“无强制项的真实定价能力”必须区分,报告在这一点上处理得较为谨慎。
仅使用期货时,普通期权组合的方差减少不到10%,说明期权组合的主要日风险来自期货无法覆盖的波动率风险。 加入一个M4 ATM期权后,大部分风险被消除;再增加期权对冲工具,三因子模型通常可以消除几乎全部日风险。
V3使用三个对冲期权时,单位期权平均绝对日损益约为2.93美分/桶,优于V2的3.26美分/桶。 这说明第三个因子不仅改善静态定价,也识别了一个真实存在的短期风险来源。
VC3在加入价差期权后,对普通期权水平和动态的拟合略有牺牲;V3-U虽然静态微笑定价更好,但第三个对冲期权加入后对冲效果反而恶化,表明它为拟合偏度而构造出的因子结构不稳定,不能很好描述波动率曲面随时间的变化。
图8显示,期权隐含波动率始终高于实现波动率,三种模型都能较好复制这一期限结构;VC3略接近实现波动率,而V3和V3-U略低于实现波动率。 V3的一月波动率总体跟随M1的21日实现波动率,但没有完全复制2020年疫情高峰。
算术模型还可以计算负价格概率。V3在正常时期给出的三个月后现货负价格概率接近零,在2020年4月价格实际跌为负时达到峰值,说明负价格机制不是模型在正常时期制造出的异常现象,而是在极端市场中发挥作用。
图9表明,三因子V3在2020—2024年波动率期限斜率上的RMSE明显小于V2;虽然波动率期限结构从统计上看大致是二维的,但在动荡时期仍需要第三个因子来复制其斜率变化。
基于10,000条物理测度模拟路径,V3能够覆盖实际波动率斜率约99%的日期,覆盖波动率水平约91%的日期;偏离主要集中在2022年高峰期。 这说明模型对常态和大部分危机阶段的动态描述较好,但对2022年持续且幅度较大的能源冲击仍存在低估。
V3在除M1外的所有价差期权上均出现高估,并且期限越远,高估越严重,平均隐含波动率误差约为观测值的38%。VC3的误差很小,且各期限之间相对稳定,只在M1略低估。,
图10显示,V3的隐含去相关在M2约为数据的1.2倍,到M6升至约1.8倍;VC3则略低于数据。 因为价差波动率大致与去相关程度的平方根成比例,V3的去相关高估足以解释大部分价差期权高估。
报告的机制解释十分关键:普通期权约束的是每个期货合约的总方差,即公式中的分母;日历价差期权约束的是相邻期限的载荷差,即“哪些因子在一个月内变化得快、哪些因子几乎不变”。因此两个模型可以对普通期权给出相似价格,却对价差期权产生完全不同的价格。
在VC3中,快速因子主要承担相邻合约之间的差异,因而其状态变量能够跟踪价差期权ATM方差和隐含去相关;中间因子在相邻合约上的载荷变化很小,推动相邻合约近似同步变化。
图11显示,2013—2019年价差微笑大体对称,VC3能够复制其形状但水平略低,V3在M1以外偏高;2022年以后,数据微笑转向看涨方向,但两个模型都没有很好捕捉这一倾斜。, 这再次说明VC3主要解决了ATM价差波动率和相关性问题,而没有解决价差期权偏度的动态问题。
价差期权组合使用六个期货价差作为基础对冲工具,再加入M2和M4的ATM价差期权。由于该组合存在较强方向性暴露,期货价差本身可以消除超过50%的典型风险,而普通期权组合中单纯期货只能消除约12%的风险。
单日数据中,加入价差期权对冲工具的增量改善有限,部分原因是价差期权报价流动性较低、结算价噪声较大;在十个交易日窗口中,结算误差相互抵消,VC3使用一个或两个期权的对冲效果更稳定、更好。, 因此,对VC3对冲效果的证据弱于其定价效果,但方向一致,即直接加入价差期权能够改善对相关性风险的识别。
偏度(M_3)不仅取决于波动率因子,还取决于杠杆相关系数(\rho_i)。如果(\rho_i)固定,偏度只能随着波动率因子变化而变化。 V3的自身偏度几乎是平坦的,因为估计阶段偏度变化由强制项处理;V3-U可以解释约55%的偏度变化,但无法捕捉2020—2021年的看跌偏斜。
当作者允许V3每天对所有杠杆相关系数进行共同平移后,模型可以高度贴合偏度水平;这一平移在2022年明显变大,并且半衰期约四个月,说明偏度变化可能由一个独立、持续的随机杠杆因子驱动。,
因此,报告认为下一步应引入与波动率期限结构因子分离的随机杠杆过程,而不是继续让固定杠杆相关系数承担所有偏度变化。,
两因子算术模型与几何模型在相同数据上比较,几何模型的整体Bachelier隐含波动率MAE比算术模型高16%,Black隐含波动率MAE高22%;几何模型在ATM误差约1.29美元/桶/年,而算术模型约为0.89美元/桶/年,几何模型误差高出约19%。,
几何模型的期货RMSE为0.68美元/桶,算术模型为0.58美元/桶。 普通期权对冲方面,算术模型在使用一个或两个期权对冲工具时的平均绝对日损益显著低于几何模型,但两者的整体对冲有效性差异并不总是显著。
经济解释是:几何模型在没有杠杆效应时天然在Black波动率下对称,但在Bachelier波动率下会产生随价格水平变化的倾斜;它必须使用更大的负杠杆相关性先抵消自身基准倾斜,再解释市场的实际偏度。 算术模型在价格水平上天然对称,因此杠杆相关性可以更直接地用于解释真实偏度。
报告虽然不是投资推荐报告,但从模型应用角度存在以下重要风险:
首先,模型比较具有一定公平性:算术和几何模型使用相同的两因子数量、相似滤波器与约束,但由于几何模型无法处理负价格和没有半封闭价差期权公式,比较样本排除了部分负价格相关期权,也排除了日历价差期权。, 因此,算术模型的优势很有说服力,但并不等于在所有期权类别和所有市场状态下都必然优于几何模型。
其次,报告中存在一个值得注意的样本数字差异:全文数据描述给出的日历价差期权数量为70,830个,但表9中实际由两个模型共同估值的数量为70,654个,可能源于部分日期或报价经过筛选后无法同时用于比较。, 这并不改变结论,但读者在复核总样本时应区分“原始估计面板”和“共同定价评价样本”。
再次,VC3改善价差期权定价的代价是普通期权和波动率期限结构拟合略有下降;这不是模型全面优越,而是不同风险维度之间的识别权衡。, V3-U则是另一种权衡:它静态微笑拟合较好,但动态对冲较差,说明更贴近每天的截面价格不一定意味着更准确地描述跨日风险传递。
最后,作者使用偏度强制项的做法虽然有助于分离风险维度,但它只进入估计、不进入最终定价和对冲,因此模型在偏度方面的真实内生解释能力仍然有限。, 这也解释了为什么报告将随机杠杆过程列为未来研究方向,而没有宣称当前模型已经完整解释了整个波动率曲面。
总体而言,这篇报告提出的是一个面向商品期货曲线和多类期权的算术多因子随机波动率框架。其最大贡献不是简单地把几何模型改成算术模型,而是利用算术结构对线性期货组合的封闭性,将日历价差期权直接纳入大规模、动态、跨日期的联合估计。,
表格和图表共同支持以下结论:
作者的总体立场非常明确:对于WTI短中期期货和期权市场,三因子算术模型是比两因子模型更合适、比对应几何模型更实用的基础框架;日历价差期权不应被视为普通期权的附属数据,而应被视为识别期货曲线相关性和构建更可靠对冲策略的关键数据来源。, 但该框架仍需要随机杠杆、随机利率、跳跃和更丰富的季节性结构,才能成为覆盖完整波动率曲面和长期商品衍生品的更一般化模型。
2610.28071.pdf