加载中...
AI 原生量化投研平台AI-native quantitative research platform
正在打开工作台Opening your workspace
页面仍在加载，可以继续等待，或重新加载。The page is still loading. You can keep waiting or reload.
部分页面资源未能加载，请重新加载。Some page resources could not load. Please reload.
设备当前处于离线状态，恢复连接后可以继续等待或重新加载。Your device is offline. Once connected, you can keep waiting or reload.
本文研究在有限到期日边际约束或衍生品价格约束下，如何通过动态鞅最优传输构造尽量贴近给定参考模型波动率的连续时间鞅模型。文章利用 qx-Bass 鞅将连续时间问题离散化为多边际弱鞅最优传输问题，并证明离散优化解对应的连续时间插值在时间网格变细时渐近逼近原问题最优值；同时基于对偶势和广义鞅 Sinkhorn 算法设计可并行计算的投影次梯度方法，从而避免显式优化相邻时点间的鞅耦合，并支持仅利用部分边际或期权价格信息进行校准。
论文的核心问题是：在满足市场衍生品价格或风险中性边际分布约束的所有连续时间鞅模型中，选择一个扩散系数尽可能接近给定参考模型的模型。作者首先把连续时间问题离散化为多个相邻时点之间的弱鞅最优传输问题，再利用 q^x-Bass 鞅选择每个区间内的最优转移，最后把这些离散转移拼接成连续时间模型。,
论文的主要贡献可以概括为四点：
论文首先回顾了 Heston 随机波动率模型、Dupire 局部波动率模型以及局部随机波动率模型。这些方法通常先选定一个具有明确结构的随机模型，再通过市场数据校准参数或波动率函数。它们的优点是结构清晰、金融解释较强，但缺点是模型形式预先受到限制，校准结果可能依赖于所选模型族。
与之不同，半鞅最优传输的思路不是预先锁定某种参数化模型，而是在所有满足市场价格约束的模型中，寻找与参考模型距离最小的模型。距离可以通过扩散系数之间的平方差、相对熵或其他成本函数衡量。这样既保留了市场一致性，又尽量保留参考模型的动态特征。
对于贴现资产价格，鞅最优传输提供了更自然的数学框架。所谓鞅约束，是指在风险中性测度下，资产价格的条件期望等于当前价格，即模型不能产生系统性套利漂移。论文把这一框架与 Bass 鞅结合起来，使得模型既满足边际分布约束，又能尽量接近参考扩散过程。
传统 Bass 鞅可以理解为在给定初始分布和终端分布的情况下，寻找动态最接近布朗运动的鞅。Bass 局部波动率模型能够在有限个到期日精确匹配风险中性边际分布，并且不必像 Dupire 方法那样先在到期日之间插值期权价格。
q-Bass 鞅把原来的高斯参考分布替换为一般概率分布 q；q^x-Bass 鞅进一步允许参考分布依赖于初始状态 x，即使用一族概率核 ((q^x)_{x\in\mathbb R^d})。对于给定的初始边际 (\mu) 和终端边际 (\nu)，它在所有满足鞅条件的耦合中，选择条件分布 (\pi_x) 与参考核 (q^x) 的平均二阶 Wasserstein 距离最小者。
Wasserstein 距离可以直观理解为把一个概率分布“搬运”成另一个概率分布所需的最小运输成本。这里的弱鞅最优传输目标不是直接比较联合分布，而是比较在每个当前状态 x 下的条件终端分布 (\pi_x) 与参考核 (q^x)。因此，它能捕捉“从不同当前状态出发时，未来分布应如何接近参考模型”的动态特征。
论文考虑的参考模型大致具有如下形式：
[ dX_t=\sigma(t,X_t)dB_t, ]
其中 (\sigma(t,x)) 是参考扩散系数，(B_t) 是固定的布朗运动。候选模型则写成
[ dM_t=\sigma_t,dB_t, ]
其中候选系数 (\sigma_t) 只要求是可预测过程，不要求它一定是 ((t,M_t)) 的确定函数。
连续时间优化的思想，是在满足若干边际分布约束或衍生品价格约束的候选鞅中，最小化候选系数与参考系数之间的平方误差，通常可理解为
[ \mathbb E\int_{t_0}^{t_1} |\sigma_t-\sigma(t,M_t)|_{\mathrm{HS}}^2dt. ]
其中 (|\cdot|_{\mathrm{HS}}) 是 Hilbert–Schmidt 范数，适用于多维扩散矩阵之间的比较。,
这一目标有一个重要细节：参考系数是在候选过程 (M_t) 的状态上评价的，而不是在参考过程自身的状态上评价。这意味着模型主要惩罚候选模型实际访问区域内的波动率偏离，而不会过度关注候选模型几乎不会到达的状态区域。
作者把时间区间划分为
[ t_0=s_1<s_2<\cdots<s_{n+1}=t_1, ]
并要求所有校准到期日都出现在这个网格上。待优化对象不再是整个连续时间过程，而是边际分布链
[ (\eta_1,\eta_2,\ldots,\eta_{n+1}). ]
这些边际必须按凸序递增。凸序是鞅存在的必要条件：如果 (\eta_i\preceq_c\eta_{i+1})，则后一分布相对于前一分布具有更大的凸函数期望，并且在适当条件下存在从前者到后者的鞅耦合。,
单独给定边际分布链并不能唯一确定离散时间鞅，因为相邻时点之间可能存在多个不同的鞅耦合。因此，论文在每个区间 ([s_i,s_{i+1}]) 上使用参考过程的转移核 (q^{x}{s_i,s{i+1}})，再选择相应的 q^x-Bass 最优耦合。多边际目标就是各相邻区间弱传输成本之和。,
图1在时间轴上展示了 (\eta_1,\eta_2,\eta_3,\ldots,\eta_n,\eta_{n+1}) 这些边际分布，分别对应 (s_1=t_0,\ldots,s_{n+1}=t_1)。每两个相邻边际之间由一组条件转移核 ((\pi_x^{(i)})) 连接，图中用虚线弧表示。
图表表达的不是一条预先给定的随机路径，而是一个两层选择过程：
因此，该图支持论文的关键观点：校准问题不仅要决定“每个到期日价格分布是什么”，还要决定“相邻到期日之间如何动态连接”。
图1也揭示了该方法相比直接优化多时点联合耦合的优势。作者不把整个高维路径分布作为一个优化变量，而是把问题拆成多个相邻区间的弱传输问题。由于目标是相邻区间成本之和，这些局部问题可以分别求解。,
图2展示了 q^x-Bass 鞅从初始变量 (M_0\sim\mu) 到终端变量 (M_1\sim\nu) 的构造。初始变量先经过映射 (a)，形成 (a(M_0))；随后加入条件参考噪声 (Q)，其中 Q 的分布依赖于 (M_0)；最后通过凸函数 (v) 的梯度映射 (\nabla v)，把中间变量转化为终端变量 (M_1)。
这个结构的金融含义是：模型先保留参考过程从当前状态出发的随机扰动，再用一个凸梯度映射调整整体分布，使终端边际精确变成目标分布 (\nu)。因此，模型不会任意改变所有动态特征，而是在满足终端市场约束的同时，尽量保留参考转移结构。
图2还说明了凸分析工具在该方法中的核心作用。函数 (v) 或其凸共轭 (\psi=v^*) 既决定终端分布的调整方式，也出现在弱传输问题的对偶问题中。论文后续的广义 Martingale Sinkhorn 算法，正是通过迭代寻找这类凸势函数来构造 q^x-Bass 鞅。,
论文指出，在初始边际和终端边际具有紧支集、初始支集位于终端支集凸包的内部，并且边际对满足不可约性时，q^x-Bass 鞅存在。不可约性大致要求：对于任何具有正质量的初始区域和终端区域，都存在某个鞅耦合能够把二者连接起来。
这些条件并非纯技术细节。它们确保目标边际之间不存在无法跨越的支集断裂，也保证了最优耦合不会因局部质量隔离而失效。论文还指出，在适当可积条件下，q^x-Bass 鞅就是弱鞅最优传输问题的最优解，并且最优耦合具有唯一性。
广义 Martingale Sinkhorn 算法通过迭代更新凸势函数 (\psi)、其凸共轭以及相关映射 (a)，逐步提高对偶目标。算法的实际作用是计算一对边际之间的 q^x-Bass 最优耦合，而不是直接在所有耦合矩阵上进行高维优化。
在一维情形下，该算法可以化为固定点迭代，因此具有较好的可实施性。论文还指出，算法生成的凸势函数的适当归一化子序列会收敛到能够生成 q^x-Bass 鞅的势函数。
给定一个离散的 q^x-Bass 最优耦合，作者利用参考扩散过程的过滤信息构造连续时间扩展。该扩展保留起点和终点的联合分布，因此保留了离散弱传输问题的最优性。
但作者明确指出，这种扩展在中间时点通常并不具有逐段最优性。也就是说，若只观察起点 s 和某个中间时刻 r，(\mathrm{Law}(M_s,M_r)) 未必是从 (\mathrm{Law}(M_s)) 到 (\mathrm{Law}(M_r)) 的 q^x-Bass 最优耦合。只有当参考扩散系数与空间变量无关、参考过程具有独立增量时，这种一致性才会成立。
这说明该构造的目标不是让每一个局部时间窗口都严格最优，而是在网格变细后，使整体连续时间成本逼近全局最优值。
论文的第三节证明：如果离散多边际问题存在最优边际链，并且该边际链可以构造连续时间 q^x-Bass 插值，那么该插值的连续时间目标值与原连续时间问题的最优值之间的差距，会随着时间网格最大间距 (|T|) 缩小而趋于零，并且作者给出了定量误差估计。
证明的基本逻辑如下：
因此，离散问题并非仅仅是数值上的启发式近似，而是在满足假设时具有理论收敛依据。,
这个结果的实际意义是：研究者可以先解决有限维的多边际问题，再通过连续时间插值得到一个近似最优的动态模型，而不必直接求解包含无限维控制过程的连续时间优化问题。
将相邻区间的弱传输成本相加后，得到边际链上的目标函数 (F)。由于每一个二边际弱传输值都可以写成对偶问题中线性函数族的上确界，因此该函数对边际链是凸的。,
凸性带来两个好处：第一，局部最优解就是全局最优解；第二，可以使用次梯度方法。对偶最优势函数可以直接生成关于边际分布的次梯度，因此不需要对最优耦合进行显式微分。,
作者在每个时间点选取有限网格 (X)，用行随机矩阵 (P=(p_{ij})) 表示边际分布在网格点上的权重。凸序约束、期权价格约束以及概率归一化约束，都被转化为矩阵 (P) 的线性或凸约束，最终得到有限维凸集 (K_{T,X})。
论文证明了这种离散化具有一致性：当网格逐步细化时，有限维问题的最优值可以逼近原始连续边际问题的最优值。,
为了确保每个边际对都满足不可约性，并且能构造连续时间 q^x-Bass 插值，作者进一步把可行域限制在相对内部附近的集合 (K^\varepsilon_{T,X})。这相当于避免优化迭代落在支集退化或某些权重为零的边界位置。
算法2的流程是：
该方法具有较大的通用性，但由于没有固定具体的外层优化算法，论文没有对所有可能的实现统一给出收敛定理。
算法3选择正步长 (\tau_k)，先用并行的广义 Martingale Sinkhorn 算法计算每个区间的对偶势，再形成目标函数的次梯度，最后将更新后的权重投影回 (K^\varepsilon_{T,X})。典型步长需要满足
[ \sum_k\tau_k=\infty,\qquad \sum_k\tau_k^2<\infty, ]
例如 (\tau_k=1/(k+1))。
在目标函数有限、最优解位于可行域相对内部、次梯度有界等条件下，作者证明算法迭代收敛到一个最优解；如果最优解唯一，则收敛到该唯一解。
算法的最大计算优势在于：对固定边际链，n 个一步问题相互独立，可以并行运行。若部分中间边际已完全给定，则问题还可以在该边际处分解为左右两个独立子问题。
作者还提出进一步的奇偶交替并行化：固定奇数时点边际时并行优化偶数时点边际，随后反过来固定偶数边际优化奇数边际。不过，这种交替方法一般不能保证收敛到全局最优解，因此属于计算上的加速建议，而非主要理论算法。
当时间网格变细时，参考转移核会越来越集中在当前状态附近，这可能导致 Sinkhorn 迭代的数值条件恶化。作者建议利用 q^x-Bass 问题的尺度不变性，对参考核进行缩放，以改善数值稳定性；但缩放会改变弱传输问题的目标值，因此计算出的对偶势必须按比例还原后，才能用于原始问题的次梯度。
现实中的期权价格可能包含报价噪声，或者不同到期日、执行价之间彼此不一致，导致严格满足所有约束的可行集为空。论文提出把约束写成 (f(\eta)=0)，并使用凸惩罚函数 (\Psi(f(\eta))) 加入目标函数。
例如，对 N 个看涨期权价格，可以把模型价格与市场价格的误差组成向量，并用欧氏范数惩罚。惩罚系数 (\lambda) 越大，模型越重视精确满足市场价格；(\lambda) 较小时，则更重视接近参考波动率。若惩罚项保持凸性，整个问题仍然是凸优化问题。
论文还讨论了最大化候选过程与参考过程之间协方差的替代目标。对于固定起点和终点边际，两类目标可能产生相同的最优鞅耦合，但当边际分布本身也可以优化时，它们可能选择不同的边际链。
这一区别十分重要，因为“最小化扩散系数差异”和“最大化过程协方差”并不是同一个经济含义。前者直接模拟参考模型的局部波动率，后者更强调候选过程与参考过程的整体相关程度。,
论文最后考虑带额外潜在因子的模型。原始随机波动率因子 (V_t) 可能不是鞅，不能直接放入论文要求的多维鞅框架。作者通过变换
[ Y_t=e^{\kappa t}(V_t-\theta) ]
构造二维过程 (M_t=(S_t,Y_t))，使其成为多维 Markov 鞅，同时保留原状态的信息。
校准时可以只对资产价格 (S) 施加市场约束，而不直接约束 (Y)。与某些局部随机波动率校准方法不同，本文框架不会强行保留潜在因子的原始动态；优化器可以联合调整资产价格和潜在因子的动态，因此 (Y) 更适合被理解为校准模型中的潜在风险因子。
论文的主要结论依赖多个条件，包括参考扩散方程存在唯一强解、过程保持在开凸集内、扩散系数满足 Lipschitz 和增长条件、转移核具有密度、转移核关于初始状态在 Wasserstein 距离下具有 Lipschitz 连续性，以及边际对满足不可约性和支集条件。,
这些假设有助于建立存在性、唯一性和收敛性，但现实市场模型未必满足。例如，实际波动率可能存在跳跃、奇异性或退化区域，而论文的核心理论主要针对连续扩散和具有绝对连续转移核的情况。
虽然方法避免了完全依赖某个固定参数化模型，但它仍然需要一个参考扩散系数和相应转移核。论文指出，转移核可能需要通过 PDE 等方法计算，因此该方法并没有完全消除传统模型计算成本，只是把 PDE 计算从主校准问题中移到了参考过程核的预计算环节。
如果参考模型严重偏离真实市场动态，最优模型即使满足价格约束，也可能被不必要地拉向错误的波动率结构。这是“市场一致性”和“接近参考模型”之间的核心权衡。
算法3的收敛证明假设每一步都能精确计算最优对偶势，而实际的广义 Martingale Sinkhorn 算法通常只能迭代到近似收敛。论文承认近似对偶势会产生近似次梯度，并指出理论上可以使用带误差的次梯度方法，但主要证明仍采用精确势函数的理想化设置。
此外，有限网格、相对内部约束和投影步骤都会影响计算精度。论文证明了离散化的一致性，却没有在本文提供完整的金融市场数值案例来展示网格规模、并行硬件、惩罚参数或 Sinkhorn 停止准则对价格误差和波动率误差的实际影响。
奇偶交替优化可以进一步并行化，但作者明确指出，在一般情况下不能保证收敛到全局最优解。因此，若实际使用这一加速方案，需要在计算速度和理论可靠性之间作出选择。
这篇论文提出了一个以 q^x-Bass 鞅为核心的连续时间校准框架。它不直接规定候选模型必须属于 Heston、局部波动率或某种固定随机波动率模型，而是在满足边际分布、期权价格等市场约束的鞅模型中，选择波动率最接近参考模型者。,
其理论主线是：将连续时间动态鞅最优传输问题离散为边际链上的多边际弱鞅最优传输问题；利用 q^x-Bass 鞅获得每个相邻时点之间的唯一最优转移；再通过连续时间扩展拼接这些转移，并证明时间网格变细时该构造渐近最优。,
图1清晰展示了边际分布与相邻转移核的双层优化结构，图2则展示了通过参考条件噪声、凸函数和梯度映射构造 q^x-Bass 鞅的机制。两幅图共同说明，作者优化的不是单纯的终端分布，而是兼顾边际约束与动态转移结构的完整校准模型。,
在计算方面，论文最突出的特点是目标函数的加法结构。n 个相邻时间区间的问题可以并行求解，完全给定的中间边际还会进一步切分问题。投影次梯度算法在严格假设下具有收敛性，因而为高维、多到期日校准提供了比直接优化全路径耦合更可扩展的方向。,
总体而言，论文的价值主要在于理论框架、近似定理和并行算法设计，而不是提供具体资产的投资结论。其方法在处理不完整边际信息、直接使用期权价格约束以及引入潜在随机因子方面具有灵活性，但实际应用仍取决于参考转移核的计算质量、不可约性等正则条件、有限网格误差以及近似对偶势带来的数值误差。,
2610.31825.pdf