本文提出一种模块化近似贝叶斯推断方法，将日度现货收益、高频现货数据与期权价格三类信息结合，并通过理论期权定价模型、软切反馈和高斯混合近似，在不显式设定期权定价误差及高频测量误差模型的情况下快速生成未来期权价格预测分布。基于Heston模型的模拟结果显示，该方法预测覆盖率接近基于似然的模块化MCMC方法，但计算时间从约17.5小时降至约12秒；S&P 500期权实证结果表明，短期限、接近平值期权的预测覆盖率较为合理，但整体预测区间偏窄。^21017262731

研究目标：在多源信息下实现期权价格的快速预测 ¹²

• 报告同时使用日度现货收益、高频现货数据和市场期权价格，目标是预测未来期权价格，并避免为期权定价误差及高频测量误差设定额外的统计模型。²⁶
• 方法以Heston随机波动率模型为理论基础，通过模块化和“切断反馈”降低模型错设对参数推断和预测的影响。²⁸

Heston模型与三类信息源 ⁴⁵

• 模型参数为 (\Phi=(\kappa,\theta,\sigma_v,\lambda)^\top)，其中包括波动率均值回复速度、长期方差、波动率波动率和波动率风险溢价；报告设定相关系数 (\rho=0)。⁴
• 信息源包括日度现货收益 (r_t)、基于五分钟高频数据构造的跳跃稳健双幂变差 (BV_t)，以及覆盖不同执行价和到期日的期权价格。⁵
• 传统全似然方法需要同时建模高频测量误差和期权定价误差，且期权合约数量、执行价和期限随时间变化，导致模型设定和计算均较为困难。⁶⁷

模块化ABI量化推断方法 ^11131617

• 方法将参数划分为 (\Phi_1) 和 (\Phi_2)，并将摘要统计划分为 (S_1) 和 (S_2)，通过软切反馈构造可灵活调整的信息传递结构；与由完整似然决定的传统模块划分相比，软切允许期权信息影响部分现货过程参数。¹¹¹²
• 日度收益摘要包括收益分布前四阶矩和辅助GARCH模型得分统计；高频摘要包括双幂变差的前四阶矩及一阶自相关。¹³
• 期权摘要基于Black-Scholes隐含波动率曲面，提取期限和执行价方向的水平、斜率与曲率，并计算各特征的前四阶矩、一阶自相关及模拟与观测特征之间的平均标准化距离。¹⁴³⁷
• 算法从Heston理论模型模拟参考表，利用高斯混合模型近似联合分布，再通过条件高斯抽样获得软切后验；高斯混合成分数量依据BIC选择，最多考虑30个成分。¹⁶¹⁷
• 该方法不通过传统ABC的容差匹配筛选样本，而是一次性学习参数与摘要统计之间的关系，新增市场信息到达后只需进行高斯条件模拟，因此适合实时更新。¹⁷¹⁸

最优切分结构与参数识别结果 ²¹²²

• 在42种两模块切分结构中，最优结构的相对后验质量为0.944，具体形式为先利用高频、日度收益和期权摘要推断 (\theta)，再利用期权摘要推断 ((\kappa,\sigma_v,\lambda))。²²
• 期权摘要对 (\kappa) 和 (\sigma_v) 的识别较有帮助，日度收益和高频信息对长期方差 (\theta) 更具信息量；单独依赖日度收益构建模块通常表现较差。²²
• 传统两阶段估计结构的相对后验质量为0.614，在42种切分中排名第37，说明信息传递顺序和信息源与参数的匹配方式会影响推断质量。²²

切分结构对预测准确率的影响 ²³²⁴

• 在模拟实验中，研究使用500个样本进行参数推断，并对后续500个交易日、147个期权合约进行一步预测；短期限期权的预测主要由最新过滤信息决定，不同切分结构之间差异较小。²³²⁴
• 对于长期限期权，结构参数不确定性影响更大，因此后验集中度较低的切分结构会导致预测覆盖率恶化。²⁴
• 预测时虽然只进行一步状态更新，但期权理论价格仍需计算未来多个期限内的风险中性价格期望，因此长期限合约对参数估计误差更加敏感。²³

与模块化MCMC的计算效率比较 ²⁵²⁶²⁷

• 在正确设定高频测量误差和期权定价误差的情景下，模块化ABI的预测覆盖率与模块化MCMC接近，并且长期限期权的表现略好。²⁷
• 模块化MCMC获得20,000个后验样本约需17.5小时，而模块化ABI约需12秒，计算速度提升超过4,000倍。²⁶²⁷
• 当模块化MCMC错误设定期权定价误差具有同质结构时，两种方法在短期限期权上的覆盖率仍接近名义水平，但在偏差和误差随期限扩大时，长期限期权的预测区间均会偏窄。²⁶²⁷

S&P 500期权实证结果 ^28293031

• 实证样本覆盖2004年1月1日至2021年12月31日，筛选期限不超过六个月、执行价相对现货价格偏离不超过20%、日交易量不少于10张的欧洲看涨期权。²⁸²⁹
• 研究预留前500个交易日作为初始估计窗口，并在4,528个交易日上构造496,887个期权收盘价的一步预测；活跃期权合约数量由2000年代初平均每天约50张升至2021年底约200张。²⁹
• 采用固定500日滚动窗口，每次后验更新约需12秒，并根据最优软切结构每日更新Heston参数和下一交易日期权价格预测分布。²⁹
• 后验中长期方差 (\theta) 和波动率波动率 (\sigma_v) 在2008—2009年全球金融危机及COVID-19疫情期间明显上升；风险溢价参数 (\lambda) 也随市场环境变化。³⁰

• 实证预测区间整体偏窄，但一周以内的短期限期权覆盖率较为合理，临近到期日的期权最接近名义覆盖率。³¹
• 当执行价接近现货价格、即绝对对数虚值程度 (|k|) 接近零时，90%预测区间的经验覆盖率更准确；极端虚值或实值期权的预测较弱，可能与Heston模型对尾部和极端微笑结构刻画不足有关。³¹

关键图表：参数后验随市场环境变化 ³⁰

• 图中显示，(\theta)、(\kappa)、(\sigma_v) 和 (\lambda) 的滚动后验中位数均随时间变化，其中(\theta)和(\sigma_v)在金融危机及疫情期间明显上升，体现了模型参数对市场波动状态的适应性。³⁰

其他图表信息：期权市场活跃度持续提升 ⁴¹

• 样本期内符合筛选条件的活跃看涨期权合约数量总体上升，2020—2021年日度合约数量和波动幅度均明显高于早期样本。²⁹⁴¹

一、报告元数据与核心概览

标题：《Fast Approximate Modular Inference for Option Price Prediction》（用于期权价格预测的快速近似模块化推断）。
作者：Worapree Maneesoonthorn、David T. Frazier、Gael M. Martin。
发布日期：2026年10月23日。
发布机构：所提供文本未注明工作机构、期刊或正式出版平台，因此无法据此判断其机构背景。¹
研究主题：金融计量、随机波动率模型、贝叶斯推断、期权价格预测及实时计算。
评级与目标价：报告不是券商股票研究报告，没有股票评级、目标价或投资建议；其核心评价指标是预测区间覆盖率、后验集中度和计算速度。¹, ²⁰

报告的核心论点是：传统期权预测通常需要同时建立股票收益、高频波动率指标和期权价格误差的完整统计模型，但这些误差模型具有较强的任意性，且会显著增加计算负担。作者提出一种“模块化近似贝叶斯推断”（modular approximate Bayesian inference，简称模块化ABI）方法，直接利用理论期权定价模型作为模拟器，不显式建立期权定价误差和高频测量误差的统计分布，同时通过摘要统计量和高斯混合模型实现快速后验更新。¹, ², ³²

从实证结果看，该方法在模拟实验中的预测覆盖率大致可达到模块化MCMC的水平，但计算时间从约17.5小时降至约12秒，速度提升超过4,000倍；在S&P 500期权数据中，方法对短期限、接近平值的期权具有较合理的预测表现，但对整体样本和长期限、深度虚值期权的预测区间偏窄。²⁶, ²⁷, ³¹

二、研究背景与问题意识

2.1 为什么期权价格预测困难

期权价格不仅取决于标的资产当前价格，还受到未来波动率路径、波动率与价格之间的杠杆关系、风险溢价、执行价和到期时间等因素影响。报告指出，市场期权价格通常呈现隐含波动率“笑脸”或“偏斜”现象，简单的常数波动率模型难以解释，因此需要随机波动率、跳跃等更复杂的理论模型。¹

现有方法通常在理论无套利定价模型之外，再增加一个经验误差模型，把观察到的市场价格与理论价格之间的差异解释为定价误差。问题在于，理论模型强调无套利和结构约束，而经验误差模型则需要足够灵活地描述市场摩擦、流动性差异、报价噪声和模型遗漏变量，二者之间存在明显张力。¹, ⁶

报告进一步指出，使用全部数据构建联合似然，需要同时对每日收益、高频波动率指标以及大量不同执行价和期限的期权价格建模。由于每个交易日的期权合约数量、执行价和到期时间都可能变化，期权价格数据的维度并不固定，因而很难指定一个既现实又稳定的统计模型。⁵, ⁷

2.2 三类信息来源

作者将市场信息分成三组：

1. 期权价格：同一交易日内不同对数价内程度和剩余期限的期权价格，记为 (O_t)。这些数据对风险溢价和风险中性波动率结构尤其有价值。⁵
2. 每日现货收益：通常定义为收盘价与前一交易日价格的对数差，反映标的资产实际价格过程。⁵
3. 高频现货信息：报告采用跳跃稳健的双幂变差（bipower variation，BV），以五分钟或更细的高频收益构造。BV旨在估计连续价格变化所对应的积分方差，同时尽量降低跳跃对波动率估计的影响。⁵, ²⁸

三类信息各自提供不同识别来源：每日收益反映价格动态，高频指标直接提供潜在波动率过程的观测代理，期权价格则包含市场对未来风险中性分布和风险溢价的前瞻性信息。², ¹⁴

三、Heston模型及其金融含义

报告以Heston随机波动率模型为主要示例。该模型中，标的资产价格 (S_t) 随机变化，瞬时方差 (V_t) 也随时间演化；模型参数包括均值回复速度 (\kappa)、长期方差水平 (\theta)、波动率的波动率 (\sigma_v)，以及波动率风险溢价参数 (\lambda)。价格和波动率冲击之间的相关系数为 (\rho)，但本文为简化分析将其固定为0，因此结构参数向量为 (\Phi=(\kappa,\theta,\sigma_v,\lambda)^\top)。⁴

其中，(\kappa)越高，意味着波动率更快回到长期水平；(\theta)代表长期平均方差；(\sigma_v)衡量波动率本身的不稳定程度；(\lambda)用于连接真实世界概率测度与风险中性概率测度，反映投资者要求的波动率风险补偿。⁴

期权理论价格是在风险中性测度下对未来支付进行贴现后的期望值。对于执行价为 (K)、期限为 (\tau)的欧式看涨期权，报告用对数价内程度 (k=\log(K/S_t))描述合约相对现货的状态，并通过风险中性参数 (\kappa^\ast)和(\theta^\ast)将实际动态与期权定价动态联系起来。⁴

这一设定的优点是具有清晰的金融解释，并且能够直接计算理论期权价格；缺点是Heston模型不包含价格跳跃、波动率跳跃、复杂的长期和短期波动率成分，因此在真实市场中很可能存在模型错设。²⁸, ³²

四、传统贝叶斯方法与模块化方法

4.1 完整似然方法

完整贝叶斯方法需要为三类数据分别指定概率模型。每日收益可以由离散化后的Heston过程产生；高频BV需要加入测量误差或微观结构噪声；市场期权价格则需要设定理论价格与市场价格之间的函数关系以及定价误差分布。⁷

形式上，除了结构参数 (\Phi)，还要引入高频误差模型参数 (\Psi_1)和期权误差模型参数 (\Psi_2)。后验分布不仅依赖理论价格模型，也依赖这两个经验误差模型。如果误差模型设定错误，错误信息可能反馈到结构参数，进而影响预测结果。⁷

因此，完整似然方法在理论上信息利用最充分，但在计算上非常昂贵，而且在模型设定上可能将不可靠的期权误差假设强行传递给波动率和风险溢价参数。

4.2 “硬切割”模块化方法的局限

模块化方法通过“切断反馈”限制不同模块之间的信息流动。报告提出的一种传统切割方式是：将每日收益、高频数据、潜在方差和部分结构参数放入第一模块，将期权价格及风险溢价参数放入第二模块。这样，可能存在误设的期权价格误差模型就不会反向影响第一模块的波动率参数。⁸

该方式能够降低模型错设的传染风险，但代价是丢失期权价格中关于现货波动率参数的有价值信息。尤其是接近到期且接近平值的期权，其价格对现货过程参数非常敏感。如果硬切割完全禁止期权价格影响这些参数，就可能造成信息浪费。⁹

五、模块化ABI方法

5.1 摘要统计量而非完整似然

作者没有直接为高频指标和市场期权价格建立误差分布，而是先从三类原始数据中提取摘要统计量，再研究模型参数与摘要统计量之间的关系。¹⁰, ¹¹

每日收益的摘要包括收益分布的前四阶矩，以及一个辅助GARCH模型的得分统计量，用以捕捉条件收益分布的动态。高频BV的摘要包括前四阶矩和一阶自相关系数。期权价格则先转换为Black-Scholes隐含波动率，再从隐含波动率曲面提取水平、期限方向斜率、执行价方向斜率及曲率等特征，并计算这些特征的前四阶矩、一阶自相关和模拟值与观测值之间的平均标准化距离。¹³, ¹⁴

Black-Scholes隐含波动率并不是作者认为真实波动率等于某个常数，而是将市场期权价格反解为Black-Scholes模型下能匹配该价格的波动率。不同执行价和期限下的隐含波动率排列形成“曲面”，其水平、斜率和曲率可以反映市场对波动率、偏斜和期限结构的定价。³⁶, ³⁷

5.2 Soft cutting：软切割

作者将参数划分为 (\Phi_1)和(\Phi_2)，同时将摘要统计量划分为 (S_1)和(S_2)，构造如下逻辑：先用(S_1)推断(\Phi_1)，再在给定(\Phi_1)和全部摘要统计量的条件下推断(\Phi_2)。这比由完整似然结构机械决定切割位置更灵活。¹¹, ¹²

报告举例说明，如果把((\kappa,\sigma_v,\lambda))放入第一参数组，把(\theta)放入第二参数组，同时令(S_1)包含收益和期权摘要、(S_2)包含高频摘要，那么期权信息就可以影响部分现货参数和风险溢价参数，而不是像传统硬切割那样被完全排除。¹²

5.3 参考表与高斯混合模型

算法首先从先验分布中抽取大量参数和潜在方差路径，利用Heston理论模型生成模拟收益、无噪声高频价格路径和理论期权价格，再为每次模拟结果计算摘要统计量。这些“参数—摘要统计量”组合构成参考表。¹³, ¹⁴, ¹⁵

随后，作者使用高斯混合模型近似参数与摘要统计量的联合分布。高斯混合模型可以看作多个正态分布的加权组合，能够比单一正态分布更好地描述偏态、多峰或非线性关系。模型组件数通过BIC选择，最多考虑30个组件；参数使用MATLAB中的EM算法估计。¹⁶, ¹⁷

与传统ABC通过设定容忍度并接受“距离足够近”的模拟样本不同，模块化ABI直接利用高斯条件分布进行抽样，因此避免了多摘要匹配带来的接受率低和计算量大的问题。¹⁷

5.4 关键的“错设模拟器”假设

模拟器生成的是理论期权价格和无噪声BV，而现实中的市场期权价格可能含有报价误差、流动性折价、微观结构噪声和系统性定价偏差。作者承认模拟器因此是不完整且错设的，但认为只要真实定价误差不会随着执行价和到期时间系统性变化，理论价格仍可能保留关于结构参数的主要信息。¹⁵, ¹⁶

这是全文最关键、也是最需要审慎看待的假设之一。若定价误差在深度虚值期权、长期限期权或市场压力时期显著扩大，那么模拟理论价格与真实市场价格之间的摘要统计量关系就可能发生系统偏移。

六、预测分布的构造

由于没有为观测期权价格指定完整概率模型，作者无法直接计算未来市场期权价格的精确预测密度。因此，预测时使用理论期权价格作为核心输入，并以核函数对不同模拟价格进行平滑，形成近似的未来价格分布。¹⁸, ¹⁹

未来现货价格和波动率路径的预测只条件于历史收益和结构参数，而不直接使用全部高频和期权数据进行状态滤波；这一步通过粒子滤波器实现。最终预测结合三部分不确定性：结构参数后验不确定性、未来现货和方差状态不确定性，以及理论价格模拟和平滑过程产生的不确定性。¹⁹

需要特别注意，报告中的“一步预测”指下一交易日的期权价格预测，但期权本身可能还有5日、30日或60日到期，因此理论价格仍需对到期日前更长时间的风险中性价格路径进行定价积分。²³

七、图表和表格深度解读

7.1 图1：前三种切割结构的边际后验

图1展示了(\theta,\kappa,\sigma_v,\lambda)在排名前三种切割结构下的边际后验。四个参数的真实值分别为0.03、0.05、0.03和-0.02；图中不同线型代表不同排名的切割结构。²², ²³

从图形可见，(\theta)和(\sigma_v)的后验都高度集中在真实值附近，说明这两个参数较容易被数据识别；(\kappa)的分布相对更宽，表明均值回复速度存在更明显的不确定性；(\lambda)分布向负值区域集中，但仍有较长尾部，说明风险溢价参数虽能通过期权信息识别，却不如部分波动率参数稳定。²³

表1将所有42种两模块组合进行排名。最优切割的相对后验质量为0.944，而先验基准仅为0.275；所有42种切割都优于先验，但传统两阶段估计对应的切割只有0.614，排名第37位。这说明“先用现货估计，再条件估计风险溢价”的直觉式方法并不一定能获得最好的参数集中度。²¹, ²²

7.2 表2：按到期期限划分的预测覆盖率

表2比较最优、中间排名和最差切割结构在不同期限下的80%预测区间覆盖率。报告指出，短期限期权在不同切割结构之间差异不大，因为短期预测主要由近期状态滤波信息决定；长期限期权则更依赖结构参数后验，因此后验集中度较差的切割结构会产生明显更差的预测覆盖率。²³, ²⁴

这一结果具有重要金融含义：短期期权价格更受当前现货价格和近期波动率状态支配，长期期权则更多反映长期方差、均值回复和风险溢价等结构性参数。

7.3 表3：与模块化MCMC比较

表3分别考察模块化MCMC正确设定和错误设定期权误差模型的情形。正确设定时，ABI与MCMC覆盖率总体相近，ABI在长期限期权上略有优势；错误设定时，两者在短期限仍较接近名义覆盖率，但随着期限变长、定价偏差和误差幅度增大，两个方法的区间都变得过窄。²⁶, ²⁷

最突出的结果是计算效率：模块化MCMC获得20,000个后验抽样约需17.5小时，而ABI约需12秒，计算速度超过4,000倍。这使得ABI适合每日甚至实时更新，而滚动窗口下运行MCMC则在实践中几乎不可行。²⁶, ²⁷

7.4 图2：S&P 500样本中的滚动后验中位数

图2显示2005年至2021年滚动窗口下四个Heston参数的后验中位数。图中(\theta)和(\sigma_v)在2008—2009年全球金融危机期间明显上升，在2020年COVID-19冲击期间也出现显著波动，说明模型能够反映市场波动状态的时变性。³⁰

(\kappa)整体水平相对较高，作者认为这可能是由于Heston模型未纳入价格跳跃，模型通过更快的波动率均值回复来吸收部分跳跃效应。风险溢价(\lambda)也随时间变化，尤其在金融危机期间更偏向较大的负值，反映期权市场对波动率风险补偿的变化。³⁰

7.5 表4及附录表格：真实市场预测覆盖率

表4显示，整体预测区间偏窄，但期限很短的期权，特别是一个日历周以内的合约，覆盖率较为合理；接近一天到期的期权预测表现最好，覆盖率略低于名义水平。³¹

报告还指出，按价内程度分类时，执行价接近现货价格，即(|k|)接近0的期权具有更准确的90%覆盖率；深度价内或深度价外期权表现较差。这与Heston模型难以准确描述极端尾部和极端隐含波动率偏斜相一致。³¹

附录中的表C1表明，模块化ABI的预测覆盖率通常比传统无切割ABC更接近名义水平，后者由于参数后验不确定性较大，长期限期权的预测区间往往过宽。³⁸表C2显示，使用错设模拟器与使用“正确”模拟器之间的预测覆盖率差异很小，支持作者关于误差不系统时错设模拟器仍可工作的判断。³⁹

附录图D1比较EM算法与Telescope算法拟合高斯混合模型所得后验。两者形状总体相近，但Telescope方法得到的相对后验质量为0.905，略低于EM算法的0.944；作者认为这种差异对预测覆盖率影响很小。⁴⁰

7.6 图E1：活跃期权合约数量

图E1显示，满足成交量至少为10、执行价距离S&P 500现货不超过20%的活跃看涨期权数量，长期呈明显上升趋势。2004年前后每日大约50份，2021年接近200份，期间还出现若干短期尖峰。²⁹, ⁴¹

这一趋势说明期权市场的横截面信息量显著增加，但同时也加大了传统固定维度统计模型的难度；这正是作者强调不直接为所有期权观测建立完整似然的现实背景。

八、风险、局限与批判性评价

第一，Heston模型本身明显存在结构错设。报告承认其没有纳入跳跃，而真实市场在金融危机和疫情期间往往存在剧烈跳跃，因此参数可能承担“吸收模型遗漏因素”的作用。²⁸, ³²

第二，方法依赖摘要统计量的选择。摘要统计量如果没有充分保留原始数据中与参数相关的信息，ABI后验就可能产生较大的近似误差；报告虽然参考既有研究设计摘要，但没有给出系统的充分性证明。¹⁰, ¹³

第三，错设模拟器的有效性依赖定价误差“不系统”这一条件。若误差随着期限、价内程度、流动性或市场状态变化，理论价格生成的摘要可能无法代表观测价格的参数信息；模拟实验中的第二种情形已经显示，当误差随期限和价外程度增大时，长期限预测覆盖率会恶化。¹⁵, ²⁶, ²⁷

第四，(\rho)被固定为0。现实中股票收益冲击和波动率冲击通常存在显著负相关，固定相关系数可能限制模型对隐含波动率偏斜和杠杆效应的解释能力。⁴

第五，高斯混合模型的拟合误差和组件数量选择会影响后验，但作者使用EM算法后没有纳入高斯混合参数本身的后验不确定性；报告明确承认这一层不确定性未被处理。¹⁶, ¹⁷

九、综合结论

总体而言，报告提出的不是一个宣称“理论定价更准确”的新模型，而是一套在理论模型可能错误、市场误差模型难以可信设定的情况下，仍能快速整合多源数据并进行概率预测的推断框架。其创新点包括：用理论模型生成模拟数据而不建立显式期权误差模型；用软切割灵活配置不同信息源对不同参数的影响；用高斯混合模型近似后验并支持极快的滚动更新。³²

实证和模拟证据共同说明，方法在短期限、接近平值期权上最有实用价值；长期限和极端价内程度合约对结构参数和尾部定价更加敏感，因此更容易出现区间过窄或覆盖不足。图表还显示，市场危机期间模型参数明显时变，支持采用滚动窗口和实时更新，而不是长期固定参数。³⁰, ³¹

作者的总体立场是积极支持模块化ABI作为实时期权预测工具，尤其强调其相对于模块化MCMC的数量级计算优势；但报告并未证明其在所有期限、所有执行价或所有理论定价模型下都具有稳健优势，未来仍需加入跳跃、多模块结构、更加丰富的高频跳跃摘要和更贴近市场的误差处理机制。³²