backbone 兼容性_再闲谈波动率3——所谓波动曲面的“轴”Backbone

本系列依然偏向建模，与“预测”，“交易策略”，”期权策略“等贴近交易的内容不直接相关。不感兴趣的知有可以右上角了

前言：

首先本篇的契机是这个问题：

https://www.zhihu.com/question/322043692/answer/668701932​www.zhihu.com

本篇并接的并不是系列的第二篇，而是第一篇

黑猫Q形态：再闲谈波动率1——Vega到底是什么东西​zhuanlan.zhihu.com

的结尾：

那么，聪明的人会这么想： 既然这样，为什么不能让波动率反过来是Spot的函数呢？ 实际上，如果不是因为波动率是Spot的二阶统计量这一尴尬的事实，这么做或许是可行的。那么我们把这个想法修改一下：我们让波动率是在值度的函数，然后我们定义比对数在值度一个更合理的在值度量就好了。

因此，最后一个delta可能就变成了：

在暂时不谈strike K是S的一个函数的这种特殊产品(条款或payoff）的情况下，上式可以简写为：

为什么谈Vega的文章最后会牵扯到Delta，是因为只要承认了“为什么不能让波动率反过来是Spot的函数呢 ”这样的思路，或者是承认了波动率不可避免的被Und的dynamic改变这个事实，我们就会清楚地知道一点：

Vega会"污染"几乎所有其他度量(AP当中用了“泄漏”这个词，黑猫自己更中二的用了“污染”）

那么这个“污染”的程度

，就是被称为Backbone的，姑且翻译为“轴”的度量。

正文：

首先我们知道波动率本身是一个需要定义的度量，因此能用到

形式的模型，必须是一个接受波动率（或等价波动率）本身作为输入的模型。 因此绝大部分backbone都是基于BSM框架下的，于是我们用

来表示。

有人会表示“BS是做了一万个不切实际假设的虚假模型啊，那这个度量是不是就是虚假度量？”为了解决这个问题，对以其他模型，如果要使用backbone来定义vega对其他度量的缩放度，他必须有一个等价的BS implied Vol。 这个其实是很好办到的，无论是参数法还是事后对BS二次校准。（事实上，由于implied 自BSM的IV曲面是一个绝大部分人都接受的度量方式，因此任何模型假设下都要考虑BSM的兼容性，因此大部分模型都遵从了：dynamic —— 曲面的dynamic参数形式 —— BSM的逻辑）

那么接受了backbone这一设定后，所有的BSM框架下的Greeks都或有且对应的修正版本。 Delta我们上面提过了，这里主要讨论gamma，经过一些简单的求导计算我们得到“

其中

就是传说中的Vanna，用来修正Gamma的一个度量。 不严格的来说，修正项的第一部分

，是gamma有关于vol skewness（或者说vanna）的修正，被称之为skewness adjustment， 第二部分

是gamma有关于vol convexity(或者说vogla，这里没有直接体现出来）的修正，被称为smile adjustment。

而实际中像

之类的项，即使是考虑的backbone的度量除了定性分析（主要是判断影响来源和正负）的时候，不会一直像这样用链式法则去推，因为在一些存在backbone的dynamic都有其对应的BS曲面参数化表示，而这些参数化自身都有特定的skewness adjustment和smile adjustment部分。

backone的影响之一就是他会改变vol surf自身的dyanmic。 我们称实际Delta = BSDelta的情况下的曲面为sticky delta dynamic曲面（sticky xx是一种简单大致描述vol surf 自身dynamic的术语，流行与交易员中）。而由于backone的”污染“，实际Delta ！= BSDelta，会导致的直接结果是一旦und改变，vol surf（特别是ATM点，而因为ATM点很大程度上决定真个曲面的位置，因此曲面”看起来“就会沿着ATM点的函数移动）就会做近似沿着一条以Und的函数F(S)为轨道的移动，这也是backbone（尤其是ATM backbone得名的intuition）

以最经典的Hagan 2002

https://scholar.google.com/scholar?q=hagan+managing+smile+risk&hl=en&as_sdt=0&as_vis=1&oi=scholart​scholar.google.com

中所举为例:

在Sabr模型中，（ATM）backbone（在sabr模型中，atm backbone本身就是atm iv的值）为

,我们可以很直观的看到vol surf（atm vol）沿着backbone移动。

在AP红第八章及AP蓝第十六章中提到，Stochastic Vol model和Local Vol Model最大的一个不同点之一就是backbone。SV的backbone与参数rho相关，多为正(

)，而LV的backbone则多为负(

) （其背后原因极其深刻，有机会可以细讲）

由于backbone对决定vol surf位置的重要性，大多波动曲面参数化都需要用backbone来override曲面的必要（Sabr是其中处理的很好的典范）。

如无意外本系列之后的内容将分别为基于Displace Lognormal Dynamic 的backbone模型和基于Sabr 展开的backbone模型。

后记和吐(si)槽(huo):

vol surf dynamic是一个深坑， 这是一个集合了und dynamic ， vol surf parameterization， vol skewness and smile, calibration 等等问题的综合话题。由于其过于变态，黑猫不敢说自己有能力写这个话题的概述。

但是作为一个vol surf dynamic的切入点，backbone是一个很好入手且很好理解的概念，它的定义简单，有直观的动机和figure，更重要的是他能很好处理一些常见度量计算中的问题（比如系列第一篇中的那一系列challenge）。这是任何一个衍生品modeler，乃至desk都需要掌握的。

所以姑且，斗胆说一句，本篇真的不能再算作虚假理论了（虽然还是跟交易无关，逃

啊噗，说笑了，依旧是虚假理论，望这些“被时代淘汰的虚假内容”能帮助一些从业者和学习者。

reference：

Vol Smile by Peter Nowak∗ and Patrick Sibetz†

http://www.fam.tuwien.ac.at/~sgerhold/pub_files/sem12/s_sibetz_nowak.pdf​www.fam.tuwien.ac.at

MANAGING SMILE RISK by PSHagan,D Kumar,AS Lesniewski

https://scholar.google.com/scholar?q=hagan+managing+smile+risk&hl=en&as_sdt=0&as_vis=1&oi=scholart​scholar.google.com

Interest Rate Modeling Volume I and III by Leif B.G. Andersen and Vladimir V.PiterBarg(AP红和蓝)