波动率曲面：生成模型也要守套利红线

想象一台自动报价机。它生成的期权波动率曲面看起来很平滑，与历史数据也很像；但把曲面换算回期权价格后，你发现可以买入一组期权、卖出另一组，同时锁定无风险收益。对交易系统来说，这不是一点视觉瑕疵，而是产品不合格。

Jing Wang、Shuaiqiang Liu 和 Cornelis Vuik 的这篇 arXiv 预印本，把问题从“怎样训练出更像的数据”换成了“生成模型的哪些内部坐标可以安全使用”。他们把静态无套利约束映射进潜在空间，为每个坐标算出一项安全余量，再寻找合规区与违规区的边界。值得关注的地方不在于又设计了一个生成器，而在于它提供了一套检查既有生成器的几何框架。

本文的理论、数字与效果判断均来自这一篇尚无独立复现或同行评审支持的预印本。

一张好看的曲面，未必是一张能交易的曲面

隐含波动率曲面，是把不同执行价、不同到期日的期权价格换算成的一张波动率地图。交易员用它报价、插值和管理风险。生成模型则把少量隐藏坐标映射成整张曲面；这些坐标所在的压缩表示，就是潜在空间（latent space）。

问题在于，拟合准确不等于价格关系正确。期权价格还要满足静态无套利约束：在适当处理贴现、远期价格和分红后，价格沿执行价方向要符合单调性与凸性，沿到期方向还要满足日历价差约束。否则，不必预测市场涨跌，也可能通过同时买卖一组资产锁定收益。

论文把生成器固定下来，将它视为一个确定性映射：输入潜变量 $z$，输出一张曲面。随后检查曲面上的日历与蝶式无套利条件，并取所有约束中最差的一项，压缩成标量 margin，记作 $m(z)$。

• $m(z)>0$：曲面严格合规，还留有余量。
• $m(z)=0$：至少一项约束刚好触线。
• $m(z)<0$：曲面违反了检查范围内的约束。

所有满足 $m(z)\ge 0$ 的坐标组成 admissible latent set，也就是“可用潜变量集合”。这样一来，无套利检查不再只是生成后的红灯或绿灯，而变成潜在空间里一张有区域、有边界的地图。

红线在哪里？先把它画出来

这套方法最关键的一步，是把零散约束汇总成一个连续的 margin。若生成器和 margin 满足论文列出的连续性条件，那么一个 margin 严格为正的潜变量，在足够小的扰动后仍然合规。说白了，安全区内部不是一碰就碎；离红线还有距离，就允许一定幅度的移动。

但“零 margin”不总是自动等于真正的边界。某个函数可能只是碰到零，又回到正值，并没有跨进违规区。论文因此增加了非退化条件：在局部可微且梯度不为零的零点附近，零 margin 集合才与合规区边界重合，并形成一个局部光滑的超曲面。这是有条件的局部结论，不是对任意生成器的无条件保证。

为了计算这条边界，作者引入 level-set 方法——用一个标量函数的等值面表示边界，适合处理弯曲、分叉或带孔的区域。论文构造了一条 Hamilton–Jacobi level-set 方程，使局部界面朝 zero-margin set 移动，并在 margin 为零处停下。不过作者明确限定：分析证明的是正则零点附近、沿固定法线方向的局部吸引，不等于任意初始界面都能找到所有边界，也不保证全局收敛。

这一视角与训练架构相对独立。只要模型给定一个潜变量后会确定性地产生一张曲面，就可以套用同样的 margin 分析，包括 VAE、GAN、normalizing flow 等。这里的重点是最终那张“潜变量到曲面”的地图，而不是地图当初怎样训练出来。

拟合误差相近，安全区域可以差很多

作者先用两个边界已知的解析例子检查数值方法。随着网格加密，重建边界的残差呈现与一阶精度一致的下降趋势。这说明算法能在受控例子中找回已知答案，但还不能替代真实市场检验。

更有现实意味的是 Heston 合成曲面实验。作者生成了 30,000 张曲面，每张覆盖 28 个到期日和 28 个对数价内外程度位置，再训练一个二维潜变量的全连接 VAE。数据按 70%、15%、15% 分为训练、验证和测试集，并用五个随机种子重复训练。

选定架构把平均测试 IV-RMSE——隐含波动率重建误差——从基线 VAE 的 0.01017 降至 0.00646。五次训练的误差非常接近，范围只有 0.00639 至 0.00653。但它们的无套利几何并不相近：测试集严格合规比例介于 92.7% 至 99.0%，固定潜在空间方框内的合规面积占比为 33.4% 至 42.1%，标准高斯先验落入合规区的概率则为 92.1% 至 98.1%。

这组差异揭示了一个容易被重建误差掩盖的问题。Seed 3 的 IV-RMSE 为 0.00645，几乎没有异常；可它的测试集合规率、方框合规面积和先验合规概率都是五次训练中最低，分别为 92.7%、33.4% 和 92.1%。模型把曲面还原得准，不代表它在潜在空间里留下了同样宽阔的安全区。

面积与概率也不是一回事。五个模型在固定方框中的平均合规面积约为 39%，高斯先验下的平均合规概率却约为 97%。原因是先验和已编码样本大多集中在中央合规区，均匀计算方框面积则给外围区域更多权重。因此，评价生成器时只报“生成样本有多少合规”仍不完整；还应看安全区有多大、先验把多少概率压在里面，以及边界由哪项约束主导。

在一组细查中，2,498 个精细化边界点里有 2,491 个由执行价凸性约束决定，余下 7 个由看涨期权价格下界决定。至少在这套 Heston 合成数据、有限网格和训练设置中，潜在空间的红线几乎都由凸性画出。

边界还能拿来“推回安全区”

作者还尝试修正违规坐标：从 Seed 0 的高斯先验样本中挑出 40 个 margin 较差的点，沿当前活跃约束的 margin 上升方向做局部移动。其中 33 个达到目标 margin，路径位移中位数为 0.872；7 个没有成功，而且起点离边界较远。

途中主导约束也会变化。最终位置上，40 条路径分别有 24 条受价格下界约束主导、9 条受日历单调性主导、7 条受执行价凸性主导。这说明“朝当前最危险约束的安全方向走”未必能一路奏效。边界可以帮助修正，但论文没有证明修正必然成功、全局收敛，或始终保持生成质量。

为什么值得关注

机器学习处理金融对象时，最危险的错觉之一，是把统计相似当成业务可用。这篇论文提供了一个更贴近交易的问题表述：除了问模型生成得像不像，还要问它在哪些潜变量区域里不会越过套利红线。

这也给模型比较增加了新的坐标轴。重建误差衡量“像不像”，合规面积衡量“安全区多大”，先验合规概率衡量“实际采样有多大机会落在安全区”，边界上的活跃约束则说明“最容易在哪里坏掉”。四者回答的是不同问题，不能互相替代。

局限与未知

• 论文检查的是有限曲面网格上的六项价格约束。离散网格 margin 为正，并不自动保证整个连续执行价—到期域无套利；有限区间之外还需要相应的尾部与边界条件。
• Heston 实验使用合成曲面，不能直接证明方法在真实市场数据、市场噪声或更高维潜在空间中同样有效。计算量也会随潜变量维度上升。
• 理论针对每个潜变量确定输出一张曲面的 realization map。若随机解码器只取条件均值，均值合规不代表每一次随机生成都合规。