粗糙波动率之后：拆开记忆与尺度

想象你在调一台相机：一个旋钮既控制焦距，又控制曝光。两项设置偶尔恰好合拍，但只要你想单独改一项，另一项也会被迫跟着动。Andrey Itkin 的新论文认为，常见的粗糙波动率模型也有类似问题：同一个参数既决定波动在不同时间尺度上如何变化，又决定过去会在多大程度上影响现在。

这不只是数学上的不整洁。尺度规律和记忆本来是两件事。如果市场数据显示它们不能由同一个参数同时解释，模型就很难判断究竟是哪一部分出了偏差。论文因此引入广义朗之万方程（generalized Langevin equation, GLE），试图把两者拆开建模、分别校准。

这项工作目前更像一套新的研究框架，而不是已经可以投入交易台的完整定价模型。论文在现实历史数据口径下检验了若干受限版本，但风险中性定价以及 SPX–VIX 联合校准仍留给后续论文。以下结论也都来自这篇单一论文，尚无独立信源交叉验证。

一个参数，为什么不够用？

粗糙波动率（rough volatility）描述的是这样一种现象：瞬时波动率的路径非常不规则，甚至比普通布朗运动更“毛糙”。这类模型常被用来解释短期期权曲面的形状。

其中常见的数学工具是分数布朗运动（fractional Brownian motion, fBm）。它用 Hurst 参数描述过程的粗糙程度和时间相关性。问题也出在这里：一个参数同时管着两件逻辑上可以独立变化的事。

第一件事是尺度。观察窗口从一天缩短到一小时，波动的统计特征如何变化？第二件事是记忆。几天前的波动冲击，今天还留下多少影响？

可以把它们理解成声音的音量和回声。音量描述当下信号有多强，回声描述过去的信号会拖多久。两者可能有关，却没有理由必须由同一个旋钮锁死。论文所谓“拆开记忆与尺度”，就是要解除这层绑定。

广义朗之万方程源自非平衡统计物理。它与简单的随机扰动模型相比，多了一种明确处理历史影响的办法：用记忆核（memory kernel）描述过去各个时点对现在的作用。

论文把 GLE 移植到随机波动率建模中，并用三个部件分工：记忆核 $K$ 、势函数 $U$ 和噪声协方差 $C$ 。

$K$ 管记忆。它描述一次冲击如何随时间衰减，也让“市场记得多久”成为可以单独研究和测量的对象。 $C$ 管随机扰动的相关结构。 $U$ 则像一张地形图，规定方差过程更容易停留在哪里、又会怎样被推回去。

重点不在于把一个旧参数换成三个新符号，而在于重新划分职责。模型不再预先要求短尺度的粗糙程度与长期记忆服从同一套约束。研究者可以分别问：数据需要怎样的尺度律，又需要怎样的记忆结构？

论文还给 $U$ 加入非对称性，用来描述方差偏斜（variance skew）——也就是方差过程自身分布的不对称，而不只是市场下跌时波动上升得更快。

传统做法常通过价格与方差的相关性表达后一种现象，也就是通常所说的杠杆效应。Itkin 主张，非对称势函数能够触及仅靠价格—方差相关性无法刻画的效应。不过，这目前仍是作者在论文中的单方结论，材料没有提供可供本文展开比较的量化结果。

论文使用公开数据集，在 physical measure 下进行检验。这里可以把 physical measure 理解为面向现实历史变化的统计口径，而不是为衍生品定价构造的风险中性口径。

作者报告，数据拒绝了这套 GLE 模型类别中的两个受限情形。

一个是无记忆的杠杆效应。说白了，如果模型假定价格与波动之间的影响只发生在当下、过去不留下额外痕迹，数据并不支持这一限制。

另一个是时间反演对称性。它要求过程顺着时间看和倒着时间看具有相同的统计结构。论文的检验认为，这个对称限制也不能保留。

原文使用了较强的“decisively reject”表述。但现有材料没有披露数据集名称、样本区间、检验统计量、显著性水平或稳健性结果，因此更稳妥的说法是：论文报告其检验拒绝了这两个受限版本，结论强度暂时无法独立判断。

至于粗糙波动率最核心的尺度约束，论文没有宣布将其推翻。作者称，现有检验受到识别（identification）限制——也就是数据或检验设计还不足以把相近解释可靠地区分开。因此，这一结果既不能写成“粗糙波动率已被证伪”，也不能当作它再次获得支持。

这篇论文的意义，不在于又提出一个更复杂的波动率方程，而在于改变提问顺序。

fBm 框架先把尺度与记忆绑定，再看数据能否适应。GLE 框架则允许数据分别决定两者。这样做可能帮助研究者定位误差：如果短尺度规律吻合、长期依赖却不吻合，不必连同整个结构一起调整；反过来也一样。

非对称势函数提供了另一层分工。价格—方差相关性继续描述两者如何共同变化，势函数则负责方差过程自身的非对称性。至少在概念上，这比让一个相关系数承担所有偏斜现象更清楚。

对定价和校准而言，这条路线的吸引力也正在这里：模型可以拥有更有针对性的旋钮。但更多自由度是否真的带来更好的可识别性、更稳定的校准和更可靠的样本外表现，当前材料还没有回答。

现有供稿虽标为论文全文材料，实际只提供了摘要式内容。数据集、样本区间、检验方法和具体数值均未披露，无法评估拒绝结论的力度。
“核心粗糙尺度约束”具体对应哪项参数限制，以及识别为何失败，材料表述不够清楚。它目前应被视为未决问题。
风险中性构造与 SPX–VIX 联合校准尚未完成，作者计划在 companion paper 中开发；使用行业级数据的验证也仍是未来方向。因而这项工作现在证明的是框架和历史数据检验的可能性，还不是完整的期权定价方案。