你请人画一张未来天气图，会提两个要求：一是别只押一个答案，要告诉你晴雨变化有哪些可能；二是图上不能出现自相矛盾的地方。期权市场也有类似难题。模型既要预测未来的隐含波动率曲面，又要让曲面上的价格关系尽量符合无套利规则。前者需要容纳不确定性，后者需要约束形状。把两件事塞进同一个模型，往往顾此失彼。
Lifeng Hao 和 Shaolin Ji 的这篇论文给出一个直接的办法：拆开做。第一阶段用 conditional diffusion model（条件扩散模型）生成多种可能的未来曲面；第二阶段用 Surface Aware Attention Module，简称 SAAM，对其中一张代表性曲面做横截面修正。它没有证明套利被严格“消除”，但在论文采用的有限网格诊断中压低了静态无套利残差，同时改善了对市场观测的拟合。
需要先说明，以下结果均来自这篇 arXiv 论文，尚无独立信源交叉验证。论文部分表格的具体数值在供稿文本中缺失，因此这里只引用原文明确给出的数字与比较结论。
一张曲面，为什么有两种任务？
隐含波动率不是未来实际波动率的直接预测。它是把期权市场价格代入定价模型后，反推出的波动率参数。把不同执行价、不同到期日的隐含波动率排列起来，就得到隐含波动率曲面（IVS）。交易者会用它做期权定价、对冲和风险监测。
这张曲面既随时间变化，也必须在同一时点保持内部一致。所谓静态无套利约束，是说不同执行价和期限的期权价格要满足一组形状关系，否则可能组合出不承担市场方向风险的确定收益。论文重点检查两类关系：一类是不同期限之间的 calendar spread 条件，另一类是不同执行价之间的 butterfly spread 条件。
问题在于，真实市场并不整齐。可交易合约的位置会随日期变化，近似平值、短期限处通常更密集，曲面两翼和长期限处更稀疏。买卖价差、插值、流动性差异和微观结构噪声，也可能让观测数据暂时偏离无套利形状。模型若一开始就把约束压得太紧，可能不再忠实于市场；若只追求预测误差，又可能交出彼此矛盾、难以直接使用的价格输入。
先别押一个答案
第一阶段做概率预测——不只给一个最可能结果，还描述多种未来结果及其分布。扩散模型原本是一类生成模型：它学习把随机噪声逐步还原成符合数据规律的样本。放到这里，它生成的不是图片，而是一组可能出现的未来波动率曲面。
模型以历史曲面为条件，反复采样得到一个 ensemble，也就是预测集合。整组样本保留下来，用于观察未来曲面可能如何分散；每个网格点上的 ensemble median（集合中位数），则拼成一张较稳健的代表性曲面，交给第二阶段。
这个分工很关键。单点预测像只报“明天最高 25 度”；预测集合则同时保留升温、降雨或天气突变等路径。对曲面来说，不确定性还不是均匀的。论文发现，预测区间会随 moneyness、maturity 和 sampling frequency 改变。moneyness（价内外程度）描述执行价相对标的远近，maturity 是剩余期限，sampling frequency 则是按日还是按分钟取样。深度价外、数据稀疏或短期变化剧烈的位置，可以出现更宽的区间。
研究使用 RiceQuant 的 CSI 300 index options 数据，时间从 2020 年 6 月 10 日到 2024 年 9 月 30 日。日频实验用一段滚动交易日窗口预测下一日；分钟级实验用过去 60 分钟，预测随后五个分钟级时点。原始合约位置并不规则，因此论文先用 Nadaraya–Watson kernel estimator——一种按距离给附近观测加权的平滑方法——重建连续曲面，再映射到固定网格供扩散模型学习。原始的散点市场报价另行保留，用于第二阶段监督。
与主要的循环神经网络基线 LSTM-Direct 相比，论文报告扩散模型中位数的 RMSE（均方根误差）在日频实验下降约 8.7%，在分钟级实验下降约 36.0%。RMSE 越低，代表预测与实际曲面的偏差通常越小。论文还用 CRPS（连续排序概率得分）评价整组概率预测，但供稿中的具体数值缺失，无法判断绝对改善幅度。
再把代表性曲面修顺
第二阶段不改写整组未来情景，而只细化其中位数曲面。SAAM 接收一个目标坐标，例如某个价内外程度和期限，然后从整张代表性曲面的所有网格点聚合信息，再输出该位置的修正值。
这和普通的逐点修补不同。一个点是否合理，往往取决于它与相邻期限、其他执行价之间的关系。SAAM 的 attention（注意力机制）让目标点按需要读取整张曲面，而不是只看局部邻居。论文设计了两个版本：Spatial Separation SAAM 主要按空间坐标决定信息从哪里来；Volatility Fusion SAAM 还把波动率水平加入信息路由，用全局平均波动率作为当前市场状态的提示。
训练时，SAAM 同时面对两套要求。一套要求它贴近真实市场散点；另一套在人工生成的密集坐标网格上检查期限方向和执行价方向的残差，并对违规部分加罚。输出层还保证隐含波动率为正，并通过总隐含方差的定义处理零期限边界。
论文称，日频实验中所有被比较方法在评估网格上都没有检测到 calendar 或 butterfly 违规，差别主要在市场拟合：Volatility Fusion SAAM 的 RMSE 最低，Spatial Separation SAAM 的 MAPE（平均绝对百分比误差）最低，两者都优于 MLP（多层感知机）修正基线。
分钟级结果更能说明取舍。MLP 基线在检查网格上的 butterfly 残差可以为零，但 RMSE 和 MAPE 明显更大。换句话说，曲面在诊断表上更规整，却离真实报价更远。论文称 Fusion SAAM 同时取得最佳分钟级 RMSE 与 MAPE，并把相关残差维持在接近零的水平。供稿没有给出这些指标的具体值，因此无法核算领先幅度。
值得关注的不是又一个模型
这项工作的核心价值，是把“描述未来”与“整理最终报价曲面”分成两个目标。扩散阶段可以保留市场未来的多种可能，不必为了几何规则过早压平分布；SAAM 则把交易和风控需要的一张代表性曲面单独拿出来，在市场拟合与残差控制之间寻找平衡。
这种拆分也让结果更容易诊断。预测不准，可以检查第一阶段；曲面关系不协调，可以检查第二阶段。论文对注意力权重的观察还提示，SAAM 做的可能是 adaptive cross-sectional refinement——随位置和市场状态变化的横截面修正——而不是固定的局部平滑。不过，这只是注意力图提供的提示性证据，不能证明模型必然以这种机制工作。
局限与未知
- 标题中的“消除套利”需要收窄理解。SAAM 使用的是软惩罚，并只在有限诊断网格上减少残差；论文明确说，这不是把曲面精确投影到连续的无套利集合，也不构成全局无套利证明。
- 论文的日频与分钟级改善均来自同一项研究。供稿未提供 Stage II 的完整误差、残差下降比例及预测区间覆盖率，因而无法判断效果大小和区间校准质量。
- 第二阶段比较的是完整 pipeline（处理流程），不是在完全相同输入下只替换修正模块的受控消融。因此，SAAM 的优势不能全部单独归因于注意力结构。