你知道美联储哪天开会，却不知道市场会提前几天紧张，也不知道这份紧张会堆在哪类期权上。它可能主要挤在马上到期的合约里，也可能沿着期限和执行价扩散。Adamski 与 Slepaczuk 的研究把这个问题变成一张“天气图”：观察并预测 FOMC 公告前后，整张隐含波动率曲面如何变化。
隐含波动率曲面（IV surface）是把不同执行价、不同期限的期权价格换算成市场隐含的波动率，再铺成一张二维表面。看整张曲面，而不只看一个指数，能分辨事件风险集中在哪个期限、哪个涨跌方向。论文使用的是 CBOE 的 S&P 500 指数期权报价，覆盖 2016 至 2025 年。统计分析采用五分钟数据；预测使用每个交易日美东时间下午 2 点的快照。训练集为 2016—2023 年，2024 年用于验证，2025 年用于测试。
本文所有结果均来自这一篇 arXiv 论文，尚无独立信源复核。
会前的紧张，先挤进短期期权
FOMC（Federal Open Market Committee）是美联储决定政策利率与货币政策立场的机构。会议日期事先公布，因此市场不知道决定内容，却知道不确定性何时揭晓。论文研究的是揭晓之前的风险溢价，而非公告内容公布后价格往哪边跳。
作者先查看原始期权数据。对期限极短的平值期权——执行价接近当前标的价格的期权——平均隐含波动率大约在公告前两天开始高于普通交易日。到公告日、下午 2 点会议开始前，增幅最高可达 50%。随后，即使会议尚未结束，隐含波动率也开始下降。同期的已实现波动率，也就是标的价格实际发生的波动，要到会议开始后才上升。
两者的时间差很关键。期权市场在消息揭晓前就为不确定性付费；现货市场则在消息出现后才真正动起来。
这种效应沿期限迅速减弱。稍长期限仍能看到相似但较淡的形状；对于公告后十天到期的期权，论文称会前抬升已经很少或几乎看不到。Mann–Whitney U 检验也给出相同方向的证据：零日到期看涨期权在会前一天已大面积出现显著差异，越靠近公告，结果越显著；平值区域最早发生变化。两天后到期的期权也有类似模式，但显著变化出现得更晚、更靠近会议。
这与论文最初关于价外期权的猜想并不完全一致。价外期权（OTM option）当前没有立即行权价值，价格很大程度来自未来剧烈波动的可能，常被用来观察尾部风险。但作者在较正式的检验中发现，效应反而更集中于平值附近。他们同时提醒，曲面两翼的数据质量和流动性较差，因此这个结论覆盖的主要是靠近平值的区域。
把曲面当成一段移动影像
预测整张曲面有一个实际麻烦：每天活跃的执行价和剩余期限都在变化，原始数据像一张不断缺格、换格的网。作者先用三种办法把它整理到固定网格上：线性插值、Ad-hoc Black–Scholes（用多项式整体拟合曲面）和 SVI（Stochastic Volatility Inspired，一种按期限刻画曲面形状的参数模型）。同时比较三种构造，是为了避免最终结果只由某一种平滑方法决定。
在固定网格上，模型使用 convolutional two-dimensional LSTM。LSTM 是一种处理序列的神经网络，会保留过去信息；二维卷积则像一个小窗口，在曲面的相邻位置间滑动，寻找局部关系。两者合起来，模型既看曲面随时间怎样移动，也看不同执行价和期限之间怎样联动。作者的直觉很直白：把每日曲面看成一帧图像，把连续多日看成一段短片。
这也绕开了常见的降维做法。降维会先把整张曲面压缩成少数几个因子，再预测这些因子；本研究让模型直接读取并预测固定网格上的曲面，因此可以直接检查误差究竟集中在哪个期限和执行价。
日历本身也是一条信息
论文的关键增量，是把预定 FOMC 日期作为外生特征加入模型。所谓外生特征，就是并非由过去期权价格推算、而是从系统外部提前知道的信息。会议日记为 1，次日记为 -1，普通交易日记为 0；另一条网络分支据此调整曲面上的各个位置。
这条信息有一个少见的优势：未来会议日期早已公布，无须先预测特征本身。问题只剩下模型能否学会“公告前升温、公告后降温”的模式，以及加入日历后是否真的提高准确率。
作者用随机游走作为基准：直接把今天的曲面当作明天的预测。它看起来简单，却是金融预测中很难持续击败的对手。只有模型稳定胜过它，额外复杂度才说明数据中确实存在可利用的信息。论文用均方根误差衡量预测偏差的大小，并用平均百分比误差观察预测是否系统性偏高或偏低。
为什么值得关注
这项工作的价值不只在于预测一次会议。它提供了一套统一框架：先测量预定事件怎样改变风险定价，再把事件日历送入模型，最后检查信息价值落在曲面的哪个位置。对交易者来说，这比一句“会议前波动率会上升”更具体。期限选择、执行价位置和持有时间，都能放到同一张图里讨论。
研究也给出一个克制的提醒：隐含波动率曲面本身噪声很大，机器学习相对基准的优势可能因此受限。论文摘要称模型在“异常日”也能有效预测，但没有在所给结论中量化这种有效性，也没有清楚界定“异常日”。因此，更稳妥的理解是：框架展示了捕捉事件日曲面动态的可能性，而不是已经证明机器学习在所有 FOMC 日都稳定占优。
局限与未知
- 论文没有在摘要性结论中给出模型相对随机游走的具体误差改善幅度，不能据此判断优势是否具有交易意义。
- 曲面两翼的数据质量和流动性较弱，因此“平值效应更强”不能自动外推到所有价外期权。
- 全部证据来自同一篇 arXiv 论文，且“异常日”的定义含糊，预测结论仍需独立复核。