波动率预测走进图模型

一张期权市场的“天气图”，今天和昨天往往彼此相关。可不少模型只盯着今天这一帧，像看一张静止的卫星云图，却不追踪云层怎样移动。问题也就来了：图上各处的变化明明互相牵动，模型却可能漏掉这种连续关系。

一篇最新 arXiv 预印本提出换个角度：不再把隐含波动率曲面当图片，而把它看成一张每天都在变化的关系网络。作者把这套方法称为 Finance-Aware Graph Spatio-Temporal Network，简称 FA-GSTN。目标是预测未来的实际波动率（Realized Volatility，RV）——也就是用之后真正发生的价格变动，衡量市场到底有多颠簸。这项工作的数字和结论目前都只来自论文作者的实验，尚无独立复现。

曲面不是照片，而是一组会变化的关系

先解释它处理的数据。隐含波动率（Implied Volatility，IV）是从期权价格反推的市场波动预期，并不是对未来波动的直接观测。把不同行权价、不同到期日的 IV 排在一起，就得到一张隐含波动率曲面。它同时装着市场对期限和涨跌尾部风险的定价信息。

此前的机器学习方法常把这张曲面当作单通道图片，交给 CNN——擅长识别局部图案的卷积神经网络——或 Vision Transformer（ViT）处理。它们能看出一天之内的形状，却通常逐日处理快照。作者认为，这会忽略曲面如何从前一天演化到后一天。

FA-GSTN 因而把曲面上的每个网格点设为一个节点。节点之间有两类边：一类连接同一天内的不同位置，表示期限和 Delta 维度上的联动；另一类把同一位置跨日连接起来，记录连续变化。这里的“时空图”并非地图：“空间”指曲面各位置的金融联系，“时间”则是这些位置怎样逐日演化。

模型观察过去 22 个交易日，预测未来 28 个日历日的 30 日实际波动率。数据来自 OptionMetrics IvyDB，覆盖 2012—2022 年。

它到底新在哪？

关键不只是把网格连成图，而是让连接方式贴近这个问题。

同一天内，节点的连接强度并非完全固定。模型会根据 Delta—到期日空间中的“金融距离”学习哪些位置更值得互相传递信息。跨日方向则设置明确的时间链，把昨天的同一节点接到今天。随后，时空图卷积模块分别汇总同日邻居与前后日期的信息，再更新节点表示。

每个节点也不只携带原始 IV。作者加入 Delta、Vega 和 Charm 等期权 Greeks——它们描述期权价格对标的价格、波动率及时间变化的敏感程度。这里的用意，是给模型一份金融上的先验提示：数据不多时，不必完全从零猜测每个位置意味着什么。

金融数据还有一个麻烦：短期噪声和异常值很多。FA-GSTN 同时看原始序列、5 日简单移动平均和 10 日指数加权移动平均，再用一个可学习的“门”决定每个节点、每个时点更该相信哪种尺度。训练时，它还采用 Adaptive Robust Loss——一种会随批次噪声调整边界、降低极端残差权重的稳健损失函数，避免少数异常值过度牵引模型。

最后，模型用注意力读出机制给各节点分配权重，把整张图压缩成一次 RV 预测。可以把它理解为：先追踪曲面各处如何结伴移动，再判断哪些位置与未来波动最相关。

实验数字说明了什么？

论文用样本外决定系数 $R^2$ 比较 FA-GSTN、把曲面摊平输入的多层感知机（MLP），以及不同规模的 ViT。

在分别使用 1 年、4 年和 10 年训练数据的实验中，FA-GSTN 报告的 $R^2$ 为 0.372、0.425 和 0.473，三个设置都高于表中的基线。数据最少时，最佳 ViT 为 0.315，FA-GSTN 为 0.372；作者据此计算为约 18% 的相对提升。数据增至 10 年后，表现最好的 ViT_1.7M 为 0.403，FA-GSTN 为 0.473。作者称其达到新的 state of the art，但这仍是论文自己的判断。

消融实验更能说明增益来自哪里。在以 2018—2021 年训练、2022 年测试的设置中，完整模型的 $R^2$ 为 0.482。去掉跨日时间边，分数降至 0.352，是最大跌幅；把自适应空间连接换成固定连接后降至 0.401；移除 Greeks 后降至 0.412。换句话说，最重要的不是模型单纯变复杂，而是它确实利用了曲面的跨日演化和节点关系。

噪声处理也有可见贡献。去掉时间平滑后，$R^2$ 从 0.482 降至 0.428；仅把多尺度序列并排输入、不让门控动态选择时，得分为 0.458。把自适应稳健损失换成均方误差（MSE），得分则降至 0.435。

为什么值得关注？

这篇工作的价值，在于重新定义输入。过去的问题像“从今天的曲面形状里找信号”；FA-GSTN 问的是“这张曲面内部怎样联动，又怎样随时间变化”。对波动率预测而言，这个角度更接近实际使用场景：风险管理、衍生品定价和波动率交易关心的，本来就不是一张孤立快照，而是市场预期正在往哪里走。

它还展示了一种值得继续检验的路线：把金融结构写进模型，而不是只靠更大的通用视觉模型吞数据。论文的一年训练设置中，移除 Greeks 会令 $R^2$ 从 0.372 降至 0.312；在十年设置中则从 0.473 降至 0.442。至少在作者的实验里，金融先验在数据较少时更有帮助。

局限与未知

• 这仍是一篇单一来源的 arXiv 预印本。SOTA、数据效率和稳健性均为作者自述，没有独立复现或交叉验证。
• 论文把 2020—2021 年作为压力期，并报告 FA-GSTN 相对更稳健；但两年结果并非都好。例如四年训练设置下，2021 年 $R^2$ 仍为 -0.088，只是好于三个 ViT 基线的 -0.282 至 -0.322。
• 现有证据来自特定 OptionMetrics 数据、30 日 RV 目标、22 个交易日回看窗口和 28 个日历日预测期限。能否迁移到其他资产、期限或数据来源，论文没有给出验证。