如果让 AI 替交易员准备明天的期权风险预案，只画一张“看起来像市场”的波动率曲面远远不够。它还得知道：股指下跌时整张曲面会怎样移动，后天的变化又如何接着明天展开。更重要的是，这些模拟情景能不能真的帮助对冲。
一篇新论文把扩散模型带进了这项任务。作者提出 AD-Seq-Vol，让模型联合生成标的资产收益和隐含波动率曲面；再用 AD-Seq-Vol-FT 加入静态无套利约束。最后，他们没有只比较图像是否逼真，而是把生成的情景放进对冲流程，用实际发生的下一日价格变化验收。
这是一个很有交易味道的评价标准。不过，本文的结果均来自作者论文及同团队代码，属于单一信源；部分表格数值在供稿文本中缺失，因此下文只报告材料能够支持的比较，不补写具体数字。
先说清楚，它在学什么
隐含波动率不是直接观测到的波动，而是从期权价格反推出来的参数。把不同执行价、不同到期日对应的隐含波动率排在一起，就得到一张隐含波动率曲面。交易员用它比较期权定价，也用它观察风险如何分布。
难点在于，这不是一组彼此独立的数字。同一天，不同执行价和期限之间存在横向联系；跨越多天，曲面又会随标的资产一起变化。只生成某一天的漂亮曲面，好比只伪造一帧逼真的天气图，却没有学会天气系统怎样移动。
论文的 AD-Seq-Vol 改变了生成顺序。模型先读取最近 21 个交易日的市场状态，再生成下一日的 SPX 对数收益和整张隐含波动率曲面。继续向前模拟时，它会把刚生成的结果写回历史，再据此生成下一天。换句话说，每一步只使用当时已经实现或生成的信息，不偷看未来。
这里使用的扩散模型，可以理解为一种“先把数据逐步弄乱，再学习怎样复原”的生成方法。训练完成后，模型从噪声出发，经过多轮去噪得到新的市场情景。论文把每日曲面向量化，并用 Transformer——一种擅长建模元素之间关系的神经网络——学习不同执行价、期限和历史状态之间的联系。训练和采样均使用 200 个步骤。
像市场，还不能自相矛盾
生成曲面还有一道金融约束：静态无套利。同一时点的一组期权价格，不应允许人们通过简单组合锁定无风险利润。论文检查三类关系：期限更长的看涨期权价格不应更低；执行价上升时，看涨期权价格不应上升；价格随执行价变化还应保持凸性。它们分别对应 calendar spread、call spread 和 butterfly spread 约束。
基础模型 AD-Seq-Vol 只从市场数据学习。作者报告称，它生成的静态套利违例在数量和严重程度上都低于训练数据，也低于 GAN 基准 VolGAN。GAN——生成对抗网络——让生成器和判别器互相较量来学习数据分布；论文认为，扩散模型的非对抗式训练更适合这里的高维条件生成。
AD-Seq-Vol-FT 又加了一轮后训练。模型每生成一张曲面，违反上述三类约束就会受到惩罚。按论文说法，违例由此降到“接近零”。这个措辞没有配套的明确阈值或置信区间，不能理解为已经证明严格无套利。它说明的是：在作者采用的离散网格和检查方法下，违规频率进一步下降。
真正的考题是对冲
论文更值得注意的部分，是把生成模型接进了数据驱动对冲。对冲就是持有标的或其他期权，抵消目标头寸随市场变化产生的损失。作者选取多头跨式组合——同时买入相同执行价和到期日的看涨、看跌期权——作为目标，并用 SPX 及同到期日、不同执行价的期权作为候选工具。
每个再平衡日，模型先生成一批下一日的联合情景。优化程序再寻找一组持仓，使目标组合与对冲工具在这些情景中的价格变化尽量接近，同时惩罚频繁调仓带来的成本。交易成本用当时买卖价差的一半做代理。随后，研究者用真实出现的下一日市场状态计算跟踪误差。这里的“跟踪误差”，就是对冲后仍未抵消的价格变化。
实验使用 OptionMetrics 的日频 SPX 期权报价，时间覆盖 2000 年 1 月 3日至 2023 年 2 月 28日。2018 年 6 月 16日以前的数据用于训练，2018 年 7 月 1日以后留作评估。比较对象包括 Black–Scholes delta 对冲、delta–vega 对冲和 VolGAN。delta 衡量期权价格对标的价格变化的敏感度；vega 衡量它对隐含波动率变化的敏感度。
按作者报告，扩散模型对冲的跟踪误差集中在零附近，尾部风险低于经典敏感度对冲；在 COVID-19 市场扰动期间，表现也较稳定。剔除 2020 年 2 月 13日至 7 月 21日后，其尾部优势仍然存在。作者还称，加入无套利后训练的 AD-Seq-Vol-FT 进一步改善了部分尾部指标，尤其是对波动率敏感的近平值跨式组合。
这些结果没有证明模型能够稳定赚钱。它们更准确的含义是：在这套样本外回测、候选工具和成本惩罚下，由扩散模型生成的情景支持了更稳定的局部对冲决策。论文公开了项目代码，便于复核实现。
为什么值得关注
生成式金融模型经常面对一个尴尬问题：样本看起来真实，不等于对决策有用。这篇工作把评价链条向前推进了一步：先生成标的收益与整张曲面的联合路径，再检查价格关系是否自洽，最后观察这些情景能否改善对冲。
这也解释了为什么动态生成比单张曲面生成更重要。交易员每天都要根据新信息重新配置头寸。一个只会复刻静态分布的模型，可能画得很好，却无法回答“在今天已经发生之后，明天更可能怎样变化”。AD-Seq-Vol 的关键价值，正是把不断更新的历史放进每一步条件生成。
局限与未知
- 全部主要结论来自同一篇论文，尚无独立研究交叉验证。“接近零”“显著降低”“尤其稳定”等表述缺少完整数值、置信区间和显著性信息。
- 回测结果会受到报价平滑、流动性、买卖价差代理、样本外划分及 COVID-19 子样本长度影响。样本内的低跟踪误差不能直接外推为真实交易收益。
- 当前约束只处理单个时点的静态无套利。论文也把沿整条路径施加动态无套利、扩展到多资产，以及减少扩散采样步骤列为后续方向。