你手里只有九块拼图，却要补出整幅地图，还不能把道路接错。期权交易台每天面对的正是这类问题：市场在少数执行价和到期日上有报价，但定价、对冲和风控需要一张连续的隐含波动率曲面。隐含波动率（IV）是从期权价格反推的市场波动预期；把不同执行价、不同期限的 IV 连起来，就得到交易台常用的曲面。
Haochen Luo、Sifan Lin、Xiaolong Luo、An Binh Minh、Yuan Zhang 和 Chen Liu 的论文提出 Additive Martingale（AddMart）。它不直接猜缺失位置的 IV，而是先构造一组合法的风险中性分布，再从分布算回期权价格和 IV。风险中性分布不是现实涨跌概率的预测，而是市场价格在无套利条件下隐含的定价分布。这个绕路看似更远，却让无套利约束进入模型骨架，而不是等曲面生成后再检查和修补。
以下结果均来自这篇 arXiv 论文，尚无独立信源交叉验证。
难点不是把空白填满
补曲面最直观的办法，是让模型根据已有报价直接预测其他位置。但一张数值上很平滑、误差也很小的曲面，仍可能藏着套利机会。
这里说的是静态无套利：同一时点的一组期权价格必须满足基本的大小关系，否则可以用一组同时建立的头寸锁定利润。沿执行价方向，看涨期权价格应随执行价上升而下降，并保持凸性；否则会出现“蝶式套利”。沿期限方向，同一标准化执行价的期权价格不能随期限变长而降低；否则会出现“日历套利”。
一些学习方法把这些规则写成训练时的惩罚项。模型违反得越多，损失越大。问题在于，惩罚通常只检查有限网格，也要在拟合精度和约束强度之间取舍。通过检查不等于网格之间也安全。直接预测 IV 还有另一层麻烦：对曲面做二阶求导以恢复风险中性密度时，微小的局部弯曲误差会被放大，甚至产生负概率。
不猜曲面，先造一条合法的价格过程
AddMart 换了输出对象。它学习的是指数加性鞅的增量分布。鞅可以粗略理解为：在当前信息下，下一步数值的条件期望仍等于当前值。风险中性定价借助这种结构，把“不能凭空赚取确定利润”转成可计算的价格约束。
可以把它想成搭积木。每一个期限区间对应一块随机增量积木，各块彼此独立、非负，并经过归一化，使乘起来的价格过程保持单位期望。模型先预测每块积木可能取什么值、概率多大，再通过线性卷积把增量逐段合成。卷积在这里就是把前后两段随机变化的各种组合及其概率汇总起来。
这一步是论文的关键。每个期限得到的边际分布都是非负、总质量为一的有效概率分布；随着期限增加，这些分布又按“凸序”扩张。凸序可理解为：均值不变，但远期分布允许更分散。前一个性质保证执行价方向的凸性，后一个性质保证期限方向的单调性。因此，静态无套利来自构造本身，不依赖模型是否把惩罚项优化到足够小。
模型的输入是一组顺序无关的报价。编码器先把每条报价变成特征，再用两层 Transformer 汇总整组信息；不加入位置编码，并对报价取平均，所以交换输入顺序不会改变结果。随后，模型为各期限区间输出由八个高斯成分组成的混合分布，用来表达不对称或多峰的变化。解码器没有可训练参数，只负责完整线性卷积、期权定价和 IV 反演。
论文主实验的参考报价来自三个目标期限——7、30 和 90 天——与三个 Delta 位置的组合，也就是每张曲面使用九个参考报价。其余合约都作为待重建目标。训练只拟合预测 IV 与市场 IV 的差异，不再加入蝶式或日历套利惩罚。
九个点，能补到什么程度？
作者使用商业数据商提供的 OPRA 最优买卖报价，以买卖中间价定价。十个数据集包括 SPY、QQQ、IWM、AAPL、GOOGL、META、NVDA 的日频数据，以及 SPY、QQQ、IWM 的分钟级数据，合计约 4010 万条期权报价、70,027 张曲面。2025 年 2 月 1 日以前的数据用于训练和验证，之后的数据用于测试。
在七个日频资产中，AddMart 在六个资产上取得最低的全区域 IV 平均绝对误差，只有 NVDA 由 HyperIV 略占优势。若只看流动性较好的“可靠区域”，AddMart 领先三个 ETF，HyperIV 则在四只个股上略好。分钟级数据中，AddMart 在 SPY 和 IWM 的两项误差指标上最好，QQQ 则由 GNO 领先。原文抓取材料没有保留这些误差表中的具体数值，因此不能判断优势究竟有多大。
更鲜明的差别来自套利审计。论文称，在五个随机种子、16 个月测试期的 2,500 张受审计模型—日期曲面上，AddMart 在统一的完整支撑价格网格中没有出现超过数值精度的日历或蝶式违规。SSVI 也得到零违规，但需要为每张曲面单独优化；AddMart 训练完成后只需一次前向计算。这里应谨慎理解：这是论文在指定假设、网格和数值精度下的实验结果，不能写成对所有市场情形“绝对零套利”的实证证明。
消融实验也支持结构本身的重要性。作者把完整线性卷积换成裁剪卷积或循环卷积后，IV 误差仍相近，却出现了可测的日历套利违规。换句话说，精度接近不代表结构合法；守住约束的是完整支撑的线性卷积。
为什么不只看拟合误差？
风险管理真正需要的往往不是一张好看的曲面，而是曲面背后的分布。论文展示的 SPY 和 NVDA 案例中，AddMart 给出非负密度和单调累积分布；直接预测或拟合 IV 的基线，经二阶求导后会出现负密度或局部下降的累积分布。一年期 NVDA 案例中，HyperIV 虽有竞争力的 IV 精度，推导出的分布仍包含累计负质量。
AddMart 输出的有效边际分布可以直接计算期权价格隐含的 VaR、CVaR 和崩盘概率，不必先做数值微分，也不用把负概率裁掉后重新归一化。附录实验中，它在六个“资产—期限”设置里的五个取得最低 CVaR 误差。不过，这些指标描述的是期权价格隐含的风险中性尾部暴露，不是对真实损失的预测，也没有因此自动获得真实损益回测意义上的有效性。
对做市和风险管理而言，这项工作的价值正在这里：它把“补报价”和“保持内部一致”合成同一个问题。模型不只是输出一个像市场的数值，还输出一个能继续用于定价和尾部风险计算的概率对象。
局限与未知
- 保证针对欧洲等价曲面和静态无套利。论文对美式股票及 ETF 期权使用流动性较好的价外报价，并通过平价关系推算远期价格；它不保证动态无套利、跨时间路径一致，也不代表计入买卖价差和交易成本后一定存在可执行结论。
- 加性增量结构会让长期偏斜逐渐变平，可能削弱 LEAPS 等长期期权的精度；对 VIX 这类高度不对称或重尾的标的，模型效果也较弱。
- 串行卷积和 IV 反演限制了超高频推断。作者称延迟在分钟尺度仍实用，但材料未给出具体延迟和内存数字；跨资产测试也显示，它尚未学到完全与资产无关的表示。