隨機波動率 (SV) 是指資產價格的波動率是變化的而不是恒定的。
相關視頻
“隨機”一詞意味著某些變量是隨機確定的，無法精確預測。
在金融建模的背景下，隨機建模迭代隨機變量的連續(xù)值，這些值彼此不獨立。非獨立的意思是雖然變量的值會隨機變化，但其起點將取決于其先前的值，因此取決于其先前的值，依此類推；這描述了所謂的隨機游走。
點擊標題查閱往期內容
左右滑動查看更多
在定義了波動率的含義之后，我們現在通過討論波動率隨機變化的證據來引導其余部分。我們（大體上）遵循，對現金和期權市場中觀察到的價格行為進行一些實證觀察。我們考慮了一些經濟解釋，并將它們與手頭的主題聯系起來：
現在普遍接受的是，資產收益的經驗分布是尖峰的意思（大致），即關于均值的四階矩大于具有相同方差的正態(tài)分布的相同統計量。這意味著觀察到更多的極端回報和更少的中等回報，“尖峰”意味著實際分布中靠近均值的天數更多，“厚尾”表示極端收益率出現的頻率高于正態(tài)分布的預測，比如出人意料的“黑天鵝事件”。
看一眼金融時間序列通常會立即發(fā)現高波動期和低波動期。
事實上，肥尾和波動性聚類是同一枚硬幣的兩個方面。眾所周知，分布的混合，例如根據正態(tài)分布分布的價格變化，但具有隨機方差，可以復制肥尾。然而，通過直接將基礎價格分布建模為具有肥尾，可以同樣很好地解釋肥尾和波動性聚類。另一個經驗事實是波動機制的持續(xù)存在，存在高波動期和低波動期，而不僅僅是隨機事件。這一觀察表明了任何提議的波動率模型的某些內容。
隨機建模是一種用于幫助做出投資決策的財務模型。這種類型的建模使用隨機變量預測不同條件下各種結果的概率。
隨機建模呈現數據并預測結果，這些結果說明了一定程度的不可預測性或隨機性。許多行業(yè)的公司都可以使用隨機模型來改進他們的業(yè)務實踐并提高盈利能力。在金融服務領域，規(guī)劃師、分析師和投資組合經理使用隨機模型來管理他們的資產和負債并優(yōu)化他們的投資組合。
隨機模型使用隨機變量預測不同條件下各種結果的概率。
隨機建模呈現數據并預測結果，這些結果說明了一定程度的不可預測性或隨機性。
在金融服務領域，規(guī)劃師、分析師和投資組合經理使用隨機模型來管理他們的資產和負債并優(yōu)化他們的投資組合。
與隨機建模相反的是確定性建模，它每次都為一組特定的輸入提供相同的精確結果。
蒙特卡洛模擬是隨機模型的一個例子。它可以根據單個股票收益的概率分布來模擬投資組合的表現。
相關視頻
要理解隨機建模的概念，將其與相反的確定性建模進行比較會有所幫助。
無論您重新計算模型多少次，確定性建模都可以為特定的一組輸入提供相同的精確結果。在這里，數學性質是已知的。它們都不是隨機的，只有一組特定值和一個問題的答案或解決方案。對于確定性模型，不確定因素是模型外部的。
另一方面，隨機建模本質上是隨機的，模型中內置了不確定因素。該模型產生了許多答案、估計和結果——例如將變量添加到復雜的數學問題中——以查看它們對解決方案的不同影響。然后在各種情況下重復多次相同的過程。
資產的波動性是期權定價的關鍵組成部分。隨機波動率模型是出于對期權定價的 Black Scholes 模型進行修改的需要而開發(fā)的，該模型未能有效地考慮到標的證券價格波動性可能發(fā)生變化的事實。Black Scholes 模型反而做了簡化假設，即基礎證券的波動性是恒定的。隨機波動率模型通過允許基礎證券的價格波動率作為隨機變量波動來糾正這一點。通過允許價格變化，隨機波動率模型提高了計算和預測的準確性。
連續(xù)時間金融模型被寫成使用隨機微分方程的擴散過程。我們正在研究的模型的一般形式是
和
和
這些方程意味著 S 的瞬時回報由一些確定性項加上一些隨機噪聲給出。本身遵循類似（但更一般）的隨機動態(tài)。
Heston 模型是由金融學者 Steven Heston 在 1993 年創(chuàng)建的隨機波動率模型。該模型使用波動率或多或少是隨機的假設，并具有以下區(qū)別于其他隨機波動率模型的特征：
它考慮了資產價格與其波動性之間的相關性。
它將波動理解為回歸均值。
它不要求股票價格遵循對數正態(tài)概率分布。
如下圖所示，觀察到的股票波動率可能會飆升至高于或低于平均水平，但似乎總是在平均水平附近。高波動期之后通常是低波動期，反之亦然。使用均值回歸確定波動范圍并結合 預測 技術，投資者可以選擇最佳交易。
資產價格具有隨時間變化的波動性（逐日收益率的方差）。在某些時期，收益率是高度變化的，而在其他時期則非常平穩(wěn)。隨機波動率模型用一個潛在的波動率變量來模擬這種情況，該變量被建模為隨機過程。下面的模型與 No-U-Turn Sampler 論文中描述的模型相似，Hoffman (2011) p21。
這里，r是每日收益率序列，s是潛在的對數波動率過程。
首先，我們加載標普500指數的每日收益率。
returns = (pm.get_data("SP500"))
returns\[:5\]正如你所看到的，波動性似乎隨著時間的推移有很大的變化，但集中在某些時間段。在2500-3000個時間點附近，你可以看到2009年的金融風暴。
ax.plot(returns)GaussianRandomWalk('s', hape=len(returns))
nu = Exponential( .1)
r = StudentT( pm.math.exp(-2*s),
obs=returns)對于這個模型，最大后驗(_Maximum_ A _Posteriori_,MAP)概率估計具有無限的密度。然而，NUTS給出了正確的后驗。
pm.sample(tune=2000
Auto-assigning NUTS sampler...plot(trace\['s'\]);觀察一段時間內的收益率，并疊加估計的標準差，我們可以看到該模型是如何擬合一段時間內的波動率的。
plot(returns)
plot(exp(trace\[s\]); np.exp(trace\[s\])Hoffman & Gelman. (2011). The No-U-Turn Sampler: Adaptively Setting Path Lengths in Hamiltonian Monte Carlo.
