Quintisches Polynom von Grund auf
1/5Den Smile mit einem Polynom fitten
Vergessen Sie die Wahl einer SDE oder eines stochastischen Vol-Modells. Nehmen Sie die Gesamtvarianzkurve w(k) und fitten Sie sie direkt mit einem Polynom in Log-Moneyness. Sechs Koeffizienten pro Slice. Fertig.
Die Idee ist fast schon beleidigend simpel. Gesamtvarianz w(k) =σ²·T ist eine Funktion der Log-Moneyness k = ln(K/F). Fitten Sie sie einfach mit einem Polynom:
Vergleichen Sie das mit SVI, das fünf Parameter mit spezifischen geometrischen Bedeutungen hat (Niveau, Steigung, Krümmung, Zentrum, Neigung). Das Quintic hat sechs Parameter ohne inhärente Bedeutung – es sind einfach nur Polynomkoeffizienten. Was Sie an Interpretierbarkeit verlieren, gewinnen Sie an Flexibilität.
Jeder Koeffizient steuert einen anderen Aspekt der Smile-Form: a₀ legt das ATM-Niveau fest. a₁ steuert den linearen Skew. a₂ steuert die Krümmung. Terme höherer Ordnung erfassen Asymmetrie und Feinstruktur, die die feste Form von SVI nicht abbilden kann.
SVI ist eine geformte Gussform: Es kann nur Smiles einer bestimmten Familie erzeugen. Das Quintic ist weicher Ton: Sie können mehr Formen gestalten, aber der Ton weiß nicht, wie ein Smile aussehen sollte. Sie brauchen externe Disziplin (Constraints), um zu verhindern, dass unsinnige Formen entstehen.
Warum quintisch?
Grad 5 ist der optimale Kompromiss. Kubisch ist zu starr für realistische Smiles. Quartisch hilft, kann aber die Asymmetrie zwischen Put- und Call-Flügeln immer noch nicht bewältigen. Septisch (Grad 7) oszilliert. Quintic trifft genau die Balance.
Kubisch (Grad 3): 4 Koeffizienten. Kann einen geneigten Smile erfassen, aber nicht die unabhängige Krümmung jedes Flügels. Wenn der linke Flügel steil und der rechte Flügel flach ist, kann Kubisch beide nicht fitten, ohne das Zentrum zu verzerren.
Quartisch (Grad 4): 5 Koeffizienten. Besser – es kann symmetrische Krümmung bewältigen –, aber es fehlt immer noch ein Term ungerader Potenz, der hoch genug ist, um die Flügel sauber zu unterscheiden.
Quintisch (Grad 5): 6 Koeffizienten. Der zusätzliche Term fünften Grades gibt unabhängige Kontrolle über die Asymmetrie der Flügel im richtigen Moneyness-Bereich. Reale Smiles sind asymmetrisch (Put-Flügel steiler als Call-Flügel bei Aktien und Krypto), und Quintic erfasst dies ohne Overfitting.
Septisch (Grad 7) und höher: Zu viele Freiheitsgrade. Das Polynom beginnt zwischen den Datenpunkten zu oszillieren und erzeugt scheinbare Buckel und Wellen, die nicht in den Marktdaten enthalten sind. Das ist der klassische Bias-Varianz-Tradeoff: mehr Flexibilität bedeutet mehr Overfitting-Risiko.
Sehen Sie sich den Vergleich oben an. Klicken Sie sich durch jeden Grad. Das Kubische verfehlt die Flügel. Das Quartische ist nah dran, aber steif. Das Quintic passt. Das Septische beginnt zu wellen. Diese Visualisierung ist das gesamte Argument für Grad 5.
Arbitrage-Constraints für Polynome
Hier ist das grundlegende Problem mit polynomialen Smile-Modellen: Sie wachsen in den Flügeln zu schnell. Roger Lees Momentenformel besagt, dass die Gesamtvarianz höchstens linear in |k| wachsen darf, wenn |k| gegen unendlich geht. Ein Polynom vom Grad 5 wächst wie k⁵. Das ist ein Problem.
Lees Momentenformel (2004) legt das asymptotische Verhalten der impliziten Volatilität fest:
Das Diagramm oben zeigt den Unterschied deutlich. Die Flügel von SVI sind begrenzt: Sie nähern sich einer linearen Steigung an. Die Flügel des Quintic explodieren. In den fernen Flügeln quotiert das Polynom implizite Vols, die negative Butterfly-Spreads implizieren – geschenktes Geld.
Die Lösung: Verwenden Sie das Quintic nur im Inneren des Smiles (etwa |k| < 0,5) und blenden Sie für die Extrapolation in ein Flügelmodell (linear oder SVI-artig) über. Das ist der Standardansatz in der Produktion: polynomiales Inneres, kontrollierte Flügel.
Alternativ können Sie beim Fit explizite Constraints hinzufügen:
1. w(k) ≥ 0 für alle k (Varianz muss positiv sein).
2. w(k) is convex im Inneren (keine Butterfly-Arbitrage – das ist Durrlemans Bedingung).
3. w(k)/|k| ≤ 2 an den Endpunkten des Fitting-Bereichs.
Diese Constraints sind alle linear oder quadratisch in den Koeffizienten, sodass sie durchgesetzt werden können, indem man ein Kleinste-Quadrate-Problem mit Nebenbedingungen (quadratisches Programm) löst statt unbeschränkter kleinster Quadrate.
Kalibrierung ist nur lineare Regression
Anders als die nichtlineare Optimierung von SVI (die eine Initialisierung erfordert, iteriert und in lokalen Minima steckenbleiben kann) ist das Fitten eines Polynoms ein lineares Kleinste-Quadrate-Problem. Matrix aufstellen, ein lineares System lösen, fertig.
Gegeben N beobachtete Datenpunkte (kᵢ, wᵢ), lautet das Problem:
Ziehen Sie die Datenpunkte oben. Der Fit aktualisiert sich sofort, weil es nur eine Matrixlösung ist – keine Iterationen, keine Konvergenzprobleme, keine Sensitivität gegenüber der Initialisierung. Vergleichen Sie das mit der SVI-Kalibrierung, bei der der Optimierer Dutzende Iterationen benötigen kann und je nach Startpunkt eine andere Antwort finden könnte.
Constraints hinzufügen: Wenn Sie die Arbitrage-Constraints aus dem vorigen Abschnitt hinzufügen (Positivität, Konvexität, Flügelgrenzen), wird das Problem zu einem quadratischen Programm (QP) statt zu unbeschränkten kleinsten Quadraten. QPs sind immer noch schnell und gut erforscht – Solver bewältigen sie in Millisekunden. Der Kernpunkt: Das Quintic mit Constraints lässt sich immer noch dramatisch schneller kalibrieren als SVI.
Numerische Stabilität: Die Vandermonde-Matrix kann schlecht konditioniert sein, wenn der Moneyness-Bereich weit ist. Standardabhilfen: (1) k vor dem Fitten auf [-1, 1] skalieren, (2) orthogonale Polynome (Tschebyschow, Legendre) statt roher Potenzen verwenden. Das sind routinemäßige Techniken der numerischen Analysis.
Quintic vs. SVI
Keines von beiden gewinnt überall. Das Quintic ist schneller zu fitten und flexibler im Inneren. SVI hat begrenzte Flügel und interpretierbare Parameter. Wissen Sie, wann Sie zu welchem greifen.
Quintic gewinnt, wenn:
1. Sie eine schnelle Kalibrierung brauchen (Tausende Slices pro Sekunde für eine Echtzeit-Oberfläche). Die lineare Lösung ist bei der Geschwindigkeit unschlagbar.
2. Der beobachtete Smile Merkmale aufweist, die die feste Form von SVI nicht abbilden kann – lokale Buckel, ungewöhnliche Krümmung, asymmetrische Flügel. Quintic ist im Inneren flexibler.
3. Sie im Inneren des Smiles arbeiten (|k| < 0,3), wo das Flügelverhalten keine Rolle spielt und Sie den möglichst engsten Fit an die beobachteten Daten wollen.
SVI gewinnt, wenn:
1. Sie eine zuverlässige Flügel-Extrapolation brauchen. Die asymptotische Linearität von SVI in den Flügeln ist konstruktionsbedingt korrekt. Das Quintic muss abgeschnitten oder überblendet werden.
2. Sie interpretierbare Parameter für das Risikomanagement wollen. SVIs a (Niveau), b (Winkel), ρ (Neigung), m (Zentrum), σ (Flügelglättung) bilden direkt auf beobachtbare Smile-Merkmale ab.
3. Sie eine Oberfläche über Verfallstermine hinweg aufbauen. SSVI erweitert SVI auf die gesamte Oberfläche mit No-Arbitrage-Garantien. Es gibt kein standardisiertes „Oberflächen-Quintic“ mit denselben Garantien.
Der Produktionskompromiss: Viele Desks nutzen beides. Quintic für schnelle Interpolation im Inneren und Echtzeit-Quotierung. SVI oder SSVI für die offizielle Oberfläche, Flügel-Extrapolation und Risikoberichte. Das Quintic bewältigt das datendichte Zentrum; SVI bewältigt die spärlichen Flügel.
Das quintische Polynom ist kein Modell des Marktes. Es ist ein Kurvenfitting-Werkzeug. Es sagt nichts über Dynamik, Hedging oder darüber aus, warum der Smile die Form hat, die er hat. SVI ist ebenfalls ein Kurvenfitting-Werkzeug, aber eines mit genug Struktur, um sich auf eine Oberfläche zu erweitern. Für tatsächliche Dynamik brauchen Sie SABR, Heston oder ein stochastisches Local-Vol-Modell. Das Quintic lebt im Raum zwischen Rohdaten und einem echten Modell – es ist der schnellste Weg, aus verrauschten Beobachtungen einen glatten, interpolierten Smile zu erhalten.
Wie es weitergeht:
SVI-Parametrisierung – das Standard-Smile-Modell mit begrenzten Flügeln
SSVI-Oberfläche – SVI erweitert auf die gesamte Oberfläche mit No-Arbitrage-Garantien
Interpolationsmethoden – alle Fitting-Methoden im Vergleich