Rough-Bergomi-Modell
Rough Bergomi erklärt etwas, das Trader jahrelang verwirrt hat: Warum sind kurzlaufende Smiles so steil? Die Antwort lautet, dass Volatilitätspfade in realen Märkten weitaus zackiger sind, als klassische Modelle annehmen. Wenn Sie die "Rauheit" der tatsächlichen realisierten Volatilität von BTC, ETH oder dem S&P 500 messen, stellen Sie fest, dass sie viel rauer ist als alles, was Heston oder SABR erzeugen können.
Dieses Modell wird nicht für die Echtzeit-Anpassung von Oberflächen verwendet -- es ist zu langsam. Sein Wert ist theoretisch: Es sagt Ihnen, warum Volatilitätsoberflächen so aussehen, wie sie aussehen, und gibt Ihnen die richtige Intuition beim Anpassen praktischer Modelle wie SVI an kurzlaufende Krypto-Optionen. Die Muster der impliziten Volatilität, die es erklärt, sind in jedem liquiden Optionsmarkt sichtbar.
Die Rauheits-Erkenntnis
Gemessen über Aktienmärkte, FX und Krypto hinweg sind Volatilitätspfade weitaus zackiger, als Standardmodelle annehmen. Diese Rauheit erzeugt auf natürliche Weise den steilen kurzlaufenden Skew, der in den Märkten beobachtet wird -- keine Sprünge oder extremen Parameter erforderlich.
Interaktiv: Rauheit und Skew
Verwenden Sie den Schieberegler unten, um beide Effekte des Rauheitsparameters (H) in Aktion zu sehen. Das linke Panel zeigt, wie ein niedrigeres H zackigere, unregelmäßigere Pfade erzeugt. Das rechte Panel zeigt, wie sich diese Rauheit in einen steileren kurzlaufenden Skew übersetzt.
Explorer für raue Pfade
Pfadrauheit
ATM-Skew vs. Laufzeit (log-log)
Ziehen Sie den Schieberegler, um H zu ändern. Ein niedrigeres H erzeugt zackigere Pfade (links) und einen steileren Skew bei kurzen Laufzeiten (rechts). Bei H=0.5 ist der Pfad eine Standard-Brownsche Bewegung und der Skew folgt dem klassischen T^(-0.5)-Zerfall.
Was "rau" bedeutet
Klassische Modelle wie Heston geben der Volatilität glatte, sanft mäandernde Pfade -- wie ein Fluss. Rough Bergomi gibt der Volatilität zackige, küstenlinienartige Pfade. Das ist keine Modellierungsentscheidung -- es ist das, was die Daten zeigen, wenn man reale Volatilitätspfade in hoher Frequenz misst.
Die Rauheit wird durch eine einzige Zahl gesteuert: den Hurst-Parameter H. Niedrigeres H = rauere Pfade = steilerer kurzlaufender Skew.
H nahe 0,1 ist ein Fakt, keine Wahl
Forscher finden H nahe 0,1, egal ob sie den S&P 500, einzelne Aktien, BTC oder ETH messen. Die Daten selbst sagen, dass Volatilitätspfade rau sind. Das Modell baut auf dem auf, was die Daten zeigen.
Das Potenzgesetz des ATM-Skew
Der Rauheitsparameter H steuert, wie der ATM-Skew von kurzen zu langen Verfallsterminen abnimmt. Mit H nahe 0,1 ist der kurzlaufende Skew steil und flacht mit zunehmender Laufzeit ab. Dieser eine Parameter erklärt die gesamte Laufzeitstruktur des Skew von 1 Tag bis 1 Jahr -- sowohl in Krypto- als auch in Aktienmärkten.
Klassische Modelle (Heston, SABR) machen dies systematisch falsch: Sie überschätzen den Skew bei 1 Tag und unterschätzen ihn bei 30 Tagen. Rough Bergomi mit H nahe 0,1 trifft genau die Mitte. Das Black-Scholes-Framework kann dieses Potenzgesetz-Verhalten überhaupt nicht abbilden.
Steiler kurzlaufender Skew erklärt
Rough Bergomi erklärt, warum der kurzlaufende Skew so steil ist. Es ist eine theoretische Erkenntnis, kein Produktionswerkzeug.
Parameter
Drei freie Parameter, plus die Forward-Varianz-Kurve aus Marktdaten.
Stärken und Grenzen
Vergleich mit klassischen Modellen
Warum es für Krypto wichtig ist
Eine Linse, kein Produktionswerkzeug
Rough Bergomi ist wie Black-Scholes -- nicht das Modell, das Sie in der Produktion einsetzen, sondern das Framework, das Ihnen die richtige Sprache und Intuition gibt.
Es erklärt, warum Krypto-Smiles so aussehen, wie sie aussehen. Die Volatilitätsoberflächen von BTC und ETH haben steile kurzlaufende Skews. Rough Bergomi sagt: Diese Steilheit ist die natürliche Folge rauer Volatilitätspfade, was genau das ist, was die Daten zeigen.
Es gibt Ihnen den richtigen Prior für die SVI-Anpassung. Wenn Sie SVI an spärliche kurzlaufende Daten anpassen, sagt Ihnen die raue Volatilität, dass der Skew steil sein sollte. Das Potenzgesetz gibt Ihnen eine quantitative Erwartung dafür, wie sich der Skew über Verfallstermine hinweg entwickeln sollte. Nützlich, wenn die Datenlage dünn ist. An jedem Ausübungspreis folgt die erwartete implizite Volatilität aus der Rauheit des zugrunde liegenden Varianzprozesses.
Es rahmt die Forschungsfront ein. Deep-Learning-Anpassung von rauen Volatilitätsmodellen, hybride Rough-Local-Vol-Modelle und Rough-Heston-Varianten könnten irgendwann schnell genug für den Echtzeiteinsatz sein. Wer das Framework jetzt versteht, wird diese Werkzeuge erkennen, wenn sie ankommen. Konzepte wie Delta-Hedging und Vega-Exposure bleiben dieselben, aber ihre Berechnung wird unter rauer Dynamik viel schwieriger. Die Herausforderung besteht darin, diese Greeks zu berechnen, ohne Verletzungen der Kalender-Arbitrage zu erzeugen, wenn simulierte Slices zusammengefügt werden -- etwas, worauf OTM-Flügel besonders empfindlich reagieren.
Gleichungs-Explorer
Konvertieren Sie zwischen impliziter Volatilität, Gesamtvarianz, Log-Moneyness und Optionspreisen.
Gleichungs-Explorer
Selbsttest
💡 Tipp: Versuchen Sie jede Frage selbst zu beantworten bevor Sie die Antwort aufdecken.
Mathematische Intuition aufbauen
Rough Bergomi von Grund auf lernenInteraktive Lektion · keine Vorkenntnisse nötigDiese Lektion beginnt mit der Erkenntnis der rauen Volatilität und erklärt dann den Hurst-Parameter, den Varianzprozess und warum Rauheit das kurze Ende des Smiles auf natürliche Weise versteilert.
Siehe auch:
- SABR-Modell -- Stochastisches Volatilitätsmodell für Smile-Dynamik
- Heston-Modell -- Klassische stochastische Volatilität mit mean-revertierender Varianz
- SVI-Parametrisierung -- Die praktische Methode zur Smile-Anpassung
- SSVI (Surface SVI) -- Kalenderarbitragefreie Oberflächenerweiterung
- Skew -- Empirisches Skew-Verhalten und Messung
- Laufzeitstruktur -- Wie die Volatilität über Verfallstermine variiert
- Interpolationsmethoden -- Alle Methoden im Vergleich