第一章 引言
第二章 基于扩散模型的金融时变波动率建模与预测体系构建及实证检验
2.1 金融时变波动率的传统建模范式局限与扩散模型适配性理论阐释
金融时变波动率的准确建模是资产定价和风险管理的关键问题，传统的主流范式如GARCH族模型、随机波动率模型等，虽然已经形成了波动率集聚性和均值回归的基本认识，但是其底层假设仍然存在着明显的不足。GARCH模型依靠特定的线性滞后结构，不能很好地把握金融高频数据里常见的“尖峰厚尾”特性以及“长记忆性”，从而造成对于极端市场波动的估计出现系统性的偏差。同时随机波动率模型一般假定波动率服从某种连续过程，在遇到市场突发事件导致的剧烈“跳涨”时，由于没有对非正态分布和非线性突变机制有很强的描述能力，容易造成预测失败。针对以上缺陷，扩散模型给出了一种用生成式建模来全新看待问题的角度，它的适应性来自于逐步加入噪声和反向去噪还原的马尔可夫链过程。该机制并没有假定数据服从某种参数分布，而是通过学习从高斯噪声中逐渐恢复出原始金融数据复杂的分布形状，因此它对于非线性、非高斯等复杂的分布特征具有自适应性。这样一种从概率分布拟合角度出发的逻辑重构，使扩散模型可以很好地把金融时序数据的非规则特性内化进来，为后面建立高精度的波动率预测模型打下了坚实的理论基础。
2.2 面向金融时序特征优化的扩散波动率预测模型搭建
2.2.1 针对波动率尖峰厚尾、集聚特征改进的扩散前向噪声注入机制
金融时序数据一般都存在尖峰厚尾、波动聚集的特点，给传统的扩散模型中的标准高斯噪声注入机制带来了巨大的困难。通用模型一般使用固定的步长和线性叠加的规则，在处理剧烈波动的金融数据的时候，由于噪声分布和实际数据形态不匹配，会破坏时序的内在演化规律。因此本节建立了一个面向金融时序特征优化的非对称噪声注入方法。该策略抛弃了原来的固定步长方式，设计出一种随时间变化的波动强度而变化的噪声注入逻辑。在具体实现时，用自适应调整参数来度量波动集聚程度，该参数是用历史波动率移动平均和当前残差相对偏差来计算得到的。对于尖峰厚尾特征，用自由度可调的广义t分布代替标准正态分布作为噪声分布函数，其概率密度函数的尾部参数可以按照市场极端风险敞口进行调整。理论推导显示，当模型进入高波动集聚区间的时候，调整参数会促使噪声注入比例自动上升，从而对应剧烈的市场波动；在低波动平稳区间里，噪声幅度会被严格控制，防止由于过度平滑造成的信息损失。该种改进机制可以很好地适应金融数据的非高斯性，并且用严格的数学推导证明了它的前向过程在动态调整之后仍然满足马尔可夫链的收敛条件，保证了后面反向预测的有效性以及稳定性。
2.2.2 融合时序注意力的反向去噪生成网络架构设计
在创建面向金融波动率生成任务的反向去噪生成网络的时候，本文舍弃了通用扩散模型里处理图像空间特征的标准UNet结构，转而设计出适合一维金融时序数据的深度学习网络。该架构的核心就是把时序自注意力模块嵌入到去噪网络的隐藏层之间，用计算查询、键、值向量的点积和缩放比例来确定注意力机制的权重计算规则。这样就使网络可以自动捕捉到各个时间步波动率之间的长记忆依赖关系，很好地解决了传统模型对于金融时间序列长程相关性的处理难题。为了加强模型对于时序结构的感知能力，在架构上特意加入了时序边缘信息的位置编码模块，用正弦、余弦函数把时间位置映射到网络中，使网络可以准确地感受到时序的先后顺序以及行情阶段的属性，不会因为缺少位置信息而造成时序的混淆。
网络使用多层全连接结构，隐藏层神经元数量随输入维度逐渐变化，用Swish激活函数来保持梯度流动的同时抑制梯度消失。损失函数用均方误差来表示，简化了噪声预测的目标，使之适合于波动率回归任务。从机制上来说，该架构在逐渐去噪的过程中，并不是产生没有时序联系的随机结果，而是依靠注意力权重集中于历史关键波动信息上，再经由位置编码锁定行情演化阶段，在每一个时间步上准确预测并剔除噪声，最终得到契合真实市场演化规律的波动率序列，从而达成对金融时变波动率的高精度动态建模。
2.3 基于A股沪深300指数波动率样本的实证检验与对比分析
2.3.1 样本选取、预处理与预测评价指标设定
为了保证实证检验结果的科学性、可靠性，本文选择沪深300指数作为标的资产，样本时间跨度为2015年1月1日到2023年12月31日，原始高频和日线数据来自于Wind金融终端。数据预处理阶段，先用对数差分法算出日度对数收益率，再根据高频分钟数据构造已实现波动率（RV）来代理真实波动率，从而较好地把握日内价格跳跃的信息。然后用3原则来识别和平滑异常值，消除市场极端噪声的影响。为了防止出现未来函数以及数据窥探的情况，将数据集按照时间序列的先后顺序分成了训练集、验证集和测试集。具体实施时采用滚动窗口预测的方式，即用固定长度的时间窗口作为样本进行模型训练，然后向前一步预测，接着窗口向后滚动更新，保证所有的预测都是基于历史信息做出的。在评价指标的确定上，本文创建起一个包含误差幅度、风险捕捉能力和方向预测准确率的多维体系，选用均方根误差（RMSE）和平均绝对误差（MAE）来度量预测值和真实值之间的偏离程度，体现模型的精度，使用平均绝对百分比误差（MAPE）来评判预测误差的相对稳定性，并且加入准似然损失（QLIKE）和方向准确率统计量（Dstat），前者可以对波动率低估加以更大的惩罚，体现尾部风险捕捉能力，后者专门用来衡量模型对于市场波动涨跌方向的预测准确性，进而全方位检验扩散模型在金融实务中是否有效、稳健。
2.3.2 扩散模型与GARCH族、LSTM基准模型的预测性能横向对比
为了对扩散模型在金融时变波动率预测中实际效果进行全面的评价，本文建立了一个严格的横向比较实验体系，用GARCH族模型中的EGARCH模型和LSTM神经网络作为基准。在实证过程中，所有的模型都用A股沪深300指数相同的训练集来进行参数学习，在完全相同的测试数据集以及预测步长设置下输出结果，从而保证对比的公平性。用量化的输出均方根误差(RMSE)、平均绝对百分比误差(MAPE)等主要指标来初步检验各个模型的预测精度。进一步地，将不同的模型的波动率预测曲线和真实已实现波动率曲线叠加起来，可以直观地看出扩散模型对于波动率拐点的捕捉以及波动集聚形态的拟合具有明显的优势，它的预测轨迹更接近市场真实表现。为了排除性能提高是由于随机误差造成的，用Diebold-Mariano统计显著性检验方法来检验扩散模型比基准模型好是否有统计上的依据。该对比分析不但可以定量地看出性能的差别，而且可以清楚地看出GARCH模型对于非线性的刻画能力以及LSTM模型对于长序列依赖的捕捉能力，从而突出扩散模型在实际金融风险量化应用中所具有的核心价值。
2.3.3 极端行情区间下扩散波动率模型的鲁棒性验证
为了严格检验扩散波动率模型在非理性市场环境下实际效果，本文选择A股市场历史上具有代表性的极端行情区间作为独立测试子集，即2015年股灾、2020年新冠疫情熔断和2022年地缘冲突引发的大幅波动等特殊时段。实证分析的主要目的就是比较扩散模型和GARCH类传统基准模型在样本分布严重偏离常态的区间内，两者的表现有何不同。结果表明，在极端行情下，传统模型预测误差的波动幅度明显增大，而且常常低估尾部风险，具有明显的滞后性；而扩散模型由于其独特的结构优势，在保持较低的预测误差的同时，对于尾部波动率的捕捉准确率要高于基准模型。鲁棒性主要是由于扩散模型改进的噪声注入机制和注意力架构所导致的，前者模拟复杂的数据生成过程来提高模型对于异常值的抗干扰能力，后者很好地捕捉到了极端行情下市场情绪非线性传导的路径。这一实证结果很好地证明了扩散模型可以弥补传统模型在极端情况下普遍存在的失效问题，给金融风险管理提供更加合适的技术手段。
2.4 建模结果对应的金融实践应用路径梳理
根据扩散模型输出的高精度波动率预测结果，结合A股市场实际业务特点，可以建立多层次的金融实践应用路径。股票指数期权动态对冲策略的优化，可以把模型预测的波动率当作主要参数输入到Delta对冲和Gamma scalping算法里。根据预测的时变波动率水平来动态调整对冲频率和持仓头寸，在模型预示波动率上升的时候提高对冲比率，从而有效地降低对冲成本并提高策略收益的稳定性，但是要注意模型在极端行情下的滞后风险。在权益类基金最大回撤风险预警的场景下，用扩散模型来模拟未来波动率的路径，可以得到基金组合在不同的置信水平下可能遭受的最大损失。当预测波动率超过设定的风险阈值的时候，风控系统就会发出预警信号，促使基金经理减少仓位或者改变资产配置，从而实现由被动事后计量到主动事前防范的转变，但是要注意模型假设和实际资产跳跃性偏离所造成的误判风险。从监管角度来说，可以提前发现市场系统性的波动。监管机构可以利用模型对跨市场板块的波动率联动进行监测，一旦发现有异常的波动率聚集效应，就可以提前排查市场杠杆资金和情绪过热的情况，给宏观审慎监管提供量化的依据，但是需要结合基本面信息来剔除技术性噪音，保证监管决策的准确性。
第三章 结论
本文通过对于扩散模型在金融时变波动率建模和预测方面的应用研究，得到一系列有实践价值的结论。研究结果表明，扩散模型由于具有去噪生成的特性，可以很好地刻画出金融时间序列里复杂的非线性以及时变波动的特性。相比于传统的GARCH类模型，扩散模型对于极端市场波动以及长记忆性有着明显的优势，它依靠逐步去噪的过程，可以更准确地重建出波动率的路径，进而大幅度提高预测的精度。在实证分析当中，该模型不但可以降低对于初始参数的敏感性，而且可以加强对于尾部风险的识别能力，给风险价值（VaR）的计算赋予了更为稳健的基础。从实际应用的角度来说，扩散模型可以适应高频数据环境，给投资组合风险管理、衍生品定价提供技术上的支持[3]。因此，基于扩散模型的波动率建模方法给金融量化分析提供了一种新的、高效的方法，有很高的理论拓展性和实际推广价值，有利于金融从业者更好地应对市场的不确定性。
参考文献
[1]叶绪国, 龙伟芳, 龙伟锋. 波动率函数的局部常数K-nn估计[J]. 凯里学院学报, 2019, 37(3): 9.
[2]吴胤昊, 陈荣达, 汪圣楠. 随机利率随机波动率混合指数跳扩散模型下的期权定价[J]. 系统科学与数学, 2022, 42(8): 28.
[3]韦铸娥, 奚欢. Heston随机波动率与双指数跳扩散组合模型的双币种幂期权定价[J]. 高校应用数学学报(A辑), 2025, 40(4): 411-423.
[4]乔高秀. 基于高频数据信息的波动率预测与波动率期货定价研究 通讯[M]. 基于高频数据信息的波动率预测与波动率期货定价研究 通讯, 2022.