SSVI (Surface SVI)

SSVI를 처음부터 배우기인터랙티브 레슨 · SVI 기초 지식이 필요합니다

정보

SSVI는 SVI의 표면 수준 확장입니다. 슬라이스별 모델에 익숙하지 않다면 거기서부터 시작하세요. 전체 표면 구성 파이프라인은 표면이 구성되는 방법을 참조하세요.

**SSVI (Surface SVI)**는 SVI 스마일 모델을 개별 만기 슬라이스에서 전체 변동성 표면으로 확장합니다. 핵심 장점은 캘린더 차익거래 부재가 구조적으로 보장된다는 점입니다. 슬라이스를 독립적으로 피팅한 뒤 사후에 만기 간 불일치를 수정할 필요가 전혀 없습니다.

SSVI가 해결하는 문제

슬라이스별 SVI에서는 각 만기를 독립적으로 피팅합니다. 각 슬라이스는 내부적으로 일관적일 수 있지만(버터플라이 차익거래 없음), 슬라이스들이 서로 모순될 수 있습니다. 구체적으로, 특정 행사가격에서의 총 분산이 한 만기에서 다음 만기로 넘어가면서 감소하여 캘린더 차익거래가 생길 수 있습니다.

이를 사후에 수정하는 것(사후 조정)은 취약합니다. 한 슬라이스를 조정하면 피팅이 바뀌고, 그러면 다른 곳에서 새로운 위반이 생길 수 있습니다. SSVI는 표면을 결합적으로 모델링하여 이를 완전히 피합니다.

작동 방식

SSVI는 총 분산을 로그 머니니스 $k$와 ATM 총 분산 $\theta_t$의 함수로 나타냅니다:

핵심 통찰: 슬라이스당 5개의 파라미터를 피팅하는 대신(5개 만기에 대해 25개 파라미터), SSVI는 전체 표면을 소수의 전역 파라미터와 ATM 총 분산 곡선 $\theta_t$로 파라미터화합니다.

각 요소의 역할

$\theta_t$ (ATM 총 분산 곡선): 이것은 기간구조의 근간입니다. $t$에 대해 증가해야 합니다(기본적인 무차익거래 요건). ATM 옵션 가격에서 직접 관찰합니다.

$\rho$ (스큐): 스마일의 기울기를 제어하는 단일 파라미터입니다. 모든 만기에 걸쳐 공유됩니다. 이는 단순화입니다. 실제로 스큐는 만기에 따라 바뀔 수 있지만, SSVI는 이 유연성을 캘린더 차익거래 부재 보장과 맞바꿉니다.

$\varphi(\theta_t)$ (스마일 가파름 함수): 각 만기에서 스마일이 얼마나 넓은지를 제어합니다. $\theta_t$가 커질수록(더 긴 만기) 스마일은 일반적으로 평평해집니다. $\varphi$는 이 감쇠를 인코딩합니다.

$\varphi$에 대한 일반적인 선택

"거듭제곱 법칙(power-law)" 형태가 표준입니다:

트레이드오프

SSVI는 슬라이스별 SVI보다 자유도가 적습니다. 이는 강점이자 한계입니다.

	슬라이스별 SVI	SSVI
파라미터	만기당 5개 (5개 슬라이스에 25개)	전역 3개 + ATM 곡선
캘린더 차익거래	피팅 후 확인 및 수정 필요	구조적으로 부재
슬라이스별 피팅 품질	우수 (슬라이스당 5개 자유 파라미터)	양호하지만 제약됨
스큐 변화	만기별로 다를 수 있음	모든 만기에 단일 $\rho$
사용 시점	개별 슬라이스 분석, 희소 데이터	전체 표면, 프로덕션 가격결정

가장 큰 제약: SSVI는 모든 만기에 단일 $\rho$를 사용합니다. 실제로 단기 스큐는 종종 장기 스큐보다 더 가파릅니다. SSVI는 이를 $\varphi$(만기별 윙 가파름 제어)를 통해 부분적으로 처리하지만, 슬라이스별 SVI가 포착할 수 있는 모든 변화를 담아내지는 못합니다.

대부분의 크립토 및 기초자산 응용에서 이 트레이드오프는 그만한 가치가 있습니다. 캘린더 차익거래 부재 보장은 표면 버그의 한 부류 전체를 제거합니다.

시간에 따라 스마일이 평평해질 때

기간구조

Backwardation: 단기 IV > 장기. 이벤트 리스크가 반영된 신호.

모양을 전환하여 기간구조가 어떻게 변하는지 확인하세요. 백워데이션은 종종 다가오는 이벤트를 신호합니다.

SSVI는 장기 스마일이 단기 스마일보다 평평하다는 관찰을 자연스럽게 포착합니다. $\varphi(\theta_t)$ 함수는 $\theta_t$가 커질수록 감쇠하며, 이는 스마일 폭이 만기에 따라 감소함을 의미합니다. 이는 시장 행동과 일치합니다. 근시일 바이너리 이벤트는 가파른 스마일을 만들지만, 원시일 스마일은 여러 가능한 시나리오에 걸쳐 평균되어 평평해집니다.

SSVI 피팅

1. ATM 분산 곡선 $\theta_t$ 추출: 시장 데이터에서 추출합니다. 이는 각 만기의 ATM IV를 제곱하고 시간을 곱한 것일 뿐입니다.
2. $\rho$, $\eta$, $\gamma$ 피팅: 모든 행사가격과 만기에 걸쳐 SSVI와 관찰된 IV 사이의 가중 오차를 동시에 최소화하여 피팅합니다.
3. 최적화 중 제약 조건 강제: $\eta(1 + |\rho|) < 2$, $\gamma \in [0, 1]$, $\theta_t$ 증가.

최적화는 빠르고(파라미터 3개) 견고합니다. 사후 캘린더 수정이 필요 없습니다.

SSVI vs. 슬라이스별 SVI

다음의 경우 슬라이스별 SVI를 사용하세요:

• 한 번에 하나의 만기만 신경 쓸 때
• 슬라이스당 최대 피팅 품질이 필요할 때
• 희소 데이터(적은 만기)를 가지고 있으며 유연성을 원할 때
• 캘린더 차익거래 확인을 수동으로 처리할 의향이 있을 때

다음의 경우 SSVI를 사용하세요:

• 프로덕션 가격결정을 위한 전체 표면이 필요할 때
• 캘린더 차익거래 부재가 타협 불가능할 때
• 간결한 표현(파라미터 3개 + ATM 곡선)을 원할 때
• 여러 만기에 걸쳐 동시에 가격결정할 때

오픈소스 구현체

저장소	살펴봐야 할 이유
SVI-Vol-Surface	SSVI 표면 피팅
QuantLib	실험 모듈의 SSVI

---

함께 보기:

• SVI 파라미터화 - 슬라이스별 모델
• ORC Wing (Jump-Wing) - 트레이더 친화적 SVI 재파라미터화
• 보간 방법 - 모든 방법 비교
• 표면이 구성되는 방법 - 전체 파이프라인