Générer une surface de volatilité dynamique avec un modèle de diffusion

Une surface n'est pas une image

Une surface de volatilité implicite décrit des options sur plusieurs strikes et maturités. Elle doit évoluer dans le temps avec le sous-jacent et rester compatible avec certaines contraintes de non-arbitrage statique. Générer une surface plausible à une date ne suffit donc pas : un simulateur utile doit produire des trajectoires conditionnelles cohérentes avec l'historique observé.

Yinbin Han, Jack Yuxiang Zhang, Manuel Torres, Fernando Acero et Renyuan Xu proposent une famille de modèles de diffusion adaptatifs. AD-Seq-Vol apprend conjointement l'évolution du rendement du sous-jacent et celle de la surface. AD-Seq-Vol-FT ajoute une étape de fine-tuning qui pénalise les violations de contraintes statiques du marché des options.

Des scénarios conditionnels

Le cadre séquentiel reçoit l'historique réalisé, puis génère des surfaces futures en mettant à jour le contexte à chaque étape. Les scénarios peuvent alimenter plusieurs usages : tarification, mesure du risque, stress tests ou choix d'instruments de couverture. Dans le papier, les auteurs évaluent particulièrement une procédure de couverture fondée sur les scénarios générés.

À chaque date de rebalancement, les trajectoires simulées servent à estimer les variations de la position cible et des instruments candidats. Une optimisation choisit alors les positions et pénalise les coûts de rebalancement. Cette séparation est importante : un générateur peut être bon pour représenter une distribution tout en étant peu utile pour une décision, et la couverture devient ici un test économique complémentaire.

Résultats rapportés

L'étude utilise des données quotidiennes d'options SPX de 2000 à 2023. Les auteurs rapportent que AD-Seq-Vol produit des trajectoires qui conservent les dépendances transversales et temporelles, avec moins de violations d'arbitrage statique que les données d'entraînement et qu'un benchmark GAN. La variante AD-Seq-Vol-FT réduit ces violations à un niveau annoncé comme presque nul dans les expériences présentées.

Dans la couverture fondée sur ces scénarios, le papier rapporte des erreurs de suivi proches de zéro, une réduction du risque de queue et une stabilité particulière pendant la perturbation du Covid par rapport à plusieurs benchmarks. Ces affirmations décrivent l'étude et sa période ; elles ne garantissent ni une couverture parfaite ni une transférabilité à une autre surface ou à un autre marché.

Interprétation éditoriale

La leçon méthodologique est de relier qualité statistique et utilité décisionnelle. Une trajectoire synthétique devrait être contrôlée à la fois par ses moments, ses dépendances, ses violations de contraintes et l'effet produit lorsqu'elle alimente une décision. La fine-tuning anti-arbitrage est une contrainte de structure ; elle ne remplace pas une vérification économique de la liquidité et des coûts.

Pour réutiliser ce cadre, il faudrait comparer plusieurs horizons, publier le coût de génération et isoler les conditions qui font échouer la couverture. Il faudrait aussi éviter de présenter une trajectoire synthétique comme une prévision : il s'agit d'un échantillon conditionnel issu d'un modèle, pas d'une connaissance du futur.

Limites et prudence

Le corpus porte sur SPX et sur une période historique déterminée. Les auteurs proposent comme suites une extension multi-actifs, des contraintes dynamiques et des méthodes de diffusion plus rapides. Les hypothèses de données, de surface et de coûts peuvent changer selon le marché. Le preprint est éducatif et ne constitue ni une recommandation d'option ni un conseil de couverture.

Sources

Yinbin Han, Jack Yuxiang Zhang, Manuel Torres, Fernando Acero et Renyuan Xu, « Diffusion models for dynamic volatility surface generation and data-driven hedging », ArXiv 2609.13402v3 : résumé et preprint, PDF.