ラフ・ベルゴミ・モデル
ラフ・ベルゴミは、長年トレーダーを悩ませてきた疑問に答えます。なぜ短期のスマイルはこれほど急峻なのか、という疑問です。答えは、実際の市場におけるボラティリティの経路が、古典的なモデルの想定よりもはるかにギザギザしているということでした。BTC、ETH、あるいはS&P 500の実際の実現ボラティリティの「ラフネス（粗さ）」を測定すると、HestonやSABRが生成できるどの経路よりもずっと粗いことがわかります。
このモデルはリアルタイムのサーフェス・フィッティングには使われません。計算が遅すぎるためです。その価値は理論的なものです。ボラティリティ・サーフェスがなぜ現在の形をしているのかを説明し、短期の暗号資産オプションにSVIのような実用モデルをフィッティングする際に正しい直感を与えてくれます。このモデルが説明するインプライド・ボラティリティのパターンは、流動性のあるあらゆるオプション市場で観察できます。
ラフネスという洞察
株式、FX、暗号資産のいずれで測定しても、ボラティリティの経路は標準的なモデルの想定よりもはるかにギザギザしています。このラフネスが、市場で観察される急峻な短期のスキューを自然に生み出します。ジャンプや極端なパラメータは必要ありません。
インタラクティブ：ラフネスとスキュー
下のスライダーで、ラフネス・パラメータ（H）がもたらす2つの効果を確認してください。左のパネルは、Hが低いほど経路がよりギザギザで不規則になる様子を示します。右のパネルは、そのラフネスが短期スキューの急峻化にどうつながるかを示します。
ラフパス・エクスプローラー
経路の粗さ
ATMスキュー vs 満期(log-log)
スライダーをドラッグしてHを変更してください。Hが低いほど経路はギザギザになり(左)、短期のスキューは急になります(右)。H=0.5では経路は標準ブラウン運動となり、スキューは古典的なT^(-0.5)の減衰に従います。
「ラフ」とは何か
Hestonのような古典的モデルでは、ボラティリティは川のように滑らかで緩やかに蛇行する経路をたどります。ラフ・ベルゴミでは、ボラティリティは海岸線のようにギザギザした経路をたどります。これはモデル化上の選択ではありません。実際のボラティリティ経路を高頻度で測定したときにデータが示す姿そのものです。
ラフネスはただ1つの数値、ハースト・パラメータHによって制御されます。Hが低いほど経路は粗くなり、短期のスキューは急峻になります。
Hが0.1付近であることは選択ではなく事実
S&P 500、個別株、BTC、ETHのいずれを測定しても、研究者はHが0.1付近であることを見出しています。データそのものが、ボラティリティの経路は粗いと示しているのです。このモデルはデータが示す事実の上に構築されています。
ATMスキューのべき乗則
ラフネス・パラメータHは、ATMスキューが短期から長期の満期にかけてどのように減衰するかを制御します。Hが0.1付近の場合、短期のスキューは急峻で、満期が長くなるにつれて平坦になります。この1つのパラメータだけで、1日から1年までのスキューの期間構造全体を説明できます。これは暗号資産でも株式でも同様です。
古典的な拡散モデル（Heston、SABR）は、この点を系統的に誤ります。満期が短くなるにつれてATMスキューが一定値に近づくため、パラメータを極端な値まで押し上げない限り1日満期のスキューを過小に予測してしまい、そうすると今度は長期の満期が歪みます。Hが0.1付近のラフ・ベルゴミはこの両立を実現します。ブラック・ショールズの枠組みでは、このべき乗則の挙動をまったく捉えることができません。
急峻な短期スキューの説明
ラフ・ベルゴミは、短期スキューがなぜこれほど急峻なのかを説明します。これは理論的な洞察であり、本番運用のためのツールではありません。
パラメータ
自由パラメータは3つで、これに市場データから得られるフォワード分散曲線が加わります。
長所と限界
古典的モデルとの比較
暗号資産にとってなぜ重要か
本番ツールではなく、ものの見方
ラフ・ベルゴミはブラック・ショールズに似ています。本番で動かすモデルではありませんが、正しい言葉と直感を与えてくれる枠組みです。
暗号資産のスマイルがなぜ現在の形をしているのかを説明します。 BTCとETHのボラティリティ・サーフェスは、急峻な短期スキューを持っています。ラフ・ベルゴミによれば、この急峻さはボラティリティ経路が粗いことの自然な帰結であり、それこそがデータの示す姿です。
SVIフィッティングに正しい事前分布を与えます。 疎な短期データにSVIをフィッティングする場合、ラフ・ボラティリティはスキューが急峻であるべきだと教えてくれます。べき乗則は、満期をまたいでスキューがどう推移すべきかについての定量的な見通しを与えます。データが薄いときに有用です。各行使価格における期待インプライド・ボラティリティは、原資産の分散過程のラフネスから導かれます。
研究の最前線を位置づけます。 ラフ・ボラティリティ・モデルの深層学習によるフィッティング、ラフ・ローカル・ボラティリティのハイブリッド、ラフHestonの派生モデルなどは、いずれリアルタイム用途に十分な速度に達する可能性があります。今この枠組みを理解しておけば、こうしたツールが登場したときにそれと気づくことができます。デルタヘッジやベガ・エクスポージャーといった概念は変わりませんが、ラフなダイナミクスのもとではその計算がはるかに難しくなります。課題は、シミュレーションしたスライスをつなぎ合わせる際にカレンダー裁定の違反を起こさずにこれらのグリークスを計算することであり、OTMのウィングは特にこの影響を受けやすくなります。
方程式エクスプローラー
インプライド・ボラティリティ、総分散、対数マネーネス、オプション価格の間で変換できます。
数式エクスプローラー
セルフチェック
💡 ヒント： 回答を見る前に自分で答えてみましょう。
数学的な直感を身につける
ラフ・ベルゴミを基礎から学ぶインタラクティブレッスン · 前提知識は不要ですこのレッスンでは、ラフ・ボラティリティの洞察から始め、ハースト・パラメータ、分散過程、そしてラフネスがなぜスマイルの短期側を自然に急峻にするのかを解説します。
関連項目：