Volatility-Surface-Modeling mit ML: Implied Vol als Datensatz.

Die Volatility-Surface ist eines der reichsten Datensätze, die im Optionsmarkt täglich entstehen. ML-Methoden helfen, sie konsistent zu modellieren und Mispricings zu erkennen. Was institutionelle Desks seit Jahren machen, ist für Retail kapitalintensiv — aber verstehen lohnt sich.

Was die Vola-Surface eigentlich ist.

Die Implied-Volatility-Surface ist eine zweidimensionale Funktion: für jeden Strike-Preis und jede Restlaufzeit gibt es einen impliziten Volatilitäts-Wert, der den Optionspreis unter Black-Scholes reproduziert. Real beobachtet ist die Surface nicht flach: tiefe OTM-Puts haben höhere IV als ATM-Optionen (Smile / Skew), kurze Laufzeiten reagieren anders als lange (Term-Structure).

Eine vollständige Surface für SPX besteht typischerweise aus 200–500 liquiden Strike/Tenor- Kombinationen pro Tag. Multipliziert mit 20+ Jahren Historie und Hunderten Underlyings ergibt das einen erstaunlich großen, strukturierten Datensatz — ideal für ML.

Klassische Parametrisierung: SVI und SABR.

SVI (Stochastic Volatility Inspired, Gatheral 2004) parametrisiert eine Vola-Smile-Slice mit 5 Parametern: w(k) = a + b * (rho * (k - m) + sqrt((k - m)^2 + sigma^2)). Industriestandard, weil arbitragefrei (bei korrekten Constraints) und ausreichend flexibel.

SABR (Stochastic Alpha Beta Rho) ist näher an der zugrundeliegenden Stochastik: Forward-Preis und Volatilität folgen korrelierten Brownschen Bewegungen. Beliebt im Zinsoptions-Markt, weil Hagan eine analytische Approximation gibt.

Beides sind Slice-für-Slice-Modelle. Für die ganze Surface fitten Sie pro Tenor separat und interpolieren in der Term-Struktur. Das macht es robust, aber nicht global konsistent.

Neural Networks für Surface-Fitting.

Ein einfaches Feedforward-NN mit Inputs (log-moneyness k, time-to-expiry T) und Output IV kann beliebige Surfaces fitten. Mit 2–3 Hidden Layers à 32 Neuronen plus Smooth-Activation (tanh, softplus) reproduziert es einen Tag SPX-Surface auf < 0,5 % mittleren absoluten Fehler.

Vorteil: keine Slice-Aufteilung, glatt in beide Dimensionen, einfach erweiterbar (z. B. zusätzlicher Input: VIX-Level, Time-of-Day). Nachteil: out-of-the-box keine Arbitragefreiheit.

Arbitrage-Constraints einhalten.

Drei No-Arbitrage-Bedingungen müssen gelten:

• Calendar-Spread: Total-Variance w(k, T) = sigma^2 * T monoton steigend in T.
• Butterfly: Call-Preis konvex in K, also g(k) := (1 - k*w'/(2w))^2 - w'^2/4 * (1/w + 1/4) + w''/2 ≥ 0.
• Smile-Wing-Constraints: Lee's Moment-Formula limitiert die Steigung weit außerhalb des Geldes.

Für NNs gibt es zwei Wege: Constraints als Soft-Penalty in der Loss-Function (einfach, nicht garantiert), oder Architektur-Choices, die strukturell arbitragefrei sind (z. B. Ackerer/Tagasovska/Vatter 2020: Neural-SVI-Hybride). In produktivem Pricing nimmt niemand das erste — Pricing-Inkonsistenz frisst die Margen.

Use-Case: Mispricing-Detection.

Der praktisch interessante Use-Case ist: fitten Sie eine glatte, arbitragefreie Surface an die beobachteten Mid-Quotes und identifizieren Sie Strikes mit großem Residual. Diese Ausreißer sind entweder:

• echte Mispricings (selten, schnell weg-arbitragiert),
• illiquide Quotes mit weiten Bid-Ask-Spreads (häufig),
• Information-Events, die der Markt noch nicht voll eingepreist hat (interessant).

Konkret: das Residual am 0,30-Delta-Put zwei Tage vor Earnings ist ein Indikator für Vola-Verkäufe der Marketmaker, die Sie als IV-Käufer nutzen können.

Datenquellen, die taugen.

Für Surface-Modeling brauchen Sie saubere, zeit-synchronisierte Daten:

• ORATS: tägliche Snapshot-Surfaces für US-Equity- und Index-Optionen, gefittet, mit Greeks. ~500 USD/Monat. Mein Standard für Backtests.
• CBOE LiveVol: Tick-Daten, sehr teuer (vierstellig pro Monat), aber Goldstandard für intraday-Analysen.
• Refinitiv DataScope: institutionell, Lizenz im fünfstelligen Bereich, dafür global.
• Polygon.io: günstig (~200 USD/Monat), aber Surfaces müssen Sie selbst fitten — nicht trivial.

Backtest-Idee: handeln auf Surface-Anomalien.

Eine umsetzbare Strategie für einen mittelgroßen Trader: täglich Surface fitten, Residuen berechnen, in den Top-Quintile der absoluten Residuen Spread-Trades aufsetzen (Long mispricing-günstige Optionen, Short den fairen Hedge). Halten bis Residual unter Schwellwert oder Verfall.

# pseudo
for day in trading_days:
    surface = fit_svi(market_quotes[day])
    residuals = market_quotes[day].iv - surface.predict(market_quotes[day].k, T)
    top = residuals.abs().nlargest(5)
    for option in top:
        open_trade(option, hedge=delta_vega_neutral)

Realistische Probleme: Bid-Ask-Spreads fressen die theoretische Edge, Marketmaker verschwinden bei großen Trades, Commissions skalieren. Bei meinen Tests bleiben ~30–50 % der Bruttoedge übrig.

Warum das institutionell, aber nicht für Retail funktioniert.

Banken und große Optionshäuser betreiben Surface-Modelle, weil sie auf jeder Seite Inventar haben und Mispricing-Edge durch Volumen monetarisieren. Sie haben Co-Location, Bid-Ask-Spread-Kompensation als Marketmaker, und Hedging-Operationen, die das Vega-Risiko kontinuierlich neutralisieren.

Für Retail funktioniert das nur in der Light-Version: einzelne, größere Mispricings, klare Strukturen wie Earnings-Vola-Crush, definierte Risiken. Reine Surface-Arbitrage scheitert an Transaktionskosten und Hedging-Friction.

Mein Fazit nach Jahren mit Vola-Surfaces: das Verständnis ist enorm wertvoll, auch wenn Sie nie eine eigene Surface fitten. Sie lesen Optionspreise einfach anders, sehen, wo der Markt gerade Risiko sucht oder los wird. Das alleine verbessert Ihre Trade-Auswahl.

Sie wollen Optionspreise systematischer interpretieren oder eine eigene Surface-Pipeline aufbauen? Erstgespräch buchen — wir klären, was sich für Ihr Setup wirklich lohnt.