如果你只知道一个人每周日有多少钱，却不知道这一周钱怎么进、怎么出，就很难判断他中途会不会资金告急。期权市场也有类似问题：不同执行价、不同到期日的欧式期权，可以告诉我们资产在每个到期日可能落在哪里，却没有说明价格如何从一个日期走到下一个日期。
这篇论文处理的正是缺失的“中间过程”。三位作者 Mathias Beiglböck、Manuel Hasenbichler 和 Gudmund Pammer 提出 Stochastic Knothe–Rosenblatt（SKR）方法：给已有的随机波动率或路径依赖波动率模型加一层校准，让模型匹配各期限的期权信息，同时尽可能保留原模型的动态特征。
标题用了“Light-speed”。但这首先是作者的表述。论文确实提出了可分步、可并行的算法结构，却没有在所给全文材料中提供足以验证“光速”的完整运行时间、加速倍数、硬件环境和误差对照。因此，更准确的看点不是一个已经坐实的速度纪录，而是它把原本难缠的跨期校准拆成了一串较容易计算的问题。
曲面拟合好了，事情还没结束
波动率曲面——把不同执行价和到期日的期权价格换算成隐含波动率后形成的表面——是交易和风控系统描述市场不确定性的常用方式。
在无套利和常规技术条件下，同一到期日的一组欧式期权价格，可以确定或约束该日资产价格的风险中性边际分布。所谓“风险中性”，是用于期权定价的一套概率口径；“边际分布”则只回答某一个日期上各种价格出现的可能性。
问题在于，两套模型完全可以拥有相同的每日“终点照片”，却讲出不同的“沿途故事”。这种不同日期之间如何关联，叫跨期耦合。它会影响路径依赖期权和动态对冲，所以只把每个期限分别拟合好，并不等于把模型校准好了。
常见的随机局部波动率模型（stochastic local volatility，SLV）同时允许波动率随当前价格变化，也允许它随机变化，目标是兼顾局部波动率的拟合能力和随机波动率的动态表现。但论文指出，传统 SLV 校准会涉及较为棘手的 McKean–Vlasov 方程——一种系数还依赖整体概率分布的方程。
一站一站校准，但把行李带到下一站
SKR 换了一个角度。它不直接一次性解决整条时间路径，而是沿到期日向前递归。
可以把它想成一趟多站列车。每到一站，算法都做两件事：先确保这一站的价格分布与期权市场给出的目标一致；再从所有满足目标的走法中，选择与参考模型最接近的一种。这里的参考模型可以是 Heston，也可以是 Bergomi 或有限因子的路径依赖波动率模型。
关键不只是“逐站处理”，而是算法会把校准后价格与参考模型状态的联合分布带到下一站。联合分布记录了两者怎样一起变化。这样，隐藏的波动率因子和路径信息不会在每次校准后被简单清空。
这正是随机 Knothe–Rosenblatt 这个名字所指的思路：通过一系列有条件的、较容易处理的传输，逐步构造复杂的联合关系。作者把每一段问题写成弱鞅最优传输（weak martingale optimal transport，WMOT）：在满足鞅约束的前提下，寻找对参考动态扭曲最小的概率搬运方案。鞅约束说白了，就是在当前信息下，未来价格的条件平均值不能凭空产生可套利的漂移。
论文在所列条件下证明，每一段的最优解存在并且依概率律唯一；递归组成的 SKR 模型也存在并且依概率律唯一。它还给出一种推广的 Bass martingale 结构：用参考模型的条件增量代替经典 Bass 构造里的 Brownian 增量，从而让校准结果继承更丰富的参考动态。
两步反复，把约束拉回正确位置
每段校准可以使用 Martingale Sinkhorn 算法求解。它是一种固定点迭代：反复执行两项更新。
第一步把终点分布单调搬运到目标边际分布，也就是先让模型“对上期权曲面”。第二步调整状态相关的位移，使结果重新满足鞅条件。前一步可能破坏后一步的要求，后一步又为下一轮提供新起点，于是两者交替，逐渐靠近同时满足两类约束的解。
作者在严格不可约、目标分布具有紧支撑等附加条件下证明了这套迭代的收敛。论文还报告，在一般参考过程中，数值实验观察到线性收敛。不过这项速度判断来自作者自己的实验，材料没有给出可供本文复核的完整定量基准。
为什么这条路线值得关注
它首先是一层“外挂”，而不是要求交易台推倒原模型重来。量化团队可以保留已有随机波动率或路径依赖模型，把 SKR 作为校准层叠加在上面。它解决的不是“能不能拟合每个到期日”，而是“拟合之后能否少牺牲原模型的跨期结构”。
其次，它把连续时间 SLV 校准换成一串一维 WMOT 问题。论文给出的直觉是：当到期日网格越来越密，每一小段都选择对参考波动率改动最小、同时满足下一时刻边际约束的方案，极限行为应对应 SLV 的杠杆调整。作者称，在在线补充材料所列的正则条件下，SKR 会趋近与同一参考模型对应的 SLV；这不是无条件适用于所有模型的结论。
它也能扩展到多资产。每项资产仍分别处理一维边际约束，但条件分布会使用完整的初始联合状态，因此资产之间并非被强行设为独立。各坐标更新可以并行，也不必直接求解一个高维传输问题。这为多资产场景提供了一条计算上更可控的路线，同时把资产间依赖主要交给参考模型保存。
局限与未知
- “精确匹配边际分布”是理论构造下的结论。实际离散化、数值容差和有限迭代能接近到什么程度，所给材料没有量化。
- 论文以 Heston、Bergomi 和有限因子路径依赖动态作基准，并讨论多资产扩展，但这些结果目前都来自同一篇论文，尚无独立复现材料。
- “Light-speed”不能当作已验证的性能事实。缺少统一硬件、误差标准和与其他校准方法的完整定量比较时，更稳妥的判断是：SKR 提供了一个结构清晰、适合高效数值实现的校准框架。