8、曲面特征工程：从曲面中提取特征

做期权波动率曲面交易，说白了就是跟曲面上的「形状」打交道。你想想看，曲面本身是个三维结构——行权价、剩余期限、隐含波动率。但我们的模型没法直接吃进去一个曲面，得把它拆成一个个有意义的特征。

我个人习惯把特征工程分成三大块：曲面几何特征、滚动窗口统计量、市场微观结构特征。这三块缺一不可，就像炒菜得放盐、放油、放火候一样。

8.1 曲面几何特征：期限结构斜率、微笑曲率、偏度

曲面几何特征，说白了就是描述曲面「长什么样」。我刚开始做这个的时候，以为直接把曲面扔进模型就行，结果发现模型根本学不到东西。后来才明白，得把曲面的关键「骨架」抽出来。

8.1.1 期限结构斜率

期限结构斜率，衡量的是「短期波动率 vs 长期波动率」的关系。通常我们用近月合约和远月合约的波动率差值来表示。

举个例子：

# 计算期限结构斜率
short_tenor = 0.1  # 1个月
long_tenor = 0.5   # 6个月

# 取平值附近的波动率
iv_short = get_iv_at_strike(surface, short_tenor, atm_strike)
iv_long = get_iv_at_strike(surface, long_tenor, atm_strike)

term_slope = iv_long - iv_short

嗯，这里要注意：斜率可以是正的（远期波动率更高），也可以是负的（近期波动率更高）。我在2020年3月那波行情里，就见过斜率瞬间从正变负，那感觉就像坐过山车。

8.1.2 微笑曲率

微笑曲率，衡量的是「虚值期权 vs 平值期权」的波动率差异。说白了就是看微笑的「弯度」有多大。

我一般用二次函数去拟合微笑曲线：

# 用二次函数拟合微笑曲线
import numpy as np

def fit_smile_curvature(moneyness, iv):
    # moneyness: 行权价/标的价格
    # iv: 对应行权价的隐含波动率
    coeffs = np.polyfit(moneyness, iv, 2)
    curvature = coeffs[0]  # 二次项系数
    return curvature

曲率越大，说明市场对尾部风险的定价越高。我曾经在某个商品期权上发现曲率突然飙升，结果第二天就出了个大新闻——嗯，市场永远比我们聪明。

8.1.3 偏度

偏度，衡量的是「左侧尾部 vs 右侧尾部」的不对称性。如果虚值看跌期权的波动率远高于虚值看涨期权，说明市场在定价下行风险。

我常用的偏度指标：

# 计算偏度
put_iv = get_iv_at_delta(surface, -0.25)  # 25-delta看跌
call_iv = get_iv_at_delta(surface, 0.25)  # 25-delta看涨

skew = put_iv - call_iv

偏度为正，说明看跌期权更贵；偏度为负，说明看涨期权更贵。我记得在2021年某个事件驱动策略里，偏度连续三天为正，结果第四天市场就崩了——这个信号其实挺灵的。

8.2 滚动窗口统计量

光看当前曲面的形状还不够，还得看它「怎么变的」。滚动窗口统计量就是干这个的。

我一般用以下几个统计量：

• 滚动均值：过去N个交易日的平均斜率/曲率/偏度
• 滚动标准差：衡量波动率的波动率（有点绕，但很重要）
• 滚动偏度：特征值本身的偏度，看是否有极端值
• 滚动峰度：特征值分布的尾部厚度

举个例子：

# 计算滚动窗口统计量
window = 20  # 20个交易日

rolling_mean = term_slope.rolling(window).mean()
rolling_std = term_slope.rolling(window).std()
rolling_skew = term_slope.rolling(window).skew()
rolling_kurt = term_slope.rolling(window).kurt()

你想想看，如果斜率突然偏离滚动均值超过2个标准差，那大概率是个交易信号。我曾经用这个逻辑抓过几次不错的入场点——当然，也有被打脸的时候。

8.3 市场微观结构特征

这部分容易被忽略，但其实特别重要。市场微观结构特征，说白了就是「交易层面的细节」。

我常用的微观结构特征包括：

• 买卖价差：隐含波动率的bid-ask spread，越宽说明流动性越差
• 成交量分布：不同行权价、不同期限的成交量占比
• 持仓量变化：特别是虚值期权的持仓量变化，往往预示方向
• 订单簿不平衡：买卖订单的深度差异

举个例子：

# 计算买卖价差
bid_iv = get_iv_from_bid(surface, strike, tenor)
ask_iv = get_iv_from_ask(surface, strike, tenor)

spread = (ask_iv - bid_iv) / ((ask_iv + bid_iv) / 2)

嗯，这里要注意：价差太宽的期权，即使信号再好也别碰。我曾经在某个深度虚值期权上吃过亏，信号看起来完美，但一进去就被价差吃掉了所有利润。

8.4 特征工程的整体框架

说了这么多，咱们用一张图来总结一下：

从这张图可以看得很清楚：波动率曲面经过三大类特征工程的处理，最终变成一个结构化的特征矩阵，然后喂给模型。每一步都很关键，缺了任何一个环节，模型的效果都会打折扣。

8.5 实战中的注意事项

最后，分享几个我在实战中踩过的坑：

1. 特征之间的相关性：期限结构斜率和偏度有时候高度相关，记得做相关性分析，避免多重共线性
2. 数据频率对齐：微观结构特征通常是高频数据（分钟级），而曲面几何特征是日频数据，合并时要小心
3. 异常值处理：波动率曲面偶尔会出现极端值（比如某个行权价的IV突然飙升），我一般用中位数滤波或者截断处理
4. 特征标准化：不同特征的量纲差异很大，比如斜率可能是0.01量级，而价差可能是0.001量级，记得做标准化

好了，这一章的内容就到这里。特征工程是个细活，急不得。你想想看，模型再牛逼，喂进去的是垃圾，出来的还是垃圾。所以，花时间把特征做好，绝对值得。

---