第十三章：机器学习在曲面套利中的应用

说实话，做期权曲面套利做到一定程度，你会发现一个尴尬的事实——传统统计套利模型越来越难赚钱了。为什么？因为市场在进化，做市商和量化机构都在用更复杂的工具。这时候，机器学习就派上用场了。

我个人习惯把机器学习在曲面套利中的应用分成三个层次：预测曲面变动、识别套利信号、优化执行策略。这一章，我们重点聊前两个。

13.1 为什么要用机器学习预测曲面变动？

先问一个问题：曲面套利的本质是什么？

说白了，就是找到曲面上的定价错误，然后赌它回归。但这里有个坑——曲面本身是动态的。你今天看到的"错误"，明天可能就变成"合理"了。

我在项目中遇到过这样的情况：一个明显的蝶式套利机会，按传统统计模型算出来有3个sigma的偏离。结果我进场之后，曲面继续往不利方向跑，最后止损出局。后来复盘发现，是因为没有把曲面变动的趋势考虑进去。

所以，预测曲面变动，本质上是在回答一个问题：当前这个定价偏差，是会收敛，还是会扩大？

13.2 LSTM：捕捉曲面时序依赖

LSTM（长短期记忆网络）这东西，说白了就是专门处理时间序列的。曲面数据天然就是时序数据——今天的曲面和昨天的曲面有很强的依赖关系。

我建议这样设计LSTM的输入：

• 输入特征：过去N天的曲面切片（比如ATM波动率、偏度、峰度）
• 目标变量：未来K天的曲面变动方向（涨/跌/平）
• 时间窗口：我个人习惯用20天（约一个交易月）

代码示例（简化版）：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

# 假设曲面数据 shape: (样本数, 时间步长, 特征数)
# 特征：ATM波动率、25delta偏度、10delta偏度、期限结构斜率
X_train = np.random.randn(1000, 20, 4)  
y_train = np.random.randint(0, 3, 1000)  # 0:下跌, 1:持平, 2:上涨

model = Sequential([
    LSTM(64, return_sequences=True, input_shape=(20, 4)),
    Dropout(0.2),
    LSTM(32),
    Dropout(0.2),
    Dense(16, activation='relu'),
    Dense(3, activation='softmax')
])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy')
model.fit(X_train, y_train, epochs=50, batch_size=32, validation_split=0.2)

13.3 XGBoost：特征工程才是王道

LSTM虽然强大，但有个问题——可解释性差。你很难说清楚到底是哪个因子在驱动预测结果。这时候，XGBoost就派上用场了。

我个人习惯用XGBoost做两件事：

1. 特征重要性分析：找出哪些曲面特征对预测最有帮助
2. 分类预测：和LSTM做同样的任务，但提供可解释性

特征工程这块，我建议至少包含以下几类：

特征类别	具体特征	说明
水平因子	ATM波动率、VVIX	反映整体波动水平
偏度因子	25delta skew、10delta skew	反映尾部风险定价
曲度因子	蝶式价差、铁鹰价差	反映凸性定价
期限结构	近远月价差、期限结构斜率	反映时间溢价
动量特征	过去N日变动率、波动率变化	反映趋势

代码示例：

import xgboost as xgb
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

# 假设特征矩阵 X 和标签 y
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

model = xgb.XGBClassifier(
    n_estimators=200,
    max_depth=6,
    learning_rate=0.05,
    subsample=0.8,
    colsample_bytree=0.8
)

model.fit(X_train, y_train, 
          eval_set=[(X_test, y_test)],
          early_stopping_rounds=20,
          verbose=False)

# 特征重要性
importance = model.feature_importances_
for i, imp in enumerate(importance):
    print(f"特征{i}: {imp:.4f}")

13.4 特征重要性分析：到底什么在驱动曲面？

你想想看，如果不知道哪些特征重要，你就是在黑箱里做交易。特征重要性分析，说白了就是给模型做"体检"。

我常用的方法有三种：

• 内置重要性：XGBoost自带的feature_importances_，基于分裂次数或信息增益
• SHAP值：更精细的分析，能告诉你每个特征对单个预测的贡献
• Permutation Importance：打乱某个特征，看模型性能下降多少

举个例子，用SHAP分析曲面特征：

import shap

# 创建解释器
explainer = shap.TreeExplainer(model)
shap_values = explainer.shap_values(X_test)

# 可视化
shap.summary_plot(shap_values, X_test, feature_names=feature_names)

我在项目中用SHAP分析发现了一个有趣的现象：当市场处于低波动环境时，期限结构特征的重要性会上升；而在高波动环境下，偏度特征更重要。这说明曲面变动的驱动因子是动态变化的。

13.5 模型集成策略：1+1 > 2

单一模型总有局限性。LSTM擅长捕捉时序依赖，XGBoost擅长处理特征交互。把它们结合起来，效果往往更好。

我常用的集成策略有三种：

1. Stacking：用LSTM和XGBoost的输出作为元模型的输入
2. Voting：多个模型投票决定最终预测
3. Blending：按权重混合多个模型的预测结果

我个人最常用的是Blending，因为它简单且有效：

# LSTM预测概率
lstm_probs = lstm_model.predict(X_test_lstm)

# XGBoost预测概率
xgb_probs = xgb_model.predict_proba(X_test_xgb)

# 加权混合（权重根据验证集表现调整）
weights = [0.4, 0.6]  # LSTM权重0.4, XGBoost权重0.6
ensemble_probs = weights[0] * lstm_probs + weights[1] * xgb_probs

# 最终预测
final_pred = np.argmax(ensemble_probs, axis=1)

13.6 知识体系总览

这一章的内容比较多，我画了一张图帮你理清思路：

这张图展示了从数据输入到最终预测的完整流程。核心思路是：先用特征工程提取有效信息，再用LSTM和XGBoost分别建模，最后通过集成策略融合结果。

13.7 实战中的注意事项

最后，分享几个我在实战中踩过的坑：

• 过拟合是最大的敌人：曲面数据样本量有限，模型很容易记住噪声。我建议用滚动验证而不是随机划分，更贴近实盘场景。
• 不要迷信模型精度：预测准确率80%听起来不错，但如果那20%的错误都发生在关键时刻，你的策略照样亏钱。
• 模型更新频率要合理：我试过每天重新训练模型，结果过拟合严重。后来改成每周更新一次，效果反而更好。
• 别忘了交易成本：机器学习模型给出的信号可能很频繁，但每次交易都有成本。一定要在回测中考虑滑点和手续费。