14. 曲面平滑技术：核回归平滑、局部多项式平滑、平滑参数选择

好了，咱们接着聊。上一章我们把波动率曲面的骨架搭起来了——原始数据、插值、网格化。但说实话，那个曲面看起来还像个刺猬。为什么？因为市场报价本身就有噪音，买卖价差、交易摩擦、做市商的情绪波动，都会让曲面坑坑洼洼。

平滑，就是把这些毛刺去掉，让曲面回归到它该有的样子。我个人习惯把平滑看作是“给曲面做美容”——不是整容，是微调。今天咱们聊三种主流手法：核回归、局部多项式，以及那个让人又爱又恨的参数选择问题。

14.1 为什么需要平滑？

先看一个实际场景。我在做某个股指期权曲面时，发现ATM附近的隐含波动率突然跳了0.5个vol。查了半天，原来是某个大单成交导致的瞬时冲击。这种点，你如果不处理，后续的定价和风控全都会偏。

平滑要解决的核心问题有三个：

• 去噪：剔除市场微观结构带来的随机波动
• 保持形状：不能把真实的偏斜（skew）和期限结构给抹平了
• 稳定性：今天和明天的曲面不能因为一个报价的变动就剧烈抖动

14.2 核回归平滑（Nadaraya-Watson Estimator）

核回归，说白了就是加权平均。每个点的值，由它周围点的加权平均来估计。权重由核函数决定——距离越近，权重越大。

公式长这样：

σ̂(K, T) = Σ wᵢ · σᵢ / Σ wᵢ

其中 wᵢ = K( (K - Kᵢ)/h_K ) · K( (T - Tᵢ)/h_T )

这里K(·)是核函数，h是带宽参数。我常用的核函数有：

• 高斯核：最常用，平滑效果好，但计算稍慢
• Epanechnikov核：理论上最优，计算快，我比较偏爱
• 均匀核：简单粗暴，但边界处容易有跳跃

代码实现其实不复杂：

import numpy as np
from scipy.spatial.distance import cdist

def kernel_regression(X, y, X_pred, h=0.1, kernel='gaussian'):
    """
    X: (n, 2) 形状，列是 [K, T]
    y: (n,) 隐含波动率
    X_pred: (m, 2) 待预测点
    h: 带宽
    """
    dists = cdist(X_pred, X, metric='euclidean')
    
    if kernel == 'gaussian':
        weights = np.exp(-0.5 * (dists / h)**2)
    elif kernel == 'epanechnikov':
        weights = np.maximum(0, 1 - (dists / h)**2)
    
    # 加权平均
    y_pred = np.sum(weights * y, axis=1) / np.sum(weights, axis=1)
    return y_pred

14.3 局部多项式平滑（Local Polynomial Regression）

核回归有个问题——它本质上是用常数来拟合局部区域。如果曲面曲率比较大，常数拟合就不够用了。局部多项式就是升级版：在每个局部，用一个低阶多项式来拟合。

我个人最常用的是局部线性回归（局部多项式的一阶形式）。它在每个预测点附近，求解一个加权最小二乘问题：

min Σ wᵢ · (σᵢ - (β₀ + β₁·(K-K₀) + β₂·(T-T₀)))²

代码实现：

def local_linear_regression(X, y, X_pred, h=0.1):
    y_pred = np.zeros(len(X_pred))
    
    for i, x0 in enumerate(X_pred):
        # 计算权重
        dists = np.linalg.norm(X - x0, axis=1)
        weights = np.exp(-0.5 * (dists / h)**2)
        W = np.diag(weights)
        
        # 构建设计矩阵（包含截距项和线性项）
        X_design = np.c_[np.ones(len(X)), X - x0]
        
        # 加权最小二乘
        beta = np.linalg.inv(X_design.T @ W @ X_design) @ (X_design.T @ W @ y)
        y_pred[i] = beta[0]  # 只取截距项
    
    return y_pred

局部多项式比核回归好在哪？

• 边界表现更好：线性项能自动校正边界偏差
• 导数估计：β₁和β₂直接给出了曲面的偏导数，这对greeks计算很有用
• 适应性更强：能处理曲率变化大的区域

14.4 平滑参数选择——那个让人头疼的问题

不管是核回归还是局部多项式，都绕不开一个参数：带宽h。h选大了，曲面太平滑，细节全丢；h选小了，曲面还是毛刺一堆。

我常用的方法有几种：

方法	原理	优缺点
交叉验证（CV）	留一法或k折，最小化预测误差	客观，但计算量大
广义交叉验证（GCV）	CV的近似，计算更快	适合大样本，但可能过平滑
经验法则（Rule of Thumb）	h = c · σ · n^(-1/5)	简单快速，但不够精确
目视检查	画几个不同h的曲面，凭经验选	主观，但实战中很有效

交叉验证的代码：

from sklearn.model_selection import KFold

def cv_bandwidth_selection(X, y, h_candidates):
    kf = KFold(n_splits=5, shuffle=True)
    cv_errors = []
    
    for h in h_candidates:
        errors = []
        for train_idx, val_idx in kf.split(X):
            X_train, y_train = X[train_idx], y[train_idx]
            X_val, y_val = X[val_idx], y[val_idx]
            
            y_pred = kernel_regression(X_train, y_train, X_val, h=h)
            errors.append(np.mean((y_val - y_pred)**2))
        
        cv_errors.append(np.mean(errors))
    
    best_h = h_candidates[np.argmin(cv_errors)]
    return best_h, cv_errors

14.5 实战中的避坑指南

这些年做曲面平滑，踩过的坑不少。挑几个典型的说说：

• 带宽对数据密度敏感：ATM附近数据密集，带宽可以小一点；深度虚值数据稀疏，带宽要大一些。我曾经用全局带宽吃过亏，后来改成了自适应带宽。
• 不要忽视异常值：平滑前最好先做一次异常值检测。我一般用3σ原则或MAD（中位数绝对偏差）来剔除明显的错误报价。
• 平滑后的曲面要满足无套利约束：平滑完一定要检查——有没有出现波动率为负的情况？有没有蝶式套利机会？这些在平滑过程中很容易被忽略。
• 计算效率：如果你要做实时曲面更新，核回归和局部多项式都要考虑计算效率。我一般用KD树来加速近邻搜索，能快一个数量级。

14.6 本章知识体系

下面这张图总结了曲面平滑的核心流程和选择逻辑：

嗯，曲面平滑这块内容不少，但核心就三件事：选方法、调参数、验结果。核回归适合快速原型，局部多项式适合生产环境。参数选择没有银弹，交叉验证加经验判断是我目前觉得最靠谱的组合。

记住一点：平滑是为了让曲面更真实，而不是更漂亮。如果平滑后的曲面出现了新的套利机会，那说明你平滑过头了。

---

公众号:蓝海资料掘金营，微信deep3321