18. 曲面可视化：3D曲面图、热力图、等高线图、动态交互式图表

数据构建完了，模型也拟合好了。接下来干嘛？

你得把那个抽象的隐含波动率曲面，变成肉眼能看懂的东西。说白了，就是让数字说话。

我个人习惯，在完成曲面构建后，第一件事不是去算定价误差，而是先画图。看一眼，心里就有底了。哪里平滑，哪里突兀，哪个期限出了异常值，一目了然。

18.1 为什么可视化这么重要？

你想想看，一个曲面背后可能有几百个数据点。光看数字，你很难发现局部的问题。比如某个行权价附近，波动率突然跳升了2个点——这在表格里可能就是一行数字，但在3D图上，那就是一个尖锐的“刺”。

我在项目中遇到过，有一次用SVI拟合完，看均方根误差挺小的，以为万事大吉。结果画了个热力图一看，远月虚值期权那块颜色深得离谱。后来排查发现，是那个期限的报价数据混入了几个错误值。嗯，要是没画图，这个坑就踩进去了。

18.2 四种图，各有各的用处

我一般会画四张图，每张图看一个侧面。咱们一个一个说。

18.2.1 3D曲面图

这是最直观的。X轴是行权价（或者Delta），Y轴是剩余期限，Z轴是隐含波动率。整个曲面就像一块起伏的地形。

好的曲面，应该是光滑的、没有明显褶皱的。如果你看到某个地方突然塌陷或者凸起，那就要警惕了。

import plotly.graph_objects as go
import numpy as np

# 假设我们已经有了网格数据
# strike_grid: 行权价网格 (50x50)
# time_grid: 期限网格 (50x50)
# iv_surface: 拟合后的波动率曲面 (50x50)

fig = go.Figure(data=[
    go.Surface(
        z=iv_surface,
        x=strike_grid,
        y=time_grid,
        colorscale='Viridis',
        opacity=0.85
    )
])

fig.update_layout(
    title='隐含波动率曲面 (3D)',
    scene=dict(
        xaxis_title='行权价',
        yaxis_title='剩余期限 (年)',
        zaxis_title='隐含波动率 (%)'
    ),
    width=800,
    height=600
)

fig.show()

18.2.2 热力图

热力图是3D曲面的俯视图。把Z轴的值用颜色来表示。红色高，蓝色低。

这个图的好处是，你能一眼看出波动率微笑的形态。比如近月合约，虚值看涨和虚值看跌的颜色是不是对称？如果不对称，说明市场有偏斜（skew）。

import matplotlib.pyplot as plt
import seaborn as sns

plt.figure(figsize=(10, 6))
sns.heatmap(
    iv_surface,
    xticklabels=np.round(strike_grid[0, :], 1),
    yticklabels=np.round(time_grid[:, 0], 2),
    cmap='RdYlBu_r',
    annot=False,
    cbar_kws={'label': '隐含波动率 (%)'}
)

plt.title('隐含波动率曲面热力图')
plt.xlabel('行权价')
plt.ylabel('剩余期限 (年)')
plt.show()

18.2.3 等高线图

等高线图，说白了就是把曲面上相同波动率的点连成线。就像地图上的海拔线一样。

这个图在分析波动率期限结构时特别好用。你可以看看，是不是所有期限的等高线都大致平行？如果某条线突然拐弯，那可能就是那个区域的数据有问题。

plt.figure(figsize=(10, 6))
contour = plt.contour(
    strike_grid[0, :],
    time_grid[:, 0],
    iv_surface,
    levels=15,  # 画15条等高线
    cmap='viridis'
)

plt.clabel(contour, inline=True, fontsize=8, fmt='%.1f')
plt.title('隐含波动率等高线图')
plt.xlabel('行权价')
plt.ylabel('剩余期限 (年)')
plt.colorbar(label='隐含波动率 (%)')
plt.show()

18.2.4 动态交互式图表

静态图有个问题：你没法旋转、缩放、查看具体数值。所以，我强烈建议你做一个交互式图表。

用Plotly或者Bokeh都可以。我个人更偏爱Plotly，因为它生成的HTML文件可以直接在浏览器里打开，发给同事也方便。

import plotly.graph_objects as go
import numpy as np

# 构建一个带滑块的交互式图表
# 按期限切片，每个切片是一个波动率微笑

time_points = time_grid[:, 0]  # 所有期限
strike_slice = strike_grid[0, :]  # 行权价

fig = go.Figure()

# 先添加所有期限的曲线（默认只显示第一条）
for i, t in enumerate(time_points):
    fig.add_trace(
        go.Scatter(
            x=strike_slice,
            y=iv_surface[i, :],
            mode='lines+markers',
            name=f'T={t:.2f}',
            visible=(i == 0)  # 默认只显示第一条
        )
    )

# 创建滑块
steps = []
for i in range(len(time_points)):
    step = dict(
        method='update',
        args=[{'visible': [False] * len(time_points)}],
        label=f'{time_points[i]:.2f}年'
    )
    step['args'][0]['visible'][i] = True
    steps.append(step)

sliders = [dict(
    active=0,
    steps=steps,
    currentvalue={'prefix': '剩余期限: '}
)]

fig.update_layout(
    sliders=sliders,
    title='波动率微笑动态切片',
    xaxis_title='行权价',
    yaxis_title='隐含波动率 (%)'
)

fig.show()

18.3 可视化流程总结

说了这么多，咱们捋一下。我一般按这个顺序来：

1. 先画3D曲面图——看整体形态，找明显异常
2. 再画热力图——看局部细节，检查微笑对称性
3. 接着画等高线图——看期限结构，验证模型一致性
4. 最后做交互式图表——深入分析，定点排查

这四步走完，你对这个曲面的了解，比看一百行数字都深刻。