25. 机器学习在曲面构建中的应用：神经网络拟合曲面、高斯过程回归、深度学习模型

说实话，传统插值方法用了这么多年，确实够用。但做量化时间久了你会发现——市场数据太脏了。报价缺失、买卖价差不对称、异常点频发，传统方法处理起来很吃力。这时候，机器学习就派上用场了。

我个人习惯把机器学习方法看作「带正则化的智能插值器」。它们不仅能拟合曲面，还能告诉你哪里数据不可靠、哪里需要平滑。今天咱们就聊聊三种主流方案：神经网络、高斯过程、深度学习。

25.1 神经网络拟合曲面：从MLP到残差网络

先说说最直接的方法——用神经网络直接学习隐含波动率曲面。输入是行权价、剩余期限，输出就是波动率。听起来简单，但坑不少。

我记得第一次用MLP做曲面拟合时，模型在训练集上表现完美，一上测试集就崩了。后来发现是激活函数选错了。ReLU在边界处会产生「死区」，导致远价外期权区域完全拟合不了。

下面是一个简单的MLP实现，注意看输入特征的处理：

import torch
import torch.nn as nn

class IVSurfaceMLP(nn.Module):
    def __init__(self, hidden_dim=128):
        super().__init__()
        # 输入：moneyness, time_to_maturity, 可选：delta, vega
        self.net = nn.Sequential(
            nn.Linear(3, hidden_dim),
            nn.SiLU(),  # Swish激活
            nn.Linear(hidden_dim, hidden_dim),
            nn.SiLU(),
            nn.Linear(hidden_dim, hidden_dim),
            nn.SiLU(),
            nn.Linear(hidden_dim, 1)  # 输出隐含波动率
        )
        # 残差连接：我习惯加一个跳跃连接
        self.skip = nn.Linear(3, hidden_dim)
        
    def forward(self, x):
        out = self.net(x)
        skip = self.skip(x)
        return out + skip  # 残差连接防止梯度消失

25.2 高斯过程回归：自带置信区间的曲面

神经网络虽然强大，但它有个致命问题——你不知道它什么时候在「瞎猜」。高斯过程回归（GPR）就不一样了，它天生自带不确定性估计。

说白了，GPR 不仅告诉你波动率是多少，还告诉你这个估计有多可靠。这在期权做市里太重要了。你想想看，如果某个区域数据稀疏，GPR 给出的置信区间会自然变宽，提醒你「这里别太自信」。

我曾经用 GPR 处理过一只冷门股票的波动率曲面。传统插值在远月合约上完全跑偏，但 GPR 因为能自动调整核函数的长度尺度，反而给出了合理的平滑结果。

核心代码其实不复杂：

from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import RBF, WhiteKernel, ConstantKernel

# 构建核函数：趋势项 + 噪声项
kernel = ConstantKernel(1.0) * RBF(length_scale=[0.5, 0.3]) + WhiteKernel(noise_level=0.1)

gpr = GaussianProcessRegressor(
    kernel=kernel,
    alpha=1e-6,  # 数值稳定性
    normalize_y=True,
    n_restarts_optimizer=10  # 多次优化避免局部最优
)

# X: [moneyness, time_to_maturity]
# y: 隐含波动率
gpr.fit(X_train, y_train)

# 预测并获取置信区间
y_pred, y_std = gpr.predict(X_test, return_std=True)

25.3 深度学习模型：LSTM与Transformer的尝试

说到深度学习，很多人第一反应是「杀鸡用牛刀」。但如果你做的是高频做市或者跨资产曲面预测，传统方法确实不够用。

我试过用 LSTM 建模波动率曲面的时序演化。输入是过去 20 个交易日的曲面快照，输出是下一个交易日的曲面。效果嘛……说实话，比简单的时间序列模型好，但提升有限。

真正让我眼前一亮的是 Transformer。它的自注意力机制能自动捕捉不同行权价、不同期限之间的长程依赖关系。比如，远月平值期权的波动率变化，往往会影响到近月深度价外期权——这种跨区域的相关性，传统模型很难刻画。

下面是一个简化版的 Transformer 曲面预测器：

import torch.nn.functional as F

class SurfaceTransformer(nn.Module):
    def __init__(self, d_model=64, nhead=4, num_layers=3):
        super().__init__()
        # 将曲面展平为序列：每个点是一个 token
        self.pos_encoding = nn.Parameter(torch.randn(1, 100, d_model))
        encoder_layer = nn.TransformerEncoderLayer(
            d_model=d_model, nhead=nhead, dim_feedforward=256, dropout=0.1
        )
        self.transformer = nn.TransformerEncoder(encoder_layer, num_layers=num_layers)
        self.output_proj = nn.Linear(d_model, 1)
        
    def forward(self, x):
        # x: [batch, seq_len, features]
        x = x + self.pos_encoding[:, :x.size(1), :]
        x = self.transformer(x)
        return self.output_proj(x).squeeze(-1)

25.4 三种方法的对比与选择

说了这么多，到底该用哪个？我整理了一个对比表，方便你根据实际情况选：

方法	优点	缺点	适用场景
神经网络 (MLP)	训练快、泛化好、可处理大数据	缺乏不确定性估计、需要调参	数据量大、需要快速推理
高斯过程回归	自带置信区间、小样本表现好	计算慢、不适合大数据	数据稀疏、需要可靠性评估
深度学习 (Transformer)	捕捉时序依赖、跨区域关联	训练成本高、容易过拟合	曲面预测、高频场景

嗯，机器学习这块内容确实不少。但核心就一句话：不要为了用机器学习而用机器学习。先搞清楚你的业务需求是什么，再选合适的方法。数据量大、要求速度快，就上神经网络；数据稀疏、需要知道可靠性，就用高斯过程；要做预测、捕捉复杂关系，再考虑深度学习。

我曾经犯过一个错误——在只有 200 个数据点的情况下硬上 Transformer，结果过拟合得一塌糊涂。后来换成 GPR，效果立竿见影。所以啊，选方法之前，先看看你的数据长什么样。

---