案例实战：构建A股50ETF期权隐含波动率曲面

好，咱们直接上手干活。这一章我打算带你把三个典型市场的波动率曲面都搭一遍——A股的50ETF、美股的SPY、还有商品期权。说白了，就是让你看看不同市场下，那套流程该怎么调。

我个人习惯是先从A股开始，毕竟数据好拿，规则也熟悉。你想想看，50ETF期权是国内流动性最好的品种之一，用它练手最合适。

数据准备：从Wind到本地DataFrame

嗯，这里要注意。50ETF期权的数据，我一般从Wind或者Tushare拉。核心字段就这几个：

• 合约代码、到期日、行权价
• 最新价、买卖价（用中间价更稳）
• 标的资产50ETF的实时价格
• 无风险利率（用SHIBOR 1M，别用国债收益率，那个期限对不上）

我曾经踩过一个坑：直接用收盘价算波动率，结果第二天开盘曲面就崩了。后来我改成用最后半小时的加权平均价，平滑很多。

import pandas as pd
import numpy as np
from scipy.optimize import brentq

# 假设df是清洗后的期权数据
def implied_volatility(price, S, K, T, r, option_type='call'):
    """用二分法反推隐含波动率"""
    def bs_price(sigma):
        d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T) / (sigma*np.sqrt(T))
        d2 = d1 - sigma*np.sqrt(T)
        if option_type == 'call':
            return S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)
        else:
            return K*np.exp(-r*T)*norm.cdf(-d2) - S*norm.cdf(-d1)
    
    try:
        return brentq(lambda s: bs_price(s) - price, 0.001, 2.0)
    except:
        return np.nan

df['iv'] = df.apply(lambda row: implied_volatility(
    row['mid_price'], 
    S=3.5,  # 50ETF实时价格
    K=row['strike'],
    T=row['days_to_expiry']/365,
    r=0.025
), axis=1)

曲面构建：插值与平滑

数据有了，接下来就是构建曲面。我一般用两步走：

1. 按到期日分组，每个到期日单独做波动率微笑
2. 在期限维度上插值，形成完整的曲面

这里有个坑：近月合约的波动率往往很陡，远月则平缓。直接做二维插值会出问题。我建议先对每个到期日做SVI拟合，再对SVI参数做期限插值。

from scipy.interpolate import griddata

# 构建网格：行权价比值（0.8~1.2）和剩余期限（0.1~1年）
strike_grid = np.linspace(0.8, 1.2, 50)
time_grid = np.linspace(0.1, 1.0, 20)

# 原始数据点
points = df[['moneyness', 'time_to_expiry']].values
values = df['iv'].values

# 插值
iv_surface = griddata(points, values, 
                      (strike_grid[:, None], time_grid[None, :]), 
                      method='cubic')

可视化：曲面长啥样

我习惯用3D曲面图来看。你注意观察：50ETF的曲面通常左边（虚值看跌）翘得比右边高，说明市场对下跌的恐惧更强烈。

构建美股SPY期权隐含波动率曲面

美股市场跟A股最大的区别是什么？数据量大、流动性好、而且有完整的期限结构。SPY期权从周到期到两年期都有，曲面会更平滑。

我记得第一次做SPY曲面时，直接用A股那套代码跑，结果报错——因为SPY的期权数据里，行权价间距是1美元，而50ETF是0.05元。这个细节让我折腾了一下午。

数据源与预处理

美股数据我一般用Yahoo Finance或者IB的API。关键点：

• SPY的股息率要算进去，不然波动率会偏大
• 用期权链数据，别一个个合约拉，太慢
• 剔除交易量小于100手的合约，那些报价不靠谱

import yfinance as yf

# 获取SPY期权链
spy = yf.Ticker("SPY")
expirations = spy.options[:10]  # 取最近10个到期日

all_data = []
for exp in expirations:
    opt_chain = spy.option_chain(exp)
    calls = opt_chain.calls
    puts = opt_chain.puts
    
    # 合并，取中间价
    calls['type'] = 'call'
    puts['type'] = 'put'
    df_exp = pd.concat([calls, puts])
    df_exp['expiration'] = pd.to_datetime(exp)
    all_data.append(df_exp)

df_spy = pd.concat(all_data, ignore_index=True)

曲面构建：加入股息率校正

美股期权定价必须考虑股息。SPY的股息率大概在1.3%左右，忽略它会导致隐含波动率高估0.5~1个点。

我习惯用put-call parity来反推隐含股息率，这样更准。你想想看，如果call和put的隐含波动率不一致，那肯定是股息率设错了。

# 股息率校正：用平值call和put反推
atm_call = df_spy[(df_spy['type']=='call') & (df_spy['strike']==spy_price)]
atm_put = df_spy[(df_spy['type']=='put') & (df_spy['strike']==spy_price)]

# put-call parity: C - P = S*exp(-qT) - K*exp(-rT)
implied_q = -np.log((atm_call['lastPrice'] - atm_put['lastPrice'] + 
                     spy_price*np.exp(-r*T)) / spy_price) / T

曲面特征：美股更「平」

SPY的波动率曲面跟50ETF有个明显区别：微笑更对称。左边和右边的高度差不多，不像A股那样左边明显高。这是因为美股市场机构投资者多，对冲需求更均衡。

我做过一个统计：SPY的波动率偏斜（skew）大概在-2到-3之间，而50ETF的skew经常到-5以下。说白了，A股市场对下跌的恐惧更强烈。

构建商品期权曲面

商品期权跟股票期权完全是两码事。我最早做铜期权曲面时，被它的期限结构搞懵了——近月波动率比远月还低，跟股票完全反着来。

为什么会这样？因为商品有存储成本、有季节性、有交割机制。这些因素都会影响波动率曲面。

商品期权的特殊处理

做商品期权曲面，你得额外处理几个东西：

• 期货价格：商品期权标的通常是期货，不是现货
• 便利收益：持有实物商品带来的收益，会影响定价
• 季节性：农产品有收割季，能源有取暖季

案例：原油期权曲面

我拿原油期权举个例子。原油的波动率曲面有个特点：深度虚值看涨期权的波动率特别高，因为市场总是担心地缘政治导致油价暴涨。

# 原油期货数据示例
# 假设我们拿到了CL期货的期权链
oil_data = {
    'strike': [65, 70, 75, 80, 85, 90],
    'call_iv': [0.28, 0.25, 0.23, 0.24, 0.27, 0.32],
    'put_iv': [0.35, 0.30, 0.26, 0.24, 0.23, 0.22],
    'time_to_expiry': 0.25  # 3个月
}

# 注意看：call的IV在两端都高，但put的IV在低行权价更高
# 这就是典型的「波动率偏斜」+「尾部风险溢价」

曲面构建流程总结

不管哪个市场，流程其实就这几步：

1. 数据清洗：去异常值、去流动性差的合约
2. 计算隐含波动率：用BS模型反推，注意股息/便利收益
3. 微笑拟合：每个到期日单独拟合SVI或多项式
4. 期限插值：对SVI参数做期限维度的插值
5. 曲面输出：生成网格数据，用于定价或风控

嗯，这里要注意。第三步和第四步的顺序不能乱。我见过有人直接对所有数据做二维插值，结果曲面出现负波动率——那肯定是方法错了。

好了，三个市场的曲面构建案例就讲到这里。你回去可以拿真实数据跑一遍，看看不同市场的曲面长什么样。有什么问题，咱们下节课再聊。