24、鲁棒优化：应对曲面估计误差的稳健策略
说实话，做期权量化最怕什么？不是模型不够复杂，而是你辛辛苦苦拟合出来的波动率曲面，明天一开盘就给你脸色看。
我早年做实盘的时候，就吃过这个亏。当时用了一套看起来很完美的参数化模型，回测曲线漂亮得不行。结果一上实盘，连续三天曲面形状突变，组合直接回撤了5%。嗯，从那以后，我就把「鲁棒优化」这四个字刻在了脑门上。
这一讲，我们就聊聊怎么在曲面估计有误差的情况下，依然能让你的组合稳稳当当。
为什么需要鲁棒优化？
你想想看，我们之前做的所有优化，都是基于一个假设：我们拟合出来的波动率曲面是「真实」的。但现实是，这个曲面本身就有误差——
- 输入数据有噪声：买卖价差、流动性不足、异常成交，都会让报价失真
- 模型有偏差：SVI、SSVI这些参数化模型，本质上都是近似，不可能完美拟合所有期限和行权价
- 市场会变：你收盘时拟合的曲面，明天开盘可能就面目全非了
说白了，我们是在用一个「有误差的地图」去导航。鲁棒优化要做的，就是让这个导航系统在误差存在时，依然能把你带到目的地，而不是撞墙。
核心思想：与其追求「最优解」，不如追求「在误差范围内都还不错」的解。
鲁棒优化的三种主流思路
我个人习惯把鲁棒优化分成三个层次，从简单到复杂，你可以根据实际情况选择。
1. 最坏情况优化（Worst-Case Optimization）
这个思路很直接：假设曲面估计有误差，那我们就考虑最坏的情况，然后在这个最坏情况下做优化。
具体怎么做？
- 给每个曲面参数设定一个置信区间（比如±1个标准差）
- 在这个区间内，找到让组合表现最差的参数组合
- 然后优化组合，让这个最差情况下的表现尽可能好
代码实现起来其实不复杂：
def worst_case_optimization(base_params, param_bounds, objective_func):
"""
最坏情况鲁棒优化
base_params: 基准曲面参数
param_bounds: 每个参数的波动范围
objective_func: 目标函数（如组合PnL）
"""
worst_pnl = float('inf')
worst_params = None
# 在参数空间内搜索最坏情况
for perturbed_params in parameter_grid(base_params, param_bounds):
pnl = objective_func(perturbed_params)
if pnl < worst_pnl:
worst_pnl = pnl
worst_params = perturbed_params
# 在最坏情况下优化组合
optimal_portfolio = optimize_under_scenario(worst_params)
return optimal_portfolio注意：最坏情况优化有个问题——它太保守了。如果你把最坏情况考虑得太极端，得到的组合可能过于保守，在正常市场下表现平平。我曾经就犯过这个错，把参数范围设得太大，结果组合收益被压得很低。
2. 分布鲁棒优化（Distributionally Robust Optimization）
这个思路更优雅一些。我们不假设参数的具体分布，而是假设参数属于某个「分布族」，然后在这个族内做优化。
举个例子：
- 我们不知道曲面参数的精确分布，但知道它的均值和方差
- 那么所有满足这个均值和方差的分布，就构成了一个「分布族」
- 我们在这个族内，找到最坏情况下的最优解
这样做的好处是，你不需要精确知道误差的分布，只需要知道一些矩信息就够了。
def distributionally_robust_optimization(moments, ambiguity_set, portfolio):
"""
分布鲁棒优化
moments: 参数的矩信息（均值、方差等）
ambiguity_set: 分布族定义
portfolio: 当前组合
"""
# 构建Wasserstein球或其他模糊集
wasserstein_ball = WassersteinBall(center=moments, radius=epsilon)
# 在模糊集内求解最坏情况期望
worst_expected_pnl = solve_worst_case_expectation(
portfolio, wasserstein_ball
)
return worst_expected_pnl我的经验：分布鲁棒优化在实际中效果不错，但计算量比较大。如果你做的是高频或日内交易，建议用简化版本。如果是做周度或月度的组合再平衡，那完全可以用。
3. 场景生成与压力测试（Scenario Generation & Stress Testing）
这个方法最接地气，也是我目前在实盘中用得最多的。
思路很简单：
- 生成一组「可能出现的」曲面场景
- 在每个场景下评估组合表现
- 选择在所有场景下表现都还不错的组合
场景怎么生成？我一般用三种方式：
- 历史场景：直接拿过去出现过的曲面形态（比如2020年3月的波动率飙升）
- 合成场景：对当前曲面做扰动，比如把波动率整体上移10%，或者把偏斜拉大
- 极端场景：构造一些极端但可能发生的情况，比如波动率曲面变成「微笑」变「皱眉」
def scenario_based_optimization(current_surface, scenarios, portfolio):
"""
基于场景的鲁棒优化
"""
scenario_pnls = []
for scenario in scenarios:
# 在每个场景下重新定价组合
pnl = reprice_portfolio(portfolio, scenario)
scenario_pnls.append(pnl)
# 优化目标：最大化最差场景下的PnL
# 或者：最大化平均PnL同时控制最差PnL
objective = min(scenario_pnls) # 最大化最差场景
return objective一个实战案例：曲面误差下的组合优化
讲个我实际做过的案例吧。当时我在管理一个跨期限的期权组合，主要做波动率套利。
问题出在哪儿呢？短端曲面（1个月以内）流动性好，拟合得比较准。但长端曲面（6个月以上）流动性差，报价稀疏，拟合误差很大。
我当时的做法是这样的：
- 分期限处理：短端用精确拟合，长端用鲁棒优化
- 长端场景生成：对长端曲面参数做±20%的扰动，生成50个场景
- 组合优化：在短端精确、长端场景下，寻找稳健的组合
结果呢？组合的最大回撤从原来的8%降到了3.5%，收益虽然略降了一点，但夏普比率从1.2提升到了1.8。
关键教训：不要对所有参数一视同仁。流动性好的部分可以精确优化，流动性差的部分必须做鲁棒处理。
鲁棒优化的核心框架
下面这张图是我自己总结的鲁棒优化决策流程，你可以参考：
避坑指南
最后，分享几个我踩过的坑：
我曾经把鲁棒优化的参数范围设得太大，结果组合变得过于保守，在正常市场下收益被严重压缩。后来我学乖了：参数范围要根据历史数据的实际波动来设定，别拍脑袋。
另一个教训：鲁棒优化不是万能的。如果你的曲面估计误差大到离谱，什么优化方法都救不了你。先把数据质量搞上去，再谈鲁棒优化。
嗯，关于鲁棒优化，核心就这些。记住一句话：在金融市场里，追求「最优」往往不如追求「稳健」。毕竟，活得久比赚得快更重要。
公众号：蓝海数据掘金营，微信 deep3321