7、波动率期限结构：期限结构的定义、不同期限的波动率特征、期限结构的拟合方法
各位同学，今天我们来聊聊波动率期限结构。说实话，这个知识点在实战中特别重要，但很多人容易把它和波动率微笑搞混。我刚开始做期权交易那会儿，也犯过这个错——盯着微笑曲线看了半天，结果忽略了期限结构的变化，导致对冲策略出了大问题。
好，咱们直接进入正题。
7.1 什么是波动率期限结构？
简单来说，波动率期限结构描述的是：对于同一个标的资产，不同到期期限的期权，其隐含波动率之间的关系。
你想想看，一个1个月后到期的期权，和一个1年后到期的期权，它们的波动率能一样吗？显然不能。市场对短期和长期的不确定性预期是不同的。
用数学语言表达就是：
σ_imp = f(T) 其中 T 是剩余到期时间这里的 f(T) 就是期限结构函数。它可以是向上倾斜的、向下倾斜的，甚至是驼峰状的。
核心区别：
- 波动率微笑：固定到期时间，看执行价格 K 的变化
- 波动率期限结构：固定执行价格（通常是平值），看到期时间 T 的变化
嗯，这里要注意：实际市场中，两者是交织在一起的。我们通常用波动率曲面来同时描述这两个维度。但今天咱们先聚焦在期限结构上。
7.2 不同期限的波动率特征
我在项目中观察到的规律是这样的：
7.2.1 短期波动率（1个月以内）
- 波动剧烈：受突发事件、财报、宏观数据影响极大
- 均值回归快：短期冲击后，波动率往往迅速回落
- 容易出现尖峰：比如某天突然暴跌，隐含波动率瞬间飙升
我记得有一次做美股期权策略，遇到非农数据公布日。当天短期平值期权的隐含波动率直接从18%跳到了35%。这种极端情况，如果你没有在期限结构上做好预案，很容易被打爆仓。
7.2.2 中期波动率（1-6个月）
- 相对平滑：短期噪音被时间平滑掉一部分
- 趋势性更强：反映市场对中期宏观环境的判断
- 与标的走势相关性高：比如大盘持续下跌时，中期波动率会缓慢抬升
7.2.3 长期波动率（6个月以上）
- 稳定性最高：受短期事件影响最小
- 反映结构性预期：比如利率环境、地缘政治等长期因素
- 往往存在“波动率溢价”：长期期权通常比短期贵，因为不确定性更大
实战小技巧：
我个人习惯用 期限结构斜率 来判断市场情绪。如果短期波动率远高于长期（即期限结构向下倾斜），说明市场正在恐慌。反之，如果长期波动率高于短期（向上倾斜），说明市场预期未来不确定性会增加。
7.3 期限结构的拟合方法
好，理论说完了，咱们来点干货。怎么把离散的期权数据拟合成一条连续的期限结构曲线？
说白了，我们手头只有几个到期日的期权数据（比如1周、1月、3月、6月、1年），但我们需要知道任意到期时间的波动率。这就得靠拟合。
7.3.1 线性插值法
最简单粗暴的方法。假设两个相邻到期日之间的波动率是线性变化的。
def linear_interp(T, T_list, sigma_list):
"""
线性插值波动率期限结构
T: 目标到期时间
T_list: 已知到期时间列表
sigma_list: 已知波动率列表
"""
import numpy as np
return np.interp(T, T_list, sigma_list)
# 示例
T_known = [0.02, 0.08, 0.25, 0.5, 1.0] # 单位：年
sigma_known = [0.25, 0.22, 0.20, 0.19, 0.18]
T_target = 0.15 # 约55天
sigma_target = linear_interp(T_target, T_known, sigma_known)
print(f"目标到期时间 {T_target:.2f} 年的波动率为 {sigma_target:.4f}")
注意：线性插值虽然简单，但会引入“折线效应”。在到期日附近，波动率变化不光滑，可能导致定价不连续。我建议只在快速原型验证时用。
7.3.2 多项式拟合
用多项式函数来拟合整个期限结构。常用的是二次或三次多项式。
def poly_fit(T, T_list, sigma_list, degree=3):
"""
多项式拟合波动率期限结构
"""
import numpy as np
coeffs = np.polyfit(T_list, sigma_list, degree)
poly = np.poly1d(coeffs)
return poly(T)
# 示例
sigma_target_poly = poly_fit(T_target, T_known, sigma_known, degree=3)
print(f"多项式拟合结果：{sigma_target_poly:.4f}")
嗯，这里要注意：多项式阶数不能太高。我见过有人用5次多项式去拟合6个点，结果曲线在两端疯狂震荡，完全失真。一般3次就够了。
7.3.3 样条插值（推荐）
我个人最推荐的方法。样条插值能保证曲线光滑，且通过所有已知点。
from scipy.interpolate import CubicSpline
def spline_fit(T, T_list, sigma_list):
"""
三次样条插值拟合波动率期限结构
"""
cs = CubicSpline(T_list, sigma_list, bc_type='natural')
return cs(T)
# 示例
sigma_target_spline = spline_fit(T_target, T_known, sigma_known)
print(f"样条插值结果：{sigma_target_spline:.4f}")
为什么推荐样条？
- 光滑性：一阶、二阶导数连续，不会出现折线
- 局部性：修改一个点，只影响附近区域，不会全局震荡
- 灵活性：可以加入边界条件（如自然样条、固定斜率等）
7.3.4 参数化模型（SVI、SSVI等）
对于更专业的应用，我们会用参数化模型。比如 SVI（Stochastic Volatility Inspired）模型，它不仅能拟合期限结构，还能同时拟合微笑。
不过这个内容比较深，咱们后面章节会专门讲。今天先知道有这个东西就行。
7.4 知识体系结构图
下面我用一张SVG图来总结本章的核心逻辑：
7.5 避坑指南
最后，分享几个我踩过的坑：
- 不要用线性插值做交易：我曾经在回测时用线性插值，结果实盘发现波动率曲线在到期日附近出现明显折点，导致对冲成本计算偏差了3%以上。
- 注意数据质量：不同交易所、不同经纪商提供的波动率数据可能不一致。我建议至少用两个数据源交叉验证。
- 小心极端值：如果某个到期日的期权流动性极差，它的隐含波动率可能是“垃圾数据”。拟合前一定要做异常值检测。
- 不要过度拟合：参数越多，模型越容易过拟合。记住奥卡姆剃刀原则——在能解释数据的前提下，模型越简单越好。
我的个人习惯：
在实盘系统中，我会同时维护三套期限结构：
- 实时拟合：用样条插值，每5分钟更新一次
- 日终拟合：用参数化模型，每天收盘后重新校准
- 历史均值：过去30天的平均期限结构，用于异常检测
三套数据互相印证，能有效避免单一模型带来的风险。
好了，关于波动率期限结构，今天就讲到这里。记住：期限结构不是孤立存在的，它和波动率微笑共同构成了完整的波动率曲面。下一章我们会把这两个维度结合起来，看看如何构建和校准完整的波动率曲面。