第十六章：机器学习辅助曲面——神经网络曲面拟合、异常检测模型、预测曲面演化

说实话，做期权做市这些年，我越来越觉得纯靠解析公式去拟合波动率曲面，有点「不够用了」。

你想想看，市场数据那么嘈杂，隐含波动率的形态又受那么多因素影响——买卖压力、事件情绪、流动性分层……传统的参数化模型（比如SVI、SSVI）虽然解释性强，但碰到极端行情或者数据稀疏的区域，拟合效果经常让我头疼。

所以这几年，我开始把机器学习方法引入到曲面处理流程里。今天就跟大家聊聊我实战中用得最多的三个方向：神经网络曲面拟合、异常检测模型、以及预测曲面演化。

一、神经网络曲面拟合——让模型自己「学」出曲面形状

传统方法里，我们通常假设波动率曲面符合某种参数形式。但真实市场里，曲面经常有「奇形怪状」的局部特征。比如我记得有一次，某只股票在财报前出现了非常陡峭的短期虚值看涨期权溢价，SVI怎么调参数都拟合不好。

后来我换了个思路：用神经网络直接去学习从「行权价、到期时间」到「隐含波动率」的映射。

具体做法其实不复杂：

  • 输入层：标准化后的行权价（比如用Delta或Moneyness）、剩余到期时间（用年化或对数变换）
  • 隐藏层：2-3层全连接层，每层64-128个神经元，激活函数用ReLU或Swish
  • 输出层：一个神经元，输出预测的隐含波动率

我习惯在训练时加入一个正则化项，惩罚曲面的二阶导数过大——这样能保证拟合出的曲面不会太「毛躁」。说白了，就是让模型既拟合数据，又保持曲面的光滑性。

实战小技巧：

我一般不会直接用原始的行权价和到期时间作为输入。而是先做一步特征工程：

  • 行权价 → 转换成 (K / F - 1) 或者 log(K / F)
  • 到期时间 → 取平方根或者对数

这样神经网络学起来会快很多，而且泛化能力更强。

# 一个简单的神经网络曲面拟合示例（PyTorch风格）
import torch
import torch.nn as nn

class VolSurfaceNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.net = nn.Sequential(
            nn.Linear(2, 64),
            nn.ReLU(),
            nn.Linear(64, 64),
            nn.ReLU(),
            nn.Linear(64, 1)
        )
    
    def forward(self, x):
        # x: [batch, 2] -> [moneyness, time_to_expiry]
        return self.net(x)

# 训练时加入光滑性正则项
def smoothness_penalty(model, x):
    # 计算输出对输入的梯度，惩罚梯度的变化率
    x.requires_grad_(True)
    y = model(x)
    grad = torch.autograd.grad(y.sum(), x, create_graph=True)[0]
    # 惩罚二阶导数（近似）
    return torch.mean(grad ** 2)

用神经网络拟合曲面，最大的好处是灵活。它不需要你事先假设曲面是什么形状，数据喂进去，它自己就能学到。但缺点也很明显——可解释性差，而且如果数据质量不好，容易过拟合到噪声上。

二、异常检测模型——揪出曲面上的「坏点」

做市交易里，最怕的是什么？是报价数据里有异常点。

比如某个深度虚值期权，突然出现一个极低或极高的隐含波动率。如果你不做处理，直接拿这个点去拟合曲面，整个曲面都会被带偏。我早期就吃过这个亏——有一次因为一个错误报价，导致我的曲面在远端出现了一个「鼓包」，结果对冲策略亏了不少。

所以我现在会在曲面拟合之前，先跑一遍异常检测。

常用的方法有两种：

  1. 基于统计的方法：计算每个点的局部Z-score，或者用四分位距（IQR）判断离群值
  2. 基于模型的方法：先用一个鲁棒性强的模型（比如LOF、孤立森林）去识别异常点

我个人更倾向于用孤立森林（Isolation Forest）。为什么呢？因为它对高维数据效果好，而且不需要假设数据分布。你想想看，波动率曲面的数据点其实是有结构的——正常点应该落在曲面附近，异常点则会「孤立」出来。

避坑指南：

我曾经犯过一个错误：把异常检测的阈值设得太严，结果把很多真实的、但形态特殊的点（比如财报前的尖峰）也给剔除了。后来我学乖了——异常检测的结果只作为「预警」，最终是否剔除，要结合人工判断。特别是那些交易量大的点，即使看起来异常，也可能是市场情绪的体现。

# 使用孤立森林检测异常波动率点
from sklearn.ensemble import IsolationForest
import numpy as np

# 假设 data 是 [moneyness, time_to_expiry, implied_vol] 的三维数组
X = data[:, :2]  # 只使用位置特征
y = data[:, 2]   # 波动率值

# 训练孤立森林
clf = IsolationForest(contamination=0.05, random_state=42)
outlier_labels = clf.fit_predict(X)

# 标记异常点
anomalies = data[outlier_labels == -1]
print(f"检测到 {len(anomalies)} 个异常波动率点")

三、预测曲面演化——让曲面「动」起来

做市交易的核心是什么？是管理未来的风险。所以光知道当前曲面长什么样还不够，你还得知道它接下来会怎么变。

这就是「预测曲面演化」要做的事。

我常用的方法是用时序模型 + 空间特征。具体来说：

  • 把曲面离散化成网格（比如10个行权价档位 × 5个到期时间档位）
  • 每个网格点上的波动率，作为一个时间序列
  • 用LSTM或Transformer去学习这些序列之间的时空依赖关系

嗯，这里要注意：不要单独预测每个网格点。因为曲面上的点之间是有强相关性的——比如短期ATM波动率上涨时，长期波动率通常也会跟着涨，只是幅度不同。所以我会把整个曲面作为一个「图像」来处理，用卷积LSTM或者时空图网络去捕捉这种结构。

我个人的经验：

预测曲面演化时，最重要的特征不是历史波动率本身，而是波动率的「变化率」和「斜率」。比如：

  • 短期波动率的变化速度
  • 偏斜（Skew）的变动方向
  • 期限结构的陡峭程度

这些「二阶特征」往往比原始波动率值更有预测力。

另外，预测模型不能只输出一个「最可能」的曲面。做市交易里，你需要知道预测的不确定性。所以我习惯用贝叶斯神经网络或者分位数回归，输出预测的置信区间。这样在做Delta对冲时，我可以根据不确定性大小来调整对冲频率。

核心逻辑框架

下面这张图，是我自己整理的一个机器学习辅助曲面的整体流程。你可以看到，三个模块是串联的：先拟合、再清洗、最后预测。

机器学习辅助曲面核心流程 神经网络曲面拟合 输入：行权价、到期时间 输出：隐含波动率 异常检测模型 方法：孤立森林 / LOF 目标：剔除坏点 预测曲面演化 模型：LSTM / Transformer 输出：未来曲面 + 置信区间 关键要点 1. 神经网络拟合：灵活但需正则化，防止过拟合 2. 异常检测：先清洗再拟合，但不要过度剔除 3. 预测演化：关注二阶特征，输出不确定性

总结一下

机器学习辅助曲面，说白了就是给传统方法加上了「数据驱动」的翅膀。神经网络负责灵活拟合，异常检测负责数据清洗，预测模型负责前瞻性判断。三者配合好了，你的曲面处理能力会上一个台阶。

当然，这些方法也有局限性。比如神经网络需要大量高质量数据，异常检测在低流动性品种上容易误判，预测模型在市场结构突变时可能失效。所以我的建议是：把机器学习当作工具，而不是答案。最终做决策的，还是你对市场的理解。

最后提醒一句：

别一上来就上复杂模型。先试试简单的线性回归或者随机森林，看看基线效果。很多时候，简单模型加上好的特征工程，效果并不比深度学习差。我见过太多人一上来就堆LSTM，结果过拟合得一塌糊涂。

公众号:蓝海资料掘金营，微信deep3321

← 上一章 📖 返回目录 下一章 →