第10章 曲面插值与外推：时间维度与执行价维度的插值方法，边界处理技巧
波动率曲面这东西，说白了就是个三维的怪物。你手头只有几十个期权报价，却要填满整个执行价-到期日的网格。怎么填？这就是插值与外推的活儿。
我做了这么多年量化，最深的体会是：插值方法选得好，定价就成功了一半。另一半？边界处理。嗯，这里要注意，边界往往是坑最多的地方。
10.1 为什么需要插值与外推？
你想想看，市场上交易的期权合约是有限的。比如50ETF期权，可能只有5个执行价、4个到期月。但你的定价模型需要任意执行价、任意期限的波动率。怎么办？
两个场景：
- 场内交易：报价稀疏，需要填充中间点
- 场外交易：客户要的条款市场上根本没有，必须外推
我个人习惯把这个问题拆成两个维度：
- 执行价维度：同一期限下，不同执行价的波动率插值
- 时间维度：同一执行价下，不同期限的波动率插值
先处理哪个？我建议先做执行价维度，再做时间维度。为什么？因为执行价维度的数据通常更密集，插值结果更稳定。
10.2 执行价维度的插值方法
10.2.1 线性插值——最简单，但别乱用
线性插值，就是两点之间画直线。公式很简单：
σ(K) = σ(K₁) + (σ(K₂) - σ(K₁)) * (K - K₁) / (K₂ - K₁)但我在项目中遇到过一个问题：线性插值会导致波动率微笑形状失真。尤其是深度实值和深度虚值区域，线性插值会抹掉微笑的曲率。
10.2.2 三次样条插值——我的首选
三次样条插值，说白了就是用分段三次多项式来拟合。它保证了：
- 曲线连续（C⁰）
- 一阶导数连续（C¹）
- 二阶导数连续（C²）
代码实现其实不复杂：
import numpy as np
from scipy.interpolate import CubicSpline
# 已知的执行价和波动率
K_known = np.array([2.5, 2.6, 2.7, 2.8, 2.9, 3.0])
sigma_known = np.array([0.25, 0.23, 0.22, 0.21, 0.22, 0.24])
# 创建三次样条插值器
cs = CubicSpline(K_known, sigma_known, bc_type='natural')
# 在任意执行价上求值
K_new = np.linspace(2.5, 3.0, 50)
sigma_new = cs(K_new)这里要注意边界条件（bc_type）。我一般用'natural'，也就是二阶导数为零。但如果你有更精确的边界信息，也可以用'clamped'指定一阶导数。
10.2.3 带约束的插值——防止套利
插值不是随便插的。波动率曲面必须满足无套利条件：
- 蝶式价差无套利：波动率关于执行价的二阶导数不能太大
- 日历价差无套利：总方差关于期限单调递增
我建议用单调保形插值（PCHIP），它能保证插值结果不产生新的极值点：
from scipy.interpolate import PchipInterpolator
pchip = PchipInterpolator(K_known, sigma_known)
sigma_pchip = pchip(K_new)10.3 时间维度的插值方法
10.3.1 总方差插值——比波动率插值更合理
时间维度上，我强烈建议不要直接插值波动率。为什么？因为波动率是年化的，不同期限的波动率不可比。
正确的做法是插值总方差：
总方差 = σ² × T举个例子：
| 期限（天） | 波动率 | 总方差 |
|---|---|---|
| 30 | 0.20 | 0.20² × 30/365 = 0.00329 |
| 60 | 0.22 | 0.22² × 60/365 = 0.00796 |
| 90 | 0.24 | 0.24² × 90/365 = 0.01420 |
然后对总方差做线性插值，再开方得到波动率：
def interpolate_vol_by_total_variance(T_known, sigma_known, T_target):
# 计算总方差
total_var_known = sigma_known**2 * T_known
# 线性插值总方差
total_var_target = np.interp(T_target, T_known, total_var_known)
# 转回波动率
sigma_target = np.sqrt(total_var_target / T_target)
return sigma_target10.3.2 时间维度的样条插值
如果期限点比较多（比如有1周、2周、1月、2月、3月、6月、1年），我建议用样条插值总方差：
from scipy.interpolate import UnivariateSpline
# 期限（年）和对应的总方差
T_years = np.array([1/12, 2/12, 3/12, 6/12, 1.0])
total_var = np.array([0.0033, 0.0080, 0.0142, 0.0300, 0.0625])
# 样条插值，s控制平滑程度
spline = UnivariateSpline(T_years, total_var, s=0.001)
# 求任意期限的总方差
T_target = 0.25 # 3个月
total_var_target = spline(T_target)
sigma_target = np.sqrt(total_var_target / T_target)s参数很关键。s越大越平滑，但可能偏离数据点。我一般设s=0.001，既保证平滑又不失真。
10.4 边界处理技巧——最容易翻车的地方
10.4.1 执行价维度的外推
市场报价通常只覆盖平值附近。深度实值和深度虚值怎么办？
我常用的三种方法：
- 常数外推：直接用最远端的波动率。简单但粗糙。
- 线性外推：用最后两个点的斜率延伸。小心斜率太陡。
- 模型外推：用SVI或SSVI模型拟合后外推。最专业，但计算量大。
我建议的边界处理策略：
def safe_extrapolate(K, sigma, K_min, K_max):
"""
安全的外推函数
K_min, K_max: 允许的最小和最大执行价
"""
# 内部用样条插值
cs = CubicSpline(K, sigma, bc_type='natural')
# 外推时用常数
sigma_left = sigma[0] # 左侧常数
sigma_right = sigma[-1] # 右侧常数
# 组合结果
def vol_func(k):
if k < K[0]:
return sigma_left
elif k > K[-1]:
return sigma_right
else:
return cs(k)
return vol_func10.4.2 时间维度的外推
时间维度的外推更棘手。因为波动率有期限结构，短期和长期的行为完全不同。
我的做法：
- 短期外推（小于最短期限）：用最短期限的波动率，但加一个衰减因子。因为越短期波动率越不稳定。
- 长期外推（大于最长期限）：用最长期限的波动率，或者向历史均值回归。
代码示例：
def time_extrapolate(T, T_known, sigma_known, long_term_vol=0.20):
"""
时间维度外推
T: 目标期限
long_term_vol: 长期波动率假设
"""
T_min = T_known[0]
T_max = T_known[-1]
if T < T_min:
# 短期外推：向T=0衰减
# 用平方根时间法则
sigma_short = sigma_known[0] * np.sqrt(T / T_min)
return max(sigma_short, 0.05) # 不低于5%
elif T > T_max:
# 长期外推：向长期均值回归
weight = np.exp(-(T - T_max) / 2) # 衰减权重
sigma_long = weight * sigma_known[-1] + (1 - weight) * long_term_vol
return sigma_long
else:
# 内部用总方差插值
return interpolate_vol_by_total_variance(T_known, sigma_known, T)10.5 完整的曲面构建流程
好了，把上面所有东西串起来。这是我个人习惯的完整流程：
- 数据清洗：去除明显异常的报价（比如波动率超过100%或低于5%）
- 执行价维度插值：对每个期限，用PCHIP插值得到标准执行价网格上的波动率
- 时间维度插值：对每个执行价，用总方差样条插值得到任意期限的波动率
- 边界处理：执行价边界用常数外推，时间边界用回归外推
- 无套利检查：检查蝶式价差和日历价差是否无套利
10.6 本章知识体系
下面这张图总结了本章的核心逻辑：
嗯，到这里插值与外推的核心内容就讲完了。记住：插值是艺术，边界处理是科学。多在实践中积累经验，慢慢就能找到最适合自己场景的方法。
公众号:蓝海资料掘金营，微信deep3321