18. 曲面与机器学习：使用神经网络拟合曲面，深度学习在波动率预测中的尝试

说实话，传统方法做波动率曲面，无非就是插值、参数化模型那几招。SVI、SSVI、多项式样条……这些我都用过。但有个问题一直让我头疼——市场结构越来越复杂，传统模型开始吃力了。

我记得2019年做某个股指期权策略时，曲面在尾部区域老是拟合不好。后来我试着用了一个三层神经网络，效果居然出奇的好。今天我们就聊聊，怎么用深度学习来干这活。

为什么需要神经网络？

传统模型有个共同点：假设曲面有某种数学形式。比如SVI假设方差是线性对数刻度的函数。但真实市场呢？

• 隐含波动率曲面存在局部凹凸
• 期限结构有非线性扭曲
• 极端行权价附近有厚尾效应

说白了，这些特征很难用一个显式公式描述。神经网络的优势就在这里——它不假设任何先验形式，全靠数据驱动。

网络结构怎么设计？

我个人的习惯是，先从最简单的开始。别一上来就搞Transformer、注意力机制，没必要。

一个典型的波动率曲面拟合网络长这样：

输入层: [T, K/S, moneyness, log_moneyness]
    ↓
全连接层 (64, ReLU) + BatchNorm + Dropout(0.2)
    ↓
全连接层 (128, ReLU) + BatchNorm + Dropout(0.2)
    ↓
全连接层 (64, ReLU) + BatchNorm
    ↓
输出层: (1, linear) → 隐含波动率

为什么输入要包含多个特征？

• T：剩余期限，直接输入
• K/S：行权价比值，标准化处理
• moneyness：比如 ln(K/S) / sqrt(T)，这是期权定价里的自然尺度
• log_moneyness：对尾部区域更敏感

嗯，这里要注意：输入特征一定要做归一化。我曾经吃过这个亏——没归一化直接训练，Loss死活降不下去。后来发现是T和K/S的量级差太多，梯度更新全乱套了。

训练数据怎么准备？

数据来源无非两种：

1. 市场实际报价：真实但稀疏，尤其深度虚值期权流动性差
2. 合成数据：用SVI或Heston模型生成稠密曲面，作为预训练

我建议的做法是：先用合成数据预训练，再用市场数据微调。这样既保证了曲面光滑性，又保留了市场特征。

损失函数怎么选？

别用MSE就完事了。波动率预测有个特点——平价附近的误差容忍度低，深度虚值的容忍度高。

我常用的损失函数：

Loss = w(moneyness) * (σ_pred - σ_true)²

其中 w(moneyness) = exp(-α * |ln(K/S)|)

这样，平价附近的权重更大，模型会更关注ATM区域的拟合精度。

一个完整的训练流程

我整理一下，大概分这几步：

步骤	操作	说明
1	数据清洗	剔除异常报价、负波动率、套利机会
2	特征工程	构造moneyness、log_moneyness、标准化T
3	预训练	用SVI生成10000个曲面，训练100轮
4	微调	用市场数据再训练20轮，学习率调低
5	验证	检查无套利条件、曲面光滑度

深度学习预测波动率？试试无妨

除了拟合曲面，深度学习还能干另一件事——预测未来波动率曲面。

你想想看，如果能提前知道曲面怎么变，那做Delta对冲、波动率套利就太爽了。但现实很骨感。

我试过LSTM、GRU、甚至Transformer来预测曲面。结果呢？短期预测（1-3天）还行，长期基本是瞎猜。

为什么？因为波动率受太多因素影响：

• 宏观事件（非农、CPI、央行决议）
• 市场情绪（恐慌指数、资金流向）
• 微观结构（做市商库存、Gamma对冲压力）

这些信息，光靠历史波动率数据是学不到的。

我个人的实践建议

如果你现在想用深度学习做曲面相关的工作，我的建议是：

1. 先搞定传统方法：SVI、SSVI、样条插值。这些是基本功
2. 用神经网络做曲面平滑：替代插值，效果确实好
3. 谨慎尝试预测：做好回测，别被过拟合骗了
4. 关注可解释性：用SHAP或梯度分析，看看网络学到了什么

我记得有一次，我用SHAP分析训练好的网络，发现它居然学到了“临近到期时，平价波动率会上升”这个规律。这说明网络确实捕捉到了市场微观结构，而不仅仅是记忆数据。

本章知识体系

下面这张图，帮你理清本章的核心逻辑：

深度学习在波动率曲面领域，目前最成熟的应用是曲面拟合与平滑。至于预测，嗯，还在探索阶段。但作为量化工程师，多掌握一种工具总没坏处。

记住一句话：模型是工具，市场是老师。别迷信任何单一方法。

---

公众号:蓝海资料掘金营，微信deep3321