18. 机器学习在曲面预测中的应用：LSTM、随机森林

各位，聊到波动率曲面预测，传统的时间序列模型（ARIMA、GARCH）其实也能做。但说实话，做跨品种套利的时候，曲面形态变化太快，非线性关系太复杂。传统模型往往力不从心。

这时候，机器学习就派上用场了。我个人习惯把机器学习方法分成两类：一类是树模型（随机森林、XGBoost），适合捕捉特征间的交互；另一类是深度学习（LSTM），专门处理时序依赖。今天咱们就重点聊聊这两个。

18.1 为什么传统方法不够用？

先说说痛点。我记得刚入行那会儿，用GARCH模型预测波动率曲面。结果呢？遇到市场异动，模型直接崩了。为什么？

• 非线性关系：波动率曲面与标的资产价格、时间、行权价之间，不是简单的线性关系
• 多因子影响：除了价格，还有成交量、持仓量、市场情绪、宏观数据……传统模型塞不下这么多变量
• 曲面结构约束：无套利条件、期限结构、微笑形态，这些约束传统模型很难同时满足

说白了，传统模型就像一把螺丝刀，拧拧螺丝还行。但波动率曲面预测，需要的是瑞士军刀。

18.2 随机森林：特征工程的利器

随机森林，我愿称之为「特征工程的懒人福音」。你不需要太担心特征之间的多重共线性，也不用做太多数据预处理。树模型自己会做特征选择。

18.2.1 特征怎么构造？

我在项目中遇到过一个问题：直接用原始波动率数据训练，效果很差。后来发现，需要构造一些衍生特征：

• 时间特征：剩余到期天数、是否临近到期、是否周末/节假日
• 曲面形态特征：偏度（skew）、峰度（kurtosis）、期限结构斜率
• 市场状态特征：隐含波动率与历史波动率的比值、VIX指数、成交量变化率
• 跨品种特征：相关品种的波动率曲面差异、价差变化

18.2.2 代码示例：随机森林预测曲面点

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestRegressor
from sklearn.model_selection import train_test_split

# 假设我们有一个DataFrame，包含特征和波动率标签
# 特征：delta, tau, skew, vix, volume_change ...
# 标签：implied_vol

X = df[['delta', 'tau', 'skew', 'vix', 'volume_change']]
y = df['implied_vol']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练随机森林
rf = RandomForestRegressor(
    n_estimators=200,
    max_depth=10,
    min_samples_leaf=5,
    random_state=42
)
rf.fit(X_train, y_train)

# 预测
y_pred = rf.predict(X_test)

# 特征重要性
importance = pd.DataFrame({
    'feature': X.columns,
    'importance': rf.feature_importances_
}).sort_values('importance', ascending=False)

print(importance)

18.3 LSTM：捕捉时序依赖

随机森林有个硬伤：它把每个时间点的数据当成独立样本。但波动率曲面是时序数据，今天的曲面形态和昨天、前天是高度相关的。

LSTM（长短期记忆网络）就是干这个的。它能记住过去N个时间步的信息，用来预测下一个时间步的曲面。

18.3.1 数据重构：从截面到时序

用LSTM之前，需要把数据重构成「样本-时间步-特征」的三维结构。举个例子：

• 假设我们有过去30天的曲面数据
• 每个时间点有20个特征（delta、tau、skew等）
• 那么每个样本的形状就是 (30, 20)
• 预测目标：未来1天的曲面点

18.3.2 代码示例：LSTM预测曲面

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout
from sklearn.preprocessing import MinMaxScaler

# 假设 data 是形状为 (样本数, 时间步, 特征数) 的三维数组
# 例如：data.shape = (10000, 30, 20)

# 归一化
scaler = MinMaxScaler()
# 注意：需要按特征维度做归一化，不能把不同特征混在一起
data_scaled = scaler.fit_transform(data.reshape(-1, data.shape[-1]))
data_scaled = data_scaled.reshape(data.shape)

# 构建LSTM模型
model = Sequential([
    LSTM(64, return_sequences=True, input_shape=(30, 20)),
    Dropout(0.2),
    LSTM(32, return_sequences=False),
    Dropout(0.2),
    Dense(16, activation='relu'),
    Dense(1)  # 预测单个曲面点
])

model.compile(optimizer='adam', loss='mse', metrics=['mae'])
model.summary()

# 训练
history = model.fit(
    X_train, y_train,
    validation_data=(X_val, y_val),
    epochs=50,
    batch_size=64,
    verbose=1
)

18.4 两种方法的对比与选择

你可能会问：到底用随机森林还是LSTM？我的建议是：看数据量。

维度	随机森林	LSTM
数据量要求	几千条就能出效果	至少几万条，最好十万+
时序依赖	不支持（需手动构造滞后特征）	天然支持
特征交互	优秀（树模型自动捕捉）	一般（需要大量数据学习）
可解释性	高（特征重要性、SHAP值）	低（黑盒）
训练速度	快（几分钟到几十分钟）	慢（几小时到几天）
过拟合风险	中等（调参可控制）	高（需要正则化、早停）

18.5 避坑指南

做机器学习预测曲面，有几个坑我踩过，分享给大家：

• 数据泄露：千万别用未来数据构造特征。比如用t+1天的VIX来预测t天的波动率，这属于作弊。我见过有人犯这个错，回测曲线漂亮得不行，实盘直接亏哭。
• 曲面一致性：预测出来的曲面点，要检查是否满足无套利条件。机器学习模型可不懂这些金融约束。我通常会在预测后加一个「曲面校正」步骤，用样条插值或优化方法把曲面拉平。
• 滚动预测：别一次性预测未来30天的曲面。LSTM的预测误差会随时间步累积。我习惯用「滚动预测」：每次只预测未来1天，然后把预测值作为输入，再预测下一天。
• 特征漂移：市场结构会变。去年有效的特征，今年可能就失效了。我建议每个月重新训练一次模型，或者用在线学习的方法增量更新。

18.6 知识体系图

下面这张图，是我自己总结的机器学习预测曲面的完整流程。你可以把它当成一个checklist：

---

公众号:蓝海资料掘金营，微信deep3321