15. 机器学习在套利识别中的应用：使用随机森林、神经网络等模型预测套利机会

说实话，做波动率曲面套利这么多年，我最大的感触就是——人眼能看出来的机会，基本都已经被人抢光了。

曲面上的细微扭曲、期限结构里的非线性偏移、隐含波动率与已实现波动率的背离……这些信号太微弱了。靠人工盯盘？不现实。靠简单阈值规则？容易被市场风格切换打脸。

所以，我大概从2018年开始，系统性地把机器学习引入到套利识别流程中。今天这篇，我就把这几年的实战经验拆开揉碎了讲给你听。

15.1 为什么传统规则不够用？

先说说传统方法的问题。

我们常用的套利识别规则，无非是：

• 隐含波动率超过历史波动率2个标准差
• 曲面局部曲率超过某个阈值
• 蝶式价差超出理论范围

这些规则在平稳市场里挺好用。但一旦遇到事件驱动行情、流动性突变、或者波动率风格切换，阈值就失效了。

我曾经在2020年3月那波波动率暴涨中，用固定阈值策略连续打了7次止损。后来换成随机森林模型，虽然也没完全躲过，但至少把误报率降了40%。嗯，那次教训挺深刻的。

15.2 特征工程：比模型更重要的东西

很多人一上来就调模型参数，我觉得这是本末倒置。特征工程才是机器学习套利识别的核心。

我个人习惯把特征分成四大类：

特征类别	具体特征	说明
曲面形态特征	偏度斜率、峰度曲率、期限结构斜率	描述曲面当前形状
时间序列特征	波动率变化率、均值回归速度、波动率锥位置	描述曲面动态变化
市场状态特征	VIX水平、成交量变化、买卖价差、持仓量	描述市场微观结构
衍生特征	PCA主成分得分、隐含-已实现波动率差、日历价差	组合特征，捕捉非线性关系

你想想看，如果只给模型输入「曲面偏差值」这一个特征，它学到的无非就是阈值优化。但如果你把市场状态也喂进去，模型就能学会「高波动环境下，偏差容忍度应该更大」这种逻辑。

15.3 随机森林：快速上手的首选

随机森林是我在套利识别项目里用得最多的模型。原因很简单：它不容易过拟合，而且可解释性强。

来看一个实际代码片段。这是我用来训练套利机会分类器的核心逻辑：

import pandas as pd
import numpy as np
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report

# 加载特征数据
# 假设 df 包含所有特征列和标签列 'arb_opportunity'
features = ['skew_slope', 'curvature', 'term_structure_slope', 
            'vol_change_rate', 'vix_level', 'bid_ask_spread',
            'iv_rv_diff', 'pca_score_1', 'pca_score_2']

X = df[features]
y = df['arb_opportunity']  # 1表示存在套利机会，0表示无

# 训练集/测试集划分
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y
)

# 随机森林模型
rf_model = RandomForestClassifier(
    n_estimators=200,
    max_depth=10,
    min_samples_leaf=5,
    class_weight='balanced',
    random_state=42
)

rf_model.fit(X_train, y_train)

# 预测与评估
y_pred = rf_model.predict(X_test)
print(classification_report(y_test, y_pred))

# 特征重要性排序
importance_df = pd.DataFrame({
    'feature': features,
    'importance': rf_model.feature_importances_
}).sort_values('importance', ascending=False)

print(importance_df)

这段代码里，我特别强调两点：

• class_weight='balanced'：套利机会在样本中占比通常不到5%，不做平衡处理模型会直接摆烂——全部预测为「无机会」
• max_depth=10：限制树深度，防止模型记住噪声。我试过max_depth=20，训练集准确率99%，测试集直接崩到60%

15.4 神经网络：捕捉更复杂的曲面模式

随机森林虽然好用，但它有个局限——对曲面空间结构的建模能力有限。

什么意思呢？随机森林是把每个特征独立看待的。但波动率曲面本质上是一个二维流形，行权价和到期日之间存在复杂的交互关系。这时候，神经网络就派上用场了。

我常用的网络结构是这样的：

import torch
import torch.nn as nn

class VolSurfaceArbNet(nn.Module):
    def __init__(self, input_dim=64, hidden_dim=128):
        super().__init__()
        # 曲面编码器：把波动率曲面展平后编码
        self.encoder = nn.Sequential(
            nn.Linear(input_dim, hidden_dim),
            nn.BatchNorm1d(hidden_dim),
            nn.ReLU(),
            nn.Dropout(0.3),
            nn.Linear(hidden_dim, hidden_dim // 2),
            nn.ReLU(),
            nn.Dropout(0.3)
        )
        # 市场状态分支
        self.market_branch = nn.Sequential(
            nn.Linear(10, 32),
            nn.ReLU()
        )
        # 融合层
        self.fusion = nn.Sequential(
            nn.Linear(hidden_dim // 2 + 32, 64),
            nn.ReLU(),
            nn.Linear(64, 1),
            nn.Sigmoid()
        )
    
    def forward(self, surface_flat, market_state):
        surf_feat = self.encoder(surface_flat)
        mkt_feat = self.market_branch(market_state)
        combined = torch.cat([surf_feat, mkt_feat], dim=1)
        return self.fusion(combined)

这个网络的设计思路是：把曲面信息和市场状态分开处理，最后融合。为什么这么做？因为曲面本身是高维的（比如10个行权价×5个期限=50维），直接拼接市场状态会让模型学偏。

训练的时候，我建议用Focal Loss替代普通的BCE Loss。原因还是那个——正负样本极度不平衡。Focal Loss会自动降低易分类样本的权重，让模型更关注那些「模棱两可」的套利机会。

15.5 模型评估：别只看准确率

做套利识别，最忌讳的就是只看准确率。

为什么？因为套利机会本身是稀缺事件。假设样本中只有2%是真正的套利机会，你模型全部预测为「无机会」，准确率也有98%。但这模型有个屁用？

我一般关注这几个指标：

指标	计算公式	关注原因
召回率	TP / (TP + FN)	漏掉了多少真正的机会？
精确率	TP / (TP + FP)	预测的机会里，多少是真的？
F1-score	2×P×R/(P+R)	综合平衡
盈亏比	平均盈利/平均亏损	模型推荐的交易是否赚钱？

我个人最看重的是盈亏比。哪怕模型召回率只有30%，但只要它抓到的机会盈亏比超过3:1，我就愿意用。说白了，宁可少做，不能做错。

15.6 知识体系总览

下面这张图，是我自己整理的本章节知识框架。你可以把它当作一个快速索引：

15.7 一些实战建议

最后，分享几条我踩坑踩出来的经验：

• 先做无监督学习：在跑分类模型之前，先用PCA或者t-SNE对曲面数据做降维可视化。你会发现很多套利机会其实在低维空间里是「离群点」——这能帮你快速验证特征的有效性。
• 滚动窗口训练：市场风格会变。我一般每3个月重新训练一次模型，用最近6个月的数据。太老的数据反而会引入过时的市场结构。
• 集成才是王道：我最终上线的系统，其实是随机森林+神经网络+一个简单的逻辑回归做投票。三个模型都预测「有机会」，我才出手。虽然机会少了，但胜率从62%提到了78%。
• 别忘了回测的滑点：机器学习模型在回测里表现好，不代表实盘能赚钱。因为模型识别出的机会往往伴随着流动性不足——你看到的价差，可能根本成交不了。我一般会在回测里加1-2个tick的滑点，模拟真实成交环境。

好了，这一章的内容就到这里。希望这些实战经验能帮你少走一些弯路。记住，模型只是工具，对市场的理解才是根本。

---

公众号:蓝海资料掘金营，微信deep3321