15. 多项式拟合：使用多项式回归对波动率曲面进行全局拟合

说实话，刚入行那会儿，我最头疼的就是波动率曲面上的那些「毛刺」。市场数据嘛，总是不完美的。有的期限上报价稀疏，有的执行价附近流动性差，曲面看起来坑坑洼洼的。

后来我接触到多项式拟合，一下子觉得——嗯，这路子靠谱。用一条光滑的多项式曲面，把整个波动率表面「兜」住。说白了，就是用数学公式去逼近真实市场数据。

15.1 为什么需要全局拟合？

你想想看，我们拿到的期权报价，通常只有有限个执行价和期限。比如只有 10 个执行价、5 个到期日，总共 50 个点。但做定价或风控时，我们需要任意执行价、任意期限上的波动率。

插值当然可以，但插值有个毛病——它只保证经过已知点，不保证整体形状合理。我见过有人用线性插值，结果曲面出现奇怪的「折角」，Delta 对冲信号都是错的。

全局拟合就不一样了。它用一个统一的函数形式，去拟合所有数据点。这样得到的曲面天然光滑，而且外推时也相对稳定。

15.2 数学模型长什么样？

假设我们想拟合波动率 \(\sigma(K, T)\)，其中 \(K\) 是执行价，\(T\) 是剩余期限。一个常用的二阶多项式形式是：

σ(K, T) = β₀ + β₁·K + β₂·K² + β₃·T + β₄·T² + β₅·K·T

这里有个交叉项 \(K·T\)，它捕捉了「执行价效应随期限变化」的特性。我在实际项目中试过，不加交叉项的话，短期和长期曲面的形状差异拟合不好。

当然，你也可以用三阶甚至更高阶。但我个人建议，别超过三阶。为什么？

• 过拟合风险： 高阶多项式会在数据稀疏区域「乱抖」
• 外推灾难： 超出数据范围后，高阶项会迅速发散
• 经济含义模糊： 高阶项很难解释成某种市场特征

15.3 代码实现：从数据到曲面

下面我给出一个完整的 Python 实现。我们用最小二乘法来求解系数。

import numpy as np
from sklearn.preprocessing import PolynomialFeatures
from sklearn.linear_model import LinearRegression

# 假设我们有市场数据
# K: 执行价数组, T: 期限数组, sigma: 对应的波动率
K = np.array([0.95, 1.00, 1.05, 0.95, 1.00, 1.05])
T = np.array([0.25, 0.25, 0.25, 0.50, 0.50, 0.50])
sigma = np.array([0.22, 0.20, 0.23, 0.21, 0.19, 0.22])

# 构造特征矩阵：包含 K, T, K², T², K·T
X = np.column_stack([K, T])
poly = PolynomialFeatures(degree=2, include_bias=True)
X_poly = poly.fit_transform(X)

# 拟合模型
model = LinearRegression()
model.fit(X_poly, sigma)

# 查看系数
print("截距项:", model.intercept_)
print("系数:", model.coef_)

# 预测新点上的波动率
K_new = np.array([1.02])
T_new = np.array([0.30])
X_new = poly.transform(np.column_stack([K_new, T_new]))
sigma_pred = model.predict(X_new)
print("预测波动率:", sigma_pred)

这段代码很直接。但要注意一点：PolynomialFeatures 默认会生成所有交互项和幂次项。如果你只想用特定的项，可以手动构造特征矩阵。

15.4 可视化：看看拟合效果

光看数字不够直观。我习惯把拟合曲面和原始数据点画在一起，一眼就能看出问题。

import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D

# 生成网格用于绘制曲面
K_grid = np.linspace(0.90, 1.10, 20)
T_grid = np.linspace(0.20, 0.60, 20)
K_mesh, T_mesh = np.meshgrid(K_grid, T_grid)

# 展平并预测
X_grid = np.column_stack([K_mesh.ravel(), T_mesh.ravel()])
X_grid_poly = poly.transform(X_grid)
sigma_grid = model.predict(X_grid_poly).reshape(K_mesh.shape)

# 绘图
fig = plt.figure(figsize=(10, 7))
ax = fig.add_subplot(111, projection='3d')
ax.plot_surface(K_mesh, T_mesh, sigma_grid, alpha=0.6, cmap='viridis')
ax.scatter(K, T, sigma, color='red', s=50, label='市场数据')
ax.set_xlabel('执行价 K')
ax.set_ylabel('期限 T')
ax.set_zlabel('波动率 σ')
plt.title('多项式拟合波动率曲面')
plt.legend()
plt.show()

看到图了吗？红色点是原始数据，彩色曲面是拟合结果。如果曲面在数据点附近「穿」得比较好，说明拟合质量不错。

15.5 避坑指南：我踩过的几个坑

做多项式拟合，有几个地方特别容易翻车。我一个个说。

15.6 知识体系：一张图说清楚

下面我用 SVG 画了一张流程图，把多项式拟合波动率曲面的完整流程串起来。你可以把它当作操作手册。

15.7 什么时候该用，什么时候不该用？

多项式拟合不是万能的。我总结了一下它的适用场景：

场景	推荐使用	原因
数据点密集且均匀	✅ 是	多项式能很好地捕捉整体趋势
需要快速计算	✅ 是	解析表达式，计算极快
数据稀疏或分布不均	❌ 否	容易在稀疏区域过拟合
需要精确拟合局部特征	❌ 否	多项式是全局拟合，局部细节差
外推需求强烈	⚠️ 谨慎	低阶多项式可外推，高阶不行

我个人习惯是：先用二阶多项式快速跑一遍，看看残差分布。如果残差有明显的模式（比如 U 型），再考虑加三阶项或改用样条。

好了，多项式拟合这块就聊到这儿。记住一点：工具是死的，市场是活的。别迷信任何一个模型，多看看残差图，多问问自己「这个曲面合理吗？」

---