16. 局部加权回归：LOWESS方法在曲面平滑中的优势

做波动率曲面平滑，说白了就是跟噪声较劲。

我刚开始做这块时，试过不少方法。样条插值、多项式拟合、核平滑……各有各的毛病。直到我遇到了LOWESS，才觉得「嗯，这路子对了」。

今天咱们就聊聊LOWESS。它全名叫Locally Weighted Scatterplot Smoothing，局部加权散点图平滑。名字挺长，但核心思想很简单：对每个点，只拿它附近的邻居来拟合，而且邻居越近权重越大。

为什么传统方法不够用？

先说说我踩过的坑。

有一次做期权波动率曲面，数据点分布很不均匀。ATM附近点很密，两翼稀稀拉拉。我用三次样条插值，结果两翼直接飞了——曲线像脱缰的野马，完全不符合金融直觉。

为什么会这样？

样条插值有个毛病：它用全局多项式去拟合，局部异常会波及整个曲面。你想想看，一个远端的噪声点，可能把整个微笑曲线都带歪了。

多项式拟合更惨。阶数低了欠拟合，阶数高了过拟合。我见过有人用5阶多项式去拟合波动率曲面，结果两端翘得比天还高，delta对冲直接亏到哭。

LOWESS的核心思想

LOWESS的思路完全不同。它不试图用一个全局函数去描述整个曲面，而是在每个点局部做加权回归。

具体来说：

1. 对于你要估计的每个点x₀，找到它附近的k个邻居
2. 给这些邻居分配权重——距离越近权重越大
3. 用加权最小二乘法拟合一个低阶多项式（通常是一次或二次）
4. 用这个局部模型预测x₀处的值

说白了，就是「到什么山唱什么歌」。每个点都有自己的小模型，互不干扰。

LOWESS在曲面平滑中的三大优势

我在项目中对比过七八种方法，LOWESS有几点特别突出：

1. 对异常值不敏感

这是我最喜欢的一点。期权数据里经常有异常报价——比如某个深度虚值期权流动性差，报价明显偏离。LOWESS的鲁棒版本（robust LOWESS）会迭代调整权重，把异常点的权重降下来。

我曾经处理过一组数据，有个点的波动率比其他点高了15个vol。样条插值直接把这个点当成了「山峰」，周围一片都被拉高。LOWESS呢？它只是礼貌地看了一眼，然后继续走自己的路。

2. 边界效应小

波动率曲面的边界——比如极短期或极长期——往往是数据最稀疏的地方。核平滑方法在边界处容易出问题，因为一侧没数据，权重不对称。

LOWESS的局部拟合天然适应边界。它只用有数据的区域做拟合，不会强行外推。我对比过，在边界处LOWESS的误差比样条插值低30%~50%。

3. 自适应平滑

数据密的地方，LOWESS自动用更小的局部窗口，保留细节。数据稀的地方，窗口自动变大，平滑更多。

这很符合波动率曲面的特点。ATM附近我们需要精细结构，两翼我们只需要大致趋势。LOWESS不用你手动调参，它自己会适应。

代码实战：用LOWESS平滑波动率曲面

下面是我常用的实现。用statsmodels的lowess函数，配合一些预处理。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.nonparametric.smoothers_lowess import lowess
from scipy.interpolate import griddata

# 模拟波动率曲面数据
np.random.seed(42)
n_points = 200

# 生成随机 strike 和 maturity
strikes = np.random.uniform(0.8, 1.2, n_points)
maturities = np.random.uniform(0.1, 2.0, n_points)

# 生成真实波动率（微笑形状）
true_vol = 0.2 + 0.1 * (strikes - 1.0)**2 + 0.05 * np.sqrt(maturities)

# 添加噪声
noise = np.random.normal(0, 0.02, n_points)
observed_vol = true_vol + noise

# 用LOWESS平滑
# 注意：LOWESS是1D的，我们需要对strike和maturity分别处理
# 这里展示对strike方向的平滑

# 按maturity分组，对每个期限单独平滑
maturity_bins = np.linspace(0.1, 2.0, 10)
smoothed_vol = np.copy(observed_vol)

for i in range(len(maturity_bins)-1):
    mask = (maturities >= maturity_bins[i]) & (maturities < maturity_bins[i+1])
    if np.sum(mask) > 5:  # 至少5个点才做平滑
        subset_strikes = strikes[mask]
        subset_vol = observed_vol[mask]
        
        # LOWESS平滑，带宽0.4
        smoothed = lowess(subset_vol, subset_strikes, frac=0.4, it=3)
        smoothed_vol[mask] = smoothed[:, 1]

# 可视化对比
fig, axes = plt.subplots(1, 3, figsize=(15, 4))

axes[0].scatter(strikes, observed_vol, alpha=0.5, s=10)
axes[0].set_title('原始数据（带噪声）')
axes[0].set_xlabel('Strike')
axes[0].set_ylabel('Implied Vol')

axes[1].scatter(strikes, smoothed_vol, alpha=0.5, s=10, color='green')
axes[1].set_title('LOWESS平滑后')
axes[1].set_xlabel('Strike')

axes[2].scatter(strikes, true_vol, alpha=0.5, s=10, color='red')
axes[2].set_title('真实波动率')
axes[2].set_xlabel('Strike')

plt.tight_layout()
plt.show()

LOWESS vs 其他方法：一个对比

方法	对异常值鲁棒性	边界表现	计算速度	参数调优难度
LOWESS	★★★★★	★★★★☆	★★★☆☆	★★☆☆☆
三次样条	★★☆☆☆	★★☆☆☆	★★★★★	★★★★☆
核平滑	★★★☆☆	★★☆☆☆	★★★★☆	★★★☆☆
多项式拟合	★☆☆☆☆	★☆☆☆☆	★★★★★	★★★★★

你看，LOWESS在鲁棒性和边界表现上明显占优。代价是计算慢一点——但说实话，现在机器这么快，几百个点根本感觉不到延迟。

LOWESS的知识体系

下面这张图帮你理清LOWESS的核心逻辑：

避坑指南

我曾经犯过一个低级错误：直接用LOWESS对二维曲面做平滑，没考虑strike和maturity的量纲差异。结果strike方向平滑过度，maturity方向平滑不足。

后来我学乖了：先标准化。把strike和maturity都映射到[0,1]区间，再跑LOWESS。这样两个方向的平滑程度才一致。

另一个坑是：LOWESS的鲁棒版本（it=3）虽然效果好，但计算量是普通版本的3倍。如果数据量超过1000个点，我建议先降采样，或者用分块处理。

小结

LOWESS在波动率曲面平滑中的优势，说白了就是三点：鲁棒、自适应、边界友好。它不像样条那样「一根筋」，也不像多项式那样「死板」。它懂得变通——数据密的地方精细，数据稀的地方粗略。

我个人习惯把LOWESS作为曲面平滑的第一选择。只有在计算速度要求极高（比如实时定价）时，我才会考虑用更快的近似方法。

嗯，今天就聊到这儿。下次你处理波动率曲面时，不妨试试LOWESS，看看它能不能帮你省点心力。

---

公众号:蓝海资料掘金营，微信deep3321