第17章高斯过程回归

第17章高斯过程回归：非参数贝叶斯方法在波动率曲面建模中的应用

说实话，讲到波动率曲面建模，很多人第一反应就是SVI、SSVI这些参数化方法。但我在实战中遇到过不少尴尬的情况——参数化模型在极端行权价或者短到期日上，拟合效果总是不尽人意。这时候，高斯过程回归（GPR）就派上用场了。

GPR说白了是一种非参数的贝叶斯方法。它不假设波动率曲面符合某个特定的函数形式，而是让数据自己「说话」。嗯，这个特性在期权定价里特别有用——你想想看，真实的波动率曲面哪有那么规整？

17.1 为什么需要高斯过程回归？

先说说我个人的体会。传统的参数化方法，比如我之前讲过的SVI，本质上是在做一个强假设：波动率曲面可以用5个参数来描述。但实际市场数据往往更复杂。

核心痛点：

参数化模型在数据稀疏区域外推能力差
不同到期日之间的波动率结构难以统一建模
对异常值敏感，一个错误报价可能扭曲整个曲面

GPR的优势在于：它天然给出了预测的不确定性。这一点在风险管理中太重要了。我曾经用GPR给一个做市商量化团队做波动率曲面，他们最关心的不是预测值本身，而是「这个预测有多可靠」。

17.2 高斯过程回归的核心思想

GPR的核心，就是用一个高斯过程来定义函数上的先验分布。然后通过观测数据，更新得到后验分布。

数学上，一个高斯过程由均值函数和协方差函数（核函数）完全定义：

f(x) ~ GP(m(x), k(x, x'))

其中m(x)是均值函数，k(x,x')是核函数。在实际应用中，我们通常把均值函数设为零，重点放在核函数的设计上。

为什么会这样？因为核函数决定了我们对函数平滑性的假设。不同的核函数，会得到完全不同的曲面形态。

17.3 核函数的选择——实战经验

我在项目中试过好几种核函数，这里直接给结论：

核函数	特点	适用场景
RBF（径向基函数）	无限可微，非常平滑	成熟市场，波动率变化平缓
Matérn 3/2	一次可微，比RBF更灵活	新兴市场，波动率有突变
Matérn 5/2	二次可微，折中方案	大多数情况下的默认选择
周期核	捕捉周期性模式	有日历效应的市场

避坑指南：我曾经在A股期权数据上直接用RBF核，结果曲面平滑得过分，把一些重要的局部特征都抹掉了。后来换成Matérn 5/2，效果好了很多。记住：不是越平滑越好，要匹配市场的真实波动特征。

17.4 代码实战：用GPR拟合波动率曲面

下面是我在实际项目中用过的代码框架。注意，这里我用了scikit-learn的GaussianProcessRegressor，但做了一些关键调整。

import numpy as np
from sklearn.gaussian_process import GaussianProcessRegressor
from sklearn.gaussian_process.kernels import Matern, WhiteKernel, ConstantKernel

def build_vol_surface_gpr(moneyness, tenor, implied_vol):
    """
    用高斯过程回归构建波动率曲面
    
    参数:
        moneyness: 行权价/远期价格
        tenor: 到期时间（年化）
        implied_vol: 隐含波动率
    """
    # 特征工程：把moneyness和tenor组合成二维输入
    X = np.column_stack([moneyness, tenor])
    y = implied_vol
    
    # 核函数设计：这是关键
    kernel = (
        ConstantKernel(1.0, (1e-3, 1e3)) * 
        Matern(length_scale=[0.5, 0.3], nu=2.5) +  # 主核
        WhiteKernel(noise_level=0.01)  # 噪声项
    )
    
    # 初始化GPR
    gpr = GaussianProcessRegressor(
        kernel=kernel,
        alpha=0.0,  # 噪声已经在核函数里了
        normalize_y=True,
        n_restarts_optimizer=10
    )
    
    # 拟合
    gpr.fit(X, y)
    
    return gpr

# 使用示例
gpr_model = build_vol_surface_gpr(moneyness, tenor, vol)
# 预测新点
X_pred = np.array([[1.05, 0.5], [0.95, 1.0]])
vol_pred, vol_std = gpr_model.predict(X_pred, return_std=True)

注意：核函数的超参数优化非常关键。我建议至少做10次随机重启，避免陷入局部最优。另外，length_scale的初始值要跟数据尺度匹配——比如tenor的范围是0.1到2年，那length_scale初始值设0.3左右比较合理。

17.5 知识体系结构图

下面这张图展示了GPR在波动率曲面建模中的完整逻辑链条：

17.6 实际应用中的注意事项

GPR虽然强大，但也不是银弹。我总结了几条实战经验：

数据预处理很重要：波动率数据通常需要先做log变换，让数据分布更接近高斯分布。我见过有人直接拿原始波动率做GPR，结果预测值出现负波动率——这在金融上毫无意义。
计算复杂度问题：GPR的时间复杂度是O(n³)，n是样本量。如果你的期权数据超过5000条，建议用稀疏高斯过程或者Nyström近似。我一般控制在2000个样本以内。
核函数组合的艺术：不要只用单一核函数。我常用的配方是「Matérn核 + 白噪声核」，前者捕捉结构，后者处理微观噪声。

一个小技巧：如果你发现GPR预测的曲面在边界处波动很大，可以试试在核函数里加一个「偏置项」。这相当于告诉模型：远离数据点的区域，预测值会回归到某个常数。我在处理深度虚值期权时经常用这招。

17.7 与其他方法的对比

最后做个简单对比，帮你理解GPR的定位：

方法	优点	缺点	我的推荐场景
SVI参数化	速度快，参数可解释	灵活性差，外推不稳定	做市商实时报价
样条插值	实现简单，局部控制好	没有不确定性度量	数据质量高的成熟市场
高斯过程回归	自带不确定性，非参数	计算慢，调参复杂	风险管理、套利检测
神经网络	表达能力强	需要大量数据，可解释性差	高频数据、大规模场景

我个人习惯把GPR作为「第二道防线」——先用参数化方法快速得到一个曲面，然后用GPR做质量检查和异常检测。两者结合，效果往往1+1>2。

嗯，关于高斯过程回归在波动率曲面中的应用，今天就聊到这儿。记住一点：工具是死的，市场是活的。再好的模型，也要结合你对市场的理解来用。

📚 课程目录