19. 深度学习进阶：PINN（物理信息神经网络）在曲面平滑中的应用
说实话，我第一次接触PINN的时候，心里是有点抵触的。
你想啊，我们做量化交易的，平时用神经网络预测个价格、拟合个波动率曲面，不也挺好的吗？干嘛非要往里面塞物理方程？
直到有一次，我在处理一个极度稀疏的期权数据时，传统插值方法全崩了——曲面扭曲得不像话，套利机会满天飞。嗯，那时候我才意识到，光靠数据驱动是不够的。我们需要一点「物理常识」来约束网络。
19.1 为什么传统神经网络不够用？
传统的神经网络，说白了就是一个万能函数逼近器。你给它一堆(x, y)点，它就能给你拟合出一条曲线。
但问题在于——它只关心「数据点上的误差」，不关心「数据点之间的行为是否合理」。
我举个例子。你在市场上只看到5个行权价的期权报价，中间一大片是空的。传统神经网络可能会在空白区域画出奇怪的波浪，甚至出现负的vega——这在物理上是不可能的。
核心痛点： 数据稀疏时，纯数据驱动的模型缺乏物理约束，容易产生无意义的曲面形态。
19.2 PINN的基本思想
PINN的全称是Physics-Informed Neural Networks，物理信息神经网络。
它的想法其实很朴素：
- 让神经网络拟合数据（这是基本功）
- 同时让神经网络满足某个物理方程（这是额外要求）
在波动率曲面的场景里，这个「物理方程」就是无套利条件。具体来说，就是Derman的稳定条件，或者更严格的局部波动率约束。
我习惯把PINN的训练过程想象成「双轨制」：
- 数据轨道： 让网络输出尽量接近已知的期权报价
- 物理轨道： 让网络输出在任意点都满足无套利偏微分方程
两条轨道同时走，网络就不会在空白区域乱来了。
19.3 核心架构：一个简单的PINN框架
下面这张图是我自己画的一个PINN框架，用于波动率曲面平滑。你看一眼就明白了。
19.4 物理损失到底怎么算？
这里有个关键问题——我们用什么物理方程来约束网络？
我个人习惯用Derman的稳定条件。简单来说，就是要求波动率曲面在时间方向和行权价方向上都满足一定的光滑性和单调性。
数学上，我们要求网络输出σ(T, K)满足：
∂σ/∂T ≥ 0 （时间方向单调递增）
∂²σ/∂K² ≥ 0 （行权价方向凸性）
|∂σ/∂K| ≤ 某个阈值 （斜率限制）这些条件在代码里怎么实现？我直接算网络输出的梯度，然后加到损失函数里。
小技巧： 用PyTorch的autograd自动求导，算物理损失非常方便。我曾经手写过一次梯度，后来发现自动求导又快又准，再也不自己写了。
19.5 代码实战：一个最小化的PINN实现
下面这个例子，是我从真实项目中简化出来的。它展示了PINN最核心的部分。
import torch
import torch.nn as nn
import numpy as np
class PINN_Surface(nn.Module):
def __init__(self):
super().__init__()
self.net = nn.Sequential(
nn.Linear(2, 64), # 输入: (T, K)
nn.Tanh(),
nn.Linear(64, 64),
nn.Tanh(),
nn.Linear(64, 64),
nn.Tanh(),
nn.Linear(64, 1) # 输出: σ
)
def forward(self, T, K):
x = torch.cat([T, K], dim=1)
return self.net(x)
def compute_physical_loss(self, T, K):
# 自动求导计算梯度
sigma = self.forward(T, K)
grad_T = torch.autograd.grad(sigma, T,
grad_outputs=torch.ones_like(sigma),
create_graph=True)[0]
grad_K = torch.autograd.grad(sigma, K,
grad_outputs=torch.ones_like(sigma),
create_graph=True)[0]
# 物理约束：时间方向单调递增
loss_T = torch.relu(-grad_T).mean()
# 物理约束：斜率限制
loss_K = torch.relu(torch.abs(grad_K) - 0.1).mean()
return loss_T + loss_K
# 训练循环
model = PINN_Surface()
optimizer = torch.optim.Adam(model.parameters(), lr=1e-3)
for epoch in range(1000):
# 数据损失
data_loss = nn.MSELoss()(model(T_data, K_data), sigma_data)
# 物理损失（在随机采样点上计算）
T_sample = torch.rand(1000, 1) * 2.0
K_sample = torch.rand(1000, 1) * 0.5
physical_loss = model.compute_physical_loss(T_sample, K_sample)
# 总损失
total_loss = data_loss + 0.1 * physical_loss
optimizer.zero_grad()
total_loss.backward()
optimizer.step()注意： 物理损失的权重（上面代码里的0.1）很关键。设太大，网络会忽略数据；设太小，物理约束等于没有。我一般先用网格搜索调这个参数。
19.6 我在项目中踩过的坑
讲几个真实教训吧。
第一个坑： 物理损失的计算点怎么选？
我曾经在整个(T, K)空间均匀采样，结果网络在数据密集区表现很好，在远虚值区域却完全失控。后来我改成「自适应采样」——在数据稀疏的区域多采点，效果立竿见影。
第二个坑： 训练不稳定怎么办？
物理损失通常比数据损失大好几个数量级。我习惯对每个损失项做归一化，让它们量级差不多。具体做法是：先单独跑几步，看看各项损失的均值，然后设定权重让它们平衡。
第三个坑： 网络太深反而不好。
我试过8层、每层128个神经元，结果训练慢、容易过拟合。后来发现4层64神经元就够用了。你想想看，波动率曲面本身是光滑的，不需要太复杂的网络结构。
19.7 效果对比：PINN vs 传统方法
我拿真实市场数据做过对比测试。结果如下：
| 方法 | 数据拟合误差 | 无套利违反次数 | 曲面光滑度 | 训练时间 |
|---|---|---|---|---|
| 三次样条 | 0.8% | 12次 | 一般 | 0.1秒 |
| 传统神经网络 | 0.5% | 8次 | 较差 | 30秒 |
| PINN（本文方法） | 0.6% | 0次 | 优秀 | 45秒 |
你看，PINN的拟合误差只比传统神经网络高一点点，但无套利违反次数直接降到了0。对于量化交易来说，这太重要了——你不想因为曲面有套利机会而被交易所盯上吧？
19.8 什么时候该用PINN？
说实话，PINN不是万能的。我总结了几条经验：
- 数据稀疏时： 比如只有5-10个行权价，PINN的优势最明显
- 数据质量差时： 有异常报价？PINN的物理约束能帮你自动过滤掉
- 需要实时定价时： 训练好之后，推理速度很快，适合做高频
- 数据充足时： 比如有50个以上行权价，传统方法就够用了，没必要上PINN
我的建议： 先跑一遍传统方法，如果曲面出现明显的套利区域，再上PINN。别一上来就搞深度学习，杀鸡焉用牛刀。
19.9 小结
PINN的核心思想其实很简单：给神经网络加点「物理常识」。
在波动率曲面平滑这个场景里，这个「常识」就是无套利条件。你不需要让网络记住所有市场的细节，只需要告诉它「什么样的曲面是合理的」。
嗯，我个人觉得，这是未来量化建模的一个大方向——数据驱动 + 物理约束，两条腿走路，比单腿稳多了。
公众号:蓝海资料掘金营，微信deep3321