23. 时间序列平滑：EWMA、卡尔曼滤波在动态曲面更新中的应用
波动率曲面不是静态的。你想想看，市场每分每秒都在变化，昨天的曲面到了今天可能就完全走样了。我刚开始做期权交易那会儿，就犯过这个错——用昨天的曲面去定价今天的期权，结果被风控部门叫去喝茶了。
所以，动态更新曲面是实战中的刚需。今天我们就聊聊两种最常用的平滑技术：EWMA 和卡尔曼滤波。
为什么需要时间序列平滑？
直接原因很简单：噪声太多。
每次我们重新拟合曲面，都会引入新的参数估计误差。如果直接把每次的拟合结果拼在一起，你会发现曲面在时间轴上跳来跳去，像喝醉了酒一样。这样的曲面没法用于交易，因为你的对冲参数会跟着乱跳。
平滑的本质，就是在「响应速度」和「稳定性」之间找平衡。我个人习惯把这个问题拆成两个维度：
- 时间维度：相邻时间点的曲面参数应该缓慢变化
- 结构维度：曲面本身的形状（偏斜、峰度）应该保持合理
EWMA 和卡尔曼滤波，正好分别擅长处理这两个维度的问题。
EWMA：最简单的动态平滑
EWMA 的全称是指数加权移动平均。说白了，就是给历史数据一个衰减的权重，越近的数据权重越大。
公式很简单：
θ_t = λ * θ_{t-1} + (1 - λ) * θ_t_obs其中 θ_t 是平滑后的参数，θ_t_obs 是当前观测值，λ 是衰减因子（通常取 0.8~0.99）。
我在项目中遇到过一个问题：λ 取大了，曲面更新太慢，跟不上市场突变；取小了，又容易被噪声带偏。后来我总结了一个经验——先用历史数据做回测，找到使预测误差最小的 λ 值。
实战经验：对于股指期权，λ 取 0.94 左右效果不错。对于外汇期权，因为波动更剧烈，我习惯取 0.88。
下面是一个简单的 Python 实现：
import numpy as np
def ewma_smooth(obs_series, lambda_=0.94):
"""
对观测序列做 EWMA 平滑
obs_series: 按时间排序的观测值数组
lambda_: 衰减因子
"""
smoothed = np.zeros_like(obs_series)
smoothed[0] = obs_series[0]
for t in range(1, len(obs_series)):
smoothed[t] = lambda_ * smoothed[t-1] + (1 - lambda_) * obs_series[t]
return smoothed嗯，这里要注意：EWMA 对突变反应比较慢。如果你发现市场出现了明显的 regime change（比如央行突然加息），最好手动重置平滑参数，或者暂时跳过平滑。
卡尔曼滤波：更聪明的平滑方式
EWMA 虽然简单，但它有个硬伤——它假设所有参数的变化规律是一样的。但实际中，不同期限的波动率参数，变化速度完全不同。
比如，近月合约的波动率变化很快，远月合约则相对稳定。用同一个 λ 去平滑，显然不合理。
卡尔曼滤波就能解决这个问题。它把曲面参数看作一个「状态向量」，用状态转移方程来描述参数的变化规律，再用观测方程来修正。
核心公式组：
# 状态预测
x_pred = F @ x_prev + w # w ~ N(0, Q)
P_pred = F @ P_prev @ F.T + Q
# 观测更新
K = P_pred @ H.T @ inv(H @ P_pred @ H.T + R)
x_updated = x_pred + K @ (z - H @ x_pred)
P_updated = (I - K @ H) @ P_pred看着复杂，其实逻辑很清晰：
- F：状态转移矩阵，描述参数如何随时间演变
- Q：过程噪声，控制参数变化的灵活度
- R：观测噪声，控制我们对观测值的信任程度
- K：卡尔曼增益，自动平衡预测和观测
我的小技巧：刚开始调参时，把 Q 设大一点、R 设小一点，让滤波器更相信观测值。等模型稳定了，再慢慢调小 Q。这样不容易发散。
实战对比：EWMA vs 卡尔曼滤波
我曾经在同一个数据集上对比过两种方法。数据是某股指期权 3 个月的日频曲面参数。
| 指标 | EWMA (λ=0.94) | 卡尔曼滤波 |
|---|---|---|
| 均方根误差 | 0.023 | 0.017 |
| 最大延迟（天） | 3.2 | 1.8 |
| 参数稳定性 | 中等 | 高 |
| 计算耗时（每次） | 0.001s | 0.008s |
卡尔曼滤波在精度和稳定性上都占优，但计算量也大一些。对于高频交易场景，EWMA 的轻量级优势就体现出来了。
动态曲面更新的完整流程
下面这张图展示了整个流程：
避坑指南：我曾经在实盘环境中直接用卡尔曼滤波的预测值去交易，结果发现滤波器发散，曲面参数跑到了不合理范围。后来我加了一个「合理性检查」——每次更新后，检查参数是否在历史合理区间内，如果超出就回退到 EWMA 的平滑结果。
代码实战：卡尔曼滤波平滑曲面参数
下面是一个完整的示例，假设我们有 5 个曲面参数（比如 SVI 模型的 a, b, ρ, m, σ），用卡尔曼滤波做平滑：
import numpy as np
from filterpy.kalman import KalmanFilter
class SurfaceKalmanFilter:
def __init__(self, n_params=5):
self.kf = KalmanFilter(dim_x=n_params, dim_z=n_params)
# 状态转移矩阵：假设参数随机游走
self.kf.F = np.eye(n_params)
# 观测矩阵：直接观测
self.kf.H = np.eye(n_params)
# 过程噪声：控制参数变化速度
self.kf.Q = np.eye(n_params) * 0.01
# 观测噪声：基于历史拟合误差
self.kf.R = np.eye(n_params) * 0.05
# 初始状态
self.kf.x = np.zeros(n_params)
self.kf.P = np.eye(n_params) * 100
def update(self, observed_params):
"""
输入：当前观测到的曲面参数
输出：平滑后的参数
"""
self.kf.predict()
self.kf.update(observed_params)
return self.kf.x.copy()
def set_Q(self, Q_diag):
"""根据市场状态调整过程噪声"""
self.kf.Q = np.diag(Q_diag)
# 使用示例
kf = SurfaceKalmanFilter()
obs = np.array([0.05, 0.12, -0.3, 0.02, 0.15]) # 假设的观测值
smoothed = kf.update(obs)
print(f"平滑后参数: {smoothed}")调参建议：Q 矩阵的对角线元素控制每个参数的变化速度。近月参数（比如短期偏斜）的 Q 值可以设大一些，远月参数的 Q 值设小一些。我一般按期限的倒数来设置比例。
好了，这就是 EWMA 和卡尔曼滤波在动态曲面更新中的应用。两种方法各有千秋，关键是根据你的交易频率和数据质量来选。如果你刚开始做，我建议先从 EWMA 入手，等跑通了再升级到卡尔曼滤波。
记住一点：平滑不是目的，稳定且及时地反映市场才是。别为了平滑而平滑，把真实的市场信号也给抹掉了。
公众号：蓝海数据掘金营，微信 deep3321