第二十八讲：可视化实战——用Plotly/Matplotlib绘制3D波动率曲面

波动率曲面这东西，说白了就是期权交易员的“作战地图”。

我刚开始做期权量化那会儿，每天盯着密密麻麻的数字表格，眼睛都快看瞎了。后来才明白——数据是死的，曲面是活的。一张好的3D图，能让你一眼看出市场情绪在哪、套利机会藏在哪。

今天咱们就动手，把波动率曲面从表格里“拎”出来，画成真正的3D图。

为什么非得画成3D？

你想想看，波动率曲面有三个维度：执行价K、剩余期限T、隐含波动率σ。二维表格只能看切片，三维图才能看到全貌。

我记得有一次做跨式套利策略，二维数据怎么看都觉得没机会。结果画成3D曲面，一眼就发现远端虚值期权那块有个“鼓包”——那是市场在定价尾部风险。后来靠这个信号，吃了一口大肉。

准备工作：数据从哪来？

咱们不搞虚的，直接生成一组模拟数据。真实场景中，这些数据来自期权市场收盘后的报价清洗。

import numpy as np
import pandas as pd

# 模拟参数
strikes = np.linspace(0.8, 1.2, 15)  # 执行价比例
ttm = np.linspace(0.1, 2.0, 12)      # 剩余期限（年）

# 生成曲面数据（带微笑效应和期限结构）
K_grid, T_grid = np.meshgrid(strikes, ttm)
sigma_surface = 0.2 + 0.1 * (K_grid - 1.0)**2 + 0.05 * np.sqrt(T_grid)

# 转成DataFrame方便处理
data = pd.DataFrame({
    'strike': K_grid.ravel(),
    'ttm': T_grid.ravel(),
    'iv': sigma_surface.ravel()
})

这里我故意加了两个特征：执行价越偏离平值，波动率越高（微笑效应）；期限越长，波动率略升（期限结构）。真实市场比这复杂得多，但原理一样。

方案一：Matplotlib——稳扎稳打的老将

Matplotlib画3D图，我个人的习惯是用mplot3d工具包。它不像Plotly那么炫酷，但胜在可控性强，适合做学术论文或内部报告。

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

fig = plt.figure(figsize=(12, 8))
ax = fig.add_subplot(111, projection='3d')

# 绘制曲面
surf = ax.plot_surface(K_grid, T_grid, sigma_surface, 
                       cmap='viridis', alpha=0.9,
                       linewidth=0, antialiased=True)

# 设置标签
ax.set_xlabel('执行价 (K)', fontsize=12)
ax.set_ylabel('剩余期限 (T)', fontsize=12)
ax.set_zlabel('隐含波动率', fontsize=12)
ax.set_title('波动率曲面 (Matplotlib)', fontsize=14)

# 添加颜色条
fig.colorbar(surf, ax=ax, shrink=0.5, aspect=10)

plt.tight_layout()
plt.show()

嗯，这里要注意一点：Matplotlib的3D渲染其实有点“假”，它是把3D投影到2D上画的。如果你旋转视角，可能会发现某些线条穿透了曲面。这是老毛病了，无伤大雅。

方案二：Plotly——交互式利器

如果你要做展示、或者给交易员看，我强烈推荐Plotly。它能旋转、缩放、悬停看数值，交互感拉满。

import plotly.graph_objects as go

fig = go.Figure(data=[
    go.Surface(
        z=sigma_surface,
        x=strikes,
        y=ttm,
        colorscale='Viridis',
        opacity=0.9,
        contours={
            'z': {'show': True, 'usecolormap': True, 'highlightcolor': 'limegreen'}
        }
    )
])

fig.update_layout(
    title='波动率曲面 (Plotly)',
    scene=dict(
        xaxis_title='执行价 (K)',
        yaxis_title='剩余期限 (T)',
        zaxis_title='隐含波动率',
        camera=dict(eye=dict(x=1.5, y=1.5, z=0.8))
    ),
    width=900,
    height=700
)

fig.show()

Plotly还有一个杀手锏——悬停显示数值。交易员鼠标移上去，就能看到某个执行价、某个期限对应的精确波动率。这在做市商报价时特别有用。

避坑指南：我曾经踩过的雷

• 数据顺序搞反： 有一次我画出来的曲面像被揉过的纸团，查了半天才发现是meshgrid的维度顺序和plot_surface要求的顺序不一致。记住：X是行方向，Y是列方向。
• 缺失值处理： 真实数据中，深度虚值期权经常没有报价。如果不做插值直接画，曲面会破洞。我一般先用上一讲的方法（样条插值）补全，再可视化。
• 颜色映射选择： 别用彩虹色！虽然好看，但色盲同事看不出来。我习惯用viridis或plasma，对色盲友好，而且颜色深浅和数值高低对应直观。

进阶：叠加真实市场数据

光画平滑曲面不够，咱们把真实的期权报价也标上去，看看插值效果好不好。

# 模拟一些“真实”报价（带随机噪声）
np.random.seed(42)
real_iv = sigma_surface + np.random.normal(0, 0.02, sigma_surface.shape)

# 在Plotly上叠加散点
fig.add_trace(go.Scatter3d(
    x=K_grid.ravel(),
    y=T_grid.ravel(),
    z=real_iv.ravel(),
    mode='markers',
    marker=dict(size=3, color='red', opacity=0.6),
    name='市场报价'
))

红色散点就是市场实际报价，绿色曲面是插值结果。如果散点都贴在曲面上，说明插值做得好；如果飘得厉害，嗯...你的模型该调了。

本章核心逻辑图

下面这张图，把整个可视化流程串起来了：

总结一下

可视化不是花架子，它是你理解波动率曲面的“第三只眼”。

• Matplotlib：适合静态报告，可控性强，但交互性差。
• Plotly：适合动态展示，交互感好，但文件体积大。
• 核心原则：先插值、后绘图；先平滑、后叠加散点验证。

我个人现在的工作流是：用Plotly做日常分析，用Matplotlib出最终报告。两个工具互补，缺一不可。

好了，代码都在上面了。打开你的Python环境，跑一遍试试。看到那个3D曲面在你眼前旋转的时候，你会觉得——嗯，这活儿值了。