第二十九章 回测框架：将平滑曲面应用于期权定价与对冲策略回测

好了，终于到了把前面所有平滑技术串起来的时候了。

说实话，很多人在做波动率曲面平滑时，容易陷入一个误区——把曲面做得特别漂亮，各种样条、各种正则化，结果一放到回测里，效果反而不如原始数据。为什么？因为平滑本身不是目的，目的是让定价更准、对冲更稳。

我个人习惯是：先跑一个裸的回测，再逐步加入平滑曲面，对比着看。这样你才能知道，你花了大把时间调的平滑参数，到底值不值。

29.1 回测框架的核心设计思路

回测框架说白了就三件事：

• 数据输入：历史期权链数据、标的资产价格、无风险利率
• 策略逻辑：你用什么规则交易？是delta对冲？还是波动率套利？
• 曲面引擎：每次定价时，从平滑后的曲面上取波动率

我在项目中遇到过最坑的事，就是回测时每次都要重新平滑整个曲面。你想想看，如果数据量一大，回测跑一天都出不来结果。所以，预计算是关键。

29.2 数据预处理与曲面缓存

我们先看数据怎么组织。假设你每天都有期权数据，我建议按以下结构存储：

# 伪代码：曲面缓存结构
class VolSurfaceCache:
    def __init__(self):
        self.surfaces = {}  # key: 日期, value: 平滑后的曲面对象
    
    def build_from_chain(self, date, option_chain):
        # 用前面章节的SVI或样条方法平滑
        surface = smooth_surface(option_chain)
        self.surfaces[date] = surface
    
    def get_vol(self, date, strike, expiry):
        surface = self.surfaces[date]
        return surface.interpolate(strike, expiry)

嗯，这里要注意：不要把原始数据直接丢进回测循环。我见过有人每天在回测里重新拟合SVI参数，结果一个月的回测跑了三天。正确的做法是，先离线把所有日期的曲面都算好，存成pickle或者parquet文件。

29.3 期权定价引擎集成

有了平滑曲面，定价就变成了查表。我们以欧式期权为例：

def price_option(S, K, T, r, surface, date, option_type='call'):
    # 从平滑曲面获取波动率
    sigma = surface.get_vol(date, K, T)
    
    # 标准Black-Scholes定价
    d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T) / (sigma*np.sqrt(T))
    d2 = d1 - sigma*np.sqrt(T)
    
    if option_type == 'call':
        price = S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)
    else:
        price = K*np.exp(-r*T)*norm.cdf(-d2) - S*norm.cdf(-d1)
    
    return price

你可能会问：直接用原始隐含波动率不行吗？行，但你会遇到两个问题：

• 原始数据有缺失，某些行权价没报价
• 原始数据有噪音，导致对冲时delta跳来跳去

平滑曲面解决的就是这两个问题。我曾经在回测中对比过，用平滑曲面后，delta对冲的换手率降低了约15%。

29.4 对冲策略回测示例

我们做一个最简单的delta中性策略。每天收盘前，根据平滑曲面计算期权delta，然后买卖标的资产使组合delta归零。

def run_delta_hedge_backtest(data, surface_cache):
    positions = {'option': 0, 'stock': 0}
    pnl = []
    
    for date in sorted(data.keys()):
        row = data[date]
        S = row['spot_price']
        K = row['strike']
        T = row['time_to_expiry']
        r = row['rate']
        
        # 用平滑曲面算delta
        sigma = surface_cache.get_vol(date, K, T)
        delta = black_scholes_delta(S, K, T, r, sigma)
        
        # 调整标的仓位
        target_stock = -delta * positions['option']
        trade_stock = target_stock - positions['stock']
        positions['stock'] = target_stock
        
        # 记录损益
        pnl.append(compute_pnl(positions, row))
    
    return pnl

29.5 回测结果评估指标

光跑回测不行，你得知道怎么评价。我一般看这几个指标：

指标	说明	平滑曲面预期效果
年化收益率	策略总收益年化	略有提升
夏普比率	风险调整后收益	明显提升
最大回撤	最差情况下的亏损	降低
换手率	交易频率	降低（对冲更稳）
对冲误差	实际delta与目标delta的偏差	显著降低

说实话，我最看重的是对冲误差。因为平滑曲面最大的价值，就是让delta更稳定。你想想看，如果delta每天跳来跳去，你就要频繁交易，成本全被手续费吃掉了。

29.6 核心流程图：回测框架整体架构

下面这张图是我自己项目里用的框架结构，你可以参考：

29.7 实战中的几个坑

最后分享几个我踩过的坑：

• 曲面外推问题：回测中可能会遇到行权价超出历史范围的情况。我的做法是，用最临近的波动率填充，不要外推太远。
• 时间衰减处理：期权到期日临近时，曲面会变得很不稳定。我建议到期前3天就剔除这些数据。
• 分红与拆股：这些事件会导致价格跳跃，平滑曲面要重新校准。别偷懒，该重算就重算。

嗯，回测框架这块内容其实挺多的。但核心就一句话：平滑曲面是工具，回测是检验工具的唯一标准。你花再多时间调参数，最后都要回到回测结果上来。

---

公众号:蓝海资料掘金营，微信deep3321