波动率曲面平滑与插值技术实战

• 波动率曲面基础：什么是波动率曲面？为什么需要平滑与插值？
• 市场数据获取：从交易所/数据商获取期权链数据，构建原始波动率散点图。
• 数据清洗实战：处理异常点、剔除套利机会、处理缺失值。
• 线性插值方法：一维线性插值在期限结构上的应用。
• 样条插值基础：三次样条插值的数学原理与Python实现。
• 样条插值进阶：平滑样条与参数选择（平滑系数λ）。
• 双线性插值：在行权价和期限两个维度上进行插值。
• 双三次插值：Bicubic插值在曲面平滑中的应用。
• 径向基函数插值：RBF插值的原理与金融应用场景。
• 克里金插值：地质统计学方法在波动率曲面中的应用。
• SVI模型：随机波动率启发式模型（SVI）的参数化方法。
• SVI拟合实战：使用Python拟合SVI参数，构建平滑曲面。
• SABR模型：随机Alpha Beta Rho模型的原理与校准。
• SABR校准实战：使用市场数据校准SABR参数。
• 多项式拟合：使用多项式回归对波动率曲面进行全局拟合。
• 局部加权回归：LOWESS方法在曲面平滑中的优势。
• 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。
• 神经网络方法：使用浅层神经网络学习波动率曲面。
• 深度学习进阶：PINN（物理信息神经网络）在曲面平滑中的应用。
• 正则化技术：L1/L2正则化防止过拟合，确保曲面平滑。
• 交叉验证：K折交叉验证选择最优平滑参数。
• 曲面评估指标：MAE、RMSE、光滑度指标、无套利检验。
• 时间序列平滑：EWMA、卡尔曼滤波在动态曲面更新中的应用。
• 主成分分析：PCA降维提取波动率曲面的主要形态。
• 无套利约束：确保插值后的曲面不存在蝶式/日历套利。
• 极端行情处理：跳跃、负波动率、流动性枯竭时的特殊处理。
• 实时曲面更新：低延迟架构下的增量更新策略。
• 可视化实战：使用Plotly/Matplotlib绘制3D波动率曲面。
• 回测框架：将平滑曲面应用于期权定价与对冲策略回测。
• 生产部署：将模型封装为API服务，Docker部署与性能优化。