7. 时间序列检测法：基于滚动窗口的均值回归检测

波动率曲面异常点检测，说白了就是找那些「不该出现」的点。

我做了这么多年量化，发现一个规律：波动率曲面上的异常点，往往不是随机出现的。它们要么是数据错误，要么是市场情绪的极端反应。而时间序列检测法，就是利用「历史会重演」这个假设，来揪出这些异常。

今天咱们聊的，是其中最简单、也最实用的一种——基于滚动窗口的均值回归检测。

7.1 核心思想：波动率也会「回家」

你想想看，一个资产的隐含波动率，正常情况下会在某个区间内波动。如果某天突然飙到天上，或者砸到地板，那大概率有问题。

均值回归检测的核心假设就是：波动率会围绕其历史均值波动。当偏离超过一定阈值时，我们就认为出现了异常。

但这里有个坑：均值不是一成不变的。市场在变，波动率的「正常水平」也在变。所以我们需要用滚动窗口，动态计算均值。

嗯，这里要注意：窗口大小的选择很关键。窗口太小，均值不稳定；窗口太大，均值反应太慢。我个人习惯用20-60个交易日，具体看数据频率。

7.2 数学表达：其实很简单

别被「均值回归」这个名字吓到。它的数学表达很简单：

设当前时刻t的波动率为σ_t，滚动窗口大小为n，则：

• 窗口均值：μ_t = (1/n) * Σ(σ_i)，i从t-n+1到t
• 窗口标准差：σ_std_t = sqrt((1/n) * Σ(σ_i - μ_t)²)
• Z-score：z_t = (σ_t - μ_t) / σ_std_t

当|z_t| > 阈值（通常取3），就判定为异常。

为什么是3？因为正态分布下，±3σ以外的概率只有0.27%。当然，实际数据往往有厚尾，所以有些人会用2.5甚至2。我建议你先用3，然后根据回测结果调整。

7.3 Python实现：手把手教你写

代码其实不复杂。我直接给你一个完整的实现：

import numpy as np
import pandas as pd

def rolling_mean_reversion_detection(data, window=20, threshold=3):
    """
    基于滚动窗口的均值回归异常检测
    
    参数:
    data: pd.Series, 波动率时间序列
    window: int, 滚动窗口大小
    threshold: float, Z-score阈值
    
    返回:
    anomalies: pd.Series, 异常点标记(True/False)
    z_scores: pd.Series, 每个点的Z-score
    """
    
    # 计算滚动均值和标准差
    rolling_mean = data.rolling(window=window, min_periods=window).mean()
    rolling_std = data.rolling(window=window, min_periods=window).std()
    
    # 计算Z-score
    z_scores = (data - rolling_mean) / rolling_std
    
    # 标记异常点
    anomalies = np.abs(z_scores) > threshold
    
    return anomalies, z_scores

# 使用示例
# 假设df是包含波动率数据的DataFrame，'vol'列是波动率
df = pd.read_csv('vol_surface_data.csv')
df['anomaly'], df['z_score'] = rolling_mean_reversion_detection(df['vol'], window=20, threshold=3)

# 查看异常点
print(f"检测到 {df['anomaly'].sum()} 个异常点")
print(df[df['anomaly']][['date', 'vol', 'z_score']])

这段代码我用了好几年，基本没出过问题。但有一点要提醒你：前window-1个点是没有检测结果的，因为滚动窗口需要足够的数据。

7.4 避坑指南：我曾经踩过的坑

做这个检测，有几个坑你一定要注意：

7.5 可视化：一眼看出异常

光看数字不够直观。我习惯把结果画出来：

import matplotlib.pyplot as plt

def plot_anomalies(data, anomalies, z_scores, window=20):
    fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8))
    
    # 上子图：波动率曲线 + 异常点
    ax1.plot(data.index, data.values, label='波动率', color='blue')
    ax1.scatter(data[anomalies].index, data[anomalies].values, 
                color='red', s=50, label='异常点')
    ax1.axhline(y=data.mean(), color='gray', linestyle='--', label='全局均值')
    ax1.set_title(f'波动率时间序列 (窗口={window})')
    ax1.legend()
    
    # 下子图：Z-score
    ax2.plot(z_scores.index, z_scores.values, label='Z-score', color='green')
    ax2.axhline(y=3, color='red', linestyle='--', label='上阈值')
    ax2.axhline(y=-3, color='red', linestyle='--', label='下阈值')
    ax2.fill_between(z_scores.index, -3, 3, alpha=0.1, color='green')
    ax2.set_title('Z-score 时间序列')
    ax2.legend()
    
    plt.tight_layout()
    plt.show()

# 调用
plot_anomalies(df['vol'], df['anomaly'], df['z_score'], window=20)

这张图能帮你快速定位异常点。红色点就是检测出来的异常，一眼就能看出来。

7.6 知识体系：一张图看懂

我把整个检测流程画成了SVG图，方便你理解：

7.7 实战经验：什么时候该用，什么时候不该用

这个方法不是万能的。我总结了几条经验：

场景	推荐使用？	原因
隐含波动率曲面	✅ 推荐	隐含波动率通常有均值回归特性
已实现波动率	✅ 推荐	已实现波动率也呈现均值回归
波动率期限结构	⚠️ 谨慎	期限结构有趋势性，需先差分
波动率微笑	❌ 不推荐	微笑曲线有固定形状，不适合均值回归
高频数据	⚠️ 谨慎	高频数据噪声大，需先平滑

我记得有一次，一个同事用这个方法检测期权波动率曲面，结果发现大量「异常点」。后来一查，原来是数据源把看涨和看跌期权的波动率搞反了。嗯，有时候异常点不是市场的问题，是数据的问题。

好了，关于滚动窗口均值回归检测，就聊这么多。这个方法简单、实用，是波动率曲面异常检测的入门必备。但记住：没有万能的方法。实际应用中，最好结合其他检测方法一起使用，比如后面会讲到的局部异常因子（LOF）和孤立森林。

---

公众号:蓝海数据掘金营，微信deep3321