第6章：插值方法入门：线性插值、样条插值在曲面构建中的应用

各位同学，欢迎来到第六章。

前面几章我们聊了波动率曲面的概念，也看了市场上实际的数据长什么样。但有个现实问题摆在我们面前：市场上能看到的期权报价，永远是不完整的。

你打开Bloomberg或者Wind，能看到50个、100个行权价的报价。但你的定价模型需要任意行权价、任意期限的波动率。怎么办？

答案就是——插值。

说白了，插值就是「猜」。用已知的点，去推断未知的点。但怎么猜得准，这就是门学问了。我在做期权做市商系统的时候，吃过不少插值的亏，今天把这些经验都倒给你们。

---

6.1 为什么需要插值？

先看一个实际场景。

假设今天是2024年1月15日，某股票当前价格100元。市场上能看到的期权报价是这样的：

行权价	90	95	100	105	110
隐含波动率	32%	28%	25%	27%	31%

现在，客户要交易一个行权价97.5的期权。你报多少波动率？

这就是插值要解决的问题。我们只有5个离散点，但需要知道整条曲线上的任意值。

---

6.2 线性插值：最朴素的方法

线性插值，顾名思义，就是两点之间画直线。

公式很简单：

给定点 (x0, y0) 和 (x1, y1)
在 x 处的插值结果：
y = y0 + (y1 - y0) * (x - x0) / (x1 - x0)

用Python实现也就几行：

def linear_interp(x, x0, x1, y0, y1):
    """线性插值"""
    return y0 + (y1 - y0) * (x - x0) / (x1 - x0)

# 对上面表格的数据做插值
# 行权价97.5，介于95和100之间
vol_97_5 = linear_interp(97.5, 95, 100, 0.28, 0.25)
print(f"行权价97.5的波动率: {vol_97_5:.4f}")  # 输出: 0.2650

嗯，就这么简单。但问题来了——线性插值真的够用吗？

我个人习惯把线性插值当作「基准线」。它简单、透明、不会出幺蛾子。但它的缺点也很明显：

• 不光滑：在数据点处有尖角，导数不连续
• 无法捕捉曲率：波动率曲面是有「微笑」形状的，直线拟合不了微笑
• 外推能力差：超出数据范围时，线性外推往往不靠谱

---

6.3 样条插值：让曲线更自然

样条插值的思路是：不要用一根直线连接两点，而是用一段光滑的曲线。

最常见的三次样条，保证在每个数据点处，曲线的一阶导数和二阶导数都连续。这样整条曲线看起来就很「顺眼」。

Python里用SciPy实现非常方便：

from scipy.interpolate import CubicSpline
import numpy as np

# 原始数据
strikes = np.array([90, 95, 100, 105, 110])
vols = np.array([0.32, 0.28, 0.25, 0.27, 0.31])

# 创建三次样条插值器
cs = CubicSpline(strikes, vols)

# 在任意点求值
test_strikes = np.array([92.5, 97.5, 102.5, 107.5])
interp_vols = cs(test_strikes)

for s, v in zip(test_strikes, interp_vols):
    print(f"行权价 {s}: 波动率 {v:.4f}")

输出结果：

行权价 92.5: 波动率 0.3012
行权价 97.5: 波动率 0.2648
行权价 102.5: 波动率 0.2598
行权价 107.5: 波动率 0.2915

你看，样条插值的结果比线性更「圆润」。它捕捉到了波动率微笑的形态——平值附近低，两边高。

---

6.4 线性 vs 样条：实战对比

为了让大家看得更清楚，我画了一张对比图：

从图上能明显看出来：

• 蓝色虚线（线性）：在数据点处有尖角，看起来不自然
• 绿色实线（样条）：光滑连续，更符合波动率微笑的形态

但注意，样条也不是完美无缺。你看105到110之间，样条曲线往下弯了一下又往上翘。这在某些情况下会导致「伪波动率微笑」——明明市场没有那个形态，插值硬生生造出来了。

---

6.5 二维插值：从曲线到曲面

上面我们只讨论了「一个期限、多个行权价」的情况。但波动率曲面是二维的——既有行权价维度，又有期限维度。

二维插值的思路有两种：

1. 顺序插值法：先对每个期限做行权价方向的插值，再对每个行权价做期限方向的插值
2. 直接二维插值：用二维样条或径向基函数直接拟合

我个人更推荐第一种。为什么？因为可控。你可以对行权价方向用样条，对期限方向用线性——不同维度用不同的方法，灵活度更高。

代码示例：

from scipy.interpolate import interp2d, RectBivariateSpline
import numpy as np

# 假设我们有3个期限，5个行权价的数据
tenors = np.array([0.1, 0.5, 1.0])  # 单位：年
strikes = np.array([90, 95, 100, 105, 110])

# 波动率矩阵：行=期限，列=行权价
vol_matrix = np.array([
    [0.33, 0.29, 0.26, 0.28, 0.32],  # 0.1年
    [0.32, 0.28, 0.25, 0.27, 0.31],  # 0.5年
    [0.31, 0.27, 0.24, 0.26, 0.30]   # 1.0年
])

# 方法1：顺序插值（推荐）
from scipy.interpolate import CubicSpline

def sequential_2d_interp(tenor, strike, tenors, strikes, vol_matrix):
    """顺序二维插值"""
    # 先对每个期限做行权价方向的样条插值
    interp_vols_at_tenors = []
    for i, t in enumerate(tenors):
        cs = CubicSpline(strikes, vol_matrix[i])
        interp_vols_at_tenors.append(cs(strike))
    
    # 再对期限方向做线性插值
    result = np.interp(tenor, tenors, interp_vols_at_tenors)
    return result

# 测试
test_tenor = 0.3
test_strike = 97.5
vol = sequential_2d_interp(test_tenor, test_strike, tenors, strikes, vol_matrix)
print(f"期限{test_tenor}年，行权价{test_strike}的波动率: {vol:.4f}")

---

6.6 插值方法的选择指南

讲了这么多，到底该用哪种？我整理了一个表格：

场景	推荐方法	原因
数据点密集（>10个）	三次样条	光滑性好，能捕捉细节
数据点稀疏（<5个）	线性插值	样条容易过冲，线性更稳健
需要外推	线性外推	样条外推可能发散
实时报价系统	线性插值	计算速度快，稳定性好
风险分析/定价	样条插值	光滑的希腊值计算

---

6.7 本章小结

嗯，这一章的内容就到这里。我们来捋一捋核心要点：

• 线性插值：简单、稳健，适合快速原型和实时系统
• 样条插值：光滑、自然，适合精细定价和风险分析
• 二维插值：推荐顺序插值法，不同维度用不同方法
• 没有银弹：插值方法的选择取决于数据质量和应用场景

最后说一句：插值只是工具，不是目的。我们的目标是构建一个合理、无套利、可交易的波动率曲面。方法选对了，事半功倍；选错了，事倍功半。

下一章，我们会深入讨论如何检验插值结果的合理性，以及如何处理那些「不听话」的数据点。

---