波动率曲面构建（一）：数据清洗与预处理、期权筛选标准、插值方法对比

做波动率曲面，说白了就是给期权市场拍一张「三维照片」。横轴是行权价，纵轴是到期日，竖轴是隐含波动率。这张照片拍得清不清楚，关键看两个事：原始数据干不干净，插值手法到不到位。

我个人习惯，拿到期权数据的第一件事不是跑模型，而是先盯着原始数据看十分钟。为什么？因为交易所来的数据，脏得能让你怀疑人生。我见过有人把深度虚值期权的报价直接扔进模型，结果曲面长成了「心电图」——全是锯齿。

一、数据清洗与预处理

数据清洗，听着像体力活，其实是最容易翻车的地方。我踩过的坑，一个一个说。

1.1 缺失值与异常值处理

期权数据常见的缺失情况有两种：一是某个行权价全天没有成交，二是某个到期日只有零星几笔。我的处理原则很简单——

• 日内缺失：用前后两个交易日的同一合约数据填充，别用当天其他合约的平均值。不同行权价的波动率结构差异很大，平均会抹平特征。
• 跨期缺失：如果某个到期日的数据量少于10笔，我建议直接剔除。强行插值出来的曲面，近月端会扭曲得厉害。

异常值呢？我最常遇到的是「胖手指」——有人把0.05的波动率敲成了0.5。怎么识别？我一般用两步：

1. 计算每个到期日下，所有行权价的波动率中位数和绝对偏差（MAD）。
2. 把偏离中位数超过3倍MAD的点标记为异常，直接剔除。

1.2 时间戳对齐与交易日统一

嗯，这里要注意。不同交易所的期权数据，时间戳格式可能不一样。比如上交所是毫秒级时间戳，而有些数据商给的是字符串。我习惯把所有时间统一转换成UTC+8的datetime格式，然后按交易日对齐。

我曾经犯过一个低级错误：把下午3点收盘后的数据也算进了当天。结果曲面在尾盘附近出现了一个「翘尾」——因为收盘后的大宗交易波动率偏低，把整个曲面拉歪了。后来我加了一条规则：只取交易时段内（9:30-11:30, 13:00-15:00）的数据。

1.3 代码示例：数据清洗流水线

import pandas as pd
import numpy as np
from datetime import datetime

def clean_option_data(df):
    # 1. 时间戳统一
    df['trade_time'] = pd.to_datetime(df['timestamp'], unit='ms')
    df = df[(df['trade_time'].dt.hour >= 9) & (df['trade_time'].dt.hour <= 15)]
    
    # 2. 剔除交易量小于10手的合约
    df = df[df['volume'] >= 10]
    
    # 3. 异常值检测（基于MAD）
    for expiry in df['expiry'].unique():
        mask = df['expiry'] == expiry
        med = df.loc[mask, 'implied_vol'].median()
        mad = np.abs(df.loc[mask, 'implied_vol'] - med).median()
        df = df[~((df['expiry'] == expiry) & 
                  (np.abs(df['implied_vol'] - med) > 3 * mad))]
    
    return df

二、期权筛选标准

数据洗干净了，接下来要挑「好」的期权。不是所有期权都值得放进曲面。你想想看，一个还有3天到期的深度虚值期权，流动性差得一天只成交5手，它的报价能信吗？

2.1 流动性筛选

流动性是命根子。我定过一套硬性标准：

筛选维度	标准	原因
日成交量	≥ 100手	低于这个数，买卖价差太大，报价失真
持仓量	≥ 500张	持仓量低说明市场关注度不够，容易被操纵
买卖价差	≤ 中间价的5%	价差太宽，隐含波动率的计算误差会放大

我记得有一次做50ETF期权曲面，发现近月合约的买卖价差普遍在2%以内，但远月合约到了10%以上。后来我直接把远月合约的价差阈值放宽到8%，才保留了足够的数据点。说白了，远月流动性天生差，标准要适当调整。

2.2 到期日筛选

到期日太近的合约，时间价值衰减快，波动率容易「发疯」。我一般剔除到期日小于7天的合约。为什么？因为临近到期，Gamma会变得极大，稍微一点价格波动就能把隐含波动率推到天上。

反过来，到期日太远的合约（比如超过1年），流动性差，而且远期波动率的预测意义不大。我个人习惯只保留30天到365天之间的合约。

2.3 行权价筛选

行权价这块，核心是剔除「深度实值」和「深度虚值」的合约。怎么定义「深度」？我用的标准是：

• 实值侧：行权价偏离标的价格超过20%的，剔除。
• 虚值侧：行权价偏离标的价格超过30%的，剔除。

为什么实值侧比虚值侧更严格？因为实值期权的时间价值低，隐含波动率对模型假设（比如分红、利率）特别敏感。虚值期权虽然也有噪音，但至少还能反映尾部风险。

三、插值方法对比

数据选好了，接下来要在行权价和到期日这两个维度上「填空」。插值方法选不对，曲面就会变形。我试过三种主流方法，一个一个说。

3.1 线性插值

线性插值最简单，也最「暴力」。在两个已知点之间画一条直线，中间的值按比例算。

优点：速度快，不会出现「过冲」——也就是插出来的值不会跑到已知点的范围之外。

缺点：在波动率曲面上，线性插值会抹掉「微笑」特征。你想想看，波动率在平值附近是凹的，线性插值硬生生把它拉成了直线，曲面看起来就像「塌了」。

我什么时候用线性？只在数据点非常密集的时候用。比如近月合约，行权价间隔只有50点，线性插值的误差可以接受。

3.2 三次样条插值

三次样条是我最常用的方法。它在每两个已知点之间拟合一个三次多项式，并且保证连接处的一阶和二阶导数连续。

优点：曲线光滑，能很好地保留波动率的「微笑」和「偏斜」特征。

缺点：容易「过冲」。如果数据点分布不均匀，三次样条会在两端「翘起来」。我遇到过最夸张的一次，插出来的波动率变成了负数——这显然不合理。

怎么解决？加边界条件。我习惯用「自然样条」——强制两端点的二阶导数为0。这样能有效抑制过冲。

3.4 多项式插值

多项式插值，就是用一条高次多项式穿过所有已知点。听起来很完美，对吧？但实际用起来，问题很大。

优点：理论上，如果数据点足够多，多项式可以完美拟合任何形状。

缺点：高次多项式在边界处会剧烈震荡——这就是著名的「龙格现象」。我试过用5次多项式拟合10个数据点，结果两端的值直接飞到了天上。

说实话，我在实际项目中几乎不用多项式插值。除非数据点少于5个，而且你知道这些点大致在一条平滑曲线上。

3.5 三种方法对比表

方法	光滑度	过冲风险	计算速度	适用场景
线性插值	低	无	极快	数据密集、近月合约
三次样条	高	中等	快	大多数情况，推荐使用
多项式插值	极高	高	中等	数据点极少时谨慎使用

四、本章知识体系

下面这张图，把本章的核心逻辑串起来了。从原始数据到最终曲面，每一步都有坑，每一步都有对策。

这张图里，每一步都是环环相扣的。数据洗不干净，后面插值再漂亮也没用。筛选标准定得太松，曲面就会「失真」；定得太严，数据点不够，插值就会「发散」。说白了，这是个平衡的艺术。

好了，这一章的内容就到这儿。数据准备好了，下一章我们就要真正动手构建曲面了——到时候会用到今天讲的所有内容。

---