4. 线性插值方法：一维线性插值在期限结构上的应用

各位同学，今天我们来聊聊波动率曲面构建中最基础、也最容易被忽视的一环——一维线性插值在期限结构上的应用。

说实话，我刚入行那会儿，觉得插值嘛，不就是两点之间画条直线吗？有什么好讲的？直到我在实盘项目中栽了个跟头……嗯，后面我会细说。

4.1 为什么需要期限结构插值？

你想想看，市场上交易的期权合约，到期日并不是均匀分布的。比如今天可能只有1周、1个月、3个月、6个月、1年的合约在交易。但你的定价模型需要计算一个45天到期的期权波动率，怎么办？

这时候就需要插值了。说白了，就是用已知的离散数据点，推算出未知点的值。

4.2 一维线性插值的数学原理

公式其实很简单，我直接写出来：

给定两个点 (t₁, σ₁) 和 (t₂, σ₂)，要计算 t 时刻的波动率 σ(t)：

σ(t) = σ₁ + (σ₂ - σ₁) × (t - t₁) / (t₂ - t₁)

这里 t 代表到期时间（通常以年为单位），σ 代表波动率。

我个人习惯把公式记成「比例分配」——你看，其实就是把 σ₁ 到 σ₂ 的变化量，按照时间距离的比例分配给中间点。

4.3 Python实现：从理论到代码

光说不练假把式。我们直接上代码：

import numpy as np
import matplotlib.pyplot as plt

def linear_interpolate_vol(t, t_list, vol_list):
    """
    一维线性插值计算波动率
    
    参数:
        t: 目标到期时间
        t_list: 已知到期时间列表（已排序）
        vol_list: 已知波动率列表
    
    返回:
        插值后的波动率
    """
    # 边界检查
    if t <= t_list[0]:
        return vol_list[0]
    if t >= t_list[-1]:
        return vol_list[-1]
    
    # 找到t所在的区间
    for i in range(len(t_list) - 1):
        if t_list[i] <= t <= t_list[i+1]:
            # 线性插值公式
            ratio = (t - t_list[i]) / (t_list[i+1] - t_list[i])
            return vol_list[i] + ratio * (vol_list[i+1] - vol_list[i])
    
    return None

# 示例数据：不同期限的ATM波动率
tenors = np.array([0.08, 0.25, 0.5, 1.0, 2.0])  # 1个月、3个月、6个月、1年、2年
vols = np.array([0.18, 0.20, 0.22, 0.24, 0.25])

# 测试：计算45天（约0.123年）的波动率
target_t = 45 / 365
result = linear_interpolate_vol(target_t, tenors, vols)
print(f"45天到期波动率: {result:.4f}  ({result*100:.2f}%)")

4.4 可视化：一眼看懂插值效果

咱们画个图，看看插值效果怎么样：

# 生成密集的时间点
t_dense = np.linspace(0.05, 2.1, 100)
vol_dense = [linear_interpolate_vol(t, tenors, vols) for t in t_dense]

plt.figure(figsize=(10, 6))
plt.plot(tenors, vols, 'ro', markersize=10, label='市场数据点')
plt.plot(t_dense, vol_dense, 'b-', linewidth=2, label='线性插值')
plt.xlabel('到期时间 (年)')
plt.ylabel('波动率')
plt.title('期限结构线性插值效果')
plt.grid(True, alpha=0.3)
plt.legend()
plt.show()

从图上你能看到，插值曲线就是一条条直线段连接起来的折线。每个市场数据点都是折线的拐点。

4.5 避坑指南：我踩过的三个坑

讲到这里，我得说说我当年踩过的坑：

4.6 什么时候该用线性插值？

线性插值不是万能的，但它有自己擅长的场景：

• 数据点密集：如果相邻到期日间隔很短（比如1个月以内），线性插值效果不错
• 趋势明显：波动率随期限单调变化时，线性插值不会引入奇怪的震荡
• 快速原型：做策略回测或初步分析时，线性插值计算快、实现简单

但如果你需要更平滑的曲线，或者数据点间隔很大，那就要考虑样条插值或参数化模型了。这个我们后面章节会讲。

4.7 本章知识体系

下面这张图，帮你理清本章的核心逻辑：

4.8 小结

一维线性插值虽然简单，但它是波动率曲面构建的基石。我个人建议你先把这块吃透，因为后面讲二维插值、样条插值时，很多思想都是从一维扩展来的。

记住三点：统一时间单位、做好边界处理、警惕外推风险。做到这三点，线性插值在大多数场景下都能给你一个靠谱的结果。

好了，这一章就到这里。代码部分建议你亲自跑一遍，看看不同数据点下的插值效果。实践出真知嘛。

公众号:蓝海数据掘金营，微信deep3321