4、形态识别算法：基于曲率检测的微笑识别、基于斜率检测的偏斜识别、基于阈值分类的形态判定

好了，咱们进入正题。波动率曲面不是摆着看的，你得从里面挖出交易信号。怎么挖？靠形态识别。

我个人习惯把形态识别拆成三个步骤：先看曲率，再看斜率，最后用阈值拍板。说白了，就是先判断有没有「微笑」，再看是不是「偏斜」，最后定个类别。这套流程我用了好几年，实盘效果还不错。

4.1 基于曲率检测的微笑识别

什么是微笑？就是虚值看涨和虚值看跌的隐含波动率都比平值高，中间低、两边翘，像个笑脸。嗯，这里要注意，不是所有市场都笑，有时候它哭——那就是偏斜。

曲率检测的核心思路很简单：拟合一条二次曲线，看二次项系数。系数为正，就是微笑；系数为负，就是皱眉（其实很少见）。

我在项目中遇到过一个问题：直接用所有期限的数据去拟合，结果被远月合约带偏了。后来我学乖了，只取近月合约，或者按期限分组拟合。

具体算法长这样：

import numpy as np

def detect_smile(delta, iv):
    """
    基于曲率检测的微笑识别
    delta: 期权的Delta值数组
    iv: 对应的隐含波动率数组
    """
    # 只保留|delta|在0.1到0.9之间的数据
    mask = (np.abs(delta) >= 0.1) & (np.abs(delta) <= 0.9)
    x = delta[mask]
    y = iv[mask]
    
    # 二次拟合: y = a*x^2 + b*x + c
    coeffs = np.polyfit(x, y, 2)
    a, b, c = coeffs
    
    # 曲率判定
    curvature = 2 * a  # 二次项的曲率
    
    if curvature > 0.01:
        return "微笑", curvature
    elif curvature < -0.01:
        return "皱眉", curvature
    else:
        return "平坦", curvature

你想想看，为什么曲率阈值设成0.01？这是我回测了上千个交易日总结出来的。太小了噪声太多，太大了又漏信号。0.01这个值，刚好能过滤掉大部分市场噪音。

4.2 基于斜率检测的偏斜识别

偏斜和微笑不一样。微笑是对称的，偏斜是歪的。比如股票市场，虚值看跌的波动率通常比虚值看涨高，这就是负偏斜。

斜率检测怎么做？我一般用线性回归，看斜率的方向和大小。斜率为负，说明市场在「恐惧」下跌；斜率为正，说明市场在「贪婪」上涨。

说白了，偏斜就是市场的情绪温度计。

def detect_skew(delta, iv):
    """
    基于斜率检测的偏斜识别
    """
    # 只取虚值期权：delta在0.1到0.5之间（看涨）或-0.5到-0.1之间（看跌）
    otm_mask = (np.abs(delta) >= 0.1) & (np.abs(delta) <= 0.5)
    x = delta[otm_mask]
    y = iv[otm_mask]
    
    # 线性拟合: y = m*x + b
    m, b = np.polyfit(x, y, 1)
    
    # 斜率判定
    if m < -0.05:
        return "负偏斜", m
    elif m > 0.05:
        return "正偏斜", m
    else:
        return "对称", m

这里有个坑，我踩过好几次。斜率阈值0.05不是固定的，它跟标的资产的波动率水平有关。比如在VIX低于15的时候，0.05算很大了；但在VIX高于30的时候，0.05可能只是正常波动。所以我后来改成了动态阈值，按波动率水平缩放。

4.3 基于阈值分类的形态判定

曲率和斜率都算出来了，接下来就是分类。我习惯把形态分成五类：

这个分类表是我反复调整过的。一开始我分了七类，结果发现有些类别一年都出现不了几次，纯粹是过度拟合。后来精简成五类，够用。

def classify_surface(curvature, slope):
    """
    基于阈值分类的形态判定
    """
    # 曲率阈值
    curv_thresh = 0.01
    # 斜率阈值
    skew_thresh = 0.05
    
    is_smile = curvature > curv_thresh
    is_frown = curvature < -curv_thresh
    is_neg_skew = slope < -skew_thresh
    is_pos_skew = slope > skew_thresh
    
    if is_smile and not is_neg_skew and not is_pos_skew:
        return "标准微笑"
    elif is_smile and is_neg_skew:
        return "负偏斜微笑"
    elif is_smile and is_pos_skew:
        return "正偏斜微笑"
    elif not is_smile and is_neg_skew:
        return "纯负偏斜"
    elif not is_smile and is_pos_skew:
        return "纯正偏斜"
    else:
        return "平坦"

4.4 知识体系总览

下面这张图，是我自己画的一个流程框架。你看一眼，就能明白这三个步骤是怎么串起来的。

你看，整个流程其实就三步。但每一步都有细节，细节决定成败。曲率检测时要注意数据质量，斜率检测时要注意阈值动态调整，分类时要注意不要过度细分。

嗯，这套方法我用了三年，实盘效果稳定。但我也得说一句：形态识别只是工具，不是圣杯。它告诉你市场现在是什么状态，但不告诉你未来一定会怎样。交易决策还得结合其他因素，比如持仓量、期限结构、宏观事件等等。