在本篇中,我们将介绍Q宽客常用工具之一:函数插值。接着将函数插值应用于一个实际的金融建模场景中:波动率曲面构造。
通过本篇的学习您将学习到:
- 如何在
scipy
中使用函数插值模块:interpolate
; - 波动率曲面构造的原理;
- 将
interpolate
运用于波动率曲面构造。
scipy
做函数插值
函数插值,即在离散数据的基础上补插连续函数,估算出函数在其他点处的近似值的方法。在scipy
中,所有的与函数插值相关的功能都在scipy.interpolate
模块中
from scipy import interpolate
dir(interpolate)[:5] 【Quant|量化分析师的Python日记【Q Quant兵器谱之函数插值】】['Akima1DInterpolator',
'BPoly',
'BarycentricInterpolator',
'BivariateSpline',
'CloughTocher2DInterpolator']
作为介绍性质的本篇,我们将只关注
interpolate.spline
的使用,即样条插值方法:xk
离散的自变量值,为序列yk
对应xk
的函数值,为与xk
长度相同的序列xnew
需要进行插值的自变量值序列order
样条插值使用的函数基德阶数,为1时使用线性函数
Interpolate a curve at new points using a spline fitParameters
----------
xk, yk : array_like
The x and y values that define the curve.
xnew : array_like
The x values where spline should estimate the y values.
order : int
Default is 3.
kind : string
One of {'smoothest'}
conds : Don't know
Don't knowReturns
-------
spline : ndarray
An array of y values;
the spline evaluated at the positions `xnew`.
1.1 三角函数(
np.sin
)插值 一例胜千言!让我们这里用实际的一个示例,来说明如何在scipy
中使用函数插值。这里的目标函数是三角函数:f(x)=sin(x)
假设我们已经观测到的 f(x) 在离散点 x=(1,3,5,7,9,11,13) 的值:
1.1 三角函数(np.sin)插值一例胜千言!让我们这里用实际的一个示例,来说明如何在scipy中使用函数插值。这里的目标函数是三角函数:f(x)=sin(x)
假设我们已经观测到的f(x)在离散点x=(1,3,5,7,9,11,13)的值:
文章图片
首先我们使用最简单的线性插值算法,这里面只要将
spline
的参数 order
设置为1即可:
xnew = np.linspace(1.0,13.0,500)
ynewLinear = interpolate.spline(x,y,xnew,order = 1)
ynewLinear[:5]
array([ 0.84147098,0.83304993,0.82462888,0.81620782,0.80778677])
最后我们获得真实的sin(x)的值:
ynewReal = np.sin(xnew)
ynewReal[:5]
让我们把所有的函数画到一起,看一下插值的效果。对于我们这个例子中的目标函数而言,由于本身目标函数是光滑函数,则越高阶的样条插值的方法,插值效果越好。
pylab.figure(figsize = (16,8))
pylab.plot(xnew,ynewReal)
pylab.plot(xnew,ynewLinear)
pylab.plot(xnew,ynewCubicSpline)
pylab.scatter(x,y, s = 160, marker='x', color = 'k')
pylab.legend([u'真实曲线', u'线性插值', u'样条插值', u'$f(x)$离散点'], prop = font)
pylab.title(u'$f(x)$不同插值方法拟合效果:线性插值 v.s 样条插值', fontproperties = font)
文章图片
2. 函数插值应用 —— 期权波动率曲面构造 市场上期权价格一般以隐含波动率的形式报出,一般来讲在市场交易时间,交易员可以看到类似的波动率矩阵(Volatilitie Matrix):
import pandas as pd
pd.options.display.float_format = '{:,>.2f}'.format
dates = [Date(2015,3,25), Date(2015,4,25), Date(2015,6,25), Date(2015,9,25)]
strikes = [2.2, 2.3, 2.4, 2.5, 2.6]
blackVolMatrix = np.array([[ 0.32562851,0.29746885,0.29260648,0.27679993],
[ 0.28841840,0.29196629,0.27385023,0.26511898],
[ 0.27659511,0.27350773,0.25887604,0.25283775],
[ 0.26969754,0.25565971,0.25803327,0.25407669],
[ 0.27773032,0.24823248,0.27340796,0.24814975]])
table = pd.DataFrame(blackVolMatrix * 100, index = strikes, columns = dates, )
table.index.name = u'行权价'
table.columns.name = u'到期时间'
print u'2015年3月3日10时波动率矩阵'
table
文章图片
交易员可以看到市场上离散值的信息,但是如果可以获得一些隐含的信息更好:例如,在2015年6月25日以及2015年9月25日之间,波动率的形状会是怎么样的?
2.1 方差曲面插值
我们并不是直接在波动率上进行插值,而是在方差矩阵上面进行插值。方差和波动率的关系如下:
Var(K,T)=σ(K,T)2T
所以下面我们将通过处理,获取方差矩阵(Variance Matrix):
evaluationDate = Date(2015,3,3)
ttm = np.array([(d - evaluationDate) / 365.0 for d in dates])
varianceMatrix = (blackVolMatrix**2) * ttm
varianceMatrix
array([[ 0.00639109,0.0128489 ,0.02674114,0.04324205],
[ 0.0050139 ,0.01237794,0.02342277,0.03966943],
[ 0.00461125,0.01086231,0.02093128,0.03607931],
[ 0.00438413,0.0094909 ,0.02079521,0.03643376],
[ 0.00464918,0.00894747,0.02334717,0.03475378]])
这里的值
varianceMatrix
就是变换而得的方差矩阵。下面我们将在行权价方向以及时间方向同时进行线性插值,具体地,行权价方向:
Var(K,t)=K2?KK2?K1Var(K1,t)+K?K1K2?K1Var(K2,t)
时间方向:
Var(K)=t2?tt2?t1Var(K,t1)+t?t1t2?t1Var(K,t2)
这个过程在
scipy
中可以直接通过interpolate
模块下interp2d
来实现:ttm
时间方向离散点strikes
行权价方向离散点varianceMatrix
方差矩阵,列对应时间维度;行对应行权价维度kind = 'linear'
指示插值以线性方式进行
array([ 0.00639109])
最后我们获取整个平面上所有点的方差值,再转换为波动率曲面。
sMeshes = np.linspace(strikes[0], strikes[-1], 400)
tMeshes = np.linspace(ttm[0], ttm[-1], 200)
interpolatedVarianceSurface = np.zeros((len(sMeshes), len(tMeshes)))
for i, s in enumerate(sMeshes):
for j, t in enumerate(tMeshes):
interpolatedVarianceSurface[i][j] = interp(t,s)interpolatedVolatilitySurface = np.sqrt((interpolatedVarianceSurface / tMeshes))
print u'行权价方向网格数:', np.size(interpolatedVolatilitySurface, 0)
print u'到期时间方向网格数:', np.size(interpolatedVolatilitySurface, 1)
行权价方向网格数: 400 到期时间方向网格数: 200
选取某一个到期时间上的波动率点,看一下插值的效果。这里我们选择到期时间最近的点:2015年3月25日:
pylab.figure(figsize = (16,8))
pylab.plot(sMeshes, interpolatedVolatilitySurface[:, 0])
pylab.scatter(x = strikes, y = blackVolMatrix[:,0], s = 160,marker = 'x', color = 'r')
pylab.legend([u'波动率(线性插值)', u'波动率(离散)'], prop = font)
pylab.title(u'到期时间为2015年3月25日期权波动率', fontproperties = font)
文章图片
最终,我们把整个曲面的图像画出来看看:
from mpl_toolkits.mplot3d import Axes3D
from matplotlib import cmmaturityMesher, strikeMesher = np.meshgrid(tMeshes, sMeshes)
pylab.figure(figsize = (16,9))
ax = pylab.gca(projection = '3d')
surface = ax.plot_surface(strikeMesher, maturityMesher, interpolatedVolatilitySurface*100, cmap = cm.jet)
pylab.colorbar(surface,shrink=0.75)
pylab.title(u'2015年3月3日10时波动率曲面', fontproperties = font)
pylab.xlabel("strike")
pylab.ylabel("maturity")
ax.set_zlabel(r"volatility(%)")
文章图片
更多开源源码请点击
推荐阅读
- OpenCV|opencv3/python 鼠标响应操作
- pyqt5|pyqt5(12)-模式和非模式对话框-exec-show()
- python date 和 datetime 的取值范围(对比 Mysql 的 datetime 和 timestamp)
- C语言|qsort库函数详解
- C语言|库函数《qsort》的模拟实现,原来如此简单
- c语言初学之路|【C语言】模拟实现库函数 strcpy(复制字符串内容) 与 strlen(求字符串长度)
- 千里之行始于足下|C语言qsort库函数的讲解
- 千里之行始于足下|C语言strcat库函数讲解
- 千里之行始于足下|C语言strcmp库函数讲解