量化分析师的Python日记【Q Quant兵器谱之函数插值】
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。
1. 如何使用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]
['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_likeThe x and y values that define the curve.xnew : array_likeThe x values where spline should estimate the y values.order : intDefault is 3.kind : stringOne of {'smoothest'}conds : Don't knowDon't knowReturns-------spline : ndarrayAn 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:
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:
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)
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
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:
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:
时间方向:
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
interp = interpolate.interp2d(ttm, strikes, varianceMatrix, kind = 'linear')
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)
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)
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(%)")
更多开源源码请点击
量化分析师的Python日记【Q Quant兵器谱之函数插值】相关推荐
- 量化分析师的Python日记 系列
量化分析师的Python日记 系列 转发,原作者 薛昆Kelvin 为方便学习,整理一下学习材料.持续更新. [第1天:谁来给我讲讲Python?] https://uqer.io/community ...
- 量化分析师的Python日记-CSDN公开课-专题视频课程
量化分析师的Python日记-7882人已学习 课程介绍 以完全初学者的角度入手来认识Python这个在量化领域日益重要的语言. 课程收益 课程先从介绍Python本身一些基本 ...
- 量化分析师的Python日记【Q Quant兵器谱之偏微分方程2】
这是量化分析师的偏微分方程系列的第二篇,在这一篇中我们将解决上一篇显式格式留下的稳定性问题.本篇将引入隐式差分算法,读者可以学到: 隐式差分格式描述 三对角矩阵求解 如何使用scipy加速算法实现 在 ...
- 量化分析师的Python日记【Q Quant兵器谱之二叉树】
通过之前几天的学习,Q Quant们应该已经熟悉了Python的基本语法,也了解了Python中常用数值库的算法.到这里为止,小Q们也许早就对之前简单的例子不满意,希望能在Python里面玩票大的!O ...
- 量化分析师的Python日记【Q Quant 之初出江湖】
本篇中,作为Quant中的Q宗(P Quant 和 Q Quant 到底哪个是未来?),我们将尝试把之前的介绍的工具串联起来,小试牛刀. 您将可以体验到: 如何使用python内置的数学函数计算期权的 ...
- python量化分析系列(第一篇)_量化分析师的 Python 日记 [第 1 天:谁来给我讲讲 Python?]...
45 条回复 • 2016-05-25 11:10:23 +08:00 1 2015-04-08 21:42:42 +08:00 这里竟然有Quant 2 2015-04-08 22:49:51 +0 ...
- 量化分析师的Python日记【Q Quant兵器谱 -之偏微分方程1】
从今天开始我们将进入一个系列 -- 偏微分方程.作为这一系列的开篇,我们以热传导方差为引子,引出: 如何提一个偏微分方程的初边值问题: 利用差分格式将偏微分方程离散化: 显示差分格式: 显示差分格式的 ...
- 量化分析师的Python日记【Q Quant兵器谱之偏微分方程3的具体金融学运用】
欢迎来到 Black - Scholes - Merton 的世界!本篇中我们将把第11天学习到的知识应用到这个金融学的具体方程之上! import numpy as np import math i ...
- 量化分析师的python日记_量化分析师的Python日记【第1天:谁来给我讲讲Python?】...
"谁来给我讲讲Python?" 作为无基础的初学者,只想先大概了解一下Python,随便编个小程序,并能看懂一般的程序,那些什么JAVA啊.C啊.继承啊.异常啊通通不懂怎么办,于是 ...
最新文章
- linux进程间通信:POSIX 消息队列 ----异步通信
- netbios 网上基本输入输出系统 简介
- ubuntu下安装各种软件
- [知乎回答] 前端是否要学习 Node.js?
- 解决Eclipse的Team菜单中没有SVN选项的问题
- 前端学习(1996)vue之电商管理系统电商系统之美化步骤条
- 织梦留言板guestbook.htm加入头部导航
- idea 添加servlet依赖_详解如何使用IntelliJ IDEA新建一个Servlet项目
- ASP.net在页面所有内容生成后、输出内容前对页面内容进行操作
- 嗯....零乱知识点map和字符串转换的
- Exchange 2007 474 问题解决方法
- STM32学习记录0003——STM32芯片解读
- Django表单系统
- 倍福--和威伦触摸屏通信
- 计算机ps基础知识教案范文,计算机制图软件ps教案内页.doc
- 厦门大学国家奖学金答辩PPT模板
- 一文解决scrapy带案例爬取当当图书
- 模型实践 | Alphafold 蛋白质结构预测
- 2021-2027全球与中国5G独立组网非独立组网基础设施市场现状及未来发展趋势
- 霹雳吧啦Wz语义分割学习笔记P5