2. 隐含波动率计算与曲面构建
任务目标
本案例基于给定的期权市场报价（行权价、到期时间、期权价格），通过Black-Scholes模型反推隐含波动率（IV），并进一步构建以行权价和剩余期限为轴的隐含波动率曲面，用于观察波动率微笑/偏斜及期限结构特征。
实现要点
隐含波动率是使BS理论价格等于市场价格的波动率。由于BS公式无法解析反解IV，采用牛顿-拉夫逊迭代法数值求解。曲面构建采用网格化插值（线性插值即可），将离散的IV点映射到规则网格上，便于可视化分析。
关键完整代码
import numpy as np
from scipy.stats import norm
from scipy.interpolate import griddata
import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
# ---------- 1. BS模型定价 ----------
def bs_price(S, K, T, r, sigma, option_type='call'):
if T <= 0 or sigma <= 0:
return np.nan
d1 = (np.log(S/K) + (r + 0.5*sigma**2)*T) / (sigma*np.sqrt(T))
d2 = d1 - sigma*np.sqrt(T)
if option_type == 'call':
return S*norm.cdf(d1) - K*np.exp(-r*T)*norm.cdf(d2)
else:
return K*np.exp(-r*T)*norm.cdf(-d2) - S*norm.cdf(-d1)
# ---------- 2. 牛顿法反推隐含波动率 ----------
def implied_vol(market_price, S, K, T, r, option_type='call',
init=0.2, tol=1e-6, max_iter=100):
sigma = init
for _ in range(max_iter):
price = bs_price(S, K, T, r, sigma, option_type)
vega = S * norm.pdf((np.log(S/K) + (r + 0.5*sigma**2)*T) /
(sigma*np.sqrt(T))) * np.sqrt(T)
if abs(vega) < 1e-12:
break
diff = price - market_price
sigma -= diff / vega
if sigma <= 0:
sigma = 1e-4
if abs(diff) < tol:
break
return sigma
# ---------- 3. 市场数据（模拟输入） ----------
# 标的资产价格
S0 = 100.0
r = 0.03
# 构造期权报价: (行权价K, 剩余期限T年, 看涨期权市场价格)
# 数据体现波动率微笑与期限结构
quotes = [
# T=0.1年
(90, 0.1, 10.85), (95, 0.1, 6.35), (100, 0.1, 2.65),
(105, 0.1, 0.85), (110, 0.1, 0.25),
# T=0.3年
(90, 0.3, 12.50), (95, 0.3, 8.60), (100, 0.3, 5.20),
(105, 0.3, 2.80), (110, 0.3, 1.35),
# T=0.6年
(90, 0.6, 15.20), (95, 0.6, 11.80), (100, 0.6, 8.60),
(105, 0.6, 5.90), (110, 0.6, 3.85),
]
# ---------- 4. 计算隐含波动率 ----------
iv_data = []
for K, T, price in quotes:
iv = implied_vol(price, S0, K, T, r, 'call')
iv_data.append((K, T, iv))
print(f"K={K:5.0f} T={T:.1f} 市场价={price:6.2f} IV={iv:.4f}")
# ---------- 5. 构建波动率曲面 ----------
K_vals = np.array([d[0] for d in iv_data])
T_vals = np.array([d[1] for d in iv_data])
IV_vals = np.array([d[2] for d in iv_data])
# 插值到网格
K_grid = np.linspace(K_vals.min(), K_vals.max(), 50)
T_grid = np.linspace(T_vals.min(), T_vals.max(), 30)
K_mesh, T_mesh = np.meshgrid(K_grid, T_grid)
IV_surface = griddata((K_vals, T_vals), IV_vals,
(K_mesh, T_mesh), method='linear')
# ---------- 6. 可视化 ----------
fig = plt.figure(figsize=(10, 7))
ax = fig.add_subplot(111, projection='3d')
surf = ax.plot_surface(K_mesh, T_mesh, IV_surface,
cmap='viridis', edgecolor='none', alpha=0.9)
ax.scatter(K_vals, T_vals, IV_vals, color='red', s=30, label='市场IV点')
ax.set_xlabel('行权价 K')
ax.set_ylabel('剩余期限 T (年)')
ax.set_zlabel('隐含波动率')
ax.set_title('隐含波动率曲面')
fig.colorbar(surf, shrink=0.6)
plt.legend()
plt.show()
运行与验证
运行环境：Python 3.8+，需安装 numpy、scipy、matplotlib。
执行方式：直接运行上述脚本。控制台将输出每个期权的隐含波动率数值，并弹出三维曲面图。
通过判定标准：
- 每个IV值均为正数（通常在0.05~0.60之间），且迭代收敛（无异常报错）；
- 将反推的IV代回BS公式，计算价格与输入市场价的误差小于1e-4（代码中tol=1e-6保证精度）；
- 曲面图呈现：同一期限下，平值期权（K≈100）IV较低、两侧虚值期权IV较高（波动率微笑）；同一行权价下，期限越短IV波动越剧烈，期限越长IV趋于平滑（期限结构）。
形态特征分析要点
运行后观察曲面：沿K轴方向呈现“微笑”形态——深度虚值看涨期权（K=110）与深度实值（K=90）的IV高于平值（K=100），反映尾部风险溢价；沿T轴方向，短期限IV曲线弯曲更明显，长期限IV趋于水平，体现波动率均值回归特性。若市场存在明显偏斜（如股票期权），曲面会呈现单边倾斜而非对称微笑。