IV Surface / 波动率机器学习项目复盘

更新时间：2026-05-18

1. 项目目标#

这条研究主线的核心目标是：

用铜期货相关的期权隐含波动率信息，构造一个可以预测短周期价格行为的机器学习信号。
验证 IV smile / IV surface 是否能提供超出单纯价格量数据的额外信息量。
比较几类建模方式：
- 直接做方向分类
- 做连续收益预测
- 做三分类机会识别
- 把 IV 因子并入分钟级交易模型

项目过程中，一个关键认识逐步变得很明确：

直接用 IV 做短周期 up/down 分类，效果大多接近随机。
更有前景的方向是把 IV surface 当作连续收益信号，先做排序，再做阈值筛选交易。

2. 数据来源与样本#

2.1 主要数据目录#

本项目主要围绕以下数据目录展开：

data/CU_20250901_20260301_m
data/CU_20240101_20251231_m

其中核心文件包括：

data/atm_summary_CU.parquet
data/option_chain_CU.parquet
部分目录中还有 surface_grid_CU.parquet

2.2 数据粒度#

频率：分钟级
标的：CU
期权侧：每分钟期权链 / ATM 摘要
期货侧：连续主力分钟线，作为真实收益标签来源

2.3 当前最典型的一次“正结果”实验样本#

这次最值得拿出来讲的结果，不是全年样本，而是一个探索版半年度样本：

数据目录：data/CU_20250901_20260301_m
时间范围：2025-09-01 到 2026-03-01

对应输出目录：

outputs/iv_surface_grid_direction_cnn/CU_surface_grid_raw_return_h10_lb20_20260507_162531

需要强调的是，这个结果是探索版研究结果，不是最终稳定结论。

3. 整体研究路线#

3.1 第一条线：IV smile sequence CNN#

脚本：

research/iv_surface_direction_cnn.py

思路：

把某一时点的 smile 结构按序列方式编码
预测未来一段时间方向

代表性结果：

outputs/iv_surface_direction_cnn/CU_h15_lb12_20260507_094542/summary.csv

该结果大致表现为：

accuracy = 0.4893
balanced_accuracy = 0.4887
auc = 0.4905

结论：

直接用 smile sequence 做方向分类，整体接近随机。

3.2 第二条线：IV surface grid CNN#

脚本：

research/iv_surface_grid_direction_cnn.py

这是项目里最核心的一条线。

这条线又分成两种目标：

target_type = direction
target_type = return

3.2.1 direction 版本#

思路：

先把每分钟期权链映射到 IV surface
再做网格化
把 surface 当成图像或短时序图像输入模型
预测未来 h 分钟涨跌方向

代表性结果：

outputs/iv_surface_grid_direction_cnn/CU_surface_grid_h15_20260507_132157/summary.csv

关键指标：

accuracy = 0.5209
balanced_accuracy = 0.5057
auc = 0.5119
strategy_total_return = -0.4345

结论：

分类准确率略高于 50%，但非常弱。
直接映射到交易后，结果明显不理想。

3.2.2 return 版本#

这是目前最有研究价值的一条结果线。

核心变化：

不再预测“涨跌”
改为直接预测未来 h 分钟收益率 forward_return

也就是：

forward_return = close[t+h] / close[t] - 1

然后不要求模型对每个时点都给出做多/做空结论，而是：

用预测值做横向排序
只做最高分和最低分两端样本
中间大部分样本不交易

这就是“把 IV surface 当成连续收益信号做排序和筛选”。

4. 关键实验：raw IV surface sequence#

4.1 对应脚本与结果#

脚本：

research/iv_surface_grid_direction_cnn.py

代表性结果目录：

outputs/iv_surface_grid_direction_cnn/CU_surface_grid_raw_return_h10_lb20_20260507_162531

结果汇总文件：

summary.csv
fold_metrics.csv
oos_predictions.csv
run_metadata.json

4.2 这次实验具体怎么做#

Step 1：把期权链变成 IV surface#

对每个时间点：

横轴用 log_moneyness = log(strike / spot_price)
纵轴用 time_to_maturity

然后做网格化：

x_bins = 24
y_bins = 8

并构造多通道 surface 输入：

call_filled
put_filled
mid_filled
surface_change_raw
density_norm

这次用的是 surface_value_mode = raw，也就是保留原始 IV 水平，不做 ATM 中心化。

Step 2：拼接额外表格特征#

除了 surface 序列，还并了一些摘要特征：

call_iv
put_iv
iv_level
iv_spread
surface_coverage
surface_mid_iv
surface_atm_iv
source_point_count
uniq_maturity
ttm_min
ttm_max
时间周期特征：tod_sin, tod_cos
连续期货分钟特征：
- fut_return_1m
- fut_return_5m
- fut_return_10m
- fut_realized_vol_10
- fut_volume_z20
- fut_amount_z20

Step 3：构造标签#

这次不是做二分类，而是直接预测未来收益：

target_type = return
target_horizon = 10

所以标签是：

未来 10 分钟收益率

Step 4：构造时序样本#

每个样本不是看一张 surface，而是看最近一段 surface 序列：

lookback = 20

也就是模型看到的是最近 20 个分钟时点的 IV surface 演化。

同时做了一些过滤：

surface_coverage >= 0.45

这次探索版还限制了：

max_samples = 4000

Step 5：模型结构#

模型不是单一 2D CNN，而是两支路结构：

3D CNN 分支吃 surface sequence
MLP 分支吃表格特征

最后把两支路拼接起来输出一个连续预测值。

训练目标是回归，因此使用：

MSELoss

Step 6：时序 OOS 验证#

为了避免未来信息泄露，用的是时间序列切分：

n_splits = 2

每一折：

用过去训练
用未来测试

并且训练集内部再切一段 validation 做 early stopping。

这次探索版参数是：

epochs = 3
batch_size = 64
learning_rate = 1e-3

Step 7：从预测值变成策略#

这一步是整个项目最重要的思想变化之一。

不是：

预测值大于 0 就买
小于 0 就卖

而是：

在训练集预测值上取分位数阈值
signal_quantile = 0.2

也就是：

预测值高于 80% 分位数：做多
预测值低于 20% 分位数：做空
中间全部空仓

所以本质上这是一种：

ranking + threshold filtering

而不是简单二分类交易。

6.2 2D-CNN ensemble 三分类#

脚本：

iv_surface_2dcnn_ensemble_mainline.py

代表结果：

outputs/iv_surface_2dcnn_ensemble_mainline/CU_surface_2dcnn_ensemble_h10_q20_k10_20260518_103445/summary.csv

表现：

strategy_total_return = -0.2196
accuracy = 0.4076
macro_f1 = 0.3942

结论：

三分类想法是对的，但这版实现目前没有跑出稳定正结果。

6.3 带 IV 因子的分钟级交易模型#

脚本：

strategies/cu_ml_trading_strategy_v2_with_iv.py

输出目录：

data/cta_outputs/cu8888_ml_trading_v2_with_iv

验证期最好参数：

selected_validation_config.csv

代表性表现：

Sharpe = 1.8644
return = 0.6247%
max_dd = -1.1851%

但测试期最后净值：

nav_test.csv 最终 equity = 0.99575

也就是：

扣成本后测试期是小幅亏损

结论：

IV 因子可能有一点辅助信息
但目前还不足以支撑稳定可交易的分钟级策略

7. 阶段性结论#

截至目前，这个项目最核心的阶段性结论是：

直接用 IV / surface 做短周期 up/down 分类，整体优势不明显，很多结果接近随机。
把 IV surface 作为连续收益预测信号使用，比直接做方向分类更合理。
最值得继续做的是：
- 收益排序
- 分位数筛选
- 高置信度样本交易
更复杂的模型结构目前没有自动带来更好的 OOS 表现。
现阶段最有价值的不是“分类胜率”，而是：
- rank_ic
- 分位数组收益差
- 扣成本后的高分位交易收益

8. 当前局限#

这条 +50.31% 的结果虽然很亮眼，但必须带着边界去理解：

这是半年度样本，不是全年或多年稳定样本。
这是探索版参数：
- max_samples = 4000
- n_splits = 2
- epochs = 3
标签是重叠的 10 分钟 forward return，样本之间不是完全独立的。
benchmark 是同口径 forward return 累积路径，更像研究对照，不等于严格实盘基准。
目前最重要的是验证稳定性，而不是只看单次最好结果。

9. 下一步最合理的方向#

后续如果继续推进，建议按这个顺序走：

用 data/CU_20240101_20251231_m 做两年版重跑，验证样本外稳定性。
固定 raw return 这条线，系统扫参数：
- target_horizon
- lookback
- signal_quantile
- surface_value_mode
做更严格的 decile / quantile analysis：
- 最高分组未来平均收益
- 最低分组未来平均收益
- 扣成本后是否仍有 edge
继续减少“全样本都参与”的倾向，提升 no-trade 过滤能力。
如果排序能力稳定，再考虑：
- triple barrier 标签
- 三分类机会模型
- 事件驱动持仓规则

10. 复现实验命令#

10.1 复现半年度最佳探索版结果#

1
python3 /Users/yixuantang/Desktop/code/research/iv_surface_grid_direction_cnn.py \
2
  --symbol CU \
3
  --freq m \
4
  --dataset-dir /Users/yixuantang/Desktop/code/data/CU_20250901_20260301_m \
5
  --target-type return \
6
  --surface-value-mode raw \
7
  --target-horizon 10 \
8
  --lookback 20 \
9
  --x-bins 24 \
10
  --y-bins 8 \
11
  --min-surface-coverage 0.45 \
12
  --n-splits 2 \
13
  --epochs 3 \
14
  --batch-size 64 \
15
  --learning-rate 0.001 \
16
  --signal-quantile 0.2 \
17
  --fee-rate 0.0002 \
18
  --max-samples 4000

10.2 两年数据版重跑命令#

1
python3 /Users/yixuantang/Desktop/code/research/iv_surface_grid_direction_cnn.py \
2
  --symbol CU \
3
  --freq m \
4
  --dataset-dir /Users/yixuantang/Desktop/code/data/CU_20240101_20251231_m \
5
  --target-type return \
6
  --surface-value-mode raw \
7
  --target-horizon 10 \
8
  --lookback 20 \
9
  --x-bins 24 \
10
  --y-bins 8 \
11
  --min-surface-coverage 0.45 \
12
  --n-splits 2 \
13
  --epochs 3 \
14
  --batch-size 64 \
15
  --learning-rate 0.001 \
16
  --signal-quantile 0.2 \
17
  --fee-rate 0.0002 \
18
  --max-samples 4000

11. 一句话总结#

这个项目最重要的收获，不是“IV 能不能直接猜涨跌”，而是：

IV surface 更适合作为一个连续 alpha score 生成器，用来排序和筛选未来收益机会，而不是做简单方向开关。