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：

1. 如何在scipy中使用函数插值模块：interpolate；
2. 波动率曲面构造的原理；

1. 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 fit

    Parameters
    ----------
    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 know

    Returns
    -------
    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：

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([ 0.84147