本文详细介绍了Python的SciPy库在插值方面的应用，包括一维插值的内插与外插，以及二维插值的原理和示例。通过实例展示了使用`splrep`、`splev`、`interp1d`和`interp2d`等函数进行插值计算，并探讨了不同外插方法的影响。文章还涉及到在量化金融中的插值应用，如收益率曲线和波动率平面的插值。最后，文章通过一个利率上限估值的案例，演示了如何结合SciPy进行复杂金融产品的定价计算。
本文含 8890 字，37 图表截屏
建议阅读 46 分钟
0
引言
本文是 Python 系列的 SciPy 补充篇。整套 Python 盘一盘系列目录如下：
在量化金融中，插值是个很常见的操作，即从一系列标准点对应的值”推出“非标准点的值，这个”推出“可以是内推 (interpolation)，或称内插，也可以是外推 (extrapolation)，或称外插。此外插值的维度可以是一维、二维甚至三维，在收益率曲线上插值用的是一维插值，在波动率平面上插值用的是二维插值。
收益率曲线插值：给定标准年限 t 和利率 r，如下图所示，对于非标准年限 ti 内插或者外插出 ri。
波动率平面插值：给定标准年限 t、标准行权价 K，和波动率 σ，如下图所示，对于非标准年限 ti 和非标准行权价 Kj，内插或者外插出 σij。
给定一组 (xi, yi)，其中 i = 1, 2, ..., n，而且 xi 是有序的，称为「标准点」。插值就是对于任何新点 xnew，计算出对应的 ynew。换句话来说，插值就是在标准点之间建立分段函数 (piecewise function)，把它们连起来。这样给定任意连续 x 值，带入函数就能计算出任意连续 y 值。
在 SciPy 中有个专门的函数 scipy.interpolate 是用来插值的，首先引进它并记为 spi。
import scipy.interpolate as spi
本贴分三章，第一章讲一维插值，第二章讲二维插值，第三章结合前两章的知识点对真实的 USD cap 估值。
1
一维插值
1.1
内插
用 scipy.interpolate 来插值函数 sin(x) + 0.5x。
x = np.linspace(-2 * np.pi, 2 * np.pi, 11)
f = lambda x: np.sin(x) + 0.5 * x
f(x)
最低0.47元/天 解锁文章
扫一扫
962
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
