La volatilidad implícita se sabe que tiene una estructura sólida (curva de sonrisa) para un tiempo dado hasta el vencimiento y puede ser capturada por el B-spline. Los parámetros que caracterizan las curvas pueden cambiar con el tiempo, lo que complica la modelización de la superficie de volatilidad implícita. Aunque los modelos de aprendizaje automático podrían mejorar el ajuste en muestra, ignoran la estructura común a lo largo del tiempo y podrían tener poca capacidad predictiva. Frente a estos desafíos, proponemos un procedimiento de dos pasos para modelar la superficie dinámica de volatilidad implícita (IVS). En el primer paso, construimos la base bivariante de B-spline de producto tensorial (BTPB) para aproximar las estructuras de sección transversal, bajo las cuales la superficie puede ser representada por un vector de coeficientes. En el segundo paso, permitimos los coeficientes dependientes del tiempo y modelamos los coeficientes dinámicos con el método basado en árboles para proporcionar más flexibilidad. Mostramos que nuestro enfoque tiene un mejor rendimiento que los modelos lineales tradicionales (modelos paramétricos) y los métodos de aprendizaje automático basados en árboles (modelos no paramétricos). El estudio de simulación confirma que el B-spline de producto tensorial es capaz de capturar el modelo paramétrico clásico para IVS dado diferentes tamaños de muestra y relaciones señal-ruido. El estudio empírico muestra que nuestro enfoque de dos pasos supera al punto de referencia paramétrico tradicional, al punto de referencia no paramétrico y al punto de referencia paramétrico con coeficientes variables en el tiempo en la predicción de IVS para las opciones del índice S&P 500 en el mercado de EE. UU.