期货期权的偏微分方程

① 数学高手请进，跪求Black-Scholes微分方程中文解析（各项式的含义），谢谢了~

其中 E表示风险中心世界中的希冀值，T期权离到期时间，t以后时辰，ST将来时辰T的股票价钱，X以后时辰股票的价钱，O平方为单位时间股票价钱对数变化的方差,有解析解的偏微分方程 金融系先生学偏微分方程次要是由于期权定价的Black-Scholes-Merton公式是用偏微分方程推导而来的（当然如今也常用风险中性等价鞅的办法 )

② 期权期货BS模型中N（d1）怎么算

black-scholes考虑了期权的时间价值。
1.bs公式的原推导过程应用了偏微分方程和随机过程中的几何布朗运动性质（描述标的资产）和Ito公式，你要没学过随机和偏微估计只有火星人才能给你讲懂。
2.你要是只是要得到那个形式，看一下二叉树模型，二叉树模型简单易懂，自己就可以推导，且二叉树模型取极限（时间划分无限细）即为bs公式.
3.你要是真心要理解bs模型公式，我可以推荐一本书，姜礼尚的《期权定价的数学模型和方法》，老老实实从第一章看到第五章，只挑欧式期权看就够了。
～～～突然想当年老娘为了看懂b-s-m模型把图书馆的书都借了一圈～感慨啊，当然HULL的那本option,future,and other derivatives 是经典中的经典，不过太厚了～～

③ 期权定价的数学模型和方法的介绍

本书从偏微分方程的观点和方法，对Black－Scholes－Merton的期权定价理论作了系统深入的阐述，一方面，从多个角度、多个层面阐明期权定价理论的基本思路：基于市场无套利假设，通过对冲原理，把人们引入一个风险中性世界，从而对期权给出一个独立于每个投资人偏好的"公平价格"；另一方面，充分利用偏微分方程理论和方法对期权理论作深入的定性和定量分析，其中特别对美式期权，与路径有关期权以及隐含波动率等重要问题，展开了深入的讨论，另外，本书对所涉及的现代数学内容，都有专节介绍，尽可能作到内容是自封的。

④ 依据远期,期货,互换,期权等定价方法来描述金融衍生品的定价规律

在探讨金融衍生产品定价思路的优缺点之前，让我们先来缅怀一下30年来金融衍生品发展的里程碑式事件：
1973年，Black、Scholes和Merton分别提出了期权定价的Black－Scholes公式，这一模型解决了“或有剩余索取权”的定价疑难，为衍生品市场的迅速发展扫清了最大的障碍，Scholes和Merton也因此获得1997年的诺贝尔经济学奖。
1985年，McConnell和Schwartz提出了LYONs（本质是可转换债券）的一个定价模型，为对冲基金的广阔发展提供了大量可供套利的沃土。（可转换债券是对冲基金最常交易的产品）
1989年，Schwartz提出了抵押贷款证券化产品的定价模型，成为资产证券化飞速发展的起点，后来出现的CDO、CDO2、CDOn、CMO等产品成为此次次贷危机的金融核弹。
90年代之后出现了引发金融危机的另一颗威力更大的“小男孩”核弹——信用违约掉期（CDS），2000年，Hull和White的定价模型更是便利了这种金融衍生产品的急速增长。

金融危机的反思
金融衍生产品的出现和发展本应是为了控制、分散、转移风险的金融工具，奈何最后成为一场危机的导火索，值得人人深思。随着衍生产品的不断开发，越来越多的数学工具被加以应用，包括偏微分方程、概率统计、随机过程、鞅论、测度论等；越来越多的计算机算法被加以借鉴，如，牛顿迭代、蒙特卡洛模拟等。
这一切似乎让定量分析师们（Quants）将金融工程变成了“工程”，而不再更多的追究其“金融”本质。设计者一开始就不假思索的随机游走（random walk）和无套利均衡，基于这一基础开始辛勤的添砖加瓦，修建出各种美轮美奂的金融衍生产品。！！！！！！！！此为金融衍生品的定价规律即基本规律是复制 即使用市场上已有产品组合达到相同的风险收益 组合的价格就是衍生品价格！！！！！！！！！！！！！

作为一个看客，我不认为此次次贷危机和金融危机是定量分析师们有意所为，我相信宽客们的素质也绝对不会这样。但客观讲，定量分析师们不得不负客观上的责任，即在一个不坚实的地基上修建金融衍生品的精妙房屋。这不坚实的地基便是随机游走和无套利均衡。金融资产价格的变化多端使得我们简单的认为其价格服从随机游走，但殊不知，股票的几何布朗运动，利率、波动率的均值回复运动并不能完整的刻画资产价格的走势，特别是对极端情况的刻画。
而所谓无套利均衡，是指如果几个市场之间存在无风险的套利机会，套利力量将会推动几个市场重建均衡，但它仅仅是一个局部均衡，三个市场之间的无套利均衡并不意味着其定出来的价值是真实的、稳定的，可能三个市场均是300％的泡沫，它仍然是无套利均衡的，但不是一般均衡的，这样的价格是会破裂的，最好的佐证便是这次次贷危机。
未来的衍生品定价技术如何发展？这是一个可以再获诺贝尔奖的命题。是继续技术化的“工程”道路，不假思索的无套利定价？还是向一般均衡靠近，兼顾到其标的金融资产的内生价值？当然毫无疑问，前者易，后者难。前者只需要简单的把标的资产价格作为一个外生变量，通过对相关资产价格比较进行定价，而不考虑行为主体的偏好和效用函数。后者需要考虑标的资产价值的合理性，在给衍生品定价的同时，考虑宏观经济变量的理性预期均衡。一代奇才Black晚年致力于解决它，但不幸早逝，或许一般均衡是“上帝的均衡”，可望不可及。
但此次金融危机的深刻教训，让我们不得不重新思考，定价是否应该尽可能的考量到外生的宏观因素，向一般均衡靠近，尽管它永远不能达到。毕竟这个真实的世界不是完全随机游走。事实上，金融危机后，很多学者已经开始在向这个方向靠近。（作者系汇丰集团中国首席经济学家）

⑤ 金融本科生和研究生需要学习《偏微分方程》吗学了之后有很大作用吗有必要学习吗《微分方程数值解》

偏微分方程是基于常微分方程 一般常微分方程在微积分里面会涉及一点 但需要一门正式的课程打下基础 方便学习常用的 有解析解的偏微分方程

金融系学生学偏微分方程主要是因为期权定价的Black-Scholes-Merton公式是用偏微分方程推导而来的（当然现在也常用风险中性等价鞅的方法推导） 另外其衍生的很多建立在随机微分基础上的公式都可以用偏微分方程来推导

偏微分方程比起等价鞅的方法更加直观（对于物理 数学基础比较好的同学） 但是也不尽然 不过由于偏微分方程的数值解法在计算机上的算法比较丰富 可以通过计算机的数值解法来求解很多定价公式

偏微分方程是需要常微分方程和随机微分（随机过程）两门课做基础的 如果学得好可以拓展到金融工程 资产定价方向 但不是每一个金融学的同学都要学习的 毕竟数学好的 有志于以后从事金融定价（投行 证券公司研究部）会需要这样的基础 如果只是一个普通的金融学生 以后想进入银行 咨询的话 就不是很有必要了

数值解只是一个计算机实现的方法而已 研究生阶段有用 需要对微分方程和计算机都有一定的认识 本科没必要

⑥ 期权的定价方法

这是一个老题目了，在知乎里也有一些类似的问题，但总感觉所有回答都有所欠缺，所以希望在这里对所有的数值方法进行一个梳理。按照我个人的分类，期权定价的数值方法分为五个大类：解析解方法，树方法，偏微分方程数值解方法，蒙特卡洛方法，傅立叶变换方法。

1）解析解方法：

一个期权定价问题，其实就是根据已知的随机微分方程（SDE）模型，然后来求解关于这个随机过程函数表达式的过程。这也是为什么随机微积分和Ito lemma会是金融工程的核心知识之一，因为Ito直接告诉了我们一个随机过程的函数所满足的新SDE：

m{d}f(t, X_{t})=frac{partial f}{partial t} m{d}t + frac{partial f}{partial X_t} m{d}X_t + frac{1}{2}frac{partial^2 f}{partial X_t^2} m{d}[X, X]_t

然后，如果我们可以求出这个SDE的解析解，那么一个欧式无路径依赖期权的价格就是它在终值时刻折现的期望值。这就是一种期权定价的解析解方法，当然你也可以利用PDE来求解，由于Feynman Kac定理的存在，PDE和条件期望的答案会是一致的。

而这类方法的优点是显而易见的，一旦解析解存在，那么期权的价格公式计算速度就会非常之快，不论做拟合还是优化都会有效率上质的提升，而这类方法的缺点也很明显，那就是，对于大部分模型和大部分奇异期权，解析解未必存在。

2）树方法

之所以叫树方法而不叫二叉树，是因为我们也将讨论三叉树模型，但其实本质思想是一模一样的。

如果告知你了一个标的资产的波动率，那么你可以通过下述式子构造一个N段的二叉树的上下波动：

u = m{e}^{sigmasqrt{T/N}}, d = m{e}^{-sigmasqrt{T/N}}

然后利用逆推，来得到初始时刻的期权价格。

那么三叉树呢？首先要明白一个道理，除了满足了下列条件的三叉树模型(u是上叉，d是下叉，l是中叉)

其余的三叉树都是incomplete market。在其余的树模型下，我们只能做到super-replicate，而不能完成perfect hedge。而这独有的一种三叉树模型，也成为了最常用的树模型之一。或许有人好奇为什么有二叉树了，还有人使用更麻烦的三叉树。这是因为三叉树的收敛速度要高于二叉树。

那么树模型的优缺点又是什么呢？树模型有一个任何连续时间模型都无法取代的优点，那就是每一个定价，在树模型里，不论美式、欧式、路径依赖、奇异，通过Backward Inction Principle得到价格，永远都是伴随着显式对冲策略的。而在连续时间模型里，想获得连续时间对冲策略的这类问题，是一个倒向随机微分方程（BSDE）问题，有很多时候并不是那么好解决的，尤其是当期权有奇异或美式属性的时候。

另一方面，树模型缺点也显而易见，高维度问题树模型是不能解决的，所以对于多个标的资产的问题，尤其是具有相关系数的资产，我们只能诉之于他法。而从速度上来讲，树模型的收敛速度是要低于PDE方法的。

3）PDE方法

很多对于quantitative finance陌生的人也会听说过Black Scholes PDE。而实际上，不同的随机模型，都会对应不同的PDE。BS PDE只不过是单资产符合几何布朗运动随机模型的PDE表达罢了。因为对于期权，我们往往知晓它最终到期日的payoff，所以我们用payoff函数来作为这个PDE的终值条件。

如果PDE存在解析解，最优办法自然也是求解析解。然而，如果解析解不存在，我们就必须诉诸数值方法。最常用的数值解方法就是有限差分，也就是将所有变量构造一个网格，然后利用网格上的差分方法来估计偏导数，进而将PDE问题转化为代数问题。而对于期权定价的PDE，我们会根据期权的性质，获得这个PDE终值条件和边值条件。然而，有时候根据不同的模型，我们可能得到的并不是一个简单的PDE，而可能是PIDE（partial integral differential equation），也就是在PDE中多了积分项，这时候，我们需要同时再借助数值积分来完成数值计算。

PDE的数值问题自然还有很多的选择，有限元、谱方法都在列。但期权定价PDE本身并不像很多物理PDE有很大的非线性程度，边界也并没有那么奇怪，所以基本上有限差分是可以解决绝大部分问题的。

有限差分法分三种：显式差分，隐式差分，交错差分。我们不深入研究算法，但几个点就是：稳定性上，显式差分是条件稳定的，另外两种都是无条件稳定；计算复杂度上，显示最简单，隐式次之，交错最繁琐；精确性上，显式、隐式是同阶的，交错差分的特殊情形，显式和隐式各占一半时，也就是Crank-Nicolson差分，精度会在时间上也上升一阶。

另外，在期权定价中PDE有两大类，正向和倒向。传统的BS PDE就是倒向的一个典型例子，它的终值条件就是期权的payoff function。而一个倒向PDE所对应的正向PDE，它不再是期权价格满足的PDE，而是这个标的的“价格密度”所满足的PDE。这个“价格密度”被称为State price，或者Arrow Debreu price，抑或是Green function。而这个在我之前的一篇文章有介绍过

Arrow Debreu price与快速拟合

而PDE方法的缺点主要有两点：路径依赖问题，高维度问题。很多路径依赖问题的PDE形式是很麻烦，甚至无法表达的，比如亚氏期权，比如回望期权。而对于高维度问题，如果PDE的数值方法会从平面网格上升到空间网格，在复杂度上不但繁琐，而且在边值条件上更难以控制。而PDE的优点则是速度快，而且根据差分的数值方法，在计算Greeks的时候不需要加以再次的bumping计算。举个例子，如果不降维，一个具有两个assets的期权的有限差分就是这样的一个立方网格：

4）蒙特卡洛方法

蒙特卡洛方法是目前应用范围最广泛的方法了。因为不存在提前行权属性的期权价格其实就是一个期望，所以我们就可以通过模拟很多的路径，来用平均数估计真实期望。而美式或百慕大这种具有提前行权属性的期权，它的期权价格其实是一个随机优化问题。这类问题我们可以采用regression-based Monte Carlo，也就是最小二乘蒙特卡洛，利用regression来估计conditional NPV，然后再用蒙特卡洛求解当前价值。

所以说，蒙特卡洛方法是最为general的方法了。然而，蒙特卡洛的缺点也是显而易见：因为要模拟上百万条路径，而且对于奇异期权还要做路径上的计算，美式更要做回归，蒙特卡洛方法成为了计算时间长的代名词。但幸运的是，我们有三种提速的方法：1，利用方差缩减，在保证方差恒定的基础上，可以减少模拟路径；2，利用Multi-level 蒙特卡洛，减少complexity；3，利用GPU或超级计算机，进行并行计算。

对于普通蒙特卡洛方法，上述三种方法都是可行的，而且GPU的提速是非常显著的。对于方差缩减，得强调一点的就是，一般而言，最简单的方式是对偶变量，其次是控制变量，然后是利用条件期望，最难的是importance sampling，而在效果和适用范围上，它们的排序往往是刚好相反的。比如美式期权的最小二乘蒙特卡洛，方差缩减的最有效手法就是important sampling，其他方法的效果很小。

这里另外再着重强调一下最小二乘蒙特卡洛。最小二乘蒙特卡洛的流程大致如下：首先，正向模拟标的路径；其次，倒向在每个时间节点，对所有路径值进行回归，估算条件期望，直到初始时间点；最后，求平均。所以值得注意的一点就是，在这里，如果单纯使用GPU cluster进行提速，效果并不是很理想，因为路径模拟并不是最消耗时间的步骤，对所有路径回归才是。虽然如此，但其实还是可以用GPU cluster来对回归精度加以提升，比如可以将路径进行归类，然后将global regressor转换成多个local regressor。

总的来说，蒙特卡洛方法是期权定价中适用范围最广的数值方法，但也是最慢的方法。然而，我们可以利用方差缩减、复杂度缩减，以及GPU计算来优化我们的蒙特卡洛算法，达到提速与增加精确性的目的。

5）傅立叶方法

傅立叶方法也被称为特征函数法，利用的就是对于很多的模型，它们的特征函数往往是显式表达的，比如靠具有independent increment的infinitely divisible process来决定的模型，因为在这样的情况下，我们有Levy-Khintchine representation，很多拟合性质很好的过程，比如Variance Gamma，Normal Inverse Gaussian都属于这一类。而特征函数实际上可以看作是一个随机变量的傅立叶变换，这也就是这个名字的由来。

如果我们有显式表达的特征函数，我们可以通过傅立叶逆变换来得到原随机变量的密度，进而达到求解期权价格的目的。一般来讲，这样的方法要比PDE方法更加快速，因为数值积分的速度要比微分方程数值解的速度要快。然而，这类方法的缺陷也是显而易见的，路径依赖性和维度问题，以及我们必须要有显式表达的特征函数。

总结：

在这里，我们只讲一些面上的东西。具体深入的东西，我会在公众号：衍生财经上详谈。

⑦ 大四毕业设计 论文题目：偏微分方程在期权定价中的应用 求智者指导看什么书呢

真的不会写也没有关系。我有，谁让我是这么好心肠呢、正文是一篇论文的本论，属于论文的主体，它占据论文的最大篇幅。论文所体现的创造性成果或新的研究结果，都将在这一部分得到充分的反映。

⑧ 期权和债券是什么

期权是到期行使的权利，比如说期货，就是现在支付一笔订单的保证金，这时就锁定了这笔订单的，到约定的日期后可以按订单规定行使权利。
债券是债权的凭证，等于是把钱借给了债券发行方，一般的债券采用不记名的方式公开发行，所以流通方便。债券到期后购买了债券的主体可向债券发行方行使债权人权利。

⑨ 学完微分方程数值解有什么收获

偏微分方程是基于常微分方程 一般常微分方程在微积分里面会涉及一点 但需要一门正式的课程打下基础 方便学习常用的 有解析解的偏微分方程
金融系学生学偏微分方程主要是因为期权定价的Black-Scholes-Merton公式是用偏微分方程推导而来的（当然现在也常用风险中性等价鞅的方法推导） 另外其衍生的很多建立在随机微分基础上的公式都可以用偏微分方程来推导
偏微分方程比起等价鞅的方法更加直观（对于物理 数学基础比较好的同学） 但是也不尽然 不过由于偏微分方程的数值解法在计算机上的算法比较丰富 可以通过计算机的数值解法来求解很多定价公式
偏微分方程是需要常微分方程和随机微分（随机过程）两门课做基础的 如果学得好可以拓展到金融工程 资产定价方向 但不是每一个金融学的同学都要学习的 毕竟数学好的 有志于以后从事金融定价（投行 证券公司研究部）会需要这样的基础 如果只是一个普通的金融学生 以后想进入银行 咨询的话 就不是很有必要了
数值解只是一个计算机实现的方法而已 研究生阶段有用 需要对微分方程和计算机都有一定的认识 本科没必要