期权期货的定价原理

㈠ 期权如何定价

在期权运用中，大部分投资者无需知道模型的计算，不用拆解定价模型，只需要了解每个模型需要哪些因素、有什么差异、适用范围和优缺点，然后通过在期权计算器上输入变量即可得到期权的价格。期权行情软件也一般会自带期权计算器，直接给出理论价格。但是，缺点是投资者不知道这些理论价格采用的是哪个模型，也不知道输入的无风险利率以及价格波动水平等变量是多少。不过有些期权行情软件可以由投资者自行去设定无风险利率和波动率水平参数，另外，网上也有各种期权计算器。

在分析定价模型前，先了解一下它的原理和假设条件。

期权的定价模型源自“随机漫步理论”，也就是认为标的资产的价格走势是独立的，今天的价格和昨天的价格没有任何关系，即价格是无法预测的。另外，市场也需要是有效市场。在这个假设下，一连串的走势产生“正态分布”，即价格都集中在平均值周围，而且距离平均值越远，频率便越会下跌。

举个例子，这种分布非常类似小孩玩的落球游戏。把球放在上方，一路下滑，最后落到底部。小球跌落在障碍物左边和右边的概率都是50%，自由滑落的过程形成随机走势，最后跌落到底部。这些球填补底部后，容易形成一个类似正态的分布。

正态分布的定义比较复杂，但我们只需了解它是对称分布在平均值两边的、钟形的曲线，并且可以找出价格最终落在各个点的概率。在所有的潜在可能中，有68.26%的可能性是分布在正负第一个标准差范围内，有13.6%的可能性是分布在正负第二个标准差范围内，有2.2%的可能性是分布在正负第三个标准差范围内。

期权的定价基础就是根据这个特征为基础的，即期权的模型是概率模型，计算的是以正态分布为假设基础的理论价格。但实际标的资产的价格走势并不一定是正态分布。比如，可能会出现像图片中的各种不同的状态。

应用标准偏差原理的布林带指标，虽然理论上价格出现在三个标准偏差范围外的概率很低，只有0.3%（1000个交易日K线中只出现3次），但实际上，出现的概率远超过0.3%。因为期货价格或者说股票价格不完全是标准正态分布。两边的概率分布有别于标准正态分布，可能更分散，也可能更集中，表现为不同的峰度。比如股票价格的分布更偏向于对数正态分布。那么在计算期权价格的时候，有些模型会对峰度进行调整，更符合实际。

另外，像股票存在成长价值，存在平均值上移的过程，而且大幅上涨的概率比大幅下跌的概率大，那么它的价格向上的斜率比向下的斜率大，所以平均值两边的百分比比例会不一样。为了更贴近实际，有些期权定价模型也会把偏度的调整计入定价。

㈡ 哪位高人可以推导出金融期权的定价公式啊

这个方法也有不止一种，因为各种模型总会有不同和假设，和现实有差异。
建议你去看《Options, Futures, and Other Derivatives》 John C. Hull 这本书。也有翻译过来的中文版《期权，期货和其他衍生品》里面从第十章开始有介绍期权定价的问题。
需要一定的微积分基础的。这里也没办法写出来。自己去解本书看看吧。那本书公式推导什么都很清楚。

㈢ 期权与期货市场基本原理

《期权与期货市场基本原理》主要讲述了期货市场的运作机制、采用期货的对冲策略、远期及期货价格的确定、期权市场的运作过程、股票期权的性质、期权交易策略、布莱克-斯科尔斯模型、希腊值及其应用、波动率微笑、风险价值度、特种期权及其他非标准产品、信用衍生产品、气候和能源以及保险衍生产品等。

巧妙地避免了微积分，但却没有丧失理论的严谨性，给没有受过金融数学训练的许多金融从业人员解决实际问题提供了很好的指导。适用于高等院校金融相关专业教学用书，也可作为金融机构的管理者，特别是着力于衍生产品的从业人员的参考用书。

㈣ 远期，期货，期权的工作原理是什么

远期是指交易双方签订的一个合同，规定了什么时间、什么地点、什么价格交换某一商品。期货是在交易所交易的标准化合约，规定了交割日期、交割标准等，相比远期优点是可以随时在交易所交易，期权是在期货的基础上发展起来的，是管理期货风险的工具，可以在交易所交易。

㈤ 欧式期权定价原理

欧式期权金融资产的合理价格为其期望价值
选择权到期时的合理价值是其每一个可能的价值乘以该价值发生机率之后的加总
根据买权的定义，买进选择权到期时的期望价值为：
E〔Ct〕=E〔max(St－K,0)〕 (B-1)
其中 ：
E〔CT〕是买进选择权到期时的期望价值
ST 是标的资产在选择权到期时的之价格
K 是选择权的履约价格

选择权到期时有两种状况：
Ct={St－K,如果St>K ；0,如果St≤K}
如果以 P 来界定机率则(B-1)式可表示为
E〔Ct〕=P×(E〔St/St>K〕－K)+(1－P)×0=P×(E〔St/St>K〕－K) (B-2)
其中：
P 是 ST > K 的机率
E〔ST/ST>K〕 是在ST > K 的条件下，ST的期望值
(B-2)即为买进选择权到期时的期望价值
若欲求取该契约最初的合理价格，则需将(B-2)折成现值

C=P×e-rt×(E〔St/St>K〕－K) (B-3)
其中：
C 是选择权最初的合理价格
r 是连续复利的无风险利率
t 是选择权的契约（权利）时间

此时选择权订价被简化成的两个简单问题：
(a) 决定 P 选择权到期时(ST > K)的机率
(b) 决定 E〔ST/ST > K〕 选择权到期时还有内含价值时，标的资产的期望值

㈥ 期货和期权套期保值原理是什么希望具体例子说明

首先举例说明下什么是套期保值，（这里都是我自己的话总结的，定义可以搜索到），套期保值主要是某商品A的供应商或者需求商（这里以供应商为例，供应商对应的是利润，需求商对应的是成本），比如商品A的现价是10000元/吨，而在未来一特定的t时间点，该供应商要卖出N吨，但是价格不能判断到底是比现价高或者低，而供应商为了维持企业生产秩序的稳定，是不愿意因未来价格过高或过低而对企业产生不利的影响，所以供应商就签出一定数量的卖出合约，而价格是双方均可以接受的，也就是说不管未来时间内A的价格如何变动，该供应商那一时间的利润已经固定下来了，这样能够保证企业的正常稳定运行。 该合约经过交易所进行买卖，投资者有的对其价格看涨，有的对其看跌，就这样不断的经过交易，投资者能够获得其中的差价所带来的收益，而随着t时间点的到来，当然t时间点期货市场上的价格会逐渐靠向现货价格，否则t时间点同一商品就出现不同的价格了。 期权的套期保值类似，不过期权是用一约定资金获得约定时间以某一约定价格的该商品的买权或卖权，但是却有到期不履行的权力，但该约定资金是不退还的。

㈦ 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。