使用偏微分方程与伊藤微积分进行期权建模的完整指南

·

期权定价是金融数学中的核心问题，它依赖于对股票价格随机过程的深入理解。本文将系统介绍如何利用偏微分方程（PDE）和伊藤微积分来建立期权定价模型，并辅以Python代码实现。通过几何布朗运动描述股票价格行为，结合布莱克-斯科尔斯方程和风险中性定价方法，我们将构建完整的期权定价框架。

期权基础与 payoff 函数

期权是一种金融合约，赋予持有者在特定时间 T 内以约定执行价 E 买入或卖出标的资产的权利（而非义务）。看涨期权（Call Option）允许持有者以执行价买入资产，而看跌期权（Put Option）则允许持有者卖出资产。期权的 payoff 函数 ht 定义为：

例如，当标的资产价格 S 从100美元升至110美元时，执行价为100美元的看涨期权将产生10美元的收益。然而，由于股票价格具有随机性，期权定价面临巨大挑战。我们无法确切知道到期日 T 的资产价格，但可以通过随机过程建模来估计其概率分布，并计算 payoff 函数的贴现期望值：

C = e^{-rT} E[max(S_T - E, 0)]

股票价格行为的数学假设

股票价格的三重假设

通过对历史价格数据的分析（如苹果公司股票），我们发现股票价格呈现趋势性运动叠加随机噪声。因此，股票价格可建模为随机过程 _(Xt) t>0_，并满足三个关键假设：

布朗运动与几何布朗运动

若以上假设成立，股票价格遵循几何布朗运动（GBM）：

dS = μS dt + σS dW

其中 μ 为漂移率，_σ_ 为波动率，_dW_ 为维纳过程。布朗运动（维纳过程）具有三个特征：

  1. W₀ = 0
  2. 独立增量：_Wt - Ws_ 与 s 时刻前信息独立
  3. Wt - Ws ~ N(0, t-s)

方差线性增长和步数平方根关系源于随机变量的独立性：总方差为各步方差之和，标准差随步数平方根增长。

布朗运动在二维空间中的轨迹显示连续但不可微的特征，具有无限的一阶变差，这使得传统黎曼积分无法处理此类过程，需要引入伊藤积分。

伊藤微积分的核心概念

二次变差

二次变差量化了维纳过程增量的平方和，为处理布朗运动的不规则性提供了框架：

  1. (dW)² = dt
  2. (dt)² = 0
  3. dW dt = 0

前两个关系可通过“小量相乘趋于零”直观理解，第一个关系则源于维纳过程的定义。

伊藤等距

利用布朗运动的二次变差性质，可以计算其方差：

Var[∫₀ᵗ f(s) dW_s] = E[(∫₀ᵗ f(s) dW_s)²] = ∫₀ᵗ E[f(s)²] ds

这一关系称为伊藤等距，是随机微积分的关键组成部分。

伊藤引理

在随机环境中，普通微积分法则不再适用。伊藤引理通过泰勒展开和二次变差性质，提供了对包含布朗运动的函数进行微分的方法：

若随机过程遵循 dS = a(S,t) dt + b(S,t) dW_，则函数 _f(t,S) 的微分为：

df = (∂f/∂t + a ∂f/∂S + ½ b² ∂²f/∂S²) dt + b ∂f/∂S dW

这一引理成为计算随机积分的强大工具。

股票定价模型

假设股票价格遵循几何布朗运动：

dS = μS dt + σS dW

应用伊藤引理于函数 _f = ln(S)_，计算所有导数后得到：

d(ln S) = (μ - σ²/₂) dt + σ dW

通过普通积分求解可得股票定价模型：

S_T = S₀ exp[(μ - σ²/₂)T + σW_T]

这意味着对数收益服从正态分布，具有线性增长的均值和标准差。此公式避免了模拟单个价格路径的计算负担，显著提高了效率。

👉 获取完整股票价格模拟代码

import jax.numpy as jnp
import jax.random as jrandom

def model_stock_price(S0:float, T:float, r:float, sigma:float, samples=1000):
    """使用解析公式计算到期股票价格分布"""
    random_step = jrandom.normal(jrandom.PRNGKey(1), shape=[samples])
    S = jnp.ones(samples)*S0
    S = S*jnp.exp(T*(r - 0.5*sigma**2) + sigma*jnp.sqrt(T)*random_step)
    return S

布莱克-斯科尔斯期权定价公式

两种定价方法比较

期权定价存在两种相互关联的方法论：

  1. 布莱克-斯科尔斯方程与公式：通过随机微积分推导期权价格的偏微分方程，给定最终payoff条件求解获得期权价格

    • 优点：闭式解计算速度快
    • 缺点：仅提供单一价值，无法评估可靠性

  2. 风险中性方法与payoff公式：建立合成概率测度，将期权价格表示为期望形式

    • 优点：提供价格分布信息，支持更复杂模型（如跳跃过程、随机波动率）
    • 缺点：计算效率相对较低

风险中性定价

看涨期权价值可表示为payoff函数的贴现期望：

C = e^{-rT} E[max(S_T - E, 0)]

结合之前推导的股票定价模型，可通过蒙特卡洛模拟计算价格分布：

def mc_call_option_price(S0:float, E:float, T:float, r:float, sigma:float, samples:int=1000):
    """风险中性方法计算看涨期权价格"""
    random_step = jrandom.normal(jrandom.PRNGKey(1), shape=[samples])
    S = jnp.ones(samples)*S0 * jnp.exp(T*(r - 0.5*sigma**2) + sigma*jnp.sqrt(T)*random_step)
    option_price = jnp.maximum(S - E, 0)
    option_price = jnp.exp(-r*T)*option_price
    return jnp.mean(option_price), option_price

运行1000次模拟显示，对于标的价格1000美元、执行价1100美元、5年到期、无风险利率2%、波动率0.2的期权，公平价格约为178.3美元。实际payoff函数在零点处有明显尖峰，因为负值期权不被执行。

布莱克-斯科尔斯公式推导

从股票价格的伊藤过程出发：

dS = μS dt + σS dW

假设看涨期权价格 _C = C(t,S)_，应用伊藤引理：

dC = (∂C/∂t + μS ∂C/∂S + ½ σ²S² ∂²C/∂S²) dt + σS ∂C/∂S dW

通过构建投资组合 Π = -C + (∂C/∂S)S 消除随机项，得到完全对冲头寸：

dΠ = (-∂C/∂t - ½ σ²S² ∂²C/∂S²) dt

由于组合无风险，其收益应等于无风险利率：

dΠ = rΠ dt

联立上述方程得到布莱克-斯科尔斯方程：

∂C/∂t + rS ∂C/∂S + ½ σ²S² ∂²C/∂S² = rC

在终值条件 C(T,S) = max(S-E,0) 下求解此偏微分方程，可得布莱克-斯科尔斯公式：

C = S₀N(d₁) - Ee^{-rT}N(d₂)

其中：

该公式基于以下假设：

import jax.scipy as jscipy

def bs_call_option_price(S0:float, E:float, T:float, r:float, sigma:float):
    """布莱克-斯科尔斯公式计算看涨期权价格"""
    d1 = (jnp.log(S0/E) + (r + sigma**2/2)*T) / (sigma*jnp.sqrt(T))
    d2 = d1 - sigma*jnp.sqrt(T)
    price = S0*jscipy.stats.norm.cdf(d1) - E*jnp.exp(-r*T)*jscipy.stats.norm.cdf(d2)
    return price

两种方法计算结果高度一致，但存在权衡：闭式解计算高效，而模拟方法提供价格分布信息，有助于理解风险收益特征。

代码性能分析

使用计时装饰器比较计算效率：

from time import time

def timing_decorator(func):
    def wrapper(*args, **kwargs):
        t0 = time()
        result = func(*args, **kwargs)
        t1 = time()
        print(f'函数 {func.__name__} 运行时间: {t1-t0:.3f}秒')
        return result
    return wrapper

测试结果：

JAX凭借自动微分和GPU加速功能，在大规模计算中展现显著优势，比传统NumPy快约5倍。

常见问题

什么是几何布朗运动？

几何布朗运动是描述股票价格随机演变的连续时间随机过程，包含确定性漂移项和随机波动项。它假设对数收益服从正态分布，是金融数学中最广泛使用的模型之一。

伊藤积分与普通积分有何不同？

伊藤积分专门处理具有无限变差的随机过程，考虑了二次变差性质。与传统黎曼积分不同，它需要额外的修正项（伊藤项），这是随机微积分的关键特征。

风险中性定价为何重要？

风险中性定价将期权价格表示为贴现期望，避免了估计实际漂移率的困难。它基于无套利原则，在风险中性测度下所有资产的预期收益率都等于无风险利率。

布莱克-斯科尔斯模型有哪些局限性？

该模型假设常数波动率和连续对冲，这与市场实际情况不符。波动率微笑、跳跃风险和交易成本等因素都可能导致模型定价偏差，需要更复杂的模型修正。

蒙特卡洛模拟在期权定价中的优势是什么？

模拟方法能够处理路径依赖期权、多资产期权和复杂payoff结构，提供整个价格分布而不仅是单一价值。随着计算能力提升，它在复杂衍生品定价中越发重要。

如何选择适合的定价方法？

对于标准欧式期权，布莱克-斯科尔斯公式是高效选择。对于具有复杂特征或路径依赖的期权，蒙特卡洛模拟通常更合适。实际应用中常结合多种方法相互验证。

👉 探索更多期权定价策略

通过深入理解偏微分方程和伊藤微积分在期权建模中的应用，投资者和量化分析师能够更准确地评估衍生品价值，制定有效的交易和对冲策略。随着计算技术的发展，这些数学工具将继续在金融创新中发挥关键作用。