期权价格设定

1. 期权价格制定的依据

根据BS公式

2. 谁知道期权如何定价

期权如何定价 最简单的例子，如果你持有短期内不必消费的资金，你一定想利用这笔资金去赢得利润。假定市场上有两种方式可以让你投入资金以达到赢利的目的，一种是没有风险的，如存入银行，经过一个单位时间之后，你的资金x0便会增加到x0(1+r)，r>0 是银行的利率。另一种是带风险的，如购买股票，你花S0购入的股票，经过一个单位时间以 后的价格S1有可能是uS0(运气好)或dS0(不 走运)，d<u是已知常数。我们假定d<1+r <u，否则“决策”是明显的。如果1+r d， 谁愿意把资金存入银行?
而要是u 1+r，又有谁愿意购买股票?这个条件金融学上称为“市场无套利”，意即无空子可钻。设想有一项期权，经过一个单位时间以后，将使你获利ξd(若那时的股票价格为dS0)或者 ξu(如果那时的股票价格为uS0)，它现在的价 格该是多少?即你要花多少钱去购买这项权利才 是公平合理的。
摘《外汇通》

3. 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。

4. 期权价格的确定

高价= 100*（1+0.5） = 150；
低价= 100*（1-0.5） = 50；
所以构造一个套利组合所需要的份数为
N = （高价-低价）/ （高价时期权价值-低价时期权价值）
= （150-50） / (50-0) = 2；
期权价值设为C，有
股票现价 - N*C = 低价/（1+无风险利率）；
代入得：100 - 2C = 50 / （1+5%）可以解得C的值。

希望对你有所帮助。

5. 期权价格是以什么为调整依据

1、标的物价格变化
2、期权的剩余期限
3、隐含波动率
4、利率、股息

主要是这些

6. 期权价格的构成

期权价格是由买卖双方竞价产生的。期权价格分成两部分，即内涵价值和时间价值。期权价格=内涵价值+时间价值。 内涵价值指立即履行合约时可获取的总利润。具体来说，可以分为实值期权、虚值期权和两平期权。
（1）实值期权
当看涨期权的执行价格低于当时的实际价格时，或者当看跌期权的执行价格高于当时的实际价格时，该期权为实值期权。
（2）虚值期权
当看涨期权的执行价格高于当时的实际价格时，或者当看跌期权的执行价格低于当时的实际价格时，该期权为虚值期权。
（3）两平期权
当看涨期权的执行价格等于当时的实际价格时，或者当看跌期权的执行价格等于当时的实际价格时，该期权为两平期权。
看涨期权 看跌期权
实值期权 期权执行价格<实际价格 期权执行价格>实际价格
虚值期权 期权执行价格>实际价格 期权执行价格<实际价格
两平期权 期权执行价格=实际价格 期权执行价格=实际价格 期权距到期日时间越长，大幅度价格变动的可能性越大，期权买方执行期权获利的机会也越大。与较短期的期权相比，期权买方对较长时间的期权的应付出更高的权利金。
值得注意的是，time value与到期时间的关系如上图所示，是一种非线性的关系，而不是简单的倍数关系。
期权的时间价值随着到期日的临近而减少，期权到期日的时间价值为零。期权的时间价值反映了期权交易期间时间风险和价格波动风险，当合约0%或100%履约时，期权的时间价值为零。 虚值期权和两平期权的内涵价值为零。
到期日的时间价值为零。
期权价格（未到期） 期权价格（到期）
实值期权 内涵价值+时间价值 内涵价值
虚值期权 时间价值 大于零
两平价值 时间价值 大于零

7. 期权价格的设定形式

期权价格的设计与开发原理中的一个重要形式是，通过对影响期权价值变化的价格因素重新进行设定来创生新型的期权。期权的价格包括执行价格和基础资产价格。期权多头的利益主要是由期权的执行价格与相应基础资产价格之差来决定的。
因此，市场参与者可通过变更期权的执行价格或基础资产价格来满足自身的偏好。因此，价格条款重设型期权可分为执行价格重设型与基础资产价格重设型两种类型。执行价格的设定对期权的执行价格重新进行设定，可以获得一类新型的期权。平均执行价格期权平均执行价格期权(averageoption)把执行价格设定为基础资产在合。

8. 期权价格的定位

期权价格亦称期权费、期权的买卖价格、期权的销售价格。通常作为期权的保险金，由期权的购买人将其支付给期权签发人，从而取得期权签发人让渡的期权。它具有既是期权购买人成本，又是期权签发人收益的二重性，同时它也是期权购买人在期权交易中可能蒙受的最大损失。

9. 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。