5.2 金融工程应用：期权定价与风险度量的模拟实现

5.2 金融工程应用：期权定价与风险度量的模拟实现

本节摘要：金融是蒙特卡洛最大的商业用户。本节以欧式看涨期权开场——解析公式与模拟当场对账；再进入路径依赖期权的腹地（亚式期权必须靠模拟）；最后处理风险价值与预期亏空的估计。全程沿用 5.1 的五步流水线，重点展示方差缩减在真实产品里的选型逻辑。

1970 年前后，金融学完成了一次范式搬家：股价被建模成随机过程（第 4 章的几何布朗运动），衍生品定价变成"计算某个随机收益的期望"。这一搬家的直接后果是：凡是收益依赖路径形状的产品，解析公式要么难看要么不存在，蒙特卡洛成了主食。今天大行内部成千上万的定价作业与隔夜风险计算，跑的就是这几节原理的工业版。

开场对账：欧式看涨的解析与模拟

欧式看涨期权：到期按 max(S(T) − K, 0) 支付。Black–Scholes 公式给出解析价格——几何布朗运动的分布已知（对数正态），期望加贴现即可闭式算出。它的价值不在公式本身，而在给蒙特卡洛当对照组：模拟实现先跟它对账，对上了才允许去碰没有公式的产品。

定价的经济学底座要交代一句：公式里的"利率"是无风险利率 r 而不是预期收益率 μ——定价在"风险中性测度"下进行，收益期望按 r 贴现。直观版解释：对冲消掉了方向性风险后，市场不因你承担可对冲的风险而付钱，所以所有可交易资产的期望涨幅都折算为 r。这层"测度变换"的严格讨论需要鞅工具（4.3 节的等价鞅测度），本节先取用结论。

主战场：路径依赖与必须模拟的理由

亚式期权按"平均价格"支付，比如到期前三个月的日均价格与行权价的差额。平均值把波动抹平，所以亚式比欧式便宜——它是对冲成本更低的工具，企业采购原材料常用它锁均价。它的解析定价只有近似式（平均值的分布不是精确对数正态），于是蒙特卡洛成为日常。

模拟时注意三点。其一，时间网格要够密才能代表"日均价"，但也要留意真实合约的采样规则（交易日均值与日历日均值差别不小）。其二，同一条路径算完整条再算下一条，网格数据能完整保留，路径依赖才有依托。其三，方差缩减选型有讲究：亚式收益是路径均值的单调函数，对偶变量立竿见影；若产品还带"触碰障碍才生效"条款，对偶失效（障碍穿越不单调），改用条件蒙特卡洛（障碍外的情形可解析）或重要性抽样。

图：欧式与亚式期权的收益结构对比

全流程案例：为一份亚式期权定价

背景：某航空公司在为航油采购套保，投行报价一份亚式看涨：未来一年 252 个交易日的均价减行权价 80 元、不足为零，报价单写着"权利金 4.62 元"。公司想知道这个价格是否离谱。

建模：油价按几何布朗运动 dS = r·S dt + σ·S dW，取 r = 3%、σ = 35%、现价 82 元。风险中性测度下，期权公允价值 = e 的 −rT 次方乘 E[mean(S) − K 的正部]。

操作：模拟十万条路径、每条 252 步；对每条路径算均价、算收益、贴现取平均；启用对偶变量后用同样预算把标准误压到千分位。

解读：模拟公允价 4.58 元，与报价 4.62 元的差距在两个标准误（约 0.03 元）之内——报价合理，买方不必还价，卖方也没宰人。真正的谈判空间不在权利金而在 σ 的取值：若公司自己的历史波动率估计是 28% 而非 35%，重跑模拟公允价降到约 3.5 元——报价差 1 元，八成是波动率假设的分歧。这提示谈判的正确战场：先谈波动率假设，再谈价格。

变式：把条款换成"障碍亚式"（均价超 100 元则合约作废，用于压低权利金），对偶变量失效，改用条件蒙特卡洛。跑完对比：障碍砍掉了右尾，权利金降约三成，但保护效果也在暴跌行情里打折——便宜与保护不足是一枚硬币的两面，模拟把这笔账算给了买方看。

import numpy as np

rng = np.random.default_rng(555)
S0, r, sigma, T, K = 82.0, 0.03, 0.35, 1.0, 80.0
n_steps, n_paths = 252, 100_000
dt = T / n_steps

# 对偶变量：同一批正态数取正负两套路径
Z = rng.normal(0.0, 1.0, size=(n_paths, n_steps))
payoffs = []
for sign in (1.0, -1.0):
    incr = (r - 0.5*sigma**2)*dt + sign*sigma*np.sqrt(dt)*Z
    log_paths = np.log(S0) + np.cumsum(incr, axis=1)
    averages = np.exp(log_paths).mean(axis=1)      # 算术均价
    payoffs.append(np.maximum(averages - K, 0.0))

payoffs = np.concatenate(payoffs)
price = np.exp(-r*T) * payoffs.mean()
se = np.exp(-r*T) * payoffs.std(ddof=1) / len(payoffs)
print(f"亚式公允价 {price:.3f} ± {1.96*se:.3f}（95% 置信）")

# 敏感性：波动率假设是谈判主战场
for sv in (0.28, 0.35, 0.42):
    incr = (r - 0.5*sv**2)*dt + sv*np.sqrt(dt)*Z
    averages = np.exp(np.log(S0) + np.cumsum(incr, axis=1)).mean(axis=1)
    p = np.exp(-r*T)*np.maximum(averages - K, 0).mean()
    print(f"sigma = {sv:.2f}: 公允价 {p:.3f}")
# 典型输出：4.58 ± 0.03；sigma 从 0.28 到 0.42，公允价约 3.5 至 5.8 元
​

风险度量：VaR 与预期亏空

定价问"值多少"，风险管理问"最多亏多少"。**风险价值（VaR）**在置信水平 α 下回答"十天之内、九成九的情况下，损失不超过多少"；**预期亏空（ES）**再进一步，回答"一旦跌破那条线，平均亏多少"。两者用蒙特卡洛估计都是全分布模拟后取分位数或尾均值。

方法论要点有二。其一，重尾不容正态假设：股价收益的实测分布比正态厚尾得多（3.5 节的教训在金融数据上最刺眼），正态假设下的 VaR 系统性低估尾部——2008 年危机后监管框架集体转向 ES 的部分原因即在此。其二，尾部的模拟精度贵：九成九分位落在样本最贵的百分之一里，标准误大，重要性抽样或多层模拟是压缩成本的常规武器。

⚠️ 模拟风险的经典事故：用历史数据校准 σ 却忽略了波动率聚集（第 2 章"违反独立增量"清单上的第一名）。平静期估出的低 σ 会给 VaR 注入虚假的安全感，而市场转舵恰恰发生在聚集加剧之后。风控模型的稳健做法是让 σ 随状态变化（随机波动率模型），这已经站在第 6 章前沿的门口。

本节要点回顾

• 定价即算风险中性期望：贴现利率取 r 而非 μ；欧式有公式，是模拟的对照组。
• 路径依赖必须模拟：亚式、障碍、回望等产品的收益吃完整路径。
• 方差缩减按条款选型：单调收益用对偶，障碍条款用条件法或重要性抽样。
• 谈判的真正变量是假设：同一份合约，σ 从 0.28 到 0.42，公允价差六成。
• VaR 与 ES：分位数与尾均值；厚尾与波动率聚集是两大天敌。

金融现场收工。下一站换个行业：排队系统——闭合公式与仿真双轨并行，容量设计从公式走到决策。