ARK · 金融機器學習CHAPTER 15 / 19

CHAPTER 15 / 19 · PART 4 · 量化金融實務

選擇權定價實務

Options Pricing in Practice

閉式解、樹、有限差分與蒙地卡羅四把刀各有地形；選對定價技術是精度與速度的工程取捨。

§01學習重點

§02課程內容

一、從公式到工程：定價技術的選型地圖

第 14 章建立了風險中性定價的世界觀：衍生品的價格，是它未來 payoff 在風險中性測度下的貼現期望值。這句話在數學上乾淨得像一行詩，在工程上卻只是問題的開頭——期望值三個字，要怎麼真的算出來？

這一章的主角就是「算出來」這件事。它值得專門一章，是因為第 3 章其實已經預告過它的分量：那一章我們用高斯過程替「昂貴的定價器」建快取，一次定價可能要跑幾秒鐘的那種昂貴。本章打開的正是那顆定價器的內部——你會看到它為什麼昂貴、哪些情況可以不昂貴，以及工程師在精度與速度之間怎麼討價還價。

先給全章的地圖。為一個衍生品挑定價技術，依序問兩個問題：

第一問：payoff 依賴什麼？ 只依賴到期那一天的價格（歐式香草、歐式數位）；依賴整條路徑（亞式看平均、障礙看有沒有觸線、回望看極值）；持有人能不能中途喊停（美式、百慕達）；牽涉幾個資產（單資產還是一籃子）。每多一層依賴，能用的方法就少一批。

第二問：模型交出了什麼？ 最慷慨的模型給你風險中性密度的閉式（Black–Scholes 的對數常態），期望值直接積分甚至有現成公式；小氣一點的模型（Heston 這類隨機波動率模型）密度寫不出來，但特徵函數有解析式，可以走傅立葉路線；最寒酸的情況連特徵函數都沒有，只剩一條 SDE 可以逐步模擬——那就只能請出數值三本柱：格點（樹）、有限差分 PDE、蒙地卡羅。

比喻： 西裝店有三種服務。架上成衣：尺碼剛好就能直接帶走，便宜、快、品質穩定——這是閉式解，條件符合時沒有理由不用。半訂製：版型現成、細節照你的身形修改，多等幾天、多付一點——這是擬閉式，模型換了但管線不用重蓋。全訂製：什麼身形都做得出來，代價是最貴、最慢、還依賴老師傅的手藝——這是數值方法，萬能，但每一次都是重新縫一件。行家的順序永遠是：先試成衣，改不動了才訂製。

這張地圖不是裝飾。實務上最常見的浪費，是拿全訂製的工具做成衣就能解決的事——用十萬條蒙地卡羅路徑去算一個 Black–Scholes 有公式的歐式買權；最常見的事故，則是反過來硬套——用只看到期價的公式去近似一個天天看路徑的亞式。接下來各節依地圖逐站走一遍，最後回頭把「工程」這條線收攏。

二、閉式解家族：Black–Scholes 與它的親戚

閉式解的代表作當然是 Black–Scholes。標的價 \(S\)、履約價 \(K\)、無風險利率 \(r\)、波動率 \(\sigma\)、到期時間 \(T\)，歐式買權的價格是：

$$ C = S\,N(d_1) - K e^{-rT} N(d_2), \qquad d_{1,2} = \frac{\ln(S/K) + \left(r \pm \tfrac{1}{2}\sigma^2\right)T}{\sigma\sqrt{T}} $$

逐項拆解：\(N(\cdot)\) 是標準常態的累積分布函數；\(N(d_2)\) 是風險中性世界裡到期價內的機率，所以 \(K e^{-rT} N(d_2)\) 讀作「只在價內才付出的履約金，先按機率打折、再按時間貼現」；\(S\,N(d_1)\) 是「拿到股票那一邊」的期望現值——\(d_1\) 比 \(d_2\) 多出的 \(\sigma\sqrt{T}\)，來自「在價內的條件下股價平均比較高」的修正。一正一負相減，就是買權的期望淨值。整條公式只是把「貼現期望」對著對數常態密度老老實實積分後的收官形。

這個家族還有幾位親戚，各自守著一塊地形：Black 76 把現貨換成遠期價格，是期貨與利率選擇權的標準報價公式；Bachelier 假設價格走常態而非對數常態，容得下負值，在利差與負利率市場反而是對的工具；CEV 讓波動率隨價格水位變化，能彎出偏斜。它們的共同點是：換湯不換藥，都是「某個能積出來的密度」配上「夠簡單的 payoff」。

閉式解家族還有一個常被低估的用法——零件化。\(N(d_2)\) 這顆零件單獨拆出來，就是數位買權（到期價內付一元）的價格 \(e^{-rT}N(d_2)\)；而買賣權平價 \(C - P = S - Ke^{-rT}\) 甚至不依賴任何模型，只靠無套利論證成立，因此是檢驗任何定價器的第一道免費測試。實跑看看：

PYTHON
import math

def norm_cdf(x):
    """標準常態累積分布函數（只用標準庫）"""
    return 0.5 * (1.0 + math.erf(x / math.sqrt(2.0)))

def bs_price(S, K, r, sigma, T, kind="call"):
    """Black-Scholes 歐式選擇權閉式解"""
    d1 = (math.log(S / K) + (r + 0.5 * sigma**2) * T) / (sigma * math.sqrt(T))
    d2 = d1 - sigma * math.sqrt(T)
    if kind == "call":
        return S * norm_cdf(d1) - K * math.exp(-r * T) * norm_cdf(d2)
    return K * math.exp(-r * T) * norm_cdf(-d2) - S * norm_cdf(-d1)

S, K, r, sigma, T = 100.0, 105.0, 0.02, 0.25, 0.5
call = bs_price(S, K, r, sigma, T, "call")
put  = bs_price(S, K, r, sigma, T, "put")
print(f"買權 {call:.4f}｜賣權 {put:.4f}")
# 輸出：買權 5.3766｜賣權 9.3319

# 買賣權平價：C - P 必須等於 S - K e^{-rT}，與模型無關
print(f"C - P = {call - put:.4f}｜S - K e^(-rT) = {S - K*math.exp(-r*T):.4f}")
# 輸出：C - P = -3.9552｜S - K e^(-rT) = -3.9552

# 數位買權（到期價內付 1 元）= e^{-rT} N(d2)：BS 的「零件」單獨拿出來用
d2 = (math.log(S/K) + (r - 0.5*sigma**2)*T) / (sigma*math.sqrt(T))
print(f"數位買權 {math.exp(-r*T)*norm_cdf(d2):.4f}（風險中性價內機率 N(d2) = {norm_cdf(d2):.4f}）")
# 輸出：數位買權 0.3753（風險中性價內機率 N(d2) = 0.3791）

半年期、履約價 105 的買權值 5.38 美元；平價關係兩邊都是 −3.9552，分毫不差。這組數字在本章會反覆出場：它們是後面每一種數值方法的標準答案——數值方法的第一份工作面試，永遠是「你能不能把閉式解算對」。

閉式解的限界也要說清楚：它是市場用同一把波動率尺量所有履約價時才成立的世界。真實市場每個履約價隱含的波動率不同（微笑與偏斜），這正是後面幾章的主題；但即使模型換掉，BS 依然活著——它從「定價模型」退役轉任「報價語言」，市場用它的隱含波動率溝通價格。

三、擬閉式：特徵函數與傅立葉反演的直覺

往地圖右邊走一步：模型複雜到密度寫不出來，怎麼辦？以隨機波動率模型為例——波動率自己也是一條隨機過程，還跟價格相關——對數股價的密度沒有閉式。神奇的是，這類模型的特徵函數往往有解析式：

$$ \phi_T(u) = \mathbb{E}\!\left[e^{\,iu \ln S_T}\right] $$

逐項拆解：\(i\) 是虛數單位，\(u\) 是頻率變數；特徵函數是「對數到期價的每個頻率成分的期望」，數學上恰好是密度函數的傅立葉變換。密度與特徵函數是同一個分布的兩張面孔——一張在「價格域」，一張在「頻率域」；知道其中一張，原則上就能反演出另一張。

比喻： 錄音室的頻譜儀。你聽不到（寫不出）那段聲音的波形本身，但頻譜儀把每個頻率的強度都顯示給你——而頻譜資訊是完整的，工程師可以從頻譜把聲音重建回來。特徵函數就是分布的頻譜：Heston 這類模型「波形」給不出來，「頻譜」卻有公式；定價就變成一場頻域到時域的重建工程。

工程上的做法可以濃縮成三句話。第一句：把「選擇權價格對履約價的函數」做傅立葉變換，會發現它可以用特徵函數的解析式表達——這就是所謂 Carr–Madan 路線的核心。第二句：直接反演的積分在數學上不收斂，解法是先乘上一個衰減因子把積分「壓」收斂，算完再除回去——因子裡的參數理論上不影響答案，實務上選壞了會給錯價，所以要掃描參數找平臺、拿 BS 特例對答案。第三句：反演積分離散化之後恰好長成 FFT 演算法吃的形狀，於是一次運算就吐出整條履約價網格上的所有價格，複雜度從逐點積分的平方階降到 \(O(N \log N)\)。

什麼時候用它？答案幾乎就寫在複雜度裡。校準要在參數空間裡反覆試錯，每一輪都要把整條波動率偏斜重算一遍——幾十個履約價一次出爐的 FFT 是天造地設的引擎。反過來，如果只要算單一一個履約價，逐點做數值積分反而更快——FFT 的優勢是「整批」，不是「單件」。這是本章第一個純粹工程性的選型判準：同一個模型、同一個 payoff，批量大小不同，最佳工具就不同。

擬閉式的邊界也很清楚：它靠「payoff 夠簡單、可以推出變換公式」吃飯，每換一種 payoff 就要重推一次公式，而路徑依賴的 payoff 根本推不出來。地圖走到這裡，只剩數值三本柱。

四、格點法：二項樹與回溯定價

樹是三本柱裡最直觀的一根。CRR 二項樹把連續的股價過程剁成 \(N\) 步，每步股價只能乘 \(u\) 上去或乘 \(d\) 下來：

$$ u = e^{\sigma\sqrt{\Delta t}}, \qquad d = \frac{1}{u}, \qquad q = \frac{e^{r\Delta t} - d}{u - d} $$

逐項拆解：\(\Delta t = T/N\) 是每步的時間長度；\(u, d\) 的取法讓格子的對數步幅等於波動率該有的尺度，且 \(ud = 1\) 使格子上下對稱、節點會重合（\(N\) 步只有 \(N+1\) 個終端節點，不是 \(2^N\) 個）；\(q\) 是風險中性機率——唯一讓「股票在格子裡的期望報酬率恰好等於無風險利率」的上漲機率，它來自無套利論證，跟你主觀認為股價會漲會跌毫無關係。

定價的動作是回溯（backward induction）：到期那一排的價值就是 payoff，然後一排一排往回走，每個節點的價值等於下一步兩個子節點的貼現期望：

$$ V_{\text{節點}} = e^{-r\Delta t}\left[\, q\, V_{\text{上}} + (1-q)\, V_{\text{下}} \,\right] $$

歐式選擇權走到根節點就結束了。美式選擇權多一個動作：每個節點算完「繼續持有」的價值後，跟「當場履約」的價值比大小取大者——這一步在往回走的過程裡順手就做了，這正是樹（以及下一節的 PDE）天生擅長美式的原因：提前履約是「往回推」的決策問題，而樹本來就在往回走。

比喻： 手上一張可以隨時退的機票。每到一個轉機點你都要決定：現在退票拿退款（履約價值），還是留著繼續飛（持有價值）？理性做法是從最後一段航程往回想——先想清楚「最後一段的票值多少」，才能在倒數第二站判斷退不退。美式選擇權的每個樹節點都是一個轉機點，回溯定價就是把整趟旅程從終點往回想一遍。

實作與收斂實驗：

PYTHON
import math
import numpy as np

def crr_tree(S, K, r, sigma, T, N, kind="put", american=False):
    """CRR 二項樹：回溯定價，american=True 時每節點比較提前履約"""
    dt = T / N
    u = math.exp(sigma * math.sqrt(dt)); d = 1.0 / u
    q = (math.exp(r * dt) - d) / (u - d)          # 風險中性上漲機率
    disc = math.exp(-r * dt)
    j = np.arange(N + 1)
    ST = S * u**j * d**(N - j)                    # 到期各節點股價
    V = np.maximum(K - ST, 0.0) if kind == "put" else np.maximum(ST - K, 0.0)
    for n in range(N - 1, -1, -1):                # 從到期往回走
        V = disc * (q * V[1:] + (1 - q) * V[:-1]) # 持有價值＝貼現期望
        if american:
            Sn = S * u**np.arange(n + 1) * d**(n - np.arange(n + 1))
            ex = np.maximum(K - Sn, 0.0) if kind == "put" else np.maximum(Sn - K, 0.0)
            V = np.maximum(V, ex)                 # 美式：跟「立刻履約」取大
    return V[0]

S, K, r, sigma, T = 100.0, 105.0, 0.02, 0.25, 0.5   # 與第二節同一組參數
# BS 歐式賣權閉式解 9.3319（第二節）
for N in (10, 50, 200, 800):
    eu = crr_tree(S, K, r, sigma, T, N, "put", american=False)
    am = crr_tree(S, K, r, sigma, T, N, "put", american=True)
    print(f"N={N:>3d}｜歐式 {eu:.4f}｜美式 {am:.4f}｜提前履約溢價 {am-eu:.4f}")
# 輸出：
# N= 10｜歐式 9.4940｜美式 9.6328｜提前履約溢價 0.1389
# N= 50｜歐式 9.3022｜美式 9.4347｜提前履約溢價 0.1325
# N=200｜歐式 9.3260｜美式 9.4521｜提前履約溢價 0.1261
# N=800｜歐式 9.3311｜美式 9.4556｜提前履約溢價 0.1245

三個觀察。第一，歐式樹價收斂到閉式解 9.3319——但不是單調滑進去的，而是一路小幅震盪（9.4940 → 9.3022 → 9.3260 → 9.3311），因為履約價相對格子節點的位置隨 \(N\) 變動，這種鋸齒是格點法的特徵指紋。第二，美式賣權比歐式貴了約 0.125 美元：深度價內時提早拿到履約金再賺利息，勝過等到期——這 0.125 就是「可以中途喊停」這項權利本身的市價。第三，這裡的誤差是離散化偏差：確定性的、系統性的，加密格子就縮小，與下下節蒙地卡羅的隨機抽樣誤差本質不同。

上圖用一棵三步小樹把整套動作攤開：每個節點標出持有價值與履約價值，其中最低的價內節點（股價 81.54）出現了 23.46 > 23.11——履約價值壓過持有價值，美式定價在該節點「喊停」。一棵看得完的小樹，勝過十段文字。

五、有限差分：把 PDE 變成網格上的遞推

同一個定價問題還有第三種問法。Black–Scholes 的世界裡，任何衍生品的價格函數 \(V(S, t)\) 都滿足同一條偏微分方程：

$$ \frac{\partial V}{\partial t} + rS\frac{\partial V}{\partial S} + \frac{1}{2}\sigma^2 S^2 \frac{\partial^2 V}{\partial S^2} = rV $$

逐項拆解：\(\partial V/\partial t\) 是時間流逝對價值的侵蝕（theta）；\(rS\,\partial V/\partial S\) 是標的以無風險利率漂移帶來的價值變化（delta 項）；\(\tfrac{1}{2}\sigma^2 S^2\, \partial^2 V/\partial S^2\) 是價格曲率吃到波動的好處（gamma 項）；右邊 \(rV\) 說這一切加總必須恰好等於「把錢放定存」的報酬——否則就有套利。值得注意的是：方程本身只認模型，不認商品；商品的個性全部藏在邊界條件裡——到期時價值等於 payoff、股價趨近零與趨近極大時價值各是多少。

有限差分的招數，是把 \((S, t)\) 平面鋪成網格，用相鄰格點的差商近似導數（中央差分的誤差是步長的平方階，優先採用），於是 PDE 變成網格上的代數遞推，同樣從到期往回走。三種經典格式差在「用哪個時間層的鄰居」：

跟上一節的樹對照著看會突然開竅：二項樹其實就是一種變相的顯式差分——「下一層兩個節點加權平均出這一層」與「未來三格加權出現在一格」是同一族動作；樹的 \(u, d, q\) 取法恰好保證了它天生落在穩定區域內。所以樹擅長的美式履約，PDE 一樣擅長：往回走的每一格順手跟履約價值比大小即可。

PDE 相對樹多出兩項武器與一道天塹。武器一：整個網格解完，你拿到的不是一個價格，而是整張價格曲面 \(V(S,t)\)——對 \(S\) 差分一下就是 delta 與 gamma，對風險管理是白送的禮物。武器二：邊界條件的表達力——障礙選擇權的「觸線失效」翻譯成 PDE 語言就是「在障礙價上把價值釘成零」，自然得像是為它發明的。天塹則是維度：每加一個隨機因子（隨機波動率、第二個資產），網格多一個維度、矩陣失去三對角好性質，計算量指數式上升；兩三維之後，實務上就把場子讓給蒙地卡羅。順帶一提，實務上最容易出 bug 的地方不是差分格式本身，而是邊界條件——上邊界的貼現寫錯半拍，整張曲面都會歪。

六、蒙地卡羅：路徑依賴的萬用刀

地圖的最後一根柱子最粗。蒙地卡羅的邏輯素到極點：價格是期望值，期望值可以用平均數估——在風險中性測度下模擬一萬條路徑，每條算 payoff、貼現、取平均，完事。它不挑 payoff（路徑再刁鑽也只是「沿路徑算個數」）、不挑維度（十個資產就是每步抽十個相關的隨機數），是名副其實的萬用刀。

代價寫在收斂率上。由中央極限定理，估計值的標準誤是：

$$ \text{SE} = \frac{\hat{\sigma}_{\text{payoff}}}{\sqrt{N}} $$

逐項拆解：\(\hat{\sigma}_{\text{payoff}}\) 是單條路徑貼現 payoff 的樣本標準差——payoff 本身越發散，估得越辛苦；\(N\) 是路徑數，誤差以 \(1/\sqrt{N}\) 縮小——精度要多一位小數，路徑要多一百倍。這個速率跟一維數值積分比是恥辱級的慢，但它有一個別人都沒有的性質：與維度無關。積分格點法的成本隨維度指數爆炸，蒙地卡羅的 \(1/\sqrt{N}\) 在一維和一百維一樣——高維問題裡它不是最好的選擇，是唯一的選擇。

比喻： 選前民調。想知道全國支持率（期望值），不必問完全國，抽一千個人平均就有個誤差正負三個百分點的估計；要把誤差減半，樣本得翻四倍——這就是 \(1/\sqrt{N}\) 的日常長相。變異數縮減則是民調專家的聰明問法：與其多抽人，不如把問卷設計得讓每份樣本提供更多資訊——同樣的預算，更窄的信賴區間。

實跑收斂實驗，並示範最容易上手的變異數縮減——對偶變量（antithetic variates）：每抽一個常態亂數 \(Z\) 就同時用 \(-Z\) 造一條鏡像路徑，兩條的 payoff 平均後當一個樣本。直覺：一條抽高了、鏡像那條就偏低，誤差互相抵銷一部分：

PYTHON
import math
import numpy as np

S, K, r, sigma, T = 100.0, 105.0, 0.02, 0.25, 0.5
rng = np.random.default_rng(15)

def mc_call(n_paths, antithetic=False):
    """歐式買權蒙地卡羅：回傳（估計值、標準誤）"""
    if antithetic:
        Z = rng.standard_normal(n_paths // 2)
        Z = np.concatenate([Z, -Z])            # 對偶變量：每條路徑配一條鏡像
    else:
        Z = rng.standard_normal(n_paths)
    ST = S * np.exp((r - 0.5*sigma**2)*T + sigma*math.sqrt(T)*Z)
    payoff = np.exp(-r*T) * np.maximum(ST - K, 0.0)
    if antithetic:
        payoff = 0.5 * (payoff[:n_paths//2] + payoff[n_paths//2:])  # 成對平均
    return payoff.mean(), payoff.std(ddof=1) / math.sqrt(len(payoff))

# BS 閉式解真值 5.3766（第二節）
for n in (1_000, 10_000, 100_000, 1_000_000):
    est, se = mc_call(n)
    est_a, se_a = mc_call(n, antithetic=True)
    print(f"N={n:>9,d}｜普通 {est:.4f}±{se:.4f}｜對偶 {est_a:.4f}±{se_a:.4f}")
# 輸出：
# N=    1,000｜普通 5.1815±0.2950｜對偶 5.4303±0.2805
# N=   10,000｜普通 5.4031±0.1017｜對偶 5.2754±0.0846
# N=  100,000｜普通 5.4258±0.0322｜對偶 5.3447±0.0272
# N=1,000,000｜普通 5.3851±0.0102｜對偶 5.3785±0.0086

讀數字。路徑數每乘十，標準誤縮成約 \(1/\sqrt{10} \approx 0.32\) 倍（0.295 → 0.102 → 0.032 → 0.010），教科書曲線分毫不差；一百萬條路徑才把誤差壓到閉式解一瞬間就給你的第三位小數——這就是「有成衣就別訂製」的量化證據。對偶變量把標準誤穩定壓到約 0.85 倍——看似不多，但等精度下路徑省了近三成，而且幾乎零成本。它對接近對稱的 payoff 最有效；本例的價外買權 payoff 不對稱，效果屬中等，作業二會在亞式選擇權上看到更漂亮的縮減。

變異數縮減是一整個工具箱，再點兩件常用的：控制變量——找一個跟目標 payoff 高度相關、期望值又有閉式的「親戚」（例如用幾何平均亞式修正算術平均亞式），拿親戚的已知答案校正模擬誤差，相關性越高省得越多；共同亂數——比較兩個情境（例如算希臘值時的上調與下調）時讓它們共用同一組路徑，讓亂數雜訊在相減時對消。這兩招在第九節的工程討論會再回鍋。

七、奇異選擇權巡禮：路徑依賴的性質決定用哪把刀

配齊了四把刀，回到地圖上把常見的奇異選擇權逐一安放。每一種的關鍵都是同一句話：它的 payoff 依賴路徑的哪個統計量？那個統計量對哪種方法友善？

亞式（Asian）：payoff 看路徑的平均價。平均是最溫和的路徑統計量——平均把波動抹平，所以同條件下亞式比歐式便宜，而且 payoff 分布更集中、蒙地卡羅估起來更穩。模擬是天然解法：沿路徑求平均本來就是模擬的副產品。加分題：幾何平均版本在對數常態世界有閉式解，正好給算術平均版本當控制變量——閉式解家族退役後轉任「數值方法的校正錨」，零件化哲學的又一例。

障礙（Barrier）：payoff 看路徑有沒有觸線。觸線是事件，不是量——這讓它對「監測頻率」異常敏感：連續監測與每日收盤監測的觸發機率差距可觀，定價前必須把合約條款讀清楚。方法上兩條路都通：PDE 把「觸線失效」寫成邊界條件優雅至極；模擬則要小心離散時間步「跳過」障礙的偏差——路徑在兩個觀察點之間可能碰過線又彈回來。

回望（Lookback）：payoff 看路徑的極值（用最高價賣、用最低價買那種夢幻合約）。極值比平均極端得多——它對波動率與偏斜的形狀高度敏感，天然是模擬的地盤；也因為「整條路徑的最大值」這種量對分布尾部錙銖必較，它常被拿來當「模型偏斜校準得好不好」的照妖鏡。

數位（Digital）：payoff 是不連續的階梯——差一分錢，全有或全無。歐式數位有閉式（第二節的 \(N(d_2)\) 零件）；麻煩在希臘值：到期臨近、價格貼著履約價時，delta 與 gamma 在階梯邊緣爆炸，模擬版的希臘值更是雜訊災區。美式數位（觸價即付）則多一層路徑依賴，需要模擬或 PDE；一個實用的心智錨點：在無漂移的對稱世界裡，「觸線一次」的機率約是「到期停在線外側」機率的兩倍——反射原理——所以美式數位約值歐式數位的兩倍，真實市場偏離這個比例的程度，本身就是漂移與偏斜的訊號。

多資產（一籃子、彼此相關的結構品）：payoff 本身可能不刁，刁在維度。三個資產的 PDE 已經接近工程極限，蒙地卡羅是唯一活路——外加一項前置作業：資產間的相關結構得先校準好，而相關性恰恰是市場上最難觀察的參數之一。

一句話收攏本節：路徑統計量越極端（平均 < 觸線 < 極值），對模型細節越敏感；維度越高，越早改投蒙地卡羅。選型地圖（FIG. 15-1）的右半邊就是這條規律的圖形版。

八、美式遇上蒙地卡羅：最小平方蒙地卡羅

地圖上還剩最後一個空格：美式 payoff × 高維／路徑依賴模型。樹和 PDE 擅長美式但爬不上高維；蒙地卡羅不怕高維，卻有個結構性尷尬——模擬是向前跑的，而履約決策要向後推。站在某條路徑的某個時點，要決定履約與否，你需要「繼續持有的期望價值」；可是單一路徑只告訴你後來實際發生的一種未來，期望值無從談起。

Longstaff–Schwartz 的最小平方蒙地卡羅（LSM）用一個第 1 章就埋好的工具打穿了這堵牆：迴歸。做法是先把全部路徑模擬完，然後從到期往回走；在每個時點，收集所有價內路徑的「當下股價」與「該路徑後來實現的貼現現金流」，用最小平方法迴歸出一條延續價值曲線——「股價是這樣的路徑，繼續持有平均值多少」。有了這條曲線，每條路徑就能逐一比較「立刻履約拿多少」與「曲線說繼續持有值多少」，決定停或走。

比喻： 運動員的經紀人。二十歲的選手要不要現在轉職業？轉，簽約金是眼前看得到的數字（履約價值）；不轉，未來身價是個未知數。經紀人的做法不是預言這位選手的未來，而是拿同齡、同數據的一整批選手的後來際遇做迴歸——「條件像你的人，平均後來值多少」——用橫斷面的統計規律替代單一人生無法重來的期望值。LSM 在每個時點做的正是這件事：拿全體路徑的橫斷面，估出單一路徑看不見的延續價值。

這個「橫斷面迴歸估延續價值」的手法你其實見過兩次：第 1 章講過，監督式學習學的是輸入到輸出的映射，迴歸本質上就是在估計條件期望——LSM 只是把這部機器搬進定價；第 10 章的 QLBS 用橫斷面迴歸做逆向歸納解 Q 函數——LSM 正是那條思路在「純定價」場景的原型。機器學習與定價工程在這裡不是鄰居，是同一家人。

兩個實務註腳。其一，迴歸基底（多項式次數、要不要加 payoff 本身當特徵）影響結果，價內路徑才進迴歸是標準紀律——價外路徑的履約決策無關緊要，混進來只會稀釋擬合。其二，LSM 估出的政策是「迴歸近似下的最優」，略遜於真最優，所以價格帶輕微低偏——作業三會實測這件事：LSM 的答案貼著二項樹基準的下緣。這不是 bug，是方法性格，驗收時要心裡有數。

九、定價器的工程學：速度、希臘值與誠實限界

最後把「工程」這條線收攏。同一顆定價器，在機構裡至少要伺候三種節奏完全不同的客人。

第一種客人：校準。 校準是把模型參數調到重現市場報價的最佳化迴圈，每輪迭代都要對幾十個履約價與到期日重新定價，一次校準動輒數千次定價呼叫。這裡只有閉式與 FFT 級的速度撐得住——蒙地卡羅不能當校準引擎，太慢；標準工作流因此是分層的：用流動性好的歐式報價把參數校準好（快方法的地盤），再拿校準好的參數去給奇異品定價（慢方法登場）。快慢分工，各守一段。

第二種客人：報價與風控的希臘值。 第 16 章會專講希臘值與波動率曲面，這裡先鋪工程面的路：數值方法算希臘值，最普通的做法是「參數上調一次、下調一次、差分」——這意味著每個希臘值要多付兩次完整定價，而且蒙地卡羅版本還有專屬地雷：上調與下調如果各自抽各自的亂數，差分出來的希臘值會被抽樣雜訊淹沒，必須用第六節的共同亂數讓兩次模擬共享路徑。不連續 payoff（數位、障礙）的希臘值更是重災區。方法選型時「價格算得準」只是及格線，「希臘值算得穩」才是實務的錄取線——一個價格準但 delta 跳動的定價器，對沖台一天都用不下去。

第三種客人：嵌在大迴圈裡的重複定價。 組合層級的風險計量要對成千上萬個情境重估整本簿子——單次定價再快，乘上情境數都嫌貴。這正是第 3 章 GP 代理定價登場的位置：離線用真定價器算一批代表點，線上讓代理模型毫秒級回答，帶著不確定性標示。本章與第 3 章至此接成一個閉環：這一章決定真定價器怎麼造，第 3 章決定什麼時候可以不叫它出場。

收尾前，把兩筆常被混成一筆的帳分開——這是本章的誠實限界。方法誤差：數值答案與「模型的精確答案」之間的距離——樹的離散化偏差、差分的網格誤差、蒙地卡羅的抽樣誤差。這筆帳可以用錢壓低：加密格子、多抽路徑，收斂診斷會告訴你還差多遠。模型誤差：模型的精確答案與「市場真實行為」之間的距離——BS 假設常數波動率而市場有微笑，這筆帳加密格子一毛錢都還不掉。把 \(N\) 開到一百萬條路徑，你得到的是「錯誤模型的高精度答案」。分清這兩筆帳，是定價工程師與定價程式員的分水嶺；模型誤差怎麼量、怎麼對沖，是第 16 章以後的主線。

最後三件工程雜務，件件都咬過人：固定隨機種子——不可重現的定價 bug 永遠修不掉；每個數值定價器上線前先對閉式特例回歸測試——BS 算不對的蒙地卡羅引擎沒資格碰 Heston；買賣權平價這類無模型關係要做成自動檢核——它們抓到的 bug，單元測試常常抓不到。

§03原書對照

本章的選型地圖、二項樹與 LSM 展開為本課原創編排；原書以兩章篇幅處理定價技術——第 9 章歐式（印刷頁 183–222）、第 10 章奇異（印刷頁 223–264），以下依頁碼整理原書有、但本課未展開的內容。其一，quadrature 定價：矩形（左點、右點、中點）與梯形法的權重寫法、把定價積分換元到對數價格域再截斷上限的完整步驟，以及 BS 對 Bachelier 的數位選擇權比價例（pp. 184–188）。其二，FFT 定價的完整推導：傅立葉變換與特徵函數的形式定義、阻尼買權價的引入與收斂性論證、數位選擇權的變換式須另行推導（其阻尼參數取負）、外層積分的梯形離散、FFT 標準形式與網格耦合條件 \(2\pi/N = \Delta\nu\,\Delta k\)、履約價網格的對齊技巧與內插取捨（pp. 189–202）。其三，FFT 技術參數的敏感度討論：五參數僅三個自由度、阻尼參數理論上不影響價格但實務上選錯會給錯價、以及 Fractional FFT、COS 法、鞍點法三種變體的點名（pp. 202–206）。其四，求根與第一次校準：Newton 法更新式、由市場價反解隱含波動率、VIX 選擇權的買權側偏斜實例（pp. 206–209）。其五，最佳化理論的自成一節：一二階條件、Lagrange 乘數、兩資產最小變異組合閉式解與股債實例（pp. 209–217）。其六，波動率曲面校準的實務學：目標函數與權重設計的種種抉擇、參數邊界、正則化穩定參數時間序列、校準偏好無梯度法的原因（FFT 目標函數的數值導數被雜訊污染）、以及 BRLJPY 曲面的 CEV 校準例（pp. 217–222）。其七，模擬的機率基礎與亂數工程：大數法則與中央極限定理對收斂率的推導、亂數生成器選型、逆變換法與接受拒絕法的完整推導、相關常態的 Cholesky 對特徵值分解取捨（pp. 226–236）。其八，SDE 離散化的模型實作：Euler 格式、GBM 精確模擬、Heston 離散化後變異數轉負的三種處置（吸收、截斷、反射）及其偏差方向、Variance Gamma 的 gamma 時鐘模擬（pp. 236–241）。其九，變異數縮減工具箱的另外兩件：控制變量最適係數的推導、重要性抽樣與測度變換（pp. 241–244）；以及 Heston 偏斜對回望選擇權價格影響的完整實驗（pp. 246–247）。其十，PDE 數值解的嚴格展開：四種差分的 Taylor 推導、三種格式的三對角矩陣形式、顯式格式的穩定性條件、多維 PDE 與 PIDE 的困難（pp. 247–261）。其十一，美式數位與反射原理二倍法則的推導及其作為相對價值訊號的用法（pp. 261–263）、單資產對多資產的選型總綱（pp. 263–264）。注意：原書並未展開二項樹，Longstaff–Schwartz 亦僅兩處點名（pp. 245, 261）——本課第四、八節是為銜接第 10、14 章而做的原創補充。

§04作業和解答

作業一：美式買權什麼時候值得提前履約？

用第四節的 CRR 樹加上連續股利率 \(\delta\)（風險中性機率改為 \(q = (e^{(r-\delta)\Delta t} - d)/(u - d)\)），對 \(S=100\)、\(K=95\)、\(r=3\%\)、\(\sigma=25\%\)、\(T=1\)、\(N=800\)，分別在 \(\delta = 0\%, 3\%, 6\%\) 下計算歐式與美式買權價格。解釋觀察到的提前履約溢價模式，並說明它與第四節美式賣權的差異。

解答 SOLUTION
PYTHON
import math
import numpy as np

def crr(S, K, r, delta, sigma, T, N, kind, american):
    """CRR 二項樹，含連續股利率 delta"""
    dt = T / N
    u = math.exp(sigma * math.sqrt(dt)); d = 1.0 / u
    q = (math.exp((r - delta) * dt) - d) / (u - d)
    disc = math.exp(-r * dt)
    j = np.arange(N + 1)
    ST = S * u**j * d**(N - j)
    V = np.maximum(ST - K, 0.0) if kind == "call" else np.maximum(K - ST, 0.0)
    for n in range(N - 1, -1, -1):
        V = disc * (q * V[1:] + (1 - q) * V[:-1])
        if american:
            Sn = S * u**np.arange(n + 1) * d**(n - np.arange(n + 1))
            ex = np.maximum(Sn - K, 0.0) if kind == "call" else np.maximum(K - Sn, 0.0)
            V = np.maximum(V, ex)
    return V[0]

S, K, r, sigma, T, N = 100.0, 95.0, 0.03, 0.25, 1.0, 800
for delta in (0.0, 0.03, 0.06):
    eu = crr(S, K, r, delta, sigma, T, N, "call", False)
    am = crr(S, K, r, delta, sigma, T, N, "call", True)
    print(f"股利率 {delta:.0%}｜歐式 {eu:.4f}｜美式 {am:.4f}｜提前履約溢價 {am-eu:.4f}")
# 輸出：
# 股利率 0%｜歐式 13.9603｜美式 13.9603｜提前履約溢價 0.0000
# 股利率 3%｜歐式 12.0339｜美式 12.1194｜提前履約溢價 0.0855
# 股利率 6%｜歐式 10.2942｜美式 10.8173｜提前履約溢價 0.5231

無股利時溢價精確為零：提前履約拿到的是內在價值，但持有買權等於「延後付履約金」——履約金晚付可以多賺利息，加上選擇權的時間價值恆為正，理性持有人絕不提前履約，美式買權與歐式同價。這也是個有用的定價器測試：你的美式引擎在 \(\delta=0\) 的買權上若算出正溢價，必有 bug。股利出現後天平反轉：持有買權錯過股利，股利率越高、「早點拿到股票開始領股利」越誘人，溢價從 0.09 一路升到 0.52。對照第四節：美式賣權不需要股利就有溢價（提早拿到履約金賺利息），美式買權的提前履約完全是股利驅動的——同一個機制（現金流的時間價值），方向相反的兩張臉。

作業二：亞式選擇權與對偶變量實測

對 \(S=100\)、\(K=100\)、\(r=2\%\)、\(\sigma=25\%\)、\(T=0.5\)、每日觀察（63 個觀察點）的算術平均亞式買權，用 10 萬條路徑分別以普通蒙地卡羅與對偶變量定價，比較標準誤並換算等精度的成本節省。另外解釋：為什麼亞式的價格明顯低於同參數的歐式買權（第六節真值 5.3766）？

解答 SOLUTION
PYTHON
import math
import numpy as np

S, K, r, sigma, T = 100.0, 100.0, 0.02, 0.25, 0.5
M = 63                      # 每日觀察：半年約 63 個交易日
dt = T / M
rng = np.random.default_rng(152)

def asian_mc(n_paths, antithetic=False):
    """算術平均亞式買權：整條路徑模擬"""
    half = n_paths // 2
    Z = rng.standard_normal((half, M))
    Z = np.vstack([Z, -Z]) if antithetic else np.vstack([Z, rng.standard_normal((n_paths - half, M))])
    logS = np.log(S) + np.cumsum((r - 0.5*sigma**2)*dt + sigma*math.sqrt(dt)*Z, axis=1)
    A = np.exp(logS).mean(axis=1)                     # 路徑上的算術平均價
    payoff = np.exp(-r*T) * np.maximum(A - K, 0.0)
    if antithetic:
        payoff = 0.5 * (payoff[:half] + payoff[half:])
    return payoff.mean(), payoff.std(ddof=1) / math.sqrt(len(payoff))

n = 100_000
est_p, se_p = asian_mc(n)
est_a, se_a = asian_mc(n, antithetic=True)
print(f"普通 MC ：{est_p:.4f} ± {se_p:.4f}")
print(f"對偶變量：{est_a:.4f} ± {se_a:.4f}")
print(f"標準誤縮為 {se_a/se_p:.2f} 倍；等精度所需路徑約 {(se_a/se_p)**2:.2f} 倍")
# 輸出：
# 普通 MC ：4.3512 ± 0.0209
# 對偶變量：4.3491 ± 0.0158
# 標準誤縮為 0.76 倍；等精度所需路徑約 0.57 倍

對偶變量把標準誤壓到 0.76 倍——等精度只需 57% 的路徑，效果比第六節的價外歐式買權（約 0.85 倍）更好，因為平價亞式的 payoff 對「路徑整體偏高或偏低」更接近單調對稱，鏡像抵銷更徹底。價格層面：亞式 4.35 對歐式 5.38（注意兩者履約價不同，嚴格比較應同參數重算，方向結論不變）——平均價的波動天生小於單日到期價（平均把日間波動抹掉一截），payoff 的離散度縮小，選擇權自然便宜。這也解釋了亞式在實需避險市場的人氣：進出口商在乎的本來就是「這一季的平均匯率」，而且它比歐式便宜。

作業三：Longstaff–Schwartz 最小可行版

用 10 萬條路徑、50 個履約時點、二次多項式基底，實作 LSM 為第四節同參數（\(S=100, K=105, r=2\%, \sigma=25\%, T=0.5\)）的美式賣權定價，與二項樹 \(N=800\) 的基準 9.4556 對照。說明：(1) 為什麼只用價內路徑做迴歸；(2) 結果為何略低於樹的基準。

解答 SOLUTION
PYTHON
import math
import numpy as np

S, K, r, sigma, T = 100.0, 105.0, 0.02, 0.25, 0.5
M = 50                          # 履約時點數
dt = T / M
disc = math.exp(-r * dt)
rng = np.random.default_rng(153)
n_paths = 100_000

Z = rng.standard_normal((n_paths, M))
logS = np.log(S) + np.cumsum((r - 0.5*sigma**2)*dt + sigma*math.sqrt(dt)*Z, axis=1)
paths = np.exp(logS)                        # (n_paths, M)

cash = np.maximum(K - paths[:, -1], 0.0)    # 到期現金流
for t in range(M - 2, -1, -1):              # 從到期倒數第二個時點往回走
    cash *= disc                            # 現金流先往回貼現一步
    St = paths[:, t]
    itm = K - St > 0                        # 只挑價內路徑
    X = St[itm]
    basis = np.column_stack([np.ones_like(X), X, X**2])   # 二次多項式基底
    coef, *_ = np.linalg.lstsq(basis, cash[itm], rcond=None)
    cont = basis @ coef                     # 迴歸出的延續價值
    ex = K - X                              # 立刻履約的價值
    exercise = ex > cont
    idx = np.where(itm)[0][exercise]
    cash[idx] = ex[exercise]                # 這些路徑改領履約現金流
price = disc * cash.mean()                  # 貼回 t=0
se = disc * cash.std(ddof=1) / math.sqrt(n_paths)
print(f"LSM 美式賣權 {price:.4f} ± {se:.4f}（二項樹 N=800 基準 9.4556）")
# 輸出：LSM 美式賣權 9.4252 ± 0.0276（二項樹 N=800 基準 9.4556）

(1) 價外路徑當下履約價值為零，履約決策必然是「繼續持有」，不存在需要估計的比較；把它們塞進迴歸，等於拿一堆與決策無關的樣本去拉扯延續價值曲線在價內區的形狀——決策發生在價內，迴歸就該只餵價內。(2) LSM 的 9.4252 貼著基準 9.4556 的下緣（差約 0.03，超出一個標準誤）。機制：迴歸曲線只是真延續價值的近似，照著近似曲線做的停止決策是次優政策，而任何次優政策算出的期望現金流都不會超過真最優——所以 LSM 天生帶輕微低偏，基底越貧乏低偏越重。實務驗收的紀律：換基底（加三次項、加 payoff 函數）看價格是否穩定，並永遠拿低維特例對照樹或 PDE 的基準——就像這裡做的一樣。

作業四：選型地圖實戰

替下列四張單子各選一種定價技術（閉式、FFT、樹或 PDE、蒙地卡羅），並用選型地圖的兩問（payoff 依賴什麼？模型給了什麼？）各寫兩三句理由：(a) Heston 模型下，為整條履約價網格的歐式選擇權報價做每日參數校準；(b) BS 假設下的單一歐式數位選擇權；(c) 五檔股票的一籃子平均價亞式買權；(d) BS 假設下的單一美式賣權，並要求輸出整條「股價 × 時間」的價值曲面供風控使用。

解答 SOLUTION

(a) FFT。payoff 只依賴到期價（歐式），模型密度未知但特徵函數有解析式——擬閉式的教科書場景；且校準迴圈每輪要重算整條履約價網格幾千次，只有「一次 FFT 出整批價格」的吞吐量撐得起最佳化迭代。蒙地卡羅在這裡直接出局：不是不準，是等不起。

(b) 閉式。payoff 只看到期價、模型給了完整密度，答案就是 \(e^{-rT}N(d_2)\) 一行字——動用任何數值方法都是浪費。唯一要小心的是它的希臘值在到期前後的爆炸行為，那是合約性質，換方法也躲不掉。

(c) 蒙地卡羅。payoff 同時依賴路徑（平均價）與五個資產（維度五），樹與 PDE 在五維網格上成本爆炸，閉式與 FFT 對這種 payoff 推不出公式——地圖上只剩一格。配套：先校準五檔資產的相關結構，並考慮用幾何平均亞式當控制變量壓變異數。

(d) 樹或 PDE，且以 PDE 為佳。美式履約需要往回走的方法；模型一維、payoff 簡單，正是格點法的主場。既然風控指定要整張 \(V(S,t)\) 曲面，PDE 勝出——它解完網格本來就交出整張曲面，delta 與 gamma 差分即得；樹要湊出同樣的輸出反而繞路。蒙地卡羅加 LSM 雖然也能算美式，但在一維問題上是拿萬用刀削鉛筆。

§05參考資料