数值定价引擎:蒙特卡洛、有限差分与 FFT — 高级衍生品

Hook（开场场景）. 某头部券商衍生品定价团队的工程师周一早晨拿到了三张交易工单：（A）需要在 50ETF（510050）香草欧式期权（European option）链上做隔夜重估，行权价从 2.0 到 3.5，30 个 strike 网格，到期日覆盖未来 12 个月——目前由桌面 Excel 单独计算每只期权要 4 分钟才能跑完，桌面员工抱怨重估在开盘前出不来；（B）一只挂钩沪深300 ETF（510300）的单标的美式数字票息票据，需要定价含早行权权利；（C）一只规模 5 亿元的中证500 雪球结构的 60 天市场价值（mark-to-market），每日障碍监控、需要定价精确到 0.05% 的本金。

三张单子，三种不同的定价工具。引擎的选择不是手感问题——它由两件事确定：标的状态空间的维数与损益是否依赖路径。下面给出 CN 私募 vol 桌台真正用的三引擎路由表与各自的实现细节（MC 蒙特卡洛、有限差分 FD、FFT），并把它们一一接到这三张工单上。

引擎路由表

场景	路径依赖？	状态维数	推荐引擎	原因
香草期权链全网格	否	1	FFT (Carr-Madan)	一次 FFT 调用恢复整条 strike 网格
单标的美式期权	否（但早行权）	1	有限差分 FD（Crank-Nicolson）	早行权边界自然嵌入 PSOR / 罚函数
单标的离散监控雪球 / 障碍	是	1	MC + Brownian bridge	离散监控偏差需 bridge 修正
多资产篮子 / 自相关型奇异	是	$\ge 3$	MC（带控制变量）	FD 在 3 维以上爆掉
Heston 下的香草链	否	1 + vol	FFT (Carr-Madan)	特征函数已知

下面对三引擎逐一展开。

引擎一：蒙特卡洛

MC 的核心想法：在风险中性测度（Q-measure）下采样标的路径，对每条路径计算损益，把贴现样本均值作为价格估计，把样本标准差除以 $\sqrt{N}$ 作为定价不确定性（standard error）。

# 香草欧式 call 的最小 MC 实现（GBM 风险中性测度）
import numpy as np

def mc_european_call(S0, K, r, sigma, T, n_paths=100_000, seed=7):
    rng = np.random.default_rng(seed)
    Z = rng.standard_normal(n_paths)
    ST = S0 * np.exp((r - 0.5 * sigma**2) * T + sigma * np.sqrt(T) * Z)
    payoffs = np.maximum(ST - K, 0.0)
    discounted = np.exp(-r * T) * payoffs
    price = discounted.mean()
    se = discounted.std(ddof=1) / np.sqrt(n_paths)
    return price, se

误差以 $1/\sqrt{N}$ 收敛——把误差砍半要四倍样本量。两种最常用的方差缩减（variance reduction）方法可以把同样精度下的样本量砍掉一个数量级：

对偶变量法（antithetic variates）：每抽一个布朗增量 $Z_i$ ，同时把 $-Z_i$ 也用上，配对成两条镜像路径。两条路径的损益负相关（在香草 call 上对应平均下降约 30–50% 的方差，免费），有效样本量约 2 倍。

控制变量法（control variates）：选一个与目标损益相关、且自身有封闭解的随机量 $Y$ （如几何平均亚式期权——GBM 下保持对数正态性，可控价）。MC 估计 $X - c(Y - E[Y])$ （其中 $c = \text{Cov}(X,Y)/\text{Var}(Y)$ ），把已知部分扣掉。在算术亚式期权这种"长得很像几何亚式"的损益上，控制变量可以把方差缩 100 倍以上。

对路径依赖产品（亚式、回望、障碍），MC 自然扩展：模拟整条路径，按损益公式计算。对离散监控的障碍期权，Brownian-bridge 修正必须加上——离散观察会系统性低估障碍触发概率，bridge 修正给出每段路径间"在闭区间内击穿障碍"的解析条件概率。

对美式 / 百慕大期权，Longstaff-Schwartz 回归 MC（2001）给出了一种把"早行权权利"嵌入 MC 的方案：在每个可能的早行权时点 $T_k$ ，把"延续价值（continuation value）" $\mathbf E[V_{T_{k+1}} | S_{T_k}]$ 用 in-the-money 路径上的若干基函数（典型是 $1, S, S^2$ 三阶多项式）做最小二乘回归，然后在每条路径上比较"立即行权" vs "回归预测的延续价值"，选大者作为该时点价值。回归是整个算法的承重步骤——基函数选不好，定价就有系统性偏差。

引擎二：有限差分 PDE

Black-Scholes 模型下风险中性测度内的偏微分方程（partial differential equation, PDE）（标的服从布朗运动驱动的 GBM）是：

\frac{\partial V}{\partial t} + \tfrac{1}{2}\sigma^2 S^2 \frac{\partial^2 V}{\partial S^2} + (r - q) S \frac{\partial V}{\partial S} - r V = 0

把 $(S, t)$ 离散成网格 $\{S_j, t_n\}$ ，期权值 $V_j^n$ ，三种差分方案的差别即"用哪个时点的二阶差分"：

方案	时间差分点	稳定性	时间精度	空间精度
显式（explicit）	$t_n$	条件稳定，需 $\Delta t \le (\Delta S)^2 / (\sigma^2 S_{\max}^2)$	$O(\Delta t)$	$O(\Delta S^2)$
隐式（implicit）	$t_{n+1}$	无条件稳定	$O(\Delta t)$	$O(\Delta S^2)$
Crank-Nicolson	$\tfrac{1}{2}(t_n + t_{n+1})$	无条件稳定	$O(\Delta t^2)$	$O(\Delta S^2)$

显式方案 CFL 条件几乎不允许在产品中使用（典型 $\sigma S_{\max}^2$ 让 $\Delta t$ 砍到微秒级）。Crank-Nicolson 是生产默认，二阶时间精度+无条件稳定，每一步需要解一个三对角线性方程组。

美式期权的早行权边界由 PSOR（projected SOR）或罚函数（penalty methods）方案处理：每一步先按欧式 PDE 推进一步，再按 $V_j^n \leftarrow \max(V_j^n, \text{intrinsic}(S_j))$ 投影回"立即行权值之上"。

维数诅咒（curse of dimensionality）：FD 网格在 $d$ 维状态空间下大小为 $M^d$ 。 $d \le 2$ 可控； $d = 3$ 已勉强； $d \ge 4$ 在生产里被自动路由回 MC。这就是为什么多资产篮子 / 自相关型奇异回到 MC 的根本原因。

边界条件这一节同样关键。FD 需要在三条边上指定边界值：到期日 $T$ 处的边界是损益函数本身（如香草 call 是 $\max(S - K, 0)$ ）； $S = 0$ 处对于看涨期权恒为 0； $S = S_{\max}$ 处通常采用 Dirichlet 边界 $V(S_{\max}, t) = S_{\max} - K e^{-r (T-t)}$ （远值近似无界处香草 call 趋于内在值）或 Neumann 边界 $\partial^2 V / \partial S^2 = 0$ （适用障碍期权与早行权情形）。边界选错会污染整个内域解；CN 桌台对障碍期权常常踩到的就是 $S_{\max}$ 截断过近导致定价偏低，标准做法是把 $S_{\max}$ 设到 $5 \cdot S_0$ 以上。

引擎三：FFT / Carr-Madan

对任何随机过程，只要 $\log S_T$ 在风险中性测度下的特征函数 $\phi_T(u) = \mathbb E[e^{i u \log S_T}]$ 是闭式可得（Heston、variance-gamma、Lévy 族），就可用 Carr-Madan（1999）恒等式一次 FFT 调用得到整条 strike 网格的价格。设 $C_T(k)$ 为对数行权价 $k = \log K$ 处的看涨期权价，引入指数衰减因子 $\alpha > 0$ 让 $e^{\alpha k} C_T(k)$ 平方可积，则：

C_T(k) = \frac{e^{-\alpha k}}{\pi} \int_0^\infty \text{Re}\!\left[ e^{-i u k} \cdot \frac{e^{-rT} \phi_T(u - (\alpha + 1) i)}{\alpha^2 + \alpha - u^2 + i (2\alpha + 1) u} \right] du

把右边按 trapezoid 或 Simpson 离散，得到的离散和恰好是 FFT 的标准形式。整个香草链——所有 $K$ 一次性出价——只要一次 FFT。

实际意义：对 50ETF（510050）或沪深300 ETF（510300）的香草链每日重估，Heston 标定一次（几秒）+ FFT 一次（毫秒级）即可重估上百个 strike + 多到期日。这正是工单 A 的最优引擎。

CN region 区域案例（case）：雪球 60 天 MtM

把三引擎接到工单 C（5 亿元雪球 60 天市值）：

标定：用 50ETF（510050）+ 沪深300 ETF（510300）期权链的当前隐含波动率曲面，拟合 Heston 参数（FFT 反推 vanilla 价格 → 标定）。该步骤本身用 FFT 调用反复跑。
估值：对单标的（CSI 500）雪球，因为有每日离散监控的下敲入障碍 + 多个月度敲出现金或无 call，路径依赖 + 1 维状态，最适合 MC + Brownian bridge 修正。私募 vol 桌台的标准设置是 100 万条路径，几何亚式控制变量，运行时间约 4 分钟。
误差预算：100 万路径下，雪球价格的 standard error 在 0.04%–0.06% 本金量级，正好接近工单要求的 0.05%。若客户要求 0.02%，砍掉一半误差要四倍样本，运行时间升到 16 分钟——超出工作窗口，此时桌台会把控制变量加上对偶变量法，或预先把已敲出概率与残值映射成查表，把后续路径只跑剩余生存路径。
T+1 结算约束让 CN 雪球的对冲再平衡只能在次日开盘做，所以 MtM 报告必须在收盘后 30 分钟内出，否则风控部门没时间审批次日对冲订单。这是引擎调度的硬约束。

练习

Exercise

你用 100,000 条路径估出一只香草欧式 call 的 MC 价格为 ¥5.20，样本标准差 9.50。问：（1）当前 standard error 是多少？（2）要把 standard error 砍到 0.01 需要多少条路径（仍只用普通 MC）？（3）若改用对偶变量法把每路径方差砍掉 40%，需要的路径数变为多少？

提示

SE = sigma / sqrt(N)。当前 SE = 9.50 / sqrt(100000) ≈ 0.030。要砍到 0.01，N 需是当前 N 的 9 倍：N ≈ 900,000。

提示

对偶法把每路径方差砍 40%，所需路径数按 sigma^2 缩放：N_antithetic ≈ 900,000 × 0.6 ≈ 540,000。注意对偶法本身已经把"每抽一次 Z 用两条路径"，所以实际样本数还要再除以 2 才是抽样次数。

通往下一课的过渡

到这里你已经能根据路径依赖+维数把任意衍生品产品路由到正确引擎（MC / FD / FFT），写出香草 MC 的最小实现并用对偶/控制变量加速，知道 Crank-Nicolson 为何是 FD 的生产默认，并理解 Carr-Madan 恒等式如何用一次 FFT 出整条 strike 链。前三课覆盖了整个股票期权（含 vol 衍生品）世界的产品 → 交易 → 实现这条链。下一课转去看另外三个本质不同的衍生品资产类别：利率（vanilla 互换、caps/floors、swaptions——CN 在 FR007 IRS 与国债期货 CFFEX 上的实务）、信用（CDS、CRMW、信用利差）与结构化产品（再次回到雪球，但这次把它跟下面要讲的零息债 + 数字票息 + 短下敲入 put 的拆解对齐）。三引擎全部适用——只是产品换了。