实现衍生品定价模型通常依赖于随机过程、数值方法和统计推导。Python因其丰富的科学计算库（如 NumPy、SciPy 和 Pandas）以及可视化工具（如 Matplotlib）成为金融建模的首选语言。以下是一些常见的建模方法及其实现示例。 ### 3.1 Black-Scholes 模型 Black-Scholes 模型是最经典的欧式期权定价模型，假设资产价格服从几何布朗运动： $$ dS_t = \mu S_t dt + \sigma S_t dW_t $$ 期权价格的解析解为： $$ C(S_0, t) = S_0 N(d_1) - K e^{-rT} N(d_2) $$ 其中： $$ d_1 = \frac{\ln(S_0 / K) + (r + \sigma^2 / 2) T}{\sigma \sqrt{T}} \\ d_2 = d_1 - \sigma \sqrt{T} $$ Python 实现如下： ```python import numpy as np from scipy.stats import norm def black_scholes_call(S0, K, T, r, sigma): d1 = (np.log(S0 / K) + (r + 0.5 * sigma ** 2) * T) / (sigma * np.sqrt(T)) d2 = d1 - sigma * np.sqrt(T) call_price = S0 * norm.cdf(d1) - K * np.exp(-r * T) * norm.cdf(d2) return call_price # 示例参数 S0 = 100 # 初始股价 K = 100 # 行权价 T = 1 # 到期时间（年） r = 0.05 # 无风险利率 sigma = 0.2 # 波动率 print(f'欧式看涨期权价格: {black_scholes_call(S0, K, T, r, sigma):.4f}') ``` ### 3.2 蒙特卡洛模拟 当衍生品结构复杂（如路径依赖期权）时，解析解难以获得，此时可使用蒙特卡洛模拟进行数值定价。以下为几何布朗运动下的欧式期权定价模拟： ```python import numpy as np def monte_carlo_european_call(S0, K, T, r, sigma, num_simulations=10000): np.random.seed(42) dt = T ST = S0 * np.exp((r - 0.5 * sigma ** 2) * dt + sigma * np.sqrt(dt) * np.random.randn(num_simulations)) payoff = np.maximum(ST - K, 0) price = np.exp(-r * T) * np.mean(payoff) return price # 使用相同参数 print(f'蒙特卡洛模拟的欧式看涨期权价格: {monte_carlo_european_call(S0, K, T, r, sigma):.4f}') ``` ### 3.3 二叉树模型（Cox-Ross-Rubinstein） 二叉树模型适用于美式期权等可提前行权的衍生品定价。以下为欧式期权的二叉树实现： ```python def binomial_tree_european_call(S0, K, T, r, sigma, N=100): dt = T / N u = np.exp(sigma * np.sqrt(dt)) d = 1 / u p = (np.exp(r * dt) - d) / (u - d) # 构建价格树 ST = np.zeros(N + 1) ST[0] = S0 * d**N for i in range(1, N + 1): ST[i] = ST[i - 1] * u / d # 计算期权价值树 option_value = np.maximum(ST - K, 0) for j in range(N - 1, -1, -1): for i in range(j + 1): option_value[i] = np.exp(-r * dt) * (p * option_value[i + 1] + (1 - p) * option_value[i]) return option_value[0] print(f'二叉树模型的欧式看涨期权价格: {binomial_tree_european_call(S0, K, T, r, sigma):.4f}') ``` ### 3.4 数值积分与傅里叶变换（适用于跳跃扩散模型等） 在更复杂的模型（如 Merton 跳跃扩散模型）中，可以使用傅里叶变换进行期权定价。该方法依赖于特征函数的计算，适用于具有解析特征函数的模型。 ### 3.5 风险中性定价与伊藤引理的应用 在构建衍生品定价模型时，伊藤引理用于推导标的资产价格的随机微分方程（SDE），从而建立衍生品价格与标的资产之间的关系[^4]。通过风险中性测度变换，可以消除市场风险偏好，使定价模型更具普适性。 ###