第2章定价模型基石

第2章：定价模型基石

布朗运动、伊藤引理、风险中性定价——这三个词，说白了就是期权定价的“三根柱子”。

我刚开始做量化那会儿，觉得BSM公式就是个黑盒子。输入几个参数，啪，出来一个价格。后来自己动手推导了一遍，才发现里面藏着不少坑。今天咱们就把这三块基石掰开揉碎了讲清楚。

2.1 布朗运动：随机游走的数学化

布朗运动最早是植物学家布朗观察花粉颗粒在水面上乱飘发现的。后来被数学家维纳严格定义，所以也叫维纳过程。

一个标准布朗运动 W_t 满足三个条件：

W₀ = 0
增量独立：W_t - W_s 服从正态分布 N(0, t-s)
路径连续但处处不可导

第三条很有意思。你想想看，一条连续曲线居然没有切线？这就是随机过程的诡异之处。我在做高频策略回测时，曾经因为忽略了“不可导”这个性质，直接用差分近似导数，结果回测曲线漂亮得不行，实盘一跑就崩。嗯，这里要注意。

核心公式：

dS = μS dt + σS dW

这是几何布朗运动的随机微分方程。μ是漂移率，σ是波动率，dW是布朗运动增量。

2.2 伊藤引理：随机微积分的核心工具

普通微积分里，df = f'(x) dx。但在随机世界里，这个公式要改。

伊藤引理告诉我们：如果 S 服从几何布朗运动，那么对于函数 f(S, t)，有：

df = (∂f/∂t + μS ∂f/∂S + ½ σ²S² ∂²f/∂S²) dt + σS ∂f/∂S dW

多出来的那项 ½ σ²S² ∂²f/∂S² 就是随机微积分和普通微积分的区别。为什么会有这一项？因为布朗运动的二次变分不为零。

我个人习惯把伊藤引理看作“随机世界里的链式法则”。你只要记住：二阶项不能丢，它会在dt尺度上贡献一个确定性项。

避坑指南：

我曾经在推导BSM时，把伊藤引理里的二阶项漏掉了，结果算出来的期权价格偏差了20%以上。后来花了整整一个下午才找到bug。所以，写代码实现BSM时，一定要把二阶项单独拎出来检查一遍。

2.3 风险中性定价原理

这个原理听起来玄乎，其实核心就一句话：

在风险中性世界里，所有资产的期望收益率都等于无风险利率。

为什么会这样？因为我们可以通过动态对冲消除风险。你想想看，如果你能完美复制一个期权的收益，那它的价格就应该等于复制成本。而复制成本是在无风险利率下计算的。

我在做期权做市商时，每天都要用风险中性定价给几千个期权报价。刚开始觉得这原理太理想化，后来发现，只要流动性够好，这个假设其实挺靠谱的。

风险中性定价的步骤：

将真实世界的漂移率μ替换为无风险利率r
在风险中性测度下计算期望收益
用无风险利率贴现

2.4 BSM模型推导与假设

BSM模型是Black、Scholes和Merton在1973年提出的。它的推导过程，说白了就是三步：

假设股票价格服从几何布朗运动
用伊藤引理写出期权价格的随机微分方程
构造无风险组合，利用无套利原理得到偏微分方程

最终得到的BSM公式长这样：

C = S₀ N(d₁) - K e^{-rT} N(d₂)

其中：
d₁ = [ln(S₀/K) + (r + σ²/2)T] / (σ√T)
d₂ = d₁ - σ√T

这个公式看着复杂，其实结构很清晰：

S₀ N(d₁) 是期望的股票收益
K e^{-rT} N(d₂) 是期望的行权成本
两者之差就是期权价格

BSM模型的假设（也是它的局限）：

股票价格连续，无跳跃
波动率σ为常数
无风险利率r为常数
无交易成本、无税收
可以连续对冲
股票不支付股息

这些假设在实盘中几乎都不成立。所以BSM给出的价格只是一个基准，实际交易中需要调整波动率微笑、股息率、交易成本等因素。

2.5 知识体系结构图

下面这张图把本章的核心逻辑串起来了：

2.6 代码实现：BSM定价函数

下面是我常用的BSM定价实现。代码不长，但每个细节都值得推敲：

import numpy as np
from scipy.stats import norm

def bsm_call_price(S, K, T, r, sigma):
    """
    BSM欧式看涨期权定价
    
    参数:
    S: 标的资产当前价格
    K: 行权价
    T: 剩余期限（年）
    r: 无风险利率
    sigma: 波动率
    """
    d1 = (np.log(S / K) + (r + 0.5 * sigma**2) * T) / (sigma * np.sqrt(T))
    d2 = d1 - sigma * np.sqrt(T)
    
    call_price = S * norm.cdf(d1) - K * np.exp(-r * T) * norm.cdf(d2)
    return call_price

def bsm_put_price(S, K, T, r, sigma):
    """
    BSM欧式看跌期权定价
    利用看涨-看跌平价关系
    """
    call_price = bsm_call_price(S, K, T, r, sigma)
    put_price = call_price - S + K * np.exp(-r * T)
    return put_price

# 示例
S = 100.0    # 当前股价
K = 105.0    # 行权价
T = 0.5      # 半年
r = 0.03     # 3% 无风险利率
sigma = 0.2  # 20% 波动率

call = bsm_call_price(S, K, T, r, sigma)
put = bsm_put_price(S, K, T, r, sigma)

print(f"看涨期权价格: {call:.4f}")
print(f"看跌期权价格: {put:.4f}")

个人经验：

我在实盘中从来不用这个裸函数。因为真实数据里，S和K可能相差很大，直接算log(S/K)容易溢出。我一般会加个保护：如果S/K接近0或无穷大，直接用近似公式。另外，T用年化，但实际交易日要精确到天，我习惯用T = days/365.0。

好了，这一章的内容就是这些。布朗运动给了我们随机性的数学描述，伊藤引理让我们能处理随机函数，风险中性定价提供了定价的框架，BSM模型则是这三者的完美结合。下一章我们会深入波动率，看看这个“常数”到底有多不常数。

📚 课程目录