第1章：Black-Scholes模型推导与Python实现

说起Black-Scholes模型，我到现在还记得第一次在交易台上用它定价时的情景。那时候我刚入行，觉得这玩意儿就是个黑盒子——输入几个参数，啪的一下就出来个期权价格。后来自己动手推了一遍，才发现里面的数学之美。

说白了，Black-Scholes模型就是给期权定价的“标准答案”。虽然现在有很多更复杂的模型，但BS模型依然是金融工程的基石。你想想看，一个公式能拿诺贝尔奖，肯定不简单。

1.1 模型的核心假设

在开始推导之前，我得先说说这个模型的前提条件。嗯，这些假设其实挺严格的，我在实际项目中经常遇到不满足的情况，但理解它们能帮你判断什么时候该用BS模型。

• 标的资产价格服从几何布朗运动——说白了就是价格变化是连续的，没有跳空
• 无交易成本和税收——理想状态，现实中不可能
• 无风险利率恒定——短期还行，长期就扯了
• 可以连续交易——理论上可以，实际上做不到
• 市场无套利机会——这是金融模型的灵魂

1.2 从随机过程到偏微分方程

BS模型的推导，核心就两步：先假设股价怎么走，再构造一个无风险组合。

股价的随机过程长这样：

dS = μS dt + σS dW

其中：

• S 是股价
• μ 是预期收益率
• σ 是波动率
• dW 是维纳过程（说白了就是随机噪声）

然后我们构造一个投资组合：买入1份期权，卖出Δ份股票。这个组合的价值变化是：

dΠ = dV - Δ dS

为什么要这么干？因为这样可以把随机项消掉。我刚开始学的时候觉得这步很神奇，后来做多了就习惯了——这就是对冲的思想。

经过伊藤引理展开，再令Δ = ∂V/∂S，最后得到：

∂V/∂t + rS ∂V/∂S + ½ σ² S² ∂²V/∂S² = rV

这就是Black-Scholes偏微分方程。嗯，看着挺吓人，但其实就是个热传导方程的变种。

1.3 解析解：BS公式

解这个偏微分方程，加上边界条件（到期时期权价值已知），就能得到BS公式：

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

这个公式我背了不下100遍。说实话，刚开始觉得记不住，后来发现只要理解了逻辑，自然就记住了。

1.4 Python实现

好了，理论说完了，咱们来写代码。我个人习惯把BS模型封装成一个类，这样用起来方便：

import numpy as np
from scipy.stats import norm

class BlackScholes:
    """Black-Scholes期权定价模型"""
    
    def __init__(self, S, K, T, r, sigma):
        """
        参数：
        S: 标的资产当前价格
        K: 行权价
        T: 到期时间（年）
        r: 无风险利率
        sigma: 波动率
        """
        self.S = S
        self.K = K
        self.T = T
        self.r = r
        self.sigma = sigma
    
    def d1(self):
        return (np.log(self.S/self.K) + 
                (self.r + 0.5*self.sigma**2)*self.T) / \
                (self.sigma*np.sqrt(self.T))
    
    def d2(self):
        return self.d1() - self.sigma*np.sqrt(self.T)
    
    def call_price(self):
        """计算看涨期权价格"""
        d1 = self.d1()
        d2 = self.d2()
        return self.S*norm.cdf(d1) - \
               self.K*np.exp(-self.r*self.T)*norm.cdf(d2)
    
    def put_price(self):
        """计算看跌期权价格"""
        d1 = self.d1()
        d2 = self.d2()
        return self.K*np.exp(-self.r*self.T)*norm.cdf(-d2) - \
               self.S*norm.cdf(-d1)

# 使用示例
bs = BlackScholes(S=100, K=105, T=0.5, r=0.03, sigma=0.2)
print(f"看涨期权价格: {bs.call_price():.2f}")
print(f"看跌期权价格: {bs.put_price():.2f}")

1.5 希腊字母计算

光有价格还不够，做风险管理还得知道希腊字母。我建议把希腊字母也加到类里：

def delta(self, option_type='call'):
    """计算Delta"""
    if option_type == 'call':
        return norm.cdf(self.d1())
    else:
        return norm.cdf(self.d1()) - 1

def gamma(self):
    """计算Gamma（看涨看跌一样）"""
    return norm.pdf(self.d1()) / \
           (self.S * self.sigma * np.sqrt(self.T))

def vega(self):
    """计算Vega"""
    return self.S * norm.pdf(self.d1()) * np.sqrt(self.T)

def theta(self, option_type='call'):
    """计算Theta"""
    d1 = self.d1()
    d2 = self.d2()
    if option_type == 'call':
        return -self.S*norm.pdf(d1)*self.sigma/(2*np.sqrt(self.T)) \
               - self.r*self.K*np.exp(-self.r*self.T)*norm.cdf(d2)
    else:
        return -self.S*norm.pdf(d1)*self.sigma/(2*np.sqrt(self.T)) \
               + self.r*self.K*np.exp(-self.r*self.T)*norm.cdf(-d2)

1.6 知识体系总览

为了让你对整个BS模型有个全局认识，我画了张图：

1.7 模型局限性

最后我得泼点冷水。BS模型虽然经典，但局限性也很明显：

假设条件	现实情况	影响
波动率恒定	波动率会变化（波动率微笑）	期权价格被低估/高估
无交易成本	有手续费、滑点	对冲成本被忽略
连续交易	只能离散交易	对冲误差
利率恒定	利率会波动	长期期权偏差大

好了，BS模型的基本内容就这些。从假设到推导，从公式到代码，再到希腊字母和局限性，这一套下来你应该能上手了。记住：模型是工具，理解它背后的逻辑比死记公式重要得多。

---