2. 可转债定价模型：BS模型与二叉树模型在可转债定价中的应用与局限

可转债定价，说白了就是个「混血儿」的估值问题。它既有债性，又有股性，还带着转股、赎回、回售这些乱七八糟的条款。我做了这么多年交易，见过太多人拿普通债券或者股票的定价逻辑硬套，结果亏得底裤都不剩。

今天咱们就聊聊两个最经典的定价模型——BS模型和二叉树模型。嗯，这两个模型各有各的脾气，也各有各的坑。

2.1 BS模型：简单粗暴，但别太当真

BS模型，全称Black-Scholes模型，本来是给欧式期权定价用的。可转债里内嵌了一个转股权，本质上就是个看涨期权。所以很多人想，那直接用BS模型算不就完了？

我刚开始做可转债的时候也这么干过。拿BS模型一算，觉得某个转债被低估了，兴冲冲买进去，结果被市场狠狠教育了一顿。为什么？因为BS模型的假设太理想化了。

你看看，这些假设在真实市场里哪个能成立？尤其是「波动率恒定」这条，简直就是扯淡。我见过不少转债，正股波动率在半个月内从30%飙到80%，BS模型算出来的价格能差出一大截。

不过话说回来，BS模型也不是一无是处。它的优势在于计算简单，参数少，适合快速估算。比如你盯盘的时候，想大致判断一个转债的转股权价值，用BS模型算个参考值还是可以的。

BS模型定价公式长这样：

# BS模型计算转债转股权价值
import numpy as np
from scipy.stats import norm

def bs_call_price(S, K, T, r, sigma):
    """
    S: 正股当前价格
    K: 转股价
    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

# 举个例子
S = 100.0    # 正股价格
K = 80.0     # 转股价
T = 2.0      # 剩余2年
r = 0.03     # 无风险利率3%
sigma = 0.25 # 波动率25%

call_value = bs_call_price(S, K, T, r, sigma)
print(f"转股权价值（BS模型）: {call_value:.2f}")

2.2 二叉树模型：更灵活，也更费劲

二叉树模型，也叫二项式模型，是BS模型的一个升级版。它把时间离散化，在每个时间节点上假设股价只有两种可能——涨或跌。然后从后往前倒推，算出转债的合理价格。

为什么说它更灵活？因为二叉树模型可以处理很多BS模型搞不定的情况，比如：

• 路径依赖条款：比如回售条款，触发条件是连续多少个交易日低于某个价格。二叉树模型可以在每个节点判断是否触发。
• 提前转股：转债持有人可以在任意时刻选择转股，二叉树模型可以模拟这种美式期权的特性。
• 赎回条款：发行人可以强制赎回，二叉树模型也能把这种「发行人权利」加进去。

我记得有一次做一只银行转债的定价，那个转债的回售条款特别复杂——连续30个交易日低于转股价的70%才能触发。BS模型根本没法处理这种条件，我只好上了二叉树模型。虽然算起来慢了点，但结果靠谱多了。

二叉树模型的定价逻辑：

# 二叉树模型定价可转债（简化版）
import numpy as np

def binomial_tree_convertible(S, K, T, r, sigma, n, coupon_rate, face_value):
    """
    简化版二叉树定价，不考虑赎回/回售条款
    S: 正股价格
    K: 转股价
    T: 剩余期限
    r: 无风险利率
    sigma: 波动率
    n: 二叉树步数
    coupon_rate: 票面利率
    face_value: 面值
    """
    dt = T / n
    u = np.exp(sigma * np.sqrt(dt))
    d = 1 / u
    p = (np.exp(r * dt) - d) / (u - d)
    
    # 初始化股价树
    stock_tree = np.zeros((n+1, n+1))
    for i in range(n+1):
        for j in range(i+1):
            stock_tree[j, i] = S * (u**(i-j)) * (d**j)
    
    # 初始化转债价值树（从最后一期倒推）
    cb_tree = np.zeros((n+1, n+1))
    for j in range(n+1):
        # 到期时，转债价值 = max(转股价值, 面值+利息)
        conversion_value = stock_tree[j, n] / K * 100
        cb_tree[j, n] = max(conversion_value, face_value * (1 + coupon_rate))
    
    # 倒推
    for i in range(n-1, -1, -1):
        for j in range(i+1):
            hold_value = np.exp(-r*dt) * (p*cb_tree[j, i+1] + (1-p)*cb_tree[j+1, i+1])
            conversion_value = stock_tree[j, i] / K * 100
            cb_tree[j, i] = max(hold_value, conversion_value)
    
    return cb_tree[0, 0]

# 使用示例
price = binomial_tree_convertible(
    S=100, K=80, T=2.0, r=0.03, 
    sigma=0.25, n=100, 
    coupon_rate=0.02, face_value=100
)
print(f"转债理论价格（二叉树模型）: {price:.2f}")

2.3 两个模型的对比与局限

咱们来做个对比，看看这两个模型到底差在哪：

对比维度	BS模型	二叉树模型
计算速度	快（秒级）	慢（取决于步数）
处理美式期权	不能	可以
处理路径依赖条款	不能	可以（需扩展）
参数敏感性	对波动率敏感	对步数和波动率都敏感
适用场景	快速估算、简单转债	复杂条款、精确定价

两个模型共同的局限也很明显：

• 波动率问题：两个模型都需要输入波动率，但波动率本身是未知的。你用历史波动率还是隐含波动率？用哪个时间窗口？这些选择会直接影响定价结果。
• 利率问题：无风险利率怎么取？国债收益率？还是用Shibor？不同利率算出来的价格能差好几个点。
• 信用风险：两个模型都假设发行人不违约。但现实中，可转债的发行人信用风险是真实存在的，尤其是那些评级不高的公司。

2.4 知识体系框架

下面这张图，是我自己总结的可转债定价模型知识体系。你看一眼，心里就有数了：

你看，BS模型和二叉树模型各有各的用武之地。BS模型适合快速扫盘，二叉树模型适合精细定价。但不管用哪个，都得记住：模型只是帮你理解价值的工具，真正的交易决策还得靠你对市场的判断。

嗯，今天就聊到这儿。下次咱们聊聊怎么用这些模型做统计套利，那才是真正赚钱的地方。