常用的金融工程定價方法

1. 金融工程相對定價法的假設前提是什麼

相對定價也就是無套利定價，要保證資產是可以自由流動的，並且假設沒有交易費用
很多時候都用到BS模型（布萊克斯科爾斯模型）你可以參考bs模型的前提條件

1、股票價格行為服從對數正態分布模式；
2、在期權有效期內，無風險利率和金融資產收益變數是恆定的；
3、市場無摩擦，即不存在稅收和交易成本，所有證券完全可分割；
4、金融資產在期權有效期內無紅利及其它所得(該假設後被放棄)；
5、該期權是歐式期權，即在期權到期前不可實施。
6、不存在無風險套利機會；
7、證券交易是持續的；
8、投資者能夠以無風險利率借貸

2. 定價方法有哪幾種，哪些可以用於金融產品中，理由

金融創新是以一種「新」的方式來滿足顧客需要。「新」方式一般指為滿足特定需要而提供以前未曾提供過的產品，至少是沒有用於服務該需求的產品。而這種產品本身可能並不新奇。比如說，結構存款是最近零售銀行業的一種主要產品，它能夠向顧客提供潛在的產權投資市場收益，同時通過主要擔保限制走低的風險。實際上，能產生結構存款的衍生品已經擁有好幾十年的歷史，就連結構存款本身也早在十多年前就出現了，只不過之前它主要用於西方的公司以及私人銀行的客戶。

有趣的是，金融創新也經常被用來擺脫政策的限制，並從很大程度上增強了各個金融中心在相關領域的競爭力。一個很好的例子就是倫敦的歐洲債券市場20世紀七八十年代的發展。該市場通過各種以海外市場貨幣，如美元、日元或其他貨幣形式為操作媒介的金融工具來匯集債務資本，從而避免了一些國內稅費。歐洲債券市場與同樣擺脫了約束的衍生品市場一起推動了倫敦經濟的發展，使之成為世界領先的國際金融中心。另一個例子就是證券公司根據不同情況進行合同創新以擺脫收購對象控股上限的約束。此外，還有很多關於通過金融創新合法逃避公司及個人稅的例子。有些獲益最豐的銀行就在為國際公司提供避稅理財服務並將其作為主打業務。

金融創新對金融機構的盈利至關重要的原因有三個。首先，它使得銀行能夠通過傳統產品所無法實現的方式更好地服務客戶，這對於提高收益和競爭力都非常有利。其次，一種新產品在其剛剛上市的一段時期內，都不會面臨激烈的競爭，從而確保了更高的利潤。最後，許多創新產品的定價都不透明，讓客戶難以在價格上進行比較，從而保持其盈利水平。結構存款就是一個很好的例子。

最近幾十年金融創新的速度加快，相信這與技術創新有著密切關系。隨著功能強大的電腦不斷普及，金融工程師們可以更方便地在現有的風險保障下發明新產品，估算其風險、定價並進行加工處理。信息技術的進步也通過數據挖掘使人們更好地理解顧客回報和顧客行為。顧客和交易數據的挖掘實現了對顧客及其需求的具體分群，從而產生了許多可以分別滿足不同需求的產品，讓我們擺脫了「一招鮮，吃遍天」的模式。一些政策法規可以激勵創新，但同時擺脫一些政策法規的制約也可以激勵創新。比如，取消行業界線的限制激勵了跨行業產品和服務的創新。

了解客戶需求至關重要

3. 關於金融工程學的一個問題！

1.無套利定價原理
金融市場上實施套利行為變得非常的方便和快速。這種套利的便捷性也使得金融市場的套利機會的存在總是暫時的，因為一旦有套利機會，投資者就會很快實施套利而使得市場又回到無套利機會的均衡中。因此，無套利均衡被用於對金融產品進行定價。金融產品在市場的合理價格是這個價格使得市場不存在無風險套利機會，這就是無風險套利定價原理或者簡稱為無套利定價原理。

2.風險中性定價原理
風險中性理論（又稱風險中性定價方法 Risk Neutral Pricing Theory ）表達了資本市場中的這樣的一個結論：即在市場不存在任何套利可能性的條件下，如果衍生證券的價格依然依賴於可交易的基礎證券，那麼這個衍生證券的價格是與投資者的風險態度無關的。這個結論在數學上表現為衍生證券定價的微分方程中並不包含有受投資者風險態度的變數，尤其是期望收益率。

3.狀態價格定價法
狀態價格指的是在特定的狀態發生時回報為1，否則回報為0的資產在當前的價格。
如果未來時刻有N種狀態，而這N種狀態的價格我們都知道，那麼我們只要知道某種資產在未來各種狀態下的回報狀況以及市場無風險利率水平，我們就可以對該資產進行定價，這就是狀態價格定價技術。

4. 金融工程具有標志性的分析方法是什麼假定

是無套利假定和相對定價法是金融工程具有標志性的分析方法。金融衍生產品是金融工程的基本工具，也是金融工程方案與產品賴以形成的重要基礎，風險管理則是金融工程最重要的用途之一。

5. 期權的定價方法

這是一個老題目了，在知乎里也有一些類似的問題，但總感覺所有回答都有所欠缺，所以希望在這里對所有的數值方法進行一個梳理。按照我個人的分類，期權定價的數值方法分為五個大類：解析解方法，樹方法，偏微分方程數值解方法，蒙特卡洛方法，傅立葉變換方法。

1）解析解方法：

一個期權定價問題，其實就是根據已知的隨機微分方程（SDE）模型，然後來求解關於這個隨機過程函數表達式的過程。這也是為什麼隨機微積分和Ito lemma會是金融工程的核心知識之一，因為Ito直接告訴了我們一個隨機過程的函數所滿足的新SDE：

m{d}f(t, X_{t})=frac{partial f}{partial t} m{d}t + frac{partial f}{partial X_t} m{d}X_t + frac{1}{2}frac{partial^2 f}{partial X_t^2} m{d}[X, X]_t

然後，如果我們可以求出這個SDE的解析解，那麼一個歐式無路徑依賴期權的價格就是它在終值時刻折現的期望值。這就是一種期權定價的解析解方法，當然你也可以利用PDE來求解，由於Feynman Kac定理的存在，PDE和條件期望的答案會是一致的。

而這類方法的優點是顯而易見的，一旦解析解存在，那麼期權的價格公式計算速度就會非常之快，不論做擬合還是優化都會有效率上質的提升，而這類方法的缺點也很明顯，那就是，對於大部分模型和大部分奇異期權，解析解未必存在。

2）樹方法

之所以叫樹方法而不叫二叉樹，是因為我們也將討論三叉樹模型，但其實本質思想是一模一樣的。

如果告知你了一個標的資產的波動率，那麼你可以通過下述式子構造一個N段的二叉樹的上下波動：

u = m{e}^{sigmasqrt{T/N}}, d = m{e}^{-sigmasqrt{T/N}}

然後利用逆推，來得到初始時刻的期權價格。

那麼三叉樹呢？首先要明白一個道理，除了滿足了下列條件的三叉樹模型(u是上叉，d是下叉，l是中叉)

其餘的三叉樹都是incomplete market。在其餘的樹模型下，我們只能做到super-replicate，而不能完成perfect hedge。而這獨有的一種三叉樹模型，也成為了最常用的樹模型之一。或許有人好奇為什麼有二叉樹了，還有人使用更麻煩的三叉樹。這是因為三叉樹的收斂速度要高於二叉樹。

那麼樹模型的優缺點又是什麼呢？樹模型有一個任何連續時間模型都無法取代的優點，那就是每一個定價，在樹模型里，不論美式、歐式、路徑依賴、奇異，通過Backward Inction Principle得到價格，永遠都是伴隨著顯式對沖策略的。而在連續時間模型里，想獲得連續時間對沖策略的這類問題，是一個倒向隨機微分方程（BSDE）問題，有很多時候並不是那麼好解決的，尤其是當期權有奇異或美式屬性的時候。

另一方面，樹模型缺點也顯而易見，高維度問題樹模型是不能解決的，所以對於多個標的資產的問題，尤其是具有相關系數的資產，我們只能訴之於他法。而從速度上來講，樹模型的收斂速度是要低於PDE方法的。

3）PDE方法

很多對於quantitative finance陌生的人也會聽說過Black Scholes PDE。而實際上，不同的隨機模型，都會對應不同的PDE。BS PDE只不過是單資產符合幾何布朗運動隨機模型的PDE表達罷了。因為對於期權，我們往往知曉它最終到期日的payoff，所以我們用payoff函數來作為這個PDE的終值條件。

如果PDE存在解析解，最優辦法自然也是求解析解。然而，如果解析解不存在，我們就必須訴諸數值方法。最常用的數值解方法就是有限差分，也就是將所有變數構造一個網格，然後利用網格上的差分方法來估計偏導數，進而將PDE問題轉化為代數問題。而對於期權定價的PDE，我們會根據期權的性質，獲得這個PDE終值條件和邊值條件。然而，有時候根據不同的模型，我們可能得到的並不是一個簡單的PDE，而可能是PIDE（partial integral differential equation），也就是在PDE中多了積分項，這時候，我們需要同時再藉助數值積分來完成數值計算。

PDE的數值問題自然還有很多的選擇，有限元、譜方法都在列。但期權定價PDE本身並不像很多物理PDE有很大的非線性程度，邊界也並沒有那麼奇怪，所以基本上有限差分是可以解決絕大部分問題的。

有限差分法分三種：顯式差分，隱式差分，交錯差分。我們不深入研究演算法，但幾個點就是：穩定性上，顯式差分是條件穩定的，另外兩種都是無條件穩定；計算復雜度上，顯示最簡單，隱式次之，交錯最繁瑣；精確性上，顯式、隱式是同階的，交錯差分的特殊情形，顯式和隱式各佔一半時，也就是Crank-Nicolson差分，精度會在時間上也上升一階。

另外，在期權定價中PDE有兩大類，正向和倒向。傳統的BS PDE就是倒向的一個典型例子，它的終值條件就是期權的payoff function。而一個倒向PDE所對應的正向PDE，它不再是期權價格滿足的PDE，而是這個標的的「價格密度」所滿足的PDE。這個「價格密度」被稱為State price，或者Arrow Debreu price，抑或是Green function。而這個在我之前的一篇文章有介紹過

Arrow Debreu price與快速擬合

而PDE方法的缺點主要有兩點：路徑依賴問題，高維度問題。很多路徑依賴問題的PDE形式是很麻煩，甚至無法表達的，比如亞氏期權，比如回望期權。而對於高維度問題，如果PDE的數值方法會從平面網格上升到空間網格，在復雜度上不但繁瑣，而且在邊值條件上更難以控制。而PDE的優點則是速度快，而且根據差分的數值方法，在計算Greeks的時候不需要加以再次的bumping計算。舉個例子，如果不降維，一個具有兩個assets的期權的有限差分就是這樣的一個立方網格：

4）蒙特卡洛方法

蒙特卡洛方法是目前應用范圍最廣泛的方法了。因為不存在提前行權屬性的期權價格其實就是一個期望，所以我們就可以通過模擬很多的路徑，來用平均數估計真實期望。而美式或百慕大這種具有提前行權屬性的期權，它的期權價格其實是一個隨機優化問題。這類問題我們可以採用regression-based Monte Carlo，也就是最小二乘蒙特卡洛，利用regression來估計conditional NPV，然後再用蒙特卡洛求解當前價值。

所以說，蒙特卡洛方法是最為general的方法了。然而，蒙特卡洛的缺點也是顯而易見：因為要模擬上百萬條路徑，而且對於奇異期權還要做路徑上的計算，美式更要做回歸，蒙特卡洛方法成為了計算時間長的代名詞。但幸運的是，我們有三種提速的方法：1，利用方差縮減，在保證方差恆定的基礎上，可以減少模擬路徑；2，利用Multi-level 蒙特卡洛，減少complexity；3，利用GPU或超級計算機，進行並行計算。

對於普通蒙特卡洛方法，上述三種方法都是可行的，而且GPU的提速是非常顯著的。對於方差縮減，得強調一點的就是，一般而言，最簡單的方式是對偶變數，其次是控制變數，然後是利用條件期望，最難的是importance sampling，而在效果和適用范圍上，它們的排序往往是剛好相反的。比如美式期權的最小二乘蒙特卡洛，方差縮減的最有效手法就是important sampling，其他方法的效果很小。

這里另外再著重強調一下最小二乘蒙特卡洛。最小二乘蒙特卡洛的流程大致如下：首先，正向模擬標的路徑；其次，倒向在每個時間節點，對所有路徑值進行回歸，估算條件期望，直到初始時間點；最後，求平均。所以值得注意的一點就是，在這里，如果單純使用GPU cluster進行提速，效果並不是很理想，因為路徑模擬並不是最消耗時間的步驟，對所有路徑回歸才是。雖然如此，但其實還是可以用GPU cluster來對回歸精度加以提升，比如可以將路徑進行歸類，然後將global regressor轉換成多個local regressor。

總的來說，蒙特卡洛方法是期權定價中適用范圍最廣的數值方法，但也是最慢的方法。然而，我們可以利用方差縮減、復雜度縮減，以及GPU計算來優化我們的蒙特卡洛演算法，達到提速與增加精確性的目的。

5）傅立葉方法

傅立葉方法也被稱為特徵函數法，利用的就是對於很多的模型，它們的特徵函數往往是顯式表達的，比如靠具有independent increment的infinitely divisible process來決定的模型，因為在這樣的情況下，我們有Levy-Khintchine representation，很多擬合性質很好的過程，比如Variance Gamma，Normal Inverse Gaussian都屬於這一類。而特徵函數實際上可以看作是一個隨機變數的傅立葉變換，這也就是這個名字的由來。

如果我們有顯式表達的特徵函數，我們可以通過傅立葉逆變換來得到原隨機變數的密度，進而達到求解期權價格的目的。一般來講，這樣的方法要比PDE方法更加快速，因為數值積分的速度要比微分方程數值解的速度要快。然而，這類方法的缺陷也是顯而易見的，路徑依賴性和維度問題，以及我們必須要有顯式表達的特徵函數。

總結：

在這里，我們只講一些面上的東西。具體深入的東西，我會在公眾號：衍生財經上詳談。

6. 金融工程有哪些分析方法

金融工程中無套利分析方法，復制組合法，風險中性定價方法。