常用的金融工程定价方法

1. 金融工程相对定价法的假设前提是什么

相对定价也就是无套利定价，要保证资产是可以自由流动的，并且假设没有交易费用
很多时候都用到BS模型（布莱克斯科尔斯模型）你可以参考bs模型的前提条件

1、股票价格行为服从对数正态分布模式；
2、在期权有效期内，无风险利率和金融资产收益变量是恒定的；
3、市场无摩擦，即不存在税收和交易成本，所有证券完全可分割；
4、金融资产在期权有效期内无红利及其它所得(该假设后被放弃)；
5、该期权是欧式期权，即在期权到期前不可实施。
6、不存在无风险套利机会；
7、证券交易是持续的；
8、投资者能够以无风险利率借贷

2. 定价方法有哪几种，哪些可以用于金融产品中，理由

金融创新是以一种“新”的方式来满足顾客需要。“新”方式一般指为满足特定需要而提供以前未曾提供过的产品，至少是没有用于服务该需求的产品。而这种产品本身可能并不新奇。比如说，结构存款是最近零售银行业的一种主要产品，它能够向顾客提供潜在的产权投资市场收益，同时通过主要担保限制走低的风险。实际上，能产生结构存款的衍生品已经拥有好几十年的历史，就连结构存款本身也早在十多年前就出现了，只不过之前它主要用于西方的公司以及私人银行的客户。

有趣的是，金融创新也经常被用来摆脱政策的限制，并从很大程度上增强了各个金融中心在相关领域的竞争力。一个很好的例子就是伦敦的欧洲债券市场20世纪七八十年代的发展。该市场通过各种以海外市场货币，如美元、日元或其他货币形式为操作媒介的金融工具来汇集债务资本，从而避免了一些国内税费。欧洲债券市场与同样摆脱了约束的衍生品市场一起推动了伦敦经济的发展，使之成为世界领先的国际金融中心。另一个例子就是证券公司根据不同情况进行合同创新以摆脱收购对象控股上限的约束。此外，还有很多关于通过金融创新合法逃避公司及个人税的例子。有些获益最丰的银行就在为国际公司提供避税理财服务并将其作为主打业务。

金融创新对金融机构的盈利至关重要的原因有三个。首先，它使得银行能够通过传统产品所无法实现的方式更好地服务客户，这对于提高收益和竞争力都非常有利。其次，一种新产品在其刚刚上市的一段时期内，都不会面临激烈的竞争，从而确保了更高的利润。最后，许多创新产品的定价都不透明，让客户难以在价格上进行比较，从而保持其盈利水平。结构存款就是一个很好的例子。

最近几十年金融创新的速度加快，相信这与技术创新有着密切关系。随着功能强大的电脑不断普及，金融工程师们可以更方便地在现有的风险保障下发明新产品，估算其风险、定价并进行加工处理。信息技术的进步也通过数据挖掘使人们更好地理解顾客回报和顾客行为。顾客和交易数据的挖掘实现了对顾客及其需求的具体分群，从而产生了许多可以分别满足不同需求的产品，让我们摆脱了“一招鲜，吃遍天”的模式。一些政策法规可以激励创新，但同时摆脱一些政策法规的制约也可以激励创新。比如，取消行业界线的限制激励了跨行业产品和服务的创新。

了解客户需求至关重要

3. 关于金融工程学的一个问题！

1.无套利定价原理
金融市场上实施套利行为变得非常的方便和快速。这种套利的便捷性也使得金融市场的套利机会的存在总是暂时的，因为一旦有套利机会，投资者就会很快实施套利而使得市场又回到无套利机会的均衡中。因此，无套利均衡被用于对金融产品进行定价。金融产品在市场的合理价格是这个价格使得市场不存在无风险套利机会，这就是无风险套利定价原理或者简称为无套利定价原理。

2.风险中性定价原理
风险中性理论（又称风险中性定价方法 Risk Neutral Pricing Theory ）表达了资本市场中的这样的一个结论：即在市场不存在任何套利可能性的条件下，如果衍生证券的价格依然依赖于可交易的基础证券，那么这个衍生证券的价格是与投资者的风险态度无关的。这个结论在数学上表现为衍生证券定价的微分方程中并不包含有受投资者风险态度的变量，尤其是期望收益率。

3.状态价格定价法
状态价格指的是在特定的状态发生时回报为1，否则回报为0的资产在当前的价格。
如果未来时刻有N种状态，而这N种状态的价格我们都知道，那么我们只要知道某种资产在未来各种状态下的回报状况以及市场无风险利率水平，我们就可以对该资产进行定价，这就是状态价格定价技术。

4. 金融工程具有标志性的分析方法是什么假定

是无套利假定和相对定价法是金融工程具有标志性的分析方法。金融衍生产品是金融工程的基本工具，也是金融工程方案与产品赖以形成的重要基础，风险管理则是金融工程最重要的用途之一。

5. 期权的定价方法

这是一个老题目了，在知乎里也有一些类似的问题，但总感觉所有回答都有所欠缺，所以希望在这里对所有的数值方法进行一个梳理。按照我个人的分类，期权定价的数值方法分为五个大类：解析解方法，树方法，偏微分方程数值解方法，蒙特卡洛方法，傅立叶变换方法。

1）解析解方法：

一个期权定价问题，其实就是根据已知的随机微分方程（SDE）模型，然后来求解关于这个随机过程函数表达式的过程。这也是为什么随机微积分和Ito lemma会是金融工程的核心知识之一，因为Ito直接告诉了我们一个随机过程的函数所满足的新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

然后，如果我们可以求出这个SDE的解析解，那么一个欧式无路径依赖期权的价格就是它在终值时刻折现的期望值。这就是一种期权定价的解析解方法，当然你也可以利用PDE来求解，由于Feynman Kac定理的存在，PDE和条件期望的答案会是一致的。

而这类方法的优点是显而易见的，一旦解析解存在，那么期权的价格公式计算速度就会非常之快，不论做拟合还是优化都会有效率上质的提升，而这类方法的缺点也很明显，那就是，对于大部分模型和大部分奇异期权，解析解未必存在。

2）树方法

之所以叫树方法而不叫二叉树，是因为我们也将讨论三叉树模型，但其实本质思想是一模一样的。

如果告知你了一个标的资产的波动率，那么你可以通过下述式子构造一个N段的二叉树的上下波动：

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

然后利用逆推，来得到初始时刻的期权价格。

那么三叉树呢？首先要明白一个道理，除了满足了下列条件的三叉树模型(u是上叉，d是下叉，l是中叉)

其余的三叉树都是incomplete market。在其余的树模型下，我们只能做到super-replicate，而不能完成perfect hedge。而这独有的一种三叉树模型，也成为了最常用的树模型之一。或许有人好奇为什么有二叉树了，还有人使用更麻烦的三叉树。这是因为三叉树的收敛速度要高于二叉树。

那么树模型的优缺点又是什么呢？树模型有一个任何连续时间模型都无法取代的优点，那就是每一个定价，在树模型里，不论美式、欧式、路径依赖、奇异，通过Backward Inction Principle得到价格，永远都是伴随着显式对冲策略的。而在连续时间模型里，想获得连续时间对冲策略的这类问题，是一个倒向随机微分方程（BSDE）问题，有很多时候并不是那么好解决的，尤其是当期权有奇异或美式属性的时候。

另一方面，树模型缺点也显而易见，高维度问题树模型是不能解决的，所以对于多个标的资产的问题，尤其是具有相关系数的资产，我们只能诉之于他法。而从速度上来讲，树模型的收敛速度是要低于PDE方法的。

3）PDE方法

很多对于quantitative finance陌生的人也会听说过Black Scholes PDE。而实际上，不同的随机模型，都会对应不同的PDE。BS PDE只不过是单资产符合几何布朗运动随机模型的PDE表达罢了。因为对于期权，我们往往知晓它最终到期日的payoff，所以我们用payoff函数来作为这个PDE的终值条件。

如果PDE存在解析解，最优办法自然也是求解析解。然而，如果解析解不存在，我们就必须诉诸数值方法。最常用的数值解方法就是有限差分，也就是将所有变量构造一个网格，然后利用网格上的差分方法来估计偏导数，进而将PDE问题转化为代数问题。而对于期权定价的PDE，我们会根据期权的性质，获得这个PDE终值条件和边值条件。然而，有时候根据不同的模型，我们可能得到的并不是一个简单的PDE，而可能是PIDE（partial integral differential equation），也就是在PDE中多了积分项，这时候，我们需要同时再借助数值积分来完成数值计算。

PDE的数值问题自然还有很多的选择，有限元、谱方法都在列。但期权定价PDE本身并不像很多物理PDE有很大的非线性程度，边界也并没有那么奇怪，所以基本上有限差分是可以解决绝大部分问题的。

有限差分法分三种：显式差分，隐式差分，交错差分。我们不深入研究算法，但几个点就是：稳定性上，显式差分是条件稳定的，另外两种都是无条件稳定；计算复杂度上，显示最简单，隐式次之，交错最繁琐；精确性上，显式、隐式是同阶的，交错差分的特殊情形，显式和隐式各占一半时，也就是Crank-Nicolson差分，精度会在时间上也上升一阶。

另外，在期权定价中PDE有两大类，正向和倒向。传统的BS PDE就是倒向的一个典型例子，它的终值条件就是期权的payoff function。而一个倒向PDE所对应的正向PDE，它不再是期权价格满足的PDE，而是这个标的的“价格密度”所满足的PDE。这个“价格密度”被称为State price，或者Arrow Debreu price，抑或是Green function。而这个在我之前的一篇文章有介绍过

Arrow Debreu price与快速拟合

而PDE方法的缺点主要有两点：路径依赖问题，高维度问题。很多路径依赖问题的PDE形式是很麻烦，甚至无法表达的，比如亚氏期权，比如回望期权。而对于高维度问题，如果PDE的数值方法会从平面网格上升到空间网格，在复杂度上不但繁琐，而且在边值条件上更难以控制。而PDE的优点则是速度快，而且根据差分的数值方法，在计算Greeks的时候不需要加以再次的bumping计算。举个例子，如果不降维，一个具有两个assets的期权的有限差分就是这样的一个立方网格：

4）蒙特卡洛方法

蒙特卡洛方法是目前应用范围最广泛的方法了。因为不存在提前行权属性的期权价格其实就是一个期望，所以我们就可以通过模拟很多的路径，来用平均数估计真实期望。而美式或百慕大这种具有提前行权属性的期权，它的期权价格其实是一个随机优化问题。这类问题我们可以采用regression-based Monte Carlo，也就是最小二乘蒙特卡洛，利用regression来估计conditional NPV，然后再用蒙特卡洛求解当前价值。

所以说，蒙特卡洛方法是最为general的方法了。然而，蒙特卡洛的缺点也是显而易见：因为要模拟上百万条路径，而且对于奇异期权还要做路径上的计算，美式更要做回归，蒙特卡洛方法成为了计算时间长的代名词。但幸运的是，我们有三种提速的方法：1，利用方差缩减，在保证方差恒定的基础上，可以减少模拟路径；2，利用Multi-level 蒙特卡洛，减少complexity；3，利用GPU或超级计算机，进行并行计算。

对于普通蒙特卡洛方法，上述三种方法都是可行的，而且GPU的提速是非常显着的。对于方差缩减，得强调一点的就是，一般而言，最简单的方式是对偶变量，其次是控制变量，然后是利用条件期望，最难的是importance sampling，而在效果和适用范围上，它们的排序往往是刚好相反的。比如美式期权的最小二乘蒙特卡洛，方差缩减的最有效手法就是important sampling，其他方法的效果很小。

这里另外再着重强调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，正向模拟标的路径；其次，倒向在每个时间节点，对所有路径值进行回归，估算条件期望，直到初始时间点；最后，求平均。所以值得注意的一点就是，在这里，如果单纯使用GPU cluster进行提速，效果并不是很理想，因为路径模拟并不是最消耗时间的步骤，对所有路径回归才是。虽然如此，但其实还是可以用GPU cluster来对回归精度加以提升，比如可以将路径进行归类，然后将global regressor转换成多个local regressor。

总的来说，蒙特卡洛方法是期权定价中适用范围最广的数值方法，但也是最慢的方法。然而，我们可以利用方差缩减、复杂度缩减，以及GPU计算来优化我们的蒙特卡洛算法，达到提速与增加精确性的目的。

5）傅立叶方法

傅立叶方法也被称为特征函数法，利用的就是对于很多的模型，它们的特征函数往往是显式表达的，比如靠具有independent increment的infinitely divisible process来决定的模型，因为在这样的情况下，我们有Levy-Khintchine representation，很多拟合性质很好的过程，比如Variance Gamma，Normal Inverse Gaussian都属于这一类。而特征函数实际上可以看作是一个随机变量的傅立叶变换，这也就是这个名字的由来。

如果我们有显式表达的特征函数，我们可以通过傅立叶逆变换来得到原随机变量的密度，进而达到求解期权价格的目的。一般来讲，这样的方法要比PDE方法更加快速，因为数值积分的速度要比微分方程数值解的速度要快。然而，这类方法的缺陷也是显而易见的，路径依赖性和维度问题，以及我们必须要有显式表达的特征函数。

总结：

在这里，我们只讲一些面上的东西。具体深入的东西，我会在公众号：衍生财经上详谈。

6. 金融工程有哪些分析方法

金融工程中无套利分析方法，复制组合法，风险中性定价方法。