金融工程中回望期权定价的二叉树模型改进.docxVIP

金融工程中回望期权定价的二叉树模型改进.docx

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多

金融工程中回望期权定价的二叉树模型改进

引言

金融工程的核心使命是通过定量工具为复杂衍生品定价,以支撑金融市场的风险管理与产品创新。在众多衍生品中,回望期权因独特的“路径依赖”特征(收益取决于标的资产的历史价格极值,而非仅到期价格),成为检验定价模型能力的“试金石”。传统Black-Scholes模型因假设“仅关注到期价格”,无法处理路径依赖;而二叉树模型作为离散时间工具,本应天然适配路径依赖问题——它通过构建树形结构跟踪标的资产的价格路径,倒推期权价值。但实践中,传统二叉树模型暴露了状态膨胀、极值跟踪不准确、计算效率低等缺陷,难以满足回望期权的定价需求。因此,改进二叉树模型以适配回望期权的路径依赖特征,成为金融工程领域的重要课题。

一、回望期权与二叉树模型的基础理论

要理解改进的必要性,需先回归基础:明确回望期权的核心特征,以及二叉树模型的工作逻辑。

(一)回望期权的定义与路径依赖特征

回望期权是典型的路径依赖期权,其收益计算的核心是“标的资产的历史价格极值”——看涨回望期权的收益为“到期价格减去有效期内的历史最低价”(若为正),看跌回望期权则为“历史最高价减去到期价格”(若为正)。例如,某看涨回望期权的标的股票初始价格为100元,有效期内曾跌至90元,到期价格为110元,则持有者可按90元买入、110元卖出,获取20元收益。

这种“路径依赖”特征,使其与普通期权(如欧式看涨期权仅看到期价格110元)形成本质区别:回望期权的价值不仅取决于“终点”,更取决于“路径”——标的资产波动越大,历史极值与到期价格的差额越显著,期权价值越高。这种特性让回望期权在投机、对冲中具有独特价值,但也给定价带来挑战:需“记忆”标的资产从生效到当前的全部价格信息,而非仅关注最终状态。

(二)二叉树模型的基本原理

二叉树模型是离散时间定价的经典工具,其核心逻辑是将时间拆解为若干步长,通过树形结构跟踪标的资产的价格路径,倒推期权价值。

具体而言,模型构建分为三步:

步长与价格变动设定:将到期时间拆分为N个相等的时间步长(如1年拆分为50步,每步2.4%的时间),根据标的资产的波动率和无风险利率,确定每一步的“上涨比例”(如价格从S涨到1.1S)和“下跌比例”(如跌到0.9S)。

树形结构构建:从初始价格S?出发,每一步生成两个子节点(涨或跌),逐步构建出从“起点”到“到期日”的树形结构——例如,50步后会有51个到期节点(对应51种可能的到期价格)。

期权价值倒推:从到期日节点开始,按“风险中性定价”原则计算期权价值——到期日的价值直接按合约条款计算(如看涨回望期权的收益=到期价格-历史最低价);非到期日节点的价值,则是下一层节点价值按无风险利率贴现后的平均值(因为风险中性世界中,涨跌概率可通过无风险利率校准)。

二叉树模型的优势在于离散性:它能自然跟踪标的资产的价格路径,理论上适合处理回望期权的路径依赖。但当应用于回望期权时,传统模型的缺陷开始暴露。

二、传统二叉树模型在回望期权定价中的局限

尽管二叉树模型为回望期权定价提供了框架,但传统模型的固有缺陷使其难以高效、准确地处理路径依赖,具体表现为三方面:

(一)状态变量维度膨胀:节点数量爆炸

传统二叉树的每个节点仅需“当前价格”一个状态变量——例如,第t步的节点只需知道S?即可计算期权价值。但回望期权需要额外记录历史极值(如从起点到当前节点的最低价),因此每个节点的状态变为“当前价格+历史极值”两个变量。

这种状态膨胀直接导致节点数量剧增。例如,当N=50步时,传统模型的节点数量为51;而回望期权的节点数量会膨胀至1275(因为每一步的历史最低价可能有N种不同值)。当N=100步时,节点数量会超过5000——计算量呈几何级增长,普通计算机需耗时数小时才能完成计算。

(二)路径跟踪准确性不足:遗漏区间内极值

传统二叉树仅记录端点价格(如t=0时的S?,t=Δt时的S?),而忽略了两个端点之间的价格运动。例如,标的资产价格从100元涨至110元(Δt=1个月),但在这一个月内曾短暂涨到115元,随后回落至110元——传统模型仅记录端点价格100和110,因此历史最高价被误记为110,而真实值为115。

这种误差会直接扭曲期权价值:对于看涨回望期权,历史最低价越低,收益越高;若历史最低价被误记为更高(如真实最低价是90元,模型记为95元),则期权价值会被低估;对于看跌回望期权,历史最高价被误记为更低,则期权价值会被高估。

(三)计算效率与收敛性缺陷:耗时与准确性的矛盾

状态膨胀导致计算效率极低——当N=50时,传统模型需120秒完成计算;当N=100时,计算时间会增至数小时。更关键的是,收敛性差:增加步数以提高准确性时,计算时间呈指数级增长,但准确性提升有限。例如,N从50增至100,计算时间从2分钟增至2

您可能关注的文档

文档评论(0)

191****0055 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档