文章目录
量化投资 布朗运动和 Black Sholes 模型
布朗运动 Brownian Motion
定义
布朗运动 Brownian Motion:定义在概率测度空间 ( Ω , F , P ) (\Omega,\,\mathcal{F},\,\mathbb{P}) (Ω,F,P) 上的实值随机过程 { B t } t ∈ T \{B_t\}_{t\in T} {Bt}t∈T 称为布朗运动,若满足:
- B 0 = 0 B_0=0 B0=0 , P \mathbb{P} P-a.s.;
- { B t } t ∈ T \{B_t\}_{t\in T} {Bt}t∈T 具有平稳独立增量;
- 对于 ∀ t > s ≥ 0 \forall t>s\geq 0 ∀t>s≥0 ,都有 B t − B s ∼ dist N ( 0 , t − s ) B_t-B_s\stackrel{\text{dist}}{\sim} N(0,\,t-s) Bt−Bs∼distN(0,t−s) ;
第三点正态分布可以被弱化为:
- 对于 ∀ t > s ≥ 0 \forall t>s\geq 0 ∀t>s≥0 ,都有 E [ B t ∣ F s ] = B s \mathbb{E}[B_t\,|\,\mathcal{F}_s]=B_s E[Bt∣Fs]=Bs 且 V a r [ B t − B s ∣ F s ] = t − s Var[B_t-B_s\,|\,\mathcal{F}_s]=t-s Var[Bt−Bs∣Fs]=t−s ;
此时称为 Wiener 过程,可以证明 Wierner 过程和布朗运动是等价的。
(可以考虑把 t − s t-s t−s 分成无限多小段,然后用中心极限定理)
性质
① t → B t ( ω ) t\to B_t(\omega) t→Bt(ω) 是连续但处处不可微的函数;
② 布朗运动具有无限变差和有限二次变差,即对于任意时间区间
[
0
,
t
]
[0,\,t]
[0,t] 和样本路径
ω
\omega
ω ,都有:
P
−
lim
max
∣
Δ
t
i
∣
→
0
∑
i
=
0
n
[
B
t
i
+
1
(
ω
)
−
B
t
i
(
ω
)
]
2
=
t
P
−
lim
max
∣
Δ
t
i
∣
→
0
∑
i
=
0
n
∣
B
t
i
+
1
(
ω
)
−
B
t
i
(
ω
)
∣
=
∞
\begin{align} \mathbb{P}-\lim\limits_{\max|\Delta t_i|\to 0} \sum\limits_{i=0}^n\left[ B_{t_{i+1}}(\omega) - B_{t_{i}}(\omega) \right]^2=t \\ \mathbb{P}-\lim\limits_{\max|\Delta t_i|\to 0} \sum\limits_{i=0}^n\left| B_{t_{i+1}}(\omega) - B_{t_{i}}(\omega) \right|=\infty \\ \end{align}
P−max∣Δti∣→0limi=0∑n[Bti+1(ω)−Bti(ω)]2=tP−max∣Δti∣→0limi=0∑n∣Bti+1(ω)−Bti(ω)∣=∞
其中
0
=
t
0
<
t
1
<
⋯
<
t
n
=
t
0=t_0<t_1<\cdots<t_n=t
0=t0<t1<⋯<tn=t 是区间的任意有限划分。
证明在我的另一个专门讲 随机过程 布朗运动 的博客里有~
生成布朗运动
有两种方法可以产生布朗运动:
Approach 1:令
{
ξ
i
}
\{\xi_i\}
{ξi} 为一列独立同分布的、具有 0 均值和单位标准差的随机变量。记
S
n
=
∑
i
=
0
n
ξ
i
S_n=\sum\limits_{i=0}^{n}\xi_i
Sn=i=0∑nξi ,则由中心极限定理可知,
S
n
n
∼
dist
N
(
0
,
1
)
\frac{S_n}{\sqrt{n}}\stackrel{\text{dist}}{\sim}N(0,\,1)
nSn∼distN(0,1) 。对于
∀
t
>
0
\forall t>0
∀t>0 ,令:
B
n
(
t
)
=
S
[
n
t
]
t
→
dist
N
(
0
,
t
)
B_n(t)=\frac{S_{[nt]}}{\sqrt{t}} \stackrel{\text{dist}}{\to}N(0,\,t)
Bn(t)=tS[nt]→distN(0,t)
该方法比较繁琐,对于每个时刻需要采样更多的
ξ
i
\xi_i
ξi ,且得到的图像的时刻是离散的 。
Approach 2:令
{
Z
m
}
m
=
0
∞
\{Z_m\}_{m=0}^{\infty}
{Zm}m=0∞ 是独立同分布的、服从标准正态分布的随机变量序列。令:
B
(
t
)
=
t
π
Z
0
+
2
π
∑
m
=
1
∞
sin
m
t
m
Z
m
→
dist
N
(
0
,
t
)
B(t)=\frac{t}{\sqrt{\pi}}Z_0+\sqrt{\frac{2}{\pi}}\sum\limits_{m=1}^{\infty}\frac{\sin{mt}}{m}Z_m \stackrel{\text{dist}}{\to}N(0,\,t)
B(t)=πtZ0+π2m=1∑∞msinmtZm→distN(0,t)
该方法生成的图像是连续的,对
{
Z
m
}
m
=
0
∞
\{Z_m\}_{m=0}^{\infty}
{Zm}m=0∞ 的一次采样相当于选择了一个样本路径
ω
\omega
ω 。要证明其为标准布朗运动, 只需要验证其是否服从正态分布。我们用特征函数来验证:
Θ
B
(
s
)
=
E
[
e
−
s
B
(
t
)
]
=
E
[
e
−
s
t
π
Z
0
]
⋅
∏
m
=
1
∞
E
[
e
−
s
2
π
sin
m
t
m
Z
m
]
\Theta_B(s)=E[\mathrm{e}^{-sB(t)}]=E[\mathrm{e}^{-\frac{st}{\sqrt{\pi}}Z_0}] \cdot \prod_{m=1}^{\infty}E[\mathrm{e}^{-s\sqrt{\frac{2}{\pi}}\frac{\sin{mt}}{m}Z_m}]
ΘB(s)=E[e−sB(t)]=E[e−πstZ0]⋅m=1∏∞E[e−sπ2msinmtZm]
正态分布的特征函数为:
Θ
N
(
s
)
=
e
−
s
μ
−
1
2
s
2
σ
2
\Theta_N(s)=\mathrm{e}^{-s\mu-\frac{1}{2}s^2\sigma^2 }
ΘN(s)=e−sμ−21s2σ2
则:
E
[
e
−
s
t
π
Z
0
]
=
e
−
s
2
π
t
2
2
E[\mathrm{e}^{-\frac{st}{\sqrt{\pi}}Z_0}]=\mathrm{e}^{-\frac{s^2}{\pi}\frac{t^2}{2}}
E[e−πstZ0]=e−πs22t2
E [ e − s 2 π sin m t m Z m ] = e − s 2 π sin 2 m t m 2 E[\mathrm{e}^{-s\sqrt{\frac{2}{\pi}}\frac{\sin{mt}}{m}Z_m}]=\mathrm{e}^{-\frac{s^2}{\pi}\frac{\sin^2{mt}}{m^2}} E[e−sπ2msinmtZm]=e−πs2m2sin2mt
则:
Θ
B
(
s
)
=
e
−
s
2
π
t
2
2
−
∑
m
=
1
∞
s
2
π
sin
2
m
t
m
2
=
e
−
s
2
π
(
t
2
2
+
∑
m
=
1
∞
sin
2
m
t
m
2
)
\Theta_B(s)= \mathrm{e}^{-\frac{s^2}{\pi}\frac{t^2}{2}-\sum\limits_{m=1}^{\infty}\frac{s^2}{\pi}\frac{\sin^2{mt}}{m^2}} =\mathrm{e}^{-\frac{s^2}{\pi}(\frac{t^2}{2}+\sum\limits_{m=1}^{\infty}\frac{\sin^2{mt}}{m^2})}
ΘB(s)=e−πs22t2−m=1∑∞πs2m2sin2mt=e−πs2(2t2+m=1∑∞m2sin2mt)
已知级数:
∑
m
=
1
∞
sin
2
m
t
m
2
=
π
t
2
−
t
2
2
,
t
∈
[
0
,
π
]
\sum\limits_{m=1}^{\infty}\frac{\sin^2{mt}}{m^2}=\frac{\pi t}{2}-\frac{t^2}{2},\quad t\in [0,\,\pi]
m=1∑∞m2sin2mt=2πt−2t2,t∈[0,π]
因此:
Θ
B
(
s
)
=
e
−
1
2
s
2
t
\Theta_B(s)=e^{-\frac{1}{2}s^2t}
ΘB(s)=e−21s2t
即
B
(
t
)
∼
N
(
0
,
t
)
B(t)\sim N(0,\,t)
B(t)∼N(0,t) ,证毕。
止盈止亏问题 Gambler’s Ruin Problem
带漂移的布朗运动:
x
t
=
x
+
μ
t
+
σ
B
t
x_t=x+\mu t+\sigma B_t
xt=x+μt+σBt ,有:
P
{
x
t
≤
y
∣
x
0
=
x
}
=
P
{
B
t
≤
y
−
x
−
μ
t
σ
∣
B
0
=
0
}
=
Φ
(
y
−
x
−
μ
t
σ
t
)
P\{x_t\leq y\,|\,x_0=x\}=P\{B_t\leq \frac{y-x-\mu t}{\sigma}\,|\,B_0=0\}=\Phi(\frac{y-x-\mu t}{\sigma\sqrt{t}})
P{xt≤y∣x0=x}=P{Bt≤σy−x−μt∣B0=0}=Φ(σty−x−μt)
还满足以下性质:
- E [ x t ] = x + μ t E[x_t]=x+\mu t E[xt]=x+μt ;
- V a r [ x t ] = σ 2 t Var[x_t]=\sigma^2 t Var[xt]=σ2t ;
- E [ ( x t − x ) 2 ] = σ 2 t + μ 2 t 2 = σ 2 t + o ( t ) E\left[ (x_t-x)^2 \right]=\sigma^2t+\mu^2t^2=\sigma^2t+o(t) E[(xt−x)2]=σ2t+μ2t2=σ2t+o(t) ;
- E [ ( x t − x ) n ] = o ( t ) E\left[ (x_t-x)^n \right]=o(t) E[(xt−x)n]=o(t) , n > 2 n>2 n>2;
其中:
E
[
(
x
t
−
x
)
2
]
=
E
[
μ
2
t
2
+
σ
2
B
t
2
+
2
μ
t
σ
B
t
]
=
σ
2
t
+
μ
2
t
2
E\left[ (x_t-x)^2 \right]=E[\mu^2t^2+\sigma^2B_t^2+2\mu t\sigma B_t]=\sigma^2t+\mu^2t^2
E[(xt−x)2]=E[μ2t2+σ2Bt2+2μtσBt]=σ2t+μ2t2
止盈止亏问题 Gambler’s Ruin Problem:刚开始时手上持有一些股票,股票初始价格为
x
0
=
x
∈
(
a
,
b
)
x_0=x\in (a,\,b)
x0=x∈(a,b) ,当价格上升到
b
b
b 或下降到
a
a
a 时就平仓。
若股票价格服从带漂移的布朗运动,则记平仓随机停时为:
τ
a
b
=
inf
{
t
≥
0
,
s.t.
x
t
=
a
or
b
}
\tau_{ab}=\inf \{ t\geq 0,\,\text{s.t.}\, x_t=a\text{ or }b\}
τab=inf{t≥0,s.t.xt=a or b}
止盈概率:我们想要计算赚钱的概率,即价格在到达 a 之前首先到达 b 的概率:
f
(
x
)
=
P
{
x
τ
a
b
=
b
∣
x
0
=
x
}
f(x)=P\{x_{\tau_{ab}}=b\,|\,x_0=x\}
f(x)=P{xτab=b∣x0=x}
对于一段很小的时间
Δ
\Delta
Δ ,首先到达 b 的概率几乎不变:
f
(
x
+
Δ
x
)
=
P
{
x
τ
a
b
=
b
∣
x
Δ
=
x
+
Δ
x
}
f(x+\Delta x)=P\{x_{\tau_{ab}}=b\,|\,x_{\Delta}=x+\Delta x\}
f(x+Δx)=P{xτab=b∣xΔ=x+Δx}
则:
$$
\begin{align}
f(x)=&, E[f(x+\Delta x),|,x_0=x] \
=&, E[f(x)+f’(x)\Delta x+\frac{1}{2}f’'(x)(\Delta x)^2+o(\Delta x)^2,|,x_0=x]
\end{align}
KaTeX parse error: Can't use function '$' in math mode at position 15: 由带漂移的布朗运动性质得,$̲E[\Delta x]=E[x…
f(x)=f(x)+f’(x)\mu\Delta+\frac{1}{2}f’‘(x)\sigma^2\Delta+o(\Delta)
KaTeX parse error: Can't use function '$' in math mode at position 7: 得到关于 $̲f(\cdot)$ 的常微分方…
\left{
\begin{array}{ll}
f’(x)\mu+\frac{1}{2}f’'(x)\sigma^2=0 & x\in(a,,b) \
f(a)=0,\quad f(b)=1
\end{array}
\right.
解得:
解得:
解得:
f(x)=\frac{\mathrm{e}^{-\frac{2\mu x}{\sigma2}}-\mathrm{e}{-\frac{2\mu a}{\sigma2}}}{\mathrm{e}{-\frac{2\mu b}{\sigma2}}-\mathrm{e}{-\frac{2\mu a}{\sigma^2}}} ,\in,(0,,1)
$$
我们可以观察到:
- 若
μ
>
0
\mu >0
μ>0 ,则:
- 当 a → − ∞ a\to -\infty a→−∞ 时, f ( x ) = 1 f(x)=1 f(x)=1 ,即在有限时间内,股票价格一定会上涨到 b b b ;
- 当 b → + ∞ b\to+\infty b→+∞ 时, f ( x ) = 1 − e − 2 μ σ 2 ( x − a ) f(x)=1-\mathrm{e}^{-\frac{2\mu}{\sigma^2}(x-a)} f(x)=1−e−σ22μ(x−a) 是永远不会到达 a a a 的概率;
- 若 μ < 0 \mu <0 μ<0 ,则当 a → − ∞ a\to -\infty a→−∞ 时, f ( x ) = e − 2 μ σ 2 ( x − b ) f(x)=\mathrm{e}^{-\frac{2\mu}{\sigma^2}(x-b)} f(x)=e−σ22μ(x−b) 是有限时间内价格到达 b b b 的概率;
持有时间 Holding time:记退出时间为
V
(
x
)
V(x)
V(x) ,用跟上面一样的技巧得到:
V
(
x
)
=
E
[
τ
a
b
∣
x
0
=
x
]
V
(
x
+
Δ
x
)
=
E
[
τ
a
b
−
Δ
∣
x
+
Δ
x
]
\begin{align} V(x)=&\,E[\tau_{ab}\,|\,x_0=x] \\ V(x+\Delta x)=&\,E[\tau_{ab}-\Delta\,|\,x+\Delta x] \\ \end{align}
V(x)=V(x+Δx)=E[τab∣x0=x]E[τab−Δ∣x+Δx]
有:
V
(
x
)
=
Δ
+
E
[
V
(
x
+
Δ
x
)
∣
x
0
=
x
]
=
V
(
x
)
+
(
1
+
V
′
(
x
)
μ
)
Δ
+
1
2
V
′
′
(
x
)
σ
2
Δ
+
o
(
Δ
)
\begin{align} V(x)=&\,\Delta+E[V(x+\Delta x)\,|\,x_0=x] \\ =&\,V(x)+(1+V'(x)\mu)\Delta+\frac{1}{2}V''(x)\sigma^2\Delta +o(\Delta) \end{align}
V(x)==Δ+E[V(x+Δx)∣x0=x]V(x)+(1+V′(x)μ)Δ+21V′′(x)σ2Δ+o(Δ)
得到 关于
V
(
⋅
)
V(\cdot)
V(⋅) 的 ODE:
{
μ
V
′
(
x
)
+
1
2
σ
2
V
′
′
(
x
)
+
1
=
0
x
∈
(
a
,
b
)
V
(
a
)
=
0
,
V
(
b
)
=
0
\left\{ \begin{array}{ll} \mu V'(x)+\frac{1}{2}\sigma^2V''(x)+1=0 & x\in(a,\,b) \\ V(a)=0,\quad V(b)=0 \end{array} \right.
{μV′(x)+21σ2V′′(x)+1=0V(a)=0,V(b)=0x∈(a,b)
解得:
V
(
x
)
=
1
m
u
(
f
(
x
)
(
b
−
a
)
−
x
+
a
)
V(x)=\frac{1}{mu}(f(x)(b-a)-x+a)
V(x)=mu1(f(x)(b−a)−x+a)
我们可以观察到,当
a
→
0
a\to 0
a→0 ,
μ
=
0
\mu =0
μ=0 ,
V
(
x
)
=
x
(
b
−
x
)
σ
2
V(x)=\frac{x(b-x)}{\sigma^2}
V(x)=σ2x(b−x) ,最大值为
x
=
b
2
x=\frac{b}{2}
x=2b 时取到。
几何布朗运动:满足:
x
t
=
x
0
e
(
μ
−
1
2
σ
2
)
t
+
σ
B
t
x_t=x_0\mathrm{e}^{(\mu-\frac{1}{2}\sigma^2)t+\sigma B_t}
xt=x0e(μ−21σ2)t+σBt
此时有:
- E [ x t ] = x 0 e μ t E[x_t]=x_0\mathrm{e^{\mu t}} E[xt]=x0eμt ;
- V a r [ e t ] = x 0 2 e 2 μ t [ e σ 2 t − 1 ] Var[e_t]=x_0^2\mathrm{e}^{2\mu t}[\mathrm{e}^{\sigma^2 t}-1] Var[et]=x02e2μt[eσ2t−1] ;
有:
$$
\begin{align}
E[x_t]=x_0\mathrm{e}{(\mu-\frac{1}{2}\sigma2)t}E[e^{\sigma B_t}]
\end{align}
使用正态分布的特征函数进行计算,得到:
使用正态分布的特征函数进行计算,得到:
使用正态分布的特征函数进行计算,得到:
E[x_t]=x_0\mathrm{e}{(\mu-\frac{1}{2}\sigma2)t} \times \mathrm{e}{\frac{1}{2}\sigma2t}=x_0\mathrm{e}^{\mu t}
$$
因此
μ
\mu
μ 的含义为
x
t
x_t
xt 的连续时间增长率。方差的计算方法类似,也需要使用特征函数进行计算。
可以将
ln
x
t
\ln{x_t}
lnxt 看作带漂移的布朗运动,代入上边的公式,可以得到:
P
{
x
τ
A
,
B
=
B
∣
x
0
}
=
x
0
1
−
2
μ
/
σ
2
−
A
1
−
2
μ
/
σ
2
B
1
−
2
μ
/
σ
2
−
A
1
−
2
μ
/
σ
2
P\{x_{\tau_{A,B}}=B\,|\,x_0\}=\frac{x_0^{1-2\mu/\sigma^2}-A^{1-2\mu/\sigma^2}}{B^{1-2\mu/\sigma^2}-A^{1-2\mu/\sigma^2}}
P{xτA,B=B∣x0}=B1−2μ/σ2−A1−2μ/σ2x01−2μ/σ2−A1−2μ/σ2
Black-Sholes 期权定价公式
公式推导
我们假定股票价格
{
S
t
}
\{S_t\}
{St} 服从以下几何布朗运动:
S
t
=
S
0
exp
{
(
μ
−
1
2
σ
2
)
t
+
σ
B
t
}
S_t=S_0\exp\left\{ \left(\mu-\frac{1}{2}\sigma^2 \right)t+\sigma B_t \right\}
St=S0exp{(μ−21σ2)t+σBt}
改写为:
S
t
=
S
0
exp
{
(
r
−
1
2
σ
2
)
t
+
σ
(
B
t
+
μ
−
r
σ
t
)
}
S_t=S_0\exp\left\{ \left(r-\frac{1}{2}\sigma^2 \right)t+\sigma\left(B_t+\frac{\mu-r}{\sigma}t\right) \right\}
St=S0exp{(r−21σ2)t+σ(Bt+σμ−rt)}
令
B
t
∗
=
B
t
+
μ
−
r
σ
t
B_t^*=B_t+\frac{\mu-r}{\sigma}t
Bt∗=Bt+σμ−rt ,考虑以下概率测度变换:
ξ
t
≡
d
Q
d
P
=
exp
{
−
μ
−
r
σ
B
t
−
1
2
(
μ
−
r
σ
)
2
t
}
\xi_t\equiv \frac{d\,\mathbb{Q}}{d\,\mathbb{P}}=\exp\left\{ -\frac{\mu-r}{\sigma}B_t-\frac{1}{2}\left( \frac{\mu-r}{\sigma} \right)^2t \right\}
ξt≡dPdQ=exp{−σμ−rBt−21(σμ−r)2t}
可以算出来
E
P
[
ξ
t
]
=
1
E_{\mathbb{P}}[\xi_t]=1
EP[ξt]=1 且
ξ
t
>
0
\xi_t >0
ξt>0 。
在风险中性概率测度
Q
\mathbb{Q}
Q 下有:
E
Q
[
e
−
s
B
t
∗
]
=
E
P
[
ξ
t
e
−
s
B
t
∗
]
=
e
−
(
μ
−
r
σ
)
t
(
s
+
1
2
μ
−
r
σ
)
E
P
[
e
−
(
μ
−
r
σ
+
s
)
B
t
]
=
e
1
2
s
2
t
\begin{align} \mathbb{E_Q}[\mathrm{e}^{-sB^*_t}] =&\,\mathbb{E_P}[\xi_t\mathrm{e}^{-sB^*_t}] \\ =&\, \mathrm{e}^{-\left( \frac{\mu-r}{\sigma} \right)t\left( s+\frac{1}{2}\frac{\mu-r}{\sigma} \right)}\mathbb{E_P}[\mathrm{e}^{-\left( \frac{\mu-r}{\sigma}+s \right)B_t}] \\ =&\, \mathrm{e}^{\frac{1}{2}s^2t} \end{align}
EQ[e−sBt∗]===EP[ξte−sBt∗]e−(σμ−r)t(s+21σμ−r)EP[e−(σμ−r+s)Bt]e21s2t
因此
B
t
∗
B^*_t
Bt∗ 在风险中性概率测度
Q
\mathbb{Q}
Q 下服从标准布朗运动,股票价格可以写成:
S
t
=
S
0
exp
{
(
r
−
1
2
σ
2
)
t
+
σ
B
t
∗
}
S_t=S_0\exp\left\{ \left(r-\frac{1}{2}\sigma^2 \right)t+\sigma B_t^* \right\}
St=S0exp{(r−21σ2)t+σBt∗}
考虑在该股票上的欧式看涨期权(无 dividend),根据无套利理论,期权的定价为风险中性概率测度下未来期望收益的贴现值,即:
C
0
=
e
−
r
T
E
Q
[
(
S
T
−
X
)
+
]
C_0=\mathrm{e}^{-rT}\mathbb{E_Q}[(S_T-X)^+]
C0=e−rTEQ[(ST−X)+]
其中:
- r r r 为无风险连续复利率;
- T T T 为到期日;
- X X X 为行权价格;
我们有
S
t
=
S
0
e
(
r
−
1
2
σ
2
)
t
+
σ
B
t
∗
=
S
0
e
(
r
−
1
2
σ
2
)
t
+
σ
t
Z
>
X
⇒
Z
>
ln
X
/
S
0
−
(
r
−
1
2
σ
2
)
t
σ
t
=
−
d
2
\begin{aligned} &\,S_t=S_0\mathrm{e}^{(r-\frac{1}{2}\sigma^2)t+\sigma B_t^*}=S_0\mathrm{e}^{(r-\frac{1}{2}\sigma^2)t+\sigma\sqrt{t}Z}>X \\ \Rightarrow &\, Z>\frac{\ln{X/S_0}-(r-\frac{1}{2}\sigma^2)t}{\sigma\sqrt{t}}=-d_2 \end{aligned}
⇒St=S0e(r−21σ2)t+σBt∗=S0e(r−21σ2)t+σtZ>XZ>σtlnX/S0−(r−21σ2)t=−d2
其中
Z
∼
N
(
0
,
1
)
Z\sim N(0,\,1)
Z∼N(0,1) ,
f
(
x
)
f(x)
f(x) 为标准正态分布的概率密度函数,则:
C
0
=
e
−
r
t
E
Q
[
(
S
t
−
X
)
+
]
=
e
−
r
t
∫
−
d
2
∞
(
S
t
−
X
)
f
(
z
)
d
z
=
e
−
r
t
∫
−
d
2
∞
S
t
f
(
z
)
d
z
−
X
e
−
r
t
N
(
d
2
)
\begin{aligned} C_0=&\,\mathrm{e}^{-rt}\mathbb{E_Q}\left[ (S_t-X)^+ \right] \\ =&\,\mathrm{e}^{-rt}\int_{-d2}^{\infty}(S_t-X)f(z)dz \\ =&\,\mathrm{e}^{-rt}\int_{-d2}^{\infty}S_tf(z)dz-X\mathrm{e}^{-rt}N(d_2) \end{aligned}
C0===e−rtEQ[(St−X)+]e−rt∫−d2∞(St−X)f(z)dze−rt∫−d2∞Stf(z)dz−Xe−rtN(d2)
其中
N
(
⋅
)
N(\cdot)
N(⋅) 为标准正态分布的分布函数。上式右边第一项可变为:
e
−
r
t
∫
−
d
2
∞
S
t
f
(
z
)
d
z
=
S
0
e
−
r
t
∫
−
d
2
∞
1
2
π
e
(
r
−
1
2
σ
2
)
t
+
σ
t
z
e
−
1
2
z
2
d
z
=
S
0
∫
−
d
2
∞
1
2
π
e
−
1
2
(
z
−
σ
t
)
2
d
z
\begin{aligned} &\,\mathrm{e}^{-rt}\int_{-d2}^{\infty}S_tf(z)dz \\ =&\,S_0\mathrm{e}^{-rt}\int_{-d2}^{\infty}\frac{1}{\sqrt{2\pi}}\mathrm{e}^{(r-\frac{1}{2}\sigma^2)t+\sigma\sqrt{t}z}\mathrm{e}^{-\frac{1}{2}z^2}dz \\ =&\,S_0\int_{-d2}^{\infty}\frac{1}{\sqrt{2\pi}}\mathrm{e}^{-\frac{1}{2}(z-\sigma\sqrt{t})^2}dz \end{aligned}
==e−rt∫−d2∞Stf(z)dzS0e−rt∫−d2∞2π1e(r−21σ2)t+σtze−21z2dzS0∫−d2∞2π1e−21(z−σt)2dz
令
d
1
=
d
2
+
σ
t
=
ln
S
0
/
X
−
(
r
+
1
2
σ
2
)
t
σ
t
d_1=d_2+\sigma\sqrt{t}=\frac{\ln{S_0/X}-(r+\frac{1}{2}\sigma^2)t}{\sigma\sqrt{t}}
d1=d2+σt=σtlnS0/X−(r+21σ2)t ,
u
=
z
−
σ
t
u=z-\sigma\sqrt{t}
u=z−σt ,则:
=
S
0
∫
−
d
1
∞
1
2
π
e
−
1
2
u
2
d
u
=
S
0
N
(
d
1
)
=S_0\int_{-d1}^{\infty}\frac{1}{\sqrt{2\pi}}\mathrm{e}^{-\frac{1}{2}u^2}du=S_0N(d_1)
=S0∫−d1∞2π1e−21u2du=S0N(d1)
所以该公式的解析解为:
C
0
=
e
−
r
T
E
Q
[
(
S
T
−
X
)
+
]
=
S
0
N
(
d
1
)
−
X
e
−
r
T
N
(
d
2
)
\begin{align} C_0=&\,\mathrm{e}^{-rT}\mathbb{E_Q}[(S_T-X)^+] \\ =&\,S_0N(d_1)-X\mathrm{e}^{-rT}N(d_2) \end{align}
C0==e−rTEQ[(ST−X)+]S0N(d1)−Xe−rTN(d2)
其中:(
d
1
d_1
d1 对应+,
d
2
d_2
d2 对应-)
d
1
,
2
=
ln
S
0
/
X
+
(
r
±
σ
2
/
2
)
T
σ
T
d_{1,\,2}=\frac{\ln{S_0/X}+(r\pm \sigma^2/2)T}{\sigma\sqrt{T}}
d1,2=σTlnS0/X+(r±σ2/2)T
Put-Call Parity
同样地,可以得到欧式看跌期权的定价为:
P
0
=
e
−
r
T
E
Q
[
(
X
−
S
T
)
+
]
=
X
e
−
r
T
N
(
−
d
2
)
−
S
0
N
(
−
d
1
)
\begin{align} P_0=&\,\mathrm{e}^{-rT}\mathbb{E_Q}[(X-S_T)^+] \\ =&\,X\mathrm{e}^{-rT}N(-d_2)-S_0N(-d_1) \end{align}
P0==e−rTEQ[(X−ST)+]Xe−rTN(−d2)−S0N(−d1)
由正态分布的性质可得,
N
(
d
i
)
+
N
(
−
d
i
)
=
1
N(d_i)+N(-d_i)=1
N(di)+N(−di)=1 ,因此有 Put-Call Parity:
P
0
+
S
0
=
C
0
+
X
e
−
r
T
P_0+S_0=C_0+X\mathrm{e}^{-rT}
P0+S0=C0+Xe−rT
- 若有 dividend,则会造成标的股票的升值, 从而使得等式左边大于右边。一般考虑以 S 0 S_0 S0 作为股息调整价格,例如有单次分红的话:
P 0 + S 0 − D e − r τ = C 0 + X e − r T P_0+S_0-D\mathrm{e}^{-r\tau}=C_0+X\mathrm{e}^{-rT} P0+S0−De−rτ=C0+Xe−rT
- 由于美式期权可以提前行权,所以 Put-Call Parity 一般不成立,但可以得到不等式:
S 0 − X ≤ C 0 − P 0 ≤ S 0 − X e − r T S_0-X\leq C_0-P_0\leq S_0-X\mathrm{e}^{-rT} S0−X≤C0−P0≤S0−Xe−rT