python期权定价公式_一揽子欧洲期权蒙特卡洛定价(python)（一）

欧洲期权定价原理

接着上文资产价格的内容，先解释一下股票价格和期权收益的数学原理。以一个股票为标的的欧洲看涨期权为例。

以一个资产或股票为标的的欧洲期权，是一揽子欧洲期权的特殊情况。我们引进股票价格动态过程 Black-Scholes 模型。这个模型通过一个随机微分方程(SDE)描述了股票价格的变动，即解释为将股票价格变动的百分比率dS/S 建模为一个布朗运动的增量。

这个随机微分方程的解就是资产(underlying asset)在T时刻的价格，通过公式可以看到这个价格与资产波动性质(volatilaty)，成熟时间(maturity time)以及r (drift)有关。

上文已经给出T时刻股票价格是符合几何布朗分布，或者我们可以说，股票价格符合对数正态分布。对于一个看涨期权，将他在执行时刻(maturity time)的收益乘以一个贴现因子(常数)就是这个期权的价格。所以期权期望价格为：

这个期望是否可以直接求得呢？不难理解，它是S(T)在对数正态分布上的积分。前人已经给出解析解，即看涨期权的 Black-Scholes 公式。换而言之，我们不需要任何算法，直接把数据带入 Black-Scholes 公式就可以计算出欧洲看涨期权价格。

许多人会有疑问，那么为什么我们还要使用费时费力的蒙特卡洛方法呢？因为在多维的情况下，我们并不知道S(T)服从怎样的联合分布，所以没有办法进行积分运算。此时我们只能采用蒙特卡洛方法。

蒙特卡洛方法对一揽子期权定价的优越性

我们已经知道了股票价格的运动路径是遵循几何布朗运动，那么蒙特卡洛方法就是从可能路径的总体空间进行抽样，然后用我们得到的样本的期望来估计总体。值得注意的是，维数很多的情况下，这个路径的总体空间会趋近无限大。但是，采用蒙特卡洛采样的收敛速度与维数没有关系，只与采样的步数有关。因此，无论是几维，即无论这一揽子期权由多少个标的资产组成，蒙特卡洛方法的收敛速度为始终O(1/