期权定价模型系列[10]有限差分法

有限差分法也叫偏微分方程法，是一种通过有限差分来近似导数并求解偏微分方程的方法。对于金融衍生品，其 价格至少跟标的价格（S）与时间（t）相关，因此该金融衍生品所对应的随机微分方程（SDE）一定含有 S 与 t 的偏导数，即为偏微分方程（PDE）。 

PDE 方法原理 

在 BS 模型下，原生资产 (以股票价格为例) 的随机微分方程（SDE）如下： 

根据费曼卡兹定理，可以将 SDE 转变为 PDE：

其中V(S(t),t) ，可将 V 理解为是任意构建的投资组合，该组合仅与 S 和 t 相关，因此对于所有结构的衍生品， 都符合上面的 PDE 方程。所以虽然要解的是这个 PDE，但核心是不同的衍生品需要选取不同的的边际条件。边 际条件的不同，相同的 PDE 解出来的就是不同衍生品的价格。此处提及的边际条件包括以下三条： 

而衍生品在期初的价格即为 V(S,t=0)，即是我们希望定价得到的结果。 

例如欧式看涨期权，它的边际条件就是: 

对于边界条件（3），当时间 t 趋于 T，即看涨期权在到期时刻，其边际条件就是看涨期权的到期收益方程。 
对于边界条件（4），当标的价格 S 趋于 0 时，此时看涨期权代表的买权已经无任何价值，因此 V=0. 
对于边界条件（5），当标的价格 S 趋于无穷大时，此时看涨期权为深度实值期权，将其价值贴现到 t 时刻，则与 （5）所列结果相同。 
得到 PDE 和边界条件后，就需要使用网格搜索法进行从后向前定价推导。 我们将时间 T 作为横坐标，标的价格 S 作为纵坐标。然后将距离行权时间 T 等分成 N 份足够短的时间∆t = T N ； 同时设定一个足够大的价格 Smax ，使得 Smax 远远超过行权价 K，并且将 Smax 也等分为 M 份，使得∆S =
Smax M 。此时，我们得到了一个 MⅹN 的矩阵，可以视作一个网格，网格的横纵坐标轴分别是时间维度和资产价格 维度。

得到网格与边界条件后，我们需要得到 t=0 时，纵坐标上的所有点，即需要知道在定价初始时刻，不同标的 S 价 格下的衍生品价格。因此 PDE 方法是从边界条件倒推出初始价格，是从后至前的推导过程。 
接下来就是有限差分法求解过程，可分为显式、隐式和半隐式方法。本文采用半隐式方法对 PDE 进行离散化处 理，假设： 

对于差分方式只能用近似非法，在时间维度上有以下三种差分方法： 

在空间维度上，通常使用中央差分方法： 

带入 PDE 中， 

完全显式法

完全显式法对应后向差分，将上面向后差分表达式带入，再将Sj = j∆S⁡,⁡ti = i∆t⁡ 带入公式（2）的 PDE 方程中可 求得

完全隐式法

完全隐式法是使用了前向差分。

半隐式法

半隐式法是介于显示与隐式中间，试用中间差分实现，并令 θ=0.5。 

python实践

import pandas as pd
import matplotlib.pyplot as plt
import warnings
warnings.filterwarnings('ignore')
from crank_nicolson_method import *

if __name__=='__main__':
    s=np.arange(50,150,5)
    k=100
    t=5./12.
    r=0.1
    sigma=0.4
    smax=200
    m=100
    n=1000
    is_put=True
    res=pd.DataFrame()
    for st in s:
        a=FD_Explicit_European(st,k,t,r,sigma,smax,m,n,is_put).price()
        b=FD_Implicit_European(st,k,t,r,sigma,smax,m,n,is_put).price()
        c=FD_CrankN_European(st,k,t,r,sigma,smax,m,n,is_put).price()
        res=res.append(pd.DataFrame({'s':st,'explicit':a,'implicit':b,'crank':c},index=range(len(s))),ignore_index=False)
    print(res)
    plt.figure(figsize=(15,4))
    plt.plot(res['s'],res['explicit'],'r.',label='explicit')
    plt.plot(res['s'],res['implicit'],'b--',label='implicit')
    plt.plot(res['s'],res['crank'],'g-',label='crank')
    plt.ylabel('option_value')
    plt.xlabel('st')
    plt.legend()
    plt.show()