Feymann-Kac公式与BSM

接上文:从简单过程到伊藤积分

有了伊藤公式,接下来,我将以数学er的视角,暴力地推导出BS公式。

基本假设:市场无套利,无风险利率r,股价服从几何布朗运动,波动率为常数\sigma

注意到在无套利假定下股票的期望收益率刚好为r,跟无风险收益率是一样的。

这时候股价S_t服从SDE:{d} S_t=r S_t {d} t+\sigma S_t {d} W_tW_t是标准布朗运动。

V(t, S_t)是敲定价为K的欧式看涨(或者看跌)期权的价格,简记为V_t这是一个连续时间的随机过程,它与随机过程S_t是相关的。

给定时间t=T,期权价格V(T, S_T)的分布可能是很复杂的,但是,根据无套利假设和风险中性原理,期权的收益率应该刚好等于无风险收益率, 所以期权价格的期望值E[V(T, S_T)]=e^{rT}V_0

从而,我们知道:随机过程\displaystyle\frac{V(t, S_t)}{e^{rt}}是一个鞅!

e^{-rt}V(t, S_t)应用伊藤公式,得到它的SDE表示,会有dt项和dW_t项。

因为它是一个鞅,所以dt项必须为0。

因为它是一个鞅,所以dt项必须为0。

因为它是一个鞅,所以dt项必须为0。

理解了这一点,我们就可以开始动手算了。首先,

\begin{aligned}d\left[V\left(t, S_{t}\right)\right] & =\frac{\partial V}{\partial t} d t+\frac{\partial V}{\partial S} d S_{t}+\frac{1}{2} \frac{\partial^{2} V}{\partial S^{2}} d \langle S_{}\rangle_t \\&=\frac{\partial V}{\partial t} d t+\frac{\partial V}{\partial S}\left(r S_{t} d t+\sigma S_{t} d W_{t}\right)+\frac{1}{2} \frac{\partial^{2} V}{\partial S^{2}} \sigma^{2} S_t^{2} d t \\&=\left[\frac{\partial V}{\partial t}+\frac{\partial V}{\partial S} r S_{t}+\frac{1}{2} \frac{\partial^{2} V}{\partial S^{2}} \sigma^{2} S_{t}^{2}\right] d t+\frac{\partial V}{\partial S} \sigma S_{t} d W_{t}\end{aligned}\\

接着,

\begin{aligned}d\left[e^{-r t} V\left(t, S_{t}\right)\right] &=e^{-r t} d\left[V\left(t, S_{t}\right)\right]-r e^{-r t} V(t, S_t) d t \\&=e^{-r t}\left[\frac{\partial V}{\partial t}+\frac{\partial V}{\partial S} r S_{t}+\frac{1}{2} \frac{\partial^{2} V}{\partial S^{2}} \sigma^{2} S_{t}^{2}-r V(t, S_t)\right] d t+\frac{\partial V}{\partial S} \sigma S_t d W t\end{aligned}\\

根据我们上面的说法,dt项为0,于是就有:

\frac{\partial V}{\partial t}+\frac{\partial V}{\partial S} r S_{t}+\frac{1}{2} \frac{\partial^{2} V}{\partial S^{2}} \sigma^{2} S_{t}^{2}-r V(t, S_t)=0\\

这就是欧式期权所服从的抛物PDE!如果我们给它加上边界条件,就能得到一般金融数学教材上所说的欧式期权的定解问题:

\left\{\begin{array}{ll}\frac{\partial V}{\partial t}+\frac{1}{2} \sigma^{2} S^{2} \frac{\partial^{2} V}{\partial S^{2}}+r S \frac{\partial V}{\partial S}-r V=0 \\\left.V\right|_{t=T}=\left\{\begin{array}{ll}(S-K)^{+}, & \text {call } \\(K-S)^{+}, & \text {put }\end{array}\right.\end{array}\right.\\


上述推导的过程一般化(generalization),就是Feynman-Kac公式,我私以为,理解这个公式本质的最好办法,就是理解一个例子(比如我上面写的这个)。

Feynman-Kac公式说的是,通过将某些抛物型偏微分方程的解写成随机过程的条件期望的方式,可以将求此类微分方程的数值解转化为模拟随机过程的路径。反过来,此一类随机过程的期望可以通过确定性的计算(偏微分方程求解)得到。

接下来呢,我就来说说,如何将求随机过程的期望变成解抛物PDE。

X_t是某种资产的价格,它服从如下的SDE:

d X_{t}=m\left(t, X_{t}\right) d t+\sigma\left(t, X_{t}\right) d B_{t}, \quad X_{0}=x_{0}\\

利率R_t满足:

d R_{t}=r\left(t, X_{t}\right) R_{t} d t \;\Longrightarrow\; R_{t}=R_{0} \exp \left\{\int_{0}^{t} r\left(s, X_{s}\right) d s\right\}\\

在未来的某个时刻T,会有一个payoff F(X_T),它是T时刻资产价格的确定性函数,记\phi(t, x)是:已知X_t=xT时刻payoff的期望,在t时刻的现值。它的数学表达式:

\phi(t, x)=\mathbb{E}\left[\exp \left\{-\int_{t}^{T} r\left(s, X_{s}\right) d s\right\} F\left(X_{T}\right) \mid X_{t}=x\right]\\

现在,为了得到\phi(t, x)的PDE表示,我们需要用风险中性的思想构造出一个鞅。令:

M_t=\frac{\phi(t, x)}{R_t}\\

很容易知道,它就是我们要找的那个鞅,M_0就是期权在初始资产价格X_0=x的情况下,t=0时刻的价格。当然,我们可以通过风险中性原理判断它是鞅,也可以单纯用数学的方法。

资产价格随时间变化的信息构成了鞅M_t对应的 filtrationM_t是Doob型鞅。

接下来,我们用类似的方法,对M_t应用Ito公式,再令其dt项为0,不难得到\phi(t, x)满足如下的抛物PDE:

\begin{aligned}-r(t, x) \phi(t, x)+ \partial_{t} \phi(t, x)+m(t, x) \partial_{x} \phi(t, x) & \\+\frac{1}{2} \sigma(t, x)^{2} \partial_{x x} \phi(t, x)&=0\end{aligned}\\

如果我们再给定PDE的边界条件,就能运用偏微分方程数值解法对衍生品进行定价啦。


总结一下,本文先以BS公式的推导过程简述了Feynman-Kac公式的思想,后给出了Feynman-Kac公式的一般形式。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 217,542评论 6 504
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 92,822评论 3 394
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 163,912评论 0 354
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 58,449评论 1 293
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 67,500评论 6 392
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,370评论 1 302
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,193评论 3 418
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,074评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,505评论 1 314
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,722评论 3 335
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,841评论 1 348
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,569评论 5 345
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,168评论 3 328
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,783评论 0 22
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,918评论 1 269
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 47,962评论 2 370
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 44,781评论 2 354

推荐阅读更多精彩内容