全部期权指南
无需写出密度也能为期权定价阅读时间 15 分钟
基于特征函数的期权定价详解
理解风险中性特征函数如何编码分布，并通过 Fourier 逆变换与收益变换生成期权价格
由 Mark 编写 · 官方资料列于文末
直接答案
特征函数 φ(u)=E[e^{iuX}]唯一编码所选定价测度下对数价格的分布，Fourier 逆变换把该函数与变换后的收益结合，从而恢复贴现期权价值，而无需先写出完整转移密度
特征函数保存完整分布
对实随机变量 X，φ(u)=E[e^{iuX}]在每个实频率 u 上都有定义，因为复指数的模恒为一
它与矩母函数不同，仅在实轴上存在并不要求有限的指数矩
所有频率上的取值唯一确定 X 的分布，并同时编码位置、离散程度、非对称性、尾部与不连续性
先确定定价测度与状态变量
对欧洲式收益 h(S_T)，基础风险中性价格在适当条件下为 E^Q[e^{-∫r ds}h(S_T)]
变换法常设 X_T=log S_T 或远期对数价格，但贴现与计价基准约定必须和变换一致
若未正确规定测度变换，就不能把现实测度的特征函数直接代入风险中性价格
Fourier 逆变换恢复概率与密度
在足够正则的条件下，可从 φ 的逆 Fourier 积分恢复密度，也可用其他逆变换公式恢复分布函数
Gil–Pelaez 公式通过含 e^{-iux}φ(u)/u 虚部的积分表示累积概率或尾部概率
这些是广义积分，零附近的极限与高频行为都需要解析处理和数值控制
收益函数也需要专门变换
看涨收益随 S_T 增长，若不做阻尼或移动积分路径，其 Fourier 变换在整条实轴上不可积
可变换阻尼后的价格、在适当条带内变换收益，或把看涨拆成贴现资产项与行权价项的概率
数学等价的公式也可能采用不同符号、归一化、状态变量和复数参数约定
模型可计算性通过 φ 体现
Black–Scholes、Heston、仿射跳跃扩散与许多 Lévy 模型往往更容易给出特征函数而非转移密度
特征函数反映模型假设、风险中性参数、期限、初始状态、相关性与跳跃补偿项
知道 φ 只是计算优势，并不能证明所选动态符合观察到的期权价格或未来收益
数值逆变换带来误差预算
有限积分边界产生截断误差，频率间距产生求积误差，FFT 网格还会加入混叠与插值误差
若振荡抵消与复对数分支处理不一致，结果可能平滑却错误
自适应求积、控制变量、阻尼、替代公式和更高精度分别针对不同误差，而非同一通用缺陷
验证不能只看一个价格
应检查 φ(0)=1、共轭对称 φ(−u)=overline{φ(u)}，以及资产价格约定要求的鞅矩条件
把结果与 Black–Scholes 等已知极限、看跌看涨平价、单调性、凸性和独立数值方法比较
改变边界、网格、阻尼、容差、期限与行权价后，可信有效数字仍应保持稳定
常见问题
什么是特征函数？
它是 φ(u)=E[e^{iuX}]，是一种能唯一确定 X 概率分布的复值变换
为什么用它为期权定价？
许多现实模型能给出闭式或半闭式 φ，却不能直接给出转移密度或收益期望
特征函数与矩母函数相同吗？
不同。特征函数使用虚数参数并在实 u 上存在，而指数矩发散时矩母函数可能不存在
直接逆变换 φ 就能得到看涨价格吗？
不能，还须处理收益、测度、贴现与可积性，通常需要阻尼、路径移动或概率分解
资料来源与延伸阅读
把这个概念应用到一份期权
选择合约和目标，让价格、时间与波动率假设在同一份分析中清晰呈现
分析我的期权