全部期权指南
Markov演化的两个方向阅读约14分钟
Kolmogorov前向与后向方程详解
理解生成元如何向后演化条件价值、伴随算子如何向前演化概率密度，以及Fokker–Planck、定价和边界条件
由 Mark 编写 · 官方资料列于文末
直接答案
Kolmogorov后向方程把未来收益或事件概率作为当前状态的函数向后演化。前向方程在扩散模型中也称Fokker–Planck方程，它从给定初始分布出发，向前演化未来状态的概率分布
Markov转移连接三个时点
转移算子P_{s,t}g(x) = E[g(X_t) | X_s=x]把未来函数映射回当前状态
Chapman–Kolmogorov关系P_{s,t}P_{t,u} = P_{s,u}表示插入中间时点不改变总转移
前向与后向方程是同一半群或双参数演化族的两种微分视角
生成元描述无穷小变化
若dX_t = b(t,X_t)dt + σ(t,X_t)dW_t，则a=σ²时L_tφ = b∂_xφ + 1/2a∂_{xx}φ
生成元概括光滑测试函数的瞬时条件变化
过程、状态空间、定义域和边界行为共同决定生成元，形式微分式本身并不完整
后向方程作用于起始状态
对终端函数g，令u(s,x) = E[g(X_t) | X_s=x]且s ≤ t
在适当正则条件下，u满足∂_s u + L_su = 0和终端条件u(t,x) = g(x)
它固定终点函数并把条件时点s向当前移动，因此称为后向
伴随算子移动分布
处理边界项后，以∫φ L_t†ρ dx = ∫ρ L_tφ dx定义L_t†
一维扩散中L_t†ρ = -∂_x(bρ) + 1/2∂_{xx}(aρ)
伴随算子把生成元从测试函数移到密度，并按分部积分改变导数方向
前向方程传播概率质量
状态密度ρ(t,x)从初始分布出发满足∂_tρ = L_t†ρ
应用于转移密度时，它固定起点并演化目的变量和未来时间
归一化、非负性、概率流与边界条件决定形式解是否为有效概率分布
金融对两个方向各有用途
衍生品估值通常从终端收益向后求解，贴现则加入消减项
分布预测、敞口曲线、密度校准与部分风险计算从今天的状态分布向前求解
后向价值应等于未来收益对前向转移密度的积分，因此两者可相互验证
边界与数值化可能破坏对偶
吸收、反射、入口和不可达边界要求不同的价值与概率流条件
检查预期的质量守恒或损失、正性、初始与终端数据、伴随离散化和网格收敛
独立Monte Carlo估计能揭示任一PDE求解器中的符号、漂移、边界与时间方向错误
常见问题
前向与后向Kolmogorov方程有何区别？
后向方程演化起始状态的函数，前向方程演化目的状态的概率分布
前向方程就是Fokker–Planck吗？
对扩散过程是；Fokker–Planck是Kolmogorov前向密度方程的常用名称
期权定价使用哪个方程？
欧式期权通常从终端收益向后求解，前向方程则可演化状态价格密度
为什么边界条件重要？
它们决定概率被吸收、反射、守恒还是无法到达边界，从而改变分布与价值
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