所有選擇權指南
Markov演化的兩個方向閱讀約14分鐘
Kolmogorov前向與後向方程詳解
理解生成元如何向後演化條件價值、伴隨算子如何向前演化機率密度，以及Fokker–Planck、定價和邊界條件
由 Mark 撰寫 · 官方資料列於文末
直接解答
Kolmogorov後向方程把未來給付或事件機率作為當前狀態的函數向後演化。前向方程在擴散模型中亦稱Fokker–Planck方程，它從給定初始分佈出發，向前演化未來狀態的機率分佈
Markov轉移連接三個時點
轉移算子P_{s,t}g(x) = E[g(X_t) | X_s=x]把未來函數映射回當前狀態
Chapman–Kolmogorov關係P_{s,t}P_{t,u} = P_{s,u}表示加入中間時點不改變總轉移
前向與後向方程是同一半群或雙參數演化族的兩種微分視角
生成元描述無窮小變化
若dX_t = b(t,X_t)dt + σ(t,X_t)dW_t，則a=σ²時L_tφ = b∂_xφ + 1/2a∂_{xx}φ
生成元概括平滑測試函數的瞬時條件變化
過程、狀態空間、定義域和邊界行為共同決定生成元，形式微分式本身並不完整
後向方程作用於起始狀態
對終端函數g，令u(s,x) = E[g(X_t) | X_s=x]且s ≤ t
在適當正則條件下，u滿足∂_s u + L_su = 0和終端條件u(t,x) = g(x)
它固定終點函數並把條件時點s向當前移動，因此稱為後向
伴隨算子移動分佈
處理邊界項後，以∫φ L_t†ρ dx = ∫ρ L_tφ dx定義L_t†
一維擴散中L_t†ρ = -∂_x(bρ) + 1/2∂_{xx}(aρ)
伴隨算子把生成元從測試函數移到密度，並按分部積分改變導數方向
前向方程傳播機率質量
狀態密度ρ(t,x)從初始分佈出發滿足∂_tρ = L_t†ρ
應用於轉移密度時，它固定起點並演化目的變數和未來時間
正規化、非負性、機率流與邊界條件決定形式解是否為有效機率分佈
金融對兩個方向各有用途
衍生工具估值通常從終端給付向後求解，折現則加入消減項
分佈預測、曝險曲線、密度校準與部分風險計算從今天的狀態分佈向前求解
後向價值應等於未來給付對前向轉移密度的積分，因此兩者可互相驗證
邊界與數值化可能破壞對偶
吸收、反射、入口和不可達邊界要求不同的價值與機率流條件
檢查預期的質量守恆或損失、正值性、初始與終端資料、伴隨離散化和網格收斂
獨立Monte Carlo估計能揭示任一PDE解法中的符號、漂移、邊界與時間方向錯誤
常見問題
前向與後向Kolmogorov方程有何分別？
後向方程演化起始狀態的函數，前向方程演化目的狀態的機率分佈
前向方程就是Fokker–Planck嗎？
對擴散過程是；Fokker–Planck是Kolmogorov前向密度方程的常用名稱
期權定價使用哪個方程？
歐式期權通常從終端給付向後求解，前向方程則可演化狀態價格密度
為何邊界條件重要？
它們決定機率被吸收、反射、守恆還是無法到達邊界，從而改變分佈與價值
資料來源與延伸閱讀
把這個概念應用到一份期權
選擇合約和目標，讓價格、時間與波幅假設在同一份分析中清晰呈現
分析我的期權