所有選擇權指南
數值定價閱讀約12分鐘
選擇權定價的蒙地卡羅模擬詳解
理解風險中立路徑如何轉換為選擇權價值、抽樣誤差怎樣變化，以及如何處理路徑依賴與提前履約
由 Mark 撰寫 · 官方資料列於文末
直接解答
蒙地卡羅選擇權定價在指定價格模型下模擬大量路徑，計算並折現每條路徑的給付，再取平均值。它是帶有抽樣誤差的模型價值估計，並不會發現市場的真實隨機過程，也不會預測最終發生的唯一未來路徑
價格成為折現期望值
在選定風險中立模型下，可複製衍生工具價值可寫成未來給付在模型狀態間的平均現值
簡單請求權可用封閉積分求解。蒙地卡羅以隨機數產生的樣本平均代替難以計算的積分
給付可依賴多個資產、日期、平均值、障礙或路徑特徵，不必為每種產品重新推導封閉公式
路徑必須服從定價模型
選定標的因素動態，再從今天起模擬至各觀察日與給付日的增量
價格測度的漂移採用模型持有成本，而非分析師方向預測。相關性、股利、利率與波動率動態必須一致
以網格近似連續過程會引入離散偏差。障礙、跳躍和快速波動率變化可能需要更細或專用步驟
每條路徑產生一個折現給付
歐式買權只需要終值，其給付是終值減履約價與零之間的較大值
亞式選擇權還要樣本平均，障礙式要知道是否觸及水準，籃子式則要共同模擬各成分
折現路徑給付的平均值就是估計量。給付時間與折現因子必須符合契約，不能當作最後附加的細節
抽樣誤差不是模型誤差
有限樣本具有隨機性，改變種子會讓估值略有不同。標準誤差大致與路徑數量的平方根成反比
路徑增加一百倍，普通抽樣誤差約縮小十倍而非一百倍，精度越高計算代價越大
信賴區間描述程式模型內樣本平均的不確定性，不包括錯誤動態、輸入、離散化或程式缺陷
變異數縮減提高每條路徑的精度
對偶變數把相反衝擊配對使用；控制變數借助價值已知的相關給付去除共同雜訊
分層、準隨機序列、條件計算與共同隨機數也可使用，效果取決於給付平滑度、維度與實作
應同時報告方法與誤差。沒有獨立基準卻看似穩定的數字，可能隱藏偏差而非具有較高精度
提前履約需要繼續持有價值
順向模擬適合到期決定的給付，但美式選擇權會在多個日期比較立即履約與繼續持有
Longstaff–Schwartz把未來折現現金流回歸至目前狀態函數，再逆向套用履約規則
結果依賴基底函數、路徑、履約日與狀態變數。即使終值模擬正確，差劣回歸也會讓政策偏差
驗證需要多種收斂檢查
先重現有可靠封閉公式或獨立方法的契約，再改變路徑數、時間步長、種子與變異數縮減設定
分開追蹤估計值、標準誤差、運行時間和離散趨勢。更多路徑只減少抽樣雜訊，不能修復有偏網格或模型
實際運作應固定慣例、測試邊界、記錄種子與版本，並比較價格和希臘字母的可重現性
常見問題
蒙地卡羅需要多少條路徑？
沒有通用數量，應報告標準誤差、檢查更大樣本的收斂，並採用符合決策的容許誤差
蒙地卡羅會預測未來股價嗎？
不會。定價路徑只在風險中立模型中抽樣以評估給付，並非預測最終發生的一條現實路徑
為何蒙地卡羅收斂較慢？
普通抽樣誤差大致按路徑數平方根的倒數下降，因此多取得一位精度可能需要大量額外計算
蒙地卡羅可為美式選擇權定價嗎？
可以，但不能只平均終值。Longstaff–Schwartz等方法會逆向估計繼續持有價值與履約政策
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