Agent Skills
返回列表
⚖️

多模型期权定价引擎

行业专业 更新于 2026.08.29

将以下提示词粘贴到你的 AI 对话框中：

请根据 https://skillhub.cn/install/skillhub.md，安装 @user_053d27d0/option-pricer。

技能介绍

期权定价工具链里的断层

期权定价本质是个计算问题，但大多数工具要么只实现单一模型，要么依赖 QuantLib 这类重型框架，要么把希腊字母当作事后补丁——手工推导导数公式，换一个模型就得重写一遍。实际工作中，经常需要在同一环境下对比 Black-Scholes 解析解与随机波动率模型对同一合约的定价差异，再从市场报价反推隐含波动率，最后验证希腊字母的数值精度。这套流程散落在多个脚本里，复现成本并不低。

这个技能把定价、希腊字母、隐含波动率和波动率曲面收敛到一个纯 NumPy/SciPy 实现的引擎中，不依赖 QuantLib。

核心能力与工作方式

  • 五模型定价：Black-Scholes 解析解、Binomial Tree（CRR）、Monte Carlo 仿真、Heston 随机波动率、Merton 跳跃扩散
  • 自动希腊字母：基于复步长微分（complex-step differentiation），利用 f'(x) = Im[f(x+ih)] / h 避免有限差分的相减抵消问题，步长可取极小值而不出现数值不稳定，对任意定价函数直接产出 Delta / Gamma / Vega / Theta / Rho
  • 隐含波动率求解：Newton-Raphson 迭代从市场报价反推 IV，支持看涨/看跌
  • 波动率曲面：通过 akshare 拉取真实期权链数据（如 510050 50ETF），构建波动率微笑/曲面
  • 模型对比与可视化：一键对比多个模型结果，用 Plotly 绘制损益图、希腊字母曲面与波动率曲面
  • 双模调用：CLI 一键定价，或作为 Python 库集成进现有流程

典型工作流：先用 BS 解析解做基准定价，再用 Monte Carlo（默认 100,000 条路径，可用对偶变量法降低方差，收敛速度约 O(1/sqrt(N))）或 Heston（参数可用 least_squares 从市场报价最小二乘校准）做对照，最后用复步长微分批量产出希腊字母并检查量级是否合理。

适用边界与注意点

  • 所有模型仅支持欧式看涨/看跌期权。二叉树可通过增大步数逼近美式价格，但没有显式提前行权判定
  • 不支持美式/百慕大/亚式等奇异期权；不含实时交易接口与订单执行、高频或 Level 2 行情处理、回测引擎或策略框架
  • 不覆盖外汇、固收、信用衍生品定价
  • Monte Carlo 精度受路径数 N 限制，建议配合方差缩减技术使用
  • 定价本身无需外部数据；只有波动率曲面功能依赖 akshare 市场数据，需留意接口可用性

使用场景

  • 收到客户发来的 50ETF 看涨期权询价，需要在同一环境里对比 BS 解析解与 Heston 模型的报价差异，判断该用哪个口径回复。
  • 每周为期权组合做风险报告，要批量算出各持仓的 Delta、Gamma、Vega，还要确认导数数值与解析解的误差在可接受范围。
  • 交易台拿期权链中间价反推隐含波动率，用 Newton-Raphson 迭代算出 IV 后，和波动率微笑曲线对照检查是否异常。
  • 研究不同定价模型对同一期权的敏感度差异时，对比 Black-Scholes、CRR 二叉树与 Monte Carlo 在相同参数下的收敛情况。

适合人员

  • 券商衍生品交易台研究员，需要快速对比多个定价模型对同一期权的报价，作为客户询价口径的参考。
  • 金融工程方向的开发工程师，负责搭建内部期权定价工具，希望用纯 NumPy/SciPy 实现而不引入 QuantLib 依赖。
  • 期权做市团队的风险管理员，每周要批量产出组合希腊字母，关注数值精度与结果可复现性。
  • 量化私募的研究员，用 Monte Carlo 仿真验证 Heston 校准结果，需要控制路径数量与方差缩减策略。