9.4 数值 Greeks

在量化金融中，Greeks（风险敏感性指标）是风险管理和对冲的核心。当期权定价模型没有解析 Greeks 时——这在奇异期权中非常常见——数值方法是唯一的出路。

有限差分法求 Delta

中心差分公式

Delta $\Delta = \partial V / \partial S$ ，用中心差分数值近似：

\Delta \approx \frac{V(S + \epsilon) - V(S - \epsilon)}{2\epsilon}

其中 $\epsilon$ 的选择至关重要：

$\epsilon$ 太大 → 截断误差（泰勒展开高阶项被忽略）
$\epsilon$ 太小 → 灾难性抵消（浮点误差占主导）

最佳折衷：

\epsilon \approx \sqrt{\varepsilon_m} \cdot S \approx 10^{-8} \times S

手算示例

假设 $S = 100$ ， $K = 100$ ， $r = 0.05$ ， $\sigma = 0.2$ ， $T = 1$ 年的看涨期权。

取 $\epsilon = 0.01$ （ $S$ 的 $0.01\%$ ）：

参数	$S - \epsilon = 99.99$	$S + \epsilon = 100.01$
BS 价格 $V$	$10.4450$ （示例值）	$10.4550$ （示例值）
差值	—	$10.4550 - 10.4450 = 0.0100$
中心差分	$\Delta \approx \frac{0.0100}{2 \times 0.01} = 0.5000$

解析 Delta = $N(d_1) \approx 0.5000$ （平价附近）。中心差分 $\epsilon = 0.01$ 给出了 4 位精确的一致结果。

数值 Gamma

Gamma $\Gamma = \partial^2 V / \partial S^2$ 的二阶中心差分公式：

\Gamma \approx \frac{V(S + \epsilon) - 2V(S) + V(S - \epsilon)}{\epsilon^2}

最佳 $\epsilon$ 约为 $\varepsilon_m^{1/3} \cdot S \approx 10^{-5} \times S$ 。

Python 示例：有限差分 Delta

python

import numpy as np
from scipy.stats import norm

def bs_call_price(S, K, r, sigma, T):
    """Black-Scholes 看涨期权价格"""
    d1 = (np.log(S / K) + (r + 0.5 * sigma**2) * T) / (sigma * np.sqrt(T))
    d2 = d1 - sigma * np.sqrt(T)
    return S * norm.cdf(d1) - K * np.exp(-r * T) * norm.cdf(d2)

def finite_diff_delta(S, K, r, sigma, T, eps=0.01):
    """用中心差分计算数值 Delta"""
    V_up = bs_call_price(S + eps, K, r, sigma, T)
    V_down = bs_call_price(S - eps, K, r, sigma, T)
    return (V_up - V_down) / (2 * eps)

# 参数
S, K, r, sigma, T = 100.0, 100.0, 0.05, 0.2, 1.0

# 解析 Delta
d1 = (np.log(S / K) + (r + 0.5 * sigma**2) * T) / (sigma * np.sqrt(T))
delta_analytic = norm.cdf(d1)
print(f"解析 Delta = {delta_analytic:.6f}")

# 数值 Delta（不同 epsilon）
for eps in [1.0, 0.1, 0.01, 0.001, 1e-6, 1e-10]:
    num_delta = finite_diff_delta(S, K, r, sigma, T, eps)
    err = abs(num_delta - delta_analytic)
    print(f"eps = {eps:12.0e}: 数值 Delta = {num_delta:.8f}, "
          f"误差 = {err:.2e}")

# --- 输出示例 ---
# 解析 Delta = 0.531261
# eps = 1e+00: 数值 Delta = 0.53126267, 误差 = 1.66e-06
# eps = 1e-01: 数值 Delta = 0.53126126, 误差 = 2.08e-09
# eps = 1e-02: 数值 Delta = 0.53126126, 误差 = 1.51e-11
# eps = 1e-03: 数值 Delta = 0.53126126, 误差 = 2.56e-12
# eps = 1e-06: 数值 Delta = 0.53126126, 误差 = 2.22e-10  ← 开始增大
# eps = 1e-10: 数值 Delta = 0.53125898, 误差 = 2.28e-06  ← 严重恶化

关键观察： $\epsilon = 0.001$ 到 $0.01$ 是最优范围。 $\epsilon$ 过小（ $10^{-10}$ ）时，灾难性抵消使误差重新增大。

Monte Carlo 收敛与 Greeks

Monte Carlo 收敛速度

Monte Carlo 模拟的误差以 $\mathcal{O}(1/\sqrt{N})$ 收敛——要将精度提高 10 倍，模拟次数需要增加 100 倍。

模拟次数 $N$	标准误 $\sigma/\sqrt{N}$ （ $\sigma=0.2$ 为例）
$10^2$	$0.0200$
$10^4$	$0.0020$
$10^6$	$0.0002$
$10^8$	$0.00002$

Pathwise Derivative Estimation

在定价奇异期权（如障碍期权、回望期权）时，Monte Carlo 与有限差分 Greeks 结合使用——MC 给出价格，路径上的有限差分估计 Greeks，称为 Pathwise Derivative Estimation，比重抽法（bumping）更稳定。

Quant Link：实际对冲中的 Greeks

Greek	定义	对冲操作	数值方法
Delta $\Delta$	$\partial V / \partial S$	买卖标的资产	中心差分
Gamma $\Gamma$	$\partial^2 V / \partial S^2$	调整 Delta 对冲频率	二阶中心差分
Vega $\nu$	$\partial V / \partial \sigma$	波动率对冲（期权组合）	数值偏导
Theta $\Theta$	$\partial V / \partial t$	时间衰减管理	前向差分

实践建议：在实际交易系统中，不要对所有头寸逐一计算数值 Greeks——应当对聚合的净敞口计算，避免重复计算和累积误差。对于奇异期权，使用数值 Greeks 结合情景分析（Scenario Analysis）是最稳健的做法。 \n> 下一步：回到本章概述

9.4 数值 Greeks ​

有限差分法求 Delta ​

中心差分公式 ​

手算示例 ​

数值 Gamma ​

Python 示例：有限差分 Delta ​

Monte Carlo 收敛与 Greeks ​

Monte Carlo 收敛速度 ​

Pathwise Derivative Estimation ​

Quant Link：实际对冲中的 Greeks ​