💰 quantitative finance

Hedging and Pricing European-type, Early-Exercise and Discrete Barrier Options using Algorithm for the Convolution of Legendre Series

本文通过在 Chebfun 框架内应用用于勒让德级数卷积的 CONLeg 算法，引入了一种针对莱维过程下欧式、早行权及离散障碍期权定价与对冲的高精度、无求积法方法，并证明了该方法在各种市场条件和期权类型下相较于现有技术具有更优越的性能。

原作者： Tat Lung Chan, Nicholas Hale

发布于 2026-06-04

📖 1 分钟阅读☕ 轻松阅读

原作者： Tat Lung Chan, Nicholas Hale

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你是一位试图根据土地价格（股票）可能的走势来预测房屋未来价值（期权）的金融架构师。在金融世界中，这些预测往往受到市场“跳跃”或标准数学模型难以处理的奇特、不可预测行为的影响。

这篇论文介绍了一种名为 CONLeg（CONvolution of Legendre series，即勒让德级数卷积）的新工具，用以解决这些定价难题。以下是其工作原理的通俗解释：

1. 问题所在：“锯齿边缘”问题

传统的期权定价方法通常依赖于一种称为快速傅里叶变换（FFT）的技术。你可以把 FFT 想象成尝试用一把只知道画直线、却无法画出曲线的直尺来绘制平滑曲线。当市场数据是“平滑”的（可预测的）时，这种方法效果很好。但当市场数据是“锯齿状”或有突然尖峰时（比如股票价格意外跳变），这把直尺会产生一种被称为 吉布斯现象（Gibbs phenomenon） 的“锯齿边缘”效应。这就像是用直尺去描绘山脉的照片；你会得到许多不必要的噪声和波动，导致预测不准确。

其他方法试图通过在单一点对价格进行“快照”来解决问题。但在金融领域，你不仅仅想知道某一个房子的价格；你希望同时知道这条街上所有房子的价格。

2. 解决方案：“平滑画家”（CONLeg）

作者建议使用 勒让德级数（Legendre series） 和 切比雪夫级数（Chebyshev series）。请不要把它们看作是直尺，而要把它们看作是一套灵活的、平滑的画笔。

类比： CONLeg 方法不再强行用直尺去拟合锯齿状线条，而是使用这些灵活的画笔来“绘制”整个期权价格曲线。
神奇之处： 它将定价公式视为一个 卷积（convolution）。简单来说，卷积就像是将一个形状在另一个形状上滑动，观察它们的重叠情况。论文展示了如何使用这些平滑的画笔，将“收益形状”（行权时能获得的东西）与“概率形状”（股票移动的可能性）进行滑动叠加。

3. 为什么更好：“全图”对比“单针”

大多数旧方法只能给你地图上的一个点：“这个期权的价格是 5.00 美元。”如果你想知道对于稍微不同的执行价格该是多少，你必须重新运行整个计算过程才能得到一个新的点。

CONLeg 方法则不同。它不仅给你一个点，它还绘制了 整张地图。

类比： 它不仅仅是计算某一个特定房子的价格，CONLeg 是在一次计算中得出 整个社区 的价格。它生成一条连续的曲线（一个函数），可以瞬间告诉你某个价格范围内内任何股票价格的价格。
优势： 这使得交易员可以将“希腊字母”（如 Delta 和 Gamma 等敏感度指标）视为平滑的线条，而不是一系列断开的点。这对于对冲（规避风险）至关重要，因为它能精确显示风险如何随市场波动而变化，而不仅仅是在某个特定时刻。

4. 处理“混乱”的市场

论文测试了该方法在各种类型的市场中的表现，包括由 列维过程（Lévy processes） 驱动的市场。

类比： 想象一下平静的湖泊（标准市场）与波涛汹涌的海面（带有突发剧烈波浪的市场，即存在跳跃的市场）之间的区别。
主张： CONLeg 方法即使在“水流”汹涌时也能表现出色。它可以处理“非平滑”的概率密度（即那些突发的波浪），而不会损失精度。它可以为那些处于极深实值或虚值状态、或者即将到期、或在未来很长时间后才到期的期权进行定价。

5. 工具箱：Chebfun

作者使用了一个名为 Chebfun 的软件包构建了此工具。

类比： 如果说标准编程像是用计算器手动做数学题，那么 Chebfun 就像是一个理解“函数作为一个整体对象”的机器人。作者利用这个机器人自动完成了“绘画”过程，使复杂的卷积数学运算实现起来更加容易。

总结性主张

该论文声称：

准确性： CONLeg 具有极高的准确性，即使在市场数据粗糙或锯齿状的情况下也是如此，其表现优于或匹配现有的 COS、SWIFT 和 CONV 等方法。
效率： 它能在不到一秒的时间内生成整条价格曲线和风险指标，而不是逐点计算。
多功能性： 它适用于欧式期权（固定到期）、美式期权（随时行权）、障碍期权（一旦触及价格即失效）以及百慕达期权（可在特定日期行权）。
鲁棒性： 它能有效处理既平滑又具有“跳跃性”的市场（例如存在突然崩盘或飙升的市场）。

简而言之，这篇论文提出了一种新的方法，通过“绘制”未来的期权价值，使其比以往的技术更平滑、更全面，并且在面对市场混乱时更加稳健。

技术摘要：利用勒让德级数卷积算法对欧式、早期行权及离散障碍型期权进行对冲与定价

问题陈述
本文研究了在一般列维过程（Lévy processes）下，为包括欧式、早期行权（美式/伯慕尼式）和离散监测障碍型期权在内的多种金融衍生品进行定价与对冲的挑战。现有的数值技术面临特定的局限性：

基于 FFT 的方法（如 CONV）： 虽然广受欢迎，但通常需要大量的傅里叶项才能达到足够的精度，这使得计算成本高昂，特别是在近似概率密度函数（PDF）或为具有非平滑特征的期权定价时。
基于求积的方法（如 QUAD）： 这些方法通常依赖于闭式 PDF，或需要通过 FFT 进行特征函数的反演。此外，它们通常产生的是单个点值而非连续定价曲线，且期权希腊字母（敏感度）的计算往往局限于一阶有限差分，这可能缺乏准确性。
级数展开法（如 COS, SWIFT）： 虽然 COS 方法提供了指数收敛性，但它需要预先选择计算域；如果计算域不当，误差会在时间递归中传播，导致早期行权期权的定价错误。SWIFT 方法虽然解决了早期行权问题，但缺乏指数收敛性的理论证明，因为其尺度参数是根据启发式方法选择的。此外，这些方法通常没有解决希腊字母计算的问题。

方法论
作者提出了 CONLeg 方法，该方法利用紧支撑勒让德级数（compactly supported Legendre series）的卷积来近似期权定价与对冲公式。该方法集成了以下组成部分：

勒让德级数的卷积： 该核心算法改编自 Hale 和 Townsend (2014a)，通过有限勒让德级数来近似两个函数（收益函数与反射 PDF）的卷积。这种方法通过将卷积域分为左侧和右侧两部分（ $h_L$ 和 $h_R$ ），并利用三项递推关系计算系数，从而避免了 FFT 近似非周期函数时产生的吉布斯现象（Gibbs phenomenon）。
Chebfun 框架： 该方法采用 Chebfun（一个用于函数数值计算的 MATLAB 系统）将函数表示为切比雪夫级数。这使得实现高精度（约 15 位有效数字）的自适应近似成为可能。
处理非平滑 PDF： 对于 PDF 不平滑或缺乏闭式形式的过程（例如方差伽马过程 VG、CGMY），论文利用了：
- 复傅里叶级数 (CFS)： 在不存在闭式形式时，用以表示 PDF。
- 傅里叶–帕德 (Fourier–Padé) 方法： 用于定位 PDF 中的奇异点并构建精确的分段近似，从而解决吉布斯现象。
定价与希腊字母的公式化：
- 定价： 期权价格被公式化为卷积积分 $V(x,K,t) \approx e^{-r(T-t)}K (f_M * g_N)(\tilde{x})$ 。与计算点值的方法不同，CONLeg 生成的是在一定行权价或标的价格范围内的连续定价曲线（分段多项式）。
- 对冲（希腊字母）： 由于价格是以切比雪夫/勒让德级数形式表示的，因此可以通过对级数求导来解析地计算导数（Delta, Gamma, Vega），从而避免了有限差分方法的误差。
应用于各类期权：
- 欧式/伯慕尼/美式： 该方法构建了递归定价方程。对于美式期权，它对伯慕尼期权价格采用了 Richardson 外推法。
- 障碍期权： 该方法通过将障碍水平视为分段多项式近似中的断点来处理离散监测。
定义域选择： 计算区间 $[c, d]$ 利用底层列维过程的累积量（cumulants）来确定，以确保该区间捕捉到大部分 PDF 质量。

主要贡献

曲线生成： 主要贡献在于能够生成期权定价与希腊字母曲线（关于 $S$ 或 $K$ 的函数），而非仅仅是离散的点值。这是通过直接近似卷积积分实现的。
无求积方法： 通过利用正交多项式（勒让德与切比雪夫）的性质和卷积定理，该方法提供了一种无需数值积分权重的无求积方法。
对非平滑性的鲁棒性： 只要使用 Fourier–Padé 技术来定位并处理奇异点，即使在风险中性 PDF 不平滑或包含奇异点的情况下，该方法也能表现出极高的准确性。
灵活性： 该方法适用于广泛的随机过程（GBM, VG, NIG, CGMY），无论是否存在闭式 PDF，因为它可以通过 CFS 表示法处理特征函数。
实现： 论文提供了基于 Chebfun 的概念验证实现，强调了使用基于函数的高级函数计算进行金融建模的便利性。

数值结果
论文通过在各种模型和期权类型下的数值实验，将 CONLeg 与既有方法（COS, filter-COS, CONV, Lewis-FRFT, QUAD-CONV, SWIFT）进行了对比：

欧式期权： 在 Black-Scholes (GBM) 模型下，CONLeg 在不到 0.1 秒内为 1000 个点实现了价格、Delta 和 Gamma 的机器精度准确度（ $R_\infty \approx 10^{-14}$ ）。对于长期期权（T=50, 100），它仍能保持高精度。
短期限/非平滑 PDF： 在具有尖锐峰值和奇异点的方差伽马 (VG) 模型中，CONLeg 的表现优于 CONV、Lewis-FRFT 和 QUAD-CONV，达到了与 COS 和 filter-COS 方法相当的准确度。
早期行权期权： 在 NIG 和 CGMY 模型下的伯慕尼和美式期权中，CONLeg 的准确度达到或略微超过了 COS 方法，且计算时间相近。
障碍期权： 对于离散监测的障碍期权（每日和每月），CONLeg 在准确度和计算时间方面表现得与 SWIFT 方法相当。

意义与主张
作者声称，在数值实验中，CONLeg 方法展现出了优于或等同于现有技术的性能。其重要性在于：

准确性： 即使在深度实值/虚值以及不同到期日的情况下，它也能提供高精度的定价和希腊字母，尤其是在处理非平滑 PDF 时。
高效的曲线生成： 它能高效地生成整个定价与对冲曲线，这对于模型校准和风险管理（而非计算离散点）非常有利。
理论鲁棒性： 它避免了 COS 方法在递归定价中的定义域选择陷阱，并提供了通过 Fourier–Pade 系统处理奇异点的途径。
实用性： 作者承认，由于采用了自适应程序，目前的 Chebfun 实现会产生一定的开销，但该方法是一个“概念验证”，证明了基于函数的卷积在金融建模中的可行性。他们指出，若要进行关于收敛速率的公平效率比较，则需要一个非自适应版本，但目前的结果是令人鼓舞的。

论文最后指出，未来的工作将把该方法扩展到时间变化列维过程（time-changed Lévy processes）和随机波动率模型下的路径依赖型期权。