💰 quantitative finance

Option pricing model under the G-expectation framework

本文在 G-期望框架下构建了非线性 G-Black-Scholes 期权定价模型，并通过引入对数变换设计了具有相容性、稳定性及收敛性的显隐式有限差分数值格式，有效提升了计算效率并放宽了稳定性约束。

原作者： Ziting Pei, Xingye Yue, Xiaotao Zheng

发布于 2026-03-25

📖 1 分钟阅读☕ 轻松阅读

原作者： Ziting Pei, Xingye Yue, Xiaotao Zheng

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

这篇论文就像是在给金融界的“天气预报”升级。

想象一下，传统的股票价格预测（比如著名的布莱克 - 舒尔斯模型）就像是在一个风平浪静的游泳池里游泳。它假设水的波动（也就是“波动率”）是恒定不变的，就像水温永远保持在 25 度。这在理论很完美，但在真实的金融市场里，这就像假设大海永远没有风浪一样，显然不现实。

这篇论文做了什么？

它引入了一个更聪明的视角（叫"G-期望”），承认大海的波浪大小是不确定的，可能在这个范围内，也可能在那个范围内。它不再问“波浪具体有多大？”，而是问“在最坏的波浪情况下，我的船（期权）值多少钱？”

为了算出这个“最坏情况”下的价格，作者们做了一件非常巧妙的事情，我们可以把它分成三个步骤来理解：

1. 从“直线”到“曲线”的视角转换（对数变换）

原来的难题：
想象你要在一张巨大的地图上画一条线，从 1 米画到 1000 米。如果地图是线性的（1, 2, 3...），在 1 米的地方，你的笔稍微抖一下，误差很小；但在 1000 米的地方，笔稍微抖一下，误差就被放大了几千倍。这就是传统方法算股票价格时的痛点：股票价格越高，计算越容易出错，而且为了稳住计算，你必须把时间切得极碎（像切面包一样切成千上万片），非常慢。

作者的魔法（对数变换）：
作者说：“别直接看价格 $S$ ，我们看价格的‘对数’ $X = \ln(S)$ 。”
这就像把那张巨大的线性地图，变成了一张对数地图。

在普通地图上，1 到 10 的距离和 100 到 109 的距离看起来差不多，但实际价值差远了。
在对数地图上，1 到 10 的距离被“压缩”了，100 到 1000 的距离也被“压缩”了。
比喻： 这就像把原本需要走 100 公里的崎岖山路，变成了一条平缓的坡道。原本需要走 10000 步才能走完的“稳定性限制”，现在只需要走 3000 步。

结果： 计算速度变快了，而且更不容易出错。

2. 两种“算账”的方法（显式与隐式）

为了算出这个价格，作者设计了两种“记账”方法：

显式方法（像“一步一个脚印”）：
就像你走楼梯，知道现在的台阶高度，就能直接算出下一步的高度。
- 优点： 简单，算得快。
- 缺点： 如果步子迈得太大（时间步长太大），就会摔跟头（计算发散）。以前因为地图太大，必须迈很小的步子；现在用了“对数地图”，步子可以迈大一点，走得更快。
隐式方法（像“全局统筹”）：
这就像你要算出明天的天气，不仅要看今天，还要把明天所有可能的情况都考虑进去，解一个复杂的方程组。
- 优点： 无论步子迈多大，都不会摔跟头（无条件稳定），非常稳健。
- 缺点： 每次算都要解一个复杂的方程，比较费脑子（计算量大）。
- 作者的改进： 他们设计了一个聪明的“迭代”技巧，就像你猜一个数字，猜一次不对就修正一次，通常猜 2 次就能猜对，效率非常高。

3. 为什么要关心这个？（实际应用）

论文里做了两个实验：

蝴蝶价差（Butterfly Spread）： 这是一种复杂的期权，就像在赌“股价会不会刚好落在中间”。
数字看涨期权（Digital Call）： 这是一种“全有或全无”的赌注，股价超过某个点就赢，否则就输。

实验结果告诉我们：

用了“对数变换”后，显式方法的计算速度提升了约 63%（原本需要走 22500 步，现在只要 8286 步）。
两种方法算出来的结果都非常准，而且隐式方法即使面对那种“突然跳变”的复杂情况（像数字期权），也能稳稳地算出来。

总结

这篇论文的核心贡献就是：
在充满不确定性的金融市场里，我们不再盲目追求“完美的预测”，而是追求“最坏情况下的稳健估值”。作者通过把价格地图“对数化”（把陡峭的山路变平缓），配合两种聪明的计算算法，让计算机算得更快、更稳、更准。

这就好比以前我们要在狂风暴雨中开船，只能小心翼翼地慢慢划；现在作者给了我们一张智能海图和自动导航仪，让我们能更从容、更高效地穿越风暴，准确到达目的地。

这是一份关于论文《G-期望框架下的期权定价模型》（Option pricing model under the G-expectation framework）的详细技术总结。

1. 研究背景与问题 (Problem)

背景： 传统的 Black-Scholes 期权定价模型假设波动率是常数，且市场遵循线性概率测度。然而，实际金融市场中波动率往往是不确定的（Uncertain Volatility），且存在模型风险。
核心问题： 如何在**G-期望（G-expectation）**框架下，即考虑模型不确定性的非线性期望环境中，构建一个稳健的期权定价模型？
具体挑战：
1. G-期望框架下的资产价格遵循 G-几何布朗运动（G-geometric Brownian motion），导致定价方程是一个完全非线性偏微分方程（Fully Nonlinear PDE），而非经典的线性 Black-Scholes 方程。
2. 该非线性 PDE 的数值求解具有挑战性，特别是显式格式通常受到严格的稳定性条件限制（CFL 条件），导致计算效率低下。
3. 需要证明数值格式的一致性、稳定性、单调性，并证明其收敛于该非线性 PDE 的粘性解（Viscosity Solution）。

2. 方法论 (Methodology)

论文提出了一套完整的数值求解框架，主要包含以下步骤：

2.1 理论建模

G-风险中性定价： 在 G-期望空间 $(\Omega, \mathcal{H}, \hat{\mathbb{E}})$ 中定义风险中性，假设所有风险证券的 G-期望回报率等于无风险利率 $r$ 。
G-Black-Scholes 方程： 基于 G-几何布朗运动 $S_t$ ，利用非线性 Feynman-Kac 公式，推导出期权价格 $U(t, S)$ 满足的完全非线性 PDE：
$\frac{\partial U}{\partial t} + rS \frac{\partial U}{\partial S} + \frac{1}{2} \sup_{\Sigma \in [\underline{\Sigma}, \bar{\Sigma}]} \left( \sigma^2 S^2 \Sigma^2 \frac{\partial^2 U}{\partial S^2} \right) - rU = 0$
其中波动率 $\Sigma$ 在区间 $[\underline{\Sigma}, \bar{\Sigma}]$ 内不确定。

2.2 对数变换 (Logarithmic Transformation)

为了改善数值性能，引入变换 $X = \ln S$ 。
将原方程转化为关于 $X$ 的等价非线性 PDE：
$\frac{\partial V}{\partial t} + r \frac{\partial V}{\partial X} + \sup_{\Sigma \in [\underline{\Sigma}, \bar{\Sigma}]} \left[ \frac{1}{2}\sigma^2 \Sigma^2 \left( \frac{\partial^2 V}{\partial X^2} - \frac{\partial V}{\partial X} \right) \right] - rV = 0$
目的： 该变换显著放宽了显式差分格式的稳定性约束，降低了计算成本。

2.3 数值离散化方案

论文设计了两种有限差分格式来求解变换后的 PDE：

显式差分格式 (Explicit Scheme)：
- 直接离散化时间导数和空间导数。
- 推导了保证格式单调性和稳定性的网格步长条件（CFL 条件）。
隐式差分格式 (Implicit Scheme)：
- 对时间项采用隐式处理，形成非线性代数方程组。
- 采用 Picard 迭代法 在每一步时间步内求解非线性系统。
- 证明了迭代序列的单调有界性，从而保证收敛。

2.4 理论分析

利用 Barles 和 Souganidis 的理论框架，证明了两种格式满足一致性 (Consistency)、稳定性 (Stability) 和 单调性 (Monotonicity)。
根据上述性质，严格证明了数值解收敛于非线性 PDE 的粘性解。
给出了收敛速率估计： $O(\Delta t^{\beta/2} + h^\beta)$ 。

3. 主要贡献 (Key Contributions)

统一的 G-风险中性定价框架： 在 G-期望环境下构建了完整的期权定价理论，将 G-几何布朗运动与风险中性定价相结合，导出了 G-Black-Scholes 方程。
对数变换的数值优势： 首次系统性地分析了在 G-期望框架下对资产价格进行对数变换的数值效益。理论证明和实验表明，该变换显著降低了显式格式的稳定性约束（时间步长限制），从而大幅提高了计算效率。
严格的收敛性证明： 不仅提出了显式和隐式两种差分格式，还严格证明了它们的一致性、稳定性、单调性，并确立了其向粘性解的收敛性。特别是针对隐式格式，证明了内部非线性迭代的收敛性。
数值验证： 通过蝴蝶价差（Butterfly Spread，非凸收益）和数字看涨期权（Digital Call Option，不连续收益）两个算例，验证了方法的精度和鲁棒性。

4. 实验结果 (Results)

精度与收敛阶：
- 对于平滑收益（蝴蝶价差），显式和隐式格式均达到了约 2 阶收敛精度。
- 对于不连续收益（数字期权），由于解的正则性降低，收敛阶降至约 1 阶，符合理论预期。
计算效率对比（对数变换 vs. 原始变量）：
- 在相同的空间网格点数下，使用对数变换的显式格式所需的最小时间步数比原始 $S$ 域格式减少了约 63%（例如在 $M=800$ 时，从 22,500 步降至 8,286 步）。
- 计算时间（CPU Time）显著降低，且随着网格加密，效率优势更加明显。
隐式迭代效率： 隐式格式内部的 Picard 迭代收敛极快，每个时间步通常仅需 2 次 迭代即可达到收敛容差，证明了算法的高效性。

5. 意义与结论 (Significance & Conclusion)

理论意义： 该研究填补了 G-期望框架下期权数值定价方法的理论空白，为处理模型不确定性下的金融衍生品定价提供了坚实的数学基础。
实践价值：
- 提出的对数变换技术为处理此类强非线性 PDE 提供了一种高效、低成本的数值预处理手段，特别适用于显式格式。
- 构建的隐式格式结合快速迭代算法，为需要无条件稳定性的复杂定价问题提供了可靠工具。
- 该方法能够有效处理波动率区间不确定带来的最坏/最好情况定价问题，为金融机构在极端市场环境下的风险对冲和定价提供了更稳健的工具。

总结： 本文成功将 G-期望理论应用于期权定价，通过引入对数变换优化了数值离散过程，并严格证明了显式和隐式差分格式的收敛性。数值实验表明，该方法在保持高精度的同时，显著降低了计算成本，是解决模型不确定性下非线性定价问题的有效方案。