二叉树模型

二叉树模型 (Binomial Tree Model)

二叉树模型 (Binomial Tree Model)，也称为 二项期权定价模型 (Binomial Options Pricing Model, BOPM)，是一种在金融数学和衍生品定价领域广泛应用的数值方法。该模型由经济学家 John Cox、Stephen Ross 和 Mark Rubinstein 于 1979 年提出，因此也常被称为 CRR 模型。它将标的资产（如股票）价格在一段时间内的连续随机变动过程简化为一系列离散的、只有两种可能结果的步进过程，从而构建一个价格路径的树状图，并在此基础上对期权等衍生品进行定价。

二叉树模型的核心优势在于其直观性和灵活性。它不仅为理解更复杂的定价模型（如Black-Scholes-Merton 模型）提供了坚实的基础，而且能够有效地为具有提前行权特征的美式期权及其他奇异期权定价，这是标准 Black-Scholes-Merton 模型难以直接处理的。

模型的核心假设

构建二叉树模型依赖于一个理想化的市场环境，其主要假设包括：

• 价格的二叉运动：在每一个离散的时间步长内，标的资产的价格只有两种可能的变动方向：上涨或下跌。
• 无套利市场 (No Arbitrage)：市场中不存在任何无风险的套利机会。这是所有现代资产定价理论的基石。
• 无摩擦市场 (Frictionless Market)：不考虑交易成本、税收，并假设所有证券都是无限可分的。
• 恒定的无风险利率：在期权的整个存续期内，存在一个已知的、恒定的无风险利率 ($r$)，投资者可以按此利率进行无风险的借贷。
• 风险中性世界 (Risk-Neutral World)：为了定价，我们假设所有投资者都是风险中性的。这意味着他们对投资的风险不要求任何风险溢价，所有资产的预期回报率都等于无风险利率。这是一种数学上的构造，用于简化计算，即风险中性定价方法。

构建单步二叉树模型

单步模型是理解整个二叉树方法的起点。

假设当前时间为 $t=0$，标的资产的当前价格为 $S_0$。经过一个时间步长 $\Delta t$ 后，在到期日 $t=T$ 时，资产价格只可能演变为两种状态：

• 上涨 (Up State)：价格变为 $S_u = S_0 \cdot u$，其中 $u$ 是上涨乘数，且 $u > 1$。
• 下跌 (Down State)：价格变为 $S_d = S_0 \cdot d$，其中 $d$ 是下跌乘数，且 $0 < d < 1$。

为了防止直接的套利行为，上涨和下跌乘数必须满足条件：$d < 1+r < u$（对于单期利率 $r$）或 $d < e^{r\Delta t} < u$（对于连续复利利率 $r$）。如果 $e^{r\Delta t} \ge u$，投资者可以借钱买入资产，因为其最低回报也高于无风险利率。反之，如果 $e^{r\Delta t} \le d$，投资者可以做空资产并将所得存入银行，获得无风险利润。

风险中性概率 (Risk-Neutral Probability)

在风险中性的假设下，资产的预期未来价值以无风险利率贴现后，应等于其当前价值。这使得我们能够计算出价格上涨的"伪概率"或"风险中性概率"，记为 $p$。

将 $S_u = S_0 \cdot u$ 和 $S_d = S_0 \cdot d$ 代入上式：

两边同时除以 $S_0$ 并整理，可以解出 $p$：

相应地，价格下跌的风险中性概率为 $1-p$。这个概率 $p$ 并非真实世界中价格上涨的实际概率，而是一个在定价框架下、确保无套利原则成立的数学工具。

单步期权定价

现在，我们可以使用风险中性概率来为一份以该资产为标的、到期日为 $T$ 的欧式期权定价。

1. 计算到期日 payoff： \begin{itemize}
2. 如果价格上涨至 $S_u$，期权的价值为 $C_u$。对于一份看涨期权 (Call Option)，其价值为 $C_u = \max(S_u - K, 0)$，其中 $K$ 是行权价。
3. 如果价格下跌至 $S_d$，期权的价值为 $C_d = \max(S_d - K, 0)$。 \end{itemize}
4. 计算当前价值： 期权在 $t=0$ 时的价值 $C_0$ 是其在风险中性世界中未来期望 payoff 的贴现值。 \[ C_0 = \frac{p \cdot C_u + (1-p) \cdot C_d}{e^{r\Delta t}} \]

这个过程被称为向后归纳法 (Backward Induction)。

扩展至多步二叉树模型

现实中的期权存续期通常需要被划分为多个时间步。一个 $N$ 步二叉树模型将期权到期时间 $T$ 分割成 $N$ 个等长的时间间隔 $\Delta t = T/N$。

参数校准

在多步模型中，上涨和下跌乘数 $u$ 和 $d$ 通常与标的资产的波动率 $\sigma$ 相关联，以更好地模拟真实的价格行为。CRR 模型给出了标准的参数设定：

• 上涨乘数：$u = e^{\sigma \sqrt{\Delta t}}$
• 下跌乘数：$d = e^{-\sigma \sqrt{\Delta t}} = 1/u$

这组参数的设定确保了当 $\Delta t \to 0$ 时，资产价格的随机过程会收敛于几何布朗运动，即 Black-Scholes-Merton 模型所假设的价格过程。

风险中性概率 $p$ 的公式保持不变，只需代入新的 $u$ 和 $d$：

多步定价过程（向后归纳法）

对于一个 $N$ 步模型，定价过程如下：

1. 构建价格树：从 $S_0$ 开始，逐层计算所有可能的价格路径，直到第 $N$ 步（到期日）。在第 $j$ 步时（$0 \le j \le N$），将会有 $j+1$ 个可能的价格节点。
2. 计算终点价值：在第 $N$ 步的所有 $N+1$ 个终点节点上，计算期权的内在价值（payoff）。例如，对于一个看涨期权，在节点 $i$ ($0 \le i \le N$)，价格为 $S_{N,i} = S_0 u^i d^{N-i}$，期权价值为 $C_{N,i} = \max(S_{N,i} - K, 0)$。
3. 逐步向后推导：从第 $N-1$ 步开始，向第 $0$ 步（当前）逐层计算每个节点的期权价值。在第 $j$ 步的任一节点，其期权价值是其后继两个节点（一个上涨，一个下跌）期权价值的期望贴现值。 \[ C_{j} = \frac{p \cdot C_{j+1, \text{up}} + (1-p) \cdot C_{j+1, \text{down}}}{e^{r\Delta t}} \]
4. 处理美式期权：对于美式期权，在每一步向后推导时，都需要在该节点上进行一个额外的比较。节点的价值不仅是持有到下一期的期望贴现价值（持有价值），还可能是立即行权的价值（行权价值）。因此，美式期权的节点价值为： \[ C_{j, \text{American}} = \max(\text{持有价值}, \text{行权价值}) \] 其中，持有价值为 $\frac{p \cdot C_{j+1, \text{up}} + (1-p) \cdot C_{j+1, \text{down}}}{e^{r\Delta t}}$，行权价值为 $\max(S_j - K, 0)$（对于看涨期权）或 $\max(K - S_j, 0)$（对于看跌期权）。
5. 得出最终价格：重复此过程直到树的根节点（第 $0$ 步），得到的价值 $C_0$ 就是该期权的理论价格。

模型评价

优点

• 直观易懂：其离散化的框架使得复杂的期权定价问题变得易于理解和实现。
• 灵活性高：能够方便地为美式期权、带分红资产的期权以及许多类型的奇异期权（如障碍期权、亚式期权等）定价。
• 教育价值：是学习风险中性定价和随机过程在金融中应用的绝佳入门工具。

缺点

• 计算量大：随着步数 $N$ 的增加，节点的数量以 $O(N^2)$ 的级别增长，导致计算效率在 $N$ 很大时降低。
• 离散时间近似：它本质上是对连续时间过程的近似。要获得高精度结果，需要非常多的时间步数。

与 Black-Scholes-Merton 模型的关系

二叉树模型不仅仅是一个简单的近似。理论上已经证明，当步数 $N \to \infty$ 时，在 CRR 参数设定下，二叉树模型计算出的欧式期权价格会收敛于Black-Scholes-Merton 公式给出的解析解。这表明二叉树模型与 Black-Scholes-Merton 模型在理论基础上是相容的，前者是后者在离散时间框架下的一个强大且灵活的数值实现。