1. 课程导入

在金融衍生品系统中，期权估值引擎是定价、风控、交易与清算的共同底座。它一旦出现偏差，影响不会停留在某一张报价单上，而会沿着估值、保证金、损益归因、监管报表一路放大。因此，本课程关注的不是“如何写一个Black-Scholes公式”，而是如何让一个已经上线的期权估值引擎在持续迭代中保持可信、可解释、可审计。回归测试与模型验证，正是支撑这种可信度的两条主线。

一、学习目标：从“能算”走向“算得可信”

本课程的学习目标可以归纳为四个层次。第一，理解期权估值引擎的输入、输出与关键中间量，能够识别哪些变化属于正常重构，哪些变化会改变定价语义。第二，掌握回归测试的设计方法，包括基准用例、边界用例、随机一致性用例与性能回归用例。第三，建立模型验证思维，能够从模型假设、数值方法、市场数据、校准结果四个维度评估估值偏差。第四，能够把测试与验证结果转化为可追踪的缺陷、可复现的日志和可审计的报告。

二、核心概念：估值引擎、回归测试与模型验证

期权估值引擎通常由市场数据层、模型层、数值方法层和产品合约层组成。市场数据层提供标的价格、波动率曲面、利率曲线与分红曲线；模型层包含Black-Scholes、二叉树、蒙特卡洛、有限差分等；数值方法层负责离散化、路径生成、收敛控制；产品合约层则处理欧式、美式、亚式、障碍、雪球等收益结构。回归测试与模型验证的对象，正是这些层之间的接口与最终估值结果。

回归测试强调“可重复的对照”。它需要一套稳定的基准输入、预期输出和容差规则。模型验证则更接近“独立复核”，常用手段包括解析解对照、蒙特卡洛与偏微分方程交叉验证、希腊字母有限差分校验、极端参数压力测试以及独立实现比对。

三、整体框架：从输入到报告的验证闭环

一个可落地的验证闭环通常包含六个环节：定义基准、构造用例、执行回归、分析偏差、定位根因、归档报告。定义基准时，要明确估值日期、合约条款、市场数据快照和模型参数；构造用例时，要覆盖平价、实值、虚值、临近到期、高波动、负利率等场景；执行回归时，要记录引擎版本、依赖库版本和运行环境；分析偏差时，要区分数值误差、数据误差和模型误差；定位根因时，要能追溯到具体代码提交或参数变更；归档报告时，要保留可复现的命令与日志。

# 典型回归执行命令示例
python -m option_engine.regression \
  --suite baseline_european \
  --market-data snapshots/2025-03-31.json \
  --tolerance 1e-6 \
  --report reports/regression_20250331.html

# 输出日志片段
[INFO] Loaded 128 benchmark cases
[INFO] Engine version: 2.4.1
[WARN] Case MC-ASIAN-017 deviation 3.2e-5 exceeds 1e-6
[INFO] Regression finished: 127 passed, 1 failed

四、案例与场景：一次波动率曲面变更引发的偏差

某团队在重构波动率插值模块后，欧式期权价格几乎不变，但障碍期权价格出现系统性偏移。回归测试最初只覆盖了欧式平价期权，因此全部通过。后来引入模型验证中的交叉检查，用蒙特卡洛与有限差分分别计算同一障碍期权，发现两者差异随障碍水平接近现价而扩大。进一步排查发现，新插值在曲面边缘采用了线性外推，而旧逻辑使用平坦外推，导致深度虚值区域的局部波动率被高估。这个案例说明：回归测试的覆盖面决定了能否发现退化，模型验证的独立性决定了能否发现“看似正确”的系统偏差。

五、常见误区与复盘要点

• 误区一：只测价格，不测希腊字母。价格通过不代表敏感度正确，Delta、Gamma、Vega的偏差会直接影响对冲与保证金。
• 误区二：容差设置过宽。容差过宽会掩盖真实退化，过窄则会被浮点噪声淹没，需要按产品类型和数值方法分层设定。
• 误区三：忽略市场数据快照。没有固定数据快照的回归结果不可复现，也无法区分引擎变化与数据变化。
• 误区四：把模型验证当成一次性任务。模型验证应随市场结构、产品复杂度和监管要求持续更新。