1. 课程导入
欢迎进入《美式期权与Longstaff-Schwartz定价实战》。在衍生品定价的版图中，美式期权是最贴近真实交易场景、也最具计算挑战的一类合约。与欧式期权只能在到期日行权不同，美式期权允许持有者在到期日之前的任意时刻提前行权，这一“可提前行权”的权利，使定价问题从解析公式转向了最优停时问题。本课程的目标，是带你从理论直觉出发，逐步掌握Longstaff-Schwartz（LSM）蒙特卡洛方法，并最终能够独立完成从建模、实现到验证的完整定价流程。
一、学习目标：从理解到落地
本课程围绕三个层次展开。第一层是概念层：理解美式期权的行权特征、最优停时本质，以及为什么传统Black-Scholes公式无法直接处理提前行权。第二层是方法层：掌握Longstaff-Schwartz的核心思想——用蒙特卡洛模拟路径，并通过最小二乘回归估计继续持有价值（continuation value），从而在每条路径上回溯判断最优行权时点。第三层是实战层：能够用Python实现LSM定价器，处理看跌期权、看涨期权、支付股息标的等场景，并对结果进行收敛性与误差分析。
学完本课程，你应当能够回答以下问题：为什么美式看跌期权比欧式看跌期权更贵？LSM中的基函数如何选择？回归估计的偏差来自哪里？如何用对偶方法或有限差分法交叉验证结果？这些问题的答案，将构成你独立开展美式期权定价工作的能力基础。
二、核心概念：最优停时与继续持有价值
美式期权的定价本质是一个最优停时问题。设期权价值为 V(t, S_t)，持有者需要在每个时刻决定“立即行权”还是“继续持有”。立即行权收益为内在价值 g(S_t)，继续持有的价值则是未来最优行权收益在风险中性测度下的期望贴现。因此，期权价值满足：
V(t, S_t) = max( g(S_t), E[ e^{-rΔt} V(t+Δt, S_{t+Δt}) | S_t ] )这个递归关系是美式期权定价的“心脏”。它告诉我们，任何时刻的价值都是“行权收益”与“继续持有价值”的较大者。LSM方法的关键，就是用模拟路径上的样本，通过回归来近似那个条件期望，从而避免对高维状态空间的直接数值求解。
核心直觉：LSM不是去解偏微分方程，而是“先模拟未来，再回头决策”。它沿着每条价格路径从到期日向前回溯，在每个行权日比较“立即行权”与“回归预测的继续持有价值”，从而确定该路径的最优行权时点，最后将所有路径的贴现收益取平均。
三、整体框架：LSM方法的流程与结构
为了让你在动手之前先建立全局观，下面给出LSM定价的完整流程框架。它包含路径生成、回溯回归、行权决策和结果聚合四个阶段。
上图展示了LSM的五个核心阶段。需要特别注意的是，回溯回归阶段只应使用“继续持有”的路径样本进行拟合，而不是全部路径。这是因为已经行权的路径不再参与后续决策，若混入回归会引入偏差。这一细节是LSM实现中最容易出错的地方之一。
四、案例场景：一个直观的数值对比
为了让你感受美式期权与欧式期权的差异，考虑一个标准场景：标的资产价格 S0=100，行权价 K=100，无风险利率 r=5%，波动率 σ=20%，到期时间 T=1年，无股息。欧式看跌期权价格约为4.57元，而美式看跌期权价格约为4.72元。这多出的约0.15元，正是“提前行权权利”的价值。
再看一个更极端的场景：当标的资产价格大幅下跌至 S=60，且利率较高时，提前行权可以立即获得40元的内在价值，并将资金以无风险利率再投资。此时美式期权的提前行权价值会显著放大。LSM方法能够自动捕捉这些场景，而无需人为设定行权边界。
| 对比维度 | 欧式期权 | 美式期权 |
|---|---|---|
| 行权时间 | 仅到期日 | 到期前任意时刻 |
| 定价方法 | Black-Scholes解析公式 | LSM、有限差分、二叉树等 |
| 看跌期权价格（示例） | 约4.57元 | 约4.72元 |
| 核心难点 | 无 | 最优停时与继续价值估计 |
| 计算复杂度 | 低 | 中高，依赖路径模拟 |
五、误区与复盘：初学者常踩的坑
误区一：用全部路径做回归。LSM回溯时，只有“尚未行权”的路径才应参与继续价值的回归。若把已行权路径也纳入，会低估继续价值，导致行权决策偏早，定价偏低。
误区二：基函数越多越好。基函数过多会导致过拟合，尤其在路径数量不足时，回归曲线会剧烈震荡。通常使用前3到5个Laguerre或Hermite多项式即可，需通过交叉验证选择。
误区三：忽略方差缩减。原始蒙特卡洛的收敛速度是 O(1/√N)，路径数不足时误差很大。实战中应结合对偶变量法、控制变量法或重要性抽样来降低方差。
复盘时，建议你始终保留一个“基准对照”：对于无股息美式看涨期权，其价格应等于欧式看涨期权；对于美式看跌期权，其价格应不低于欧式看跌期权，且不高于立即行权价值加上某种上界。这些理论边界是检验实现正确性的第一道防线。
实战路线图建议：先实现欧式期权蒙特卡洛定价并验证，再扩展到LSM；先用简单看跌期权跑通流程，再引入股息、随机波动率等复杂特征；先固定随机种子做单元测试，再做批量收敛性实验。每一步都保留可复现的代码与日志，这是量化定价工程的基本素养。
本章作为课程导入，已经为你勾勒出美式期权定价的问题本质、LSM方法的核心逻辑、完整流程框架以及常见陷阱。接下来的章节将逐层展开：从蒙特卡洛路径生成、回归基函数设计，到LSM的Python实现、误差分析与交叉验证。请带着“最优停时”这一核心视角，进入后续的实战环节。