1. 课程导入
欢迎进入《Monte Carlo与PDE期权定价工程实战》。在动手写第一行定价代码之前，我们需要先建立一张"工程地图"：期权定价到底在解决什么问题，Monte Carlo（蒙特卡洛）与偏微分方程（PDE）两类方法各自站在什么位置，它们如何互补，以及本课程希望带你达到什么样的实战能力。这一章不涉及复杂推导，而是帮你把后续29章的知识点挂到一张清晰的骨架上。
一、核心原理：期权定价工程在解决什么
期权定价的本质，是在风险中性测度下计算一个随机现金流的期望现值。用一句话概括：
V0 = E^Q[ exp(-∫ r(t)dt) · Payoff(S_T, path) ]这个公式看似简单，却包含三个工程难点。第一，状态维度：标的可能是一维股价，也可能是多资产、利率、波动率构成的高维状态。第二，路径依赖：亚式、障碍、回望等产品的收益依赖整条路径，而非仅终点价格。第三，模型复杂度：Black-Scholes有解析解，但Heston、局部波动率、跳跃扩散等模型通常没有闭式解。
正是这些难点，催生了工程上两条主流技术路线：Monte Carlo通过模拟大量路径逼近期望，天然适合高维与路径依赖；PDE通过把期望写成偏微分方程并在网格上数值求解，适合低维、需要高精度希腊字母的场景。二者不是竞争关系，而是同一枚硬币的两面——Feynman-Kac定理正是连接它们的数学桥梁。
二、方法流程：两条路线的工程步骤
无论选择哪条路线，工程落地都遵循"建模—离散—求解—验证"的闭环。下面用清单形式对比两条路线的关键步骤，便于你在后续章节中对照学习。
| 阶段 | Monte Carlo 路线 | PDE 路线 |
|---|---|---|
| 建模 | 写出 SDE，确定漂移与扩散项 | 由 Feynman-Kac 写出定价 PDE |
| 离散 | 时间步进：Euler / Milstein / 精确解 | 空间网格 + 时间步：显式/隐式/CN |
| 求解 | 生成路径、计算收益、折现平均 | 边界条件 + 三对角/稀疏线性求解 |
| 降方差/加速 | 对偶变量、控制变量、重要性抽样 | 自适应网格、Rannacher 启动、多重网格 |
| 希腊字母 | 有限差分、路径导数、似然比 | 网格差分、伴随方程 |
| 验证 | 与解析解/另一方法交叉比对 | 与解析解/MC 交叉比对 |
这张表会在后续章节被反复引用。请特别注意"验证"一行：工程上最危险的不是方法选错，而是选错之后没有交叉验证。MC与PDE互为参照，是本课程贯穿始终的质量保障手段。
三、案例场景：一个障碍期权如何选型
假设你要为一个欧式向下敲出障碍期权定价，标的为单只股票，模型为Heston随机波动率。此时状态维度为二维（价格、方差），且收益依赖路径是否触碰障碍。选型思路如下：
- 若追求快速原型：先用Monte Carlo，路径模拟天然处理障碍触碰判断，代码改动小。
- 若追求高精度与稳定希腊字母：用二维PDE，在价格-方差平面上求解，边界条件需仔细处理障碍边界。
- 若需要实时报价：PDE一次求解得到全网格价格，查表插值远快于每次重新模拟。
- 若维度升到五资产篮子障碍：PDE遭遇维度灾难，应回到Monte Carlo并配合降方差技术。
四、误区与复盘：初学者最容易踩的坑
在多年教学与工程实践中，以下误区出现频率最高，提前标记可以帮你少走弯路。
- 把MC误差当成"随机噪声"忽略：MC误差是O(N^-1/2)，要降低一个数量级精度需增加百倍路径。必须报告置信区间，而非只给一个点估计。
- PDE边界条件随手拍：障碍、美式、分红都会改变边界。边界设错，内部网格再精细也是错的。
- 用显式格式硬扛刚性方程：Heston等模型的扩散项可能导致显式格式不稳定，需隐式或CN格式。
- 希腊字母用粗暴差分：步长过大会有偏，过小会被数值噪声淹没，需结合方法特性选择。
- 不做交叉验证就上线：MC与PDE结果差异超过误差范围时，一定是某一方实现有bug。
五、学习路径与实战目标
本课程共30章，整体分为四个阶段：基础篇（随机过程、Ito引理、风险中性定价）、Monte Carlo篇（路径模拟、降方差、希腊字母、LSM美式）、PDE篇（有限差分、边界条件、美式LCP、多维PDE）、工程实战篇（性能优化、并行、校准、生产级验证）。
完成本课程后，你应当能够独立完成以下实战目标：
- 针对给定合约与模型，判断应选MC还是PDE，并说明理由；
- 用Python/C++实现欧式、亚式、障碍、美式期权的MC与PDE定价；
- 正确估计并报告数值误差，完成两法交叉验证；
- 对Heston等复杂模型完成参数校准与定价全流程；
- 把定价模块封装为可测试、可并行、可上线的工程组件。