课程导入：学习目标、课程结构、二叉树模型在期权定价中的地位与应用场景

欢迎进入《二叉树模型与美式期权定价》课程。在衍生品定价的广袤版图中，二叉树模型以其直观的数学结构、灵活的路径模拟能力以及对美式期权提前行权特征的天然适配性，成为连接离散时间金融理论与连续时间Black-Scholes框架的关键桥梁。本课程将系统拆解二叉树模型的数学内核、工程实现与实战边界，帮助您构建从理论到代码的完整定价能力。

1.1 学习目标：从离散树到连续极限的认知跃迁

本课程的学习目标并非仅仅停留在“会套公式计算”的层面，而是致力于建立一套完整的、可扩展的数值定价思维框架。完成本课程后，您将能够：

• 深刻理解二叉树模型的数学原理：掌握风险中性定价的核心假设，理解u（上涨因子）、d（下跌因子）、p（风险中性概率）的推导逻辑及其与波动率、时间步长的关系。
• 独立实现多期二叉树算法：能够使用Python或Excel从零构建二叉树，处理欧式期权、美式期权以及含股息、连续利率等复杂场景。
• 掌握美式期权提前行权的数值判断：理解逆向归纳法中“行权价值”与“持有价值”的比较逻辑，并能够处理节点上的最优停时问题。
• 建立模型收敛性意识：通过对比二叉树价格与Black-Scholes解析解，理解步数N对定价精度的影响，并掌握加速收敛的常用技巧（如Richardson外推）。

1.2 课程结构：四阶段递进式学习路径

本课程共30章，按照“基础构建 → 核心算法 → 高级扩展 → 实战应用”四个阶段组织，确保学习曲线平滑且逻辑自洽。

1.3 二叉树模型在期权定价中的地位：不可替代的“数值锚点”

在期权定价的数值方法谱系中，二叉树模型占据着独特的历史地位与教学价值。尽管Black-Scholes公式提供了欧式期权的解析解，但面对美式期权、路径依赖期权或含权债券时，解析解往往不存在或过于复杂。此时，二叉树模型凭借其直观的路径模拟能力和灵活的节点处理机制，成为首选的教学模型和快速原型工具。

核心原理：离散化逼近连续

二叉树模型的核心思想是将标的资产的价格变动过程离散化为一系列“上涨”或“下跌”的二元路径。在风险中性测度下，资产价格的期望增长率等于无风险利率。通过设定合适的u和d，使得离散树在步数N→∞时，其价格分布收敛于几何布朗运动（GBM）的连续分布。这种“以离散逼近连续”的思想，是理解所有数值定价方法的钥匙。

判断方法：何时选择二叉树而非其他方法？

• 当期权具有提前行权特征时（美式期权、百慕大期权），二叉树是首选教学模型，因为它能在每个节点自然比较“立即行权价值”与“继续持有价值”。
• 当需要处理路径依赖但维度不高时（如离散股息、利率变动），二叉树可以通过调整节点参数灵活适配。
• 当需要快速验证或教学演示时，二叉树比蒙特卡洛模拟更易实现和调试，且结果具有确定性（无随机误差）。

案例拆解：一个简单的单期二叉树定价

假设某股票当前价格S₀ = 100元，无风险利率r = 5%，波动率σ = 20%，执行价K = 105元，到期时间T = 1年。我们构建一个单期二叉树（N=1）。

1. 计算树参数：u = e^(σ√Δt) = e^(0.2×1) ≈ 1.2214，d = 1/u ≈ 0.8187。Δt = T/N = 1年。
2. 计算风险中性概率：p = (e^(rΔt) - d) / (u - d) = (e^0.05 - 0.8187) / (1.2214 - 0.8187) ≈ (1.0513 - 0.8187) / 0.4027 ≈ 0.5775。
3. 计算到期期权价值：上行节点S_u = 122.14元，看涨期权价值C_u = max(122.14 - 105, 0) = 17.14元；下行节点S_d = 81.87元，C_d = max(81.87 - 105, 0) = 0元。
4. 贴现回当前时刻：C₀ = e^(-rT) × [p × C_u + (1-p) × C_d] = e^(-0.05) × (0.5775 × 17.14 + 0.4225 × 0) ≈ 0.9512 × 9.90 ≈ 9.42元。

这个简单的计算展示了二叉树定价的完整逻辑链：参数设定 → 概率计算 → 终端价值 → 逆向贴现。在后续章节中，我们将把这一逻辑推广到N期，并引入美式行权判断。

常见误区与总结复盘

总结：二叉树模型是金融工程中“最简但最不简单”的模型。它用最朴素的二元路径逼近了最复杂的连续随机过程，为美式期权定价提供了直观且稳健的数值框架。本课程将以此为起点，逐步深入，最终使您能够自如地在二叉树、三叉树、有限差分和蒙特卡洛方法之间切换，针对不同问题选择最优的数值工具。