期权定价基础：期权类型、价值构成与行权规则
在进入最小二乘蒙特卡洛（LSM）方法之前，必须先厘清期权定价的基本概念框架。LSM 方法的核心优势在于处理美式期权的提前行权问题，而理解欧式、美式、百慕大期权的差异，以及内在价值、时间价值与行权规则，是构建定价模型的前提。本节将系统梳理这些基础要素，并给出定价问题的数学表述，为后续的回归算法与路径模拟奠定严格基础。
2.1 期权类型：行权时点的三种约束
核心原理
期权合约的核心要素之一是行权时间窗口，它决定了持有者可以在何时以约定价格买入或卖出标的资产。根据行权时点的灵活性，期权分为三大类：
- 欧式期权（European Option）：只能在到期日当天行权。这是 Black-Scholes 公式的标准适用对象，数学处理最为简洁。
- 美式期权（American Option）：在到期日之前的任意交易日（含到期日）均可行权。由于提前行权可能带来收益优势，其定价需要求解最优停时问题，复杂度显著高于欧式期权。
- 百慕大期权（Bermudan Option）：在合约规定的若干特定日期（如每月某日、每季度某日）可行权，介于欧式与美式之间。百慕大期权是 LSM 方法最典型的应用场景，因为其离散行权点与蒙特卡洛模拟的时间网格天然匹配。
判断方法
在实际定价中，判断期权类型主要看合约条款中的行权时间表。若条款写明"仅到期日可行权"则为欧式；写明"到期日前任一营业日"则为美式；写明"每月第 3 个周五"或"每季度末"等特定日期集合，则为百慕大。此外，部分可转债、含权债券中的嵌入式期权常为百慕大结构。
| 特征维度 | 欧式期权 | 美式期权 | 百慕大期权 |
|---|---|---|---|
| 行权时点 | 仅到期日 T | [0, T] 内任意时刻 | 离散集合 {t₁, t₂, ..., tₙ} |
| 定价复杂度 | 低（BS 公式） | 高（最优停时） | 中高（离散最优停时） |
| 数值方法 | 解析解 / 蒙特卡洛 | 二叉树 / 有限差分 / LSM | LSM / 动态规划 |
| 提前行权溢价 | 无 | 存在（尤其深度实值） | 存在但受限 |
2.2 内在价值与时间价值：价值分解
核心原理
期权价格由两部分构成：内在价值（Intrinsic Value）与时间价值（Time Value）。内在价值是立即行权所能获得的收益，对于看涨期权为 max(S - K, 0)，看跌期权为 max(K - S, 0)，其中 S 为标的资产当前价格，K 为行权价。时间价值则反映了未来标的资产价格波动带来的潜在收益机会，其大小受剩余期限、波动率、无风险利率等因素影响。
判断方法
判断期权处于何种状态，只需比较 S 与 K 的关系：
- 实值（In-the-Money, ITM）：Call 的 S > K，或 Put 的 S < K，内在价值 > 0。
- 平值（At-the-Money, ATM）：S ≈ K，内在价值接近 0，时间价值最大。
- 虚值（Out-of-the-Money, OTM）：Call 的 S < K，或 Put 的 S > K，内在价值为 0，期权价格全部由时间价值构成。
在 LSM 方法中，只有实值状态下的路径才需要考虑提前行权。因为虚值期权的行权收益为 0，理性持有者不会选择行权。这一判断可以大幅减少回归计算的样本量，提高算法效率。
2.3 行权规则与最优停时
核心原理
美式与百慕大期权的定价核心在于确定最优行权策略。持有者需要在每个可行权日决策：立即行权获得内在价值，还是继续持有以保留未来行权的机会。这一决策本质上是一个最优停时问题——在允许的行权时点集合中，选择一个使期望收益最大化的停时 τ*。
数学上，期权价值可以表示为：
V₀ = sup_{τ ∈ T} E[ e^(-rτ) · h(S_τ) ]其中 T 为可行停时集合，h(S_τ) 为行权收益函数（Call 为 S_τ - K，Put 为 K - S_τ），r 为无风险利率，期望在风险中性测度下计算。
判断方法
在离散时间框架下，最优停时通过逆向递推求解。设到期日为 T，行权点集合为 {t₀=0, t₁, ..., tₙ=T}。在最后一个行权点 tₙ，期权价值等于内在价值；在 tₙ₋₁ 时刻，持有者比较：
- 立即行权价值：h(S_{tₙ₋₁})
- 继续持有价值：E[ e^(-rΔt) · V(tₙ, S_{tₙ}) | S_{tₙ₋₁} ]，即下一时刻期权价值的条件期望折现值
若立即行权价值 ≥ 继续持有价值，则选择行权；否则继续持有。LSM 方法的核心贡献在于：用最小二乘回归来估计继续持有价值的条件期望，从而避免高维数值积分。
案例拆解：百慕大看跌期权的最优行权决策
考虑一个百慕大看跌期权，标的资产初始价格 S₀ = 100，行权价 K = 105，无风险利率 r = 5%，剩余期限 1 年，每年可提前行权一次（即行权点集合为 {0.25, 0.5, 0.75, 1.0} 年）。假设在 t = 0.5 年时，某条模拟路径的标的资产价格 S = 98。
- 立即行权价值：K - S = 105 - 98 = 7
- 继续持有价值：需要估计 E[ e^(-0.05×0.5) · V(0.75, S_{0.75}) | S₀.₅ = 98 ]。若通过 LSM 回归得到该条件期望为 6.2，则 7 > 6.2，选择行权。
- 若回归结果为 7.8，则继续持有更优，因为未来可能有更高收益。
这个决策过程在每条模拟路径的每个行权点重复执行，最终得到每条路径的最优停时，再对所有路径的折现收益取平均，即为期权价格的蒙特卡洛估计。
2.4 定价问题的数学表述与 LSM 的切入点
核心原理
将上述概念统一，期权定价问题可以表述为：在风险中性测度 Q 下，计算最优停时 τ* 对应的期望折现收益。对于欧式期权，τ* = T 是固定的；对于美式/百慕大期权，τ* 是路径依赖的随机变量。
LSM 方法（Longstaff & Schwartz, 2001）的核心思想是：
- 模拟 M 条标的资产价格路径，离散到 N 个时间步。
- 从到期日逆向递推，在每个行权点用最小二乘回归估计继续持有价值函数 C(t, S) = E[ e^(-rΔt) · V(t+Δt, S_{t+Δt}) | S_t = S ]。
- 比较立即行权价值与回归估计的继续持有价值，决定是否行权。
- 对所有路径的折现收益取平均，得到期权价值估计。
操作流程
| 步骤 | 操作内容 | 关键参数/公式 |
|---|---|---|
| 1 | 模拟标的资产价格路径 | 几何布朗运动：dS = rS dt + σS dW |
| 2 | 确定行权点集合 | 百慕大：{t₁, ..., tₙ}；美式：所有时间步 |
| 3 | 到期日初始化 | V(T, S_T) = h(S_T) |
| 4 | 逆向递推 + 回归 | 用基函数回归 C(t, S) ≈ Σ βᵢ φᵢ(S) |
| 5 | 行权决策 | 若 h(S_t) ≥ C(t, S_t)，行权；否则继续 |
| 6 | 折现平均 | V̂₀ = (1/M) Σ e^(-rτᵢ) h(S_{τᵢ}) |
案例拆解：LSM 应用于美式看跌期权
假设 S₀ = 100，K = 100，r = 5%，σ = 20%，T = 1 年，模拟 M = 10000 条路径，N = 50 个时间步。在 t = 0.5 年处，选取所有实值路径（S_t < 100），用 Laguerre 多项式作为基函数回归：
C(t, S) ≈ β₀ + β₁·L₀(S) + β₂·L₁(S) + β₃·L₂(S)其中 L₀(S) = 1，L₁(S) = -S + 1，L₂(S) = (S² - 4S + 2)/2。回归得到系数后，对每条路径计算 C(t, S_t)，与 K - S_t 比较。若 K - S_t > C(t, S_t)，则记录该路径在 t 时刻行权；否则继续递推至下一时间步。
最终，期权价值估计为所有路径最优停时收益的折现平均值。通过增加模拟路径数 M 和基函数阶数，可以降低估计方差与偏差。
常见误区与总结
- 误区一：将欧式期权价格直接用于美式期权。欧式期权不允许提前行权，其价格低于美式期权（对于支付股息的美式看涨期权可能例外）。LSM 的价值正在于捕捉提前行权溢价。
- 误区二：忽略行权点集合的离散化误差。百慕大期权用有限行权点近似美式期权时，行权点越密，近似越精确，但计算量也越大。
- 误区三：回归时使用全部路径而非仅实值路径。虚值路径的继续持有价值与行权价值均为 0，对回归无贡献，反而增加噪声。LSM 标准做法是仅用实值路径回归。
- 误区四：忘记折现因子。在比较行权价值与继续持有价值时，继续持有价值必须包含从当前时刻到下一行权点的折现因子 e^(-rΔt)。