三叉树模型：期权定价的高效数值方法、深入研究及应用

上海子午线大约 10 分钟

三叉树模型：期权定价的高效数值方法、深入研究及应用

访问猛犸期权定价系统，支持外汇期权和结构化产品定价估值！

引言

三叉树模型（Trinomial Tree Model）是期权定价中一种强大的数值方法，在二叉树模型的基础上进一步发展而来。与二叉树每个节点只有两个可能路径不同，三叉树模型在每个节点引入三个可能的价格路径，显著提高了模型的灵活性和收敛速度。

由Boyle于1986年首次提出，三叉树模型通过更精细地离散化标的资产价格的变化过程，在保持计算复杂度的同时，提供了比二叉树模型更高的精度。特别是在处理美式期权、路径依赖期权以及复杂利率模型时，三叉树模型展现出明显的优势。

本文将全面介绍三叉树模型的基本原理、参数计算、收敛性分析，并结合实际示例展示其在金融衍生品定价中的广泛应用。

1. 三叉树模型的基本原理

1.1 核心思想

三叉树模型的核心思想是在每个时间步内，允许资产价格向上、向下或保持中性的三种变动方式。这种扩展使得模型能够更准确地模拟资产价格的连续变化过程，特别是在短期利率模型和随机波动率模型中表现优异。

在每个时间步：

向上变动：资产价格以比例 $u$ 上升
中性变动：资产价格保持不变
向下变动：资产价格以比例 $d$ 下降

1.2 三叉树模型的基本假设

三叉树模型基于以下市场假设：

价格变动离散化：在每个时间步内，资产价格有三种可能的变动方向
风险中性定价：在风险中性测度下进行定价
无套利条件：市场不存在无风险套利机会
完备市场：可以通过动态交易策略复制期权收益
参数稳定性：无风险利率和波动率在定价期间内保持恒定

标准三叉树参数：
$u = e^{\sigma\sqrt{3\Delta t}}, \quad d = \frac{1}{u}, \quad m = 1$
Boyle三叉树参数：
$u = e^{\lambda\sigma\sqrt{\Delta t}}, \quad d = \frac{1}{u}, \quad m = 1$
其中 $\lambda$ 为伸缩因子，通常取 $\lambda \geq 1$

1.3.3 风险中性概率

三叉树模型需要计算三个概率：

向上变动概率： $p_u$
中性变动概率： $p_m$
向下变动概率： $p_d$

概率计算需满足：

概率归一化： $p_u + p_m + p_d = 1$
一阶矩匹配： $p_uu + p_mm + p_dd = e^{r\Delta t}$
二阶矩匹配： $p_uu^2 + p_mm^2 + p_dd^2 = e^{(2r+\sigma^2)\Delta t}$

解得：

\begin{aligned} p_u &= \frac{e^{r\Delta t/2} - e^{-\sigma\sqrt{\Delta t/2}}}{e^{\sigma\sqrt{\Delta t/2}} - e^{-\sigma\sqrt{\Delta t/2}}} \times \frac{e^{r\Delta t} - e^{-\sigma\sqrt{\Delta t}}}{e^{\sigma\sqrt{\Delta t}} - e^{-\sigma\sqrt{\Delta t}}} \\ p_d &= \frac{e^{\sigma\sqrt{\Delta t/2}} - e^{r\Delta t/2}}{e^{\sigma\sqrt{\Delta t/2}} - e^{-\sigma\sqrt{\Delta t/2}}} \times \frac{e^{\sigma\sqrt{\Delta t}} - e^{r\Delta t}}{e^{\sigma\sqrt{\Delta t}} - e^{-\sigma\sqrt{\Delta t}}} \\ p_m &= 1 - p_u - p_d \end{aligned}

2. 三叉树模型的定价步骤

2.1 构建资产价格三叉树

从初始价格 $S_0$ 开始，构建价格树：

第 $i$ 时间步有 $2i+1$ 个节点
节点 $(i,j)$ 的资产价格为： $S_{i,j} = S_0 \cdot u^j \cdot m^{i-j}$
其中 $j = -i, -i+1, \dots, 0, \dots, i-1, i$

2.2 计算终端期权价值

在到期时 $t = T$ ，计算每个节点的期权价值：

欧式看涨期权： $C_{N,j} = \max(S_{N,j} - K, 0)$
欧式看跌期权： $P_{N,j} = \max(K - S_{N,j}, 0)$

2.3 回溯计算期权价值

从到期时刻向前回溯计算：

C_{i,j} = e^{-r\Delta t} \left(p_u \cdot C_{i+1,j+1} + p_m \cdot C_{i+1,j} + p_d \cdot C_{i+1,j-1}\right)

对于美式期权，需比较持有价值与立即行权价值：

C_{i,j} = \max\left( e^{-r\Delta t} \left(p_u \cdot C_{i+1,j+1} + p_m \cdot C_{i+1,j} + p_d \cdot C_{i+1,j-1}\right), S_{i,j} - K \right)

3. 示例：三叉树模型定价美式看跌期权

3.1 输入参数

标的资产价格 $S_0 = 100$
执行价格 $K = 105$
波动率 $\sigma = 0.25$
无风险利率 $r = 0.05$
到期时间 $T = 1$ 年
时间步数 $N = 3$

3.2 模型构建

时间步长：
$\Delta t = \frac{1}{3} \approx 0.3333$
价格变动比例：
$u = e^{\sigma\sqrt{3\Delta t}} = e^{0.25\sqrt{3 \times 0.3333}} \approx 1.1805$
$d = \frac{1}{u} \approx 0.8471$
$m = 1$
风险中性概率：
经过计算可得：
$p_u \approx 0.2417$ , $p_m \approx 0.5166$ , $p_d \approx 0.2417$

3.3 构建价格树

时间步 0:       100
时间步 1:    84.71, 100, 118.05
时间步 2: 71.74, 84.71, 100, 118.05, 139.30
时间步 3: 60.76, 71.74, 84.71, 100, 118.05, 139.30, 164.36

3.4 计算期权价值

终端价值（美式看跌期权）：

$P_{3,0} = \max(105 - 60.76, 0) = 44.24$
$P_{3,1} = \max(105 - 71.74, 0) = 33.26$
$P_{3,2} = \max(105 - 84.71, 0) = 20.29$
$P_{3,3} = \max(105 - 100, 0) = 5.00$
其余节点价值为 0

回溯计算：
通过逐步回溯并比较持有价值与行权价值，最终得到期权理论价格约为 8.92。

二叉树：收敛阶为 $O(\Delta t)$
三叉树：收敛阶为 $O(\Delta t^2)$
在相同精度要求下，三叉树所需时间步数远少于二叉树

4.1.2 计算复杂度优化

虽然三叉树每个节点有三个分支，但通过以下技术可优化计算：

网格压缩：合并相似价格的节点
自适应时间步：在价格变化剧烈区域使用更细的时间网格
并行计算：利用多线程同时计算不同路径

相关研究：

Boyle, P. (1986). Option Valuation Using a Three-Jump Process - 三叉树模型的开创性论文
Kamrad, B., & Ritchken, P. (1991). Multivariate Proportional Hazard Processes - 分析了三叉树的收敛性质

4.2 在复杂衍生品定价中的应用

4.2.1 美式期权与百慕大期权

三叉树模型特别适合处理具有提前行权特征的期权：

美式期权：在每个节点比较行权价值与持有价值
百慕大期权：在特定时间点允许行权，三叉树可精确处理离散行权日期

4.2.2 路径依赖期权

亚式期权：通过引入平均价格作为状态变量
障碍期权：在树结构中设置障碍条件
回望期权：跟踪历史最高/最低价格

4.2.3 利率衍生品定价

三叉树在利率模型中有广泛应用：

Vasicek模型：均值回归特性的离散化
Cox-Ingersoll-Ross模型：保证利率非负性
Heath-Jarrow-Morton框架：远期利率曲线的建模

相关研究：

Hull, J., & White, A. (1990). Pricing Interest-Rate-Derivative Securities - 三叉树在利率模型中的应用
Clewlow, L., & Strickland, C. (1998). Implementing Derivatives Models - 实践中的三叉树实现技术

4.3 多因子模型扩展

4.3.1 随机波动率模型

在Heston模型等随机波动率框架下，三叉树可同时模拟资产价格和波动率过程：

每个节点代表 $(S, \nu)$ 状态
在二维网格上构建三叉树结构

4.3.2 多资产期权

对于相关性资产组合，三叉树可扩展至高维：

篮子期权：模拟多个相关资产的价格演化
彩虹期权：处理多个标的资产的最优回报

相关研究：

Boyle, P., Evnine, J., & Gibbs, S. (1989). Numerical Evaluation of Multivariate Contingent Claims - 多维三叉树的奠基工作

5. 数值方法比较：二叉树、三叉树、蒙特卡洛与PDE方法

在金融衍生品定价中，主要数值方法包括树状方法、蒙特卡洛模拟和偏微分方程方法。每种方法各有优劣，适用于不同场景。

5.1 计算框架比较

方法特性	二叉树	三叉树	蒙特卡洛	PDE方法
理论基础	离散随机过程	离散随机过程	大数定律	偏微分方程
收敛速度	$O(\Delta t)$	$O(\Delta t^2)$	$O(1/\sqrt{N})$	$O(\Delta t^2 + \Delta S^2)$
计算复杂度	$O(N^2)$	$O(N^2)$	$O(N)$	$O(N^3)$
内存需求	中等	中等	低	高

5.2 适用场景分析

5.2.1 二叉树模型

优势：

实现简单，易于理解
美式期权定价自然支持
Greeks计算相对准确

局限性：

收敛速度较慢
高维问题效率低下
对路径依赖期权处理复杂

5.2.2 三叉树模型

优势：

收敛速度快于二叉树
美式期权定价精度高
利率模型应用中表现优异

局限性：

实现复杂度高于二叉树
高维扩展仍然困难
参数选择需要经验

5.2.3 蒙特卡洛方法

优势：

高维问题处理能力强
路径依赖期权天然支持
实现相对简单

局限性：

美式期权定价困难
收敛速度较慢
Greeks计算准确性差

5.2.4 PDE方法（有限差分/有限元）

优势：

精度高，收敛性好
可同时获得整个价格曲面
Greeks计算准确

局限性：

高维问题计算成本高
实现复杂度高
边界条件处理敏感

5.3 实践选择建议

5.3.1 根据产品类型选择

美式/百慕大期权：三叉树 > 二叉树 > PDE > 蒙特卡洛
路径依赖期权：蒙特卡洛 > 三叉树 > 二叉树 > PDE
高维篮子期权：蒙特卡洛 > 其他方法
利率衍生品：三叉树 > PDE > 二叉树 > 蒙特卡洛

5.3.2 根据精度要求选择

快速估算：二叉树或蒙特卡洛
高精度要求：三叉树或PDE方法
敏感性分析：PDE方法或树状方法

5.3.3 混合方法应用

实践中常采用混合方法：

树状+蒙特卡洛：用树状方法确定提前行权边界，再用蒙特卡洛模拟
PDE引导树：用PDE解指导树结构的参数选择
多级蒙特卡洛：结合不同精度的模拟路径

5.4 数值稳定性比较

树状方法：概率必须满足非负性，可能出现数值不稳定
蒙特卡洛：方差减少技术对稳定性至关重要
PDE方法：显式格式有条件稳定，隐式格式无条件稳定但计算量大

6. 实际应用与注意事项

6.1 风险管理中的应用

三叉树模型可高效计算各种风险指标：

Delta： $\frac{\partial C}{\partial S} \approx \frac{C_{i+1,j+1} - C_{i+1,j-1}}{S_{i+1,j+1} - S_{i+1,j-1}}$
Gamma： $\frac{\partial^2 C}{\partial S^2} \approx \frac{\Delta_{up} - \Delta_{down}}{S_{i,j}(u-d)}$
Theta： $\frac{\partial C}{\partial t} \approx \frac{C_{i+1,j} - C_{i,j}}{\Delta t}$

6.2 实践中的注意事项

数值稳定性：概率必须满足 $0 \leq p_u, p_m, p_d \leq 1$
边界处理：在价格树的上下边界需要特殊处理
变量选择：根据具体问题选择合适的 $u, d, m$ 参数
收敛检验：通过增加时间步数验证结果稳定性