1977 -- Phelim Boyle 把蒙地卡羅引進選擇權定價#

案件描述#

1977 年，加拿大滑鐵盧大學的 Phelim Boyle 在《Journal of Financial Economics》發表《選擇權定價：蒙地卡羅方法的結果》（Options: A Monte Carlo Approach）。他做了一件把兩大領域焊接在一起的事：

用 Ulam 在 Los Alamos 發明的蒙地卡羅方法（1946），為金融選擇權定價。

從此，高維度衍生性商品有了通用計算武器。

前因：PDE 路線的極限#

Black–Scholes（1973）有解析解，但只適用於歐式、單一標的、常態波動。
有限差分法（Schwartz 1977 等）可以解 PDE，但維度災難： \(d\) 個標的需要 \(O(N^d)\) 記憶體——5 個標的的籃子選擇權就已經爆炸。
線索：Boyle 意識到期望值本身就是積分：

\[ C = e^{-rT} E^Q[(S_T - K)^+] = e^{-rT} \int (S_T - K)^+ \, dQ \]

而蒙地卡羅正是估計高維積分的通用方法（1946 年 Ulam 用它算中子擴散）。積分的維度，蒙地卡羅不在乎。

推理過程#

線索一：把定價變成路徑模擬#

Boyle 的演算法極其簡單：

在風險中立測度 \(Q\) 下模擬 \(M\) 條標的價格路徑：

\[ S_{t+\Delta t} = S_t \exp\left((r - \tfrac{1}{2}\sigma^2)\Delta t + \sigma\sqrt{\Delta t}\, Z\right), \quad Z \sim N(0,1) \]

對每條路徑計算支付 \(f(S_T^{(m)})\) 。
估計值 \(= e^{-rT} \frac{1}{M}\sum_m f(S_T^{(m)})\) 。

線索二：收斂速率的分析#

蒙地卡羅的標準誤：

\[ \mathrm{SE} = \frac{\sigma_f}{\sqrt{M}} \]

收斂速率是 \(O(M^{-1/2})\) ——與維度無關。這是它在高維度的殺手級優勢：有限差分在 1 維很快、5 維爆炸；蒙地卡羅在 1 維不特別快、500 維照樣可行。

誤差減半需要 4 倍模擬數——這是它的代價，催生了後來的變異數縮減技術。

線索三：變異數縮減的軍備競賽#

Boyle 及後續學者發展出整套加速技術：

對偶變數（antithetic variates）：同時用 \(Z\) 與 \(-Z\) 模擬，正負相消。
控制變數（control variates）：用已知解析解的類似商品（如幾何平均選擇權）校正。
重要性抽樣、條件期望……

現代程式重現：蒙地卡羅歐式選擇權#

import numpy as np

def mc_call(S, K, r, sigma, T, M=1_000_000, seed=0):
    rng = np.random.default_rng(seed)
    Z = rng.standard_normal(M)
    ST = S * np.exp((r - 0.5*sigma**2)*T + sigma*np.sqrt(T)*Z)
    payoff = np.maximum(ST - K, 0)
    return np.exp(-r*T) * payoff.mean(), payoff.std()/np.sqrt(M)

price, se = mc_call(S=100, K=100, r=0.05, sigma=0.2, T=1)
print(f"MC 價格 = {price:.4f} ± {se:.4f}")
# 解析解為 10.4506（Black-Scholes），SE ≈ 0.02 → 95% 區間覆蓋

# 對偶變數加速：SE 約降低 30%
def mc_call_antithetic(S, K, r, sigma, T, M=500_000, seed=0):
    rng = np.random.default_rng(seed)
    Z = rng.standard_normal(M)
    ST1 = S*np.exp((r - 0.5*sigma**2)*T + sigma*np.sqrt(T)*Z)
    ST2 = S*np.exp((r - 0.5*sigma**2)*T - sigma*np.sqrt(T)*Z)
    payoff = (np.maximum(ST1-K,0) + np.maximum(ST2-K,0)) / 2
    return np.exp(-r*T) * payoff.mean()

後果#

蒙地卡羅成為高維衍生品（籃子選擇權、亞式選擇權、利率商品、CDO）的工業標準。今日每一家的風控系統都在跑蒙地卡羅。
美式選擇權的難題：蒙地卡羅只能前進模擬，無法直接處理「可以提前執行」的最適停時問題——這個懸案等到 Longstaff–Schwartz（2001）的最小平方法蒙地卡羅（見 2001-LongstaffSchwartz蒙地卡羅.md）。
準蒙地卡羅（QMC）：低差異序列（Sobol、Faure）把收斂率從 \(O(M^{-1/2})\) 提升到接近 \(O(M^{-1})\) （1990 年代）。
GPU 時代：蒙地卡羅的完美平行性使它成為 GPU 計算的最早商業應用之一。
傳承：CDO 定價（2000 年代）正是靠蒙地卡羅 + 高斯 Copula——而這組合成為 2008 年金融海嘯的技術核心（見 2008-金融海嘯與CDO.md）。

偵探筆記#

動機：PDE 路線的維度災難
工具：風險中立測度下的路徑模擬、大數法則、變異數縮減
遺產：高維定價的工業標準、QMC、GPU 金融計算
盲點： \(O(M^{-1/2})\) 收斂慢、早期執行商品處理不了（直到 2001 年）

參考資料#

Boyle, P. (1977). "Options: A Monte Carlo Approach". Journal of Financial Economics, 4(3), 323–338.
Glasserman, P. (2003). Monte Carlo Methods in Financial Engineering. Springer.