風險中性定價：P 測度、Q 測度與期權公平價格｜Quant Math 第 8 講筆記
第 8 課・共 14 課
目錄
這是 Roman Paolucci 量化金融數學系列按發佈時序的第 8 講。講者以一個做市情境開場：假設你和我正在為一張期權合約做市——你認為標的資產會「直上月球」，我卻不以為然。在雙方對標的走勢看法完全不同的情況下，我們怎樣才能對這張合約的公平價格達成共識？本講給出的答案，就是貫穿整個現代衍生工具定價的框架：風險中性定價 Risk-Neutral Pricing，以及背後由真實世界測度 P 到風險中性測度 Q 的測度變換 Change of Measure。
講者特別提醒：每次做市都是在玩一場「應用於真實世界的統計遊戲」——我們沒有課堂上那些美好的保證（平穩性、漸近結果），也永遠不知道會走上哪一條樣本路徑。這正是本講反覆強調的主線：模型誤設定與誤參數化的風險無處不在。
學習重點
- 定價問題的統計本質：歐式期權的回報在到期時才確定，是到期標的價格 $S_T$ 與行使價 $K$ 的函數；但 $S_T$ 未知，我們最多只能為它建立一個分布。
- 模型風險雙胞胎：誤設定 Misspecification（選錯模型，例如以為股價是幾何布朗運動實際卻有跳躍、記憶性）與誤參數化 Misparameterization（模型合理但 $\mu$、$\sigma$ 估錯），兩者都足以令模型「壞掉」。
- Black-Scholes 複製論證：構造一個完全對沖掉隨機性的組合，漂移項 $\mu$ 整個消失，組合無風險，由無套利假設必須賺取無風險利率——這就是由 P 走向 Q 的根據。
- 測度變換＝分布變換：Q 測度下資產在期望意義上只賺無風險利率 $r$；模擬時必須用 $dS_t = rS_t\,dt + \sigma S_t\,dW_t$，而非零漂移。
- 完備 vs 不完備市場：完備市場只有一個風險中性測度；真實市場不完備、有無限多個 Q 測度，於是我們反過來由市場流動性工具校準模型（對隱含波動率曲面擬合），這正是波動率偏斜與 alpha 的來源。
詳細筆記
歐式期權的回報：統計性的不確定
歐式期權通常用作對沖或投機工具，其回報在到期時完全確定——call 與 put 的回報都只是到期現貨價 $S_T$ 與行使價 $K$ 的函數：
$$C_T = (S_T - K)^+, \qquad P_T = (K - S_T)^+$$問題在於：我們不知道 $S_T$ 會是多少。如果知道，直接代入函數便得到回報。講者用一個模擬動畫說明：股價路徑一路游走到到期日 $T$，中途雖曾升越行使價，最終卻收於其下——這一條樣本路徑實現的回報是零。合約存續期內我們不會實現任何回報，一切只在 $T$ 時揭曉。
因此，定價問題本質上是統計問題：我們要定價的不是一個確定的回報，而是一個回報潛力的分布。
第一步：建立隨機模型
要評估 $S_T$ 的不確定性，先建一個簡單隨機模型——幾何布朗運動：
$$\frac{dS_t}{S_t} = \mu\,dt + \sigma\,dW_t$$其中 $W = \{W_t : t \geq 0\}$ 是標準布朗運動。與其直接解這條 SDE，也可以用 Euler-Maruyama 離散化做數值逼近：
$$S_{t+\Delta t} \approx S_t + \mu S_t \Delta t + \sigma S_t \sqrt{\Delta t}\, Z, \qquad Z \sim \mathcal{N}(0,1)$$GBM 本身有解析解（見第 5 講的對數變換推導）：
$$S_t = S_0 \exp\left[\left(\mu - \tfrac{1}{2}\sigma^2\right)t + \sigma W_t\right]$$$S_0$ 由市場給定，我們在模型裡能選的只有 $\mu$ 與 $\sigma$——漂移與波動率。而這正是分歧所在：你認為股價直上月球，可能選 $\mu = 0.2$；我不信，可能選 $\mu = 0.05$。講者的動畫顯示：低參數化下路徑平緩，高參數化下到期分布整個上移且展寬。我們對漂移的主觀判斷，會任意改變模型認為股價能到達的地方。
參數估計的現實：誤設定與誤參數化
在課堂裡，若假設股價真由 GBM 生成，我們可以用最大似然估計（MLE）為 $\mu$、$\sigma$ 找到估計量，還附送 MLE 全套漸近保證。但問題是：那些保證只在數據真的由 GBM 生成時成立。實際上股價並不完美服從 GBM。
講者用兩組模擬對比說明：
- 用牛市數據估參數：$\mu$ 偏高，大量樣本路徑（綠色）到期時收於行使價之上。若市場如此演化，期權該賣貴些——實現回報的機會大。
- 用金融危機／疫情期間數據估參數：路徑大多（紅色）到期收於行使價之下，實現零回報。此時我們只願付更低價格。
同一模型、不同 regime，參數化完全不同。講者在此正式引入兩個貫穿全講的概念：
- 模型誤設定 Model Misspecification：說「股價按 GBM 演化」而實際不然——真實過程有跳躍、有記憶性。這是選錯了過程。
- 模型誤參數化 Model Misparameterization：模型算合理，但 $\mu$、$\sigma$ 選錯。且參數不會隨時間恆定——COVID 期間與大牛市期間的參數化不可能一樣。
講者以一段並排動畫展示：左邊是「我們的模型」（GBM 平滑擴散），右邊是「真實市場過程」（含跳躍的 Bates 模型式動態），兩者的路徑動態完全不匹配——模型太簡單，捕捉不到市場裡觀察到的跳躍與隨機波動率。這個差距本身就是一種風險：如果知道真實過程，我們根本不用建模。講者更指出，這不只適用於期權定價，人臉識別、語言模型等一切建模工作都有同樣的風險結構。
由 P 到 Q：風險中性測度與測度變換
回到做市問題：你選你的 $\mu$，我選我的 $\mu$，公平價格在哪裡？答案需要風險中性的概念，以及由真實世界測度 P 到風險中性測度 Q 的測度變換。
講者強調：很多學生在這裡被術語嚇倒，但測度變換不過是分布變換——把 P 測度下每個可能結果的概率，重新分配到 Q 測度下的另一組概率。具體來說：
- P 測度（真實世界）：期望意義上漂移是 $\mu$（例如 15%），可從歷史數據估計——但飽受誤設定與誤參數化風險。
- Q 測度（風險中性）：期望意義上只賺無風險利率（例如 5%）。注意：這並未消除波動率或隨機性，改變的是價格過程的漂移軌跡，到期分布隨之整個移動。
為何我們有權這樣做？根據來自 Black-Scholes 的複製組合論證。講者直言，看到社交媒體評論把 Black-Scholes 論證的天才之處貶為「實戰行不通」令他痛心——行不通的原因是模型誤設定，而非論證本身。
Black-Scholes 論證：漂移消失，無風險利率登場
假設標的服從 GBM：
$$dS_t = \mu S_t\,dt + \sigma S_t\,dW_t$$構造一個把隨機性完全對沖掉的組合，漂移項 $\mu$ 整個消失，得到 Black-Scholes 方程——一條拋物型 PDE：
$$\frac{\partial C}{\partial t} + rS\frac{\partial C}{\partial S} + \frac{1}{2}\sigma^2 S^2 \frac{\partial^2 C}{\partial S^2} = rC$$解出這條 PDE 就是 Black-Scholes 公式：
$$C_{BS}(S,t) = S\,N(d_1) - K e^{-r(T-t)} N(d_2)$$講者特別處理一個學生常見的混淆點：既然複製論證令 $\mu$ 消去，為何模擬時漂移要設為無風險利率 $r$？答案是：複製組合是無風險的，由無套利假設必須賺無風險利率；因此模擬必須用
$$dS_t = r S_t\,dt + \sigma S_t\,dW_t$$而不是 $dS_t = 0 + \sigma S_t\,dW_t$。本質上，風險溢價在論證中被消去——我們不再因承擔該風險而獲補償。講者以 Monte Carlo 模擬展示：用 $\mu = r$ 模擬 GBM 並對回報取折現期望，價格收斂到 Black-Scholes 價（示例中為 $1.81）；若不設漂移為 $r$，就不會收斂。這正是 Feynman-Kac 結果給出的橋樑：
$$C_{BS}(S,t) = e^{-r(T-t)}\,\mathbb{E}^{\mathbb{Q}}\left[(S_T - K)^+ \,\middle|\, S_t = S\right]$$講者也補充歷史脈絡：這套框架並非按漂亮時間線發展——Black-Scholes 的複製論證在先，測度變換在其後才被正式化，收斂保證（Feynman-Kac）、無套利價格保證（資產定價基本定理 Fundamental Theorem of Asset Pricing）更是來自不同年代的論文。與 Girsanov 測度變換、鞅的聯繫，講者留待日後再談。
完備市場 vs 不完備市場：偏斜從何而來
在 GBM 世界裡只有一個隨機來源，可以被完美對沖——這是完備市場：只有一個風險面、一個合理的參數化、唯一的風險中性測度。你以為股價上天、我以為股價落地，都不重要：風險中性動態決定期權價格，P 測度的投機判斷被請出窗外。
但現實中市場不完備：風險面不止一個（跳躍風險、隨機波動率……），對沖不掉，於是有無限多個風險中性測度可選。怎麼辦？講者給出實務答案：不漫遊於無限，而是由市場反推——這就是模型校準 Model Calibration：
- 選一個比 GBM 更精細、能捕捉市場動態的模型；
- 把模型擬合到市場上流動工具的報價——即隱含波動率曲面（按行使價與到期日索引的期權集合）；
- 校準後用 Feynman-Kac 結果模擬，為流動工具以外的合約（如奇異期權）產生公平價格。
這正是波動率偏斜（skew）的來源：曲面不像 Black-Scholes 世界那樣平坦。OTM put 的價格與隱含波動率任意地高於 OTM call——因為下行風險對沖不掉，做市商必須收取更高價格作為補償。講者將此與 1987 年股災聯繫起來：正是股災令市場意識到定價模型必須能擬合偏斜。
講者亦點出一層諷刺：到了 Q 世界做校準，我們依然要「選模型、定參數」——誤設定與誤參數化的問題從未離開，只是從 P 世界搬到了 Q 世界。此外，均衡價格不總是公平價格：恐懼往往主導定價、市場參與者並非理性、市場並非完全有效——不可對沖風險的定價差異正是 alpha 的來源。
執行摘要（講者原話整理）
- 建模必受真實世界制約：非平穩、無課堂假設，具體表現為誤設定（選錯模型）與誤參數化（選錯參數，且參數隨時間改變）。
- Black-Scholes 的複製論證：完備市場中風險可完全對沖，期權價格等於維持連續對沖的成本；組合無風險，由無套利假設必賺無風險利率，由此產生 Black-Scholes 方程與公式。
- 由 P 到 Q：測度變換＝分布變換；Q 測度下標的在期望意義上按無風險利率演化。
- 不完備市場有無限多個 Q 測度，於是改為校準模型至市場流動工具（隱含波動率曲面），由不可對沖風險的溢價產生偏斜，也產生可利用的錯價與 alpha。
🙏 覺得內容有用？本站所有內容免費提供，使用推薦碼開戶就是支持我們繼續營運的最大鼓勵：
ZA Bank 邀請碼 P20923
—— 你享 HKD 2,000 迎新獎賞，本站獲得營運支持。
立即開戶 →
（聯盟連結｜投資涉及風險，受條款及細則約束，此資料僅可於香港境內分發）
欣利克的看法
本講最值得反覆咀嚼的，是講者把「風險中性」這個常被背誦卻少被理解的術語拆回最樸素的層次：測度變換就是重新分配概率，Q 測度就是「期望只賺無風險利率」的分布。很多交易者聽過「期權價格與預期方向無關」卻說不出所以然——本講給出了完整鏈條：複製組合 → 無風險 → 無套利 → 漂移必為 $r$ → 方向判斷出局。
對實戰交易者而言，「偏斜＝不可對沖風險的溢價」這一視角尤其有價值。市場上 OTM put 長期偏貴，不是「莊家陰謀」，而是做市商對無法對沖的下行跳躍風險收取的補償——理解這點，才明白為何長期買保險（long puts）注定是負期望遊戲，也才明白賣出偏斜的一方收取的是什麼風險的報酬。同時講者反覆提醒的誤設定／誤參數化雙重風險，對任何依賴歷史數據估參數的策略（包括各種量化回測）都是當頭棒喝：你在牛市估出來的參數，在危機中一文不值。
亦須留意：本講的公平價格框架是模型依賴的，「校準到曲面」只是把主觀判斷從「賭方向」轉移到「選模型」，並不保證任何交易優勢。
名詞解釋
- 幾何布朗運動：本講用作標的資產模型的隨機過程，對數收益率服從正態分布。
- Black-Scholes 模型：由複製組合論證推出的歐式期權定價公式。
- 隱含波動率：由市場期權報價反推出的波動率；其按行使價與到期日構成的曲面是校準模型的對象。
- 無套利：無風險組合必須賺取無風險利率的假設，是由 P 走向 Q 的邏輯基石。
- 無風險利率：Q 測度下資產期望收益率，也是折現期望所用的利率。
- 鞅：未來值條件期望等於當前值的隨機過程；與測度變換及資產定價基本定理緊密相連。
- 蒙地卡羅模擬：以大量隨機路徑逼近折現期望的數值方法；本講用以驗證收斂到 Black-Scholes 價。
- 期權／認購期權／認沽期權：回報為 $(S_T-K)^+$ 或 $(K-S_T)^+$ 的衍生工具。
- 行使價：期權合約約定的執行價格 $K$。
常見問題 FAQ
Q：風險中性定價是否假設投資者都是風險中性的？
不是。講者解釋得很清楚：Q 測度不是對投資者偏好的假設，而是複製論證的數學後果——既然期權可由無風險組合複製，其價格就由無套利條件唯一決定，與任何人的風險態度或方向判斷無關。
Q：既然 $\mu$ 被消去，為何模擬時漂移要設為 $r$ 而不是 0？
因為複製組合無風險，必須賺無風險利率；我們活在「風險中性世界」而非「零增長世界」。用 $dS_t = rS_t\,dt + \sigma S_t\,dW_t$ 模擬再取折現期望，才會收斂到 Black-Scholes 價格；漂移設為 0 則不會收斂。
Q：既然 Q 測度下不用管方向判斷，為何還需要估計模型？
因為真實市場不完備，Q 測度有無限多個。實務上以校準解決：把更精細的模型擬合到流動期權的隱含波動率曲面，等於由市場報價反推出與觀察一致的風險中性測度，再用它為非流動／奇異工具定價。
Q：波動率偏斜是不是代表期權被錯價？
部分是，但主要是不可對沖風險的溢價。下行跳躍風險對沖不掉，做市商唯有提高 OTM put 的價格以獲補償。講者亦指出均衡價格不總是公平價格、恐懼主導定價，當中的錯價正是 alpha 的來源。
Q：模型誤設定和誤參數化有何分別？
誤設定是「選錯模型」（例如以 GBM 描述含跳躍與記憶性的真實股價）；誤參數化是「模型合理但參數選錯」（例如用牛市數據估出的 $\mu$、$\sigma$ 用於危機時期）。講者強調即使轉到風險中性世界做校準，這兩重風險依然如影隨形。
原影片
本文整理自以下影片，版權屬原創作者所有，建議配合原片觀看：