无套利定价理论

预计学习时间：3-4 小时

难度：⭐⭐⭐⭐（核心思想不难，但数学表述比较抽象）

核心问题：如何给金融衍生品定价？答案是——找到一个”不花钱就能赚钱的机会不存在”的价格。

概述

无套利定价是传统量化区别于 ML 量化的核心思想分野。

ML 量化问：“数据里有什么模式？”
传统量化问：“什么价格下不存在套利机会？”

本节将回答：

什么是套利？为什么”无套利”是定价的基础？
什么是”风险中性世界”？为什么要换一个概率视角？
如何用”复制组合”给期权定价？
FTAP 定理说了什么？为什么它被称为”金融数学基本定理”？

一、从”无免费午餐”讲起

1.1 什么是套利？

白话定义：套利就是”不花钱就能赚钱”——或者更准确地说，“零风险、零成本、正收益”。

例子：

假设在北京，一杯咖啡卖 25 元。在上海，同一杯咖啡卖 20 元。运费 3 元。

买入：在上海花 20 元买入咖啡
卖出：在北京以 25 元卖出
运费：3 元
净利润：25 - 20 - 3 = 2 元

这就是套利：你不需要承担任何风险，也不需要本金（可以先借 20 元买咖啡，卖掉后还钱），就能赚 2 元。

1.2 金融中的套利

在金融市场中，套利的核心思想是一样的：

如果同一个资产（或等价的资产组合）在两个地方的价格不同，就存在套利机会。

套利类型	描述	例子
空间套利	同一资产在不同市场价差不同	A 股和 H 股的价差
时间套利	远期价格偏离现货价格的理论值	期货基差
统计套利	历史上稳定的价差关系暂时偏离	配对交易

1.3 无套利条件

弱无套利：不存在”零成本、零风险、正收益”的投资组合。

$如果 Π_{0} = 0 且 P (Π_{T} \geq 0) = 1 ，则 P (Π_{T} > 0) = 0$

白话解读：如果你不花钱就能构建一个投资组合，且最终亏损的概率为零，那么盈利的概率也必须为零。换句话说，没有白捡的钱。

强无套利：不存在”零成本、几乎零风险、正期望收益”的投资组合。这是更严格的条件，实际应用中弱无套利已经足够。

1.4 无套利的直觉：为什么价格会被”逼”到一个确定值

想象你面前有一个期权，当前市场价格是 10 元。

如果这个期权的”合理价格”实际上是 12 元，会发生什么？

所有知道这个信息的交易员都会买入这个期权
大量买入推高价格
价格从 10 元涨到 12 元
套利机会消失

关键洞察：只要市场中存在足够多的套利者，任何套利机会都会在极短时间内被消除。因此，在有效市场中，资产的价格必须等于”不存在套利的那个唯一价格”。

二、风险中性定价（核心思想）

2.1 一个思想实验

假设有一个看涨期权：

股票当前价格 $S_{0} = 100$ 元
一年后，股票要么涨到 120 元，要么跌到 80 元（各 50%）
期权的行权价 $K = 105$ 元
无风险利率 $r = 5%$

在”真实世界”中定价（P 测度）：

$E [C_{T}] = 0.5 \times max (120 - 105, 0) + 0.5 \times max (80 - 105, 0) = 0.5 \times 15 + 0.5 \times 0 = 7.5$

折现到今天： $7.5/1.05 = 7.14$ 元。

问题来了：这个定价对吗？

答案是：不对。因为你忽略了一个关键事实——你可以通过买卖股票和债券来”复制”这个期权的收益。

2.2 复制组合（定价的核心技巧）

白话解释：如果我能用股票和债券构建一个组合，使得一年后这个组合的收益和期权完全一样，那么这个组合今天的价格就是期权的”合理价格”。

否则就会存在套利机会。

具体计算：

设买入 $Δ$ 份股票，借入 $B$ 元现金（以无风险利率计息）。

一年后：

如果股价涨到 120： $Δ \times 120 - B \times 1.05 = 15$ （期权收益）
如果股价跌到 80： $Δ \times 80 - B \times 1.05 = 0$ （期权收益）

解这个方程组：

$120Δ - 1.05 B = 15$ $80Δ - 1.05 B = 0$

两式相减： $40Δ = 15$ ，所以 $Δ = 15/40 = 0.375$

代入： $80 \times 0.375 = 1.05 B$ ，所以 $B = 30/1.05 \approx 28.57$

组合今天的成本： $Δ \times S_{0} - B = 0.375 \times 100 - 28.57 = 37.5 - 28.57 = 8.93$

所以期权的合理价格是 8.93 元，不是 7.14 元！

2.3 风险中性概率

注意到在上面的推导中，我们完全没有用到”股票涨跌的真实概率是 50%“这个信息。

这说明了一个惊人的事实：期权的价格与投资者对股价涨跌的概率判断无关！

我们可以反推出一个”隐含概率” $q$ ：

$S_{0} = \frac{q \times 120 + ( 1 - q ) \times 80}{1.05}$

$100 = \frac{120 q + 80 - 80 q}{1.05} = \frac{80 + 40 q}{1.05}$

$105 = 80 + 40 q$

$q = 25/40 = 0.625$

用风险中性概率重新定价：

$C_{0} = \frac{0.625 \times 15 + 0.375 \times 0}{1.05} = \frac{9.375}{1.05} = 8.93 元$

和复制法得到的结果完全一致！

2.4 风险中性世界的白话解释

“真实世界”（P 测度）：

股票的期望收益率 = 无风险利率 + 风险补偿
投资者是风险厌恶的
不同投资者对期望收益率的看法不同

“风险中性世界”（Q 测度）：

所有资产的期望收益率 = 无风险利率
投资者是风险中性的（不在乎风险，只在乎期望收益）
定价结果和真实世界一样！

白话解读：我们不需要知道投资者有多厌恶风险，不需要知道股票的真实期望收益率，不需要知道股价上涨的真实概率。我们只需要假设一个”假想世界”，在这个世界里所有资产的期望收益都等于无风险利率，然后用这个世界的概率来给衍生品定价。结果是对的。

2.5 风险中性定价公式

$C_{0} = e^{- r T} E^{Q} [C_{T}]$

白话解读：

在 Q 测度下，计算期权到期时的期望收益 $E^{Q} [C_{T}]$
用无风险利率折现到今天 $e^{- r T}$
结果就是期权的价格

为什么这个公式成立？ 因为如果价格偏离了这个值，就存在套利机会。而无套利条件下，价格必须等于复制组合的成本。

2.6 Q 测度 vs P 测度

维度	P 测度（真实概率）	Q 测度（风险中性概率）
全称	Physical measure	Risk-neutral measure
含义	真实世界中事件发生的概率	假想世界中事件发生的概率
资产期望收益	等于无风险利率 + 风险补偿	等于无风险利率
用于	风险管理、情景分析	衍生品定价
需要估计	需要（主观的）	不需要！由无套利条件确定
能观测吗？	不能直接观测	不能直接观测

核心区别：Q 测度是”由无套利条件唯一确定的”，你不需要估计任何参数就能用。

三、等价鞅测度存在性定理（FTAP）

3.1 FTAP 的直觉

Fundamental Theorem of Asset Pricing（资产定价基本定理） 被称为金融数学中最重要的定理。

直觉版表述：

“无套利” ⟺ “存在一个风险中性测度 Q”

白话解读：

正向：如果市场不存在套利机会，那么一定存在一个”假想概率” Q，使得所有资产折现后在 Q 下的期望等于当前价格
反向：如果存在这样的 Q，那么市场就不存在套利机会

3.2 鞅（Martingale）是什么？

白话定义：一个随机过程 $M_{t}$ 是鞅，如果给你截至时刻 $t$ 的所有信息，你对 $M$ 在未来任何时刻的最佳预测就是它当前的值。

$E [M_{T} ∣ F_{t}] = M_{t}$

赌博的类比：

鞅：公平赌博。不管你已经赌了多少轮，下一轮的期望收益都是 0。你无法通过任何策略战胜它。
上鞅（Supermartingale）：对你不利的赌博。期望收益 < 0。
下鞅（Submartingale）：对你有利的赌博。期望收益 > 0。

FTAP 说的是：在风险中性测度 Q 下，所有资产的价格折现后都是鞅。

$\frac{S _{t}}{e ^{r t}} 是 Q- 鞅$

也就是说： $E^{Q} [\frac{S _{T}}{e ^{r T}} F_{t}] = \frac{S _{t}}{e ^{r t}}$

白话解读：在风险中性世界里，不管你用什么交易策略，你都无法战胜市场。这和有效市场假说有异曲同工之处。

3.3 FTAP 的三个层次

层次	条件	定价含义
FTAP 1	无免费午餐（NFLVR）	存在等价鞅测度 Q
FTAP 2	无套利（NA）	存在与 P 等价的鞅测度 Q
FTAP 3	完备市场	鞅测度 Q 唯一

完备市场的白话解释：市场中”足够多”的可交易资产，使得任何衍生品的收益都可以被精确复制。此时 Q 测度唯一，定价唯一。

不完备市场的白话解释：市场中没有足够的工具来复制所有衍生品。此时 Q 测度不唯一，价格不唯一，存在一个”合理价格区间”。

四、复制组合

4.1 Delta 对冲

白话解释：如果你卖出了一份看涨期权，你面临”股价上涨时亏损”的风险。怎么办？

答案是：买入适当数量的股票来对冲这个风险。这个”适当数量”就是 Delta。

$Δ = \frac{\partial C}{\partial S}$

Delta 的含义：股价每变动 1 元，期权价格大约变动 Delta 元。

连续对冲：在 Black-Scholes 框架下，如果你持有 $Δ = \frac{\partial C}{\partial S}$ 份股票和 $C - Δ S$ 份现金，这个组合的价值在任何时刻都等于期权的价值。通过不断调整 Delta（动态对冲），你可以完美复制期权的收益。

4.2 复制法的推导框架（通往 Black-Scholes）

考虑一个组合：

$Π = C (S, t) - Δ \cdot S$

其中 $Δ$ 份股票被用来对冲期权 $C$ 的风险。

用伊藤引理展开 $d C$ ：

$d C = \frac{\partial C}{\partial t} d t + \frac{\partial C}{\partial S} d S + \frac{1}{2} \frac{\partial ^{2} C}{\partial S ^{2}} σ^{2} S^{2} d t$

选择 $Δ = \frac{\partial C}{\partial S}$ （Delta 中性），则：

$d Π = d C - Δ \cdot d S = (\frac{\partial C}{\partial t} + \frac{1}{2} \frac{\partial ^{2} C}{\partial S ^{2}} σ^{2} S^{2}) d t$

关键观察： $d S$ 项被消掉了！组合的收益变成纯确定性的（没有 $d W$ 项）。

在无套利条件下，确定性收益必须等于无风险利率：

$d Π = r Π d t$

代入整理后得到 Black-Scholes PDE：

$\frac{\partial C}{\partial t} + r S \frac{\partial C}{\partial S} + \frac{1}{2} σ^{2} S^{2} \frac{\partial ^{2} C}{\partial S ^{2}} = r C$

白话解读：这个 PDE 就是”无套利条件”的数学表达。它不依赖于任何关于投资者风险偏好的假设，不依赖于股价上涨的真实概率——只依赖于无套利。

4.3 完备市场 vs 不完备市场

完备市场的条件：

市场中存在一个无风险资产（债券）
每种风险源（布朗运动）都有对应的可交易资产

在完备市场中：

任何衍生品都可以被精确复制
风险中性测度 Q 唯一
定价唯一

不完备市场的例子：

跳跃扩散模型（除了布朗运动还有跳跃风险，但跳跃风险不可交易）
随机波动率模型（波动率风险本身不可直接交易）
信用衍生品（违约风险不可直接对冲）

在不完备市场中：

衍生品不能被精确复制
Q 测度不唯一
定价存在区间
需要额外的”效用函数”或”市场价格风险参数”来确定价格

五、具体定价示例

5.1 远期合约的定价（最简单的例子）

远期合约：约定在时刻 $T$ 以价格 $F$ 买入一份股票。

直觉：你应该在时刻 0 借钱买入股票，持有到时刻 $T$ 。你的成本是 $S_{0}$ 加利息。

定价公式：

$F = S_{0} e^{r T}$

白话解读：远期价格 = 现货价格 × (1 + 无风险利率的时间价值)。如果你不持有现货而是用远期，你就省下了这笔钱可以存银行赚利息，所以远期价格要高一些来补偿。

验证无套利：

如果 $F > S_{0} e^{r T}$ ：

套利者以 $S_{0}$ 买入现货，以 $F$ 卖出远期
到期时交割现货，收到 $F$
还掉借款 $S_{0} e^{r T}$
净赚 $F - S_{0} e^{r T} > 0$

如果 $F < S_{0} e^{r T}$ ：

套利者卖空现货得到 $S_{0}$ ，存入银行，买入远期
到期时银行存款变为 $S_{0} e^{r T}$
付 $F$ 取回现货，还给借出者
净赚 $S_{0} e^{r T} - F > 0$

因此，远期合约的公平价格必须是 $F = S_{0} e^{r T}$ 。

5.2 连续红利股票的远期定价

如果股票支付连续红利（收益率 $q$ ）：

$F = S_{0} e^{(r - q) T}$

白话解读：持有远期而不是现货，你错过了红利收入。所以远期价格要减去这部分”错过的红利”。

5.3 换元测度技巧

从物理测度到风险中性测度的变换：

在 P 测度下，股票服从：

$d S_{t} = μ S_{t} d t + σ S_{t} d W_{t}^{P}$

通过 Girsanov 定理，定义 $d W_{t}^{Q} = d W_{t}^{P} + \frac{μ - r}{σ} d t$ ，在 Q 测度下：

$d S_{t} = r S_{t} d t + σ S_{t} d W_{t}^{Q}$

白话解读：在 Q 测度下，漂移项从 $μ$ 变成了 $r$ 。风险溢价 $(μ - r) / σ$ 被”吸收”到概率测度的变换中了。

这就是为什么定价时不需要知道 $μ$ 的原因——测度变换已经把真实收益率的信息”编码”到概率分布中了。

六、Python 示例

6.1 模拟风险中性世界下的资产路径

import numpy as np
import matplotlib.pyplot as plt
 
# ============================================================
# 风险中性测度下的资产路径模拟
# P 测度：dS = mu*S*dt + sigma*S*dW_P
# Q 测度：dS = r*S*dt + sigma*S*dW_Q
# ============================================================
 
np.random.seed(42)
 
# 参数
S0 = 100.0       # 初始股价
r = 0.05         # 无风险利率 5%
mu = 0.10        # 真实世界预期收益率 10%
sigma = 0.30     # 波动率 30%
T = 1.0          # 1 年
n_steps = 252
dt = T / n_steps
n_paths = 1000
 
# 生成共享的布朗运动增量（保证 P 和 Q 用的是同一个随机路径）
Z = np.random.normal(0, 1, size=(n_paths, n_steps))
 
# ---- P 测度路径 ----
dW_P = np.sqrt(dt) * Z
dlog_S_P = (mu - sigma**2/2) * dt + sigma * dW_P
log_S_P = np.cumsum(dlog_S_P, axis=1)
log_S_P = np.hstack([np.zeros((n_paths, 1)), log_S_P])
S_P = S0 * np.exp(log_S_P)
 
# ---- Q 测度路径 ----
# dW_Q = dW_P + (mu - r)/sigma * dt
# 所以 log_S_Q 的漂移项 = (mu - sigma^2/2)*dt + sigma*((mu-r)/sigma*dt) - (mu-r)*dt + r*dt = (r - sigma^2/2)*dt
# 简化：直接用 r 替换 mu
dW_Q = dW_P + (mu - r) / sigma * dt
dlog_S_Q = (mu - sigma**2/2) * dt + sigma * dW_Q
# 验证：展开 dlog_S_Q = (mu-s2/2)*dt + sigma*dW_P + (mu-r)*dt = (2mu-r-s2/2)*dt + sigma*dW_P
# 不对，让我直接用公式：
# 在 Q 测度下：dlogS = (r - sigma^2/2)*dt + sigma*dW_Q
dlog_S_Q_correct = (r - sigma**2/2) * dt + sigma * dW_Q
log_S_Q = np.cumsum(dlog_S_Q_correct, axis=1)
log_S_Q = np.hstack([np.zeros((n_paths, 1)), log_S_Q])
S_Q = S0 * np.exp(log_S_Q)
 
time_points = np.linspace(0, T, n_steps + 1)
 
# ---- 绘图 ----
fig, axes = plt.subplots(2, 2, figsize=(16, 10))
 
# 1. P 测度 vs Q 测度的路径对比（各 3 条）
for i in range(3):
    axes[0, 0].plot(time_points, S_P[i], color='#e41a1c', alpha=0.6, lw=1, linestyle='-')
    axes[0, 0].plot(time_points, S_Q[i], color='#377eb8', alpha=0.6, lw=1, linestyle='--')
axes[0, 0].plot([], [], color='#e41a1c', lw=2, label=f'P 测度 (μ={mu})')
axes[0, 0].plot([], [], color='#377eb8', lw=2, linestyle='--', label=f'Q 测度 (r={r})')
axes[0, 0].set_title('同一随机路径在 P 和 Q 测度下的表现')
axes[0, 0].legend()
axes[0, 0].set_xlabel('时间（年）')
axes[0, 0].set_ylabel('股价')
 
# 2. 期望路径对比
axes[0, 1].plot(time_points, S_P.mean(axis=0), color='#e41a1c', lw=2, label=f'E_P[S_t] = S0*exp(μt)')
axes[0, 1].plot(time_points, S_Q.mean(axis=0), color='#377eb8', lw=2, linestyle='--',
               label=f'E_Q[S_t] = S0*exp(rt)')
axes[0, 1].plot(time_points, S0*np.exp(mu*time_points), 'k:', lw=1, alpha=0.5)
axes[0, 1].plot(time_points, S0*np.exp(r*time_points), 'k:', lw=1, alpha=0.5)
axes[0, 1].set_title('期望路径：P vs Q')
axes[0, 1].legend()
axes[0, 1].set_xlabel('时间（年）')
 
# 3. 折现价格在 Q 测度下是鞅
discounted_S_Q = S_Q * np.exp(-r * time_points[None, :])
mean_discounted = discounted_S_Q.mean(axis=0)
axes[1, 0].plot(time_points, mean_discounted, color='#377eb8', lw=2,
               label=f'E_Q[S_t * e^(-rt)]')
axes[1, 0].axhline(y=S0, color='black', linestyle='--', lw=1.5, label=f'S_0 = {S0}')
axes[1, 0].set_title('折现价格在 Q 测度下是鞅（期望值 = S_0）')
axes[1, 0].set_xlabel('时间（年）')
axes[1, 0].set_ylabel('E_Q[S_t * e^{-rt}]')
axes[1, 0].legend()
 
# 4. 用风险中性定价给远期合约定价
K_forward = S0 * np.exp(r * T)  # 远期理论价格
# 到期收益 = S_T - K
payoff_Q = S_Q[:, -1] - K_forward
price_Q = np.exp(-r*T) * payoff_Q.mean()
axes[1, 1].hist(payoff_Q, bins=50, density=True, alpha=0.6, color='steelblue')
axes[1, 1].axvline(x=0, color='red', linestyle='--', lw=2)
axes[1, 1].set_title(f'远期合约到期收益分布（Q 测度）\n远期价格 K={K_forward:.2f}，期权价值≈{price_Q:.4f}')
axes[1, 1].set_xlabel('S_T - K')
 
plt.tight_layout()
plt.show()
 
print("=== 风险中性定价验证 ===")
print(f"远期理论价格 F = S0*exp(rT) = {S0}*exp({r}*{T}) = {K_forward:.4f}")
print(f"Q 测度下远期合约价值 = e^(-rT) * E_Q[S_T - K] = {price_Q:.6f}")
print(f"（应该接近 0，因为远期合约初始价值为 0）")
print()
print(f"P 测度下 E[S_T] = {S_P[:, -1].mean():.2f}（理论 {S0*np.exp(mu*T):.2f}）")
print(f"Q 测度下 E[S_T] = {S_Q[:, -1].mean():.2f}（理论 {S0*np.exp(r*T):.2f}）")
print(f"关键：Q 测度下的期望收益 = 无风险利率 r = {r}")

6.2 验证远期定价公式

import numpy as np
 
# ============================================================
# 验证远期定价公式：F = S0 * exp(r*T)
# ============================================================
 
np.random.seed(42)
 
# 参数
S0 = 100.0
r = 0.05
T = 1.0
n_paths = 100000  # 大量路径
n_steps = 252
dt = T / n_steps
sigma = 0.30  # 波动率（理论上不影响远期价格！）
 
# 在 Q 测度下模拟
Z = np.random.normal(0, 1, size=(n_paths, n_steps))
log_S = (r - sigma**2/2) * dt + sigma * np.sqrt(dt) * Z
S_T = S0 * np.exp(np.sum(log_S, axis=1))
 
# 对于不同的远期价格 K，计算远期合约的价值
print("=== 远期合约价值验证 ===")
print(f"S0 = {S0}, r = {r}, T = {T}")
print()
 
for K in [95, 100, 105, 110]:
    # 远期多头（约定以 K 买入）：到期收益 = S_T - K
    payoff = S_T - K
    forward_value = np.exp(-r * T) * payoff.mean()
    print(f"远期价格 K = {K:>3.0f}：远期合约价值 = {forward_value:>8.4f}")
 
print()
print(f"理论远期价格 F = S0*exp(rT) = {S0 * np.exp(r * T):.4f}")
print("当 K = F 时，远期合约价值 ≈ 0（验证成功）")
 
# 验证：不同波动率下，远期价格应该一样
print()
print("=== 不同波动率下远期价格不变 ===")
for sig in [0.10, 0.20, 0.30, 0.50, 0.80]:
    Z_sig = np.random.normal(0, 1, size=(n_paths, n_steps))
    log_S_sig = (r - sig**2/2) * dt + sig * np.sqrt(dt) * Z_sig
    S_T_sig = S0 * np.exp(np.sum(log_S_sig, axis=1))
    K_theory = S0 * np.exp(r * T)
    fv = np.exp(-r * T) * (S_T_sig - K_theory).mean()
    print(f"σ = {sig:.2f}：远期合约价值 = {fv:>8.6f}")
print()
print("波动率不影响远期价格——这就是无套利定价的力量。")

七、本节要点回顾

概念	核心要点	白话解读
套利	零成本、零风险、正收益	白捡的钱
无套利	套利机会不存在	市场是”公平”的
风险中性定价	$C = e^{- r T} E^{Q} [C_{T}]$	用”假想概率”定价，不需要知道真实概率
Q 测度	所有资产期望收益 = 无风险利率	一个”调整过”的概率视角
鞅	未来期望 = 当前值	公平赌博，无法战胜
FTAP	无套利 ⟺ 存在等价鞅测度 Q	定价理论的基石
复制组合	用基础资产复制衍生品收益	定价的”构造性方法”
Delta 对冲	持有 $Δ$ 份股票对冲期权风险	动态复制的关键
完备市场	Q 测度唯一，定价唯一	任何衍生品都可以完美复制
远期定价	$F = S_{0} e^{r T}$	最简单的无套利定价例子

下一步：理解了无套利定价的思想后，我们进入 03-资产价格模型.md，看看现实中的资产价格模型是如何在 GBM 基础上一步步完善的。

MindCarver Blog

MindCarver

探索

02-无套利定价理论