Blog

在这篇文章中，我们将介绍如何使用QuantPlus Analytics进行欧式期权的估值。

使用QuantPlus Analytics的快速指南，权益-期权，可以创建期权定价的模板。

我们知道，一个欧式期权，无论看涨还是看跌，在估值时一般有6个参数要考虑，股价,波动率$\sigma$，无风险利率$r$，分红率$\delta$

行权价格$K$，到期时间$T$。 进行一下分类，其中

交易数据有：合约的基本属性，如$K, T, \mathrm{payoff}, \mathrm{call/put}$

市场数据有：$S, \sigma, r, \delta$等

在QuantPlus Analytics中，市场数据和交易数据是分开来构造的，具体过程如下：

1. 构建欧式期权的基本交易属性，包括欧式期权的清算日、行权日期、行权对象、输入估值日期等。

2. 设定估值模型，例如波动率对象、随机过程对象、估值引擎类型。

3. 利用qpInstrumentNPV函数输出计算的结果。

这里，我们以IBM的股票期权为例进行说明，因为IBM是蓝筹股，且交易量较大，合约标

准化，流动性好，容易找到相关工具，所以我们选取IBM在纳斯达克交易所进行交易的期权。(在未来的文章中，我们通常都会以IBM的股票期权来进行说明)

首先来看看数据的准备工作是如何完成的。参考

http://www.nasdaq.com/symbol/ibm/option-chain/160415C00120000-ibm-call 和

http://www.dividend.com/dividend-stocks/technology/diversified-computer-systems/ibm-ibm-corp

我们假定期权估值日2016/1/14，该IBM期权的基本信息如下：

行权日2016/4/15

估值日为2016/1/14

该期权的行权价格是120美元

是一个欧式看涨期权

隐含波动率为0.27572

IBM的当前股价为132.91美元

无风险利率我们选择3个月的LIBOR，为0.62%

连续红率为3.91%

回到QuantPlus Analytics，我们把相关数据输入。

在这里，估值日就是2016/1/14。估值日设定为TRUE意思是系统已经成功地收到了估值日，如果为False，则就是估值日没有记录在系统中。

期权的清算日就是估值日，所以也是2016/1/14。交易日历选择了纽约证券交易所的日历。波动率我们输入刚才从网上获取的数据：0.27572。在该定价过程中，我们使用的是历史波动率或者隐含波动率，在实践中，隐含波动率与strike和期限是相关的，即波动率不是常数，不同的strike和不同期限的期权的隐含波动率不同，这就是所谓的波动率曲面，QuantPlus Analytics也可以引用波动率曲面数据，来实现对各种期限和不同strike的期权的定价。日期计数，选择Actual/365 (Fixed)。根据以上的若干参数，我们构造了一个波动率对象：BlackVol，这将是我们进一步做分析的基础。

我们输入了当前股价132.91美元，无风险(LIBOR)利率0.62%，红利率3.91%，结合刚才的对象BlackVol返回了一个随机过程对象blackscholes,这个对象包含了股票在风险中性测度下服从的随机过程(几何布朗运动)的相关参数，如$S, \sigma, r, \delta$

我们输入了行权日期2016/4/15，并构造了一个行权对象Eu_Ex。

我们选择了交易类型：Vanilla，这是最普通的交易类型，还有Gap，AssetOrNothing等选项，分别代表若干的奇异期权。期权类型是call，敲定价格为120美元。 交易类型，期权类型和敲定价格构造出了一个敲定交易对象。定价引擎可以选择使用哪种计算方法算出期权的价格，我们选用最常用的BS模型法，还有其他方法可供选择，如Monte Carlo法，二叉树法，等等。由定价引擎类型和随机过程对象，我们构了一定定价引擎对象。

最后，由敲定价格对象，行权对象构成了欧式期权对象。设定引擎为TRUE说明定价引擎已经输入到系统。 最后NPV(即期权费)由欧式期权对象和设定引擎构造出。QuantPlus Analytics中NPV的方便在处在于各种衍生品的价格函数名称都是NPV，即利用了函数的多态性，无须用户记住多种复杂的函数名称也可以定价。

总结一下，定价的流程如下：

1.用户根据市场相关数据，输入波动率对象，股价，无风险利率和分红率，得到随机过程对象，并输入定价引擎

2.用户根据交易数据，输入行权对象和敲定交易对象，得到欧式期权对象

结合以上的定价引擎和欧式期权对象，得到NPV