六个步数,一个每次减半的差距

Tam
Tam
·Founder & AI Builder·2026-09-27
Binomial Tree Convergence cover

树只有收敛才有用

CRR 树以 O(1/N) 收敛到 Black-Scholes:差距在 10 步时是 0.243,在 1,000 步时是 0.0025,比率是 98.6,与理论值 100 对照。美式看跌是树没有闭式解可对照的情形。

二叉树用一个离散过程近似连续价格过程。只有当格点变细时离散答案趋近连续答案,这个近似才有价值。看到它在实际用的步数上确实如此,也有帮助。同样的收敛问题适用于模拟,那里蒙特卡洛误差 是被测量而不是被假设的。

工作簿在同一只期权上跑六个步数的 CRR 格点,并逐一与闭式解比较。

N树价格Black-Scholes差距
1011.593711.8370−0.24334
5011.787811.8370−0.04923
10011.812411.8370−0.02465
20011.824711.8370−0.01233
50011.832111.8370−0.00493
1,00011.834611.8370−0.00247

能看到两件事。

差距每一步都在下降。 工作簿数了失败次数:绝对差距未能缩小的步数。结果是零。

比率接近 100。 N=10 的差距除以 N=1,000 的差距是 98.6。如果误差是 O(1/N),比率应该是 100;98.6 和 100 的差,来自渐近率与只有六个点所能显示的精度之间的差距。这是对收敛阶的经验确认,而不只是对收敛本身的确认。

第二项格点检查:终端求和与向后归纳

第二项检查,是用两种完全不同的方式评估同一棵树:把损益从节点倒推回去,与把终端损益按风险中性概率加权求和再折现一次。

在 N=10 处,两者给出 11.59370952300479 和 11.59370952300475。差是 4 × 10⁻¹⁴。这项检查值得有,因为两种实现几乎不共享代码:一个向后遍历树,另一个枚举最后一层。任一处的索引错误都会立刻显形。

MODEL sheet, CRR binomial tree: six step counts from 10 to 1,000, each price beside Black-Scholes and the gap
The convergence table. The gap falls at every step count, from 0.243 at 10 steps to 0.0025 at 1,000.

树是唯一选择的地方

美式看跌 OPT-7 没有闭式解。它的价值 8.307 完全来自格点,而两项检查支撑它。

提前行权的价值不可能低于零。 美式价值必须至少等于相同条款的欧式价值。这里是 8.3073 对 7.9160,溢价 0.3913。检查是单边的,理由很充分:负的提前行权溢价不是小错误,而是不可能。

格点已经收敛。 N=200 给出 8.307296,N=100 给出 8.301168:差距 0.0061,约为价值的 0.07%。这就是限制表所引用的离散化误差,也是美式价格应该读到三位有效数字而不是六位的原因。

关于 CRR 收敛不规则的警告

工作簿的限制表里有一条大多数收敛表从不写出的注释:

> 每一个步数上差距都在缩小,这是这里观察到的;但 CRR 收敛是 O(1/N),当行权价落在节点之间时可能振荡。不要把通过读成一般定理;它只对这六个步数和这个行权价成立。

这是正确的谨慎程度。当行权价落在两个节点之间时,CRR 树会产生锯齿状误差,因为期权的损益拐点落在两个节点之间时,不同步数下它到最近节点的距离不一样。这里行权价等于标的价格(平值),六个步数恰好避开了最糟的情况。

想要这个保证的读者应该跑相邻步数(比如 199 和 200),确认它们接近。如果它们相差远超 O(1/N) 预期,说明行权价落点不巧,修法是奇偶步数取平均,或者换一种树参数。

收敛表确立了什么

树和闭式解的差距按预期速率缩小,两者一致;树的两条评估路径也一致到 10⁻¹⁴。这是格点实现正确的证据。

这些都不能证明模型给期权定价正确,因为用来对照的闭式解使用同一个波动率输入。这个比较的前提是两边共享输入:σ 错了,两种方法会一起错,所以一致只能说明格点实现正确,说明不了输入对不对。这是这个工作簿每项检查的结构性局限,也是整合一文 把 17 项检查放进那个背景的原因。格点收敛到的闭式解在解析对照数值一篇 里,由它计算出的敏感性在希腊字母一文 里。想对着工作簿重跑这 17 项检查,可以从衍生品页面 开始。

六个步数的格点都跑在同一张表里,收敛表因此随输入更新;Mica 让六个计数留在同一处。一张表里的六个计数,是让模式可见的Excel 建模方式。

本模型验证系列使用合成案例进行方法演示,不构成投资、税务或法律建议。

最后更新:2026-11-01 · 内部检查,非独立审计。 · 方法与审阅

Tam
Tam

Tam is the Founder & CEO of MINDLINK TEC LTD, an AI creator and product builder building creative AI tools including Mica and Bobi.


Mica

本地运行的 AI,让表格更聪明。用自然语言自动化 Excel 工作流。

联系我们

邮箱: service@mindlink.tools

公司:MINDLINK TEC LTD

© 2026 MINDLINK TEC LTD 保留所有权利。