文档介绍：第七章期权定价的二叉树和三叉树方法在这一章中,我们利用二叉树和三叉树方法为期权定价。 节中我们已经介绍了利用基础途径的二叉树方法解决期权价格不确定性的模型。二叉树方法依赖于对相关随机过程的离散化并利用计算和内存的结合以满足易于管理的要求。我们也在,我们必须把原来的单步格方法扩展到多步格方法,但是我们必须校对格使它能够反映出相关模型,且这个模型是连续时间、连续状态的随机微分方程。然后我们就可以推广到多步的二叉树格和三叉树格。在  节中,我们从如何利用在离散概率分布的时刻下随机价格波动校准简单的二叉树格。从这点来看,弄清楚网格技术和蒙特卡洛模拟之间的联系是非常重要的,而利用时刻匹配技术缩减方差可以看作一种快捷的抽样排序。然后我们讨论内存效率的实现是如何设计的,美式期权定价是  节的主题。同时,还是要注重它和其他技术方法的联系。现在我们要做的本质上是一个非常简单满足动态规划原则的程序,我们将在第 10 章程序中进一步拓展。在 ,我们把上述方法推广到双标的资产的情形,虽然这是一个最简单的情形,但是我们可以从这个情形中看出内存控制是这一情形的基础。另一种一般化的代表是三叉树格方法,三叉树格方法可以作为一种更普遍的有限差分方法(具体将在,最后,我们在  节中具体讨论网格化方法的优势和劣势。期权定价的二叉树和三叉树格方法图   二叉树定价方法1在,我们已经考虑过单步二叉树方法在无套利情况下的期权定价,这里我们为了方便直接利用图 。其主要思想是复制两个资产,一个是无风险资产,另一个是相关股票。利用这两项资产,我们可以通过它们的组合塑造任何收益率的资产。如果我们令 u 和 d 为任意两个价格的角标,我们可以看到期权的价格应该为 f 0 则,f 0 = e-rdt [ pfu + (1 - p) f d ]()在公式  中 fu 和 fd 是标的资产在涨跌两种情况的期权价格, p 是风险中性前提下相关资产升值的概率。为了寻找一个更好的不确定性模型,我们可以增加分类的情况,复制期权收益,甚至我们可以使用更多的资产,或允许中间日期交易。第二种可能性更为实际,并且也是必不可少的,例如,对于在期权的存续期内可以随时执行的美式期权来说。对其求极限,就会得到连续时间模型,并且其最后收敛于 Black—sholes 方程。当Black—sholes 方程没有解析解的时候,我们必须采取一些离散化的途径,比如说可以通过蒙特卡洛模拟从而估计出风险中性条件下预期收益,或者建立一个自适应网格的有限差分方法去解决相应的PDE 模型。就像我们在图  中展示的一样,多级二叉树格方法就是一种可以选择的离散化方法。我们也可以考虑利用树图,但是要注意使计算方法易于控制。二叉树格定价图  新生成的二叉树图这里我们为了方便令 u = 1/ d 。虽然这个不是必须的,但是在后面我们可以看到,这个假设令模型简化了很多即每上一步紧接着下2一步都会得到相同的初始价格。正如我们从图中看到的一样,我们仅用了有限个价格步。这个有可能就是实施该方法的优势。但是,我们该怎么恰当的确定 u 和d 的值呢,我们应该利用近似相关的连续过程去校对网格。二叉树格方法应该是风险中性过程一个良好的相似。因此,我们应以这样的方式参数设置晶格,即保持着连续时间模型的一些基本属性,这一过程就叫做校准。从 St 开始,经过一个小的时间步 dt ,从  节我们可以看到新价格是一个随机变量 St+dt ,且利用对数正态对数分布的特性,我们得到E[St+dt / St ] = erdt()和d  tVar[St+dt / St ] = e2rdt (es2- 1)()一个合理的要求是这些离散的动态点必须和它们的时刻相匹配。要注意的是,我们只有两个个等式,却有 3 个参数,p,u 和 d,所以三个变量有一个为自由变量,我们令 u = 1/ d ,这样做是为了计算简便,但不是必须的。在网格点上,我们有:E[St+dt ] =  + (1 - p) ,和()联立得注意, p 是风险中性条件下的概率,它不依赖于真实浮动,为了和方差匹配,在晶格上我们看到从()中我们也可以看到把最后两个等式联立可得3最终得到将 p 带入最后一个等式的右侧,化简得最后我们得到这样的等式其中,利用 u = 1/ d ,可以转化为二次方程:方程的一个跟为利用一阶条件拓展,只受 dt 的影响,我们可以简化表达式,对平方根近似化简可得因此但是对于二阶条件,我们对 esdt拓展,最终获得参数u = es dt,d = e-s dt,p =erdt - du - d,()这就是著名的 CRR 公