篮子期权与矩匹配：用相关结构给一篮子资产定价

如果你能定价单个股票期权，不代表你能定价”一篮子股票”的期权。差别在一个字：和。

单个资产 S(T) 在风险中性下是几何布朗运动，对数正态、有闭式。但一个篮子（比如”沪深300 成分加权”或”一篮子科技股”）的终值是

B(T) = Σ_i w_i · S_i(T)

几个对数正态变量的加权和，本身不再是任何简单分布——没有 Black-Scholes 闭式，连对数正态都不是。但市场天天在交易篮子期权（指数期权本质就是篮子期权）。怎么办？

结论先放这：矩匹配（Moment Matching, Levy 1992）是最实用的解析近似——它只用两个数字（E[B] 和 E[B²]）把篮子分布配成对数正态，再套 BS 型公式。在我 4 资产的相关算例下，矩匹配价 5.16 紧贴蒙特卡洛（MC）真值 4.99（偏差仅 +3.3%）；而用”几何篮子 + 组合方差”的朴素下界法给出 4.37，系统性低估 12.6%。相关结构在这里是主角：ρ 从 −0.2 升到 0.95，篮子价从 1.45 一路涨到 7.21。附完整 Python 与六类真实陷阱（高阶）。

一、为什么篮子没有闭式#

单资产 GBM 的好处是：对数收益 ln(S_T/S_0) 是正态，所以 S_T 是单变量对数正态，任意 max(S_T−K,0) 都能用 BS 闭式积分出来。

篮子不行。即使每个 S_i 都是对数正态，它们的加权和 B = Σ w_i S_i 的分布在数学上不是对数正态、不是正态、不是任何标准命名分布。原因有两层：

1. 凸性：max(B−K,0) 对 B 是凸函数，而 B 又是 S_i 的线性组合——算术平均天然高于几何平均（AM ≥ GM），所以”算术篮子期权”比”几何篮子期权”贵，贵的就是这部分凸性。
2. 相关结构：B 的方差 = w'Σw，Σ_ij = ρ_ij σ_i σ_j。相关系数一变，B 的分布就整体平移、变胖变瘦。相关越高 → 篮子波动越大 → 期权越贵。

下面这条 MC 路径直观展示了”篮子是四个成分按权重揉出来的”——它不是任何单个成分的对数正态轨迹。

二、矩匹配：用两个矩把篮子”装进”对数正态#

Levy (1992) / Milevsky-Posner (1998) 的思路极简：不知道完整分布，但我知道它的前两矩，那就用前两矩去匹配一个对数正态——因为对数正态只由两个参数决定，刚好够。

风险中性下，单个资产 S_i(T) = S0_i·exp((r−½σ_i²)T + σ_i√T·Z_i)。关键解析结果：

E[S_i(T)]        = S0_i · e^{rT}
E[S_i S_j]       = S0_i S0_j · e^{2rT + ρ_ij σ_i σ_j T}      # 含相关项！
E[B]   = Σ w_i · E[S_i]                                       = w'·(S0·e^{rT})
E[B²]  = Σ_i Σ_j w_i w_j · E[S_i S_j]

注意 E[B²] 里那项 ρ_ij σ_i σ_j T——相关结构被完整写进了二阶矩。算完 m2=E[B²]、m1=E[B]，配

ln B ~ N(m, v),   m = 2·ln(m1) − ½·ln(m2),   v = ln(m2) − 2·ln(m1)

再用对数正态看涨期望

E[max(B−K,0)] = e^{m+½v}·Φ(d1) − K·Φ(d2),
   d1 = (m+v−ln K)/√v,  d2 = d1−√v

折现即得篮子看涨价。整个过程闭式、零模拟、毫秒级。

三、对照基准：几何篮子（教科书下界）#

矩匹配好不好，得有杆秤。最自然的秤是几何篮子——把权重 w 改成作用在对数上：

几何篮子  G(T) = Π S_i(T)^{w_i}   =>  ln G = Σ w_i ln S_i 是正态 => G 是对数正态，有闭式

因为 B = Σ w_i S_i ≥ Π S_i^{w_i} = G（加权 AM ≥ 加权 GM，逐点成立），所以

几何篮子看涨价  ≤  算术篮子看涨价（=真值）  ≤  矩匹配近似

几何篮子用组合方差 σ_b² = w'Σw 定价，是标准的下界。它低估多少，正度量了”算术凸性溢价”有多大。

四、真实数值：三法同台#

固定 4 资产：S0=[100,80,120,60]、σ=[0.25,0.30,0.20,0.35]、w=[0.30,0.25,0.25,0.20]、r=3%、T=1y、基准 ρ=0.4。跨行权价对比：

基准档 K=100 的精确数字：

几个要点：

• 矩匹配只高估 3.3%——它抓住了算术凸性的”大部分”，是又快又准的近似。
• 几何篮子低估 12.6%——这就是凸性溢价的量级；若直接用几何篮子报价，等于白白少收一成多权利金。
• 终端分布上，矩匹配对数正态的重心（E[B]=94.80）与 MC 真实算术和精确对齐，只是右尾略厚（对数正态尾部比真实算术和更肥，这是矩匹配固有的高估来源）。

五、相关结构才是主角#

把 ρ（共同相关系数）从 −0.2 扫到 0.95，固定 K=100：

相关性是篮子定价的灵魂：ρ 从 −0.2 到 0.95，篮子价翻了快 5 倍（1.45 → 7.21）。负相关时成分互相抵消、篮子很稳、期权便宜；高相关时成分齐涨齐跌、篮子波动爆炸、期权贵。矩匹配在整段都紧跟 MC（偏差 2.5%~3.3%），几何下界始终扮演干净的下界。

六、完整 Python 实现（核心段）#

import numpy as np
from scipy.stats import norm

S0  = np.array([100., 80., 120., 60.])
SIG = np.array([0.25, 0.30, 0.20, 0.35])
W   = np.array([0.30, 0.25, 0.25, 0.20])
r, T = 0.03, 1.0

def corr_matrix(rho):
    d = len(S0); R = np.full((d, d), rho); np.fill_diagonal(R, 1.0); return R

def basket_moments(rho):
    R = corr_matrix(rho)
    ES  = S0 * np.exp(r * T)
    ES2 = np.outer(S0, S0) * np.exp(2*r*T + R*np.outer(SIG, SIG)*T)  # 含相关项
    return W @ ES, W @ ES2 @ W                       # E[B], E[B²]

def basket_call(rho, K):
    m1, m2 = basket_moments(rho)
    m = 2*np.log(m1) - 0.5*np.log(m2)                # 矩匹配 => 对数正态参数
    v = np.log(m2) - 2*np.log(m1); v = max(v, 1e-12)
    sq = np.sqrt(v); F = np.exp(m + 0.5*v)
    d1 = (m + v - np.log(K)) / sq; d2 = d1 - sq
    return F*norm.cdf(d1) - K*norm.cdf(d2)

def naive_geometric_call(rho, K):                   # 几何篮子下界
    R = corr_matrix(rho); cov = np.outer(SIG, SIG)*R
    sig_b = np.sqrt(W @ cov @ W)
    Fb = np.exp(np.sum(W*np.log(S0))) * np.exp(r*T)  # 几何均值 forward
    se = sig_b*np.sqrt(T)
    d1 = (np.log(Fb/K) + 0.5*se**2)/se; d2 = d1 - se
    return Fb*norm.cdf(d1) - K*norm.cdf(d2)

def mc_basket_call(rho, K, M=200_000, seed=20240719):
    rng = np.random.default_rng(seed)
    L = np.linalg.cholesky(corr_matrix(rho))
    eps = rng.standard_normal((M, len(S0))) @ L.T
    ST = S0 * np.exp((r-0.5*SIG**2)*T + SIG*np.sqrt(T)*eps)
    B  = ST @ W
    return np.exp(-r*T) * np.maximum(B-K, 0.0).mean()

定价时矩匹配与几何篮子都是闭式：输入 ρ 与 K，毫秒出价。MC 仅用于”造真值”和画图——实战里你不会在定价环节跑 20 万路径，那正是矩匹配存在的意义。

七、诚实的六类真实陷阱#

矩匹配好用，但每一处都藏着坑：

1. 相关结构漏算 = 定价全错。 E[B²] 里的 ρ_ij σ_i σ_j T 是篮子方差的全部来源。用 ρ=0（假设独立）或错用历史相关而非风险中性相关，价格能差出一倍以上。真实做市要用隐含相关（从指数期权与成分期权反推），不是历史样本相关。
2. 权重必须和为 1 且非负（对标准篮子）。 本算例 Σw=1。若权重含负（卖空成分做价差篮子），矩匹配仍可用，但几何篮子下界失效（GM 对负权重无意义）——此时下界要另找。
3. 矩匹配高估右尾。 对数正态尾部比真实算术和更肥，所以价系统性偏高（本文 +3.3%）。深度虚值/长到期尤其明显；要更准得上 Edgeworth/Gram-Charlier 扩到四阶矩，或干脆 MC。
4. 离散化与 MC 种子噪声。 MC 真值本身有标准误（20 万路径下约 ±0.02）。本文所有”偏差%“都要扣掉这个数——所谓 +3.3% 里有一部分可能只是 MC 噪声，真实误差更小。
5. PCA 降维的诱惑与代价。 50 个成分直接算 w'Σw 和 Cholesky 没问题，但有人想用 PCA 压到 3 个主成分再定价——主成分是正交的、改变了权重语义，除非重新映射 w，否则定的是”另一个篮子”的价。
6. 美式/路径依赖篮子。 本文只处理欧式到期 payoff。美式篮子期权（可提前行权）没有简单矩匹配，必须树或 MC + 最小二乘（LSM）；亚式篮子（取路径均值）则要先算 B 的平均分布的矩，矩匹配公式要重写——别直接套本文闭式。

八、它解决什么问题#

篮子期权的本质是”相关结构被加权和之后的非线性 payoff”。矩匹配给了一个工程上无可替代的甜点：

• 比 MC 快 6 个数量级（闭式 vs 十万路径），适合实时报价、 Greeks 敏感性扫描、波动率曲面校准；
• 比几何篮子下界准一个凸性量级的溢价（本文 12.6%）；
• 把”相关结构怎么进价格”这件事，写成了一行 E[B²] = ΣΣ w_i w_j S0_i S0_j e^{2rT+ρ_ijσ_iσ_jT}。

九、三法怎么选：一张实战决策表#

把上文浓缩成一个可直接照做的选择题：

一句话收尾：单资产靠分布，篮子靠矩；矩匹配用两个数字，把一篮子的相关与凸性一起装进了对数正态。

完整可运行代码与全部配图生成脚本：src/content/blog/basket-option-moment/generate_images.py（同仓库）。运行即复现本文所有数字与五张图。