Longstaff-Schwartz 最小二乘蒙特卡洛：让蒙特卡洛学会给美式期权定价 • halo 的技术博客

问题：蒙特卡洛为什么给美式期权定价这么难？#

欧式期权只能在到期日行权，定价简单：蒙特卡洛模拟一堆路径，算每条路径到期的收益，取平均贴现，收工。Black-Scholes 甚至有闭式解。

美式期权是另一个物种。 它允许持有人在到期前任意时点行权，于是每个时刻都要回答一个问题：现在立即行权拿到内在价值，还是继续持有等更好的机会？ 这个”最优停时（optimal stopping）“决策，把定价从”算平均”变成了”动态规划”。

对低维问题（1 个标的），二叉树和有限差分能高效解出美式期权。但一旦维度上去——篮子期权（多个标的）、带路径依赖的百慕大期权、随机波动率下的美式期权——二叉树的节点数指数爆炸（维数诅咒），根本算不动。这时你只能靠蒙特卡洛，因为蒙特卡洛的收敛速度不随维度恶化。

可蒙特卡洛有个根本矛盾：它是正向（forward）模拟路径的，而最优停时决策是逆向（backward）的。要在时刻 $t$ 决定是否行权，你需要知道”如果不行权，未来能拿到多少”——也就是继续持有的条件期望价值 $E[\text{未来现金流} \mid S_t]$ 。但这个期望正是你想求的东西，是个先有鸡还是先有蛋的死循环。

早行权溢价

图1 先把”要定价的东西”说清楚。左图三条线：内在价值（灰虚线）是行权立刻能拿到的钱；欧式看跌（蓝）在内在价值之上有时间价值；美式看跌（红）永远 ≥ 欧式看跌 ≥ 内在价值——因为美式多了”随时能行权”的选择权，选择权只会让期权更值钱，绝不会更便宜。右图画出早行权溢价（美式 − 欧式）：这个差价在 ATM 附近（S≈K）最大，本例 ATM 处 = 0.515。这 0.515 就是 LSM 要精确捕捉的东西——蒙特卡洛给欧式定价小菜一碟，难的正是这个早行权的增量价值。

Longstaff-Schwartz 的破局：用回归代替递归#

Longstaff 和 Schwartz 在 2001 年给出了一个既简单又深刻的解法，叫最小二乘蒙特卡洛（Least-Squares Monte Carlo, LSM）。核心思想一句话：

在每个可行权时点，用『当前股价』作自变量、用『这条路径未来实际拿到的贴现现金流』作因变量，做一次横截面最小二乘回归。回归出来的拟合值，就是『继续持有的期望价值』的估计。

有了这个估计，行权决策就简单了：如果立即行权的内在价值 > 回归估出的继续持有价值，就行权；否则继续持有。 从到期日往前逐步倒推，每个时点更新每条路径的现金流，最后把所有路径的现金流贴现取平均，就是期权价格。

LSM 回归决策

图2 是整个方法的心脏，值得盯着看一会儿。这是某个中间时点 $t = T/2$ 的横截面：

蓝色散点：每条实值路径的（当前股价，未来实际拿到的贴现现金流）。散点很乱，因为单条路径的未来是随机的。
红色曲线：对这些散点做多项式回归得到的拟合线——它把噪声平均掉，估出”给定当前股价 S，继续持有平均能拿多少”。
绿色直线：立即行权价值 $K - S$ 。
两条线的交点就是最优行权边界：股价低于这个点（深度实值），立即行权价值超过继续持有价值，应该行权；股价高于这个点，继续持有更划算。

这就是 LSM 的全部魔法：它没有去解那个逆向的动态规划方程，而是用一系列横截面回归，把”继续持有的条件期望”直接从模拟数据里拟合出来。 回归代替了递归。

一个关键细节：只对实值路径（in-the-money）做回归。虚值路径的内在价值为 0，根本不存在”要不要行权”的问题，把它们塞进回归只会增加噪声、恶化拟合。这是 Longstaff-Schwartz 原文强调的要点。

import numpy as np
from math import exp, sqrt

def lsm_american_put(paths, K, r, T, deg=3):
    """最小二乘蒙特卡洛：美式看跌定价。
    paths: (n_paths, n_steps+1) 的风险中性 GBM 路径。"""
    n_paths, n1 = paths.shape
    n_steps = n1 - 1
    dt = T / n_steps
    disc = exp(-r * dt)
    # 初始化：假设持有到期行权
    cashflow = np.maximum(K - paths[:, -1], 0.0)
    exercise_time = np.full(n_paths, n_steps)
    # 从倒数第二步往前倒推
    for t in range(n_steps - 1, 0, -1):
        St = paths[:, t]
        intrinsic = np.maximum(K - St, 0.0)
        itm = intrinsic > 0                       # 只对实值路径回归
        if itm.sum() < deg + 1:
            continue
        # 未来现金流贴现到当前时点 t
        Y = cashflow[itm] * disc ** (exercise_time[itm] - t)
        A = np.vander(St[itm], deg + 1)           # 多项式基
        coef, *_ = np.linalg.lstsq(A, Y, rcond=None)
        cont_hat = A @ coef                        # 继续持有价值估计
        do_exercise = intrinsic[itm] > cont_hat    # 行权决策
        idx = np.where(itm)[0][do_exercise]
        cashflow[idx] = intrinsic[itm][do_exercise]
        exercise_time[idx] = t
    return np.mean(cashflow * disc ** exercise_time)

python

跑出来：ATM 美式看跌 LSM 定价 7.965，对照二叉树基准 7.974，欧式看跌 7.459。LSM 精确抓住了那个 0.5 的早行权溢价。

收敛性：路径数与多项式阶数#

LSM 有两个自由旋钮：模拟多少条路径，回归用几阶多项式。都得验证收敛。

收敛性

图3a：固定 3 阶多项式，路径数从 1000 加到 10 万。价格连同 95% 置信区间（8 次重复）稳稳收敛到二叉树基准 7.974，10 万路径时置信区间已经很窄。这是蒙特卡洛方法的标准行为——误差以 $1/\sqrt{N}$ 收缩。

图3b：固定 2 万路径，多项式阶数从 1 加到 8。2-3 阶就已经收敛，再往上加阶数收益递减，还会增加过拟合风险。这印证了 Longstaff-Schwartz 的经验：低阶多项式（甚至加权 Laguerre 基）就足够，不需要复杂基函数。回归只是为了估一个平滑的条件期望，不需要精确拟合每个散点。

对抗式检验：我怀疑过的四件事#

LSM 有一个众所周知的陷阱——它天然会向上偏（high bias）。我做了四项检验，其中第一项就是直击这个偏差。

对抗式检验

图4a：样本内偏高，样本外才无偏。 这是 LSM 最微妙的地方。如果你用同一批路径既估回归系数（决定行权边界）又算期权价格，会得到一个系统性偏高的估计（本例 7.974）——因为行权决策”偷看”了这批路径自己的未来，等于用了后见之明。正确做法是样本外定价：先用一批路径估出各时点的回归系数，再把系数冻结，应用到一批全新的独立路径上定价，得到无偏估计 7.944。箱线图清楚显示样本内分布整体高于样本外。这个偏差不报错、数值也合理，是 LSM 用户最容易忽略的坑——学术界严谨定价必须做这个 in-sample/out-of-sample 分离（Glasserman 等人有专门讨论）。

图4b：无红利美式看涨必须等于欧式。 这是一条铁律：无红利股票的美式看涨期权，永远不应该提前行权（提前行权会损失时间价值和利息，理论已证明）。所以无红利美式看涨 = 欧式看涨。我用 LSM 定价无红利美式看涨，得到 12.338，精确等于 BS 欧式看涨 12.336。这是对算法正确性的强检验：如果 LSM 有 bug、凭空造出虚假的早行权价值，这里就会算出比欧式更高的价格。它没有，说明回归决策没有系统性地误判”该行权”。

图4c：早行权边界的形状必须合理。 我从 6 万条路径里提取出每个时点的最优行权边界 $S^*(t)$ ，画出它的时间演化：边界随到期临近单调上升，逐渐逼近行权价 K。这符合理论——离到期越近，时间价值越少，越倾向于在更高的股价（更浅的实值）就行权。如果边界形状乱七八糟或方向反了，说明回归估计出了问题。它形状干净，是模型内部自洽的又一佐证。

图4d：行权机会越密，价格越高。 我把可行权时间步数从 10 加到 120（离散颗粒度越来越细，越逼近”连续可行权”的真正美式期权）。价格单调上升并收敛——行权机会越多，期权持有人的选择权越大，期权越值钱。50 步已接近连续极限。这验证了离散化的方向正确。

三段式总结#

A. 实现细节#

标的与合约：风险中性 GBM， $S_0=100$ 、 $K=100$ 、 $r=5\%$ 、 $\sigma=25\%$ 、 $T=1$ 年，50 个可行权时点（百慕大式离散近似连续美式）。固定种子 20260801。
LSM 流程：正向模拟 GBM 路径 → 从到期日倒推 → 每个时点只对实值路径做多项式回归（默认 3 阶，np.vander 基）估继续持有价值 → 比较立即行权 vs 继续持有更新现金流与行权时点 → 全路径贴现取平均。
三条独立基准互验：(1) 二叉树（2000 步）给美式看跌收敛基准 7.974；(2) BS 闭式解给欧式基准 7.459；(3) LSM 蒙特卡洛给 7.965。三者一致才可信。
样本外定价：图4a 用一批路径估系数、冻结后应用到独立新路径，消除样本内乐观偏差。

B. 已知偏差#

样本内向上偏差是 LSM 的固有特性：如图4a，用同批路径估边界又定价会高估。学术级应用必须做 in-sample/out-of-sample 分离，或用 Andersen-Broadie 的对偶上界法夹出置信区间。本文的主定价 7.965 已接近无偏，但生产环境应显式做样本外。
回归基函数的选择是艺术：多项式在深度实值/虚值区外推不稳定，高阶会过拟合。原文推荐加权 Laguerre 多项式，实践中还有样条、局部回归等。基函数选不好，某些时点的行权决策会系统性偏差。本文用简单幂基，低阶下够用但不是最优。
离散时点近似连续美式：本文 50 步是百慕大式近似，真正的连续美式期权价格略高（图4d 显示上升趋势）。步数不足会低估，步数太多则计算量和噪声都上升。
单标的低维问题其实不需要 LSM：本文用单标的是为了能与二叉树对照验证。LSM 的真正价值在高维（篮子期权、多资产)、路径依赖（回望、亚式美式）场景——那里二叉树失效，LSM 是少数可行方法之一。用单标的展示是”杀鸡用牛刀”，但便于验证正确性。
GBM 假设的老问题：本文假设常数波动、无跳跃。真实美式期权定价要接入随机波动率或跳跃扩散，LSM 框架能兼容（只需改路径模拟部分），但回归的条件变量可能要加入波动率状态。

C. 结果解读#

LSM 的历史意义是『让蒙特卡洛能做最优停时』：在 LSM 之前，高维美式期权几乎无法定价。Longstaff-Schwartz 用一个”回归代替递归”的工程巧思，把不可能变成了华尔街标准工具。它的深刻之处不在数学复杂度（回归是本科统计），而在用横截面信息重构了逆向的条件期望——这是方法论层面的突破。
那 0.5 的早行权溢价是实打实的钱：美式看跌 7.965 vs 欧式 7.459，差价 6.9%。对看跌期权（尤其是深度实值、高利率环境），早行权价值很可观——因为提前行权拿到现金可以吃利息。忽略这个溢价（用欧式模型给美式期权定价）会系统性低估负债/高估资产。可转债的赎回/回售条款、员工股票期权、抵押贷款提前偿还权，本质都是美式期权，都要用 LSM 类方法。
样本内偏差是给所有『用数据既训练又评估』的警示：图4a 的偏差和机器学习里的过拟合、量化回测里的 look-ahead 是同一类错误的不同马甲——用同一份数据既做决策又评估决策，必然乐观。LSM 的解药（样本外定价）和量化回测的解药（样本外验证）是同一个原理。这个偏差的隐蔽性在于：它不报错、数值也在合理范围，只有懂原理的人才会去做分离。
无红利看涨检验是最强的正确性判据：图4b 的意义超出本例——它给出了一个有解析答案的边界情形来验证数值方法。任何数值定价器上线前，都应该找几个有闭式解或已知理论结论的特例（无红利美式看涨=欧式、深度实值/虚值极限、 $\lambda=0$ 退化等）去撞一撞。撞不上，就别信它在没有解析解的复杂情形下的输出。
适用边界：LSM 是高维/路径依赖美式期权的首选，也是能源、可转债、按揭证券、保险产品（GMxB 保证金）定价的行业主力。它不适合低维简单美式（二叉树更快更准），也对基函数选择和样本外处理敏感——用它之前，先想清楚”我为什么不用二叉树”，答案通常是”维度太高”。