期权定价逻辑：二叉树与 Black-Scholes 模型

> 2026-07-01 | 期权研究系列

---

零、为什么必须先看懂定价

交易末日期权之前，必须理解期权的价格是怎么来的。否则你看到一张 $0.10 的虚值期权，无法判断它是"便宜"还是"合理"——便宜是因为快要归零了，还是因为波动率被低估了？这需要定价模型来回答。

---

一、二叉树模型（Binomial Tree）：从直觉出发

1.1 核心思想

把时间切成离散的小段。在每一小段里，股票价格只有两种可能：

• 上涨：S → S × u（u > 1）
• 下跌：S → S × d（d < 1）

把多段串联起来，就形成了一棵树。

1.2 两步二叉树图示

1.3 如何从末节点反推期权价格

期权的价格不是从树根往叶节点推，而是从叶子节点（到期日）倒推回树根（今天）。

第一步：在到期日（最右列），算出每个节点的期权 payoff：

看涨期权 payoff = max(S - K, 0)
看跌期权 payoff = max(K - S, 0)

第二步：从倒数第二步开始，逐层往回折现：

期权价格 = e^(-r·Δt) × [p × 上涨时价值 + (1-p) × 下跌时价值]

其中 p 是风险中性概率（不是真实概率）：

p = (e^(r·Δt) - d) / (u - d)

1.4 完整定价流程

1.5 一个具体算例

假设：

• 当前股价 S₀ = $100
• 行权价 K = $100
• 到期时间 T = 1 年
• 无风险利率 r = 5%
• 波动率 σ = 20%
• 二叉树步数 N = 2

BS 模型给出的理论价约为 $10.45，两步二叉树给出 $10.39——已经非常接近。步数越多越精确。

---

二、二叉树如何过渡到 Black-Scholes

2.1 核心洞察

二叉树是一根一根离散的柱子拼出来的价格。当你把步数 N 无限增大：

Δt = T/N → 0
步数 N → ∞

二项分布 → 正态分布（中心极限定理） 离散折现 → 连续折现 二叉树价格 → BS 公式

2.2 关键对比

---

三、Black-Scholes 公式拆解

3.1 公式

看涨期权：

C = S₀ × N(d₁) - K × e^(-rT) × N(d₂)

看跌期权（通过平价关系）：

P = K × e^(-rT) × N(-d₂) - S₀ × N(-d₁)

其中：

d₁ = [ln(S₀/K) + (r + σ²/2)T] / (σ√T)
d₂ = d₁ - σ√T

3.2 逐项解读

BS 公式的本质是"复制"：持有一个期权，等价于买入 N(d₁) 股股票，同时借入 K × e^(-rT) × N(d₂) 元。这就是 Delta 对冲的理论基础。

3.3 五个输入参数的影响

3.4 波动率微笑：BS 的局限性

BS 假设波动率 σ 是常数。但现实中，不同行权价的期权反推出的隐含波动率不一样：

这就是为什么 0DTE 的研究永远绕不开 Gamma——波动率微笑在末日到期时变得更加极端，做市商必须用 Gamma 来管理这种极端不确定性。

---

四、定价模型与末日期权的联系

现在回到最初的末日期权，有了定价模型再看，一切清晰了：

• 二叉树帮你从直觉上理解"期权价格是未来 payoff 的期望折现"
• BS 公式把这种直觉提炼成数学形式，让你能算出 Greeks
• Gamma 的数学表达式直接显示 T 在分母——T → 0 时 Gamma → ∞
• 这就是 0DTE 极端波动和 Gamma Squeeze 的数学根源

---

五、定价模型的 Python 实现

5.1 二叉树定价

import math

def binomial_tree(S, K, T, r, sigma, N, option_type='call'):
    dt = T / N
    u = math.exp(sigma * math.sqrt(dt))
    d = 1 / u
    p = (math.exp(r * dt) - d) / (u - d)
    discount = math.exp(-r * dt)

    # 末层股价
    prices = [S * (u ** (N - i)) * (d ** i) for i in range(N + 1)]

    # 末层期权 payoff
    if option_type == 'call':
        values = [max(price - K, 0) for price in prices]
    else:
        values = [max(K - price, 0) for price in prices]

    # 逐层回推
    for step in range(N - 1, -1, -1):
        values = [discount * (p * values[i] + (1 - p) * values[i + 1])
                  for i in range(step + 1)]

    return values[0]

5.2 BS 定价

from scipy.stats import norm

def black_scholes(S, K, T, r, sigma, option_type='call'):
    d1 = (math.log(S / K) + (r + sigma**2 / 2) * T) / (sigma * math.sqrt(T))
    d2 = d1 - sigma * math.sqrt(T)

    if option_type == 'call':
        return S * norm.cdf(d1) - K * math.exp(-r * T) * norm.cdf(d2)
    else:
        return K * math.exp(-r * T) * norm.cdf(-d2) - S * norm.cdf(-d1)

def bs_gamma(S, K, T, r, sigma):
    d1 = (math.log(S / K) + (r + sigma**2 / 2) * T) / (sigma * math.sqrt(T))
    return norm.pdf(d1) / (S * sigma * math.sqrt(T))

---

六、总结

定价模型是期权交易的"源代码"。看懂它，你才能分辨：这张末日期权的价格是被市场合理定价了，还是出现了可以利用的定价偏差。