做衍生品交易这几年雪球是被问得最多的结构化产品没有之一。原因很现实票息高。年化百分之十几、二十几的票息晒出来很多人的第一反应就是“这不就是固收吗买它”。直到标的价格跌破敲入线账户开始按亏损记账才有人反应过来——这张“固收”其实是一张满身障碍条款的期权。这篇文章不讨论雪球该不该买而是把它的定价流程完整走一遍用BSM模型给标的路径做风险中性建模用蒙特卡罗模拟把敲入、敲出、票息、亏损每一环都算清楚最后给出一套可直接复用的Python代码。做交易、做产品设计或者自己研究雪球想知道发行商报价逻辑的都可以顺着这条线往下读。1. 先搞清楚在给什么东西定价1.1 一张要素表把雪球拆干净雪球期权在合同层面是一张“障碍期权组合”但在销售端被包装成了“高息理财”。要给它定价第一步就是把它还原成一张要素表。下面我列的是国内最标准的经典雪球结构也是本篇模拟的基准。产品要素示例值定价中的作用挂钩标的中证500指数驱动标的价格路径的源头期限12个月决定了模拟的时间窗口期初价格 S0100所有障碍价格的锚敲入价格S0 × 80%每日观察触发后开启亏损可能敲出价格S0 × 103%月度观察触发后提前结束并派息年化票息20%结果定价中的主要现金流入观察频率敲入每日 / 敲出每月直接影响障碍被触发的概率名义本金100所有现金流计算的基数这里先说明一个容易被新入行的人绕晕的点名义本金只是结算单位定价的核心是“每1元名义本金对应的期望现金流现值”。所以下面的代码里我会把名义本金设成100最终算出来的价格直接就是“每100元本金值多少钱”。如果算出来是103意味着这个票息结构对投资者有利如果是97说明发行商留了利润空间。1.2 四种路径结果雪球的全部现金流都在这里雪球内部的路径状态从收益角度看只有四种组合。我用表格直接列出来后面代码里的所有分支判断都是围绕这张表展开的。情形是否敲入是否敲出现金流A否否到期获得全程票息B否是敲出日提前结算拿持有期票息C是是敲出日提前结算拿持有期票息D是否到期承担标的跌幅可能亏损本金有几个概念必须先掰扯清楚。“敲入”不等于立即亏损它只是记录了一条路径“曾经跌破过敲入价”是否最终亏损要看到期时有没有敲出。“敲出”则表示产品提前终止票息按实际持有期比例折算。所以C情形在真实市场里非常常见持有人先经历标的跌破敲入线的恐慌然后看着价格反弹并在某个月度观察日突破敲出线最后照样拿票息走人。这种“先惊后喜”的戏剧性正是雪球结构最吸引人的地方。这四种状态组合也揭示了一个本质问题雪球收益不由到期日单一价格决定而由整条路径上是否触碰过障碍共同决定。我把这种结构称为“结果定价”。如果说欧式期权是“终点定价”——只看到期那一天的价格那么雪球就是典型的“结果定价”——期末价格相同中间路径不同收益完全可能天差地别。举一个例子假设一只雪球敲入价80期末标的价格为90。如果路径是从100阴跌到90、从未碰过80持有到期拿满票息如果路径是先快速砸到75、再反弹回到90那么敲入已经触发到期按-10%结算。期末价格都是90结果完全不同。这就是为什么雪球不能用普通看跌期权公式直接套的原因也是本篇必须上蒙特卡罗的根本理由。2. BSM为什么一个算不了雪球的模型还是定价底座2.1 风险中性测度定价的“裁判视角”很多人听到BSM就以为要给雪球套一个闭式解这是误解。BSM在本篇真正的角色是提供标的资产价格路径的随机过程模型。在风险中性测度Q下标的价格满足几何布朗运动dS_t (r - q) * S_t * dt sigma * S_t * dW_t其中r是无风险利率q是连续股息率sigma是波动率dW_t是标准布朗运动。离散化之后每一条模拟路径的递推公式是S(tdt) S(t) * exp((r - q - 0.5 * sigma^2) * dt sigma * sqrt(dt) * epsilon)其中epsilon服从标准正态分布。把这个过程翻译成大白话在定价世界里标的价格平均每天按“r-q”的速率漂移而不是按市场上大家感受到的“历史平均涨幅”漂移。原因在于风险中性定价的核心逻辑是——任何资产价格等于其未来收益在风险中性概率下的期望贴现。定价的人相当于一个裁判他不在乎标的过去实际涨了多少只在乎当前资金成本和无风险规则下未来路径的分布长什么样。这个视角是所有衍生品定价的基石雪球也不例外。2.2 教科书公式和雪球之间隔了多少障碍BSM闭式解能处理欧式看涨、看跌甚至连续观察的障碍期权也有解析公式。但雪球真正难搞的地方在于它的观察机制混合了“离散”和“路径”两个特征。敲入是每日观察但观察的是“曾经是否跌破”这是路径依赖敲出是月度观察一旦触发立刻终止这相当于一系列美式二元期权。再加上票息按持有期比例折算、敲入后反弹敲出仍按票息结算等实际条款你当然可以用多个障碍期权加二元期权的组合硬凑一个解析公式但写完之后基本没人愿意维护——每改一个条款公式就要跟着变形。蒙特卡罗的方法论优势就在这里它不关心你的条款有多“拧巴”只关心你能不能写出一段逻辑正确的收益判断代码。改观察频率、改票息规则、改障碍水平在蒙特卡罗框架里都只是改几行参数的事。所以雪球定价在业界的主流路径就是BSM提供路径生成规则蒙特卡罗提供情景推演能力两者配合完成从“随机路径”到“期望价格”的闭环。2.3 输入参数比模型更杀价格模型选完之后真正决定定价结果的是输入参数。雪球定价里主要有四个输入每一个都藏着容易翻车的细节。参数推荐取值常见错误波动率 sigma隐含波动率注意期限结构直接用历史波动率无风险利率 r与期限匹配的市场资金成本用活期或统一利率股息率 q指数或个股的预期分红顺手填0时间步长 dt交易日 1/252用自然日 1/365波动率是这四个参数里权重最高的。雪球本质上卖的是波动率风险你收的高票息就是“卖保险”的保费。如果市场处于预期剧烈波动的阶段但历史波动率还停留在低水平用历史波动率定价会得到“票息真高、价格真便宜”的假象。隐含波动率已把市场对未来的定价包含在内这才是雪球报价真正应该锚定的基准。股息率的影响相对温和但在1年维度上也不可忽略分红越高标的的漂移项越低敲入概率越高雪球多头价值就会往下走。后面的代码里我会把q作为一个显式参数方便你直接做敏感性测试。3. 蒙特卡罗定价让一千条路径替你做情景推演3.1 模拟引擎的五个基本步骤蒙特卡罗定价的思路不复杂本质就是“模拟足够多的未来场景统计每个场景下的收益再贴现取平均”。具体到雪球完整的模拟流程可以拆成五步把期限切成交易日网格得到模拟时间步。按几何布朗运动公式生成N条标的价格路径。逐条路径检查是否发生过敲入在每月观察日是否发生敲出。根据四种状态组合计算每条路径的现金流。将现金流按发生时间贴现到当前时刻取所有路径的平均值。写代码之前我建议先把这五步刻在脑子里因为所有实现细节都是这五步的具象化。下面这份代码是我在实盘研究里经常用的版本用NumPy向量化计算50000条路径在普通笔记本上几秒就能跑完。3.2 一份可以抄作业的Python实现import numpy as np from dataclasses import dataclass dataclass class SnowballResult: price: float # 每1元名义本金的现值 price_std: float # 均值的标准误 knock_out_prob: float # 敲出概率 knock_in_prob: float # 敲入概率 loss_prob: float # 敲入且未敲出概率 rescue_prob: float # 敲入后最终敲出获救的概率 avg_hold: float # 平均持有时间年化 def price_snowball( S0: float 100.0, notional: float 100.0, barrier_in: float 0.80, barrier_out: float 1.03, coupon: float 0.20, T: float 1.0, r: float 0.02, q: float 0.0, sigma: float 0.25, n_paths: int 50000, days_per_year: int 252, out_obs_steps: int 21, seed: int 42, ) - SnowballResult: # 时间网格 n_steps int(T * days_per_year) dt 1.0 / days_per_year if seed is not None: np.random.seed(seed) # 生成几何布朗运动路径 Z np.random.standard_normal((n_steps, n_paths)) drift (r - q - 0.5 * sigma * sigma) * dt vol sigma * np.sqrt(dt) log_incs drift vol * Z logS np.log(S0) np.cumsum(log_incs, axis0) S np.exp(logS) # 形状 (n_steps, n_paths) # 敲出观察日索引默认每月第21个交易日 out_idx np.arange(out_obs_steps, n_steps 1, out_obs_steps) - 1 out_idx out_idx[out_idx n_steps] n_obs len(out_idx) # 敲入任意交易日模拟价低于敲入价 ki_mask np.min(S, axis0) S0 * barrier_in # 敲出观察日价格高于敲出价且之前未敲出 ko_mask np.zeros(n_paths, dtypebool) ko_time np.zeros(n_paths, dtypefloat) # 年化持有时间 for i, idx in enumerate(out_idx): cond (S[idx, :] S0 * barrier_out) (~ko_mask) ko_mask[cond] True ko_time[cond] (i 1) / n_obs * T # 结果定价四种情形的现金流 payoff np.zeros(n_paths) ko_paths ko_mask no_ko_no_ki (~ko_mask) (~ki_mask) no_ko_ki (~ko_mask) ki_mask # 情形B和C敲出拿持有期票息 payoff[ko_paths] coupon * ko_time[ko_paths] * notional # 情形A未敲入未敲出拿全程票息 payoff[no_ko_no_ki] coupon * T * notional # 情形D敲入且未敲出到期承担亏损 payoff[no_ko_ki] notional * np.minimum(0.0, S[-1, no_ko_ki] / S0 - 1.0) # 折现敲出路径折现到敲出时刻其余折现到到期 disc np.zeros(n_paths) disc[ko_mask] np.exp(-r * ko_time[ko_mask]) disc[~ko_mask] np.exp(-r * T) pv payoff * disc price float(pv.mean()) price_std float(pv.std(ddof1) / np.sqrt(n_paths)) # 获救概率敲入路径中最终敲出的占比 rescue (ki_mask ko_mask).sum() rescue_prob rescue / max(ki_mask.sum(), 1) return SnowballResult( priceprice, price_stdprice_std, knock_out_probfloat(ko_mask.mean()), knock_in_probfloat(ki_mask.mean()), loss_probfloat(no_ko_ki.mean()), rescue_probfloat(rescue_prob), avg_holdfloat((ko_time[ko_mask].sum() T * (~ko_mask).sum()) / n_paths), ) if __name__ __main__: res price_snowball() print(res)这段代码的逻辑和前面那张四种情形的表格完全一一对应。ki_mask记录这条路径是否敲入过ko_mask记录是否敲出过ko_time记录敲出发生在第几个月。在敲出循环里我用(~ko_mask)保证一条路径只结算第一次敲出避免后面观察日重复触发覆盖掉更早的终止时间。3.3 代码里几个容易被忽略的工程细节写这份代码时我刻意保留了几个细节它们看起来不起眼实际运行起来全是坑。第一敲出判断必须从第一个观察日开始不能把第0天算进去。期初价格就在敲出价下方如果把第0天纳入判断等于无条件敲出定价直接崩掉。代码里out_idx从第21个交易日开始就是为了避开这个问题。第二ko_time用的是“第几个观察日占总观察次数的比例”来换算年化时间而不是硬编码12等份。这条设计让代码在观察频率变化时依然成立。比如把out_obs_steps改成1就代表每日观察敲出ko_time照样按比例正确计算。第三敲入判断用的是np.min(S, axis0)即整条路径每日模拟价的最低点。这里隐含了一个假设我们按每日模拟价判断是否敲入而不是盘中连续盯盘。如果产品合同写的是“盘中任何时点触及敲入价就算”你需要在模拟时把时间步切得更细或者在障碍价上做一个连续障碍调整。这个细节会直接影响敲入概率后面第5章详细说。第四做敏感性分析或算希腊字母时随机种子不固定的话两次定价结果之间的差异会淹没真实的参数变化。代码里的seed参数就是为这个准备的实际调参建议固定同一个种子。3.4 收敛性蒙特卡罗的误差控制蒙特卡罗定价有一个绕不开的话题误差。均值的标准误可以近似写成price_std std(payoff_discounted) / sqrt(n_paths)意思是你把路径数增加到原来的4倍标准误只缩小一半。这是一个非常“不划算”的收敛速度所以路径数不是越大越好而是要看你的目标精度。下面是一个示意性的对比可以帮助你建立数值直觉路径数价格标准误10,00099.60.7950,00099.80.35200,00099.90.18对雪球这种payoff有突变的路径依赖产品价格稳定性主要受“敲入且未敲出”这类亏损尾部影响。如果亏损路径稀少但单条亏损很大普通随机抽样对这条尾部的描述就很不稳定。实际工作中我一般先跑5万条路径看量级如果要对外的定价结论再提到20万条以上。如果追求更极致的方差削减可以用对偶变量法、控制变量法或者拟随机数序列这是后续可以单独展开的话题。4. 输出结果怎么看价格、情景概率和敏感性4.1 一次运行的标准输出用前面代码的默认参数跑一次固定seed42会得到类似这样的结果SnowballResult(price99.83, price_std0.35, knock_out_prob0.541, knock_in_prob0.463, loss_prob0.183, rescue_prob0.602, avg_hold0.72)不同NumPy版本或随机数实现下数值可能略有波动但量级和方向稳定。先看price99.83这个数小于100意思是在25%波动率、20%票息、100元名义本金的情况下期望回收现值约为99.83元发行商的报价略微占优。如果价格高于100说明票息给多了对投资者更划算。再看情景概率敲出概率54.1%意味着超过一半的路径最终以票息结算敲入概率46.3%说明在25%波动率下一年内曾经跌破80线的概率接近一半但最终亏损概率只有18.3%。最有意思的是rescue_prob60.2%——敲入的路径里约有六成最终仍在后续观察日敲出拿到了票息。这也是雪球“敲入不等于亏钱”这句话的数学来源。4.2 波动率变化如何改变雪球多头价值雪球定价里最核心的敏感性就是波动率。下面这个表是用同一套参数、只改变sigma得到的相对变化方向sigma价格敲出概率敲入概率最终亏损概率0.15103.80.350.170.090.20101.50.450.300.130.2599.80.540.460.180.3097.20.630.610.240.3594.50.700.740.30注意一个反差波动率上升时敲出概率也在上升意味着拿到票息的机会变大。但对雪球多头来说敲入概率和最终亏损概率的上升幅度更猛净效应是雪球多头价值下降。这和市场上“波动率越高雪球票息越贵”的经验完全一致。雪球多头本质上是卖保险的人波动率是保险标的的风险度量风险越贵保费越高雪球这个“保险仓”的价值就越低。4.3 价格是表象概率分布才是骨架我在实际排查定价模型时第一眼看的往往不是price而是几个情景概率是否合理。价格是这些概率的加权平均权重还牵扯折现人脑直接感知数字很困难但“敲入概率有多少”“最终亏损概率有多少”是可以直接被经验和直觉检验的。一个定价结果如果loss_prob是18%但风控告诉你这种结构历史上亏损概率不到10%那大概率是参数取偏了——要么波动率取高了要么股息率取错了。价格另一个更实战的用法是反解公平票息。所谓公平票息就是让理论价格正好等于100元本金时的票息率。这个数可以直接用二分法求def fair_coupon(target_price100.0, coupon_guess0.15, tol1e-3, **kwargs): lo, hi 0.0, 1.0 while hi - lo tol: mid (lo hi) / 2 p price_snowball(couponmid, **kwargs).price if p target_price: hi mid else: lo mid return (lo hi) / 2比如用默认参数算出来的fair coupon约等于20.1%说明在25%波动率环境下20%票息基本接近公允价值。如果市场给到22%的票息意味着发行商为了获客让渡了一部分利润或者隐含波动率预期要往上走。4.4 希腊字母用bump-and-reprice算雪球的希腊字母不建议用BSM闭式公式套因为路径依赖结构决定了普通公式的偏导关系不成立。业界常用做法是有限差分也叫bump-and-reprice把某个参数上下微扰重新跑两次蒙特卡罗定价用价格差除以参数差得到敏感度。def delta_by_bump(base_params, eps0.005): up price_snowball(S0base_params[S0] * (1 eps), **base_params).price dn price_snowball(S0base_params[S0] * (1 - eps), **base_params).price return (up - dn) / (2 * eps * base_params[S0])这里必须强调两次子模拟一定要用同一个随机种子或者用同一组随机数做公共随机数。否则蒙特卡罗本身的噪声会盖过微扰带来的真实价格差算出来的delta符号都可能出错。用固定seed跑出来的delta通常会得到一个正数量级在0.2到0.4之间。这正好对应雪球多头“卖出看跌”的属性——卖出看跌期权的delta是正的但因为有敲出条款打断亏损持续delta不会像纯卖出看跌那样接近1。5. 实操中容易踩的坑5.1 观察频率“一字之差”票息差300bp敲出观察频率是整个产品条款里最容易被忽视、又最杀价格的一项。同样的参数如果敲出从月度观察改成每日观察敲出概率通常会明显抬升票息对应的“公平票息”可能下降200到300个基点。原因很直观观察越频繁障碍被触碰的机会越多雪球多头拿到票息并走人的概率越高所以发行人愿意支付的票息就越少。在代码里验证这个现象很简单把out_obs_steps21改成out_obs_steps1重新跑一次就行。实际产品里“每月观察”和“每日观察”的报价差距足以解释为什么不同券商对同一只雪球的票息报价能差出一大截。买入之前先看清观察频率别只盯着票息数字。5.2 波动率到底取哪一段很多初入行的研究员最喜欢问的问题就是“sigma到底取多少”。正确做法是取隐含波动率而不是历史波动率。但即使是在隐含波动率内部也有两个细节容易被漏掉。第一是期限结构。一年期雪球应该尽量用一年期附近的隐含波动率。如果只有3个月和6个月的场内期权数据应该先做期限插值而不是偷懒用3个月波动率代替。期限错配最直接的影响是敲出概率和敲入概率的方向性偏差。第二是波动率微笑。雪球的风险主要集中在下行尾部也就是“敲入后亏损”这一段所以定价时对下跌侧的波动率应该比对上涨侧更敏感。在只有平值隐含波动率可用的情况下保守做法是在平值基础上加一点下行波动率溢价。具体加多少没有标准答案但这比直接无视skew要靠谱得多。5.3 分红、除息和障碍价的关系如果雪球挂钩的是指数股息率q的作用相对温和处理起来也简单直接用指数历史股息率或成分股预期分红加权即可。但挂钩个股的雪球要格外小心除权除息跳空。个股在除息日价格会向下跳空这个跳空本身不是市场下跌但如果产品合同里的障碍价跟着除权调整而你的模型没有把q放进漂移项你会系统性高估标的价格低估敲入概率。反过来如果合同规定障碍价不随除权调整那么你反而不能用太高的q去压低路径。拿到产品合同的第一件事是先确认障碍价有没有除权调整条款再决定模拟参数怎么设。这个顺序反过来的话定价结果只是“看起来精确”而已。5.4 蒙特卡罗模拟尾部不可靠最后说一个偏工程的经验。尾部风险极端的情况下比如sigma超过0.4普通蒙特卡罗的亏损路径占比会很低可能只有百分之几但每条亏损路径的亏损幅度又很大。此时低概率、大损失的结构会让价格方差急剧放大5万条路径跑出来的价格可能在96和102之间大幅跳动。应对办法有三条增加路径数是最笨但最有效的对偶变量法、分层抽样能显著降低方差代码量也不大如果是做压力情景不要指望随机序列自然产生极端行情直接手动构造下跌路径做条件模拟看具体情景下的损益更直观。我自己的习惯是任何雪球定价结果出来之后先看loss_prob和rescue_prob这两个概率是否合理再回头审视price。price是这些概率的加权结果而概率是能被人脑直接检验的。如果连“大概多少概率亏损”都解释不清楚price再精确也没有意义。以上是从定价技术角度的完整拆解不构成任何投资建议。雪球这个结构后续可以延伸的方向还有很多比如Delta对冲逻辑、敲入后的仓位转换、不同票息规则的变种定价。系列下一篇可以继续往下挖。
