关于亚洲期权定价代码中sT变量及仿真循环的技术咨询

我在查看一段亚洲期权定价的Python代码时，发现其中sT变量未定义，同时存在逻辑缩进问题，原代码如下：

import scipy as sp
s0=40. #today stock price
x=40. #excercise price
T=0.5 #maturity in years
r=0.05 #risk-free rate
sigma=0.2 # volatility
n_simulation =100 # number of simulations
n_steps=100
dt=T/n_steps
call=sp.zeros([n_simulation],dtype=float)
for j in range(0, n_simulation):
    sT*=s0
    total=0
for i in range(0,int(n_steps)):
        e=sp.random.normal()
        sT*=sp.exp((r-0.5*sigma*sigma)*dt+sigma*e*sp.sqrt(dt))
        total+=sT
        price_average=total/n_steps
        call[j]=max(price_average-x,0)
        call_price=mean(call)*exp(-r*T)
        print 'call price = ', round(call_price,3)

我希望明确三个问题：

1. sT的含义是什么？
2. 外层循环for j in range(0, n_simulation)的具体作用？
3. 若sT应为模拟过程中的股价，该如何定义它？

问题解答 #

1. sT的含义
   sT是模拟过程中每个时间步的股票价格变量。在亚洲期权定价中，我们需要计算到期前所有时间步股价的平均值，所以sT会在每个时间步更新，记录当前模拟路径下的实时股价，最终用来累加计算平均价格。

2. 外层循环的作用
   这个循环是蒙特卡洛模拟的核心载体，作用是执行第j次独立的股价路径模拟。蒙特卡洛定价的逻辑是通过生成成百上千条独立的股价走势路径，计算每条路径对应的期权收益，最后将所有收益取平均并贴现到当前，得到期权的估算价格。每一次外层循环就对应一条完整的从初始价s0到到期日的股价路径模拟。

3. sT的正确定义方式
   在每次模拟（外层循环内部）开始时，需要将sT初始化为初始股价s0，因为每条模拟路径都要从当前已知的股票价格出发。同时需要修正原代码的缩进错误，将内层时间步循环嵌套在外层模拟循环中，还要补全mean和exp的scipy调用。修正后的代码如下：

import scipy as sp
from scipy.stats import mean

s0 = 40.  # 当前股票价格
x = 40.   # 执行价格
T = 0.5   # 到期时间（年）
r = 0.05  # 无风险利率
sigma = 0.2  # 波动率
n_simulation = 100  # 模拟次数
n_steps = 100       # 每个模拟的时间步数
dt = T / n_steps
call = sp.zeros([n_simulation], dtype=float)

for j in range(n_simulation):
    sT = s0  # 每次模拟开始时，初始化sT为当前股价
    total = 0
    for i in range(n_steps):
        e = sp.random.normal()
        # 用几何布朗运动公式更新股价
        sT *= sp.exp((r - 0.5 * sigma ** 2) * dt + sigma * e * sp.sqrt(dt))
        total += sT
    # 计算当前模拟路径的平均股价
    price_average = total / n_steps
    # 记录当前路径的期权收益
    call[j] = max(price_average - x, 0)

# 计算所有模拟收益的平均值并贴现，得到期权价格
call_price = mean(call) * sp.exp(-r * T)
print('call price = ', round(call_price, 3))

内容的提问来源于stack exchange，提问作者lost_in_the_source