QuantLib · Options pricing

QuantLib 期权定价：Black-Scholes、Greeks 与四种引擎交叉验证

同一个平值看涨期权（S=K=100、r=5%、vol=20%、一年期），本页用 QuantLib 1.43 在四类定价引擎上分别算出价格与 Greeks，并和手写 Black-Scholes 公式、有限差分 Greeks 逐项对照：解析解 10.4681483852，树引擎误差 200 ppm 上下，有限差分 38 ppm，蒙特卡洛 89 ppm。价格能算出来只是开始，误差有多大、Greeks 从哪来、什么期权没有唯一解才是这一页要回答的问题。

先安装 QuantLib 看定价引擎选型

依据：本机 QuantLib 1.43 实测 + 官方文档对照引擎：解析 / 树 / 有限差分 / 蒙特卡洛误差量级：0 ~ 202 ppm

期权类型欧式 / 美式 / 亚式 / 障碍

定价引擎解析 · 树 · 有限差分 · 蒙特卡洛

GreeksDelta / Gamma / Vega / Theta / Rho

校验手写公式 · 差分 · 引擎互校

期权定价的四层结构：先选合约（类型与行权方式），再选引擎，引擎给出价格与 Greeks，最后用另一种方法复核。示意图为结构说明，非实盘界面。

测试版本QuantLib 1.43（PyPI wheel，本机实测）Python 版本3.11.9（Windows，CPython 官方版）最后核验2026-10-09（数值为本机一次运行输出）合约参数S=K=100，r=5%，q=0，vol=20%，2024-01-15 → 2025-01-15估值日2024-01-15（`ql.Settings.instance().evaluationDate`）计息约定Actual/365 (Fixed)，T = 1.00273973 年可直接复现是（价格、Greeks、误差与脚本都在本页）本站实测范围仅定价与希腊字母对照；不含行情数据、不接实盘、不构成投资建议

实验环境QuantLib 1.43 / Python 3.11.9 / Windows

对照引擎解析 · 树 · 有限差分 · 蒙特卡洛

核心结论解析解与手写公式差 1.78e-15

证据等级本站实测（价格、Greeks、误差均在本页）

Option types

QuantLib 支持哪些期权、分别配什么引擎？

先看合约层：不同期权类型能用的引擎并不一样，行权方式选错会直接报错。下表把类型、可用引擎与本站是否实测写在一起，避免「看起来能用」的误判。

合约类型与引擎的对应关系（「未实测」一栏如实标注，本站不编造数字）
期权类型	QuantLib 类 / 构造	本页/本站实测过的引擎	本站实测的 NPV	适用场景与注意点
欧式看涨（基线）	`ql.VanillaOption` + `ql.PlainVanillaPayoff` + `ql.EuropeanExercise`	AnalyticEuropeanEngine / BinomialVanillaEngine / FdBlackScholesVanillaEngine / MCEuropeanEngine	10.4681483852（解析）	有解析解，适合当基准；注意 vega 单位是「每 100% 波动率」
美式看涨	`ql.AmericanExercise(today, expiry)`	BinomialVanillaEngine(crr/jr, 801) / FdBlackScholesVanillaEngine(200,400) / BaroneAdesiWhaley / BjerksundStensland	10.47026038（CRR 801）	只能用树、有限差分或近似式；配 AnalyticEuropeanEngine 会报 `RuntimeError: not an European option`
算术平均亚式	`ql.DiscreteAveragingAsianOption(ql.Average.Arithmetic, 0.0, 0, fixingDates, …)`	MCDiscreteArithmeticAPEngine / FdBlackScholesAsianEngine	6.1646871（MC 20 万路径 seed=42）	路径依赖，没有通用解析解；要额外给定平均价观察日
几何平均亚式	同上，改用 `ql.Average.Geometric`	AnalyticDiscreteGeometricAveragePriceAsianEngine	5.945642	有解析解，可用来给算术版做量级校验（几何平均 ≤ 算术平均）
敲出 / 敲入障碍	`ql.BarrierOption(ql.Barrier.UpOut, level, rebate, payoff, exercise)`	AnalyticBarrierEngine	up-out@130 = 3.32633974；down-out@80 = 10.36788009	本机实测敲入 + 敲出价格之和 = 对应欧式价格（见下文校验）
二元 / 篮子等其它结构	官方 Instruments 模块中的对应类（本页未实测）	官方文档列出的引擎（未实测）	未实测	本站没有运行结果，只给官方文档入口；不要按本页其它数字类推

一个真实报错：把美式期权交给 ql.AnalyticEuropeanEngine，本机直接抛 RuntimeError: not an European option。引擎不做近似降级，也不给警告——这类错误属于「合约与引擎不匹配」，改引擎即可，不需要换参数。

Baseline

第一步：把解析解和手写公式对上，差 1.78e-15

定价链路的起点是一个能对得上的基准。本页用同一组参数在 QuantLib 里建 Black-Scholes 过程、算出欧式看涨理论价，同时用 Python 标准库手写 Black-Scholes 公式，两条路应该得到同一个数。

baseline.py（QuantLib 1.43 / Python 3.11.9 实测通过）import math
import QuantLib as ql

today = ql.Date(15, 1, 2024)
ql.Settings.instance().evaluationDate = today
day_counter = ql.Actual365Fixed()                       # T = 1.00273973
expiry = ql.Date(15, 1, 2025)

spot = ql.QuoteHandle(ql.SimpleQuote(100.0))
r_ts = ql.YieldTermStructureHandle(ql.FlatForward(today, 0.05, day_counter))
q_ts = ql.YieldTermStructureHandle(ql.FlatForward(today, 0.00, day_counter))
v_ts = ql.BlackVolTermStructureHandle(ql.BlackConstantVol(today, ql.NullCalendar(), 0.20, day_counter))

process = ql.BlackScholesMertonProcess(spot, q_ts, r_ts, v_ts)   # 注意参数顺序：分红在前、利率在后
option = ql.VanillaOption(ql.PlainVanillaPayoff(ql.Option.Call, 100.0), ql.EuropeanExercise(expiry))
option.setPricingEngine(ql.AnalyticEuropeanEngine(process))
print("QuantLib:", option.NPV())                        # 10.4681483852

# 手写 Black-Scholes 公式做交叉验证
T = day_counter.yearFraction(today, expiry)
d1 = (math.log(100.0 / 100.0) + (0.05 + 0.5 * 0.2 ** 2) * T) / (0.2 * math.sqrt(T))
d2 = d1 - 0.2 * math.sqrt(T)
N = lambda x: 0.5 * (1 + math.erf(x / math.sqrt(2)))
print("手写公式:", 100.0 * N(d1) - 100.0 * math.exp(-0.05 * T) * N(d2))

基准与自洽性检查（实测）
检查项	本机实测值	说明
AnalyticEuropeanEngine NPV	10.4681483852	黑-舒尔斯解析解，作为本页基准
手写 Black-Scholes 公式	10.4681483852	用 Python `math` 标准库实现，不依赖 QuantLib
两者绝对差	1.7763568394e-15	浮点尾差量级，可认为完全一致
T（年）	1.00273973	Actual/365 (Fixed) 口径；不是整数 1，会直接影响价格
隐含波动率反解（K=90/100/110）	24.99998122% / 24.99999542% / 25.0%	输入 25% 的波动率，用 `ql.blackFormulaImpliedStdDev` 反解回来，误差 ≤ 2e-5

为什么要反解隐含波动率：它同时验证了两件事——前向价格与折现因子的口径一致、以及定价公式本身没写错。反解需要正确的远期价（本机实测 S·e^{rT} = 105.1415116）；远期给错就会抛 RuntimeError: negative Put price … No solution exists，这属于「输入口径不一致」，不是公式错了。

Greeks

Greeks 实测值与单位：vega 单位最容易搞错

Greeks 是价格对某个因子的偏导。QuantLib 直接给解析 Greeks，但单位口径需要自己确认：vega 与 rho 是「每 100% 变化」，不是每 1%。下表是本机实测值。

同一平值看涨期权（S=K=100, r=5%, vol=20%, T=1.00273973）的解析 Greeks，QuantLib 1.43 实测
Greeks	本机实测值（原始单位）	换算后的常用口径	经济含义	什么时候看
delta	0.6370104227930847	0.6370（每 1 元标的价格）	标的价格涨 1 元，期权价约涨 0.64 元	对冲比例、方向敞口
gamma	0.018733224790154022	0.0187（每 1 元价格的 delta 变化）	标的价格涨 1 元，delta 约涨 0.0187	调仓频率、凸性风险
vega	37.56909738737739	0.3756909738737739（每 1% 波动率）	波动率涨 1 个百分点，期权价约涨 0.376 元	波动率风险、波动率交易
theta	-6.408289652737268	-0.017556957952704844（每天，= theta/365）	每过一天，期权价约降 0.0176 元	持有成本、到期临近
rho	53.378737439044706	0.5337873743904471（每 1% 利率）	利率涨 1 个百分点，看涨期权价约涨 0.534 元	利率敏感型组合

单位口径提醒：QuantLib 返回的 vega() 是波动率变化 1.0（即 100 个百分点）对应的价格变化，所以「每 1% 的 vega」= 37.56909738737739 ÷ 100 = 0.3756909738737739。报风险数字前先把这个换算写清，否则会放大 100 倍。theta() 同理是「每年」，除以 365 才是每天。

Verify Greeks

Greeks 怎么自己验：用有限差分对一遍解析值

解析 Greeks 没法直接验，但你可以在 QuantLib 里对参数加一个小扰动、重新定价，用差分结果反推 Greeks。本页对 delta、gamma、vega、rho、theta 各做了一次差分（h=0.01 / 1bp / 1 天），与解析值对比如下。

解析 Greeks vs 有限差分 Greeks（同一期权，本机实测）
Greeks	解析值	差分值	绝对差	差分设置与说明
delta	0.6370104227930847	0.6370104142069621	8.59e-09	中心差分：标的价格 ±0.01
gamma	0.018733224790154022	0.018733224500522283	2.90e-10	二阶中心差分：(P(S+h) − 2P(S) + P(S−h)) / h²，h=0.01
vega（每 1%）	0.3756909738737739	0.37569097081737723	3.06e-09	波动率 ±1e-4 的中心差分后除以 100
rho（每 1%）	0.5337873743904471	0.5337873666286796	7.76e-09	利率 ±1e-4 的中心差分后除以 100
theta（每天）	-0.017556957952704844	-0.017564812993576595	7.86e-06	把估值日 +1 天后重新定价，取价格差；与 theta/365 的差最大

读法：delta / gamma / vega / rho 的差分误差都在 1e-9 ~ 1e-8 量级，说明解析实现与差分一致。theta 的差是 7.86e-06，比其他高三个数量级——原因是「过一天」不只是时间少一天，估值日改变还会同时移动曲线的参考点，属于差分实验的固有偏差，不是 QuantLib 算错了。写风险报告时，如果两种方法口径不同，要写明用的是哪一种。

Cross-check

同一个期权，四个引擎的价格差多少（含误差与耗时）

把同一个欧式看涨交给解析、树、有限差分、蒙特卡洛四类引擎，各自报价并计时。基准取解析解 10.46814839，下表把绝对差、相对误差（ppm）与耗时都列出来，方便你判断「差多少才算正常」。

四类引擎交叉验证（本机实测，基准 = AnalyticEuropeanEngine 10.46814839）
引擎与配置	NPV	与解析解绝对差	相对误差(ppm)	耗时(秒)	读法与注意点
AnalyticEuropeanEngine	10.46814839	0（基准）	0	0.0002	有解析解就用它；本机最快且精确
BinomialVanillaEngine(crr, 801)	10.47026038	0.00211199	201.75	0.0008	CRR 树上偏；奇数步与偶数步的收敛路径不同
BinomialVanillaEngine(jr, 801)	10.47016843	0.00202004	192.97	0.0011	JR 与 CRR 误差量级接近
BinomialVanillaEngine(lr, 801)	10.46814783	5.6e-07	0.05	0.0006	LR 用平滑收敛技巧，本机精度比 CRR 高约 3600 倍
FdBlackScholesVanillaEngine(200, 400)	10.4685452	0.00039681	37.91	0.0025	有限差分精度取决于时间/空间网格，适合可加结构
MCEuropeanEngine(1e6 路径, seed=42)	10.46907932	0.00093093	88.93	0.2214	蒙特卡洛不提供 delta/vega；误差约 1/√N
MCEuropeanEngine(低差异序列 65536 点)	10.46700612	0.00114227	109.12	0.0155	低差异序列路径少但更快，误差量级相近

可操作阈值（本机实测口径）：树引擎 801 步与解析解的差在 200 ppm 上下，有限差分 200×400 在 40 ppm 上下，蒙特卡洛 100 万路径在 90 ppm 上下。若你看到两个引擎差出 1% 以上，那不是引擎噪声，而是要查输入（波动率、日历、计息约定或行权方式）。收敛速度与步数/路径数的完整对照见定价引擎页。

Exotics

亚式与障碍期权实测：平均价怎么取、敲入敲出能不能对上

路径依赖期权没有通用的解析解，构造方式不同结果就会差。本页用「每月一个观察日、共 12 个观察日」构造算术平均亚式，并同时给出几何平均（有解析解）作量级校验；障碍期权则用敲入 + 敲出的互补关系做自检。

asian_barrier.py（观察日构造与定价，实测通过）dates = [ql.TARGET().advance(today, ql.Period(i, ql.Months)) for i in range(1, 13)]

# 第 2 个参数是 runningAccumulator、第 3 个是 pastFixings，都不是「平均价」
opt = ql.DiscreteAveragingAsianOption(ql.Average.Arithmetic, 0.0, 0, dates,
                                      ql.PlainVanillaPayoff(ql.Option.Call, 100.0),
                                      ql.EuropeanExercise(expiry))
opt.setPricingEngine(ql.MCDiscreteArithmeticAPEngine(process, "PseudoRandom",
                                                     requiredSamples=200000, seed=42))
print(opt.NPV())                                   # 6.1646871

barrier = ql.BarrierOption(ql.Barrier.DownOut, 80.0, 0.0,
                           ql.PlainVanillaPayoff(ql.Option.Call, 100.0), ql.EuropeanExercise(expiry))
barrier.setPricingEngine(ql.AnalyticBarrierEngine(process))
print(barrier.NPV())                               # 10.36788009

亚式与障碍期权实测（本机，2024-01-15 估值，12 个观察日为每月 15 日顺延后的营业日）
结构	引擎	本机实测 NPV	对照与读法
欧式看涨（对照基准）	AnalyticEuropeanEngine	10.46814839	所有奇异结构的锚点
算术平均亚式（12 个观察日）	MCDiscreteArithmeticAPEngine（20 万路径, seed=42）	6.1646871	平均价压低波动，价格低于同参数的欧式看涨（10.4681）
算术平均亚式（同结构）	FdBlackScholesAsianEngine(100, 100, 50)	6.18993503	与蒙特卡洛差 0.025（约 0.4%），说明两条数值路径彼此接近
几何平均亚式（同观察日）	AnalyticDiscreteGeometricAveragePriceAsianEngine	5.945642	几何平均 ≤ 算术平均，方向正确；可作为算术版的数量级校验
向下敲出（障碍 80）	AnalyticBarrierEngine	10.36788009	只在价格未触及 80 时有效，故低于欧式
向下敲入（障碍 80）	AnalyticBarrierEngine	0.10026829	与同障碍的敲出价之和 = 10.46814838，等于欧式 10.46814839（差 1e-8）
向上敲出（障碍 130）	AnalyticBarrierEngine	3.32633974	涨幅受限，权利金显著变便宜
向上敲入（障碍 130）	AnalyticBarrierEngine	7.14180864	与向上敲出价之和同样等于欧式价格

两个可复用的自检：①敲入 + 敲出 = 欧式：本机实测 10.36788009 + 0.10026829 = 10.46814838，与欧式解析价 10.46814839 只差 1e-8，这是检查障碍设置（障碍类型、水平、观察方式）是否写对的快捷方法。②几何 ≤ 算术：同观察日下几何平均亚式 5.945642 低于算术平均 6.1646871，方向符合数学关系。另外注意接口本身的坑：DiscreteAveragingAsianOption 构造函数的第 2、3 个参数是 runningAccumulator 与 pastFixings，不是「平均价」；本机曾把 12 传进这两个位置，结果几何版直接抛「positive running product required」、算术版静默返回 0.0。

Early exercise

提前行权溢价实测：只有分红才会让美式看涨更值钱

美式期权多了「随时行权」的权利，但这份权利值多少钱取决于分红。本页把分红率从 0 调到 6%，比较美式（CRR 801）与欧式（解析）的价格差。

提前行权溢价实测（同一合约，仅改分红率与引擎）
分红率 q	欧式解析价	美式价（CRR 801）	提前行权溢价	读法与注意点
0%	10.46814839	10.47026038	0.002112	无分红时提前行权不是好选择，溢价几乎只是树的截断误差
3%	8.66481186	8.66737181	0.00255996	分红开始压低看涨价值，但行权权仍不值钱
6%	7.0834932	7.26773057	0.18423737	分红足够高时提前行权开始划算，溢价跳到 0.18 量级
近似式引擎（q=0）	10.46814839	10.46814839（BAW / Bjerksund-Stensland）	≈ 0	无分红时近似式退化为欧式解，本机与解析解逐位一致
引擎选择后果	—	—	—	算美式必须用树 / 有限差分 / 近似式；用解析欧式引擎会直接报错

结论与边界：在无分红的 Black-Scholes 世界里，美式看涨 = 欧式看涨，所以本机测到的「溢价」实际是树引擎的离散误差（0.002112）；把分红拉到 6% 才出现真正有价值的提前行权权（0.18423737）。这只是单一合约的受控实验，真实标的的分红是离散的现金流，应当用带分红日历的输入，具体口径以你的合约条款为准。

Triage

价格对不上先查什么：6 步定位顺序

把自己算的价和市场报价、或两个引擎的价对上，是日常最花时间的活。下面 6 步按「先排除低级错误、再怀疑数值方法」排序，每步都给出本页实测过的判据。

1. 先确认合约与引擎是否匹配

美式配欧式引擎会直接抛 RuntimeError: not an European option；树引擎与蒙特卡洛引擎**不提供 vega**（RuntimeError: vega not provided），要希腊字母就换解析或有限差分引擎。

2. 再核对输入口径（最常错）

估值日、到期日、计息约定三项必须先确认。本页基线 T = 1.00273973 而非 1，就是 Actual/365 (Fixed) 的结果；换成别的计息约定，同一个合约会算出不同的价格。

3. 检查远期与折现是否自洽

反解隐含波动率是最快的自检：输入 25% 应能反解回 25%（本机实测 24.999981% ~ 25.0%）。如果反解报错，几乎一定是远期价（S·e^{rT}）或折现因子给错了。

4. 看差异量级是否在引擎噪声内

本机实测：树 801 步约 200 ppm、有限差分 200×400 约 40 ppm、蒙特卡洛 100 万路径约 90 ppm。差异在几十到两百 ppm 属正常；超过 1% 就继续往下查。

5. 用第二种方法复算

解析解对手写公式（差 1.78e-15）、解析 Greeks 对有限差分 Greeks（差 1e-9 ~ 1e-8）、障碍期权用「敲入 + 敲出 = 欧式」自检（实测差 1e-8）。三种复算都比「再跑一遍同一个引擎」有价值。

6. 最后才怀疑模型假设

如果前 5 步都对不上，问题通常在波动率曲面、分红或利率曲线的构造上——那属于输入数据与期限结构的范畴，先看期限结构页的曲线自洽性检查。

FAQ

常见问题

为什么我用公式手算的结果和 QuantLib 差一点点？

先看差多少。本站实测：解析引擎对手写 Black-Scholes 公式的差是 1.7763568394e-15，属于浮点尾差；如果你看到的是 0.01 量级的差，通常是计息约定或时间口径不同（本页基线 T = 1.00273973，不是整数 1）。把估值日、到期日、计息约定三项对齐后再比较，具体以实现与官方文档为准。

Greeks 的 vega 单位到底是什么？

QuantLib 的 vega() 返回「波动率变化 1.0（100 个百分点）」对应的价格变化，本机实测 37.56909738737739；业内常报的「每 1%」要除以 100，即 0.3756909738737739。rho() 同理（53.378737439044706 → 每 1% 为 0.5337873743904471），theta() 是每年（-6.408289652737268 → 每天约 -0.017557）。报数字前先写清单位，否则会放大 100 倍。以官方文档为准。

亚式期权为什么没有唯一答案？

因为「平均价」的取法本身要约定：观察日清单、算术还是几何平均、固定还是浮动行权价。本站实测同一组观察日下，算术平均（MC 20 万路径）6.1646871、有限差分 6.18993503、几何平均解析 5.945642。也就是说，不写清构造方式的「亚式期权价格」是不完整的。以合约条款与官方文档为准。

蒙特卡洛和树引擎的结果差多少算正常？

本机实测（同一平值看涨）：解析基准 10.46814839，CRR 801 步 10.47026038（201.75 ppm），蒙特卡洛 100 万路径 10.46907932（88.93 ppm），两者相差约 0.0001。在几十到两百 ppm 之内属数值方法噪声；差到 1% 以上就要查输入而不是调步数。以官方文档与你的容差要求为准。

为什么 QuantLib 不给我 vega？

引擎能力不同：本机实测 BinomialVanillaEngine 取 vega() 直接抛 RuntimeError: vega not provided，蒙特卡洛引擎连 delta 都不给。需要希腊字母时用解析引擎（欧式）或有限差分引擎，或者自己对波动率加扰动、重新定价做差分（方法见本页第 4 个板块）。以官方文档中各引擎的能力说明为准。

美式看涨一定比欧式贵吗？

不一定。本站实测：无分红时美式（CRR 801）10.47026038 对欧式 10.46814839，差 0.002112 基本是树的离散误差；分红 6% 时差才扩大到 0.18423737。在无分红的假设下，提前行权不划算，两者理论上相等。真实标的有分红日历，应按合约条款与市场惯例处理。

用 QuantLib 算期权需要在 EasyClaw 里配置什么吗？

不需要，也没有可配置项：QuantLib 是运行在本机的 Python / C++ 库，与 EasyClaw 无已证实集成。另一条路线是本机量化研究类技能（如 quant-analyst 侧重回测与风险指标方法论、akshare-finance 侧重取行情数据），两者各自独立、任务不同；那边给出的结果同样仅供研究，不构成投资建议。

本页的价格能直接拿去做交易决策吗？

不能。本页全部是受控实验：固定波动率 20%、固定利率 5%、虚构标的，目的是让引擎差异可比较、可复现。真实定价需要市场隐含波动率曲面、真实利率与分红、以及你所在市场的合约条款；结果仅供研究与学习参考，不构成投资建议。