QuantLib · Pricing engines

QuantLib 定价引擎怎么选？四类引擎交叉验证实测

同一个期权、同一组参数，解析引擎给 10.46814839、CRR 二叉树 801 步给 10.47026038、Leisen-Reimer 801 步给 10.46814783、有限差分给 10.4685452、蒙特卡洛 100 万路径给 10.46907932。本页把五条路径摆在一起，给出绝对误差、相对误差（ppm）与耗时，并回答一个更实用的问题：两个引擎差多少才算正常。

看期权定价看错误与排查

交叉验证：5 种引擎最小实测误差：0.05 ppm（LR 801 步）依据：本机实测 + 官方文档

解析解AnalyticEuropeanEngine

树 / 网格Binomial · FiniteDifference

路径模拟MonteCarlo · LowDiscrepancy

对照判据误差 ppm + 标准误

四类引擎各有一条独立的计算路径：解析解按闭式公式、树与网格按离散化、蒙特卡洛按路径抽样。交叉验证就是用不同路径互相印证同一个价格。示意图非实盘界面。

测试版本QuantLib 1.43（PyPI wheel `quantlib-1.43-cp39-abi3-win_amd64`）Python 版本3.11.9（Windows，Python 官方 CPython）最后核验2026-10-09（全部数值为本机一次运行输出）基准标的欧式看涨 S=K=100、r=5%、q=0、vol=20%期限与计息2024-01-15 → 2025-01-15，T=1.00273973（Actual/365 Fixed）解析基准AnalyticEuropeanEngine NPV = 10.46814839计时口径time.perf_counter() 单次调用，非多轮平均，仅用于量级比较本站实测范围单标的欧式期权；路径依赖期权的收敛性本站未做结论

交叉验证解析 / 树 / 有限差分 / 蒙特卡洛 / 低差异

最小实测误差0.05 ppm（LR 801 步）

最大实测误差201.75 ppm（CRR 801 步）

证据等级本站实测（代码与输出均在本页）

Engine types

四类定价引擎分别是什么、各自付出什么代价

QuantLib 的引擎不是「快慢之别」，而是「能算什么」之别：解析解只覆盖有闭式解的品种，树与网格适合可提前行权的品种，蒙特卡洛适合路径依赖品种但给不出可靠的 Greeks。下表按这个逻辑排列。

本机 QuantLib 1.43 实测可用的引擎族；具体可用类以官方文档为准
引擎族	代表类（本机 1.43 可实例化）	擅长什么	主要代价	适用场景	注意点
解析解	AnalyticEuropeanEngine	闭式公式，误差为浮点尾差（实测 1.8e-15 量级）	只覆盖少数有闭式解的品种，模型假设固定	欧式期权、需要 Greeks 与快速重估的场合	美式或非欧式品种配它会直接报错
树 / 网格（二叉树）	BinomialVanillaEngine(process, "crr", steps)	可处理提前行权；实现直观、可解释	误差随步数下降慢；800 步实测仍有约 200 ppm	美式期权、需要观察提前行权价值的场合	不同树型（crr/jr/lr）收敛速度差别很大
有限差分	FdBlackScholesVanillaEngine(process, 200, 400)	网格法，适合有边界条件与提前行权的问题	网格密度要自己调；对多维问题成本上升	美式期权、障碍类问题的稳定备选	实测 200x400 网格误差约 38 ppm，可作校验基准
蒙特卡洛	MCEuropeanEngine(process, "PseudoRandom", requiredSamples=…, seed=…)	通用性更强，能处理路径依赖与高维问题	单次结果带随机误差；耗时随路径数线性增长	亚式、篮子、路径依赖类结构	不提供 delta / vega，敏感度要另想办法
低差异序列	MCEuropeanEngine(process, "LowDiscrepancy", requiredSamples=65536)	同样路径数下抽样更均匀，短时间可跑出可用精度	序列生成有额外开销；高维效果会变差	快速估值或需要可重复的快速校验	本机实测 65536 点即达约 109 ppm
近似解析式	BaroneAdesiWhaleyApproximationEngine / BjerksundStenslandApproximationEngine	美式期权的近似闭式解，速度接近解析解	是近似，不是精确值；对分红与边界假设敏感	美式期权需要批量快速估值时	本组参数下它们与欧式解析解给出同一数值（无分红溢价）

选引擎的正确顺序：先问「这个品种有没有闭式解」→ 有就用 QuantLib 的解析引擎；没有且可提前行权 → 用树或有限差分；路径依赖或高维 → 用蒙特卡洛。本页的 5 条路径都是在这只欧式看涨上跑的，因此可以互相校验；换成路径依赖品种，解析解这条路径直接不存在，交叉验证就只能靠网格与模拟互相印证。

Selection

什么场景该用哪类引擎：场景 → 选项 → 理由

下面这张表是本页的选型清单，每行的「理由」都对应上表或下文实测中可核对的量级。

选型清单：每行的理由都对应本页实测数据，可直接复核
你的场景	建议优先选	备选	理由（可核对）
欧式期权，要价格 + 全部 Greeks	解析引擎	有限差分引擎	解析引擎给出 delta/gamma/vega/theta/rho 全部解析值；树与 MC 引擎不提供 vega
欧式期权，只要价格、要快	解析引擎	LR 801 步树	实测解析 0.0002s、LR 801 步 0.0006s，都比 MC（100 万路径 0.22s）快两个量级
美式期权（可提前行权）	树或有限差分	BAW / BS 近似式	解析引擎不支持美式，配它会抛 not an European option；近似式只适合对精度要求不苛刻的批量估值
亚式 / 篮子 / 路径依赖	蒙特卡洛	有限差分（仅部分结构）	解析解不存在；实测 12 个观察日的算术亚式用 MC 20 万路径得 6.1646871、FD 得 6.18993503
障碍期权（连续监测）	解析障碍引擎	蒙特卡洛（离散监测）	实测 up-out 130 得 3.32633974、down-in 80 得 0.10026829；离散监测要改用 MC 并说明监测频率
需要一份可重复的校验基准	解析解 + 有限差分	LR 801 步树	实测有限差分 38 ppm、LR 0.05 ppm；CRR 801 步 202 ppm，作为基准偏粗
要给曲线的敏感度做压力测试	解析引擎（对每条曲线分别重估）	树（步数要固定）	重估次数多、单次要快；树与 MC 的离散化误差会混进敏感度里
模型本身没有闭式解（如 Heston）	模型对应的解析引擎	蒙特卡洛	实测 Heston 用 AnalyticHestonEngine 可定价，但它不提供 delta（报 delta not provided）

Cross-validation

五条路径交叉验证：同一个期权，价格差多少

同一只欧式看涨（S=K=100、r=5%、q=0、vol=20%、2024-01-15 → 2025-01-15、Actual/365 Fixed），用五种引擎分别定价，全部与解析解对照。误差同时给出绝对值与 ppm（百万分之一），后者方便跨价位比较。

实测：解析解作为基准（本组参数下它与手写 Black-Scholes 公式的差为 1.78e-15）
引擎（本机参数）	NPV	delta	与解析解绝对差	相对误差 (ppm)	耗时 (s)
解析 AnalyticEuropeanEngine	10.46814839	0.63701042	0.0（基准）	0.00	0.0002
CRR 二叉树 801 步	10.47026038	0.63693224	0.00211199	201.75	0.0008
JR 二叉树 801 步	10.47016843	0.63698433	0.00202004	192.97	0.0011
LR 二叉树 801 步	10.46814783	0.63695182	0.00000056	0.05	0.0006
有限差分 200×400	10.4685452	0.63703786	0.00039681	37.91	0.0025
蒙特卡洛 100 万路径（seed=42）	10.46907932	不提供	0.00093093	88.93	0.2214
蒙特卡洛低差异 65536 点（seed=42）	10.46700612	不提供	0.00114227	109.12	0.0155

把 ppm 换算成「每 100 元价格差多少钱」，判断可接受度更直观
读法	数值量级	含义
解析解与手写公式	1.8e-15	浮点尾差，可认为两者完全一致
LR 二叉树的误差	0.05 ppm	1 ppm 相当于每 100 元价格差 0.0001 元；0.05 ppm 已接近数值精度
有限差分的误差	37.91 ppm	每 100 元约差 0.0004 元，作校验基准够用
CRR / JR 二叉树的误差	约 193~202 ppm	每 100 元约差 0.002 元，作为基准偏粗
蒙特卡洛（100 万路径）	88.93 ppm	单次结果，误差带随机性（见下文标准误）
delta 的离散化差异	0.63693 ~ 0.63704	与解析 0.63701042 的差在第 4~5 位小数，属离散化误差

Convergence

收敛性实测：为什么多加步数、多加路径不一定立刻变准

同一只期权，把二叉树的步数从 10 加到 2000、把蒙特卡洛的路径数从 1 万加到 100 万，观察误差怎么走。基准仍是解析解 10.46814839。

实测：二叉树步数 10 → 2000、蒙特卡洛路径 1 万 → 100 万（时间步长取 1，欧式期权只需到期分布）
方法	参数	NPV	绝对误差	相对误差 (ppm)	耗时 (s)
CRR 二叉树	10 步	10.26445606	0.20369232	19458.30	0.0001
CRR 二叉树	50 步	10.42694408	0.04120431	3936.16	0.0001
CRR 二叉树	100 步	10.44751979	0.0206286	1970.61	0.0001
CRR 二叉树	200 步	10.45782759	0.01032079	985.92	0.0001
CRR 二叉树	500 步	10.46401852	0.00412986	394.52	0.0003
CRR 二叉树	801 步	10.47026038	0.002112	201.75	0.0005
CRR 二叉树	1000 步	10.4660832	0.00206519	197.28	0.0007
CRR 二叉树	2000 步	10.46711573	0.00103266	98.65	0.0021
蒙特卡洛	1 万路径（seed=42）	10.36442517	0.10372321	9909.52	0.0023
蒙特卡洛	10 万路径（seed=42）	10.43761853	0.03052985	2916.44	0.0233
蒙特卡洛	100 万路径（seed=42）	10.46907932	0.00093094	88.93	0.2291

三个必须看懂的细节（均来自本机 QuantLib 1.43 实测）：①二叉树误差不是单调下降：801 步 201.75 ppm 反而比 1000 步 197.28 ppm 略差，因为树在到期附近存在奇偶振荡，奇数步与偶数步走在两条不同的收敛路径上，想更准应当成倍加步数（500 → 1000 → 2000）而不是微调。②蒙特卡洛两段的下降倍数差别很大（1 万→10 万降 3.4 倍，10 万→100 万降 32.8 倍），这不是「收敛变快了」，而是单次抽样结果本身带随机性：按 20 万路径的标准误估计 0.03289931 推算，100 万路径的标准误约 0.0147，而这次实测误差 0.00093094 明显小于一个标准误——属于抽到的运气。③判断蒙特卡洛精度要看引擎给出的标准误估计，不能拿一次差值就下结论。

蒙特卡洛结果每次都不同怎么办

Reproducibility

复现性与方差削减：固定种子、换种子、加对偶变量

蒙特卡洛的随机性可以管理：固定种子能复现，换种子会偏移，对偶变量能压低标准误。下表是 20 万路径下的实测对照，标准误来自引擎的 errorEstimate()。

实测：20 万路径、timeSteps=1；种子与 antitheticVariate 由引擎构造参数控制
配置	NPV（20 万路径）	标准误估计	耗时 (s)	结论
seed=42（第 1 次）	10.46020534	0.03289931	0.047	基准跑
seed=42（第 2 次）	10.46020534	0.03289931	0.045	同种子完全复现，逐位相同
seed=7（第 1 次）	10.48915994	0.03302156	0.045	换种子后结果偏移约 0.029
seed=7（第 2 次）	10.48915994	0.03302156	0.046	同种子同样逐位复现
seed=42 + 对偶变量	10.45208606	0.01642958	0.080	路径数不变，标准误约减半，耗时约翻倍
低差异序列 65536 点	10.46700612	不提供	0.015	点数少得多，误差反而更小（约 109 ppm）

怎么用这张表：①要出报告或对账，必须固定 seed，否则同一个脚本两次运行会给出不同价格（实测 seed=42 与 seed=7 相差约 0.029，与标准误 0.0329 同量级）；②不同 seed 之间的差异大小，本身就是一个免费的误差检验——差异远大于标准误，说明路径数还不够；③对偶变量让标准误从 0.0329 降到 0.0164（约一半），代价是耗时约翻倍，在时间预算宽松时是比「直接加路径」更划算的选择；④低差异序列在本例用 65536 点就达到约 109 ppm，比 100 万路径的伪随机还省 15 倍时间，但它不给标准误，无法自我评估误差。

Capability boundary

引擎能力边界：哪些量它给不出来（附报错原文）

引擎除了价格，能给出的敏感度并不一致。这一节全部是本机实测的「能 / 不能」以及抛出的原始报错——写生产脚本前值得先看一遍，避免在循环里才发现取不到 vega。

实测：本机 QuantLib 1.43，逐引擎调用对应方法
引擎	价格	delta	gamma	vega	取不到时的真实报错
AnalyticEuropeanEngine	给	给	给	给	—（本组参数下 vega=37.56909738737739，即每 100% 波动率）
BinomialVanillaEngine	给	给	不给	不给	RuntimeError: vega not provided
FdBlackScholesVanillaEngine	给	给	不给	不给	与树引擎同属 Vanilla 引擎族，敏感度支持有限
MCEuropeanEngine（伪随机）	给	不给	不给	不给	模拟引擎按路径估值，逐路径敏感度无定义
MCEuropeanEngine（低差异）	给	不给	不给	不给	同上；且不提供 errorEstimate
AnalyticHestonEngine	给	不给	不给	不给	RuntimeError: delta not provided

替代方案：引擎不给的量，用受控重估做差分；关键是每次只动一个变量
需要的量	本页实测可行的替代做法	代价与注意点
树 / 网格引擎的 vega	用波动率 ±1bp 分别重估，做中心差分：(P(σ+h) − P(σ−h)) / (2h)	每次重估都要跑一遍树；实测解析引擎的 vega 与差分值一致到 3.1e-09
美式期权的 vega	同上，用有限差分网格或树做两次重估	网格密度必须固定，否则差分里会混进离散化差异
蒙特卡洛的 delta	改用一条能提供 delta 的路径（解析/网格），或做共同随机数的差分	直接对 MC 做差分需要固定相同的随机数，否则噪声会盖住敏感度
Heston 的 Greeks	对参数逐个做中心差分（v0 / kappa / theta / sigma / rho）	本页实测参数敏感性可稳定得到（如 v0 +0.01 使平值价格从 4.94091535 升到 5.41508783）
跨引擎的一致性判据	以解析解为基准：LR 0.05 ppm、FD 37.91 ppm、CRR 201.75 ppm	差异明显超过这些量级，说明参数或约定（而非引擎）出错了

Tolerance

两个引擎差多少才算正常：一张可操作的判据表

判断「结果不一致是否正常」需要量级参考。下表把本页实测的相对误差换算成阈值，并写明超过阈值时该先查什么——顺序是：先查约定，再查参数，最后才怀疑引擎。

阈值来自本页实测的相对误差，按量级归组
实测相对偏差	对应本页的引擎组合	正常 / 异常	超过时应先查
0 ~ 0.1 ppm	解析 vs 手写公式（1.8e-15 绝对差）	正常，属浮点精度	不用查；两者视为同一结果
0.05 ~ 40 ppm	解析 vs LR 801 步（0.05） / 有限差分（37.91）	正常，属离散化误差	确认网格 / 步数设置是否与本页一致
约 90 ~ 110 ppm	解析 vs MC 100 万路径（88.93） / 低差异 65536 点（109.12）	正常范围内，但要看标准误	用 errorEstimate 确认误差是否在标准误之内
约 190 ~ 210 ppm	解析 vs CRR 801 / JR 801 步	正常，属粗网格误差	若要更准，成倍加步数（1000 / 2000 步）或换 LR 树型
1 万 ~ 2 万 ppm（1% ~ 2%）	显式差分步长 h 过大、或树步数小于 50 步	偏大，通常是设置问题	先查步数 / 网格密度；50 步实测误差 3936 ppm 可作下限参考
超过 1%（10000 ppm）且换了引擎仍如此	不在本页实测范围内的差异	异常	按「约定 → 参数 → 曲线 → 日历」顺序查（见金融约定审计页），不要先怀疑引擎实现

一句话判据：同一只欧式期权，QuantLib 的解析解、有限差分与 LR 树三者之间的差异应当在 0.1 ~ 40 ppm 量级；一旦看到 1% 以上的差异，问题几乎不在引擎选择上。

按约定逐项核对定价结果回到期权定价实测

Reproduce

自己复现本页全部数字：一段可运行脚本 + 六个可替换开关

下面脚本就是本站生成本页数值的写法（去掉打印格式，本机 QuantLib 1.43 实跑通过）。把它存成 pricing_engines_check.py、在装好 QuantLib 的环境里运行，应当复现同一批量级；把「替换开关」逐项改掉，就能看出每个参数的影响。

pricing_engines_check.py（QuantLib 1.43 / Python 3.11.9 本机实测通过）import time
import QuantLib as ql

today, expiry = ql.Date(15, 1, 2024), ql.Date(15, 1, 2025)
ql.Settings.instance().evaluationDate = today
dc = ql.Actual365Fixed()
process = ql.BlackScholesMertonProcess(
    ql.QuoteHandle(ql.SimpleQuote(100.0)),
    ql.YieldTermStructureHandle(ql.FlatForward(today, 0.0, dc)),    # 分红率 q
    ql.YieldTermStructureHandle(ql.FlatForward(today, 0.05, dc)),   # 无风险利率 r
    ql.BlackVolTermStructureHandle(ql.BlackConstantVol(today, ql.NullCalendar(), 0.20, dc)))


def price(engine):
    option = ql.VanillaOption(ql.PlainVanillaPayoff(ql.Option.Call, 100.0),
                              ql.EuropeanExercise(expiry))
    option.setPricingEngine(engine)
    t0 = time.perf_counter()
    npv = option.NPV()
    return round(npv, 8), round(time.perf_counter() - t0, 4)


for label, engine in [
        ("analytic", ql.AnalyticEuropeanEngine(process)),
        ("crr-801", ql.BinomialVanillaEngine(process, "crr", 801)),
        ("lr-801", ql.BinomialVanillaEngine(process, "lr", 801)),
        ("fd-200x400", ql.FdBlackScholesVanillaEngine(process, 200, 400)),
        ("mc-1e6-seed42", ql.MCEuropeanEngine(process, "PseudoRandom", timeSteps=1,
                                              requiredSamples=1000000, seed=42))]:
    npv, secs = price(engine)
    print("%-14s %.8f  %.4fs" % (label, npv, secs))

# 蒙特卡洛的标准误必须单独取：它才是误差判据
mc = ql.MCEuropeanEngine(process, "PseudoRandom", timeSteps=1,
                         requiredSamples=200000, seed=42, antitheticVariate=True)
opt = ql.VanillaOption(ql.PlainVanillaPayoff(ql.Option.Call, 100.0), ql.EuropeanExercise(expiry))
opt.setPricingEngine(mc)
print("mc-200k-antithetic %.8f  standard error %.8f" % (opt.NPV(), opt.errorEstimate()))

复现时的六个开关（本页表格全部来自这些开关的不同组合）
替换开关	改哪里	本页实测的后果
树型	把 `"crr"` 换成 `"jr"` / `"lr"`	801 步下误差从 201.75 ppm 变为 192.97 / 0.05 ppm，树型选择比加步数更有效
树的步数	把 `801` 改成 10 / 100 / 1000 / 2000	10 步误差 19458 ppm，2000 步 98.65 ppm；且误差随奇偶步数振荡，建议成倍加
网格密度	把 `(200, 400)` 改成更粗或更细的网格	实测 200×400 为 37.91 ppm，可作基准；网格过粗会掩盖真实差异
路径数与种子	改 `requiredSamples` 与 `seed`	20 万路径下换种子结果偏移约 0.029，与标准误 0.0329 同量级
方差削减	加 `antitheticVariate=True`	标准误从 0.0329 降到 0.0164，耗时约翻倍
抽样序列	把 `"PseudoRandom"` 换成 `"LowDiscrepancy"`	65536 点即达约 109 ppm，但不提供标准误估计

FAQ

常见问题

为什么 801 步和 1000 步的误差没有变好？

因为二叉树的离散化误差带奇偶振荡：801 步与 1000 步走在两条不同的收敛路径上。本机实测 801 步 201.75 ppm、1000 步 197.28 ppm（几乎持平），而 2000 步降到 98.65 ppm。所以「加步数」的正确做法是成倍加（500 → 1000 → 2000），不是每次加几十步；想一步到位可以换 Leisen-Reimer 树型（本组 801 步仅 0.05 ppm）。以官方文档对树型实现的说明为准。

蒙特卡洛每次结果都不一样，怎么办？

固定 seed，并且不要用「两次运行的差值」判断精度，要看引擎的 errorEstimate()。本机实测：seed=42 两次运行逐位相同（10.46020534）；换 seed=7 得 10.48915994，偏移约 0.029，与 20 万路径的标准误估计 0.0329 同量级。如果要压标准误，加对偶变量比加路径更省（实测标准误减半，耗时约翻倍）。具体接口以官方文档为准。

能不能只用解析引擎，其他都不用？

只对「有闭式解的品种」成立。解析引擎覆盖不了美式与大多数路径依赖结构：把美式期权配给 AnalyticEuropeanEngine 会直接抛 RuntimeError: not an European option（本机实测原文）。更实用的做法是：解析解做基准，树 / 有限差分做结构性校验，蒙特卡洛覆盖路径依赖——三者互为验证。以官方文档为准。

两个引擎结果差 0.002，算正常吗？

按本页实测换算：0.002 相对于 10.468 的价格约 190 ppm，正好落在 CRR 801 步（201.75 ppm）与 JR 801 步（192.97 ppm）的量级上，属于粗网格误差范围，正常。判断时建议统一换算成 ppm 或「每 100 元价格差多少钱」：0.002 / 10.468 ≈ 0.019%，即每 100 元差约 0.019 元。超过 1% 的差异就不该归因于引擎，先查约定与参数。以官方实现为准。

耗时数据能直接用来做性能预算吗？

不能。本页耗时是单次调用的 time.perf_counter() 结果，没有做多轮平均、也没控制机器负载（本机为共享环境），只适合比较量级：解析 0.0002s、LR 801 步 0.0006s、MC 100 万路径 0.2214s，相差三个量级这个结论是稳的，但具体毫秒数不要照搬。做性能预算请在目标机器上、用你自己标的与参数重测，以官方文档与实测为准。

为什么这个例子只能用欧式期权做交叉验证？

因为只有欧式期权同时具备「解析解 + 树 + 网格 + 模拟」四条独立路径，四条路径的结果可以直接互相对照。亚式与障碍类结构没有统一的闭式解，本页实测 12 个观察日的算术亚式 MC 20 万路径给 6.1646871、有限差分给 6.18993503，两者差异更多反映平均价定义与监测方式的不同，而不是单纯的数值误差。路径依赖品种的交叉验证要先把条款（观察日、平均方式、监测频率）对齐，再谈精度。以官方文档为准。

这些数字在别的 QuantLib 版本上还成立吗？

结论（哪类引擎适合什么、敏感度哪些给不出来、误差量级关系）通常稳定，但具体数值可能随版本与平台变化：本页数字来自 QuantLib 1.43 / Python 3.11.9 / Windows。跨版本复现时请以你自己环境跑出的结果为准，并注意不同版本对引擎默认参数的调整，以官方 release notes 与文档为准。

引擎选对了，价格还是和对手方不一样，接下来查什么？

先查约定而不是引擎：估值日、结算天数、日历、计息约定、折现曲线的口径。本页实测中，换应计计息约定就能让债券净价移动 0.24 元，比任何引擎差异都大。约定逐项对照的清单见金融约定审计一页；本页只负责证明「引擎之间的差异通常在 ppm 量级」。结果仅供研究与对账方法参考，不构成投资建议。