简介：一套基于Python语言实现的期权定价蒙特卡洛模拟源代码，重点围绕雪球型期权设计定价算法与数值计算框架，面向计算机类课程设计、期末项目开发的在校学生及自学者，用于掌握随机模拟在金融衍生品定价中的实际应用。压缩包内共十三个文件，以八个Python代码模块为核心，涵盖期权定价框架、随机过程模拟、参数预处理、定价函数与对冲模拟等完整环节，另有说明文档和备份文件辅助学习，整体约十九KB。目前已有59人学习或下载。实现方案曾作为课程设计项目，获得指导教师优秀评价，成绩接近满分，架构清晰、注释详尽；除基础定价模型外，特别针对路径依赖的雪球期权提供了专用算法，并附有保本雪球、东兴等多个测试案例，方便对照验证。适合希望深入理解蒙特卡洛方法与金融计算交叉应用的读者，也可直接作为课程设计、期末项目的参考模板与实践起点。

1. 雪球产品定价为什么绕不开蒙特卡洛：条款里的敲入敲出让解析解失效

做场外衍生品定价的同行应该都有体会：普通欧式期权用 Black-Scholes 公式几秒钟就算完了，但雪球产品一上来，解析解基本失效。雪球的收益取决于标的价格是否跌破敲入线、是否在观察日涨过敲出线，以及这个事件发生在哪一天。这种路径依赖结构没有封闭表达式，只能靠蒙特卡洛模拟把未来可能走出的路径一条条画出来，再计算每条路径上的现金流折现取平均。基于 Python 的期权定价蒙特卡洛模拟实现，是个人开发者能快速上手验证雪球产品定价算法的路径；本文用一个可运行的源码框架，把雪球票息、敲入敲出判定和折现逻辑逐层拆开，让你既能看明白原理，也能自己改参数跑出结果。下面直接从蒙特卡洛的定价原理讲起，再进入雪球条款的算法映射。

2. 蒙特卡洛模拟定价原理：风险中性测度、GBM路径与收敛速度

2.1 风险中性测度：为什么定价不能用历史涨跌概率

蒙特卡洛模拟期权价格，本质上是在算一个期望值：生成大量标的价格路径，把每条路径期末或中途的现金流折现到当前，再对所有路径求平均。但这个期望里的"概率"，不是指数明天的真实涨跌概率，而是风险中性测度下的概率。在风险中性世界，所有风险资产的期望收益率都等于无风险利率 r，标的价格过程满足 dS = r S dt + σ S dW。如果你脑子里还是那个"历史平均收益 8%"的念头，把漂移项设成 8%，那算出来的不是公允价值，而是带个人预期的估值。

关于这个坑，做过量化的人应该不陌生。雪球产品的敲入敲出概率对漂移项非常敏感：年化漂移差 2%，敲入概率可能就变化好几个百分点。所以定价引擎里用的漂移必须是 r - q，其中 q 是标的分红收益率。为什么期权定价可以用这个看起来"不真实"的测度？因为期权收益可以被标的资产动态复制，复制成本在连续时间完备市场下唯一，所以无论投资者喜不喜欢风险，价格都等于风险中性期望折现。雪球虽然是带双障碍的场外合约，复制并非完备，但主流券商依旧先跑风险中性框架，再叠加随机波动率或跳跃模型做修正。个人用 Python 验证雪球定价算法时，第一步就是要确保漂移项写对。

2.2 几何布朗运动与离散化：从连续时间到每日路径

风险中性下，标的路径的离散格式是：

S_{t+dt} = S_t * exp( (r - q - 0.5 * sigma^2) * dt + sigma * sqrt(dt) * epsilon )

其中 epsilon 是标准正态随机数。注意那 0.5 * sigma^2 来自伊藤引理，不是随便写的。很多人第一次模拟 GBM 时直接套 exp(r dt + sigma sqrt(dt) epsilon)，结果路径均值会随时间指数膨胀，长期模拟完全失真。正确写法是让对数收益的漂移项等于 r - q - 0.5 * sigma^2。

下面这段是我常用的路径生成函数，用 NumPy 向量化一次生成所有路径，避免逐路径循环：

import numpy as np def simulate_gbm_paths(S0, r, q, sigma, T, steps, n_paths, seed=20240601): """ 生成风险中性测度下的GBM标的路径。 S0 : 期初标的价格 r : 无风险利率（年化连续复利） q : 标的分红收益率（年化连续复利） sigma : 年化波动率 T : 产品期限（年） steps : 总时间步数，通常按交易日数 n_paths: 模拟路径数 seed : 随机种子，保证结果可复现 """ dt = T / steps drift = (r - q - 0.5 * sigma**2) * dt vol = sigma * np.sqrt(dt) rng = np.random.default_rng(seed) z = rng.standard_normal((n_paths, steps)) # 累加对数收益，得到每个时间步的对数价格偏移 log_returns = np.cumsum(drift + vol * z, axis=1) # 第一列填期初价格，后续列按路径展开 paths = np.empty((n_paths, steps + 1)) paths[:, 0] = S0 paths[:, 1:] = S0 * np.exp(log_returns) return paths

这个函数的输出形状是 (n_paths, steps+1)，每一行就是一条从 S0 出发的完整价格路径。dt是每步代表的年份，比如 252 个交易日对应一年，dt就是 1/252。np.cumsum累加的是独立同分布的正态增量，等价于对数收益率累加，这是 GBM 离散化的标准做法。参数上最需要注意的是r、q、sigma必须统一为年化连续复利口径，如果拿到的是百分比形式的离散利率，先做一次换算再进模型。

2.3 收敛速度与方差缩减：路径数加一倍，误差能少多少

蒙特卡洛标准误等于样本标准差除以路径数的平方根。误差要减半，路径数要翻到四倍，这个平方根关系让很多新手把路径数堆到几百万，然后抱怨速度太慢。正确的做法是先算标准误，再决定路径数。比如 Snowball 定价里每条路径的现金流折现后标准差一般在 0.3~0.5，10 万条路径的标准误大约是 0.0014，精度在小数点后第三位；如果想看到第四位稳定，就需要 50 万条左右。

方差缩减是让 N 翻倍更有效的手段。最常用的是对偶变量法：生成一半路径的随机数，然后把随机数取负生成另一半，两条路径自然负相关，配对后均值方差大幅下降。在 GBM 模拟里实现非常容易，只要把随机数矩阵拼成上下两半：

def simulate_antithetic_paths(S0, r, q, sigma, T, steps, n_paths, seed): assert n_paths % 2 == 0, "n_paths 必须是偶数" dt = T / steps drift = (r - q - 0.5 * sigma**2) * dt vol = sigma * np.sqrt(dt) rng = np.random.default_rng(seed) z_half = rng.standard_normal((n_paths // 2, steps)) z = np.vstack([z_half, -z_half]) # 对偶路径 log_returns = np.cumsum(drift + vol * z, axis=1) paths = np.empty((n_paths, steps + 1)) paths[:, 0] = S0 paths[:, 1:] = S0 * np.exp(log_returns) return paths

但要注意：对偶变量法对线性收益效果明显，雪球这种带敲入敲出障碍的收益高度非线性，对偶性可能被事件判定破坏。我在实践中会先用独立抽样跑一个标准误，再跑对偶路径对比，如果标准误没有显著下降，就退回独立抽样，不要为了"高级"而硬上。

3. 雪球产品定价算法拆解：从条款到现金流路径

3.1 雪球条款拆解：敲出线、敲入线与票息规则

标准雪球产品可以这样理解：投资者卖出一份带双障碍的奇异期权，换取一个较高的票息。以挂钩中证500指数为例，期初价格 S0 为 6000 点，敲出线是期初价格的 103%，敲入线是期初价格的 75%。产品期限 12 个月，年化票息 15%。先看敲出：在每个月末的观察日，如果指数收盘价不低于敲出线，产品立刻提前结束，投资者拿回本金，并按实际持有时间拿到年化 15% 的票息。再看敲入：在存续期内（通常每个交易日），如果指数收盘价跌破敲入线，就记一次敲入事件。敲入本身不结束产品，但会影响最终结局。

四种终局需要记清楚：

注意最后一行的极端测试是后面验证引擎用的常用手段。另外，票息是年化利率乘以实际持有年份，不是乘以剩余期限。如果产品在第 6 个月敲出，票息就是 15% * 0.5 = 7.5%，现金流为 1.075。折现一律用连续复利 exp(-r * 持有年数)。

3.2 事件判定状态机：一条路径的五种终局

从程序视角看，每条路径就是一个状态机。状态分为初始、已敲入、已敲出、到期。判定顺序不能乱：在每个敲出观察日，先检查敲出，一旦敲出立刻结束，后续价格不再关心；敲入的检查贯穿全路径，但只影响"到期未敲出且曾敲入"的情况。所以敲入状态要用整个路径判断，敲出则要看最早的观察日命中事件。

这里有个容易出错的点：敲入检查通常按收盘价，但也有产品按日内最低价来判。若要支持日内价，需要在每条路径里额外记录每个时间步的最低模拟价。本文的代码默认只用收盘价，in_level直接和路径每个时间步的价格比较。如果你拿到的合同写的是"盘中价低于敲入线即触发"，那就需要在 GBM 路径生成时用一个更细的时间步来捕捉最低价，否则会低估敲入概率。

3.3 从路径到现金流：折现因子与票息累计

现金流映射确定后，蒙特卡洛定价就变成两步：先生成路径，再对每条路径做事件判定和现金流折现，最后取平均。折现因子统一用 exp(-r * 持有年限)。敲出时持有年限是敲出时间乘以dt；未敲出时持有年限就是 T。票息累计按年化线性比例，不按月，因为产品条款常用连续计息，按实际天数除以 365。如果用每月固定票息，那要另写一个票息支付表，折现因子也要按实际支付日逐笔折现。

下面的伪代码展示了判定顺序，实际 Python 实现会在第 4 章给出：

for path in paths: knocked_in = any(path[t] <= in_level for all t) knocked_out = None for obs_day in out_obs_days: if path[obs_day] >= out_level: knocked_out = obs_day break if knocked_out: payoff = 1 + coupon * knocked_out * dt elif not knocked_in: payoff = 1 + coupon * T else: payoff = path[-1] / S0 pv = payoff * exp(-r * held_years) accumulate pv / n_paths

第二行any(...)的复杂度是 O(steps)，每条路径都要全扫描。对 50 万条路径、252 步来说，这个循环在纯 Python 里会很慢，所以后面会改成 NumPy 的向量化比较。这也是源码解析里最值得看的部分：如何把逐路径的for循环压缩成数组操作。

4. 基于Python实现雪球蒙特卡洛定价：源码分模块解析与参数说明

4.1 环境准备与模块划分：numpy向量化与随机数流

运行这个源码不需要复杂依赖，Python 3.8 以上，装好 NumPy 就够了。如果你还在为 python 安装和 pycharm 配置 python 环境折腾，直接把下面的代码存成一个.py文件，命令行用python snowball_mc.py跑就行。模块划分建议把路径生成、现金流计算、主参数入口拆成三个函数，方便后面做单元测试和参数扫描。不要把所有逻辑堆在主线里，否则改一个条款要重跑全局。

这个工程的模块划分：

snowball_mc.py ├── simulate_gbm_paths() # 路径生成，支持独立采样/对偶采样 ├── price_snowball() # 事件判定 + 现金流折现 └── main() # 参数设置、结果输出和标准误报告

我在量化项目里习惯先定好输入输出边界：simulate_gbm_paths()只负责生成价格矩阵，不关心任何雪球条款；price_snowball()只接收路径矩阵和条款参数，不关心路径是怎么来的。这样历史行情回放时也能复用price_snowball()，直接喂真实价格路径。

4.2 核心代码：路径生成与事件判定

先放路径生成函数，比第 2 章多一个可选的antithetic开关，便于后面做方差缩减对比。

import numpy as np def simulate_gbm_paths(S0, r, q, sigma, T, steps, n_paths, seed=20240601, antithetic=False): """ GBM路径生成，支持独立采样和对偶采样。 """ dt = T / steps drift = (r - q - 0.5 * sigma**2) * dt vol = sigma * np.sqrt(dt) if antithetic: assert n_paths % 2 == 0, "对偶采样要求 n_paths 为偶数" rng = np.random.default_rng(seed) z_half = rng.standard_normal((n_paths // 2, steps)) z = np.vstack([z_half, -z_half]) else: rng = np.random.default_rng(seed) z = rng.standard_normal((n_paths, steps)) log_returns = np.cumsum(drift + vol * z, axis=1) paths = np.empty((n_paths, steps + 1)) paths[:, 0] = S0 paths[:, 1:] = S0 * np.exp(log_returns) return paths

这个函数用np.random.default_rng(seed)创建独立的随机数生成器，而不是全局的np.random.seed。两种写法的区别在于：default_rng每次调用会维持自己的状态，不会污染外部随机数流；全局seed则会影响整个程序后续所有随机操作，调试时很容易踩到奇怪的"不复现"问题。函数内部的dt、drift、vol参数我已经在第 2 章解释过，这里要注意antithetic模式下路径数必须为偶数，否则vstack会报错。

4.3 核心代码：雪球现金流计算与折现逻辑

接下来是雪球定价函数，把第 3 章的事件状态机用向量化数组操作实现，避免逐路径循环。

def price_snowball(paths, S0, r, T, out_level, in_level, out_obs_indices, coupon, dt): """ 输入： paths : shape (n_paths, steps+1) 的价格路径矩阵 S0 : 期初价格 r : 无风险利率（年化连续复利） T : 产品期限（年） out_level : 敲出价格阈值 in_level : 敲入价格阈值 out_obs_indices : 敲出观察日索引数组，例如 [21, 42, ..., 252] coupon : 年化票息率 dt : 每个时间步代表的年数 返回： (公允价格, 蒙特卡洛标准误) """ n_paths = paths.shape[0] # 敲入：路径中任意一个时间步的收盘价低于敲入线 knocked_in = np.any(paths[:, 1:] <= in_level, axis=1) # 敲出：逐个观察日检查，只记录最早命中 knocked_out = np.zeros(n_paths, dtype=bool) knocked_out_year = np.full(n_paths, T) # 默认到期 for obs_idx in out_obs_indices: obs_idx = int(obs_idx) if obs_idx >= paths.shape[1]: continue hit = paths[:, obs_idx] >= out_level new_hit = hit & (~knocked_out) knocked_out[new_hit] = True knocked_out_year[new_hit] = obs_idx * dt # 现金流映射：敲出或未敲入未敲出 ==> 本金+票息；敲入未敲出 ==> 期末价格比例 has_coupon = knocked_out | (~knocked_in) payoff = np.where( has_coupon, 1.0 + coupon * knocked_out_year, paths[:, -1] / S0 ) discount = np.exp(-r * knocked_out_year) present_values = payoff * discount price = present_values.mean() std_err = present_values.std(ddof=1) / np.sqrt(n_paths) return price, std_err

逐段解释。敲入判断用np.any(paths[:, 1:] <= in_level, axis=1)，注意paths[:, 0]是期初价格，不参与敲入判断，因为期初价格不可能低于敲入线（除非期初就爆，产品不会成立）。敲出判断循环观察日，new_hit = hit & (~knocked_out)保证只记录第一次敲出，因为已经敲出的路径后面再命中也不需要更新了。knocked_out_year默认值是 T，表示未敲出路径的持有年限是到期日；敲出路径会在循环里被覆盖成实际敲出时间乘以dt。

现金流映射里has_coupon覆盖了两种有票息的情形：敲出、和"到期未敲入未敲出"。np.where根据是否拿票息选择两种 payoff 公式。敲入未敲出的路径，payoff 是期末价格除以期初价格，这表示投资者承担标的跌幅（也可能有涨幅，但雪球一般不会在这种情形下让投资者赚钱？不对，如果敲入后指数回升但未超过敲出线，期末价格可能略低于期初，也可能高于期初；按合同一般结算标的涨跌幅，所以S_T/S0是通用写法）。

这段代码里np.where和np.exp都是向量化操作，10 万条路径瞬间完成。标准误std(ddof=1)用样本标准差，这是无偏估计，分母不要错。

4.4 主参数入口：路径数、时间步和观察日怎么设

最后是主函数，把所有参数串起来并验证收敛性。

def main(): # ---- 标的参数 ---- S0 = 1.0 # 归一化期初价格 r = 0.03 # 无风险利率 q = 0.02 # 股息率 sigma = 0.25 # 年化波动率 T = 1.0 # 一年期 steps = 252 # 按交易日离散 # ---- 雪球条款 ---- out_level = 1.03 # 敲出价为期初的103% in_level = 0.75 # 敲入价为期初的75% coupon = 0.15 # 年化票息率15% # ---- 观察日 ---- # 简化：每月末敲出观察，按每月21个交易日 out_obs_indices = np.arange(21, steps + 1, 21) dt = T / steps # ---- 模拟 ---- n_paths = 200_000 seed = 20240601 paths = simulate_gbm_paths(S0, r, q, sigma, T, steps, n_paths, seed) price, stderr = price_snowball( paths, S0, r, T, out_level, in_level, out_obs_indices, coupon, dt ) print(f"雪球公允价格: {price:.6f}") print(f"蒙特卡洛标准误: {stderr:.6f}") # 额外的收敛性检查：分段计算标准误是否随路径数下降 half_price, half_stderr = price_snowball( paths[: n_paths // 2], S0, r, T, out_level, in_level, out_obs_indices, coupon, dt ) print(f"前一半路径价格: {half_price:.6f}, 标准误: {half_stderr:.6f}") if __name__ == "__main__": main()

路径数n_paths我一般先设 20 万，跑完看标准误。如果标准误大于 0.002，再翻倍；如果已经到 0.001 以下，就不必再加路径了。out_obs_indices = np.arange(21, steps + 1, 21)是按每月 21 个交易日简化出来的，实盘中必须用真实交易日历，把每个月最后一个交易日对应的时间步索引放到这个数组里。用归一化S0=1.0的好处是，所有条款阈值和 payoff 都在 1 附近，避免大数运算的浮点误差，结果也更容易对比。

5. 雪球定价源码的五处常见踩坑：随机数、时间步与方差缩减

5.1 现象：每次运行结果都不一样，回测无法复现

原因：全局随机数没有固定种子，或者不同 Python 进程的随机状态不同。很多人用np.random.seed()，但如果你的代码里某个地方调用了第三方库偷偷消耗了全局随机数，后续结果就对不上了。解决：统一用np.random.default_rng(seed)并且把seed作为函数参数传入；同一个 seed 在任何机器上产生完全相同的随机数流。这给后面的 Greeks 有限差分留了关键条件——微扰 S0 时必须使用完全相同的随机数序列，否则差分结果会被蒙特卡洛噪声淹没。我一般固定一个种子列表，例如[20240101, 20240102, ...]，每个参数组合跑 10 组，取均值和标准差，既保证复现又削弱种子偏见。

5.2 现象：敲出频率比真实合约低，价格偏高

原因：敲出观察日和时间步不匹配。如果你在代码里把每个交易日都当敲出观察日，那敲出概率会显著高于真实合约（真实通常每月观察一次），定价就偏低；反过来，如果只在期末观察一次，漏掉中间可能发生的敲出，定价就偏高。解决：把out_obs_indices定义为一个显式的列表，严格对应合约里的敲出观察日历。合约上写"每月第 15 个交易日"就按时序把对应步索引算出来，别偷懒用range(21, 252, 21)这种均匀近似。另一个相关坑是敲入观察频率写错：合约写每日观察，你的paths[:, 1:] <= in_level已经覆盖了每日，但如果合约写的是收盘价而你的模拟步长是每周，也会漏掉。

5.3 现象：路径的长期均值膨胀，票息被高估

原因：GBM 离散化写成了S * (1 + (r-q)*dt + sigma*sqrt(dt)*z)，或者对数收益里漏了-0.5*sigma^2。算术布朗运动的形式在dt小的时候看着没问题，但线性化误差会在 252 步累积，导致路径均值随模拟时间指数偏离理论值。解决：使用第 4 章的log_returns = cumsum(drift + vol * z)写法，其中drift = (r - q - 0.5*sigma**2) * dt。验证方法：模拟完计算所有期末价格的均值，理论值应接近S0 * exp((r-q) * T)，偏差如果在 0.5% 以上，检查漂移项。这也是蒙特卡洛定价引擎最隐蔽的一个数学坑。

5.4 现象：雪球价格带着明显的市场观点，不同人算出的价格天差地别

原因：把漂移项设成了历史平均收益率，比如用指数过去五年的年化收益 10% 作为mu。这在风险中性测度下是错误的，因为定价不能包含主观预测；正确做法是mu = r - q。如果你一定要用真实测度做场景分析（比如压力测试），那算出来的叫 "真实概率下的预期收益"，不能直接与市场无套利价格混为一谈。很多刚从 python 量化交易策略代码转到期权定价的新手会在这里翻车，建议代码里变量名直接写risk_free_rate，不要写mu，从命名上提醒自己。

5.5 现象：用了方差缩减后，结果和独立抽样差出 3 倍标准误

原因：对偶变量法在非线性障碍产品上失效。雪球的现金流在敲出点附近是不连续的，对偶路径之间的负相关可能被事件判定打破，甚至变成正相关。解决：不要盲目相信方差缩减，保留独立抽样结果作为基准。我在实践中常用"控制变量"——以标的期末价格为控制变量，因为交易员关心 Delta，而雪球价格与期末价格高度相关。但控制变量的系数需要用最小二乘估计，估计时要注意不能使用与定价相同的路径数据，否则会出现样本内偏差。最稳妥的办法：先用 10 万条独立路径跑一个基准价格和标准误，再 5 万对偶路径跑一次，两者在标准误 2 倍以内才认为缩减有效。

6. 从源码到验证：用历史行情回放与解析解校准蒙特卡洛引擎

6.1 用历史行情做路径回放，验证事件判定逻辑

写好的price_snowball()不仅吃蒙特卡洛路径，也能直接吃真实历史行情。我会从行情软件取中证500过去三年的日收盘价，构造一条长度为steps+1的真实路径，扔进price_snowball()，然后手工核对输出：找到历史上实际发生的敲入敲出事件，验证函数判定的敲出观察日、票息比例和折现系数是不是和按合同条款手工算的一致。这个方法虽然不能验证概率分布，但能验证事件判定状态机和现金流映射里有没有低级错误。

具体操作：把真实价格序列归一化到 S0=1，然后调用price_snowball(paths_real, S0, r, T, out_level, in_level, out_obs_indices, coupon, dt)。注意这里steps要和真实序列长度一致，dt = T / steps，敲出观察日索引必须按真实交易日历重新对一遍。如果输出价格明显不合理，多半是观察日索引和时间轴错位。

6.2 用Delta和Greeks校验定价引擎的敏感性

蒙特卡洛价格只能告诉你公允价格，但交易台报价还要看风险敞口。Delta 可以用有限差分法近似，但必须保证两个价格来自同一套随机数。做法是把simulate_gbm_paths()的S0参数改为S0_up和S0_down，其他参数包括 seed 全部相同，重新生成路径后分别定价：

def compute_delta(S0, r, q, sigma, T, steps, n_paths, seed, out_level, in_level, out_obs, coupon): dt = T / steps eps = 0.01 * S0 paths_up = simulate_gbm_paths(S0 + eps, r, q, sigma, T, steps, n_paths, seed) paths_dn = simulate_gbm_paths(S0 - eps, r, q, sigma, T, steps, n_paths, seed) price_up, _ = price_snowball(paths_up, S0 + eps, r, T, out_level, in_level, out_obs, coupon, dt) price_dn, _ = price_snowball(paths_dn, S0 - eps, r, T, out_level, in_level, out_obs, coupon, dt) delta = (price_up - price_dn) / (2 * eps) return delta

有限差分法在敲出点附近会有偏导数不连续的问题，但宏观上可以作为 sanity check：雪球 Delta 通常在 0.3~0.5 之间，敲出概率高时 Delta 会变小；如果算出来是负数或大于 1，基本可以确定事件判定有 bug。更准确的路径wise导数需要对敲出事件做平滑处理，这里不展开。

6.3 一个自查习惯：用Black-Scholes解析解给蒙特卡洛做基准测试

我在改完任何雪球代码后，最先跑的不是真实参数，而是两个极端测试。第一个：把敲入线设成 0（永不敲入），敲出线设成一个非常大的数（永不敲出），那么所有路径都落到"未敲入未敲出"，现金流恒等于1 + coupon * T，折现后理论值是(1 + coupon * T) * exp(-r * T)。第二个：把敲出线设成 0，那么期初立即可判定敲出，持有年限为 0，所有路径现金流为 1，价格理论值为 1。这两个测试能瞬间暴露折现因子、票息公式或观察日索引的常规错误。

更完整的校准是用普通欧式看涨期权：删掉敲入敲出逻辑，把 payoff 改成max(S_T - K, 0)，用同一个 GBM 引擎跑蒙特卡洛，再和 Black-Scholes 公式对比。误差应该在 2 倍标准误以内。这个测试能验证路径生成和随机数质量是否正确，因为欧式期权的价值只取决于期末价格分布，不依赖路径中间事件。我在做雪球定价的时候，这几乎成了肌肉记忆：先校准引擎，再谈条款。每次把新条款丢给price_snowball()之前，我都会先跑一遍这两个极端测试，确认现金流计算器没被上次改参数弄坏。这是我从无数次翻车里养出来的习惯，希望你也能少踩几个坑。希望帮到你。

本文还有配套的精品资源，点击获取