量化分析师的Python日记【第9天 Q Quant兵器谱之二叉树】

最后更新于:2022-04-01 21:50:49

# 量化分析师的Python日记【第9天 Q Quant兵器谱之二叉树】 > 来源:https://uqer.io/community/share/5523a4a1f9f06c8f3390453b 通过之前几天的学习,Q Quant们应该已经熟悉了Python的基本语法,也了解了Python中常用数值库的算法。到这里为止,小Q们也许早就对之前简单的例子不满意,希望能在Python里面玩票大的!Ok,我们这里引入一个不怎么像玩具的模型——二叉树算法。我们仍然以期权为例子,教会大家: 1. 如何利用Python的控制语句与基本内置计算方法,构造一个二叉树模型; 1. 如何使用类封装的方式,抽象二叉树算法,并进行扩展; 1. 利用继承的方法为已有二叉树算法增加美式期权算法。 ```py import numpy as np import math import seaborn as sns from matplotlib import pylab font.set_size(15) ``` ## 1. 小Q的第一棵“树”——二叉树算法Python描述 我们这边只会简单的描述二叉树的算法,不会深究其原理,感兴趣的读者可以很方便的从公开的文献中获取细节。 我们这里仍然考虑基础的 Black - Scholes 模型: ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-30_579cb73110e98.jpg) 这里各个字母的含义如之前介绍,多出来的 r 代表股息率。 之所以该算法被称为 二叉树,因为这个算法的基础结构是一个逐层递增的树杈式结构: 一个基本的二叉树机构由以下三个参数决定: 1. `up` 标的资产价格向上跳升的比例, `up`必然大于1 (对应上图中的 `u`) 1. `down` 标的资产价格向下跳升的比例, `dow`n必然小于1 (对应上图中的 `d`) 1. `upProbability` 标的资产价格向上跳升的概率 这里我们用一个具体的例子,使用Python实现二叉树算法。以下为具体参数: + `ttm` 到期时间,单位年 + `tSteps` 时间方向步数 + `r` 无风险利率 + `d` 标的股息率 + `sigma` 波动率 + `strike` 期权行权价 + `spot` 标的现价 这里我们只考虑看涨期权。 ```py # 设置基本参数 ttm = 3.0 tSteps = 25 r = 0.03 d = 0.02 sigma = 0.2 strike = 100.0 spot = 100.0 ``` 我们这里用作例子的树结构被称为 Jarrow - Rudd 树,其中: ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-30_579cb731220dc.jpg) ```py dt = ttm / tSteps up = math.exp((r - d - 0.5*sigma*sigma)*dt + sigma*math.sqrt(dt)) down = math.exp((r - d - 0.5*sigma*sigma)*dt - sigma*math.sqrt(dt)) discount = math.exp(-r*dt) ``` ```py pylab.figure(figsize = (12,8)) pylab.plot(lattice[tSteps]) pylab.title(u'二叉树到期时刻标的价格分布', fontproperties = font, fontsize = 20) ``` ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-30_579cb73134870.png) ```py # 在节点上计算payoff def call_payoff(spot): global strike return max(spot - strike, 0.0) pylab.figure(figsize = (12,8)) pylab.plot(map(call_payoff, lattice[tSteps])) pylab.title(u'二叉树到期时刻标的Pay off分布', fontproperties = font, fontsize = 18) ``` ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-30_579cb7314bdbe.png) 在我们从树最茂盛的枝叶向根部回溯的时候,第`i`层节点与第`i+1`层节点的关系满足: ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-30_579cb731611e6.jpg) ```py # 反方向回溯整棵树 for i in range(tSteps,0,-1): for j in range(i,0,-1): if i == tSteps: lattice[i-1][j-1] = 0.5 * discount * (call_payoff(lattice[i][j]) + call_payoff(lattice[i][j-1])) else: lattice[i-1][j-1] = 0.5 * discount * (lattice[i][j] + lattice[i][j-1]) ``` ```py print u'二叉树价格: %.4f' % lattice[0][0] print u'解析法价格: %.4f' % BSMPrice(1, strike, spot, r, d, sigma, ttm, rawOutput= True)[0] 二叉树价格: 14.2663 解析法价格: 14.1978 ``` ## 2. 从“树”到“森林”—— 面向对象方式实现二叉树算法 之前的部分展示了一个树算法的基本结构。但是现在的实现由很多缺点: + 没有明确接口,作为用户优雅简洁的使用既有算法; + 没有完整封装,十分不利于算法的扩展; 下面我们将给出一个基于Python类的二叉树算法实现,实际上我们通过上面的实验性探索,发现整个程序可以拆成三个互相独立的功能模块: + 二叉树框架 树的框架结构,包括节点数以及基本参数的保存; + 二叉树类型描述 具体数算法的参数,例如上例中的 Jarrow Rudd树; + 偿付函数 到期的偿付形式,即为Payoff Function。 ### 2.1 二叉树框架(`BinomialTree`) 这个类负责二叉树框架的构造,也是基本的二叉树算法的调用入口。它有三个成员: + 构造函数(`__init__`) 负责接受用户定义的具体参数,例如:`spot`等;真正二叉树的构造方法,由私有方法`_build_lattice`以及传入参数`treeTraits`共同完成; + 树构造细节(`_build_lattice`) 接手具体的树构造过程,这里需要依赖根据`treeTraits`获取的参数例如:`up`, `down`。 + 树回溯(`roll_back`) 从树的最茂盛枝叶节点向根节点回溯的过程。最终根节点的值即为期权的价值。这里它要求的参数是一个`pay_off`函数。 ```py # 二叉树框架(可以通过传入不同的treeTraits类型,设计不同的二叉树结构) class BinomialTree: def __init__(self, spot, riskFree, dividend, tSteps, maturity, sigma, treeTraits): self.dt = maturity / tSteps self.spot = spot self.r = riskFree self.d = dividend self.tSteps = tSteps self.discount = math.exp(-self.r*self.dt) self.v = sigma self.up = treeTraits.up(self) self.down = treeTraits.down(self) self.upProbability = treeTraits.upProbability(self) self.downProbability = 1.0 - self.upProbability self._build_lattice() def _build_lattice(self): ''' 完成构造二叉树的工作 ''' self.lattice = np.zeros((self.tSteps+1, self.tSteps+1)) self.lattice[0][0] = self.spot for i in range(self.tSteps): for j in range(i+1): self.lattice[i+1][j+1] = self.up * self.lattice[i][j] self.lattice[i+1][0] = self.down * self.lattice[i][0] def roll_back(self, payOff): ''' 节点计算,并反向倒推 ''' for i in range(self.tSteps,0,-1): for j in range(i,0,-1): if i == self.tSteps: self.lattice[i-1][j-1] = self.discount * (self.upProbability * payOff(self.lattice[i][j]) + self.downProbability * payOff(self.lattice[i][j-1])) else: self.lattice[i-1][j-1] = self.discount * (self.upProbability * self.lattice[i][j] + self.downProbability * self.lattice[i][j-1]) ``` ### 2.2 二叉树类型描述(`Tree Traits`) 正像我们之前描述的那样,任意的树只要描述三个方面的特征就可以。所以我们设计的`Tree Traits`类只要通过它的静态成员返回这些特征就可以: + `up` 返回向上跳升的比例; + `down` 返回向下调降的比例; + `upProbability` 返回向上跳升的概率 下面的类定义了 Jarrow - Rudd 树的描述: ```py class JarrowRuddTraits: @staticmethod def up(tree): return math.exp((tree.r - tree.d - 0.5*tree.v*tree.v)*tree.dt + tree.v*math.sqrt(tree.dt)) @staticmethod def down(tree): return math.exp((tree.r - tree.d - 0.5*tree.v*tree.v)*tree.dt - tree.v*math.sqrt(tree.dt)) @staticmethod def upProbability(tree): return 0.5 ``` 我们这里再给出另一个 Cox - Ross - Rubinstein 树的描述: ```py class CRRTraits: @staticmethod def up(tree): return math.exp(tree.v * math.sqrt(tree.dt)) @staticmethod def down(tree): return math.exp(-tree.v * math.sqrt(tree.dt)) @staticmethod def upProbability(tree): return 0.5 + 0.5 * (tree.r - tree.d - 0.5 * tree.v*tree.v) * tree.dt / tree.v / math.sqrt(tree.dt) ``` ### 2.3 偿付函数(`pay_off`) 这部分很简单,就是一元函数,输入为标的价格,输出的偿付收益,对于看涨期权来说就是: ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-30_579cb73174a1d.jpg) ```py def pay_off(spot): global strike return max(spot - strike, 0.0) ``` ### 2.4 组装 让我们三部分组装起来,现在整个调用过程变得什么清晰明了,同时最后的结果和第一部分是完全一致的。 ```py testTree = BinomialTree(spot, r, d, tSteps, ttm, sigma, JarrowRuddTraits) testTree.roll_back(pay_off) print u'二叉树价格: %.4f' % testTree.lattice[0][0] 二叉树价格: 14.2663 ``` 这里我们想更进一步,用我们现在的算法框架来测试二叉树的收敛性。这里我们用来作比较的算法即为之前描述的 Jarrow - Rudd 以及 Cox - Ross - Rubinstein 树: ```py stepSizes = range(25, 500,25) jrRes = [] crrRes = [] for tSteps in stepSizes: # Jarrow - Rudd 结果 testTree = BinomialTree(spot, r, d, tSteps, ttm, sigma, JarrowRuddTraits) testTree.roll_back(pay_off) jrRes.append(testTree.lattice[0][0]) # Cox - Ross - Rubinstein 结果 testTree = BinomialTree(spot, r, d, tSteps, ttm, sigma, CRRTraits) testTree.roll_back(pay_off) crrRes.append(testTree.lattice[0][0]) ``` 我们可以绘制随着步数的增加,两种二叉树算法逐渐向真实值收敛的过程。 ```py anyRes = [BSMPrice(1, strike, spot, r, d, sigma, ttm, rawOutput= True)[0]] * len(stepSizes) pylab.figure(figsize = (16,8)) pylab.plot(stepSizes, jrRes, '-.', marker = 'o', markersize = 10) pylab.plot(stepSizes, crrRes, '-.', marker = 'd', markersize = 10) pylab.plot(stepSizes, anyRes, '--') pylab.legend(['Jarrow - Rudd', 'Cox - Ross - Rubinstein', u'解析解'], prop = font) pylab.xlabel(u'二叉树步数', fontproperties = font) pylab.title(u'二叉树算法收敛性测试', fontproperties = font, fontsize = 20) ``` ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-30_579cb73188f0d.png) 我们也可以绘制两种算法的误差随着步长下降的过程。 ```py jrErr = np.array(jrRes) - np.array(anyRes) crrErr = np.array(crrRes) - np.array(anyRes) jrErr = np.log10(np.abs(jrErr)) crrErr = np.log10(np.abs(crrErr)) ``` ```py pylab.figure(figsize = (16,8)) pylab.plot(stepSizes, jrErr, '-.', marker = 'o', markersize = 10) pylab.plot(stepSizes, crrErr, '-.', marker = 'd', markersize = 10) pylab.xlabel(u'二叉树步数', fontproperties = font) pylab.ylabel(u'误差(log)', fontproperties = font) pylab.title(u'二叉树算法误差分布测试', fontproperties = font, fontsize = 20) ``` ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-30_579cb731a2927.png) ## 3. 新想法 —— 美式期权? 有小Q要问了,既然我们已经有解析算法了,为什么还要多此一举的去种“树”呢?是的,如果只是普通欧式期权的话,二叉树就是多此一举的做法。但是由于二叉树天然的反向回溯的特性,使得它特别适合处理有提前行权结构的期权产品。这里我们将以美式期权为例。 美式期权的行权结构在二叉树结构下处理起来特别简单,要做的只是在每个节点上做这样的比较: ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-30_579cb731b7c91.jpg) 这里的 `ExerciseValue` 就是立即行权的价值, `EuropeanValue`为对应节点的欧式价值。 为了实现上面的比较,我们需要扩展原先的算法,这个我们可以通过Python的类继承在原先的类之上添加新功能: ```py class ExtendBinomialTree(BinomialTree): def roll_back_american(self, payOff): ''' 节点计算,并反向倒推 ''' for i in range(self.tSteps,0,-1): for j in range(i,0,-1): if i == self.tSteps: europeanValue = self.discount * (self.upProbability * payOff(self.lattice[i][j]) + self.downProbability * payOff(self.lattice[i][j-1])) else: europeanValue = self.discount * (self.upProbability * self.lattice[i][j] + self.downProbability * self.lattice[i][j-1]) # 处理美式行权 exerciseValue = payOff(self.lattice[i-1][j-1]) self.lattice[i-1][j-1] = max(europeanValue, exerciseValue) ``` 我们将使用同样的参数测试美式期权算法的实现: ```py stepSizes = range(25, 500,25) jrRes = [] crrRes = [] for tSteps in stepSizes: # Jarrow - Rudd 结果 testTree = ExtendBinomialTree(spot, r, d, tSteps, ttm, sigma, JarrowRuddTraits) testTree.roll_back_american(pay_off) jrRes.append(testTree.lattice[0][0]) # Cox - Ross - Rubinstein 结果 testTree = ExtendBinomialTree(spot, r, d, tSteps, ttm, sigma, CRRTraits) testTree.roll_back_american(pay_off) crrRes.append(testTree.lattice[0][0]) ``` 我们画出美式期权价格的收敛图,价格始终高于欧式期权的价格,符合预期。 ```py anyRes = [BSMPrice(1, strike, spot, r, d, sigma, ttm, rawOutput= True)[0]] * len(stepSizes) pylab.figure(figsize = (16,8)) pylab.plot(stepSizes, jrRes, '-.', marker = 'o', markersize = 10) pylab.plot(stepSizes, crrRes, '-.', marker = 'd', markersize = 10) pylab.plot(stepSizes, anyRes, '--') pylab.legend([u'Jarrow - Rudd(美式)', u'Cox - Ross - Rubinstein(美式)', u'解析解(欧式)'], prop = font) pylab.xlabel(u'二叉树步数', fontproperties = font) pylab.title(u'二叉树算法美式期权', fontproperties = font, fontsize = 20) ``` ![](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-30_579cb731ccd66.png)
';