DolphinDB 上线 Monte Carlo 与 pdeSolver 两类通用衍生品定价工具实测

算一个标准欧式期权不难，难的是“不标准”的产品：亚式要盯观察日和历史定盘（Fixing），障碍要判断价格有没有触碰，随机波动率、多资产还会再加状态变量。

对于常见金融产品，DolphinDB 已提供覆盖不同资产类别的专用定价函数，调用即可估值。而面对非标衍生品，现成函数往往不够用，开发者需要能灵活定义模型、调整计算条件、检验数值结果的通用求解工具。为此，DolphinDB 全新上线两类通用定价工具，不必再从底层手写求解器：

1. Monte Carlo：模拟随机路径，结合产品收益规则做统计估值，并给出标准误与置信区间；
2. pdeSolver 系列函数：求解一维、二维线性抛物型 PDE，得到网格上的价格曲线或价格面，同时可输出 Greeks。

本文将结合典型衍生品案例，介绍两类工具的核心接口与使用方式，并通过性能测试展示其在不同定价场景下的计算表现，帮助开发者了解如何利用 DolphinDB 构建灵活的定价模型。

一、Monte Carlo：灵活构建路径依赖型定价模型

对于亚式期权、障碍期权等路径依赖型衍生品，期权收益不仅取决于到期时的标的价格，还与存续期内的价格变化有关。要完成定价，开发者需要模拟标的资产的随机演化路径，再根据产品条款计算收益，最终估计期权价格。

如果每次都从底层手写完整流程，随机数生成、相关性转换、批量计算和统计汇总等环节就需要反复实现。事实上，不同产品之间的差异往往集中在两个方面：标的状态如何演化，以及产品在什么条件下支付多少钱。 随机路径模拟与统计估计流程则可以复用。

DolphinDB 的通用 Monte Carlo 工具正是围绕这一思路设计的。开发者通过自定义函数定义状态演化和收益逻辑，模拟与统计流程由工具统一组织。

核心能力

Monte Carlo 定价主要涉及三个函数：

• mcSimulate：模拟随机过程，生成相应的模拟路径。
• monteCarlo：组合自定义状态演化函数、收益函数与模拟配置，完成 Monte Carlo 定价流程。
• mcEstimate：对模拟结果进行统计估计。

根据使用目的，可以采用两种典型工作流。

• 在研究和调试阶段，可以使用 mcSimulate 生成路径，再通过自定义处理与 mcEstimate 完成估值。这种方式便于检查模拟路径和中间结果，但保存完整路径可能占用较多内存。
• 在业务定价场景中，则可以直接调用 monteCarlo，由函数内部按批次推进模拟并汇总结果，适合固定 Payoff 的批量数值估计。

各类产品都可以用 evolve 与 payoff 两个函数表达。通过这种方式，欧式期权、亚式期权、障碍期权、回望期权、多资产期权等产品，都可以在复用模拟框架的基础上定义各自的模型逻辑。对于随机波动率模型，也可以将标的价格与波动率等状态变量纳入模拟。

以亚式期权为例

以亚式期权为例，假设标的资产价格遵循几何布朗运动（GBM）。开发者首先通过 evolve 函数定义资产价格如何随时间变化：

def gbmEvolve(t, state, dt, noise, p) {
    drift = (p["r"] - p["q"] - 0.5 * p["sigma"] * p["sigma"]) * dt
    return state * exp(drift + p["sigma"] * sqrt(dt) * noise)
}

接下来，通过 payoff 函数定义如何根据模拟路径计算期权收益。下面的示例同时计算算术平均价格和几何平均价格对应的收益：

def asianPayoff(paths, timeGrid, p) {
    n = rows(paths[0])
    m = size(paths) - 1
    prices = matrix(DOUBLE, n, m)
    for (i in 1..m) {
        prices[, i - 1] = paths[i][, 0]
    }
    arithmeticAverage = rowAvg(prices)
    geometricAverage = exp(rowAvg(log(prices)))
    T = timeGrid[size(timeGrid) - 1] - timeGrid[0]
    df = exp(-p["r"] * T)
    return df * matrix(max(arithmeticAverage - p["K"], 0.0),
                       max(geometricAverage - p["K"], 0.0))
}

定义好状态演化函数与收益函数后，即可调用 monteCarlo，结合初始资产价格、时间网格、模拟路径数量和模型参数完成估值：

res = monteCarlo(gbmEvolve, asianPayoff, 100.0,
    0..12 / 12.0, 100000, 1, p, opt)

在这个示例中，gbmEvolve 和 asianPayoff 承载了开发者自定义的模型逻辑；其余参数用于指定初始状态、模拟时间范围、模拟规模以及相关配置。通用 Monte Carlo 流程负责组织模拟和估计，并返回价格估计值及标准误等结果。

可以看到，当产品条款发生变化时，开发者只需调整 evolve 和 payoff 两个函数，路径模拟与统计估计流程无需重写。

二、pdeSolver：一次求解得到整张价格面

对于欧式期权等产品，可以通过解析公式直接计算价格。但对于美式期权等具有提前行权特征的产品，定价问题会更加复杂：除了求解标的价格与时间相关的定价方程，还需要考虑持有期内提前行权的可能性。

偏微分方程（PDE）方法把定价问题转化为数值求解：把标的价格和时间划分成网格，从到期日的收益出发，逐步向当前时刻倒推，算出不同状态下的理论价格。它的好处是一次求解得到的不是单点价格，而是一整张价格面，还可以在同一框架下处理提前行权、边界条件、时变参数和复杂收益结构。

核心能力

DolphinDB 提供了完整的 PDE 数值求解框架：

DolphinDB 的 pdeSolver 系列函数支持一维和二维线性抛物型 PDE，核心能力包括：

• 方程配置：扩散、对流、反应、源项系数均可配置，支持常数或随价格、时间变化的函数（如局部波动率）。
• 网格与边界：支持均匀网格和 sinh/tanh/log 非均匀网格（可在执行价、障碍附近加密），支持 Dirichlet、Neumann、Robin 边界。
• 时间推进：显式、隐式 Euler、Crank–Nicolson 及 Theta 格式可选；对不连续收益可用 Rannacher smoothing 抑制振荡。
• 提前行权约束：美式期权通过 obstacle 配置表达，支持 PSOR 与 Penalty 两条求解路径。
• 二维问题：支持 ADI 方法（Douglas、CS、MCS、HV），可处理 Heston、Basket、Exchange 等含交叉导数的模型。
• 输出完整：除价格外，还可返回指定状态点的插值价格、Delta、Gamma 等 Greeks，以及收敛与迭代诊断信息。

开发者可以通过配置定价方程、终值条件、边界条件及数值求解参数来构建定价模型，只需表达金融模型，而不必从底层自行实现 PDE 求解算法。

以美式看跌期权为例

以美式看跌期权为例，假设标的资产价格为 100、执行价格为 100、无风险利率为 5%、波动率为 20%，期限为一年。可以先定义方程系数、到期收益函数和边界条件：

coeff = pdeCoeff1D(
    diff={S,tau -> 0.5 * volatility * volatility * S * S}, //扩散项
    conv={S,tau -> rate * S},                              //对流项
    react=-rate                                            //反应项
)
payoff = {S -> max(strike-S, 0.0)}                         //到期收益
boundary = [strike, 0.0]                                   //计算区域两端的边界值

美式期权的提前行权约束，通过求解配置中的 obstacle 表达，这里选用 PSOR 方法：

method = dict(STRING, ANY)
method["obstacle"] = payoff
method["obstacleSolver"] = "PSOR"
method["psorOmega"] = 1.2
method["psorTolerance"] = 1e-10
method["psorMaxIterations"] = 20000

最后，构建空间网格和时间网格，将方程、边界条件及求解配置传入 pdeSolver：

spotGrid = pdeGrid1D(0.0, 300.0, 401, "sinh", strike, 3.0)
tGrid = (0..400) / 400.0
setting = dict(STRING, ANY)
setting["interpAt"] = 100.0
result = pdeSolver(
    coeff, payoff, pdeDomain1D(spotGrid), tGrid,
    boundary, method, setting
)
result["interpValue"]

在上述案例中，方程系数、终值条件和边界条件构成了美式看跌期权的定价模型，提前行权约束则通过 obstacle 单独配置。

产品之间的差异，最终也大多落在这几处配置上：欧式期权省去提前行权约束即可，障碍期权的条款体现在求解区域和边界值上，局部波动率模型改变的只是 diff 系数的取值方式，方程结构本身不变。网格构建与求解流程在这些情况下都不需要重写。

三、性能测试

定价工具的性能不仅影响单次估值耗时，也关系到批量定价、参数敏感性分析和复杂产品研究的计算效率。为评估 DolphinDB 通用数值定价工具的表现，下面分别对 Monte Carlo 模拟定价和 PDE 数值求解进行测试，并与 等实现进行比较。

各库在模型表达、算法和执行优化上存在差异，测试比较的是特定场景和配置下的端到端效率，而非脱离条件的绝对排名；算法或精度设置不一致的场景将单独说明其可比性限制。

Monte Carlo 性能测试

在一组统一配置的测试中，各实现均计算 100,000 条模拟路径、126 个时间步，使用单 worker 和对偶变量法。测试前预热一次，正式运行七次，以端到端耗时的中位数作为结果（DolphinDB 的计时包含 SDK 往返开销）。

测试结果如下，耗时单位均为毫秒：

注：standard / log 是同一引擎的两种状态表示写法。QuantLib 的 Heston 采用原生 FullTruncation 方差离散，与其他实现不同，不参与比较。N/A 表示该接口不支持。

四库计时中位数对比图

从测试结果看，DolphinDB 在多个定价场景中展现出显著的计算效率优势。与 QuantLib 相比，在本次测试的五个可比场景中，DolphinDB 标准写法的端到端耗时约为其 1/18 至 1/77，log 写法约为其 1/8 至 1/145。其中，几何 Asian 和离散 Up-and-Out 的 log 写法分别快约 117 倍和 145 倍。相比 NumPy，DolphinDB 也在 European Call、几何 Asian 和离散 Up-and-Out 等场景中取得了更低的耗时。

不过，性能优势并非在所有场景下都成立。Heston Call 中，DolphinDB 两种写法的耗时均略高于 NumPy；算术 Asian 中，标准写法也明显快于 log 写法。这表明，实际执行效率不仅取决于定价模型本身，还受到状态表示、计算表达式及具体实现方式的影响，不能假设某一种写法在所有模型中都更快。

对于实际应用，还应结合数值精度、算法一致性及目标工作负载进行综合评估。

pdeSolver 性能测试

测试基于 DolphinDB Server V3.00.6.4 Linux 版本，在单核 CPU、Release 配置下进行。各场景采用不同的空间网格、时间区间和数值算法；耗时均为预热后的中位数，单位为毫秒。

从测试结果看，DolphinDB PDE 求解器在多种定价场景中展现出较好的计算效率。

与 Python 实现相比，DolphinDB 在全部九个测试场景中耗时更低，最高加速比达 42.78 倍，在 Heston 随机波动率、数字期权及障碍期权等场景中也具有明显的性能优势。

与 QuantLib 相比，DolphinDB 的性能表现因定价场景而异。在数字期权、障碍期权、Local Vol 和 Quanto 等场景中，DolphinDB 的运行耗时更低；而在 BS 欧式看涨和 Heston 随机波动率场景中，QuantLib 的耗时更短。对于 BS 美式看跌场景，由于双方采用的数值算法不同，测试结果不宜直接用于性能优劣的比较。

四、实际应用中如何选择与验证定价方法

前面的案例和性能测试说明，Monte Carlo 与 PDE 各有适用场景，执行效率也会随模型与实现方式变化。在实际项目中，方法选择不宜只依据产品名称或单次运行时间，而应从模型适用性、数值可靠性和计算成本三个方面依次判断。

第一步：产品特征决定工具

首先考虑是否已有满足业务需求的专用定价函数。如果没有，再根据模型状态、收益结构和需要输出的结果，判断通用 Monte Carlo 或 PDE 是否适用。

上述选择并非绝对。具体采用哪种方法，仍取决于模型假设、求解器支持范围、精度要求及计算资源。

第二步：结合数值诊断验证结果

定价工具输出的价格需要经过验证，才能用于实际业务。不同数值方法的误差来源不同，因此验证方式也应有所区别。

对于 Monte Carlo，可以结合标准误、置信区间和不同模拟规模下的估值结果，判断统计误差是否满足要求；对于 PDE，则可以通过加密网格、调整求解容差和检查价格及 Greeks 的收敛情况，评估数值结果的稳定性。

在条件允许时，还可以使用解析解或独立参考实现进行交叉验证。对于缺乏解析解的复杂产品，则可以结合统计误差、网格收敛性和独立实现结果建立验证方案。

第三步：在满足精度要求后评估性能

性能优化应建立在模型正确、结果可靠的基础上。Monte Carlo 可以结合模拟路径数量、时间步和批次配置评估计算效率；PDE 则可以针对网格规模、求解算法和执行路径进行测试。

第三章的测试结果表明，具体性能会随模型和实现方式变化。因此，在实际部署前，应选择有代表性的产品和参数组合进行测试，并尽量保证模型定义、精度要求与测试规模具有可比性。

总体而言，实际应用中应先确定适用的定价方法，再验证数值结果，最后评估计算效率。DolphinDB 提供的通用 Monte Carlo 与 PDE 工具，为这一过程提供了可复用的计算框架，开发者可以将更多精力集中于金融模型与产品条款本身。

五、方案价值与未来演进

DolphinDB 的 Monte Carlo 与 PDE 工具不仅提供数值求解能力，也为金融衍生品定价模型的开发、优化与集成提供了可复用的计算基础，主要体现在以下几个方面：

• 灵活的定价模型构建能力：标准金融产品可以直接调用专用定价函数；面对非标衍生品、路径依赖产品或定制化收益结构时，开发者可以通过自定义状态演化、收益逻辑，或配置 PDE 系数、边界条件、网格与求解方法构建定价模型，无需为每一种新产品从头搭建完整的计算框架。
• 模型开发与高性能计算相结合：支持通过批量计算、向量化、JIT 等方式优化执行效率。Monte Carlo 可结合路径数量、时间步、批次划分及内存约束调整计算策略；PDE 则可围绕网格规模、预计算策略与求解方法进行优化。实际性能取决于模型、算法、硬件及参数配置，需要通过可比测试验证。
• 贯通定价计算与业务数据流程：结合 DolphinDB 的数据处理与分析能力，减少市场数据、模型参数和计算结果在不同系统与组件之间流转的需要。在此基础上，可以围绕具体业务建立标准化计算流程，统一管理产品参数、模型配置、数值方法与结果校验逻辑，为批量估值、情景分析及后续风险分析提供基础，降低重复开发与维护成本。
• 面向复杂金融工程需求持续扩展：在现有能力基础上，未来可进一步探索三维 PDE、有限体积法（FVM）、有限元法（FEM）等数值方法，以及 Sobol 序列与准蒙特卡洛方法（QMC）、控制变量法、Brownian bridge 连续障碍修正、美式与百慕大式期权的最优停止算法、模型参数校准和 Greeks 自动微分等方向。上述内容属于潜在的演进方向，具体实现与支持范围以实际产品进展为准。

无论采用哪种数值方法，定价工具的核心价值都在于复用成熟的计算流程，让开发者将更多精力放在金融模型、产品条款与业务逻辑上，而不是重复实现底层求解算法。

进一步了解具体函数接口、代码实现与性能测试，可通过文档中心，阅读以下教程：

• 《Monte Carlo 数值计算与期权定价实战》：讲解 GBM 随机过程、欧式期权、亚式期权、障碍期权、回望期权、两资产期权、Heston 随机波动率以及雪球示例，并讨论历史 Fixing、估值误差、对偶变量和性能测试。
• 《pdeSolver 金融衍生品定价教程》：如何使用 DolphinDB pdeSolver 系列函数求解一维和二维线性抛物型 PDE，并将其应用于金融衍生品定价。内容覆盖模型与接口映射、典型定价案例，适合量化研究、衍生品定价研发等人员阅读。