资源介绍
核心内容框架本书共 9 章主体内容及 2 个 Python 附录，从基础理论到实操应用，系统覆盖金融衍生品知识与 Python 实现方法：（一）基础概念与核心原理（第 1-4 章）金融市场与衍生品基础（第 1 章）
开篇介绍金融市场的功能 —— 以低交易成本交易证券，实现风险转移与投资机会交换，交易可通过集中交易所或场外交易（OTC）进行，不同交易动机（投资、对冲、投机）对应不同策略。随后界定衍生品的定义，指出其价值依赖于标的资产（如股票、债券、大宗商品等），并梳理衍生品的发展历史，从汉谟拉比法典中的早期契约，到泰勒斯对橄榄压榨权的投机，再到 1730 年代日本大米期货交易所、1848 年芝加哥期货交易所（CBOT）及 1973 年芝加哥期权交易所（CBOE）的成立，展现衍生品与大宗商品交易的历史关联。
此外，本章还讲解了货币的时间价值，对比单利、复利、连续复利三种计息方式的未来值（FV）与现值（PV）计算方法，强调连续复利在本书后续计算中的统一应用，最后通过无套利原理的数学证明，奠定衍生品定价的核心逻辑 —— 若两个投资组合未来价值相等，则当前价值必相等，否则存在无风险套利机会。远期与期货合约（第 2 章）
详细解析远期合约的定义：双方约定未来某一时间（到期日 T）以固定交割价 F 买卖标的资产，多头方（买入方）与空头方（卖出方）的收益分别为\(S_T - F\)与\(F - S_T\)（\(S_T\)为到期日标的资产价格）。期货合约与远期合约收益结构相同，但存在交易机制差异：期货通过交易所交易，采用每日盯市制度（每日结算期货价格波动），并要求投资者缴纳初始保证金与维持保证金，保证金账户余额低于维持保证金时需补缴（保证金追缴）。
本章核心是远期价格的无套利计算，针对不同标的资产场景推导公式：无收益资产的远期价格为\(F_t = S_t e^{r(T-t)}\)（\(S_t\)为 t 时刻标的价格，r 为无风险利率）；有已知收益资产（如分红股票）需扣除收益的未来值；有比例收益资产（如外汇、指数）则需考虑收益率（或外国利率），公式调整为\(F_t = S_t e^{(r - c)(T-t)}\)（c 为收益率或外国利率）。同时，还给出任意时刻远期合约价值的计算方法。期权合约（第 3 章）
聚焦香草期权（欧式、美式看涨 / 看跌期权），明确期权的核心特征 —— 赋予持有者权利而非义务，因此收益永不为负。欧式期权仅能在到期日行权，美式期权可在到期前任意时间行权，两者收益分别为：看涨期权\(max(S_T - K, 0)\)、看跌期权\(max(K - S_T, 0)\)（K 为行权价）。
本章深入分析期权价格的构成（内在价值 + 时间价值）与影响因素：内在价值是期权当前行权的价值（ITM 为正，OTM 为 0，ATM 为平值），时间价值随到期时间延长而增加；期权价格与标的资产价格（看涨正相关、看跌负相关）、行权价（看涨负相关、看跌正相关）、利率（看涨正相关、看跌负相关）、波动率（正相关，波动率越高，期权时间价值越大）、到期时间（多数情况下正相关，长期期权时间价值更高）密切相关。
此外，本章还推导并验证看跌 - 看涨平价公式：\(c - p = S_t - K e^{-r(T-t)}\)（c 为看涨期权价格，p 为看跌期权价格），揭示看涨与看跌期权价格的内在关联，同时介绍期权投机策略（如利用 OTM 期权以小博大）及经典组合策略（牛市价差、熊市价差），并提供 Python 代码绘制策略收益曲线。奇异期权（第 4 章）
介绍非香草期权的常见类型：二元期权（现金或资产或有期权，收益固定或为标的资产价值）、远期启动期权（未来某时刻启动，行权价常与启动时标的价格挂钩）、复合期权（以期权为标的的期权，如看涨期权的看涨期权）、路径依赖期权（收益依赖标的价格路径，如障碍期权、回望期权、亚式期权）、价差期权（收益依赖两种标的资产价差）、篮子期权（收益依赖一篮子标的资产）及百慕大期权（介于欧式与美式之间，仅可在特定日期行权）。
本章通过案例对比不同奇异期权的收益特征，例如障碍期权因存在 “敲入 / 敲出” 条件（标的价格触及特定屏障则期权生效 / 失效），价格低于同类香草期权；亚式期权收益依赖标的价格均值，方差低于标的价格本身，因此价格更低；回望期权收益依赖标的价格历史极值（最高 / 最低），收益更高故价格更高，为读者理解不同场景下的衍生品选择提供依据。（二）定价模型与数值方法（第 5-9 章）二叉树模型（第 5 章）
作为最简单的离散时间定价模型，二叉树模型假设标的资产价格在每个时间步仅能向上（\(S_t u\)）或向下（\(S_t d\)）变动（u>1，d<1）。本章先通过单期模型推导期权定价：计算 Delta（期权价格与标的价格变动的比率，\(\Delta = \frac{V_u - V_d}{S_t(u - d)}\)，\(V_u\)、\(V_d\)为标的价格涨跌后的期权价值），构建由 Delta 份标的资产与无风险资产组成的复制组合，通过无套利原理得到期权价格。
随后扩展至多期模型，将到期时间 T 划分为 N 个时间步（\(dt = T/N\)），每个时间步的 u、d 通过波动率校准（\(u = e^{\sigma \sqrt{dt}}\)，\(d = 1/u\)，\(\sigma\)为波动率），风险中性概率\(p^* = \frac{e^{r dt} - d}{u - d}\)（确保标的资产期望价格符合远期价格）。定价时采用 “倒推法”：先计算到期日各节点期权收益，再从后向前计算每个节点的期权价格（风险中性期望的现值）。
针对美式期权，需在每个节点对比 “立即行权的内在价值” 与 “继续持有期权的价值”，选择较高值作为该节点期权价格。此外，本章还讲解二叉树模型下希腊字母（Delta、Gamma、Theta、Vega、Rho）的计算方法，并提供完整 Python 代码实现二叉树定价，支持欧式 / 美式、看涨 / 看跌期权及不同标的资产（股票、外汇、股息资产）的定价。连续时间定价模型（第 6 章）
聚焦布莱克 - 斯科尔斯 - 默顿（BSM）模型，从统计直观、复制组合、概率三个视角推导模型：统计视角：通过标的资产对数收益率的正态分布特征，假设标的价格遵循几何布朗运动（\(dS_t = r S_t dt + \sigma S_t dW_t\)，\(W_t\)为布朗运动）；复制组合视角：构建由 Delta 份标的资产与无风险资产组成的组合，通过泰勒展开与无套利原理推导 BSM 偏微分方程；概率视角：利用伊藤公式将标的价格转化为对数正态分布，通过风险中性期望计算期权价格，得到欧式看涨期权定价公式：\(Call = S_0 N(d_1) - K e^{-rT} N(d_2)\)，其中\(d_1 = \frac{\ln(S_0/K) + (r + 0.5\sigma^2)T}{\sigma \sqrt{T}}\)，\(d_2 = d_1 - \sigma \sqrt{T}\)，\(N(\cdot)\)为标准正态分布累积分布函数。
本章还对比二叉树模型与 BSM 模型的关系 —— 当二叉树时间步趋于无穷时，离散模型收敛于连续 BSM 模型，同时推导 BSM 模型下希腊字母的解析表达式，分析各参数对期权价格的敏感度（如看涨期权 Delta 在 0-1 之间，ATM 期权 Delta 约为 0.5；Theta 通常为负，反映期权时间价值的衰减），并扩展模型至分红资产、外汇、期货等标的，最后指出 BSM 模型的局限性（忽略交易成本、假设波动率恒定，与实际市场 “波动率聚集”“厚尾分布” 特征不符）。蒙特卡洛方法（第 7 章）
针对复杂衍生品（如路径依赖期权）难以用解析公式定价的问题，介绍蒙特卡洛模拟这一通用数值方法。其核心逻辑基于大数定律与中心极限定理：通过大量模拟标的资产价格路径，计算期权收益的样本均值，再以无风险利率贴现得到期权价格。
本章详细讲解蒙特卡洛方法的实现步骤：在 BSM 模型下，通过模拟布朗运动路径生成标的资产价格序列（\(S_T = S_0 e^{(r - 0.5\sigma^2)T + \sigma \sqrt{T} z}\)，z 为标准正态随机数），针对不同期权类型计算收益（如欧式期权仅需到期价格，障碍期权需判断路径是否触及屏障，亚式期权需计算价格均值），最后通过样本均值贴现得到定价结果。
书中提供 Python 代码实现：单标的欧式期权、路径依赖障碍期权、双标的价差期权（考虑标的间相关性）的蒙特卡洛定价，并通过案例验证 —— 随着模拟次数增加，定价结果逐步收敛于理论值，同时说明美式期权蒙特卡洛定价的特殊方法（最小二乘蒙特卡洛法），为复杂衍生品定价提供解决方案。波动率（第 8 章）
突破 BSM 模型 “恒定波动率” 假设，系统讲解波动率的三类定义与应用：历史波动率：通过标的资产历史对数收益率的标准差计算，反映过去一段时间的波动率水平，计算步骤为：获取历史价格序列→计算日对数收益率→求收益率标准差→年化（乘以\(\sqrt{252}\)，假设年交易日 252 天）；即期波动率：将波动率视为随时间变化的随机过程，介绍局部波动率模型（波动率依赖时间与标的价格）、随机波动率模型（波动率自身遵循随机过程）及随机 - 局部混合波动率模型，解释实际市场中波动率的动态特征；隐含波动率：使 BSM 公式计算的期权价格等于市场价格的波动率，需通过数值优化（如布伦特法）求解。隐含波动率随行权价与到期时间的变化形成 “波动率曲面”，实际市场中存在 “波动率微笑”（ATM 期权波动率低，OTM/ITM 期权波动率高）或 “波动率偏斜”（不对称微笑），且短期波动率曲面特征更显著，长期趋于平缓。本章指出，波动率曲面是校准定价模型的关键输入，用于拟合市场香草期权价格，进而为奇异期权定价。复制组合（第 9 章）
深入探讨衍生品的复制策略 —— 构建由标的资产与无风险资产组成的组合，使其价值始终与衍生品价值相等。在二叉树模型中，复制组合需在每个时间步调整 Delta（动态对冲），确保组合价值与期权价值一致；在 BSM 模型中，由于 Delta 随时间连续变化，理论上需连续调整组合，但实际中只能通过每日、每周等频率调整，导致对冲误差（组合价值与期权价值的偏差），且调整频率越高，误差越小。
本章通过数值案例展示动态对冲的具体操作：以欧式看涨期权为例，设定对冲次数 N，将到期时间划分为 N 个区间，每个区间初计算当前 Delta，调整标的资产持仓与无风险资产头寸，区间末计算组合价值并重新校准 Delta，最终对比到期时组合价值与期权收益，验证对冲效果。书中 Python 代码模拟了不同对冲频率下的组合价值演变，直观呈现动态对冲的实操逻辑与误差特征。（三）Python 实操附录（附录 A、B）为帮助无编程基础的读者上手，附录提供 Python 入门教程：附录 A：Python 基础：讲解基本数学运算、数据类型（整数 int、浮点数 float、字符串 str、布尔值 bool）、变量定义规则，介绍 NumPy（数值计算）、Pandas（数据处理）、Matplotlib（绘图）三大核心库的使用，重点演示如何用 Pandas 导入 CSV/Excel 数据、处理 DataFrame 表格（统计描述、新增列、数据筛选），以及用 Matplotlib 绘Introduction to Financial Derivatives with Python