Quant Sandbox
SzármaztatottPortfólió & kockázatFix hozamúVállalati pénzügySztochasztikus modellekÚtmutató
Sztochasztikus modellek
Sztochasztikus tanulóstúdióBéta
1.1Szimmetrikus véletlen séta1.2Átskálázott véletlen séta1.3Szórás1.4Centrális határeloszlás-tétel2.1A Wiener-folyamat definíciója2.2Növekmény-felfedező2.3Együttes eloszlás és kovariancia3.1Futó maximum és minimum3.2Tükrözési elv3.3Első elérési idők3.4Elérési valószínűségek
Brown-mozgásBéta
Geometriai Brown-mozgásBéta
Itô-folyamatBéta
Monte CarloBéta
Kapcsolódó útmutatók
  • Monte Carlo-opcióárazás
  • Geometriai Brown-mozgás
  • Véletlen bolyongás és Brown-mozgás
  • Kolmogorov-egyenletek és a Feynman–Kac-formula
  • SDE-k szimulációja: az Euler–Maruyama-séma
  • Ugrások és a Merton-féle ugró diffúzió
  • Egzotikus opciók: korlátos, ázsiai és digitális opciók

© 2026 Quant Sandbox · Tanulást segítő eszköz a kvantitatív pénzügyekhez

Adatvédelem és adatokNincsenek sütik

Ez az oldal nem használ sütiket (cookie-kat), és nem kér személyes adatokat. Néhány apró beállítást a böngésződ helyi tárolójában (local storage) őriz meg — a választott témát és nyelvet, az oldalsáv elrendezését, valamint az útmutatókban elért haladást és a válaszaidat —, hogy a következő látogatáskor is emlékezzen rájuk. Ezek az adatok nem hagyják el az eszközödet; a böngésző tárhelyének törlésével eltávolíthatók. A módosított bemenetek az oldal URL-címében is rögzülhetnek, így megoszthatsz vagy könyvjelzőként elmenthetsz egy adott beállítást. Az oldal a Vercel Web Analytics szolgáltatást használja, amely adatvédelem-barát és süti nélküli: csak névtelen, összesített használati adatokat (például oldalletöltéseket) rögzít, anélkül hogy azonosítana téged vagy más oldalakon követne.

Monte Carlo árazás

Európai call opció árazása szimulációval; a futó becslés konvergál a Black–Scholes analitikus árhoz.

Paraméterek

100
10300
100
10300
1.00
0.253
3.0%
00.1
20.0%
0.050.6
5000
20020000
7
1100
Mutatók
MC becslés
9.202
Black–Scholes ár
9.413
Standard hiba
0.201
Konvergencia a Black–Scholes árhoz

95%-os konfidenciasáv (±1,96·SE)

MC becslésBlack–Scholes
S_T eloszlása és a pályák

Jelölj ki oszlopokat a hisztogramon (kattintás vagy húzás), és kiemeli az ott végző pályákat. Esc törli.

Útfüggő kifizetések ugyanazokon a pályákon

Mind a négy kifizetést ugyanazokon a szimulált pályákon (50 megfigyelési időpont) értékeljük, így a különbségek a kifizetésekből jönnek, nem a mintavételi zajból.

Húzd a B korlátot (vagy fókuszáld és használd a nyilakat). Amelyik pálya eléri, kiüt: attól a pillanattól szürke, és nem fizet semmit.

Felfelé kiütéses call · MC ár ± 1,96·SE
3.556 ± 0.178
Európai (Black–Scholes)
9.413
Kiütött pályák
17.3%
Folytonos megfigyelés (zárt képlet)
3.203
Ár a korlát függvényében
Felfelé kiütéses callEurópai (Black–Scholes)

A korlát felfelé tolásával az ár nullától az európai árig nő. A diszkrét (50 pontos) megfigyelés kicsit drágább, mint a folytonos zárt képlet, mert a két időpont közötti átlépéseket nem látja.

Az eszközről

A Monte Carlo-szimuláció úgy áraz egy opciót, hogy sok szimulált kimenetel diszkontált kifizetését átlagolja. Az eszköz kockázatsemleges geometriai Brown-mozgással szimulál lejárati részvényárakat, és megmutatja, ahogy a becslés és a konfidenciaintervalluma a pályák számának növelésével a Black–Scholes-árhoz konvergál.

Gyakori kérdések

Milyen gyorsan konvergál egy Monte Carlo-becslés?

A standard hiba 1/√N ütemben csökken: négyszer annyi szimuláció felezi a hibát.

Minek Monte Carlo, ha a Black–Scholes-nak van képlete?

Itt a képlet a viszonyítási alap, amely igazolja a módszert. A Monte Carlo pályafüggő kifizetéseknél, sok alaptermék esetén és zárt képlet nélküli modelleknél válik nélkülözhetetlenné.

Hogyan árazunk opciót Monte Carlo-szimulációval?

Sok lejáratkori részvényárat szimulálunk a kockázatsemleges mérték szerint, S_T = S₀ exp((r − ½σ²)T + σ√T Z), ahol Z standard normális, mindegyikre kiszámítjuk a kifizetést, átlagoljuk, és az átlagot a kockázatmentes kamatlábbal diszkontáljuk. A becslés a szimulációk számának növelésével a valódi árhoz tart.

Mi a Monte Carlo-ár konfidenciaintervalluma?

A becslés ± 1,96 × standard hiba tartomány, ahol a standard hiba a diszkontált kifizetések mintabeli szórása osztva √N-nel. Az ilyen intervallumok nagyjából 95%-a tartalmazza a valódi árat, így az intervallumból látszik, hány szimuláció kell egy adott pontossághoz.

Az elmélet

  • Monte Carlo-opcióárazás — Opcióárak becslése szimulációval: standard hiba, konfidenciaintervallum és konvergencia a Black–Scholes-árhoz.
  • Geometriai Brown-mozgás — A részvényár standard modellje: lognormális eloszlás, várható érték és medián.
  • Véletlen bolyongás és Brown-mozgás — Pénzfeldobásos bolyongás, a variancia lineáris növekedése és a határeset: a Brown-mozgás.
  • Kolmogorov-egyenletek és a Feynman–Kac-formula — A diffúzió generátora, a visszafelé egyenlet, és hogyan lesz egy várható érték egy PDE megoldása.
  • SDE-k szimulációja: az Euler–Maruyama-séma — Sztochasztikus differenciálegyenlet diszkretizálása, erős és gyenge hiba, lépésköz, és összevetés a geometriai Brown-mozgás pontos megoldásával.
  • Ugrások és a Merton-féle ugró diffúzió — Poisson-folyamat, összetett ugrások, a Merton-modell, és hogyan okoznak az ugrások vastag farkat és mosolyt.
  • Egzotikus opciók: korlátos, ázsiai és digitális opciók — Útfüggő kifizetések, a kiütési korlát és az átlagár hatása, és miért természetes itt a Monte Carlo-árazás.