大模型辅助衍生品定价代码生成
中证报价投教基地用 DeepSeek-R1 生成 Heston 模型下雪球期权蒙特卡洛定价的 Python 代码，并与调用 QuantLib 的路线对比，两者结果相差约 3%，差异源于贴现因子误用、方差离散化方式不同以及路径数不足（需 ≥10 万条）。结论：AI 目前是“效率工具”而非“决策工具”。来源：https://www.cls.cn/detail/2007113
AI 赋能
把大模型与智能工具引入备课、实训与过程评价
梳理 AI 在本课程中的具体赋能场景、工具链与可观测的能力画像。
AI 赋能教学
衍生品定价正被 AI 重塑：大模型几分钟就能写出蒙特卡洛定价框架，神经网络可实时输出希腊值。但实测中 AI 自编程与 QuantLib 结果相差约 3%，源于贴现因子误用、离散化方式与路径数不足。课程的立场很明确：把 AI 当效率工具，把推导与复核留给自己。
AI 教学场景
将大模型与智能体引入课堂，覆盖从概念理解、代码实现到案例推演的全流程。
神经网络替代传统定价引擎
Riskfuel 用深度神经网络复制传统定价程序，在保持精度的前提下实时计算 Greeks，并大幅降低算力消耗，为高频估值与实时风控提供新路径。来源：https://site.wandb.ai/customers/riskfuel
机器学习加速蒙特卡洛与隐含波动率反推
券商研究用条件 MLP 复现可转债的蒙特卡洛价格，预测速度达毫秒级，并可据此反推隐含波动率与 Delta，用于快速报价与 Greeks 监控。
场外衍生品业务平台智能化
场外衍生品交易商的询价、定价、清算流程正在被大模型与 GPU 定价引擎重构：42 家交易商中有 27 家推进场外业务平台数字化，某交易商用大模型重构询价—清算流程并上链，结算效率提升 80% 以上，GPU 定价引擎实现毫秒级报价。来源：https://finance.sina.cn/2025-11-24/detail-infynrpa6635082.d.html
波动率建模与风险监控
GARCH-DCC 等模型结合机器学习用于波动率与相关性的估计，支撑期权隐含波动率预测、动态对冲比率调整与组合风险监控。
课程实验中的 AI 协同
在期货套保、互换估值、期权损益图与结构化产品设计四个实验中，学生可用大模型生成代码框架与情景说明，再用课堂推导的公式逐项核对，形成“AI 起草—人工复核—报告说明”的工作流。
AI 工具矩阵
以下工具可在本课程学习与实验中辅助检索、编码、建模与可视化。
Python ＋ QuantLib
开源量化金融库，提供期权、互换、利率曲线与各类定价引擎，是课程实验与课后练习的主要实现工具。
Sobol 低差异序列（SciPy）
用于蒙特卡洛定价的方差缩减技术，路径数达到 10 万条量级时可显著降低定价误差。
GARCH-DCC（arch／statsmodels）
估计波动率与动态相关性，用于期权隐含波动率预测与最优套期保值比率的动态调整。
DeepSeek、通义千问等大模型
用于生成定价代码框架、解释公式推导、检查实验报告逻辑，以及快速检索合约条款与市场规则。
GPU 定价引擎与实时计算框架
场外衍生品业务中的毫秒级报价与 Greeks 批量计算，对应课程中的定价与对冲实务环节。
Excel
课程实验的基础工具，用于现金流表编制、互换估值与情景损益测算。
实践现场
即学即用的提示词
以下提示词可直接复制到主流大模型，辅助学习与本课程实验（请核验输出、遵守学术规范）。
生成 Heston 模型下的障碍期权定价代码
请用 Python 编写 Heston 随机波动率模型下障碍期权的蒙特卡洛定价代码：标的初始价格 100，执行价 100，无风险利率 3%（连续复利），初始方差 0.04，均值回复速度 2.0，长期方差 0.04，波动率的波动率 0.3，相关系数 -0.7，到期 1 年，障碍价 120（向上敲出）。要求：用 Sobol 低差异序列生成随机数，路径数 20 万条，时间步长按每日离散；明确指出贴现因子应使用 exp(-r*T) 而非 (1+r)^-T；输出价格、标准误，并与 Black-Scholes 解析解对比，最后列出三个可能导致定价偏差的参数设置问题。用 QuantLib 与自编程交叉验证
请用 QuantLib（Python 版）为一份挂钩沪深300指数的 2 年期保本型结构化票据定价，票面保本率 100%，参与率 80%，内嵌一份欧式看涨期权；同时给出一份不依赖 QuantLib 的蒙特卡洛实现，把两条路线的价格、耗时与差异列成表格，并逐项解释差异可能来自贴现处理、波动率输入与路径数设置。计算最优套期保值比率并做套保前后对比
请帮我写一段 Python 代码：读取某商品现货与期货的日收盘价序列（CSV 两列，含日期），用最小方差法计算最优套期保值比率 h*，给出套保前后的组合收益率标准差对比、套保有效性指标，并绘制套保前后净值曲线。请在代码注释中说明基差风险的来源，以及 h* 随时间变化时滚动窗口估计的做法。绘制期权组合到期损益图
请用 Python 绘制以下三个策略的到期损益图并标注盈亏平衡点、最大盈利与最大亏损：保护性看跌（持有标的＋买入看跌）、牛市看涨价差（买低执行价 Call＋卖高执行价 Call）、跨式组合（同时买入相同执行价的 Call 与 Put）。请在每张图下方写一段 100 字左右的说明，指出该策略适合怎样的市场预期与风险偏好。设计利率互换并编制现金流表
假设 A 企业固定利率借款成本 5.0%、浮动成本 SHIBOR+0.5%，B 企业固定 6.4%、浮动 SHIBOR+1.5%，双方各有 5000 万元借款需求。请用 Python 或表格设计一份利率互换方案，使双方平均分摊比较优势收益；输出各期净现金流表、互换后各自的实际融资成本，并说明如何运用远期利率协议（FRA）为该互换估值。AI 伦理与规范
使用 AI 须恪守学术诚信、数据安全与行业合规底线。
AI 是效率工具，不是决策工具
公开实测中 AI 自编程与 QuantLib 的定价差约 3%，错误集中在贴现因子误用、方差离散化方式与路径数不足。任何 AI 生成的定价代码都必须用闭式解、边界条件与极限情景交叉验证后才能进入报告。
数值方法与参数敏感性不能交给直觉
蒙特卡洛路径数不足（低于 10 万条）、随机序列选择不当、波动率与相关性输入错误都会造成系统性偏差；学生需要说明所用方法与参数，并给出收敛性检验结果。
合规边界与投资者适当性
AI 可以快速生成结构化产品说明书，但风险揭示、适当性判断与销售合规要求由持牌机构与监管规则确定，不得由模型代劳；课程设计中必须写明最大损失情景。
学术诚信与可追溯
实验报告须标注哪些环节使用了 AI 辅助（代码框架、文字润色、思路提示），保留提示词与修改记录，核心推导与结论由学生本人完成并可口头复述。