σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
uantCraft Academy

在实践中学习量化开发:短课程、评分实验和真实的 IDE,尽在浏览器中。

学习
全部路线图所有学习路线Python 学习路线C++ 学习路线即将推出OxCaml 学习路线即将推出Market Structure 学习路线Calculus 学习路线Linear Algebra 学习路线Probability 学习路线Statistics 学习路线Matrix Decompositions 学习路线Optimization 学习路线Time Series 学习路线Stochastic Calculus 学习路线Bayesian Inference 学习路线Hidden Markov Models 学习路线Particle filtering and non-stationary time series 学习路线
支持
给我们反馈请我们喝杯咖啡
法律
隐私政策服务条款
© 2026 QuantCraft Solutions. 保留所有权利。
QuantCraft
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academy路线图学习路线
Ctrl K
AO
+1.2k 位学习者
登录加入 ↗
路线图学习路线
AO
+1.2k 位学习者
登录
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
学习路线›Stochastic Calculus
S

Stochastic Calculus 学习路线

已上线从这里开始

期权定价、风险模型和许多模拟器都建立在一个想法上:价格是许多微小随机步伐的总和。本技能用浅显的步骤讲清这个想法,配有简短练习(要计算的数、要排序的步骤、要配对的概念)和金融示例:为什么随机路径变化的平方会累加成时间,为什么对冲者的收益是只看过去的积分,为什么真实的期望收益会从期权价格里消失,为什么定价偏微分方程与对随机路径取平均能得到同一个数,均值回归和跳跃增加了什么,以及模拟格式如何在速度与精度之间取舍。综合项目是一个代码实验:用 SPY 收益估计模型并模拟,用公式和蒙特卡洛两种方法给看涨期权定价,并测量只每隔几天再平衡时剩下多少对冲误差。

5 个模块12 个评分实验~12小时高级
开始学习路线

先修要求

需要微积分和概率基础(导数、积分、期望、正态分布)。无需金融或随机过程背景。

  • CCalculus
  • PProbability

课程大纲

12 个主题 · 可按任意顺序打开任一主题
  1. 1布朗运动未开始需要 Python50分钟开始
  2. 2二次变差未开始50分钟开始
  3. 3伊藤积分未开始1小时开始
  1. 4伊藤引理未开始需要 Python55分钟开始
  2. 5几何布朗运动未开始需要 Python55分钟开始
  1. 6吉尔萨诺夫与风险中性测度未开始1小时 5分钟开始
  2. 7费曼-卡茨与布莱克-斯科尔斯偏微分方程未开始1小时 5分钟开始
  1. 8均值回归过程 OU 与 CIR未开始55分钟开始
  2. 9跳跃:泊松与默顿未开始1小时开始
  3. 10局部波动率与随机波动率未开始55分钟开始
  1. 11欧拉-丸山与米尔斯坦格式未开始55分钟开始
  2. 12综合项目:用离散再平衡进行模拟、定价与对冲未开始1小时 40分钟开始

完成条件

以 70 分以上通过全部 12 个实验,即可完成学习路线,并在个人资料中获得 随机微积分 徽章。

0 / 120%

先修要求

需要微积分和概率基础(导数、积分、期望、正态分布)。无需金融或随机过程背景。

  • CCalculus
  • PProbability

你将用到的工具

PythonNumPypandaspytest

你将学到

  • 解释为什么随机路径的二次变差等于时间,以及这如何改变普通微积分
  • 计算伊藤积分,并把伊藤引理用于几何布朗运动
  • 从真实概率转到风险中性概率,并用布莱克-斯科尔斯偏微分方程和公式给期权定价
  • 为均值回归、跳跃和随机波动率建模,并清楚各自给价格模型带来了什么
  • 用欧拉-丸山和米尔斯坦格式模拟路径,用蒙特卡洛定价,并在真实收益上测量离散 Delta 对冲的误差

下一条学习路线

BBayesian Inference已上线
uantCraft Academy

在实践中学习量化开发:短课程、评分实验和真实的 IDE,尽在浏览器中。

学习
全部路线图所有学习路线Python 学习路线C++ 学习路线即将推出OxCaml 学习路线即将推出Market Structure 学习路线Calculus 学习路线Linear Algebra 学习路线Probability 学习路线Statistics 学习路线Matrix Decompositions 学习路线Optimization 学习路线Time Series 学习路线Stochastic Calculus 学习路线Bayesian Inference 学习路线Hidden Markov Models 学习路线Particle filtering and non-stationary time series 学习路线
支持
给我们反馈请我们喝杯咖啡
法律
隐私政策服务条款
© 2026 QuantCraft Solutions. 保留所有权利。
QuantCraft
登录加入 ↗
登录