風險對沖下的奇異期權公允價值評估

■ 張 懿 李晶雨 彭 麗 王華楨 周玉潔 楊 彬 謝曉丹

（1.北京中同華資產評估有限公司，北京 100021；2.北京交通大學經濟管理學院，北京 100044）

一、引言

并購是企業發展過程中實現規模擴張的一種重要方式。并購過程中，并購雙方信息不對稱等因素可能影響標的企業價值評估的準確性，形成并購估值風險。由此導致 “高溢價、高商譽、高減值”等連鎖風險，進而造成并購企業會計信息質量和資產質量下降，甚至可能導致國有資產流失和危害上市公司健康穩定發展。

股權并購項目中常通過設置回購權條款和估值調整條款等股權交易合同的附屬條款來控制估值準確性風險和投資決策中的不確定因素，對賭協議也屬于此類并購條款。《企業會計準則第22 號——金融工具確認和計量》及其應用指南的發布，進一步明確了股權并購中涉及的或有對價和嵌入股權投資的權益工具的會計處理。對企業并購中涉及的金融資產進行合理估值，可以提升合并成本與商譽確認的準確性，有效提高會計信息質量。但在實務處理中，各類并購附屬條款往往與標的企業的未來經營情況、市場變化密切相關，并因并購方案的個性化設計呈現千差萬別，對并購合同條款形成的金融資產的公允價值進行評估具有一定困難。證監會發布的《2017 年上市公司年報會計監管報告》中指出“針對附有業績補償條款的并購交易，大多數上市公司在確定企業合并成本時未恰當考慮或有對價的影響，在購買日及后續會計期間將或有對價的公允價值簡單計量為零”。這種將并購合同條款形成的金融資產簡單計量為零的處理顯然并不恰當。合理評估并購合同條款形成的金融資產的公允價值，對于企業投資、并購的健康發展，從而促進產業組織結構優化，更好地發揮市場資源配置功能具有重要意義。

本文案例是我國某國資公司（以下簡稱C 公司）收購某海外上市公司（以下簡稱NC 公司）持有的全資子公司（以下簡稱S 公司）50%股份，并購協議中包含為對沖投資風險等目的設定的回購和回售條款：“（1）從截止日（2020 年6 月30 日）的第二個周年日起，此后的四年內C 公司有權要求NC 公司購買C 公司持有的S 公司的全部股份；（2） 從截止日的第三個周年日起，此后的三年內，NC 公司有權要求C 公司向NC 公司出售其持有的S 公司的全部股份”。回購和回售價款根據S 公司經營情況分段確定。C 公司委托評估公司對條款內容構成的金融工具于2022 年12 月31 日的公允價值進行評估。

評估標的資產為看漲期權與看跌期權組合形成的金融工具，期權的行權價格隨被并購企業經營狀況變動。這種不同于最基礎的標準歐式和美式期權的期權稱為奇異期權。本案例將金融工具評估的常用方法Black-Scholes 模型、二叉樹模型和蒙特卡洛模擬法應用于本案例中的優缺點進行綜合對比，最后確定選取二叉樹模型對C 公司的奇異期權進行評估，并通過Python 進行模型實現。并購合同中風險對沖條款形成的金融資產大多數為奇異期權，本案例旨在通過實際案例展示對此類非標準模式的奇異期權的公允價值進行合理評估的有效途徑，為并購合同中風險對沖條款構成的金融資產的公允價值確定提供解決思路。

二、理論陳述

股權并購項目中買賣雙方可以通過設置回購權條款和估值調整條款等股權交易合同的附屬條款來控制估值準確性風險和投資決策中的不確定因素，當此類風險控制條款符合《企業會計準則第22號——金融工具確認和計量》中金融工具確認標準時，應當對其公允價值進行合理估計并確認對應金融工具的價值。

根據《企業會計準則第39 號——公允價值計量》，企業應當將公允價值計量所使用的輸入值劃分為三個層次，并首先使用第一層次輸入值，其次使用第二層次輸入值，最后使用第三層次輸入值。

第一層次輸入值是在計量日能夠取得的相同資產或負債在活躍市場上未經調整的報價。并購合同中風險對沖條款依托于并購交易，本身不具有未經調整的報價。第二層次輸入值是除第一層次輸入值外相關資產或負債直接或間接可觀察的輸入值。風險對沖條款設置具有非標準性，有多種支付結構、可能依賴于標的資產的多項指標并具有多種結算方式，其構成的金融工具缺乏活躍的市場交易，無法通過相關資產或負債的價值調整確認公允價值。因此只能采用第三層次輸入值，通過特定的估值技術評估其公允價值[1]。

資產評估方法主要包括市場法、收益法和成本法三種基本方法及其衍生方法。并購合同條款構成的金融工具無法通過重置途徑獲得，不適用于成本法；此類金融工具不具備活躍的交易市場，也沒有存在活躍交易市場的可比參照物，不適用于市場法；其收益期限和收益方式在合同條款中有明確規定，通過估值技術可以度量其對應的風險，因此可以通過收益法及其衍生方法對并購合同條款構成的金融工具進行評估。國內外評估實務中常見的并購風險管理類金融工具評估方法為情景基礎法（SBM）和期權定價法（OPM）兩種收益法衍生方法。情景基礎法需要識別和確定多個情景方案導致的結果，并確定這些結果得到預期的支付現金流的概率權重，然后以適當的折現率折現預期的支付現金流。期權定價法是將期望支付的現金流作為基本情況預測的分布模型，以評估預測風險及預測的波幅水平。

本文案例中涉及并購條款可以識別為未來買賣雙方的選擇權，即其本質為期權。本案例的評估標的資產為看漲期權與看跌期權組合形成的金融工具。期權將權利和義務分開定價，權利受讓人有權在規定時間內選擇是否行使權利交易，而義務方必須履行。看漲期權是金融工具購買者在到期日前按合約特定價格購買標的的權利，而看跌期權是在到期日前按合約特定價格出售標的的權利。按照履約日期金融期權可分為歐式期權、美式期權和百慕大期權，歐式期權需在到期日或特定日期才可執行權利，美式期權可在到期日之前的任何時間執行權利，百慕大期權可以在到期日之前的一定期限內進行行權。常見的期權定價模型有Black-Scholes 模型、二叉樹模型和蒙特卡洛模擬期權估值模型。其中Black-Scholes 模型主要用于對歐式期權進行估值，二叉樹模型和蒙特卡洛模擬期權估值模型則可以應用于歐式、美式和百慕大期權。本案例對應條款約定行權期間為約定時點后的一段時間，因此根據評估基準日的不同，期權可能是美式或百慕大期權。適用于二叉樹模型和蒙特卡洛模擬期權估值模型。

（一）二叉樹模型

二叉樹期權估值模型由Cox、Ross 和Rubinstein在1979 年提出，是一種用于歐式和美式期權定價的數學模型。該模型的核心思路是通過對股票價格的上漲和下跌進行二叉樹建模，利用迭代的方法計算出期權價格[2]。相比于Black-Scholes 模型，該模型可以應用于更廣泛的期權類型，并且對于股票價格波動率的估計精度要求較低。

該模型的計算基于兩個主要假設：1.股票價格紛繁隨機游走（即未來股票價格的變動可以通過上漲概率、下跌概率以及上漲和下跌幅度計算出來）；2.市場不存在無風險套利機會。根據這些假設，可以建立一個二叉樹框架，來描述不同時間點和價格點下股票價格的可能性分布。然后，可以應用迭代的方法通過回歸計算出每個價格點下期權的理論價格，從而得到整個期權價格的估計值。

（二）蒙特卡洛模擬模型

蒙特卡洛模擬期權估值模型使用隨機數生成器來模擬股票價格的未來變化，然后根據生成的隨機數序列計算出期權的理論價格。該模型不像Black-Scholes 和二叉樹期權定價模型一樣基于假設和解析公式，而是使用統計分布進行估算。

蒙特卡洛模擬期權估值模型核心思路是通過產生大量的隨機股票價格路徑，使用期權的支付函數計算出期權價格的預期收益。首先，通過股票的歷史價格數據估算出股票價格波動率；然后，使用生成隨機數的方法，模擬大量的股票價格路徑并重復多次。接下來，計算出每條隨機路徑下期權的支付函數值，并應用加權平均數的方法，得到期權的理論價格[3]。

蒙特卡洛模型能夠很好的描述評估對象中不確定部分，通過將不確定性轉化為隨機性，進行大量的隨機模擬來降低涉及高維積分的算法的時間復雜性。但因此蒙特卡洛模型每次測算結果都會有輕微差異，評估結果為范圍值。

三、案例陳述

（一）期權底層資產企業概況

期權底層資產為S 公司股權調整后資產。S 公司為一家主營業務為系統研發和集成的科技公司，其經營范圍為科研、開發、設計、制造、系統集成并在國內外銷售各類信息網絡及交換網絡，移動通信網絡、數據通信網絡，接入網絡，軌道交通信號系統、各類信息通信終端和光、電傳輸網絡，網絡管理及應用、企業和社區信息通信網絡系統，及超大規模集成電路和其他因特網產品。

S 公司截至2020 年6 月30 日共有8 000 000 000股普通股，其中C 公司與NC 公司分別持有50%的股權，2020 年6 月30 日至2022 年12 月31 日間S公司未發行新股和進行股權變更。

（二）案例評估對象和目的

本案例的評估對象為C 公司持有S 公司50%股權對應合同條款構成的金融工具于2022 年12 月31日的公允價值，評估目的為企業編制2022 年12 月31 日財務報表中確定該項金融工具的公允價值提供參考依據。

委估金融工具形成背景及相關條款如下：C 公司收購NC 公司持有的全資子公司S 公司50%股權。并購協議中包含為對沖投資風險等目的設定的回購和回售條款：

1.從截止日（2020 年6 月30 日）的第二個周年日起，此后的四年內C 公司有權要求NC 公司以看跌價格購買C 公司持有的S 公司的全部股份。

2.從截止日的第三個周年日起，此后的三年內，NC 公司有權要求C 公司以看漲價格向NC 公司出售其持有的S 公司的全部股份。

3.“看跌價格”是指底價和銷售倍數值中的較大者。

4.“看漲價格”是指底價和銷售倍數值中較大者乘以110%。

5. 2021 年7 月1 日至2023 年6 月30 日“底價”為40 億元人民幣，2023 年7 月1 日至2025 年6 月30 日“底價”為50 億元人民幣。

6.“銷售倍數價值”是指S 公司期權行權日最近12 個月銷售收入的50%乘以0.4。

7.看跌期權和看漲期權均為無現金，無債務的基礎，并假設自期權銷售結束起，S 的營運資金處于正常水平，并應通過LTE 合理化成本分攤予以降低。收市價調整機制應作必要的變通，適用于期權銷售收市，條件是，任何調整均應與期權銷售收市時NC公司在S 公司的持股比例成比例。

通過上述條款，可以看出本次評估對象對應的期權有兩項：一項為C 公司持有的對S 公司的看跌期權（以下簡稱“看跌期權S”），C 公司為權利人，NC 公司為義務人；另一項為NC 公司持有的對S 公司的看漲期權（以下簡稱“看漲期權S”），NC 公司為權利人，C 公司為義務人。

C 公司持有的看跌期權形成C 公司的一項金融資產，NC 公司持有的看漲期權形成C 公司的一項金融負債。本次案例評估重點為確定這兩項期權的價值，進一步通過下述公式確定C 公司持有的金融工具的價值：

C 公司持有的金融工具價值=看跌期權價值-看漲期權價值

（三）評估方法選擇

通過理論陳述部分已初步了解期權評估的常見方法有Black-Scholes 模型、二叉樹模型和蒙特卡洛模擬法，其在本案例評估中應用的優缺點如下表所示。

本案例中期權初始形成時點為2020 年6 月30日，看跌期權S 可行權期間為2021 年7 月1 日至2025 年6 月30 日，看漲期權S 可行權期間為2022年7 月1 日至2025 年6 月30 日。原始期權為在到期日之前的一定期限內可以行權的百慕大期權。但本次評估基準日為2022 年12 月31 日，看跌期權S與看漲期權S 均已度過等待期，自評估基準日2022年12 月31 日至2025 年6 月30 日間，兩期權可以隨時行權。因此，構成委估金融工具的看跌期權S與看漲期權S 于評估基準日均為美式期權。

Black-Scholes 模型因其可以將參數直接代入代數表達式中求解，應用方便而廣受實務界喜愛，但其僅適用于歐式期權，無法考慮中間行權的情況，也無法考慮行權價的變化，難以解釋本次評估對象的關鍵特性，因此首先排除Black-Scholes 模型。

蒙特卡洛模擬法將評估對象中的不確定性轉化為隨機性，通過大量的隨機模擬來降低涉及高維積分算法導致的時間復雜性。蒙特卡洛模型中期權的股價運動應較為成熟，有規律可循，但是蒙特卡洛模型需大量隨機模擬，會導致每次模擬結果間存在一定差異，且這些差異無法通過下一次模擬進行復現。因本案例為財務報告目的的評估，委托人C 公司需要得到唯一且可復現的評估結果，與蒙特卡洛模型的結果形式矛盾，因此本案例未采用蒙特卡洛模擬法。

二叉樹模型可以將期權有效期劃分為多個較小的時間間隔，并通過對每段時間間隔中的參數作出假設，有效應用于美式期權、百慕大期權以及各種奇異期權的求解。同時，二叉樹模型的運算結果在確定的參數下是唯一的，結果表現形式與本案例中評估目的相匹配。

因此，本案例采用二叉樹模型對委估金融工具進行評估。

四、案例分析

利用二叉樹模型確定期權價格通常有以下步驟：①繪制一個n 步樹；②計算在第n 步結束時底層資產的價格；③基于最終底層資產價格以及是否執行期權計算每個節點上的期權的價值；④根據風險中性概率，將其從第n 步折現到第n-1 步；⑤重復上一步驟，直到在第0 步獲得期權的當前價值。

涉及的主要公式如下：

其中：u-價格增加幅度，d-價格減小幅度，σ-標的資產的波動率，r-無風險利率，T-以年為單位的有效期，n-步數，Δt-每一步的時間長度，p-價格增加的風險中性概率，s-底層資產價格，v-期權價格。

通過上述公式可得，利用二叉樹模型求解委估金融工具價值，應獲取參數為：設定步數n，評估基準日底層資產（S 公司股權調整資產）價格s，評估基準日期權有效期T，無風險利率r，標的資產的波動率σ，行權價格x。

（一）參數分析

1. T 評估基準日期權有效期

根據協議約定及委托人介紹，看跌期權S 的有效期為2021 年7 月1 日至2025 年6 月30 日，看漲期權S 的有效期為2022 年7 月1 日至2025 年6 月30 日。本次估值基準日為2022 年12 月31 日，委估金融工具包含的看漲期權S 與看跌期權S 有效期均為2022 年12 月31 日至2025 年6 月30 日，即期權有效期均為2.5 年。

2. n 二叉樹模型步數

委估金融工具約定行權期間內，期權可以隨時行權，評估基準日期權有效期為2.5 年，即30 個月，據此設定二叉樹模型步數應為30 的倍數，最終設定二叉樹模型步數n 為120。

3. S 底層資產價格

本案例中兩個期權的底層資產均為S 公司股權調整后無現金、無債務的資產，本次估值需要對S公司基準日期權底層資產價值進行估值，同時考慮交易對價為“無現金、無負債”，以及S 公司為正常經營企業，故應用上市公司比較法對S 公司股權調整后的資產價值，采用EBITDA 作為可比指標：

S 公司股權調整后資產價值=S 公司股權價值-貨幣資金+有息負債 （公式10）

S 公司股權價值=S 公司EBITDI×修正后對比公司EBITDI 比例乘數×（1-缺少流通折扣率）（公式11）

本案例缺少流通折扣率取值為45.4%。

通過以下標準選取對比公司：①對比公司近兩年為盈利公司；②對比公司必須為至少有兩年上市歷史；③對比公司只發行人民幣A 股；④對比公司的主營業務與S 公司相同或相似，且從事該主營業務不少于兩年。

最終選擇烽火電子（000561.SZ）、特發信息（000070.SZ）、鼎信通訊（603421.SH）三家上市公司作為對比公司。

對比公司可比指標測算見表2。

表2 可比公司測算指標

表3 S 公司股權調整后資產價值

表4 S 公司銷售收入（金額單位：萬元）

由于S 公司與可比上市公司之間存在差異，如規模、盈利能力、償債能力、運營能力、成長能力等。故需根據收集的信息確定調整因素及調整系數。本次修正因素選擇規模修正、盈利能力、償債能力、運營能力、成長能力等五個方面，規模修正主要包括總資產、歸屬于母公司凈資產；盈利能力主要包括凈資產收益率、銷售凈利率；償債能力主要包括資產負債率、產權比率等指標；營運能力主要為總資產周轉率、應收賬款周轉率、固定資產周轉率。

各項指標均以目標公司為標準分100 分進行對比調整，可比上市公司各指標系數與目標公司比較后確定，劣于目標公司指標系數的則分值小于100，優于目標公司指標系數的則分值大于100。

修正系數=100/可比上市公司得分 （公式12）

根據上述對調整因素的描述及調整系數確定的方法，各影響因素調整系數及修正后S 公司股權調整后資產價值詳見下表：

本案例期權對應底層資產，即S 公司股權調整后資產價值為1.12 元/股。

4.無風險利率

通過iFinD 在滬、深兩市選擇從評估基準日至國債到期日剩余期限為0-5 年期的公開交易國債，并篩選（例如：去掉交易異常和向商業銀行發行的國債）獲得其按照復利規則計算的到期收益率（YTM），取篩選出的所有國債到期收益率的平均值2.9245%作為本次評估的無風險利率。

5.波動率（年化）

S 公司為非上市公司，無法直接通過歷史股權價格變動確定波動率。本案例采用證監會分類為“信息技術業”的全部上市公司及NC（上市公司）近2.5年的年化波動率的平均值48%（取整）作為S 公司股權調整后資產的波動率。

6. X 期權行權價格

標準美式期權的行權價格是固定的，本案例的行權價格需對比銷售倍數與底價孰高，即行權價格與行權時點相關，為可變行權價格。委估金融工具包含的期權為美式奇異期權，需要測算各步數對應時點的行權價。根據協議看漲期權S 的行權價格是看跌期權S 行權價格的110%，故通過分析看跌期權S 的行權價，可以同時得到看漲期權S 的行權價。

根據協議，在期權有效期內，看跌期權S 行權價=max（交易底價，銷售倍數）。交易底價為40 億元人民幣和50 億元人民幣，銷售倍數為行權日最近12 個月銷售收入的50%乘以0.4。因底價為固定金額，確定期權行權價格的關鍵是確定S 公司在期權有效期內各行權節點最近12 個月的銷售收入。

根據委托人C 公司與S 公司提供的資料，S 公司歷史年度及預測期銷售收入如下表：

經了解S 公司收入季節性不明顯，本次評估假設S 公司銷售收入在12 個月內均勻取得，行權時的銷售倍數按如下方式測算：

銷售倍數=行權日所在年年收入/12×（行權日所在月份-1）+行權日前一年年收入/12×（12-行權日所在月份+1）

（二）實施評估測算

本案例評估模型為120 步二叉樹模型，共7 260個節點，行權價格有30 種可能，若采用excel 作為建模工具，模型構建將極為復雜。

Python 是一種高級交互式編程語言，可以用于多種目的下的編程，并可以提供豐富的軟件包和進行科學計算、解決金融問題的基礎應用模塊[4]。許多大型金融機構已經戰略性地在其進行的資產管理項目中應用Python，如美國銀行、美林證券的“石英”項目和摩根大通的“雅典娜”項目。一些對沖基金也大量使用Python 的功能，進行高效的金融應用程序開發和金融分析工作。本案例采用Python 進行二叉樹模型搭建。

1. 設定模型輸入參數（圖1）

圖1 模型輸入參數設定

首先引入建模所需數據庫，并定義看跌期權s 求解模型的輸入參數：

其中：

s：期權底層資產基準日價格；

T：期權有效期限；

r：無風險收益率（采用國債收益率）；

sigma：年化波動率（按周計算）；

n：二叉樹模型的步數（默認值為30）；

N：持有股數，即期權對應股數；

D1：2021 年7 月1 日至2023 年6 月30 日底價（期權對應的總底價）；

D2：2023 年7 月1 日至2025 年6 月30 日底價（期權對應的總底價）；

R1/R2/R3/R4：2022 年、2023 年、2024 年、2025 年收入總額。

金額單位統一為人民幣元，時間單位統一為年。

2.初始化模型（圖2）

圖2 初始化模型

行1 至行5 為設定二叉樹模型的基本公式。

行6 是為確定二叉樹中每步行權時點對應的銷售倍數收入所在區間。

行8 至行12 是為初始化每個節點的期權價格、底層資產價格、行權價格、銷售倍數和底價。

3. 計算所有節點的參數值

（1）銷售倍數（圖3）

圖3 銷售倍數循環賦值

行1 至行2 表示從第1 層開始循環賦值。

以行5 至行6 為例：當所在二叉樹層數為基準日后第一個月和第二個月之間，即2023 年2 月1 日至2023 年2 月28 日時，銷售倍數為2022 年收入的11/12 加上2023 年收入的1/12。

后續依次賦值直至賦值到二叉樹最后一層。

（2）底價（圖4）

圖4 底價賦值

合同約定：2021 年7 月1 日至2023 年6 月30日“底價”為40 億元人民幣，2023 年7 月1 日至2025 年6 月30 日“底價”為50 億元人民幣。

行3 至行4 為對行權時點處于2023 年1 月1 日至2023 年6 月30 日間的二叉樹節點進行底價賦值。

行5 至行6 為對行權時點處于2023 年7 月1日至2025 年6 月30 日間的二叉樹節點進行底價賦值。

（3）行權價（圖5）

圖5 行權價賦值

上面已經對二叉樹中各節點的底價和銷售倍數進行賦值，根據合同約定，可以據此對各節點的行權價格進行賦值，見行3。因本案例期權評估結果最小單位為每股期權價值，因此測算行權價格時底價與銷售倍數分別除以S 公司股份總數N。

（4）底層資產價格（圖6）

圖6 底層資產賦值

根據二叉樹模型公式對每個節點的底層資產價格進行賦值。

4. 期權價值求解（圖7）

圖7 期權價值求解

圖8 看跌期權估值結果

圖9 看漲期權估值結果

行3 至行4 為確定每個二叉樹節點的下一個分叉的上分叉和下分叉期權價值。

行5 對應情況為當前節點是通過后續子節點上溯得到的父節點的期權價值，即當前節點期權不行權。

行6 對應情況為當前節點期權行權的價值。

依次對每個節點的期權循環賦值，最終推導至0節點的期權價值v[0][0]，即為評估基準日看跌期權S的公允價值。

看漲期權與看跌期權主要參數設定基本一致，差異在于期權公式和銷售倍數公式略有差異。

5. 估值結果確定

將參數分析中各參數輸入模型中，得到期權價值。

其中看跌期權S=0.3432 元/股：

看漲期權S=0.3316 元/股：

委估金融工具評估價值=（看跌期權S 價值-看漲期權S 價值）×期權對應股數

=（0.3432-0.3316）×4 000 000 000=46 400 000元=4 640 萬元

五、總結啟發

股權并購項目中常通過設置回購權條款和估值調整條款等股權交易合同的附屬條款來控制估值準確性風險和投資決策中的不確定因素。對企業并購中合同條款形成的金融資產進行合理估值，有助于交易順利進行和交易雙方對并購的風險管理，提升合并成本與商譽確認的準確性，從而有效提高會計信息質量。

但在實務處理中，各類并購附屬條款往往與標的企業的未來經營情況、市場變化密切相關，并因并購方案的個性化設計呈現千差萬別，對該金融資產的公允價值進行評估具有一定困難。此類金融資產可以采用期權定價模型進行估值，但因其非標準化，往往并不是常見的標準歐式或美式期權，而屬于復雜的奇異期權。奇異期權伴隨著新的市場需求而產生，廣泛應用于風險對沖和風險投資等領域。但其定價的非標準性、估值的復雜性致使其估值方法和模型搭架都有別于傳統期權評估。常用的Black-Scholes 模型已無法滿足此類項目評估需求，二叉樹模型可以合理地量化奇異期權中各項估值關鍵參數，但需要進行較為復雜的模擬，應用存在一定困難。

本案例展示了如何使用Python 搭建二叉樹模型，對120 步、7000 余節點的二叉樹模型進行快速賦值、求解，從而對C 公司持有收購S 公司時并購條款構成的金融工具在并購后財務報告日的公允價值進行評估。案例對奇異期權對應的二叉樹模型搭建參數確定進行了說明，并對應用Python 構建二叉樹模型的步驟進行了詳盡的拆解。案例中列明的步驟同樣適用于其他類型的奇異期權，具體應用時只需根據項目情況分析確定各節點賦值條件和期權生效條件。

本文通過案例研究的方式，嘗試從特殊到一般，探討出具有普適性的奇異期權定價方法，為股權并購項目中合同條款所構成的復雜金融工具評估提供解決思路。有效利用信息技術手段，合理評估合同條款形成的金融資產的公允價值，對于企業投資、并購的健康發展，從而促進產業組織結構優化，更好的發揮市場資源配置功能具有重要意義。同時希望本文的研究方法為其它種類的衍生品風險估計提供新的思路。