一条山路如果弯多坡陡，最粗糙的走法是拿直线一段段拼。路段切得不够细，终点就会偏；多走几遍，也不会把这种偏差自动消掉。随机波动率模型的模拟有类似问题：它允许波动率随时间随机变化，更贴近期权市场的复杂形态，但常用的 Euler 离散化只是把连续过程切成小步近似。增加 Monte Carlo 路径数——也就是反复生成更多可能的价格轨迹——可以压低抽样噪声，却消除不了时间离散造成的系统性偏差。
Congxin He、Yue Kuen Kwok 等人的两项同源工作，换了一种切法：用算子分裂（operator splitting）把难以整体模拟的动态拆成几个更简单的子过程，分别求解后再按顺序拼回去。第一篇论文专门处理 Ornstein–Uhlenbeck（OU）驱动的随机波动率模型；第二篇把思路扩展成通用框架。它们值得关注，不是因为宣称找到了“精确模拟”，而是因为试图在偏差、速度和实现复杂度之间找到更实用的平衡。本文涉及的效果比较均来自研究团队自己的论文，尚无第三方复现或代码基准。
难点不只在“多算几条路径”
随机波动率模型里，资产价格和波动率同时变化。OU 过程还有均值回归特征：波动率偏离长期水平后，会倾向于往回走。模型因此更灵活，模拟却更麻烦。
一种路线是 Euler 离散化。它简单直接，但论文指出，波动率可能被离散步骤推到不合理的负值，进而造成相关性泄漏、较高偏差和可靠性问题。把步长继续缩小通常能缓解偏差，却会增加计算量。
另一种路线追求 exact simulation，即不引入时间离散偏差的精确模拟。但“精确”不等于计算轻松。已有方案往往要处理条件积分方差——在已知期末波动率等条件后，整段路径累计下来的方差；或者从特征函数反推出随机变量的分布。特征函数可以理解为描述概率分布的另一套编码，而逆变换就是把编码还原成可采样的结果。论文称，这类逐路径的 Laplace、Fourier 或 Hilbert 逆变换可能成为计算瓶颈。
先拆开，再各自精确走一步
OU 专项工作的关键，是把控制价格和波动率的随机微分方程拆成两个子算子。每个子步骤都能得到解析解，也就是不必再用数值方法近似求解。随后采用 Strang–Marchuk 分裂：先走第一个子过程的半步，再走第二个子过程的一整步，最后补上第一个子过程的半步。
直观地说，这像处理一辆同时转向和加速的车。直接估算整段复杂运动不容易，于是先把两种作用分开计算，再用“半步—整步—半步”的对称顺序组合。这里的拆法使每个时间步只涉及两个独立标准正态随机变量和初等函数。它绕开了两项麻烦：不必采样条件积分方差，也不必沿每条路径对特征函数做逆积分变换。
但它仍是近似法。论文称该 Strang–Marchuk 方案具有全局二阶误差；配套的通用研究则给出了算子分裂方案二阶收敛的证明。二阶收敛表示步长缩小时，误差按相应的二阶速度下降，并不表示结果无偏，更不能把它称为 exact simulation。
为什么路径越长，它越有吸引力？
团队把 OU 分裂方案与三条近期路线比较：Zeng 等人 2023 年的 Hilbert interpolation，用插值减少逆变换次数；Choi 2025 年的 Karhunen–Loève（KL）展开，把 OU bridge 写成带独立正态变量的无穷正弦级数，实际运行时再截断；Brignone 和 Sgarra 2026 年的方法，则用 Inverse Gaussian 分布匹配条件积分方差的前两阶矩。
测试覆盖 European vanilla call、算术 Asian call、down-and-in barrier call 和 corridor variance swap。准确度以 RMSE（均方根误差，综合反映随机误差与偏差）衡量，速度以平均 CPU 时间衡量。所有方案都配合了条件 Monte Carlo 和控制变量等降方差技术；前者把一部分随机性直接积分掉，后者借助均值已知、且与目标结果相关的变量抵消波动。
按作者报告，一年期 European vanilla call 上，分裂方案需要把期限划成 8 个时间步，表现与 Inverse Gaussian、KL 方案大致相近；偏差在路径数增加后仍可能留在一定水平。到了每周监测的 Asian call 和 barrier call，以及每周观察的 corridor variance swap，分裂方案在论文图示的 RMSE—CPU 权衡中表现最好。原因并不神秘：路径依赖期权要反复查看途中价格，监测点本身已经把时间轴切得很细。此时分裂法每步计算简单，而依赖逆变换、级数展开或矩匹配的方案需要重复更多工作。
这也是它最实际的落点。路径依赖期权的价值不只取决于到期价格，还取决于途中发生了什么。Asian option 看一段时间内的平均价格，barrier option 关心价格是否触碰某条线，corridor variance swap 则只统计价格处于指定区间时的波动。监测越频繁，单步成本越重要。
从一个模型走向一类模型
第二项工作把同一思想整理成通用的 Strang operator splitting 框架，并称其可用于 Heston-type models、lifted Heston model、Hull–White model，以及 Barndorff-Nielsen and Shephard model。共同目标仍是避开条件积分方差或积分波动率的数值求值，同时降低标准 Euler 方法的偏差与可靠性风险。
作者报告，大量数值测试显示，该框架在准确度、效率、可靠性和实现便利性上可以与现有精确模拟方案及 Euler 方案竞争。这里应注意范围：OU 工作中“每步只需两个正态变量”、所有子步骤均有解析解，以及对高频监测路径依赖产品的优势，都来自针对 OU 模型的具体拆分，不能直接外推到第二篇列出的全部模型。
局限与未知
- 两篇工作的核心效果主张来自同一研究团队。材料没有提供第三方复现、公开代码基准或审稿结论。
- 通用框架摘要没有披露各模型的步长、参数区间、硬件、误差指标和失败场景，因而无法判断优势边界。OU 论文的 CPU 比较还排除了插值表构建、基准生成等一次性成本。
- 分裂法降低离散偏差，但没有消除它。European option 测试已经显示，路径数增加后，分裂偏差仍可能成为误差下限；实际使用仍需检查步长敏感性。