在这篇论文里,我们研究了用于缩减金融衍生品定价过程中方差的重点抽样蒙特卡洛方法,这些衍生品都由高维高斯向量驱动。正如P.Glasserman论文中的重要结果所说明的那样,首先要采用测度变换,在测度变换中得到决定最优漂移系数的方程组,然后使得模拟中对应于新测度的方差达到最小。本文给出了最优漂移系数的存在性和唯一性的证明,并应用了有效的牛顿算法寻找这个漂移系数。我们通过几个期权定价问题说明了我们方法的有效性,这些期权包括：标的资产服从几何布朗运动的亚式期权,Heston模型,跨式期权和一篮子期权。另外,在此适用的分层抽样技术也被用来得到更大程度的方差缩减。这个方法的一个优点就是我们无需对收益函数的光滑性做任何要求,即便我们不知道收益函数的准确表达式；另外一个优点就是最优漂移系数是唯一的,这使得模拟中的方差真正地达到最小。值得一提的是,在多峰问题中,漂移重点抽样的方差缩减效果并不是很好。我们需要改进用于重点抽样的密度函数,比如我们可以使用混合正态密度,还可以使用t分布密度,也可以考虑对正态密度进行尺度变换(引入第二个参数σ,即标准差)等等这些都是我们今后工作的方向。当然,如果原生资产服从Levy过程,我们同样也可以考虑Levy过程下的漂移变换重点抽样,从而缩减蒙特卡洛模拟的方差。本文安排如下：本文第一章简要介绍Monte Carlo方法的背景知识。第二章介绍如何通过模拟产生样本路径,从而模拟期权的价值和方差。在第三章我们建立本文的模型并讨论了方法的可行性。在第四章我们对所建立的模型以及已有的有关模型进行实证分析。在最后一章,我们对本文进行总结并给出后继研究建议。