蒙特卡洛法是一种基于概率的数值模拟方法，通过模拟资产价格的随机变动，估算期权的预期收益。在欧式期权定价中，蒙特卡洛法可以模拟股票价格的变化过程，并计算期权被执行时的收益。该方法可以处理非线性、非高斯分布的问题，但计算量大，需要大量的样本数量才能得到较为准确的结果。
布莱克-舒尔斯模型（BS模型）是一种基于偏微分方程的期权定价模型，通过求解Black-Scholes方程得到期权的理论价格。在欧式期权定价中，BS模型可以给出期权的解析解，计算速度快，精度高。但该模型假设股票价格服从几何布朗运动，忽略了一些实际市场的因素，如交易费用、红利率等。
下面是一个简单的Python代码示例，演示如何使用蒙特卡洛法和BS模型法计算欧式期权的价格：
蒙特卡洛法：

import numpy as np
# 参数设置
S0 = 100  # 股票初始价格
K = 100   # 行权价格
T = 1     # 期权到期时间
r = 0.05  # 无风险利率
sigma = 0.2 # 波动率
N = 10000 # 模拟次数
# 模拟股票价格的变动
stock_prices = np.random.normal(S0, S0*sigma*np.sqrt(T), N)
# 计算期权收益和概率
payoffs = np.maximum(stock_prices - K, 0)
probabilities = payoffs / (stock_prices - K)
# 计算期权价格
option_price = np.sum(payoffs * probabilities) / N
print(f'Option price by Monte Carlo method: {option_price:.2f}')

BS模型法：
```python
import numpy as np
from scipy.stats import norm

参数设置

S0 = 100 # 股票初始价格
K = 100 # 行权价格
T = 1 # 期权到期时间
r = 0.05 # 无风险利率
sigma = 0.2 # 波动率

计算d1和d2

d1 = (np.log(S0/K) + (r + sigma*2)/2 T) / (sigma np.sqrt(T))
d2 = d1 - sigma np.sqrt(T)

计算期权价格

dist_a = norm.cdf(d1)
dist_b = norm.cdf(d2)
sqrt_t = np.sqrt(T)
r_over_sigma = r / sigma
dist_a_minus_1 = dist_a - 1
sqrt_t_minus_d2 = sqrt_t - d2
sigma_over_sqrt_t = sigma / np.sqrt(T)
sigma_over_sqrt_t_squared = sigma*2 / T
tau = r T
sigma_over_sqrt_t_times_tau = sigma np.sqrt(T) r
pdf_d1 = norm.pdf(d1) / (S0 sigma)
pdf_d2 = norm.pdf(d2) / (S0 sigma)
pdf_d1_times_sqrt_t = pdf_d1 np.sqrt(T)
pdf_d2_times_sqrt_t = pdf_d2 np.sqrt(T)
pdf_d1_times_sqrt_t_minus_d2 = pdf_d1 (np.sqrt(T) - d2)
pdf_d2_times_sqrt_t_minus_d2 = pdf_d2 (np.sqrt(T) - d2)
dist_a_times_tau = dist_a tau
pdf_d1_times_sqrt_t_times_tau = pdf_d1 np.sqrt(T) * r
pdf_d2_times