In der vorliegenden Dissertation werden regressionsbasierte Monte-Carlo-Verfahren für diskretisierte Diffusionsprozesse vorgestellt. Diese Verfahren beinhalten die Konstruktion von geeigneten Kontrollvariaten, die zu einer signifikanten Reduktion der Varianz führen. Dadurch kann die Komplexität des Standard-Monte-Carlo-Ansatzes (epsilon^{-3} für Schemen erster Ordnung und epsilon^{-2.5} für Schemen zweiter Ordnung) im besten Fall reduziert werden auf eine Ordnung von epsilon^{-2+delta} für ein beliebiges delta aus [0,0.25), wobei epsilon die zu erzielende Genauigkeit bezeichnet. In der Komplexitätsanalyse werden sowohl die Fehler, die auch beim Standard-Monte-Carlo-Ansatz auftreten (Diskretisierungs- und statistischer Fehler), als auch die aus der Schätzung bedingter Erwartungswerte mittels Regression resultierenden Fehler berücksichtigt. Darüber hinaus werden verschiedene Algorithmen hergeleitet, die zwar zu einer ähnlichen theoretischen Komplexität führen, jedoch numerisch gesehen bei der Regressionsschätzung unterschiedlich stabil und genau sind. Die Effektivität dieser Algorithmen wird anhand von numerischen Beispielen veranschaulicht und mit anderen bekannten Methoden verglichen. Zudem werden geeignete Kontrollvariaten für die Bewertung von Bermuda-Optionen sowie amerikanischen Optionen basierend auf einer dualen Monte-Carlo-Methode hergeleitet. Auch hierbei ergibt sich eine signifikante Komplexitätsreduktion, sofern die zugrunde liegenden Funktionen gewisse Glattheitsannahmen erfüllen.