Optionsbewertung mit charakteristischen Funktionen erklärt
Verstehen Sie, wie risikoneutrale charakteristische Funktionen Verteilungen kodieren, Fourier-Inversion ermöglichen und über Auszahlungstransformationen zu Optionspreisen werden
Kurzantwort
Eine charakteristische Funktion φ(u)=E[e^{iuX}] kodiert eindeutig die Verteilung eines Log-Preises unter dem gewählten Bewertungsmaß. Fourier-Inversion verbindet diese Transformation mit einer transformierten Auszahlung und gewinnt daraus einen abgezinsten Optionswert
Die charakteristische Funktion speichert eine Verteilung
Für eine reelle Zufallsvariable X ist φ(u)=E[e^{iuX}] für jede reelle Frequenz u definiert, weil der Betrag der komplexen Exponentialfunktion eins ist
Anders als eine momentenerzeugende Funktion benötigt sie nicht schon für ihre Existenz auf der reellen Achse endliche exponentielle Momente
Ihre Werte über alle Frequenzen bestimmen das Gesetz von X eindeutig und kodieren Lage, Streuung, Asymmetrie, Tails und Unstetigkeiten gemeinsam
Bewertungsmaß und Zustandsvariable kommen zuerst
Für eine europäische Auszahlung h(S_T) ist ein grundlegender risikoneutraler Preis unter Bedingungen, die dieses Maß tragen, E^Q[e^{-∫r ds}h(S_T)]
Transformationsmethoden setzen häufig X_T=log S_T oder einen Forward-Log-Preis, aber Diskontierung und die genaue Numeraire-Konvention müssen zur Transformation passen
Eine charakteristische Funktion unter dem realen Maß darf nicht in einen risikoneutralen Preis eingesetzt werden, solange der Maßwechsel nicht korrekt spezifiziert ist
Fourier-Inversion gewinnt Wahrscheinlichkeiten und Dichten zurück
Unter ausreichender Regularität gewinnt ein inverses Fourier-Integral eine Dichte aus φ zurück; Verteilungsfunktionen können ebenfalls über Inversionsformeln berechnet werden
Die Inversion nach Gil-Pelaez drückt Tail- oder kumulative Wahrscheinlichkeiten über ein Integral aus, das den Imaginärteil von e^{-iux}φ(u)/u enthält
Diese Integrale sind uneigentliche Integrale. Das Verhalten nahe null und bei großen Frequenzen erfordert daher analytische Grenzwerte und numerische Sorgfalt
Auszahlungen brauchen ihre eigene Transformation
Eine Call-Auszahlung wächst mit S_T, daher ist ihre Fourier-Transformation auf der reinen reellen Achse ohne Dämpfung oder Konturverschiebung nicht integrierbar
Man kann einen gedämpften Preis transformieren, die Auszahlung in einem geeigneten Streifen transformieren oder den Call in abgezinste Asset- und Strike-Wahrscheinlichkeiten zerlegen
Unterschiedliche Formeln können mathematisch gleichwertig sein, aber unterschiedliche Vorzeichen, Normierungen, Zustandsvariablen und komplexe Argumente verwenden
Modelltraktabilität kommt durch φ
Black-Scholes, Heston, affine Sprung-Diffusionen und viele Lévy-Modelle liefern charakteristische Funktionen oft leichter als Übergangsdichten
Die charakteristische Funktion spiegelt Modellannahmen, risikoneutrale Parameter, Horizont, Anfangszustand sowie Korrelationen und Sprungkompensatoren wider
Die Kenntnis von φ ist ein Rechenvorteil und kein Beweis dafür, dass die gewählte Dynamik zu beobachteten Optionspreisen oder zukünftigen Renditen passt
Numerische Inversion erzeugt ein Fehlerbudget
Endliche Integrationsgrenzen erzeugen Abschneidefehler, Frequenzabstände Quadraturfehler, und FFT-Gitter können Aliasing- und Interpolationsfehler hinzufügen
Oszillatorische Auslöschung und Zweige komplexer Logarithmen können bei inkonsistenter Behandlung glatt aussehende, aber falsche Preise erzeugen
Adaptive Quadratur, Kontrollvariaten, Dämpfung, alternative Formeln und höhere Präzision beheben unterschiedliche Fehler und nicht einen einzigen universellen Defekt
Die Validierung muss über einen Preis hinausgehen
Prüfen Sie φ(0)=1, die konjugierte Symmetrie φ(−u)=overline{φ(u)} und das Martingalmoment, das die Konvention für den Assetpreis verlangt
Vergleichen Sie mit Black-Scholes oder einem anderen bekannten Grenzfall, Put-Call-Parität, Monotonie, Konvexität und einer unabhängigen numerischen Methode
Variieren Sie anschließend Grenzen, Gitter, Dämpfung, Toleranzen, Laufzeiten und Strikes. Stabile Stellen sollten vernünftige Rechenänderungen überstehen
Häufige Fragen
Was ist eine charakteristische Funktion?
Sie ist φ(u)=E[e^{iuX}], eine komplexwertige Transformation, die die Wahrscheinlichkeitsverteilung von X eindeutig bestimmt
Warum verwendet man sie zur Optionsbewertung?
Viele realistische Modelle liefern φ in geschlossener oder halbgeschlossener Form, selbst wenn Übergangsdichte und Auszahlungserwartung nicht direkt verfügbar sind
Ist eine charakteristische Funktion dasselbe wie eine momentenerzeugende Funktion?
Nein. Die charakteristische Funktion verwendet ein imaginäres Argument und existiert für reelles u, während eine MGF scheitern kann, wenn exponentielle Momente divergieren
Kann ich einen Call durch direkte Inversion von φ bewerten?
Nicht ohne Auszahlung, Maß, Diskontierung und Integrierbarkeit zu behandeln. Calls benötigen häufig Dämpfung, Konturverschiebungen oder eine Zerlegung in Wahrscheinlichkeiten