Importance Sampling für seltene Ereignisse und Optionen
Lernen, wie Likelihood-Ratio-Neugewichtung Erwartungen erhält, exponentielles Tilting die Varianz seltener Ereignisse reduziert und Gewichtsdegeneration eine Optionssimulation ruinieren kann
Kurzantwort
Importance Sampling simuliert unter einem Vorschlagsmaß, das wichtige seltene Ergebnisse häufiger besucht, und stellt dann mit einer Likelihood Ratio die ursprüngliche Erwartung wieder her. Ein gut gewählter Vorschlag kann die Varianz drastisch senken; ein schlechter kann instabile oder sogar Varianz-unendliche Gewichte erzeugen
Ein Maßwechsel erhält das Ziel
Für Zielmaß P, Vorschlagsmaß Q und Auszahlung h gilt bei gültiger Radon-Nikodym-Ableitung E_P[h(X)]=E_Q[h(X)dP/dQ(X)]
Der Monte-Carlo-Schätzer bildet für Ziehungen X_i aus Q den Durchschnitt h(X_i)w(X_i), wobei w=dP/dQ ist
Exakte Gewichtung hält den gewöhnlichen Schätzer unverzerrt; ein Ändern des Stichprobengesetzes ohne das Gewicht ändert die geschätzte Größe
Der Vorschlag sollte den Beitrag häufig machen
Eine grobe Simulation verschwendet Pfade, wenn eine tief aus dem Geld liegende Auszahlung oder ein Ausfallereignis fast immer null ist
Ein nützliches Q verschiebt Wahrscheinlichkeit in Zustände, in denen |h| groß ist, und hält dabei den gewichteten Beitrag einigermaßen gleichmäßig
Für einen nichtnegativen Integranden ist der unerreichbare Vorschlag mit null Varianz proportional zu h(x)p(x), weil er die unbekannte Erwartung selbst erfordert
Exponentielles Tilting nutzt die Geometrie seltener Ereignisse
Ein exponentielles Tilt gewichtet Ergebnisse mit exp(θX) neu und normiert mit der momentenerzeugenden Funktion
Large-Deviation- oder Saddlepoint-Analyse kann θ so wählen, dass das seltene Ziel unter Q typisch wird
Für Pfade, Barrieren, mehrere Verlustarten oder schwere Tails kann ein einziges festes Tilt scheitern; dann können zustandsabhängige, adaptive oder gemischte Vorschläge erforderlich sein
Die Finanzwelt bietet viele Probleme mit dünnen Auszahlungen
Importance Sampling kann Deep-Strike-Optionen, Barrieren, Kreditverluste, Exposure-Tails und einige Likelihood-Ratio-Greek-Schätzungen beschleunigen
Jede Änderung von Drift oder Schock muss von der korrekten vollständigen Pfad-Likelihood-Ratio begleitet werden und nicht nur von einer Korrektur der Endverteilungsdichte
Diskontierung, risikoneutrale Dynamik, Diskretisierung, vorzeitiger Abbruch und pfadabhängige Überwachung müssen zum ursprünglichen Bewertungsziel passen
Gewichtsdegeneration kann den Vorteil auslöschen
Wenn Q dort zu wenig Wahrscheinlichkeit zuweist, wo h relevant ist, können wenige riesige Gewichte den Schätzer dominieren
Der Mittelwert kann existieren, während E_Q[(hw)²] unendlich ist, wodurch die übliche Varianz und das Konfidenzintervall nach dem zentralen Grenzwertsatz ungültig werden
Log-Gewichte verhindern numerischen Unterlauf, beheben aber weder fehlende Unterstützung, unendliche Varianz noch einen Vorschlag, der eine andere wichtige Mode verfehlt
Diagnosen zeigen, zertifizieren aber nicht
Gewichtshistogramme, maximalen Anteil, Variationskoeffizienten, effektive Stichprobengröße und Beiträge nach Zustand oder Pfadcluster verfolgen
Selbstnormalisierte Gewichte können helfen, wenn die Normierungskonstante unbekannt ist, aber der resultierende Quotientenschätzer ist bei endlichen Stichproben im Allgemeinen verzerrt
Eine hohe effektive Stichprobengröße allein beweist keine Genauigkeit, wenn der Vorschlag nie eine relevante Region entdeckt
Validierung vergleicht gleiche Rechenbudgets
Grobe und Importance-Sampling-Schätzer mit unabhängigen Wiederholungen, identischer Diskretisierung und vergleichbaren Gesamtkosten ausführen
Stichprobenvarianz, Abdeckung von Konfidenzintervallen, Bias, Abdeckung der seltenen Region, Empfindlichkeit gegenüber dem Vorschlag und Stabilität prüfen, wenn das Ereignis seltener wird
Analytische oder Transformations-Benchmarks verwenden, wo sie verfügbar sind, und eine defensive Mischkomponente behalten, die breite Unterstützung erhält
Häufige Fragen
Was ist Importance Sampling?
Es ist Monte Carlo unter einem anderen Stichprobenmaß, korrigiert durch Likelihood Ratios, sodass die ursprüngliche Zielerwartung erhalten bleibt
Warum ist es für seltene Ereignisse nützlich?
Es erzeugt mehr Pfade in der Auszahlungs- oder Verlustregion, statt bei einer groben Simulation auf seltene Beiträge zu warten
Ist ein Importance-Sampling-Schätzer immer unverzerrt?
Der gewöhnliche exakt gewichtete Schätzer ist unter Bedingungen für Unterstützung und Integrierbarkeit unverzerrt; selbstnormalisierte Varianten sind bei endlichen Stichproben im Allgemeinen nicht unverzerrt
Was ist Gewichtsdegeneration?
Es ist ein Zustand, in dem wenige extreme Gewichte fast den gesamten geschätzten Wert tragen und dadurch eine fragile Varianz sowie geringe effektive Information erzeugen