Numerische Greeks für die Optionsbewertung erklärt
Erfahren Sie, wie Bump-and-Revalue, Pfadableitung, Likelihood-Ratio- und Adjoint-Methoden Options-Greeks schätzen und wie sich numerische Fehler diagnostizieren lassen
Kurzantwort
Numerische Greeks schätzen Ableitungen des Optionswerts, wenn keine analytische Formel verfügbar ist. Bump-and-Revalue, Pfadableitung, Likelihood-Ratio und Adjoint-Methoden tauschen Bias, Varianz, Anforderungen an Glattheit und Rechenkosten gegeneinander ab
Ein Greek ist eine Ableitung einer Bewertungsregel
Delta leitet den Wert nach dem Spotpreis ab, Vega nach einer Volatilitätskoordinate und Rho nach einem Zinseingang. Gamma leitet ein weiteres Mal nach dem Spotpreis ab
Die Ableitung gehört zu einem bestimmten Modell, einer Konstruktion der Marktdaten und einer Haltekonvention. Eine Änderung der Regel für die Volatilitätsoberfläche kann das Greek verändern
Geschlossene Ableitungen sind bequem, aber komplexe Auszahlungen, kalibrierte Modelle, vorzeitige Ausübung und große Portfolios erfordern oft numerische Schätzungen
Bump-and-Revalue ist die universelle Ausgangsbasis
Erhöhen Sie einen Eingang um einen kleinen Betrag h, bewerten Sie neu und vergleichen Sie mit dem Basiswert. Ein zentrales Delta verwendet [V(x+h) − V(x−h)] / 2h
Gamma verwendet eine zweite Differenz, während einseitige Differenzen an Grenzen helfen oder wenn nur eine gültige Richtung existiert
Die Methode behandelt den Pricer als Blackbox und funktioniert breit, aber jeder Risikofaktor kann zusätzliche vollständige Bewertungen erfordern
Die Schrittweite gleicht Trunkationsbias und numerisches Rauschen aus
Ein großer Bump misst die Krümmung über ein breites Intervall statt die lokale Ableitung und erzeugt einen Trunkationsbias
Ein winziger Bump subtrahiert nahezu gleiche Preise und verstärkt Rundungsfehler, Solvertoleranz, Interpolationsrauschen und Monte-Carlo-Stichprobenfehler
Führen Sie eine Reihe von Bumps durch und suchen Sie einen stabilen Bereich. Das beste h hängt von Einheiten, Ordnung des Greeks, Glattheit der Auszahlung und numerischer Präzision ab
Gemeinsame Zufallszahlen reduzieren Monte-Carlo-Rauschen
Verwenden Sie bei der Neubewertung gebumpter Szenarien dieselben Zufallszahlen, damit Pfaddifferenzen die Eingangsänderung und nicht unabhängige Stichproben widerspiegeln
Diese Kopplung kann die Varianz stark reduzieren, beseitigt aber weder den Bias des endlichen Bumps noch repariert sie unstetiges Auszahlungsverhalten
Berichten Sie Standardfehler für das Greek selbst. Eine stabil wirkende Preisschätzung kann nach der Division durch h trotzdem eine verrauschte Differenz erzeugen
Pfadableitungen differenzieren jede simulierte Auszahlung
Die Pfadmethode differenziert simulierte Zustände und Auszahlungswerte entlang jedes Pfads und mittelt anschließend diese Ableitungsstichproben
Sie kann bei glatten Auszahlungen effizient sein und mehrere Sensitivitäten aus einer Simulation schätzen. Für den Austausch von Ableitung und Erwartung sind jedoch Bedingungen nötig
Digitale Indikatoren, Barrieren, Ausübungsentscheidungen und Kalibrierungsknicke können die gewöhnliche Pfadableitung brechen oder Glättung und spezielle Behandlung erfordern
Likelihood-Ratio-Schätzer differenzieren Wahrscheinlichkeiten
Die Likelihood-Ratio-Methode differenziert die simulierte Dichte statt der Auszahlung und multipliziert die Auszahlung mit einer Score-Funktion
Sie kann einige unstetige Auszahlungen behandeln, die Pfadableitungen erschweren, weil die Auszahlung selbst nicht differenziert werden muss
Ihre Varianz kann hoch sein, besonders bei Greeks höherer Ordnung oder stark aus-dem-Geld liegenden Risiken. Hybridschätzer können die Stärken beider Methoden verbinden
Adjoint-Methoden kehren die Sensitivitätsberechnung um
Adjoint Algorithmic Differentiation propagiert Sensitivitäten rückwärts durch die Bewertungsberechnung, ähnlich wie Differentiation im Reverse-Modus
Sie ist besonders attraktiv, wenn wenige Portfolioausgaben von vielen Markteingaben abhängen, etwa von Kurvenstützstellen oder Knoten der Volatilitätsoberfläche
Speicher, Verzweigungen, iterative Solver, Kalibrierung und nichtglatte Logik erfordern eine bewusste Implementierung. Automatische Differentiation garantiert kein sinnvolles Risikomaß
Die Validierung braucht unabhängige Methoden und Invarianten
Vergleichen Sie numerische Greeks bei einfachen Kontrakten mit analytischen Benchmarks. Prüfen Sie Produktionsauszahlungen anschließend mit einem zweiten Schätzer oder einem größeren Neubewertungsschock
Testen Sie Vorzeichen, Einheiten, Skalierung, Put-Call-Paritäts-Sensitivitäten, Aggregation, Bump-Symmetrie, Konvergenz, Standardfehler und die Reaktion nahe Auszahlungsgrenzen
Protokollieren Sie, was sich bei einem Bump eines Eingangs bewegt. Sticky-Strike, Sticky-Delta, Neukalibrierung und eingefrorene-Oberflächen-Vegas oder -Deltas beantworten unterschiedliche Fragen
Häufige Fragen
Was ist Bump-and-Revalue?
Es ändert einen Modelleingang, führt die Bewertung erneut aus und teilt die Preisänderung durch die Eingangsänderung, um eine Sensitivität anzunähern
Wie klein sollte ein Bump für ein Greek sein?
Klein genug für eine lokale Messung, aber groß genug, um numerisches Rauschen zu übertreffen. Eine Reihe von Bump-Größen ist sicherer als eine beliebige einzelne Einstellung
Was sind Pfadableitungs- und Likelihood-Ratio-Greeks?
Pfadmethoden differenzieren simulierte Auszahlungen, während Likelihood-Ratio-Methoden die Wahrscheinlichkeitsdichte differenzieren, mit der die Pfade erzeugt werden
Warum verwendet man Adjoint-Differentiation für Greeks?
Sie kann Sensitivitäten gegenüber vielen Eingaben effizient berechnen, wenn es vergleichsweise wenige Ausgabewerte gibt; Implementierungsdetails bleiben aber entscheidend