Modellrisiko und Kalibrierung bei Optionen erklärt
Erfahre, woher Modellrisiko bei Optionen kommt, was eine Kalibrierung tatsächlich beweist, warum Parameter instabil sein können und wie Preise und Greeks validiert werden
Kurzantwort
Modellrisiko bei Optionen ist die Möglichkeit, dass Struktur, Daten, Parameter, numerische Verfahren oder eine falsche Anwendung einen irreführenden Preis, Greek oder Hedge erzeugen. Eine Kalibrierung findet nur einen Modellfit für ausgewählte Quotes; sie beweist nicht, dass das Modell wahr oder prognosefähig ist
Ein Modell ist ein Entscheidungswerkzeug, keine Markt-Wahrheit
Ein Optionsmodell wandelt Annahmen über Preiswege, Volatilität, Zinsen, Dividenden und Ausübung in Preise und Sensitivitäten um
Diese Abbildung kann nützlich sein, ohne buchstäblich wahr zu sein. Jedes Modell lässt Details weg, und die ausgelassenen Details können je nach Strike, Laufzeit oder Marktregime unterschiedlich wichtig sein
Die praktische Frage lautet nicht, ob ein Modell perfekt ist. Sie lautet, ob seine Vereinfachungen für die Entscheidung, das Risiko und den Zeithorizont ausreichend gut kontrolliert werden
Modellrisiko hat mehrere Ebenen
Spezifikationsrisiko entsteht durch den Prozess selbst: konstante Volatilität, kontinuierliche Pfade, ein Faktor oder eine feste Korrelation können ungeeignet sein
Input- und Parameterrisiko umfassen veraltete Quotes, schwache Dividendenschätzungen, fehlerhafte Finanzierungskurven und instabile Koeffizienten. Numerisches Risiko umfasst Gitter, Löser und Programmierfehler
Anwendungsrisiko entsteht, wenn ein für liquide europäische Optionen entwickeltes Modell auf Barrieren, konzentrierte Bücher, Stressmärkte oder Kontrakte mit anderen Ausübungsregeln angewendet wird
Kalibrierung ist ein gewichtetes inverses Problem
Bei der Kalibrierung werden Parameter gewählt, die die Abweichungen zwischen Modellwerten und ausgewählten Marktpreisen oder impliziten Volatilitäten reduzieren
Das Ergebnis hängt von der Quoteauswahl, der Behandlung des Bid-Ask-Spreads, der Fehlerkennzahl, den Gewichten, Parametergrenzen, dem Optimierer und davon ab, ob Fehler in Preis- oder Volatilitätseinheiten gemessen werden
Ein Fit innerhalb des Spreads kann wirtschaftlich akzeptabel sein, identifiziert aber nicht den datenerzeugenden Prozess. Der Spread ist ein Ausführungsbereich und kein Wahrheitszertifikat
Ein guter Fit kann eine schwache Identifikation verbergen
Verschiedene Parameterkombinationen können bei liquiden Strikes nahezu identische Preise erzeugen. Ihre extrapolierten Flügel, Forward-Smiles und Hedge-Verhältnisse können dennoch auseinanderlaufen
Das ist ein Identifikationsproblem: Die beobachteten Kontrakte enthalten nicht genügend unabhängige Informationen, um jeden Parameter präzise festzulegen
Prüfe die Parameterstabilität über Daten, Startwerte, Gewichte und Quote-Teilmengen hinweg. Große Bewegungen bei geringer Preisverbesserung sind ein Hinweis auf eine fragile Interpretation
Validierung muss den Kalibrierungssample verlassen
Bewerte zurückgehaltene Strikes und Laufzeiten neu, vergleiche Fehler mit Bid-Ask-Breiten und wiederhole die Untersuchung außerhalb der Zeitstichprobe statt auf einer einzigen günstigen Momentaufnahme
Eine reine Preisvalidierung ist unvollständig. Teste Greeks, Szenarioantworten, Hedge-P&L und Verhalten an Grenzen, weil ein kleiner Preisfehler mit einem großen Sensitivitätsfehler zusammen auftreten kann
Unabhängige Implementierungsprüfungen und Benchmark-Instrumente helfen, Modellgrenzen von Fehlern in Code, Konventionen und Datenpipeline zu trennen
Modellvergleich verwandelt Unsicherheit in eine Spanne
Passe mehr als ein vertretbares Modell an, variiere Kalibrierungsentscheidungen und stresse schlecht identifizierte Parameter. Die Streuung zeigt, welche Entscheidungen von einer einzigen bequemen Spezifikation abhängen
Bei einem liquiden Vanilla können Marktquotes Modellunterschiede dominieren. Bei einem exotischen oder illiquiden Flügel kann die Modellstreuung zu einer wesentlichen Bewertungsreserve werden
Berichte einen zentralen Wert mit Annahmen, Alternativen und Fehlerbedingungen. Eine Spanne ist oft ehrlicher und handlungsrelevanter als zusätzliche Dezimalstellen
Governance macht Unsicherheit sichtbar
Halte Modellversion, Inputs, Zeitstempel, Konventionen, Zielfunktionsgewichte, Fit-Fehler und Overrides fest, damit eine andere prüfende Person das Ergebnis reproduzieren kann
Lege unabhängige Validierung, Genehmigungsgrenzen, Risikolimits und Fallback-Methoden fest. Eine Neukalibrierung sollte eine Prüfung auslösen, wenn sich Parameter oder Residuen ungewöhnlich bewegen
Trenne schließlich einen Modellwert von einer ausführbaren Quote. Liquidität, Größe, Spread, Marktwirkung, Finanzierung und Gegenparteibedingungen können den theoretischen Unterschied überwiegen
Häufige Fragen
Was ist Modellrisiko bei Optionen?
Es ist das Risiko, dass Modellstruktur, Inputs, Parameter, numerische Verfahren oder die Anwendung wesentlich irreführende Bewertungs-, Sensitivitäts- oder Hedging-Ergebnisse erzeugen
Ist Kalibrierung dasselbe wie Prognose?
Nein. Kalibrierung erklärt eine ausgewählte Marktmomentaufnahme unter einem Modell, während eine Prognose fragt, wie sich Preise oder Zustände nach dieser Momentaufnahme entwickeln
Warum können zwei kalibrierte Modelle unterschiedliche Preise liefern?
Sie können liquide Instrumente ähnlich anpassen, aber für einen nicht quotierten Kontrakt unterschiedliche Dynamiken von Pfad, Tail, Volatilität oder Korrelation voraussetzen
Wie lässt sich Modellrisiko reduzieren?
Verwende saubere Daten, stabile Kalibrierung, Tests mit zurückgehaltenen Daten, unabhängige Validierung, alternative Modelle, Parameter-Stress, klare Limits und reproduzierbare Aufzeichnungen