Échantillonnage préférentiel pour les événements rares et les options
Apprenez comment la repondération par ratio de vraisemblance préserve les espérances, comment l'inclinaison exponentielle réduit la variance des événements rares et comment la dégénérescence des poids peut ruiner une simulation d'option
Réponse directe
L'échantillonnage préférentiel simule selon une mesure de proposition qui visite plus souvent les résultats rares importants, puis rétablit l'espérance originale avec un ratio de vraisemblance. Une proposition bien choisie peut réduire fortement la variance ; une mauvaise peut créer des poids instables, voire de variance infinie
Un changement de mesure préserve la cible
Pour la mesure cible P, la proposition Q et le payoff h, E_P[h(X)]=E_Q[h(X)dP/dQ(X)] lorsque la dérivée de Radon–Nikodym est valide
L'estimateur Monte Carlo fait la moyenne de h(X_i)w(X_i) pour des tirages X_i issus de Q et des poids w=dP/dQ
Une pondération exacte maintient l'absence de biais de l'estimateur ordinaire ; changer la loi d'échantillonnage sans le poids modifie la quantité estimée
La proposition doit rendre la contribution courante
Une simulation brute gaspille des trajectoires lorsqu'un payoff profondément hors de la monnaie ou un événement de défaut est presque toujours nul
Un Q utile déplace la probabilité vers les états où |h| est grand, tout en gardant la contribution pondérée raisonnablement homogène
Pour un intégrande non négatif, la proposition à variance nulle inaccessible est proportionnelle à h(x)p(x), car elle exige l'espérance inconnue elle-même
L'inclinaison exponentielle utilise la géométrie des événements rares
Une inclinaison exponentielle repondère les résultats par exp(θX) et normalise avec la fonction génératrice des moments
L'analyse des grandes déviations ou des points selles peut choisir θ afin que la cible rare devienne typique sous Q
Pour les trajectoires, les barrières, les modes de perte multiples ou les queues épaisses, une seule inclinaison peut échouer ; des propositions dépendant de l'état, adaptatives ou mixtes peuvent être nécessaires
La finance offre de nombreux problèmes à payoff rare
L'échantillonnage préférentiel peut accélérer la valorisation d'options à strike éloigné, de barrières, de pertes de crédit, de queues d'exposition et certaines estimations de grecs par ratio de vraisemblance
Chaque modification de dérive ou de choc doit être accompagnée du ratio de vraisemblance correct sur toute la trajectoire, et non d'une simple correction de densité terminale
L'actualisation, la dynamique neutre au risque, la discrétisation, l'arrêt anticipé et le suivi dépendant de la trajectoire doivent correspondre à la cible de valorisation originale
La dégénérescence des poids peut effacer le gain
Si Q attribue trop peu de probabilité aux régions où h est important, quelques poids énormes peuvent dominer l'estimation
La moyenne peut exister alors que E_Q[(hw)²] est infinie, ce qui invalide la variance habituelle et l'intervalle de confiance fondé sur la loi normale centrale
Les logarithmes des poids évitent le sous-débordement numérique, mais ne réparent ni un support manquant, ni une variance infinie, ni une proposition qui ignore un autre mode important
Les diagnostics révèlent sans certifier
Suivez les histogrammes de poids, la part maximale, le coefficient de variation, la taille effective de l'échantillon et les contributions par état ou groupe de trajectoires
Les poids auto-normalisés peuvent aider lorsque la constante de normalisation est inconnue, mais l'estimateur en ratio qui en résulte est généralement biaisé pour des échantillons finis
Une taille effective d'échantillon élevée ne prouve pas à elle seule l'exactitude si la proposition ne découvre jamais une région pertinente
La validation compare des budgets de calcul égaux
Exécutez des estimateurs bruts et par échantillonnage préférentiel avec des réplications indépendantes, une discrétisation identique et un coût total comparable
Vérifiez la variance d'échantillon, la couverture des intervalles de confiance, le biais, la couverture de la région rare, la sensibilité à la proposition et la stabilité lorsque l'événement devient plus rare
Utilisez des références analytiques ou transformées lorsqu'elles existent et conservez une composante de mélange défensive qui préserve un support large
Questions fréquentes
Qu'est-ce que l'échantillonnage préférentiel ?
C'est une méthode de Monte Carlo sous une autre mesure d'échantillonnage, corrigée par des ratios de vraisemblance afin de conserver l'espérance cible originale
Pourquoi est-il utile pour les événements rares ?
Il génère davantage de trajectoires dans la région du payoff ou de la perte au lieu d'attendre des contributions rares sous une simulation brute
Un estimateur par échantillonnage préférentiel est-il toujours sans biais ?
L'estimateur ordinaire exactement pondéré est sans biais sous des conditions de support et d'intégrabilité ; les variantes auto-normalisées ne le sont généralement pas pour des échantillons finis
Qu'est-ce que la dégénérescence des poids ?
C'est une situation où quelques poids extrêmes portent presque toute la valeur estimée, ce qui produit une variance fragile et une information effective faible