Characteristic Function से Option Pricing की व्याख्या
समझें कि risk-neutral characteristic functions distributions को कैसे encode करते हैं, Fourier inversion को support करते हैं और payoff transforms के जरिए option prices बनाते हैं
सीधा जवाब
Characteristic function φ(u)=E[e^{iuX}] चुने गए pricing measure के अंतर्गत log price की distribution को uniquely encode करती है। Fourier inversion इस transform को transformed payoff के साथ जोड़कर discounted option value निकालती है
Characteristic function distribution को संचित करती है
Real random variable X के लिए φ(u)=E[e^{iuX}] हर real frequency u पर defined है, क्योंकि complex exponential का modulus one होता है
Moment-generating function के विपरीत, real line पर मौजूद रहने के लिए इसे finite exponential moments की आवश्यकता नहीं होती
सभी frequencies पर इसके values X का law uniquely निर्धारित करते हैं और location, dispersion, asymmetry, tails तथा discontinuities को साथ में encode करते हैं
Pricing measure और state variable पहले तय करें
European payoff h(S_T) के लिए basic risk-neutral price E^Q[e^{-∫r ds}h(S_T)] है, उन conditions के अंतर्गत जो उस measure को support करती हैं
Transform methods अक्सर X_T=log S_T या forward log price लेते हैं, लेकिन discounting और exact numeraire convention को transform से match करना जरूरी है
Physical-measure characteristic function को risk-neutral price में तब तक नहीं डाल सकते जब तक measure change सही तरह specified न हो
Fourier inversion probabilities और densities वापस लाती है
पर्याप्त regularity होने पर inverse Fourier integral φ से density recover करती है; distribution functions भी inversion formulas से मिल सकती हैं
Gil–Pelaez inversion e^{-iux}φ(u)/u के imaginary part वाले integral के जरिए tail या cumulative probabilities व्यक्त करती है
ये improper integrals हैं, इसलिए zero के पास और large frequencies पर behavior के लिए analytical limits और numerical care चाहिए
Payoffs को अपना transform treatment चाहिए
Call payoff S_T के साथ बढ़ता है, इसलिए damping या contour shift के बिना plain real line पर उसका Fourier transform integrable नहीं होता
Damped price को transform कर सकते हैं, suitable strip में payoff को transform कर सकते हैं, या call को discounted asset और strike probabilities में decompose कर सकते हैं
अलग signs, normalizations, state variables और complex arguments के बावजूद अलग formulas mathematically equivalent हो सकते हैं
Model tractability φ के जरिए आती है
Black–Scholes, Heston, affine jump-diffusions और कई Lévy models transition densities की तुलना में characteristic functions अधिक आसानी से देते हैं
Characteristic function model assumptions, risk-neutral parameters, horizon, initial state और correlations या jump compensators को reflect करती है
φ का मिलना computational advantage है, यह प्रमाण नहीं कि चुनी गई dynamics observed option prices या future returns से fit होती हैं
Numerical inversion error budget बनाती है
Finite integration bounds truncation error बनाते हैं, frequency spacing quadrature error बनाती है और FFT grids aliasing तथा interpolation error जोड़ सकते हैं
Oscillatory cancellation और complex logarithm branches को असंगत ढंग से संभालने पर prices smooth दिखते हुए भी गलत हो सकते हैं
Adaptive quadrature, control variates, damping, alternative formulas और higher precision अलग-अलग errors को address करते हैं, किसी एक universal defect को नहीं
Validation केवल एक price से आगे होनी चाहिए
φ(0)=1, conjugate symmetry φ(−u)=overline{φ(u)} और asset-price convention से required martingale moment verify करें
Black–Scholes या किसी known limit, put–call parity, monotonicity, convexity और independent numerical method से तुलना करें
फिर bounds, grids, damping, tolerances, maturities और strikes बदलें; reasonable computational changes के बाद stable digits बने रहने चाहिए
आम सवाल
Characteristic function क्या है?
यह φ(u)=E[e^{iuX}] है, एक complex-valued transform जो X की probability distribution को uniquely निर्धारित करती है
Option pricing में इसका उपयोग क्यों करें?
कई realistic models φ को closed या semi-closed form में देते हैं, जबकि उनकी transition density और payoff expectation सीधे उपलब्ध नहीं होती
क्या characteristic function और moment-generating function एक ही हैं?
नहीं। Characteristic function imaginary argument इस्तेमाल करती है और real u के लिए मौजूद रहती है, जबकि exponential moments diverge होने पर MGF fail हो सकती है
क्या φ को सीधे invert करके call price कर सकते हैं?
नहीं, payoff, measure, discounting और integrability संभालना जरूरी है; calls को आम तौर पर damping, contour shifts या probability decomposition चाहिए