Option Pricing के लिए Numerical Greeks को समझें
जानें कि bump-and-revalue, pathwise, likelihood-ratio और adjoint methods option Greeks estimate कैसे करते हैं और numerical error diagnose कैसे करें
सीधा जवाब
Numerical Greeks option-value derivatives estimate करती हैं जब analytic formula उपलब्ध नहीं होती। Bump-and-revalue, pathwise, likelihood-ratio और adjoint methods bias, variance, smoothness requirements और computing cost के बीच tradeoff करते हैं
Greek valuation rule का derivative है
Delta spot के respect में value differentiate करती है, vega volatility coordinate के respect में और rho rate input के respect में। Gamma spot के respect में फिर differentiate करती है
Derivative specified model, market-data construction और holding convention से संबंधित होती है। Volatility surface rule बदलने पर Greek बदल सकती है
Closed-form derivatives convenient हैं, लेकिन complex payoffs, calibrated models, early exercise और large portfolios को अक्सर numerical estimates चाहिए
Bump and revalue universal baseline है
एक input को small amount h से बढ़ाएं, reprice करें और base value से compare करें। Central delta [V(x+h) − V(x−h)] / 2h इस्तेमाल करती है
Gamma second difference इस्तेमाल करती है, जबकि boundaries पर या केवल एक valid direction होने पर one-sided differences मदद करती हैं
Method pricer को black box मानती है और broadly काम करती है, लेकिन हर risk factor को additional full valuations चाहिए हो सकती हैं
Step size truncation और numerical noise को balance करता है
Large bump local derivative के बजाय wide interval की curvature मापती है और truncation bias बनाती है
Tiny bump nearly equal prices subtract करती है, जिससे roundoff, solver tolerance, interpolation noise और Monte Carlo sampling error amplify होते हैं
Bump ladder चलाएं और stable region देखें। Best h units, Greek order, payoff smoothness और numerical precision पर निर्भर करती है
Common random numbers Monte Carlo noise घटाते हैं
Bumped scenarios को reprice करते समय वही random numbers reuse करें ताकि pathwise differences input change को reflect करें, unrelated samples को नहीं
यह coupling variance sharply घटा सकती है, लेकिन finite-bump bias या discontinuous payoff behavior को remove नहीं करती
Greek के लिए standard errors report करें। Stable-looking price estimate division by h के बाद noisy difference दे सकती है
Pathwise derivatives हर simulated payoff को differentiate करती हैं
Pathwise method हर path पर simulated states और payoff values differentiate करती है, फिर उन derivative samples का average लेती है
Smooth payoffs के लिए यह efficient हो सकती है और एक simulation से कई sensitivities estimate कर सकती है, लेकिन derivative और expectation को interchange करने के लिए conditions चाहिए
Digital indicators, barriers, exercise decisions और calibration kinks ordinary pathwise differentiation तोड़ सकते हैं या smoothing तथा specialized treatment मांग सकते हैं
Likelihood-ratio estimators probabilities को differentiate करते हैं
Likelihood-ratio method payoff के बजाय simulated density differentiate करती है और payoff को score function से multiply करती है
यह कुछ discontinuous payoffs handle कर सकती है जो pathwise derivatives को frustrate करती हैं क्योंकि payoff को खुद differentiate नहीं करना पड़ता
इसकी variance high हो सकती है, खासकर higher-order या deeply out-of-the-money risks के लिए। Hybrid estimators दोनों methods की strengths मिला सकती हैं
Adjoint methods sensitivity calculation को reverse करती हैं
Adjoint algorithmic differentiation valuation computation के माध्यम से sensitivities को backward propagate करती है, reverse-mode differentiation की तरह
यह तब खास attractive है जब portfolio outputs कम हों लेकिन market inputs बहुत हों, जैसे curve pillars या volatility-surface nodes
Memory, branching, iterative solvers, calibration और nonsmooth logic के लिए deliberate implementation चाहिए। Automatic differentiation meaningful risk definition की guarantee नहीं देती
Validation को independent methods और invariants चाहिए
Simple contracts के लिए numerical Greeks की analytic benchmarks से तुलना करें, फिर production payoffs को second estimator या larger repricing shock से cross-check करें
Sign, units, scaling, put-call parity sensitivities, aggregation, bump symmetry, convergence, standard errors और payoff boundaries के पास response test करें
Record करें कि input bump होने पर क्या move करता है। Sticky-strike, sticky-delta, recalibrated और frozen-surface vegas या deltas अलग सवालों के उत्तर देते हैं
आम सवाल
Bump and revalue क्या है?
यह एक model input बदलकर valuation फिर चलाती है और sensitivity approximate करने के लिए price change को input change से divide करती है
Greek bump कितना small होना चाहिए?
इतना small कि local रहे, लेकिन इतना large कि numerical noise से बड़ा हो। One arbitrary setting के बजाय bump sizes की ladder safer है
Pathwise और likelihood-ratio Greeks क्या हैं?
Pathwise methods simulated payoffs differentiate करती हैं, जबकि likelihood-ratio methods paths generate करने वाली probability density differentiate करती हैं
Greeks के लिए adjoint differentiation क्यों उपयोग करें?
जब output values relatively few हों और inputs many हों, तब यह कई inputs की sensitivities efficiently compute कर सकती है, हालांकि implementation details फिर भी matter करती हैं