Importance Sampling untuk Kejadian Langka dan Opsi
Pelajari cara pembobotan ulang rasio likelihood mempertahankan ekspektasi, cara exponential tilting mengurangi varians kejadian langka, serta bagaimana degenerasi bobot dapat merusak simulasi opsi
Jawaban langsung
Importance sampling melakukan simulasi di bawah ukuran usulan yang lebih sering mengunjungi hasil langka yang penting, lalu memulihkan ekspektasi asli dengan rasio likelihood. Usulan yang dipilih dengan baik dapat memangkas varians secara drastis; usulan yang buruk dapat menciptakan bobot yang tidak stabil atau bahkan bervarians tak hingga
Perubahan ukuran mempertahankan target
Untuk ukuran target P, usulan Q, dan payoff h, E_P[h(X)]=E_Q[h(X)dP/dQ(X)] ketika turunan Radon–Nikodym valid
Estimator Monte Carlo merata-ratakan h(X_i)w(X_i) untuk pengambilan X_i dari Q dan bobot w=dP/dQ
Pembobotan eksak menjaga estimator biasa tetap tidak bias; mengubah hukum sampling tanpa bobot mengubah kuantitas yang diestimasi
Usulan harus membuat kontribusi menjadi umum
Simulasi kasar membuang banyak jalur ketika payoff deep out-of-the-money atau kejadian gagal bayar hampir selalu nol
Q yang berguna menggeser probabilitas menuju keadaan dengan |h| besar sambil menjaga kontribusi berbobot tetap cukup merata
Untuk integran nonnegatif, usulan zero-variance yang tidak dapat dicapai sebanding dengan h(x)p(x), karena memerlukan ekspektasi yang tidak diketahui itu sendiri
Exponential tilting menggunakan geometri kejadian langka
Tilt eksponensial membobot ulang hasil dengan exp(θX) dan melakukan normalisasi menggunakan fungsi pembangkit momen
Analisis deviasi besar atau saddlepoint dapat memilih θ sehingga target langka menjadi tipikal di bawah Q
Untuk jalur, barrier, beberapa mode kerugian, atau ekor berat, satu tilt tetap dapat gagal sehingga diperlukan usulan bergantung keadaan, adaptif, atau campuran
Keuangan menawarkan banyak masalah payoff yang jarang
Importance sampling dapat mempercepat opsi strike jauh, barrier, kerugian kredit, ekor eksposur, dan beberapa estimasi Greeks berbasis rasio likelihood
Setiap perubahan drift atau shock harus disertai rasio likelihood jalur penuh yang benar, bukan sekadar koreksi densitas terminal
Diskonto, dinamika netral risiko, diskretisasi, penghentian dini, dan pemantauan yang bergantung jalur harus sesuai dengan target penetapan harga asli
Degenerasi bobot dapat menghapus manfaat
Jika Q memberikan probabilitas terlalu kecil pada wilayah saat h material, beberapa bobot yang sangat besar dapat mendominasi estimasi
Mean dapat ada sementara E_Q[(hw)²] tak hingga, sehingga varians biasa dan interval kepercayaan berdasarkan limit pusat menjadi tidak valid
Log bobot mencegah underflow numerik, tetapi tidak memperbaiki support yang hilang, varians tak hingga, atau usulan yang melewatkan mode penting lain
Diagnostik mengungkapkan tetapi tidak menjamin
Lacak histogram bobot, porsi maksimum, koefisien variasi, ukuran sampel efektif, serta kontribusi berdasarkan keadaan atau klaster jalur
Bobot yang dinormalisasi sendiri dapat membantu ketika konstanta normalisasi tidak diketahui, tetapi estimator rasio yang dihasilkan umumnya bias pada sampel berhingga
Ukuran sampel efektif yang tinggi saja bukan bukti akurasi jika usulan tidak pernah menemukan wilayah yang relevan
Validasi membandingkan anggaran komputasi yang sama
Jalankan estimator kasar dan importance sampling dengan replikasi independen, diskretisasi identik, dan total biaya yang sebanding
Periksa varians sampel, cakupan interval kepercayaan, bias, cakupan wilayah langka, sensitivitas usulan, dan stabilitas ketika kejadian menjadi semakin langka
Gunakan tolok ukur analitik atau transformasi jika tersedia dan pertahankan komponen campuran defensif yang menjaga support tetap luas
Pertanyaan umum
Apa itu importance sampling?
Importance sampling adalah Monte Carlo di bawah ukuran sampling yang berbeda, dikoreksi dengan rasio likelihood agar ekspektasi target asli tetap dipertahankan
Mengapa berguna untuk kejadian langka?
Metode ini menghasilkan lebih banyak jalur di wilayah payoff atau kerugian, alih-alih menunggu kontribusi langka dalam simulasi kasar
Apakah estimator importance sampling selalu tidak bias?
Estimator berbobot eksak biasa tidak bias di bawah kondisi support dan integrabilitas; varian yang dinormalisasi sendiri umumnya tidak bias pada sampel berhingga
Apa itu degenerasi bobot?
Ini adalah keadaan ketika beberapa bobot ekstrem membawa hampir seluruh nilai terestimasi, sehingga varians rapuh dan informasi efektif menjadi buruk