Penjelasan Greeks Numerik untuk Penetapan Harga Opsi

Delta mendiferensiasikan nilai terhadap spot, vega terhadap koordinat volatilitas, dan rho terhadap input suku bunga. Gamma mendiferensiasikan lagi terhadap spot

Turunan melekat pada model, konstruksi data pasar, dan konvensi holding yang ditentukan. Mengubah aturan permukaan volatilitas dapat mengubah Greek

Turunan bentuk tertutup memang praktis, tetapi payoff yang rumit, model terkalibrasi, exercise awal, dan portofolio besar sering memerlukan estimasi numerik

Naikkan satu input sebesar h, hitung ulang harga, dan bandingkan dengan nilai dasar. Delta sentral menggunakan [V(x+h) − V(x−h)] / 2h

Gamma memakai beda kedua, sedangkan beda satu sisi membantu pada batas atau ketika hanya satu arah yang valid

Metode ini memperlakukan pricer sebagai kotak hitam dan bekerja luas, tetapi setiap faktor risiko dapat memerlukan valuasi penuh tambahan

Bump besar mengukur kelengkungan pada interval lebar, bukan turunan lokal, dan menimbulkan bias truncation

Bump kecil mengurangkan harga yang hampir sama, sehingga memperkuat roundoff, toleransi solver, noise interpolasi, dan kesalahan sampling Monte Carlo

Jalankan ladder bump dan cari wilayah yang stabil. h terbaik bergantung pada satuan, orde Greek, kehalusan payoff, dan presisi numerik

Ketika menghitung ulang skenario yang dibump, gunakan kembali angka acak yang sama sehingga perbedaan jalur mencerminkan perubahan input, bukan sampel yang tidak berkaitan

Pengaitan ini dapat mengurangi varians secara tajam, tetapi tidak menghapus bias finite-bump atau memperbaiki perilaku payoff yang diskontinu

Laporkan standard error untuk Greek itu sendiri. Estimasi harga yang tampak stabil masih dapat menghasilkan selisih yang noisy setelah dibagi h

Metode pathwise mendiferensiasikan keadaan yang disimulasikan dan nilai payoff pada setiap jalur, lalu merata-ratakan sampel turunannya

Metode ini dapat efisien untuk payoff yang mulus dan mengestimasi beberapa sensitivitas dari satu simulasi, tetapi pertukaran turunan dan ekspektasi memerlukan syarat

Indikator digital, barrier, keputusan exercise, dan kink kalibrasi dapat merusak diferensiasi pathwise biasa atau memerlukan smoothing serta perlakuan khusus

Metode likelihood-ratio mendiferensiasikan densitas simulasi, bukan payoff, dengan mengalikan payoff dan fungsi score

Metode ini dapat menangani payoff diskontinu yang menyulitkan turunan pathwise karena payoff itu sendiri tidak perlu didiferensiasikan

Variansnya dapat tinggi, khususnya untuk risiko orde tinggi atau yang sangat out-of-the-money. Estimator hibrida dapat menggabungkan keunggulan kedua metode

Diferensiasi algoritmik adjoint menyebarkan sensitivitas mundur melalui perhitungan valuasi, mirip diferensiasi mode balik

Metode ini sangat menarik ketika sedikit output portofolio bergantung pada banyak input pasar, seperti pilar kurva atau node permukaan volatilitas

Memori, branching, solver iteratif, kalibrasi, dan logika nonsmooth memerlukan implementasi yang disengaja. Automatic differentiation tidak menjamin definisi risiko yang bermakna

Bandingkan Greeks numerik dengan benchmark analitik untuk kontrak sederhana, lalu periksa silang payoff produksi memakai estimator kedua atau shock repricing yang lebih besar

Uji tanda, satuan, skala, sensitivitas paritas put-call, agregasi, simetri bump, konvergensi, standard error, dan respons di dekat batas payoff

Catat apa yang bergerak ketika input dibump. Sticky-strike, sticky-delta, recalibrated, dan frozen-surface vega atau delta menjawab pertanyaan yang berbeda