Aproksimasi Saddlepoint dalam Penetapan Harga Opsi Dijelaskan

Misalkan M(t)=E[e^{tX}] adalah fungsi pembangkit momen dan K(t)=log M(t) adalah fungsi pembangkit kumulan

Untuk target x, selesaikan persamaan saddlepoint K′(t̂)=x; solusi t̂ memilih pemiringan eksponensial yang berpusat di sekitar x

Berbeda dari aproksimasi normal yang tetap pada rata-rata awal, perhitungan ini membangun ulang aproksimasi lokalnya untuk setiap target

Bentuk densitas yang umum adalah f_X(x)≈exp[K(t̂)−t̂x]/√(2πK″(t̂)), dengan penyesuaian penskalaan untuk jumlah atau rata-rata

Eksponen mengukur biaya perpindahan menuju x, sedangkan K″(t̂) menyediakan kelengkungan lokal dan normalisasi Gaussian

Struktur ini menghubungkan metode saddlepoint dengan pemiringan eksponensial, steepest descent, dan fungsi laju deviasi besar

Mengintegralkan densitas aproksimasi secara naif dapat kehilangan akurasi, terutama ketika kejadian jauh dari rata-rata

Aproksimasi Lugannani–Rice menggunakan besaran transformasi w dan u untuk langsung mengoreksi ekor normal

Singularitas yang tampak di dekat t̂=0 memerlukan rumus limit atau ekspansi stabil, bukan evaluasi literal atas suku yang saling menghapus

Call Eropa dapat dinyatakan melalui ekspektasi ekor yang didiskontokan, sehingga aproksimasi saddlepoint dapat menargetkan probabilitas pelaksanaan dan momen terpotong

Kumulan harus berasal dari variabel risk-neutral yang benar-benar digunakan, dengan konvensi forward, diskonto, dan payoff yang tetap konsisten

Sebagai alternatif, kita dapat mengintegralkan densitas yang diaproksimasi, tetapi normalisasi dan mean martingale harus diperiksa, bukan diasumsikan

Fungsi pembangkit momen harus hingga di sekitar t̂, K harus cukup mulus dan konveks, dan K″(t̂) harus positif

Ledakan momen dapat menempatkan strike yang diminta di luar domain transformasi, sementara atom atau batas dapat menggagalkan aproksimasi densitas mulus

Pencarian akar juga gagal ketika target tidak dapat dicapai, turunan berskala buruk, atau beberapa cabang numerik disalahartikan sebagai solusi valid

Bahkan galat densitas titik demi titik yang kecil dapat menghasilkan probabilitas negatif, CDF yang tidak monoton, atau mean terminal yang tidak konsisten dengan forward

Harga opsi tetap harus memenuhi batas, paritas put–call, monotonisitas strike, dan konveksitas strike setelah aproksimasi dirakit

Untuk deretan strike, periksa kurva harga yang dihasilkan secara bersama, bukan menerima setiap penyelesaian akar yang berhasil secara terpisah

Verifikasi K(0)=0, K′(0) terhadap mean, K″(0) terhadap varians, dan turunan numerik terhadap turunan analitis atau otomatis

Bandingkan densitas, ekor CDF, momen terpotong, dan harga opsi dengan kuadratur, inversi Fourier, atau Monte Carlo pada strike sentral dan jauh

Catat domain transformasi, braket akar, residual, kelengkungan, perlakuan dekat mean, dan diagnostik arbitrase akhir untuk kalibrasi yang dapat direproduksi