Campionamento d'importanza per eventi rari e opzioni
Scopri come la ripesatura tramite rapporto di verosimiglianza preserva le aspettative, come l'inclinazione esponenziale riduce la varianza degli eventi rari e come la degenerazione dei pesi può compromettere una simulazione di opzioni
Risposta diretta
L'importance sampling simula sotto una misura proposta che visita più spesso gli esiti rari importanti, poi ripristina l'aspettativa originale con un rapporto di verosimiglianza. Una proposta ben scelta può ridurre drasticamente la varianza; una proposta inadeguata può creare pesi instabili o persino con varianza infinita
Un cambio di misura preserva il target
Per la misura target P, la proposta Q e il payoff h, E_P[h(X)]=E_Q[h(X)dP/dQ(X)] quando la derivata di Radon–Nikodym è valida
Lo stimatore Monte Carlo calcola la media di h(X_i)w(X_i) per estrazioni X_i da Q e pesi w=dP/dQ
Una ponderazione esatta mantiene imparziale lo stimatore ordinario; cambiare la legge di campionamento senza il peso cambia la quantità stimata
La proposta dovrebbe rendere comuni i contributi
La simulazione grezza spreca percorsi quando un payoff profondamente out-of-the-money o un evento di default è quasi sempre nullo
Una Q utile sposta la probabilità verso gli stati in cui |h| è grande, mantenendo abbastanza uniforme il contributo ponderato
Per un integrando non negativo, la proposta irraggiungibile a varianza zero è proporzionale a h(x)p(x), perché richiede già l'aspettativa sconosciuta
L'inclinazione esponenziale usa la geometria degli eventi rari
Un'inclinazione esponenziale ripesa gli esiti con exp(θX) e normalizza usando la funzione generatrice dei momenti
L'analisi delle grandi deviazioni o dei punti di sella può scegliere θ in modo che il target raro diventi tipico sotto Q
Per percorsi, barriere, molteplici modalità di perdita o code pesanti, una singola inclinazione può fallire e possono servire proposte dipendenti dallo stato, adattive o miste
La finanza offre molti problemi con payoff sparsi
L'importance sampling può accelerare opzioni con strike profondi, barriere, perdite di credito, code di esposizione e alcune stime dei Greek ottenute con rapporti di verosimiglianza
Ogni modifica del drift o dello shock deve essere accompagnata dal corretto rapporto di verosimiglianza sull'intero percorso, non soltanto da una correzione della densità terminale
Sconti, dinamica risk-neutral, discretizzazione, arresto anticipato e monitoraggio dipendente dal percorso devono essere coerenti con il target di pricing originale
La degenerazione dei pesi può annullare il vantaggio
Se Q assegna troppa poca probabilità agli stati in cui h è rilevante, pochi pesi enormi possono dominare la stima
La media può esistere mentre E_Q[(hw)²] è infinita, rendendo non validi la varianza usuale e l'intervallo di confidenza basato sul limite centrale
I log-pesi evitano l'underflow numerico, ma non risolvono il supporto mancante, la varianza infinita o una proposta che non individua un'altra modalità importante
La diagnostica rivela ma non certifica
Monitora gli istogrammi dei pesi, la quota massima, il coefficiente di variazione, la numerosità effettiva del campione e i contributi per stato o cluster di percorsi
I pesi auto-normalizzati possono aiutare quando la costante di normalizzazione è sconosciuta, ma lo stimatore del rapporto risultante è generalmente distorto con campioni finiti
Una numerosità effettiva elevata da sola non dimostra l'accuratezza se la proposta non scopre mai una regione rilevante
La validazione confronta budget computazionali uguali
Esegui stimatori grezzi e con importance sampling usando repliche indipendenti, la stessa discretizzazione e un costo totale comparabile
Controlla la varianza campionaria, la copertura dell'intervallo di confidenza, la distorsione, la copertura delle regioni rare, la sensibilità alla proposta e la stabilità quando l'evento diventa più raro
Usa benchmark analitici o basati su trasformazioni quando disponibili e conserva una componente mista difensiva che mantenga un supporto ampio
Domande frequenti
Che cos'è l'importance sampling?
È un metodo Monte Carlo che usa una misura di campionamento diversa, corretta con rapporti di verosimiglianza per conservare l'aspettativa target originale
Perché è utile per gli eventi rari?
Genera più percorsi nella regione del payoff o della perdita invece di aspettare contributi rari nella simulazione grezza
Uno stimatore con importance sampling è sempre imparziale?
Lo stimatore ordinario con ponderazione esatta è imparziale in presenza delle condizioni di supporto e integrabilità; le varianti auto-normalizzate generalmente non lo sono con campioni finiti
Che cos'è la degenerazione dei pesi?
È una situazione in cui pochi pesi estremi sostengono quasi tutto il valore stimato, producendo una varianza fragile e poche informazioni effettive