Greci numerici per il pricing delle opzioni spiegati
Scopri come i metodi bump-and-revalue, pathwise, likelihood-ratio e adjoint stimano i Greci delle opzioni e come diagnosticare l'errore numerico
Risposta diretta
I Greci numerici stimano le derivate del valore di un'opzione quando non è disponibile una formula analitica. I metodi bump-and-revalue, pathwise, likelihood-ratio e adjoint scambiano bias, varianza, requisiti di regolarità e costo computazionale
Un Greco è una derivata di una regola di valutazione
Il delta differenzia il valore rispetto allo spot, il vega rispetto a una coordinata di volatilità e il rho rispetto a un input di tasso. Il gamma differenzia di nuovo rispetto allo spot
La derivata appartiene a un modello specificato, a una costruzione dei dati di mercato e a una convenzione di mantenimento. Cambiare la regola della superficie di volatilità può cambiare il Greco
Le derivate in forma chiusa sono comode, ma payoff complessi, modelli calibrati, esercizio anticipato e portafogli grandi richiedono spesso stime numeriche
Bump and revalue è il punto di partenza universale
Aumenta un input di una piccola quantità h, ricalcola il prezzo e confrontalo con il valore di base. Un delta centrale usa [V(x+h) − V(x−h)] / 2h
Il gamma usa una differenza seconda, mentre le differenze unilaterali aiutano ai bordi o quando è valida una sola direzione
Il metodo tratta il pricer come una black box e funziona in modo ampio, ma ogni fattore di rischio può richiedere ulteriori valutazioni complete
L'ampiezza dello step bilancia troncamento e rumore numerico
Un bump grande misura la curvatura su un intervallo ampio invece della derivata locale e crea bias di troncamento
Un bump minimo sottrae prezzi quasi uguali, amplificando arrotondamenti, tolleranza del solver, rumore d'interpolazione ed errore di campionamento Monte Carlo
Esegui una sequenza di bump e cerca una regione stabile. Il miglior h dipende da unità, ordine del Greco, regolarità del payoff e precisione numerica
I numeri casuali comuni riducono il rumore Monte Carlo
Quando ricalcoli gli scenari con bump, riutilizza gli stessi numeri casuali così le differenze pathwise riflettono la variazione dell'input invece di campioni diversi
Questo accoppiamento può ridurre nettamente la varianza, ma non elimina il bias del bump finito né corregge il comportamento di un payoff discontinuo
Riporta gli errori standard del Greco stesso. Una stima del prezzo dall'aspetto stabile può comunque produrre una differenza rumorosa dopo la divisione per h
Le derivate pathwise differenziano ogni payoff simulato
Il metodo pathwise differenzia stati e valori del payoff simulati lungo ogni percorso, poi fa la media di quei campioni di derivata
Può essere efficiente per payoff regolari e può stimare più sensibilità da una sola simulazione, ma lo scambio tra derivata e aspettativa richiede condizioni
Indicatori digitali, barriere, decisioni di esercizio e cuspidi di calibrazione possono interrompere la differenziazione pathwise ordinaria o richiedere smoothing e trattamento specializzato
Gli stimatori likelihood-ratio differenziano le probabilità
Il metodo likelihood-ratio differenzia la densità simulata anziché il payoff, moltiplicando il payoff per una score function
Può gestire alcuni payoff discontinui che ostacolano le derivate pathwise, perché non è necessario differenziare il payoff stesso
La sua varianza può essere elevata, soprattutto per rischi di ordine superiore o profondamente out-of-the-money. Gli stimatori ibridi possono combinare i punti di forza di entrambi i metodi
I metodi adjoint invertono il calcolo della sensibilità
La differenziazione algoritmica adjoint propaga le sensibilità all'indietro attraverso il calcolo di valutazione, in modo simile alla differenziazione reverse-mode
È particolarmente interessante quando pochi output di portafoglio dipendono da molti input di mercato, come pilastri della curva o nodi della superficie di volatilità
Memoria, branching, solver iterativi, calibrazione e logica non regolare richiedono un'implementazione deliberata. La differenziazione automatica non garantisce una definizione significativa del rischio
La validazione richiede metodi indipendenti e invarianti
Confronta i Greci numerici con benchmark analitici per contratti semplici, poi verifica i payoff di produzione usando un secondo stimatore o uno shock di repricing maggiore
Testa segno, unità, scaling, sensibilità della parità put-call, aggregazione, simmetria del bump, convergenza, errori standard e risposta vicino ai bordi del payoff
Registra cosa si muove quando un input viene sottoposto a bump. Vega o delta sticky-strike, sticky-delta, ricalibrati e con superficie congelata rispondono a domande diverse
Domande frequenti
Cos'è bump and revalue?
Modifica un input del modello, riesegue la valutazione e divide la variazione di prezzo per la variazione dell'input per approssimare una sensibilità
Quanto deve essere piccolo il bump di un Greco?
Abbastanza piccolo da essere locale, ma abbastanza grande da dominare il rumore numerico. Una sequenza di ampiezze è più sicura di un'unica impostazione arbitraria
Cosa sono i Greci pathwise e likelihood-ratio?
I metodi pathwise differenziano i payoff simulati, mentre i metodi likelihood-ratio differenziano la densità di probabilità usata per generare i percorsi
Perché usare la differenziazione adjoint per i Greci?
Può calcolare in modo efficiente le sensibilità rispetto a molti input quando i valori di output sono relativamente pochi, anche se i dettagli dell'implementazione restano importanti