L'approssimazione saddlepoint nel pricing delle opzioni spiegata
Comprendi l'equazione saddlepoint, le approssimazioni della densità e della coda, l'exponential tilting, gli usi nel pricing delle opzioni e i controlli numerici importanti
Risposta diretta
L'approssimazione saddlepoint usa la funzione generatrice dei cumulanti per inclinare una distribuzione verso un risultato obiettivo, poi applica una correzione gaussiana locale in quel punto. Spesso stima densità e probabilità di coda con precisione, ma solo dove la funzione generatrice dei momenti e il saddlepoint sono validi
Il punto obiettivo sceglie l'inclinazione
Sia M(t)=E[e^{tX}] la funzione generatrice dei momenti e K(t)=log M(t) la funzione generatrice cumulativa
Per un punto obiettivo x, risolvi l'equazione saddlepoint K′(t̂)=x; la soluzione t̂ seleziona l'exponential tilting centrato vicino a x
A differenza di un'approssimazione normale fissata sulla media originale, il calcolo ricostruisce la propria approssimazione locale per ogni punto obiettivo
La densità ha un termine esponenziale e uno locale
Una forma comune della densità è f_X(x)≈exp[K(t̂)−t̂x]/√(2πK″(t̂)), con aggiustamenti di scala per somme o medie
L'esponente misura il costo di spostarsi verso x, mentre K″(t̂) fornisce la curvatura locale e la normalizzazione gaussiana
Questa struttura collega i metodi saddlepoint all'exponential tilting, alla discesa ripida e alle funzioni di tasso delle grandi deviazioni
Le probabilità di coda richiedono una formula raffinata
Integrare ingenuamente una densità approssimata può perdere precisione, soprattutto quando l'evento è lontano dalla media
L'approssimazione di Lugannani–Rice usa le quantità trasformate w e u per correggere direttamente una coda normale
La sua singolarità apparente vicino a t̂=0 richiede una formula limite o un'espansione stabile invece della valutazione letterale di termini che si annullano
Le opzioni possono essere costruite da code inclinate
Una call europea può essere espressa tramite aspettative di coda scontate, quindi le approssimazioni saddlepoint possono puntare alle probabilità di esercizio e ai momenti troncati
I cumulanti devono appartenere alla variabile risk-neutral effettivamente usata, mantenendo coerenti forward, sconto e convenzioni del payoff
In alternativa si può integrare la densità approssimata, ma normalizzazione e media martingala devono essere controllate invece che presunte
L'esistenza è la prima domanda numerica
La funzione generatrice dei momenti deve essere finita intorno a t̂, K deve essere sufficientemente liscia e convessa e K″(t̂) deve essere positiva
L'esplosione dei momenti può porre uno strike richiesto oltre il dominio della trasformata, mentre atomi o confini possono sconfiggere l'approssimazione a densità liscia
La ricerca della radice fallisce anche quando l'obiettivo non è raggiungibile, la derivata è mal scalata o più rami numerici vengono scambiati per soluzioni valide
La precisione non coincide con l'ammissibilità
Anche un piccolo errore puntuale nella densità può produrre probabilità negative, una CDF non monotona o una media terminale incoerente con il forward
I prezzi delle opzioni devono comunque rispettare limiti, parità put-call, monotonicità rispetto allo strike e convessità rispetto allo strike dopo l'assemblaggio dell'approssimazione
Per una striscia di strike, esamina congiuntamente la curva dei prezzi risultante invece di accettare ogni risoluzione riuscita della radice in modo indipendente
Un'implementazione disciplinata verifica se stessa
Verifica K(0)=0, K′(0) rispetto alla media, K″(0) rispetto alla varianza e le derivate numeriche rispetto a derivate analitiche o automatiche
Confronta densità, code della CDF, momenti troncati e prezzi delle opzioni con quadratura, inversione di Fourier o Monte Carlo su strike centrali e lontani
Registra dominio della trasformata, intervallo della radice, residuo, curvatura, trattamento vicino alla media e diagnostica finale di arbitraggio per una calibrazione riproducibile
Domande frequenti
Che cos'è un'approssimazione saddlepoint?
È un metodo asintotico che combina l'exponential tilting in corrispondenza di un obiettivo con una correzione di curvatura derivata dalla funzione generatrice cumulativa
Perché può funzionare bene nelle code?
Centra una nuova approssimazione locale vicino a ogni obiettivo invece di estendere verso l'esterno dalla media originale una singola approssimazione gaussiana
Cosa succede quando il saddlepoint è vicino a zero?
È il caso vicino alla media, in cui le formule con i termini 1/w e 1/u che si annullano richiedono un'espansione limite stabile
Un saddlepoint valido garantisce prezzi delle opzioni validi?
No. I prezzi assemblati devono comunque preservare probabilità, forward risk-neutral, limiti di prezzo, parità, monotonicità e convessità