Todas las guías de opciones
Simular pagos raros sin esperar a que aparezcan15 min de lectura
Importance Sampling para eventos raros y opciones
Aprende cómo los cocientes de verosimilitud conservan expectativas, cómo la inclinación reduce varianza y cómo pesos degenerados arruinan una simulación
Preparado por Mark · Fuentes principales al final
Respuesta directa
Importance Sampling simula con una medida que visita más los resultados raros importantes y restaura la esperanza original con un cociente de verosimilitud. Una propuesta adecuada reduce mucho la varianza; una mala puede crear pesos inestables o incluso de varianza infinita
El cambio de medida conserva el objetivo
Para medida P, propuesta Q y pago h, E_P[h(X)]=E_Q[h(X)dP/dQ(X)] cuando la derivada es válida
El estimador promedia h(X_i)w(X_i) para muestras de Q y pesos w=dP/dQ
El peso exacto conserva insesgo; cambiar la ley sin el peso cambia la cantidad estimada
La propuesta debe volver común la contribución
La simulación cruda desperdicia rutas si un pago OTM profundo o default casi siempre vale cero
Una Q útil lleva masa a estados donde |h| es grande sin hacer demasiado desigual la contribución ponderada
Para h no negativa, la propuesta de varianza cero es proporcional a h(x)p(x), pero exige la esperanza desconocida
La inclinación exponencial usa geometría rara
Una inclinación pondera por exp(θX) y normaliza con la función generadora de momentos
Grandes desviaciones o punto silla pueden elegir θ para volver típico el objetivo bajo Q
Rutas, barreras, modos múltiples o colas gruesas pueden exigir propuestas dependientes del estado, adaptativas o mixtas
Finanzas ofrece pagos dispersos
Puede acelerar opciones lejanas, barreras, pérdidas crediticias, colas de exposición y algunas griegas por verosimilitud
Cada cambio de deriva o choque requiere el cociente de toda la ruta, no solo una corrección terminal
Descuento, dinámica neutral al riesgo, discretización, parada y observación deben coincidir con el objetivo original
La degeneración puede borrar la ganancia
Si Q da poca masa donde h importa, unos pesos enormes dominan la estimación
La media puede existir mientras E_Q[(hw)²] es infinita, invalidando varianza e intervalos centrales
Los log-pesos evitan underflow, pero no reparan soporte ausente, varianza infinita ni modos perdidos
Los diagnósticos no certifican
Rastrea histograma, máxima cuota, coeficiente de variación, tamaño efectivo y contribución por grupo
La auto-normalización ayuda si falta la constante, pero el estimador de razón suele estar sesgado en muestra finita
Un tamaño efectivo alto no prueba precisión si la propuesta nunca descubre una región relevante
La validación compara igual presupuesto
Repite estimadores crudo y ponderado con igual discretización y coste comparable
Prueba varianza, cobertura, sesgo, regiones raras, sensibilidad y estabilidad al hacer más raro el evento
Usa referencias analíticas y conserva un componente mixto defensivo con soporte amplio
Preguntas frecuentes
¿Qué es Importance Sampling?
Es Monte Carlo bajo otra medida, corregido por cocientes de verosimilitud para conservar la esperanza objetivo
¿Por qué ayuda con eventos raros?
Genera más rutas en la región de pago o pérdida en vez de esperar contribuciones infrecuentes
¿Siempre es insesgado?
El estimador ordinario bien ponderado lo es bajo condiciones; la versión auto-normalizada no suele serlo en muestra finita
¿Qué es degeneración de pesos?
Es cuando pocos pesos extremos aportan casi todo el valor y vuelven frágil la varianza y la información efectiva
Fuentes
Aplique esta idea a una opción
Elija un contrato y un objetivo para mantener visibles los supuestos de precio, tiempo y volatilidad en un mismo análisis
Analizar mi opción en inglés