Importance Sampling untuk Kejadian Langka dan Opsyen
Ketahui cara pembobotan ulang rasio likelihood mempertahankan ekspektasi, cara exponential tilting mengurangi varians kejadian langka, serta bagaimana degenerasi bobot boleh merusak simulasi opsyen
Jawapan terus
Importance sampling mensimulasikan di bawah ukuran cadangan yang lebih kerap melawati hasil jarang yang penting, kemudian memulihkan jangkaan asal dengan nisbah kebolehjadian. Cadangan yang dipilih dengan baik boleh mengurangkan varians secara mendadak; cadangan yang buruk boleh mencipta pemberat tidak stabil atau malah varians tak terhingga
Perubahan ukuran mengekalkan sasaran
Bagi ukuran sasaran P, cadangan Q, dan hasil h, E_P[h(X)]=E_Q[h(X)dP/dQ(X)] apabila terbitan Radon–Nikodym sah
Penganggar Monte Carlo mempuratakan h(X_i)w(X_i) untuk cabutan X_i daripada Q dan pemberat w=dP/dQ
Pemberatan tepat mengekalkan penganggar biasa tidak bias; menukar hukum pensampelan tanpa pemberat menukar kuantiti yang dianggarkan
Cadangan patut menjadikan sumbangan biasa
Simulasi kasar membazirkan laluan apabila hasil deep out-of-the-money atau peristiwa default hampir sentiasa sifar
Q yang berguna mengalihkan kebarangkalian ke arah keadaan yang |h| besar sambil mengekalkan sumbangan berwajaran agak sekata
Bagi integrand bukan negatif, cadangan sifar-varians yang tidak boleh dicapai adalah berkadar dengan h(x)p(x), kerana ia memerlukan jangkaan yang tidak diketahui itu sendiri
Exponential tilting menggunakan geometri peristiwa jarang
Exponential tilt mewajarkan semula hasil dengan exp(θX) dan menormalkan menggunakan fungsi penjana momen
Analisis sisihan besar atau saddlepoint boleh memilih θ supaya sasaran jarang menjadi biasa di bawah Q
Bagi laluan, barrier, pelbagai mod kerugian, atau ekor berat, satu tilt tetap mungkin gagal dan cadangan bergantung keadaan, adaptif, atau campuran mungkin diperlukan
Kewangan menawarkan banyak masalah hasil jarang
Importance sampling boleh mempercepatkan opsyen strike dalam, barrier, kerugian kredit, ekor pendedahan, dan sesetengah anggaran Greek nisbah kebolehjadian
Setiap perubahan drift atau kejutan mesti disertai nisbah kebolehjadian laluan penuh yang betul, bukan sekadar pembetulan ketumpatan terminal
Diskaun, dinamik neutral risiko, pendiskretan, penghentian awal, dan pemantauan bergantung laluan mesti sepadan dengan sasaran penetapan harga asal
Kemerosotan pemberat boleh menghapuskan keuntungan
Jika Q memberikan kebarangkalian terlalu kecil di tempat h material, beberapa pemberat besar boleh menguasai anggaran
Min mungkin wujud sementara E_Q[(hw)²] tidak terhingga, menjadikan varians biasa dan sela keyakinan had pusat tidak sah
Log pemberat menghalang underflow berangka, tetapi tidak membaiki sokongan yang hilang, varians tak terhingga, atau cadangan yang terlepas mod penting lain
Diagnostik mendedahkan tetapi tidak mengesahkan
Jejaki histogram pemberat, bahagian maksimum, pekali variasi, saiz sampel berkesan, dan sumbangan mengikut kluster keadaan atau laluan
Pemberat dinormalkan sendiri boleh membantu apabila pemalar normalisasi tidak diketahui, tetapi penganggar nisbah yang terhasil biasanya bias pada sampel terhingga
Saiz sampel berkesan yang tinggi sahaja bukan bukti ketepatan jika cadangan tidak pernah menemui rantau yang relevan
Pengesahan membandingkan bajet pengiraan yang sama
Jalankan penganggar kasar dan importance-sampled dengan replikasi bebas, pendiskretan serupa, dan jumlah kos yang setanding
Semak varians sampel, liputan sela keyakinan, bias, liputan rantau jarang, sensitiviti cadangan, dan kestabilan apabila peristiwa menjadi semakin jarang
Gunakan penanda aras analitik atau transformasi apabila tersedia dan kekalkan komponen campuran pertahanan yang memelihara sokongan luas
Soalan lazim
Apakah importance sampling?
Ia ialah Monte Carlo di bawah ukuran pensampelan yang berbeza, dibetulkan dengan nisbah kebolehjadian supaya jangkaan sasaran asal dikekalkan
Mengapa ia berguna untuk peristiwa jarang?
Ia menjana lebih banyak laluan di rantau hasil atau kerugian dan bukannya menunggu sumbangan jarang dalam simulasi kasar
Adakah penganggar importance-sampling sentiasa tidak bias?
Penganggar biasa yang diwajarkan tepat adalah tidak bias di bawah syarat sokongan dan kebolehkamiran; varian dinormalkan sendiri biasanya tidak bias pada sampel terhingga
Apakah kemerosotan pemberat?
Ia ialah keadaan apabila beberapa pemberat ekstrem membawa hampir semua nilai anggaran, lalu menghasilkan varians rapuh dan maklumat berkesan yang rendah
Sumber dan bacaan lanjut
Semakan pantas
Sudah membaca panduan? Uji diri dengan 3 soalan
Soalan 01
Pernyataan manakah paling sepadan dengan panduan ini — Perubahan ukuran mengekalkan sasaran?
Pilih jawapan untuk melihat penjelasan
Glosari opsyen
A benchmark model deriving European option value from no-arbitrage dynamic replication under assumptions such as continuous paths, constant volatility, and ideal trading.
Baca panduan terperinciBinomial treeA discrete pricing model that gives the underlying an up or down node at each step and works backward from terminal payoffs to option value.
Baca panduan terperinciMartingaleA stochastic process whose next value has conditional expectation equal to its current value under specified information and measure; it need not be constant or riskless.
Baca panduan terperinci