Browni§1¤n Bridge f§0¤ B§2¤rrier ¤0¤ Expl§3¤§4¤ed
¤1¤ §3¤ Browni§4¤n bridge estim§5¤tes m§18¤sed b§6¤rrier cross§11¤gs §1¤ M§14¤te C§7¤rlo §0¤s ¤2¤ endpo§12¤ts §8¤l§15¤e c§9¤n bi§10¤s c§16¤t§13¤uously m§17¤it§2¤ed ¤0¤s
Bezpośrednia odpowiedź
Most Browna warunkuje ciągłą ścieżkę dyfuzji na podstawie jej symulowanych punktów końcowych. W Monte Carlo dla opcji barierowych szacuje prawdopodobieństwo, że ścieżka przekroczyła barierę między dwiema datami, ograniczając błąd powstający, gdy dyskretne próbki traktuje się jak monitoring ciągły
Punkty końcowe nie ujawniają każdego przecięcia
Załóżmy, że symulowana cena znajduje się poniżej bariery górnej zarówno na początku, jak i na końcu jednodniowego przedziału. Ciągła ścieżka nadal może przekroczyć barierę i wrócić poniżej niej
Sprawdzanie wyłącznie punktów końcowych z dnia lub godziny ma więc tendencję do pomijania zdarzeń knock-out lub knock-in, gdy kontrakt jest monitorowany ciągle
Większa liczba kroków czasowych zmniejsza ten błąd, ale może być kosztowna i nadal pozostawiać resztkowy błąd monitoringu
Most uzupełnia warunkową niepewność ścieżki
Dla ruchu Browna warunkowanie na dwóch wartościach końcowych daje rozkład pośredni, którego średnia podąża za linią prostą między nimi
Jego wariancja wynosi zero na obu końcach i jest największa wewnątrz przedziału. Ta warunkowa fluktuacja jest mostem Browna
Po przekształceniu dyfuzji do odpowiedniej postaci log-ceny ta sama idea daje prawdopodobieństwo przecięcia w każdym przedziale przy założeniu danego modelu
Przedział blisko bariery wymaga czegoś więcej niż jednego kwotowania
Wyobraź sobie poziom up-and-out równy 110, z symulowanymi cenami końcowymi 104 i 106 w krótkim przedziale
Żaden punkt końcowy nie uruchamia bariery. Korekta mostem nadal przypisuje dodatnie prawdopodobieństwo przecięcia, ponieważ nieobserwowana ścieżka może wzrosnąć powyżej 110 i wrócić
Prawdopodobieństwo zależy od odległości do bariery, długości przedziału i modelowanej wariancji. Nie należy zastępować go stałym procentem
Monte Carlo może używać ważenia lub losowań warunkowych
Jedna metoda mnoży wypłatę każdej ścieżki przez jej przedziałowe prawdopodobieństwa przetrwania. Inna losuje, czy doszło do przecięcia, korzystając z prawdopodobieństw mostu
Ważenie często obniża wariancję, ponieważ pozwala uniknąć dodatkowego losowania binarnego, podczas gdy próbkowanie warunkowe może być przydatne, gdy sam czas przecięcia wpływa na przepływy gotówkowe
Obie metody muszą używać rzeczywistej konwencji obserwacji kontraktu. Niektóre notowane produkty są monitorowane tylko w określonych godzinach, a nie ciągle
Most jest korektą modelu, a nie pewnością rynkową
Standardowy wzór zakłada ciągłą dyfuzję z wybraną zmiennością, stopami procentowymi i danymi o dywidendach w przedziale
Skoki mogą przekroczyć barierę w sposób, który ciągły most zaniża. Zmienność stochastyczna, zmienność lokalna, dywidendy dyskretne i limity cenowe również zmieniają model
Zweryfikuj wynik na obliczeniach z gęstszą siatką, przetestuj odległość bariery i zmienność oraz oddziel prawne warunki kontraktu od wygodnego przybliżenia symulacyjnego
Częste pytania
Dlaczego most Browna jest przydatny dla opcji barierowych?
Szacuje, czy bariera monitorowana ciągle została przekroczona między symulowanymi datami, gdy symulacja oparta wyłącznie na punktach końcowych może pominąć to zdarzenie
Czy most Browna czyni symulację bariery dokładną?
Jest dokładny tylko dla określonej ciągłej dyfuzji i konwencji monitoringu. Skoki, zmieniająca się zmienność i szczegóły kontraktu mogą wymagać innego modelu
Czy po prostu dodać więcej kroków czasowych Monte Carlo?
Drobniejsze kroki pomagają, ale most może wydajniej usunąć znaczną część błędu między krokami. Nadal warto porównać oba podejścia jako kontrolę numeryczną
Źródła i dalsza lektura
Szybki test
Przeczytano? Sprawdź się w 3 pytaniach
Pytanie 01
Które stwierdzenie najlepiej odpowiada temu przewodnikowi — Punkty końcowe nie ujawniają każdego przecięcia?
Wybierz odpowiedź, aby zobaczyć wyjaśnienie
Słownik opcji
A numerical method that generates many paths from a specified random model and estimates derivative value and sampling error from discounted payoffs.
Czytaj szczegółowy przewodnikFeynman–Kac formulaA representation that links a suitable linear parabolic PDE to a conditional expectation of discounted terminal and running payoffs along diffusion paths.
Czytaj szczegółowy przewodnikModel riskThe risk that model structure, data, parameters, numerics, or misuse causes valuation, sensitivity, or hedging results to differ materially from reality.
Czytaj szczegółowy przewodnik