Importance sampling dla rzadkich zdarzeń i opcji
Dowiedz się, jak ważenie ilorazem wiarygodności zachowuje wartości oczekiwane, jak przechylenie wykładnicze ogranicza wariancję rzadkich zdarzeń i jak degeneracja wag może zepsuć symulację opcji
Bezpośrednia odpowiedź
Importance sampling symuluje według miary propozycji, która częściej odwiedza ważne rzadkie wyniki, a następnie przywraca pierwotną wartość oczekiwaną za pomocą ilorazu wiarygodności. Dobrze dobrana propozycja może znacznie ograniczyć wariancję; zła może tworzyć niestabilne, a nawet nieskończenie wariancyjne wagi
Zmiana miary zachowuje cel
Dla miary docelowej P, propozycji Q i wypłaty h zachodzi E_P[h(X)]=E_Q[h(X)dP/dQ(X)], gdy pochodna Radona-Nikodyma jest poprawna
Estymator Monte Carlo uśrednia h(X_i)w(X_i) dla losowań X_i z Q, przy wagach w=dP/dQ
Dokładne ważenie zachowuje nieobciążenie zwykłego estymatora; zmiana prawa próbkowania bez wagi zmienia estymowaną wielkość
Propozycja powinna czynić wkład częstym
Prosta symulacja marnuje ścieżki, gdy głęboka wypłata out-of-the-money lub zdarzenie niewykonania zobowiązania jest prawie zawsze równe zero
Użyteczna Q przesuwa prawdopodobieństwo w stronę stanów, w których |h| jest duże, zachowując względnie równy ważony wkład
Dla nieujemnego całkowania niedostępna propozycja zerowej wariancji jest proporcjonalna do h(x)p(x), ponieważ wymaga samej nieznanej wartości oczekiwanej
Przechylenie wykładnicze wykorzystuje geometrię rzadkiego zdarzenia
Przechylenie wykładnicze waży wyniki przez exp(θX) i normalizuje je funkcją tworzącą momenty
Analiza dużych odchyleń lub punktu siodłowego może dobrać θ tak, aby rzadki cel stał się typowy pod Q
W przypadku ścieżek, barier, wielu trybów strat lub ciężkich ogonów jedno stałe przechylenie może zawieść i mogą być potrzebne propozycje zależne od stanu, adaptacyjne lub mieszane
Finanse oferują wiele problemów z rzadką wypłatą
Importance sampling może przyspieszyć wycenę opcji z odległymi strike'ami, barier, strat kredytowych, ogonów ekspozycji i niektórych estymat greków metodą ilorazu wiarygodności
Każdej zmianie dryfu lub szoku musi towarzyszyć poprawny pełnościeżkowy iloraz wiarygodności, a nie tylko korekta gęstości końcowej
Dyskontowanie, dynamika neutralna względem ryzyka, dyskretyzacja, wcześniejsze zatrzymanie i monitorowanie zależne od ścieżki muszą odpowiadać pierwotnemu celowi wyceny
Degeneracja wag może wymazać zysk
Jeśli Q przypisuje zbyt małe prawdopodobieństwo obszarowi, w którym h ma istotną wartość, kilka ogromnych wag może zdominować estymatę
Średnia może istnieć, podczas gdy E_Q[(hw)²] jest nieskończone, przez co zwykła wariancja i przedział ufności oparty na centralnym twierdzeniu granicznym są nieważne
Logarytmy wag zapobiegają niedomiarowi numerycznemu, ale nie naprawiają braku nośnika, nieskończonej wariancji ani propozycji pomijającej inny ważny tryb
Diagnostyka ujawnia problemy, ale nie daje certyfikatu
Śledź histogramy wag, maksymalny udział, współczynnik zmienności, efektywną liczebność próby oraz wkłady według stanu lub klastra ścieżek
Wagi samonormalizujące mogą pomóc, gdy stała normalizująca jest nieznana, ale wynikowy estymator ilorazowy jest na ogół obciążony przy skończonych próbach
Sama wysoka efektywna liczebność próby nie dowodzi poprawności, jeśli propozycja nigdy nie odkrywa istotnego obszaru
Walidacja porównuje równe budżety obliczeniowe
Uruchom estymatory proste i oparte na importance sampling z niezależnymi replikacjami, identyczną dyskretyzacją i porównywalnym całkowitym kosztem
Sprawdź wariancję próby, pokrycie przedziałów ufności, obciążenie, pokrycie obszaru rzadkiego, wrażliwość propozycji i stabilność, gdy zdarzenie staje się rzadsze
Używaj benchmarków analitycznych lub transformacyjnych, gdy są dostępne, i zachowaj defensywny składnik mieszanki, który utrzymuje szeroki nośnik
Częste pytania
Czym jest importance sampling?
To metoda Monte Carlo działająca pod inną miarą próbkowania, korygowaną ilorazami wiarygodności, aby zachować pierwotną wartość oczekiwaną
Dlaczego jest użyteczny dla rzadkich zdarzeń?
Generuje więcej ścieżek w obszarze wypłaty lub straty, zamiast czekać na rzadkie wkłady w prostej symulacji
Czy estymator importance sampling jest zawsze nieobciążony?
Zwykły dokładnie ważony estymator jest nieobciążony przy warunkach nośnika i całkowalności; warianty samonormalizujące na ogół nie są nieobciążone przy skończonych próbach
Czym jest degeneracja wag?
To stan, w którym kilka skrajnych wag niesie prawie całą oszacowaną wartość, tworząc kruchą wariancję i mało użytecznej informacji
Źródła i dalsza lektura
Szybki test
Przeczytano? Sprawdź się w 3 pytaniach
Pytanie 01
Które stwierdzenie najlepiej pasuje do tego przewodnika — Zmiana miary zachowuje cel?
Wybierz odpowiedź, aby zobaczyć wyjaśnienie
Słownik opcji
A 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.
Czytaj szczegółowy przewodnikCharacteristic functionThe complex transform φ(u)=E[e^{iuX}], which exists for every real frequency and uniquely determines the probability distribution of X.
Czytaj szczegółowy przewodnikCarr–Madan methodA method that exponentially damps call prices in log strike, then uses a complex-shifted characteristic function and Fourier inversion to calculate European option prices.
Czytaj szczegółowy przewodnik