Metoda Laplace’a a metoda największego spadku — wyjaśnienie
Porównaj rzeczywiste asymptotyki Laplace’a ze stromym spadkiem po zespolonym konturze, poznaj wiodący wzór siodła i zobacz, jak osobliwości oraz konkurujące siodła wpływają na obliczenia opcji
Bezpośrednia odpowiedź
Metoda Laplace’a przybliża rzeczywistą całkę z dużym parametrem na podstawie otoczenia jej dominującego maksimum lub minimum. Metoda największego spadku rozszerza tę ideę na całki po zespolonych konturach, deformując ścieżkę przez wnoszące wkład punkty siodłowe w kierunkach, w których całand spada najszybciej
Duży parametr lokalizuje całkę
Rozważ I(λ)=∫_a^b g(x)e^{-λf(x)}dx przy λ→∞
Obszary, w których f jest większa, są tłumione wykładniczo, więc minimum f może zdominować całą całkę
Metoda zastępuje całkę globalną lokalnymi rozwinięciami f i g w pobliżu punktu dominującego
Proste minimum wewnętrzne daje składnik gaussowski
Jeśli x₀ jest jedynym minimum wewnętrznym, f″(x₀)>0, a g(x₀)≠0, rozwiń f kwadratowo wokół x₀
Wiodący wynik to I(λ)≈g(x₀)e^{-λf(x₀)}√[2π/(λf″(x₀))]
Minima na końcach, znikające amplitudy, zdegenerowana krzywizna lub wiele minimów wymagają innych potęg albo sumy wkładów
Metoda największego spadku używa geometrii zespolonej
Dla całki po konturze ∫_Γg(z)e^{-λf(z)}dz punkty siodłowe spełniają f′(z_s)=0 na płaszczyźnie zespolonej
Deformuje się Γ przez odpowiednie siodła wzdłuż ścieżek, na których Im f jest stała, a Re f rośnie przy oddalaniu się, więc wykładnik zanika
Deformacja jest dozwolona tylko wtedy, gdy zachowane są analityczność, końce, sektory zaniku, orientacje i wybory gałęzi
Metody pokrewne nie są identyczne
Rzeczywista metoda Laplace’a skupia się na maksimach lub minimach rzeczywistego wykładnika, podczas gdy metoda największego spadku wybiera zespolone kontury zaniku
Metoda fazy stacjonarnej obsługuje oscylacyjne całki rzeczywiste, w których pochodna fazy znika, często prowadząc do znoszenia się, a nie do czystego zaniku
Asymptotyczne przybliżenie saddlepoint w statystyce jest pokrewnym zastosowaniem transformacji, ale zawiera normalizację właściwą dla prawdopodobieństwa i wzory ogonowe
Wycena opcji dostarcza całek transformacyjnych
Odwrócenia Fouriera i Laplace’a dla cen neutralnych względem ryzyka mogą otrzymać duży parametr przez zapadalność, strike albo skalę małego szumu
Dominujące siodło może ujawnić wiodące zachowanie ceny ogona i zmienności implikowanej bardziej bezpośrednio niż całkowanie siłowe
Kontur musi pozostać w pasie momentów funkcji charakterystycznej oraz zachować konwencje dyskontowania i martyngału
Siodła mogą się przełączać, łączyć lub znikać
Gdy dwa siodła wymieniają dominację, wyrażenie asymptotyczne może zmienić się skokowo w poprzek linii Stokesa, mimo że dokładna całka jest gładka
Zlewające się siodła albo siodło zbliżające się do końca wymagają przybliżenia jednostajnego, a nie osobnych składników gaussowskich
Przecięcie bieguna lub cięcia gałęzi podczas deformacji dodaje residua albo składniki nieciągłości i może całkowicie zmienić odpowiedź
Walidacja łączy geometrię i numerykę
Zlokalizuj wszystkie kandydackie siodła, sklasyfikuj krzywiznę, prześledź dopuszczalne ścieżki spadku i jawnie śledź osobliwości oraz cięcia gałęzi
Porównaj składniki wiodące i wyższych rzędów z bezpośrednim całkowaniem numerycznym dla kilku wartości λ i sprawdź przewidywane skalowanie błędu
Dla cen opcji sprawdź również rzeczywistość, dodatniość, ograniczenia, parytet put-call, wypukłość względem strike'a i stabilność przy alternatywnych poprawnych konturach
Częste pytania
Czym jest metoda Laplace’a?
Jest przybliżeniem dla dużego parametru, które wyznacza rzeczywistą całkę z otoczenia dominującego maksimum lub minimum wykładnika
Czym różni się metoda największego spadku?
Pracuje z zespolonymi konturami i deformuje ścieżkę przez siodła wzdłuż kierunków najszybszego wykładniczego zaniku
Czy każdy punkt siodłowy należy do odpowiedzi?
Nie. Siodło wnosi wkład tylko wtedy, gdy oryginalny kontur można zdeformować na jego ścieżkę spadku bez naruszenia ograniczeń analitycznych
Dlaczego zlewające się siodła powodują problemy?
Ich otoczenia nakładają się, więc odizolowane przybliżenia gaussowskie tracą jednostajną dokładność i trzeba je zastąpić wspólnym przybliżeniem kanonicznym
Źródła i dalsza lektura
Szybki test
Przeczytano? Sprawdź się w 3 pytaniach
Pytanie 01
Które stwierdzenie najlepiej pasuje do tego poradnika — Duży parametr lokalizuje całkę?
Wybierz odpowiedź, aby zobaczyć wyjaśnienie
Słownik opcji
The portion of premium above intrinsic value, reflecting remaining time, expected uncertainty, rates, dividends, and supply and demand.
Czytaj szczegółowy przewodnikGammaAn estimate of how much delta may change for a small move in the underlying, all else equal; it often becomes more concentrated near expiration and near the money.
Czytaj szczegółowy przewodnik