Mnate Crlo Simultina flub lub
wartość Mnate Crlo ryzyko turns simupóźnyd ryzyko-neutrl pths do wartość, jak smplwg errlub byćhves, wykonanie pth dependence i wczesny wykonanie re hiled
Bezpośrednia odpowiedź
Wycena opcji metodą Monte Carlo symuluje ścieżki w wybranym modelu, oblicza i dyskontuje każdą wypłatę, a następnie uśrednia wyniki. Szacuje wartość tego modelu z błędem próbkowania; nie odkrywa prawdziwego procesu rynkowego
Wycena staje się zdyskontowanym oczekiwaniem
W wybranym modelu neutralnym względem ryzyka wartość odtwarzalnego instrumentu pochodnego może być zapisana jako wartość bieżąca jego przyszłej wypłaty uśrednionej po stanach modelu
Dla niektórych prostych roszczeń dostępne jest całkowanie w postaci zamkniętej. Monte Carlo zastępuje całkę niemożliwą do wykonania średnią próbkową wygenerowaną z liczb losowych
Metoda jest elastyczna, ponieważ wypłata może zależeć od kilku aktywów, dat, średnich, barier albo innych cech ścieżki, bez potrzeby tworzenia nowej formuły dla każdego roszczenia
Ścieżki muszą podążać za modelem wyceny
Wybierz dynamikę czynników bazowych, a następnie zasymuluj ich przyrosty od dziś do odpowiednich dat obserwacji i płatności
W mierze wyceny dryf wykorzystuje carry modelu, a nie kierunkową prognozę analityka. Korelacje, dywidendy, stopy i dynamika zmienności muszą być ze sobą zgodne
Dyskretyzacja czasu wprowadza obciążenie, gdy proces ciągły jest przybliżany na siatce. Bariery, skoki i szybko zmieniająca się zmienność mogą wymagać drobniejszych albo wyspecjalizowanych kroków
Każda ścieżka daje zdyskontowaną wypłatę
Dla calla europejskiego każda ścieżka potrzebuje tylko ceny końcowej: wypłata jest dodatnią częścią różnicy między ceną końcową a strike'em
Opcja azjatycka wymaga także próbkowanych średnich; bariera wymaga wiedzy, czy poziom został przekroczony; koszyk wymaga wspólnej symulacji składników
Uśrednij zdyskontowane wypłaty ścieżek, aby otrzymać estymator. Moment płatności i czynniki dyskontujące muszą odpowiadać kontraktowi, a nie być dodawane dopiero na końcu
Błąd próbkowania można zmierzyć, ale nie jest on błędem modelu
Ponieważ skończona próba jest losowa, inne ziarno losowe daje nieco inny szacunek. Błąd standardowy maleje w przybliżeniu wraz z pierwiastkiem kwadratowym z liczby ścieżek
Pomnożenie liczby ścieżek przez sto zmniejsza zatem zwykły błąd próbkowania mniej więcej dziesięciokrotnie, a nie stukrotnie. Precyzja staje się coraz droższa
Przedział ufności opisuje niepewność średniej próbkowej w zakodowanym modelu. Nie obejmuje błędnej dynamiki, danych wejściowych, dyskretyzacji ani błędów implementacji
Redukcja wariancji kupuje więcej precyzji na ścieżkę
Zmienne antytetyczne łączą przeciwne szoki. Zmienna kontrolna wykorzystuje powiązaną wypłatę o znanej wartości, aby usunąć wspólny szum
Stratyfikacja, sekwencje quasi-losowe, warunkowanie i wspólne liczby losowe także mogą pomóc. Korzyść zależy od gładkości wypłaty, wymiaru i implementacji
Raportuj technikę razem z oszacowaniem błędu. Pozornie stabilna liczba bez niezależnego benchmarku może ukrywać obciążenie zamiast większej precyzji
Wcześniejsze wykonanie wymaga decyzji o kontynuacji
Prosta symulacja forward naturalnie wycenia wypłaty ustalone w terminie zapadalności, ale opcja amerykańska porównuje natychmiastowe wykonanie z wartością kontynuacji w wielu datach
Longstaff–Schwartz szacuje wartość kontynuacji przez regresję późniejszych zdyskontowanych przepływów pieniężnych na funkcjach bieżącego stanu, a następnie stosuje regułę wykonania wstecz w czasie
Wynik zależy od funkcji bazowych, ścieżek, dat wykonania i zmiennych stanu. Słaba regresja może obciążyć politykę nawet wtedy, gdy symulacja końcowa jest poprawna
Walidacja wymaga kilku kontroli zbieżności
Najpierw odtwórz kontrakt za pomocą zaufanej formuły zamkniętej albo niezależnej metody numerycznej. Następnie zmieniaj liczbę ścieżek, krok czasu, ziarno i ustawienia redukcji wariancji
Śledź osobno estymat, błąd standardowy, czas działania i trend dyskretyzacji. Więcej ścieżek zmniejsza szum próbkowania, ale nie naprawia obciążonej siatki czasu ani modelu
W zastosowaniach produkcyjnych zamroź konwencje, testuj przypadki brzegowe, zapisuj ziarna i wersje oraz porównuj greki tak samo jak ceny. Odtwarzalność jest częścią wyceny
Częste pytania
Ile ścieżek Monte Carlo wystarczy?
Nie ma uniwersalnej liczby. Użyj raportowanego błędu standardowego, zbieżności przy większych próbach i tolerancji odpowiedniej dla decyzji
Czy Monte Carlo przewiduje przyszłą cenę akcji?
Nie. Ścieżki wyceny próbkują wybrany model neutralny względem ryzyka, aby wycenić wypłaty; nie są prognozami jednej rzeczywistej ścieżki, która się wydarzy
Dlaczego Monte Carlo zbiega wolno?
Zwykły błąd próbkowania spada w przybliżeniu jak odwrotność pierwiastka kwadratowego z liczby ścieżek, więc każdy dodatkowy znak precyzji może wymagać znacznie większych obliczeń
Czy Monte Carlo może wyceniać opcje amerykańskie?
Tak, ale proste uśrednianie końcowe jest niewystarczające. Metody takie jak Longstaff–Schwartz szacują wartość kontynuacji i politykę wykonania wstecz w czasie
Źródła i dalsza lektura
Szybki test
Przeczytano? Sprawdź się w 3 pytaniach
Pytanie 01
Które stwierdzenie najlepiej pasuje do tego przewodnika — Wycena staje się zdyskontowanym oczekiwaniem?
Wybierz odpowiedź, aby zobaczyć wyjaśnienie
Słownik opcji
A call or put whose strike is near the underlying price; it has little intrinsic value and often substantial sensitivity to time and volatility.
Czytaj szczegółowy przewodnikBlack–Scholes modelA benchmark model deriving European option value from no-arbitrage dynamic replication under assumptions such as continuous paths, constant volatility, and ideal trading.
Czytaj szczegółowy przewodnikBinomial 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.
Czytaj szczegółowy przewodnik