Przybliżenie saddlepoint w wycenie opcji — wyjaśnienie
Zrozum równanie saddlepoint, przybliżenia gęstości i ogonów, wykładnicze przechylenie, zastosowania w wycenie opcji oraz istotne kontrole numeryczne
Bezpośrednia odpowiedź
Przybliżenie saddlepoint wykorzystuje funkcję tworzącą kumulanty do przechylenia rozkładu w stronę docelowego wyniku, a następnie stosuje tam lokalną korektę gaussowską. Często dokładnie szacuje gęstości i prawdopodobieństwa ogona, ale tylko tam, gdzie funkcja tworząca momenty i saddlepoint są poprawnie określone
Punkt docelowy wybiera przechylenie
Niech M(t)=E[e^{tX}] będzie funkcją tworzącą momenty, a K(t)=log M(t) funkcją tworzącą kumulanty
Dla celu x rozwiąż równanie saddlepoint K′(t̂)=x; rozwiązanie t̂ wybiera przechylenie wykładnicze wycentrowane w pobliżu x
W przeciwieństwie do przybliżenia normalnego ustalonego przy pierwotnej średniej, obliczenie odbudowuje lokalne przybliżenie dla każdego celu
Gęstość ma składnik wykładniczy i lokalny
Częsta postać gęstości to f_X(x)≈exp[K(t̂)−t̂x]/√(2πK″(t̂)), z poprawkami skalującymi dla sum lub średnich
Wykładnik mierzy koszt przejścia do x, podczas gdy K″(t̂) dostarcza lokalnej krzywizny i gaussowskiej normalizacji
Ta struktura łączy metody saddlepoint z przechyleniem wykładniczym, metodą największego spadku i funkcjami szybkości dużych odchyleń
Prawdopodobieństwa ogona wymagają udoskonalonego wzoru
Naiwne całkowanie przybliżonej gęstości może tracić dokładność, zwłaszcza gdy zdarzenie jest daleko od średniej
Przybliżenie Lugannaniego–Rice'a wykorzystuje przekształcone wielkości w i u, aby bezpośrednio skorygować normalny ogon
Pozorna osobliwość w pobliżu t̂=0 wymaga wzoru granicznego lub stabilnego rozwinięcia zamiast dosłownego obliczania skracających się składników
Opcje można budować z przechylonych ogonów
Europejski call można wyrazić przez zdyskontowane wartości oczekiwane ogona, dlatego przybliżenia saddlepoint mogą dotyczyć prawdopodobieństw wykonania i momentów obciętych
Kumulanty muszą należeć do faktycznie używanej zmiennej neutralnej względem ryzyka, przy zachowaniu spójności forwardu, dyskontowania i konwencji wypłaty
Alternatywnie można całkować przybliżoną gęstość, ale normalizację i średnią martyngałową należy sprawdzić, a nie zakładać
Istnienie jest pierwszym pytaniem numerycznym
Funkcja tworząca momenty musi być skończona w otoczeniu t̂, K powinna być dostatecznie gładka i wypukła, a K″(t̂) powinna być dodatnia
Eksplozja momentów może umieścić żądany strike poza dziedziną transformaty, podczas gdy atomy lub granice mogą pokonać przybliżenie gładkiej gęstości
Znajdowanie pierwiastka również kończy się niepowodzeniem, gdy cel jest nieosiągalny, pochodna jest źle wyskalowana lub kilka gałęzi numerycznych zostanie pomylonych z poprawnymi rozwiązaniami
Dokładność nie jest tym samym co dopuszczalność
Nawet mały punktowy błąd gęstości może prowadzić do ujemnych prawdopodobieństw, niemonotonicznej dystrybuanty lub końcowej średniej niespójnej z forwardem
Ceny opcji nadal muszą spełniać ograniczenia, parytet put–call, monotoniczność względem strike'u i wypukłość względem strike'u po złożeniu przybliżenia
Dla pasma strike'ów analizuj wspólnie wynikową krzywą cenową, zamiast niezależnie akceptować każdy pomyślny wynik znajdowania pierwiastka
Zdyscyplinowana implementacja sprawdza samą siebie
Zweryfikuj K(0)=0, K′(0) względem średniej, K″(0) względem wariancji oraz pochodne numeryczne względem pochodnych analitycznych lub automatycznych
Porównuj gęstości, ogony dystrybuanty, momenty obcięte i ceny opcji z kwadraturą, odwróceniem Fouriera lub metodą Monte Carlo dla centralnych i odległych strike'ów
Rejestruj dziedzinę transformaty, przedział pierwiastka, resztę, krzywiznę, sposób traktowania wartości bliskich średniej oraz końcową diagnostykę arbitrażu, aby kalibracja była odtwarzalna
Częste pytania
Czym jest przybliżenie saddlepoint?
To metoda asymptotyczna, która łączy przechylenie wykładnicze w punkcie docelowym z korektą krzywizny wyprowadzoną z funkcji tworzącej kumulanty
Dlaczego może dobrze działać w ogonach?
Centruje nowe lokalne przybliżenie w pobliżu każdego celu, zamiast rozciągać jedno przybliżenie gaussowskie od pierwotnej średniej
Co się dzieje, gdy saddlepoint jest blisko zera?
Jest to przypadek bliski średniej, w którym wzory z redukującymi się składnikami 1/w i 1/u wymagają stabilnego rozwinięcia granicznego
Czy poprawny saddlepoint gwarantuje poprawne ceny opcji?
Nie. Złożone ceny nadal muszą zachowywać prawdopodobieństwo, forward neutralny względem ryzyka, ograniczenia cenowe, parytet, monotoniczność i wypukłość
Źródła i dalsza lektura
Szybki test
Przeczytano? Sprawdź się w 3 pytaniach
Pytanie 01
Które stwierdzenie najlepiej odpowiada temu przewodnikowi — Punkt docelowy wybiera przechylenie?
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