Amostragem de importância para eventos raros e opções
Saiba como a reponderação por razão de verossimilhança preserva expectativas, como o tilting exponencial reduz a variância de eventos raros e como a degeneração dos pesos pode arruinar uma simulação de opções
Resposta direta
A amostragem de importância simula sob uma medida proposta que visita resultados raros importantes com mais frequência e depois restaura a expectativa original com uma razão de verossimilhança. Uma proposta bem escolhida pode reduzir drasticamente a variância; uma proposta ruim pode criar pesos instáveis ou até de variância infinita
Uma mudança de medida preserva o alvo
Para a medida-alvo P, a proposta Q e o payoff h, E_P[h(X)]=E_Q[h(X)dP/dQ(X)] quando a derivada de Radon–Nikodym é válida
O estimador de Monte Carlo calcula a média de h(X_i)w(X_i) para amostras X_i extraídas de Q e pesos w=dP/dQ
A ponderação exata mantém o estimador comum não viesado; mudar a lei de amostragem sem o peso muda a quantidade estimada
A proposta deve tornar a contribuição comum
Uma simulação bruta desperdiça caminhos quando um payoff profundamente fora do dinheiro ou um evento de default é quase sempre zero
Uma Q útil desloca a probabilidade para estados em que |h| é grande, mantendo a contribuição ponderada razoavelmente uniforme
Para um integrando não negativo, a proposta de variância zero inalcançável é proporcional a h(x)p(x), porque exige a própria expectativa desconhecida
O tilting exponencial usa a geometria do evento raro
Um tilt exponencial repondera resultados por exp(θX) e normaliza com a função geradora de momentos
A análise de grandes desvios ou de saddlepoint pode escolher θ para que o alvo raro se torne típico sob Q
Para caminhos, barreiras, vários modos de perda ou caudas pesadas, um único tilt pode falhar e propostas dependentes do estado, adaptativas ou de mistura podem ser necessárias
Finanças oferecem muitos problemas de payoff esparso
A amostragem de importância pode acelerar opções de strikes extremos, barreiras, perdas de crédito, caudas de exposição e algumas estimativas de gregas por razão de verossimilhança
Cada mudança de drift ou choque precisa vir acompanhada da razão de verossimilhança correta para o caminho completo, não apenas de uma correção da densidade terminal
Desconto, dinâmica neutra ao risco, discretização, parada antecipada e monitoramento dependente do caminho precisam corresponder ao alvo original de precificação
A degeneração dos pesos pode apagar o ganho
Se Q atribuir pouca probabilidade onde h é material, alguns poucos pesos enormes podem dominar a estimativa
A média pode existir enquanto E_Q[(hw)²] é infinito, tornando inválidos a variância usual e o intervalo de confiança pelo teorema central do limite
Pesos em log evitam underflow numérico, mas não corrigem suporte ausente, variância infinita ou uma proposta que não encontra outro modo importante
Diagnósticos revelam, mas não certificam
Acompanhe histogramas de pesos, participação máxima, coeficiente de variação, tamanho efetivo da amostra e contribuições por estado ou agrupamento de caminhos
Pesos auto-normalizados podem ajudar quando a constante de normalização é desconhecida, mas o estimador de razão resultante geralmente é viesado em amostras finitas
Um tamanho efetivo de amostra alto, sozinho, não prova precisão se a proposta nunca descobrir uma região relevante
Valide com orçamentos computacionais iguais
Execute estimadores brutos e com amostragem de importância usando réplicas independentes, a mesma discretização e custo total comparável
Verifique variância amostral, cobertura de intervalos de confiança, viés, cobertura da região rara, sensibilidade à proposta e estabilidade conforme o evento se torna mais raro
Use benchmarks analíticos ou de transformada quando disponíveis e mantenha um componente de mistura defensivo que preserve suporte amplo
Perguntas frequentes
O que é amostragem de importância?
É Monte Carlo sob uma medida de amostragem diferente, corrigida por razões de verossimilhança para manter a expectativa do alvo original
Por que ela é útil para eventos raros?
Ela gera mais caminhos na região de payoff ou perda, em vez de esperar contribuições raras sob uma simulação bruta
Um estimador de amostragem de importância é sempre não viesado?
O estimador comum com ponderação exata é não viesado sob condições de suporte e integrabilidade; variantes auto-normalizadas geralmente não são em amostras finitas
O que é degeneração dos pesos?
É um estado em que alguns pesos extremos carregam quase todo o valor estimado, produzindo variância frágil e pouca informação efetiva