Gregas numéricas para precificação de opções explicadas

Delta diferencia o valor em relação ao à vista, vega em relação a uma coordenada de volatilidade e rho em relação a uma entrada de taxa. Gamma diferencia novamente em relação ao à vista

A derivada pertence a um modelo especificado, a uma construção de dados de mercado e a uma convenção de manutenção. Mudar a regra da superfície de volatilidade pode mudar a grega

Derivadas em forma fechada são convenientes, mas payoffs complexos, modelos calibrados, exercício antecipado e portfólios grandes frequentemente exigem estimativas numéricas

Aumente uma entrada em uma pequena quantidade h, reavalie e compare com o valor-base. Um delta central usa [V(x+h) − V(x−h)] / 2h

Gamma usa uma segunda diferença, enquanto diferenças unilaterais ajudam em fronteiras ou quando apenas uma direção válida existe

O método trata o precificador como uma caixa-preta e funciona amplamente, mas cada fator de risco pode exigir avaliações completas adicionais

Uma perturbação grande mede a curvatura em um intervalo amplo, e não a derivada local, criando viés de truncamento

Uma perturbação minúscula subtrai preços quase iguais, amplificando arredondamento, tolerância do solucionador, ruído de interpolação e erro de amostragem de Monte Carlo

Execute uma sequência de perturbações e procure uma região estável. O melhor h depende das unidades, da ordem da grega, da suavidade do payoff e da precisão numérica

Ao reavaliar cenários perturbados, reutilize os mesmos números aleatórios para que as diferenças entre trajetórias reflitam a mudança da entrada, e não amostras não relacionadas

Esse acoplamento pode reduzir bastante a variância, mas não remove o viés da perturbação finita nem corrige um payoff descontínuo

Reporte erros-padrão da própria grega. Uma estimativa de preço que parece estável ainda pode produzir uma diferença ruidosa depois da divisão por h

O método pathwise diferencia estados simulados e valores de payoff em cada trajetória, depois calcula a média dessas amostras de derivadas

Ele pode ser eficiente para payoffs suaves e estimar várias sensibilidades em uma simulação, mas a troca entre derivada e esperança exige condições

Indicadores digitais, barreiras, decisões de exercício e quinas de calibração podem interromper a diferenciação pathwise comum ou exigir suavização e tratamento especializado

O método da razão de verossimilhança diferencia a densidade simulada, e não o payoff, multiplicando o payoff por uma função escore

Ele pode lidar com alguns payoffs descontínuos que dificultam derivadas pathwise, porque o próprio payoff não precisa ser diferenciado

Sua variância pode ser alta, especialmente para riscos de ordem superior ou profundamente fora do dinheiro. Estimadores híbridos podem combinar os pontos fortes dos dois métodos

A diferenciação algorítmica adjunta propaga sensibilidades para trás pela computação de avaliação, de modo semelhante à diferenciação em modo reverso

Ela é especialmente atraente quando um pequeno número de saídas do portfólio depende de muitas entradas de mercado, como pilares de uma curva ou nós de uma superfície de volatilidade

Memória, ramificações, solucionadores iterativos, calibração e lógica não suave exigem uma implementação deliberada. Diferenciação automática não garante uma definição de risco significativa

Compare gregas numéricas com referências analíticas para contratos simples e depois valide payoffs de produção usando um segundo estimador ou um choque de reavaliação maior

Teste sinal, unidades, escala, sensibilidades da paridade put-call, agregação, simetria da perturbação, convergência, erros-padrão e resposta perto das fronteiras do payoff

Registre o que se move quando uma entrada é perturbada. Vegas ou deltas sticky-strike, sticky-delta, recalibrados e de superfície congelada respondem a perguntas diferentes