Метод важностной выборки для редких событий и опционов
Узнайте, как перевзвешивание отношением правдоподобия сохраняет математические ожидания, как экспоненциальное наклонение снижает дисперсию редких событий и как вырождение весов может испортить симуляцию опциона
Короткий ответ
Важностная выборка моделирует важные редкие исходы чаще при предложенной мере, а затем возвращает исходное математическое ожидание отношением правдоподобия. Хорошо выбранное предложение может резко сократить дисперсию, а плохое — создать нестабильные или даже бесконечно-дисперсионные веса
Изменение меры сохраняет целевую величину
Для целевой меры P, предложенной меры Q и выплаты h имеем E_P[h(X)]=E_Q[h(X)dP/dQ(X)], когда производная Радона—Никодима корректна
Оценка Монте—Карло усредняет h(X_i)w(X_i) для выборок X_i из Q и весов w=dP/dQ
Точное взвешивание сохраняет несмещенность обычной оценки; изменение закона выборки без веса меняет оцениваемую величину
Предложение должно сделать вклад обычным
Наивная симуляция тратит траектории впустую, когда выплата глубокого внебиржевого опциона или событие дефолта почти всегда равны нулю
Полезная Q переносит вероятность к состояниям, где |h| велико, сохраняя взвешенный вклад относительно равномерным
Для неотрицательного подынтегрального выражения недостижимое предложение нулевой дисперсии пропорционально h(x)p(x), потому что требует самого неизвестного математического ожидания
Экспоненциальное наклонение использует геометрию редкого события
Экспоненциальный наклон перевзвешивает исходы через exp(θX) и нормирует их производящей функцией моментов
Анализ больших уклонений или седловая аппроксимация могут выбрать θ так, чтобы редкая цель стала типичной при Q
Для траекторий, барьеров, нескольких режимов убытка или тяжелых хвостов один фиксированный наклон может не сработать, и потребуются зависящие от состояния, адаптивные или смешанные предложения
В финансах много задач с разреженной выплатой
Важностная выборка может ускорить оценку опционов с дальними страйками, барьеров, кредитных убытков, хвостов экспозиции и некоторых греков через отношение правдоподобия
Каждое изменение дрейфа или шока должно сопровождаться корректным отношением правдоподобия полной траектории, а не только поправкой плотности конечного состояния
Дисконтирование, риск-нейтральная динамика, дискретизация, досрочная остановка и мониторинг по траектории должны соответствовать исходной цели оценки
Вырождение весов может уничтожить выигрыш
Если Q дает слишком малую вероятность областям, где h существенно, несколько огромных весов могут доминировать в оценке
Среднее может существовать, тогда как E_Q[(hw)²] бесконечно, что делает обычную дисперсию и центральный доверительный интервал недействительными
Логарифмы весов предотвращают численное обнуление, но не исправляют отсутствующую поддержку, бесконечную дисперсию или предложение, пропускающее другой важный режим
Диагностика показывает, но не подтверждает
Отслеживайте гистограммы весов, максимальную долю, коэффициент вариации, эффективный размер выборки и вклады по состояниям или кластерам траекторий
Самонормированные веса помогают, когда нормирующая константа неизвестна, но полученная оценка отношения обычно смещена при конечной выборке
Сам по себе высокий эффективный размер выборки не доказывает точность, если предложение ни разу не обнаруживает значимую область
Проверка сравнивает одинаковые вычислительные бюджеты
Запускайте наивную и важностную оценки с независимыми повторами, одинаковой дискретизацией и сопоставимой общей стоимостью
Проверяйте выборочную дисперсию, покрытие доверительного интервала, смещение, покрытие редкой области, чувствительность предложения и устойчивость при дальнейшей редкости события
Используйте аналитические или трансформные эталоны, где они доступны, и сохраняйте защитный компонент смеси, поддерживающий широкую область
Частые вопросы
Что такое важностная выборка?
Это метод Монте—Карло под другой мерой выборки с поправкой отношениями правдоподобия, сохраняющей исходное целевое математическое ожидание
Почему она полезна для редких событий?
Она генерирует больше траекторий в области выплаты или убытка, вместо ожидания редких вкладов при наивной симуляции
Всегда ли оценка важностной выборки несмещенна?
Обычная точно взвешенная оценка несмещенна при условиях поддержки и интегрируемости, а самонормированные варианты обычно смещены при конечной выборке
Что такое вырождение весов?
Это ситуация, когда несколько экстремальных весов несут почти всю оцененную величину, создавая хрупкую дисперсию и слабую эффективную информацию