Моделирование Монте-Карло для оценки опционов: объяснение
Узнайте, как оценка опционов методом Монте-Карло превращает смоделированные риск-нейтральные траектории в стоимость, как ведет себя ошибка выборки и как обрабатываются зависимость от траектории и досрочное исполнение
Короткий ответ
Оценка опциона методом Монте-Карло моделирует траектории в выбранной модели, вычисляет и дисконтирует каждую выплату, а затем усредняет результаты. Она оценивает стоимость этой модели с ошибкой выборки, но не открывает истинный процесс рынка
Оценка превращается в дисконтированное математическое ожидание
В выбранной риск-нейтральной модели стоимость реплицируемого дериватива можно записать как приведенную стоимость его будущей выплаты, усредненной по состояниям модели
Для некоторых простых требований доступно интегрирование в замкнутой форме. Метод Монте-Карло заменяет неразрешимый интеграл выборочным средним, полученным из случайных чисел
Метод гибок, потому что выплата может зависеть от нескольких активов, дат, средних значений, барьеров или других признаков траектории без новой формулы для каждого требования
Траектории должны следовать модели оценки
Выберите динамику факторов базового актива, затем смоделируйте их приращения от сегодняшнего дня до соответствующих дат наблюдения и платежа
В оценочной мере drift использует перенос модели, а не направленный прогноз аналитика. Корреляции, дивиденды, ставки и динамика волатильности должны быть согласованы
Дискретизация времени вносит смещение, когда непрерывный процесс приближается сеткой. Для барьеров, скачков и быстро меняющейся волатильности могут понадобиться более мелкие или специализированные шаги
Каждая траектория дает дисконтированную выплату
Для европейского call каждой траектории нужна только конечная цена: выплата — положительная часть конечной цены минус страйк
Азиатскому опциону также нужны выборочные средние; барьерному — информация о пересечении уровня; корзине — совместно смоделированные компоненты
Усредните дисконтированные выплаты по траекториям, чтобы получить оценку. Время платежа и дисконтирующие множители должны соответствовать контракту, а не добавляться в самом конце
Ошибка выборки измерима, но это не ошибка модели
Конечная выборка случайна, поэтому другой seed даст немного другую оценку. Стандартная ошибка примерно уменьшается пропорционально квадратному корню из числа траекторий
Увеличение числа траекторий в сто раз поэтому уменьшает обычную ошибку выборки примерно в десять раз, а не в сто. Точность становится все дороже
Доверительный интервал описывает неопределенность выборочного среднего в закодированной модели. Он не включает неверную динамику, входные данные, дискретизацию или ошибки реализации
Снижение дисперсии дает больше точности на траекторию
Антитетические вариаты объединяют противоположные шоки. Контрольная вариата использует связанную выплату с известной стоимостью для удаления общей части шума
Также могут помочь стратификация, квазислучайные последовательности, условное ожидание и общие случайные числа. Польза зависит от гладкости выплаты, размерности и реализации
Указывайте примененный метод вместе с оценкой ошибки. Внешне стабильное число без независимого эталона может скрывать смещение, а не превосходную точность
Досрочное исполнение требует решения о продолжении
Прямая симуляция вперед естественно оценивает выплаты, определенные в момент погашения, но американский опцион сравнивает немедленное исполнение со стоимостью продолжения на нескольких датах
Метод Лонгстаффа—Шварца оценивает стоимость продолжения регрессией будущих дисконтированных денежных потоков на функции текущего состояния, а затем применяет правило исполнения назад во времени
Результат зависит от базисных функций, траекторий, дат исполнения и переменных состояния. Плохая регрессия может сместить стратегию даже при корректной конечной симуляции
Для валидации нужны несколько проверок сходимости
Сначала воспроизведите контракт с помощью надежной замкнутой формулы или независимого численного метода. Затем меняйте число траекторий, шаг времени, seed и настройки снижения дисперсии
Отслеживайте отдельно оценку, стандартную ошибку, время выполнения и тренд дискретизации. Большее число траекторий уменьшает шум выборки, но не исправляет смещенную сетку времени или модель
Для промышленного применения зафиксируйте соглашения, тестируйте крайние случаи, записывайте seed и версии и сравнивайте не только цены, но и греки. Воспроизводимость — часть оценки
Частые вопросы
Сколько траекторий Монте-Карло достаточно?
Универсального числа нет. Используйте указанную стандартную ошибку, сходимость на больших выборках и допуск, соответствующий решению
Предсказывает ли Монте-Карло будущую цену акции?
Нет. Оценочные траектории выбирают риск-нейтральную модель для оценки выплат; это не прогноз одной реальной траектории, которая произойдет
Почему Монте-Карло сходится медленно?
Обычная ошибка выборки падает примерно как единица, деленная на квадратный корень из числа траекторий, поэтому каждый дополнительный знак точности может требовать гораздо больше вычислений
Может ли Монте-Карло оценивать американские опционы?
Да, но простого усреднения конечных выплат недостаточно. Такие методы, как Лонгстафф—Шварц, оценивают стоимость продолжения и правило исполнения назад во времени