Седловая аппроксимация в оценке опционов: объяснение

Пусть M(t)=E[e^{tX}] — производящая функция моментов, а K(t)=log M(t) — кумулянтная производящая функция

Для целевого x решите седловое уравнение K′(t̂)=x; решение t̂ выбирает экспоненциальный наклон, центрированный около x

В отличие от нормального приближения, зафиксированного на исходном среднем, расчет заново строит локальное приближение для каждой цели

Распространенная форма плотности такова: f_X(x)≈exp[K(t̂)−t̂x]/√(2πK″(t̂)) с поправками масштаба для сумм или средних

Экспонента измеряет стоимость перехода к x, а K″(t̂) задает локальную кривизну и гауссову нормировку

Эта структура связывает седловые методы с экспоненциальным наклонением, методом крутого спуска и функциями скорости больших уклонений

Наивное интегрирование приближенной плотности может потерять точность, особенно когда событие далеко от среднего

Аппроксимация Луганнани—Райса использует преобразованные величины w и u, чтобы напрямую скорректировать нормальный хвост

Ее кажущаяся особенность около t̂=0 требует предельной формулы или устойчивого разложения, а не буквального вычисления сокращающихся членов

Европейский колл можно выразить через дисконтированные хвостовые математические ожидания, поэтому седловая аппроксимация может целиться в вероятности исполнения и усеченные моменты

Кумулянты должны относиться к фактической риск-нейтральной переменной, а форвард, дисконтирование и соглашения о выплате должны оставаться согласованными

В качестве альтернативы можно интегрировать приближенную плотность, но нормировку и мартингальное среднее нужно проверить, а не считать заданными

Производящая функция моментов должна быть конечной около t̂, K должна быть достаточно гладкой и выпуклой, а K″(t̂) должна быть положительной

Взрыв моментов может вынести запрошенный страйк за область преобразования, а атомы или границы могут нарушить приближение гладкой плотности

Поиск корня также дает сбой, когда цель недостижима, производная плохо масштабирована или несколько численных ветвей ошибочно приняты за допустимые решения

Даже малая поточечная ошибка плотности может дать отрицательные вероятности, немонотонную функцию распределения или конечное среднее, несовместимое с форвардом

После сборки приближения цены опционов все равно должны удовлетворять границам, паритету пут—колл, монотонности по страйку и выпуклости по страйку

Для полосы страйков проверяйте получившуюся кривую цен совместно, а не принимайте каждый успешный поиск корня независимо

Проверьте K(0)=0, K′(0) по среднему, K″(0) по дисперсии и численные производные по аналитическим или автоматическим производным

Сравните плотности, хвосты функции распределения, усеченные моменты и цены опционов с квадратурой, обращением Фурье или Монте—Карло на центральных и удаленных страйках

Для воспроизводимой калибровки записывайте область преобразования, скобку корня, невязку, кривизну, обработку окрестности среднего и итоговую диагностику арбитража