Importance Sampling สำหรับ Rare Events และ Options
เรียนรู้ว่า likelihood-ratio reweighting รักษา expectations อย่างไร exponential tilting ลด rare-event variance ได้อย่างไร และ weight degeneracy ทำลาย option simulation ได้อย่างไร
คำตอบโดยตรง
Importance sampling จำลองภายใต้ proposal measure ที่ไปเยี่ยมผลลัพธ์ rare ที่สำคัญบ่อยขึ้น แล้วคืนค่า expectation เดิมด้วย likelihood ratio Proposal ที่เลือกดีสามารถลด variance ได้มาก ส่วน proposal ที่ไม่ดีอาจสร้าง weights ที่ไม่เสถียรหรือมี variance เป็นอนันต์
การเปลี่ยน measure รักษา target ไว้
สำหรับ target measure P, proposal Q และ payoff h, E_P[h(X)]=E_Q[h(X)dP/dQ(X)] เมื่อ Radon–Nikodym derivative ใช้ได้
Monte Carlo estimator เฉลี่ย h(X_i)w(X_i) สำหรับ draws X_i จาก Q และ weights w=dP/dQ
การถ่วงน้ำหนักที่ถูกต้องทำให้ estimator ปกติ unbiased การเปลี่ยน sampling law โดยไม่มี weight จะเปลี่ยนปริมาณที่กำลังประมาณ
Proposal ควรทำให้ contribution เกิดได้บ่อย
Crude simulation สูญเสีย path เมื่อ payoff แบบ deep out-of-the-money หรือ default event มีค่าเป็นศูนย์เกือบตลอด
Q ที่มีประโยชน์จะเลื่อน probability ไปยัง state ที่ |h| มีขนาดใหญ่ พร้อมรักษา weighted contribution ให้ค่อนข้างสม่ำเสมอ
สำหรับ nonnegative integrand, zero-variance proposal ที่ทำไม่ได้จริงจะแปรผันตาม h(x)p(x) เพราะต้องรู้ expectation ที่ไม่รู้ค่าเอง
Exponential tilting ใช้ geometry ของ rare event
Exponential tilt จะ reweight outcomes ด้วย exp(θX) และ normalize ด้วย moment-generating function
Large-deviation หรือ saddlepoint analysis สามารถเลือก θ เพื่อให้ rare target กลายเป็น typical ภายใต้ Q
สำหรับ paths, barriers, multiple loss modes หรือ heavy tails, fixed tilt เดียวอาจล้มเหลว และอาจต้องใช้ state-dependent, adaptive หรือ mixture proposals
Finance มีปัญหา sparse-payoff มากมาย
Importance sampling ช่วยเร่ง deep-strike options, barriers, credit losses, exposure tails และ likelihood-ratio Greek estimates บางประเภทได้
การเปลี่ยน drift หรือ shock ทุกครั้งต้องมาพร้อม full-path likelihood ratio ที่ถูกต้อง ไม่ใช่เพียงการแก้ terminal-density
Discounting, risk-neutral dynamics, discretization, early stopping และ path-dependent monitoring ต้องตรงกับ pricing target เดิม
Weight degeneracy ลบประโยชน์ได้
ถ้า Q ให้ probability น้อยเกินไปกับบริเวณที่ h มีสาระสำคัญ weights ขนาดใหญ่มากเพียงไม่กี่ตัวอาจครอง estimate
ค่า mean อาจมีอยู่ในขณะที่ E_Q[(hw)²] เป็นอนันต์ ทำให้ variance ปกติและ central-limit confidence interval ใช้ไม่ได้
Log weights ป้องกัน numerical underflow ได้ แต่ไม่ซ่อม missing support, infinite variance หรือ proposal ที่พลาด important mode อีกแห่ง
Diagnostics เปิดเผยแต่ไม่ได้รับรอง
ติดตาม weight histograms, maximum share, coefficient of variation, effective sample size และ contributions ตาม state หรือ path cluster
Self-normalized weights อาจช่วยเมื่อไม่รู้ normalizing constant แต่ ratio estimator ที่ได้โดยทั่วไป biased ใน finite samples
Effective sample size สูงเพียงอย่างเดียวไม่ใช่หลักฐานความแม่นยำ หาก proposal ไม่เคยค้นพบบริเวณที่เกี่ยวข้อง
Validation เปรียบเทียบภายใต้งบคำนวณเท่ากัน
รัน crude และ importance-sampled estimators ด้วย independent replications, discretization เดียวกัน และ total cost ที่เทียบเคียงกัน
ตรวจ sample variance, confidence-interval coverage, bias, rare-region coverage, proposal sensitivity และ stability เมื่อ event เกิดยากขึ้น
ใช้ analytic หรือ transform benchmarks เมื่อมี และเก็บ defensive mixture component ที่รักษา broad support
คำถามที่พบบ่อย
Importance sampling คืออะไร?
คือ Monte Carlo ภายใต้ sampling measure ที่ต่างออกไป แล้วแก้ด้วย likelihood ratios เพื่อคง target expectation เดิมไว้
ทำไมจึงมีประโยชน์กับ rare events?
มันสร้าง paths ในบริเวณ payoff หรือ loss มากขึ้น แทนการรอ contribution ที่ rare ภายใต้ crude simulation
Importance-sampling estimator unbiased เสมอไหม?
Ordinary exactly weighted estimator unbiased ภายใต้เงื่อนไข support และ integrability ส่วน self-normalized variants โดยทั่วไปไม่ unbiased ใน finite samples
Weight degeneracy คืออะไร?
คือภาวะที่ extreme weights เพียงไม่กี่ตัวถือ estimated value เกือบทั้งหมด ทำให้ variance เปราะบางและข้อมูลที่มีประสิทธิผลต่ำ