อธิบาย Monte Carlo Simulation สำหรับการประเมินราคาออปชัน
เรียนรู้ว่า Monte Carlo option pricing เปลี่ยน risk-neutral paths ที่จำลองเป็นมูลค่าอย่างไร sampling error มีพฤติกรรมอย่างไร และจัดการ path dependence กับ early exercise อย่างไร
คำตอบโดยตรง
Monte Carlo option pricing จำลอง path ภายใต้โมเดลที่เลือก คำนวณและ discount payoff แต่ละรายการ แล้วหาค่าเฉลี่ย วิธีนี้ประมาณมูลค่าของโมเดลนั้นโดยมี sampling error ไม่ได้ค้นพบกระบวนการตลาดที่แท้จริง
Pricing กลายเป็น discounted expectation
ภายใต้ risk-neutral model ที่เลือก มูลค่าของ derivative ที่ replicate ได้เขียนเป็น present value ของ future payoff ที่เฉลี่ยข้าม states ของโมเดล
Closed-form integration ใช้ได้กับ claim ง่าย ๆ บางประเภท Monte Carlo แทนที่ integral ที่คำนวณยากด้วย sample average ที่สร้างจาก random numbers
วิธีนี้ยืดหยุ่นเพราะ payoff อาจขึ้นกับสินทรัพย์หลายตัว วันที่หลายวัน ค่าเฉลี่ย barrier หรือ path features อื่น ๆ โดยไม่ต้องมีสูตรใหม่หนึ่งสูตรต่อ claim แต่ละแบบ
Paths ต้องเป็นไปตาม pricing model
เลือก dynamics ของปัจจัย underlying แล้วจำลอง increments จากวันนี้ไปยัง observation และ payment dates ที่เกี่ยวข้อง
ภายใต้ pricing measure, drift ใช้ carry ของโมเดล ไม่ใช่ directional forecast ของนักวิเคราะห์ Correlations, dividends, rates และ volatility dynamics ต้องสอดคล้องกัน
Time discretization สร้าง bias เมื่อ process ต่อเนื่องถูกประมาณบน grid Barrier, jumps และ volatility ที่เปลี่ยนเร็วอาจต้องใช้ขั้นที่ละเอียดกว่าหรือออกแบบเฉพาะ
ทุก path สร้าง discounted payoff หนึ่งรายการ
สำหรับ European call แต่ละ path ต้องใช้เพียง terminal price: payoff คือส่วนที่เป็นบวกของ terminal price ลบ strike
Asian option ยังต้องใช้ sampled averages; barrier ต้องรู้ว่าระดับหนึ่งถูกข้ามหรือไม่; basket ต้องจำลอง components ร่วมกัน
หาค่าเฉลี่ย discounted path payoffs เพื่อได้ estimator เวลา payment และ discount factors ต้องตรงกับสัญญา ไม่ใช่ค่อยใส่เป็นขั้นตอนสุดท้าย
Sampling error วัดได้แต่ไม่ใช่ model error
เพราะ finite sample เป็นสิ่งสุ่ม random seed อื่นจึงให้ค่าประมาณที่ต่างเล็กน้อย Standard error ลดลงโดยประมาณตาม square root ของจำนวน path
ดังนั้นการคูณจำนวน path ด้วยหนึ่งร้อยลด sampling error ปกติได้ประมาณสิบเท่า ไม่ใช่หนึ่งร้อยเท่า ความแม่นยำจึงมีต้นทุนสูงขึ้นเรื่อย ๆ
Confidence interval อธิบายความไม่แน่นอนของ sample average ภายใต้โมเดลที่เขียนโค้ดไว้ ไม่รวม dynamics ที่ผิด input, discretization หรือ bug ในการ implement
Variance reduction ซื้อความแม่นยำได้มากขึ้นต่อ path
Antithetic variates จับคู่ shock ที่ตรงข้ามกัน Control variate ใช้ payoff ที่เกี่ยวข้องและมีค่าที่รู้แล้วเพื่อลบ noise ที่ร่วมกัน
Stratification, quasi-random sequences, conditioning และ common random numbers ก็ช่วยได้ ประโยชน์ขึ้นกับความเรียบของ payoff, dimension และ implementation
รายงานเทคนิคไปพร้อมกับ error estimate ตัวเลขที่ดูเสถียรโดยไม่มี benchmark อิสระอาจซ่อน bias แทนที่จะเป็นความแม่นยำที่เหนือกว่า
Early exercise ต้องมีการตัดสินใจ continuation
Forward simulation ธรรมดาให้มูลค่า payoff ที่กำหนดเมื่อ maturity ได้ตามธรรมชาติ แต่ American option ต้องเปรียบเทียบการ exercise ทันที กับมูลค่าของการถือครองต่อในหลายวัน
Longstaff–Schwartz ประมาณ continuation value โดย regress discounted cash flows ในอนาคตบนฟังก์ชันของ state ปัจจุบัน แล้วใช้ exercise rule ย้อนกลับตามเวลา
ผลลัพธ์ขึ้นกับ basis functions, paths, exercise dates และ state variables Regression ที่ไม่ดีอาจ bias policy แม้ terminal simulation จะถูกต้อง
Validation ต้องตรวจ convergence หลายด้าน
เริ่มจากทำสัญญาให้ตรงกับ closed form ที่เชื่อถือได้หรือ numerical method อิสระ จากนั้นเปลี่ยน path count, time step, seed และการตั้งค่า variance-reduction
ติดตาม estimate, standard error, runtime และแนวโน้ม discretization แยกกัน จำนวน path ที่มากขึ้นลด sampling noise แต่ไม่แก้ time grid หรือโมเดลที่มี bias
สำหรับ production use ให้ตรึง conventions ทดสอบ edge cases บันทึก seeds และ versions และเปรียบเทียบ Greeks รวมถึงราคา Reproducibility เป็นส่วนหนึ่งของ valuation
คำถามที่พบบ่อย
Monte Carlo ต้องใช้ path กี่ path จึงพอ
ไม่มีจำนวนสากล ใช้ standard error ที่รายงาน convergence เมื่อเพิ่ม sample และ tolerance ที่เหมาะกับการตัดสินใจ
Monte Carlo พยากรณ์ราคาหุ้นในอนาคตหรือไม่
ไม่ Pricing paths สุ่มจาก risk-neutral model ที่เลือกเพื่อประเมิน payoff ไม่ใช่ forecast ของ path จริงหนึ่งเดียวที่จะเกิดขึ้น
เหตุใด Monte Carlo จึง converge ช้า
Sampling error ปกติลดลงโดยประมาณหนึ่งส่วนต่อ square root ของจำนวน path ดังนั้นความแม่นยำเพิ่มอีกหนึ่งตำแหน่งทศนิยมอาจต้องใช้การคำนวณมากกว่ามาก
Monte Carlo ประเมินราคา American options ได้หรือไม่
ได้ แต่การหาค่าเฉลี่ยปลายทางอย่างเดียวไม่พอ วิธีอย่าง Longstaff–Schwartz ประมาณ continuation value และ exercise policy ย้อนกลับไปตามเวลา