อธิบาย Numerical Greeks สำหรับการกำหนดราคาออปชัน
เรียนรู้ว่า bump-and-revalue, pathwise, likelihood-ratio และ adjoint ใช้ประมาณ Greeks ของออปชันอย่างไร และวินิจฉัยความคลาดเคลื่อนเชิงตัวเลขอย่างไร
คำตอบโดยตรง
Numerical Greeks ใช้ประมาณอนุพันธ์ของมูลค่าออปชันเมื่อไม่มีสูตรเชิงวิเคราะห์ Bump-and-revalue, pathwise, likelihood-ratio และ adjoint แลกเปลี่ยน bias, variance, เงื่อนไขด้านความเรียบ และต้นทุนการคำนวณที่แตกต่างกัน
Greek คืออนุพันธ์ของกฎการประเมินมูลค่า
Delta หาอนุพันธ์ของมูลค่าเทียบกับ spot, vega เทียบกับพิกัดความผันผวน และ rho เทียบกับ input ของอัตราดอกเบี้ย Gamma หาอนุพันธ์ซ้ำอีกครั้งเทียบกับ spot
อนุพันธ์เป็นของโมเดล การสร้างข้อมูลตลาด และ convention การถือครองที่ระบุไว้ การเปลี่ยนกฎของ volatility surface สามารถเปลี่ยน Greek ได้
อนุพันธ์รูปปิดสะดวก แต่ payoff ที่ซับซ้อน โมเดลที่ calibrate แล้ว การใช้สิทธิ์ก่อนกำหนด และพอร์ตขนาดใหญ่มักต้องใช้ค่าประมาณเชิงตัวเลข
Bump and revalue เป็น baseline สากล
เพิ่ม input หนึ่งตัวขึ้นเล็กน้อย h, กำหนดราคาใหม่ แล้วเปรียบเทียบกับมูลค่าฐาน Delta แบบ central ใช้ [V(x+h) − V(x−h)] / 2h
Gamma ใช้ผลต่างอันดับสอง ขณะที่ผลต่างด้านเดียวช่วยได้ที่ขอบเขตหรือเมื่อมีทิศทางที่ใช้ได้เพียงด้านเดียว
วิธีนี้มอง pricer เป็น black box และใช้ได้กว้าง แต่ปัจจัยความเสี่ยงแต่ละตัวอาจต้องประเมินมูลค่าเต็มเพิ่มเติม
ขนาด step สร้างสมดุลระหว่าง truncation กับ noise เชิงตัวเลข
Bump ที่ใหญ่ทำให้วัดความโค้งในช่วงกว้างแทนอนุพันธ์เฉพาะที่ และสร้าง truncation bias
Bump ที่เล็กมากทำให้ต้องลบราคาที่เกือบเท่ากัน จึงขยาย roundoff, solver tolerance, interpolation noise และ sampling error ของ Monte Carlo
รัน bump ladder และมองหาช่วงที่เสถียร ค่า h ที่ดีที่สุดขึ้นอยู่กับหน่วย ลำดับของ Greek ความเรียบของ payoff และความแม่นยำเชิงตัวเลข
Common random numbers ลด noise ของ Monte Carlo
เมื่อประเมินสถานการณ์ที่ bump ใหม่ ให้ใช้ random numbers ชุดเดิม เพื่อให้ผลต่างตามเส้นทางสะท้อนการเปลี่ยนของ input ไม่ใช่ตัวอย่างที่ไม่เกี่ยวข้องกัน
การจับคู่นี้ลด variance ได้มาก แต่ไม่ลบ bias จาก finite bump หรือแก้พฤติกรรม payoff ที่ไม่ต่อเนื่อง
รายงาน standard errors ของตัว Greek เอง ค่าประมาณราคาที่ดูเสถียรยังอาจให้ผลต่างที่ noisy หลังหารด้วย h
Pathwise derivatives หาอนุพันธ์ของ payoff ที่จำลองแต่ละเส้นทาง
วิธี pathwise หาอนุพันธ์ของ state และ payoff ที่จำลองตามแต่ละเส้นทาง แล้วหาค่าเฉลี่ยของตัวอย่างอนุพันธ์เหล่านั้น
วิธีนี้มีประสิทธิภาพสำหรับ payoff ที่เรียบ และอาจประมาณ sensitivity หลายตัวจากการจำลองครั้งเดียวได้ แต่การสลับลำดับระหว่างอนุพันธ์กับ expectation ต้องมีเงื่อนไขรองรับ
Digital indicators, barriers, การตัดสินใจใช้สิทธิ์ และ calibration kinks อาจทำให้การหาอนุพันธ์แบบ pathwise ปกติใช้ไม่ได้ หรือต้องทำให้เรียบและจัดการแบบเฉพาะทาง
Likelihood-ratio estimators หาอนุพันธ์ของความน่าจะเป็น
วิธี likelihood-ratio หาอนุพันธ์ของ density ที่ใช้จำลอง แทนที่จะหาอนุพันธ์ของ payoff โดยคูณ payoff ด้วย score function
วิธีนี้รองรับ payoff ที่ไม่ต่อเนื่องบางแบบซึ่งทำให้ pathwise derivatives ใช้ไม่ได้ เพราะไม่จำเป็นต้องหาอนุพันธ์ของ payoff เอง
Variance อาจสูง โดยเฉพาะความเสี่ยงอันดับสูงหรือความเสี่ยงที่ out-of-the-money มาก Hybrid estimators สามารถรวมจุดแข็งของทั้งสองวิธีได้
Adjoint methods ย้อนทิศทางการคำนวณ sensitivity
Adjoint algorithmic differentiation ส่งต่อ sensitivity ย้อนกลับผ่านการคำนวณมูลค่า คล้ายกับ reverse-mode differentiation
วิธีนี้น่าสนใจเป็นพิเศษเมื่อ output ของพอร์ตมีจำนวนน้อยแต่ขึ้นอยู่กับ market inputs จำนวนมาก เช่น curve pillars หรือโหนดของ volatility surface
หน่วยความจำ branching, iterative solvers, calibration และตรรกะที่ไม่เรียบต้องออกแบบการใช้งานอย่างรอบคอบ Automatic differentiation ไม่ได้รับประกันว่านิยามความเสี่ยงจะมีความหมาย
การตรวจสอบต้องใช้วิธีอิสระและ invariant
เปรียบเทียบ Numerical Greeks กับ benchmark เชิงวิเคราะห์สำหรับสัญญาง่าย ๆ แล้ว cross-check payoff ที่ใช้จริงด้วย estimator ที่สองหรือ shock การประเมินมูลค่าที่ใหญ่ขึ้น
ทดสอบเครื่องหมาย หน่วย scaling, put-call parity sensitivities, aggregation, ความสมมาตรของ bump, convergence, standard errors และการตอบสนองใกล้ขอบเขต payoff
บันทึกว่าอะไรเปลี่ยนเมื่อ bump input Sticky-strike, sticky-delta, recalibrated และ frozen-surface vegas หรือ deltas ตอบคำถามคนละแบบ
คำถามที่พบบ่อย
Bump and revalue คืออะไร
เปลี่ยน input ของโมเดลหนึ่งตัว รันการประเมินมูลค่าใหม่ แล้วหารการเปลี่ยนแปลงของราคาด้วยการเปลี่ยนแปลงของ input เพื่อประมาณ sensitivity
ควรใช้ bump ของ Greek เล็กแค่ไหน
เล็กพอที่จะเป็นค่าเฉพาะที่ แต่ใหญ่พอที่จะเอาชนะ noise เชิงตัวเลข การใช้ bump หลายขนาดปลอดภัยกว่าการตั้งค่าเดียวแบบ arbitrary
Pathwise Greeks และ likelihood-ratio Greeks คืออะไร
Pathwise methods หาอนุพันธ์ของ payoff ที่จำลอง ส่วน likelihood-ratio methods หาอนุพันธ์ของ density ความน่าจะเป็นที่ใช้สร้างเส้นทาง
ทำไมจึงใช้ adjoint differentiation สำหรับ Greeks
มันคำนวณ sensitivity ต่อ input จำนวนมากได้อย่างมีประสิทธิภาพเมื่อมี output ค่อนข้างน้อย แม้รายละเอียดการใช้งานยังสำคัญ