ความเสี่ยงของโมเดลออปชันและการคาลิเบรตอธิบายอย่างไร
เรียนรู้ว่าโมเดลออปชันมีความเสี่ยงจากที่ใด การคาลิเบรตพิสูจน์อะไรได้จริง เหตุใดพารามิเตอร์อาจไม่เสถียร และวิธีตรวจสอบราคาและกรีก
คำตอบโดยตรง
ความเสี่ยงของโมเดลออปชันคือโอกาสที่โครงสร้าง ข้อมูล พารามิเตอร์ วิธีคำนวณ หรือการใช้งานที่ไม่ถูกต้องจะสร้างราคา กรีก หรือเฮดจ์ที่ทำให้เข้าใจผิด การคาลิเบรตเพียงค้นหาโมเดลที่เข้ากับราคาเสนอที่เลือกไว้ ไม่ได้พิสูจน์ว่าโมเดลนั้นจริงหรือใช้ทำนายได้
โมเดลเป็นเครื่องมือช่วยตัดสินใจ ไม่ใช่ความจริงของตลาด
โมเดลออปชันแปลงสมมติฐานเกี่ยวกับเส้นทางราคา ความผันผวน อัตราดอกเบี้ย เงินปันผล และการใช้สิทธิให้เป็นราคาและค่าความไว
แผนที่ดังกล่าวมีประโยชน์ได้โดยไม่จำเป็นต้องเป็นจริงตามตัวอักษร โมเดลทุกตัวตัดรายละเอียดออก และรายละเอียดที่ถูกตัดอาจมีความสำคัญต่างกันตามราคาใช้สิทธิ อายุคงเหลือ หรือ regime ของตลาด
คำถามในทางปฏิบัติไม่ใช่ว่าโมเดลสมบูรณ์แบบหรือไม่ แต่คือการลดทอนของโมเดลถูกควบคุมดีพอสำหรับการตัดสินใจ ความเสี่ยง และกรอบเวลาหรือไม่
ความเสี่ยงของโมเดลมีหลายชั้น
ความเสี่ยงจากการกำหนดรูปแบบเกิดจากกระบวนการเอง: ความผันผวนคงที่ เส้นทางต่อเนื่อง ปัจจัยเดียว หรือ correlation คงที่อาจไม่เหมาะสม
ความเสี่ยงจากอินพุตและพารามิเตอร์รวมถึงราคาเสนอเก่า ค่าประมาณเงินปันผลที่อ่อนแอ เส้นโค้งเงินทุนที่ผิด และค่าสัมประสิทธิ์ที่ไม่เสถียร ความเสี่ยงเชิงตัวเลขรวมถึงกริด ตัวแก้สมการ และข้อผิดพลาดในการเขียนโค้ด
ความเสี่ยงจากการใช้งานเกิดเมื่อโมเดลที่สร้างสำหรับออปชัน European ที่มีสภาพคล่องถูกนำไปใช้กับ barrier พอร์ตที่กระจุกตัว ตลาดที่มี stress หรือสัญญาที่มีกฎการใช้สิทธิต่างกัน
การคาลิเบรตเป็นปัญหา inverse แบบมีน้ำหนัก
การคาลิเบรตเลือกพารามิเตอร์ที่ลดความแตกต่างระหว่างค่าจากโมเดลกับราคาตลาดหรือ implied volatility ที่เลือกไว้
คำตอบขึ้นอยู่กับชุดราคาเสนอ การจัดการ bid-ask metric ของข้อผิดพลาด น้ำหนัก ขอบเขตพารามิเตอร์ optimizer และว่าวัดข้อผิดพลาดเป็นหน่วยราคาหรือหน่วยความผันผวน
การ fit ที่อยู่ภายในสเปรดอาจยอมรับได้ทางเศรษฐศาสตร์ แต่ไม่ได้ระบุกระบวนการที่สร้างข้อมูล สเปรดคือช่วงสำหรับดำเนินการ ไม่ใช่ใบรับรองความจริง
Fit ที่ดีอาจซ่อนการระบุที่อ่อนแอ
ชุดพารามิเตอร์ต่างกันอาจสร้างราคาที่เกือบเหมือนกันใน strike ที่มีสภาพคล่อง แต่หางที่ extrapolate, forward smile และอัตราส่วนเฮดจ์อาจยังแตกต่างกัน
นี่คือปัญหาการระบุ: สัญญาที่สังเกตได้มีข้อมูลอิสระไม่มากพอจะตรึงพารามิเตอร์ทุกตัวได้อย่างแม่นยำ
ตรวจสอบความเสถียรของพารามิเตอร์ข้ามวันที่ ค่าเริ่มต้น น้ำหนัก และชุดราคาเสนอ การเปลี่ยนแปลงมากโดยมีการปรับปรุงราคาเพียงเล็กน้อยเป็นหลักฐานของการตีความที่เปราะบาง
การตรวจสอบต้องออกจากตัวอย่างที่ใช้คาลิเบรต
ประเมินราคาใหม่ใน strike และอายุคงเหลือที่กันไว้ เปรียบเทียบข้อผิดพลาดกับความกว้าง bid-ask และทำซ้ำต่างเวลา ไม่ใช่ใช้ snapshot ที่เป็นประโยชน์เพียงครั้งเดียว
การตรวจสอบราคาเพียงอย่างเดียวไม่ครบถ้วน ทดสอบกรีก การตอบสนองตามสถานการณ์ P&L จากการเฮดจ์ และพฤติกรรมใกล้ขอบเขตด้วย เพราะข้อผิดพลาดด้านราคาเล็กน้อยอาจเกิดพร้อมข้อผิดพลาดด้านความไวขนาดใหญ่
การตรวจสอบด้วย implementation อิสระและเครื่องมือ benchmark ช่วยแยกข้อจำกัดของโมเดลออกจากข้อผิดพลาดของโค้ด convention และ data pipeline
การเปรียบเทียบโมเดลเปลี่ยนความไม่แน่นอนให้เป็นช่วง
Fit โมเดลที่ปกป้องได้มากกว่าหนึ่งแบบ เปลี่ยนทางเลือกในการคาลิเบรต และ stress พารามิเตอร์ที่ระบุได้ไม่ดี การกระจายของผลลัพธ์เผยให้เห็นว่าการตัดสินใจใดพึ่งพา specification ที่สะดวกเพียงแบบเดียว
สำหรับ vanilla ที่มีสภาพคล่อง ราคาเสนอของตลาดอาจมีอิทธิพลมากกว่าความแตกต่างของโมเดล สำหรับ exotic หรือหางที่สภาพคล่องต่ำ ความแตกต่างของโมเดลอาจกลายเป็นเงินสำรองเพื่อประเมินมูลค่าที่มีนัยสำคัญ
รายงานค่ากลางพร้อมสมมติฐาน ทางเลือก และเงื่อนไขล้มเหลว ช่วงค่ามักซื่อสัตย์และนำไปใช้ได้มากกว่าทศนิยมที่เพิ่มขึ้น
Governance ทำให้ความไม่แน่นอนมองเห็นได้
บันทึกเวอร์ชันโมเดล อินพุต timestamp convention น้ำหนักของ objective ข้อผิดพลาดจากการ fit และการ override เพื่อให้ผู้ตรวจสอบคนอื่นทำผลลัพธ์ซ้ำได้
กำหนดการตรวจสอบอิสระ ขอบเขตการอนุมัติ ขีดจำกัดความเสี่ยง และวิธีสำรอง การคาลิเบรตใหม่ควรทำให้เกิดการทบทวนเมื่อพารามิเตอร์หรือ residual เปลี่ยนผิดปกติ
ท้ายที่สุด ให้แยกมูลค่าจากโมเดลออกจากราคาเสนอที่ซื้อขายได้ สภาพคล่อง ขนาด สเปรด ผลกระทบต่อตลาด เงินทุน และเงื่อนไขคู่สัญญาอาจมีอิทธิพลมากกว่าความแตกต่างทางทฤษฎี
คำถามที่พบบ่อย
ความเสี่ยงของโมเดลออปชันคืออะไร
คือความเสี่ยงที่โครงสร้าง อินพุต พารามิเตอร์ วิธีคำนวณ หรือการใช้งานของโมเดลจะสร้างผลการประเมินมูลค่า ค่าความไว หรือการเฮดจ์ที่ทำให้เข้าใจผิดอย่างมีนัยสำคัญ
การคาลิเบรตเหมือนกับการพยากรณ์หรือไม่
ไม่ใช่ การคาลิเบรตอธิบาย snapshot ของตลาดที่เลือกภายใต้โมเดลหนึ่ง ส่วนการพยากรณ์ถามว่าราคาหรือสถานะจะเคลื่อนไปอย่างไรหลัง snapshot นั้น
เหตุใดโมเดลที่คาลิเบรตแล้วสองแบบจึงให้ราคาต่างกัน
ทั้งสองอาจ fit เครื่องมือที่มีสภาพคล่องได้คล้ายกัน แต่กำหนดพลวัตของเส้นทาง หาง ความผันผวน หรือ correlation ให้กับสัญญาที่ไม่มีราคาเสนอแตกต่างกัน
ลดความเสี่ยงของโมเดลได้อย่างไร
ใช้ข้อมูลที่สะอาด การคาลิเบรตที่เสถียร การทดสอบกับข้อมูลที่กันไว้ การตรวจสอบอิสระ โมเดลทางเลือก การ stress พารามิเตอร์ ขีดจำกัดที่ชัดเจน และบันทึกที่ทำซ้ำได้