คู่มือออปชันทั้งหมด
เปลี่ยน cumulant ให้เป็นความน่าจะเป็นหางที่แม่นยำอ่าน 15 นาที

ทำความเข้าใจการประมาณแบบ saddlepoint ในการตั้งราคาออปชัน

ทำความเข้าใจสมการ saddlepoint การประมาณความหนาแน่นและหาง การเอียงแบบเอ็กซ์โพเนนเชียล การใช้งานด้านราคาออปชัน และการตรวจสอบเชิงตัวเลขที่สำคัญ

จัดทำโดย Mark · แหล่งข้อมูลหลักอยู่ด้านล่าง

คำตอบโดยตรง

การประมาณแบบ saddlepoint ใช้ฟังก์ชันสร้าง cumulant เพื่อเอียงการแจกแจงเข้าหาผลลัพธ์เป้าหมาย แล้วใช้การแก้ไขแบบเกาส์เฉพาะที่ตรงจุดนั้น มักประมาณความหนาแน่นและความน่าจะเป็นหางได้แม่นยำ แต่ใช้ได้เฉพาะเมื่อฟังก์ชันสร้างโมเมนต์และ saddlepoint ถูกต้อง

จุดเป้าหมายเลือกการเอียง

ให้ M(t)=E[e^{tX}] เป็นฟังก์ชันสร้างโมเมนต์ และ K(t)=log M(t) เป็นฟังก์ชันสร้าง cumulant

สำหรับเป้าหมาย x ให้แก้สมการ saddlepoint K′(t̂)=x คำตอบ t̂ จะเลือกการเอียงแบบเอ็กซ์โพเนนเชียลที่มีศูนย์กลางใกล้ x

ต่างจากการประมาณแบบปกติที่ตรึงไว้ที่ค่าเฉลี่ยเดิม การคำนวณนี้สร้างการประมาณเฉพาะที่ใหม่สำหรับแต่ละเป้าหมาย

ความหนาแน่นมีพจน์เอ็กซ์โพเนนเชียลและพจน์เฉพาะที่

รูปแบบความหนาแน่นทั่วไปคือ f_X(x)≈exp[K(t̂)−t̂x]/√(2πK″(t̂)) โดยมีตัวปรับสเกลสำหรับผลรวมหรือค่าเฉลี่ย

เลขชี้กำลังวัดต้นทุนของการเคลื่อนไปยัง x ขณะที่ K″(t̂) ให้ความโค้งเฉพาะที่และการทำให้เป็นมาตรฐานแบบเกาส์

โครงสร้างนี้เชื่อมวิธี saddlepoint เข้ากับการเอียงแบบเอ็กซ์โพเนนเชียล วิธี steepest descent และฟังก์ชันอัตราของการเบี่ยงเบนขนาดใหญ่

ความน่าจะเป็นหางต้องใช้สูตรที่ปรับปรุง

การอินทิเกรตความหนาแน่นโดยประมาณแบบตรง ๆ อาจเสียความแม่นยำ โดยเฉพาะเมื่อเหตุการณ์อยู่ไกลจากค่าเฉลี่ย

การประมาณของ Lugannani–Rice ใช้ปริมาณแปลง w และ u เพื่อแก้หางแบบปกติโดยตรง

ภาวะเอกฐานที่ดูเหมือนเกิดขึ้นใกล้ t̂=0 ต้องใช้สูตรลิมิตหรือการขยายที่เสถียร แทนการประเมินพจน์ที่หักล้างกันแบบตรงตัว

ออปชันสร้างได้จากหางที่เอียง

คอลแบบยุโรปเขียนได้ในรูปค่าคาดหมายของหางที่คิดลดแล้ว ดังนั้นการประมาณแบบ saddlepoint จึงมุ่งเป้าที่ความน่าจะเป็นการใช้สิทธิและโมเมนต์ที่ถูกตัดได้

Cumulant ต้องเป็นของตัวแปรแบบเป็นกลางต่อความเสี่ยงที่ใช้จริง โดยต้องทำให้ forward การคิดลด และ convention ของผลตอบแทนสอดคล้องกัน

อีกทางหนึ่งอาจอินทิเกรตความหนาแน่นที่ประมาณไว้ แต่ต้องตรวจสอบการทำให้เป็นมาตรฐานและค่าเฉลี่ยแบบมาร์ติงเกล แทนการสมมติ

การมีอยู่คือคำถามเชิงตัวเลขข้อแรก

ฟังก์ชันสร้างโมเมนต์ต้องมีค่าจำกัดรอบ t̂, K ต้องเรียบและนูนเพียงพอ และ K″(t̂) ต้องเป็นบวก

การระเบิดของโมเมนต์อาจทำให้ราคาใช้สิทธิที่ร้องขออยู่นอกโดเมนของทรานส์ฟอร์ม ขณะที่จุดมวลหรือขอบเขตอาจทำลายการประมาณความหนาแน่นแบบเรียบ

การหารากยังล้มเหลวได้เมื่อเป้าหมายไปไม่ถึง อนุพันธ์มีสเกลไม่ดี หรือกิ่งคำตอบเชิงตัวเลขหลายกิ่งถูกเข้าใจผิดว่าเป็นคำตอบที่ใช้ได้

ความแม่นยำไม่เหมือนกับการยอมรับได้

แม้ความคลาดเคลื่อนของความหนาแน่น ณ จุดจะเล็ก ก็อาจทำให้เกิดความน่าจะเป็นติดลบ CDF ไม่ลดลง หรือค่าเฉลี่ยปลายทางไม่สอดคล้องกับ forward

ราคาออปชันยังต้องเป็นไปตามขอบเขต พาริตี put–call ความลดลงตามราคาใช้สิทธิ และความนูนตามราคาใช้สิทธิหลังประกอบการประมาณแล้ว

สำหรับชุดราคาใช้สิทธิ ให้ตรวจดูเส้นราคาที่ได้ร่วมกัน แทนการยอมรับการแก้รากที่สำเร็จแต่ละจุดอย่างอิสระ

การนำไปใช้อย่างมีวินัยต้องตรวจสอบไขว้

ตรวจสอบ K(0)=0, K′(0) เทียบกับค่าเฉลี่ย K″(0) เทียบกับความแปรปรวน และอนุพันธ์เชิงตัวเลขเทียบกับอนุพันธ์เชิงวิเคราะห์หรืออัตโนมัติ

เปรียบเทียบความหนาแน่น หาง CDF โมเมนต์ที่ถูกตัด และราคาออปชันกับ quadrature, Fourier inversion หรือ Monte Carlo ที่ราคาใช้สิทธิกลางและห่างออกไป

บันทึกโดเมนทรานส์ฟอร์ม ช่วงคร่อมราก เศษเหลือ ความโค้ง การจัดการใกล้ค่าเฉลี่ย และการวินิจฉัยการไม่มีอาร์บิทราจขั้นสุดท้าย เพื่อให้การปรับเทียบทำซ้ำได้

คำถามที่พบบ่อย

การประมาณแบบ saddlepoint คืออะไร

เป็นวิธีเชิงอสมมาตรที่รวมการเอียงแบบเอ็กซ์โพเนนเชียลที่เป้าหมายเข้ากับการแก้ไขความโค้งซึ่งได้จากฟังก์ชันสร้าง cumulant

เหตุใดจึงทำงานได้ดีในหาง

มันจัดศูนย์กลางของการประมาณเฉพาะที่ใหม่ใกล้แต่ละเป้าหมาย แทนการขยายการประมาณแบบเกาส์เพียงชุดเดียวออกจากค่าเฉลี่ยเดิม

เกิดอะไรขึ้นเมื่อ saddlepoint อยู่ใกล้ศูนย์

นี่คือกรณีใกล้ค่าเฉลี่ย ซึ่งสูตรที่มีพจน์ 1/w และ 1/u ที่หักล้างกันต้องใช้การขยายลิมิตที่เสถียร

saddlepoint ที่ใช้ได้รับประกันราคาออปชันที่ใช้ได้หรือไม่

ไม่ ราคาเมื่อประกอบแล้วต้องยังรักษาความน่าจะเป็น forward แบบเป็นกลางต่อความเสี่ยง ขอบเขตราคา พาริตี ความลดลง และความนูนไว้

แหล่งข้อมูลและการอ่านเพิ่มเติม

คู่มือที่เกี่ยวข้อง