Tüm opsiyon ve vadeli işlem rehberleri
Büyük parametreli integrali yöneten küçük bölgeyi bulmak15 dakikalık okuma

Laplace Yöntemi ve Steepest Descent Karşılaştırması

Gerçek Laplace asimptotikleri ile karmaşık kontur steepest descent yöntemini karşılaştırın, önde gelen saddle formülünü öğrenin ve tekilliklerin ve yarışan saddle noktalarının opsiyon hesaplarını nasıl etkilediğini görün

Mark tarafından hazırlandı · Birincil kaynaklar aşağıda

Doğrudan yanıt

Laplace yöntemi, büyük parametreli gerçek bir integrali baskın maksimum veya minimumun komşuluğundan yaklaşıklar. Steepest descent bu fikri, integrandın en hızlı azaldığı yönler boyunca katkı veren saddle noktalarından geçecek şekilde yolu deforme ederek karmaşık kontur integrallerine genişletir

Büyük bir parametre integrali yerelleştirir

λ→∞ iken I(λ)=∫_a^b g(x)e^{-λf(x)}dx integralini düşünün

f’in daha büyük olduğu bölgeler üstel olarak bastırılır; bu nedenle f’in bir minimumu tüm integrale hakim olabilir

Yöntem küresel integrali, baskın noktanın yakınında f ve g’nin yerel açılımlarıyla değiştirir

Basit bir iç minimum Gauss terimi verir

x₀ tek iç minimum, f″(x₀)>0 ve g(x₀)≠0 ise f’i x₀ çevresinde karesel olarak açın

Önde gelen sonuç I(λ)≈g(x₀)e^{-λf(x₀)}√[2π/(λf″(x₀))] şeklindedir

Uç nokta minimumları, sıfırlanan genlikler, dejenere eğrilik veya birden çok minimum farklı kuvvetler veya toplam katkılar gerektirir

Steepest descent karmaşık geometriyi kullanır

∫_Γg(z)e^{-λf(z)}dz kontur integrali için saddle noktaları karmaşık düzlemde f′(z_s)=0 koşulunu sağlar

Γ, Im f’in sabit olduğu ve üstel ifadenin azaldığı biçimde Re f’in uzaklaşırken arttığı yollar boyunca ilgili saddle’lardan geçecek şekilde deforme edilir

Deformasyon ancak analitiklik, uç noktalar, azalma sektörleri, yönelimler ve dal seçimleri korunursa geçerlidir

İlişkili yöntemler aynı değildir

Gerçek Laplace yöntemi gerçek bir üstelin maksimum veya minimumuna odaklanırken steepest descent karmaşık azalma konturları seçer

Stationary phase, faz türevinin sıfır olduğu salınımlı gerçek integralleri ele alır; çoğu zaman saf azalma yerine iptal üretir

İstatistiksel saddlepoint yaklaşımı ilişkili bir dönüşüm uygulamasıdır; ancak olasılığa özgü normalizasyon ve kuyruk formülleri içerir

Opsiyon fiyatlama çok sayıda dönüşüm integrali sağlar

Risksiz fiyatlar için Fourier ve Laplace terslemeleri vade, kullanım fiyatı veya küçük-gürültü ölçeği üzerinden büyük bir parametre kazanabilir

Baskın saddle, önde gelen kuyruk fiyatı ve zımni volatilite davranışını kaba kuvvetli integrasyondan daha doğrudan gösterebilir

Kontur, karakteristik fonksiyon moment şeridinin içinde kalmalı ve iskonto ile martingal konvansiyonlarını korumalıdır

Saddle’lar yer değiştirebilir, birleşebilir veya yok olabilir

İki saddle baskınlık değiştirirken tam integral düzgün olsa bile asimptotik ifade bir Stokes çizgisini geçerken aniden değişebilir

Birleşen saddle’lar veya uç noktaya yaklaşan bir saddle, ayrı Gauss terimleri yerine uniform bir yaklaşım gerektirir

Deformasyon sırasında bir kutup veya dal kesiti geçmek rezidü veya süreksizlik katkıları ekler ve cevabı tamamen değiştirebilir

Doğrulama geometri ile sayısalı birleştirir

Tüm aday saddle’ları bulun, eğriliği sınıflandırın, izin verilen iniş yollarını izleyin ve tekilliklerle dal kesitlerini açıkça takip edin

Önde gelen ve yüksek dereceli terimleri birkaç λ değerinde doğrudan kuadraturla karşılaştırın ve öngörülen hata ölçeklemesini kontrol edin

Opsiyon fiyatları için ayrıca gerçekliği, pozitifliği, sınırları, putcall paritesini, kullanım fiyatı konveksliğini ve geçerli alternatif konturlara karşı kararlılığı test edin

Sık sorulan sorular

Laplace yöntemi nedir?

Büyük parametreli bir yaklaşımdır; gerçek integrali üstelin baskın maksimumu veya minimumunun komşuluğundan hesaplar

Steepest descent nasıl farklıdır?

Karmaşık konturlarla çalışır ve yolu en hızlı üstel azalma yönleri boyunca saddle noktalarından geçecek şekilde deforme eder

Her saddle noktası cevabın parçası mıdır?

Hayır. Bir saddle ancak özgün kontur, analitik kısıtları ihlal etmeden iniş yoluna deforme edilebiliyorsa katkı verir

Birleşen saddle’lar neden sorun yaratır?

Komşulukları örtüşür; bu nedenle yalıtılmış Gauss yaklaşımları uniform doğruluğu kaybeder ve ortak bir kanonik yaklaşımla değiştirilmelidir

Kaynaklar ve daha fazla okuma

İlgili rehberler