楼主: 可人4
1197 31

[量化金融] 商品市场的局部波动模型及在线校准 [推广有奖]

11楼
何人来此 在职认证  发表于 2022-5-10 18:43:04
此外曼迪τ、 mdenote:分别逼近y和τ导数的一阶前向差分矩阵。当忽略对F的依赖时,如第3节所述。1,我们设α=0。由于a和F是独立的,我们将最小化分解如下:1。对于一组固定的基础资产F,我们找到了(10a)的最小值。由于F是固定的,因此(10b)中带有α的项不影响最小化,因此被忽略。2.考虑到局部波动面,我们将标的资产(或资产)的(10a)最小化。因为现在a是常数,所以(10b)中带有α、α和α的项不影响最小化,并且被忽略。我们重复步骤1和2几次,直到达到定点过程的公差。有关更多详细信息,请参见(Albani等人,2015a)。第五节。1给出了使用合成数据的这种校准方法的数值示例。4模型校准:算法和扩展在本节中,我们首先描述了柯西问题(6)的数值离散化,然后是问题(10)的优化策略,更简洁地写为(9)。然后,我们描述并演示了一种基于Black隐含波动率的校准技术,将美国的期权价格转换为欧盟的ropean期权价格。最后一小节涉及提高优化公式(10)中插入的先验信息的质量。4.1校准问题的数值离散让我们首先通过限制对数y的范围来近似初始边值问题(6)[-5,5],从而定义域D=[0,τmax]×[-5, 5]. y的边界条件→ ±∞ 然后分别在y=±5处施加。让我,J,L∈ N固定。

12楼
能者818 在职认证  发表于 2022-5-10 18:43:07
我们考虑用符号SL=l离散[0,s]×Ds、 当l=0,1,2。。。,五十、 τi=iτ、 当i=0,1,2。。。,一、 yj=jy、 和j=-J-J+1。。。,0, 1, ..., J.让我们用d enote vij(l):=v(sl;τi,yj),aij(l):=a(sl;τi,yj),β:=τ /yandη=τ /y、 (6)中的微分方程由Crank-Nicolson Schemevj离散-ηaij(vij+1)-2vij+vij-1) +βaij(vij+1- vij-1) =vi-1j+ηai-1j(vi)-1j+1-2vi-1j+vi-1j-1) -βai-1j(vi)-1j+1- 六、-1j-1) ,(11)其中省略了对l的依赖性以简化符号。请注意,对于这种特定的差异方案,正向算子的连续性意味着其离散版本的连续性。对于每个l,方案(11)可以矩阵形式写入为[Id+M(ai)]vi+b(ai)=[Id- M(ai)-1) ]vi-1.- b(ai)-1) ,i=1。。。,一、 (12)wherei=(ai)-J+1。。。,哎。。。,哎呀-1) T,vi=(vi-J+1。。。,六、viJ-1) T,M(人工智能)j、 j=ηaij,j=-J+1。。。,0,J- 1.M(人工智能)j、 j+1=β - η哎呀,哎呀=-J+1。。。,0,J- 1.M(人工智能)j、 j-1= -β + ηaijj=-J+1。。。,0,J- 1,b(人工智能)=-β + η人工智能-J、 0。。。,0T、 将(9)中的V(A)替换为(12)的解的l所索引的族,用梯度下降法求解相应的极小化问题。因此,用Akwe evaluateAk+1=Ak表示A的第k次迭代- λkF(Ak),(13),直到满足第4.2节中定义的停止标准。所得挥发性表面族被视为正则化解。注意F(A)=Jδ(A)+ψA(A),其中jδ(A):=kPnV(A)- VδkYn≈LXl=0I-1Xi=1kPn,lvi(l;a(l))- vδ,i(l)k.(14)我们将步长λkin(13)设置为λk=min2.5,Jδ(Ak)2kJδ(Ak)k. (15) 这对应于基于Wolfe条件的线搜索算法(例如,参见(Nocedal和Wright,2006))。

13楼
可人4 在职认证  发表于 2022-5-10 18:43:10
该公式控制步长时考虑了以下事实:Jδ(Ak)k很小,该方法可能变得不稳定。在下面的内容中,我们尽可能省略对a和l的依赖,以简化符号。Foreach l=0,1。。。,五十、 让我们考虑伴随状态u,伴随方程[Id+M(ai+1)T]ui=[Id]的解- M(ai+1)T]ui+1+2P*n、 lPn,l^vi- P*n、 l^vδ,i, i=i-1.0,(16)且uI=0。设a:b表示两个向量a和b的乘积,这两个向量给出了一个带有条目ajbj,j=- J+1。。。,0, ..., J-1.和曼迪y,M以一阶和二阶为中心的差异。因此,对于每个i=1。。。,我- 1,l=0。。。,LJδ(l;A)i≈ -τ [y,m- y,m]vi:ui+[y,m- y,m]vi:ui+1。(17) 4.2正则化函数中参数的选择Tikhonov型正则化的主要挑战之一是正则化函数中权重的适当选择。在(10b)的特定情况下,我们从理论上选择参数,考虑数据和我们对局部波动表面的看法。因此,我们有以下几点:1。权重α表示应考虑多少先验曲面,即我们认为第一近似值的精确度。例如,如果a priori sur face ais为常数,则它与预期解不同,因此α应该很小。在下面的例子中,我们将其取为0.1α或0.01α。权重α和α允许我们说明局部波动率表面平滑度相对于τ和y的相对重要性。由于τ中的数据比iny中的数据少得多,我们取α>α。在下面的例子中,我们假设α=0.5α,0.1α,0.02α或0.01α,α=10-2, 10-3,还是10-4.3. 权重α允许我们惩罚一系列局部波动表面相对于指数s缺乏有效平滑性。我们设置α=cs/yα,c=0.01或0.1。

14楼
可人4 在职认证  发表于 2022-5-10 18:43:13
这强制了kA.sk的重量不应超过kA.在正则化函数中。4.权重α和α与标的资产价格的调整有关,且应与数据MIST kPV(A)具有相同的权重- Vδk.参数α是一个比例因子,表示反问题必须被规范化的程度。因此,我们根据给定的公差选择α;具体来说,我们选择最大的α,使得归一化数据mis fitr(A)=kP V(A)- Vδk/kVδk(18)低于公差,例如0.02。为了找到合适的公差,我们将α设为10-4并将公差设置为0.01。如果生成的重建太过嘈杂,或者标准化数据误差的相对变化变小,例如低于10-6.我们增加了容忍度。然而,公差必须始终约为kVδk的1%。然后在算法的停止标准中设置用于确定α的标准化数据的相同公差。4.3从美国到欧洲的价格在风险中性措施下,商品期货零漂移,尽管利率为正。因此,未来价格可以被视为支付股息的资产,这意味着它的美国看涨期权比欧洲看涨期权更昂贵。因此,我们必须在校准本地波动性时使用美国定价技术,或将美国价格转换为欧洲价格。我们之所以选择后者,是因为它在计算上更便宜,而且使用欧式定价的校准在计算和理论上都更容易理解。在(Achdou,2005;Achdou and Pironeau,2005)中,作者使用自由边值问题方法,引入了一种局部波动性技术来处理美式看跌期权及其相应的校准问题。在(Crepey,2003b)中,这个问题是通过三项式树在离散环境下解决的。

15楼
mingdashike22 在职认证  发表于 2022-5-10 18:43:17
在这两种情况下,要解决反问题,必须为每次走向和成熟度解决直接问题。相比之下,在欧洲的公关环境中,直接问题只能解决一次。因此,为了评估欧洲价格,我们使用非线性最小二乘法提取美国期权的隐含波动率σi,即findσi∈ argmin{C(σ)- CM |:σ>0},其中CMdenotes表示市场买入价,C(σ)表示模型价。在这种情况下,基于布莱克模型的C(σ)的计算是通过(Crepey,2003b)第8节中介绍的三项式树方法来解决的。我们可以用近似技术来评估美国的价格,而不是使用三项式树,例如(Baroni Adesi和Whaley,1987年)或(Bjerksund和Stensland,1993年和2002年)。我们测试这种转换技术的准确性如下。在局部波动率模型下,利用三项式树方法计算美式看涨期权价格,提取相应的隐含波动率,并用Black-Scholes公式计算欧式看涨期权价格。然后,我们用这些欧洲数据校准了局部波动面。请注意,此转换是一个数据处理阶段,必须在本地挥发性校准阶段之前执行。为了评估美式买入价格,我们取S=1,利率为r=0.03,股息率为q=0.03,局部波动率σ(τ,y)=-E-τ/2cos4πy, 如果- 2/5 ≤ Y≤ 2/52/5,否则。(19) 赎回价格按到期日τi=i·0.1进行评估,其中i=1,2。。。,5,罢工j=j·0.05,其中j=-10, -9, ..., 0, 1, ..., 10.我们持有未来价格F和指数s fix ed。因此,正则函数ψAin(10b)中的α=α=α=0。

16楼
mingdashike22 在职认证  发表于 2022-5-10 18:43:21
正则化问题(9)或(10)中的算子P将方案(11)给出的数值解(离散化水平为n)投影到给定数据的走向和成熟度上。在正则化泛函(10b)中,我们将参数作为≡ 0.08, α= 10-3α,α=0.2α。我们设定α=10-4.使用步长y=0.05(对于对数货币),以及τ=0.01来解决离散化的直接问题。校准的初始猜测是恒定的局部挥发性表面a≡ 0.08.在以下所有示例中,用于评估局部波动性的网格宽度与用于生成数据的网格宽度相同。此外,为了评估整个区域中的局部波动率表面,我们使用双线性插值和seta(τ,y)=a(τ,-0.5)如果τ>0.1,y≤ -0.5,(深陷金钱)a(τ,0.5)如果τ>0.1,y≥ 0.5,(资金深度)a(0.1,y)如果τ≤ 0.1.标准化数据误差的公差取tol=2.55×10-3.-0.50.20.40.60.81T=0.1欧元。数据转换解决方案-0.50.50.20.30.40.5T=0.2欧元。数据转换解决方案-0.50.250.30.350.40.45T=0.3欧元。数据转换解决方案-0.50.250.30.350.40.45T=0.4欧元。数据转换解决方案-0.50.50.250.30.35吨=0.5欧元。数据转换解决方案图1:欧洲和美国价格在每个到期日的隐含波动性。在图1中,在每个到期日,我们比较数据的隐含波动率(由构建的局部波动率面给出的数据)和由欧洲价格给出的隐含波动率面,并使用(11)使用真实的局部波动率面(19)进行评估。

17楼
大多数88 在职认证  发表于 2022-5-10 18:43:24
图2显示了每个到期日的标定局部波动率与真实局部波动率之间的比较。-0.5 0.50.20.250.30.350.4T=0.1-0.5 0.50.20.250.30.350.4T=0.2-0.5 0.50.250.30.350.40.45T=0.3-0.5 0.50.250.30.350.40.45T=0.4-0.5 0.50.250.30.350.40.45T=0.5真实溶液图2:每个成熟期的真实和校准局部挥发性表面。0.5-0.500.50.20.30.400.5-0.500.50.20.30.4图3:原始(左)和校准(右)局部挥发性表面。在图3中,我们比较了真实和重构的局部波动率曲面。归一化误差e(a)=ka- a+k/ka+k,(20),其中a+表示(19)中给出的真实局部波动面,为0.1578。从图1-3中可以看出,产生的局部挥发性表面与真实表面相似,尽管校准在质量上并不完全正确。这是因为从美国到欧洲的价格转变不可避免地引入了噪音。此外,与解决直接问题的位置相比,定义数据的位置集,即给出数据的网格,在等式(19)后的第一段中描述,是稀疏的。4.4参数局部波动表面正则化方法的一个关键组成部分是引入先验信息。在OUR测试中,这是通过首先考虑一个参数化的表面来实现的,可以将其视为普通常数波动模型之外的一个步骤。

18楼
何人来此 在职认证  发表于 2022-5-10 18:43:27
这也可用于通过生成合成数据来测试噪声下重建的准确性。我们选择了参数化曲面的特殊族σ(τ,y,Θ)=(aτ+b)- 总工程师-dτcosπye, 如果∈ [-e、 e]aτ+b,否则,(21)其中Θ=(a,b,c,d,e)是满足0<a的参数向量≤ (1 - b) /τmax,0<b≤ 1,0<c≤ B-1.≤ D≤ 1和0<e≤ 2.-0.5 0.500.511.5T=0.038889-0.5 0.500.20.40.60.8T=0.11667-0.50.20.40.60.81T=0.20278-0.50.20.40.60.81T=0.29444-0.50.50.20.40.60.81T=0.37222-0.5 0.50.20.40.60.81T=0.45278图4:与参数模型(连续线)和市场数据(平方)相对应的隐含波动率。0.20.4-0.500.50.40.60.810.20.4-0.500.50.51图5:带有表1参数的参数局部波动率表面。数量b+aτ是货币内深部和货币外深部价格的局部波动水平,其中b是初始水平,a给出其(线性)演化。参数c、d和e确定微笑的演变,其中e c是初始微笑深度,d决定其(指数)演变,2·e是以0为中心的微笑宽度。其他参数还可以包括局部波动的其他特性,如微笑中心的演化和不对称性。我们从转换和标准化的Henry Hub看涨期权价格中校准了参数波动率。结果参数见表1。本例中使用的Henry Hub看涨期权价格于2013年9月4日交易,分别于2013年10月29日、2013年11月27日、2013年12月27日、2014年1月29日、2014年2月26日和2014年3月27日到期。

19楼
大多数88 在职认证  发表于 2022-5-10 18:43:31
我们使用了-0.4和0.4,以对数货币计算。通过求解非线性最小二乘问题,对(21)中的参数进行了标定kPnV(a、b、c、d、e)- Vδk:0<a≤1.- bτmax,0<b≤ 1,0<c≤ B-1.≤ D≤ 1,0<e≤ 2..对于Henry Hub call prices的测试,初始参数见表1。用于PDE离散化的步长为τ=0.001和y=0.05,假设利率和股息率均等于0.0325。a b c d初始0.100 0.400 0.200 0.500校准2.232×10-140.897 0.562 -0.500 0.500表1:参数局部波动表面的初始和校准参数,美国ing HenryHub价格。校准后的局部波动率表面与市场隐含波动率相匹配,接近货币冲击时的波动率。此外,不同于Heston(见(Gathereal,2006))和其他参数模型,我们对每个成熟度都有相同的参数集,这简化了模型并加快了校准。这些特性证明,我们可以使用参数曲面作为初始猜测或预先输入在线方法或其他局部挥发性校准技术。5数值实验上一节中的数值实验是在从美国价格转换为欧洲价格(第4.3节)和构建重要先验信息(第4.4节)的特定背景下进行的。现在,我们已经准备好进行一般的数值实验,演示调整资产价格和在线方法的实用性。此外,我们评估了路径依赖性期权,以说明局部波动模型的准确性。5.1基础资产价格作为额外未知在本小节中,我们首先综合来自已知解决方案的数据,以研究将基础资产价格视为不确定量的优势。

20楼
大多数88 在职认证  发表于 2022-5-10 18:43:34
因此,我们不会对价格进行调整,而是会小心地对其与测量值(例如,一天交易的平均价格)的距离进行调整。为了生成合成价格,我们使用等式(19)中给出的局部波动率曲线。数据是在具有步长的FINE m esh上生成的τ=0.005和y=0.025,最大到期时间为τmax=0.5。我们只使用在τi=i·0.1到期的五个未来价格,其中i=1。。。,5.它们由f0给出,τi=1+0.1sin(3τiπ/2)。我们假设无风险利率为r=0,d表示无噪声的看涨期权价格面byv=v(a)。然后,在每个(τ,y)处,我们添加1%的相对噪声,使用vδ(τ,y)=v(τ,y)(1+δη),(22)定义噪声数据,其中δ=0.01,η是标准正态伪随机变量。我们在Kij=F0,τiexp(yj)处收集价格数据,其中yj=j·0.05,j=- 10, -9, ..., 0, 1, ..., 10,并且在相同的基础期货到期日。如第3.2节所述,函数(10a)的优化步骤使用了一种拆分方法,包括两个阶段,即关于F的最小化和关于a的最小化。在第一阶段中,我们将s和局部波动率a固定,并将函数(10b)中的参数设置为α=α=α=α=0,α=α=1和^F≡ 1.在第二阶段,我们将索引s和F固定,并将函数(10b)中的参数设置为a≡ 0.101, α= α= α= 0, α= 10-4, α= α= 0.01α.我们以恒定的局部波动率a开始最小化≡ 0.101,观察到的基础资产价格F=0.95Ftrue,其中ftrue是真实基础资产的集合。

您需要登录后才可以回帖 登录 | 我要注册

本版微信群
扫码
拉您进交流群
GMT+8, 2026-11-21 12:42