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]

21楼
kedemingshi 在职认证  发表于 2022-5-10 18:43:37
在每一步k中,我们通过当前标的资产价格,即vδ(τi,·)/Fk0,τi,i=1,…,将看涨期权价格标准化。。。,5,并假设数据值在(τi,yj)定义的网格节点处给出,yj=log(Kij/Fk0,τi),i=1。。。,5.标准化l错误和数据错误如图6所示。图7显示了局部波动率的原始和重建,我们更新了F.0 2 4 6 8 100.0050.010.0150.020.0250.030.0350.040.0450.05L2价格残差0 2 4 6 8 1000.511.522.533.544.55L2错误值。图6:标准化l数据误差(带正方形的直线)和标准化公差(连续直线)。以下:标准化l-结构与真实局部波动之间的距离。0.20.40.60.8-0.500.500.20.40.60.80.20.40.60.8-0.500.500.20.40.60.80.20.40.60.8-0.500.500.20.40.60.80.20.40.60.8-0.500.500.20.40.60.80.20.40.60.8-0.500.500.20.40.60.80.20.40.60.8-0.500.500.20.40.60.80.20.40.60.8-0.500.500.20.40.60.80.20.40.60.8-0.500.500.20.40.60.80.20.40.60.8-0.500.500.20.40.60.80.20.40.60.8-0.500.500.20.40.60.80.20.40.60.8-0.500.500.20.40.60.8图7:原始局部波动面(左上)及其在我们调整基础价格F值时的重建。经过10步之后,数据和模型价格之间的距离低于容差,我们发现了一个与原始波动率表面相似的局部波动率表面,即使数据稀少。各点的相对误差平均值(τj,yi)为0.1226,标准偏差为0.1732。我们还提供了一组接近原始价格的基础价格,见表2。接下来,我们使用2013年9月6日交易、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日到期的亨利中心看涨期权价格。期权被转换成欧洲价格。

22楼
mingdashike22 在职认证  发表于 2022-5-10 18:43:41
为了解决反问题,我们使用了网格步长τ=τmax/254,其中τmax是以年为单位的最长到期时间(360天),以及y=0.05。F0,τF0,τF0,τF0,τF0,τFtrue1。0809 1.0951 1.0309 0.9412 0.9000F1。0269 1.0404 0.9794 0.8942 0.8550F1。0801 1.0922 1.0262 0.9369 0.8936表2:潜在未来价格的价值:真实、初始和10步后。后者显然比初始值更接近基本真值。我们开始对局部波动性进行优化,使其具有恒定的表面,a=a≡ 0.1013,并考虑了参数α=α=10-2α, α= 10-函数(10b)中的3和α=α=α=0。基本未来价格的调整从观察价格开始,我们使用p参数α=α=α=0,α=α=1。先验F被视为观测到的集合。到期日10/29/13 11/27/13 12/27/13 01/29/14 02/26/14 03/27/14原始3.62 3.78 3.87 3.87 3.83 3.77调整后3.62 3.82 3.87 3.87 3.84 3.77表3:不同到期日的原始和调整后的Hery hub未来价格。0.51-0.500.500.10.20.30.400.51-0.500.50.10.150.20.250.30.35图8:未调整(左)和调整(右)Henry hub价格的重建局部波动性曲面。我们将标准化数据m is fit R(a)的公差设置为0.012。因此,经过两次迭代,我们发现R(a)=0.01199,表3中2013年11月27日和2014年2月26日的实际价格略有变化。如图9和图10所示,这有助于提高对市场微笑的依从性,比较了调整前后的隐含波动率。这种变化也可以在重建的局部挥发性中看到,在这个校正步骤之后,获得了一个更简洁的表面。参见图8。

23楼
mingdashike22 在职认证  发表于 2022-5-10 18:43:44
这些结果让我们得出结论,如果我们把基础资产价格作为额外的未知因素,那么调整它们,我们就能提高重建质量。5.2使用合成数据的在线方法在这个合成示例中,我们接下来将说明,随着我们增加通话价格数据集,重建得到了改进。因此,我们首先使用波动率曲面(19),使用τmax=0.5和网格步长生成欧洲看涨期权价格τ=0.005和y=0.025,对于标的资产S的不同价值。然后,我们应用(22)中的相对噪声,并收集到期日τi=i·0.1,i=1。。。,5,且在打击yj=j·0.05时-10.30.40.50.6T=53,N=1-10.30.40.5T=82,N=1-10.250.30.350.40.45T=112,N=1-10.250.30.350.40.45T=145,N=1-10.250.30.350.4T=173,N=1-1 10.250.30.350.4T=202,N=1图9:市场价格(平方)和重建(连续线)各到期日的隐含波动率,未经调整的基准价格。-10.30.40.50.6T=53,N=2-10.30.40.5T=82,N=2-10.250.30.350.40.45T=112,N=2-10.250.30.350.40.45T=145,N=2-10.250.30.350.4T=173,N=2-1 10.250.30.350.4T=202,N=2图10:市场价格(平方)和重建(连续线)在每个到期日的隐含波动率,以及调整后的基准价格。j=-10, -9, ..., 0, 1, ..., 10.标的资产的价值为S(l)=0.8+l·s、 和台阶一样大s=0.1,0.05,0.025。因此,我们使用1组、5组、9组和17组期权价格重构了在线设置下的局部波动面。我们从常数曲面A开始最小化≡ 0.08,并停止迭代,只要l-数据误差低于0.011。当使用一组唯一的期权价格时,我们将α设为10-3.当使用多个时,wesetα=10-4.

24楼
能者818 在职认证  发表于 2022-5-10 18:43:48
(10b)中的权重取α=10-3α,α=0.5α,α=0α=10-2.s/yα。请注意,在本例中,我们不更正第5.1节中的基础资产价格。如图11所示,两个l-误差和数据错误会随着我们减少步骤而减少s、 因此,在降低集合定价的数量方面。当我们使用17套期权价格时,误差比仅使用一套时小20%。查看图12中重建的局部波动率,随着数据集的增加,解决方案变得更类似于原始解决方案,尽管校准从来都不是完美的,因为数据稀疏且有噪声。5.3 Henry Hub Prices的在线方法本测试的目的是说明在线模型可以有效地用于市场数据。此外,它的微笑依从性至少与(Gathereal and Jacquier,2014)提出的SVI模型一样好。我们使用Henry Hub看涨期权价格的在线校准进行了一些测试,期权价格在2013年9月4日、2013年9月5日、2013年9月6日、2013年9月9日和2013年9月10日进行交易。我们使用了六种第一到期日,即未来合同和相应的Vanilla看涨期权,到期日分别为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。10-210-110010-1.9810-1.9710-1.9610-1.95台阶长度10-210-11000.20.30.40.50.6图11:上图:标准化数据错误s(正方形)。下面是标准化的平均值(平方)和标准偏差(虚线)l-重建错误。0.5-0.500.50.20.30.400.5-0.500.50.20.30.400.5-0.500.50.20.30.400.5-0.500.50.20.30.400.5-0.500.50.20.30.4图12:左,第一行:原始本地挥发性表面。其他:使用不同的s、 在本例中,我们使用了网格步长y=0.05,τ=0.0025和s=0.05。

25楼
mingdashike22 在职认证  发表于 2022-5-10 18:43:52
Wealso使用了带有惩罚(10b)的ov泛函(9)上的Tikh,参数α=2.0×10-3α, α= 5.0×10-5, α= 2.0×10-2α=α=0,α=2.0×10-3·s/yα。我们将先验局部波动面设置为常数面a≡ 6.13 × 10-2.我们还使用它来初始化最小化算法。利率和便利收益率取0.0325。由于看涨期权是美国的,我们使用第4节的方法将其转换为欧洲价格。3.数据以稀疏网格形式给出,通过将市场冲击转化为对数货币,并考虑到到期时间(以年为单位)。由于时间网格具有不同的长度,随着基础资产的演变,我们将曲面延长至τ=0.8,重复与更大到期时间对应的价格集。当数据误差(18)低于公差时,我们停止迭代,取astol=0.024。图13显示了在线校准下获得的与2013年9月6日tr ad edat价格相对应的校准局部波动率表面。图15显示了市场隐含波动率、与图13的局部波动率表面相对应的波动率,以及通过使用(Gathereal and Jacquier,2014)提出的SVI模型的自然形式获得的混合波动率之间的比较。与前面的例子一样,迭代从恒定的局部波动率开始≡ 0.08.图14显示了2013年9月4日、2013年9月5日、2013年9月9日和2013年9月10日,当我们在在线校准中使用所有五个价格曲面时重建的局部波动曲面。这些局部挥发性与图13中的一个共同获得。如图13-14所示,标的资产在不同水平上的局部波动率是相似的,这意味着其演变是良好的。

26楼
kedemingshi 在职认证  发表于 2022-5-10 18:43:54
此外,图15显示校准表面具有类似于SVI的微笑附着。0.30.40.50.60.7-1010.10.20.30.4图13:重建的Henr y Hu b局部挥发性表面。交易日期:2013年9月6日0.30.40.50.60.7-1010.10.20.30.40.30.40.50.60.7-1010.10.20.30.40.20.40.6-1010.10.20.30.40.20.40.6-1010.10.20.30.4图14:Henry Hub局部波动率的重建。交易日期:2013年9月4日、2013年9月5日、2013年9月9日和2013年9月10日。-10.40.60.811.2T=53天-10.40.60.81T=82天-10.40.60.81T=112天-10.40.60.8T=145天-10.40.60.8T=173天-10.40.60.8T=198天图15:市场数据(正方形)、SVI(虚线)和重建的隐含波动率。5.4使用WTI价格的在线方法我们现在重复我们使用轻质甜味油(WTI)看涨期权价格进行的测试,期权价格在2013年10月9日、2013年10月10日、2013年10月11日、2013年10月14日和2013年10月15日进行交易。我们使用了六种到期日,即未来合同和相应的普通认购期权,到期日分别为2013年10月18日、2013年11月16日、2013年12月17日、2014年1月16日、2014年2月15日和2014年3月18日。我们使用了第5节中介绍的相同方法。3,但现在,α=2.0×10-2, α=-2α,公差取tol=0.01。根据WTI价格,我们可以得出与Henry Hub期权类似的结论。图13-14s显示,局部波动面相对于ind-ex s的演化表现良好。此外,校准后的表面具有类似于SVI的微笑依从性,如图15.5.5“奇异期权评估:说明”所示。本示例的目的是说明局部波动模型在对所谓奇异衍生品定价时的准确性。我们首先使用不同于pire的模型生成合成欧洲买入价。

27楼
可人4 在职认证  发表于 2022-5-10 18:43:58
对于这项任务,我们选择赫斯顿模型,因为它是众所周知的,并且易于实现。再次说明,在这个模型下,股票价格St遵循dynamicSt=uStdt+√VtStdWt,0≤ T≤ TmaxdVt=κ(θ)- Vt)dt+σ√VtdWt,(23),其中vt是随机方差。假设布朗运动WT和WT有0。20.40.6-10100.20.4图16:重建的WTI局部挥发性表面。交易日期:2013年9月6日0.20.40.6-10100.20.40.20.40.6-10100.20.40.20.40.6-10100.20.40.20.40.6-10100.20.4图17:WTI局部波动性的重建。交易日期:2013年9月4日、2013年9月5日、2013年9月9日和2013年9月10日。-10.511.52T=7天-10.20.40.60.811.2T=36天-10.20.40.60.8T=67天-10.20.30.40.50.6T=97天-10.20.30.40.50.6T=127天-10.20.30.40.5T=158天图18:市场数据(正方形)、SVI(虚线)和经济结构的隐含波动率。相关性ρ。更多详细信息,请参见第2章(Gathereal,2006)。我们使用参数u=r=0.035,κ=2,θ=0.04,σ=0.2,ρ=0.1,V=0.2和s=1,在τi=i·0.1,i=1,2。。。,15,并且打击yj=j·0.05,其中j=-10, -9, ..., 0, 1, ..., 10.然后,我们校准本地挥发性表面,以及隐含的挥发性。在本测试中,我们考虑srike K、到期日Tmax和Payoff A(Tmax):=max的欧亚看涨期权0,NNXj=0Stj- K,式中tj=j·t和t=Tmax/N。亚式期权是所谓的路径依赖导数的一个例子,其评估要求了解进程在一个时间间隔内的分布。

28楼
大多数88 在职认证  发表于 2022-5-10 18:44:01
由于斯达尔索的方差随时间而变化,因此具有恒常性的模型,如布莱克-斯科尔斯模型,在该时间间隔增加时,往往会失去精度。亚式期权t=0时的价格由一个简单的蒙特卡罗积分a(0)=e近似-rTmaxE[A(Tmax)]≈ E-rtmaxnrxj=0A(Tmax)(j),其中A(Tmax)(j)是随机变量A(Tmax)的第j次实现,nr是实现的次数。为了生成实现A(Tmax)(j),我们使用Heston、Dupire和BlackScholes模型,将实现的数量设置为Nr=10000。与每种方法相关的SDE由Euler Maruyama方法求解,时间步长为t=Tmax/N,N=100,Tmax=τi。Dupir e的模型用校准的局部挥发性表面和隐含挥发性的Black-Scholes来求解。基本事实价格就是赫斯顿价格。τ=0.1τ=0.5τ=1log(K/S)0-0.10.10-0.10.10-0.10.1赫斯顿0.0330 0.1011 0.0046 0.0688 0.1245 0.0313 0.0972 0.1509 0.0560L。第0.0317 0.0986 0.0042 0.0709 0.1269 0.0328 0.0962 0.1485 0.0557B-S 0.0314 0.1004 0.0044 0.0648 0.1236 0.0274 0.0832 0.1394 0.0427表4:欧亚看涨期权价格。局部波动率Black&Scholeslog(K/S)0-0.10.1 0-0.1 0.1τ=0.1 0.0247 0.0387 0.0985 0.0067 0.0478 0.0519τ=0.5 0.0189 0.0317 0.0495 0.0076 0.0576 0.1246τ=1.0 0 0 0 0 0.0157 0.0103 0.0057 0.0757 0.1436 0.2370τ=1.5 0.0.040.040.040.0420 0.0420 0.0440.25925:亚洲看涨期权价格表中的相对误差。表4显示了不同到期日和行使期的亚式期权价格;我们用L.Vol.的本地波动率模型和B-S的Black-Scholes模型计算的价格表示。与赫斯顿价格相比,我们可以看到,对于更长期限的债券,DupirePrice比Black-Scholes价格更精确,正如预期的那样。

29楼
mingdashike22 在职认证  发表于 2022-5-10 18:44:05
表5中的绝对相对误差证实了这一点。本地波动率价格的标准化残差为0.0213,而布莱克-斯科尔斯价格的标准化残差为0.0623,几乎是前者的三倍。因此,我们发现局部波动率模型在评估路径依赖价格时比简单地使用基于隐含波动率的技术更可靠,后者更难捕捉时间间隔内的方差演化。6结论性意见在本文中,我们提出并测试了一种适用于处理商品期货及其衍生品的校准方法。首先,根据随机微分方程对到期日固定的期货进行建模,其波动性取决于时间和期货合约的价格。该模型属于杜皮尔的局部波动性理论框架,因此经过适当调整后,适用于年开发的在线校准方法(Albani和Zubelli,2014)。完整的方法允许从期货的看涨期权(或看跌期权)的市场价格开始进行校准,并从那里评估局部波动表面。一旦估计出这种波动面,人们就可以计算出各种衍生品的自由市场兼容价格,包括路径依赖型衍生品。不安全感。5我们以亚洲期权为例来说明这一点。我们已经使用真实和合成数据广泛验证了我们的方法。局部波动率校准问题是一个不适定问题,相关的数据拟合问题有很多解决方案。为了确定其中一个合适的,我们通过加入先验信息来规范化问题。重要的是,我们还应对了潜在的价格不确定性。

30楼
能者818 在职认证  发表于 2022-5-10 18:44:08
这是通过在Tikhonov型方法中明智地选择正则化参数,并引入一种分裂优化方法来确定局部波动面和基础价格来实现的。我们的方法适用于处理稀缺数据以及数据量的大幅增加。本文报告的数值测试证实了我们方法的稳健性和有效性。事实上,用合成数据进行的数值实验表明,随着对期权价格进行更多的观察,重建效果会得到改善,误差也会减小。此外,随着我们调整更高的价格,重建更接近地面真相。在真实数据的情况下,普通期权的计算价格显示出依附的隐含波动性。致谢。A.通过201644/2014-2号拨款、巴西国家石油公司(Petroleo Brasileiro S.A.)和巴西国家石油公司(Ag^encia National do PetrKoleo)对CNPq在本工程开发期间提供的财务支持表示感谢。美国感谢来自巴西CAPES的Ciencias Sem Fronteiras(访问科学家)赠款。J.P.Z.感谢CNPq通过RANTS 302161/2003-1和474085/2003-1以及法佩尔通过Cie ntistasdo Nosso Estado和Pensa Rio项目提供的财政支持。参考Achdou,Y.(2005)美式期权校准中抛物型变分不等式的反问题。暹罗J。控制Optim。,43(5),1583–1615.Achdou,Y.和Pironeau,O.(2005)期权定价的计算方法。前沿不适用于数学。暹罗。Albani,V.和Zubelli,J.(2014)利用凸正则化和Morozov差异原理和比率进行在线局部波动率校准。阿普尔。肛门。离散数学。,8(2),243–268.Albani,V.,Ascher,U.,Yang,X.,和Zubelli,J.(2015a)数据驱动的局部挥发性表面恢复。

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