快变长记忆随机波动下的期权定价

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Option pricing under fast-varying long-memory stochastic volatility》
---
作者：
Josselin Garnier and Knut Solna
---
最新提交年份：
2018
---
英文摘要：
  Recent empirical studies suggest that the volatility of an underlying price process may have correlations that decay slowly under certain market conditions. In this paper, the volatility is modeled as a stationary process with long-range correlation properties in order to capture such a situation, and we consider European option pricing. This means that the volatility process is neither a Markov process nor a martingale. However, by exploiting the fact that the price process is still a semimartingale and accordingly using the martingale method, we can obtain an analytical expression for the option price in the regime where the volatility process is fast mean-reverting. The volatility process is modeled as a smooth and bounded function of a fractional Ornstein-Uhlenbeck process. We give the expression for the implied volatility, which has a fractional term structure.
---
中文摘要：
最近的实证研究表明，在特定的市场条件下，基础价格过程的波动性可能具有缓慢衰减的相关性。为了捕捉这种情况，本文将波动率建模为具有长期相关性的平稳过程，并考虑了欧式期权定价。这意味着波动过程既不是马尔可夫过程，也不是鞅过程。然而，通过利用价格过程仍然是半鞅的事实，并相应地使用鞅方法，我们可以在波动过程快速均值回复的情况下获得期权价格的解析表达式。波动过程被建模为分数Ornstein-Uhlenbeck过程的光滑有界函数。我们给出了隐含波动率的表达式，它具有分数期限结构。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Pricing of Securities        证券定价
分类描述：Valuation and hedging of financial securities, their derivatives, and structured products
金融证券及其衍生产品和结构化产品的估值和套期保值
--
一级分类：Mathematics        数学
二级分类：Probability        概率
分类描述：Theory and applications of probability and stochastic processes: e.g. central limit theorems, large deviations, stochastic differential equations, models from statistical mechanics, queuing theory
概率论与随机过程的理论与应用：例如中心极限定理，大偏差，随机微分方程，统计力学模型，排队论
--

---
PDF下载：
--> Option_pricing_under_fast-varying_long-memory_stochastic_volatility.pdf (1.1 MB)

2022-5-12 03:53:47 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：期权定价 长记忆 Quantitative correlations Applications

快变长记忆随机波动下的期权定价*和KNUT SOLN A+摘要。最近的实证研究表明，在特定的市场条件下，基础价格过程的波动性可能具有缓慢衰减的相关性。本文将波动率建模为一个具有长期相关性的平稳过程，以捕捉这种波动，并考虑欧式期权定价。这意味着波动过程既不是马尔可夫过程，也不是鞅过程。然而，通过利用价格过程仍然是半鞅的事实，并相应地使用鞅方法，我们可以在波动过程是快速均值回复的情况下得到期权价格的解析表达式。volatityProcess被建模为分数Ornstein–Uhlenbeck过程的s光滑有界函数。我们给出了隐含波动率的表达式，它具有分数期限结构。关键词。随机波动率，长期相关性，均值回归，分数奥恩斯坦-乌伦贝克过程。AMS科目分类。91G80、60H10、60G22、60K37。1.导言。随机波动率与隐含面。在许多市场情景下，像标准的布莱克-斯科尔斯模型那样，假设波动率是恒定的，这是不现实的。实际上，这反映在取决于定价参数的隐含波动性中。

这意味着，为了匹配观察到的价格，需要在Black–Scholes期权定价公式中使用的波动性取决于到期时间和对数货币性，其中货币性是到期日的履约价格*法国塞德克斯宫91128号理工学院数学贴花中心。garnier@polytechnique.edu+加利福尼亚州欧文市加利福尼亚大学数学系92697ksolna@math.uci.eduthe标的资产的当前价格。隐含波动率是一种方便的方法，可以对金融合同相对于特定标的物的价格进行参数化。它提供了关于市场如何偏离理想的布莱克-斯科尔斯状况的见解。将隐含波动率模式l校准为流动性合约后，该模型可用于对同一标的资产上的流动性较低的合约进行定价。因此，有兴趣确定隐含波动率的一致参数化，该参数化对应于随机波动率波动的隐藏模型。正如Garnierand Solna（2015）所述，一个主要目标是构建一个随机波动率模型，该模型是一个平稳的过程，可以考虑一般的到期时间。关于随机波动率模型的背景，请读者参考byFouque等人（2011）的著作和调查；Gatheral（2006）；Ghysels等人（1995年）；古利斯·阿什维利（2012）；亨利·劳德埃（1909）；Rebonato（2004）（见其中的参考文献）。我们还可以参考我们关于分数随机波动性的论文Garnier and Solna（2015），进一步参考我们在这里考虑的波动性模型类别的最新文献。实证研究表明，波动性可能表现出具有长期相关性的“多尺度”特征，如inBollerslev等人（2013年）；布雷德。

(1998);Chronopoulou和Viens（2012年）；续（2001年、2005年）；恩格尔和巴顿（2001）；Ohet等人（2008年）。这意味着相关性在时间效应集中以幂律衰减，而如果随机波动率是马尔可夫的，则相关性将以指数函数衰减。在这里，我们试图确定隐含波动率的参数形式与这种长期相关性相一致。在我们的研究报告《帕·佩加尼尔和瑟尔纳》（2015）中，我们在波动性波动幅度较小的背景下考虑了这个问题。这里，我们考虑的情况是，波动率波动的大小与平均波动率的大小相同。事实上，经验研究表明，波动性波动可能相当大：Breidt等人（1998年）；Cont（2001）；恩格尔和巴顿（2001年）。在Garnier和Solna（2015）中，波动率波动很小，导致（常规）扰动情况，但情况不同之处在于，正是快速均值回归（相对于底层扩散时间的快速）允许我们进行n渐近分析。在这种情况下，长程关联的存在给出了一种新的奇异摄动情况。分析变得更加复杂。特别是，共变过程的详细分析是一个重要组成部分。我们考虑了期权定价，但第四种方法是通用的，在其他金融环境中也会有用。从我们的分析可以看出，隐含波动率曲面的形式与马尔可夫情形下得到的相似。这证实了隐含的可用性参数模型的稳健性，并对潜在的pr ice动态做出响应。然而，也存在中心差异。

特别是，长程相关性产生了不可积的相对性协方差，这反过来又给出了一个隐含的波动率表面，这是一个随机场，其统计数据可以详细描述。此外，在长期情况下，作为到期时间的函数，隐含波动率具有分数行为。Fouque等人（2003年）的实证研究表明，为了更好地拟合隐含波动率，考虑一个慢波动系数和一个快波动系数的两时间尺度模型是合适的。InGarnier和Solna（2015），我们考虑了一个缓慢的事实r，它与一个小的波动因子密切相关。这里，我们考虑一个具有大波动的快速因子。对于gether，我们对Fouque等人（2003年、2011年）提出的具有长期相关性的过程的双因素模型进行了一般化。这导致了隐含效用的部分期限结构。inFouque等人（2004年）表明，这种期限结构可能有助于在特定市场条件下拟合隐含波动率。长记忆和快速均值回复。如上所述，本文考虑的渐近机制是波动率快速均值回复的情况。我们用ε来表示它的时间尺度，ε是我们模型中的小参数。然后波动率在时间尺度ε上去相关。随机波动率模型通常具有均值为零和混合的波动率驱动过程。这意味着波动率驱动过程在时间t和t的随机值+t、 它们是Zε和Zεt+t、 当T→ ∞, i、 e.自协方差函数Cε(t） =E[ZεtZεt+t] 随着时间的推移迅速衰减为零T→ ∞. 更准确地说，如果波动率驱动过程的自协方差函数在单位内衰减得足够快，那么它就是混合的，因此它是绝对可积的∞|Cε（t）|dt<∞.

（1.1）在这种情况下，我们可以将该过程与有限相关时间tc=R相关联∞Cε（t）dt/Cε（0），它是of或de rε。最近，具有长期相关性的随机波动率模型吸引了大量关注，因为越来越多的数据是在各种情况下收集的，这证明在许多不同的市场中都会遇到这种情况。定性地说，长程相关特性意味着随机过程具有长记忆（与混合过程相反）。这意味着随机值Zε和Zεt之间的相关性+t以两次间隔即使是大的，也不能完全忽略t、 更准确地说，如果随机过程Zεt的自方差函数满足ε（t）|t，则它具有H-长范围相关特性|→∞ 右tε2小时-2，（1.2）其中rH>0和H∈ (1/2, 1). 我们称H为赫斯特指数。她的e相关时间ε是幂律行为（1.2）有效的临界时间尺度。注意，自协方差函数不可积为2H- 2.∈ (-1，0），这意味着具有H长程相关特性的随机过程不混合。正如我们在下文中更详细地描述的那样，建模长期相关性的一种常用方法是使用分数布朗运动（fBm）过程，这是在曼德尔布罗特和范内斯（1968）中介绍的。长记忆随机波动率模型易于引入，但难以分析。这主要是因为波动过程既不是马尔科夫过程，也不是半鞅过程。然而，重要的是要注意，价格过程仍然是一个半鞅，并且问题公式不包含套利（Mendes et al.（2015）），正如Be en为一些模型所主张的那样，这些模型的价格过程本身是由分数过程驱动的，如inBjork和Hult（200 5）；罗杰斯（1997）；Shiryaev（1998年）。

长记忆的主要动机是能够观察到复杂的波动性。关于隐含波动性表面的设置，一个常见的挑战是在短期内捕捉到强烈的资金依赖性，而不是在长期内创造艺术行为。另一个典型的挑战是，尽管在这种制度下发生了平均效应，但要保持长期债券的强参数依赖性，正如博列斯列夫和米克尔森（1999）所讨论的那样；Boller slevet等人（2013年）；孔德·e·t·艾尔（2012）；Sundars-en等人（2000年）。我们注意到，Carr和Wu（2003）提出的涉及跳跃的模型已被推广为应对这些挑战的一种方法；米贾托维奇和坦科夫（2016）。最近的研究表明，具有长期依赖性的随机波动率模型也为应对此类挑战提供了一个有前景的框架。Comte和Renault（19 98）采用了基于分数噪声描述随机波动过程的方法；孔德等人（2012年）。这种具有长期相关性的随机波动率模型可以捕捉长期波动率的陡峭程度，而不会过分强调短期波动性。为了得到隐式有效性的显式结果，我们考虑了一些渐近区域。其中最主要的是短期成熟制度。该模型由inComte等人提出。Guennoun等人（2014）再次提到了（2012年），其中使用大偏差理论分析了短期和长期到成熟的渐近性。在阿尔奥斯等地。（2007年），作者使用Malliavin calc ulus将期权价格分解为经典Black–Scholes公式价格的总和，以及由于波动性的波动性而产生的一个术语。

在Black–Scholes公式中，他们使用了一个波动率参数，该参数等于未来平均波动率的均方根加上杠杆效应（即基础收益与其波动率变化之间的相关性）产生的一个术语。他们的模型是贝茨模型的一个分数版本（贝茨（1996））。他们发现，在短期波动的限制下，在长期依赖的情况下，隐含波动率会出现。InForde和Zhang（2015），作者使用大偏差原理来计算隐含效用的短期到期时间渐近形式。他们考虑了杠杆效应，获得了与inAl`os等人（2007）一致的结果。他们考虑了由fBms驱动的随机波动率模型，该模型使用roug h路径理论进行分析。他们还考虑了一些分数过程的长时间渐近性。inGulisashvili et al.（2015）最近在长期随机过程的背景下提出了短期至成熟的渐近结果。InBayer等人（2016年），作者考虑了粗糙的Bergomi模型或“rBergomi”模型，并讨论了相关隐含波动率结构的形式。InFukasawa（2011），作者讨论了具有长期相关性的小波动率波动如何影响隐含波动率，作为他阐述的一般理论的应用。在那篇论文中，以及在Al`os et a l.（2007）中，作者使用了一个模型，其中时间0起着特殊的作用，因此建模并不完全令人满意，因为它导致了一个非平稳波动模型。另一方面，inGarnier和Solna（2015）研究了小波动率波动，作者使用了一个具有平稳模式l的公式。Fukasawa（2017）最近的一篇论文中也是这样，该论文考虑了整个波动率情况下的S短时渐近性，H<1/2。

这一点很重要：如果波动系数是源自原点的fBm，则隐含波动率表面仅以波动系数的现值为条件确定。在我们的论文中，我们使用了一个平稳模型，因此隐含的波动率表面取决于波动率因子的路径，直到现在，这反映了fBm的非马尔可夫性质。我们在第6节详细讨论了将隐含可用性表面解释为随机场的结果。最近，inAl`os和Yang（2017）提出了小波动率波动区域的定价近似值。在计算一般到期日和部分波动率波动的价格方面，迄今为止主要是数值近似。在这里，我们提出了一个基于快速均值回归的渐近机制，它给出了明确的价格近似值。加尼耶和塞尔纳（2015）的研究结果以及当前的论文使我们有可能构建一个分数的、两个时间尺度的随机波动率模型，该模型具有足够的灵活性，可以适用于隐含波动率表面的短期和长期到期部分。让我们注意到，我们在这里考虑的是H>1/2a的长期相关性情况，与H<1/2的粗略波动率情况相反。事实上，这两种制度都是从实证角度确定的。例如，我们向读者介绍了toGatheral等人（2016年）对粗糙波动性的观察，以及Chronopoulou和Viens（2012年）对长期波动性的观察。Ensen（20 16）在一个离散的建模框架中报道了一个长期的均值回复波动。Walther等人（2017年）、Carfeddine的商品（2014年）和Chia等人的股票指数也报告了长期波动情况。

(2015).根据Insimensen（2002）的报告，对电力市场数据的分析通常给出H<1/2；Rypdal和Lovsletten（2013）；Bennedsen（2015）。我们认为，全面和长期案例都很重要，可以根据特定的市场和制度进行观察。尽管H<1/2的“粗略”情况可能是最常见的情况，但了解H>1/2的情况可能对定价和套期保值特别重要。在本文中，我们只考虑模型的分析方面。关于特定数据的拟合超出了本文件的范围，将在未来的工作中呈现。我们在这里提出的分数模型产生了典型的“程式化事实”，如收益率的重尾、波动性聚集、均值回归和长记忆或波动性持续性。此外，我们还考虑了杠杆效应。这个词是Black等人（1976）创造的，指的是与波动性相关（通常为负）的股票价格变动，下跌的股票价格可能意味着更不确定，因此波动性更大。然而，请注意，下面推导的隐含可用性曲面的模型是对数线性的。从融资的角度来看，这似乎有点严格，因为在许多情况下，在某些市场中可能会观察到严重的资金倾斜。股票市场尤其如此，但在其他市场，如固定市场，情况相对较少。然而，如果考虑高阶近似，那么它们也会产生倾斜效应。本文未考虑的一些建模问题，如交易成本、买卖价差和流动性，也可能会影响扭曲形状。还要注意的是，为了简单起见，我们没有将非零利率或风险市场价格作为预期成本。快速聚类，长记忆和隐含的表面。