论局部风险最小化与delta套期保值的区别

| LRM的值（χ）- （χ） |及其使用（3.4）的上估计如图1（b）所示。FFT参数选择为N=2、η=0.025和α=1.75。对于VG情况，估计参数集如下所示：C=6.7910，G=30.1807，M=33.1507。在此参数设置下，RMSE为6.429。该参数集也满足假设2.1的第二个条件。我们实现了与默顿案例相同的数值实验。图2显示了他们的结果。我们从数值实验中推断出三点：（i）从（3.4）得到的上估计值非常接近| LRM（χ）的实际值- （χ） |对于默顿案。（ii）LRM（χ）的值- （χ） |对于VG情况，比Merton情况下的更大。（iii）对于VG案例，LRM的行为（χ）- （χ） |在“金钱”方面不稳定。5结论我们导出了| LRM（χ）的不等式估计- （χ） |在定理3和4中。特别地，我们证明了当χ趋于0和∞, 分别地我们计算| LRM的行为（χ）-（χ） |对于两种型号：Merton和VG型号。对于任何指数所有evy模型，计算定理3中（3.4）的右侧是粗略评估两种策略之间距离的简单方法。特别是，图1显示，使用DeltaHeading策略作为LRM策略的替代品是合适的。另一方面，定理4给出了一个大χ的估计，并且似乎对“在金钱上”的评估没有帮助。AcknowlementsTakuji Arai得到了JSPS科学研究援助基金（c）第15K04936号的支持。早稻田大学特别研究项目资助的Yuto Imaiwas（项目编号：2016K-174和2016B-123）。参考文献[1]T.Arai，Y.Imai和R.Suzuki，指数L'evy模型的数值局部风险最小化：Int.J.Thero。应用程序。财务状况。，191650008（2016）[2]T。

Arai和R.Suzuki，《电动汽车市场的局部风险最小化》。内景J.Finan。工程，02，1550015（2015）。[3] P.Carr和D.Madan，《使用快速傅立叶变换的期权估价》，J.Comp。财务状况。，2（1999），61–73。[4] S.Denkl、M.Goy、J.Kallsen、J.Muhle Karbe和A.Pauwels，关于指数L'evy模型中增量混合策略的性能，Quant。财务状况。，13（2013），1173–1184。[5] Y.Imai和T.Arai，《指数所有evy模型的局部风险最小化和增量对冲比较》，JSIAM Letters，7（2015），77–80。[6] J.L.Sol'e，F.Utzet，J.Vives规范L'evy过程和Malliavin微积分，随机过程及其应用117（2007），165–187.0.9 0.95 1 1 1.05 1.1 1 1.15 1.2 1.2500.10.20.30.40.50.60.70.80.91χLRM（a） LRM（χ）和（χ） 当t固定为0.95时，货币性χ从0.9037到1.1891（K从1900到2500）。蓝色圆圈和红色十字表示LRM（χ）和（χ） ，分别为。0.9 0.95 1 1.05 1.1 1.15 1.2 1.2500.0050.010.0150.020.0250.03χLRM- || LRM（χ）的上估计值（b）- （χ） |以及当t固定为0.95时的上限估计，而货币性χ从0.9037到1.1891（K从1900到2500）。蓝色圆圈和红色十字代表| LRM（χ）的值- （χ） |和上限估计。图1：具有估计参数的默顿模型，u=4.0073，σ=0.0435，γ=0.0054，m=-0.0697，δ=0.08890.9 0.95 1 1.05 1.1 1.15 1.2 1.2500.10.20.30.40.50.60.70.80.91χLRM（a） LRM（χ）和（χ） 当t固定为0.95时，货币性χ从0.9037到1.1891（K从1900到2500）。0.9 0.95 1 1.05 1.1 1.15 1.2 1.2500.10.20.30.40.50.60.7χLRM- || LRM（χ）的上估计值（b）- （χ） |以及当t固定为0.95时的上限估计，而货币性χ从0.9037到1.1891（K从1900到2500）。图2：带有估计参数的VG模型，C=6.7910，G=30.1807，M=33.1507