Вы упускаете торговые возможности:
- Бесплатные приложения для трейдинга
- 8 000+ сигналов для копирования
- Экономические новости для анализа финансовых рынков
Регистрация
Вход
Вы принимаете политику сайта и условия использования
Если у вас нет учетной записи, зарегистрируйтесь
Вычислительные финансы: Лекция 9/14 (Моделирование Монте-Карло)
Вычислительные финансы: Лекция 9/14 (Моделирование Монте-Карло)
Лекция охватывает несколько тем, связанных с моделированием методом Монте-Карло и интеграцией в вычислительные финансы, и дает представление о различных подходах и методах.
Лектор начинает с введения задач интегрирования и демонстрации того, как вычислять интегралы с использованием выборки Монте-Карло. Они объясняют два подхода: классический подход к интеграции и интеграция на основе ожидаемого значения. С помощью демонстраций программирования на Python лектор показывает, как анализировать и повышать эффективность моделирования. Они обсуждают влияние гладкости на сходимость и различные типы сходимости.
Кроме того, лекция охватывает два важных метода дискретизации, а именно Эйлера и Мильштейна, и объясняет, как контролировать ошибку на основе временного шага в моделировании. Лектор акцентирует внимание на принципах и истории моделирования Монте-Карло, которое используется в различных областях уже почти 90 лет. Он приобрел популярность среди физиков в 1930-х годах, особенно во время Манхэттенского проекта.
Обсуждается важность расчета ожидаемой стоимости будущих выплат в вычислительных финансах. Это включает в себя интегрирование по реальной оси с использованием плотности запаса с учетом постоянных или зависящих от времени процентных ставок. Интеграция по методу Монте-Карло, связанная с выборкой и теорией вероятностей, представлена как метод, дающий разные результаты при каждом моделировании. В лекции подчеркивается его применение к многомерным задачам и возможность контролировать дисперсию распределения ошибок путем настройки параметров моделирования. Лектор также обсуждает методы улучшения выборки и моделирования с помощью Монте-Карло.
Объясняется конкретный метод оценки интегралов с использованием моделирования Монте-Карло. Этот метод включает точки выборки, равномерно расположенные в прямоугольной области, и подсчет доли выборок под кривой для оценки интеграла. Хотя этот подход обычно не используется в финансах, он может быть полезен для многомерных задач. Лектор подчеркивает важность понимания интегрированной функции для эффективного охвата интересующей области.
В лекции также рассматриваются ограничения и проблемы моделирования Монте-Карло в финансах. Хотя он дает приблизительные оценки, результаты могут быть очень неточными, особенно для сложных симуляций. Лектор объясняет, что ожидаемая ошибка в симуляциях методом Монте-Карло уменьшается на квадратный корень из числа симуляций, что приводит к увеличению вычислительной мощности. В лекции далее исследуется взаимосвязь между интегральным и ожидаемым подходами, демонстрируя пример того, как они связаны. В финансах метод ожиданий обычно считается более эффективным и точным, чем традиционное моделирование Монте-Карло.
Лекция посвящена закону больших чисел и его связи с независимыми случайными величинами. Обсуждаются оценка дисперсии и вычисление математического ожидания для определения среднего значения. Представлено сравнение между «наивным подходом» и подходом ожидания, причем последний оказывается значительно более точным даже при меньшем количестве выборок. Лектор демонстрирует код для выполнения этой симуляции, подчеркивая необходимость указания двух точек подхода к интеграции функции.
Обсуждаются различные примеры стохастических интегралов, встречающихся в финансах, с акцентом на суммирование броуновского движения по временным шагам, суммирование броуновского движения по приращениям и умножение броуновского движения на приращения. Представлен более конкретный случай, когда функция g(t) интегрируется от 0 до T с функцией g(s)dW(s). В лекции объясняется, как разделить диапазон интегрирования на более мелкие подынтервалы и использовать моделирование методом Монте-Карло для аппроксимации интеграла. Подчеркивается важность размера выборки и диапазона значений для получения точных результатов.
Докладчик объясняет, как численно решить детерминированный интеграл с помощью процесса разбиения и аппроксимации. Они вводят интеграл Ито и объясняют вычисление функции GT в начале интервала с выбором интеграла на левой границе. Используя пример с функцией GT от T в квадрате, лектор демонстрирует, как получить математическое ожидание и дисперсию с помощью свойства изометрии Ито. Предоставляется код Python для имитации вычислений, а также объясняются необходимые шаги.
Обсуждается генерация броуновского движения и его использование при построении процесса и определении интеграла. В лекции рассматривается процесс создания распределения и его использования для построения процесса броуновского движения. Демонстрируется влияние удаления условия масштабирования на распределение и дисперсию. Лектор также объясняет прием решения интегралов, связанных с броуновским движением, с применением леммы Ито. Наконец, в лекции показано, как рассматривать функцию x в квадрате для вычисления интеграла.
Обсуждается применение леммы Ито для получения динамики функции, равной tw в квадрате t. Применяя лемму Ито к х в квадрате, лекция раскрывает член, который вычисляется путем интегрирования, что приводит к распределению в квадрате пи вместо нормального распределения. Спикер подчеркивает важность опыта в угадывании того, какой тип функции применить для достижения желаемого результата. Код модифицирован для переключения между интегралами, и для улучшения результата предлагается увеличить количество выборок.
Обсуждаются моделирование методом Монте-Карло, численные процедуры и значение генераторов случайных чисел хорошего качества. В лекции объясняется лемма Ито и предлагается эвристический подход к пониманию того, почему dwt dwt равно нулю. Замечено, что уменьшение размера сетки приводит к более быстрой сходимости дисперсии по сравнению с ожидаемой. Проводится эксперимент, чтобы продемонстрировать, что математическое ожидание стремится к нулю медленнее, в то время как дисперсия приближается к нулю. Докладчик дает интуитивное представление о том, почему dwt dwt равно нулю, признавая при этом, что теоретическое доказательство этой взаимосвязи довольно сложное.
В лекции рассматривается сходимость двух похожих функций, g1 и g2, и исследуются их математические ожидания при выборке из броуновского движения. Эти функции имеют пределы 0, когда x приближается к минус бесконечности, и 1, когда x приближается к плюс бесконечности. Лектор вычисляет ошибку для увеличения количества смоделированных образцов и представляет график сравнения ошибки с количеством образцов. Первая функция с негладкой кривой и широким диапазоном колебаний контрастирует со второй функцией, которая имеет плавную кривую и быстрее сходится.
Конвергенция подчеркивается как решающий фактор при использовании моделирования Монте-Карло в финансах. В лекции объясняется разница между слабой и сильной конвергенцией, причем сильная конвергенция более мощная, чем слабая. Ошибки сходимости могут возникать при работе с негладкими функциями и платежами цифрового типа, что приводит к существенно отличающимся результатам оценки. Понимание различий и последствий обоих типов конвергенции имеет решающее значение для обеспечения точного финансового моделирования и оценок.
В лекции обсуждается слабая и сильная сходимость в контексте моделирования методом Монте-Карло и алгоритмов ценообразования. В то время как слабая сходимость соответствует моментам на уровне ожидания, сильная сходимость необходима для точных выплат, зависящих от пути. Полный алгоритм ценообразования Монте-Карло включает определение сетки от настоящего времени до даты платежа по контракту, уравнение ценообразования и стохастический драйвер для актива. Моделирование по методу Монте-Карло необходимо, когда оценка в закрытой форме невозможна из-за сложности складского процесса. Сетка обычно равномерно распределена, но в некоторых случаях могут использоваться альтернативные стратегии.
Профессор подчеркивает точность и временные ограничения моделирования методом Монте-Карло. Отмечается, что увеличение количества шагов по времени повышает точность, но также увеличивает время моделирования. Усовершенствованные методы или решения в закрытой форме, которые допускают более крупные шаги Монте-Карло, могут быть полезны для достижения как точности, так и скорости. Затем лекция переходит к определению сетки, актива и выплаты для опциона европейского типа. Окончательное состояние опции зависит от сроков наблюдений. В лекции объясняется, как рассчитать цену опциона, взяв ожидание под мерой очереди и дисконтировав его, а также вычислив стандартную ошибку для измерения изменчивости полученных результатов.
Концепция стандартной ошибки обсуждается в контексте моделирования методом Монте-Карло. В лекции объясняется, что математическое ожидание можно рассчитать, используя усиленный закон больших чисел, а дисперсию среднего можно рассчитать, предполагая, что выборки взяты независимо. Стандартную ошибку, которая измеряет изменчивость ожидания при заданном количестве путей, можно определить, разделив дисперсию на квадратный корень из числа путей. По мере увеличения числа выборок ошибка уменьшается. Как правило, увеличение количества выборок в четыре раза уменьшает ошибку в два раза. Классический метод моделирования стохастических дифференциальных уравнений — дискретизация по Эйлеру, которая проста, но имеет свои ограничения.
Лектор обсуждает использование стохастических дифференциальных уравнений и дискретизации Эйлера в моделировании методом Монте-Карло. Процесс включает в себя определение сетки, выполнение моделирования и измерение разницы между точным решением и моделированием через абсолютную ошибку. Важно убедиться, что случайность переменных как в точной, так и в дискретной версиях одинакова, чтобы обеспечить сопоставимость. В лекции также подчеркивается важность векторизации в симуляциях методом Монте-Карло, поскольку она более эффективна, чем использование двойных циклов для каждого временного шага и пути. Однако важно отметить, что хотя этот подход упрощает процесс, он имеет ограничения с точки зрения точности и скорости.
Точное решение для броуновского движения с членом дрейфа и членом изменчивости (r и сигма) исследуется с использованием броуновского движения, сгенерированного в точном представлении, и того же движения, которое используется в приближении. В лекции сравниваются абсолютная ошибка и средняя ошибка при слабой сходимости, подчеркивая, что слабой сходимости достаточно для оценки европейского типа выплат, но может быть недостаточно для выплат, зависящих от пути. Показаны графики, иллюстрирующие сгенерированные пути для дискретизации Эйлера по сравнению с точным решением, где для некоторых путей можно наблюдать различия между ними. Лекция завершается сравнением сильных и слабых ошибок.
Спикер обсуждает реализацию симуляций Монте-Карло с использованием кода. Они объясняют, что для количественной оценки ошибки необходимо использовать меру ошибки, как обсуждалось ранее в лекции. Код генерирует пути и сравнивает точные значения с приближением, используя многоцветную симуляцию. Выходными данными являются временные траектории для акций и точные значения. Докладчик подчеркивает важность создания одних и тех же броуновских движений как для аппроксимации, так и для точного решения, чтобы сравнивать их на уровне погрешности. Чтобы измерить слабые и сильные ошибки сходимости, они определяют диапазон количества шагов и выполняют моделирование методом Монте-Карло для каждого шага. Код генерирует два типа ошибок: слабая ошибка и сильная ошибка.
Лектор обсуждает процесс моделирования, связанный с методом Монте-Карло, и то, как он может занимать много времени, поскольку моделирование необходимо повторять много раз. Результаты показаны в виде графиков слабой и сильной сходимости, где ошибка слабой сходимости представлена медленно растущей синей линией, а ошибка сильной сходимости соответствует квадратному корню из формы дельта-Т, что подтверждает анализ. Лектор объясняет, что погрешность можно значительно уменьшить с помощью метода дискретизации Мильштейна, который выводит дополнительные члены, применяя разложение Тейлора. Хотя для получения окончательной формулы требуется больше работы, схема Мильштейна требует производной члена волатильности, которая не всегда доступна аналитически.
Докладчик объясняет использование моделирования Монте-Карло в вычислительных финансах, особенно в геометрическом броуновском движении. Они демонстрируют, как вычислить член волатильности в смысле распределения и сравнить его со схемой Эйлера. Хотя симуляция Монте-Карло имеет более высокую скорость сходимости, чем метод Эйлера, получение производной в моделях, включающих несколько измерений, может быть сложным, поскольку требует дополнительных вычислительных вычислений. Кроме того, спикер сравнивает абсолютную ошибку в слабом и сильном смысле между двумя схемами, подчеркивая, что сильная ошибка Монте-Карло линейна по дельте t, а слабая ошибка Эйлера имеет тот же порядок. Наконец, они предоставляют кодовую реализацию симуляции Монте-Карло для генерации траекторий в геометрическом броуновском движении и анализа его сильной сходимости.
Докладчик обсуждает влияние различных методов дискретизации на сходимость на примере движения Блэка-Шоулза или геометрического броуновского движения. Анализ схем Эйлера и Мильштейна служит иллюстрацией влияния различных методов дискретизации. Докладчик сравнивает ошибки между схемами Мильштейна и Эйлера, показывая, что ошибка схемы Мильштейна намного меньше, чем у Эйлера, хотя она не всегда может быть применима. Преимущество различных схем может быть неочевидным при взгляде на окончательные результаты, но, учитывая вычислительные затраты на моделирование, время становится решающим. Следовательно, использование больших временных шагов было бы необходимо, если мы хотим выполнить быстрое моделирование Монте-Карло.
Затем лектор переходит к обсуждению роли генераторов случайных чисел (ГСЧ) в моделировании методом Монте-Карло. Они подчеркивают важность использования ГСЧ хорошего качества для обеспечения точных и надежных результатов. Лектор упоминает, что генераторы псевдослучайных чисел (ГПСЧ) обычно используются в симуляциях, и объясняет, как они генерируют последовательности чисел, приближенные к случайным. Они также подчеркивают необходимость воспроизводимости при моделировании за счет использования фиксированного начального значения для ГСЧ. Затем лектор обсуждает концепцию противоположных вариаций, которая представляет собой метод уменьшения дисперсии, используемый в симуляциях методом Монте-Карло. Идея противоположных переменных состоит в том, чтобы генерировать пары случайных переменных, оказывающих противоположное влияние на интересующую величину. Взяв среднее значение результатов, полученных из исходных переменных и их противоположных аналогов, можно уменьшить дисперсию оценки. Этот метод особенно полезен при работе с симметричными распределениями.
Затем лекция знакомит с концепцией управляющих вариаций как еще одним методом уменьшения дисперсии. Контрольные переменные включают в себя введение известной функции в процесс моделирования, которая коррелирует с интересующей величиной. Вычитая оценку, полученную по известной функции, из оценки, полученной по целевой функции, можно уменьшить дисперсию оценки. Лектор приводит примеры, иллюстрирующие, как контрольные переменные можно применять на практике. Помимо методов уменьшения дисперсии, лектор обсуждает концепцию стратифицированной выборки. Стратифицированная выборка включает в себя разделение пространства выборки на страты и выборку из каждой страты отдельно. Этот подход гарантирует, что каждая страта представлена в выборке, что приводит к более точным оценкам. В лекции объясняется процедура реализации стратифицированной выборки и подчеркиваются ее преимущества перед простой случайной выборкой.
Наконец, лектор исследует концепцию выборки по важности. Выборка по важности — это метод, используемый для оценки вероятности редких событий путем присвоения более высоких вероятностей выборкам, которые с большей вероятностью приведут к желаемому событию. В лекции объясняется, как выборка по важности может повысить эффективность моделирования Монте-Карло для оценки редких событий. Лектор приводит примеры и обсуждает важность выбора подходящего распределения выборки для получения точных результатов.
Лекция охватывает ряд тем, связанных с моделированием Монте-Карло, включая проблемы интеграции, вычисление интегралов с использованием выборки Монте-Карло, демонстрацию программирования, анализ сходимости, методы дискретизации, принципы и историю моделирования Монте-Карло, применение в вычислительных финансах, уменьшение дисперсии. методы и выборка по важности. Лектор дает представление о теории и практической реализации моделирования Монте-Карло и подчеркивает их актуальность в различных областях.
Вычислительные финансы: лекция 10/14 (Моделирование методом Монте-Карло модели Хестона)
Вычислительные финансы: лекция 10/14 (Моделирование методом Монте-Карло модели Хестона)
Лекция посвящена использованию моделирования Монте-Карло для оценки деривативов, особенно европейских опционов, с использованием сложной модели Хестона. Он начинается с разминки, когда европейские и цифровые опционы оцениваются с использованием Монте-Карло и простой модели Блэка-Шоулза. Обсуждается моделирование процесса Кокса-Ингерсолла-Росса (CIR), который моделирует дисперсию в модели Хестона, подчеркивая необходимость точной выборки из этого распределения. Лектор демонстрирует точное моделирование модели CIR, подчеркивая ее преимущества в создании точных выборок.
Далее лектор знакомит с концепцией почти точного моделирования, которое позволяет использовать более крупные временные шаги и более высокую точность по сравнению с дискретизацией Эйлера. Модель Хестона моделируется с использованием обеих схем Эйлера и Мильштейна, и результаты сравниваются. Отмечено, что слабая сходимость важна для выплат европейского типа, тогда как сильная сходимость важна для выплат, зависящих от пути. Корректировка количества шагов или путей необходима в зависимости от типа вознаграждения и желаемого качества результатов с учетом ограничений времени вычислений в реальных приложениях.
Обсуждается вычислительное время, необходимое для вычислений, и представлено сравнение кодов между схемами дискретизации Эйлера и Мильштейна. Лектор дает советы по оптимизации кода для производственных сред, подчеркивая, что сохранение полных путей может не потребоваться для оценки окупаемости, для которой требуется только окончательная стоимость запасов. В лекции также приводится точное решение в виде упрощенной реализации модели Блэка-Шоулза.
Объясняется ценообразование цифровых опционов или опционов «наличными или ничего» с использованием моделирования Монте-Карло, подчеркивая различия в расчете выплат по сравнению с европейскими опционами. Диагностика и результаты представлены для сравнения подходов для обоих типов вариантов. В лекции признаются ограничения симуляций Монте-Карло для опционов с зависимыми от терминала выплатами, где отсутствует сильная сходимость. Подчеркивается общий характер кода, что делает его применимым к другим моделям, таким как модель Хестона.
В лекции рассматриваются условия, необходимые для хорошего поведения модели Хестона, и обсуждается, как методы дискретизации могут повлиять на эти условия. Влияние изменения параметра волатильности на поведение модели демонстрируется с помощью графиков, подчеркивая, что процесс не должен становиться отрицательным. Также подчеркиваются ограничения эйлеровой дискретизации при соблюдении этих условий. Обсуждается вероятность отрицательных реализаций в следующей итерации модели Хестона с моделированием методом Монте-Карло. Вероятность отрицательной реализации рассчитывается на основе взаимосвязи между определенными параметрами, и подчеркивается важность согласования путей Монте-Карло с моделью, чтобы избежать значительных различий в ценах. Обсуждаются два подхода к обработке отрицательных значений при моделировании модели Хестона: усечение и отражающая схема Эйлера. Сравниваются плюсы и минусы каждого подхода, и упоминается влияние меньших временных шагов на снижение систематической ошибки, хотя и при более высоких вычислительных затратах.
В лекции рассматривается использование точного моделирования для процесса CIR в модели Хестона, что позволяет осуществлять выборку непосредственно из нецентрального распределения хи-квадрат. Этот подход позволяет избежать необходимости в небольших временных шагах и позволяет производить выборку в определенные интересующие моменты времени. Описывается вычислительный код для моделирования, подчеркивая его простоту и оптимальность для генерации образцов. Лекция посвящена интеграции процесса модели Хестона как для значений X, так и для значений дисперсии, подчеркивая упрощение, достигнутое за счет замены. Подчеркивается важность правильного упорядочения процессов в многомерном моделировании, а также рекомендуется использовать большие временные шаги для упрощения интеграции. В лекции рассматривается важность моделирования с большим временным шагом для ценообразования на определенные даты с целью сокращения времени вычислений при сохранении качества. Рекомендуется точное моделирование с использованием выборки из нецентрального распределения хи-квадрат без введения дополнительных приближений. В лекции также обсуждается влияние дельты t на точность моделирования и предлагается исследовать ее влияние на результаты.
Обсуждается концепция ошибки в вычислительных финансах, а в лекции представлен численный эксперимент, в котором анализируется производительность почти точного моделирования модели Хестона. В лекции объясняется, что за счет упрощения интегралов и использования почти точного моделирования процесса CIR моделирование становится детерминированным, а не стохастическим. Лектор проводит численный эксперимент, чтобы оценить эффективность этой упрощенной схемы при моделировании модели Хестона.
В лекции далее исследуется компромисс между вычислительными усилиями и небольшой ошибкой, возникающей в рамках вычислительных финансов. Лектор подчеркивает необходимость калибровки модели под рыночные данные, так как условие Феллера для процессов волатильности на практике часто не выполняется. В лекции отмечается, что коэффициенты корреляции для модели Хестона обычно сильно отрицательны, возможно, из-за соображений численной схемы.
Лектор обсуждает использование моделирования Монте-Карло для ценообразования экзотических деривативов и подчеркивает важность калибровки модели для ликвидных инструментов. Точность ценообразования обеспечивается путем моделирования путей Монте-Карло с использованием параметров, полученных в результате калибровки модели, и с учетом инструментов хеджирования, связанных с деривативом. Лектор подчеркивает превосходство почти точного моделирования над эйлеровой дискретизацией даже при меньшем количестве временных шагов и объясняет, что основной источник эйлеровой ошибки заключается в проблематичной дискретизации дисперсионного процесса при экстремальных параметрах или нарушениях условия Феллера.
Точность эйлеровой дискретизации в модели Хестона исследуется посредством экспериментов с различными вариантами, включая опционы «глубоко в деньгах», «вне денег» и «при деньгах». В лекции представлен код, использованный в эксперименте, с акцентом на эйлерову дискретизацию и почти точное моделирование, которое включает выборку CIR и моделирование процесса заготовки бревен с использованием параметра нецентральности.
Лектор обсуждает настройки и конфигурации моделирования для оценки европейских опционов с использованием как эйлеровой дискретизации, так и почти точного моделирования. Точное моделирование процесса CIR, корреляция броуновских движений и экспоненциальное преобразование являются неотъемлемыми частями моделирования. Демонстрируется ценообразование опционов с использованием общей функции, демонстрирующее влияние таких переменных, как цена исполнения и временной шаг, на точность моделирования. Лекция завершается подчеркиванием того, что почти точное моделирование обеспечивает высокую точность с меньшим количеством временных шагов по сравнению со схемой Эйлера.
В лекции подробно рассматривается использование симуляции Монте-Карло для ценообразования деривативов в модели Хестона. В нем исследуется моделирование процесса CIR, обсуждаются проблемы и ловушки, а также сравниваются различные схемы дискретизации. В лекции подчеркиваются преимущества почти точного моделирования, подчеркивается важность калибровки и точности модели, а также приводятся практические идеи и примеры кода для реализации моделирования методом Монте-Карло в вычислительных финансах.
Вычислительные финансы: лекция 11/14 (Хеджирование и греки Монте-Карло)
Вычислительные финансы: лекция 11/14 (Хеджирование и греки Монте-Карло)
В лекции подчеркивается, что концепция хеджирования не менее важна, чем ценообразование деривативов в финансах. Лектор углубляется в различные расчеты чувствительности, чтобы определить влияние цены дериватива на конкретные параметры и как провести эксперимент по хеджированию. Охвачено несколько ключевых тем, в том числе принципы хеджирования в модели Блэка-Шоулза, моделирование прибылей и убытков, динамическое хеджирование и влияние скачков. Лектор подчеркивает, что концепция хеджирования определяет стоимость дериватива, а цена хеджирования определяет его общую стоимость.
Чтобы обеспечить всестороннее понимание, лектор начинает с объяснения концепции хеджирования в финансовой отрасли. Финансовые учреждения получают доход, применяя дополнительный спред к стоимости экзотического производного инструмента. Чтобы снизить риск, создается портфель, который воспроизводит производный инструмент. Этот портфель состоит из стоимости дериватива со знаком плюс и минус дельта, что соответствует чувствительности портфеля к акции. Выбор подходящей дельты имеет решающее значение, поскольку он определяет количество акций, которые необходимо купить или продать, чтобы соответствовать используемой модели. Лектор демонстрирует эксперимент, в котором дельта постоянно корректируется на протяжении всего срока действия контракта, в результате чего средняя потеря прибыли равна нулю.
В лекции рассматривается концепция дельта-хеджирования и проводится различие между динамическим и статическим хеджированием. Дельта-хеджирование используется для хеджирования факторов риска в портфеле, при этом стоимость дублирующего портфеля определяет дельту хеджирования. Динамическое хеджирование предполагает частые корректировки дельты, в то время как статическое хеджирование влечет за собой покупку или продажу деривативов только в начале или через определенные промежутки времени в течение деривативного контракта. В видео также обсуждается чувствительность хеджирования к количеству стохастических дифференциальных уравнений в модели ценообразования и то, как частота хеджирования влияет на потенциальные прибыли и убытки.
Вводя концепцию счета прибылей и убытков (P&L), лекция объясняет его роль в отслеживании прибылей или убытков при продаже деривативов и их хеджировании. На счет прибылей и убытков влияет первоначальная выручка, полученная от продажи опциона, и значение дельты h, которое со временем растет в зависимости от процентных ставок по сбережениям или займам. Цель состоит в том, чтобы получить отчет о прибылях и убытках, который уравновешивается в момент погашения дериватива, указывая справедливую стоимость, взимаемую в соответствии с моделью Блэка-Шоулза. Однако, если модель выбрана неправильно, дополнительный спред, добавленный к справедливой стоимости, может не покрыть всех затрат на хеджирование, что приведет к убытку. Таким образом, важно использовать реалистичную и надежную модель ценообразования альтернативных деривативов.
Лекция посвящена повторяющемуся процессу хеджирования и расчета прибыли и убытков (P&L) в конце периода погашения. Этот процесс включает в себя вычисление дельты опциона в моменты времени t0 и t1, а затем определение разницы между ними для определения количества акций, которые нужно купить или продать. Лектор подчеркивает важность понимания того, что продается и собирается, поскольку продажа опциона по существу включает в себя продажу волатильности и сбор премий. В конце процесса стоимость проданного опциона определяется на основе стоимости акций при погашении, а прибыль и убытки оцениваются с использованием начальной премии, стоимости при погашении и количества акций, купленных или проданных на протяжении итеративного процесса. .
Лектор смещает акцент на хеджирование в вычислительных финансах как средство снижения изменчивости и чувствительности в отношении стоимости акций. В лекции разъясняется, как хеджирование помогает свести к минимуму убытки, и вводится концепция распределения фортепиано в моделировании пути Монте-Карло, подчеркивая, что ожидание прибыли и убытков должно в среднем равняться нулю. Прибыль, полученная от продажи экзотического производного инструмента и его хеджирования, возникает из-за дополнительного спреда, взимаемого с клиента, поскольку ожидаемые прибыли и убытки равны нулю.
Чтобы преодолеть проблемы, связанные с неизвестной плотностью в продвинутых моделях, таких как модель преобразования Фурье, для расчета чувствительности используются альтернативные методы. Одним из таких подходов является исчисление Маллявена, которое обеспечивает математическую основу для вычисления производных случайных величин по параметрам в стохастических процессах.
Исчисление Маллявена вводит понятие производной Маллявена, которое расширяет понятие классических производных до случайных величин, управляемых случайными процессами. Эта производная позволяет рассчитать чувствительность для сложных моделей, где традиционные методы могут быть неприменимы. Используя производную Маллявена, специалисты-практики могут получить чувствительность по отношению к различным параметрам модели преобразования Фурье. Этот подход обеспечивает более точное ценообразование и управление рисками, поскольку он фиксирует сложные зависимости и динамику, присутствующие в модели. Однако важно отметить, что использование исчисления Маллявена требует передовых математических методов и глубокого понимания стохастического анализа. Это специализированная область, которую обычно изучают эксперты в области количественных и математических финансов.
Таким образом, при работе с моделями, включающими неизвестные плотности, такими как модель преобразования Фурье, исчисление Маллявена предоставляет мощный инструмент для расчета чувствительности. Такой подход позволяет проводить оценку рисков и точную оценку деривативов в сложных финансовых сценариях.
Вычислительные финансы: лекция 12/14 (варианты прямого старта и модель Бейтса)
Вычислительные финансы: лекция 12/14 (варианты прямого старта и модель Бейтса)
Лекция посвящена тонкостям опционов с форвардным стартом, которые представляют собой тип европейского опциона с отложенной датой начала, часто называемого опционами на производительность. Эти опционы более сложны, чем стандартные европейские опционы, и в лекции представлен обзор определения их выигрыша и преимуществ по сравнению с европейскими опционами.
Методы ценообразования для опционов с опережением более сложны, и лекция посвящена использованию характеристических функций. В нем исследуются два типа вариантов форвардного старта: один с использованием модели Блэка-Шоулза и более сложное ценообразование в соответствии с моделью Хестона. Также рассматриваются реализация на Python и цена продукта, зависящая от волатильности. В лекции подчеркивается важность европейских опционов как строительных блоков, их калибровка и взаимосвязь с экзотическими опционами. В нем затрагивается модель Бейтса, которая расширяет модель Хестона за счет включения скачков Мертона, и подчеркивается использование параметров хеджирования для обеспечения точной калибровки моделей. Видео объясняет, как неизвестная начальная стоимость акций в опционах на форвардный старт определяется в будущем (t1), и знакомит с концепцией фильтрации по отношению к этим опционам. В лекции также рассматривается, как варианты форвардного запуска могут служить строительными блоками для других деривативов, и представлена стратегия снижения затрат на деривативы. Кроме того, профессор рассказывает о построении опции клика, желаемой производной структуре и ее отношении к европейским вызовам и вариантам запуска вперед. В лекции подчеркивается важность определения дат платежа при расчете коэффициентов дисконтирования для ценообразования. Он также демонстрирует, как отношение двух акций может быть переформулировано как показатель степени логарифма отношения.
Обсуждаются различные методы ценообразования для вариантов форвардного старта, в том числе моделирование Монте-Карло и аналитические решения, такие как модель Блэка-Шоулза. Объясняется необходимость нахождения форвардной характеристической функции, позволяющей оценить варианты форвардного старта для любой модели в конкретном классе процессов. В лекции демонстрируется ценообразование форвардного стартового опциона с использованием характеристической функции и математического ожидания логарифма IU двух акций. Исследуется условие большего сигма-поля при определении характеристической функции, позволяющее вывести показатель степени с минус-логарифмом за пределы ожидаемого. Также используются дисконтированные характеристические функции от T2 до T1.
В лекции рассматривается функция форвардной валюты, которая представляет будущие ожидания и выражается как ожидание нейтральной к риску меры. Это объясняет, что детерминированные процентные ставки не приводят к разнице между функциями дисконтированной и недисконтированной валюты. Однако стохастические процентные ставки вносят сложность. Описан процесс получения характеристической функции прямого пуска, включающий дополнительное математическое ожидание, а также важность предоставления аналитических решений внешнего математического ожидания для практического использования. Затем функция прямой стартовой характеристики применяется к моделям Блэка-Шоулза и Хестона.
Далее лекция посвящена функции валюты форвардного старта для модели Блэка-Шоулза. В нем отмечается, что ценообразование должно зависеть только от производительности с течением времени, а не от начальной стоимости акций, что упрощает решение по сравнению с функцией дисконтированной валюты. Наличие части дисперсии в нескольких измерениях требует решения внутреннего ожидания. Показано точное представление модели Блэка-Шоулза, подтверждающее, что распределение отношения двух акций не зависит от начальной стоимости акций. Распределение упрощается до геометрического броуновского движения, охватывающего приращение от p1 до t2.
Объясняется ценообразование форвардных стартовых опционов по модели Блэка-Шоулза, подчеркивая использование геометрического броуновского движения для отношения двух акций в разное время. Ценовое решение для колл-опционов и пут-опционов для форвардных стартовых опционов очень похоже на европейское колл- и пут-опционы, с небольшими отличиями в корректировке исполнения и времени дисконтирования. В лекции подчеркивается важность использования подразумеваемой волатильности Блэка-Шоулза при расчете цен, даже при использовании других моделей, поскольку это соответствует рыночным стандартам. Это также подчеркивает рекомендацию лектора учитывать два параметра для вариантов прямого старта и напоминает зрителям, что в рамках этой модели цены Блэка-Шоулза известны аналитически.
Двигаясь дальше, спикер углубляется в модель хлопот, которая увеличивает сложность характеристической функции для вариантов прямого старта за счет введения второго стохастического процесса, представляющего дисперсию. Однако выступающий объясняет, что это второе измерение не является необходимым для ценообразования опционов, поскольку основное внимание уделяется исключительно предельному распределению для процесса запасов. После упрощения и замены характеристической функции получается выражение для форвардной валютной функции. Докладчик предлагает вернуться к слайдам модели Hassle для более подробной информации о функциях, задействованных в выражении.
Лекция продолжается обсуждением производящей функции момента для процесса Кокса-Ингерсолла-Росса (CIR) и представляет выражение в закрытой форме для прямой характеристической функции в модели Хестона. Лектор отмечает, что наличие производящей функции момента в замкнутом виде позволяет ускорить расчет. Путем подстановки функции генерации момента в форвардную валютную функцию получается выражение в закрытой форме для форвардной характеристической функции. Наконец, выступающий представляет численный эксперимент по форвардным стартовым ценам с использованием модели Хестона и производных выражений.
Затем спикер переключает внимание на варианты прямого запуска и модель Бейтса. Они объясняют, как процесс дисперсии представлен dvt, и обсуждают параметры волатильности и дисперсии. Спикер проводит два эксперимента, чтобы проследить влияние подразумеваемой волатильности на параметры и влияние временной дистанции в вариантах форвардного старта. Эксперименты показывают, что хотя форма подразумеваемой волатильности остается неизменной, уровни различаются. По мере увеличения временного расстояния волатильность сходится к квадратному корню из долгосрочной дисперсии. Докладчик объясняет логику опционов с более коротким сроком погашения, имеющих более концентрированную плотность вокруг t1 и t2. Дополнительные эксперименты с использованием кода проводятся для сравнения подразумеваемой волатильности.
Продолжая, лектор обращается к реализации форвардной характеристической функции и стоимостным методам ценообразования вариантов форвардного старта. Прямая характеристическая функция определяется с использованием лямбда-выражений и различных параметров, включая модель Хестона и функцию создания момента для процесса CIR. Метод затрат для ценообразования опционов с форвардным стартом аналогичен методу ценообразования европейских опционов, но включает поправки на обработку двух разных периодов времени. Лектор делится уловкой, позволяющей получить хорошее начальное предположение для алгоритма Ньютона-Рафсона при расчете форвардной подразумеваемой волатильности, который включает определение сетки волатильности и интерполяцию рыночной цены.
Лекция продолжается объяснением процесса расчета форвардной подразумеваемой волатильности с использованием метода Ньютона-Рафсона. Обсуждается разница между ценой опциона из модели и рыночной ценой, и лектор демонстрирует, как применить функцию оптимизации SciPy для расчета метода Ньютона-Рафсона и получения оптимальной волатильности, также известной как подразумеваемая волатильность. Раздел подтверждает, что долгосрочное среднее значение и начальная дисперсия одинаковы, а уровень подразумеваемой волатильности и входной форвардной волатильности совпадают. Также вводится модель Бейтса, расширение модели Хестона, которое включает дополнительные скачки, обусловленные независимой случайной величиной j, которая следует распределению Пуассона.
В лекции подчеркивается разница между моделью Хестона и моделью Бейтса. В то время как модель Хестона подходит для калибровки на улыбку и перекос для опционов на акции с более длительным сроком погашения, она борется с опционами с более коротким сроком погашения, например, со сроком действия в течение недели или двух. Модель Бейтса решает эту проблему, вводя независимые скачки, что позволяет лучше калибровать краткосрочные варианты. Хотя модель Бейтса включает множество параметров, ее несложно расширить моделью Хестона. Логарифмическое преобразование необходимо для получения характеристической функции для модели Бейтса, и отмечается, что модель все еще может быть хорошо откалибрована даже при добавлении скачков.
Затем докладчик обсуждает модификацию модели Бейтса, уделяя особое внимание стохастической интенсивности. Докладчик высказывает мнение, что делать стохастическую интенсивность не нужно, так как это внесет ненужную сложность без исследования текущих параметров. Вместо этого интенсивность в модели остается линейной по переменным состояния и определяется как постоянный дрейф. Докладчик анализирует структуру диффузии аффинных скачков и включает в книгу детали выводов. Единственное различие между характеристической функцией для моделей Хестона и Бейтса заключается в термине «а» модели Бейтса. Кроме того, два поправочных члена содержат всю информацию о скачках. Представлены численные результаты, обеспечивающие анализ влияния интенсивности, изменчивости скачков и mu j, который представляет собой распределение j.
Обсуждается расширение модели Хестона до модели Бейтса. Модель Бейтса используется для калибровки модели по всей рыночной информации, что дает преимущество по сравнению с другими моделями. Код для этой модели прост и обеспечивает дополнительную гибкость, особенно для опционов с коротким сроком погашения, когда калибровка всей рыночной информации имеет решающее значение. В лекции также рассматривается ценообразование более интересных деривативов, таких как своп дисперсии, с использованием знаний, полученных при ценообразовании опционов форвардного старта или опционов производительности.
Докладчик представляет тип дериватива, называемый свопом на отклонение, который позволяет инвесторам делать ставки на будущую волатильность актива. Выплата дисперсионного свопа определяется как сумма квадратов логарифмических показателей доходности акций за заданную сетку дат, деленная на предыдущую доходность акций. Лектор отмечает, что необычная формулировка этого выигрыша становится более понятной, если связать его со стохастическим дифференциальным уравнением. При оценке этого производного инструмента стоимость свопа в начале будет равна нулю, если страйк равен постоянному математическому ожиданию. Более того, спикер поясняет, что большинство свопов торгуются по номиналу, а это означает, что стоимость контракта равна нулю, когда два контрагента договариваются о покупке или продаже.
Затем в лекции обсуждается зависящая от времени структура модели Бейтса и то, как она связывает интеграл по зависящей от времени волатильности с поведением производной во времени. Выплата определяется как квадрат логарифмической производительности, что эквивалентно интегралу волатильности. Докладчик объясняет, как найти третье значение контракта, используя математическое ожидание квадрата сигмы v и стохастические дифференциальные уравнения. Кроме того, вводится масштабный коэффициент 252 рабочих дня как существенный фактор в финансах.
Наконец, спикер рассказывает о справедливой стоимости свопа на отклонение, который представляет собой производный контракт, позволяющий инвесторам делать ставки на будущую волатильность актива. Справедливая стоимость свопа может быть выражена как масштабный коэффициент, соответствующий периодам от нуля до срока погашения контракта, плюс элемент, соответствующий процентным ставкам, за вычетом ожидаемого значения q log st, деленного на st0. Оценить это ожидание можно с помощью моделирования Монте-Карло или аналитического распределения запасов. Интересно отметить, что даже несмотря на то, что результаты всех небольших интервалов складываются, это эквивалентно отношению или логарифму стоимости акции в конце, деленной на первоначальную стоимость.
Лекция охватывает широкий круг тем, связанных с вариантами прямого старта, вариантами производительности, моделью Хестона, моделью Бейтса и свопами дисперсии. Он дает представление о методах ценообразования, реализации в Python и значении этих концепций в производных финансовых инструментах.
Вычислительные финансы: Лекция 13/14 (Экзотические деривативы)
Вычислительные финансы: Лекция 13/14 (Экзотические деривативы)
Лекция посвящена ценообразованию экзотических деривативов и распространению моделей ценообразования на случаи, зависящие от траектории. Основная мотивация расширения структуры выплат заключается в том, чтобы предлагать клиентам более низкие цены, сохраняя при этом подверженность колебаниям фондового рынка. Использование цифровых функций и барьеров рассматривается как средство снижения затрат на деривативы при сохранении желаемого воздействия. В лекции рассматриваются различные типы выплат, в том числе бинарные и цифровые опционы, барьерные опционы и азиатские опционы, исследуется их влияние на цены деривативов. Кроме того, в лекции обсуждается ценообразование опционов с несколькими активами и возможные расширения модели для работы с корзинами из сотен акций.
Обсуждается процедура ценообразования финансовых продуктов, начиная со спецификации продукта и факторов риска, необходимых для моделирования и ценообразования с использованием стохастических дифференциальных уравнений, таких как модель Блэка-Шоулза, модели скачков и стохастической волатильности. В зависимости от сложности продукта для точного ценообразования может быть достаточно одномерной или двумерной системы уравнений. Процесс также включает в себя калибровку и хеджирование, когда выбирается оптимальный набор параметров для определения цены продукта и минимизации затрат на хеджирование, что обеспечивает среду без арбитража.
Определены различные типы опционов, с акцентом на европейские опционы, американские опционы и опционы на Бермудских островах. Европейские опционы считаются основными строительными блоками для экзотических деривативов, но они могут быть трудными по времени и сопряжены со значительным риском. Американские опционы предлагают большую гибкость, позволяя исполнять их в любое время, в то время как опционы на Бермудских островах допускают исполнение только в определенные даты.
Вводятся экзотические деривативы и опционы, зависящие от пути, которые зависят от всей истории акции, а не только от предельного распределения в определенный момент времени. Показано, что корректировка платежной функции с использованием двоичных и цифровых величин значительно снижает значения производных. Лекция охватывает различные типы экзотических деривативов, в том числе активы или ничего, деньги или ничего, акции или ничего, составные опционы и опционы выбора. Эти варианты включают ограничение контракта каким-либо образом, например, с максимальными, минимальными или другими ограничениями для контроля затрат. Также обсуждается популярность экзотических деривативов в прошлом, особенно во времена высоких процентных ставок.
Объясняется стратегия получения высокой прибыли с помощью экзотического дериватива. Стратегия включает в себя размещение большей части инвестиций на безопасный счет с гарантированным доходом и ценой потенциальной выплаты по опциону. Хотя эта стратегия в настоящее время не популярна, в прошлом она была эффективной. Лекция также включает примеры кода для оценки контрактов и снижения их стоимости путем установки верхних пределов потенциального роста запасов. В лекции рассказывается о том, как небольшая корректировка в структуре выплат может значительно снизить оценку, сделав деривативы более привлекательными для клиентов. Вводя барьеры и зависимость от пути, затраты могут быть снижены. Обсуждаются различные барьерные опционы, такие как опционы вверх и вниз, вниз и вниз, вверх и внутрь, вниз и внутрь, а также их влияние на ценообразование деривативов на основе исторического поведения акций.
Исследуется концепция ретроспективных опционов, где максимальная или минимальная стоимость акции в течение срока ее действия определяет выплату при погашении. Опционы Lookback включают зависимость от траектории и могут обеспечить положительные выплаты, даже если акции на момент погашения ниже, чем страйк. В лекции объясняется реализация ретроспективных опций с использованием моделирования методом Монте-Карло и дифференциальных уравнений в частных производных (УЧП), при этом особое внимание уделяется специальным граничным условиям для барьерных опций и их распространению на другие экзотические производные.
Подробно обсуждаются барьерные варианты, подчеркивая их привлекательность для клиентов-контрагентов и их использование на кросс-валютном рынке. В лекции объясняются конфигурации и выигрыши барьерных опционов, включая опционы «вне», «вниз» и «вверх». Лектор подчеркивает, что барьерные опционы могут зависеть от времени, что усложняет договор. Моделирование методом Монте-Карло и УЧП представлены как вычислительные методы для ценообразования барьерных опционов.
В лекции опционы вверх-вниз сравниваются со стандартными европейскими опционами, при этом отмечается значительное снижение стоимости опционов вверх-вниз из-за их выплаты, запускаемой барьером. Вводится концепция барьерных опционов вверх-вниз, где выплата происходит только в том случае, если акции не превышают определенного уровня в течение срока их действия. Лекция демонстрирует влияние барьера на цену дериватива с помощью упражнения по программированию, показывая, что цена опциона с барьером вверх и вниз эквивалентна цене цифрового опциона с аналогичной структурой выплаты.
Затем лектор переходит к объяснению реализации барьера вверх-вниз с использованием моделирования Монте-Карло. В отличие от выигрыша цифрового опциона, который зависит только от стоимости акции в момент погашения, барьер вверх-вниз также учитывает историю поведения акции на протяжении всего срока действия дериватива. Определена функция, определяющая, достигнут ли барьер, используя логическую матрицу и логическое условие. Результирующий «вектор попадания» представляет собой двоичный вектор, который указывает, был ли достигнут барьер для каждого пути. Лектор демонстрирует, как изменение значения барьера влияет на вектор попадания, подчеркивая, что выигрыш равен нулю, если барьер пройден, и единице, если он не пройден.
Концепция введения барьера в деривативных контрактах объясняется как способ снизить их стоимость, предоставляя более доступный вариант для клиентов, стремящихся получить доступ к конкретному активу. Наличие барьера оказывает существенное влияние на стоимость дериватива, что может привести к убыткам, если запас не превысит установленный уровень. Однако за счет введения барьеров цены на деривативы могут быть снижены примерно на 30%, что сделает их более привлекательными для инвесторов. Тем не менее прерывистые деривативы с барьерами могут создавать проблемы с точки зрения затрат на хеджирование, которые могут возрасти до бесконечности. Чтобы смягчить эту проблему, лектор предлагает воспроизвести выигрыш, используя альтернативные методы для снижения затрат.
Видео знакомит с концепцией воспроизведения цифровой функции опциона путем стратегической покупки и продажи колл-опционов с разными ценами исполнения. По мере того, как цены исполнения приближаются друг к другу, итоговая выплата становится более похожей на цифровой опцион. Тем не менее, лектор признает трудности с точным воспроизведением прерывистости вариантов из-за изменений дельта- и гамма-чувствительности. Хотя для хеджирования можно использовать приблизительные значения, очень важно взимать премии, чтобы компенсировать потенциальные убытки от хеджирования, вызванные цифровым характером опциона. В видео подчеркивается концепция снижения затрат на деривативы за счет введения цифровых ограничений или изменения структуры выплат.
Затем лекция переходит к обсуждению азиатских опционов как средства снижения волатильности и неопределенности, связанных с базовым активом, и, как следствие, снижения цены деривативов. Азиатские опционы основаны на среднем поведении колеблющейся акции, которое имеет тенденцию быть более плавным, чем сама акция, что снижает связанную с этим неопределенность. Лектор исследует различные варианты азиатских опционов, доступных на рынке, включая фиксированные и плавающие страйк-коллы и путы. Опционы с плавающим страйком, в частности, популярны в торговле сырьевыми товарами из-за их способности уменьшать неопределенность и снижать риски, связанные с определенным уровнем базового актива.
Далее спикер объясняет различные методы расчета среднего значения для акции, подчеркивая его важность в торговле. Вводятся два типа средних, арифметическая и геометрическая, причем средняя геометрическая предпочтительнее для математического анализа из-за ее аналитического выражения. На практике часто используются суммирования, что требует применения методов аппроксимации, таких как моделирование методом Монте-Карло или УЧП. В лекции также рассматривается концепция непрерывного среднего, которая отличается от среднего арифметического своим интегральным представлением, добавляя дополнительное измерение к проблеме ценообразования и усложняя ее решение.
Затем акцент смещается на ценообразование азиатских опционов, что влечет за собой уход от одномерной проблемы и вовлечение многомерных соображений. Азиатские опционы вводят две независимые переменные: цену акции и интеграл от акции. Выплата опциона зависит от наблюдаемого интеграла или пути от нуля до погашения, при этом платеж производится в момент погашения. В лекции признается, что ценообразование экзотических деривативных контрактов с количеством, зависящим от конечной части, может быть сложной задачей, требующей более продвинутых методов. Тем не менее, дельта-хеджирование по-прежнему эффективно для достижения надлежащих коэффициентов хеджирования, несмотря на сложности, связанные с азиатскими опционами. Лектор обсуждает использование моделирования Монте-Карло для оценки азиатских опционов, подчеркивая его гибкость в решении многомерных задач. Моделируя несколько путей изменения цены акции и вычисляя среднюю выплату, моделирование методом Монте-Карло может дать оценку цены опциона. В лекции также упоминаются потенциальные проблемы моделирования методом Монте-Карло, такие как проблемы сходимости и необходимость наличия достаточного количества путей для получения точных результатов.
Затем лектор переходит к обсуждению другого типа экзотического опциона, известного как барьерный опцион со скидкой. Этот вариант имеет структуру, аналогичную ранее рассмотренному варианту с барьером, но с дополнительным возвратом платежа в случае преодоления барьера. Наличие скидки компенсирует держателю опциона, если барьер нарушен, уменьшая потенциальные убытки. В лекции объясняется, что выплата рибейта снижает стоимость опциона, делая его более привлекательным для инвесторов.
Чтобы оценить барьерные опционы со скидками, лектор вводит понятие обратного нокаутного опциона, который является обратным нокаутному опциону. Опция обратного выбивания дает скидку, если барьер не сбит. Ценой опциона с обратным выбыванием и вычитанием платежа со скидкой можно определить цену опциона с барьером со скидкой. В видео представлен пример реализации этой методологии ценообразования с использованием моделирования методом Монте-Карло.
На протяжении всей лекции подчеркивается важность понимания и эффективного ценообразования экзотических деривативных контрактов. Экзотические опционы обеспечивают гибкость и индивидуальные решения для инвесторов, но их ценообразование и управление рисками требуют сложных моделей и методов. В завершение лекции подчеркивается необходимость дальнейших исследований и разработок в этой области, а также важность сотрудничества между академическими кругами и промышленностью для улучшения методологий ценообразования деривативов и удовлетворения меняющихся потребностей участников рынка.
Вычислительные финансы: лекция 14/14 (краткое содержание курса)
Вычислительные финансы: лекция 14/14 (краткое содержание курса)
Серия статей о вычислительных финансах завершилась подробным изложением важных тем, затронутых в каждой лекции. Курс охватывал широкий круг тем, включая стохастические дифференциальные уравнения, предполагаемую волатильность, скачкообразную диффузию, аффинный класс диффузионных процессов, стохастические модели волатильности и преобразования Фурье для оценки опционов. Он также углубился в числовые методы, такие как моделирование методом Монте-Карло и различные стратегии хеджирования.
В более поздних лекциях акцент был смещен на варианты форвардного старта и экзотические деривативы, где знания, полученные в ходе курса, применялись для структурирования этих сложных финансовых продуктов. Начальные лекции представляли собой введение в курс и обсуждали фундаментальные принципы финансового инжиниринга, различные рынки и классы активов. Вторая лекция посвящена различным типам опционов и стратегиям хеджирования с акцентом на товары, валюты и криптовалюты.
Ценообразование опционов колл и пут и его связь с хеджированием были центральной темой на протяжении всего курса. Лектор подчеркнул, что цена стратегии хеджирования всегда должна быть эквивалентна цене дериватива, чтобы избежать арбитражных возможностей. Были обсуждены математические аспекты моделирования различных классов активов, включая цены на активы и измерение случайности. Стохастические процессы, стохастические дифференциальные уравнения и лемма Ито были отмечены как жизненно важные инструменты для оценки финансовых инструментов. Также были продемонстрированы симуляции Python, демонстрирующие, как стохастические дифференциальные уравнения могут имитировать реальное поведение движения акций для целей ценообразования. Были рассмотрены преимущества и недостатки модели Блэка-Шоулза, подчеркнута необходимость комплексного подхода для обеспечения согласованности в управлении портфелем и стратегиях хеджирования.
Мартингейлы неоднократно подчеркивались как важная концепция в ценообразовании опционов, и другие важные темы, затронутые в курсе, включали модель Блэка-Шоулза, подразумеваемую волатильность, сходимость алгоритма Ньютона-Рафсона и ограничения зависящей от времени волатильности. Было изучено практическое применение кода Python для проверки того, является ли моделируемый процесс мартингейлом, и влияние мер на дрейф. Курс дал глубокое понимание ценообразования простых европейских опционов, продемонстрировав, как можно использовать различные модели и меры для расчета их цен.
Обсуждались ограничения модели Блэка-Шоулза, особенно в отношении включения в модель скачков. Хотя скачки могут улучшить калибровку поверхностей подразумеваемой волатильности и привести к перекосу, они также усложняют и снижают эффективность хеджирования. Стохастические модели волатильности, такие как модель Хестона, были введены для повышения гибкости модели при калибровке и ценообразовании экзотических опционов. Кроме того, в качестве решения была представлена техника быстрого ценообразования. В лекции также были изложены условия, которым должны удовлетворять модели или стохастические дифференциальные уравнения, чтобы их можно было использовать в аффинных моделях в преобразованиях Фурье.
Были обсуждены две важные модели ценообразования акций и акций: аффинный класс диффузионных процессов и модель стохастической волатильности, в частности модель Хестона. Аффинный класс диффузионных процессов позволяет быстро калибровать европейские опционы, в то время как модель Хестона предлагает гибкость в калибровке всей поверхности подразумеваемой волатильности европейских опционов. В лекции были рассмотрены влияние и преимущества корреляции в моделях, оценка PDE и использование преобразований Фурье для оценки, когда модель принадлежит к аффинному классу процессов. Понимание и использование этих моделей были отмечены как ценные навыки в вычислительных финансах.
Ценообразование европейских опционов с акцентом на колл-опционы и пут-опционы было центральной темой другой лекции. Подчеркивались использование характеристической функции и способность решать системы комплекснозначных ОДУ, а также важность численных методов для получения решений. Особое внимание уделялось сочетанию хорошей модели с эффективной калибровкой и оценкой для практического применения и признания в отрасли. Были обсуждены преимущества cos-метода преобразования Фурье для ценообразования, а также его реализация в Vital. Также были рекомендованы эффективная калибровка и использование моделирования методом Монте-Карло для ценообразования.
Выборка методом Монте-Карло при оценке экзотических деривативов подробно рассматривалась в другой лекции. Были решены проблемы, связанные с многочисленными измерениями, сложностью модели и вычислительными затратами при точном ценообразовании. Моделирование методом Монте-Карло было представлено как альтернативный подход к ценообразованию с упором на уменьшение ошибок и повышение точности. В лекции были рассмотрены различные аспекты выборки методом Монте-Карло, включая интегрирование, стохастическое интегрирование и методы калибровки, такие как схемы Эйлера и Мильштейна. Оценка гладкости платежных функций и понимание слабых и сильных конвертеров были отмечены как важные для обеспечения точного ценообразования.
В лекции, посвященной модели Хестона, обсуждались ее гибкость в калибровке, моделирование поверхности подразумеваемой волатильности и эффективное моделирование методом Монте-Карло. Лекция также коснулась почти точного моделирования модели Хестона, что связано с точным моделированием процесса Кокса-Ингерсолла-Росса (CIR) для процесса дисперсии. Хотя методы дискретизации Эйлера и Мильштейна могут столкнуться с проблемами в процессе CIR, существуют эффективные способы выполнения моделирования. В лекции подчеркивалась важность использования реалистичной модели для моделирования, особенно когда речь идет о дельта-хеджировании и учете рыночных скачков.
Концепция хеджирования в финансах была подробно рассмотрена в отдельном видео. Хеджирование включает снижение подверженности риску и потенциальных убытков за счет управления портфелем и активного поддержания контракта после того, как он был продан. В видео подчеркивается важность хеджирования, которое выходит за рамки ценообразования и включает в себя непрерывное управление рисками до момента погашения контракта. Обсуждались дельта-хеджирование и влияние рыночных скачков, при этом подчеркивалась важность использования реалистичной модели для точного моделирования.
Ограничения дельта-хеджирования были рассмотрены в другой лекции, где подчеркивалась необходимость рассмотрения других типов хеджирования, таких как гамма- и вега-хеджирование, для более сложных деривативов. Были рассмотрены расчеты чувствительности и методы повышения их эффективности, включая конечную разность, чувствительность по траектории и коэффициенты правдоподобия. В лекции также были рассмотрены вопросы ценообразования опционов на форвардный старт и проблемы, связанные с ценообразованием опционов с неопределенными начальными запасами. Стоимость опциона была получена с использованием характеристических функций, а лекция завершилась обсуждением подразумеваемой волатильности и ее реализации в Python.
В лекции о дополнительных скачках в финансовых моделях, в частности модели Хестона, рассматривалось их влияние на калибровку параметров и стратегии хеджирования. Обсуждались также свопы дисперсии и продукты волатильности, при этом основное внимание уделялось взаимосвязи между странным представлением, контрактами своп дисперсии и условными ожиданиями с использованием динамики Блэка-Шоулза. Кроме того, лекция была посвящена структурированию продуктов с использованием различных методов, таких как бинарные и цифровые опционы, опционы, зависящие от пути, барьерные опционы и азиатские опционы. Он также коснулся ценообразования контрактов, включающих несколько активов. Эта лекция послужила обобщением знаний, полученных в ходе курса, и заложила основу для работы с более сложными деривативами в будущем.
В заключительной части спикер поздравил зрителей с успешным прохождением всех 14 лекций и приобретением знаний в области вычислительных финансов, финансового инжиниринга и ценообразования деривативов. Зрителям было предложено применить свои новообретенные знания на практике или подумать о дополнительных курсах для расширения своих знаний. Спикер пожелал им успешной карьеры в сфере финансов, выразив уверенность в том, что они хорошо подготовлены к своим будущим начинаниям.
Курс финансовой инженерии: Лекция 1/14 (Введение и обзор курса)
Курс финансовой инженерии: Лекция 1/14 (Введение и обзор курса)
Преподаватель начинает с введения в курс финансового инжиниринга, выделяя его цели и основные направления. Курс направлен на изучение процентных ставок и нескольких классов активов, таких как иностранная валюта и инфляция. Конечная цель состоит в том, чтобы учащиеся построили портфель с несколькими активами, состоящий из линейных продуктов, и приобрели навыки выполнения вычислений xva и стоимости с учетом риска. Предварительное знание стохастических дифференциальных уравнений, численного моделирования и численных методов необходимо для полного изучения материала курса.
Изложена структура курса, состоящая из 14 лекций, сопровождаемых домашними заданиями в конце каждого занятия. Языком программирования, используемым на протяжении всего курса, является Python, что обеспечивает практическую реализацию и применение обсуждаемых концепций.
Спикер подчеркивает практический характер курса по вычислительным финансам. В то время как теоретические знания рассматриваются, особое внимание уделяется эффективности реализации и предоставлению примеров кода Python для каждой лекции. Материалы курса самодостаточны, хотя они основаны на книге «Книга математического моделирования и вычислений в финансах». В лекции также представлен обзор дорожной карты курса, что дает студентам четкое представление о темах, которые будут затронуты в каждой из 14 лекций.
Первая лекция посвящена обзору всего курса и подчеркиванию важности рассматриваемых концепций для достижения конечной цели выполнения вычислений xva и var.
Лектор переходит к подробному обзору тем, которые будут затронуты на протяжении всего курса «Финансовая инженерия». К ним относятся различные модели, такие как полностью белые и полностью белые двухфакторные модели, меры, фильтрация и стохастические модели. Ценообразование продуктов с процентной ставкой, включая линейные и нелинейные продукты, такие как свопционы, является ключевым направлением. Лекция охватывает построение кривой доходности, построение нескольких кривых, точки стержня и выбор методов интерполяции с использованием кодов Python. Другие затронутые темы включают отрицательные процентные ставки, опционы, ипотечные кредиты и предоплаты, иностранную валюту, инфляцию, моделирование методом Монте-Карло для нескольких активов, рыночные модели, корректировки выпуклости, расчеты риска и меры корректировки стоимости, такие как cva, bcva и fva.
Управление рисками становится центральной темой по ходу курса, а лекция 13 посвящена измерению рисков с помощью кодирования и анализа исторических данных. Лекция 14 служит кратким изложением всего, чему вы научились на протяжении всего курса.
Вторая лекция посвящена фильтрации и измерениям изменений, включая условные ожидания и моделирование в Python. Студенты будут участвовать в практических упражнениях, чтобы смоделировать условные ожидания и изучить преимущества и упрощение проблем ценообразования с использованием изменений показателей.
В последующих лекциях инструктор представляет обзор модели Hijack Model, моделей равновесия и временной структуры, а также динамики кривой доходности. Лекции охватывают короткие курсы и моделирование моделей с помощью моделирования Монте-Карло в Python. Обсуждается сравнение однофакторной и двухфакторной моделей с изучением многофакторных расширений. Видеоэксперимент проводится для анализа индекса S&P, короткой ставки, подразумеваемой ФРС, и динамики кривой доходности.
Моделирование кривых доходности исследуется для наблюдения за изменением процентных ставок во времени и сравнения их со стохастическими моделями. Рассматриваемые темы включают сходство модели Фулбрайта, точное моделирование, построение и ценообразование продуктов процентной ставки, а также расчет неопределенных денежных потоков в примерах свопов.
Лекция по построению кривой доходности посвящена взаимосвязи между кривыми доходности и процентными свопами, соглашениями о форвардных процентных ставках и ценообразованием деривативов. Объясняются различные формы кривой доходности и их соответствие рыночным ситуациям. Обсуждаются расчеты подразумеваемой волатильности и точки хребта, а также процедуры интерполяции и расширение одиночных кривых доходности до подходов с несколькими кривыми. Особое внимание уделяется практическим аспектам построения кривых доходности с использованием экспериментов Python и их связи с рыночными инструментами.
Лектор исследует темы, связанные с финансовым инжинирингом, в том числе ценообразование свопов по модели Блэка-Шоулза и опционов с использованием полностью белой или любой модели с короткой ставкой. Объясняется трюк Джамшидиана и эксперименты с Питоном. В лекции также рассматриваются такие понятия, как отрицательные процентные ставки, смещенная логарифмически нормальная подразумеваемая волатильность и влияние параметров сдвига на формы подразумеваемой волатильности. Кроме того, лекция посвящена досрочному погашению ипотеки и ее влиянию на позицию и хеджирование с точки зрения банка.
Вводятся пулевые ипотечные кредиты, объясняются связанные с ними денежные потоки и факторы досрочного погашения. В лекции рассказывается о влиянии предоплаты на ипотечные портфели и связывается стимул рефинансирования с наблюдаемыми рынком. Кроме того, обсуждаются риски трубопроводов и управление ими финансовыми учреждениями.
Курс переходит к одновременному моделированию нескольких классов активов, что позволяет моделировать потенциальные будущие риски, которые могут повлиять на портфель. Изучаются корреляции между различными классами активов и подчеркивается важность гибридных моделей для целей управления рисками, даже несмотря на то, что интерес к экзотическим деривативам может снижаться.
Исследуются гибридные модели корректировки ценообразования (XVA) и стоимости, подверженной риску, а также расширения, включающие стохастическую волатильность. В лекции рассматриваются гибридные модели, подходящие для среды XVA, включая динамику акций и стохастические процентные ставки. Стохастические модели волатильности, такие как модель Хестона, обсуждаются во втором блоке, посвященном тому, как включить стохастические процентные ставки, которые коррелируют с биржевым процессом. Лекция также посвящена иностранной валюте и инфляции, обсуждению истории и развития плавающих валют, форвардных валютных контрактов, кросс-валютных свопов и валютных опционов. Также исследуется влияние изменений показателей на динамику процесса, что в конечном итоге направлено на определение цены контрактов, определенных для различных активов в различных классах активов, и расчет подверженности риску и меры риска.
Преподаватель охватывает дополнительные темы, связанные с финансовой инженерией, в том числе элемент квантовой коррекции, присутствующий в стохастической волатильности, и ценообразование опционов FX со стохастическими процентными ставками. Исследуется понятие инфляции, прослеживается ее эволюция от определения, основанного на деньгах, к определениям, основанным на товарах. Обсуждаются рыночные модели, такие как рыночная модель LIBOR и корректировки выпуклости, с предоставлением исторической перспективы развития процентных ставок и мотивации рыночных моделей, таких как рыночная модель LIBOR, в рамках HJM. В лекции также рассматриваются логарифмически нормальные рыночные модели LIBOR, стохастическая волатильность и динамика улыбки и перекоса в рыночной модели LIBOR.
Рассмотрены различные методы, используемые при ценообразовании финансовых продуктов, с акцентом на нейтральное к риску ценообразование и модель Блэка-Шоулза. Лектор предостерегает от неправильного использования рискованных методов, таких как метод замораживания, и подчеркивает важность коррекции выпуклости в рамках ценообразования. Учащиеся узнают, как распознать необходимость коррекции выпуклости и как учитывать изменения процентных ставок или улыбку рынка и искажения в проблемах ценообразования. Раздел завершается описанием моделирования XVA, включая CVA, BCVA, VA и FVA, а также расчетом ожидаемого воздействия, потенциального будущего воздействия и проверки работоспособности с использованием моделирования Python.
Преподаватель повторно рассматривает темы, затронутые в курсе финансового инжиниринга, включая ценообразование деривативов, важность определения цены, практические аспекты торговой атрибуции и меры управления рисками, такие как стоимость, подверженная риску, и ожидаемый дефицит. Основное внимание по-прежнему уделяется практическим приложениям, таким как создание портфеля процентных свопов и использование знаний о построении кривой доходности для оценки VAR и ожидаемого дефицита по результатам моделирования. В лекции также рассматриваются проблемы, связанные с отсутствующими данными, арбитражем и переоценкой в расчетах VAR с использованием моделирования Монте-Карло.
В заключительной лекции лектор обсуждает бэк-тестирование и тестирование движка VAR. Признавая, что курс продлится дольше первых 14 недель, инструктор выражает уверенность в том, что процесс обучения будет всесторонним и приятным. Записанные лекции помогут студентам достичь вершины понимания корректировок оценки (XVA) и расчета стоимости, подверженной риску.
Курс финансовой инженерии: Лекция 2/14, часть 1/3 (Понимание фильтрации и мер)
Курс финансовой инженерии: Лекция 2/14, часть 1/3 (Понимание фильтрации и мер)
В лекции инструктор углубляется в модель Блэка-Шоулза со стохастическими скачками, демонстрируя ее применение в ценообразовании деривативов. Включение условных ожиданий подчеркивается как средство повышения точности модели. Кроме того, исследуется концепция численных значений и изменений показателей, демонстрируя, как переключение между различными численными значениями может улучшить результаты ценообразования. В этом разделе подчеркивается важность фильтрации, ожиданий и изменений показателей, особенно в сфере процентных ставок.
Развивая тему, профессор подчеркивает ключевую роль показателей, фильтрации и ожиданий в ценообразовании. Они иллюстрируют, как показатели, такие как запасы, могут эффективно использоваться в процессах ценообразования, а изменения показателей помогают уменьшить сложность проблем ценообразования. В лекции далее исследуется понятие форвардной меры, обычно связанной со стохастическим дисконтированием. Фильтрации разъясняются как фундаментальные принципы для понимания времени, профилей воздействия и профилей риска. Кроме того, вводится определение стохастического процесса и важность фильтрации при интерпретации рыночных данных и прогнозировании будущих реализаций.
Двигаясь вперед, концепция фильтрации и мер тщательно изучается. Фильтрации могут относиться к настоящему или простираться в будущее, что требует четкого разграничения при работе со случайными процессами. Прошлое представляет собой особую траекторию истории акции, тогда как стохастичность будущего можно смоделировать с помощью стохастических дифференциальных уравнений и симуляций. Хотя курс в основном фокусируется на фильтрации до настоящего времени (t0), позже он углубляется в использование будущих фильтров для повышения эффективности вычислений. Становится возможным моделировать будущие сценарии и разрабатывать различные результаты. Однако, учитывая присущую неопределенность, определение наиболее реалистичного сценария остается сложной задачей. Оценка распределения результатов включает использование исторических данных и методов калибровки, связанных с мерой p.
Затем лекция углубляется в измерения и фильтрацию, подчеркивая различные роли показателя Q в ценообразовании и управлении рисками, а показатель P — прежде всего в управлении рисками. Когда используются обе меры, создание будущих сценариев для профилей риска становится обязательным из-за неуникальности пригодности любой метрики. Кроме того, с течением времени накопление исторических знаний приводит к более широкой фильтрации. Однако важно также поддерживать понимание измеримости и признание неопределенности стохастических величин в определенные моменты времени в будущем.
Лектор переходит к обсуждению фильтров и мер в контексте финансового инжиниринга. Примечательно, что они подчеркивают, что измеримость не означает постоянства; скорее, это обозначает стохастическую величину. Фильтрации проясняют объем знаний, доступных в каждый данный момент времени, расширяясь по мере продвижения во времени из-за накопленных знаний. Хотя фильтрация и изменения показателей могут быть мощными инструментами в финансовом моделировании, их неправильное использование может привести к серьезным проблемам. Таким образом, крайне важно понять, как эффективно использовать эти инструменты и ориентироваться во времени, чтобы избежать ошибок моделирования. Раздел завершается обзором процесса калибровки в финансовом моделировании, который может быть сделан на основе исторических данных или рыночных инструментов.
Вводится понятие адаптированных процессов, относящихся к процессам, которые опираются исключительно на информацию, доступную до определенного момента, без учета будущих реализаций. Примеры адаптированных процессов включают броуновское движение и определение максимального значения процесса в течение определенного периода времени. И наоборот, неадаптированные процессы зависят от будущих реализаций. В лекции также рассказывается о свойстве башни, мощном инструменте ценообразования, который устанавливает взаимосвязь между сигма-полями, фильтрациями и ожиданиями.
Условное ожидание обсуждается как мощный инструмент в финансовой инженерии, особенно при работе с функциями, включающими две переменные. Свойство ожидания башни используется для формирования ожиданий и вычисления внешних и вложенных внутренних ожиданий. Это свойство находит применение в имитационном моделировании, позволяя проводить аналитические расчеты определенных компонентов задачи, которые могут быть применены к моделям ценообразования опционов на блокчейне, в частности, с использованием стохастических дифференциальных уравнений и специальных фильтров. Исследуется определение условного ожидания, включающее интегральное уравнение.
Лектор подчеркивает важность условных ожиданий и фильтров в финансовой инженерии. Они подчеркивают, что если случайную величину можно обусловить и ее ответ известен аналитически, внешнее ожидание можно рассчитать путем выборки внутреннего ожидания. Однако в финансах не принято обладать аналитическими знаниями об условных плотностях или двумерных плотностях. Лектор подчеркивает важность правильного использования условных ожиданий в кодировании, поскольку они остаются стохастическими величинами с точки зрения настоящего. Кроме того, они обсуждают преимущества включения аналитического решения для части модели в контекст моделирования, поскольку это может привести к улучшению сходимости. Чтобы проиллюстрировать эти понятия, лектор приводит пример вычисления внешнего математи- ческого ожидания броуновского движения.
Двигаясь вперед, лектор углубляется в ожидание будущего момента времени, подчеркивая его сложность по сравнению со случаями, когда ожидание приходится на нулевое время. Они объясняют, что этот сценарий требует нескольких путей и вложенных симуляций Монте-Карло для каждого пути, включающих вложенные симуляции для условных ожиданий. Эта сложность возникает из-за свойства независимых приращений, при котором броуновское движение всегда можно выразить как разность между его значениями в два разных момента времени t и s.
Сместив акцент на моделирование по методу Монте-Карло, докладчик обсуждает построение броуновского движения для моделирования стоимости опциона на акции. Они исследуют два типа мартингейлов и вводят вложенный метод Монте-Карло для расчета условного ожидания опциона на акции. Моделирование включает в себя создание одного пути до момента времени s и проведение подмоделирования для каждого пути для оценки ожидания в этот момент времени. Этот процесс влечет за собой вычисление условного ожидания конкретной реализации в момент времени s для каждого пути. Затем ошибка измеряется как разница между условным ожиданием и значением пути в момент времени s. Стандартизация броуновского движения гарантирует, что оно строится с использованием независимых приращений, что облегчает реализацию желаемых свойств в моделировании методом Монте-Карло.
Наконец, выступающий подчеркивает, что, хотя моделирование броуновского движения может показаться простым и экономичным, включение условного ожидания требует вложенного подхода Монте-Карло, который включает в себя выполнение нескольких симуляций броуновского движения для каждого пути. Следовательно, этот процесс может занять много времени.
В заключение, лекция широко охватывает темы, связанные с мерами, фильтрацией, условными ожиданиями и моделированием Монте-Карло в финансовой инженерии. Значение этих концепций в ценообразовании деривативов, управлении рисками и калибровке моделей подчеркивается повсюду. Понимая принципы, лежащие в основе этих инструментов и методов, финансовые специалисты могут повысить точность моделирования и эффективно решать сложные проблемы ценообразования.
Курс финансовой инженерии: Лекция 2/14, часть 3/3 (Понимание фильтрации и мер)
Курс финансовой инженерии: Лекция 2/14, часть 3/3 (Понимание фильтрации и мер)
Продолжая лекцию, инструктор углубляется в тему изменения показателей и их практического применения в финансах. Они начинаются с повторения теоремы Гиризанова и концепции меры запаса. Закладывая основу, инструктор готовит почву для изучения того, как изменения показателей могут эффективно уменьшить размерность финансовых моделей.
Лекция посвящена переходу от нейтрального к риску показателя к показателю сберегательного счета, движимому фондовым активом. Этот переход достигается за счет использования соотношения двух мер, и процесс объясняется простыми словами. Акцент делается на важности выражения выбранного актива в той же единице, что и другие активы в портфеле, что может быть достигнуто путем изменения показателей. Кроме того, лекция углубляется в обсуждение функции выигрыша, где математическое ожидание по связанному показателю выражается как интеграл от единицы, деленный на показатель. Этот результат предоставляет средства для поиска желаемого запроса. Лекция завершается демонстрацией метода подстановки, используемого для получения окончательного члена, что еще раз иллюстрирует практичность изменения меры.
Двигаясь вперед, спикер исследует упрощение выплаты и углубляется в динамику акций в соответствии с новой мерой. Значение t0 предоставляется как математическое ожидание при измерениях максимума st минус k 0, вводя новый мартингальный метод. Объясняется концепция мартингального подхода, подчеркивая важность деления всего на биржевой процесс для удовлетворения условий мартингейла. Выделен процесс дисконтирования с акцентом на его преимущества в упрощении динамики в рамках новой меры. Динамику можно вывести из соотношения mtst как мартингейла. Кроме того, спикер подчеркивает необходимость определения дисперсии и измеренного преобразования в соответствии с новым показателем, чтобы эффективно использовать преимущества мартингального подхода.
Продолжая лекцию, лектор объясняет, как та же процедура, что и для случая Блэка-Шоулза, может быть применена к немартингальным процессам. Следуя набору необходимых условий, можно использовать преобразования показателей для получения динамики нового процесса и определения ожиданий при новом показателе. Подчеркивается важность учета поправок на дрейф и волатильность, возникающих в результате этого преобразования, при реализации обоих процессов в соответствии с исходной и новой мерой. В конечном итоге вычисление упрощается до элегантного выражения, включающего один логарифмически нормальный процесс при новой мере.
Кроме того, лектор вводит двумерную систему стохастических дифференциальных уравнений, S1 и S2, а также величину выплаты, связанную со сберегательным счетом, которая выплачивается только в том случае, если S2 достигает определенного уровня. Чтобы рассчитать это сложное ожидание, необходимо совместное распределение между двумя акциями. Используется преобразование меры, использующее теорему Гирсанова, чтобы найти математическое ожидание в элегантной форме. Лектор объясняет процесс, выбирая S1 в качестве числителя и идентифицируя производную случайного числителя. В лекции также подчеркивается важность получения всех необходимых изменений меры и исследуется потенциальное влияние на отношения между броуновскими движениями в различных мерах. Лектор подчеркивает важность преобразования меры в элегантно и мощно ценообразование сложных финансовых инструментов.
Продолжая лекцию, спикер объясняет измеренное преобразование для случайного производного никотина и подчеркивает важность упрощения выплаты. Объясняется формула уравнения, а также соответствующая мера, которую необходимо найти для сокращения членов. Динамика денежно-сберегательной облигации и ее коэффициенты дрейфа и волатильности обсуждаются после применения этос-леммы. В этом преобразовании корреляционный элемент оказывается пренебрежимо мал. Спикер также подчеркивает важность отношений между S2 и S1 по отношению к таблице этоса.
Смещая акцент, спикер обсуждает динамику двух биржевых процессов при преобразовании меры S1, предполагающей замену новой меры.
При преобразовании меры S1 выступающий объясняет, что первый биржевой процесс по-прежнему следует логарифмически нормальному распределению, но с дополнительным членом в дрейфе. Точно так же второй процесс запаса демонстрирует дополнительный член из-за корреляции между двумя процессами. Докладчик подчеркивает важность упорядочивания переменных от простейших к наиболее сложным и рекомендует использовать разложение Холецкого как метод упрощения стохастических дифференциальных уравнений. Используя логнормальные свойства, можно эффективно решить вероятность оценки.
Расширяя тему лекции, лектор переходит к обсуждению облигаций с нулевым купоном, которые являются фундаментальными деривативами в области процентных ставок. Облигации с нулевым купоном имеют простую выплату — единое значение, полученное в момент погашения, — что делает их простыми для понимания и использования. Кроме того, они служат важными строительными блоками для ценообразования более сложных деривативов. Отмечается, что в некоторых случаях стоимость облигации в начале может быть больше единицы, что указывает на отрицательные процентные ставки. Отрицательные ставки могут быть результатом интервенций центрального банка, направленных на увеличение ликвидности, хотя их эффективность в стимулировании расходов остается предметом споров. Лектор подчеркивает, что облигации с нулевым купоном играют решающую роль в процессе изменения показателей в мире процентных ставок.
Кроме того, лектор углубляется в важность изменения показателя на форвардный показатель при рассмотрении облигаций с нулевым купоном. Используя фундаментальную теорему ценообразования и общее уравнение ценообразования, можно определить текущую стоимость облигации с нулевым купоном. Уравнение ценообразования включает ожидание дисконтированной выплаты, равной единице для облигации с нулевым купоном. Лектор подчеркивает, что процентные ставки являются стохастическими, и обсуждает, как стохастическую скидку можно исключить из уравнения, заменив меру на форвардную меру Т. Раздел завершается объяснением того, как можно смоделировать производный код рубля и как уравнение ценообразования переходит от нейтрального к риску показателя к форвардному показателю T.
Кроме того, профессор подчеркивает важность изменения показателей и уменьшения размерности моделей ценообразования в сфере финансов. Переходя к ценам в рамках форвардного показателя T и устраняя специфичность коэффициента дисконтирования, специалисты-практики могут использовать методы изменения показателей в качестве мощных инструментов в своих повседневных операциях. В лекции кратко излагаются понятия фильтрации и их связь с условными ожиданиями, подчеркивая, как эти инструменты могут упростить сложные проблемы в финансах.
Чтобы заинтересовать студентов и закрепить их понимание, преподаватель предлагает три упражнения. Первое упражнение включает в себя реализацию аналитического решения для оценки опционов пут, гарантируя, что код включает процентные ставки в Python. Второе упражнение расширяет ценообразование до опционов пут, предоставляя возможность оценить его эффективность. Наконец, учащимся предлагается сравнить аналитическое выражение с результатом моделирования методом Монте-Карло для выражения квадрата запаса на слайде 24. В этом упражнении подчеркиваются преимущества и существенные различия в применении преобразований показателей.
В лекции представлено всестороннее исследование изменений показателей и их применения в финансах. Он охватывает такие темы, как переключение мер, упрощение выплат, динамика при новых мерах, трансформация процессов, а также значение бескупонных облигаций и процентных ставок. Используя преобразование показателей, специалисты-практики могут улучшить свои модели ценообразования, упростить расчеты и получить ценную информацию о сложных финансовых инструментах.
Курс финансовой инженерии: Лекция 3/14, часть 1/2, (Структура HJM)
Курс финансовой инженерии: Лекция 3/14, часть 1/2, (Структура HJM)
Докладчик углубляется в тему безарбитражных условий в моделях процентных ставок, уделяя особое внимание структуре Хит, Джарроу и Мортон (HJM). Они определяют повестку лекции и разъясняют различие между моделями равновесия и моделями временной структуры. Подчеркивая силу и значимость моделей временной структуры, которые генерируют кривые доходности без калибровки, спикер объясняет вывод безарбитражных условий в рамках HJM. Предстоящий блок будет включать моделирование Монте-Карло для двух моделей, Джули и Халл-Уайт, а также домашнее задание. Стоит отметить, что структура HJM служит общей и свободной от арбитража основой для всех моделей процентных ставок.
В дальнейшем вводится понятие коротких ставок и процентных ставок, подчеркивая, что короткие ставки связаны с бесконечно малыми периодами времени. Первая краткосрочная модель, процесс Орнштейна-Уленбека (OU), обсуждается как пример эндогенной модели, которая требует калибровки по кривой доходности, что может привести к ограниченным степеням свободы и плохой калибровке. С другой стороны, экзогенные модели используют кривую доходности в качестве входных данных, избегая проблемы калибровки. Лекция также дает представление о развитии навыков моделирования и навыков программирования для моделирования процентных ставок.
Исследуется структура HJM с упором на преобразование эндогенных моделей в экзогенные модели. Это преобразование гарантирует, что независимо от выбранных параметров модели кривая доходности останется неизменной. Лектор подчеркивает исключительную мощь структуры AJM, которая обеспечивает четкий путь от моделей равновесия к моделям временной структуры. В лекции упоминается, что в литературе существует множество моделей, и обсуждаются две популярные из них. Одной из таких моделей является модель коротких ставок Васичека, которая подверглась критике за ее ограниченность в приспособлении к отрицательным процентным ставкам.
Рассматривается проблема отрицательных процентных ставок, и спикер объясняет, как финансовые инженеры решают эту проблему, используя процесс Кокса-Ингерсолла-Росса (CIR), который запрещает отрицательные ставки, но позволяет ставкам достигать нуля. Чтобы сдвинуть этот процесс, вводится параметр, позволяющий сдвигать распределение от нуля к отрицательным значениям, обычно около двух или трех процентов. Также обсуждаются важность подгонки к кривой доходности и проблемы калибровки. Лектор подчеркивает, что если кривая доходности не может быть подобрана, нет смысла пытаться подогнать другие аспекты модели. Приведены примеры моделирования, иллюстрирующие влияние различных параметров, таких как скорость возврата к среднему и коэффициент волатильности.
Обсуждается влияние коэффициента волатильности на траектории различных моделей, включая модели HJM и CIR. Более высокие коэффициенты волатильности приводят к большим скачкам на путях и увеличению неопределенности, тогда как меньшие коэффициенты приводят к более узким распределениям. Лектор также объясняет, как возврат к среднему и процентные ставки влияют на поведение этих моделей. Код Python используется для моделирования путей с использованием дискретизации и стандартизации Эйлера, при этом налагаются условия, предотвращающие превращение путей в отрицательные.
Докладчик подробно рассматривает структуру HJM (Хит-Джарроу-Мортон), которая служит глобальной основой, охватывающей все модели процентных ставок. Динамика мгновенных форвардных ставок, представляющих ставки в течение будущих периодов с сегодняшней точки зрения, моделируется в рамках HJM. Структура AJM представлена в качестве фундаментальной основы для моделей процентных ставок из-за ее явной взаимосвязи между волатильностью мгновенных форвардных ставок и дрейфом без арбитража, гарантируя, что модель всегда свободна от арбитража. Эта структура исследуется в контексте как моделей рынка с короткими ставками, так и модели рынка LIBOR, которые являются особыми случаями модели AJM.
Обсуждается взаимосвязь между отсутствием арбитража и дрейфом, особенно в отношении волатильности мгновенных форвардных ставок. Регулировка волатильности позволяет переключаться между различными моделями. В то время как структура HJM учитывает различные структуры волатильности, получение аналитических выражений для коротких ставок или рыночных моделей LIBOR является сложной задачей. Однако в некоторых случаях модель HJM предоставляет аналитические выражения для облигаций с нулевым купоном на основе указанной волатильности. Эта структура играет решающую роль в переходе от моделей равновесия к моделям временной структуры, поскольку она позволяет использовать наблюдаемые доходности в качестве входных данных для модели. Проводится сравнение с другими моделями, такими как модели коротких ставок в рамках HJM, которые уподобляются Ferrari с точки зрения быстрой калибровки, но им не хватает гибкости в калибровке и реализации для нескольких рыночных инструментов. Основная цель краткосрочной модели процентных ставок — обеспечить точность кривой доходности и облигаций с нулевым купоном.
Лектор обсуждает ограничения различных моделей временной структуры, используемых в финансовой инженерии. В то время как структура HJM предлагает большую гибкость в калибровке кривой доходности, ее простота всего с двумя параметрами затрудняет калибровку сложных экзотических опционов, оцениваемых в течение продолжительных периодов. Рыночная модель со стохастической волатильностью, несмотря на высокие затраты на обслуживание и проблемы с калибровкой, считается идеальной для ценообразования экзотики и волатильности. Лектор переходит к определению мгновенных форвардных ставок с использованием облигаций с нулевым купоном и показывает, как построить форвардную ставку за определенный период с использованием стратегии рефинансирования, таким образом извлекая эффективную ставку.
Докладчик углубляется в концепцию безарбитражной стратегии рефинансирования и объясняет, как подразумевать ставки из нулевых компонентов. Они вводят функциональную форму для форвардной ставки и вводят структуру, которая гарантирует, что она принимает экспоненциальную форму со скоростью начисления и умножения. Логарифмируя выражение и умножая его на отрицательный знак, они определяют ставку, которая удовлетворяет уравнению как для краткосрочной, так и для форвардной ставки. Мгновенная форвардная ставка определяется как f dt, и спикер подчеркивает, что она всегда зависит от срока погашения.
Далее в лекции вводится понятие мгновенной форвардной ставки, определяемой как производная от логарифма бескупонной облигации по отношению к сроку погашения. Это служит фундаментальным строительным блоком в рамках HJM, поскольку все величины выражаются в терминах мгновенных форвардных курсов. Подчеркивается важность проведения различия между облигациями с нулевым купоном и денежными сберегательными счетами, при этом первая является детерминированной величиной, а вторая — стохастической величиной. Динамика мгновенной форвардной ставки является ключевым моментом в структуре HJM, целью которой является понимание и моделирование динамики процентных ставок.
Профессор переходит к описанию динамики мгновенного форвардного курса при p-мере и задаче определения динамики при переключении меры с p на q. Структура HJM охватывает динамику мгновенной форвардной ставки, сберегательного счета (интеграл короткой ставки) и отношение нулевых купонных облигаций. Чтобы определить динамику мгновенного форвардного курса по q-мере, конкретные величины должны функционировать как мартингалы. Объясняется взаимосвязь между короткой ставкой и мгновенной форвардной ставкой, подчеркивая взаимозависимость между различными мгновенными ставками и связи между различными параметрами.
Продолжая лекцию, спикер подчеркивает важность понимания взаимосвязи между безарбитражностью и дрейфом в моделях процентных ставок, особенно с точки зрения волатильности мгновенной форвардной ставки. Регулируя волатильность, можно переключаться между различными моделями в рамках HJM. Эта структура допускает различные структуры волатильности, хотя получение аналитических выражений для коротких ставок или модели рынка LIBOR может оказаться сложной задачей. Однако в некоторых случаях модель HJM предоставляет аналитические выражения для облигаций с нулевым купоном на основе указанной волатильности.
Лектор подчеркивает, что структура HJM является общей и свободной от арбитража основой для всех моделей процентных ставок. Он предлагает четкий путь от моделей равновесия к моделям временной структуры, что делает его мощным инструментом в этой области. В литературе имеется множество моделей, но подробно обсуждаются две наиболее популярные из них.
Во-первых, исследуется модель краткосрочной ставки Васичека. Лектор признает, что эта модель подверглась критике за то, что не допускает отрицательных процентных ставок. Чтобы решить эту проблему, некоторые финансовые инженеры используют процесс Кокса-Ингерсолла-Росса (CIR), который не допускает отрицательных ставок, но позволяет ставкам достигать нулевого уровня. Однако лектор упоминает, что в процесс CIR можно ввести параметр сдвига, эффективно сдвигая распределение от нуля к отрицательному значению, например, к отрицательным двум или трем процентам. Подгонка модели под кривую доходности подчеркивается как критический аспект, и обсуждается вопрос калибровки. Лектор утверждает, что если кривая доходности не может быть точно подобрана, нет смысла подгонять какие-либо другие параметры.
Затем спикер представляет моделирование методом Монте-Карло для двух моделей: Джули и Халл-Уайт. Моделирование направлено на то, чтобы предоставить практические примеры и проиллюстрировать влияние различных параметров, таких как скорость возврата к среднему и коэффициент волатильности, на траектории модели. Код Python, использующий дискретизацию и стандартизацию Эйлера, используется для моделирования этих путей. Накладываются условия, чтобы пути не становились отрицательными.
Лекция переходит к обсуждению влияния коэффициента волатильности на траектории различных моделей, включая модели HJM и CIR. Более высокие коэффициенты волатильности приводят к более значительным скачкам в путях и увеличению неопределенности, тогда как меньшие коэффициенты приводят к более узким распределениям. Также объясняется влияние возврата к среднему и процентных ставок на поведение этих моделей.
В заключение лектор резюмирует рассмотренные ключевые моменты, повторяя силу и значение моделей терминологической структуры в рамках HJM. Особое внимание уделяется возможности самостоятельного построения кривых доходности без необходимости калибровки кривой доходности. Наконец, предоставляется домашнее задание, побуждающее студентов к дальнейшему изучению и применению концепций и методов, обсуждаемых в лекции.
Лекция представляет собой углубленное исследование безарбитражных условий в моделях процентных ставок, в частности, в рамках HJM. Он охватывает различия между моделями равновесия и моделями временной структуры, вывод безарбитражных условий и практические примеры с помощью моделирования методом Монте-Карло. Подробно обсуждаются важность подгонки к кривой доходности, проблемы калибровки и влияние различных параметров, что дает учащимся ценную информацию о моделировании процентных ставок и навыках программирования.