capitolo 6a elementi di valutazione dei prodotti derivati
TRANSCRIPT
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Finanza Computazionale
Introduzione alla Valutazione dei Prodotti Derivati
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Introduzione al pricing
Il principio di Arbitraggio
Il modello Binomiale
Il modello di Black e Scholes
Metodi alle Differenze Finite
Metodo Monte Carlo
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Definizioni
Da un punto di vista del tutto generale con il termine Monte Carlo si intende una tecnica numerica che faccia uso di numeri casuali per risolvere un problema.
il metodo Monte Carlo consiste nel rappresentare la soluzione di un problema come parametro di un’ipotetica popolazione ed usare una sequenza di numeri casuali per costruire un campione della popolazione dal quale possano essere estratte stime statistiche del parametro.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Problemi risolubili col Metodo Monte Carlo
A. Problemi di natura intrinsecamente probabilistica in cui sono coinvolti fenomeni legati alla fluttuazione stocastica di variabili aleatorie. Due problemi tipici che rientrano in questa categoria sono il pricing di un’opzione e la stima del VaR di un portafoglio.
B. Problemi di natura essenzialmente deterministica, del tutto
privi cioè di componenti aleatorie, ma la cui strategia di soluzione può essere riformulata in modo tale da risultare equivalente alla determinazione del valore di aspettazione di una funzione di variabili stocastiche.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Simulazione Monte Carlo e Integrazione
Un’estrazione da un campione di numeri casuali può essere utilizzata come stimatore di un integrale
1
0
)( dxxfI 1
0
)( dxxfI
Questa espressione può essere interpretata come il valore di aspettazione della funzione f di una variabile aleatoria a valori uniformemente distribuiti nell’intervallo [0, 1]
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Simulazione Monte Carlo e Integrazione
1
0
x
x
dxxfxfE
altrimenti1
1xo0xse0xg
x
dxxgxfxfE
xfE
xf
xgx
)()]([
)(
1 ed 0 fra adistribuit nteuniformeme aleatoria variabile
)()()(
?)(
)(
)( da data àprobabilit di densitacon aleatoria variabile
max
min
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Simulazione Monte Carlo e Integrazione
Diventa così possibile stimare il valore del nostro integrale tramite una media aritmetica di n valori di f(xi) dove ciascun xi rappresenta un campione estratto da una distribuzione uniforme in [0, 1]. In altre parole possiamo affermare che la quantità
n
i
in xfn
I1
)(1~
n
i
in xfn
I1
)(1~
rappresenta uno stimatore non distorto di I. La varianza di questa stima risulta pari a:
n
dxIxfn
xfn
xfn
In
ii
n
iin
21
0
2
12
1
)(1
)(var1
)(1
var)~
var(
n
dxIxfn
xfn
xfn
In
ii
n
iin
21
0
2
12
1
)(1
)(var1
)(1
var)~
var(
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Simulazione Monte Carlo e Integrazione
l’errore quadratico medio dello stimatore, che può essere interpretato come l’errore quadratico medio della simulazione Monte Carlo, decresce all’aumentare di n come
Questo risultato risulta del tutto indipendente dalla dimensione del problema.
E’ proprio quest’ultima caratteristica che rende attraente il metodo Monte Carlo per la risoluzione di problemi con un numero elevato di dimensioni. In questo caso tipicamente il metodo Monte Carlo risulta convergere verso il valore finale più velocemente dei metodi numerici tradizionali in cui il numero di iterazioni per raggiungere un’approssimazione prefissata cresce con l’aumentare del numero di dimensioni.
n/1 n/1
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Pricing di strumenti derivati
Il pricing di un’opzione è affrontato usualmente nel contesto della cosiddetta valutazione neutrale rispetto al rischio. Indicando con fT il valore dell’opzione stessa alla scadenza T, il valore ad oggi, f, sarà dato da
(1)
essendo Ê il valore di aspettazione risk-neutral ed <r> il valore medio fra t = 0 e t = T del tasso privo di rischio. Qualora si assuma di conoscere con certezza il valore di <r> il problema può essere semplificato e la (1) diventa
(2)
TrT efEf ̂ Tr
T efEf ˆ
TTr fEef ˆ T
Tr fEef ˆ
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Pricing di strumenti derivati
La formulazione del problema rende evidente la sua natura intrinsecamente probabilistica.
L’applicazione del metodo Monte Carlo nel caso in esame si riduce essenzialmente alla generazione di un numero sufficientemente elevato di stime di fT da cui estrarre il valore medio.
A tal fine è necessario innanzi tutto introdurre un’ipotesi sul modo in cui il prezzo del titolo sottostante si evolve nel tempo;
Un’assunzione abbastanza comune è che il prezzo dell’azione segua un moto geometrico browniano. Secondo questa ipotesi il tasso di variazione del prezzo in un intervallo di tempo infinitesimo è descritto da
(3)
dove m è il tasso di rendimento atteso e s è la volatilità del prezzo dell’azione.
SdzSdtdS SdzSdtdS
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Pricing di strumenti derivati Ricordiamo che...
La simulazione viene condotta dividendo l’intervallo di vita del derivato in N intervalli ciascuno di ampiezza t.
Si può dimostrare che la versione discreta della precednte equazione è data da
dove S è la variazione di prezzo nell’intervallo t ed e è un numero casuale estratto da una distribuzione normale
tStSS tStSS
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Pricing di strumenti derivati A questo punto siamo in grado di calcolare i valori assunti da S (e quindi da S)
agli istanti 0, t, 2 t, ….fino alla scadenza T. Si noti che il processo di simulazione richiede la generazione di N numeri casuali
indipendenti normalmente distribuiti.
Una volta simulato il valore del titolo sottostante al tempo T siamo in grado di ricavare il valore dell’opzione alla stessa data. Supponendo che l’opzione sia di tipo call avremo semplicemente
essendo K lo strike price. Ripetendo la procedura appena descritta un numero molto elevato di volte siamo in grado di ottenere una distribuzione di valori per fT
dalla quale è possibile estrarre il valore di aspettazione.
)0,max( KSf TT )0,max( KSf TT
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Esempio ProgrammazioneVBA
Esempio ProgrammazioneVBA
“Crude” Monte Carlo“Crude” Monte Carlo
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Un Problema di Efficienza Immaginiamo di voler calcolare un certo parametro P (ad esempio il
prezzo di un’opzione) e di poter scegliere fra due diverse stime ottenibili con il metodo Monte Carlo rappresentate dalle due serie di valori ottenuti con il processo di simulazione
Supponiamo poi che entrambi gli stimatori siano corretti, cioè valga
ma con
niP i ,...,1,1̂ niP i ,...,1,1̂ niP i ,...,1,2̂ niP i ,...,1,2̂
PPE 1̂ PPE 1̂ PPE 2̂
PPE 2̂
21 21
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Un Problema di Efficienza Chiaramente sulla base di queste sole informazioni
saremmo portati a scegliere il primo stimatore in quanto, a parità di numero di simulazioni, l’errore di stima risulterà senz’altro minore.
Tuttavia, come accennavamo poco sopra, questa conclusione rischia in realtà di non essere corretta in quanto non tiene conto del fatto che i due stimatori possono richiedere risorse computazionali molto diverse fra loro;
in particolare generare n replicazioni di P1 potrebbe richiedere molto più tempo che generare n replicazioni di P2.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Un Problema di Efficienza Un primo approccio al problema potrebbe essere quello di
introdurre esplicitamente nelle nostre considerazioni il tempo di calcolo richiesto.
Supponiamo che il tempo richiesto per generare una singola replicazione di Pj possa essere espresso da una costante che indicheremo con bj, avendo a disposizione un tempo totale di calcolo pari a t il numero di replicazioni di Pj che possiamo generare sarà pari a t/bj.
I due stimatori possono pertanto essere riscritti introducendo esplicitamente il tempo di calcolo nelle formule
1/
1
11 ˆbt
iiP
t
b
1/
1
11 ˆbt
iiP
t
b
2/
1
22 ˆbt
iiP
t
b
2/
1
22 ˆbt
iiP
t
b
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Un Problema di Efficienza Per valori sufficientemente alti di t queste due quantità sono normalmente
distribuite con media P e standard deviation
pertanto per grandi valori di t il primo stimatore sarà preferibile al secondo se
Il prodotto della varianza per il tempo necessario ad eseguire un singolo run viene indicato in letteratura col nome di efficienza (Hammersley e Handscomb, 1964).
Usando l’efficienza come base per il confronto fra diversi stimatori possiamo concludere che lo stimatore a bassa varianza è preferibile all’altro solo se il rapporto delle varianza è più piccolo del rapporto fra i tempi di singola
replicazione.
t
b
t
b 22
11 t
b
t
b 22
11
2221
21 bb 2
221
21 bb
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabili Antitetiche Uno dei metodi più semplici e più utilizzati in campo finanziario per
la riduzione della varianza è senz’altro il metodo delle variabili antitetiche.
Consideriamo di nuovo la procedura classica di stima del prezzo di un’opzione, per semplicità espositiva ci limiteremo ancora al contesto del modello di Black e Scholes.
Se si adotta la tecnica della variabile antitetica, in ogni simulazione si devono determinare due valori.
Il primo valore è quello calcolato nel modo consueto...
...mentre il secondo valore viene calcolato cambiando segno a tutti i campioni estratti casualmente dalle distribuzioni normali standardizzate.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabili Antitetiche I due stimatori hanno chiaramente le stesse proprietà
statistiche essendo estratti dallo stesso campione (in particolare hanno la stessa varianza).
Il valore campionario del derivato calcolato in ogni simulazione è la media di questi due valori e la sua varianza è data da
iii
iiii
CCCovCVar2
1
CCVar4
1
2
CCVar
~,
~~
iii
iiii
CCCovCVar2
1
CCVar4
1
2
CCVar
~,
~~
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabili Antitetiche
Pertanto se iii CVarCCCov ~, avremo imedio CVarCVar .
Comunque occorre tenere presente che questa procedura richiede un numero di
simulazioni doppio rispetto al caso standard per cui è necessario ragionare in termini di efficienza.
Se supponiamo che la generazione dei numeri casuali richieda un tempo trascurabile
rispetto al calcolo del prezzo allora possiamo affermare che il tempo impiegato utilizzando le variabili antitetiche sia all’incirca doppio di quello richiesto nel caso standard.
In questo caso il metodo delle variabili antitetiche è preferibile in termini di efficienza
rispetto al metodo standard se si verifica la condizione
imedio CVarCVar 2
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabili Antitetiche
Questa condizione è equivalente a richiedere che
0~
, ii CCCov
Verifichiamo se questa condizione è valida.
Indichiamo con la funzione definita dalla relazione )( ii ZC ; supponiamo che sia
la composizione di due funzioni monotone, la prima è quella che lega il valore del sottostante alla variabile aleatoria Z, la seconda è la funzione che calcola il payoff come valore massimo fra 0 e la differenza fra il prezzo del sottostante e lo strike price. In queste condizioni anche è monotona.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabili Antitetiche
Utilizzando una disuguaglianza standard possiamo allora verificare che
)()()()( iiii ZEZEZZE
da cui segue immediatamente
0)()()()(~
, iiiiii ZEZEZZECCCov
Quindi il metodo delle variabili antitetiche è più efficiente del metodo standard a patto
che siano verificate le condizioni di monotonicità citate.
Nel caso di payoff non monotoni il metodo non necessariamente fornisce prestazioni migliori del Monte Carlo standard, anzi, in alcune condizioni i risultati sono sensibilmente peggiori.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Moment Matching Il metodo dei momenti (moment matching) comporta l’aggiustamento dei campioni estratti da una distribuzione normale standardizzata in modo da assicurare l’uguaglianza tra i momenti campionari (in genere il primo e il secondo) e i corrispondenti momenti della distribuzione probabilistica.
Indichiamo con Zi i campioni estratti da una distribuzione normale usati per calcolare la variazione di valore di una certa variabile in un certo periodo di tempo. Per assicurare l’uguaglianza dei primi due momenti calcoliamo la media campionaria m e la deviazione standard campionaria s. Quindi definiamo nel modo seguente i campioni aggiustati
s
mZZ i
i
'
s
mZZ i
i
'
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Esempio Excel Esempio Excel
Confronto fra alcuni metodi di Riduzione della VarianzaConfronto fra alcuni metodi di Riduzione della Varianza
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Greek Letters: Differenze Finite
Consideriamo il problema legato al calcolo del Delta di un’opzione europea
Un approccio diretto al problema può consistere nella generazione di due prezzi finali, il primo
a partire dal valore S0 , e il secondo a partire dal valore perturbato S0 +
0S
C
0S
C
ZTTrT eSS )2/(
02 ZTTr
T eSS )2/(0
2
')2/(0
2
)( ZTTrT eSS
')2/(0
2
)( ZTTrT eSS
Z e Z’ sono due estrazioni indipendenti da una normale standard
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Greek Letters
Per ogni valore del prezzo finale possiamo poi calcolare il valore dell’opzione corrispondente
),0max(0 KSeSC TrT ),0max(0 KSeSC T
rT
))(,0max(0 KSeSC TrT ))(,0max(0 KSeSC T
rT
00~ SCSC
00~ SCSC
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Greek Letters
Problema
Poiché i valori per ST e ST() sono generati indipendentemente l’uno dall’altro la varianza di delta diverge al diminuire del valore di .
Per ottenere uno stimatore che converga verso il valore effettivo del Delta occorre diminuire in maniera graduale (e lenta) il valore di all’aumentare di n. Complessivamente questo rallenta la velocità di convergenza fino a livelli del tutto inaccettabili.
)()()(~ 2
002 OSCVarSCVarVar )()()(
~ 200
2 OSCVarSCVarVar
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Greek Letters Una stima migliore può essere ottenuta utilizzando il metodo dei Numeri
Casuali Comuni (Common Random Numbers) che nella fattispecie si traduce nell’utilizzare lo stesso numero casuale Z sia nel calcolo di S0 che di S0 + .
Se denotiamo con ^ la stima del Delta così calcolata; per un valore di fissato, la media di un campione di repliche indipendenti di ^ converge al valore effettivo di Delta ma il calcolo della varianza ora fornisce un valore diverso in quanto C(S0) e C(S0 + ) non sono più indipendenti
)1(00 O
SCSCVar
)1(00 OSCSC
Var
Cov > 0
)(),(2)()(ˆ0000
2 SCSCCovSCVarSCVarVar )(),(2)()(ˆ0000
2 SCSCCovSCVarSCVarVar
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Esempio Excel Esempio Excel
Common Random Numbers Stima del DeltaCommon Random Numbers Stima del Delta
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabile di controllo Il metodo della variabile di controllo mantiene inalterata la funzione di
distribuzione campionata, il miglioramento dell’efficienza si ottiene in questo caso ricorrendo ad una funzione ausiliaria v(z) correlata a k(z) di cui è noto esattamente l’integrale
Il metodo della variabile di controllo funziona bene quando quest’ultima ha un elevato grado di correlazione con la variabile che intendiamo stimare. Una situazione di questo tipo si presenta quando vogliamo conoscere il prezzo di un’opzione asiatica se utilizziamo come variabile di controllo il prezzo dell’opzione asiatica a media geometrica corrispondente.
Z
C zdFzv )()(Z
C zdFzv )()(
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabile di controllo Un esempio pratico: il pricing di un’opzione asiatica
Le opzioni asiatiche sono opzioni il cui valore finale dipende dal prezzo medio dell’attività sottostante osservato, almeno in parte, durante la vita dell’opzione.
Il valore finale di una call scritta sul prezzo medio (average price call) è max(0,Save-X) e quello di una put scritta sul prezzo medio
(average price put) è pari a max(0, X – Save) essendo il prezzo
medio calcolato in un periodo determinato (Hull, 2000). Le opzioni average price sono meno care delle opzioni ordinarie in
quanto il calcolo della media diminuisce di fatto la volatilità del sottostante.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabile di Controllo Se si assume che il prezzo dell’attività sottostante, S, sia distribuito
in modo log-normale e che Save sia una media geometrica degli S, possiamo utilizzare delle formule analitiche per valutare le opzioni asiatiche di tipo europeo.
Ciò dipende dal fatto che la media geometrica di un insieme di variabili distribuite in modo log-normale è anch’essa log-normale.
Si può dimostrare che in un mondo neutrale verso il rischio il prezzo di un’opzione asiatica scritta su una media geometrica calcolata su m periodi temporalmente equidistanziati...
mm
jt j
SG
/1
1
mm
jt j
SG
/1
1
)()(
2
1exp)exp( 21
2 dKNdNrTC GGG
)()(
2
1exp)exp( 21
2 dKNdNrTC GGG
è pari a ...
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabile di Controllo dove
mThhT
qrSG / 22
1ln 2
0
m
mmhG 6
)1)(12(22
G
GG Kd
2
1
)ln(
Gdd 12
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabile di Controllo Nella simulazione Monte Carlo standard il prezzo dell’opzione viene calcolato come
niKAEeC irTi ,,1 ,)0,max( )()( dove A(i) è la media aritmetica discreta campionata
m
j
tii
jSm
A1
)()( 1
calcolata su un insieme discreto di punti
mjtm
Thhtt jj ,,2,1 ,0 , , 01
ed n è il numero di simulazioni. Questo porta allo stimatore
n
i
iCn
C1
)(1ˆ
Nella simulazione Monte Carlo standard il prezzo dell’opzione viene calcolato come
niKAEeC irTi ,,1 ,)0,max( )()( dove A(i) è la media aritmetica discreta campionata
m
j
tii
jSm
A1
)()( 1
calcolata su un insieme discreto di punti
mjtm
Thhtt jj ,,2,1 ,0 , , 01
ed n è il numero di simulazioni. Questo porta allo stimatore
n
i
iCn
C1
)(1ˆ
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabile di controllo
Utilizzando il metodo della variabile di controllo oltre alle variabili descritte sopra dobbiamo calcolare la media geometrica per ogni simulazione
mm
j
it
i
jSG
/1
1
)()(
e il valore campionato dell’opzione asiatica a media geometrica
)0,max()exp( )()( KGrTC iiG
Questa volta però utilizzeremo lo stimatore
n
iG
iG
i CCCn
C1
)()( )(1ˆ
Utilizzando il metodo della variabile di controllo oltre alle variabili descritte sopra dobbiamo calcolare la media geometrica per ogni simulazione
mm
j
it
i
jSG
/1
1
)()(
e il valore campionato dell’opzione asiatica a media geometrica
)0,max()exp( )()( KGrTC iiG
Questa volta però utilizzeremo lo stimatore
n
iG
iG
i CCCn
C1
)()( )(1ˆ
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabile di controllo
0,00
5,00
10,00
15,00
20,00
25,00
0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
Volatilità Sottostante
Asiatica Aritmetica
Europea Black & Scholes
Asiatica Geometrica
0,00
5,00
10,00
15,00
20,00
25,00
0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
Volatilità Sottostante
Asiatica Aritmetica
Europea Black & Scholes
Asiatica Geometrica
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabile di controllo
0,00
5,00
10,00
15,00
20,00
25,00
30,00
35,00
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0
Tempo a Scadenza
Asiatica Aritmetica
Europea Black & Scholes
Asiatica Geometrica
0,00
5,00
10,00
15,00
20,00
25,00
30,00
35,00
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0
Tempo a Scadenza
Asiatica Aritmetica
Europea Black & Scholes
Asiatica Geometrica
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabile di controllo
0,0000
0,1000
0,2000
0,3000
0,4000
0,5000
0,6000
0,7000
0,8000
0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
Volatilità Sottostante
MC Standard MC Controllo MC Antithetic
0,0000
0,1000
0,2000
0,3000
0,4000
0,5000
0,6000
0,7000
0,8000
0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50
Volatilità Sottostante
MC Standard MC Controllo MC Antithetic
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Variabile di controllo
0,0000
0,1000
0,2000
0,3000
0,4000
0,5000
0,6000
0,7000
0,8000
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0
Tempo a Scadenza
MC Standard MC Controllo
MC Antithetic
0,0000
0,1000
0,2000
0,3000
0,4000
0,5000
0,6000
0,7000
0,8000
0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0
Tempo a Scadenza
MC Standard MC Controllo
MC Antithetic
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALECORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
Esempio Excel Esempio Excel
Pricing di un’Opzione AsiaticaPricing di un’Opzione Asiatica