pénzügyi modellek
DESCRIPTION
Pénzügyi modellek. A képletek korlátai. Árazás? Nem igazán. Modellre épített árakból jelentős pozíciót vállalni elfogadhatatlan kockázatot jelent, mint azt láttuk az elmúlt húsz évben. Így az árak elsősorban a piacon alakulnak ki - PowerPoint PPT PresentationTRANSCRIPT
Pénzügyi modellek
A képletek korlátai
Opcióárazás - Mi a modell célja
• Árazás? Nem igazán. Modellre épített árakból jelentős pozíciót vállalni elfogadhatatlan kockázatot jelent, mint azt láttuk az elmúlt húsz évben. Így az árak elsősorban a piacon alakulnak ki
• Előfordulhat, hogy olyan terméket akarunk árazni ami nem létezik pontosan a piacon, csak hasonlók. Ilyenkor jól jöhet a modell.
• Kockázatkezelés? Inkább. Ha pozíciót vállalunk, akkor szeretnénk tudni, hogyan kezeljük azokat a kockázatokat, amelyeket nem akarunk vállalni. Pl. csak a volatilitásról gondoljuk, hogy a piac félreárazza, akkor nem akarunk delta kockázatot futni
• Az arbitrázsmentes árazás fontos – de csak akkor ha gyakorlatban kivitelezhető
Black Scholes model
• Black Scholes formula pénzügyi termékekre kiírt opciók árát adja meg
• Inputként a mögöttes termék árát, árának szórását, a lejáratig hátralévő időt és a kockázatmentes kamatot használja fel
• Feltételezi a mögöttes termék árának lognormális eloszlását, az árak folytonos mozgását (mindkét értelemben) és a piacokhoz való folyamatos hozzáférést
• A formula régen ismert, Black Scholes a levezetéssel elméleti igazolást akart adni
• A szükséges feltételekről hamar kiderült, hogy nem állják meg a helyüket
Black Scholes a fedezés tükrében
• Detering és Packham megvizsgálta a következő kereskedési stratégiát: DAX opciókat eladunk a piacon majd a Black Scholes alapján fedezzük (naponta újrasúlyozva az indexet)
• A stratégia pozitív várható értékű (implied rendszerint nagyobb mint a realizált) és a szórás is nagy. A veszteség az opció prémium 25%-a 95% konfidenciaszinten és 41%-a 99% konfidenciaszinten
• A fedezeti stratégia teljesítménye nem javul akkor sem, ha a delta számításakor figyelembe vesszük az az implied volatilitás változását
• Black Scholes modell szerint opciónként is működnie kellene, de még statisztikailag sem működik
Kockázat kezelés
• Ideális kockázatkezelés piaci elemekből összállított statikus fedezés
• Példa: extinguishing swap
• Ha több lehetőség van, akkor mindig érdemes a leglikvidebb eszközosztállyal fedezni
• Black Scholes modellben a fedezés csak az opció tárgyára irányul – az ideális választás a forward használata, kiküszöböli a kamatkockázatot
• De mi történik ha a volatilitás változik? Ebben a modellben ezt nem tudjuk kezelni
Black Scholes a piacon
• A piaci opció árakat csak úgy lehet megkapni, ha a különböző lehívási árakhoz különböző volatilitást társítunk, vagyis a piac nem fogadja el a Black Scholes modellt – csak azt állítja, hogy használja
• Az eloszlás nem esik egybe a tapasztalattal – mint ahogy a piac 1987-ben megtanulta
• A folytonos fedezés nem lehetséges – likviditási és információ eloszlási korlátok miatt
• Kereslet kínálat itt is létezik
Alternatív modellek
• Az alternatív modellek a Black Scholes modell megkötéseit próbálják enyhíteni
• Sztochasztikus szórás – pl. Heston mean reverting szórás
• Lokális szórás – szórás függ a az eszköz árától
• Mean reverting modellek – elsősorban fx és kamat témakörben
• Multifaktor modellek kamat és kötvényopciók részére
• Egyéb eloszlások, pl. általános Lévy folyamatok, vagy Pareto eloszlás
Alternatív modellek értékelése
• Túl sok paraméter: overfitting, alacsony szignifikncia a paraméterekre
• A paraméterek időben nem stabilak, ráadásul a piaci mozgások intenzitása is befolyásolja őket
• A nem folytonos modellek eleve nem biztosítanak fedezési stratégiát
• Általában a modellek célszerszámok: bizonyos problémákat jól oldanak meg, másokat egyáltalán nem
• A modellek fedezési teljestménye még mindig hagy kivánnívalót maga után
Piaci információ korlátok
Minimális modell hiba
• Definiáljuk a megengedett modellek halmazát
• Keressünk ezen egy eloszlást valamilyen jósági kritérium alapján (pl a piaci árakhoz való illeszkedés)
• Egy adott fedezési stratégia modellhibáját egy adott modellre ki tudjuk számítani
• Az egyes modellekhez tartozó modellhibákat átlagoljuk a fentebb definiált eloszlás szerint – ez lesz a stratégiához tartozó modellhiba
• Azt ezt minimalizáló stratégia hibája lesz a minimális modellhiba
• Általában véve a modellből adódik az adott modellhez tartozó optimális modell
Minimális modell hiba
• Ha a minimális modellhiba nulla, akkor az ezt elérő stratégia modell-független
• Ha a modell nem folytonos, akkor nem lehet fedezni
• Modell független statikus fedezési stratégiák a legjobbak
• Általában a jósági kritérium befolyásolja a modellhibát
• Carr-Madan alapján, ha létezik likvid opció minden strike-ra és lejáratra akkor lehet statikus modell független fedezést csinálni
• Ez persze nem így van, de ezt a tényt fel lehet használni optimális fedezési stratégiák kidolgozására
A stratégiához alkalmazkodó modellek megtalálása a cél
• Általában épeszű trading stratégiában fontos a korlátlan kockázat elkerülése
• Ha nagy opciós portfoliónk van, kis gammával akkor alapvetően a várható érték fontos számunkra
• Ha stratégiánk a volatilitás monetizálása (például hosszú opció fedezése a mögöttes termék segítségével), akkor a szórás modellezése a legfontosabb
• Ha a stratégia passzív opció vétel vagy eladás, akkor elsősorban eseményvalószínűségek korlátok közé szorítása
• Gyakran a korlátozó feltételek – ha piaci információra épülnek – akkor egyben a fedezeti stratégiát is megmutatják
Mi is az a CDO
• Egyszerűen fogalmazva egy speciális cég
• Eszközei kötvények, vagy hasonló hiteleszközök
• Forrásszerkezete hierarchikus és számos részből áll
• A hierarchikus szerkezet miatt a különböző források kockázata is különböző
Teljes tőkeszerkezet
• A teljes tőkeszerkezet a klasszikus CDO, itt a források összege megegyezik az eszközök összegével
• Árazást a piac biztosítja, mivel a szervező bank eladja az összes forrást
• Létjogosultságát a ‚rating arbitrage’ adta, ugyanis a középső és felső részek a forrásban a ratinghez képest sokat fizetett
• Kockázatkezelésre a vevőknek van szüksége, de ezek általában lejáratig tartott eszközök voltak, így csak a veszteség valószínűségét próbálták megítélni
Szintetikus CDO
• A CDO-k ‚rating arbitage’-a legjobban a tőkeszerkezet közepén működik ezért ez volt a legjövedelmezőbb része
• Lehetne-e csak ezt a részét csinálni az üzletnek?
• Hát persze! Csináljunk modellt, árazzuk be a középső részt a modell alapján és mehet! Arbitrage!
• De valahogy meg kellene oldani a kockázatkezelést is, erre is kellene egy modell! Ez a modell nem biztos, hogy ugyananaz a modell mint az árazáshoz, hiszen dinamikus fedezésre van szükség
Szintetikus CDO: a piac
• Mivel a bankok számára a kereslet csak egyik irányban létezett, ezért féltek attól, hogy a paraméterek nem piackonformak
• Piaci szereplők ezért létrehoztak sztenderdizált indexekre épülő sztenderdizált forrásszeleteket
• Ezek együttesen lefedik a teljes tőkeszerkezetet, de nem kellett együtt kereskedni velük
• Lehet árazásra és fedezésre is használni
• Bankok egymás között és ügyfelekkel is kereskedtek ezekkel
Sztenderd modell
• Credit modellezése: csőd bekövetkezik vagy nem.
• Megállási idővel modellezzük, időtől független túlélési ‚sűrűség’, ebből következik hogy az exponenciális eloszlás logikus választás. Piac adja a kockázat semleges eloszlást
• Hogyan modellezzük az együttes eloszlást? A marginális eloszlást ismerjük, már csak egy copula függvényre van szükség, hogy összekovácsoljuk őket
• Sztenderd modell: normál copula. Egy faktor, ami a piacot modellezi plusz független azonos eloszlású zaj
• Legnagyobb előny – kevés paraméter becslésére van szükség és számítása könnyű
Sztenderd modell
• Input (elméletileg): az árazáshoz a túlélési valószínűségek és az ezek közötti összefüggések kellenek.
• Ha dinamikus fedezést akarunk, akkor valószínűleg modellezni akarjuk a valószínűségek változását is
• Output: az adott forrásszelethez tartozó kamatfelár, valamint a fedezéshez tartozó mennyiségek.
• A sztenderd modellben az összefüggések leredukálódnak egy ‚korreláció’ értékre, az egyes túlélési valószínűségek helyett pedig az átlagos érték szerepel
Problémák a sztenderd modellel
• Index és az index alkotóinak súlyozott átlaga nem ugyanaz. Átlag használata az egyes spreadek helyett. Bid-ask spread.
• Normál copula nem tud ‚tail dependence’-t modellezni.
• Általában véve nem feltétlenül van olyan korreláció, amely helyesen árazza az összes forásszeletet, nem feltétlenül egyértelmű a megoldás (-base correlation)
• Az indexszel való fedezés nem teszi lehetővé a realizált korreláció monetizálását
• A modell nem számol azzal, hogy a maradványérték különböző és szituációfüggő lehet
• A modell nem ad a Black Scholes modell levezetéséhez hasonló explicit algoritmust a fedezésre – statisztikai modell
Piaci tapasztalatok
• Prémium a konvexitásért
• Nagy kitettség egyedi kockázatnak – 2005 Ford and GM leminősítés
• Interakció a piac és a modell között – a modell ‚sikere’ az egész piacot elnyomta
• Korrelációs különbségek portfoliónként
Alternatív modellek
• Merton típusú strukturális modellek: például Variance Gamma modellek
• Student és double t-copula lehetővé teszi a tail dependence modellezését
• A sztochasztikus korrelációra épülő modellek jobban magyarázzák a korrelációs smile-t
• Marshall-Olkin copula megengedi az együttes csődöt pozitív valószínűséggel
• Igazi opciós modell nincs erre. Vasicek féle LHP közelítésre építve lehet összehozni valamit közvetlenül a veszteséget modellezve.
Összehasonlító eredmények a modellek között
• Gaussian és Student nagyon hasonló eredményekhez vezet
• Marshall Olkin lehetővé teszi a vastagabb farok eloszlást és ennek megfelelően a senior szeleteket magasabb felárral árazza
• A double t és sztochasztikus korreláció jobban illeszkedik a korreláció ‚smile’-ra, a double t a senior szeleteket a gauss és a Marshall Olkin között árazza
• A Variance Gamma modellek jól illeszkednek, de nem mondanak semmit a fedezésről
• Egyik modell sem kezeli a az intenzitás volatilitását
Senior szelet – tail dependence
• Ebben a szeletben a veszteség kis valószínűségű esemény
• A kiíró számára ez tipikusan statikus pozíció, legtöbbször pozitív bevétellel (hasonlít egy OTM opció kiírására)
• A modellezésnek figyelembe kell venni, hogy ha van veszteség, akkor valószínűleg szélsőséges helyzet következett be, és negatív események között sokkal nagyobb az összefüggés mint normális helyzetben
• Mivel az események időzítése sokkal kevésbé jelentős, mint az esemény bekövetkezése, ezért nyugodtan lehet az események előfordulására figyelni
Mezzanine szelet – előtérben a volatilitás és korreláció
• Mezzanine szelet sok szempontból az ATM opció párja – a határon van, egy két csődesemény előfordulhat, több ne nagyon
• Ennek megfelelően itt a legnagyobb a “gamma”, vagyis a pozíció fedezését itt kell leggyakrabban változtatni
• Ráadásul a korreláció változásának is itt van az inflexiós pontja
• Ezért bármilyen értelmes modellezésnek figyelembe kell venni a volatilitást
• A piaci faktor és az egyedi kockázatok volatilitását egyaránt
Equity tranche
• Csődesemény bekövetkezésének valószínűsége nagy
• Az előfordulás időzítése nagyon fontos
• Sokat számít a kamatfelárak eloszlása a portfolión belül
• Potenciális nyereség és veszteség összemérhető egymással
• Legérzékenyebb piaci mozgásokra
• Általában fundamentális elemzésre van szükség a pozíció válalásához
Záró megjegyzések
• A pénzügyi piacokon a modellek funkciója az árak és fedezési stratégiák korlátok közé szorítása
• Explicit és modell független replikáció nélkül csak segédeszköze az üzletkötésnek
• Leghasznosabb funkciója a nem triviális összefüggésekre való rávilágítás illetve fedezési stratégiák megtalálása