全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1745 31
2022-06-08
英文标题:
《Affine forward variance models》
---
作者:
Jim Gatheral and Martin Keller-Ressel
---
最新提交年份:
2018
---
英文摘要:
  We introduce the class of affine forward variance (AFV) models of which both the conventional Heston model and the rough Heston model are special cases. We show that AFV models can be characterized by the affine form of their cumulant generating function, which can be obtained as solution of a convolution Riccati equation. We further introduce the class of affine forward order flow intensity (AFI) models, which are structurally similar to AFV models, but driven by jump processes, and which include Hawkes-type models. We show that the cumulant generating function of an AFI model satisfies a generalized convolution Riccati equation and that a high-frequency limit of AFI models converges in distribution to the AFV model.
---
中文摘要:
我们介绍了一类仿射前向方差(AFV)模型,其中常规Heston模型和粗糙Heston模型都是这类模型的特例。我们证明,AFV模型可以用其累积量母函数的仿射形式来表征,其可以作为卷积Riccati方程的解来获得。我们进一步介绍了一类仿射前序流强度(AFI)模型,其结构类似于AFV模型,但由跳跃过程驱动,包括Hawkes型模型。我们证明了AFI模型的累积量母函数满足广义卷积Riccati方程,并且AFI模型的高频极限在分布上收敛于AFV模型。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Mathematical Finance        数学金融学
分类描述:Mathematical and analytical methods of finance, including stochastic, probabilistic and functional analysis, algebraic, geometric and other methods
金融的数学和分析方法,包括随机、概率和泛函分析、代数、几何和其他方法
--
一级分类:Mathematics        数学
二级分类:Probability        概率
分类描述:Theory and applications of probability and stochastic processes: e.g. central limit theorems, large deviations, stochastic differential equations, models from statistical mechanics, queuing theory
概率论与随机过程的理论与应用:例如中心极限定理,大偏差,随机微分方程,统计力学模型,排队论
--

---
PDF下载:
-->
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

全部回复
2022-6-8 17:38:10
一个有效的远期方差模型jim Gatheral,纽约大学巴鲁克学院,jim。gatheral@baruch.cuny.edu,马丁·凯勒·雷塞尔,杜德累斯顿,马丁。凯勒-Ressel@tu-德累斯顿。2018年10月31日摘要我们介绍了一类有效的前向方差(AFV)模型,其中传统的赫斯顿模型和粗糙的赫斯顿模型都是特例。我们表明,AFV模型可以用其累积量母函数的一种形式来表征,它可以通过卷积Riccati方程的解来获得。我们进一步介绍了一类正向序流强度(AFI)模型,其结构类似于AFV模型,但受跳跃过程驱动,其中包括霍克斯型模型。我们表明,AFI模型的累积量母函数满足广义卷积Riccati方程,并且AFI模型的高频极限分布收敛于AFV模型。MKR感谢DFG对ZUK 64和KE 1736/1-1的财政支持。我们感谢Masaaki Fukasawa和两位匿名裁判的深刻评论。1简介【5】中介绍的一类过程由所有连续时间马尔可夫过程组成,其值以Rmě0^Rn表示,其对数特征函数在某种程度上取决于过程的初始状态向量。事实证明,流程对于财务建模特别方便,通常会使用易于处理的金融债权价值公式建立模型;长期流行的赫斯顿模型只是这种模型的一个(也许是最著名的)例子。在本文中,我们介绍了一类AFV模型,其中经典的马尔可夫随机波动率模型是一种特例。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-8 17:38:13
通过将我们的模型写成前向方差形式,我们能够提供一类更广泛的随机波动率模型的独特特征,其中包括非马尔可夫模型,如[7]中的粗糙赫斯顿模型,或更一般地说,由[1]意义上的a ffenvolterra过程驱动的随机波动率模型。我们的贡献是为(非马尔可夫)随机波动率模型提供必要和充分的条件,从而为[1]的结果增加一个相反的方向,并使其更简单。本质上,粗糙的赫斯顿模型是唯一具有一个矩母函数的随机波动率模型,这取决于内核的选择。受原始推导的粗糙赫斯顿模型(作为序流简单纯跳跃模型的一个限制)的启发,我们进一步介绍了一类正向序流强度(AFI)模型。这些模型在结构上类似于正向方差模型,并通过允许任意的订单大小分布和订单流量自激的更普遍的衰减,推广了[7]的简单订单流量模型。我们定义了一个高频限值,在该限值中,此类模型会产生连续的正向方差模型。在sodoing中,我们推广和简化了以前的此类推导。此外,我们证明的AFV和AFI模型的结果之间存在着明显的结构相似性,这为订单流微观结构模型和随机波动性模型之间的联系增加了见解,并对其进行了推广,这些模型在【16】和【17】中首次被揭示。我们的论文进行如下。在第2节中,我们介绍了一类前向方差模型,并表明前向方差模型具有一个必要的生成函数(CGF),当且仅当它可以以非常特殊的形式编写时。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-8 17:38:17
我们进一步证明,CGF可以作为卷积Riccati方程的唯一全局解,该方程与[1]的VolterraRiccati方程密切相关。在第3节中,我们介绍了一类AFI模型,表明此类模型的CGF求解了一个广义卷积Riccative方程。在第4节中,我们展示了AFI模型在高频限制下成为AFV模型,在高频限制下,订单到达非常频繁,订单量非常小。2 A ffne向前方差模型2.1向前方差模型设置概率空间pOhm, F,Pq具有右连续过滤pFtqtě0,并给出了两个独立的、自适应的布朗运动W和wk。仅由W生成的过滤用pFWtqtě0表示。我们的出发点是一个广义到短期波动率模型pS,V q,其中即期波动率V由一个FWadapted连续可积,非负过程和价格过程由DST“StaVt'ρdWt'a1'ρdWKt',(2.1)其中一些简化是由于我们将自己限制在(实值)矩母函数,而不是(复数)特征函数,这在[7]中进行了研究对于某些相关参数ρP r'1,1s。关键的是,我们不认为v是一个Ito过程,甚至不是一个半鞅。相反我们关注前向方差过程ξtpT q的族(以Ta0为索引):“E rVT | Fts“E”VT | FWt‰,(2.2),通过定义,它们是具有终值ξtpT q”VT的FW适应鞅。根据鞅表示定理,对于每个Ta0,存在一个具有sTηspT qdsa8 a.s的可预测过程ηtpT q,例如dξtpT q“ηtpT qdt qdt,T rqdwt 0,T s.(2.3)我们参考(2.1)与(2.3)一起作为前向方差形式的随机波动率模型,或简单地作为前向方差模型。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-8 17:38:20
使用对数价格X“log S”而不是S通常很方便,我们注意到,从(2.1)中可以看出,X满足SDEdXt“Vtdt\'aVt\'ρdWt\'a1\'ρdWKt”。(2.4)我们还将X和过程族pξ。pT qqTa0称为前向方差模型,并用pX,ξq表示。此外,我们使用以下约定:对于tat,定义ξtpT q:“vttηtpT q:“0.这与(2.2)一致,并允许将(2.3)扩展到所有tě0。最后,我们对被积函数η引入以下假设。pT q:假设2.1。(a)对于dtbdP几乎所有pT,ωq,它认为τThИηtpt′τ,ωqis在p0,8q上非负,递减和连续。(b)对于任何ta0,可积条件ztztηrpsqdr 1{2dsa8(2.5)几乎可以肯定。我们将展示在一类有效的前向方差模型中,被积函数ηtpT q必须作为ηtpT q?VtκpT'tq因子,其中κ是一个确定性函数。为了描述容许函数,我们引入以下定义:定义2.2。对于1dpa8,Lp核是一个函数κ:Rě0ěRě0,它在p0、8q上连续,并且满足所有Ta0的κTκptqpdta8。备注2.3。(a)如果ηtpT q作为ηtpT q因子“ZtκpT'tq转化为非负连续随机过程Z和确定性函数κ,则假设2.1相当于κ是定义2.2意义上的递减L-核。(b)乘以(2.1)S是非负局部鞅,因此是超鞅,因此E rSts”E“eXt‰S.这意味着Jensen的不平等性表明,所有u P r0,1s的矩都是有限的;这一事实将被后续使用。2.2一个明确的前向方差模型的特征定义2.4。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

2022-6-8 17:38:23
我们说,前向方差模型pX,ξq有一个由gpt,uq,如果其条件累积生成函数的形式为log E“eupXT\'XtqˇFti”TtgpT\'s,uqξtpsqds,(2.6),对于所有u P r0、1s、0dtdt,其中gp,uq是Rd0值且在r0上连续的,对于所有ta0和u P r0,t s。备注2.5。或者,我们可以考虑(2.6)用虚参数u“iz”表示z P R,即一个有效的对数特征函数如【7】所示. 这对将傅立叶定价应用于模型pX,ξq特别有兴趣。为了显示分布收敛的结果(这将是第4节的主题),使用累积量生成函数是很有效的,而且限制到实参数会简化许多数学参数。卷积积分,如(2.6)的指数,将经常出现在以下计算中,因此引入卷积运算pf媫gqptq是很自然的:“stfpt'sqgpsqds。对于具有多个参数或下标的函数,我们使用卷积作用于第一个参数(不包括下标)的约定。其他参数或下标传递给结果。使用此约定(2.6)可简明扼要地写成“eupXT'XtqˇFti”exp'pgèqtpT,uq”。(2.7)以下结果给出了具有有效CGF的所有正向方差模型的特征。其证明见第2.4节,其中一些部分归为附录B.thm 2.6。在假设2.1正向方差模型pX下,ξq具有有效neCGF当且仅当ηtpT q“aVtκpT'tq,(2.8)对于确定性的、递减的L-核κ。此外,gp。,uq:Rě0d0in(2.6)是卷积Riccati方程gpt,uq“RV'u,ztκpt'sqgps,uqds“RV'u,pκ'gqpt,uq',tě0(2.9)的唯一全局连续解,其中rvpu,wq“pu'uq'ρuw'w.(2.10)备注2.7。
二维码

扫码加我 拉你入群

请注明:姓名-公司-职位

以便审核进群资格,未注明则拒绝

点击查看更多内容…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群