全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1294 15
2022-06-10
英文标题:
《The Heston stochastic volatility model with piecewise constant
  parameters - efficient calibration and pricing of window barrier options》
---
作者:
Daniel Guterding and Wolfram Boenkost
---
最新提交年份:
2019
---
英文摘要:
  The Heston stochastic volatility model is a standard model for valuing financial derivatives, since it can be calibrated using semi-analytical formulas and captures the most basic structure of the market for financial derivatives with simple structure in time-direction. However, extending the model to the case of time-dependent parameters, which would allow for a parametrization of the market at multiple timepoints, proves more challenging. We present a simple and numerically efficient approach to the calibration of the Heston stochastic volatility model with piecewise constant parameters. We show that semi-analytical formulas can also be derived in this more complex case and combine them with recent advances in computational techniques for the Heston model. Our numerical scheme is based on the calculation of the characteristic function using Gauss-Kronrod quadrature with an additional control variate that stabilizes the numerical integrals. We use our method to calibrate the Heston model with piecewise constant parameters to the foreign exchange (FX) options market. Finally, we demonstrate improvements of the Heston model with piecewise constant parameters upon the standard Heston model in selected cases.
---
中文摘要:
赫斯顿随机波动率模型是评估金融衍生品价值的标准模型,因为它可以使用半解析公式进行校准,并捕捉到时间方向结构简单的金融衍生品市场的最基本结构。然而,将模型扩展到与时间相关的参数的情况,这将允许在多个时间点对市场进行参数化,证明更具挑战性。我们提出了一种简单且数值有效的方法来校准具有分段常数参数的赫斯顿随机波动率模型。我们表明,在这种更复杂的情况下,也可以导出半解析公式,并将其与赫斯顿模型计算技术的最新进展相结合。我们的数值格式是基于使用高斯-克朗罗德求积和附加控制变量来计算特征函数,从而稳定数值积分。我们使用我们的方法对外汇期权市场的具有分段常数参数的赫斯顿模型进行了校准。最后,在选定的案例中,我们展示了具有分段常数参数的赫斯顿模型对标准赫斯顿模型的改进。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Pricing of Securities        证券定价
分类描述:Valuation and hedging of financial securities, their derivatives, and structured products
金融证券及其衍生产品和结构化产品的估值和套期保值
--
一级分类:Quantitative Finance        数量金融学
二级分类:Computational Finance        计算金融学
分类描述:Computational methods, including Monte Carlo, PDE, lattice and other numerical methods with applications to financial modeling
计算方法,包括蒙特卡罗,偏微分方程,格子和其他数值方法,并应用于金融建模
--

---
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
2022-6-10 02:37:52
具有分段常数参数的赫斯顿随机波动率模型-有效校准和窗口屏障期权定价Daniel Guterdinga,*, Wolfram BoenkostaaLucht Probst Associates,Grosse Gallusstrasse 9,60311 Frankfurt am Main,GermanyAbstractheston随机波动率模型是评估金融衍生品的标准模型,因为它可以使用半分析公式进行校准,并捕捉到时间方向结构简单的金融衍生品市场的最基本结构。然而,将该模型扩展到时间相关参数的情况,这将允许在多个时间点对市场进行参数化,证明更具挑战性。我们提出了一种简单且数值有效的方法来校准具有分段常数参数的Heston随机挥发模型。我们表明,在这种更复杂的情况下,也可以导出半解析公式,并将其与赫斯顿模型计算技术的最新进展相结合。我们的数值格式基于使用高斯-克朗罗德求积和附加控制变量计算特征函数,该控制变量可稳定数值积分。我们使用我们的方法,用分段常数参数对外汇期权市场的赫斯顿模型进行校准。最后,在选定的案例中,我们展示了具有分段常数参数的赫斯顿模型对标准赫斯顿模型的改进。关键词:赫斯顿模型、特征函数、窗屏障选项1。引言在过去几十年中,使用随机过程对金融衍生品进行估值已成为行业标准。
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

2022-6-10 02:37:55
对衍生品合约进行估值的主流方法是随机过程的直接蒙特卡罗方法和偏微分方程的有限差分方法,这可以通过费曼-卡克定理从随机过程中推导出来。虽然原则上可以使用这些方法校准任何金融模型的参数,以反映市场条件,但出于效率原因,几乎所有实际使用的模型都依赖于简单竞争值的(半)分析公式,以便于校准。当然,(半)解析可解的模型数量非常有限,扩展可用模型范围的(半)解析校准公式非常理想。*相应的authorEmail地址:daniel。guterding@gmail.com(丹尼尔·古特丁),沃尔夫拉姆。boenkost@l-p-a.com(Wolfram Boenkost)预印本于2019年1月29日提交给Elsevier最重要的定量融资模型是Black-Scholes模型,该模型假设市场的对数正态行为。在过去的几十年中,已经开发了几种随机波动率模型,以克服Black-Scholes模型[1]的缺点,例如波动率缺少微笑或偏差,即其对极端事件概率的低估,以及市场波动方向与波动率之间的相关性减弱。在这些模型中,赫斯顿随机波动率模型[2]起着重要作用,因为它再现了市场的微笑和偏斜,并且可以使用半解析公式快速校准。然而,为了重现波动性的期限结构,必须将赫斯顿模型扩展到时间相关参数的情况。这种时间依赖性的最简单形式是分配给后续时间间隔的分段常数参数集[3,4,5]。
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

2022-6-10 02:37:59
分段恒定的时间依赖性自然反映出市场仅对离散到期的工具报价。然而,据报道,Heston模型的半解析校准公式的数值通常受到被积函数收敛性差等问题的困扰[3,6]。我们打算解决这些问题,并为Heston模型的标定及其对分段常数参数的扩展提供一个简单且数值稳定的方案,同时保留标定过程的半解析性质。当然,我们算法的大部分组件之前都是已知的。然而,我们论文的目的是将这些想法结合到一个简单易用的方案中。我们的手稿组织如下:我们首先介绍特征函数方法[7,8],并将其应用于Black-Scholes模型的示例。然后,我们将同样的方法应用于赫斯顿模型,并将其扩展到分段常数参数的情况。然后,我们用Black-Scholes控制变量[9]修改了相关公式,该变量抑制了各种积分的被积函数中的振荡,从而实现了计算效率高的实现。此外,我们还解释了分段常数参数情况下的一般校准策略。论文的结果部分说明了控制变量法在数值积分中的优势。然后,我们展示了外汇期权市场的校准结果,特别是带有分段常数参数的赫斯顿模型中校准的波动率Smilewhith。然后,使用校准参数对对对隐含波动率表面的期限结构敏感的窗口障碍期权进行定价。最后,我们总结了我们的研究结果。2、方法2.1。
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

2022-6-10 02:38:02
Black-Scholes模型的特征函数我们从推导Black-Scholes(BS)模型的特征函数开始[1],这说明了使用特征函数的一般策略。此外,当我们求解Heston模型时,我们稍后将使用BS characteristicfunction作为控制变量。Black-Scholes模型的对数点xt=ln[S(t)]的随机过程由随机过程Dxt定义=研发部- 射频-σdt+σdWt,(1)其中wt是维纳过程,σ是波动率,Rd和Rf分别是本币和外币的利率。应用Feynman-Kac定理,见f.i.参考文献[10],Black-Scholes框架内期权定价的偏微分方程(PDE)由0=tC+σxxC型+研发部- 射频-σxC公司- rdC,(2)其中C是我们定价的产品的价值,t是从排放开始的时间。我们定义了一个ansatz来求解普通看涨期权的方程,该方程由c(x,τ,K)=exP(x,τ,K)给出- e-rτKP(x,τ,K),(3),其中我们引入了缩写τ=T- t、 这是成熟的时间,r=rd- 射频。看涨期权的行使用K表示。这些术语可以解释为风险中性概率【11,2】。在BS模型中,这些概率可以用闭合形式asPj(x,τ,K)=Φ(dj),(j=1,2)(4a)dj=σ表示√τx个- ln(K)+r+(-1) j-1στ, (4b)其中Φ表示标准正态分布的累积分布函数。然而,我们不会立即使用这些公式,因为我们想说明如何使用特征函数。因此,我们继续计算C(K)的导数。tC=-τC=-e-x个τP- 重新-rτKP+e-rτKτP(5a)xC=exP+exxP系统- e-rτKxP(5b)xxC=exP+2exxP+exxxP型- e-rτKxxP。(5c)将ansatz(等式3)替换为BS定价PDE(等式。
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

2022-6-10 02:38:05
2) 和收集Pand P中的术语,我们发现这些术语必须满足PDEτPj=σxxPj+r+(-1) j-1σxPj公司- rfPj(j=1,2)。(6) 在这一点上,我们介绍了特征函数,该函数稍后将用于求解赫斯顿模型[2]。特征函数fjis通过pj(x,τ,K)=+π与风险中性概率相关∞ZdφRe“e-iφln(K)fj(x,τ,φ)iφ#。(7) 特征函数Fjs与概率Pj具有相同的PDE【2】。因此,我们为fj做了一个ansatz,由fj(x,τ,φ)=exp(Dj(τ,φ)+iφx),(8)给出,其中Dj(τ,φ)是一个必须确定的函数,因此fjtruly的ansatz是定价PDE的解(等式6)。现在我们得到了特征函数的导数。τfj=fjτDj(9a)xfj=iφfj(9b)xxfj=-φfj(9c)用ansatz代替fj(公式8),代替概率Pjinto公式6,我们最终得到Dj的普通微分方程(ODE)。τDj=r+(-1) jσiφ-σφ- rf(10)将此ODE与终端条件D(τ=0,φ)=0进行时间积分【2】我们得到解dj(τ,φ)=r+(-1) jσiφ-σφ- 射频τ. (11) 将此表达式与等式一起使用。原则上,我们可以为普通看涨期权定价。当然,这种方法比直接计算Black-Scholes公式效率要低得多,Black-Scholes公式表示封闭形式的概率Pjin。然而,我们稍后将需要BlackScholes模型的特征函数来稳定Heston模型中特征函数的数值,即当将其用作控制变量时。2.2. 具有分段常数参数的赫斯顿模型的特征函数参考文献[12]给出了标准赫斯顿模型特征函数的简明推导。
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