为了获得“平台”边界与日志返回统计数据之间的有意义关系，可以找到对应于学生t分布截断部分的总概率。学生分布中出现eve nts的总概率与平均值之间存在许多标准偏差，如等式（4.16）所示。因此，对于高原的下限，M≈ 30，这种极端情况的总概率约为64000分之一。由于γ=0.02几乎相当于一天的价格变动，一年中大约有250个交易日，这意味着与尾端相对应的事件发生频率将低于两个半世纪一次。与M相对应的另一个价格高原边界≈ 根据与上述相同的推理，在尾巴末端的事件中，屈服概率为6000万分之一。这种情况120万年才发生一次！这一分析表明，如果幂律尾部延伸足够长，这意味着它适用于极为罕见的事件（多达数百年一次），那么获得的看涨期权价格将（真正）公平。否则，如果幂律更接近分布体，这可能意味着价格不可能发生大的变化，那么使用这种方法获得的期权价格在分布被截断的点上会非常敏感（参见图3中曲线的右侧部分）。为了更好地了解这一平台，表1中提供了现货价格为1美元且价格上涨10%的股票的看涨期权价格。对数收益分布的参数再次为γ=0.02，对于M=100标准偏差，截断点为xmax=2。

高原的左边界和右边界分别被任意选择为xmax，l=1和xmax，r=5。左、中、右边界点对应的价格分别用Cleft、Cmiddle和crights表示。为了估计平台的倾斜度，我们计算了pricesApril 19，2019 3:29 WSPC/I指令文件操作定价与对数回报重尾分布之间的不匹配21- 1切割点- 4.- 2货币中的买入期权价格- 1切入点0.10.110.120.130.14货币认购期权价格T=1 T=8 T=64图。3、期权价格对价格回报分布的依赖性支持宽度xmaxforthe the presented method for call option is 1（红色）、8（蓝色）和64（黑色）days from maturity（到期日）。左侧面板显示了in The money的示例，而右侧显示了out of The money选项。对于边界和中间的截断点裂缝=裂缝-Cmiddleand公司Cright=Cright-CMIDLE。从货币期权中可以看出，在考虑的三个期限（1天、8天和64天）内，期权价格在平稳期内相当稳定。对于现款期权，其价值更为敏感，高达10%，这是因为在计算其价值时仅使用分布的尾部，因此截断点非常重要。通过观察截断点对应的价格增长，可以获得截断点的另一个含义。如果选择使用100个标准偏差，或xmax=2，则增长因子为e≈ 7.4. 对于某些股票而言，这似乎可以在几个月内实现，但对于此类股票，可以采用更高的截断点，这一点稍微接近平台的右侧边界。例如，取xmax=3，增长因子为e≈ 20

虽然在这种情况下，c all optionprice对截断点的位置更为敏感，但对于任何资产来说，在一两年的时间内，这种规模的增长似乎都是不可能的。我们可以总结一下，至少对于我们这个时代的典型经济增长来说，使用这种幂律尾分布计算的期权的公平价格可能是“公平的”。在基于截断分布的期权估值模型中，看涨期权价格弱敏感的截断点位置存在一个很宽的enoug h区域是受欢迎的。此外，平台的位置表明，在估计期权价值时排除在考虑范围之外的事件的概率非常小。不幸的是，这也有缺点。特别是，不能在某个单位时间间隔内使用截断的Student分布作为日志返回值，而在另一个较长时间段内则严格应用连续返回值的独立性。卷积具有addingApril 19，2019 3:29 WSPC/I指令文件ma in22 Basnarkov，Stojkoski，Utkovski和KocarevTable 1的属性。期权价格平台倾向到期日（ITM）CLEFTCMIDLCRIGHT裂口CRIGHT一天0.100 0.100 0.100-0.000 0.0008天0.101 0.102 0.102-0.001 0.00064天0.124 0.125 0.125-0.008 0.002Days to Expiration（OTM）CLEFTCMIDLECRIGHT裂口CrightOne day 0.000 0.000 0.000-0.087 0.0388 days0.002 0.002-0.048 0.02064 days0.028 0.029 0.029-0.036 0.009有限支持概率分布的宽度。在重复卷积中，这导致分布宽度与单位周期数呈线性关系。然后，从1到s个周期的分布宽度不能适应高原。

因此，要么单位周期分布太窄，从而从左侧离开高原，要么更长时间的单位周期分布在右侧边界也会这样做。为此，我们选择在同一点截断所有分布。显然，这与消费回报的政治独立性相冲突。截断两个分布的卷积意味着，粗略地说，小回程和中等回程是独立的，而不是大回程。在极端大的收益率之前或之后出现中等或大型收益率的情况被认为是不可能的。我们认为，放弃所有尺度的对数收益的统计独立性是可以接受的，因为极大的收益或下跌是罕见的。从另一个角度看，在同一点截短不同时期的分布实际上是对数回归的上限。事实上，有人可能会认为，在一到两年内，超过eγ的ga-In极不可能发生，甚至在更短的时间内几乎不可能发生。我们总结说，这是获得对数收益分布族的有利交易，它与尾部观察到的分布非常相似，并提供对交易点弱敏感的期权价格。4.6. 股票收益分布的实际确定如上所述，我们选择使用学生的t分布作为优先选项，因为它允许在一定程度上进行分析处理。它具有分布的傅立叶变换的clos-e-d形式表达式，即它的卷积（4.12）。然而，逆傅里叶变换并不容易实现。因此，我们对这些逆傅里叶变换进行了数值计算。

除了在定义傅里叶逆变换时进行数值积分外，还可以使用一些算法进行实际计算，例如Cooley&Tuckey（1965）的算法。这种所谓的快速傅立叶变换（FFT）是计算序列Pn的（离散）傅立叶变换的一种有效方法，并导致aApril 19，2019 3:29 WSPC/I指令文件使用对数回报23序列Fourier系数Pn的重尾分布进行操作定价。当通过对某个函数p（x）进行采样获得原始序列时，如果采样间隔足够小，则离散傅立叶变换可以很好地表示函数p=F（p（x））的（连续）傅立叶变换的样本。因此，通过应用FFT及其逆函数，可以从概率密度函数或其特征函数中获得样本。接下来，应对这些样本进行插值，以达到所需的函数，或直接在数值例程中使用它们进行各自的计算，如确定与期权价格相对应的积分值。FFT的有用性在确定不规则序列（或函数）的傅立叶变换或那些分析结果不存在或尚未建立的傅立叶变换时尤其有效。就期权定价而言，这意味着可以使用对数收益的一些经验概率密度，然后通过应用FFT及其逆运算，可以确定累积对数收益的概率密度。我们要提醒的是，由于当分布的支持位于某个区域之外时，期权价格的敏感性很高，因此应该考虑截断点的位置。由于FFT算法在不同学科中得到了广泛的应用，因此可以在许多编程包中轻松找到用于计算FFT的函数。

那么，愿意应用我们的期权定价程序的人只需要实现计算积分的数值路线，积分可以方便地用sums表示。4.7. 关于看跌期权平价的说明在计算看跌期权价值时，可以应用相同执行价格和到期日的特定股票的看跌期权价格和看跌期权价格之间的众所周知的关系，例如可以在Hull（2017）中找到。它是它的一种形式It readsCT（t）- PT（t）=S（t）- DK=S（t）- e-r（T-t） K，（4.37），其中D=e-r（T-t） 用作折扣系数。如果使用看涨期权（2.7）和看跌期权（2.8）的关系，并将积分相加，则会得到Ct（t）- PT（t）=e-r（T-t） Z∞-∞[Steu（T-t） +x个- K] pT（x）dx=Ste（u-r）（T-t） Z∞-∞expT（x）dx- e-r（T-t） K.（4.38），通过应用近似无套利论证（4.31），该论证适用于具有小方差γ的分布<< 1，从上一个等式可以很容易地恢复Put调用奇偶校验（4.37）。数据一般来说，理论估值集中在欧式期权上，因为欧式期权的形式最简单。然而，当欧洲期权的数据稀缺时，对于empiricalApril 19，2019 3:29 WSPC/I指令文件ma in24 Basnarkov、Stojkoski、Utkovski和Kocarevanalysis，应寻求替代方案来测试其方案。在这方面，正如赫尔（2017）所述，我们可以依赖这样一个事实，即非股息支付股票的美式期权与其欧洲品种具有相同的价值。因此，欧式期权定价方案的实证测试可以通过利用数据和美式期权来完成。出于这个原因，我们在这里选择了从纳斯达克期权交易中心免费获得的美国期权数据。纳斯达克股票市场免费提供所有上市公司期权的每日数据。

然而，大多数公司的选项样本量都很小，无法得出可信的结论。因此，我们将实证分析局限于选定的一组市值较大且期权交易更频繁的公司。此外，我们牢记，所选集团在所代表的工业部门方面要足够多样化。表2给出了使用过的公司及其所属工业企业的完整列表。表2：。研究公司名单SYMBOLNAME SectorAAPL Apple Inc.TECHNOLOGY GOOGLALPHABE t Inc.TECHNOLOGY亚马逊。com公司。消费者服务设施Microsoft Corporation Technologyppepsico，股份有限公司消费者非耐用Samgnamgen I nc。Health Car eVODVodafone Group Plc Public Utilities Statesla，股份有限公司Capital Goods针对所有选定公司，我们收集了2019年1月到期的期权从2月28日至3月2日的交割信息。特别是，我们收集了期权的到期日、履约价值、给定日期的收盘买入价和卖出价、每日价格变化、成交量和未平仓利率。由于在不同的股票市场上，所有的行权价值都不存在，因此我们选择使用综合价值。此外，由于某次罢工的最后一笔交易价格的波动性，我们选择将出价和要价的平均值作为公平的市场价值。这样一来，期权价格应该随着罢工而单调变化，尽管我们观察到了一些例外情况。最后，对于一些资金严重不足的股票，即看涨期权，没有买入价，而卖价很小。我们不考虑此类情况。纳斯达克网站上给出的期权数据与当前值相对应，但与历史值相对应。

这意味着为了获得不同日期的数据，必须在每一天访问该网站。2019年4月19日3:29 WSPC/I指令文件操作定价，带有对数回报的重尾分布25，其中投标值为零。在计算中，作为时间单位，我们考虑一年由252个工作日组成。这将生成一个数据集，该数据集涵盖了从一天到2天24天的选项。数字结果任何期权估值框架的基石都是基础金融资产价格动态的适当模型。当一位女士为分配原木返回量而做出选择时，她关心的是两个略微对立的要求。首先，所选择的概率函数需要与观察到的股价波动特征相匹配。其次，它应该足够简单，并允许对不同的时间尺度进行分析处理。我们决定使用的基本分布已被证明与历史收益相当吻合。然而，为了获得不同层位的分布，我们必须依赖涉及（逆）傅立叶变换的数值计算，它提供分布的样本，而不是封闭式公式。为了获得尽可能好的抽样，我们采用了我们能够获得的最密集的抽样。具体地说，数值计算是在个人计算机上进行的，当Ns=2时，分布中的最大样本数可以为。此外，当使用具有有限支持的傅里叶变换的函数时，会出现锯齿失真现象。当这种现象不明显时，分布的样本仅受到少量扰动，即通过这种方法获得的样本与实际分布的样本仅略有不同。

因为我们的重点只放在(-Mγ，Mγ）我们需要在该区域等间距分布的样本。在确定样本距离asd=2Mγ/Ns后，可以获得所需分布的傅里叶变换中的最高频率fmax=1/2d=Ns/4Mγ。我们注意到，所考虑的任何水平分布的傅里叶谱都是以闭合形式已知的，因为它只是Student t分布的傅里叶变换的幂，因此很容易获得样本。一旦有了概率分布的样本，期权价格就会通过积分（2.7）的数值估计来计算，我们已经应用了tra-pezoid规则。我们的模型仅通过对数收益率概率分布的标准差γ的近似值进行参数化。在一种方法中，该参数可以根据过去的观测结果进行估计，从而获得众所周知的历史波动率。另一方面，可以从市场上的期权中推断出最能再现市场价格的价值。这里，我们选择了第二种情况，因此将“隐含波动率”a作为标准偏差的度量。更准确地说，我们不会像通常那样采用与货币期权的确切价值相匹配的参数。相反，我们选择了最佳参数。对于幂长为2的序列，快速傅立叶变换最有效。2019年4月19日3:29 WSPC/I指令文件ma in26 Basnarkov、Stojkoski、Utkovski和Kocarevt是一个对所有具有特定到期日的单一期权的理论和市场期权价格的差异产生最小均方误差的指令文件。

形式上，作为γ函数的均方误差为ε（γ）=NKXK[对数（CT（K，γ））- log（Cmarket（K））]，（6.1），其中Cmarket（K）是具有相同罢工和到期日的股票看涨期权的市场价格，NK是该股票和到期日的不同罢工次数。该对数误差与理论价格和市场价格之间的平均相对误差近似相关。价格的平均绝对误差在这里并不合适，因为货币外期权比货币内期权便宜得多，因此差异的加权不均。我们还确定了其他两个公式的最佳参数。这些隐含参数是通过拟合最接近到期日的期权的市场价值生成的。表3提供了我们所研究的所有公司的最佳值。如前所述，Student t分布的γ值与Black-Scholes-Merton模型的波动率值相似，因为两者都代表标准差。然而，它们略有不同，因为它们适用于整个罢工范围。请注意，Borland模型的参数明显更大，因为它对应的是年标准差，而不是日标准差，日标准差是其他两个公式的单位。在估计了最优参数后，计算了期限较长的期权的价格。同样，为了估计定价算法的准确性，我们使用了理论和市场期权价格对数的平均差异。表4、表5、表a和表6总结了模型与市场价值之间的平均误差。每个表对应于不同交易日的观察结果以及在不同日期到期的期权。

可以注意到，我们的模型无法为最长期限的期权创造价值。我们认为，这是由于傅里叶变换的数值计算，其分辨率是一项正在进行的研究，正如Bouchaud&Potters（2003）中所示，学生的t分布与三个自由度的卷积随速率向高斯变换√也就是说，高斯尾和重尾的有效区域大致满足√N log Nγ，其中γ是学生t分布的参数。对于此处考虑的最长时间，N=224，这意味着该交点位于距离原点约35个标准偏差γ处。因此，我们可以使用高斯分布来为如此长的周期的期权定价。然而，在哪个周期n可以从Student\'s T分布的卷积转换为高斯分布的决定，应该用更详细的理论分析来检验。此外，还需要将这种方法的预测能力与该区域内的市场期权价格进行比较。最后，我们可以注意到，对于其他时期，很明显，对于几乎所有的2019年4月19日3:29 WSPC/I指令文件操作定价，对数收益的重尾分布27表3。

通过将理论期权价值的对数价格与市场价值的均方误差最小化，得出隐含分布参数。公司γσBorσBSM28 2月AAPL 0.012 0.279 0.017AMGN 0.016 0.374 0.020AMZN 0.012 0.290 0.016GOOGL 0.014 0.338 0.016MSFT 0.013 0.305 0.013PEP 0.010 0.223 0.011TSLA 0.020 0.475 0.040VOD 0.014 0.337 0.0121 MarchAAPL 0.015 0.405 0.025AMGN 0.019 0.502 0.027AMZN 0.014 0.373 0.022GOOGL 0.017 0.463 0.021MSFT 0.016 0.418 0.018PEP 0.014 0.358 0.013TSLA 0.021 0.592 0.051VOD 0.018 0.471 0.0142第二MarchAAPL 0.011 0.214 0.027AMGN 0.028 0.628 0.028AMZN 0.013 0.260 0.015GOOGL 0.013 0.271 0.015MSFT 0.012 0.249 0.012PEP 0.012 0.243 0.012TSLA 0.019 0.382 0.024VOD 0.012 0.279 0.011认为我们的模型比BSM和Borland模型性能更好，有时会导致一个数量级的误差。为了描述这些结果背后的直觉，在图e 4中，我们展示了通过我们的方法获得的两家公司的看涨期权价格的对数，以及Borland和Black-Scholes-Merton模型，作为从纳斯达克网页收集的市场价值的函数。左面板显示了一个典型案例，该方法在确定市场价值方面优于其他基准模型。它的预测能力主要是因为它甚至在打击谱的货币外部分也会出现曲线。当这部分相当宽时，这意味着有比2019年4月19日3:29 WSPC/I指令文件ma更高的罢工，28 Basnarkov、Stojkoski、Utkovski和KocarevTable 4。

2月28日至matur ityCompanyModel 2 7 12 17 21 26 36 224A的对数期权价格均方误差0.022 0.044 0.031 0.048 0.034 0.043 0.080–Borland 0.033 0.092 0.085 0.164 0.108 0.135 0.287 0.20 9BSM 0.071 0.047 0.052 0.102 0.121 0.160 0.091 0.086AMZNOur 0.065 0.104 0.074 0.132 0.172 0.265 0.261–Borland 0.082 0.108 0.263 0.065 0.132 0.063 0.155 0.003BSM0.026 0.013 2.709 0.019 0.269 0.036 0.118 0.046AMGNOur 0.005 0.430 0.012 0.017 0.006 0.040 0 0.020–Borland 0.003 0.122 0.2 14 0.415 0.313 0.682 0.584 0.607BSM 0.072 0.179 0.062 0.224 0.204 0。354 0.114 0.374GOOGLOur 0.022 0.021 0.009 0.013 0.007 0.012 0.003–Borland 0.030 0.210 0.153 0.187 0.267 0.335 0.119 0.460BSM 0.026 0.025 0.021 0.065 0.037 0。052 0.019 0.022MSFTOur 0.020 0.021 0.026 0.007 0.010 0.005 0.035–博尔兰0.021 0.060 0.349 0.187 0.219 0.148 0.443 0.330BSM 0.020 0.020 0.066 0.009 0.007 0.002 0.011 0.010PEPOur 0.025 0.010 0.065 0.233 0.017 0.029 0.151–博尔兰0.017 0.051 0.200 0.256 0.251 0.322 0.361 0.9 30BSM 0.105 0.059 0.383 8.151 0.055 0。057 0.269 0.041TSLAOur 0.035 0.034 0.016 0.025 0.021 0.047 0.025–Borland 0.039 0.264 0.274 0.276 0.317 0.213 0.729 0.033BSM 0.349 1.370 0.916 1.095 1.183 0。960 1.656 0.776VODOur 0.061 0.044 0.050 0.038 0。021 0.044 0.038–Borland 0.060 0.063 0.199 0.199 0.139 0.268 0.341 1.0 21BSM 0.063 0.043 0.011 0.012 0.006 0.013 0.003 0.121注：粗体表示三个考虑的公式中的最小误差。该股票的现货价格——其他模式ls——通常表现出较弱的表现。当市场参与者对无价期权不感兴趣时，一些接近于货币的期权被交易，其他模型有时可以更好地预测市场期权价格。您可以在图4的右面板中看到这样一种情况。

从数值计算中可以观察到的另一个特征是，Borland模型通常会对s定价过高，而Black-Scholes-Merton公式会对无价期权定价过低。我们的方法最薄弱的一面是偏离了期权的市场价值，而这些期权几乎是合算的。从图4可以明显看出，thr eemodels对深度套现期权的价格产生了相当好的预测，而偏差主要在罢工谱的其他部分。这种相似性是因为大部分价格来自2019年4月19日3:29 WSPC/I指令文件中的部分操作定价，带有对数回报的重尾分布29表5。

3月1日至matur ityCompanyModel 1 6 11 16 20 25 35 223a数据的对数期权价格均方误差0.019 0.063 0.059 0.013 0.006 0.014 0.013–Borland 0.016 0.605 0.505 0.666 0.521 1.119 0.8 74 0.534BSM 0.194 0.737 0.653 0.822 0.698 1.2 56 0.722 0.605AMZNOur 0.059 0.098 0.060 0 0.120 0.121 0.1 78 0.183–Borland 0.056 0.268 0.397 0.165 0.353 0.275 0.4 61 0.015BSM0.189 0.264 0.568 0.126 0.186 0.167 0.135 0.006AMGNOur 0.021 0.451 0.014 0.027 0.059 0.068 0.085–Borland 0.022 0.080 0 0.416 0.495 0.658 0.797 0.932 0.598BSM 0.174 0.068 0.419 0.528 0。672 0.800 0.621 0.704GOOGLOur 0.038 0.087 0.042 0.030 0.022 0.039 0.020–Borland 0.035 0.453 0.519 0.604 0.506 0.815 0.5 63 0.750BSM 0.056 0.239 0.392 0.269 0.214 0.3 69 0.164 0.352MSFTOur 0.025 0.036 0.096 0.052 0.036 0.037 0.117–Borland 0.024 0.248 0.767 0.517 0.536 0.559 0.932 0.576BSM 0.021 0.106 0.206 0.203 0.182 0.187 0.214 0.137PEPOur 0.001 0.021 0.041 0.111 0.091 0.129 0.054–Borland 0.001 0.205 0.549 0.874 1.083 0.980 1.4 07 1.824BSM 0.004 0.019 0.075 6.259 0.082 0.089 1.259 0.172TSLAOur 0.111 0.054 0.038 0.025 0.027 0.043 0.022–Borland 0.125 0.529 0.730 0.645 0.709 0.681 1 1.279 0.035BSM 1.709 2.436 2.255 2.160 2.282.2 45 3.072 1.607VODOur 0.021 0.043 0.098 0.133 0。146 0.242 0.240–Borland 0.021 0.102 0.301 0.392 0.455 0.741 0.8 20 0.640BSM 0.021 0.016 0.019 0.039 0.038 0.067 0.063 0.134注：粗体表示三个考虑的公式中的最小误差。积分分布主体所在的位置，这意味着尾部的贡献不显著。为了便于理解，我们在图6中提供了下限对数K/S的积分-u（T-t） 直到变量上限x，作为上限x的函数。

很明显，只需要远离概率分布峰值的几个标准差γ，就可以获得货币看涨期权中任何dee-ply价格的良好近似值。在考虑放弃货币期权时，人们应该注意到，除非标的资产出现大幅增长，否则这些期权在到期时将一文不值。这意味着它们的值是由积分（2.7）确定的，其中只有一个分布有贡献。由于指数尾的衰减速度比幂律尾快得多，因此B-lack-Scholemerton公式和其他两个c之间的差异很容易理解。2019年4月19日3:29 WSPC/I施工文件ma IN 30 Basnarkov、Stojkoski、Utkovski和KocarevTable 6。

3月2日至matur ityCompanyModel 5 10 15 19 24 35 22日数据的对数期权价格均方误差0.018 0.006 0.015 0.021 0.061 0.033–Borland 0.056 0.037 0.066 0.074 0.133 0.128 0.051BSM 1.587 0.782 1.456 1.560 2.457 1.2 93 1.090AMZNOur 0.048 0.073 0.100 0.108–Borland 0.114 0.116 0.105 0.158 0.115 0.128 0.012BSM 0.041 0.107 0.546 0.301 0.920 0 0.7140.904AMGNOur 0.038 0.095 0.500 0.267 0.865 0.738–Borland 0.038 0.160 0.679 0.412 1.225 1.208 0.567BSM 0.022 2.577 0.021 1.490 0.027 0.172 0.005GOOGLOur 0.028 0.019 0.007 0.005 0.004 0.004–Borland 0.080 0 0.094 0.048 0.124 0.123 0.054 0.242BSM 0.043 1.049 0.042 0.034 0.074 0.0 30 0.103MSFTOur 0.046 0.011 0.017 0.009 0.006 0.003–Borland 0.064 0.079 0.037 0.160 0.109 0.301 0.143BSM 0.0340.142 0.042 0.033 0.010 0.0 79 0.034pour 0.010 0.029 0.144 0.073 0.056 0.029–Borland 0.003 0.072 0.169 0。271 0.239 0.623 1.013BSM 0.055 0.138 6.029 0.232 0.143 0.2 30 0.684TSLAOur 0.040 0 0.020 0.026 0.025 0.049 0.019–Borland 0.098 0.123 0.15 0.194 0.126 0.471 0.006BSM 0.057 0.406 0.055 0.069 0.042 0.89 0.074VODOur 0.014 0.012 0.009 0.17 0.013 0.022–Borland Land 0.016 0.021 0.026 0.044 0.132 0.190 0.622BSM 0.014 0.012 0.015 0.014 0.005 0.11 0.304注：粗体表示三者中误差最小考虑过的公式。期权定价模型的相关性通常通过验证其预测不同罢工隐含波动率的潜力来确定。如果它能够生成通过确定Black-Scholes-Merton模型中的波动率而获得的波动率曲线，从而产生观察到的市场价格，则假设它是可以接受的。我们在这项工作中没有使用隐含波动率测试，因为在我们所研究的数据中，对于所有股票和几乎所有到期日，一些罢工的买入和卖出市场价值的平均值都低于可能的最低期权价格。

这意味着不存在可能导致此类公平期权价格的波动性。事实上，此类市场期权价格低于零波动率下可能获得的最小理论值。这是由于实际代表套利的投标价值非常小——人们可以立即执行期权并获得利润。除此之外，我们在图6中显示了2019年4月19日3:29 WSPC/I指令文件中的隐含波动率，即对数回报率为31200 300 400 500执行价格的重尾分布的操作定价- 2.- 1TSLA 16.03.2018800 1000 1200 1400 1600 1800履约价格- 1AMZN 2018年3月23日，我们的BSM模型观测博兰迪格。4、将所提出算法的期权价格与Borland公式和BlackScholes-Merton公式进行比较，得出各自的市场价值。左图为2018年3月1日至2018年3月16日到期的特斯拉期权价格。右侧面板为2018年2月28日至2018年3月23日到期的亚马逊对应价格-5 0 5对数返回（伽马单位）0.20.40.60.8我们的模型BSMFIG。使用建议的框架（英文版）和Black-Scholes-Merton方法（中文版）计算看涨期权价格所用积分的整数和。横轴的单位是分布参数γ=σ。2019年4月19日3:29 WSPC/I指令文件ma in32 Basnarkov、Stojkoski、Utkovski和Kocarev120 130 150 160 180 190 200 210执行价格0.0050.010.0150.020.0250.030.0350.04隐含波动性您的模型观察Borlandig。6、我们模型和Borland模型的隐含波动率曲线与市场价格的隐含波动率曲线。显示的结果与2018年3月1日观察到的苹果看涨期权相符，该看涨期权将于三周后的3月23日到期。大约三周后到期的期权的AAPL。

我们可以注意到，Borland的理论模型以及我们的模型都产生了类似于市场波动率曲线的波动率曲线。虽然前者似乎更接近于货币内期权的市场决定价值，但我们的方法在货币外部分表现更好。此外，还有一些明显缺少市场价格隐含波动性的价值，即期权的出价低于最小可能价格的价值。结论本文提出的期权定价方案依赖于这样一个假设，即未来将在统计上遵循过去的观察结果，或者对数收益率的分布是平稳的。截短的Student t分布作为具有不同视界的分布链的一个相邻块被引入，因为它很好地模拟了观察到的历史回报，尤其是在尾部。期权是一种工具，其公平性应该是对未来期望的结果。在未来没有任何其他见解的情况下，人们可以相信这很可能是过去，因此在2019年4月19日3:29 WSPC/I指令文件中使用此概率分布或一些类似的概率分布，使用对数回报的重尾分布33计算预期。学生的t分布及其截断版本除了提供了很好的观察到的日志回报外，由于其简单性，还应用了学生的t分布及其截断版本。从这类函数中提取的Sumsof变量不具有封闭的分布形式，但其特征函数具有封闭的分布形式。进一步得出，这种分布的卷积会导致不同时间间隔的对数回报模型，这大致符合无套利原则，也支持看跌期权奇偶关系。

最后，除了相对的理论合理性之外，所提出的定价框架已经显示出非常好的准确性，能够很好地适应不同行业几家公司的美式期权的市场价值。我们的动机是为定价框架打下良好的基础，而不是设计现成的定价公式。尽管如此，该公式所产生的价格似乎超过了实际数据，仅使用一个参数就具有很高的精度。然而，我们应该强调的是，Plerou et al.（1999）和Amaral et al.（2000）对历史回报的观察事实上表明，分布是不对称的，而且不同公司的概率密度的尾部并不像四级多项式那样明显下降。这意味着可以尝试为每家公司应用更一般的Tsallis分布，并提供适当的参数，甚至为正回报和负回报提供不同的参数。期权理论定价的实践者直接应用提议的程序，用适当的尾部指数对其进行修改，甚至使用自己方法获得的经验分布，并将其插入定价框架。在这种情况下，通过使用FFT及其逆函数来确定不同层位的回报分布，整个过程将是数值的。我们期望在这种情况下出现的问题将与计算Fourier变换的算法的实现有关。价格回报的连续随机过程会影响任何水平的回报分布。这是使具有高斯回报分布的维纳过程非常可信的特征之一。

尽管在Borland（2002b）中，学生的t分布是统计反馈随机过程的结果，但相关的期权定价公式与此处给出的公式并不一致。因此，能否定义另一个随机价格动态过程仍然是一个悬而未决的问题，其中对数收益的概率分布将是Student t分布或其任何截断版本。最后，我们指出，可以通过确定到期期间的期权价格来充分利用定价框架，到期期间的计量单位框架小于天数。在这种情况下，人们需要使用大量的卷积来为成熟数周且可能遇到数字障碍的期权定价。克服此问题的另一种方法可以基于不同时间间隔γ变化的模式，并实际使用所有水平面的学生t分布。由于2019年4月19日3:29 WSPC/I指令文件ma in 34 Basnarkov、Stojkoski、Utkovski和Kocarevcentral极限定理γ可能会线性增长，就像在高斯情况下一样。为了追求这种方式，需要大量的历史数据来研究γ随时间的依赖性。最后，我们可以应用一种组合，将学生的t分布与不同的尺度参数结合起来进行日内计算，然后对长周期进行适当的演化。资助这项研究的部分资金来自马其顿斯科普里的“Ss.Cyril and Methodius”大学计算机科学与工程学院。参考文献L。A、 N.Amaral，V.Plerou，P.Gopikrishnan，M.Meyer&E.H.Stanley（2000）《股票价格收益的分布》，国际理论与应用金融杂志3（3），365–369。F、 黑色和M。

斯科尔斯（1973）《期权和公司负债的定价》，政治经济杂志81（3），637–6541。R、 C.Blattberg&N.Gonedes（1974）《股票价格的稳定分布和学生分布统计模型比较》，商业杂志47（2），244–280。五十、 Borland（2002a）《基于非高斯股票价格模型的期权定价公式》，物理评论信函89（9），098701。五十、 Borland（2002b）《非高斯期权定价理论》，定量金融2（6），415–431。五十、 Borland&J.-P.Bouchaud（2004），《n-高斯期权定价理论》，QuantitativeFinance 4（5），499–514。J、 -P.Bouchaud&D.Sornette（1994）《数学金融中的Black-Scholes期权定价问题：一大类随机过程的推广和扩展》，物理杂志I 4（6），863–881。J、 -P.Bouchaud&M.Potters（2003）《金融风险和衍生品定价理论：从统计物理学到风险管理》。剑桥大学出版社。R、 N.Bracewell&R.Bracewell（1986）《傅立叶变换及其应用》。纽约：麦格劳-希尔。P、 Cao，T.Miwa&T.Morikawa（2014年），《使用截断分布对信号道路路段的行程时间分布进行建模》，Promedia Social and Behavior Sciences 138137–147。D、 T.Cassidy，M.J.Hamp&R.Ouyed（2010），《采用对数分布的欧洲期权定价：Gosset formu la，Physica a：统计力学及其应用》389（24），5736–5748。D、 T.Cassidy（2011）描述学生的n天回报T-分布，Physica A：统计力学及其应用390（15），2794–2802。D、 T.Cassidy（2012）《通过截短Chi正态混合中的Chi分布对学生T分布的有效截短》，开放统计杂志2（05），519–525。D、 T.Cassidy，M.J.Hamp&R。

Ouyed（2013）《Log Students基于t分布的期权敏感性：Gosset公式的希腊人》，定量金融13（8），1289–1302。D、 T.Cassidy（2018）《欧洲看涨期权的风险中性定价：似是而非的概念》，数学金融杂志8（02），335–348。2019年4月19日3:29 WSPC/I指令文件使用对数回报35R的重尾分布进行定价。Chicheportich e＆J.-P.Bouchaud（2012）《股票收益的联合分布》Notellitical，《国际理论与应用金融杂志》15（3），1250019。J、 W.Cooley&J.W.Tuckey（1965）《complexFourier级数的机器计算算法》，《计算数学》19（90），297–301。J、 考克斯（1975）《期权定价注释I：方差差异的恒定弹性》，斯坦福大学商学院未发表的注释。F、 Delbaen&W.Schachermayer（1994）《资产定价基本定理的一般版本》，M athematische Annalen 300（1），463–520。E、 F.Fama（1965）《股票市场价格的行为》，《商业杂志》38（1），34–105。十、 Gabaix，P.Gopikrishnan，V.Plerou&E.H.Stanley（2003）《金融市场波动中的幂律分布理论》，自然423（6937），267。P、 S.Hagan，D.Kumar，A.S.Lesniewski&D.E.Woodward（2002），《管理微笑风险》，威尔莫特之最，1249–296。G、 H.Hardy，J.E.Littlewood&G.P'olya（1952）不平等。剑桥大学出版社。J、 M.Harrison&S.R.Pliska（1981）《连续交易理论中的鞅和随机积分，随机过程及其应用》，11（3），215–260。E、 G.Haug&N.N.Taleb（2011）《期权交易者使用（非常）复杂的启发式，而非Black–Scholes–Merton公式》，《经济行为与组织杂志》77（2），97–106。S、 L。

Heston（1993）《随机波动期权的封闭式解及其在债券和货币期权中的应用》，《金融研究评论》6（2），327–343。J、 赫尔（2017）《期货和期权市场基本面》。培生教育有限公司。S、 G.Kou（2002）《期权定价的跳差模型》，管理科学48（8），1086–1101。D、 M.Kreps（1981）《商品数量众多的经济体中的套利与均衡》，数学经济学杂志8（1），15–35。T、 Lux&M.Marchesi（1999）《金融市场随机多主体模型中的标度和临界性》，《自然》397（6719），498。D、 B.Madan，P.Carr&E.C.Chang（1998），《方差伽马过程与期权定价》，金融评论2（1），79–105。M、 Maltamo，K.Eirik¨ainen，J.Pitk¨anen，J.Hyypp¨a&M.Vehmas（2004）基于扫描激光测高和预期树形分布函数的树桩体积和树干密度估计，环境遥感90（3），319–330。B、 Mandelbrot（1963）《某些投机价格的变化》，《商业杂志》36（4），394–419。B、 Mandelbrot，N.N.Taleb，F.Diebold，N.Doherty&R.Herring（2010）《金融机构中的已知、未知和未知》。新泽西：普林斯顿大学出版社。A、 Matacz（2000）《截断L'evy过程的金融建模与期权理论》，国际理论与应用金融杂志3（01），143–160。J、 L.McCauley，G.H.Gunaratne&K.E.Bassler（2007）《鞅期权定价》，《物理学：统计力学与应用》380，351–356。R、 C.Merton（1973）《理性期权定价理论》，贝尔经济与管理科学杂志4（1），141–183。R、 C.Merton（1976）《基础股票收益不连续时的期权定价》，金融经济学杂志3（1-2），125–144。L

Moriconi（2007）《具有潜在非高斯回报的三角洲对冲期权估值》，Physica A：统计力学及其应用380，343–350。2019年4月19日3:29 WSPC/I施工文件ma IN 36 Basnarkov、Stojkoski、Utkovski和KocarevS。Nadarajah，E.Afuecheta&S.Chan（2015）《关于汇率回报建模的说明：美国的灵活分布是什么？》？，量化金融15（11），1777-1785年。K、 S.Patel&M.Mehra（2018）《默顿跳差模型和寇跳差模型下期权定价的四阶紧凑方案》，国际理论与应用金融杂志21（4），1850027。E、 Platen&R.Rendek（2008）《关于多元化世界股票指数的Student-t对数回报的经验证据》，统计理论与实践杂志2（2），233–251。五、 Plerou，P.Gopikrishnan，L.A.N.Amaral，M.Meyer&E.H.Stan ley（1999），《金融市场波动中的幂律分布理论》，物理评论E 60（6），6519。S、 M.D.Queiros，C.Anteneodo和C.Tsallis（2005）《经济学中的幂律分布：一种非扩展统计方法》。《经济物理学和金融中的噪音和波动》（D.Abbott，J.-P.Bouchaud，X.Gabaix&J.L.McCauley，eds.），151–165。SPIE 5848会议记录。S、 A.Ross（1976）《资本资产定价的套利理论》，经济理论杂志13（3），341–360。S、 M.Ross（2014）《概率模型简介》。学术出版社。Student（1908）平均值的可能误差，Biometrika，1–25。N、 N.Taleb（2007）《黑天鹅：极不可能的影响》。兰登书屋。