Il pricing dei derivati: Metodo di Montecarlo, Path Integrals L. Bellucci, G. Cipriani M.Rosa-Clot,...
-
Upload
valeria-grosso -
Category
Documents
-
view
218 -
download
1
Transcript of Il pricing dei derivati: Metodo di Montecarlo, Path Integrals L. Bellucci, G. Cipriani M.Rosa-Clot,...
Il pricing dei derivati:Metodo di Montecarlo, Path Integrals
L. Bellucci, G. Cipriani M.Rosa-Clot, S.Taddei Firenze
E. Bennati Dip Scienze Econ. (Pisa)
M.Cerchiai, C.Giannotti G. Einaudi, P. Rosa-Clot (Pisa)
A. Amendolia, (Sassari)
Un indice di borsa: il cambio EURO/$
Analisi dell’indice
• Ci sono andamenti di lungo periodo • Si sovrappongono movimenti veloci
Rumore
Fisici e ingegneri chiamano rumore tutti quei fenomeni impreditibili che alterano il processo fisico e le sue leggi di fondo
Volatilità
Gli economisti chiamano volatilità la rapida fluttuazione di un indice o di un prezzo determinata dalle spinte impredittibili del mercato
La legge binomiale
• Si assume che ci sia una probalbilità definita che abbia luogo un evento (1/2 se si lancia una moneta e si vuole trovare testa) e si chiede con quale frequenza compare testa in un certo numero di lanci.
• In generale
Eventi casuali Rischio
Esempio canonico : il lancio della monetatesta p=.5croce q= .5
p + q = 1
Distribuzione Binomiale Curva Gaussiana
mNqmpmmN
NNmp
!)!(
!),(
Legge dei grandi numeri
npqNmpmmnpmNmmp
Nmp
),()(),(1),(
2
isto.m monte1.m
Distribuzioni di probabilità
• Come verificare che la legge gaussiana è vera ? • Osservando molte volte l’evento !• Quante volte ? Moltissime ! ! !• Processo di Wiener : per il lancio della moneta
abbiamo assunto x= 1 x =w
• MATALAB: BINOMIALE
Lanci ripetuti:100, 1000, 10000, 50000
Il continuo e il metodo di Montecarloun semplice caso di barriera
0 2 4 6 8 10 12-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
monte1.m
Processo di Wiener
In generale assumiamo:
x =x,t)t + (x,t) w
In particolare per esempio si ha
r =a (b - r ) t + w Vasicek
oppure
r =a (b - r ) t + r w CIR
Il caso generale: equazioni stocastiche
• Soluzioni analitiche (in pochi casi)
• equazione differenziale (Fokker Plank) • metodo di montecarlo (lunghi tempi di CPU)• Metodi discretizzati ad albero
dWtxdttxdx ),(),(
),,,(22),(
21),,,(),(),,,( txTyF
xtxtxTyF
xtxtxTyF
t
E la corrispondente equazione differezniale
Le tecniche di soluzione
• Soluzioni analitiche (in pochi casi)
• Soluzione della equazione differenziale (metodo generale ci sono problemi matematici delicati)
• metodo di montecarlo (lunghi tempi di CPU)
• Metodi discretizzati ad albero (funziona bene solo in casi 1D)
• Metodo dei Path Integral (funziona in 1 2 3 dimensioni ed è rapido e generale)
Un sempio disoluzione analitica IL MODELLO CIR
Una realizzazione del modello CIR
0 2 4 6 8 10 120
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2Cox, Ingersoll, Ross a= 0.5 b= 0.1 sigma= 0.075
monte3.m
Modelli realistici
• Il modello di Vasicek ha seri limiti (ammette per esempio tassi di interesse negativi)
• Un modello migliore è quello CIR (Cox Ingersoll Ross) che sostituisce ad una volatilità costante una legata alla radice del tasso. Tale modello ammette soluzioni analitiche.
• PROBELMA I : sganciarsi dai modelli e utilizzare i tassi “reali”
• PROBLEMA II: valutare un funzionale generico
Un esempio :anno 1998 interesse a 30 anni per la lira
Cosa è un funzionale
0 2 4 6 8 10 120
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2Cox, Ingersoll, Ross a= 0.5 b= 0.1 sigma= 0.075
Nella figura accanto
tutto quello e supera la linea nera viene pesato
calcolato attualizzando il valore col tasso di
interesse corrispondente
I funzionali possono essere molto complicati: per esempio i possono
essere barriere, oppure cedole,
oppure il diritto di esercizio di qualche clasuola
Calcolare un funzionale comporta
• Mediare su tutti i cammini possibili
• Ma icammini possono dipendere dal funzionale stesso
• Quindi iterare moltissimi processi mediando i diversi risultati
• MONTECARLO
• Discretizzare il processo a step finiti
• Conoscere la distribuzione di probabilità ad ogni istante
• Integrare numericamente sulle distribuzioni
• PATH INTEGRAL
Path Integral 1
• La distribuzione di probabilità condizionata (y,t,x,0) dà la probablità di trovare il valore y della variabile al tempo t essendo nota la distribuzione al tempo t=0.
• Per tale distribuzione vale la legge di composizione
dzxzztyxty )0,,,(),,,()0,,,(
Path Integral 1
Path Integral 2
• Per piccoli incrementi temporali si ha in generale
ttxxLetxt
txtty
),,(
),(21),,,(
Con
txyx
ttxxtx
txxL
)(
),(),(2
1),,(2
2
• Si tratta ora di effettuare N convoluzioni ottenendo in tal modo l’ampiezza di probabilità per tempi finiti.
• La grandezza (y-x)/t rappresenta una specie di velocità e la funzione L(x,v,t) è la lagrangiana del sistema.
tred.m
Path Integral 3
Realizzazione di alcuni cammini
0 2 4 6 8 10-4
-3
-2
-1
0
1
2
3
4 Partendo da zero
si realizzano
5 diversi percorsi
La funzione di
trasferimento è nota per ogni
intervallo t
path1.m
Il formalismo di Feymann• Wiener formula la teoria degli integrali stocastici nel 1921
• Feynman introduce il concetto di path integral in meccanica quantistica nel 42.
• Non vengono applicati fino al lavoro di Kreutz e Freedman del 1981 (problemi di calcolo)
• Poi esplodono gli approcci Montecarlo: problema di tempo ma “multidimensionalità”
• Più recentemente approcci “deterministici”: Rosa-Clot e Taddei. Molto veloci ma bassa dimensionalità: <4.
• Basta e avanza per i mercati finanziari.
Vantaggi formali e numerici
• Teoria solidamente fondata
• Sono noti tutti i casi analitici e le loro possibili estensioni
• Si riproducono tutti i casi noti in letteratura
• Sono note molte tecniche approssimate
• Numericamente stabile• Da fondamento più
generale agli alberi• E’ molto veloce
(quanto gli alberi)• Permette di estendere
a casi complessi la valutazione del funzionale
Il funzionale
• In genere si tratta di valutare grandezze che dipendono dalla realizzazione del processo stocastico.
• Esempi tipici sono il cap e la put american
Esempio di un cap
)),(()0,,,()(
trPedrEstrCdr
dreEdrtrP
)(),(Con
Questa definizione formale si traduce numericamente in una
prescrizione molto semplice: quando il tasso di interesse
supera il valore si calcola attualizzato il valore in eccesso.
Esempio di una put american
0 2 4 6 8 10-4
-3
-2
-1
0
1
2
3
4
L’opzione viene
esercitata quando
il suo valore scende
sotto un valore tale
da massimizzare il
guadagno
path1.m
Tempi di CPU per il pricing di opzioni
Il problema delle volatilità
Un problema aperto e molto complesso è quello delle fluttuazioni non gaussiane degli indici di borsa.
In altre parole ci sono scarti molto elevati rispetto al valore della deviazione standard: la teoria prevede che la probabilità di una fluttuazione maggiore di 3 volte la deviazione standard sia 1/1000
In realtà abbiamo spesso deviazioni che sono 10 volte superiori alla deviazione standard
Il problema dei dati: il FIB30
Analisi degli scarti con ritardo di 1 4 16 64 256 1024 tic
Levy.m
Confronto con una gaussiana