Lezione 2 alberi e differenze finite
-
Upload
giovanni-della-lunga -
Category
Education
-
view
730 -
download
2
Transcript of Lezione 2 alberi e differenze finite
Giovanni Della Lunga
Università degli Studi di Bologna
Alberi Binomiali, Trinomiali e Differenze Finite
Applicazioni al Pricing di Prodotti Derivati
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
Perché preoccuparsi dei metodi numerici? Esistono soluzioni analitiche al problema del
pricing di derivati? Il modello di Black & Scholes offre una soluzione
in forma chiusa al problema del pricing di un’opzione europea?
Cosa significa esattamente soluzione in forma chiusa o analitica?
Perché preoccuparsi dei metodi numerici?
Se per metodo in forma chiusa si intende una formula risolutiva priva di errore numerico, allora in pratica nel problema del pricing di prodotti derivati non esistono soluzioni in forma chiusa!
)()( 21 dNEedSNC rt )()( 21 dNEedSNC rt
Perché preoccuparsi dei metodi numerici?
Ogni metodo numerico comporta uno o più tipi di errore! E’ necessario conoscerne
L’origine La propagazione
La mancata considerazione di questi aspetti può condurre a risultati del tutto privi di senso
Questi aspetti sono particolarmente importanti nel settore della risoluzione numerica delle equazioni differenziali a derivate parziali in cui, come vedremo, vengono utilizzati metodi iterativi.
Analisi degli Errori Un computer è in grado di rappresentare soltanto un numero finito di cifre
Un numero reale può essere approssimato
Errore di arrotondamento
Il risultato prodotto da un algoritmo differisce, in generale, dal risultato
esatto cioè da quel risultato che si otterrebbe lavorando con un numero
infinito di cifre.
Senza un’idea, più precisamente una maggiorazione, della differenza dei
due risultati, il risultato numerico può essere del tutto illusorio. Infatti esso
può dipendere dal numero di cifre utilizzate e/o dall’ordine in cui vengono
effettuale le operazioni.
-1E-14
0
1E-14
2E-14
3E-14
4E-14
5E-14
6E-14
0.992 0.994 0.996 0.998 1 1.002 1.004 1.006 1.008
-1E-14
0
1E-14
2E-14
3E-14
4E-14
5E-14
6E-14
0.992 0.994 0.996 0.998 1 1.002 1.004 1.006 1.008
Analisi degli Errori Un esempio estremo con Excel: calcolo del grafico della funzione (x-1)6 in un intorno di zero
Analisi degli Errori Sorgenti di Errore
Semplificazioni introdotte nel modello Errori nei dati
Sistematici Casuali
Errori di arrotondamento Sono gli errori introdotti nella rappresentazione dei numeri sul
calcolatore Errori di troncamento
Sono gli errori che vengono introdotti quando un procedimento infinito viene approssimato mediante un procedimento finito (es. calcolo di una derivata)
Analisi degli Errori Dato un problema matematico possiamo distinguere, per quanto riguarda la
propagazione degli errori, il comportamento del problema e il comportamento di un particolare algoritmo utilizzato per risolvere il
problema
Nel primo caso si è interessati a vedere come eventuali perturbazioni sui dati del problema si trasmettono sui risultati
Per caratterizzare un problema rispetto a questo tipo di comportamento si usa comunemente il termine condizionamento.
Un problema è ben condizionato (o mal condizionato) a seconda che le perturbazioni sui dati non influenzino (o influenzino) eccessivamente i risultati
Analisi degli Errori
Nel caso di un algoritmo, per indicare il suo comportamento rispetto alla propagazione degli errori è più usuale il termine di stabilità.
Si dirà quindi che un algoritmo è stabile (instabile) se la successione delle operazioni non amplifica (amplifica) eccessivamente gli errori di arrotondamento.
Analisi degli Errori
Tecniche di controllo degli errori Backward analysis Aritmetica dell’intervallo Perturbazioni sperimentali
L’idea è semplice (anche se talvolta può essere eccessivamente costosa): si esegue il calcolo più volte a partire da diversi dati perturbati e usando precisioni diverse.
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
Il modello Binomiale
In ogni periodo assumiamo che il prezzo del sottostante possa muoversi in due sole direzioni (Modello Binomiale);
Backward induction: partendo dalla data di scadenza del contratto derivato in cui si conosce il valore dell’opzione si risale verso la radice dell’albero calcolando ad ogni nodo la probabilità risk adjusted;
Il modello Binomiale Sia S il valore del sottostante e f il valore
dell’opzione scritta su di esso. Formiamo un portafoglio con una posizione
lunga in unità del sottostante e una corta in un’opzione call. Il valore del portafoglio nei due stati del
mondo sarà pari a
Sf
Su
fu
Sd
fd
d0
u0
fdS
fuS
d0
u0
fdS
fuS
Determiniamo il valore di che rende uguali questi due valori
dSuS
fffdSfuS
00
dud0u0
dSuS
fffdSfuS
00
dud0u0
Il portafoglio è quindi privo di rischio per cui, al fine di evitare possibilità di arbitraggio, il suo rendimento deve eguagliare il tasso di rendimento risk-free.
Questo implica che il valore scontato del portafoglio in uno dei due stati del mondo futuri deve eguagliare il valore attuale oggi, ovvero
Il modello Binomiale
rTu00
rTu00 efuSSfefuSfS rT
u00rT
u00 efuSSfefuSfS
sostituendo ...sostituendo ...
du
depfp1pfef
rT
durT
dove )( du
depfp1pfef
rT
durT
dove )(
Il modello Binomiale: Un Esempio Numerico
S = 5.414
f = 0.432
Su = 5.630
fu = 0.630
Sd = 5.2
fd = 0.2
Opzione CALL su ENEL
Data Valutazione 8/11/2003
Consegna 19/11/2003
Strike = 5.00
S = 5.414
Var% giornaliera = 1.18%
tasso risk free ~ 1%
Variazione a scadenza stimata al 4%
t = 11/365 ~ 0.03
4150fp1pfef durT .
2
0.20.630 )(
4150fp1pfef du
rT .2
0.20.630 )(
21080
040
080
960e
du
dep
030010rT
/.
.
.
...
21080
040
080
960e
du
dep
030010rT
/.
.
.
...
Y(0)
Y(H)
Y(L)
Y(LH)
Y(LL)
Y(HL)
Y(HH)
Estensione a più periodi
1-
H
L
1-L
1-H
Bushy trees/Recombining trees Dopo n periodi (steps) l’albero presenta 2n nodi (stati). Un albero
solo dopo 100 steps genera
1.267.650.600.228.230.000.000.000.000.000 nodi
Poiché questo tipo di albero pone problemi computazionali rilevanti, spesso si assume che sentieri con lo stesso numero di aumenti e diminuzioni del prezzo, sebbene in sequenza diversa, portino allo stesso nodo (lattice, recombining tree, reticolo,…)
Dopo 100 steps un recombining tree ha 101 nodi
Recombining trees
Sostituendo un albero a cespuglio con un albero “ricombinante” rinunciamo alle informazioni sui singoli sentieri che portano allo stesso nodo
L’informazione può essere rilevante per valutare opzioni con pay-off path-dependent modelli della dinamica del tasso di interesse
Alcuni programmi di ricerca sono dedicati a metodologie per ridurre la crescita dei bushy-trees
Y(0)
Y(H)
Y(L)
Y(LL)
Y(HL)Y(LH)
Y(HH)
Estensione a più periodi
1-
H
L
1-L
1-H
Come costruire un albero binomiale
Generalizzazione a più livelli
Riprendiamo la definizione di
probabilità risk-neutral
Poniamo
Inoltre ricordiamo che
)()(
)(),(
)(
*LYHY
LYTtPtY
)()(
)(),(
)(
*LYHY
LYTtPtY
SdLY
SuHY
StY
)(
)(
)(
SdLY
SuHY
StY
)(
)(
)(
)(),( tTreTtP )(),( tTreTtP
Generalizzazione a più livelli
Possiamo quindi scrivere
Come determiniamo i fattori u e d? In funzione della volatilità del sottostante
La scelta d = 1/u garantisce che l’albero sia ricombinante (infatti con questa posizione si ha (Su)d = S)
teu
ud
1
du
de tr
*du
de tr
*
Generalizzazione a più Livelli
22
2
0
T
0
T
2
2
0
T
2
0
T2
0
T22
0
T
d1uS
SE
d1uS
SE
tS
SE
S
SEr
S
Sr1
S
Sr
)(
)(
)(
)(
22
2
0
T
0
T
2
2
0
T
2
0
T2
0
T22
0
T
d1uS
SE
d1uS
SE
tS
SE
S
SEr
S
Sr1
S
Sr
)(
)(
)(
)(
La scelta di u e d si giustifica ricordando che la volatilità del rendimento dell’azione, nel nostro modello deve essere pari a 2t
tr2tr
trtr2trtr
222
22
2222222
euddue
eudedudu
eu
du
de
du1ud2du1
ud12d11u
ud12d1ud1ur
)(
))(()(
))(())((
)()()(
)()()()(
tr2tr
trtr2trtr
222
22
2222222
euddue
eudedudu
eu
du
de
du1ud2du1
ud12d11u
ud12d1ud1ur
)(
))(()(
))(())((
)()()(
)()()()(
Generalizzazione a più Livelli
Sostituendo ud = 1 e sviluppando al primo ordine otteniamo...
))(())(()( 2dutr1tr211dutr1euddue tr2tr ))(())(()( 2dutr1tr211dutr1euddue tr2tr
Generazione a più Livelli Verifichiamo che la posizione
porta al risultato desiderato. Sviluppando al primo ordine in t abbiamo infatti
da cui (trattenendo solo i termini al primo ordine)
tt edeu ,tt edeu ,
t2
1t1dt
2
1t1u 22 , t
2
1t1dt
2
1t1u 22 ,
t2t2
1t1t
2
1t1tr1
2dutr1
222
)(
))((
t2t2
1t1t
2
1t1tr1
2dutr1
222
)(
))((
Generazione dei valori per il sottostante
125.5
120.8
116.3 116.3
112 112
107.9 107.9 107.9
103.9 103.9 103.9
100 100 100 100
96.29 96.29 96.29
92.72 92.72 92.72
89.28 89.28
85.97 85.97
82.78
79.71
Per ogni livello tutti i nodi tranne l’ultimo derivano dal corrispondente nodo precedente moltiplicato per il coefficiente u. L’ultimo nodo deriva dal precedente moltiplicato per d.
s(0, 0) = PrezzoSottostanteFor n = 1 To NumeroSteps For j = n To 1 Step -1 s(j, n) = u * s(j - 1, n - 1) Next j s(0, n) = d * s(0, n - 1)Next n
Generazione dei valori per l’opzione
25.62125.5
21.12120.8
16.8 16.48116.3 116.3
12.86 12.33112 112
9.482 8.763 8.013107.9 107.9 107.9
6.766 5.975 5.054103.9 103.9 103.9
4.691 3.941 3.073 1.968100 100 100 100
2.53 1.821 1.00696.29 96.29 96.29
1.058 0.514 092.72 92.72 92.72
0.263 089.28 89.28
0 085.97 85.97
082.78
079.71
For j = 0 To NumeroSteps V(j, NumeroSteps) = Payoff(s(j, NumeroSteps), Strike, FlagCall)Next j
For n = NumeroSteps To 1 Step -1 For j = 0 To n - 1 V(j, n - 1) = (p * V(j + 1, n) + (1 - p) * V(j, n)) * FattoreSconto Next jNext n
Opzioni Americane Fino a questo momento abbiamo considerato solo opzioni di
tipo europeo cioè opzioni esercitabili soltanto alla scadenza; Le opzioni di tipo americano, cioè quelle esercitabili entro la
scadenza, sono facilmente valutabili nell’approccio binomiale; Ad ogni step è necessario valutare qual’è il maggior valore fra
il valore dell’opzione calcolato come valore atteso futuro (continuation value)
il valore che deriva dall’esercizio immediato dell’opzione (payoff)
For n = NumeroSteps To 1 Step -1 For j = 0 To n - 1 V(j, n - 1) = Application.Max((p * V(j + 1, n) + (1 - p) * V(j, n)) _ * FattoreSconto, Payoff(s(j, n - 1), Strike, FlagCall)) Next jNext n
Esempio ProgrammazioneVBA
Esempio ProgrammazioneVBA
Calcolo del Prezzo di un’Opzione con Albero Binomiale Calcolo del Prezzo di un’Opzione con Albero Binomiale
Alberi Binomiali in più dimensioni E’ relativamente semplice costruire un albero in tre
dimensioni per rappresentare i movimenti di due variabili non correlate;
Dapprima si costruisce separatamente un albero a due dimensioni per ciascuna delle due variabili;
quindi si combinano i due alberi in un solo albero a tre dimensioni.
Le probabilità relative ai rami del nuovo albero sono pari al prodotto delle probabilità dei corrispondenti rami degli alberi a due dimensioni.
Alberi Binomiali in più dimensioni Si supponga ad esempio che le variabili siano date dai prezzi
S1 ed S2. Ciascuna di queste due variabili può essere rappresentata in
due dimensioni da un albero binomiale CCR; supponiamo che p1 sia la probabilità che S1 aumenti e 1-p1 la
probabilità che diminuisca, analogamente con p2 e S2; nell’albero a tre dimensioni ci saranno quindi quattro rami che
vengono generati da ciascun nodo con le seguenti probabilità p1p2 S1 aumenta, S2 aumenta
p1(1-p2) S1 aumenta, S2 diminuisce
(1-p1)p2 S1 diminuisce, S2 aumenta
(1-p1)(1-p2) S1 diminuisce, S2 diminuisce
Alberi Binomiali in più dimensioni Il caso più interessante è naturalmente quello in cui le variabili
siano correlate; Rubinstein ha suggerito un modo di costruire un albero a tre
dimensioni disponendo i nodi secondo un approccio binomiale;
Dal nodo (S1, S2) si può passare ad uno dei seguenti nodi con probabilità 0.25 (albero con probabilità uguali lungo i rami, tipo JR):
);(
);(
);(
);(
DSdS
CSdS
BSuS
ASuS
211
211
211
211
);(
);(
);(
);(
DSdS
CSdS
BSuS
ASuS
211
211
211
211
Alberi Binomiali in più dimensioni
22
222
22
222
22
222
22
222
1211
1211
1tt2qr
1tt2qr
1tt2qr
1tt2qr
tt2qr1
tt2qr1
eD
eC
eB
eA
ed
eu
)/(
)/(
)/(
)/(
)/(
)/(
22
222
22
222
22
222
22
222
1211
1211
1tt2qr
1tt2qr
1tt2qr
1tt2qr
tt2qr1
tt2qr1
eD
eC
eB
eA
ed
eu
)/(
)/(
)/(
)/(
)/(
)/(
Deriva dalla “Cholesky Decomposition”
Opzioni con due sottostanti: Alcuni Esempi
Spread Options call max(0, Q1S1-Q2S2-X) put max(0,X+Q2S2-Q1S1)
Opzione sul massimo call max(0,max(Q1S1,Q2S2)-X) put max(0,X-max(Q1S1,Q2S2))
Opzione sul minimo call max(0,min(Q1S1,Q2S2)-X) put max(0,X-min(Q1S1,Q2S2))
Dual Strike Options call max(0,(Q1S1-X1),(Q2S2-X2)) put max(0,(X1-Q1S1),(X2-Q2S2))
Reverse Dual Strike Options call max(0,(Q1S1-X1),(X2-Q2S2)) put max(0,(X1-Q1S1),(Q2S2-X2))
Portfolio Options call max(0, (Q1S1+Q2S2)-X) put max(0,X-(Q1S1+Q2S2))
Exchange Options max(0,Q2S2-Q1S1)
Esempio ProgrammazioneVBA
Esempio ProgrammazioneVBA
Un Albero Binomiale Tridimensionale Un Albero Binomiale Tridimensionale
Alberi Binomiali e Barriere Se, per valutare un’opzione con barriera, si usa un albero binomiale
standard la convergenza è lenta; per ottenere un risultato accurato è necessario usare un numero
elevato di intervalli; la ragione di questa lenta convergenza è che la barriera ipotizzata
dall’albero è diversa da quella effettiva. Definiamo barriera interna la barriera formata dai nodi
immediatamente all’interno della barriera effettiva e barriera esterna la barriera formata dai nodi immediatamente all’esterno della barriera;
i calcoli standard assumono implicitamente che la barriera esterna coincida con la barriera effettiva;
Il problema può essere affrontato cercando di posizionare accuratamente i nodi nulle barriere.
Alberi Binomiali e Barriere
Alberi Binomiali e Barriere Una possibile soluzione è la seguente; Supponiamo di voler porre esattamente m livelli (per ogni intervallo
n) fra la barriera H e il valore iniziale S del prezzo; avremo
n
Tmtm
S
H
SeHeuSuH
2222
2
tmtm
ln
,
2
22
SH
Tmn
ln
2
22
SH
Tmn
ln
Esempio ProgrammazioneVBA
Esempio ProgrammazioneVBA
Come Inserire una Barriera in un Albero Binomiale Come Inserire una Barriera in un Albero Binomiale
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
Alberi Trinomiali In alternativa agli alberi binomiali, si possono
usare gli alberi trinomiali
Alberi Trinomiali
Esempio ProgrammazioneVBA
Esempio ProgrammazioneVBA
Un Esempio di Albero Trinomiale Un Esempio di Albero Trinomiale
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
Informazione implicita
I mercati delle opzioni trasmettono informazioni sulla distribuzione, aggiustata per il rischio, del sottostante.
Nel modello di Black & Scholes, tutta l’informazione necessaria è rappresentata dalla volatilità dei rendimenti .
Estrarre il valore di volatilità che nel modello di Black e Scholes produce il valore del prezzo di un’opzione osservato sul mercato significa calcolare il valore della volatilità implicita.
La volatilità implicita Smile
Spesso sulla stessa azione sono quotate più opzioni con prezzi di esercizio e scadenza diversi;
Se il modello di Black & Scholes fose corretto le opzioni avrebbero prezzi differenti ma un identico valore per la volatilità implicita;
infatti è funzione dell’attività sottostante e non del prezzo di esercizio o del tempo;
La volatilità implicitaTuttavia è stato osservato che la volatilità implicita
per contratti con identica vita residua varia in
funzione del prezzo di esercizio!
18.00%
18.20%
18.40%
18.60%
18.80%
19.00%
19.20%
19.40%
19.60%
19.80%
20.00%
85.000 90.000 95.000 100.000 105.000 110.000 115.000
18.00%
18.20%
18.40%
18.60%
18.80%
19.00%
19.20%
19.40%
19.60%
19.80%
20.00%
85.000 90.000 95.000 100.000 105.000 110.000 115.000
La volatilità implicita Smile Di norma le opzioni “out” e “in” the money hanno un valore di volatilità implicita
maggiore di quelle at-the-money.
L’effetto, noto come volatility smile è accentuto per i contratti con scadenza breve ed
è quasi inesistente per quelli di lunga durata;
l’effetto smile contrasta con la teoria e rivela che il modello non è corretto;
il fatto che, dopo il crash del 1987, l’effetto sia più evidente ha indotto alcuni studiosi a
formulare l’ipotesi che il vero processo diffusivo dei prezzi sia a salti e non continuo.
Volatilità implicita Dato il prezzo di mercato di un’opzione, Invertendo l’equazione di
Black & Scholes possiamo ricavare la volatilità implicita nella quotazione.
La volatilità implicita deve essere calcolata numericamente. Brenner Subrahmanian (accurata at-the-money)
Corrado Miller (accurata at-the-money 10%)
Nell’esempio in VBA utilizzeremo l’algoritmo di Newton-Raphson
tY
TetYtYcalltT
tT ,;,2
tY
TetYtYcalltT
tT ,;,2
KetYKetY
callKetY
callKetY
tTtTtTtT
tT
22
22
2
KetYKetYcall
KetYcall
KetYtT
tTtTtT
tT
22
22
2
Volatilità implicita
L’algoritmo di Newton-Raphson
Data una funzione f(x) il problema consiste nel determinare il valore di x* tale che f(x*) = 0.
L’idea geometrica che sta alla base del metodo è la seguente. Partendo da una stima iniziale x0 della soluzione si genera una
successione di valori {xk} approssimando, per ogni k, la curva
y = f(x) con la tangente nel punto (xk, f(xk)) e calcolando xk+1
come l’intersezione della tangente con l’asse delle x.
L’algoritmo di Newton-Raphson
All’equazione f(x) = 0 si sostituisce così l’equazione della retta tangente
0)(')()( kkk xfxxxf 0)(')()( kkk xfxxxf
)('
)(1
k
kkk xf
xfxx )('
)(1
k
kkk xf
xfxx
Input X0, EPS, MAX_ITER
Calcola f(X0)
E’ vera almeno una delle seguenti affermazioni:
1) |X – X0| < EPS 2) Numero Iterazioni >
MAX_ITER
?
START
END
Calcola f’(X0)
Calcola
X = X0 – f(X0)/f’(X0) Incrementa di un’unità il Numero Iterazioni
Poni X0 = X
SI
NO
Input X0, EPS, MAX_ITER
Calcola f(X0)
E’ vera almeno una delle seguenti affermazioni:
1) |X – X0| < EPS 2) Numero Iterazioni >
MAX_ITER
?
START
END
Calcola f’(X0)
Calcola
X = X0 – f(X0)/f’(X0) Incrementa di un’unità il Numero Iterazioni
Poni X0 = X
SI
NO
Diagrammi di FlussoL’algoritmo di Newton-Raphson
Esempio ProgrammazioneVBA
Esempio ProgrammazioneVBA
Calcolo della volatilità implicita nel prezzo di opzioni CallCalcolo della volatilità implicita nel prezzo di opzioni Call
Volatilità Implicita Il metodo della secante
L’efficienza del metodo di Newton-Raphson dipende dalla volatilità iniziale scelta;
una procedura meno sensibile al valore iniziale di è il metodo della secante;
il primo passo da compiere è di scegliere due valori per , uno basso e uno alto.
Il valore basso b stima C(b) minore di C, il valore alto a stima C(a) maggiore di C.
La volatilità implicita risulta dalla seguente interpolazione lineare:
ba
babb1 CC
CC
ba
babb1 CC
CC
Volatilità Implicita Il metodo della secante
se il valore di C() ottenuto inserendo nel modello di Black & Scholes è inferiore al prezzo di mercato C, la nuova stima di è ottenuta sostituendo b con il valore della volatilità interpolata
Se il valore di C() ottenuto inserendo 1 nel modello è superiore al prezzo di mercato per la nuova stima di si sostituisce a a il valore della volatilità interpolata.
Quando C() coincide con C il processo iterativo termina è si è trovata la volatilità implicita.
Il metodo è in generale preferito a quello di Newton-Raphson perché non richiede la stima di Vega ad ogni iterazione.
1a
1a112 CC
CC
1a
1a112 CC
CC
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
“Butterflay Spread” e prezzi di Arrow-Debreu E' noto che i mercati dei contratti derivati hanno un forte
contenuto informativo. Le quotazioni di un future o di un opzione su un titolo
rischioso riassumono la valutazione del mercato sull'evoluzione di quel titolo.
Possiamo quindi utilizzare i prezzi dei contratti derivati per estrarre uno schema binomiale di evoluzione del prezzo del titolo rischioso.
Questo tema è al centro dell'attenzione della letteratura finanziaria sulle opzioni dei nostri giorni, ed ha dato vita ad un filone di tecniche note come alberi binomiali impliciti, che generalizzano l'idea di probabilità implicita proposta da Breeden e Litzenberger alla fine degli anni 70.
I titoli di Arrow-Debreu
Supponiamo di disporre di un titolo che garantisce un pay-off unitario se e solo se si verifica un preciso stato di natura.
Tale prodotto finanziario è noto come titolo di Arrow-Debreu. Il pay-off dei due titoli di Arrow-Debreu del modello binomiale sono
descritti nella seguente tabella.
Titoli di Arrow-Debreu
T T
Stato H Stato L
Prezzo dello stato H H(t) 1 0
Prezzo dello stato L L(t) 0 1
Titolo risk-free P(t,T) 1 1
Portafoglio immunizzato H(t)+ L(t) 1 1
Titoli di Arrow-Debreu
T T
Stato H Stato L
Prezzo dello stato H H(t) 1 0
Prezzo dello stato L L(t) 0 1
Titolo risk-free P(t,T) 1 1
Portafoglio immunizzato H(t)+ L(t) 1 1
I titoli di Arrow-Debreu
Possiamo anche utilizzare i prezzi di Arrow-Debreu per fornire una definizione alternativa del requisito di esclusione delle possibilità di arbitraggio.
Nella tabella precedente notiamo infatti che il portafoglio immunizzato può essere costruito semplicemente acquistando i titoli di Arrow-Debreu corrispondenti a tutti gli stati di natura.
Il requisito di esclusione delle possibilità di arbitraggio richiede quindi che
TtPLH , TtPLH ,
“Butterflay Spread” e prezzi di Arrow-Debreu Come Sappiamo, in un modello binomiale il valore al tempo 0
di un generico contratto derivato di tipo europeo, descritto da una funzione di pay-off con possibilità di esercizio al tempo n è ottenuto, sulla base del principio di non-arbitraggio, attraverso la formula
Si noti che la probabilità che compare nella formula è la probabilità che il nodo i-esimo dell’n-esimo livello sia raggiunto e non la classica probabilità di transizione tra due nodi dell’albero che compare nelle precedenti formule di pricing.
n
0j=n j) (nodopayoff j) (nodoàprobabilit contratto del prezzo
fR1
1
n
0j=n j) (nodopayoff j) (nodoàprobabilit contratto del prezzo
fR1
1
“Butterflay Spread” e prezzi di Arrow-Debreu Naturalmente le due probabilità sono
strettamente collegate...
1 2
21p 21p
“Butterflay Spread” e prezzi di Arrow-Debreu Il prezzo di un titolo di Arrow-Debreu individua il valore
scontato della probabilità associata al nodo nel quale il titolo paga un'unità.
Infatti ricordando la definizione di titolo di Arrow-Debreu di scadenza n e nodo i ...
... segue che
0
, altrimenti
nstepalloinodosul1P AD
ni
0
, altrimenti
nstepalloinodosul1P AD
ni
1 i) (nodo Probn,
f
ADni
R1
1P 1 i) (nodo Probn,
f
ADni
R1
1P
“Butterflay Spread” e prezzi di Arrow-Debreu Ritornando alla notazione matematica possiamo scrivere che il
prezzo di mercato di un contratto derivato con data di esercizio n e payoff descritto dalla funzione g(.) è dato da
dove j(n) denota il prezzo del titolo di Arrow-Debreu che paga
un’unità di valore nel nodo j al tempo n e yj(n) rappresenta il valore
del titolo rischioso su tale nodo. Se fossimo in grado di osservare e operare su titoli di Arrow-Debreu
potremmo valutare e replicare qualsiasi contratto derivato.
n
jjj nygnyg
0
0,
n
jjj nygnyg
0
0,
“Butterflay Spread” e prezzi di Arrow-Debreu Assumete di avere un albero binomiale in cui il valore del titolo
rischioso su ogni nodo differisce di una quantità h rispetto al nodo adiacente...
... e di calcolare il valore di 1/h unità di un butterfly spread centrato sul valore yi(n).
Il payoff corrispondente, PBS, sarà descritto dalla funzione
per i, j = 0, 1…n.
se
se;,
1
ji0
ji1nynyP
h iBS
se
se;,
1
ji0
ji1nynyP
h iBS
“Butterflay Spread” e prezzi di Arrow-Debreu Abbiamo così costruito un titolo di Arrow-Debreu! Con questa tecnica, suggerita per la prima volta da Breeden e
Litzenberger (1978), siamo in grado di estrarre dai valori delle opzioni quotate sul mercato la probabilità implicita assegnata al nodo i dell'albero al tempo n.
Più precisamente,
Inoltre, l'insieme dei butterfly spread con data di esercizio al tempo n può essere usato come base per la determinazione, in coerenza con il principio di non arbitraggio, di tutti i contratti di tipo europeo con stessa data di esercizio.
;, 1
=, nynyPh
R1niP iBSn
fimp ;, 1
=, nynyPh
R1niP iBSn
fimp
Probabilità implicite
Valore di un call spread verticale
C(Mib30,t;T,40000-h)- C(Mib30,t;T,40000)
Dividiamo per h e prendiamo il limite per h che tende a zero per ottenere
- dC(C(Mib30,t;T,K)/dK = Prob(Mib30 > 40000)Prob(.) è la probabilità aggiustata per il rischio
Nello stesso modo possiamo costruire una butterfly prendendo la differenza tra due spread verticali
d2C(C(Mib30,t;T,K)/dK2 = f(Mib30 = 40000)f è la densità aggiustata per il rischio
Bull spread: Mib30 - 40000
-40000
-30000
-20000
-10000
0
10000
20000
30000
40000
50000
0 10000 20000 30000 40000 50000 60000 70000 80000
-40000
-30000
-20000
-10000
0
10000
20000
30000
40000
50000
0 10000 20000 30000 40000 50000 60000 70000 80000
Butterfly spread
Calcolo della densità implicita: gli step Analisi dei prezzi di mercato delle opzioni Calcolo dei prezzi degli spread verticali Calcolo dei prezzi delle butterfly Dividiamo il valore delle butterfly per il loro pay-off (h) Dividiamo il valore così ottenuto per il fattore di sconto
Data esercizio
Prezzo strike Prezzo opzione Spread verticale Butterfly spread
Arrow-Debreu
APR. 35000 2624
APR. 36000 1786
APR. 37000 1440 1184 342 17.10%
APR. 38000 911 875 307 15.35%
APR. 39000 598 842 422 21.10%
APR. 40000 343 568 334 16.70%
APR. 41000 178 420
APR. 42000 109 234
I prezzi di Arrow Debreu impliciti nelle opzioni: un esempio sul MIB30 (Fonte: Il Sole24Ore 11/03/1999)
Data esercizio
Prezzo strike Prezzo opzione Spread verticale Butterfly spread
Arrow-Debreu
APR. 35000 2624
APR. 36000 1786
APR. 37000 1440 1184 342 17.10%
APR. 38000 911 875 307 15.35%
APR. 39000 598 842 422 21.10%
APR. 40000 343 568 334 16.70%
APR. 41000 178 420
APR. 42000 109 234
I prezzi di Arrow Debreu impliciti nelle opzioni: un esempio sul MIB30 (Fonte: Il Sole24Ore 11/03/1999)
“Butterflay Spread” e prezzi di Arrow-Debreu Abbiamo così descritto una tecnica per estrarre dai prezzi
delle opzioni informazione sulle probabilità da assegnare ai
nodi dell'albero.
Il passo successivo è ovviamente il tentativo di costruire
l'intero albero a partire dalle informazioni contenute nei prezzi
di mercato, dando così una descrizione completa della
dinamica del prezzo in essi implicita.
La ricerca più recente nel campo degli alberi binomiali è stata
indirizzata in questa direzione ed ha dato vita ad un filone di
letteratura noto come: alberi impliciti (implied trees).
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
Alberi Binomiali Impliciti Due tecniche opposte
Rubinstein (backward induction) Stima della probabilità implicita a un temp T >t Ricostruzione della dinamica del titolo da T a t
Derman & Kani (forward induction) Osservazione del valore di opzioni al tempo t Costruzione della dinamica del titolo da t a T
Il metodo di Rubinstein Questo metodo rappresenta un primo tentativo di riprodurre la dinamica, aggiustata
per il rischio, del prezzo di un titolo, a partire dai prezzi di mercato di contratti
derivati.
Assumiamo di osservare un insieme di opzioni con data di esercizio nel periodo n e
diversi prezzi d'esercizio.
Utilizzando l'approccio di Breeden e Litzenberger sopra descritto sappiamo che sulla
base di queste informazioni siamo in grado di estrarre i prezzi dei titoli di Arrow-Debreu.
Partendo da questa informazione vogliamo ricostruire la dinamica del prezzo.
Un algoritmo che è in grado di produrre questo risultato è stato proposto da Mark
Rubinstein (1994).
Il metodo di Rubinstein sfrutta le proprietà dei prezzi di Arrow-Debreu e della misura di
probabilità aggiustata per il rischio. Un'importante assunzione che è necessaria allo
sviluppo del modello è che sia noto il legame tra le probabilità attribuite a ciascun
nodo e le probabilità dei vari sentieri che conducono a quel nodo.
Il metodo di Rubinstein Nel modello originale proposto da Rubinstein si ipotizza che ai
sentieri che portano allo stesso nodo sia attribuita la stessa probabilità.
Esplicitamente:
dove pj (n) è la probabilità assegnata a ciascun sentiero che porta al nodo j al tempo n.
npj
nj
=
sentieri dei prob. n)(j, a portano che n.sentieri
=n)(j, nodo prob.
npj
nj
=
sentieri dei prob. n)(j, a portano che n.sentieri
=n)(j, nodo prob.
Il metodo di Rubinstein: due livelli
Analizziamo prima l'algoritmo proposto da Rubinstein in un semplice modello con n = 2.
Quello che assumiamo di conoscere è l'insieme dei valori del titolo rischioso al tempo 2 e le rispettive probabilità aggiustate per il rischio associate ad ogni sentiero (cioè yi(2) e pi(2), i = 0, 1, 2).
Richiamiamo l’attenzione sull’ipotesi di equiprobabilità dei sentieri che portano allo stesso nodo, che ci consente di scrivere p1(2) = (1- H ) = (1- ) L.
Vogliamo ricavare: i) i due possibili valori del titolo rischioso al tempo 1 (cioè yi(1), i =
0,1); ii) la probabilità di un aumento o una diminuzione tra t = 0 e t = 1 e tra
t = 1 e t = 2.
Il metodo di Rubinstein: due livelli
0t 1t 2t
)(0y0
)(1y0
)(1y1
)(2y0
)(2y1
)(2y2
H0 2p )(
))(()( L2 112p
L
H1
1
12p
)(
)()(
H
L
Il metodo di Rubinstein: due livelli L'algoritmo proposto da Rubinstein è molto semplice
e consiste di quattro fasi. Fase 1: determinazione del tasso non rischioso. E' ottenuta
direttamente utilizzando le proprietà della misura aggiustata per il rischio. In particolare
22222221
10 22110020 ypypyp
Ry
f
22222221
10 22110020 ypypyp
Ry
f
0
22
0
222
0
221
0
22
0
11
0
00
2
y
yp
y
yp
y
ypR f
0
22
0
222
0
221
0
22
0
11
0
00
2
y
yp
y
yp
y
ypR f
Il metodo di Rubinstein: due livelli Fase 2:
determiniamo le probabilità dei sentieri che portano ai due nodi al tempo t = 1, cioè p0 (1) = e p1(1) =1 - .
Poiché le probabilità attribuite ai sentieri sono probabilità composte di sequenze di aumenti e diminuzioni del prezzo otteniamo che, prendendo ad esempio p0(2) = H e p1(2) = (1 - H ),
Fase 3: in ciascun nodo raggiungibile al tempo t = 1 calcoliamo le probabilità di
un aumento del prezzo, cioè H e L. Utilizzando p0(2) = H ed il calcolo di p0(1) = ricavato nella fase 2
otteniamo (e L in modo analogo)
221 100 ppp 221 100 ppp
12
0
0
p
pH
12
0
0
p
pH
Il metodo di Rubinstein: due livelli Fase 4:
calcoliamo i possibili valori del titolo rischioso al tempo 1, cioè y0(1) e y1(1).
Sfruttiamo ancora una volta le proprietà della misura aggiustata per il rischio per ottenere
e ricaviamo y1(1) in maniera analoga. Si noti che a questo punto dell'algoritmo i termini che compaiono
a destra nell'equazione sono noti.
2121
11 100 yy
Ry HH
f
2121
11 100 yy
Ry HH
f
Il metodo di Rubinstein: caso generale L'estensione ad un numero generico di periodi e di nodi è soltanto
una questione di notazione. Nella fase 1 avremo infatti
Il coefficiente binomiale rappresenta il numero dei possibili sentieri che portano al nodo j in n mosse;
Si noti che in questo modo abbiamo utilizzato l'ipotesi di
equiprobabilità dei sentieri che portano allo stesso nodo.
n
j
jj
nf y
nynp
j
nR
0 0 01
n
j
jj
nf y
nynp
j
nR
0 0 01
Il metodo di Rubinstein
Nelle fasi 2 e 3 avremo ancora
e infine
npnpnp jjj 11 npnpnp jjj 11
1np
np
j
j
j 1np
np
j
j
j
nynyR
ny jjjjf
j 111
11
nyny
Rny jjjj
fj 11
1
11
Il metodo di Rubinstein A questo punto conosciamo i valori del titolo rischioso e le
rispettive probabilità (yj (n – 1) e pj (n – 1)) e siamo in grado di
ripetere l'algoritmo dalla fase 2 alla fase 4 per ricavare la
stessa informazione riferita al tempo n - 2, e così via fino a
raggiungere la radice dell'albero.
Come abbiamo visto, il metodo di Rubinstein utilizza una
strategia di backward induction, che partendo da una certa
data futura ricostruisce l'albero procedendo all'indietro, fino
alla radice.
Subito dopo l’esempio discuteremo invece di una metodologia
che sfrutta una strategia di segno opposto (forward induction).
Esempio ProgrammazioneVBA
Esempio ProgrammazioneVBA
Calcolo di un Albero Binomiale Implicito con il metodo di RubinsteinCalcolo di un Albero Binomiale Implicito con il metodo di Rubinstein
Il metodo di Derman e Kani Una metodologia alternativa a quella sopra descritta
è stata proposta da Emmanuel Derman e Iraq Kani di Goldman & Sachs.
Come anticipato poco sopra, l'idea è di partire dalla radice dell'albero e procedere in avanti, utilizzando i prezzi di opzioni osservate sul mercato su scadenze diverse.
Come nelcaso precedente, è utile sviluppare in prima battuta l'analisi su un modello di due periodi, ed estenderla poi su un orizzonte arbitrario.
Il Metodo di Derman e Kani: due livelli Vediamo innanzitutto di definire lo sviluppo dell'albero subito dopo la
radice, al tempo t = 1.
Le incognite sono tre:
valore del titolo rischioso nel nodo zero del primo livello y0(1)
valore del titolo rischioso nel nodo zero del primo livello y1(1)
la probabilità aggiustata per il rischio, di un aumento o diminuzione del prezzo,
.
Assumiamo invece di osservare: il valore del titolo rischioso al tempo 0, y(0)
il tasso d'interesse non rischioso Rf
il prezzo di mercato di un'opzione call, con data di esercizio al tempo t = 1 e
prezzo di esercizio pari al valore corrente del titolo rischioso, y(0) (un'opzione at-
the-money).
Il metodo di Derman e Kani: due livelli
0t 1t 2t
)(0y0
)(1y0
)(1y1
)(2y0
)()( 0y2y1
)(2y2
H
L
call(.;y (0),1) = y0(1) – y(0) call(.;y 0(1),2) = y0(2) – y0(1)
put(.;y1(1),2) = y1(1) - y2(2)
Il Metodo di Derman e Kani: due livelli Il problema è di sfruttare le variabili osservate e le proprietà
della misura aggiustata per il rischio per definire un sistema di equazioni che consenta di ricavare le tre incognite: y0(1), y1(1) e .
Una prima proprietà della misura di probabilità aggiustata per il rischio consente di esprimere il prezzo forward del titolo rischioso, definito come F0(0) (1 + Rf)y0(0), usando la proprietà di martingala
1110 100 yyF 1110 100 yyF
Il Metodo di Derman e Kani: due livelli Possiamo poi utilizzare l'equazione di valutazione dell'opzione
call, della quale osserviamo il prezzo sul mercato, per ottenere una seconda equazione del modello
dove abbiamo assunto il caso non degenere y0(1) > y(0) > y1(1)
(l'opzione viene esercitata solo su uno dei due nodi).
011 00 yy
RC
f
01
1 00 yyR
Cf
Il Metodo di Derman e Kani: due livelli La chiusura del modello richiede l'introduzione di una terza equazione. Derman e Kani propongono di sfruttare questo grado di libertà per definire la traiettoria
della parte centrale dell'albero, con la scelta di una centering condition. In particolare propongono di sviluppare la parte centrale dell'albero intorno al valore
corrente y(0) del titolo rischioso, in parallelo con il modello binomiale a volatilità costante
che segue immediatamente da
Utilizzando la centering condition nelle equazioni del prezzo forward e dell'opzione otteniamo la probabilità aggiustata per il rischio ed il valore del titolo rischioso sui due nodi.
110 102 yyy 110 10
2 yyy
con , 1udd0y1yu0y1y 0100 con , 1udd0y1yu0y1y 0100
Il Metodo di Derman e Kani: due livelli Procediamo avanti nell'albero, cercando di determinarne i
valori rilevanti al tempo 2.
Le incognite adesso sono cinque: i valori del titolo rischioso sui tre nodi (y0(2) e y1(2) e y2(2)); le probabilità di un aumento del prezzo a partire da ciascuno dei
due nodi raggiungibili al tempo 1, cioè H e L.
Assumiamo di osservare: tutte le variabili dell'albero fino al tempo 1; il prezzo di mercato di un'opzione call con data di esercizio al
tempo 2 e prezzo di esercizio pari a y0(1); il prezzo di mercato di un'opzione put con data di esercizio al
tempo 2 e prezzo di esercizio pari a y1(1).
Il Metodo di Derman e Kani: due livelli A questo punto possiamo seguire una strategia analoga alla precedente e
definire due equazioni per i prezzi forward
Per quanto riguarda l'opzione call, avremo
0(1) è valore corrente di un titolo Arrow-Debreu che paga un’unità di valore in corrispondenza
dello stato y0(1) e dove ancora una volta poniamo y0(2) > y0(1) > y1(2)
212111 1000 yyFyR Huf 212111 1000 yyFyR Huf
212111 2111 yyFyR Ldf 212111 2111 yyFyR Ldf
121
112
12,1.; 00
00020 yy
Ryy
RyCall
f
H
f
H
12
1
112
12,1.; 00
00020 yy
Ryy
RyCall
f
H
f
H
Il Metodo di Derman e Kani: due livelli Analogamente, per l'opzione put abbiamo:
dove 1(1) è un prezzo di Arrow-Debreu e assumiamo ancora y1(2) > y1(1) > y1(2). Abbiamo ancora una volta un grado di libertà da utilizzare, con quattro equazioni a fronte di cinque incognite.
Ancora una volta, il modello è chiuso definendo la centering condition, che in questo caso impone al prezzo del titolo di ritornare al valore corrente:
211
11
211
112,1;0,
211
2121
yyR
yyR
yyPut
f
d
f
d
211
11
211
112,1;0,
211
2121
yyR
yyR
yyPut
f
d
f
d
02 01 yy 02 01 yy
Il Metodo di Derman e Kani: due livelli Passiamo adesso ad analizzare l'algoritmo per un arbitrario nodo i al tempo
n - 1. Al tempo n - 1 assumiamo di conoscere, per averli già calcolati con il nostro
meccanismo di forward induction, gli n valori del titolo rischioso ed i rispettivi prezzi di Arrow-Debreu.
Vogliamo calcolare i valori delle variabili al tempo n, su n + 1 nodi. Consideriamo il generico nodo i e assumiamo di osservare al tempo 0 il
valore di un'opzione call con data di esercizio al tempo n e prezzo di esercizio pari a yi(n - 1).
Scriviamo l'equazione di valutazione dell'opzione nel modo seguente
1i
0ji1jjijjj
f
iif
ii
1nyny11nynyR1
1
1nynyR1
Call
1i
0ji1jjijjj
f
iif
ii
1nyny11nynyR1
1
1nynyR1
Call
Il modello di Derman e Kani: n livelli
t=n-1 t=n
y1(n)
0 y0(n)
n-1
yn(n)
yi(n)
yi+1(n)
yn-1(n)
i
.
.
0 , y0(n-1)
i, yi(n-1)
n-1, yn-1(n-1)
Il modello di Derman e Kani (generalizzazione)
t=n-1 t=n
y1(n)
0 y0(n)
n-1
yn(n)
yi(n)
yi+1(n)
yn-1(n)
i
.
.
0 , y0(n-1)
i, yi(n-1)
n-1, yn-1(n-1)
Il modello di Derman e Kani (generalizzazione)
Il modello di Derman e Kani: n livelli Utilizzando la definizione di prezzo forward e le proprietà della
misura aggiustata per il rischio:
nynynyRF jjjjjfj 1111 nynynyRF jjjjjfj 1111
1
0
1
01
1
111
i
jijj
i
jijjijjj
nyF
nynynyny
1
0
1
01
1
111
i
jijj
i
jijjijjj
nyF
nynynyny
Il modello di Derman e Kani: n livelli Il nuovo termine S è calcolabile a partire dall'informazione disponibile al tempo n - 1.
L'equazione di valutazione dell'opzione può quindi essere scritta in forma più succinta
D'altronde, la proprietà della probabilità aggiustata per il rischio implica
Sostituendo nell'equazione di valutazione dell'opzione e riordinando i termini otteniamo
cosicché il valore yi (n) è ottenuto in funzione di variabili note al tempo n - 1 e del valore yi + 1 (n).
1nynyCR1 iiiif 1nynyCR1 iiiif
nyny
nyF
ii
iii
1
1
nyny
nyF
ii
iii
1
1
nyFCR
nyFnyCRnyny
iiif
iiiifii
1
11
1
11
nyFCR
nyFnyCRnyny
iiif
iiiifii
1
11
1
11
Il modello di Derman e Kani: n livelli Possiamo notare la struttura ricursiva dell'algoritmo, e il fatto che è
necessario definire un grado di libertà ulteriore per l'inizializzazione. Tale grado di libertà consente l'introduzione della centering
condition, che ricordiamo essere
dove osserviamo che la numerazione dei nodi include 0, cosicché al tempo n abbiamo n + 1 nodi.
Così, ponendo ad esempio i + 1 = n/2 nel caso in cui n sia pari, siamo in grado di inizializzare l'algoritmo e calcolare y i (n) utilizzando un'opzione call con prezzo di esercizio yi (n - 1).
pari è se 0
dispari è se 0 condition centering
2/0
2/)1(2/)1(2
0
nnyy
nnynyy
n
nn
Il modello di Derman e Kani: n livelli Utilizzando poi il valore yi(n) così ottenuto, insieme al prezzo di un'opzione con
prezzo di esercizio pari a yi - 1(n - 1) siamo in grado di calcolare yi - 1(n), e così via fino all'ultimo nodo della parte superiore dell'albero.
I nodi della parte inferiore verranno invece ricavati in maniera speculare utilizzando opzioni put.
Infine, le probabilità di un aumento del prezzo in ogni nodo verranno calcolate utilizzando l'equazione dei prezzi forward. I prezzi di Arrow-Debreu al tempo n saranno calcolati come
A questo punto, disponiamo dei prezzi del titolo rischioso e dei titoli di Arrow-Debreu per ogni nodo al tempo n e possiamo continuare il calcolo per definire la struttura dell'albero al tempo n + 1, n + 2 e così via.
f
iii R
nn
1
1
f
iii R
nn
1
1
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
Derman, Kani & Chriss
Alberi Trinomiali Impliciti Gli alberi trinomiali impliciti rappresentano una generalizzazione del
caso binomiale implicito; anche in questo caso l’albero viene “distorto” in modo da incorporare
una volatilità locale dipendente dal tempo e dal sottostante (smile e struttura a termine di volatilità)
Derman, Kani & Chriss
Alberi Trinomiali Impliciti Nel determinare i parametri di un albero binomiale implicito, si
hanno un uguale numero di equazioni e di incognite; l’albero che si viene così a determinare è unico; Questa caratteristica di unicità talvolta può essere
svantaggiosa in quanto non permette di aggiustare i valori per calibrare situazioni in cui la volatilità cambia molto al variare del tempo e del livello del sottostante;
Per questo talora è preferibile ricorrere ad alberi trinomiali impliciti;
questo tipo di alberi possiedono un numero di parametri naturalmente più elevato e permettono di fissare in maniera arbitraria i prezzi dei nodi (price state);
Nel caso di un albero trinomiale, al termine di ogni step dobbiamo determinare cinque incognite la probabilità p la probabilità q il prezzo Su
il prezzo Sm
il prezzo Sd
Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Per l’assenza di arbitraggio abbiamo
... e per ottenere nel continuo la volatilità desiderata deve essere
Abbiamo quindi due vincoli e cinque incognite, per cui in ogni nodo restano tre parametri liberi che possiamo fissare a piacere
Derman, Kani & Chriss
Alberi Trinomiali Impliciti
0mdu FSqp1qSpS )( 0mdu FSqp1qSpS )(
)()( tOtFFSqp1FSqFSp 220
20m
20d
20u )()( tOtFFSqp1FSqFSp 22
02
0m2
0d2
0u
Possiamo utilizzare questa libertà per scegliere in maniera adeguata l’albero dei prezzi (price state);
La scelta deve essere fatta in modo da garantire che le probabilità di transizione restino comunque confinate all’interno dell’intervallo [0, 1];
Una volta fissati i prezzi (ad esempio tramite la procedura utilizzata per generare un albero trinomiale standard) possiamo utilizzare i dati delle opzioni e dei forward in nostro possesso per calcolare i valori della probabilità di transizione;
Le formule che si ottengono sono simili al caso precedentemente visto a proposito dell’albero implicito binomiale;
Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Derman, Kani & Chriss
Alberi Trinomiali Impliciti Forward Price
Option Price
ponendo K = Si+1 e riordinando otteniamo
i1iii2ii FSqp1Sp )( i1iii2ii FSqp1Sp )(
j
jjj1j1j1j2j2jtr
1n 0KSqqp1petKC ,max),(
j
jjj1j1j1j2j2jtr
1n 0KSqqp1petKC ,max),(
n2
1ij1ijj1i2iii1n1i
tr SFSSptSCe )()(,
n2
1ij1ijj1i2iii1n1i
tr SFSSptSCe )()(,
Nella precedente equazione l’unica incognita è la probabilità di transizione in quanto i prezzi sono fissati a priori e i valori delle opzioni e del forward sono noti; possiamo pertanto scrivere
Derman, Kani & Chriss
Alberi Trinomiali Impliciti
)(
)(),(
1i2ii
n2
1ij1ijj1n1i
tr
i SS
SFtSCe
p
)(
)(),(
1i2ii
n2
1ij1ijj1n1i
tr
i SS
SFtSCe
p
1ii
1i1i2iiii SS
SSSpFq
)(
1ii
1i1i2iiii SS
SSSpFq
)((eq. forward price)
Utilizzando i prezzi di opzioni put possiamo calcolare le probabilità per i nodi del livello centrale e di quelli ad esso sottostanti
Derman, Kani & Chriss
Alberi Trinomiali Impliciti
)(
)(),(
i1ii
1i
0jj1ij1n1i
tr
i SS
FStSPe
q
)(
)(),(
i1ii
1i
0jj1ij1n1i
tr
i SS
FStSPe
q
1i2i
1ii1iiii SS
SSSqFp
)(
1i2i
1ii1iiii SS
SSSqFp
)((eq. forward price)
Derman, Kani & Chriss
Alberi Trinomiali Impliciti Una situazione che genera probabilità negative
Esempio ProgrammazioneVBA
Esempio ProgrammazioneVBA
Alberi Trinomiali ImplicitiAlberi Trinomiali Impliciti
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
Alberi per tassi di interesse L’albero per i tassi di interesse è una rappresentazione in
tempo discreto del processo stocastico per il tasso a breve così come l’albero per i prezzi di un’azione è una rappresentazione in tempo discreto del processo seguito dal prezzo di un’azione;
Se l’intervallo di tempo usato è t, i tassi di interesse riportati sull’albero sono i tassi composti continuamente relativi ad un periodo di ampiezza pari a t.
L’assunzione che si fa di solito quando si costruisce un albero è che il tasso relativo al periodo t segua lo stesso processo stocastico del tasso istantaneo nel corrispondente modello in tempo continuo.
Alberi per tassi di interesse Una delle principali differenze fra gli alberi per i tassi di interesse e
gli alberi per i prezzi di un’azione sta nel modo in cui si effettua l’attualizzazione: nell’albero per i prezzi di un’azione si assume di solito che il tasso di
attualizzazione sia lo stesso ad ogni nodo... ... nell’albero per i tassi di interesse il tasso di attualizazione cambia da
nodo a nodo.
Per i tassi di interesse, spesso risulta conveniente usare un albero trinomiale piuttosto che binomiale;
il principale vantaggio di un albero trinomiale è che esso offre un ulteriore grado di libertà facilitando la rappresentazione di proprietà del processo seguito dal tasso di interesse come la mean reversion.
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
Il modello ad alberi di Hull e White
Hull e White hanno proposto una procedura a due stadi per costruire alberi trinomiali relativi ad un ampio insieme di modelli ad un fattore.
Vediamo come si applica questa procedura al modello dinamico di Hull e White per il tasso istantaneo di interesse.
H&W hanno dimostrato in una serie di lavori che la procedura può essere generalizzata in modo relativamente semplice ad un’ampia categoria di modelli stocastici per la dinamica di r .
Il modello ad alberi di Hull e White Ramificazioni non standard
Hull e White hanno proposto delle modifiche al metodo di ramificazione standard di un albero trinomiale;
le ramificazioni non standard (riportate in figura) si rivelano utili per incorporare il fenomeno della mean reversion quando i tassi di interesse sono molto alti o, rispettivamente, molto bassi.
Primo stadio Ricordiamo che la dinamica del tasso di interesse istantaneo nel
modello di Hull e White è descritta da un processo stocastico del tipo
dove a e sono delle costanti come vedremo la funzione Theta viene scelta in modo da calibrare
il modello sulla struttura a termine iniziale.
dzdtartdr )( dzdtartdr )(
Primo stadio
il primo passo della procedura prevede di implementare un albero che tenga conto del fenomeno della mean reversion
A tale scopo si considera la variabile ausiliaria r* la cui dinamica è descritta dall’equazione
dzdtardr dzdtardr
Primo stadio
Si tratta di un processo simmetrico attorno a r* = 0 ; se consideriamo l’incremento
questo ha una distribuzione normale; inoltre se si ignorano termini di ordine superiore a t, il valore atteso
dell’incremento è pari a
e la sua varianza risulta
)()( trttr )()( trttr
ttar )( ttar )(
t2 t2
Primo stadio
Nell’albero la spaziatura fra i tassi di interesse viene scelta uguale a
secondo H&W questo valore risulta ottimale dal punto di vista della minimizzazione degli errori
Nel modello vi è l’assunzione implicita che il tasso istantantaneo si riferisca in realtà all’istante t che comunque si suppone piccolo.
t3r t3r
Primo stadio
Nel corso del primo stadio l’obiettivo è quello di costruire un albero i cui nodi siano equispaziati sia rispetto a r* che rispetto a t;
al fine di implementare la mean reversion occorrerà scegliere per ciascun nodo quale sia il metodo di ramificazione appropriato per proseguire la costruzione dell’albero;
Questa scelta determinerà la forma complessiva dell’albero; Infine dovremo calcolare le probabilità corrispondenti ad ogni
ramificazione;
Primo stadio
Primo stadio
La scelta del modello di ramificazione è determinata in base alla condizione che in ciascun nodo tutte e tre le probabilità di transizione devono risultare definite positive;
Nella maggior parte dei casi risulta valida la ramificazione simmetrica...
Primo stadio
Quando a > 0 è necessario passare alla ramificazione orientata verso il basso per un valore di j sufficientemente elevato;
analogamente, per valori di j sufficientemente bassi, è necessario utilizzare la ramificazione orientata verso l’alto
Primo stadio
Sia jmax il valore di j in corrispondenza del quale si passa dalla ramificazione simmetrica a quella orientata verso il basso e jmin il valore per il quale deve avvenire il cambiamento con la ramificazione orientata verso l’alto;
Hull e White hanno mostrato che per ottenere probabilità sempre positive è sufficiente scegliere
maxminmax ,.
int min jjta
1840j
maxminmax ,
.int min jj
ta
1840j
Primo Stadio
Siano pu , pm e pd le probabilità connesse con i rami
superiore, intermedio e inferiore che vengono generati dal nodo;
Le probabilità vengono scelte in modo coerente con il valore atteso e la varianza della variazione di r* nell’intervallo t ;
Inoltre la somma delle tre probabilità deve essere 1;
Primo stadio
Se al nodo (i, j) il metodo di ramificazione è quello simmetrico, le tre condizioni si traducono nelle seguenti equazioni:
1ppp
trjatrprp
trajrprp
dmu
222222d
2u
du
1ppp
trjatrprp
trajrprp
dmu
222222d
2u
du
Primo stadio
Ricordando che
t3r 22 t3r 22
2
tajtja
6
1p
tja3
2p
2
tajtja
6
1p
222
d
222m
222
u
2
tajtja
6
1p
tja3
2p
2
tajtja
6
1p
222
d
222m
222
u
Primo stadio
2
taj3tja
6
7p
taj2tja3
1p
2
tajtja
6
1p
222
d
222m
222
u
2
taj3tja
6
7p
taj2tja3
1p
2
tajtja
6
1p
222
d
222m
222
u
Primo stadio
2
tajtja
6
1p
taj2tja3
1p
2
taj3tja
6
7p
222
d
222m
222
u
2
tajtja
6
1p
taj2tja3
1p
2
taj3tja
6
7p
222
d
222m
222
u
Secondo Stadio
Il secondo stadio nella costruzione dell’albero consiste nel convertire l’albero per r* nell’albero per r;
ciò si ottiene spostando i nodi nell’albero di r* in modo da assicurare la coerenza con la term structure iniziale
Questo significa che una volta calibrato l’albero, i prezzi degli zero coupon che maturano ad ogni periodo dell’albero devono coincidere con i prezzi implici nella struttura per scadenza dei tassi correntemente osservata sul mercato.
Secondo Stadio
Definiamo la funzione
E’ facile verificare che la dinamica seguita da questa funzione è descritta da
di fatto calibrare il modello significa, come avevamo accennato all’inizio, scegliere un’opportuna funzione Theta in grado di rendere coerente l’albero dei tassi con la struttura a termine iniziale.
)()()( trtrt )()()( trtrt
dttatd )()( dttatd )()(
Secondo stadio
Secondo Stadio
Indichiamo con i la differenza fra il valore di r e r* al
tempo it ;
sia poi Qi,j il valore attuale di un titolo che paga 1 unità
di valore se viene raggiunto il nodo (i,j) e zero altrimenti (prezzo di Arrow-Debreu);
le i e le Qi,j vengono calcolate iterativamente tramite
un processo di induzione forward .
Secondo stadio da un punto di vista generale, supponiamo che le Qi,j siano state determinate
fino al livello m ;
il passo successivo consiste quindi nel determinare m in modo che l’albero
valuti correttamente un titolo a sconto con scadenza al tempo (m+1)t ;
Il tasso di interesse al nodo (m, j) è pari a jr + m per cui il prezzo di un
titolo a sconto con scadenza al tempo (m+1)t è pari a
dove nm è il numero di nodi al tempo mt su ciascuno dei due lati rispetto al
nodo centrale.
m
m
m
n
nj
trjjm1m eQP )(
,
m
m
m
n
nj
trjjm1m eQP )(
,
Secondo stadio La soluzione di questa equazione è
una volta determinato m, possiamo calcolare le Qi,j per i = m+1, infatti se indichiamo con q(k,j) la probabilità di passare dal nodo (m,k) al nodo (m+1,j) possiamo scrivere
t
PeQ 1m
n
nj
trjjm
m
m
m
lnln ,
t
PeQ 1m
n
nj
trjjm
m
m
m
lnln ,
k
trkkmj1m
mejkqQQ )(,, ),(
k
trkkmj1m
mejkqQQ )(,, ),(
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
Sistemi Lineari
La risoluzione di un sistema lineare ha un ruolo basilare nell’analisi
numerica Es. la discretizzazione di un’equazione differenziale porta alla soluzione di
un sistema lineare
Per questo scaturisce la necessità di avere a disposizione algoritmi
efficienti e per i quali siano note le proprietà di stabilità
Anche nell’ambito di una stessa categoria di problemi, quali ad esempio
quelli derivanti dalla risoluzione di equazioni differenziali, il tipo di
sistema può variare a seconda del metodo di discretizzazione utilizzato.
Sistemi Lineari
I metodi per la risoluzione dei sistemi lineari vengono, usualmente, divisi in due raggruppamenti Metodi Diretti: sono i metodi che in assenza di errori di
arrotondamento danno la soluzione in un numero finito di operazioni. Si tratta sostanzialmente dei metodi che utilizzano l’idea dell’eliminazione di Gauss.
Metodi Iterativi: la soluzione è ottenuta come limite di una successione di soluzioni di problemi lineari più semplici. Diversamente dal caso precedente, la matrice dei coefficienti non viene modificata durante il calcolo e quindi è più agevole sfruttarne la sparsità.
Sistemi Lineari: Metodi Diretti L’idea centrale dei metodi diretti è l’idea dell’eliminazione L’idea consiste nel ricavare (eliminare) da una fissata equazione
una particolare incognita e nella sua sostituzione nelle equazioni rimanenti
La sostituzione diminuisce la dimensione del problema Iterando il procedimento si riduce il problema originario ad un
problema ad una sola dimensione in una sola incognita Determinata tale incognita le altre componenti della soluzione
sono successivamente ottenute mediante una procedura di sostituzione all’indietro.
Sistemi Lineari: Sistemi Triangolari
Si tratta di un caso particolarmente importante perché la forma triangolare è il risultato finale dell’applicazione del metodo di
eliminazione a sistemi generali La soluzione è estremamente semplice
La matrice dei coefficienti è una matrice triangolare superiore o inferiore cioè rispettivamente della forma:
nn
n
n
u
uu
uuu
U
00
0 222
11211
nn
n
n
u
uu
uuu
U
00
0 222
11211
nnnn lll
ll
l
L
21
2221
11
0
00
nnnn lll
ll
l
L
21
2221
11
0
00
Sistemi Lineari: Sistemi Triangolari
Forward substitution
Backward substitution
bLy bLy
yUx yUx
N
jjiji
iii ylb
ly
l
by
1
11
11
1
N
jjiji
iii ylb
ly
l
by
1
11
11
1
N
ijjiji
iii
NN
NN
xuyu
x
u
yx
1
N
ijjiji
iii
NN
NN
xuyu
x
u
yx
1
Sistemi Lineari: Decomposizione LU
Supponiamo di dover risolvere un generico sistema del tipo
Se riusciamo a trovare due matrici, una triangolare inferiore L ed una triangolare superiore U tali che
Il nostro problema si riconduce alla risoluzione di due sistemi triangolari
bAx bAx
LUALUA
bLy bLy yUx yUx
Sistemi Lineari: Matrici Sparse In numerosi casi la matrice che descrive il sistema ha numerosi elementi nulli. Quale sia la percentuale di elementi necessaria per far ritenere una matrice
sparsa dipende naturalmente dal contesto. Comunemente una matrice è ritenuta sparsa se il numero di elementi diversi
da zero è dello stesso ordine di grandezza del numero di righe (e di colonne!) della matrice stessa: O(n).
La presenza di sparsità in una matrice rappresenta a priori un vantaggio dal momento che memorizzando solo gli elementi diversi da zero si possono ottenere notevoli vantaggi in termini di occupazione di memoria e di tempo di calcolo.
Tuttavia l’applicazione dei metodi diretti porta ad una modifica della matrice del sistema che tipicamente riduce o annulla la sparsità della matrice iniziale (fill-in).
Un’interessante alternativa ai metodi diretti, quando la matrice è sparsa e di grandi dimensioni è fornita dai metodi iterativi e dai metodi tipo gradiente. In essi, a differenza dei metodi diretti, la matrice di partenza non viene modificata e quindi per essi non esiste il problema del fill-in.
Sistemi Lineari: Studio dell’Errore Norme
Norma di un VettoreNel caso particolare di un vettore a valori reali con n dimensioni si definisce come norma p, con p compreso fra 1 e infinito, la quantità
Casi particolari: p = 2 Norma Euclidea p = Norma del Massimo (o di Chebichev)
pn
i
p
ipxx
/1
1
pn
i
p
ipxx
/1
1
ini
xx
1max i
nixx
1max
Sistemi Lineari: Studio dell’Errore Norme
Norma di una Matrice
La norma è “indotta” dalla norma dei vettori
BAAB BAAB
x
AxA
x 0sup
x
AxA
x 0sup
Sistemi Lineari: Studio dell’Errore Norma del massimo
La norma di matrice indotta dalla norma del massimo è la seguente
Cioè la massima delle somme dei moduli delle righe
n
jij
iaA
1
max
n
jij
iaA
1
max
Sistemi Lineari: Studio dell’Errore Matrici Convergenti
Per studiare la convergenza di procedure iterative è spesso necessario, come vedremo in seguito, stabilire quando per una matrice A si ha la convergenza a zero delle successive potenze, cioè quando
In questo caso si dice che la matrice è convergente. Una condizione sufficiente affinché una matrice risulti convergente è che per una norma si abbia
0lim
m
mA 0lim
m
mA
10lim
AAm
m10lim
AAm
m
Sistemi Lineari:Condizionamento Si tratta di studiare come varia la soluzione di un sistema lineare al variare dei
dati, cioè della matrice A e del termine noto b Iniziamo dal caso in cui venga modificato solo il termine noto…
bAx bAx bbxxA )( bbxxA )(
Sottraendo
Sottraendo
bAxbxA 1)( bAxbxA 1)(
Sistemi Lineari:Condizionamento
bAbAx 11 bAbAx 11
b
A
xxAAxb
1b
A
xxAAxb
1
b
bAA
x
x
1
b
bAA
x
x
1
Sistemi Lineari: Condizionamento Nel caso di variazione di A si ottiene…
bAx bAx bxxAA )( bxxAA )(
A
AAA
xx
x
1
A
AAA
xx
x
1
Numero di Condizionamento del Problema
Sistemi Lineari: Condizionamento Una matrice è detta ben condizionata
relativamente alla risoluzione di un sistema lineare se il numero di condizionamento non è “troppo grande” (questo naturalmente dipende dal contesto);
Si può dimostrare che il numero di condizionamento da una misura di quanto vicina sia una matrice all’essere singolare.
Sistemi Lineari: Metodi Iterativi
Rispetto ai metodi diretti hanno il vantaggio di preservare la struttura della matrice preservandone quindi l’eventuale sparsità
In generale sono di più facile implementazione Poiché tuttavia la soluzione è ottenuta come limite di una
successione per essere una valida alternativa possono aver bisogno di opportune tecniche di accelerazione
Introducono in ogni caso un errore dovuto all’approssimazione (studio della convergenza)
Sistemi Lineari: Metodi Iterativi Metodi di Jacobi, Gauss-Seidel, Rilassamento
L’idea comune ai differenti metodi è la seguente. Data una stima iniziale x(0) del sistema lineare
Ax = bsi costruisce una successione di vettori {x(k)} risolvendo successivamente dei sistemi lineari semplici.
0)det( MNMA 0)det( MNMA
bNxMx
bNxMxbAx
kk
)()1( bNxMx
bNxMxbAx
kk
)()1(
Sistemi Lineari: Metodi Iterativi La matrice
è detta matrice di iterazione;
essa individua un particolare metodo ed il suo studio è fondamentale per stabilire la convergenza e la rapidità di convergenza del corrispondente metodo;
E’ utile considerare la seguente decomposizione di A
AMIAMMNMB 111 )( AMIAMMNMB 111 )(
superiore etriangolar
inferiore etriangolar
diagonale
FEDA superiore
etriangolarinferiore
etriangolardiagonale
FEDA
Sistemi Lineari: Metodi Iterativi
Metodo di Jacobi
L’implementazione del metodo richiede due vettori xold, xnew; alla fine di ogni ciclo si pone xnew = xold. Le componenti del vettore xnew sono costruite a partire dal vettore xold in maniera indipendente; l’algoritmo è quindi in forma parallela.
FENDM , FENDM , ADIFEDBJ11 ADIFEDBJ
11
1
1 1
)()()1( 1 i
j
n
ij
kjij
kjiji
ii
ki xaxab
ax
1
1 1
)()()1( 1 i
j
n
ij
kjij
kjiji
ii
ki xaxab
ax
Sistemi Lineari: Metodi Iterativi
Metodo di Gauss-Seidel
A differenza del metodo di Jacobi, per l’implementazione del metodo di Gauss-Seidel è sufficiente un solo vettore; le componenti del vettore iterato, infatti, sono utilizzate non appena vengono calcolate.
FNEDM , FNEDM , FDEDIFEDBJ1111 FDEDIFEDBJ
1111
1
1 1
)()1()1( 1 i
j
n
ij
kjij
kjiji
ii
ki xaxab
ax
1
1 1
)()1()1( 1 i
j
n
ij
kjij
kjiji
ii
ki xaxab
ax
Sistemi Lineari: Metodi Iterativi Metodo di Rilassamento
Con l’obiettivo di accelerare la convergenza si possono modificare i metodi precedenti scegliendo di aggiornare il vettore al passo k + 1 con una opportuna media pesata del valore al passo k-esimo e del nuovo valore calcolato;
Ad esempio il metodo di Gauss-Siedel può essere così modificato; una voltà calcolata la quantità
Si assume come nuovo valore la combinazione lineare
1
1 1
)()1(1 i
j
n
ij
kjij
kjiji
iii xaxab
ay
1
1 1
)()1(1 i
j
n
ij
kjij
kjiji
iii xaxab
ay
)()1( )1( ki
ki xyx )()1( )1( k
ik
i xyx
Sistemi Lineari: Metodi Iterativi
Studio della convergenzaConsiderando la decomposizione generale ed indicando con x* la soluzione del sistema Ax = b, possiamo scrivere:
da cui, ponendo
Si ha la seguente relazione ricorrente sull’errore
che, per applicazione successiva, può essere scritta come
bMBxx
bMBxxkk 1)()1(
1**
bMBxx
bMBxxkk 1)()1(
1**
)()( * kk xxe )()( * kk xxe
)()1( kk Bee )()1( kk Bee
)0()1( eBe kk )0()1( eBe kk
Sistemi Lineari: Metodi Iterativi
Il metodo iterativo definito dalla matrice di iterazione B converge se e solo se
Da questo risultato discende che il metodo di rilassamento converge solo per
1B 1B
20 20
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
PDE: Definizioni e Classificazione L’equazione di Black & Scholes
Dinamica del sottostante descritta da un’equazione differenziale stocastica
Utilizzo del principio di non arbitraggio
02
12
222
rfS
frS
S
fS
t
f 02
12
222
rfS
frS
S
fS
t
f
Per trovare delle specifiche soluzioni è necessario aggiungere opportune condizioni al contorno
L’equazione ha alcune caratteristiche distintive È del secondo ordine È lineare È un’equazione parabolica
PDE: Definizioni e Classificazione
L’ordine di un’equazione differenziale è l’ordine più alto fra quelli delle derivate presenti all’interno dell’equazione
La forma generica di un’equazione differenziale lineare del secondo ordine è la seguente (dove è una funzione di x e y):
02
22
2
2
gfy
ex
dy
cyx
bx
a 02
22
2
2
gfy
ex
dy
cyx
bx
a
PDE: Definizioni e Classificazione
Per semplicità ci occuperemo solo di equazioni differenziali lineari; Sebbene in finanza la maggior parte dei modelli di pricing si basi
su PDE lineari, è interessante notare che si possono ottenere equazioni non lineari semplicemente eliminando alcune delle semplificazioni implicite nel modello di Black e Scholes;
Ad esempio introducendo i costi di transazione, l’equazione di Black & Scholes diventa… (Wilmott, Derivatives, Cap. 21)
PDE: Definizioni e Classificazione
La classificazione delle equazioni differenziali del secondo ordine dipende dal segno assunto dall’espressione
Se > 0 l’equazione è iperbolica Se = 0 l’equazione è parabolica Se < 0 l’equazione è ellittica
acb 42 acb 42
PDE: Definizioni e Classificazione
Equazione Ellittica Equazione di Laplace
Equazione Iperbolica Equazione delle Onde
02
2
2
2
yx
02
2
2
2
yx
01
2
2
22
2
xvt
01
2
2
22
2
xvt
PDE: Definizioni e Classificazione
Equazione Parabolica
Equazione della diffusione del calore
Perché è così interessante per la finanza?
Perché l’equazione di Black & Scholes è un’equazione
parabolica, anzi con un opportuno cambio di variabile si può
dimostrare che è esattamente uguale all’equazione della
propagazione del calore!
2
2
xk
t
2
2
xk
t
PDE: Definizioni e Classificazione
Per integrare l’equazione occorre
aggiungere una condizione iniziale
e delle condizioni al contorno
10 )()0,( xxux
Nei problemi finanziari la condizione iniziale è usualmente sostituita da una condizione terminale. Ad esempio il payoff di un’opzione è conosciuto solo alla scadenza.
Nei problemi finanziari la condizione iniziale è usualmente sostituita da una condizione terminale. Ad esempio il payoff di un’opzione è conosciuto solo alla scadenza.
0 ),1(),0( 0 tutt
PDE: Definizioni e Classificazione
Limiti del dominio di integrazione Da un punto di vista computazionale, il dominio di integrazione
deve essere comunque limitato sia nel tempo che nell’altra variabile (es. valore del sottostante)
Le condizioni al contorno sono molto semplici per le opzioni europee plain vanilla; per le opzioni con barriera di solito possono addirittura semplificare il
problema; per altri tipi di opzione esotiche le condizioni al contorno possono a
loro volta richiedere particolari tecniche numeriche per la loro espressione;
il caso delle opzioni americane è invece più complesso: siamo in presenza di un cosiddetto free boundary.
PDE: Definizioni e Classificazione
La forma dell’equazione e l’insieme delle condizioni iniziali e al
contorno determinano se un dato problema è ben posto;
Un problema è ben posto se Esiste una soluzione;
La soluzione è unica (almeno all’interno di una famiglia di
soluzioni di interesse);
La soluzione non risente della dipendenza sensibile dai dati del
problema (cioè una “piccola” perturbazione nei dati deve
risultare in una “piccola” perturbazione nella soluzione)
PDE: Definizioni e Classificazione
Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
L’idea di base
L’idea di base dei metodi alle differenze finite è intuitiva e pericolosa allo stesso tempo!
Si tratta di approssimare le derivate parziali con quozienti di differenze finite
S
C
S
C
• Forward Approximation
•Backward Approximation
•Central Approximation )(2
)()()( 2hO
h
hxfhxfxf
)()()(
)( hOh
xfhxfxf
)(
)()()( hO
h
xfhxfxf
)()()(
)( hOh
hxfxfxf
)(
)()()( hO
h
hxfxfxf
Approssimazione discreta della derivata del primo ordine
Approssimazione discreta della derivata del primo ordine
Dallo sviluppo in serie di Taylor possiamo ottenere un’approssimazione valida fino a termini del secondo ordine
)()()(2)(
)( 22
hOh
hxfxfhxfxf
)(
)()(2)()( 2
2hO
h
hxfxfhxfxf
Approssimazione discreta
della derivata del secondo ordine
Schemi di discretizzazione
In generale applicheremo i nostri schemi di discretizzazione a funzioni di due variabili
È naturale pertanto definire una griglia di punti della forma
I valori della funzione sulla griglia formano pertanto una matrice
),( yjxi ),( yjxi
),(),( yjxiyx ij ),(),( yjxiyx ij
Nei casi che andremo a studiare le variabili saranno S (valore del sottostante) e t (tempo alla scadenza del contratto)
Poiché non disponiamo di una condizione iniziale bensì di una condizione finale, è conveniente scegliere
SiS SiS
tjTt tjTt
Ii0
Jj 0
Schemi di discretizzazione
Schemi di discretizzazione
Osservazione 1 Poiché il dominio della soluzione all’equazione di Black e
Scholes nel continuo è 0 ≤ S < , IS rappresenta la nostra approssimazione dell’infinito;
In pratica questo limite superiore non necessità di essere eccessivamente grande, è sufficiente prendere un valore pari a tre o quattro volte il prezzo di esercizio;
Per le opzioni con barriera il problema talora si semplifica in quanto non è necessario trovare soluzioni per tutti i valori di S; ad esempio per un’opzione up-and-out non è necessario generare punti della griglia corrispondenti a valori di S che superano la barriera.
Schemi di discretizzazione
Osservazione 2 Notate che il tempo “scorre” al contrario,
all’aumentare di j , t diminuisce; Il valore della funzione sulla griglia sarà pertanto
indicato come
),( tjTSiffij ),( tjTSiffij
A seconda del tipo di equazione e dell’approsimazione utilizzata per
calcolare le derivate, otterremo un insieme di equazioni algebriche;
La definizione delle condizioni al contorno merita particolare attenzione;
In ogni caso ci aspetteremo che facendo tendere a zero gli incrementi
x e y la soluzione del set di equazioni algebriche converga alla
soluzione della PDE…
… ma questo non è assolutamente garantito!
Schemi di discretizzazione
Schemi di discretizzazione
Utilizziamo come esempio l’equazione di Black &
Scholes Approssimazione di
Approssimazione di
Approssimazione di
t
ff
t
f jiji
1,,
S
ff
S
f jiji
2,1,1
2
,1,,1
2
2 2
S
fff
S
f jijiji
Condizioni finali e payoff Alla scadenza il valore dell’opzione è pari al payoff da cui
ricaviamo la condizione:
Il payoff è una funzione nota di S, ad esempio per una call porremo:
)(),( 0, SiPayofffTSf i )(),( 0, SiPayofffTSf i
)0,max(0, KSifi )0,max(0, KSifi
Condizioni al contorno
Condizioni al contorno
Dobbiamo specificare il valore assunto dalla funzione f per
S = 0 e S = IS;
La specifica delle condizioni al contorno dipende dal tipo di
opzione;
Vediamo alcuni esempi…
Condizioni al contorno
Call Option Se il sottostante è nullo anche il valore dell’opzione è zero
Per grandi valori del sottostante il valore dell’opzione tende asintoticamente a
0,0 jf 0,0 jf
)( tTrKeS trj
jI KeSIf ,
trjjI KeSIf ,
Condizioni al contorno
Put Option Per S = 0 abbiamo la condizione
Mentre per grandi valori del sottostante la put diventa priva di valore, ovvero
trjj Kef ,0
trjj Kef ,0
0, jIf 0, jIf
Condizioni al contorno
Ulteriori condizioni
02
12
222
rfS
frS
S
fS
t
f 02
12
222
rfS
frS
S
fS
t
f
0),0(),0(
0
trf
t
tfS
1,0,0,01,0,0 10
jjj
jj ftrfrft
ff
Condizioni al contorno
Ulteriori condizioni: se il payoff è lineare in S per grandi valori di S
02
12
222
rfS
frS
S
fS
t
f 02
12
222
rfS
frS
S
fS
t
f
0),(
2
2
S
tSfS
jIjIjI fff ,2,1, 2
Condizioni al contorno
Opzioni con Barriere Es. up-and-out Call
V(Sb, t) = 0
Volendo inserire questa condizione nella griglia di valutazione, l’ideale sarebbe avere il valore della barriera lungo una linea della griglia stessa, cioè Sb/S dovrebbe essere un numero intero.
Condizioni al contorno
Condizioni al contorno
Opzioni con BarriereSpesso non è possibile verificare questa condizione, al fine di mantenere basso l’errore, in questi casi è conveniente considerare il punto che si trova oltre la barriera ed effettuare un’interpolazione.
Condizioni al contorno
Es. Condizione sulla Barriera Supponiamo quindi di avere una barriera che possiamo esprimere
nella forma
Ad esempio per un opzione di tipo “out” il valore di sarà 0 mentre per un’opzione di tipo “in” dovrà essere uguale al valore dell’opzione che entra in esercizio alla barriera.
)(),( ttSf B )(),( ttSf B
Condizioni al contorno Es. Condizione sulla Barriera
Se indichiamo quindi con fI-1,j un punto situato subito prima della barriera e con fI,j il punto della griglia subito oltre la barriera stessa, possiamo porre come condizione al contorno
In questo modo la retta che unisce i due punti assume esattamente valore sulla barriera.
S
SIS
dove
ff
b
jIjI
)1(
)1(1
,1,
S
SIS
dove
ff
b
jIjI
)1(
)1(1
,1,
Metodo Esplicito
0),(),(),(2
2
ftScS
ftSb
S
ftSa
t
f 0),(),(),(2
2
ftScS
ftSb
S
ftSa
t
f
),(2
2
2,,
,1,1,
2
,1,,1,
1,,
StOfcS
ffb
S
fffa
t
ff
jijijiji
ji
jijijiji
jiji
Riscriviamo l’equazione alle differenze finite ponendo il termine j + 1 a sinistra del segno di uguale
Metodo Esplicito
jijijijijijiji fCfBfAf ,1,,,,1,1, )1( jijijijijijiji fCfBfAf ,1,,,,1,1, )1(
jijiji
jijiji
jijiji
bcacC
S
tc
S
tctcacB
bcacA
,2,1,
221,,1,
,2,1,
2
1
, 2
2
1
Metodo Esplicito Nei casi che prenderemo in considerazione, i coefficienti A, B e C
non dipendono dal tempo e quindi non contengono l’indice j;
Esplicitando la dipendenza dai parametri dell’equazione
differenziale, possiamo quindi scrivere
triiC
triBtriiA
i
ii
22
2222
2
1
2
1
triiC
triBtriiA
i
ii
22
2222
2
1
2
1
Metodo Esplicito
Il metodo alle differenze finite esplicito è equivalente al calcolo con alberi trinomiali
Il valore dell’opzione in questo punto
E’ calcolato a partire dai valori dell’opzione in questi punti
L’equazione appena scritta vale solo per i punti interni alla griglia;
Abbiamo pertanto I – 1 equazioni per I + 1 incognite;
Le ulteriori due equazioni provengono dalle condizioni al contorno per i = 0 e i = I;
Se conosciamo fi,j per ogni i allora possiamo ricavare il valore di fi,j+1;
Metodo Esplicito
Metodo Esplicito Poiché conosciamo il valore di fi,0 che è pari al
valore del payoff, possiamo calcolare step by step tutti i valori nella griglia corrispondenti agli istanti precedenti fino al valore attuale.
Dal momento che il valore della funzione al passo temporale j + 1 è una funzione esplicita del valore agli step precedenti, il metodo appena descritto viene detto metodo alle differenze finite esplicito.
Esempio 1ProgrammazioneVBA
Esempio 1ProgrammazioneVBA
Calcolo del Prezzo di una Call Europea Calcolo del Prezzo di una Call Europea
Metodo Esplicito
Esempio 1 – Call Europea
'' loop di calcolo'For j = 0 To NumTStep - 1 For i = 1 To NumSStep - 1 A = 0.5 * dt * i * (Volatility * Volatility * i - RiskFreeRate) B = -(Volatility * Volatility * i * i + RiskFreeRate) * dt C = 0.5 * dt * i * (Volatility * Volatility * i + RiskFreeRate) f(i, j + 1) = A * f(i - 1, j) + (1 + B) * f(i, j) + C * f(i + 1, j) Next i ' ' condizioni al contorno per S = 0 e per S "molto grande" ' If TipoOpzione = 0 Then ' call option f(0, j + 1) = 0 f(NumSStep, j + 1) = NumSStep * dS - Strike * Exp(-RiskFreeRate * (j + 1) * dt) ElseIf TipoOpzione = 1 Then ' put option f(0, j + 1) = Strike * Exp(-RiskFreeRate * (j + 1) * dt) f(NumSStep, j + 1) = 0 End IfNext j
Metodo Esplicito
Problemi di convergenza
jijijijijijiji fCfBfAf ,1,,,,1,1, )1( jijijijijijiji fCfBfAf ,1,,,,1,1, )1(
..
10000
010
001
0001
,1
,3
,2
,1
1
333
222
11
1,1
1,3
1,2
1,1
cc
f
f
f
f
B
CBA
CBA
CB
f
f
f
f
jn
j
j
j
njn
j
j
j
..
10000
010
001
0001
,1
,3
,2
,1
1
333
222
11
1,1
1,3
1,2
1,1
cc
f
f
f
f
B
CBA
CBA
CB
f
f
f
f
jn
j
j
j
njn
j
j
j
Affinché il sistema converga è necessario che la norma della matrice sia minore di 1
Da questo si ricavano due limiti importanti sulla dimensione degli step
Metodo Esplicito
Problemi di convergenza
r
SS
S
St
2
22
2
r
SS
S
St
2
22
2
Significato finanziario dei limiti sugli intervalli Vediamo quale relazione
intercorre fra il metodo esplicito e gli alberi trinomiali
Ripristiniamo il normale “scorrere” del tempo ed approssimiamo le derivate rispetto ad S al tempo t con i valori stimati al tempo t + t
Metodo Esplicito
Problemi di convergenza
Metodo Esplicito
Problemi di convergenza Applicando questa approssimazione si giunge alla seguente espressione
che rappresenta un’altra forma del metodo alle differenze esplicito
1,11,1,1,ˆˆˆ
jiijiijiiji fCfBfAf 1,11,1,1,ˆˆˆ
jiijiijiiji fCfBfAf
tr
triiC
tr
tiB
tr
triiA
i
ii
121
1
1
1
21
ˆ
22
2222
tr
triiC
tr
tiB
tr
triiA
i
ii
121
1
1
1
21
ˆ
22
2222
Metodo Esplicito
Problemi di convergenza
ui
ui
i
trtr
triiC
trtr
tiB
trtr
triiA
1
1
121
ˆ
1 1
1
1
1ˆ
1
1
1
21
ˆ
22
0d0
22
d
22
ui
ui
i
trtr
triiC
trtr
tiB
trtr
triiA
1
1
121
ˆ
1 1
1
1
1ˆ
1
1
1
21
ˆ
22
0d0
22
d
22
Metodo Esplicito
Problemi di convergenza Possiamo interpretare queste quantità come
probabilità risk-neutral ;
Infatti l’incremento di valore nell’intervallo di tempo avviene al tasso privo di rischio!
trStSriSSSE ud 00 trStSriSSSE ud 00
Metodo Esplicito
Problemi di convergenza Le condizioni di stabilità del metodo esplicito si traducono
quindi nella richiesta che tali probabilità siano sempre non negative!
tSS
StStSi
r
SSSrSi
u
d
, 0
0
00
22
22222
0
22
tSS
StStSi
r
SSSrSi
u
d
, 0
0
00
22
22222
0
22
Esempio 2ProgrammazioneVBA
Esempio 2ProgrammazioneVBA
Calcolo del Prezzo di un’Opzione Parigina Calcolo del Prezzo di un’Opzione Parigina
Metodo Esplicito
Esempio 2 – Parigina
Introduciamo una nuova variabile di stato che rappresenta il tempo in cui il valore dell’asset si trova oltre la barriera
In questo caso la barriera divide la regione di integrazione in due parti, nella prima il prezzo dell’asset si trova fuori dalla regione di attivazione e quindi l’equazione differenziale che descrive il comportamento dinamico dell’opzione è la stessa; nella seconda entra in gioco la variabile e l’equazione diventa
Metodo Esplicito
Esempio 2 – Parigina
02
12
222
rfS
frS
S
fS
f
t
f
02
12
222
rfS
frS
S
fS
f
t
f
Metodo Implicito
0),(),(),(2
2
ftScS
ftSb
S
ftSa
t
f 0),(),(),(2
2
ftScS
ftSb
S
ftSa
t
f
),(2
2
21,1,
1,11,11,
2
1,11,1,11,
1,,
StOfcS
ffb
S
fffa
t
ff
jijijiji
ji
jijijiji
jiji
Metodo Implicito
Sono calcolati a partire dai valori dell’opzione in questo punto
I valori dell’opzione in questi punti
Riscriviamo l’equazione alle differenze finite ponendo il termine i, j a sinistra del segno di uguale
Metodo Implicito
1,11,1,1,1,11,, )1( jijijijijijiji fCfBfAf 1,11,1,1,1,11,, )1( jijijijijijiji fCfBfAf
1,21,11,
2211,1,11,
1,21,11,
2
1
, 2
2
1
jijiji
jijiji
jijiji
bcacC
S
tc
S
tctcacB
bcacA
Metodo Implicito
Contrariamente alle apparenze il metodo implicito presenta
caratteristiche completamente diverse dal metodo esplicito Il metodo non soffre delle problematiche legate allo step lungo la
direzione temporale; lo step lungo S può essere piccolo e lo step lungo t più grande senza per questo creare problemi di convergenza;
La soluzione dell’equazione alle differenze finite non è più immediata; occorre risolvere un sistema di equazioni algebriche;
Allo stesso costo computazione è comunque possibile trovare un’approssimazione ancora migliore…
Metodo di Crank-Nicolson
Il metodo di Crank-Nicolson può essere pensato come una sorta di media dei due metodi visti fino a questo momento, di fatto esso utilizza i valori in sei punti come mostrato in figura
Metodo di Crank-Nicolson Lo schema di discretizzazione è il seguente
Questo schema risulta corretto fino al secondo ordine in entrambe le variabili!
),(2
1
2
1
22
1
22
1
2
2
12
2
1
22,,1,1,
,1,1,
1,11,11,
2
,1,,1,2
1,11,1,11,
1,,
StOfcfc
S
ffb
S
ffb
S
fffa
S
fffa
t
ff
jijijiji
jijiji
jijiji
jijijiji
jijijiji
jiji
),(2
1
2
1
22
1
22
1
2
2
12
2
1
22,,1,1,
,1,1,
1,11,11,
2
,1,,1,2
1,11,1,11,
1,,
StOfcfc
S
ffb
S
ffb
S
fffa
S
fffa
t
ff
jijijiji
jijiji
jijiji
jijijiji
jijijiji
jiji
Metodo di Crank-Nicolson Lo schema può essere riscritto nella seguente forma
Dove i valori dei coefficienti vengono dedotti come al solito dai coefficienti dell’equazione differenziale nel continuo.
Il metodo è stabile come il metodo implicito (possono essere utilizzati valori qualunque per gli step) e risulta più preciso.
jijijijijiji
jijijijijiji
fCfBfA
fCfBfA
,1,,,,1,
1,11,1,1,1,11,
)1(
)1(
jijijijijiji
jijijijijiji
fCfBfA
fCfBfA
,1,,,,1,
1,11,1,1,1,11,
)1(
)1(
Metodo di Crank-Nicolson L’espressione appena vista può essere posta in forma matriciale
Le due matrici hanno I-1 righe e I+1 colonne, si tratta quindi di un sistema di I-1 equazioni in I+1 incognite.
jI
jI
j
j
III
II
jI
jI
j
j
III
II
f
f
f
f
CBA
CB
BA
CBA
f
f
f
f
CBA
CB
BA
CBA
,
,1
,1
,0
111
22
22
111
1,
1,1
1,1
1,0
111
22
22
111
)1(0
0)1(
0000
)1(0
0)1(
)1(0
0)1(
0000
)1(0
0)1(
jI
jI
j
j
III
II
jI
jI
j
j
III
II
f
f
f
f
CBA
CB
BA
CBA
f
f
f
f
CBA
CB
BA
CBA
,
,1
,1
,0
111
22
22
111
1,
1,1
1,1
1,0
111
22
22
111
)1(0
0)1(
0000
)1(0
0)1(
)1(0
0)1(
0000
)1(0
0)1(
Metodo di Crank-Nicolson Le due equazioni aggiuntive vengono fornite dalle condizioni al contorno.
Utilizzando anche le condizioni al contorno possiamo riformulare il problema
in termini di un sistema di equazioni con matrici quadrate del tipo
r è un vettore noto che dipende dalle condizioni al contorno e/o iniziali
(Per una rassegna completa della forma da attribuire alle condizioni al contorno si veda Wilmott Derivatives.)
jj
Rjjj
L vMrvM
11
jj
Rjjj
L vMrvM
11
Metodo di Crank-Nicolson Es. Condizione al contorno per f0,j
0
0
0
10000
010
001
0001
)1(0
0)1(
0000
)1(0
0)1(
1,01
1,1
1,3
1,2
1,1
1
333
222
11
1,
1,1
1,1
1,0
111
22
22
111
j
jI
j
j
j
n
jI
jI
j
j
III
II
fA
f
f
f
f
B
CBA
CBA
CB
f
f
f
f
CBA
CB
BA
CBA
0
0
0
10000
010
001
0001
)1(0
0)1(
0000
)1(0
0)1(
1,01
1,1
1,3
1,2
1,1
1
333
222
11
1,
1,1
1,1
1,0
111
22
22
111
j
jI
j
j
j
n
jI
jI
j
j
III
II
fA
f
f
f
f
B
CBA
CBA
CB
f
f
f
f
CBA
CB
BA
CBA
Metodo di Crank-Nicolson
Le matrici M che compaiono nella risoluzione dello schema di Crank-Nicolson sono matrici tri-diagonali;
Possiamo utilizzare i vari metodi di risoluzione discussi predentemente LU Decomposition Metodi Iterativi
Metodo di Crank-Nicolson
Decomposizione LU Per problemi in cui la matrice M non dipende dal tempo, tale
approccio è sicuramente conveniente in quanto la decomposizione viene effettuata una sola volta;
Nei casi frequenti in cui si abbia dipendenza dal tempo, tuttavia, tale processo va ripetuto ad ogni step temporale rallentando significativamente il processo di calcolo;
Inoltre tale metodo non si presta ad essere facilmente modificabile per trattare l’eventualità di esercizio anticipato.
Metodo di Crank-Nicolson
Metodi Iterativi I metodi iterativi sono, in generale, più facili da
programmare della decomposizione LU; Inoltre sono facilmente estendibili al caso di opzioni
americane o altri derivati con esercizio anticipato; Di contro possono essere più lenti della
decomposizione LU nel caso di derivati di tipo Europeo
Metodo di Crank-Nicolson Metodi Iterativi
Esercizio Europeo
Esercizio Americano
1
1 1
11i
j
N
j
njij
njiji
ii
ni
ni vMvMq
Mvv
1
1 1
11i
j
N
j
njij
njiji
ii
ni
ni vMvMq
Mvv
PayoffvMvMqM
vvi
j
N
j
njij
njiji
ii
ni
ni ,max
1
1 1
11
PayoffvMvMqM
vvi
j
N
j
njij
njiji
ii
ni
ni ,max
1
1 1
11
Esempio 3ProgrammazioneVBA
Esempio 3ProgrammazioneVBA
Calcolo del Prezzo di una Call Americana Calcolo del Prezzo di una Call Americana