Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Candidato:
Relatore:
Luca Amadio
Matricola 5203362
Indice
1 Introduzione
8
14
16
18
21
22
26
30
34
37
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4 La volatilit`
a e le modifiche al modello di Black-Scholes
4.1 La volatilit`a implicita . . . . . . . . . . . . . . . . . . . . . .
4.2 Il processo jump-diffusion di Merton . . . . . . . . . . . . .
4.2.1 Definizione di un modello di tipo Levy . . . . . . . .
4.2.2 I processi di Poisson . . . . . . . . . . . . . . . . . .
4.2.3 Prezzazione di unopzione tramite PDE nel modello
di Merton . . . . . . . . . . . . . . . . . . . . . . . .
4.3 La volatilit`a locale . . . . . . . . . . . . . . . . . . . . . . .
4.3.1 Lequazione di Dupire . . . . . . . . . . . . . . . . .
4.3.2 La volatilit`a locale come funzione della volatilit`a implicita . . . . . . . . . . . . . . . . . . . . . . . . . .
44
44
46
46
46
5 Il problema inverso
5.1 Il problema inverso delloption pricing . . . . . . . . . . . . .
5.2 Semplificazione dellequazione integrale . . . . . . . . . . . .
5.3 Risoluzione numerica dellequazione integrale . . . . . . . . .
5.4 Ricostruzione del coefficiente di volatilit`a con la linearizzazione
64
65
72
76
86
6 Conclusioni
89
91
94
51
53
54
60
C Algoritmi utilizzati
98
Bibliografia
103
21
24
25
29
30
37
39
41
43
45
47
48
52
55
56
59
62
Introduzione
Negli ultimi decenni del 900 vista la continua crescita dei mercati finanziari
e levoluzione di titoli in forme sempre pi`
u complesse, i maggiori esperti
finanziari del settore iniziarono ad applicare al problema del calcolo e stima
dellesatto prezzo le conoscenze matematiche, fisiche e statistiche. Le teorie
che si svilupparono hanno fatto ulteriormente evolvere il mondo della finanza
in una scienza sociale che, in un sistema rigoroso di ipotesi ed assunti non
sempre facilmente verificabili, possa anche essere considerata esatta.
Nel 1973 Black e Scholes pubblicarono un articolo che risolveva il problema del prezzo esatto del titolo finanziario derivato chiamato opzione,
aprendo una nuova intera area della matematica applicata. Considerate
alcune ipotesi di partenza riguardanti i mercati finanziari e stimati i parametri di riferimento, il modello da loro sviluppato forniva, attraverso la
risoluzione di unequazione (equazione e formula di Black e Scholes), direttamente il prezzo esatto dellopzione considerata, stabilendo anche cosa si
dovesse intendere per esatto. Un modello di prezzaggio cos` definito non
sempre pu`o essere utilizzato nella realt`a, ad esempio a causa dellirrazionalit`a che gli operatori possono avere, oppure per via di errate stime dei
parametri. Comunque il modello di Black e Scholes divenne presto uno
strumento fodamentale per la totalit`a degli operatori finanziari.
Quello che per`o molti non considerarono fu il fatto che i mercati finanziari sono delle entit`a in continuo divenire; ogni nuova teoria, informazione
o tecnologia che modernizza il modo di operare in finanza, dopo un certo periodo di assestamento, viene assimilata dal mercato e quindi va a modificare
le sue dinamiche. Pertanto accadde che le ipotesi su cui si basa il modello
non fossero pi`
u verificate nei mercati reali, e quindi si arriv`o a casi reali
in cui il prezzo fornito dal modello non era utilizzabile, nonostante venisse
comunque applicato. Il caso del colossale crack del fondo di investimento
LTCM ne `e un esempio
In seguito alle teorie di Black e Scholes si svilupparono allora ulteriori
modelli, i quali si basano sulle teorie precedenti ma ognuno con differenti
ipotesi e caratteristiche. Uno di questi `e il modello jump diffusion di Merton,
il quale contraddice alcune ipotesi su cui si basano Black e Scholes e ne
limitano lefficacia. Il modello di Merton `e parte di una pi`
u larga famiglia
di modelli, detti modelli di Levy.
Black e Scholes ebbero il grande merito di dare un nuovo impulso alla matematica fininziaria; in riconoscenza di questo ricevettero nel 1997, insieme
a Merton, il premio Nobel per leconomia.
5
2 2
S uss ru = 0
2
(1)
Ak ,
k=1
Ak U
k=1
1. P () = 0, P () = 1
2. Se A1 , A2 , ... U, allora
P(
Ak )
k=1
P (Ak )
k=1
Ak ) =
k=1
P (Ak )
k=1
B B,
Definizione 2.4.
1. Una famiglia {X(t) : t > 0} di variabili casuali `e
chiamata processo stocastico
2. Il valore atteso di una variabile casuale X e:
Z
E(X) :=
XdP
x Rn
f (x)dx
B B
(2)
10
con x R
Poich`e si avr`a a che fare con sequenze di variabili casuali una caratteristica importante che queste possono avere `e lindipendenza, in quanto
permette di semplificare molto le argomentazioni.
Dati due eventi A e B, la probabilit`a condizionata, P (A|B), indica la probabilit`a dellevento A sapendo che si `e verificato levento B e vale:
P (A|B) :=
P (A B)
P (B)
xi
xi Rn , i = 1, ..., m
11
Dalla definizione si deduce che per una sequenza di variabili casuali che
gode di tale prorpiet`a, una volta arrivati ad un generico passo k, la migliore
approssimazione, o valore atteso, del successivo evento `e levento Xk ; Tutto
ci`o che lo ha preceduto diventa ininfluente.
Si discutono ora alcuni risultati noti in teoria della probabilit`a, i quali si
utilizzano quando si ha a che fare con una successione di variabili casuali Xn
indipendenti ed identicamente distribuite (i.i.d.) (FX1 = FX2 = = FXn ).
Teorema 2.1. Legge dei grandi numeri Siano X1 , , Xn , una sequenza di variabili casuali i.i.d. integrabili definite su uno stesso spazio di
probabilit`a.
Sia E(Xi ) := m i, allora:
X1 + X2 + X n
=m =1
P limn
n
(3)
(4)
E(X1 + X2 + + Xn ) = np
V (X1 + X2 + + Xn ) = npq
(5)
Sn := X1 + + Xn
(6)
Definendo le somme:
Allora per ogni < a < b < si ha che:
1
Sn np
limn P a
b =
npq
2
x2
2
dx
(7)
Teorema 2.3. Teorema del limite centrale Siano X1 , , Xn , variabili casuali a valori reali i.i.d. con:
E(Xi ) = m, V (Xi ) = 2
i.
(8)
13
2.1
n
X
Xi
(10)
i=1
Sn n
a
b
pn 2
tD
tD
4
lim
P (a X(t) b) =n
P
1
=
2
b
tD
x2
e 2 dx
a
tD
1
=
2Dt
x2
e 2Dt dx
E(W (t)) = 0,
(12)
2.2
(15)
per opportune funzioni regolari F e G. Ora affinch`e tale equazione sia ben
definita si deve perlomeno descrivere il significato dW che rappresenta il
differenziale di un processo di Wiener. Dalla definizione (2.7) facendo il
limite sugli incrementi W per t 0 si pu`o assumere che
dW = O( dt)
Volendo generalizzare tale risultato per funzioni di variabili aleatorie lo
strumento principale da utilizzare `e il lemma di Ito: esso mette in relazione
le (piccole) perturbazioni di una funzione di una variabile aleatoria con
le (piccole) variazioni della variabile aleatoria stessa, giocando un ruolo
analogo alla consueta formula di Taylor per quanto riguarda le funzioni
deterministiche.
16
per dt 0
u 2 u
,
x x2
esistono e sono
dY =
17
(16)
(17)
Osservazioni
1. Largomento delle funzioni u, u
, ... `e sempre (X(t), t).
t
2. Lespressione (16) implica che per ogni 0 s r T
Y (r) Y (s) = u(X(r), r) u(X(s), s) =
Z r
u
u
1 2u
=
(X, t) +
(X, t)F +
(X, t)G2 dt
2
t
x
2
x
Z sr
u
GdW q.s.
+
s x
Rt
Rt
3. Dato che X(t) = X(0) + 0 F ds + 0 GdW , X() ha cammini semplici continui quasi sicuramente. Pertanto per quasi ogni , le funzio2
ni t u
(X, t), u
(X, t)F, 12 xu2 (X, t)G2 sono continue e gli integrali
t
x
precedenti sono ben definiti.
4. Con L1 (0.T ) e L2 (0.T ) si intendono rispettivamente gli spazi di processi stocastici F () a valori reali tali che
Z T
E
|F |dt <
0
e
E
Z
F dt <
2
2.3
t0
B : R [0, T ] R
18
(18)
RT
0
b(X(s), s)ds +
RT
0
Esempi
Sia g una funzione continua (non una variabile casuale). La SDE
(
dX = gXdW
X(0) = 1
ha soluzione
X(t) = e 2
Rt
0
g 2 ds+
Rt
0
gdW
per 0 t T .
Per verificare tale soluzione si nota che
Z
Z t
1 t 2
Y (t) :=
g ds +
gdW
2 0
0
soddisfa lequazione differenziale stocastica
1
dY = g 2 dt + gdW
2
Quindi considerando il lemma di Ito per la funzione u(x) = ex si ha:
u
1 2u 2
dY +
g dt
x
2 x2
1
1
=eY g 2 dt + gdW + g 2 dt)
2
2
=gXdW
dX =
19
Rt
X(t) = e
R
f 12 g 2 ds+ 0t gdW
per 0 t T .
20
Figura 1: Quotazione del titolo Unicredit dal maggio 2012 al maggio 2014
Le serie storiche finanziarie rappresentano uno dei punti di partenza della
modellizzazione finanziaria. Alla base della maggior parte dei modelli finanziari e delle teorie di option pricing vi `e tuttavia lipotesi che, pur essendo
possibile studiare la storia passata del valore del bene attraverso le serie storiche, tali informazioni non siano sufficienti per conoscere il prezzo futuro.
Ci`o non significa che non sia possibile costruire un modello per landamento
del prezzo considerato ma tale modello non potr`a essere completamente deterministico ma dovr`a includere una componente di natura aleatoria. I dati
storici giocheranno comunque un ruolo decisivo per ricavare informazioni
quali la media e la varianza storica del prezzo del bene e in generale per
avere unidea della distribuzione futura dei prezzi del bene. Inoltre anche i
parametri caratterizzanti i vari modelli verranno scelti partendo dagli stessi
dati storici.
21
3.1
(20)
dove (drif t) misura il tasso medio di crescita costante del prezzo del
bene. La seconda componente rappresenta invece la variazione aleatoria del
prezzo del bene, conseguenza degli effetti esterni inattesi. Essa `e data da un
campione casuale di una distribuzione normale a media nulla ed aggiunge
al return dS/S il termine
dW
(21)
dove , la volatilit`a, `e una costante che misura la deviazione standard del
return mentre dW indica il processo di W iener, il quale come si `e visto
in precedenza rappresenta una variabile casuale normale con media nulla e
varianza dt. Lipotesi di conoscere la volatilit`a futura e di supporla costante,
risulter`a essere nella formulazione del modello di Black-Scholes la pi`
u forzata
e critica nellerrore della soluzione delloptoin pricing. Infatti non esiste
alcuna ragione per cui si possa supporre che lungo un arco di tempo la
media delle variazioni del prezzo di un titolo sia costante, ed `e proprio questa
quantit`a la vera incognita da stimare per poter dare un giusto prezzo ad
unopzione. La quantit`a invece risulter`a essere, come vedremo in seguito,
del tutto ininfluente ai fini delloption pricing, e quindi supporla costante
non comporta alcuna conseguenza. Inoltre da un punto di vista realistico i
tassi di interesse di un titolo privo di rischio subiscono delle variazioni molto
leggere e non molto spesso.
Sommando ora le due componenti si ottiene la seguente equazione differenziale stocastica per il return:
dS
= dt + dW
S
(22)
2
dS 1 2 S 2 dt
)dt + dW
=
(
S
2 S2
2
(23)
2
)t+W
2
(24)
24
Figura 3: Esempi di random walk per differenti drift ( = 0.1, = 0.05 (in
blu) e = 0.2 (in verde)
S + dS al tempo t + dt dipende solo dal prezzo odierno S (come richiesto dalla propriet`a di Markov). Per la definizione di equazione differenziale
stocastica si ha che:
Z t
Z t
SdW
(25)
Sds +
S(t) = s0 +
0
e poich`e E(
Rt
0
SdW ) = 0, si ha che:
Z
E(S(t)) = s0 +
E(S(s))ds
(26)
pert 0
(27)
quindi
E(S(t)) = s0 et
Il valore atteso dellattivit`a rischiosa corrisponde alla soluzione deterministica dellattivit`a priva di rischio, che si ha per = 0 e quindi in media
risulta maggiore. In particolare per quanto riguarda il return si ha che il
suo valore atteso `e:
E[dS] = E[Sdt + SdW ] = Sdt
25
(28)
3.2
Le opzioni
pu`o variare. Pertanto sia per la put che per la call si presume una
dipendenza positiva con lallontanarsi della scadenza T.
4. La volatilit`a del sottostante. Come si `e visto nella costruzione dellevolzione del processo lognormale, la volatilit`a rappresenta la caratteristica principale dellaleatoriet`a del prezzo del bene e rappresenta
la principale incognita nelloption pricing. Comunque si riscontra che
il valore dellopzione cresce con laumentare della volatilit`a
5. Il tasso di interesse r. Come si vedr`a nel seguito il prezzo dellopzione dipende dal guadagno che si avrebbe se si investirebbe in un
deposito bancario in quanto una stima del valore di unopzione con
un erroneo tasso di interesse darebbe vita ad opportunit`a di arbitraggio. In particolare il tasso r `e direttamente correlato con il drift del
sottostante.
Andiamo a definire quale sia il payoff delle opzioni, ovvero supponiamo di avere raggiunto la data di scadenza T , allora sar`a noto il valore del
sottostante S e il relativo ricavo che si potr`a avere dallopzione. Supponiamo di aver acquistato unopzione call C con strike K. Allora nel caso
in cui il valore del sottostante S(T ) sia maggiore di K, cio`e lopzione `e
in-the-money, `e conveniente acquistare il sottostante ad un valore inferiore
rispetto a quello quotato in quel momento dal mercato e quindi si eserciter`a
lopzione. Viceversa se il prezzo strike K `e maggiore del sottostante, `e del
tutto sconveniente acquistare un titolo ad un prezzo superiore rispetto a
quello quotato sul mercato.
Pertanto `e possibile riassumere questi possibili scenari nella funzione
C(S(T )) = max(S(T ) K, 0)
(29)
(30)
28
29
3.3
Prezzaggio di opzioni
Vediamo ora come convertire queste nozioni finanziarie in termini matematici, traducendo il problema delloption pricing in unequazione alle derivate
parziali. Iniziamo presentando le ipotesi assunte a priori su cui si basa il
modello.
Il prezzo del titolo sottostante S segue un moto geometrico browniano
del tipo:
dS
= dt + dW
S
Esistono in letteratura anche altri modelli che regolano levoluzione
del prezzo del sottostante (anche per il fatto che il sottostante pu`o
essere di diversa natura ed in generale non si comportano tutti analogamente) ed in molti casi `e possibile effettuare unanalisi simile a
quella di Black-Scholes derivando unaltra equazione differenziale che
descrive il valore dellopzione.
Il prezzo di un titolo privo di rischio, come ad esempio unobbligazione
o un deposito bancario, segue una crescita esponenziale ed `e descritto
da
dB = rBdt, ovvero B(t) = b0 ert
Consideriamo un generico titolo il cui prezzo al tempo t `e S(t). Supponiamo che S evolve nel tempo in accordo con una SDE:
(
dS = Sdt + SdW
(31)
S(0) = s0
dove `e il drift, la volatilit`a ( 6= 0) e s0 `e il prezzo iniziale noto.
In particolare si `e interessati allo studio di una opzione call europea, la
quale conferisce il diritto ma non lobbligo di acquistare un titolo S ad un
prezzo strike K ad un tempo futuro T > 0, a fronte del pagamento di un
premio al momento della stipulazione dellopzione (t = 0). La questione di
31
(32)
(33)
(34)
(36)
i quali rappresentano le quote dei due titoli allinterno del portafoglio replicante lopzione.
Limportanza della costruzione dei processi e , in modo tale che valga
la (36), sta nel fatto che in questo modo si pu`o eliminare il rischio. Infatti
se sono valide le nostre ipotesi, possedendo lopzione in posizione lunga e
il portafoglio in corta (o viceversa) quello che si perde con un titolo lo si
ricava con laltro in egual misura. Questa copertura avviene senza che si
debba immettere del denaro nel portafoglio, a parte linvestimento iniziale.
Si dice in questo caso che il portafoglio C `e autof inanziante. Ci`o significa
che in un breve intervallo di tempo le variazioni del valore del portafoglio
dipendono solo dalle variazioni dei valori dei titoli B e S. Cio`e:
dC = dS + dB
(37)
2 2
S uss )dt + Sus dW = (Sdt + SdW ) + rBdt (38)
2
(39)
2 2
S uss )dt = rBdt
2
33
(40)
Ma B = C S = u us S, quindi:
(ut + rSus +
2 2
S uss ru)dt = 0
2
(41)
Conseguentemente al fatto che valga la (33), cio`e che il valore del portafoglio
sia uguale alla funzione prezzo dellopzione, `e equivalente a richiedere che
la funzione u = u(S(t), t) sia soluzione dellequazione alle derivate parziali
di Black-Scholes-Merton:
ut + rSus +
2 2
S uss ru = 0
2
0tT
(42)
3.4
Si ottiene allora:
S = Kex
u(S, t) = Kv(x, t)
= (T t) 2 /2
(47)
2v
2r
v 2r
v
=
+ ( 2 1)
+ v
2
x 2
(48)
Definendo quindi
k=
2r
,
2
si ottiene
v
2v
v
=
+ (k 1)
kv,
(49)
2
t
x
x
che `e quindi della stessa forma di (45), mentre la condizione iniziale diventa
v(x, 0) = K(ex 1)+
Come soluzione di tale equazione alle derivate parziali si cerca una funzione
del tipo:
v(x, ) = ex+ h(x, )
(50)
dove h(x, t) `e la soluzione della diffusione (46) ed e delle costanti da
stimare.
Differenziando si ha:
v
h
h 2 h
h
= ex+ h+
= ex+ 2 h+2 + 2 +(k1) h+
kh
t
x x
x
35
(53)
(54)
dove
(55)
log(S/K) + (r + 21 2 )(T t)
d1 =
T t
(56)
log(S/K) + (r 21 2 )(T t)
T t
(57)
d2 =
d1
1 2
e 2 s ds
(58)
(59)
(60)
Figura 6: Prezzo di una call con parametri: K=100, r=0.1, q=0.1, =0.36
Si pu`o ottenere una formula pi`
u generale rimuovendo lipotesi che lazione non paghi dividendi, ma deve comunque essere noto lammontare di tutti
i dividendi fino alla data di scadenza dellopzione. Se si conosce tale quantit`a, fattorizzando ogni dividendo per il tasso di interesse si pu`o considerare
il pagamento di dividendo come una funzione q continua nel tempo, nota
come il dividend yield. Pertanto il drift del moto browninano geometrico
sar`a dato dalla differenza tra tasso di interesse e dividend yield = r q.
Comunque con ragionamenti molto simili si giunge alla soluzione dellequazione di Black-Scholes (in cui non appare il drift) per calcolare il prezzo
di una call o put su una azione che paga dividendi:
3.5
(61)
(62)
Le greche
1. = S
a del delta hedging alle variazioni del
2 = S indica la sensibilit`
sottostante.
2. u
indica la sensibilit`a del valore dellopzione rispetto alle variazioni
t
del tempo
38
u
r
u
4. =
indica la sensibilit`a del prezzo dellopzione rispetto alle variazioni della volatilit`a del titolo sottostante
allora
C
P
=
=0
d1
d1
(66)
2
x
1 e 2
2
C
= SN 0 (d1 ) KerT N 0 (d1 T ) =
d1
p
P
= SN 0 (d1 ) KerT N 0 (d1 (T )) =
d1
(67)
(68)
ln
KerT N 0 (d1 T )
2T
= ln
+ rT +
d1 T =
K
2
S
S
2
2
= ln
+ r+
T
+ r+
T =0
K
2
K
2
E quindi si ha che
N (d1 )
N 0 (d1 )
=
=
S
S
S T
40
(69)
Figura 8: Gamma di una call con parametri: K=100, r=0.1, q=0.1, =0.36
dove N 0 (d1 ) `e il valore che assume la funzione densit`a di una variabile
normale standardizzata in d1 .
La figura (8) rappresenta la superficie della greca gamma in funzione del
sottostante e delle scadenze e si pu`o dedurre pertanto che, pi`
u si `e vicini alla
scadenza e pi`
u il sottostante `e in prossimit`a dello strike, maggiore sar`a la
variazione da apportare al portafoglio di replica per mantenere la copertura.
Passando alla greca si ha:
C
= KerT N 0 (d1 T ) + rKerT N (d1 T ) = (70)
C =
T
2 T
S 0
N (d1 ) + rKerT N (d2 )
(71)
2 T
Essendo C > 0, vuol dire che il valore della call diminuisce con lapprossimarsi della scadenza.
Per quanto riguarda lespressione di con procedura analoga si ottiene:
C
C =
= T KerT N (d1 T ) =
(72)
r
=T KerT N (d2 )
(73)
41
C
= KerT N 0 (d1 T ) = SeqT N 0 (d1 ) T
(74)
42
Figura 9: Vega di una call con parametri: K=100, r=0.5, q=0.1, =0.3
Inoltre quando si tenta di trarre profitto dalle variazioni della volatilit`a
implicita `e molto utile conoscere dove lopzione raggiunge il suo massimo
vega, ovvero dove `e pi`
u influenzata dalle variazioni della volatilit`a. Ad
esempio per un fissato strike la greca vega ha il massimo quando il titolo
sottostante ha il valore:
2
S = Ke(+ )T
43
La volatilit`
a e le modifiche al modello di
Black-Scholes
4.1
La volatilit`
a implicita
4.2
4.2.1
I processi di Poisson
Si definisce una variabile casuale esponenziale come una variabile dotata di una distribuzione esponenziale con parametro > 0 con funzione
densit`a:
fE (t, ) = et 1t0 ,
(75)
e con valore atteso E[ ] = 1 .
46
Nt
X
Yi
(78)
i=1
dove le dimensioni dei salti Yi sono variabili identiche ed indipendentemente distribuite (i.i.d.) con distribuzione f . Nt `e un processo di Poisson
indipendente da Yi .
La distribuzione dei salti nella figura (12) `e una distribuzione normale.
48
X(t) = bt +
M
X
1Ui <t Yi
(79)
i=1
f (Xt , t)
f (Xt , t)
2 2 f (Xt , t)
dt + bt
dt +
dt
t
x
2
x2
f (Xt , t)
+t
dWt + [f (Xt + X) f (Xt )]
x
49
(82)
(83)
lnSt
lnSt
2 2 lnSt
dt + ( k)St
dt + ST2
dt
t
St
2
St2
lnSt
dWt + [lnyt St lnSt ]
+St
St
(84)
(85)
(86)
t
X
2
St = S0 exp[(
k)t + Wt +
Yt ]
2
i=1
(87)
(88)
dove Xt `e il processo di Levy. Quindi possiamo anche dire che il logrendimento ln( SS0t ) `e modellato come un processo di Levy:
N
t
X
2
St
k)t + Wt +
Yt
ln( ) = Xt = (
S0
2
i=1
(89)
Un campione di tale processo `e riportato in Figura (13). Nel caso del B&S
avevamo che i ln( SS0t ) erano normalmente distribuiti; ci`o non accade nel caso
diPun modello JD a causa dellesistenza del processo composto di Poisson
t
( N
i=1 Yt ).
Nel caso di Merton la semplice ipotesi sulla distribuzione riguardo ai logrendimenti delle dimensioni del salto Yt N (, 2 ) permette alla densit`a dei
log-rendimenti xt = ln(St /S0 ) di essere ricavata come una serie rapidamente
convergente della forma:
P(xi ) =
=
X
i=0
X
i=0
(90)
2
et (t)i
N (xt ; (
k)t + i, 2 t + i 2 )
i!
2
(91)
50
2
2
k)t + i, 2 t + i 2 ) `e uguale a:
1
Xt {(
p
exp
2( 2 t + i 2 )
2
2
2
k)t + i} i
2( 2 t + i 2 )
(92)
t(t)i
Il termine P(Nt = i) = e i!
`e la probabilit`a che un titolo abbia un salto allistante i durante lintervallo di tempo di lunghezza t, mentre la parte
restante dellequazione `e la densit`a normale di B&S dei log-rendimenti, condizionata allipotesi che il titolo abbia avuto un salto allistante i. Quindi
il modello di Merton pu`o essere interpretato come una media della densit`a
normale di B&S pesata dalla probabilit`a che il prezzo del titolo salti i volte.
4.2.3
Si vuole prezzare ora una call su un processo di Merton con la tecnica del
portafoglio di replica. Si consideri un portafoglio P con una posizione lunga
sull opzione di prezzo V (S, t) (da determinare) su un titolo sottostante S
al tempo t e una posizione corta dello stesso titolo S con quantit`a .
Tale portafoglio vale:
Pt = V (St , t) St
(93)
mentre le variazioni del valore di P in brevi intervalli di tempo sono date
da:
dPt = dV (St , t) dSt
(94)
Ricordando la dinamica di un processo JD di Merton del prezzo di un
titolo
dSt = ( k)St dt + St dWt + (yt 1)St dNt ,
(95)
applichiamo la formula (82) di Ito allopzione V (S, t):
dV (St , t)
V
t
V
dt + ( k)St S
dt +
t
2 2 2 V
S
dt
2 t St2
V
+St S
dWt + [V (yy St , t) V (St , t)]dNt
t
(96)
(97)
dove il termine [V (yy St , t) V (St , t)]dNt indica la differenza nel valore dellopzione quando si verificano i salti.
51
V
V
=
dt + ( k)St
dt + St2 2 dt + St
dWt
(99)
t
St
2
St
St
+[V (yy St , t) V (St , t)]dNt {( k)St dt + St dWt + (yt 1)St dNt }
V
2 2 2V
V
+ ( k)St
+ St
( k)St dt
=
t
St
2
St2
V
+ St
St dWT + [V (yy St , t) V (St , t)(yt 1)St ]dNt (100)
St
ottenendo;
V
2 St2 2 V
V
dPt =
+
(yt 1)St dNt
dt + V (yy St , t) V (St , t)
t
2 St2
St
(102)
Avendo eliminato tutte le possibilit`a di arbitraggio, il portafoglio cresce cos`
al tasso di interesse r non rischioso.
Quindi:
E[dPt ] = rPt dt
(103)
In conclusione, sostituendo la (93) e la (102) nella (103) si ottiene lequivalente alla PDE di B&S del modello di Merton:
V
V
V 2 St2 2 V
+
+rSt
+rV +E[V (yt St , t)V (St , t)]St
E[yt 1] = 0
2
t
2 St
St
St
(104)
La semplice ipotesi che le dimensioni dei salti dei prezzi assoluti siano
log-normali fa si che la PDE dei processi JD sia risolvibile, ottenendo il
prezzo dellopzione in maniera quasi analitica tramite la serie (rapidamente
convergente):
VM erton =
i
X
e (
)
i=0
i!
VBS (St , = T t, i , ri )
(105)
dove:
= (1 + k) = e+ 12 2
i2 = 2 +
i 2
ri = r k +
i ln(1+k)
4.3
La volatilit`
a locale
I modelli di volatilit`a locale sono largamente diffusi nella finanza e, mentre la volatilit`a stocastica e i modelli di jump-diffusion introducono nuove
caratteristiche nei modelli derivanti da ulteriori osservazioni economiche,
la volatilit`a locale cerca di rimanere vicina al modello di Black-Scholes introducendo maggiore flessibilit`a alla volatilit`a e ci`o `e fonte delle maggiori
critiche assegnate a tali modelli.
53
Viceversa le problematiche dei modelli di volatilit`a stocastica e di jumpdiffusion sono che, nella descrizione delle dinamiche dei titoli, introducono
nuove caratteristiche stocastiche aumentando aleatoriet`a del modello. Infatti poich`e la volatilit`a stocastica ed i salti nei prezzi dei titoli non possono
essere quotati sui mercati, tali modelli perdono la completezza del modello
originale di Black-Scholes.
4.3.1
Lequazione di Dupire
1 (S K)
1/
su S(T ) (K, K + )
su S(T ) [K + , )
esiste il limite per 0. Questo limite risolve ancora lequazione di BlackScholes con condizione finale data dalla funzione a gradino di Heavyside
negativa.
Ripetendo queste argomentazioni per 1/2 si ottiene la strategia di copertura detta butterfly:
u2 (, ; K, ) =
1
(u(, ; K ) 2u(, ; K) + u(, ; K + ))
2
(107)
poich`e per S(T ) < K la funzione payoff `e nulla. Quindi differenziando due
volte rispetto allo strike si ottiene la formula simile alla (107) apparte il
fattore di sconto:
Z
C
= m(t, T )
f (S, T )dS
K
K
2C
= m(t, T )f (K, T )
K 2
La funzione densit`a di distribuzione f (S, T ) del prezzo di un titolo deve
soddisfare lequazione di Fokker-Planck (che `e comunque molto simile a
quella di Black-Scholes):
1 2
f (t, s)
+ (r q) (sf (t, s))
((t, s)2 s2 f (t, s)) = 0
2
t
s
2 s
Dalla 108 si ha che
C
= rC + m(t, T )
T
(S(T ) K)
K
57
f (S, T )
dS
T
(109)
2 2
= m(t, T )
(S(T ) K)
(sf
(t,
s))
ds
((t,
s)
s
f
(t,
s))
(r
q)
2 s2
s
K
h
is= Z
1
2 2
= m(t, T ) (S(T ) K) ((t, s) s f (t, s))
s=K
K
Z
1
2 2
s=
= m(t, T )[((t, s) s f (t, s))]s=K + (r q)m(t, T )
sf (T, s)ds
2
K
Z
1
2 2
= m(t, T )((t, K) K f (t, K)) + (r q) C + m(t, T )K
f (T, s)ds
2
K
Per il calcolo degli integrali si `e assunto che f (T, S) decada esponenzialmente a 0 per S(T ) (come `e il caso in cui levoluzione del prezzo del
sottostante sia log-normale).
2C
C
e K
E quindi riconsiderando le equazioni che descrivono K
2 si ha
2
1
C
C
2 2 C
+ rC = (T, K) K
+ (r q) C K
T
2
K 2
K
(110)
Si `e ottenuta pertanto unequazione alle derivate parziali del prezzo di unopzione call, in cui la volatilit`a `e descritta come una funzione di K e T . Quindi
isolando la volatilit`a si ottiene la formula di Dupire per la volatilit`a locale:
2
(T, K) =
C
T
C
+ (q r)K K
+ qC
2
K 2 1KC2
(111)
Dato che ad ogni istante il valore di unopzione call con differenti strike e
scadenze pu`o essere osservata sul mercato, la volatilit`a locale `e una funzione
deterministica sebbene le dinamiche della volatilit`a siano stocastiche.
Data una certa funzione volatilit`a, il prezzo di ogni tipo di possibile ricavo futuro su un sottostante pu`o essere prezzato. Si pu`o anche sfruttare
il processo inverso di estrarre la superficie della volatilit`a locale dai prezzi
delle opzioni come funzione dello strike e della scadenza. Lipotesi necessaria `e che il prezzo dellopzione sia una funzione C 2,1 (s, t) e nota per tutte
58
Figura 16: Superficie della volatilit`a locale calcolata dai prezzi dellopzione
per diversi strike e scadenze
59
La volatilit`
a locale come funzione della volatilit`
a implicita
La volatilit`a locale pu`o essere descritta come funzione della volatilit`a implicita se nella (111) si fa un cambio di variabili esprimendo il prezzo della
call C come funzione di altre variabili. La volatilit`a implicita indica la variazione media del prezzo del titolo derivante dal modello di Black-Scholes
in cui si suppone che tali prezzi siano distribuiti log-normalmente, il che
non descrive accuratemente la realt`a. Ma come Rebonato ha osservato la
volatilit`a implicita `e il numero sbagliato da mettere in una formula sbagliata per ottenere il prezzo esatto di opzioni, pertanto appare quantomeno
giustificabile esprimere la (111) in termini della volatilit`a implicita.
Usiamo la seguente notazione:
= imp (K, T )
= T t0
dove t0 `e il tempo corrente, e la seguente parametrizzazione:
K Z T
+
(qs rs )ds
y = ln
S0
t0
= 2
60
RT
t0
qs ds
[N (d1 ) ey N (d2 )]
dove
d1 = +
2
y
d2 =
2
Andiamo ora a calcolare le derivate parziali del prezzo della call rispetto a
K e T in queste nuove variabili.
C y
C
C
=
+
K
y K
K
2
C
1 C
1 C 2 C
C
=
+
+
+
K 2
K 2 y
K K y
K 2
K K
2
2
2
C
1 C 1 1 C
C
+
+
= 2
K y K K y 2
K y
K 2
2
2
C
1 C
+
+
K K y K 2
1 2 C C
2 2 C
2 C 2 2 C
= 2
+
+
+
K y 2
y
K K y K 2
K 2
C
C
C
= qT C + (qT rT )
+
T
y
T
Inserendo questi risultati nella (111) si ottiene:
L2 = 2
C
C
qT C + (qT rT ) C
+ T
+ (rT qT ) C
+ (rT qT )K K
+ qT C
y
2
2C
2 C
2 C
2C
2
C
+ 2K K
+ K 2 K
2 + K
y 2
y
y
K
2
61
Figura 17: Superficie della volatilita locale calcolata dalla volatilit`a implicita
Questa equazione pu`o essere semplificata facendo uso delle seguenti
identit`a:
2C 1
1
y 2 C
=
+
2
8 2 2 2
2C
1 y C
=
y
2
C
2 C C
=2
2
y
y
le quali dopo le dovute semplificazioni foriscono unespressione della volatilit`a locale in termini delle nuove variabili y e :
L2
+ (rT qT )K K
=
2
y
1
1
1
2 2 1 K 2
1 + K K
+
K
+
2
2
K 2
4
K
4
y2
2
62
implicita:
= 2
K
K
2
2
2
=
2
+
2
K 2
k
K 2
= 2 + 2
T
T
e sostituendo si ottiene la formula della volatilit`a locale in funzione della
volatilit`a implicita
2
+ 2 T + (rT qT )K K
L2 =
2
2
K 2 y 2
2 2 1 K 2 2 2
1 + K K
2 Ky
K
+
K
K 2
4
K
2
K
(112)
2 + 2
+ (rT qT )K K
T
=
2
2
2
1 Ky
K
+
K
+
K
K
K
4
K
K 2
(113)
= 2 + 2
=
L2 = 2 + 2
T
Z
1
L2 (u)du
2 =
0
il che vuol dire che quando la superficie della volatilit`a non ha skew (ovvero non dipende da K), allora la volatilit`a implicita totale `e una media
temporale della volatilit`a locale.
63
Il problema inverso
Nel precedente capitolo si sono presentate alcune tecniche per la stima della
volatilit`a a partire dalle quotazioni del mercato o dallequazione di BlackScholes. In particolare si `e caratterizzata lequazione duale di questultima
esprimendo come variabili lo strike K e la maturity T che nel problema
originario sono ovviamente costanti. Naturalmente riuscire a poter esprime
la volatilit`a come funzioni di variabili deterministiche (come lo sono K e T )
rispetto ad utilizzare il sottostante S, il cui valore futuro `e aleatorio, presenterebbe notevoli vantaggi ai fini delloption pricing e della computabilit`a
di metodi numerici.
In questa sezione si formalizza il problema delloption pricing come un
problema inverso e se ne presenta un risultato di unicit`a e stabilit`a. Iniziamo
considerando un problema di carattere generale per evidenziare ci`o che un
problema inverso deve soddisfare per poter essere ben posto e regolare. Sia
dunque:
Ax = y
dove A `e un operatore continuo che agisce da un sottinsieme di uno spazio
di Banach X ad un altro sottinsieme di uno spazio di Banach Y .
Allora si dice che la precedente equazione rappresenta un problema inverso ben posto se loperatore A possiede uninversa continua da Y in X,
cio`e si richiede che
1. y Y esiste al massimo un x X tale che Ax = y (unicit`a);
2. y Y esiste una soluzione x X tale che Ax = y (esistenza);
3. Fissati x0 X e Ax0 = y0 Y , per ky y0 k che tende a zero, allora
kx x0 k tende a zero (stabilit`a della soluzione);
Se una di queste condizioni non `e soddisfatta allora si dice che il problema `e
mal posto (nel senso di Hadamard). Si pu`o osservare che tali condizioni che
definiscono la regolarit`a del problema hanno gradi di importanza differente.
Se non si pu`o garantire lunicit`a di una soluzione per una considerevole
scelta di x X allora il problema non ha molto senso ed non c`e modo
di gestirlo. La condizione (2) `e la meno restrittiva poich`e implica solo che
non si possono descrivere le condizioni che garantiscono lesistenza, ma in
genere nella teoria dei problemi inversi i valori delle soluzioni x X del
problema diretto sono osservabili in natura (nel nostro caso sui mercati).
E invece molto importante la condizione di stabilit`a in quanto altrimenti il
64
(114)
(115)
(116)
(117)
5.1
2
K
K
(118)
(119)
(120)
sup
(t,x)O
N
X
kxi uk (O),
i=1
N
X
i,j=1
Teorema 5.1. Supponiamo che (K) `e nota su un certo intervallo aperto non vuoto . Allora una coppia di funzioni (u(K, ), (K)) che
soddisfa le (118)-(119), e quindi anche le (114)-(116), `e unica.
Se inoltre `e limitato, 0
/
e kj k () M , per j = 1, 2, 0 < < 1,
allora la soluzione `e stabile, cio`e esiste una costante C=C(M), tale che
k1 2 k () Cku1 (, ) u2 (, )k2+ ()
dove u1 e u2 sono le soluzioni corrispondenti a 1 e 2 .
Dimostrazione. Innanzitutto si nota che tutti i classici risultati riguardanti le equazioni paraboliche sono applicabili alla (118) dato che ci si pu`o
ricondurre ad una di esse usando come nuova variabile di stato ln(K).
Consideriamo due coppie di soluzioni (u1 , 1 ) e (u2 , 2 ). Sottraendole
tra di loro si ottiene che u = u2 u1 deve soddisfare lequazione:
1 2 2
2u
u
2 u1
u
= K 2 (K)
+ (q r)K
qu + f (K)
2
K 2
K
K 2
dove
(121)
1
f (K) = K 2 (22 (K) 12 (K))
2
Consideriamo questa equazione su dove f (K) `e uguale a zero dato
= 0
che `e nota. Dato che u = 0 su , la (121) implica che u
= R+
con valori di
Infine si considera lequazione su (0,
2 ) con
Cauchy nulli sulla frontiera (0, 2 ). Usando il risultato noto descritto
Dalla disuguaglianza di
nel lemma successivo si ottiene che f (K) = 0 su .
tipo-Schuader per il problema di origine inverso si ha:
kf k () C(ku (, )k2+ () + kuk0 (R+ (0, )))
Dato che la soluzione `e unica si pu`o eliminare lultimo termine del secondo
membro ed ottenere la disuguaglianza desiderata.
Enunciamo ora il lemma presentato da Isakov e le stime di Schauder che
si sono sfruttate nella dimostrazione.
Sia un dominio di Rn e lintersezione B(y, ) per qualche y
ed > 0. Si ipotizza che sia di classe C 2 , (0, T ) ed A un
operatore differenziale i cui coefficienti appartengono a C 1 ( (0, T )) e
la parte principale di A non dipende da t.
Lemma 5.2. Considerando il problema inverso della ricerca di una coppia
di funzioni (u, f ) che soddisfino:
u/t + Au = f, f /t = 0
u = u/xi = 0
u=0
su (0, T )
su (0, T )
su {}
allora se
0<<
su {}
N
N
X
1X
ci,j xi xj u +
bi xi u au t u
2 i,j=1
i=1
N
X
i,j=1
68
y = ln
S
K
Sia dunque
U (y, ; K) = u(S, t; K)
a(y) = (S)
+ (r q)
rU (y, ) R (0, ) (122)
2
2
y
y
y
U (y, 0; K) = K(ey 1)
(123)
La funzione V =
V (y, 0; K) = K
1 2
a (y)(y) + rH(y) qH(y)ey
2
+ rH() qH()e d
69
E quindi si ottiene:
Z
1 2
(y, ; 0, 0)d +
U (y, ; K) = K(e 1) + a (0)K
2
0
Z Z
(y, ; , 0)dd
+ rK
0
0
Z Z
(y, ; , 0)e dd
qK
y
(124)
(125)
Teorema 5.4. Sia (x) una funzione continua lipchitziana limitata strettamente positiva. Allora:
Z
+
I1 (K, )d+
u(S, ; K) = (S K) + I(K) +
0
Z
I2 (K, )d + o(T t )
+
K
dove
Z
S/K)2
K(K) T t 1 (ln
2 (K)
2
e
I(K) =
d
2 2 0
Z T t Z h 2
K
() 2 (K) (ln K )2
I1 (K, ) =
1
+
4(K)() 0
2
2 (K)
0
2 ()
ln i
1
K
p
r+q
2
( )
S 2
(ln )
(ln K )2
exp
exp
dd
2( ) 2 ()
2 2 (K)
rK
Z T t 1
(ln S/)2
1
e 2 2 () d
I2 (K, ) =
q
2()
0
o(T t )
limt T
=0
T t
70
1
2
z
2( z)a2 () ( s)a ()
i
a2 ()
+
r+q
Z(y, ; , )Z(, ; , z)dd
2
( z)a2 ()
e Z (y, ; , z) 0 per t z. Inoltre
Z
Z
(y, ; , z)d =
Z(y, ; , z)d + Z (y, ; z)
0
71
ottiene dunque
+
I(K) = u (K) (S K)
Z
I2 (K, )d
I1 (K, )d
0
che `e unequazione integrale di Fredholm di seconda specie. Questa equazione pu`o essere risolta iterativamente:
Z
(m+1)
+
I
(K) = u (K) (S K)
I1 (m) (K, )d
0
Z
I2 (m) (K, )d
K
5.2
Ci occupiamo in particolare delle opzioni call, essendo sostanzialmente identici i risultati per la put. Si prover`a anche che lequazione nel teorema (5.4)
`e ben definita.
Il primo obiettivo `e quello di calcolare gli integrali I(S, K),I1 (S, K; , t )
e I2 (S, K, , t ) esplicitamente. Lanalisi `e basata sulla trasformata di
Laplace di una funzione f (t) definita da:
Z
72
(126)
2
2(T t ) 2 (K)
!#
S
S
|
|
|ln K
|ln K
erf c p
2(K)
2(T t )(K)
Dimostrazione Per valutare I(S, K; t ), quando S 6= K, si sfrutta il
cambio di variabile:
1
= u2
S 2
ln K
Definendo k 2 = (K)
si ottiene:
K(K)
I(S, K, t ) =
2 2
1
T t
2 1 k2 u2
e 2
du
u2
(127)
2k
exp(
1
u
2
2 2
1
T t
T t
1
i
k
K(K) h p
2 T t exp u2 k 2 k 2 erf c p
=
2
2 2
2(T t )
dove erf c indica la funzione errore complementare
Z
Z
2 t2
2 x t2
e dt;
erf c(x) =
e dt = 1 erf (x)
erf (x) =
0
x
Nel caso in cui S = K vale semplicemente:
r
I(K, K, t ) = K(K)
T t
2
73
Corollario 5.6.
1 rK
q
I2 (S, K; , t ) =
()
"r
T t
exp
2
|ln S |
|ln S |
erf c p
()
2(T t )()
!
(ln S )2
2(T t ) 2 ()
(128)
!#
r+q
2(T t )
2()(K)
2
|ln K |
(|b| + |c|)2 1
+
( 2 () 2 (K)) (|b| + |c|)
exp
2(T t )
2
#
1
|b| + |c|
ln
K
(K) 2 () r + q
erf c p
2
|ln K |
2(T t )
dove b2 =
2
)
(ln K
2
(K)
e c2 =
(ln S
)2
2 (K)
74
y|
(129)
Dimostrazione. Dalla forma di I1 (S, K; , t ) `e evidente che si devono considerare i seguenti tre limiti:
L1 =
lim
0+
lim
L2 = 0+
lim
L3 = 0+
(|b| + |c|)2
1 ln K
exp
() |ln K |
2(T t )
1
|b| + |c|
erf c p
()
2(T t )
|b| + |c|
ln K
(|b| + |c|)
erf c p
|ln K |
2(T t )
ln K
= 1;
|ln K |
A
exp(c1 (ln()2 )),
()
eu cu2
e
(eu )
Pertanto se () `e limitato da
1
< Ce|u|
u
(e )
lim
u
Ceu+|u|
per
cu2
< 2; C, > 0;
=0
eu
C
erf c(|u|)
(u)
per qualche costante C e . Per mostrare che anche questo limite `e zero si
sfrutta lo sviluppo asintotico della funzione erf c:
2
X
(1)m 1 3 (2m 1)
ez
1+
erf c(z)
(2z 2 )m
z
m=1
5.3
Dallanalisi effettuata precedentemente si ha che la volatilit`a (K) `e stimabile attraverso unequazione integrale di seconda specie. Lapproccio
standard `e di risolvere questa equazione iterativamente sfruttando le semplificazioni calcolate.
Z
+
I(K) = u (K) (S K)
I1 (K, )d
(130)
0
Z
I2 (K, )d
(131)
K
il quale `e difficile da calcolare numericamente. Presentiamo alcune osservazioni al riguardo. Quando S = K il suo valore `e essenzialmente nullo. Per
76
S 6= K il suo valore non `e nullo e le difficolt`a numeriche associate sono duplici. Innanzitutto lintegrando presenta delle singolarit`a che seppur rimovibili
aumentano la complessit`a numerica; Inoltre i valori coinvolti nellintegrando
sono in generale molto piccoli e sorgono quindi problemi a causa degli errori
di troncamento.
Comunque si pu`o osservare empiricamente che omettendo questo termine
dalla (130) non si ottenga un degrado dellaccuratezza nel prezzo ottenuto. Pertanto nella calibrazione del modello `e spesso pi`
u efficiente risolvere
lequazione modificata:
Z
+
I2 (K, )d
(132)
I(K) = u (K) (S K)
K
(133)
K(K)
2
2(T t ) 2 (K)
!#
S
S
|ln K
|
|ln K
|
erf c p
2(K)
2(T t )(K)
Z
+
=u (K) (S K)
I1 (K, )d
0
Z
I2 (K, )d
K
4. Si ritorna al passo 2.
I risultati successivi sono ottenuti omettendo dallalgoritmo il secondo integrale I2 . Prima di considerare alcuni esempi numerici vediamo alcune
caratteristiche.
Riguardo allequazione non lineare del passo 1, si pu`o osservare sperimentalmente che la soluzione di tale equazione `e una buona approssimazione
di (K) quando K `e vicino ad S. In particolare quando K = S si ottiene
facilmente:
r
2 u(K, t , K)
(134)
(x)|x=K
T t
K
Lequazione (134) `e una buona approssimazione per la volatilit`a di opzioni
at-the-money. Per dimostrare ci`o con alcuni esempi consideriamo unopzio1
ne con funzione volatilt`a (S) = 0.2(1 1S
), K = 30, t t = 2/365 =
0.005479 e. = 0.05. Allora la volatilit`a `e:
(30) = 0.2
30
= 0.1935
31
= 0.19799
0.005479
30
con una discrepanza di solo 0.004. Similmente per K = 31 con le stesse
condizioni con B-S si ottiene (31) = 0.19375, mentre con la (134) si ha
(31) 0.1948.
Consideriamo ora unaltra funzione volatilit`a che descrive una maggiore
variazione del sottostante. Siano 2 (x) = 0.6(1 e0.03x ), T t = 10/252,
S = K = 30. Allora con la volatilit`a 2 (30) = 0.356058 si ottiene con B-S
il prezzo per la call di u = 0.877797, mentre con lapprossimazione (134) si
ha
s
0.877741
2
= 0.36815
2 (30)
30
10/252
che rimane comunque una buona approsimazione.
Come prima approssimazione della volatilit`a i valori ottenuti sono abbastanza accurati, pertanto nel nostro algoritmo iterativo i valori iniziali della
volatilit`a saranno definiti dalla (134).
78
1
)
1+S
ed una durata relativamente breve: T = 2/365 = 0.0054. Per gli strike minori di 25 e maggiori di 32 la differenza tra i due metodi `e apparsa
indistinguibile. Nella tabella (2) si pu`o osservare comunque una buona corrispondenza tra i risultati dei due metodi, in particolare gli errori maggiori
si hanno per gli strike vicini al valore attuale del sottostante. Ci`o `e dovuto dal fatto che lerrore nellapprossimazione della soluzione fondamentale
`e maggiore quando S = K. Lerrore decade di un fattore dellordine di
S 2
e(ln K ) /2(T t ) , cosicch`e per le opzioni lontane dallessere out-the-money
ci si aspetta un errore particolarmente piccolo.
Consideriamo ora intervalli di tempo mancante alla scadenza maggiori:
T = 20/252 nella tabella (3) e T = 80/252 nella tabella (4). Anche in
questo caso si ottiene una buona approsimazione seppur con una minore
accuratezza.
79
Strike Black-Scholes
32
31
30
29
28
27
26
25
0
0.0017408
0.1754895
1.0091351
2.0076653
3.0073914
4.0071182
5.0068443
Eq integrale
0
0.0016945
0.1754856
1.0081297
2.0076706
3.0073966
4.0071227
5.0068487
Strike Black-Scholes
34
33
32
31
30
29
28
27
26
25
0.007943
0.033204
0.113119
0.313646
0.712176
1.346146
2.17699
3.119878
4.104591
5.099130
e scadenza T = 2/365
Eq integrale
0.008258
0.030755
0.107432
0.305563
0.711943
1.353277
2.181296
3.121326
4.105008
5.099347
80
1
)
1+S
1
)
1+S
e scadenza T = 20/252
Strike Black-Scholes
34
33
32
31
30
29
28
27
26
25
0.286208
0.462732
0.719514
1.075193
1.543815
2.131070
2.831981
3.631267
4.506664
5.434066
Eq integrale
0.260214
0.430580
0.688268
1.049051
1.542934
2.154208
2.860300
3.655161
4.523290
5.444372
1
)
1+S
e scadenza T = 80/252
0.108017
0.216690
0.405290
0.706070
1.146251
1.737996
2.472025
3.319689
4.243290
5.208564
Eq integrale
0.099234
0.203515
0.389850
0.691570
1.144282
1.747165
2.481371
3.325774
4.246505
5.210264
81
Strike Black-Scholes
34
33
32
31
30
29
28
27
26
25
0.258870
0.418544
0.652237
0.978760
1.413720
1.965823
2.634042
3.406923
4.264735
5.183892
Eq integrale
0.266477
0.427690
0.662160
0.987890
1.419551
1.968350
2.635335
3.407871
4.265569
5.184622
Strike Black-Scholes
34
33
32
31
30
29
28
27
26
25
1.168634
1.448321
1.780410
2.170102
2.621761
3.138513
3.721861
4.371389
5.084587
5.856875
Eq integrale
1.213053
1.492830
1.822958
2.208138
2.652307
3.161658
3.740222
4.386564
5.097378
5.867573
82
Avendo verificato che la rappresentazione integrale del prezzo di unopzione approssima con buona accuratezza i prezzi teorici forniti dallequazione di Black-Scholes, ci si occupa ora della risoluzione numerica dellequazione rispetto alla volatilit`a.
Consideriamo la funzione volatilit`a (S) = 0.6(1 e0.03S ) con S = 30
e T = 10/252. Come spiegato in precedenza si vuole ricavare la volatilit`a
(K) dallequazione:
Z
+
u (K) = (S K) + I(K) +
I2 (K, )d
K
0 (K)
1 (K)
2 (K)
(K)
38
37
36
35
34
33
32
31
30
29
28
27
26
0.36815
0.36815
0.36815
0.36815
0.36815
0.36815
0.36815
0.36815
0.36815
0.36815
0.36815
0.36815
0.36815
0.36824
0.36637
0.36645
0.36646
0.36648
0.36649
0.36656
0.36682
0.36761
0.36829
0.36849
0.36845
0.36825
0.36821
0.36512
0.36621
0.36632
0.36672
0.36665
0.36628
0.36649
0.36702
0.36834
0.36874
0.36851
0.36814
0.408109
0.402265
0.396243
0.390038
0.383643
0.377054
0.370264
0.363260
0.356058
0.348629
0.340974
0.333085
0.324956
0.00045
0.00163
0.00539
0.01629
0.04469
0.11082
0.24772
0.49837
0.90350
1.48715
2.23972
3.11782
4.06970
0.00072
0.00218
0.00629
0.01717
0.04415
0.10587
0.23466
0.47638
0.87898
1.46885
2.23098
3.11634
4.07082
Black-Scholes
0.00043
0.00155
0.00526
0.01595
0.04391
0.10932
0.24535
0.49572
0.90273
1.48846
2.24104
3.11854
4.06996
Tabella 9: Confronto prezzi opzioni calcolati con Bouchev, CranckNicholson e la soluzione di Black-Scholes
Si evince pertanto la soluzione dellequazione integrale fornisce una sufficiente approssimazione della prezzo dellopzione.
84
Dai risultati presentati nelle tabelle si pu`o concludere che lequazione integrale di Isakov per il prezzo di unopzione call europea fornisce dei valori
sufficientemente accurati ed in linea con altri metodi pi`
u classici. Pertanto si possono considerare giustificate le semplificazioni e approssimazioni
effettuate nella risoluzione dellequazione integrale di Fredholm.
85
5.4
Le difficolt`a incontrate con lunicit`a e lesistenza della soluzione del problema inverso originario (137)-(139) e la relativa piccola dimensione di
suggeriscono di studiare il problema inverso linearizzato.
Dallequazione duale di Black-Scholes e conveniente fare il seguente cambio di variabili:
K
y = ln , = T t,
(135)
s
Allora le funzioni
U (y, ) = u(, ; K, T )
a(y) = (K)
(136)
2
y
2
y
U (y, 0) = s (1 ey )+ ,
yR
(138)
U (y, ) = U (y),
y
(139)
Per poter linearizzare in un intorno di un coefficiente costante si ipotizza
che:
1
1 2
a (y) = 02 + f (y)
y
(140)
2
2
dove f (y) denota una piccola perturbazione ed `e nulla al di fuori di .
Per derivare il problema linearizzato si osserva che le stime standard per le
soluzioni di problemi parabolici implicano che:
U = V0 + V +
(141)
2
y
2
y
V (y, 0) = 0,
yR
U (y, ) = V (y),
y
86
(142)
(143)
(144)
dove
2
y 2 +cy+d
1
e 2 0
0 4
1
1 02
c = + 2,
d= 2
+ +r
2 0
20 2
0 (y, ) = s
(145)
2 y
2
y 2
1
2 0
(y, ) = s
e
0 4
W (y, 0) = 0
0 < < , y R
yR
cyd
W (y, ) = W (y) = e
V (y)
Z
Af (x) =
B(x, y; )f (y)dy
(146)
dove:
s
B(x, y; ) = 2
0
|xy|+|y|
0 2
e d
87
Z
B(x, y; ) =
0
1
0
2( )
|xy|2
2
2( )0
y 2
s
e 20 d
0 2
2|xy|
2|y|
p
s
p
0
e
e 0
=
2
20 p
p
s 1 2(|xy|+|y|)
p
0
= 2 e
20 p
1
la formula
dove si `e usata la trasformazione di Laplace: 2 e . Applicando
88
Conclusioni
90
Riorganizzando lespressione di I1 (S, K, , t ) `e chiaro che si devono valutare i due seguenti integrali doppi:
!
Z T t Z
(ln K )2
1
1
p
p
J1 =
exp
2
2 (K)
2( )
2 5
0
0
!
(ln S )2
exp
dd
2( ) 2 ()
e
Z
!
(ln K )2
1
p
p
exp
2 2 (K)
2( )
2 3
0
!
(ln S )2
dd
2( ) 2 ()
T t
J2 =
0
exp
1
f(s) = e|b| 2s
|b|
in cui b2 =
2
(ln K
)
.
2
(K)
(ln S )2
2 2 ()
1
g(s) = e|c| 2s
2s
dove c2 =
(ln S
)2
.
2
()
91
1
e 2(|b|+|c|) s
|b| 2s
e 2(|b|+|c|) s =
f ()g( )d = L1
|b| 2s
0
(|b| + |c|)2
1
=
exp
2
2b2
Usando i risultati gi`a visti per I e I2 si ottiene che:
Z T t
(|b| + |c|)2
1
d
exp
J2 =
2
2
2b
0
"r
(|b| + |c|)2
1
2(T t )
exp
=
|b|
2(T t
#
|b| + |c|
(|b| |c|)erf c p
2(T t )
Ora si pu`o passare alla valutazione di J1 che comunque `e simile a J2 .
Volendo determinare la trasformata di Laplace della funzione:
b2
1
h() = p
e 4
2 5
h(s)
= 3 (1 + |b| 2s)e|b| 2s
|b|
L
h()g( )d =
|b|3 2s
0
92
e quindi
Z
0
(1 + |b|2s)e2(|b|+|c|)s
h()g( )d = L
=
|b|3 2s
(|b| + |c|)2
1
|b| + |c|
=
+
exp
2
|b|3 2
b2 2 3
1
conseguentemente
Z
J1 =
T t
h
(|b| + |c|)2 i
1
exp
d
2
|b|3 2 3
2(T )
2(T )
(ln
)2
K
dove come sempre b2 = 2 (K)
e c2 =
Combinando il tutto si ottiene:
(ln S
)2
.
2 ()
"
(ln K )2 2
K
I1 (S, K; , t ) =
( () 2 (K))J1 +
2
2()(K) 2 (K)
1
i
1
+/
2 () r + q ln ( 2 () 2 (K)) J2
2
K 2
93
f (y)(x, y, t)dy
Ipotizziamo inoltre che loperatore P contenga una funzione di un coefficiente incognito a(x). Per evidenziare questa dipendenza scriviamo la
soluzione fondamentale come a (x, y, t). Pertanto si ottiene la seguente
rappresentazione della soluzione u al tempo T
Z
u(x, T ) =
f (y)a(y) (x, y, T )dy
X
u
u
2u
+
bi (x, t)
+ c(x, t)u
=0
Lu =
ai,j (x, t)
xi xj
xi
t
i=1
i,j=1
(147)
94
y,
(x, ) =
n
X
i,j=1
X
(LZ)k (x, t; , )
k=1
+ (r q)
rU (y, ) R (0, )
2
2
y
y
y
95
V
V
1
2V
1
= a2 (y) 2 + r q a2 (y)
rV
2
y
2
y
(148)
1 2
a (y)(y) + rH(y) qH(y)ey
2
+ rH() qH()e d
e vale la rappresentazione integrale della soluzione per V (y, ; K)
Z
V (y, ; K)d
U (y, ; K) U (y, 0; K) =
0
E quindi si ottiene:
Z
1 2
(y, ; 0, 0)d +
U (y, ; K) = K(e 1) + a (0)K
2
0
Z Z
(y, ; , 0)dd
+ rK
Z0 Z0
qK
(y, ; , 0)e dd
y
(149)
(150)
Se si riesce a determinare (y, ; , s) o una sua buona approssimazione in prossimit`a della scadenza, si pu`o utilizzare un valore del prezzo
dellopzione per risolvere unequazione integrale della volatilit`a.
96
e
Z(y, ; , s) = p
2( s)a()
(y)2
2( s)a2 ()
1
+
+
2( s)a2 () ( s)a2 ()
s
a2 ()
( )
+
r+q
2
( s)a2 ()
Z(y, ; , )Z(, ; , s)dd + ( )
dove ( ) `e il termine di errore. Un limite per questo errore `e definito da:
1
(y)2
< h( s) 2 e 2( s)
con h, costanti.
Dato che si `e interessati alla determinazione della volatilit`a a partire da
una valutazione della soluzione vicino alla scadenza, quasta approssimazione
della soluzione `e sufficiente in quanto il termine ( ) pu`o essere trascurato,
perlomeno quando si `e fuori dalla zona in-the-money. Appare altrettanto
chiaro che lerrore `e massimo quando lopzione `e at-the-money, cio`e S = K.
97
Algoritmi utilizzati
b = 0
X0 = 0
X = zeros(1,n_intervals+1);
X(1) = X0;
Wiener_term = 0;
for i=2:n_intervals+1
%termine del Poisson composto P_term
P_term = 0;
for j = 1:N
if U(j)<t_grid(i)
P_term=P_term+Y(j);
end
end
%termine di Wiener Wiener_term
Wiener_term = Wiener_term + DW(i);
% Process come somma del drift, Wiener e poisson composto
X(i) = b*t_grid(i) + Wiener_term + P_term ;
end
% plot traiettoria
info = [Jump Diffusion Process, N = ,num2str(N),, \sigma_w = ,...
num2str(sigma_w),, \lambda = ,num2str(lambda),, \sigma_j = ,...
num2str(sigma_j),, \mu_j = ,num2str(mean_j),, b = ,num2str(b)...
,, intervals = ,num2str(n_intervals) ];
plot(t_grid, X,.)
hold on
plot(U,zeros(1,N),ro)
hold off
title(info)
xlabel(t)
ylabel(X)
legend(process,jump times,2);
end
Metodo di simpson adattivo utilizzato per approssimare i valori degli
integrali nellequazione integrale di Fredholm
99
function [integral,nv]=simp_ada(aa,bb,epss,f)
%------------------------------------------------------------% Calcolo di un integrale con il metodo di Simpson adattativo
%------------------------------------------------------------% Inputs
% aa,bb: estremi dellintervallo dintegrazione
% epss: tolleranza richiesta
% f: la funzione da integrare
%
% Outputs
% integral: valore approssimato dellintegrale
% nv: numero di valutazioni di funzioni
%------------------------------------------------------------format long
NMAXL=100; % numero massimo livelli
integral=0; % valore approssimato dellintegrale
max_err=0; % errore commesso
%ff=input(Fattore dilatazione tolleranza = );
ff=15;
i=1;
l(i)=1; % contatore numero livelli
tol(i)=ff*epss;
%----------------------------Plot della funzione integranda
x=[aa:.01:bb];
y=zeros(length(x),1);
for j=1:length(x)
y(j)=f(x(j));
end; plot(x,y);
title(Metodo di Simpson adattativo);
hold on;
%---------------------------------------------------------a(i)=aa; b(i)=bb;
h(i)=(b(i)-a(i))/2;
min_h=h(i);
m(i)=a(i)+h(i);
fa(i)=f(a(i));
fb(i)=f(b(i));
fm(i)=f(m(i));
100
s(i)=h(i)/3*(fa(i)+4*fm(i)+fb(i));
nv=3; % Valutazioni di funzione
while( i > 0),
% --------------- PLOT dei punti di integrazione
p(1)=a(i); p(2)=a(i)+h(i)/2; p(3)=a(i)+h(i);
p(4)=a(i)+1.5*h(i); p(5)=a(i)+2*h(i);
plot(p,zeros(5,1),r+);
fp(1)=f(a(i));fp(2)=f(a(i)+h(i)/2);fp(3)=f(a(i)+h(i));
fp(4)=f(a(i)+1.5*h(i));fp(5)=f(a(i)+2*h(i));
plot(p,fp,g+);
nv=nv+2;
% --------------------------------------------fd=f(a(i)+h(i)/2);
fe=f(a(i)+3/2*h(i));
ss1=h(i)/6*(fa(i)+4*fd+fm(i));
ss2=h(i)/6*(fm(i)+4*fe+fb(i));
%--------------------------% Salvo i dati del livello
%--------------------------t1=a(i); t2=fa(i); t3=fm(i); t4=fb(i);
t5=h(i); t6=tol(i); t7=s(i); t8=l(i);
i=i-1;
if (abs(ss1+ss2-t7) < t6)
max_err=abs(ss1+ss2-t7);
integral=integral+ss1+ss2;
if( t5 < min_h),
min_h=t5;
end;
elseif (t8 >= NMAXL)
disp(Superato il livello max. STOP! );
break;
else
% Meta Intervallo dx .
i=i+1;
a(i)=t1+t5;
fa(i)=t3; fm(i)=fe; fb(i)=t4;
h(i)=t5/2;
tol(i)=t6/2;
101
s(i)=ss2;
l(i)=t8+1;
%% Meta Intervallo sx.
i=i+1;
a(i)=t1;
fa(i)=t2; fm(i)=fd; fb(i)=t3;
h(i)=h(i-1);
tol(i)=tol(i-1);
s(i)=ss1;
l(i)=l(i-1);
end;
end;
disp(Valore approssimato dellintegrale); integral
legend(r+,Punti integr.,g+,Valore funzione); hold off;
disp(Errore max. = );
max_err;
disp(Minimo step usato ); min_h;
return
102
Riferimenti bibliografici
[1] Robert C. Merton, Option price when underlying stock returns are
discontinuous. Journal of fi`nancial economics 3, 125 -144, (1976).
[2] Wim Schoutens, Levy processes in finance. Katholieke universiteit
Leuven, Belgium, (2003)
[3] Rama Cont, Peter Tankov, Financial modelling with jump processes.
Chapmann & Hall /CRC financial mathematics series, (2004)
[4] Viktor Isakov, Inverse problem for partial differential equation Springer,
(1997)
[5] I. Bouchev, V. Isakov Recovery of volatility coefficient by linearization
Quantitative Finance,Volume 2 (2002)
[6] I. Bouchev, V. Isakov Inverse problem of option pricing, Inverse problem,
volume 13, L1-L7
[7] B. Dupire Pricing with a smile RISK 7, 32-9
[8] A. Friedman Partial differential equations of parabolic type Englewood
Cliffs, (1964).
[9] A. Pascucci PDE and martingale methods in option pricing Springer
(2011)
103