Il Problema Inverso Dell'option Pricing

Universit`
a degli Studi di Firenze

` DI SCIENZE MATEMATICHE, FISICHE E NATURALI
FACOLTA
Corso di Laurea in Matematica
Tesi di laurea magistrale
Il problema inverso delloption pricing
Candidato:
Relatore:
Luca Amadio
Ch.mo Prof. Vincenzo Vespri
Matricola 5203362
Anno Accademico 2013-2014
Indice
1 Introduzione
2 Basi della teoria delle probabilit`

a
2.1 Il processo di Wiener e il moto browniano . . . . . . . . . .
2.2 Integrale stocastico e formula di Ito . . . . . . . . . . . . . .
2.3 Equazioni differenziali stocastiche . . . . . . . . . . . . . . .
8
14
16
18
3 Le opzioni e lequazione di Black-Scholes

3.1 Levoluzione del prezzo di un bene . . . . .
3.2 Le opzioni . . . . . . . . . . . . . . . . . .
3.3 Prezzaggio di opzioni . . . . . . . . . . . .
3.4 Risoluzione dellequazione di Black-Scholes
3.5 Le greche . . . . . . . . . . . . . . . . . .
21
22
26
30
34
37
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4 La volatilit`
a e le modifiche al modello di Black-Scholes
4.1 La volatilità 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 volatilità locale . . . . . . . . . . . . . . . . . . . . . . .
4.3.1 Lequazione di Dupire . . . . . . . . . . . . . . . . .
4.3.2 La volatilità locale come funzione della volatilità 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 volatilità con la linearizzazione
64
65
72
76
86
6 Conclusioni
89
A Dimostrazione del teorema 5.7
91
B La rappresentazione integrale della soluzione di una PDE
94
51
53
54
60
C Algoritmi utilizzati
98
Bibliografia
103
Elenco delle figure

1
2
3
5
4
6
7
8
9
10
11
12
13
14
15
16
17
Quotazione del titolo Unicredit dal maggio 2012 al maggio

2014 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Esempi di random walk per differenti volatilità costanti ( =
0.05, = 0.1 (in blu) e = 0.3 (in verde) . . . . . . . . . . .
Esempi di random walk per differenti drift ( = 0.1, = 0.05
(in blu) e = 0.2 (in verde) . . . . . . . . . . . . . . . . . .
Prezzi di opzioni Call sullazione Intesa Sanpaolo di valore
2.214 e per diverse scadenze e strike . . . . . . . . . . . . .
La funzione payoff per la call e la put rispetto al sottostante
per un fissato prezzo strike K . . . . . . . . . . . . . . . . .
Prezzo di una call con parametri: K=100, r=0.1, q=0.1,
=0.36 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Delta call con parametri: K=100, r=0.1, q=0.1, =0.36 . .
Gamma di una call con parametri: K=100, r=0.1, q=0.1,
=0.36 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Vega di una call con parametri: K=100, r=0.5, q=0.1, =0.3
Volatilità implicita per differenti strike e scadenze . . . . . .
Processo di Poisson con il parametro = 25 . . . . . . . . .
Poisson composto con salti di distribuzione normale . . . .
Processo Jump diffusion. . . . . . . . . . . . . . . . . . . .
Payoff della strategia spread call . . . . . . . . . . . . . . . .
Payoff della strategia butterfly call . . . . . . . . . . . . . .
Superficie della volatilità locale calcolata dai prezzi dellopzione per diversi strike e scadenze . . . . . . . . . . . . . . .
Superficie della volatilita locale calcolata dalla volatilità implicita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
21
24
25
29
30
37
39
41
43
45
47
48
52
55
56
59
62
Elenco delle tabelle

1
2
3
4
5
6
7
8
9
Quotazioni dellopzione call sullazione di Intesa Sanpaolo del

19/05/2014 . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
1
) e scadenza T = 2/365 80
Funzione volatilità (S) = 0.2(1 1+S
1
Funzione volatilità (S) = 0.2(1 1+S ) e scadenza T = 20/252 80
1
) e scadenza T = 80/252 81
Funzione volatilità (S) = 0.2(1 1+S
Funzione volatilità (S) = 1.2/ 1 + S e scadenza T = 40/252 81

Funzione volatilità (S) = 0.6(1 e0.03S ) e scadenza T =
25/252 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Funzione volatilità (S) = 0.6(1 e0.03S ) e scadenza T =
80/252 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Approssimazioni del metodo iterativo rispetto alla funzione
volatilità (S) = 0.6(1 e0.03S ) . . . . . . . . . . . . . . . 83
Confronto prezzi opzioni calcolati con Bouchev, Cranck-Nicholson
e la soluzione di Black-Scholes . . . . . . . . . . . . . . . . . 84
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 può essere utilizzato nella realtà, ad esempio a causa dellirrazionalità 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 totalità degli operatori finanziari.
Quello che però molti non considerarono fu il fatto che i mercati finanziari sono delle entità 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 arrivò 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 è 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 è 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 è 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
Il modello di Black e Scholes (B-S) non è pi`

u considerato uno strumento
standard per la quotazione di derivati di alcune classi di titoli, come possono
essere ad esempio i tassi di interesse derivati. Tuttavia tale modello mantiene una fondamentale importanza per ragioni concettuali e pratiche, infatti
fornisce una comprensione generale del pricing dei derivati e di copertura ed
è tuttora una convenzione adottata dai mercati per la quotazione dei prezzi.
In realtà, molti adattamenti ad hoc del modello si sono sviluppati come strumenti di approssimazione per la quotazione e copertura di derivati
quando la dinamica dei fattori di rischio non soddisfano linsieme di ipotesi del modello standard. Tali adattamenti possono essere concettualmente
sbagliati da un punto di vista teorico, ma risultano comunque utili ai professionisti del settore purchè funzionino sotto un soddisfacente limite di
errore.
Unopinione comune è quella di considerare il modello B-S come un minore ordine di approssimazione di un pi`
u completo modello in grado di descrivere, ad esempio, lo smile della volatilità. La teoria della perturbazione
è un efficace metodo per formalizzare tale intuizione ed estendere il modello
standard, conciliando, allo stesso tempo, il valore realistico risultante con la
sua teoria sottostante. In pi`
u una naturale estensione pertubativa del modello implica necessariamente lo studio della sua stabilità rispetto ad una
perturbazione del problema, e ciò è un problema standard nellapplicazione
di PDE paraboliche per problemi fisici. Pertanto tale stabiltà è strettamente connessa con leffettiva stabilità del modello, in quanto nellapplicazione
si disporrà di stime ed approssimazioni di valori casuali e non di valori perfettamente esatti.
In questa tesi si presenteranno dunque alcuni modelli generali delloption

pricing e delle tecniche per la stima e valutazione della volatilità dei titoli.
Nel capitolo 2 si presentano i concetti base della teoria della probabilità,
in particolare ci si soffermerà su quegli argomenti che sono pi`
u significativi
per il nostro scopo. Nel capitolo 3 invece si descriverà il significato di opzione
finanziaria e delle varie caratteristiche che può avere. Poi si presenta come
si deriva lequazione di Black-Scholes e le ipotesi che essa richiede. Inoltre si
calcola la soluzione in forma chiusa di tale equazione, la quale immettendo i
parametri necessari fornisce il prezzo dellopzione, e si definiscono le greche,
che sono importanti indici finanziari usati dagli operatori di mercato.
Nel quarto capitolo si iniziano a trattare le tecniche per la stima del-
la volatilità. La volatilità implicita è calcolata semplicemente sfruttando i

prezzi quotati in borsa ed invertendo la soluzione di Black-Scholes rispetto
alla volatilità. Poi si vedrà il modello jump-diffusion di merton, il quale aggiunge al modello classico la possibilità da parte delle traiettorie che
replicano i prezzi dei titoli di effettuare dei salti discontinui. Infine si presenta lequazione di Dupire, nella quale viene invertita rispetto alla volatilità
lequazione alle derivate parziali di Black-Scholes.
Nel quinto capitolo si studia il problema della stima della volatilità come
un problema inverso di equazioni alle derivate parziali, presentando alcuni
risultati di stabilità ed unicità della soluzione. Inoltre si ottiene unequazione integrale che fornisce una soluzione con buona approssimazione.
Basi della teoria delle probabilit`

a
Lequazione di B&S consiste nella seguente equazione alle derivate parziali,

la cui soluzione indica il valore di unopzione
ut + rSus +
2 2
S uss ru = 0
2
(1)
Per poter comprendere appieno in che modo i vari termini dellequazione

influiscono nella determinazione della soluzione si ha bisogno di conoscere
alcuni concetti fondamentali della misura di probabilità quali ad esempio le
variabili casuali, i processi stocastici, il processo di Wiener, i moti browniani. Inoltre per poterla ricavare si dovrà perlomeno comprendere cosa si
intenda per integrali stocastici ed equazioni differenziali stocastiche. Pertanto questo primo capitolo è dedicato a tali argomenti, senza pretesa e
necessità di essere esaurienti, affinchè si possano giustificare alcune ipotesi che verrano assunte e chiarire per quale motivo lequazione (1) simuli
evoluzione del prezzo di unopzione.
In questo paragrafo si presentano pertanto alcune nozioni di base della
teoria delle probabilità necessarie nel proseguo del lavoro. Per introdurre in
modo corretto termini casuali o aleatori si ha bisogno della struttura matematica di spazio di probabilità. A tal fine si consideri un insieme generico
non vuoto , per il quale un generico sottoinsieme è detto evento.
Definizione 2.1. -algebra Una algebra è una famiglia U di sottoinsiemi di tali che:
1. , U
2. Se A U, allora Ac U, dove con Ac si intende il complementare di
A in
3. Se A1 , A2 , ... U allora
Ak ,
k=1
Ak U
k=1
Definizione 2.2. Misura di probabilit`

a Sia U una -algebra di sottoinsiemi di . Una misura di probabilità è unapplicazione P : U [0, 1] tale
che:
8
1. P () = 0, P () = 1
2. Se A1 , A2 , ... U, allora
P(
Ak )
k=1
P (Ak )
k=1
3. Se A1 , A2 , ... U sono disgiunti, allora

P(
Ak ) =
k=1
P (Ak )
k=1
Ora si è in grado di definire lo spazio di porbabilit`

a come la struttura
(, U, P ), in cui è un insieme non vuoto, U è una -algebra di sottoinsiemi
di e P è una misura di probabilità su U.
Un insieme A U si dice evento e P (A) è la probabilità dellevento A. Una
proprietà che vale sempre tranne che per un evento di probabilità nulla si
dice che è valida quasi sicuramente (q.s.).
Si introducono ora le variabili casuali le quali rendono visibile uno spazio di probabilità da un punto di vista matematico. Sia B la famiglia dei
sottinsiemi boreliani di Rn , che è la pi`
u piccola -algebra di sottoinsiemi di
n
R contenente tutti gli insiemi aperti.
Definizione 2.3. Variabile casuale Sia (, U, P ) uno spazio di probailità.
Un mapping
X : Rn
è detto variabile casuale n-dimensionale se
X1 (B) U
B B,
Equivalentemente si può dire che X è U-misurabile.

Inoltre data la variabile casuale X, la famiglia
U(X) := X1 (B), B B
è una -algebra generata dalla stessa X ed è la pi`
u piccola sotto--algebra
di U rispetto a cui X è misurabile. In termini probabilistici è importante
capire che la -algebra U(X) può essere interpretata come un contenitore
di tutta linformazione rilevante riguardo alla variabile casuale X.
9
Definizione 2.4.
1. Una famiglia {X(t) : t > 0} di variabili casuali è
chiamata processo stocastico
2. Il valore atteso di una variabile casuale X e:
Z
E(X) :=
XdP
3. La varianza di una variabile casuale è

Z
V (X) :=
|X E(X)|2 dP
Un altro fondamentale concetto è la funzione distribuzione e densità, con

le quali tutte le quantità di interesse della teoria della probabilità possono
essere implementate in R.
Definizione 2.5. Funzioni distribuzioni e densit`
a Sia (, U, P ) uno
spazio di probabilità e X : Rn una variabile casuale. La funzione
distribuzione di X è la funzione FX : Rn [0, 1] definita da:
FX := P (X x)
x Rn
Inoltre se esiste una funzione f : Rn R non negativa integrabile tale che:

Z x1 Z xn
F (x) = F (x1 , x2 , ..., xn ) =
...
f (y1 , ..., yn )dyn ...dy1
allora tale funzione è chiamata funzione densità.

Segue facilmente che:
Z
P (X B) =
f (x)dx
B B
(2)
Quello che ci interesserà nel preseguo, per la costruzione del processo di

Wiener, è la distribuzione gaussiana o normale unidimensionale.
La variabile casuale X : R ha distribuzione gaussiana con media m e
varianza 2 , e si indica con N (m, ), se ha densità:
|xm|2
1
e 22
f (x) =
2 2
10
con x R
Poichè si avrà a che fare con sequenze di variabili casuali una caratteristica importante che queste possono avere è lindipendenza, in quanto
permette di semplificare molto le argomentazioni.
Dati due eventi A e B, la probabilità condizionata, P (A|B), indica la probabilità dellevento A sapendo che si è verificato levento B e vale:
P (A|B) :=
P (A B)
P (B)
Allora due eventi si dicono indipendenti se

P (A) = P (A|B)
ovvero P (A B) = P (A)P (B)
Pertanto data una sequenza di variabili casuali X1 , X2 , ..., Xm indipendenti

si possono dimostrare i seguenti risultati:
1. Funzione distribuzione: FX1 ,...,Xm (x1 , ..., xm ) = FX1 (x1 )FXm (xm )
Rn , i = 1, ..., m
2. Densità: fX1 ,...,Xm (x1 , ..., xm ) = fX1 fXm
xi
xi Rn , i = 1, ..., m
3. Valore atteso: se E(|Xi |) < , allora E(X1 Xm ) = E(X1 )E(Xm )

4. Varianza: se V (|Xi |) < , allora V (X1 + ... + Xm ) = V (X1 ) + ... +
V (Xm )
Oltre alla probabilità condizionata si può introdurre anche il valore atteso
condizionato, E(X|Y ), il quale date le due variabili casuali X e Y , è a sua
volta una variabile casuale, è U-misurabile e rappresenta le probabilità di
estrazione di un qualche evento conoscendo le probabilità di estrazione dello
stesso rispetto ad unaltra variabile aleatoria.
Riguardo al valore atteso condizionato di particolare importanza è la
nozione di martingala.
Definizione 2.6. Martingala Sia X1 , . . . , Xn , . . . una sequenza di variabili
casuali a valori reali con E(|Xi |) < i = 1, 2, . . .. Se
Xk = E(Xj |X1 , . . . , Xk ) q.s. j k
allora la sequenza {Xi }
i=1 si dice Martingala
11
Dalla definizione si deduce che per una sequenza di variabili casuali che
gode di tale prorpietà, una volta arrivati ad un generico passo k, la migliore
approssimazione, o valore atteso, del successivo evento è levento Xk ; Tutto
ciò che lo ha preceduto diventa ininfluente.
Si discutono ora alcuni risultati noti in teoria della probabilità, 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
probabilità.
Sia E(Xi ) := m i, allora:

X1 + X2 + X n
=m =1
P limn
n
(3)
Vediamo ora il teorema di De Moivre-Laplace e del limite centrale, i quali

forniscono una stima sulle fluttuazioni che ci si può aspettare dal limite (3).
Teorema 2.2. De Moivre-Laplace
Supponiamo di avere X1 , , Xn , variabili casuali i.i.d tali che:
(
P (Xi = 1) = p
con p, q 0
P (Xi = 0) = q = 1 p
Allora si ha che:
(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)
Il teorema afferma che la somma di n variabili casuali di questo tipo è

a sua volta una variabile casuale la cui distribuzione tende per n alla
gaussiana N (0, 1).
Vediamo ora il teorema del limite centrale che è una generalizzazione del
teorema appena enunciato.
12
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)
Definendo la somma Sn := X1 + , Xn , allora si ha che per ogni <

a<b<
Z b

x2
Sn nm
1
limn P a
b =
e 2 dx
(9)
n
2 a
Pertanto le conclusioni derivanti del teorema di De Moivre-Laplace si
possono estendere ad ogni sequenza di variabili casuali indipendenti ed
identicamente distribuite con varianza finita
13
2.1
Il processo di Wiener e il moto browniano
In questo capitolo si introduce il moto browniano o processo di Wiener che

è un particolare processo stocastico presentato per la prima volta da Brown
il quale stava studiando il moto irregolare delle particelle di polline sospese
su una superficie dacqua. In particolare osservò che il cammino di ogni
particella era molto irregolare (in quanto in alcun punto era possibile assegnare una tangente al cammino) e che i movimenti di due distinte particelle
apparivano indipendenti. In seguito tale fenomeno fu studiato anche da
Einstein e da Wiener che lo esposero su basi matematiche.
Si considera una griglia di punti bidimensionale {(nt, mx)|n = 0,
1, 2, ; m = 0, 1, 2, } dove x, t > 0. Su questa griglia si introduce una particella nel punto x = 0 allistante t = 0 e che, ad ogni istante
di tempo nt, si sposta verso lalto di una quantità x con probabilità
1/2 e verso il basso della stessa quantità con probablità 1/2. Ciò che si è
appena definito è un generico random walk per il quale le variabili spaziali
e temporali sono discrete. Sfruttando i teoremi di De Moivre-Laplace e del
limite centrale si può passare al limite per x, t 0 e definire il processo
di Wiener.
Sia X(t) la posizione della particella al tempo t = nt. Si definisce:
Sn =
n
X
Xi
(10)
i=1
dove le Xi sono delle variabili casuali indipendenti tali che

(
P (Xi = 0) = 1/2
per i = 1, 2,
P (Xi = 1) = 1/2
Si noti che V (Xi ) = 1/4. Pertanto Sn indica il numero di movimenti della
particella verso lalto. Conseguentemente
X(t) = Sn x + (n Sn )(x) = (2Sn n)x
Inoltre la verianza è
V (X(t)) = (x2 )V (2Sn n) = (x2 )4V (Sn ) =
(x2 )
t
= (x2 )4nV (X1 ) = (x2 )n =
t
14
Poichè ad ogni istante si ripete sempre lo stesso esperimento indipendente

2
dai precedenti, allora si può suppore che la quantità x
sia costante (D) e
t
quindi la varianza sia una funzione lineare a t: V (X(t)) = Dt.
Allora
!
!
Sn n2
Sn n2
pn
pn
nx =
Dt
(11)
X(t) = (2Sn n)x =
4
Ora sfruttando il teorema di De Moivre-Laplace si ottiene che:

lim
n
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
Si ha pertanto che il processo stocastico X(t) ha come distribuzione la

gaussiana N (0, Dt).
Si può allora introdurre il moto browinano per il quale si sceglie come
costante D = 1.
Definizione 2.7. Un processo stocastico a valori reali W () è detto moto
browinano o processo di Wiener se:
1. W (0) = 0.
2. W (t) W (s) ha distribuzione N (0, t s) per ogni 0 s t.
3. gli incrementi W sono indipendenti, ovvero per ogni istante di tempo
0 < t1 < t2 < < tn le variabili casuali W (t1 ), W (t2 )W (t1 ), , W (tn )
W (tn1 ) sono indipendenti.
In particolare si nota che:
E(W 2 (t)) = t
E(W (t)) = 0,
(12)
Si presentano ora alcune proprietà appartenenti al processo di Wiener

W () ed ai cammini semplici t W (t, ).
15
Per quasi ogni evento elementare , il cammino semplice t W (t, )

è holderiano continuo per ogni esponente < 1/2 e non lo è mai per
ogni > 1/2, cioè (0, 21 ), una costante K = K(, , T ), tale
che
|W (t, ) W (s, )| K|t s|
0 s, t T
(13)
Per quasi ogni , il cammino semplice t W (t, ) non è in alcun
istante differenziabile ed ha variazione infinita su ogni sottointervallo
di (0, t).
Un processo di Wiener è un processo di Markov, il che vuol dire che,
per ogni istante 0 < s < t, dato il valore corrente W (s), ciò che si
conosce sulle probabilità dei futuri valori di W (t) è lo stesso di ciò
che si saprebbe se conoscessimo lintera evoluzione del processo prima
dellistante s. Pertanto vale che:
Z
(xW (s))2
1
P (W (t)|W (s)) = p
e 2(ts) dx 0 s < t (14)
2(t s)
2.2
Integrale stocastico e formula di Ito
Consideriamo ora una processo stocastico {X(t) : t > 0} il quale dipende

dal tempo t e la sua parte aleatoria è descritta da un processo di Wiener W .
Allora si può assumere che levoluzione di X(t) è descritta dalla relazione:
dX = F (t)dt + G(t)dW
(15)
per opportune funzioni regolari F e G. Ora affinchè 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 può assumere che
dW = O( dt)
Volendo generalizzare tale risultato per funzioni di variabili aleatorie lo
strumento principale da utilizzare è 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
Sia allora f (X, t) una funzione regolare rispetto al tempo ed ad una

variabile aleatoria la cui evoluzione nel tempo è descritta dalla (15). Allora
sviluppando secondo Taylor si ha che:
f
1 2f
f
dX +
dt +
(dX)2 + r
2
X
t
2 X
dove r denota il termine di resto che ha ordine di grandezza minore rispetto
a quelli indicati. Nello sviluppo si è incluso anche il termine in dX 2 poichè
si è detto che per un processo di Wiener W vale che dW 2 dt per dt 0
e quindi ci si aspetta che esso contenga dei termini dello stesso ordine di
grandezza di dt.
Infatti dalla (15) si ha che:
df =
dX 2 = (F dt + Gdw)2 = F 2 dt2 + G2 dW 2 + 2F GdW dt

e quindi il primo termine del secondo membro ha lo stesso ordine di grandezza di dt e quindi
dX 2 G2 dt
per dt 0
Allora tornando a calcolare il differenziale di f e volendo considerare solo i

termini di grandezza O(dt) si ottiene la formula di Ito:
f
1 2f 2
f
dX +
dt +
G dt
X
t
2 X 2
Mossi di tali considerazioni si può enunciare il lemma di Ito generico
df =
Teorema 2.4. Lemma di Ito Supponiamo che un processo stocastico abbia

come differenziale stocastico:
dX = F dt + GdW
con F L1 (0.T ), G L2 (0, T ).
Sia u : R [0, T ] R continua e tale che u

,
t
continue.
Assegnata
Y (t) := u(X(t), t)
u 2 u
,
x x2
esistono e sono
allora Y ha differenziale stocastico:

u
u
1 2u 2
G dt
dt +
dX +
t
x
2 x2

u u
1 2u 2
u
=
+
F+
G dt +
GdW
2
t
x
2 x
x
dY =
17
(16)
(17)
Osservazioni
1. Largomento delle funzioni u, u
, ... è 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
Equazioni differenziali stocastiche
In questo capitolo si introducono le equazioni differenziali stocastiche (SDE)

e se ne presentano alcuni esempi applicabili ai titoli finanziari. Le SDE
saranno presentate in forma 1-dimensionale, in quanto tali sono i casi presi in
esame ed essendo comunque facilmente estendibili a molteplici dimensioni.
Sia W () un moto browniano e X0 una variabile casuale indipendente da
W ().
Si consideri la -algebra
F(t) := U(X0 , W (s) (0 s t)),
t0
generata da X0 e dalla storia del processo di Wiener fino al tempo t.

Siano date, per T > 0, le funzioni
b : R [0, T ] R,
B : R [0, T ] R
18
(18)
Definizione 2.8. Si dice che un processo stocastico X() è una soluzione

dellequazione differenziale stocastica di Ito
(
dX = b(X, t)dt + B(X, t)dW
(19)
X(0) = X0
per 0 t T, se:
1. X() è progressivamente misurabile rispetto a F()
RT
2. b(X, t) L1 , ovvero E( 0 |b(X, t)| dt) <
RT
3. B(X, t) L2 , ovvero E( 0 B(X, t)2 dt) <
4. X(t) = X0 +
RT
0
b(X(s), s)ds +
RT
0
B(X(s), s)dW q.o., 0 t T
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
Con la stessa procedura si trova che, date due funzioni continue f e g,

il problema
(
dX = f Xdt + gXdW
X(0) = 1
ha soluzione
Rt
X(t) = e
R
f 12 g 2 ds+ 0t gdW
per 0 t T .
20
Le opzioni e lequazione di Black-Scholes
Introduciamo ora le proprietà delle opzioni e del loro mercato e vediamo

come le nozioni di probabilità introdotte nel capitolo precedente possono
essere utilizzate per descriverne la loro evoluzione e le loro caratteristiche.
A partire dalla metà degli anni ottanta le serie storiche finanziarie sono
diventate parte integrante dellinformazione quotidiana: i grafici dellandamento degli indici azionari, ad esempio sono ormai immagini ricorrenti in
un qualsiasi quotidiano o telegiornale. Grafici analoghi si hanno per azioni,
valute e per materie prime ovvero per tutti quei beni intesi come prodotti
finanziari, il cui valore è quotato o comunque può essere stimato. Nella figura (1) ad esempio si riporta landamento del titolo azionario dell Unicredit.
Landamento del valore di un qualsiasi bene nel tempo risulta essere ben
rappresentato da un punto di vista probabilistico da ciò che è comunemente
chiamato random walk.
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 è 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.
Ciò non significa che non sia possibile costruire un modello per landamento
del prezzo considerato ma tale modello non potrà essere completamente deterministico ma dovrà 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
Nonstante la maggior parte dei modelli di option pricing si basi su un

modello semplice di natura aleatoria descrivente landamento del prezzo di
un bene, si vedrà che esistono molti problemi dai quali si possono derivare
affermazioni di tipo deterministico oltre che probabilistico.
3.1
Levoluzione del prezzo di un bene
Laleatorietà del prezzo di un bene è riconducibile essenzialmente all Ipotesi

di mercato efficiente la quale afferma principalmente le due seguenti cose:
1. la storia passata si riflette interamente sul prezzo attuale del bene
2. i mercati rispondono istantaneamente a qualsiasi nuova informazione
riguardante il prezzo di un bene. Ciò vuol dire che modellare i prezzi
di un bene significa sostanzialmente modellizzare larrivo sul mercato
di nuove informazioni che ne influiranno i valori futuri
Con queste due ipotesi si può affermare che le variazioni del prezzo di un
bene rappesentano un processo di M arkov. Infatti, riprendendo la definizione data nel capitolo precedente, se si considera il prezzo di un titolo S(t)
al tempo t, allora in esso saranno racchiuse tutte le informazioni riguardanti
la sua storia ed i valori futuri dipenderanno dalle nuove informazioni che
giungeranno sul mercato.
Osserviamo innanzitutto che la variazione assoluta del prezzo di un bene
non risulta essere la quantità pi`
u interessante da monitorare; è evidente
infatti che, mentre la variazione di 1, 00 e è significativa quando il prezzo
di un bene è di 10, 00 e, la stessa variazione risulta essere molto meno
significativa quando il prezzo del bene è 100, 00 e. Per questo motivo ad ogni
variazione del prezzo del bene associamo una quantità nota come return,
definita come il rapporto tra la variazione assoluta del prezzo del bene e il
suo valore originale. Il return ci fornisce dunque una misura della variazione
relativa dl prezzo del bene, quantità questa sicuramente pi`
u significativa da
monitorare.
Supponiamo ora che il prezzo di un bene S al tempo t sia appunto S(t).
Consideriamo un piccolo intervallo di tempo dt durante il quale il prezzo
diventa S + dS (il return del bene risulta quindi essere dS/S). Lobiettivo
è quindi quello di riuscire a modellare tale quantità. I modelli pi`
u semplici
e comuni decompongono il return in due quantità, una parte deterministica
e una aleatoria. La prima, paragonabile al return di denaro investito in un
22
titolo privo di rischio (come può essere un deposito bancario), è data da

dt
(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 è data da un
campione casuale di una distribuzione normale a media nulla ed aggiunge
al return dS/S il termine
dW
(21)
dove , la volatilità, è una costante che misura la deviazione standard del
return mentre dW indica il processo di W iener, il quale come si è visto
in precedenza rappresenta una variabile casuale normale con media nulla e
varianza dt. Lipotesi di conoscere la volatilità futura e di supporla costante,
risulterà 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 è proprio questa
quantità la vera incognita da stimare per poter dare un giusto prezzo ad
unopzione. La quantità invece risulterà 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)
Lequazione (22) è un esempio di un particolare random walk: non può

essere utilizzata per ottenere un andamento deterministico del prezzo del
bene, ma da essa si possono ricavare importanti informazioni sul comportamento probabilistico di S. Se S soddisfa la (22) allora la sua densità di
probabilità è una distribuzione lognormale e per questo motivo si parla di
random walk lognormale. La (22) è affidabile per la simulazione di serie
temporali reali soprattutto per quanto riguarda azioni ed indici, mentre risulta meno affidabile nel caso in cui si voglia simulare landamento delle
valute a lungo termine. Inoltre i dati reali raffrontati sui mercati risultano
avere in generale maggiore probabilità di ampi rialzi o cali rispetto a quelli
23
previsti dal modello. Comunque nonostante tali discrepanze il modello (22)

risulta essere affidabile e può essere usato come punto di partenza per la
derivazione di modelli pi`
u sofisticati. Ad esempio per ovviare al problema
di sottostima della volatilità si è sviluppato il modello jump dif f usion, nel
quale al modello di base si aggiunge la possibiltà ad ogni istante di effettuare
un salto al rialzo o al ribasso del titolo (cosa che può avvenire anche nella
realtà tra una chiusura e riapertura del mercato).
Lequazione (22) può essere risolta utilizzando il lemma di Ito definito
in (16) in cui F = S e G = S:
d(log(S)) =
2
dS 1 2 S 2 dt
)dt + dW
=
(
S
2 S2
2
(23)
e si ottiene come soluzione:

S(t) = s0 e(
2
)t+W
2
(24)
per t t0 e S(t0 ) = s0 . Si può osservare che la funzione prezzo di un bene

è sempre positiva per s0 > 0.
Figura 2: Esempi di random walk per differenti volatilità costanti ( = 0.05,

= 0.1 (in blu) e = 0.3 (in verde)
Vediamo ora alcune proprietà dellequazione (22). Innanzitutto non viene fatto alcun riferimento alla storia passata del prezzo del bene: il prezzo
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 proprietà di Markov). Per la definizione di equazione differenziale
stocastica si ha che:
Z t
Z t
SdW
(25)
Sds +
S(t) = s0 +
0
e poichè 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 dellattività rischiosa corrisponde alla soluzione deterministica dellattività 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 è:
E[dS] = E[Sdt + SdW ] = Sdt
25
(28)
mentre la varianza è:

V ar[dS] = E[dS 2 ] E[dS]2 = E[(Sdt + SdW )2 ] (Sdt)2
= E[2 S 2 dt2 + 2 S 2 dW 2 + 2S 2 dW dt] 2 S 2 dt2 =
= 2 S 2 E[dW 2 ] = 2 S 2 dt
poichè dalla (12) si ha che
E[dW 2 ] = dt
Si può osservare allora come la radice quadrata della varianza, ovvero la
deviazione standard, sia propozionale alla volatilità . Valori tipici per la
volatilità di azioni ed indici sono compresi tra 0.02 e 0.4.
Nelle figure (2) e (3) possiamo osservare alcuni esempi di random walk, in
particolare si nota come il termine descriva la crescita media del processo
stocastico mentre ne indica il grado di variazione infinitesimale.
3.2
Le opzioni
Un ruolo fondamentale nella teoria e nella pratica finanziaria moderna è

occupato dagli strumenti derivati il cui valore dipende dal prezzo di un
altro bene, detto sottostante per il quale si assume che il modello che lo
descriva sia il random walk lognormale (22). Gli strumenti derivati vengono
trattati attualmente sia in mercati finanziari regolamentati sia su mercati
over-the-counter (OTC), cioè mediante lincontro diretto tra domanda e
offerta.
Lopzione è uno degli strumenti derivati di maggior importanza e diffusione. Nella sua forma pi`
u semplice, detta vanilla, si tratta di un contratto
che assegna il diritto, ma non lobbligo, di acquistare (opzione call) o di
vendere (opzione put) ad una determinata scadenza (expiry date) un bene
sottostante, come ad esempio un azione, ad un prezzo prefissato, chiamato
prezzo di esercizio (strike price). Chi acquista lopzione può dunque decidere se esercitarla o meno, mentre colui che la vende si assume lobbligo
di vendere o acquistare ad un certo prezzo ed ad una certa data a seconda
delle decisioni prese dallacquirente.
Le opzioni si dividono principalmente in due categorie: quelle che possono essere esercitate solo alla data di scadenza (opzioni europee) e quelle che
consentono di esercitare lopzione anche prima della stessa (opzioni americane).
Esistono poi anche altri tipi di opzioni (esotiche) le cui modalità di payoff
26
(ovvero il ricavo ottenuto alla scadenza dellopzione) risultano essere pi`

u
sofisticate. Sostanzialmente si differenziano dalle vanilla, il cui payoff è una
semplice differenza tra il valore del sottostante al momento dellesercizio dellopzione e il prezzo strike, dal fatto che alla scadenza il ricavo tiene conto
dei prezzi assunti dal sottostante durante lintera vita dellopzione (opzioni
path-dpendent).
Tra le opzioni esotiche o path-dependent citiamo:le opzioni binarie il cui
ricavo è limitato ad un ammontare fissato; le opzioni con barriera che modificano la natura del contratto, eventualmente annullandolo, se il prezzo del
sottostante raggiunge una determinata barriera (superiore od inferiore); le
opzioni asiatiche che dipendono dalla media dei prezzi del bene sottostante in un determinato periodo della vita dellopzione, le opzioni lookback il
cui prezzo dipende dal valore massimo o minimo raggiunto dal sottostante;
le opzioni coumpound hanno come sottostante unaltra opzione o un altro
titolo derivato.
Pertanto esistono le pi`
u disparate tipologie di opzioni, lunico limite agli
sviluppi di nuove forme di opzioni è dato dalla disponibilità di modelli di
valutazione sufficientemente accurati che permettano di assegnare a questi
strumenti derivati un prezzo adeguato e di gestire al tempo stesso, mediante
copertura, il rischio derivante dalla loro emissione.
Analizziamo ora la dipendenza del prezzo di unopzione rispetto ai parametri appena presentati che descrivono il contratto. Per semplicità consideriamo la opzioni europee call C e put P con scadenza T , prezzo strike K
il cui sottostante S segue un processo stocastico lognormale con volatilità
e drift .
1. Il valore corrente del sottostante S. E ovvio supporre che ad un maggiore prezzo attuale del titolo sottostante possa corrispondere un maggiore valore del prezzo futuro del titolo, soprattutto se si è stimato un
drift particolarmente grande
2. Il prezzo strike K. Anche tale dipendenza è banale in quanto è proprio
dal prezzo strike che si può dedurre il ricavo dellopzione alla scadenze.
In particolare la dipendenza sarà negativa nel caso di una call, positiva
per una put in quanto maggiore è K maggiore sarà il valore a cui si
avrà il diritto di vendere il sottostante.
3. La scadenza dellopzione T. La dipendenza dalla scadenza è dovuto
dal fatto che pi`
u ci si avvicina ad essa pi`
u si inizia a delineare quale
sarà il valore del sottostante, in quanto si riduce il tempo in cui esso
27
può variare. Pertanto sia per la put che per la call si presume una
dipendenza positiva con lallontanarsi della scadenza T.
4. La volatilità del sottostante. Come si è visto nella costruzione dellevolzione del processo lognormale, la volatilità rappresenta la caratteristica principale dellaleatorietà del prezzo del bene e rappresenta
la principale incognita nelloption pricing. Comunque si riscontra che
il valore dellopzione cresce con laumentare della volatilità
5. Il tasso di interesse r. Come si vedrà 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 opportunità di arbitraggio. In particolare il tasso r è 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 sarà noto il valore del
sottostante S e il relativo ricavo che si potrà 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, cioè lopzione è
in-the-money, è conveniente acquistare il sottostante ad un valore inferiore
rispetto a quello quotato in quel momento dal mercato e quindi si eserciterà
lopzione. Viceversa se il prezzo strike K è maggiore del sottostante, è del
tutto sconveniente acquistare un titolo ad un prezzo superiore rispetto a
quello quotato sul mercato.
Pertanto è possibile riassumere questi possibili scenari nella funzione
C(S(T )) = max(S(T ) K, 0)
(29)
Con ragionamenti analoghi si giunge al payoff della put:

P (S(T )) = max(K S(T ), 0)
(30)
A titolo di esempio riportiamo le quotazioni di un opzione call di Intesa

Sanpaolo quotate il 19/05/2014 con sottostante lazione che in quel giorno
era quotata a 2.214 e
In figura (5) si può osservare come a parità di strike, lopzione con una
scadenza pi`
u lontana abbia un prezzo maggiore.
28
Prezzo Scadenza Scadenza Scadenza Scadenza

Strike
Giugno
Luglio
Settembre Dicembre
1.7
0.53
1.75
0.516
1.85
0.437
1.9
0.309
0.385
1.95
0.2495
2.1
0.162
2.2
0.084
0.12
0.215
2.3
0.0385
0.0675
0.123
2.4
0.025
0.045
0.0855
2.5
0.013
0.028
0.058
0.08
2.6
0.015
0.0425
0.072
2.7
0.05
2.8
0.001
0.0375
2.9
0.0325
Tabella 1: Quotazioni dellopzione call sullazione di Intesa Sanpaolo del
19/05/2014
Figura 5: Prezzi di opzioni Call sullazione Intesa Sanpaolo di valore 2.214e

per diverse scadenze e strike
29
Figura 4: La funzione payoff per la call e la put rispetto al sottostante per

un fissato prezzo strike K
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 può
essere di diversa natura ed in generale non si comportano tutti analogamente) ed in molti casi è 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 è descritto
da
dB = rBdt, ovvero B(t) = b0 ert
dove r è appunto il tasso di interesse del titolo.

30
Fino alla scadenza dellopzione il tasso r e la volatilit`

a sono costanti.
E possibile sia vendere allo scoperto sia indebitarsi senza limiti.
Il mercato è privo di frizioni, ovvero non vi sono costi di gestione,
transazione o tasse.
Non vi sono opportunit`
a di arbitraggio, cioè il mercato non ammette
possibilità di speculazione in guadagni immediati, sicuri e privi di
rischio. Precisamente tali opportunità di guadagni istantanei privi
di rischio esistono per un lasso di tempo non significativo prima che
i prezzi del mercato si modifichino. Unopportunità di arbitraggio
può essere interpretata come un sostanziale disallineamento nei prezzi
di mercato, contro lipotesi di efficienza di mercato. Questipotesi
implica che se si considerano due portafogli contenenti differenti titoli
ma che delineano uno stesso payoff vuol dire che il loro costo deve
essere lo stesso.
Profondit`
a e liquidità del mercato, cioè ogni titolo può essere comprato
o venduto in ogni quantità ed ad ogni istante. Si tratta ovviamente
di unidealizzazione del mercato.
Le azioni sottostanti non pagano dividendi Questipotesi pu`
o in realtà
anche essere trascurata se si conosce lammontare dei dividendi fino
alla scadenza dellopzioni ed implica piccole variazioni nellequazione
finale e nella sua soluzione. Inoltre questassunzione non è irragionevole poichè la maggior parte delle opzioni trattate in borsa hanno
breve durata.
Consideriamo un generico titolo il cui prezzo al tempo t è S(t). Supponiamo che S evolve nel tempo in accordo con una SDE:
(
dS = Sdt + SdW
(31)
S(0) = s0
dove è il drift, la volatilità ( 6= 0) e s0 è il prezzo iniziale noto.
In particolare si è 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
base che si vuole risolvere nel pricing di unopzione è quella di conoscere

quale sia il suo giusto prezzo al tempo t = 0.
Nella costruzione del modello si sfrutterà lipotesi assunta di assenza
di arbitraggio con la copertura dellopzione, il che consiste nel replicare il
payoff dellopzione attraverso un portafoglio contenente certe quantità (in
continua variazione) di bond privi di rischio e del titolo su cui è scritta
lopzione.
Iniziamo introducendo la f unzione prezzo incognita dellopzione:
u(S, t) con t, S 0
(32)
la quale rappresenta il valore dellopzione al tempo t, per un valore S(t) = S

del titolo sottostante.
Pertanto u0 (s0 , 0) è il prezzo dellopzione che stiamo cercando (dove S(0) =
s0 ).
Si può inoltre introdurre una condizione finale per listante di scadenza
dellopzione:
u(S, T ) = (S K)+
dove con + si intende x+ := max(x, 0). Inoltre si ha la condizione al
contorno in quanto se il valore del titolo è nullo, naturalmente anche il valore
dellopzione lo sarà, pertanto:
se S(t) = 0, u(0, t) = 0 per ogni 0 t T
Costruiamo ora il portafoglio che replica il payoff dellopzione. Per
brevità di notazione definiamo il processo
C(t) := u(S(t), t)
(33)
Quindi C(t) è il prezzo corrente dellopzione al tempo t ed ha un valore

casuale, dato che il valore del titolo sottostnate S(t) è a sua volta casuale.
Per valutare la variazione del valore dellopzione dovuta a piccole variazioni del prezzo del titolo sottostante si sfrutta il lemma di Ito (16) in cui
F = S e G = G:
1
dC = ut dt + us dS + uss (dS)2 =
2
2 2
= (ut + Sus + S uss )dt + Sus dW
2
32
(34)
Lo scopo è quello di duplicare C con un portafoglio consistente in quote di

titolo S e bond B. Pi`
u precisamente, B rappresenta un investimeno privo di
rischio, il quale pertanto cresce secondo un tasso di interesse r (che abbiamo
supposto costante nel tempo):
(
dB = rBdt
(35)
B(0) = 1
Ciò naturalmente significa che B(t) = ert .
Quindi ora si va alla ricerca dei processi e tali che:
C = S + B
(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 può 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 è autof inanziante. Ciò 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. Cioè:
dC = dS + dB
(37)
Sostituendo nella (37), le equazioni (31), (35) e (34) si ottiene:

(ut + Sus +
2 2
S uss )dt + Sus dW = (Sdt + SdW ) + rBdt (38)
2
Pertanto si determinano le quantità e in modo tale che valga lidentità

(38).
Osservando i termini moltiplicati per dW si può subito richedere che:
(t) := us (S(t), t)
(39)
Quindi la (38) si semplifica in

(ut +
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), cioè che il valore del portafoglio
sia uguale alla funzione prezzo dellopzione, è 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)
Quindi, riassumendo, per poter prezzare lopzione si deve risolvere il

problema ai valori al contorno:
2
2
( u
+ rS u
+ 2 S 2 su2 ru = 0
S > 0, 0 t T
t
s
(43)
u(S, T ) = (S K)+
S > 0, t = T
u(0, t) = 0
S = 0, 0 t T
Eliminamo lipotesi di mancanza di pagamenti dei dividendi supponendo comunque che al momento della sottoscrizione dellopzione si già noto
lammontare dei dividendi pagati dallopzione. Allora al prezzo dellopzione
si dovrà detrarre la componente priva di rischio dovuta dalla riscossione dei
dividendi. In pratica si fa ricorso al dividend yield con il quale si ipotizza
che i dividendi vengano pagati in modo continuo come se fossero un deposito privo di rischio che cresce ad un tasso di interresse q, chiamato appunto
dividend yield. Pertanto il drift che descrive levoluzione dellazione soottostante, avrà valore: = r q. E quindi lequazione di Black-Scholes
diventa:
u 2 2 2 u
u
+ (r q)S
+ S
ru = 0
(44)
t
s
2
s2
In generale il valore del drift è specificato dalle caretteristiche del sottostante e può avere diversi significati, ad esempio per le opzioni su valuta
rappresenta la differenza tra tasso di interesse domestico e straniero, per le
opzioni su commodity è la differenza tra il tasso di interesse e il convenience
yield.
3.4
Risoluzione dellequazione di Black-Scholes
Vediamo ora come risolvere lequazione di B&S applicandola ad una call

europea standard.
34
Lequazione di B&S (42) è unequazione alle derivate parziali parabolica

lineare della forma:
v
2v
v
=
+ bv,
(45)
+a
2
t
x
x
le quali possono sempre essere ricondotte con dei cambi di variabile allequazione della diffusione standard:
2h
h
=
(46)
t
x2
Quindi la forma integrale della soluzione della diffusione può essere ottenuta
per ogni condizione iniziale utilizzando ad esempio le trasformate di Fourier
ma anche con un calcolo analitico.
Si suppone come sempre r e costanti e si considerano i cambi di variabile:
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 è 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) è 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
Pertanto affinchè si eliminino i termini in h e h/x si devono scegliere i

valori:
1
1
= (k 1),
= (k + 1)2
(51)
2
4
e quindi:
1
1
2
v(x, ) = e 2 (k1)x 4 (k+1) h(x, )
(52)
La soluzione del problema della diffusione è data dallequazione:
Z
1
2
h0 (s)e(xs) /4 ds
h(x, ) =
2
(53)
dove h0 è la condizione iniziale, la quale rappresenta il payoff dellopzione

(in questo caso una call)
1
h(x, 0) = h0 (x) = (e 2 (k+1)x 2 (k1)x )+
(54)
Valutando lintegrale (53) ed effettuando le sostituzioni inverse della (47) si

giunge alla formula che fornisce il valore di unopzione call C(S(t), t):
dove
C(S, t) = u(S, t) = SN (d1 ) Ker(T t) N (d2 )
(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 =
mentre N () è la distribuzione cumulata normale:

1
N (d1 ) =
2
d1
1 2
e 2 s ds
(58)
Con analoghi calcoli si può giungere alla valutazione dellopzione put

P (S(t), t), per la quale il payoff trasformato è:
1
h(x, 0) = h0 (x) = (e 2 (k1)x 2 (k+1)x )+
(59)
e si ottiene una simile soluzione

P (S, t) = u(S, t) = Ker(T t) N (d2 ) SN (d1 )
36
(60)
Figura 6: Prezzo di una call con parametri: K=100, r=0.1, q=0.1, =0.36
Si può 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 quantità, fattorizzando ogni dividendo per il tasso di interesse si può considerare
il pagamento di dividendo come una funzione q continua nel tempo, nota
come il dividend yield. Pertanto il drift del moto browninano geometrico
sarà 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
C(S, t) = Seq(T t) N (d1 ) Ker(T t) N (d2 )
(61)
P (S, t) = Ker(T t) N (d2 ) Seq(T t) N (d1 )
(62)
Le greche
Nei precedenti capitoli per poter formulare lequazione di B&S riguardante

unopzione C si è costruito il portafoglio di replica (36) con il quale si è
37
potuto esprimere il valore dellopzione in termini di determinate quantità

( e ) di sottostante S e di titoli privi di rischio B.
C = S + B = (, )
Ma dal momento della stipulazione dellopzione t = 0 fino alla sua scadenza T è naturale aspettarsi che il valore dei differenti titoli possa variare e
quindi, affinchè il portafoglio rimanga autofinanziante, si dovranno modificare le quantità e in modo tale che valga ancora la relazione (36). E
quindi fondamentale per gli operatori dei mercati sapere cosa implica nella
valutazione dellopzione una variazione del sottostante ma anche degli altri
termini da cui dipende. Pertanto quando si ha a che fare con delle opzioni è
molto importante conoscere le varie dipendenze, chiamate appunto greche,
che il valore di unopzione ha rispetto alle variabili che lo determinano.
Allora il delta:
u
(63)
=
S
indica il tasso di cambiamento del valore del portafoglio rispetto alle variazioni del titolo sottostante. Tale quantità è la stessa che è stata ricavata
in (39), quando si voleva determinare la quantità di sottostante da variare
nel portafoglio di replica affinchè il valore dello stesso continuasse a coincidere con quello dellopzione. Nellistante in cui si effettua tale cambiamento nel portafoglio si dice che si è presa una posizione delta neutral
dato che la sensitività del portafoglio alle variazioni del prezzo del titolo è
istantaneamente azzerato. Naturalmente tanto pi`
u grande è tale tanto
sarà maggiore il cambiamento da apportare alla quantità di sottostante da
possedere.
Si consideri un opzione call europea C e la sua relativa equazione di
B&S (61) con dividendi e supponiamo t0 = 0. Allora si può banalmente
calcolare
C
= eqT N (d1 )
(64)
=
S
Tra tutte le greche il è sicuramente la pi`
u importante ma ne esistono
comunque anche altre che sono comunque interessanti per la descrizione che
forniscono al modello.
2
1. = S
a del delta hedging alle variazioni del
2 = S indica la sensibilit`
sottostante.
2. u
indica la sensibilità del valore dellopzione rispetto alle variazioni
t
del tempo
38
Figura 7: Delta call con parametri: K=100, r=0.1, q=0.1, =0.36

3. =
u
r
indica la sensibilità dellopzione rispetto al tasso di interesse
u
4. =
indica la sensibilità del prezzo dellopzione rispetto alle variazioni della volatilità del titolo sottostante
Prima di addentrarsi nel calcolo di tali greche osserviamo un semplice

risultato che semplifica notevolmente i calcoli. Sebbene d1 sia la funzione
definita in (56) dalle variabili s, p, r, , T, t si può comunque considerarla
come una variabile allinterno dellequazione di B&S, ovvero
Proposizione 3.1. Si consideri d1 come una variabile dellequazione di
B&S per la call e la put, cioè:
C(S, p, T, r, , d1 ) = SN (d1 ) KerTN (d1 T )

(65)
P (S, p, T, r, , d1 ) = KerT N (d1 + T ) SN (d1 )
39
allora
C
P
=
=0
d1
d1
Dimostrazione. Si ha ovviamente che N 0 (x) =

Allora
(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)
poichè N 0 (x) è una funzione pari.

Si consideri ora lespressione:
SN 0 (d1 )
ln
KerT N 0 (d1 T )
Sviluppandola si ottiene che:

S
1
d21
1
(d1 T )2
2
ln
+ rT + ln
+ ln e 2 ln
ln e
=
K
2
2
S
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
SN 0 (d1 ) = perT N 0 (d1 T )
Si può procedere ora pi`

u agevolmente al calcolo delle varie greche. Abbiamo già visto che il delta per la call è C = N (d1 ), che è sempre positiva
come richiede il suo significato di quantità di azioni da detenere per rendere
priva di rischio la posizione di chi emette lopzione.
Noto si ricava subito il :
C =
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 ) è il valore che assume la funzione densità 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 può dedurre pertanto che, pi`
u si è vicini alla
scadenza e pi`
u il sottostante è in prossimità dello strike, maggiore sarà 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
E evidente che C > 0 e di conseguenza il prezzo della call cresce al crescere

del rendimento del titolo risk-free. Questo effetto è dovuto dal fatto che
lesecizio della call comporta il pagamento dello strike K, il cui valore attuale
è tanto minore quanto pi`
u grande è r.
Infine lindice di sensibilità del prezzo della call nei confronti di variazioni
di volatilità è:
C =
C
= KerT N 0 (d1 T ) = SeqT N 0 (d1 ) T
(74)
Anche vega è un indice positivo e il prezzo della call è funzione crescente

rispetto alla volatilità, proprietà ben nota agli operatori. Questa proprietà è
anche utile dal punto divista computazionale in quanto comporta la monotonia del prezzo della call in funzione di rendendo possibile lapplicazione del
metodo di Newton per la determinazione della cosidetta volatilità implicità
del sottostante.
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 volatilità
implicita è molto utile conoscere dove lopzione raggiunge il suo massimo
vega, ovvero dove è pi`
u influenzata dalle variazioni della volatilità. 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
In realtà il problema delloption pricing è pi`

u complicato di come il modello
di Black-Scholes ce lo presenta. Dalla costruzione e analisi del modello si
evince che il modo pi`
u naturale di utilizzare lequazione di Black-Scholes o
di altri simili modelli è quello di stimare i valori dei parametri dai dati storici passati, sostituirli nellequazione e ricavare il valore del titolo derivato.
Ma ciò non è luso pi`
u comune che si fa di tali modelli, sopratutto per le
opzioni pi`
u semplici. Ciò è dovuto in parte alle difficoltà che si incontrano
nello stimare il valore della volatilità del titolo sottostante. Nonostante
lo si è ipotizzato durante la costruzione del modello, la volatilità non si
mantiene costante per lunghi periodi di tempo. Inoltre non pare veritiero
che la volatilità storica sia indipendente dalle succesioni temporali in cui è
calcolata, nè che lo sia laccuratezza nel prevedere la volatilità futura.
4.1
La volatilit`
a implicita
Un calcolo diretto della volatilità è pertanto difficile; nella pratica appare

pertanto naturale sfruttare le quotazioni delle opzioni presenti sul mercato
per ricavarne una stima. Presa ad esempio lequazione di B&S per una call,
il prezzo strike K e la scadenza T fanno parte del contratto, mentre il tasso di interesse privo di rischio r e il prezzo del sottostante S sono quotati
costantemente. Tutto ciò che rimane è specificare la volatilità. Dato che,
fissati gli altri parametri del modello, il prezzo dellopzione call è monotono
crescente rispetto allincremento della volatilità (come ci suggerisce la greca
), allora si ha una corrispondenza uno ad uno tra volatilità e prezzo dellopzione. La volatilità dedotta dal prezzo quotato di una singola opzione è
detta appunto volatilità implicita.
Inoltre esistono diverse tecniche per calcolare la visione che ha il mercato della volatilità usando pi`
u di una sola opzione. In particolare, usando i
prezzi dellopzione per una succesione di scadenze si può, in linea di principio, dedurre lopinione del mercato sui valori futuri della volatilità del
sottostante (struttura a termine della volatilità).
Unaltra particolare caratteristica della volatilità implicita è che non è
costante rispetto alla variazione del prezzo strike, e ciò è concettualmente
sbagliato mettendo in evidenza un difetto del modello (inoltre anche put
e call tendono a fornire volatilità implicite lievemente differenti). La di44
pendenza da K è comunemente conosciuta come la skew (disallineamento),

smile o frown (smorfia) della volatilità (a seconda dellesatto tipo di relazione che si verifica tra volatilà e prezzo strike). Prima del crollo dei mercati
del 1987 non si era mai verificato unevidente disallineamento, ma da allora
è diventuto una comune caratteristica dei mercati. Se il modello di BlackScholes fosse unesatta descrizione della realtà , allora si potrebbe concludere
che per ogni opzione su un certo S, poichè presentano differenti volatilità
implicite, il sottostante evolva in modo differente, cosa ovviamente impossibile. Ma come può allora il processo del prezzo di un titolo sottostante
dipendere dal valore del derivato sottoscritto su di esso?
Figura 10: Volatilità implicita per differenti strike e scadenze

Nel corso degli anni sono stati proposti differenti metodi per perfezionare
laccuratezza nella descrizione dei mercati reali, in particolare riguardo alla
skew della volatilità. I pi`
u famosi riguardano i processi con volatilità stocastica (in cui la volatilità stessa è descritta come un processo che soddisfa
unequazione differenziale stocastica), i processi jump-diffusion (introdotti
da Merton incorporano al processo del sottostante la possibilità di effettuare dei salti di prezzo sfruttando i processi di Levy) e i modelli di volatilità
locale
45
4.2
4.2.1
Il processo jump-diffusion di Merton

Definizione di un modello di tipo L
evy
Le novità con cui un modello di tipo Lèvy cerca di superare le imperfezioni

del moto geometrico browniano stanno nel fatto che i log-rendimenti di un
titolo possono effettuare dei salti in un dato istante (cosa che quelli del
moto geometrico browniano non possono fare perchè legati al Wiener che è
continuo) e che magari la volatilità segua a sua volta un processo stocastico
(i modelli con volatilità stocastica non sono oggetto di questo lavoro).
Definizione 4.1 (Processo di L
evy). Dato un modello di probabilità
(, F, P ), allora un processo stocastico {Xt ; 0 t }, con X0 = 0, è
detto di Levy se :
1. Xt ha gli incrementi Xs Xt indipendenti per ogni 0 t s T .
2. Xt ha incrementi stazionari, cioè per ogni s, t 0 la distribuzione
Xt+s Xt non dipende da t.
3. Xt è stocasticamente continuo, cioè per ogni > 0 ,
limh0 P(|Xt+h Xt | > ) = 0.
La condizione (3) non implica pi`
u che i cammini del processo siano
necessariamente continui. Il moto browniano, visto in precedenza, può essere allora considerato come un particolare modello di Levy in cui non si
verificano salti.
4.2.2
I processi di Poisson
Come il processo di Wiener è il processo base su definire un moto di tipo

browniano, i processi di Poisson sono considerati il punto di partenza per
costruire i processi di tipo Levy.
Si definisce una variabile casuale esponenziale come una variabile dotata di una distribuzione esponenziale con parametro > 0 con funzione
densità:
fE (t, ) = et 1t0 ,
(75)
e con valore atteso E[ ] = 1 .
46
Figura 11: Processo di Poisson con il parametro = 25

Si ricordi poi che la distribuzione di Poisson per una variabile intera M
è:
M e
(76)
fP (M ; ) =
M!
Per costruire un processo di Poisson in [0, T ] si utilizza una realizzazione
di M . Si vuole costruire un processo stocastico per il quale nelle traiettorie
un salto può accadere ad ogni istante, tra 0 e T accadono M salti e il tempo
tra due salti è k . Le realizzazioni delle variabili casuali k sono degli intervalli di tempo, tali che il primo evento accade al tempo 1 , il secondo dopo
lintervallo di tempo 2 , e cosi via. ed hanno una distribuzione esponenziale.
Il processo di Poisson Nt conta il numero di salti che avvengono nellintervallo di tempo da 0 a t:
M
X
Nt =
1 i
(77)
i=1
Pertanto il processo di Poisson è definito come un processo di conteggio.

Come si nota dalla Figura (11) lampiezza del salto è sempre di una unità
e gli incrementi sono sempre positivi, quindi il processo non può che salire
ad ogni salto. Queste limitazioni vengono risolte dal processo di Poisson
composto.
Definizione 4.2 (Processo di Poisson composto). Un processo di Poisson composto con parametro di intensità > 0 e con distribuzione della
47
dimensione dei salti f è un processo stocastico Xt definito come:

Xt =
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 è un processo di Poisson
indipendente da Yi .
La distribuzione dei salti nella figura (12) è una distribuzione normale.
Figura 12: Poisson composto con salti di distribuzione normale

Si descrive, ora, un algoritmo per simulare un processo di Poisson tra 0
e T.
Simulare una variabile casuale M dalla distribuzione di Poisson con
parametro di intensità T per ricavare il numero di salti che si verificano nellintervallo [0, T ].
Simulare M variabili casuali Ui , i.i.d. e uniformemente distribuite nellintervallo [0, T ], corrispondenti agli istanti temporali in cui
avvengono gli M salti.
Simulare M variabili casuali Yi , i.i.d. con data distribuzione, per
descrivere le dimensioni dei salti
48
La traiettoria finale è data da:
X(t) = bt +
M
X
1Ui <t Yi
(79)
i=1
dove b indica un drift assegnato.

Il primo matematico finanziario ad utilizzare un processo del prezzo
discontinuo alla Lèvy fu Merton, il quale utilizzò come distribuzione di
probabilità f delle dimensioni dei salti la distribuzione gaussiana, Yi
N (, 2 ). Il modello di Merton è anche detto Jump-Diffusion (JD).
Si supponga che in un piccolo intervallo di tempo t il prezzo del titolo
salti da St a yt St , cosi che la dimensione relativa del salto del prezzo è data
da:
yt St St
St
=
= yt 1
(80)
St
St
Merton assume che le yt siano variabili casuali non negative descritte da una
distribuzione log-normale, ln(yt ) i.i.d.N (, 2 ). Allora questo implica che
1 2
2
2
E[yt ] = e+ 2 e E[(yt E[yt ])2 ] = e2+ (e 1).
La dinamica del modello JD di Merton è descritta nellequazione differenziale stocastica:
dSt
= ( k)dt + dWt + (yt 1)dNt
(81)
St
dove è il rendimento atteso istantaneo del titolo, è la volatilità istantanea
del logaritmo del titolo condizionale al fatto che non si è verificato alcun salto
nello stesso istante, Wt è un processo di Wiener, Nt è un processo di Poisson
composto con intensità . Lipotesi di Merton è che Wt , Nt e yt siano tutte
t
= yt 1
indipendenti tra loro. La dimensione relativa dei log-rendimenti dS
St
1 2
è distribuita log-normalmente con media E[yt 1] = e+ 2 1 k. Merton
introduce il termine (kdt) per rendere leffetto dei salti in media nullo,
cioè non predicibile.
Per risolvere la (81) si utilizza la formula di Ito per i processi jump-diffusion;
quindi per un generico processo Xt con drift bt e volatilità t si ha:
df (Xt , t) =
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)
dove Xt corrisponde al valore di Xt prima di un salto.

Applicando questa formula ai log-prezzi del modello di Merton si ottiene:
dlnSt =
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)
Con le oppurtune sostituzioni si arriva a:

N
t
X
2
St = S0 exp[(
k)t + Wt +
Yt ]
2
i=1
(87)
considerando che Yt ln(yi ).

Questo significa che il processo del prezzo del titolo {St ; 0 t T } e
modellato come un esponenziale di un processo di tipo Levy dalla forma:
St = S0 eX
t
(88)
dove Xt è il processo di Levy. Quindi possiamo anche dire che il logrendimento ln( SS0t ) è 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 è riportato in Figura (13). Nel caso del B&S
avevamo che i ln( SS0t ) erano normalmente distribuiti; ciò 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 densità 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
P(Nt = i)P(xi |Nt = i)
(90)
2
et (t)i
N (xt ; (
k)t + i, 2 t + i 2 )
i!
2
(91)
50
dove la distribuzione N (xt ; (
2
2
k)t + i, 2 t + i 2 ) è 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!
è la probabilità che un titolo abbia un salto allistante i durante lintervallo di tempo di lunghezza t, mentre la parte
restante dellequazione è la densità normale di B&S dei log-rendimenti, condizionata allipotesi che il titolo abbia avuto un salto allistante i. Quindi
il modello di Merton può essere interpretato come una media della densità
normale di B&S pesata dalla probabilità che il prezzo del titolo salti i volte.
4.2.3
Prezzazione di unopzione tramite PDE nel modello di Merton
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 quantità .
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
Ora la variazione del portafoglio può essere espressa sostituendo le formule

(95) e la (96) nella (94), ottenendo, dopo aver riorganizzato i termini:
dPt = dV (St , t) dSt
(98)
2
2
V
V
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
Figura 13: Processo Jump diffusion.

Se nell intervallo [0, t] non ci sono salti, allora il problema si riduce al
caso del modello geometrico browniano e dellapproccio di Black e Scholes,
in cui = V /St , e quindi rimane soltanto

V
2 St2 2 V
dPt =
+
dt
(101)
t
2 St2
Merton decide di sterilizzare soltanto la casualità dovuta al processo di
Wiener dWt e quindi impone = V /St in modo da eliminarlo (non considera il rischio dovuto ai salti assumendolo impredicibile e diversificabile),
52
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 possibilità 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)
VBS e il prezzo di B&S senza salti
4.3
La volatilit`
a locale
I modelli di volatilità locale sono largamente diffusi nella finanza e, mentre la volatilità stocastica e i modelli di jump-diffusion introducono nuove
caratteristiche nei modelli derivanti da ulteriori osservazioni economiche,
la volatilità locale cerca di rimanere vicina al modello di Black-Scholes introducendo maggiore flessibilità alla volatilità e ciò è fonte delle maggiori
critiche assegnate a tali modelli.
53
Viceversa le problematiche dei modelli di volatilità stocastica e di jumpdiffusion sono che, nella descrizione delle dinamiche dei titoli, introducono
nuove caratteristiche stocastiche aumentando aleatorietà del modello. Infatti poichè la volatilità 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
Nella volatilità locale il solo comportamento aleatorio aggiunto al modello

originale è di considerare esplicitamente la dipendenza della volatilità dal
prezzo strike dellopzione.
Il modello di volatilità locale assume che la volatilità è una funzione
deterministica del prezzo del titolo e del tempo (ciò può essere molto simile
alla realtà quando si verificano eventi che hanno immediato impatto sui
prezzi del titolo). Esso è stato presentato per la prima volta nei lavori di
Dupire in cui si mostrava che, in presenza di skew della volatilità, modelli
consistenti possono essere costruiti se si assume che il processo del titolo
sottostante segui la dinamica:
dS
= dt + (t, S)dW
S
dove è ora una funzione deterministica del tempo e del sottostante e è
il solito drift r d cioè la differenza tra tasso di interesse neutrale al rischio
e il dividend yield (le quali anche se non costanti devono comunque essere
considerate note fino alla scadenza dellopzione).
Dalla teoria generale delle equazioni alle derivate parziali paraboliche si
vuole derivare lequazione duale di Black-Scholes, la quale fornisce unesplicita formula per la volatilità locale in termini dei prezzi delle opzioni per
differenti strike K e scadenze T .
Sfruttando il lemma di Ito come fatto in precedenza si ottiene lequazione
alle derivate parziali che descrive levoluzione di unopzione u(s, t)
u
u 1 2 2 2 u
u
+ s
+ s (s) 2 dt + s(s) dW
du =
t
s 2
s
s
Allora costruendo il portafoglio di replica sotto lipotesi di assenza di arbitraggio si può eliminare la componente stocastica e giungere allequazione
di Black-Scholes
u 1 2 2 2 u
u
+ s (s) 2 + s
ru = 0
(106)
t
2
s
s
54
dove r è il tasso di interesso di un titolo neutrale al rischio.

Si è interessati ad una opzione europea, per la quale il payoff è dato da
C = (s K)+ per una call e da P = (K s)+ per una put e K è sempre
il prezzo strike. Quindi il solo parametro che non può essere osservato
direttamente è la volatilità locale (s, t), la quale descrive il processo di
diffusione del sottostante.
Si considera una quantità 1/ della seguente opzione call spread
1
u1 (; K, ) = (u(; K + ) u(; K))

Lopzione spread è una strategia di copertura finanziaria in cui si acquistano
due opzioni con stesso sottostante in posizioni opposte e con differenti strike
K e K+. Pertanto questo tipo di opzione essendo una combinazione lineare
di due opzioni deve soddisfare ancora lequazione di Black-Scholes (42). Alla
sua scadenza varrà:
( 0
su S(T ) [0, K]
u1 (T, K, ) =
1 (S K)
1/
su S(T ) (K, K + )
su S(T ) [K + , )
Figura 14: Payoff della strategia spread call

Sfruttando il principio del massimo si può concludere che: 1 < u1 (, ; K, ) <
0 su R+ [t , T ]. Allora dalla teoria delle equazioni paraboliche si ha che
55
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
Tale strategie di copertura consiste nel considerare 3 strike differenti K ,

K e K + : per ogni coppia di opzioni call con strike estremi, si vendono
due unità di call con strike intermedio.
Figura 15: Payoff della strategia butterfly call

Con la stessa procedura precedente si stabilisce che esiste la derivata
seconda rispetto allo strike:
2 u(s, t; K, T )
= (s, t; K, T )
K 2
che risolve ancora la (42) con condizione finale:
(s, T ; K, T ) = (s K)
56
(107)
dove è la funzione delta di Dirac.

La funzione può essere interpretata anche come una funzione di distribuzione della probabilità neutra al rischio. Infatti il payoff di una call:
C(T ) = (S(T ) K)+
indica il valore dellopzione allistante della sua scadenza T . Allora si può
esprimere il suo valore allistante t di sottoscrizione del contratto come il
valore atteso della stessa funzione scontata per il tasso di interesse neutro
al rischio:
C(t) = er(T t) E[(S(T ) K)+ ]
Dunque chiamiamo m(t, T ) = er(T t) e dalla definizione di valore atteso si
ha che:
Z
C = m(t, T )
(S(T ) K)f (S, T )dS
(108)
K
poichè per S(T ) < K la funzione payoff è 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 densità di distribuzione f (S, T ) del prezzo di un titolo deve
soddisfare lequazione di Fokker-Planck (che è 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)
Combinando insieme le due ultime relazioni si ottiene:

Z
f (S, T )
C
(S(T ) K)
+ rC = m(t, T )
dS
T
T
K
Z
1 2

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))
((t, s)2 s2 f (t, s))ds

2
s
s=K
K s
Z

sf
(T,
s)ds
m(t, T )(r q) [(S(T ) K)Sf (t, s)]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 è assunto che f (T, S) decada esponenzialmente a 0 per S(T ) (come è 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 è ottenuta pertanto unequazione alle derivate parziali del prezzo di unopzione call, in cui la volatilità è descritta come una funzione di K e T . Quindi
isolando la volatilità si ottiene la formula di Dupire per la volatilità 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 può essere osservata sul mercato, la volatilità locale è una funzione
deterministica sebbene le dinamiche della volatilità siano stocastiche.
Data una certa funzione volatilità, il prezzo di ogni tipo di possibile ricavo futuro su un sottostante può essere prezzato. Si può anche sfruttare
il processo inverso di estrarre la superficie della volatilità locale dai prezzi
delle opzioni come funzione dello strike e della scadenza. Lipotesi necessaria è che il prezzo dellopzione sia una funzione C 2,1 (s, t) e nota per tutte
58
Figura 16: Superficie della volatilità locale calcolata dai prezzi dellopzione
per diversi strike e scadenze
59
i possibili strike e scadenze. Sebbene queste ipotesi possano essere valide,

un problema sorge nellimplementazione della formula di Dupire, dato che
la funzione prezzo dellopzione non sarà nota analiticamente e nemmeno
le sue derivate parziali. Approssimazioni numeriche per le derivate devono
quindi essere stimate; pertanto problemi possono sorgere quando i valori da
approssimare sono molto piccoli e lerrore assoluto dovuto a tale approssimazione può portare a grandi errori relativi perturbando la quantità stimata
pesantemente. In particolare nella formula di Dupire si ha al denominatore
una derivata seconda rispetto allo strike e, per opzioni che sono lontane dallessere at-the-money, questa quantità sarà molto piccola (leffetto è ancora
pi`
u evidente per opzioni a breve scadenza).
Anche lipotesi di continuità dei prezzi delle opzioni è di certo non realistica. Nella pratica le opzioni sono quotate per certi punti discreti: di solito
le scadenze corrispondono alla fine di un certo periodo (come la fine di un
mese) ed il loro numero è molto limitato. Lo stesso si può affermare per gli
strike. Il risultato di ciò è che nella pratica il problema inverso è mal posto:
la soluzione non è unica ed è instabile
4.3.2
La volatilit`
a locale come funzione della volatilit`
a implicita
La volatilità locale può essere descritta come funzione della volatilità implicita se nella (111) si fa un cambio di variabili esprimendo il prezzo della
call C come funzione di altre variabili. La volatilità 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 realtà. Ma come Rebonato ha osservato la
volatilità implicita è 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 volatilità implicita.
Usiamo la seguente notazione:
= imp (K, T )
= T t0
dove t0 è il tempo corrente, e la seguente parametrizzazione:
K Z T
+
(qs rs )ds
y = ln
S0
t0
= 2
60
dove qs e rs sono note sino alla scadenza T .

Il prezzo dellopzione ha lespressione
Cmercato (S0 , t0 , K, T, ) =CBS (S0 , t0 , K, T, )
=S0 e
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 volatilità implicita
Questa equazione può essere semplificata facendo uso delle seguenti
identità:
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 volatilità 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
Allora si può finalmente esprimere le derivate parziali in termini di volatilità
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 volatilità locale in funzione della
volatilità 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)
Questa formula è lo strumento principale per estrarre la superficie della

volatilità locale da certi dati. Ora quando la derivata seconda rispetto
allo strike diventa troppo piccola pur essendo sempre al denominatore non
diventa un problema poichè ci sono anche altri termini sommati di ordine
di grandezza maggiore.
Si può osservare che nel caso in cui la volatilità implicita non abbia
alcuna dipendenza dallo strike K, allora la formula precedente si riduce a:
(2
= 2 + 2
=
L2 = 2 + 2
T
Z
1
L2 (u)du
2 =
0
il che vuol dire che quando la superficie della volatilità non ha skew (ovvero non dipende da K), allora la volatilità implicita totale è una media
temporale della volatilità locale.
63
Il problema inverso
Nel precedente capitolo si sono presentate alcune tecniche per la stima della
volatilità a partire dalle quotazioni del mercato o dallequazione di BlackScholes. In particolare si è 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 volatilità come funzioni di variabili deterministiche (come lo sono K e T )
rispetto ad utilizzare il sottostante S, il cui valore futuro è aleatorio, presenterebbe notevoli vantaggi ai fini delloption pricing e della computabilità
di metodi numerici.
In questa sezione si formalizza il problema delloption pricing come un
problema inverso e se ne presenta un risultato di unicità e stabilità. Iniziamo
considerando un problema di carattere generale per evidenziare ciò che un
problema inverso deve soddisfare per poter essere ben posto e regolare. Sia
dunque:
Ax = y
dove A è 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,
cioè si richiede che
1. y Y esiste al massimo un x X tale che Ax = y (unicità);
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 (stabilità della soluzione);
Se una di queste condizioni non è soddisfatta allora si dice che il problema è
mal posto (nel senso di Hadamard). Si può osservare che tali condizioni che
definiscono la regolarità del problema hanno gradi di importanza differente.
Se non si può garantire lunicità di una soluzione per una considerevole
scelta di x X allora il problema non ha molto senso ed non cè modo
di gestirlo. La condizione (2) è la meno restrittiva poichè 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 stabilità in quanto altrimenti il
64
problema non sarebbe implementabile poichè non si possono mai conoscere

i dati esatti riguardanti agli errori computazionali e di misurazione.
Si considera la valutazione delle opzioni europee su unazione (ma i futuri
risultati si possono applicare anche ad altri particolari mercati). Riosservando la teoria del modello di Black-Scholes presentata nel capitolo 3, è
noto che il prezzo di unopzione call u = u(S, t; T, K, r, q, (S)) soddisfa
lequazione alle derivate parziali:
2u
u 1 2 2
u
+ S (S) 2 + (r q)S
ru = 0
t
2
S
S
per (S, t) R+ (t , T ).
Si ipotizza che:
u(S, t) C([0, ) [t , T ]) e 0 u(S, t) S
(114)
(115)
La seconda disuguaglianza ci assicura che il prezzo da pagare per avere

il diritto di comprare un particolare titolo non può eccedere il prezzo del
titolo stesso, come è naturale che sia, e quindi tale ipotesi non è per nulla
restrittiva. Per semplicità si scriverà spesso u = u(S, t; K) evitando di
esprimere la dipendenza sugli altri parametri.
Le condizioni al contorno della (114) sono date da:
u(0, t; K) = 0
u(S, T ; K) = (S K)+
(116)
(117)
Si è visto che tale problema ai valori iniziali ha una soluzione in forma

chiusa solo se si ipotizza che la volatilità sia costante o se si assume che
abbia qualche particolare forma di funzionale.
Nel capitolo 4 si è analizzata la volatilità e si è visto come la funzione
di volatilità locale dipendente dal tempo possa essere ricostruita usando i
prezzi delle opzioni sul mercato con tutti i possibili strike e scadenze. Dato
che nel mondo reale non si hanno molti prezzi di mercato nellarco temporale, si semplifica il problema assumendo che la volatilità sia indipendente dal
tempo usando solo opzioni con differenti strike e data di scadenza fissata.
Questipotesi è realistica per opzioni su azioni, ma un po restrittiva per
opzioni su valuta estera e su materie prime.
5.1
Il problema inverso delloption pricing
Si vuole pertanto riformulare il problema della valutazione di unopzione

con la funzione della volatilità locale da un punto di vista matematico:
65
Il problema inverso delloption pricing: determinare la coppia di

funzioni u(S, t; K) e (S) che soddisfino le (114)-(116) da i prezzi correnti
del mercato:
u(S , t ; K) = u (K) K
delle opzioni con differenti strike.
Con si intende un intervallo su R+ e (S) si assume essere nota al di
fuori di (in particolare può essere la stessa R+ ). Lasterisco * sta invece
ad intendere il tempo ed il prezzo corrente.
In questo paragrafo si riduce il problema (114)-(116) ad un problema
inverso con condizione finale e si sfrutta lequazione duale aggiunta per
stabilire un risultato di esistenza ed unicità. Si otterrà che la volatilità
sarà dascritta da unequazione integrale non lineare di Fredholm che si può
risolvere iterativamente.
Con passaggi analoghi a quelli fatti per ricavare lequazione di Dupire,
dalle equazioni (114)-(116) si può giungere alla corrispondente forma duale
del problema;
1
2u
u
u
= K 2 2 (K)
+ (q r)K
qu
2
2
K
K
(118)
con (K, ) R+ (0, t ), dove = T t è lintervallo di tempo mancante

alla scadenza e = T t . Aggiungendo le condizioni al contorno:
u(0, ) = eq S
u(K, 0) = (S K)+
(119)
(120)
ed i valori presenti sul mercato corrente u(K, ) = u (K), si ottiene un

problema inverso dei coefficienti nelle variabili K e con condizione finale
in .
Le equazioni (118)-(119) possono essere considerate come un problema
ai valori al contorno iniziali per determinare il premio di unopzione call
dove il prezzo del sottostante è scambiato con lo strike e il tasso di interesse
con il dividend yield q.
Vediamo ora un risultato di unicità e stabilità della soluzione, a tal fine
si definiscono gli spazi funzionali di Holder C (O).
Definizione 5.1 (Spazi parabolici di Holder). Sia ]0, 1] e O un dominio
di Rn+1 . si denota con C (O) lo spazio delle funzioni limitate u su O tali
che
|u(t, x) u(s, x)| C(|t s|/2 + |x y| ),
66
(t, x), (s, y) O
per qualche costante positiva C. Su tale spazio si definisce la norma

|u(t, x) u(s, y)|
/2 + |x y|
(t,x)(s,y)O |t s|
kuk (O) = sup |u(t, x)| +
sup
(t,x)O
Inotre si denotano gli spazi di Holder C 1+ (O) e C 2+ (O) con le rispettive

norme:
kuk1+ (O) = kuk (O) +
N
X
kxi uk (O),
i=1
kuk2+ (O) = kuk1+ (O) +
N
X
kxi xj uk (O) + kt uk (O)
i,j=1
Teorema 5.1. Supponiamo che (K) è 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), è unica.
Se inoltre è limitato, 0
/
e kj k () M , per j = 1, 2, 0 < < 1,
allora la soluzione è stabile, cioè 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 può
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) è uguale a zero dato
= 0
che è nota. Dato che u = 0 su , la (121) implica che u
su . Se si differenzia questa equazione rispetto a e si ripetono le

stesse argomentazioni si conclude che tutte le derivate della funzione u(K, )
rispetto a sono nulle su .
67
Dato che u(K, ) è una funzione analitica di , la soluzione è zero su

(0, ). Estendendo lequazione (114) per ( , 2 ) ed usando di nuovo
lanaliticità si ha che u(K, ) si annulla su (0, 2 ).
= 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 è unica si può 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 {}
per un certo > 0, la soluzione (u, f ) del problema inverso è nulla.

dove e /t appartengono a C 2,1 ( (0, T )).
Consideriamo ora invece un operatore uniformemente parabolico generico,
cioè della forma:
Lu =
N
N
X
1X
ci,j xi xj u +
bi xi u au t u
2 i,j=1
i=1
tale che esiste una costante > 0 tale che

1 ||2
N
X
ci,j (t, x)i j ||2
i,j=1
68
Lemma 5.3. Siano i coefficienti limitati e holder continui:

ci,j , bj , a C (RN + 1)
per qualche ]0, 1] e per ogni 1 i, j N .
Allora esiste una costante C > 0 tale che

kuk2+ (O1 ) C sup |u| + kLuk (O2 )
O2
per u C 2+ (O2 ) e dove O1 , O2 sono due domini limitati di RN +1 tali che

O1 O2 .
Si vuole ora scrivere una rappresentazione integrale della soluzione del
problema (114)-(116) che può essere usata per limplementazione numerica
della volatilità.
E conveniente fare il seguente cambio di variabili
=T t
y = ln
S
K
Sia dunque
U (y, ; K) = u(S, t; K)
a(y) = (S)
Allora le equazioni (114)-(116) possono essere riscritte come:

1 2 2U
U
U
U
= a (y)
+ (r q)
rU (y, ) R (0, ) (122)
2
2
y
y
y
U (y, 0; K) = K(ey 1)
(123)
La funzione V =
anche soddisfa la (122) con condizione iniziale data da:
V (y, 0; K) = K

1 2
a (y)(y) + rH(y) qH(y)ey
2
dove è la funzione delta di Dirac, mentre H è la funzione a gradino di

Heaviside.
Inoltre lequazione (122) ha soluzione fondamentale (y, ; , s)(vedi Appandice B); Quindi la soluzione di questo problema ai valori iniziali può
essere scritta come
Z
h1
V (y, ; K) = K
(y, ; , 0) a2 ()()+
2
+ rH() qH()e d
69
Allora 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
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
Dimostrazione Costruiamo la soluzione fondamentale (y, ; , z) in

forma di serie infinite ed esplicitiamo in termini che non si annullano per
z. Si ha
(y, ; , z) = Z(y, ; , z) + Z1 (y, ; , z) + Z (y, ; , z)
dove
1
2
2
Z(y, ; , z) = p
e(y) /2( z)a ()
2( z)a()
Z Z h 2

a () a2 () ( )2

Z1 (y, ; , z) =
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
dove Z (y, ; z) 0 per z. Allora si sostituiscono queste espressioni

nella rappresentazione integrale della soluzione vista sopra, si ritorna alle
variabili originali (x, t) e si fanno le appropriate sostituzioni per rimuovere
le singolarità degli integrali, ottenendo la formula desiderata.
Nel caso di unopzione put europea si può derivare facilmente la corrispondente equazione:
Z
+
I1 (K, )d
u(S, ; K) = (K S) + I(K) +
0
Z K
I2 (K, )d + o(T t )
Se si conoscesse il valore u(S, t ; K) dellopzione allora lequazione del

teorema precedente può essere considerata come unequazione integrale per
la funzione volatilità (S ), dove S è appunto il prezzo corrente del sottostante e quindi noto.
Pertanto sia ora S = S , eliminiamo i termini di ordine o(T t ) ed
usiamo i dati al tempo corrente per stimare u(S , ; K) = u (K). Si
71
ottiene dunque
+
I(K) = u (K) (S K)
Z
I2 (K, )d
I1 (K, )d
0
che è unequazione integrale di Fredholm di seconda specie. Questa equazione può essere risolta iterativamente:
Z
(m+1)
+
I
(K) = u (K) (S K)
I1 (m) (K, )d
0
Z
I2 (m) (K, )d
K
Tale risoluzione è però computazionalmente pesante, pertanto nel prossimo

capitolo si cercherà una semplificazione dellequazione integrale. Infatti si
ridurrà in una forma che coinvolge integrali singoli e si convertirà da una
equazione di seconda specie in una di prima, risolvendola infine sempre
iterativamente.
5.2
Semplificazione dellequazione integrale
Ci occupiamo in particolare delle opzioni call, essendo sostanzialmente identici i risultati per la put. Si proverà anche che lequazione nel teorema (5.4)
è ben definita.
Il primo obiettivo è quello di calcolare gli integrali I(S, K),I1 (S, K; , t )
e I2 (S, K, , t ) esplicitamente. Lanalisi è basata sulla trasformata di
Laplace di una funzione f (t) definita da:
Z
L(f )(s) = f (s) =

f (t)est dt
0
e sulla sua proprietà della convoluzione:

Z t

L
f (u)g(t u)du = f(s)
g (s)
0
72
Proposizione 5.5. Nella rappresentazione integrale del prezzo di una call

per S 6= K si ha che
"r
!
S 2
)
(ln
T t
K
I(S, K; t ) =K(K)
exp
(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)
Integrando per parti si ha:

Z
o
K(K) nh 2 1 u2 k2 i
1 2 2
2
I(S, K, t ) =
e 2
u
k
)du
=
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
La valutazione di I2 avviene in modo del tutto analogo, in quanto i due

integrali si differenziano solo per alcune alcune costanti.
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)
!#
Il prossimo passo è quello di valutare lintegrale doppio I1 (S, K, , t )

il quale necessita di pi`
u elaborati calcoli, perciò ci si limita ad enunciare il
risultato rimandando allappendice A la dimostrazione.
Proposizione 5.7. Nella rappresentazione integrale del prezzo della call si
ha che:
I1 (S, K; , t ) =
"
ln p
K
(K) ()2
K
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)
Esaminiamo ora i punti di discontinuità che si hanno in I1 per =

0 e = K. Lintegrabilità o meno di I1 in questi punti dipende dal
comportamento della funzione volatilità (). Il seguente risultato fornisce
una condizione per la quale I1 (S, K; , t ) ha una singolarità rimovibile in
= 0.
Teorema 5.8. La singolarità in = 0 per I1 (S, K; , t ) è rimovibile se
(y) Ce|ln
per qualche costante < 2; C, > 0
74
y|
(129)
Dimostrazione. Dalla forma di I1 (S, K; , t ) è 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 )
Innanzitutto si osserva che, dato che K > 0 e tende a zero, si può

ipotizzare K > senza perdere di generalità. Quindi
lim
0+
ln K
= 1;
|ln K |
Il termine allinterno dellesponenziale può essere maggiorato da:

(|b| + |c|)2
c1 (ln()2 )
2(T t )
Pertanto L1 è limitato da
L1
A
exp(c1 (ln()2 )),
()
dove A e c1 sono opportune costanti.

Con la sostituzione u = ln si vuole ottenere che
lim
u
eu cu2
e
(eu )
Pertanto se () è limitato da
1
< Ce|u|
u
(e )
lim
u
Ceu+|u|
per
cu2
< 2; C, > 0;
=0
Risostistuendo eu = si ottiene che L1 = 0.

75
Per quanto riguarda L2 con una simile argomentazione si mostra che si

ha bisogno di determinare un limite della forma
lim
u
eu
C
erf c(|u|)
(u)
per qualche costante C e . Per mostrare che anche questo limite è 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
Da questo sviluppo, valido per z , è chiaro che il limite per L2 è zero,

dato che è limitato.
Con unanaloga procedura si può mostrare che anche il limite di L3 è
nullo. Quindi si può concludere che la singolarità in I1 (S, K; , t ) per
= 0 è rimovibile.
Per = K la funzione ha un salto di discontinuità (eccetto nel caso speciale in cui I1 è identicamente nulla) che è comunque integrabile.
Conseguentemente lequazione integrale è ben definita.
5.3
Risoluzione numerica dellequazione integrale
Dallanalisi effettuata precedentemente si ha che la volatilità (K) è stimabile attraverso unequazione integrale di seconda specie. Lapproccio
standard è 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 maggiore ostacolo nella valutazione di (130) deriva dal termine:

Z
I1 (K, )d
0
il quale è difficile da calcolare numericamente. Presentiamo alcune osservazioni al riguardo. Quando S = K il suo valore è essenzialmente nullo. Per
76
S 6= K il suo valore non è nullo e le difficoltà numeriche associate sono duplici. Innanzitutto lintegrando presenta delle singolarità che seppur rimovibili
aumentano la complessità numerica; Inoltre i valori coinvolti nellintegrando
sono in generale molto piccoli e sorgono quindi problemi a causa degli errori
di troncamento.
Comunque si può osservare empiricamente che omettendo questo termine
dalla (130) non si ottenga un degrado dellaccuratezza nel prezzo ottenuto. Pertanto nella calibrazione del modello è spesso pi`
u efficiente risolvere
lequazione modificata:
Z
+
I2 (K, )d
(132)
I(K) = u (K) (S K)
K
ALGORITMO DI RISOLUZIONE DELLEQUAZIONE INTEGRALE

1. Determinare una prima approsimazione di . Un approccio è quello
di risolvere inizialmente lequazione:
I(K) = u (K) (S K)+
(133)
per ricavare (K) ed utilizzarla come valore iniziale. In alternativa si

può anche utilizzare una stima iniziale a priori della volatilità.
2. Utilizzando il risultato del passo precedente si valutano gli integrali:
Z
I1 (K, )d
0
Z
I2 (K, )d
K
3. Usando il risultato del passo 2 si risolve

!
"r
S 2
(ln K
)
T t
exp
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
ottenendo una nuova approssiamzione di (K).

77
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 può osservare sperimentalmente che la soluzione di tale equazione è una buona approssimazione
di (K) quando K è 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) è una buona approssimazione per la volatilità di opzioni
at-the-money. Per dimostrare ciò con alcuni esempi consideriamo unopzio1
ne con funzione volatiltà (S) = 0.2(1 1S
), K = 30, t t = 2/365 =
0.005479 e. = 0.05. Allora la volatilità è:
(30) = 0.2
30
= 0.1935
31
ed utilizzando la formula di B-S per una call si ottiene u = 0.1755. Mentre

dalla (134) si ha
r
2
0.1754
(30)
= 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 volatilità 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 volatilità 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 volatilità i valori ottenuti sono abbastanza accurati, pertanto nel nostro algoritmo iterativo i valori iniziali della
volatilità saranno definiti dalla (134).
78
Ora si vuole testare numericamente lequazione integrale (132), quindi

si dovrà prendere alcuni prezzi teorici di opzioni, risolvere lequazione per
stimare la volatilità ed utilizzare questultima a sua volta nella soluzione di
Black-Scholes per comparare i prezzi ottenuti con quelli del mercato.
Ma prima di far ciò si deve mostrare che la soluzione dellequazione
integrale è anche soluzione del problema inverso di B-S. Si vuole pertanto
determinare, per una data funzione volatilità , quanto accuratamente una
soluzione dellequazione di B-S è approsimata dallequazione integrale.
Pertanto si vuole stimare u(S, K, t ) dallequazione:
Z
+
I2 (K, )d
u (K) = (S K) + I(K) +
K
Si è utilizzato il metodo di Simpson adattativo per lintegrazione numerica

per determinare il valore dei prezzi di una call, i quali sono poi messi a
confronto con i risultati derivanti dalla soluzione di B-S per differenti strike.
Si fissa il prezzo del sottostante S = 30, il tasso di interesse r = 0.054 e il
dividend yield d = 0. Lintervallo di integrazione per lintegrale I2 è scelto
come [K, 50] a seconda dello strike. In teoria lintervallo di integrazione
dovrebbe essere illimitato superiomente, ma vedremo che il valore di I2
rispetto allo strike decade molto velocemente dopo lo strike in esame K e
tende a zero per K .
Come primo esempio si prende in considerazione la funzione volatilità
dellesempio precedente:
(S) = 0.2(1
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 è apparsa
indistinguibile. Nella tabella (2) si può 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. Ciò è dovuto dal fatto che lerrore nellapprossimazione della soluzione fondamentale
è maggiore quando S = K. Lerrore decade di un fattore dellordine di
S 2
e(ln K ) /2(T t ) , cosicchè 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
Tabella 2: Funzione volatilità (S) = 0.2(1
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
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
Si considerano ora altre funzioni volatilit`

a con un comportamento pi`
u
complicato, iniziamo con (S) = 1.2/ 1 + S. La tabella (5) confronta i

risultati per S = 30 e T = 40/252.
34
33
32
31
30
29
28
27
26
25
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
Tabella 5: Funzione volatilità (S) = 1.2/ 1 + S e scadenza T = 40/252

Infine nella tabelle (6) e (7) si confrontano i risultati per S = 30 e
per la funzione volatilità (x) = 0.6(1 exp(0.03 S)) e con scadenze
rispettivamente T = 25/252 e T = 80/252.
81
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
Tabella 6: Funzione volatilità (S) = 0.6(1 e0.03S ) e scadenza T =

25/252
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
Tabella 7: Funzione volatilità (S) = 0.6(1 e0.03S ) e scadenza T =

80/252
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 volatilità.
Consideriamo la funzione volatilità (S) = 0.6(1 e0.03S ) con S = 30
e T = 10/252. Come spiegato in precedenza si vuole ricavare la volatilità
(K) dallequazione:
Z
+
u (K) = (S K) + I(K) +
I2 (K, )d
K
Per i valori di u si prendono i prezzi teorici generati da Black-Scholes,

mentre per il valore iniziale di (K) per implementare il metodo iterativo
si sfrutta lequazione (134):
r
2 u(K, t , K)
0 (S)|S=K
T t
K
per tutti i differenti strike K.
Strike
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
Tabella 8: Approssimazioni del metodo iterativo rispetto alla funzione

volatilità (S) = 0.6(1 e0.03S )
Nella tabella (7) si paragonano i risultati ottenuti con le prime approsimazioni 1 (K) e 2 (K) con quelli teorici (K).
83
Si può notare che lapprossimazione è maggiormente accurata per le

opzioni at-the-money, cioè quando il prezzo strike è vicino al valore del
sottostante, e meno quando se ne allontana. .
I valori ottenuti per 1 (K) si allineano approsimativamente lungo la
retta approsimante:
1 (K) = 0.3626 + 0.0001467 K
Si utilizza quindi questa funzione della volatilità per calcolare la successiva approssimazione 2 (K), la quale genererà poi la terza e cos` via. Dopo
sette iterazioni si ottiene che i valori ottenuti non variano pi`
u significativamente e quindi si può concludere che il metodo converge alla funzione di
approssimazione: (K) = 0.3595 + 0.0001789K.
Nella tabella (9) si possono confrontare i valori delle opzioni utillizzando
la volatilità calcolata con lequazione integrale e con il metodo di CrankNicholson per discretizzare lequazione alle derivate parziali. Invece nella
terza colonna si presentano i prezzi con la volatilità teorica calcolati con la
soluzione di Black-Scholes.
Strike Met. Integrale Cranck-Nicholson
38
37
36
35
34
33
32
31
30
29
28
27
26
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 può 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
Ricostruzione del coefficiente di volatilit`

a con la
linearizzazione
Le difficoltà incontrate con lunicità 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)
soddisfano il seguente problema parabolico inverso duale con condizione

finale:
U
1 2 2U 1 2
U
= a (y) 2
a (y) +
+ ( r)U
(137)
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 è 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)
dove V0 risolve il problema (137)-(139) con a = 0 , è quadricamente

piccola rispetto ad f mentre il termine principale lineare V soddisfa il
problema:
1
V
1
2V
V
02 (y) 2 +
02 (y) +
+ (r )V = 0 f
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
e V è la parte lineare principale di U .

Ora si effettua la classica derivazione da un problema parabolico allequazione del calore che si è già sfruttata per lequazione originale di
Black-Scholes. Sia dunque:
V = ecy+d W
(145)
per la quale W vale che:

1 2W
W
02 2 = f
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)
Ora si può giustificare lipotesi, fatta in precedenza, f = 0 al di fuori di

in quanto quei valori non sono essenziali a causa del veloce decadimento del
kernel gaussiano in s.
Sia ora Af la soluzione su dellequazione precedente, cioè: Af (y) =
W (y, ), y .
Lemma 5.9.
Z
Af (x) =
B(x, y; )f (y)dy
(146)
dove:
s
B(x, y; ) = 2
0
|xy|+|y|
0 2
e d
Dimostrazione Vale la rappresentazione della soluzione di un problema di

Cauchy per lequazione del calore:
Z
W (x, ) =
B(x, y; )f (y)dy
R
87
Z
B(x, y; ) =
0
1
0
2( )
|xy|2
2
2( )0
y 2
s
e 20 d
0 2
Lequazione di B si semplifica utilizzando la trasformata di Laplace (p) =

L()(p) di ( ) rispetto a . Dato che la trasformata di Laplace della
convoluzione è il prodotto delle trasformate delle funzioni convolute, si ha
che
2
|y|2
1 2
s 1 |xy|
2
2
20
L e
L e 0
LB(x, y; )(p) =
2
20
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 è usata la trasformazione di Laplace: 2 e . Applicando
della trasformata inversa di Laplace della funzione p1 e p si giunge alla

conclusione del lemma.
88
Conclusioni
Nel primo capitolo della tesi si è definito e costruito il modello di Black e

Scholes per unopzione Call. Prezzare una Call con B&S è relativamente
semplice visto che la soluzione dalla sua equazione alle derivate parziali
è ottenuta dal semplice calcolo di una formula deterministica (appunto la
formula di Black e Scholes). Daltra parte, però, si è visto come le ipotesi su
cui si basa questo modello sono abbastanza forzate e non sempre verificate,
rendendo le soluzioni ottenute non sufficientemente accurabili.
Si e visto come alcuni dei limiti attribuiti al modello di B&S possano
essere ricondotti alle ipotesi di base riguardanti la distribuzione dei logrendimenti, assunta normale nel modello, e la costanza della volatilità dei titoli nellintervallo considerato, inoltre nel confronto con la realtà si riscontra
una sottostima dei log-ritorni.
Già nei modelli pi`
u classici ed elementari, è evidente come il parametro
determinante per una buona risoluzione delloption pricing sia appunto la
volatilità del sottostante. Limportanza di tale parametro è talmente evidente per gli operatori di mercato che spesso le quotazioni delle opzioni
vengono espresse direttamente come valori della volatilità implicita, invece
che del prezzo dellopzione. Dalla volatilità implicita, che si ricava invertendo la formula di Black-Scholes, si può evidenziare unaltra critica al modello;
Ovvero la dipendenza della volatilità del titolo sottostante rispetto al prezzo
strike dellopzione, che per la forma che assume viene detta lo smile della
volatilità.
Unaltro metodo per studiare la volatilità visto nel capitolo 4 è la volatilità locale in cui la volatilità viene stimata invertendo lequazione aggiunta dellequazione di Black-Scholes ed ottenendo una funzione in termini
delle variabili prezzo strike K e maturity T . Tale risultato presenta problemi di accuratezza nellimplementazione per strike lontani dal valore del
sottostante e per brevi scadenze.
Con lintroduzione della classe di modelli Levy si tenta di annullare
queste imperfezioni allentando tali ipotesi. Con questi modelli si ottiene una
migliore rappresentazione della realtà, perchè si è mostrato che il modello
di Merton da origine a distribuzioni di log-ritorni non gaussiane. In effetti
con lintroduzione dei salti lungo le dinamiche temporali dei titoli, si nota
una miglor rappresentazione della realtà. Ma a fronte di questo vantaggio
nella teoria del modello si paga una maggiore difficoltà nellimplementazione
del metodo. La soluzione dellequazione alle derivate parziali, comunque
accettabile, è ottenibile solo attraverso la rapida convergenza di una serie;
89
Infine nel capitolo 5 si è impostato il problema delloption pricing come

un problema inverso per la ricerca di condizioni di stabilità ed unicità delle soluzioni rispetto alla volatilità. Da questo tipo problema si è derivata
unequazione integrale che è stata implementata sia per calcolare il valore di
opzioni sia per stimare la volatilità. Dai risultati ottenuti si può costatare
una buona corrispondenza tra i risultati derivanti da tale equazione e quelli
di altri modelli. In particolare si osserva che sebbene per limplementazione
si siano assunte delle semplificazione e delle approssimazione rispetto allequazione originale, i valori della volatilità ottenuti sono soggetti ad una
minore sensibilità rispetto alla variazione dello strike.
90
Dimostrazione del teorema 5.7
Riorganizzando lespressione di I1 (S, K, , t ) è 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
Si applica il teorema della convoluzione per valutare gli integrali interni.

Si calcola prima J2 prendendo la trasformata di Laplace di e sfruttando
la convoluzione. Sia
!
(ln K )2
1
f () = p
exp
2 2 (K)
2 3
allora
1
f(s) = e|b| 2s
|b|
in cui b2 =
2
(ln K
)
.
2
(K)
Mentre per il secondo termine dellintegrale definiamo:

1
g() =
exp
2
(ln S )2
2 2 ()
e la sua trasformata di Laplace sarà
1
g(s) = e|c| 2s
2s
dove c2 =
(ln S
)2
.
2
()
91
Dunque per la proprietà della convoluzione si ha che

Z
f ()g( )d = f(s)
g (s) =
L
0
1
e 2(|b|+|c|) s
|b| 2s
il che implica che antitrasformando si ha

Z
1

e 2(|b|+|c|) s =
f ()g( )d = L1
|b| 2s
0
(|b| + |c|)2
1
=
exp
2
2b2
Usando i risultati già 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 può passare alla valutazione di J1 che comunque è simile a J2 .
Volendo determinare la trasformata di Laplace della funzione:
b2
1
h() = p
e 4
2 5
Dalle tavole delle trasformate si trova
h(s)
= 3 (1 + |b| 2s)e|b| 2s
|b|
Combinando tali risultati con la trasformata g() si ottiene:

Z
(1 + |b|2s)e2(|b|+|c|)s
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
Questo integrale può essere calcolato ancora con la sostituzione 1/ = u2 .

Omettendo i dettagli si arriva allespressione:
r
(|b| + |c|)2
|b| + |c| i
1 h 2(T t )
J1 = 3
exp
|c|erf c p
|b|
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
La rappresentazione integrale della soluzione di una PDE
Siano P (D , x), x Rn un generico operatore tale che lequazione alle

derivate parziali
u
= P (D , x)u
t
abbia una soluzione fondamentale (x, y, t).
Quindi un problema ai valori iniziali con condizione iniziale u(x, 0) =
f (x) ha soluzione
Z
u(x, t) =
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
Si può considerare questa equazione come unequazione integrale per un

coefficiente incognito a(x), che è lidea principale con cui si è voluto stimare
la volatilà. Si vuol presentare il metodo di costruzione della soluzione fondamentale, chiamato parametrix method, che si è utilizzato nel problema
inverso delloption pricing. Il classico referimento per questi argomenti è il
Friedman, qui si commenteranno i dettagli pi`
u rilevanti.
Si definisce loperatore L come
n
X
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)
dove x Rn , t [t0 , t1] .

Si dice che L sia un operatore parabolico in (x, t) se la matrice (aij (x, t))
è definita positiva. Se è parabolico per ogni (x, t) D [t0 , t1 ] allora si dice
che L è parabolico.
Costruire una soluzione fondamentale per (147) in generale non è possibile, a meno che loperatore non possieda alcuni tipi di simmetria.
94
Sia (aij (x, t)) linversa di (aij (x, t)) e definiamo
y,
(x, ) =
n
X
aij (y, )(xi i )(xi i ).
i,j=1
Consideriamo ora le funzioni:

h y, (x, ) i
n
y, (x, t, , ) = (t ) 2 exp
4(t )
n
1
C(x, t) = (2 ) [det(aij (x, t))] 2
Una parametrizzazione per L corrisponde alla funzione
Z(x, t; , ) = C(, ) , (x, t, , )
Il metodo prevede la costruzione di una soluzione fondamentale per L della
forma
Z tZ
(x, t; , ) = Z(x, t; , ) +
Z(x, t; , )(, , ; , )dd
Impostando (LZ)1 = LZ, si definisce (LZ)k ricorsivamente

Z tZ
[LZ(x, t; y, )](LZ)k (y, ; , )dyd
(LZ)k+1 (x, t; , ) =
E si può mostrare che la serie

(x, t; , ) =
X
(LZ)k (x, t; , )
k=1
converge e che la funzione possiede le proprietà desiderate.

Si può ora delineare la procedura riguardante la determinazione di (S)
attraverso la soluzione fondamentale. Innanzitutto bisogna ipotizzare che
la volatilità (S) è una funzione limitata. Se ciò non fosse allora il metodo
parametrix non fornisce in generale una soluzione fondamentale.
Consideriamo ora il problema della determinazione della volatilità per la
valutazione del valore di una call vicino alla scadenza. Con il solito cambio
di variabili, lequazione di Black-Scholes si è ridotta a:
2U
U
U
1
U
= a2 (y)
+ (r q)
rU (y, ) R (0, )
2
2
y
y
y
95
in cui la volatilità (S) = a(ln(S/K)) è limitata e U (y, 0; K) = K(ey 1)+

Si differenzia rispetto a e si usa la condizione iniziale per ottenere il
, cioè:
problema equivalente rispetto a V = U
V

V
1
2V
1
= a2 (y) 2 + r q a2 (y)
rV
2
y
2
y
(148)
dove la funzione V soddisfa

V (y, 0; K) = K

1 2
a (y)(y) + rH(y) qH(y)ey
2
Qui è la funzione delta di Dirac, mentre H è la funzione a gradino di

Heaviside.
Pertanto lequazione (148) ha soluzione fondamentale (y, ; , s). Quindi la soluzione di tale problema ai valori iniziali può essere scritta come
Z
h1
(y, ; , 0) a2 ()()+
V (y, ; K) = K
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 prossimità della scadenza, si può utilizzare un valore del prezzo
dellopzione per risolvere unequazione integrale della volatilità.
96
Utilzzando il metodo parametrix per costruire la soluzione fondamentale

della (148), si ottine la parametrizzazione
1
e
Z(y, ; , s) = p
2( s)a()
(y)2
2( s)a2 ()
Usando il limite gaussiano sulla parametrizzazione e (LZ)k , si può mostrare

che la soluzione fondamentale può essere scritta come:
(y, ; , s) = Z(y, ; , s)+
Z Z 2

a () a2 () ( )2
1
+
+
2( s)a2 () ( s)a2 ()
s
a2 ()
( )
+
r+q
2
( s)a2 ()
Z(y, ; , )Z(, ; , s)dd + ( )
dove ( ) è il termine di errore. Un limite per questo errore è definito da:
1
(y)2
< h( s) 2 e 2( s)
con h, costanti.
Dato che si è interessati alla determinazione della volatilità a partire da
una valutazione della soluzione vicino alla scadenza, quasta approssimazione
della soluzione è sufficiente in quanto il termine ( ) può essere trascurato,
perlomeno quando si è fuori dalla zona in-the-money. Appare altrettanto
chiaro che lerrore è massimo quando lopzione è at-the-money, cioè S = K.
97
Algoritmi utilizzati
Implementazione di un processo Jump-diffusion di Merton

%Merton jump-diffusion
%
Algoritmo di Tankov: Financial modeling with jump processes
% ----------------- cammino singolo
% griglia temporale, [0,T]
T = 1;
n_intervals = 1000;
dt = T/n_intervals;
t_grid = (0:dt:T);
% Incrementi di Wiener DW,vettore di 1 riga N+1 colonne, distribuzione

%N(0,sqrt(dt)*sigma)
sigma_w = 0.5
stddev = sqrt(dt)*sigma_w
DW = normrnd(0,stddev,1,n_intervals+1);
%Estrazione Poisson con parmetro di Poisson T*lambda: N=numero di salti
lambda = 10
N = poissrnd(T*lambda)
%Per ricostruire il moto Browniano standard e
` sufficiente
%imporre che N=0;
%N = 0
% Istanti dei salti: N variabili uniformemente distribuite
U = rand(1,N)*T;
%vettore degli istanti dei salti ordinato
SU = sort(U)
%dimensione salti Y dalla distribuzione N(media_j,sigma_j)
media_j = 0;
sigma_j = 0.5
Y = normrnd(media_j,sigma_j,1,N);
% Processo X con valore iniziale X0, drift b*t
98
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

Il Problema Inverso Dell'option Pricing

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Il Problema Inverso Dell'option Pricing

Caricato da

Copyright:

Formati disponibili

Universit`

a degli Studi di Firenze

Tesi di laurea magistrale

Il problema inverso delloption pricing

Ch.mo Prof. Vincenzo Vespri

Anno Accademico 2013-2014

2 Basi della teoria delle probabilit`

3 Le opzioni e lequazione di Black-Scholes

A Dimostrazione del teorema 5.7

B La rappresentazione integrale della soluzione di una PDE

Elenco delle figure

Quotazione del titolo Unicredit dal maggio 2012 al maggio

Elenco delle tabelle

Quotazioni dellopzione call sullazione di Intesa Sanpaolo del

Funzione volatilit`a (S) = 1.2/ 1 + S e scadenza T = 40/252 81

Il modello di Black e Scholes (B-S) non `e pi`

In questa tesi si presenteranno dunque alcuni modelli generali delloption

la volatilità. La volatilità implicita è calcolata semplicemente sfruttando i

Basi della teoria delle probabilit`

Lequazione di B&S consiste nella seguente equazione alle derivate parziali,

Per poter comprendere appieno in che modo i vari termini dellequazione

Definizione 2.2. Misura di probabilit`

3. Se A1 , A2 , ... U sono disgiunti, allora

Ora si `e in grado di definire lo spazio di porbabilit`

Equivalentemente si pu`o dire che X `e U-misurabile.

3. La varianza di una variabile casuale `e

Un altro fondamentale concetto `e la funzione distribuzione e densit`a, con

Inoltre se esiste una funzione f : Rn R non negativa integrabile tale che:

allora tale funzione `e chiamata funzione densit`a.

Quello che ci interesser`a nel preseguo, per la costruzione del processo di

Allora due eventi si dicono indipendenti se

ovvero P (A B) = P (A)P (B)

Pertanto data una sequenza di variabili casuali X1 , X2 , ..., Xm indipendenti

3. Valore atteso: se E(|Xi |) < , allora E(X1 Xm ) = E(X1 )E(Xm )

Vediamo ora il teorema di De Moivre-Laplace e del limite centrale, i quali

Il teorema afferma che la somma di n variabili casuali di questo tipo `e

Definendo la somma Sn := X1 + , Xn , allora si ha che per ogni <

Il processo di Wiener e il moto browniano

In questo capitolo si introduce il moto browniano o processo di Wiener che

dove le Xi sono delle variabili casuali indipendenti tali che

Poich`e ad ogni istante si ripete sempre lo stesso esperimento indipendente

Ora sfruttando il teorema di De Moivre-Laplace si ottiene che:

Si ha pertanto che il processo stocastico X(t) ha come distribuzione la

Si presentano ora alcune propriet`a appartenenti al processo di Wiener

Per quasi ogni evento elementare , il cammino semplice t W (t, )

Integrale stocastico e formula di Ito

Consideriamo ora una processo stocastico {X(t) : t > 0} il quale dipende

Sia allora f (X, t) una funzione regolare rispetto al tempo ed ad una

dX 2 = (F dt + Gdw)2 = F 2 dt2 + G2 dW 2 + 2F GdW dt

Allora tornando a calcolare il differenziale di f e volendo considerare solo i

Teorema 2.4. Lemma di Ito Supponiamo che un processo stocastico abbia

con F L1 (0.T ), G L2 (0, T ).

Sia u : R [0, T ] R continua e tale che u

allora Y ha differenziale stocastico:

Equazioni differenziali stocastiche

In questo capitolo si introducono le equazioni differenziali stocastiche (SDE)

generata da X0 e dalla storia del processo di Wiener fino al tempo t.

Definizione 2.8. Si dice che un processo stocastico X() `e una soluzione

B(X(s), s)dW q.o., 0 t T

Con la stessa procedura si trova che, date due funzioni continue f e g,

Le opzioni e lequazione di Black-Scholes

Introduciamo ora le propriet`a delle opzioni e del loro mercato e vediamo

Nonstante la maggior parte dei modelli di option pricing si basi su un