Sei sulla pagina 1di 78

POLITECNICO DI MILANO

Facolt`a di Ingegneria dei Sistemi

Option Pricing con il modello di


Heston

Relatore:
Prof. Carlo Sgarra - Politecnico di Milano
Correlatore:
Dott. Martino De Prato - Mediobanca

Elaborato di

Giovanni Maienza
Matr. 680216

22 Ottobre 2007

Indice
1 Introduzione

2 Da Black-Scholes ai modelli a volatilit`


a stocastica
2.1 Il modello di Black-Scholes e il concetto di volatilit`a implicita
2.1.1 Il modello di Black-Scholes . . . . . . . . . . . . . . . .
2.1.2 Prezzo di unopzione europea . . . . . . . . . . . . . .
2.1.3 Definizione di volatilit`a implicita . . . . . . . . . . . .
2.1.4 Lo smile di volatilit`a . . . . . . . . . . . . . . . . . . .
2.2 Principali Modelli a Volatilit`a Stocastica . . . . . . . . . . . .
2.2.1 La volatilit`a come variabile . . . . . . . . . . . . . . .
2.2.2 La volatilit`a come processo stocastico . . . . . . . . . .
2.2.3 Modelli a volatilit`a stocastica . . . . . . . . . . . . . .
2.2.4 Distribuzione dei prezzi nei modelli a volatilit`a stocastica
2.2.5 Il prezzo del rischio di volatilit`a . . . . . . . . . . . . .
2.2.6 Bilancio sui modelli a volatilit`a stocastica . . . . . . .

5
5
6
7
9
10
13
13
14
15
16
17
19

3 Il modello di Heston
3.1 Descrizione del modello . . . . . . . . . . . . . . . . . .
3.1.1 Distribuzione dei rendimenti . . . . . . . . . . .
3.1.2 Incompletezza dei mercati e rischio di volatilit`a
3.1.3 Prezzo di unopzione europea . . . . . . . . . .
3.2 Implementazione . . . . . . . . . . . . . . . . . . . . .
3.2.1 Calibrazione del modello . . . . . . . . . . . . .
3.2.2 Simulazione dellandamento dei prezzi . . . . .
3.3 Vantaggi e svantaggi del modello di Heston . . . . . . .

.
.
.
.
.
.
.
.

20
20
22
24
27
30
30
33
36

.
.
.
.

38
38
38
39
40

4 Simulazione con metodi Monte-Carlo


4.1 I metodi Monte-Carlo . . . . . . . . .
4.1.1 Lalgoritmo di calcolo . . . . .
4.1.2 Teorema Centrale del Limite .
4.1.3 Controllo dellerrore . . . . .
1

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

INDICE
4.2

4.3

Implementazione dello schema di Broadie e Kaya . . . .


4.2.1 Architettura implementativa . . . . . . . . . . . .
4.2.2 Aggiornamento della volatilit`a . . . . . . . . . . .
4.2.3 Integrale di volatilit`a . . . . . . . . . . . . . . . .
4.2.4 Integrale stocastico di volatilit`a e aggiornamento
prezzo . . . . . . . . . . . . . . . . . . . . . . . .
Risultati sperimentali . . . . . . . . . . . . . . . . . . . .
4.3.1 Distribuzione dei Rendimenti . . . . . . . . . . .
4.3.2 Impatto di e . . . . . . . . . . . . . . . . . .
4.3.3 Comportamento nelle code . . . . . . . . . . . . .
4.3.4 Prestazioni dellalgoritmo . . . . . . . . . . . . .

2
. .
. .
. .
. .
del
. .
. .
. .
. .
. .
. .

.
.
.
.

41
42
43
46

.
.
.
.
.
.

58
60
61
61
65
65

5 Conclusioni
68
5.1 Metodologia . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.2 Risultati ottenuti . . . . . . . . . . . . . . . . . . . . . . . . . 70
5.3 Considerazioni Finali . . . . . . . . . . . . . . . . . . . . . . . 71
A Derivazione della Trasformata di Laplace dellintegrale di
volatilit`
a
75

Capitolo 1
Introduzione
La modellizzazione dei mercati finanziari `e un aspetto molto importante per
una banca, soprattutto quando strategie di copertura vengono applicate sui
portafogli gestiti. La spinta allimplementazione di sempre nuovi modelli `e
data quindi dalla necessit`a di essere competitivi sul mercato; si tratta di una
competizione sui prezzi dei contratti finanziari scambiati che cela per`o in s`e
una reale competizione tecnologica incentrata sulle tecniche di pricing.
Questo lavoro nasce da unesperienza di stage con il team di analisti
addetti alla strutturazione e al pricing presso Mediobanca S.p.A.
Lobiettivo di questo lavoro `e limplementazione del modello di Heston
per il pricing di opzioni su titoli azionari. Il risultato di questo lavoro `e
destinato ad integrarsi in una libreria finanziaria molto ampia e gi`a esistente,
in modo che i risultati prodotti possano interagire con gli altri modelli gi`a
implementati, per esempio i modelli sui tassi di cambio. Per soddisfare questa
esigenza il codice utilizzato `e stato C++.
Nella prima parte vi `e unintroduzione ai modelli a volatilit`a stocastica.
Partendo dal modello di Black-Scholes, considerato come uno standard nella modellizzazione dei mercati finanziari, si analizzano alcune sue anomalie
rispetto ai mercati osservati e si introducono nuovi modelli nati per correggere
questi difetti: i modelli a volatilit`a stocastica.
Il capitolo successivo presenta il modello di Heston: uno specifico modello a volatilit`a stocastica che ha riscosso successo nellindustria finanziaria
in particolare nel pricing di alcune tipologie di prodotti derivati. Vengono
presentate le sue caratteristiche principali e si introducono i problemi legati
alla sua implementazione. In particolare si distinguono 2 problemi differenti:
la calibrazione del modello e la simulazione della distribuzione di probabilit`a
del rendimento di un titolo azionario con metodi Monte-Carlo.
Nellultimo capitolo quindi si propone una via risolutiva per il problema
della simulazione dellandamento dei prezzi nel tempo, ottenuto grazie al
3

1. Introduzione

metodo Monte-Carlo. Diversi approcci sono proposti e si discutono i risultati


sperimentali ottenuti.
Vengono infine presentate delle conclusioni sul lavoro svolto e, partendo
da alcune considerazioni sui risultati ottenuti e sul metodo seguito, si propongono alcuni spunti di miglioramento.

Capitolo 2
Da Black-Scholes ai modelli a
volatilit`
a stocastica
In questo capitolo viene introdotto sinteticamente il modello di Black-Scholes
per la descrizione dei mercati finanziari. Esso si basa su degli assunti che si
sono dimostrati per certi versi lontani dalla realt`a dei mercati; tra questi
si possono elencare la continuit`a dei processi di prezzo, lassenza di costi
di transazione, la distribuzione normale e indipendente dei rendimenti e la
volatilit`a costante dei processi di prezzo [1].
Una delle pi`
u grosse differenze tra le previsioni del modello di BlackScholes e ci`o che si osserva nei mercati finanziari `e il prezzo delle opzioni
europee. Questo fenomeno `e chiamato volatility smile e mostra come il modello di Black-Scholes in molti casi non sia sufficientemente predittivo, soprattutto per opzioni con prezzo di esercizio (strike price) lontano dal prezzo
del sottostante, al tempo della valutazione. Per questo aspetto il modello di
Black-Scholes potrebbe essere considerato come unapprossimazione locale.
Nella seconda parte del capitolo vengono presentate diverse modifiche al
modello di Black-Scholes ottenute con laggiunta di una componente stocastica nella volatilit`a del sottostante; viene mostrato brevemente quale sia il
loro apporto nella qualit`a di predizione della distribuzione di probabilit`a del
prezzo di un titolo azionario, e quindi del prezzo dei contratti derivati.

2.1

Il modello di Black-Scholes e il concetto


di volatilit`
a implicita

In questa sezione viene introdotto il modello di riferimento per i mercati


finanziari: il modello di Black-Scholes. Viene poi definita la volatilit`a im-

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

plicita nei prezzi di mercato dandone una spiegazione pratica e infine si pone
il problema del cosiddetto smile di volatilit`a.

2.1.1

Il modello di Black-Scholes

Seguendo limpostazione di Merton [2] si consideri un mercato formato da un


contratto privo di rischio (risk free asset) e un titolo rischioso (risky asset).
Chiamando (B(t))t0 il processo di prezzo del risk free asset, la sua
dinamica nel tempo t segue la legge:
dB(t) = r(t)B(t)dt
dove r `e un qualsiasi processo adattato [8].
r(t) `e chiamato rendimento del titolo privo di rischio ed `e localmente
deterministico; ad ogni tempo t infatti `e definito come:
dB(t)
= r(t)
B(t) dt
Il processo di prezzo del titolo rischioso (S(t))t0 invece pu`o essere cos`
caratterizzato:
dS(t) = S(t)(t, S(t))dt + S(t)v(t, S(t))dW (t)
dove (W (t))t0 `e un processo di Wiener, e v funzioni deterministiche
note. La funzione `e chiamata rendimento medio del prezzo del titolo S
mentre la funzione v viene chiamata volatilit`a del prezzo del titolo.
Il rendimento del titolo rischioso `e allora cos` definito:
dS(t)
dW (t)
= (t, S(t)) + v(t, S(t))
S(t) dt
dt
esso quindi non `e deterministico perch`e il termine di Wiener `e stocastico. La differenza principale tra il contratto privo di rischio e il titolo rischioso consiste nel fatto che questultimo ha rendimento stocastico, quindi
non determinabile con certezza a priori anche per tempi infinitesimali.
Il modello proposto da Black-Scholes `e un caso particolare di questo modello. Esso considera costanti il rendimento del titolo privo di rischio r, il
rendimento medio del titolo rischioso e la volatilit`a del prezzo del titolo
rischioso v:
dB(t) = rB(t)dt

(2.1)

dS(t) = S(t)dt + vS(t)dW (t)

(2.2)

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

Figura 2.1: A sinistra confronto tra landamento del prezzo di un titolo (linea nera) e la distribuzione log-normale (linea rosa: mean 2
mean + 2). A destra distribuzione log-normale alla fine del periodo. Source:
www.aetheling.com

r, e v costanti note.
Applicando la formula di Ito si trovano allora le soluzioni esplicite delle
equazioni 2.1 e 2.2:
B(T ) = B(t)er(T t)
2
(r v2 )(T t)+v(W (T )W (t))

S(T ) = S(t)e

(2.3)
(2.4)

T t.
S(T )
,
S(t)

il rendimento del titolo nel periodo T t, non `e quindi deterministico ma `e la realizzazione di un processo casuale. Esso ha distribuzione
log-normale perch`e `e lesponenziale della realizzazione di un moto Browni2
ano distribuito normalmente con media (r v2 )(T t) e varianza v 2 (T t).
A questo punto, `e interessante sottolineare come la varianza del prezzo
del sottostante, cio`e la dispersione del rendimento del titolo intorno al suo
valore medio, sia lineare nel periodo di tempo e quadratica nella volatilit`a v.
E cos` spiegata la natura del termine volatilit`a: al crescere di v diventano
pi`
u probabili le oscillazioni di prezzo e quindi la rischiosit`a del titolo.

2.1.2

Prezzo di unopzione europea

Unopzione europea `e un contratto che, scambiato ad un certo tempo t, d`a


il diritto di comprare (nel caso di una call ) o di vendere (nel caso di una
put) un titolo sottostante dal prezzo St , al tempo fissato T t ed al valore

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

fissato K, chiamato prezzo di esercizio o strike price. Chi compra unopzione


si garantisce questo ritorno (payoff ) al tempo finale T :
Call (T, ST ) = max(ST K, 0) = (ST K)+

(2.5)

P ut (T, ST ) = max(K ST , 0) = (K ST )+

(2.6)

Per il principio di non arbitraggio, il valore al tempo T dellopzione deve


corrispondere al payoff della stessa.
Inoltre chiamando il prezzo di un contratto di tipo europeo V (t, St ) in un
mercato caratterizzato da 2.1 e 2.2 `e determinato dallequazione di BlackScholes:
V
1
2V
V
+ rS
+ v 2 S 2 2 rV = 0
t
S
2
S

(2.7)

V (T, ST ) = (ST )

(2.8)

con V (t, St ) : [0, T ] R+ R+ .


Considerando prima il caso dellopzione di tipo call, il suo processo di
prezzo seguir`a
CBS (t, St ) = E[er(T t) (ST )|Ft ].
Seguendo le propriet`a dei processi di Wiener e 2.5, 2.2 si ottiene:
CBS (t, St ) = St N(d1 ) Ker(T t) N(d2 ),
dove



St
v2
1
log
+ (r + )(T t)
d1 =
K
2
v T t

d2 = d1 v T t

(2.9)
(2.10)
(2.11)

e per N(x) si intende la distribuzione cumulata di probabilit`a di una variabile aleatoria Gaussiana normale standard valutata nel punto x.
Per valutare allora il prezzo di unopzione put europea (cio`e con payoff
definito da 2.6) si ha che un portafoglio lungo in una call e corto in una put
ha come payoff :
CallP ut (T, ST ) = (ST K)+ (K ST )+ = ST K

(2.12)

e quindi applicando il principio di non arbitraggio per tutti tempi t < T


si trova la Put-Call parity:

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

CBS (t, St ) PBS (t, St ) = St Ker(T t)

(2.13)

da cui si pu`o ricavare che


PBS (t, St ) = CBS (t, St ) St + Ker(T t) =
= St (N(d1 ) 1) + Ker(T t) (1 N(d2 ))
e quindi il prezzo di una put europea `e dato da:
PBS (t, St ) = Ker(T t) N(d2 ) St N(d1 )

(2.14)

con d1 e d2 definiti in 2.10 e 2.11.

2.1.3

Definizione di volatilit`
a implicita

La volatilit`a implicita `e una variabile che riassume molto bene le differenze tra
le previsioni del modello di Black-Scholes e il mercato nel pricing di opzioni
europee. Considerando infatti il prezzo di mercato come un dato e lasciando
la volatilit`a come incognita, si pu`o notare che la volatilit`a stimata dal mercato
non `e costante al variare delle caratteristiche delle opzioni (maturity e strike
price), contraddicendo il modello Black-Scholes.
Si definisce allora per ogni contratto la volatilit`a implicita I tale che:
I > 0 : CBS (t, St ; I) = CM arket

(2.15)

Si pu`o dimostrarne lesistenza e lunicit`a sotto la condizione


I!; I > 0 CM arket > CBS (t, St ; 0).
Inoltre derivando in 2.9 il prezzo dellopzione call rispetto alla volatilit`a
implicita si ottiene

St ed1 /2 T t
CBS

=
>0
I
2
Questo importante risultato ci conferma che il prezzo di unopzione call
`e crescente con laumentare della volatilit`a (si pu`o dimostrare che lo stesso
risultato vale anche per unopzione put).
Nei mercati si pu`o inoltre notare come la parit`a put-call 2.13 sia comunque
verificata perch`e il principio di non arbitraggio `e realizzato; di conseguenza,
la volatilit`a implicita I definita tramite Black-Scholes di una put e di una
call con le stesse caratteristiche `e la stessa.

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

10

Un tipico esempio della struttura della volatilit`a implicita `e dato da [3],


ottenuto dalle opzioni europee sullindice Standard-Poor500.
Come nellesempio riportato il profilo di volatilit`a dipende in maniera
non lineare dallo strike price e dalla maturity. La sua forma dipende dalle
previsioni del mercato sullandamento del sottostante.
In generale, per ogni scadenza, la volatilit`a, intesa in funzione del prezzo
di esercizio, presenta concavit`a rivolta verso lalto; questo fenomeno `e noto
come volatility smile.

2.1.4

Lo smile di volatilit`
a

Il fatto che la volatilit`a implicita I, definita in 2.15, abbia concavit`a positiva in funzione del prezzo di esercizio K non `e casuale ma riflette una
caratteristica del mercato. Un profilo di questo tipo suggerisce lidea che ci
sia un premio per il rischio maggiore per valori dello strike price K lontani dal
prezzo osservato del sottostante. Come notato in [1], in particolare il mercato
considera le previsioni del modello di Black-Scholes sbagliate: esse sottostimano la probabilit`a di grosse perdite e inoltre prevedono un aggiornamento
della volatilit`a futura anche in funzione della volatilit`a realizzata.

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

11

Figura 2.2: Schema esemplificativo della curva di volatilit`


a implicita per
opzioni europee con stessa scadenza. Source: img.tfd.com

Figura 2.3: Superficie di volatilit`


a implicita in funzione dello strike (moneyness) e del tempo mancante alla scadenza (time to maturity - TTM). Source:
www.fam.tuwien.ac.at

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

12

Derivando il prezzo di unopzione call si pu`o ottenere:


CM arket
CBS CBS I
=
+
0
K
K
v K
e si ricava una condizione sulla pendenza della curva della volatilit`a
implicita:
I
CBS /K

K
CBS /v
ed equivalentemente per le put:
PBS /K
I

K
PBS /v
Applicando la formula di Black-Scholes per il prezzo di opzioni put e call (2.5
e 2.6) si ottiene la limitazione:

2
I
2
2
2


(1 N(d2 ))er(T t)+d1 /2
N(d2 )er(T t)+d1 /2 .
K
x T t
x T t

Abbiamo quindi trovato un intervallo per la pendenza della curva volatilit`a


implicita su strike price per opzioni europee. Questa limitazione `e pi`
u debole
rispetto allipotesi del modello Black-Scholes per landamento del prezzo di
un titolo (2.2) che considera la volatilit`a come una costante. A questo punto
`e chiaro che per migliorare questo modello, un passo importante pu`o essere la
sostituzione di questa ipotesi con una pi`
u debole: vengono allora introdotti
dei modelli in cui la volatilit`a `e considerata variabile.

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

2.2

13

Principali Modelli a Volatilit`


a Stocastica

In questa sezione sono presentati i principali modelli a volatilit`a stocastica


presenti in letteratura. In particolare ci si sofferma sulle implicazioni che
questi modelli comportano sul prezzo dei titoli e, di conseguenza, sul prezzo
dei contratti derivati.

2.2.1

La volatilit`
a come variabile

Come discusso nella sezione precedente, per modellizzare pi`


u fedelmente il
mercato, lipotesi che considera la volatilit`a costante pu`o essere indebolita. Introduciamo allora una modifica del modello di Black-Scholes 2.2 che
preveda delle variazioni della volatilit`a nel processo di prezzo di un titolo:
dSt = St dt + v(t, St )St dWt

(2.16)

Lequazione che governa il prezzo di unopzione europea V pu`o essere sempre ottenuta utilizzando il metodo di valutazione della strategia di copertura
come per 2.7:

1
V
2V
V
+ v 2 (t, S)S 2 2 + r S
V =0
t
2
S
S
con r tasso di crescita del titolo privo di rischio come in 2.1.
La volatilit`a v(t, S) pu`o essere una funzione deterministica del tempo e
del sottostante: si pu`o dimostrare che il modello di mercato resta completo
ed esiste ununica misura di probabilit`a P neutrale al rischio, tale che il
processo di prezzo segua un moto Browniano geometrico con drift r:
dXt = rXt dt + v(t, Xt )Xt dWt
sia (Wt ) un moto Browniano sotto P .

I modelli con volatilit`a deterministica riescono a migliorare le previsioni


sui prezzi, ma devono essere basati su ipotesi che leghino la volatilit`a con il
tempo e con il prezzo.

Questa caratteristica `e parzialmente presente nel mercato e si possono


osservare elementi di tipo pseudo-deterministico (come per esempio una ciclicit`a temporale legata ai mesi dellanno). Le ipotesi su cui si basano questi

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

14

Figura 2.4: Esempio dellandamento storico della volatilit`


a (Dow Jones
STOXX 50 , Apr - Oct 2006)
modelli non sono generalizzabili, ma dipendono di volta in volta dal sottostante considerato. Per una generalizzazione, la volatilit`a implicita presente nel mercato pu`o essere approssimata con modelli di tipo stocastico o
di complessit`a superiore: questi modelli si sono mostrati affidabili e in linea
con il comportamento reale dei prezzi.

2.2.2

La volatilit`
a come processo stocastico

A differenza dei modelli precedenti, i modelli a volatilit`a stocastica, prevedono che la volatilit`a stessa segua un processo stocastico
(vt )t0

(2.17)

e il processo di prezzo del sottostante (Xt )t0 sia cos` caratterizzato :


dXt = Xt dt + vt Xt dWt

(2.18)

Perch`e il modello sia ben definito, il processo di volatilit`a 2.17 deve soddisfare certe condizioni di regolarit`a, ma non deve essere per forza un processo
di Ito: pu`o essere per esempio un processo di salto o una catena di Markov
e unimportante condizione perch`e rappresenti una volatilit`a `e:
(vt )t0 0

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

15

Una caratteristica importante dei modelli a volatilit`a stocastica `e che


il processo di volatilit`a non `e perfettamente correlato al moto browniano
(Wt ), quindi esiste nella volatilit`a un elemento di casualit`a indipendente
dallandamento del sottostante.
Una conseguenza importante di questa caratteristica `e che lipotesi di
completezza dei mercati, su cui si basa la teoria di Black-Scholes, non `e pi`
u
verificata.

2.2.3

Modelli a volatilit`
a stocastica

I principali modelli a volatilit`a stocastica presenti in letteratura si differenziano per le diverse caratterizzazioni del processo di volatilit`a (vt )t0 .
Tipicamente si approssima la volatilit`a con un processo di Ito che soddisfi unequazione differenziale stocastica guidata da un moto browniano e la
maggior parte dei modelli sono caratterizzati da mean-reversion.
In questa sezione caratterizziamo il processo di volatilit`a
vt = f (Yt )
dove f (y) > 0 y R.
Il processo (Yt ) seguir`a lequazione differenziale stocastica
dYt = (m Yt )dt + ...dZt

(2.19)

e (Zt )t0 moto browniano correlato con (Wt ) secondo il termine di correlazione tale che:
dt = hW, Zit

(2.20)

Si pu`o notare che il termine di drift (mYt ) indirizza Yt verso il valore di


lungo periodo m, mentre il termine stocastico esercita lazione di un rumore
casuale.
Il modello di Hull-White
Il modello proposto da Hull e White nel 1987 `e lunico che non presenta
mean-reversion. Il processo (Yt ) `e log-normale :
dYt = Yt dt + Yt dZt
con f (y) =

y e = 0.

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

16

I modelli di Scott e di Stein-Stein


Il modello proposto da Scott nel 1988 e quello di Stein-Stein del 1991 propongono la stessa equazione differenziale stocastica per (Yt ): il processo di
Ornstein-Uhlenbeck con mean-reversion.
dYt = (m Yt )dt + dZt
= 0 e propongono rispettivamente:
f (y) = ey
e
f (y) = |y|
I modelli di Ball-Roma e di Heston
Proposto nel 1994, il modello di Ball-Roma considera il processo di CoxIngersoll-Ross (CIR) per (Yt ):
p
dYt = (m Yt )dt + Yt dZt

con f (y) = y e = 0.
Il modello di Heston (1993) invece, `e il primo in letteratura che presenta
una correlazione 6= 0. Rispondendo alle stesse equazioni differenziali stocastiche del modello di Ball-Roma, il fatto di considerare una correlazione
non nulla tra le variazioni stocastiche del processo di prezzo e quelle del processo di volatilit`a (come definito in 2.20) risponde a delle esigenze empiriche.
In effetti questa correlazione `e osservabile nei mercati. Segno e intensit`a del
termine di correlazione possono dipendere dalla natura del titolo (equity,
commodity, etc...).

2.2.4

Distribuzione dei prezzi nei modelli a volatilit`


a
stocastica

Il principale effetto dei modelli a volatilit`a stocastica si ha nella valutazione


delle opzioni, in particolare quando nel payoff di queste assumono importanza rendimenti poco probabili (quando cio`e ci si trova nelle code). Le
differenze rispetto al modello di Black-Scholes sono dovute appunto al cambiamento della distribuzione di probabilit`a dei prezzi, che non `e pi`
u considerata
log-normale. Inoltre lintroduzione di un termine stocastico nella volatilit`a,
introduce un fattore aggiuntivo al rischio di prezzo: il rischio di volatilit`a.

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

17

Se nel modello Black-Scholes i prezzi hanno distribuzione log-normale, [4]


verifica che nel mercato i prezzi hanno distribuzione diversa e in particolare
presentano code pi`
u grasse.

In funzione dei parametri del modello, [1], [4] e [5] mostrano come la
distribuzione dei rendimenti possa essere modificata e modellata sulla distribuzione di mercato.

2.2.5

Il prezzo del rischio di volatilit`


a

Come visto precedentemente, i modelli a volatilit`a stocastica considerano i


mercati incompleti.
Nellambito del modello di Black-Scholes le opzioni europee possono essere
continuamente replicate, cio`e per ogni opzione europea esiste una strategia
di investimento in titoli sottostanti allopzione, che ne replichi il rendimento. Questa operazione (chiamata hedging) pu`o essere effettuata grazie alla
propriet`a di completezza dei mercati. La replicabilit`a dei portafogli `e infatti,
insieme al principio di non arbitraggio, necessaria per definire lequazione di
evoluzione dei prezzi dei titoli derivati 2.7.
Per i modelli a volatilit`a stocastica invece, landamento del prezzo dei
contratti derivati dipende da due sorgenti di rischio: il rischio di prezzo,
dovuto al processo stocastico (St )t0 , ed il rischio di volatilit`a, dovuto al
processo (vt )t0 .
[1], [3] e [6] mostrano che il prezzo di non arbitraggio di un contratto
derivato non `e unico, ma esistono diverse misure di martingala equivalenti
P al variare dei parametri del modello: a ciascuna di esse corrisponde un
diversi prezzo del contratto derivato. A diversi prezzi corrispondono diverse
valutazioni del cosiddetto rischio di volatilit`a.
Assumendo valido il principio di non arbitraggio, si pu`o derivare unequazione di evoluzione per il prezzo di un contratto derivato V (St , vt , t)
analoga a 2.7; si ricava [9]:
V
2V 1 2 2V
V
V 1 2 2 V
+ vS
+vS
+

v
+rS
rV
=
(k(v)
V)
t 2
S 2
vS 2
v 2
S
v
(2.21)

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

18

Figura 2.5: La distribuzione storica presenta una frequenza nelle code


maggiore della distribuzione log-normale

2. Da Black-Scholes ai modelli a volatilit`


a stocastica

19

dove = (St , vt , t) `e una funzione che rappresenta il prezzo di mercato


del rischio di volatilit`a.
In questo modo, il prezzo di ogni opzione non `e unico a priori ma pu`o
essere delimitato da due valori estremi ed entrambi ammissibili. Per esempio,
il prezzo VM odel di unopzione per i modelli a volatilit`a stocastica pu`o variare
tra:
VBS (vmin ) < VM odel < VBS (vmax )
se si possono assegnare dei limiti a vt [vmin , vmax ].
In particolare per ogni modello si pu`o individuare un insieme di parametri
ammissibili , in funzione dei quali si possono costruire diverse approssimazioni del mercato reale.
Nella pratica ci sono diversi modi per definire i parametri del modello,
i pi`
u comuni sono il metodo di massima verosimiglianza o il metodo dei
momenti, basato sui rendimenti storici del sottostante. Comunemente, e
soprattutto quando il modello ammette una formula chiusa, si stima il vettore
dei parametri a partire dai prezzi delle opzioni presenti nel mercato
mediante una minimizzazione ai minimi quadrati:
X
min
(VM odel (K, T ; ) VM arket (K, T ))2
(2.22)

dove VM odel (K, T ; ) per ogni opzione considerata corrisponde al valore


calcolato dal modello.

2.2.6

Bilancio sui modelli a volatilit`


a stocastica

Come mostrato, i modelli a volatilit`a stocastica sono considerati come un


miglioramento possibile al modello di Black-Scholes. Essi infatti non solo
replicano in maniera pi`
u verosimile il profilo della volatilit`a implicita ma, in
pratica, essi approssimano le fluttuazioni reali della volatilit`a dei contratti in
maniera realistica, sicuramente migliore del modello di riferimento a volatilit`a
costante.
Tra i modelli a volatilit`a stocastica, quello di Heston si distingue per
laggiunta di un termine di correlazione 6= 0,. Questo parametro costituisce
un elemento di maggiore informazione del mercato ma, come mostrato in
seguito, comporta una maggiore difficolt`a computazionale.

Capitolo 3
Il modello di Heston
Nel 1993 Heston propose per la prima volta un modello a volatilit`a stocastica
in cui i moti Browniani potessero essere correlati [5].
Lidea, suggerita forse dalle osservazioni del mercato, `e che landamento
della volatilit`a del prezzo di un titolo non sia del tutto indipendente dallandamento del prezzo stesso. Per esempio per i titoli azionari `e facile pensare
che la volatilit`a aumenti quando il titolo si deprezza. Spesso infatti [3] in un
momento di deprezzamento del titolo si riscontra una situazione di incertezza
del mercato rispetto al futuro della societ`a quotata. Analogamente, per le
commodities si pu`o pensare che il mercato consideri pi`
u incerta la situazione
quando prezzo si alza (si pensi per esempio ai casi del petrolio o delloro).
Si pu`o quindi assumere irrealistica lipotesi di non correlazione tra i due
moti Browniani che caratterizzano i processi di prezzo e di volatilit`a di un
titolo sottostante in un modello a volatilit`a stocastica, come definito in 2.18
[5].

3.1

Descrizione del modello

Landamento del processo di prezzo di un titolo (St )t0 e della sua volatilit`a
(vt )t0 nel modello di Heston sono cos` caratterizzati:

vt St dWt

dvt = k( vt )dt + vt dZt


dSt = St dt +

(3.1)
(3.2)

con dt = hW, Zit correlazione tra i moti Browniani, , , k, e costanti.

20

3. Il modello di Heston

21

Il processo di prezzo
Analogamente a quanto visto precedentemente per il processo di prezzo nel
modello di Black-Scholes 2.2, il termine St dt in 3.1 rappresenta la direzione
di crescita (drift) del prezzo del titolo St . Lelemento stocastico infatti

vt St dWt `e simmetrico con media 0; si ha quindi che


 
E dSt = St dt

Il drift rappresenta il rendimento medio istantaneo o termine di deriva


=E

h dS i
t

St dt

Come visto per gli altri modelli a volatilit`a stocastica, quello che cambia
`e la distribuzione di probabilit`a del rendimento. Soprattutto per valori estremi (quindi quando ci si trova nelle code) essa `e significativamente legata
al processo di volatilit`a 3.2.
Il processo di volatilit`
a
Lequazione 3.2 che regola landamento del processo di volatilit`a 2.17 `e composta anchessa da un termine deterministico
dvtDET = k( vt )dt

(3.3)

a cui si somma il termine stocastico

dvtST OC = vt dZt .

(3.4)

In analogia con un sistema fisico, lequazione 3.2 potrebbe descrivere il


comportamento di una molla nel tempo (dvtDET ), su cui viene applicato un
disturbo casuale di tipo stocastico (dvtST OC ):
dvt = dvtDET + dvtST OC

3. Il modello di Heston

22

Figura 3.1: La curva di volatilit`


a parte dal valore iniziale considerato noto e
tende asintoticamente al valore di . Al variare del parametro k cambia la
velocit`a di aggiornamento.
Analizzando il primo addendo 3.3 si pu`o notare come questo porti la
volatilit`a ad oscillare intorno al valore medio , che per questo viene chiamato
volatilit`a di lungo termine o long-term volatility. Il valore del fattore k,
invece, indica la velocit`a di questa oscillazione e ne determina la frequenza:
si ha che k1 corrisponde al periodo delloscillazione stessa. Per questo motivo
k viene chiamato in letteratura reversion speed.
I parametri k e in 3.3 possono essere anche interpretati guardando il
profilo della curva di volatilit`a implicita. Per ogni prezzo di esercizio, la
volatilit`a di lungo termine rappresenta il valore asintotico della volatilit`a
e k rappresenta la velocit`a con cui la volatilit`a implicita si avvicina a , a
partire dal valore iniziale.

Nel termine stocastico 3.4, il parametro di riferimento `e (la cosiddetta


volatility of volatility), questo indica appunto lintensit`a del disturbo generato
da dZt . Per esempio per = 0 la volatilit`a diventa deterministica, mentre
per  0 il termine deterministico dvtDET diventa trascurabile rispetto a
dvtST OC .

3.1.1

Distribuzione dei rendimenti

Rispetto alla distribuzione log-normale dei rendimenti proposta da BlackScholes (2.4), il modello di Heston permette di adattare questa distribuzione

3. Il modello di Heston

23

Figura 3.2: Effetto del parametro sulla distribuzione del prezzo

Figura 3.3: Effetto del parametro sul prezzo di unopzione call europea
a quella osservata nel mercato, in particolare approssimandone non solo i
momenti primo e secondo (media e varianza) ma anche skewness (momento
terzo) e kurtosis (momento quarto). Da questo punto di vista si pu`o capire
a cosa deve il modello di Heston le sue migliori capacit`a predittive.
Il termine di correlazione ha un effetto diretto sulla skewness della
distribuzione dei rendimenti, cio`e quando 6= 0 la distribuzione logaritmica
diventa asimmetrica.

Come mostrato dallo stesso Heston, questa caratteristica ha delle implicazioni dirette sul prezzo delle opzioni e si pu`o facilmente verificarne
graficamente limpatto.

3. Il modello di Heston

24

Figura 3.4: Effetto del parametro sulla distribuzione del prezzo

Figura 3.5: Effetto del parametro sul prezzo di unopzione call europea
Cos` come il parametro di correlazione influisce sul momento terzo della distribuzione dei rendimenti logaritmici, allo steso modo il parametro
modella il momento quarto, influendo sullo spessore delle code.

Il parametro , cambiando la probabilit`a degli eventi cosiddetti rari, pu`o


influire significativamente sul prezzo delle opzioni europee.

3.1.2

Incompletezza dei mercati e rischio di volatilit`


a

Come introdotto nella sezione dedicata ai modelli a volatilit`a stocastica, anche per il modello di Heston landamento di ogni opzione dipende da due

3. Il modello di Heston

25

sorgenti di rischio: il rischio di prezzo dovuto al processo stocastico (St )t0 e


il rischio di volatilit`a dovuto al processo (vt )t0 .
Seguendo limpostazione precedentemente introdotta, lequazione 2.21
per il prezzo di un contratto derivato V (St , vt , t) `e:
V
2V 1 2 2V
V
V 1 2 2 V
+ vS
+

v
rV
=
(k(v)
V)
+vS
+rS
t 2
S 2
vS 2
v 2
S
v

con = (S, v, t) prezzo di mercato del rischio di volatilit`a. Questo


rappresenta la parte del prezzo V dovuta al rischio legato al processo di
volatilit`a (vt )t0 . Heston assume che questo prezzo sia proporzionale alla
volatilit`a stessa:

c > 0 : (S, v, t) = c V

(S, v, t) V = cV (S, v, t)

Il parametro (S, v, t) `e nella pratica impossibile da stimare [9] ma il


problema pu`o essere aggirato grazie alla natura parametrica del modello e lo
si pu`o affrontare con un approccio neutrale al rischio.
Il prezzo di unopzione pu`o essere calcolato come il valore scontato del
suo rendimento atteso sotto una misura di martingala equivalente Qi :
Vt = EtQi [er(T t) H(T )]

(3.5)

con H(T ) payoff a scadenza dellopzione. Ad ogni prezzo del rischio di


volatilit`a i , corrisponde una misura di martingala equivalente Qi per cui
vale 3.5. Il cambio di misura rispetto alla misura di probabilit`a reale P `e
funzione di i (S, v, t) e, grazie allapplicazione del teorema di Girsanov, si
ottiene:
dWtQi = dWtP + (i )t dt
dZtQi = dZtP + i (S, v, t)

dWtP e dZtP sono i processi di Weiner presenti in 3.1 e 3.2 sotto la misura
di probabilit`a reale P. dWtQi e dZtQi sono gli stessi processi sotto la misura
di martingala equivalente Qi riferita al prezzo del rischio di volatilit`a i .

3. Il modello di Heston

 1
dQi
= exp
dP
2

26

((i )2s +i (S, v, s)2 )ds

Z
(i )s dWsP

i (S, v, s)dZsP

r
(i )t =
vt
Si ottiene che il cambio di misura (da quella reale P a quella di martingala
equivalente Qi ) ha effetti sui parametri k e del modello. Sotto una misura
Qi il modello di Heston diventa:

vt St dWtQi

dvt = ki (i vt )dt + vt dZtQi


dSt = St dt +

con dt = hW Qi , Z Qi it
ki = k + i
ki
i =
ki +
Si ha quindi che per ogni prezzo del rischio di volatilit`a corrisponde un
diverso set di parametri i .
Questo fenomeno `e direttamente legato allincompletezza dei mercati nei
modelli a volatilit`a stocastica ma lesistenza di una forma chiusa per il prezzo delle opzioni europee e la natura parametrica del modello di Heston ci
sono daiuto. Come vedremo in seguito una via per risolvere questa indeterminatezza dei parametri pu`o essere percorsa mediante unoperazione di
approssimazione del mercato, che prende il nome di calibrazione.
Il cambio di misura ci permette di riscrivere lequazione che governa il
prezzo delle opzioni 2.21:
2V
1 2 2V
V
V
V 1 2 2 V
+ vS
+vS
+
v 2 +rS
rV = ki (vi )
(3.6)
2
t 2
S
vS 2
v
S
v
Per semplicit`a di notazione, da questo momento considereremo noto il set
di parametri i del modello neutrale al rischio e ometteremo il pedice i

3. Il modello di Heston

3.1.3

27

Prezzo di unopzione europea

Il modello di Heston presenta una soluzione in forma chiusa solo per i contratti di tipo europeo. In questa sezione si ripercorre la ricerca del prezzo
di unopzione europea di tipo call e si rinvia a [4] per approfondimenti. Il
metodo utilizzato `e quello delle Trasformate di Fourier applicato al nostro
modello, come caso particolare di un processo affine di diffusione senza salti.
Fissando
x(t) = ln

 F (t, T ) 
K

con F (t, T ) il prezzo forward del titolo sottostante e chiamando C il prezzo


dellopzione a scadenza (che equivale al payoff ) si pu`o derivare dallequazione
3.6 per = (T t):
1
1
1
C + v(t)Cxx + v(t)Cx + 2 v(t)Cvv + vCxv + k( v(t))Cv = 0 (3.7)
2
2
2
considerando i pedici come derivate parziali di C: C? =
vincolo a scadenza:
C(x, v, 0) = max(0, K(ex 1))

C
?

e sotto il

(3.8)

La soluzione di 3.7 sotto 3.8 non `e a priori nota e, per analogia con il modello
di Black-Scholes, si cerca una soluzione del tipo:
C(x, v, ) = ex P1 (x, v, ) P0 (x, v, )

(3.9)

dove il primo termine rappresenta la pseudo-aspettativa del valore finale del


sottostante nel caso in cui lopzione scadr`a in-the-money e il secondo termine
rappresenta la pseudo-probabilit`a di esercizio.
Sostituendo la 3.9 in 3.7 si ottiene che i due termini P0 e P1 devono
soddisfare:
1
1
1
(Pj ) + v(Pj )xx +( j)v(Pj )x + 2 v(Pj )vv +v(Pj )xv +(abj v)(Pj )v = 0
2
2
2
(3.10)

3. Il modello di Heston

28

per j = 0, 1 e dove
a = k
v
bj = k j

(3.11)

lim 0 Pj (x, v, ) = I(0,) (x) (x)

(3.12)

sotto la condizione finale:

Definiamo per Pj la Trasformata di Fourier:


Z
Pj (u, v, ) =
eiku Pj (x, v, )dx

allora per 3.12


Pj (u, v, 0) =

eiux (x)dx =

1
.
iu

La Trasformata Inversa o Antitrasformata di Fourier va allora cos` definita:


Z

Pj (x, v, ) =

eiux
Pj (u, v, )du.
2

(3.13)

Sostituendo in 3.10 si ottiene:


1
1
1
(Pj ) ( u2 v + ( j)iuv)Pj + 2 v(Pj )vv + (iuv + a bj v)(Pj )v = 0
2
2
2
(3.14)
Definiamo allora:
u2 iu
=
+ iju
2
2
= k j iu
=
Lequazione 3.14 diventa:

2
2

3. Il modello di Heston

29



v Pj (Pj )v + (Pj )vv + a(Pj )v (Pj ) = 0

(3.15)

Sostituendo Pj cos` composta:


Pj (u, v, ) = exp[C(u, )
v + D(u, )v]Pj (u, v, 0)
1
v + D(u, )v]
Pj (u, v, ) = exp[C(u, )
iu
si possono trovare le derivate parziali di Pj :

(3.16)

(Pj ) = (
v C + vD )Pj
(Pj )v = DPj
(Pj )vv = D2 Pj
Lequazione 3.15 `e verificata se le derivate parziali C e D soddisfano:
C = kD
D = D + D2 = (D r+ )(D r ),
dove definiamo

r =

p
2 4
d

.
2
2

Integrando allora le derivate con condizione iniziale C(u, 0) = D(u, 0) =


0, si trova una forma per le funzioni ausiliarie C e D:

2
1 gedr 
)
C(u, ) = u r 2 ln(

1g
D(u, ) = r
dove si definisce g

1 edr
1 g dr

(3.17)
(3.18)

r
.
r+

Ricordando che date le funzioni C e D, le funzioni Pj sono note dalla


formula 3.16, possiamo utilizzare lantitrasformata di Fourier definita in 3.13
per trovare i valori delle funzioni Pj iniziali:
Z
1 1
eCj (u, )+Dj (u, )v+iux
Pj (x, v, ) = +
Re[
]du
(3.19)
2 0
iu

3. Il modello di Heston

30

Si pu`o notare che Cj (u, ) e Dj (u, ) sono delle funzioni indipendenti da


x e da v, e il calcolo delle derivate `e cos` semplificato.
La forma chiusa ottenuta sostituendo in 3.9 i valori trovati in 3.19 `e esatta,
ma la sua integrazione pu`o essere realizzata solo tramite metodi numerici. Di
conseguenza il calcolo del prezzo di unopzione di tipo europeo `e nella pratica
approssimato e per una maggiore precisione nel prezzo sar`a necessario un
maggiore tempo di calcolo.
Prezzo di altri contratti
A differenza delle opzioni europee, non esistono altri contratti per cui il modello di Heston fornisca una soluzione esatta. Il metodo allora pi`
u comunemente utilizzato per prezzare questo tipo di contratti `e il metodo MonteCarlo. Lassenza di forme chiuse per il prezzo dei contratti esotici e lutilizzo di metodi probabilistici assegnano un ruolo fondamentale alla fase di
programmazione.

3.2

Implementazione

Limplementazione del modello di Heston `e una delle maggiori difficolt`a legate


al suo utilizzo. In essa convergono problemi di natura finanziaria, matematica
e numerica.
Per utilizzare il modello di Heston nel pricing di opzioni con metodi
Monte-Carlo `e necessario svolgere due operazioni fondamentali:
La calibrazione del modello
Limplementazione dello step Monte-Carlo

Questi due elementi possono essere trattati separatamente anche se, ovviamente, unerrata calibrazione porta a delle simulazioni Monte-Carlo errate
sullandamento dei prezzi e delle volatilit`a. Nel seguito di questa sezione si
pongono i due problemi e si suggeriscono diverse vie realistiche per risolverli. Nel capitolo successivo invece si intraprender`a una via per limplementazione dello step Monte-Carlo per la simulazione dellandamento dei prezzi
e si analizzer`a nel dettaglio una via risolutiva.

3.2.1

Calibrazione del modello

Nonostante le giustificazioni teoriche allutilizzo del modello di Heston rispetto agli altri modelli a volatilit`a stocastica, il successo o insuccesso nel suo uti-

3. Il modello di Heston

31

lizzo `e determinato dalle difficolt`a computazionali implicite nella calibrazione.


Come gi`a visto nella sezione precedente, il modello di Heston prevede
che il processo di prezzo di un titolo (St )t0 e il processo della sua volatilit`a
(vt )t0 seguano le leggi 3.1 e 3.2 in cui intervengono dei parametri , k, , ,
considerati costanti.
Il valore di questi parametri non `e direttamente osservabile nel mercato:
si pensi ai diversi cambi di probabilit`a proposti in 3.5.
Loperazione di calibrazione consiste nel determinare i parametri necessari
al modello per poter inizializzare le simulazioni di tipo Monte-Carlo. Per ogni
sottostante si hanno dunque sette variabili incognite: i cinque parametri
relativi alle leggi di evoluzione, , k, , e , e i due valori iniziali di prezzo
e volatilit`a S0 e v0 .
Come si pu`o facilmente immaginare, il prezzo iniziale del titolo S0 `e direttamente osservabile nel mercato come il parametro di drift del prezzo
che, per argomenti di non arbitraggio, `e univocamente definito per tutti i
titoli [8].
La dimensione del vettori di parametri cercati si riduce allora a cinque
e quest`a sar`a per noi la dimensione del problema di calibrazione del modello.
Per il modello di Heston si stima linsieme dei parametri , a partire
dai prezzi delle opzioni europee presenti nel mercato mediante una minimizzazione ai minimi quadrati [3] , [6] come in 2.22.
Questo metodo pu`o essere affinato dando dei pesi alle opzioni su cui si `e
deciso di calibrarlo in modo da dare per esempio pi`
u importanza alle opzioni
pi`
u liquide sul mercato:

min

n
X

2
wi ViM odel (S, v, i , Ki ; ) ViM arket (S, v, i , Ki )

(3.20)

i=1

sia n il numero di opzioni usate per la calibrazione.


I pesi wi 0 possono essere definiti in diversi modi, alcuni esempi sono:
wi =

1
(bidprice)i (askprice)i
wi =

1
| Ki S 0 + 1 |

wi = (openinterests)i
wi = w(Ki , i ; ...)

3. Il modello di Heston

32

In tutti i precedenti casi linteresse `e quello di dare pi`


u importanza alle
opzioni pi`
u scambiate nel mercato, perch`e il prezzo non sia deviato da altri
fenomeni come la mancanza di liquidit`a.
Definita come in 3.20, e indipendentemente dalla scelta dei pesi, la calibrazione `e di fatto assimilabile ad un problema di minimizzazione in cinque
dimensioni. Il problema `e una minimizzazione ai minimi quadrati pesati delle
differenze di prezzo tra i prezzi ottenuti dal modello ViM odel e i prezzi osservati
nel mercato ViM arket .
Un modo teoricamente equivalente di affrontare la calibrazione `e di approssimare con il modello la curva di volatilit`a implicita osservabile nel mercato. Definendo I(Vi ) la volatilit`a implicita di unopzione, si ha che il problema
di minimizzazione diventa:

min

n
X

2
wi I(ViM odel (S, v, i , Ki ; )) I(ViM arket (S, v, i , Ki ))

(3.21)

i=1

Per entrambi gli approcci si ha quindi questo problema di minimizzazione:


min f ()

(3.22)

con = (v0 ; , k, , ) e sotto le condizioni :


v0 0
0
k0
0
1 +1

(3.23)

`e linsieme dei ammissibili


= R5
allora la funzione da minimizzare, o funzione obiettivo
f () : 7 R+
viene chiamata energia ed `e sempre positiva perch`e somma di termini
positivi.

3. Il modello di Heston

33

Il problema di minimizzazione non `e banale in quanto la funzione obiettivo f () non pu`o essere a priori caratterizzata in alcun modo: essa pu`o
avere diversi minimi locali [3] e la ricerca di un minimo globale pi`
u essere
computazionalmente lunga (nessun algoritmo pu`o a priori trovare il minimo
globale in un tempo finito).
[3] e [6] propongono diversi metodi di ricerca del minimo: steepest descent,
gradiente e gradiente coniugato ma anche algoritmi stocastici e algoritmi genetici. La preferenza di un metodo rispetto a un altro pu`o dipendere da
diversi fattori tra cui molto influente `e la frequenza di aggiornamento dei
parametri, e si pu`o ipotizzare di alternare i diversi metodi. Per esempio
nel caso in cui si supponga di aver trovato un minimo globale, ci si pu`o
aspettare che, in un periodo di tempo breve e in assenza di fenomeni catastrofici sul mercato, esso evolva in un intorno relativamente piccolo del punto
di partenza.
Entrambi gli approcci al problema della calibrazione (minimizzazione sui
prezzi 3.20 o sulle volatilit`a implicite 3.21) si basano sul fatto che il modello
di Heston `e capace di prezzare in forma esatta i prezzi delle opzioni europee
secondo la formula 3.9. Si vede allora come la precisione nellintegrazione
numerica dellantitrasformata di Fourier in 3.19 influisca sulla calibrazione;
in particolare la precisione di questo calcolo influisce in modo significativo
sulleventuale calcolo delle derivate della funzione obiettivo, necessario per
poter eseguire molti algoritmi di minimizzazione numerica.

3.2.2

Simulazione dellandamento dei prezzi

Landamento del prezzo di un titolo nel framework di Heston e la distribuzione


dei rendimenti non possono essere calcolati in modo esatto. Per effettuare il
pricing di contratti derivati si utilizzano allora le tecniche Monte-Carlo.
Il metodo Monte-Carlo consiste nel simulare molti cammini delle variabili
di stato, nel nostro caso il prezzo del titolo St e la sua volatilit`a vt , per poi
associare ad ogni cammino trovato il rendimento del titolo derivato che si
vuole prezzare relativo a quel cammino: per il Teorema Centrale del Limite, si
pu`o dimostrare che con laumentare del numero di cammini generati aumenta
la precisione del risultato. Questo tipo di simulazione viene chiamato cos`
perch`e per la prima volta fu utilizzato per dimostrare liniquit`a dei giochi
dazzardo proposti nei casin`o, di cui la citt`a di Monte-Carlo `e una degna
rappresentante.
Per effettuare delle simulazioni di questo tipo per il modello di Heston
descritto da 3.1 e 3.2, esistono in letteratura diversi approcci possibili, che si
differenziano per la qualit`a delle approssimazioni effettuate che hanno uninfluenza diretta sulla velocit`a di convergenza del metodo. Di seguito ne intro-

3. Il modello di Heston

34

durremo alcuni, e nel prossimo capitolo, analizzeremo nel dettaglio uno di


questi metodi.
Discretizzazione di Eulero
Il metodo di discretizzazione di Eulero `e considerato lapproccio pi`
u semplice.
Per ogni cammino si effettua una partizione dellorizzonte temporale [0, T ] in
M periodi di durata costante t. Fissando:
[0 = t0 < t1 < tM = T ]
iT
, i = 0, 1, , M
M
la discretizzazione per il processo di prezzo (St )t0 `e:
ti =

Sti = Sti1 + Sti1 t +

vti1 Sti1 Wti

(3.24)

e per il processo di volatilit`a (vt )t0 :


vti = Vti1 + k( Vti1 )t +

vti1 Zti

(3.25)

con Wti = Wti Wti1 e Zti = Zti Zti1 .


Per simulare gli incrementi dei moti Browniani Wti e Zti si sfrutta la
propriet`a di indipendenza degli incrementi nel tempo e si rispetta il vincolo
di correlazione:
dt = hW, Zit

sapendo che ogni incremento `e lestrazione


di una variabile casuale nor
male di media 0 e deviazione standard t.
Il metodo di discretizzazione di Eulero `e di comprensione immediata e
semplice da implementare, ma comporta un problema di non poco conto: il
valore della volatilit`a pu`o raggiungere con probabilit`a non nulla un valore
negativo, contrariamente alla sua definizione. Due approcci sono stati proposti in letteratura per aggirare questo problema: il primo, chiamato metodo
di troncamento, prevede di considerare nulla la volatilit`a in caso di valori
negativi; il secondo, chiamato metodo di specularit`
a, consiglia di considerarne solo il valore assoluto. Entrambi i metodi vengono utilizzati pur non
avendo una giustificazione teorica e non comportano grandi deviazioni nei
risultati delle simulazioni.

3. Il modello di Heston

35

Schema di Broadie-Kaya
Questo schema di calcolo dello step Monte-Carlo si basa sulla possibilit`a
di avere dei valori esatti delle distribuzioni di probabilit`a del prezzo del
sottostante e della sua volatilit`a ad ogni incremento discreto di tempo.
Per ogni intervallo di tempo t = (ti1 , ti ) si ha:
Z
Z



1
vs ds +
vs dWs
(3.26)
Sti = Sti1 exp t
2 t
t
e
Z
Z

vti = vti1 + kt k
vs ds +
vs dZs .
(3.27)
t

Come vedremo nel capitolo seguente, questo schema offre in effetti una
soluzione esatta per la simulazione di uno step Monte-Carlo, ma il calcolo degli integrali sulla volatilit`a `e un problema molto complicato a livello
numerico e la soluzione pu`o essere fornita solo in maniera approssimata.
Schemi di Kahl-Jackel e di Andersen
Le difficolt`a implementative dello schema proposto da Broadie-Kaya hanno
stimolato la ricerca di altri metodi per la soluzione di un passo per le simulazioni Monte-Carlo che, pur approssimando i risultati, fossero pi`
u efficienti e
pi`
u accurati rispetto allapprossimazione lineare di Eulero. In letteratura un
altro metodo viene spesso citato: lo schema di Kahl-Jackel. Esso consiste nel
considerare unapprossimazione di secondo grado dei processi di prezzo e di
volatilit`a. Esistono anche altre soluzioni intermedie, per esempio utilizzando
la simulazione esatta di Broadie-Kaya 3.27 per il processo di prezzo (St )t0 e
invece approssimando il processo di volatilit`a (vt )t0 con il metodo di Eulero
3.25.
Un nuovo metodo utilizzabile `e stato proposto da Andersen nel Gennaio
2007 [10] e considera unapprossimazione della volatilit`a che utilizzi delle variabili gaussiane. Queste distribuzioni di probabilit`a vengono modellate sulle
distribuzioni teoriche, variandone i momenti della funzione di probabilit`a.
La scelta di un metodo migliore
In definitiva i due metodi principali proposti in letteratura, metodo di approssimazione di Eulero e schema di Broadie-Kaya, offrono due vie risolutive
opposte. Se al metodo di Eulero corrisponde un livello di approssimazione
inferiore a parit`a di passo temporale t rispetto alla soluzione esatta di
Broadie-Kaya, esso permette una rapidit`a di calcolo altamente maggiore al

3. Il modello di Heston

36

punto di potere competere riducendo la dimensione dello step temporale.


Gli altri metodi rappresentano delle vie intermedie e ogni soluzione proposta
offre dei risultati validi.
La scelta di un metodo per la simulazione dello step Monte-Carlo per
il modello di Heston `e allora dipendente dalle necessit`a degli utilizzatori: a
seconda degli scopi si pu`o prediligere una maggiore precisione a scapito della
velocit`a di calcolo o viceversa. In pratica, limplementazione dello schema
di Bradie-Kaya, che corrisponde al metodo con precisione maggiore, `e comunque importante per poter verificare la bont`a del modello che si vuole
utilizzare. Per questo motivo, una buona implementazione del metodo esatto `e fondamentale per avere un controllo della qualit`a delle approssimazioni
utilizzate, controllo necessario non solo per motivi scientifici ma anche, almeno in Europa, per ragioni legislative. Un check della qualit`a dei prezzi
trovati `e obbligatorio qualora lattivit`a di pricing sia svolta per finalit`a diverse da quelle accademiche, come la compravendita di strumenti finanziari
e la valutazione a bilancio delle attivit`a o passivit`a presenti nei portafogli
delle istituzioni finanziarie.

3.3

Vantaggi e svantaggi del modello di Heston

Come visto in questo capitolo il modello di Heston `e tra i modelli a volatilit`a


stocastica quello che, almeno a livello teorico, `e in grado di approssimare
meglio landamento di prezzi nel mercato. La sua applicazione comporta
per`o alcune problematiche rilevanti: la difficolt`a computazionale del calcolo
del prezzo dei contratti plain vanilla di tipo europeo, lassenza di forme
chiuse per contratti non europei, la necessit`a dellutilizzo di metodi MonteCarlo da cui nasce il bisogno di una complessa calibrazione del modello a
cinque dimensioni.
Tutti questi aspetti rendono spesso preferibile lutilizzo di altri modelli che
approssimano landamento del mercato tra cui, per esempio, si `e fatto strada
il modello SABR. Questi modelli, pur non essendo teoricamente preferibili al
modello di Heston, restano dei buoni strumenti alternativi per il pricing dei
prodotti finanziari strutturati.
[6] segnala inoltre le difficolt`a predittive del modello di Heston per periodi
brevi e propone lutilizzo di modelli pi`
u complessi, comprendenti la possibilit`a
di salti nel processo di volatilit`a.
Nel capitolo seguente vengono quindi mostrate le principali problematiche
relative alla simulazione con metodi Monte-Carlo dellandamento dei prezzi

3. Il modello di Heston

37

nel framework di Heston. In particolare verr`a posta lattenzione sulla necessit`a del controllo dellerrore che, allinterno dello schema di simulazione
Monte-Carlo, rischia di sommarsi ad ogni passo allerrore precedentemente
accumulato e che quindi pu`o portare a valori significativamente diversi da
quelli teorici.

Capitolo 4
Simulazione con metodi
Monte-Carlo
Lattivit`a di pricing di strumenti finanziari derivati richiede nel framework
del modello di Heston lutilizzo di metodi probabilistici di tipo Monte-Carlo.
Landamento del prezzo dei titoli sottostanti pu`o essere simulato secondo
diversi schemi, presentati nel capitolo precedente, che per loro natura impongono una simulazione molto precisa e soprattutto un controllo dellerrore
di calcolo.
Dopo aver introdotto i metodi Monte-Carlo, in questo capitolo vediamo come simulare landamento di prezzo di un titolo secondo lo schema
di Broadie-Kaya: sono affrontate le principali problematiche implementative
e viene proposta una via risolutiva.

4.1

I metodi Monte-Carlo

In finanza i metodi Monte-Carlo sono comunemente usati quando si ha


il bisogno di calcolare il valor medio di una funzione f (x) data nota la
distribuzione di densit`a dellargomento (x) con x Rn :
Z
v = E(x) [f (x)] = f (x)(x)dxn
(4.1)

4.1.1

Lalgoritmo di calcolo

Lalgoritmo di simuzione Monte-Carlo `e quindi il seguente:


Stabilire una procedura per estrarre dei valori della variabile x dalla funzione di densit`a (x)
Inizializzare a 0 una variabile Somma, una variabile Media ed un contatore
38

4. Simulazione con metodi Monte-Carlo

39

intero i.
Estrarre un vettore xi e calcolare il valore della funzione fi (xi )
Aggiungere il valore calcolato a Somma
Incrementare di 1 il contatore i
Calcolare la Media = Somma / i
Ripetere le iterazioni fino a che si verifichi la condizione di arresto: raggiunto un numero di iterazioni massime o raggiunta la precisione desiderata
Al termine della procedura, dopo N iterazioni, lalgoritmo fornisce dunque
una stima del valore cercato v definita dallo stimatore:
N
1 X
f (xi )
vbN :=
N i=1

(4.2)

E importante il controllo dellerrore che si compie con tale stima, esso


converge a zero grazie al Teorema Centrale del Limite.

4.1.2

Teorema Centrale del Limite

Data una sequenza di variabili aleatorie indipendenti ed identicamente distribuite i con:


E[i ] =
V ar[i ] =
definendo:
Sn :=

n
X

i=1

allora per n crescente la variabile Xn


Xn :=

Sn n

converge in probabilit`a alla distribuzione di una variabile normale standard:


Xn N(0, 1)

4. Simulazione con metodi Monte-Carlo

4.1.3

40

Controllo dellerrore

Il Teorema Centrale del Limite ci d`a una stima dellerrore commesso utilizzando lalgoritmo di simulazione Monte-Carlo arrestato allN -esimo ciclo.
Assumendo costante la varianza di ogni simulazione 2 , si ottiene:


vbN N ,
N
Si ottiene allora che lerrore
di approssimazione al passo N , N , `e inver
samente proporzionale a N :
1
N
N
e inoltre ricordando che il valore cercato v `e la media di ogni simulazione,
cio`e v = si ottiene la convergenza dei metodi Monte-Carlo:
lim vbN = = v

Arrestandosi ad un passo N sufficientemente grande, i metodi MonteCarlo offrono una stima del valore cercato v che pu`o essere considerata come
una realizzazione della variabile aleatoria vN = N(v, N ).
Il controllo dellerrore `e quindi ottenibile per via statistica a partire dalla
varianza di ogni singola simulazione 2 che, a seconda dei casi, pu`o essere pi`
u
o meno facile da valutare ma che nella maggior parte delle simulazioni pu`o
2
> 2 in modo
essere limitata superiormente da un valore di controllo max
da ottenere un limite superiore in probabilit`a dellerrore N .
Una comune via per risolvere questo problema consiste nel considerare
2
calcolata secondo la definizione di varianza,
la varianza delle simulazioni
bN
quindi:
2

bN
=

N
1 X

i=1

N
 1 X
2
vi2
vi
N i=1

si considera quindi lerrore standard b


N

bN
b
N =
N
questa valutazione fornisce unindicazione utile che non garantisce un
limite allerrore realmente ottenuto ma che viene spesso utilizzata per definire
la condizione di arresto delle simulazioni Monte-Carlo.

4. Simulazione con metodi Monte-Carlo

4.2

41

Implementazione dello schema di Broadie


e Kaya

In questa sezione sviluppiamo lo svolgimento dello schema di calcolo proposto nel 2004 da Mark Broadie e Ozgur Kaya della Columbia University
[6]. Utilizzando il metodo Monte-Carlo essi propongono una via per simulare
landamento di prezzo di un titolo nel framework del modello di Heston.
Partendo dalle equazioni descrittive del modello 3.1 e 3.2 essi propongono
un algoritmo di simulazione esatta, dove con questo aggettivo si intende
che le distribuzioni di probabilit`a del prezzo e della sua volatilit`a da cui
si estraggono i valori per le simulazioni Monte-Carlo (come definito in 4.1)
sono calcolate in maniera esatta. La difficolt`a implicita nel volere calcolare
per via esatta queste distribuzioni consiste nel fatto che la distribuzione di
probabilit`a del processo di prezzo (St )t0 `e legata allandamento del processo
di volatilit`a nel tempo (vt )t0 .
Riprendendo le equazioni descrittive 3.1 e 3.2, esse possono essere riscritte
esplicitando il parametro di correlazione tra i moti browniani:
dSt = St dt +

(1)

vt St [dWt

dvt = k( vt )dt +

(1)

p
(2)
1 2 dWt ]

(4.3)

(1)
vt dWt

(4.4)

(2)

con (Ws )s0 e (Ws )s0 moti browniani standard indipendenti.


Il metodo di simulazione esatta del processo di prezzo si basa quindi sulla
soluzione dellequazione 4.3. Considerando noti ad un tempo fissato u il
prezzo Su e la volatilit`a vu si pu`o avere per ogni tempo t u la legge per il
prezzo del titolo St :

1
St = Su exp (t u)
2

Z
vs ds +

vs dWs(1)

vs dWs(2)

(4.5)

La volatilit`a al tempo t, vt , `e anchessa ricavabile da:


Z t
Z t

vt = vu + k(t u) k
vs ds +
vs dWs(1)
u

(4.6)

4. Simulazione con metodi Monte-Carlo

42

Per risolvere con un metodo Monte-Carlo il problema di pricing di contratti derivati con un titolo sottostante che segua le leggi del modello di
Heston (4.3 e 4.4) bisogna essere in grado di estrarre dei valori St e vt partendo dai valori noti Su e vu utilizzando le equazioni 4.5 e 4.6 e per ogni
ciclo di simulazione si utilizzeranno diverse realizzazioni dei termini stocas(1)
(2)
tici legati ai moti browniani (Ws )s0 e (Ws )s0 .
La simulazione esatta del modello di Heston secondo le schema di Broadie
e Kaya comporta i seguenti passi:
Generare una realizzazione della distribuzione di Rvt , noto vu
t
Generare una realizzazione della distribuzione di u vs ds, noti vu e vt
Rt
Rt
(1)
Calcolare u vs dWs , noti vu , vt e u vs ds
Rt
Rt
(1)
Generare una realizzazione della distribuzione di St , noti u vs ds e u vs dWs

4.2.1

Architettura implementativa

Ognuna delle operazioni proposte nello schema di Broadie e Kaya deve essere
ripetuta ad ogni passo per ogni ciclo di simulazione Monte-Carlo. Dal punto
di vista della programmazione abbiamo deciso di definire una funzione Step
MC. Lo scopo di tale funzione `e quella di svolgere un ciclo dellalgoritmo
di Broadie e Kaya, essa quindi fornir`a in uscita una realizzazione delle distribuzioni di prezzo e di volatilit`a:
(St , vt ) = Step MC (Su , vu ; , k, , , ; (t u))
i parametri , k, , e potrebbero essere omessi in quanto considerati
costanti per ogni titolo. Linteresse per`o `e quello di fornire un metodo che
si possa adattare a qualsiasi titolo e quindi la funzione Step MC li considera
come inputs. Ad ogni passo dello schema di Broadie e Kaya corrisponderanno allora altrettante funzioni, ognuna con lo scopo di eseguire una delle
istruzioni dellalgoritmo:
(vt ) = VOLA (vu ; , k, , , ; (t u))
(inttu ) = INTEGRALE DET VOLA (vu , vt ; , k, , , ; (t u))
(stoctu ) = INTEGRALE STOC VOLA (vu , vt , inttu ; , k, , , ; (t u))
(St ) = PREZZO (vu , vt , inttu , stoctu ; , k, , , ; (t u))
Proseguiamo analizzando ognuna di queste funzioni; la scomposizione del-

4. Simulazione con metodi Monte-Carlo

43

lo step Monte-Carlo in sottofunzioni `e importante e utile in quanto ognuna


di queste pu`o essere, per esempio, programmata e modificata indipendentemente dalle altre.

4.2.2

Aggiornamento della volatilit`


a

Il primo passo dello schema di Broadie e Kaya consiste nellaggiornamento


della volatilit`a vu . La nuova volatilit`a vt `e indipendente dal processo di prezzo e segue lequazione 4.6. Come dimostrato da Cox, Ingersoll e Ross [11]
la nuova volatilit`a segue, a meno di un fattore di scala, una distribuzione
chi-quadro non-centrale:

vt =


2 (1 ek(tu) ) 0 2  4kek(tu)
d
v
u ,t > u
4k
2 (1 ek(tu) )

(4.7)

dove d2 () indica una variabile casuale con distribuzione chi-quadro non


centrale, d gradi di libert`a e parametro di non-centralit`a , dove:
d=

4k
2

4kek(tu)
= 2
vu
(1 ek(tu) )

Per riuscire allora a simulare una realizzazione di vt sar`a necessario poter


effettuare delle estrazioni da una distribuzione chi-quadro non centrale con
d gradi di libert`a e parametro di non-centralit`a .
Si noti che d R+ e R+ possono assumere solo valori positivi.
La simulazione esatta di una distribuzione chi-quadro non-centrata pu`o
avvenire attraverso scomposizione: chiamando 2d una variabile casuale chiquadro con d gradi di libert`a, `e valida la seguente scomposizione [12]:
0

d2 () = 12 () + 2d1

Nel caso in cui valga:

4. Simulazione con metodi Monte-Carlo

44

d1

(4.8)

e ricordando che:
0

12 () = (Z +

)2

dove Z `e una variabile gaussiana normale standard, la simulazione della


0
variabile d2 () pu`o avvenire, quando d > 1 attraverso la simulazione di una
variabile chi-quadro centrata con d1 gradi di libert`a, 2d1 e di una variabile
normale standard Z:
0

d2 () = (Z +

)2 + 2d1

(4.9)

con Z e 2d1 variabile aleatorie indipendenti.


0
Ci resta da vedere come simulare la distribuzione d2 () nel caso in cui
0 < d < 1.
In questo caso Johnson, Kotz e Balakrishnan [12], osservano che una
variabile aleatoria chi-quadro non-centrale pu`o essere rappresentata da come
una variabile aleatoria chi-quadro con un numero aleatorio di gradi di libert`a.
In particolare:
0

d2 () 2d+2N

ed N P oisson( 2 ).
0

Ci`o significa che per simulare la variabile aleatoria d2 () sar`a necessario


simulare prima una variabile aleatoria di tipo Poisson N con media 2 e poi
una variabile chi-quadro 2d+2N con d + 2N gradi di libert`a.
Lestrazione delle variabili aleatorie, normale standard, Poisson e chiquadro (centrale), non pone particolari problemi in quanto si possono utilizzare comuni librerie di calcolo. Nel nostro caso `e stata utilizzata la libreria di
strumenti matematici GSL, disponibile gratuitamente su diversi siti internet
universitari.

4. Simulazione con metodi Monte-Carlo

45

Figura
r
4.1: Il grafico mostra la funzione cumulata ottenuta sperimentalmente
(vt )
di tu vu per quattro diversi valori della varianza della volatilit`
a (in ordine
per crescente: rosso, verde chiaro, viola, verde scuro) e per k = 0 (linea
blu)

4. Simulazione con metodi Monte-Carlo

46

La distribuzione di volatilit`a finale dipender`a ovviamente dal passo temporale scelto: maggiore sar`a lintervallo t e maggiore sar`a la dispersione
della distribuzione di volatilit`a.
Si pu`o anche notare che facendo tendere t la volatilit`a assume la
distribuzione:
vt

2 2
2 02
d (0) =

4k
4k d

Si ha quindi che il modello di Heston prevede una distribuzione di volatilit`a


asintotica per ogni titolo ed `e interessante notare come questa distribuzione
non dipenda pi`
u dal valore iniziale della volatilit`a vu . Tale distribuzione di
volatilit`a pu`o essere utilizzata nel caso in cui non si possa risalire ad un valore
iniziale di volatilit`a (per esempio per titoli di nuova quotazione).
In questo paragrafo ci siamo occupati dellestrazione della volatilit`a alla
fine di ogni step Monte-Carlo, cio`e abbiamo descritto lalgoritmo della funzione:
(vt ) = VOLA (vu ; , k, , , ; (t u))
Una volta simulato il valore finale di volatilit`a vt il passo successivo sar`a
quello di estrarre un valore per lintegrale della curva di volatilit`a nel tempo.

4.2.3

Integrale di volatilit`
a

Dopo aver aggiornato la volatilit`a trovando il valore finale vt , si pone il


problema di estrarre un valore per lintegrale di volatilit`a:
Z t

vs ds vu ,vt
(4.10)
u

Come si pu`o vedere nel grafico sottostante per ogni coppia di valori di
volatilit`a iniziale e finale (vu , vt ) ci sono diversi cammini stocastici possibili.

Ad ogni cammino corrisponde un valore diverso dellintegrale 4.10 e quindi, seguendo la tecnica Monte-Carlo, per ogni simulazione di volatilit`a estraiamo un valore anche per lintegrale.

4. Simulazione con metodi Monte-Carlo

47

Figura 4.2: 5 possibili curve di volatilit`


a con estremi fissati noti (0,18 ; 0,23).
Lintegrale della volatilit`a nel tempo corrisponde graficamente allarea sottesa
dalla curva di volatilit`a.

4. Simulazione con metodi Monte-Carlo

48

Seguendo lalgoritmo di Broadie e Kaya [6]


la tecnica delle

R t utilizziamo

trasformate di Laplace. Chiamando V (u, t) = u vs ds vu ,vt si ha che:
1
P rob[V (u, t) x] =

sin(ax)
2
(a)da =
a

Z
0

sin(ax)
REAL[(a)]da
a
(4.11)

x 0 e dove:
Z

(a) = E exp ia
u

i

vs ds vu ,vt

(4.12)

Utilizzando il lavoro di Pitman e Yor [13] la 4.12 pu`o essere sviluppata


come composizione di funzioni esponenziali in a e di due funzioni di Bessel
modificate della prima specie:
1

(a)e 2 ((a)k)(tu) (1 ek(tu) )


(a) =
k(1 e(a)(tu) )
h v + v  k(1 + ek(tu) ) (a)(1 + e(a)(tu) ) i
u
t

exp
2

1 ek(tu)
1 e(a)(tu)
h
i
0.5(a)(tu)
I0.5d1 vu vt 4(a)e
(a)(tu)
2
(1e
)
h
i

0.5k(tu)
I0.5d1 vu vt 4ke
2 (1ek(tu) )

(4.13)

dove:
(a) =

k 2 2 2 ia

d `e dato da 4.8 e I (x) `e la funzione di Bessel modificata della prima


specie.

4. Simulazione con metodi Monte-Carlo

Figura 4.3: Funzione Phi nello spazio complesso:


Phi()=(0;0)

49

Phi(0)=(1;0) e

4. Simulazione con metodi Monte-Carlo

50

Figura 4.4: Funzione Phi nello spazio complesso con passo di tempo t-u molto
piccolo
Lasciando in appendice A i dettagli della derivazione di 4.13 vediamo
come si pu`o estrarre un valore per lintegrale 4.10.
Estraendo un valore b da una distribuzione unitaria uniforme, 0 b 1,
si cerca il valore x , x 0, tale che la funzione cumulata dellintegrale
di volatilit`a 4.11 sia uguale a b in x = x . In questo modo si ottiene unestrazione casuale non distorta del valore dellintegrale. Il problema da risolvere
sar`a allora quello di trovare x e questo corrisponder`a al valore dellintegrale
cercato.
La funzione 4.11 non `e invertibile ma `e monot`ona crescente in x, daltra
parte `e ragionevole (e dimostrabile) che la probabilit`a che un valore positivo
non noto, nel nostro caso il valore dellintegrale di volatilit`a, sia minore di
un valore positivo noto fissato, nel nostro caso x, cresca al crescere di x per
convergere al valore unitario quando x tende a .
Essendo la funzione 4.11 monot`ona crescente in x e sapendo che:
Z
2 sin(0)
REAL[(a)]da = 0
P rob[V (u, t) 0] =
0
a

4. Simulazione con metodi Monte-Carlo

51

cio`e che la probabilit`a che lintegrale di volatilit`a sia minore o uguale a


0 `e nulla, si pu`o pensare di aggirare lostacolo della non inversibilit`a della
funzione mediante unapprossimazione attraverso un metodo di integrazione
numerica, per esempio il metodo dei trapezi:

hx 2 X sin(hjx)
+
REAL[(hj)] ed (h)
P rob[V (u, t) x] =

j=0
j

(4.14)

dove h `e il parametro di griglia usato nella discretizzazione e ed (h) `e il


relativo errore di discretizzazione. Ovviamente si ha che:

P rob[V (u, t) x] = lim

h0

i
2 X sin(hjx)
+
REAL[(hj)]

j=0
j

h hx

cio`e che lerrore di discretizzazione diminuisce al decrescere di h. Il metodo dei trapezi fornisce una buona approssimazione quandi si vogliono integrare funzioni con oscillazioni: in questo caso gli errori tendono a cancellarsi. Come mostrato da Abate e Whitt [14], lerrore di discretizzazione ed (h)
pu`o essere limitato inferiormente e superiormente utilizzando la formula di
sommatoria di Poisson:
h
X
k=1

h
X
k=1

P rob[V (u, t) (

i
2k
2k
+ x)] P rob[V (u, t) (
x)] 0
h
h

i h
i
2k
2k
2
P rob[V (u, t) (
+x)]P rob[V (u, t) (
x)] 1P rob[V (u, t) ( x)]
h
h
h

Supponendo di voler limitare lerrore di discretizzazione a  allora per la


scelta del parametro di griglia si ha:
h=

x + xmax
xmax

4. Simulazione con metodi Monte-Carlo

52

dove  = 1 P rob[V (u, t) xmax ] e 0 x xmax .


Teoricamente lintegrale cercato x pu`o assumere qualsiasi valore positivo
e la scelta di un valore massimo xmax potrebbe essere considerata limitativa.
Nella pratica utilizzando le informazioni contenute nella funzione caratteristica 4.13 si pu`o scegliere xmax in funzione dei momenti della distribuzione,
per esempio come media pi`
u cinque volte la varianza, in modo da limitare il
pi`
u possibile la probabilit`a che la somma 4.14 non arrivi al valore estratto b
per la distribuzione cumulata .
Oltre allerrore di discretizzazione ed (h) lapprossimazione per trapezi
comporta anche un altro tipo di errore dovuto ai limiti fisici del calcolo
numerico: lerrore di troncamento eT (N ). Si ha infatti che la serie in 4.14 al
momento del calcolo verr`a troncata al passo N . La 4.14 diventa:
N
hx 2 X sin(hjx)
+
REAL[(hj)] ed (h) eT (N )
P rob[V (u, t) x] =

j=0
j

(4.15)

Cerchiamo di dare una limitazione allerrore di troncamento eT (N ). La


funzione (a) ha modulo 1 per a = 0 e il suo modulo decresce al crescere
dellargomento a (come si pu`o notare nei grafici della funzione nel piano
complesso 4.2.3 e 4.2.3). Dato che anche |sin(ax)| 1, per lintegrando in
4.11 vale:








2 REAL[(a)]
2 (a)

a
a

Per il fatto che lintegrando sia una funzione periodica, lultimo termine
della serie troncata ad un passo fissato N fornisce una buona stima per
lerrore di troncamento. Volendo limitare lerrore a  vale




2 (hN )
h
<
hN

si ottiene una regola per larresto nel calcolo della serie:

4. Simulazione con metodi Monte-Carlo

53

Figura 4.5: Funzione Cumulata dellintegrale di volatilit`


a: estratto da una
variabile aleatoria uniforme il valore di b, si cerca x nellintervallo (0; xmax )

N>





2 (hN )


Fissati quindi con questi criteri il parametro di griglia h ed il numero di


addendi N per il calcolo dellintegrale 4.11 mediante il metodo dei trapezi
dato da 4.15 si pu`o quindi calcolare il valore dellintegrale 4.10 fissato un
valore x.

Per risalire al valore cercato x tale che lintegrale 4.10 assuma il valore
estratto b da una distribuzione uniforme, si possono adottare diversi metodi.
In questo ambito la ricerca operativa ci `e daiuto: se il metodo pi`
u semplice
da implementare e pi`
u stabile `e quello della bisezione si possono pensare
a metodi pi`
u complessi come per esempio quello di Newton. Bisogna per`o
tenere conto che i metodi che richiedono il calcolo di derivate e che hanno convergenza migliore (intesa come numero di iterazioni) richiedono pi`
u

4. Simulazione con metodi Monte-Carlo

54

Figura 4.6: Funzione di Bessel modificata della prima specie: curva sperimentale di REAL[Inu (z)]al variare dellordine in (1; +1) e di z reale
(REAL[z] (0; 2))
tempo per il calcolo di ogni iterazione e, soprattutto, comportano dei problemi di instabilit`a dovuti al fatto che il calcolo dellintegrale non `e esatto ma
comprende diverse approssimazioni.
Il procedimento descritto comporta molte difficolt`a implementative, ivi
compresa la difficolt`a di calcolo della funzione modificata di Bessel della
prima specie che figura nel calcolo dellintegrando . La funzione di Bessel
pu`o essere scritta come serie:
2

 1  X
( z4 )j
z
I (z) =
2
j!( + j + 1)
j=0

dove `e la funzione Gamma e z `e un numero complesso.

(4.16)

4. Simulazione con metodi Monte-Carlo

55

Figura
4.7:
Funzione
di
Bessel
modificata
della
prima
specie:
curva
ottenibile
sul
sito
internet
f unctions.wolf ram.com/webM athematica/F unctionP lotting.jsp?name =
BesselI Il confronto tra le due due curve `e stato utile per trovare eventuali
errori di programmazione

4. Simulazione con metodi Monte-Carlo

56

Figura 4.8: Errore relativo tra i risultati sperimentali e i risultati forniti dalla
libreria GSL che valuta I (z) solo per z reale. Facendo variare lordine in
(0; +25) e z reale in (0, +50) lerrore relativo massimo compiuto `e dellordine
di 106
Per approssimare correttamente questa funzione `e stato utilizzato lalgoritmo proposto da Amos [15] nella versione scalata (calcolo di e|REAL(z)| I (z))
con attenzione ai tagli nel piano complesso dovuti allelevamento a potenza
del numero complesso z seguendo la formula di Abramovitz e Stegun [16]:
I (zemi ) = emi I (z)

con m intero.

Il corretto calcolo della funzione di Bessel modificata della prima specie


Inu (z) ci ha permesso di ottenere la distribuzione dellintegrale di volatilit`a
4.10. La funzione (inttu ) = INTEGRALE DET VOLA (vu , vt ; , k, , , ; (t
u)) di cui abbiamo visto lalgoritmo genera un valore estratto da questa
distribuzione.

4. Simulazione con metodi Monte-Carlo

57

Figura 4.9: Parte reale della funzione di Bessel modificata della prima specie
al variare di z: mantenendo il modulo costante |z| = 2, = 0.6, e aumentando la fase `e importante che la funzione sia continua nei punti di taglio
(|z|; n)

Figura 4.10: Parte reale di I (z) per |z| = 20 e = 0.2. Al variare di


ordine e modulo di z la curva cambia aspetto ma restano la continuit`
a ed il
periodo

4. Simulazione con metodi Monte-Carlo

58

Figura 4.11: Funzione Cumulata dellintegrale di volatilit`


a per diversi valori
2
della varianza della volatilit`a

La distribuzione `e pi`
u o meno stretta a seconda della varianza della
volatilit`a; si pu`o infatti immaginare che per 2 0 la curva di volatilit`a
tende ad un segmento e la distribuzione cumulata dellintegrale ha come
t
limite la funzione scalino centrata in (t u) vu +v
.
2
La scelta del passo di tempo t u comporta due effetti principali sulla
distribuzione dellintegrale della volatilit`a 4.10. Come si potrebbe gi`a cogliere
in maniera intuitiva lintegrale cresce linearmente con la lughezza dellintervallo di tempo, inoltre `e interessante vedere come la varianza aumenti con
il tempo. Questo fenomeno `e caratteristico dei moti browniani e i risultati
sperimentali sono confortanti.

4.2.4

Integrale stocastico di volatilit`


a e aggiornamento
del prezzo

Una volta aggiornata la volatilit`a finale vt e lintegrale di volatilit`a



v
ds

s
u

Rt

vu ,vt

per completare un passo di tipo Monte-Carlo secondo lo schema propos-

4. Simulazione con metodi Monte-Carlo

59

Figura 4.12: Funzione Cumulata dellintegrale di volatilit`


a per diversi valori
dello step temporale (t u)
to
da Broadie e Kaya si deve calcolare lintegrale stocastico di volatilit`a
Rt
(1)
vs dWs e simualare il prezzo finale St .
u
Lintegrale
stocastico della volatilit`a `e facile da calcolare noti vu , vt e


v ds
, dallequazione 4.6 si ha che:
u s
vu ,vt
Rt
Z t
vt vu k(t u) + k u vs ds

(1)
vs dWs =

Rt

La simulazione di un livello di prezzo al tempo finale t segue da 4.5:


1
St = Su exp (t u)
2
h

Z
vs ds +

vs dWs(1)

Z
1

vs dWs(2)

Cercando la distribuzione del logaritmo naturale ln(St ) del prezzo finale


si ha che:

4. Simulazione con metodi Monte-Carlo

60

Z
Z t
Z t
i
h
hp
ii

1 t
(1)
(2)
2
E ln(St ) = ln(Su )+ (tu)
vs ds+
vs dWs +E
1
vs dWs
2 u
u
u
h

Z t
i
hp
i

(2)
2
V ar ln(St ) = V ar
1
vs dWs
h

Dalle equazioni descrittive del modello di Heston 4.3 e 4.4 si ottiene che il
(2)
processo di volatilit`a `e indipendenteR dal secondo moto browniano, vs dWs ,

t
(2)
lintegrale stocastico di volatilit`a u vs dWs avr`a distribuzione normale,
Rt
con media 0 e varianza u vs ds. La distribuzione del prezzo finale sar`a quindi:
St = em(u,t)+s(u,t)Z

(4.17)

dove Z `e una variabile gaussiana normale standard,



1
m(u, t) = ln(Su ) + (t u)
2

Z
vs ds +

vs dWs(1)

i

s (u, t) = (1 )

vs ds
u

Lultimo passo dellalgoritmo di Broadie e Kaya per effettuare uno step


Monte-Carlo mediante la funzione PREZZO (vu , vt , inttu , stoctu ; , k, , , ; (t
u)) consiste quindi in unestrazione casuale di una variabile aleatoria normale
standard.

4.3

Risultati sperimentali

Mediante lapplicazione dellalgoritmo proposto da Broadie e Kaya [6] siamo


riusciti a scrivere il codice di programmazione per effettuare uno step MonteCarlo. Questo algoritmo, nonostante le diverse approssimazioni introdotte,

4. Simulazione con metodi Monte-Carlo

61

fornisce delle simulazioni esatte del movimento di prezzo e volatilit`a dal punto
iniziale noto al tempo u, (Su , vu ), ad un punto estratto dalle distribuzioni
esatte di prezzo e di volatilit`a al tempo finale t, (St , vt ).
Per verificare la qualit`a delle simulazioni `e stato applicato lalgoritmo per
prezzare delle opzioni europee. In particolare il prezzo di tali opzioni ottenuto
con il metodi Monte-Carlo pu`o essere confrontato con il prezzo teorico fornito
dalla soluzione esatta 3.9. In questo modo limpatto del parametro di griglia
h e del parametro di troncamento N nellapprossimazione di 4.15 `e stato
valutato e i questi valori sono stati calibrati a seconda della precisione voluta
nel prezzo finale.
Una volta operato questo controllo e controllati gli errori di approssimazione `e possibile applicare il metodo Monte-Carlo descritto nel pricing di
opzioni diverse da contratti di tipo call e put europei.

4.3.1

Distribuzione dei Rendimenti

Effettuando un alto numero di simulazioni Monte-Carlo si ha che le distribuzioni del prezzo St e della volatilit`a vt ottenuti convergono in probabilit`a
alle distribuzioni di prezzo e volatilit`a teoriche non esprimibili esplicitamente
per il modello di Heston.

Le distribuzioni sperimentali ottenute confermano alcune peculiarit`a del


modello di Heston a volatilit`a stocastica gi`a discusse nei capitoli precedenti.
In particolare si pu`o vedere come allaumentare del tempo la distribuzione
dei rendimenti si allontani dalla distribuzione lognormale di Black-Scholes
2.4.

Dal secondo grafico si pu`o gi`a notare un aumento di probabilit`a nella coda sinistra significativamente superiore al modello di Black-Scholes. Questa
situazione `e molto importante perch`e corrisponde a una maggiore probabilit`a
di rendimenti molto negativi del prezzo.

4.3.2

Impatto di e

E molto interessante vedere quale ruolo giochino i parametri e nella


distribuzione finale. Le equazioni descrittive del modello 3.1 e 3.2 indicano
2 come parametro di varianza della volatilit`a e come correlazione tra i

4. Simulazione con metodi Monte-Carlo

62

Figura 4.13: Distribuzione simulata del prezzo per un passo temporale piccolo,
(tu)
= 1M ese a confronto con una distribuzione lognormale di uguale media
e varianza.

4. Simulazione con metodi Monte-Carlo

63

Figura 4.14: Distribuzione simulata del prezzo per un passo temporale grande,
(tu)
= 1Anno a confronto con una distribuzione lognormale di uguale media
e varianza.

4. Simulazione con metodi Monte-Carlo

64

Figura 4.15: q-q plot di confronto dei rendimenti con la distribuzione lognormale: con = 0 laumento di aumenta la probabilit`
a nelle di valori
estremi
(1)

moti browniani nel processo di prezzo, (dW ) 0 , e nel processo di volatilit`a,


(2)
(dW ) 0 .
In particolare, come gi`a discusso, e influiscono sui parametri di forma della distribuzione del prezzo finale St : il momento terzo, skewness, e
momento quarto, kurtosis.
Effettuando dei q-q plot di confronto tra una distribuzione lognormale e
la distribuzione ottenuta si pu`o visualizzare graficamente limpatto di questi
due fattori.

Con laumento della volatilit`a di volatilit`a aumenta la kurtosis in modo


da far crescere la probabilit`a nelle code. Leffetto di varia a seconda del
suo segno: i risultati della calibrazione pongono < 0. Questa caratteristica riprende la filosofia dei mercati azionari che, come osservato da Heston
[5], sono caratterizzati da maggiore volatilit`a nei momenti di difficolt`a del
mercato.

4. Simulazione con metodi Monte-Carlo

65

Figura 4.16: q-q plot di confronto dei rendimenti con la distribuzione lognormale: con = 1 il segno di influisce significativamente sulla forma della
distribuzione, per < 0 la probabilit`
a nelle code aumenta.

4.3.3

Comportamento nelle code

Uno dei motivi principali del successo dei modelli a volatilit`a stocastica, e
quindi del modello di Heston, `e il comportamento sostanzialmente diverso
nelle code.

La distribuzione ottenuta con le simulazioni Monte-Carlo conferma questa


caratteristica.

4.3.4

Prestazioni dellalgoritmo

Lalgoritmo esatto di Broadie e Kaya fornisce una precisione elevata nellattivit`a di pricing di opzioni. Questa precisione ha per`o un costo computazionale elevato dovuto alla chiamata ricorsiva di funzioni a loro volta
ricorsive, caratteristica di annidamento. A questo proposito `e stato interessante effettuare dei controlli sui tempi impiegati dalle diverse sezioni di ogni
step Monte-Carlo con lo scopo di ottimizzare il tempo totale.
Come proposto da Broadie e Kaya `e stato inoltre utile confrontare le
prestazioni dellalgoritmo esatto con lalgoritmo di Eulero 3.24 e 3.25.

4. Simulazione con metodi Monte-Carlo

66

Figura 4.17: Grafico logaritmico della distribuzione di probabilit`


a del rendimento nelle code (asse verticale) in funzione del rendimento logaritmico (asse
orizzontale).

Figura 4.18: Simulazioni del prezzo di una opzione call con lalgoritmo di
Eulero.

Figura 4.19: Simulazioni del prezzo di una opzione call con lalgoritmo esatto.

4. Simulazione con metodi Monte-Carlo

67

A parit`a di tempo impegato, si vede che per poche simulazioni lalgoritmo


di Eulero `e pi`
u efficace ma con il crescere delle simulazioni lerrore quadratico
medio normalizzato (RMS) diminuisce molto pi`
u velocemente per il metodo
esatto. Il metodo esatto, avendo variabilit`a inferiore, permette in pratica di
approssimare meglio il valore dellopzione con meno simulazioni rispetto al
metodo di Eulero. Si conclude che il metodo esatto `e preferibile.

Capitolo 5
Conclusioni
Il lavoro di programmazione di metodi Monte-Carlo per il pricing di opzioni
nel framework di Heston `e stato per me unoccasione per affrontare da vicino
alcune questioni attualmente molto discusse nellambito finanziario.
La necessit`a di utilizzare modelli sempre pi`
u evoluti si scontra con i limiti
della conoscenza matematica e della programmazione. Il mondo finanziario
viaggia ormai a velocit`a di macchina con sistemi di Algorithmic Trading, si
pensi allimportanza per molte banche daffari di localizzare i server di trading
automatico a distanza minore possibile dai server delle borse. Nonostante ci`o
`e necessario che chi gestisce questi sistemi abbia una visione dinsieme.
A titolo di esempio la crisi che ha interessato i mercati finanziari nellultima estate del 2007 ha colpito duramente la istituzioni finanziarie che
pi`
u intensamente utilizzano sistemi automatici di trading. Si pu`o parlare di
abuso quando questi modelli vengono applicati dando per scontate le ipotesi
su cui si fondano, omettendone la verifica.

5.1

Metodologia

Questo lavoro `e stato svolto in collaborazione con Mediobanca, istituzione


che lha ispirato e presso la quale ho svolto un periodo di stage a tempo
pieno.
Il risultato di questo approfondimento `e che i modelli a volatilit`a stocastica sono in pratica migliori del modello di Black-Scholes in quanto tengono
conto del fenomeno dello smile di volatilit`a e della curva di volatilit`a nel
tempo, con ripercussioni sui prezzi di molti prodotti derivati.
Tra di essi il modello proposto da Heston nel 1993 [5] `e inoltre stato il primo a tener conto della relazione, o meglio della correlazione, tra landamento
del prezzo di un titolo azionario e dellandamento della sua volatilit`a.
68

5. Conclusioni

69

Figura 5.1: Valori estratti di prezzo e volatilit`


a con parametro di correlazione
dei moti browniani negativo. Si pu`
o notare come gioca nel rapporto tra
rendimento e volatilit`a: a maggiore rendimento corrisponde minore volatilit`
a.

5. Conclusioni

70

Al grado di accuratezza predittiva di questo modello si affiancano per`o


problemi di calcolo e di calibrazione che possono rimettere in competizione
altri modelli, teoricamente meno accurati ma nella pratica in grado di competere con il modello di Heston.
Il mio lavoro ha preso spunto dallampia bibliografia presente in letteratura e in particolare il lavoro di Broadie e Kaya [6] mi ha dato una traccia
molto utile da seguire nella parte implementativa.
Il risultato di questo lavoro `e un codice di programmazione, in linguaggio C++, che attualmente `e inserito in una pi`
u ampia libreria finanziaria di
pricing. Lo sviluppo del codice `e stato fatto seguendo le logiche di tracciabilit`a e migliorabilit`a, caratteristiche fondamentali perch`e questo lavoro non
venga presto surclassato ma possa eventualmente interagire nel futuro con
altri modelli.
Durante questo periodo sono stato supportato dal Professor Carlo Sgarra
che ha curato con il necessario rigore gli aspetti pi`
u teorici, mentre per quanto
riguarda le problematiche implementative ho seguito i preziosi suggerimenti
del Dott. Martino De Prato.

5.2

Risultati ottenuti

Il risultato pi`
u importante e meno scontato `e stato riuscire a simulare il prezzo
di contratti derivati con precisione molto alta. Per ottenere un elevato gradi
di accuratezza `e per`o stato necessario un aumento considerevole dei tempi
di calcolo (dai secondi ai minuti su un comune personal computer). Nella
pratica si pu`o preferire la rapidit`a di calcolo utilizzando altri modelli; ci`o
nonostante la possibilit`a di avere a disposizione uno strumento di controllo
dellerrore commesso `e fondamentale.
Alla soddisfazione di esser arrivato al compimento dellattivit`a di pricing di contratti derivati con il modello di Heston si unisce la soddisfazione
per aver prodotto un codice dal fine pratico. Il fatto che il proprio lavoro
trovi applicazione in un processo produttivo aziendale `e per un aspirante ingegnere un risultato molto importante. In questo lavoro ho infatti potuto
apprezzare limportanza dellaver ricevuto una formazione polivalente che mi
ha permesso di comprendere problemi di diversa natura. Se da una parte
questa attivit`a ha richiesto un certo rigore procedurale attraverso il controllo
della qualit`a di ogni passo compiuto, dallaltra il progetto ha ricevuto diverse
spinte: delle scadenze temporali alle questioni logistiche. Gestire questo insieme di problematiche `e stato importante e secondo me molto educativo
anche dal punto di vista professionale.

5. Conclusioni

5.3

71

Considerazioni Finali

Il lavoro svolto in questa tesi offre diversi spunti di approfondimento.


Dal punto di vista matematico abbiamo visto come lassenza di soluzioni
esatte sia la causa di molti problemi. In particolare la necessit`a di ricorrere a
soluzioni approssimate coinvolge alcuni aspetti della programmazione come
lottimizzazione del tempo e la gestione dellerrore.
Dal punto di vista finanziario invece bisogna stare attenti a non perdere
di vista il framework in cui il modello di Heston si inserisce. Se da un lato `e
importante ottenere delle valutazioni precise del prezzo dei contratti derivati,
da un altro `e importante ricordare che ogni modello di pricing si basa su
diverse ipotesi non sempre verificabili direttamente nei mercati finanziari.
Ci`o significa che la precisione del prezzo teorico di uno strumento derivato
deve essere sempre considerata in relazione al modello che si `e deciso di
prendere in considerazione. Per questo motivo `e buona norma in pratica
prezzare ogni strumento con modelli e metodi diversi: si pu`o cos` meglio
comprendere in che modo il prezzo che calcoliamo sia influenzato dal modello
con cui decidiamo di farlo.
La comprensione di questi aspetti `e fondamentale per tenere sotto controllo i rischi connessi allattivit`a di scambio di pordotti derivati. Se infatti
nei mestieri della finanza pu`o capitare che si decida di assumere dei rischi, `e
buona norma che questa decisione sia fatta con cognizione di causa.

5. Conclusioni

72

Ringrazio il Professor Carlo Sgarra ed il Dott. Martino De Prato per


avermi guidato durante la preparazione e lo svolgimento di questo lavoro.
Un grazie al Politecnico di Milano ed al Dipartimento di Matematica per
la qualit`a dellinsegnamento e per lorganizzazione dei corsi, per avermi permesso di studiare allestero e per avermi dato la formazione necessaria ad
affrontare a testa alta il mondo del lavoro.
Ringrazio Marco, Martino, Marcello, Davide e Cristian per avermi accompagnato durante i mesi di stage. Un grazie al Dott. Rinetti e ad Andrea
Ventura per avermi dato la possibilit`a di collaborare con Mediobanca.
Non posso non ringraziare i miei amici e compagni di corso per avermi
accompagnato durante questi indimenticabili anni: Francesca, Elena, Pisk,
Linus, Chiara, Anna, Tony, Agnes, Stefano, Ale Pizzo, Davidone, Dani, Sau,
Fabio, Blase, Ruben, Massi, Vera, Mara ed Elena, Davide Magno, La Robbe,
Irene, Vito, Paolo e tutti gli altri.
Albi, Andre, Giako, Sergio, Teo e Vali: grazie per essere sempre presenti.
Ringrazio Francesca, Marcello, Enea e Mariagrazia per la fiducia con cui
mi hanno seguito.
Grazie a mamma Lucia e pap`a Nicola per averci creduto anche quando
la partita sembrava persa.
Un grazie alla mia bella per avermi supportato e sopportato senza indugi.

Bibliografia
[1] J-P. Fouque, G. Papanicolaou, K.R. Sircar
Derivatives in financial markets with stochastic volatility
Cambridge University Press, 2000.
[2] R. Merton
The Theory of Rational Option Pricing
Bell Journal of Economics and Management Science 4, 141-183, 1973.
[3] S. Mikhailov, U. Nogel
Hestons stochastic volatility model implementation, calibration and some
extensions
WILMOTT Magazine, July 2003.
[4] J. Gatheral
Stochastic volatility and local volatility
Case Studies in Financial Modelling Course - Merryll Lynch, 2002.
[5] S. L. Heston
A closed form solution for options with stochastic volatility with applications to bond and currency options
The Review of Financial Studies, Vol. 6 n 2, 1993.
[6] M. Broadie , O. Kaya
Exact simulation of stochastic volatility and other affine jump diffusion
processes
Columbia University Press, Sept 2004.
[7] A. Savine
A theory of volatility
Fixed Income Derivatives Research - BNP Paribas, 2002.
[8] T. Bjork
Arbitrage Theory in Continuous Time
Oxford University Press, Second Edition, 2003.
73

BIBLIOGRAFIA

74

[9] N.Moodley
The Heston Model: A Practical Approach
University of the Witwatersrand, Johannesburg, 2005.
[10] L.Andersen
Efficient simulation of the Heston stochastic volatility model
Bank of America Securities, Second Version, January 2007.
[11] J.C. Cox, J.E. Ingersoll, S.A. Ross
A theory of the term structure of interest rates
Econometrica, Vol. 53, No. 2, 385-407, 1985.
[12] N.L. Johnson, S. Kotz, N. Balakrishnan
Continuous Univariate Distributions
Volume 2, Second Edition, Wiley, New York, 1994.
[13] J. Pitman, M. Yor
A Decomposition of Bessel Bridges
Wahrscheinlichkeitstheorie verw. Gebiete, Vol. 59, 425-457, 1982.
[14] J. Abate, W. Whitt
The Fourier-Series Method for Inverting Transforms of Probability Distributions
Queueing Systems, Volume 10, No.1, 5-88, 1992.
[15] D.E. Amos
Algorithm 644, A Portable Package for Bessel Functions of a Complex
Argument and Non-negative Order
ACM Trans. Math. Softw., Volume 12, No. 3, 265-273, 1986.
[16] M. Abramowitz, I.A. Stegun
Handbook of Mathematical Functions with Formulas, Graphs and Mathemtical Tables
National Bureau of Standards, Washington D.C., 1972.

Appendice A
Derivazione della Trasformata
di Laplace dellintegrale di
volatilit`
a
In questa appendice deriviamo la trasformata di Laplace dellintegrale di
volatilit`a
Z t
i
h

(A.1)
(a) = E exp ia
vs ds vu ,vt
u

Sappiamo da 4.6 che, fissando per convenienza il tempo iniziale u = 0, la


volatilit`a al tempo t `e
Z t
Z t

vt = v0 +
k[ vs ]ds +
vs dWs
0

Analizzando lultimo addendo vale:


Z t

vs dWs
0

=2

=inlegge

vs dWs
0 2
Z t

2
vs dW 2 s

75

A. Derivazione della Trasformata di Laplace dellintegrale di


volatilit`
a

76

La seconda uguaglianza segue dalla propriet`a di scalabilit`a del moto


2
2
browniano. Chiamando u = 4 s , si ha du = 4 ds e vale:
4
vt = v0 + 2

2 t
4

k[ v 4u2 ]du + 2

2 t
4

v 4u2 dWu

Definendo il processo (u) = v 4u2 si ottiene

2 t
4

4
= 0 + 2

2 t
4

Z
k[ u ]du + 2

2 t
4

u dWu

e j = 2k
si ha
2
Z t
Z t

[2ju + n]du + 2
t = 0 +
u dWu

e chiamando n =

4k
2

Il generatore infinitesimale di questo processo `e 2xD2 + (2jx + n)D dove


d
. Pitman e Yor [13] propongono la seguente formula per il processo
D = dx
quadratico di Bessel Xs con generatore infinitesimale 2xD2 + nD:
h
 b2 Z t

i

E exp
Xs ds X0 = x, Xt = y
2 0
 
xyb
 bt 
hx + y
i I sinh
bt
 
=
exp
(1 bt coth bt)
(A.2)
xy
sinh bt
2t
I

n
2

dove = 1, I (.) `e la funzione di Bessel modificata della prima specie

e E indica il valor medio rispetto alla legge del processo quadratico di Bessel.
Riprendendo la trasformata di Laplace dellintegrale di volatilit`a abbiamo:
h
 Z t

i

(a) = E exp ia
vs ds
vu ,vt

h
 ia
= E exp 2

Z
u



2 s ds
4

i
2 u , 2 t
4

A. Derivazione della Trasformata di Laplace dellintegrale di


volatilit`
a

h


E exp ( 4ia
2
=

j2
)
2

R 42 t
2 u
4



s ds

i
2 u , 2 t
4

E exp

j2
2

R 42 t
2 u
4



s ds

77

i
2 u , 2 t
4

Utilizzando la A.2 nellultima espressione si ricava la formula esplicita


della trasformata di Laplace dellintegrale di volatilit`a:
1

(a)e 2 ((a)k)(tu) (1 ek(tu) )


(a) =
k(1 e(a)(tu) )
h v + v  k(1 + ek(tu) ) (a)(1 + e(a)(tu) ) i
u
t
exp

2
1 ek(tu)
1 e(a)(tu)
h
i
0.5(a)(tu)
I0.5d1 vu vt 4(a)e
2 (1e(a)(tu) )
h
i

4ke0.5k(tu)
I0.5d1 vu vt 2 (1ek(tu) )
dove (a) =

k 2 + 2 2 a

Potrebbero piacerti anche