Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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
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
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
INDICE
4.2
4.3
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
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
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
(2.1)
(2.2)
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
(2.5)
P ut (T, ST ) = max(K ST , 0) = (K ST )+
(2.6)
(2.7)
V (T, ST ) = (ST )
(2.8)
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)
(2.13)
(2.14)
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)
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.
10
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.
11
12
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
2.2
13
2.2.1
La volatilit`
a come variabile
(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 .
14
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)
(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
15
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)
y e = 0.
16
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
17
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
v
+rS
rV
=
(k(v)
V)
t 2
S 2
vS 2
v 2
S
v
(2.21)
18
19
2.2.6
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
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
(3.1)
(3.2)
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
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)
dvtST OC = vt dZt .
(3.4)
3. Il modello di Heston
22
3.1.1
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 3.3: 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 3.5: 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.
3.1.2
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
v
rV
=
(k(v)
V)
+vS
+rS
t 2
S 2
vS 2
v 2
S
v
c > 0 : (S, v, t) = c V
(S, v, t) V = cV (S, v, t)
(3.5)
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
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
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
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
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)
3. Il modello di Heston
28
per j = 0, 1 e dove
a = k
v
bj = k j
(3.11)
(3.12)
eiux (x)dx =
1
.
iu
Pj (x, v, ) =
eiux
Pj (u, v, )du.
2
(3.13)
2
2
3. Il modello di Heston
29
v Pj (Pj )v + (Pj )vv + a(Pj )v (Pj ) = 0
(3.15)
(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
1g
D(u, ) = r
dove si definisce g
1 edr
1 g dr
(3.17)
(3.18)
r
.
r+
3. Il modello di Heston
30
3.2
Implementazione
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
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
min
n
X
2
wi ViM odel (S, v, i , Ki ; ) ViM arket (S, v, i , Ki )
(3.20)
i=1
1
(bidprice)i (askprice)i
wi =
1
| Ki S 0 + 1 |
wi = (openinterests)i
wi = w(Ki , i ; ...)
3. Il modello di Heston
32
min
n
X
2
wi I(ViM odel (S, v, i , Ki ; )) I(ViM arket (S, v, i , Ki ))
(3.21)
i=1
(3.22)
(3.23)
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
3. Il modello di Heston
34
(3.24)
vti1 Zti
(3.25)
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
3.3
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
4.1.1
Lalgoritmo di calcolo
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)
4.1.2
n
X
i=1
Sn n
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
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.
4.2
41
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)
Z
vs ds +
vs dWs(1)
vs dWs(2)
(4.5)
vt = vu + k(t u) k
vs ds +
vs dWs(1)
u
(4.6)
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-
43
4.2.2
vt =
2 (1 ek(tu) ) 0 2 4kek(tu)
d
v
u ,t > u
4k
2 (1 ek(tu) )
(4.7)
4k
2
4kek(tu)
= 2
vu
(1 ek(tu) )
d2 () = 12 () + 2d1
44
d1
(4.8)
e ricordando che:
0
12 () = (Z +
)2
d2 () = (Z +
)2 + 2d1
(4.9)
d2 () 2d+2N
ed N P oisson( 2 ).
0
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)
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
4.2.3
Integrale di volatilit`
a
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.
47
48
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)
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
49
Phi(0)=(1;0) e
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
51
hx 2 X sin(hjx)
+
REAL[(hj)] ed (h)
P rob[V (u, t) x] =
j=0
j
(4.14)
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
x + xmax
xmax
52
j=0
j
(4.15)
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
53
N>
2(hN )
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
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
(4.16)
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
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.
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)
58
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
v
ds
s
u
Rt
vu ,vt
59
(1)
vs dWs =
Rt
Z
vs ds +
vs dWs(1)
Z
1
vs dWs(2)
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)
Z
vs ds +
vs dWs(1)
i
s (u, t) = (1 )
vs ds
u
4.3
Risultati sperimentali
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
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.
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
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.
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.
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)
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
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.
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.
66
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.
67
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
5. Conclusioni
69
5. Conclusioni
70
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
5. Conclusioni
72
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
vt = v0 +
k[ vs ]ds +
vs dWs
0
vs dWs
0
=2
=inlegge
vs dWs
0 2
Z t
2
vs dW 2 s
75
76
2 t
4
k[ v 4u2 ]du + 2
2 t
4
v 4u2 dWu
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
n
2
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
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
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