ROMA

TRE
UNIVERSITÀ DEGLI STUDI

Università degli Studi Roma Tre

Facoltà di Scienze Matematiche, Fisiche e Naturali

Corso di Laurea Magistrale in Matematica

Tesi di Laurea Magistrale in Matematica

Sintesi

Il problema della calibrazione nel

modello a volatilità stocastica di
Heston

Candidato Relatore
Valerio Matteucci Prof. Marco Papi

Anno Accademico 2011/2012

Classicazione AMS: 91G20, 91G60, 91G80, 60G05, 65K05.

Indice

Indice ii

1 Sintesi 1
1.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Da Black-Scholes ai modelli a volatilità stocastica . . . . . . . . . 2

1.3 Il modello di Heston . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.4 La calibrazione del modello di Heston basata sulle serie storiche . 9

1.5 La calibrazione del modello di Heston sui dati delle opzioni . . . . 13

1.6 Conclusioni e sviluppi futuri . . . . . . . . . . . . . . . . . . . . . 17

Bibliograa 18

ii
Capitolo 1

Sintesi

1.1 Introduzione

Il modello di Heston (1993, [11]) è uno dei più popolari modelli a volatilità stoca-

stica utilizzati nella valutazione di strumenti nanziari derivati. La struttura del

modello risponde ad alcune evidenze empiriche rilevabili nelle quotazioni reali dei

titoli: la distribuzione dei rendimenti non è gaussiana ed esiste una sostanziale

correlazione tra il prezzo e la volatilità.

L'ecienza del modello di Heston nella valutazione dei titoli derivati è for-

temente dipendente dalla stima dei parametri. In questa tesi presentiamo un

metodo per la stima della densità di probabilità dei log-rendimenti ed estendia-

mo questa tecnica alla calibrazione del modello sui prezzi di opzioni nanziarie.

In entrambi gli approcci proponiamo dei miglioramenti che aumentano la capacità

descrittiva del modello di Heston.

1
CAPITOLO 1. SINTESI 2

1.2 Da Black-Scholes ai modelli a volatilità

stocastica

La famosa formula di Black-Scholes [4] per la valutazione dei prezzi delle opzioni

ha dato origine alla moderna teoria della nanza quantitativa. Essa è stata,

ed è ancora, largamente applicata nei mercati nanziari nonostante sia basata

su degli assunti piuttosto lontani dalla realtà; tra questi si possono elencare la

distribuzione log-normale dei prezzi, la volatilità costante nel processo di prezzo

e l'assenza di costi di transazione.

Ipotizziamo un mercato costituito da due beni: un titolo rischioso (il bene

sottostante dell'opzione) il cui prezzo al tempo t è St ed un titolo privo di rischio

che al tempo t vale Gt . Poiché il titolo Gt è privo di rischio, la sua evoluzione

nel tempo è deterministica e può essere calcolata esplicitamente. In particolare

soddisferà la seguente equazione dierenziale ordinaria

dGt = Gt rdt, (1.1)

dove r indica il tasso di interesse istantaneo che si assume essere costante nel

tempo. Per quanto riguarda l'evoluzione del titolo rischioso, Black e Scholes ipo-

tizzarono che il cambiamento relativo di prezzo, ossia la quantità dSt /St , fosse

scomponibile nella somma di due termini: un termine deterministico µdt in cui

µ rappresenta il tasso medio di crescita del prezzo del titolo ( drift ); un secon-

do termine stocastico per riassumere gli aspetti aleatori legati all'evoluzione del

prezzo, σdBt . Il coeciente σ prende il nome di volatilità e misura la deviazio-

ne standard del prezzo, mentre con Bt indichiamo un moto Browniano standard

1-dimensionale. Riassumendo quanto detto, otteniamo la seguente equazione

dierenziale stocastica:
dSt
= µdt + σdBt . (1.2)
St
Consideriamo un'opzione scritta sul titolo rischioso, indichiamo con V (t, St ) il
suo prezzo al tempo t. Sotto l'ipotesi di assenza di arbitraggio, V (t, St ) soddisfa la
CAPITOLO 1. SINTESI 3

seguente equazione dierenziale alle derivate parziali di tipo parabolico backward

∂V σ2 ∂ 2V ∂V
+ S 2 2 + rS − rV = 0, (1.3)
∂t 2 ∂S ∂S
con la condizione nale V (T, S) = Ψ(S), dove Ψ è la funzione di pay-o.
Nel caso di una opzione call di tipo Europeo, dalla (1.3) si può derivare la ben

nota formula di valutazione in forma chiusa per il suo valore al tempo t:

√
C(t, St ) = St N (xt + σ T − t) − e−r(T −t) KN (xt ), (1.4)

dove N (.) indica la funzione di ripartizione della distribuzione normale standard

ed 2

log SKt + r − σ2 (T − t)
xt = √ . (1.5)
σ T −t
Per spiegare le dierenze sistematiche fra prezzi di mercato e prezzi teorici

derivati dal modello di Black-Scholes sono stati introdotti numerosi modelli che

non considerano più la volatilità costante ma dipendente da parametri, o a sua

volta, caratterizzata da un processo stocastico.

A grandi linee i modelli con volatilità non costante possono essere suddivisi

in due gruppi:

• i modelli a volatilità endogena in cui la volatilità è descritta da un processo

stocastico che dipende dagli stessi fattori di rischio del sottostante;

• i modelli a volatilità esogena in cui la volatilità è descritta da un processo

stocastico guidato da uno o più fattori di rischio aggiuntivi.

I più popolari modelli a volatilità endogena sono i cosiddetti modelli a volatilità

locale in cui si assume che σ sia funzione del tempo e del prezzo del sottostante:

dSt = µ(t, St )St dt + σ(t, St )St dBt . (1.6)

Come evidenziato in alcuni contributi di ricerca, non sembra che la dipendenza

di σ da St possa essere motivata in modo intuitivo [8].

CAPITOLO 1. SINTESI 4

E' opinione diusa che i modelli più realistici siano quelli a volatilità esogena.

Tra questi la classe più studiata è sicuramente quella dei modelli a volatilità
stocastica in cui la volatilità segue appunto un processo stocastico vt ed il processo
del sottostante St è così denito:

(S)
dSt = µSt dt + vt St dBt . (1.7)

Anché il modello sia ben denito, il processo di volatilità vt deve soddisfare

certe condizioni di regolarità, ma non deve essere necessariamente un processo

di Ito bensì può essere ad esempio un processo di salto o una catena di Markov.

Un'importante condizione, dalla quale non si può prescindere, anché vt rappre-

senti un processo stocastico per la volatilità è che esso si mantenga positivo. Nei

modelli a volatilità stocastica il processo vt non è perfettamente correlato al moto

(S)
Browniano Bt , quindi esiste nella volatilità un elemento di casualità indipen-

dente dall'andamento del sottostante. Una conseguenza di questa caratteristica è

che l'ipotesi di completezza del mercato, su cui si basa la teoria di Black e Scholes,

non è più vericata.

Citiamo alcuni dei principali modelli a volatilità stocastica presenti in lette-

ratura che si dierenziano tra loro per la diversa caratterizzazione del processo

per la volatilità vt . Deniamo in generale

vt = f (Yt ), (1.8)

dove f (y) ≥ 0 per ogni y ∈ R. Il processo Yt seguirà l'equazione dierenziale

stocastica del tipo

(v)
dYt = (...)Yt dt + (...)dBt , (1.9)

(v) (S)
dove Bt è un secondo moto Browniano correlato con Bt mediante il termine

ρ ∈ [−1, 1] (coeciente di correlazione istantanea):

(S) (v)
dBt dBt = ρdt. (1.10)
CAPITOLO 1. SINTESI 5

Abbiamo i seguenti modelli a volatilità stocastica:

• Il modello di Hull e White [12], proposto nel 1987, è caratterizzato dal seguente

processo per Yt :
(v)
dYt = κYt dt + σYt dBt , (1.11)

√
con f (y) = y e ρ = 0.

• I modelli di Scott (1988, [15]) e di Stein-Stein (1991, [16]) propongono il

processo di Ornstein-Uhlenbeck con mean-reversion per Yt :

(v)
dYt = κ(θ − Yt )dt + σdBt . (1.12)

Entrambi prevedono ρ=0 e rispettivamente f (y) = ey ed f (y) = |y|.

• Il modello di Ball-Roma [2], introdotto nel 1994, considera il processo di Cox-

Ingersoll-Ross [6] per Yt :

(v)
p
dYt = κ(θ − Yt )dt + σ Yt dBt , (1.13)

√
con f (y) = y e ρ = 0.
CAPITOLO 1. SINTESI 6

1.3 Il modello di Heston

Nel 1993 Heston propose per la prima volta un modello a volatilità stocastica

in cui i moti Browniani potessero essere correlati con coeciente di correlazio-

ne istantanea non nullo [11]. L'idea, suggerita principalmente da osservazioni del

mercato, è che l'andamento della volatilità del prezzo di un titolo non sia indipen-

dente dall'andamento del prezzo stesso. Ad esempio per i titoli azionari è facile

pensare che la volatilità aumenti quando il titolo si deprezza, spesso infatti in un

momento di svalutazione del titolo si riscontra una situazione di incertezza del

mercato rispetto al futuro della società quotata. Al contrario, per le commodities

si può pensare che il mercato consideri incerta la situazione quando il prezzo si

alza (un chiaro esempio è quello del petrolio).

Un'altra motivazione che ha portato all'introduzione del modello riguarda gli

studi che hanno dimostrato che la distribuzione di probabilità associata ai rendi-

menti logaritmici di un attività non è gaussiana, come il modello di Black-Scholes

ipotizza, ma è invece caratterizzata da code spesse e punte alte (leptocurtosi).

Nel modello di Heston il comportamento del prezzo e della volatilità di un

titolo è caratterizzato dal seguente processo stocastico 2-dimensionale:

√ (S)
dSt = µSt dt + vt St dBt , (1.14)

√ (v)
dvt = κ(θ − vt )dt + σ vt dBt , (1.15)

(S) (v)
dove Bt e Bt sono due moti Browniani standard aventi correlazione istantanea

ρ. I parametri µ ∈ R , κ > 0 , θ > 0 , σ > 0 e ρ ∈ (−1, 1) sono costanti ed omoge-

nei rispetto al tempo. Vi sono, inoltre, le condizioni iniziali del processo in t = 0:
il prezzo del titolo sottostante S0 > 0, che può essere osservato direttamente dal

mercato e la volatilità iniziale v0 > 0, non osservabile. In questa tesi escludiamo

i casi ρ = ±1. Questa scelta è motivata da ipotesi tecniche utili nei risultati che

presenteremo e dal fatto che una perfetta correlazione negativa o positiva è un

ipotesi non vericabile nel mercato reale.

CAPITOLO 1. SINTESI 7

Deniamo un'ulteriore fondamentale vincolo per i parametri κ > 0, θ > 0 e

σ > 0 del processo per la volatilità anché quest'ultimo si mantenga strettamente

positivo: la condizione di Feller [9]

2κθ
> 1. (1.16)
σ2

Nel processo stocastico che caratterizza il prezzo (1.14), il termine determini-

sticoµSt dt rappresenta la direzione di crescita del prezzo del titolo. L'elemento

√ (S)
stocastico Vt St dBt è simmetrico con media 0; quindi si ha

E[dSt ] = µSt dt. (1.17)

Il drift µ è il parametro del processo che rappresenta il rendimento medio istan-

taneo per il titolo sottostante.

Il processo stocastico che descrive la volatilità (1.15) discende dal processo

square-root che Cox, Ingersoll e Ross hanno introdotto nel 1985 per descrivere

l'evoluzione del tasso di interesse [6]. Anch'esso è composto da un termine deter-

√ (v)
ministico κ(θ−vt )dt a cui si somma un termine stocastico σ vt dBt . Analizzando

il primo addendo si può osservare come esso porti la volatilità ad oscillare intor-

no al valore medio θ (processo mean-reveting ); il parametro θ viene, per questo

motivo, chiamato long-term volatility. Il valore di κ indica la velocità di questa

oscillazione e ne determina la frequenza (in letteratura viene per questo denito

come reversion speed ). Nel termine stocastico il parametro di riferimento è σ (la

cosiddetta volatility of volatility ) che indica l'intensità del disturbo generato dal
(v)
moto Browniano Bt .
CAPITOLO 1. SINTESI 8

In analogia con il modello di Black-Scholes, anche il modello di Heston fornisce

una formula di valutazione in forma chiusa per un opzione call di tipo Europeo:

C(τ, x, v) = ex P1 (τ, x, v) − e−rτ KP2 (τ, x, v)

1 1 ∞
Z  −iφ log(K) 
e fj (φ; x, v)
Pj (τ, x, v) = + < dφ
2 π 0 iφ
fj (φ; x, v) = eCj (τ,φ)+Dj (τ,φ)v+iφx
bj − ρσiφ + dj 1 − edj τ
 
Dj (τ, φ) = (1.18)
σ2 1 − gj edj τ
1 − gj edj τ
  
a
Cj (τ, φ) = riφτ + 2 (bj − ρσiφ + dj )τ − 2 log
σ 1 − gj
q
dj = (ρσiφ − bj )2 − σ 2 (2uj iφ − φ2 )
bj − ρσiφ + dj
gj =
bj − ρσiφ − dj
dove
1 1
u1 = u2 = − a = κθ b1 = κ − ρσ b2 = κ,
2 2
in cui abbiamo posto x = ln(S) e τ = (T − t).
Nella tesi trattiamo approfonditamente alcuni aspetti della (1.18) che merita-

no una particolare attenzione, tra cui:

• il logaritmo in Cj (τ, φ) ha un argomento complesso; qui si pone un problema

di scelta: ogni numero complesso w = |w|(cos Arg(w) + i sin Arg(w)) 6= 0

fornisce innite determinazioni del logaritmo, della forma log(w) = log |w|+
i(Arg(w) + 2kπ), k ∈ Z;

• il termine dj è la radice quadrata di un numero complesso ed ha quindi due

determinazioni di segno opposto. La scelta di quale determinazione consi-

derare deve essere fatta in modo da rispettare la continuità della funzione

fj ;

• la convergenza dell'integrale in Pj (τ, x, v) deve essere eettivamente vericata

per ogni set di parametri (µ, κ, θ, σ, ρ).

CAPITOLO 1. SINTESI 9

1.4 La calibrazione del modello di Heston basata

sulle serie storiche

In questo capitolo presentiamo un metodo per la calibrazione del modello di

Heston introdotto da A. Dragulescu e V. Yakovenko [7].

Partiamo dal modello di Heston già denito in (1.14)-(1.15). E' conveniente

applicare un cambio di variabile in (1.14) passando dai prezzi St ai log-rendimenti

St


(relativi al drift) xt = log S0
− µt. Utilizzando la formula di Ito otteniamo

l'equazione soddisfatta da xt :

vt √ (S)
dxt = − dt + vt dBt (1.19)
2

Le equazioni (1.19)-(1.15) deniscono un processo stocastico 2-dimensionale per

le variabili xt e vt . Questo processo è caratterizzato dalla densità di transizione

Pt (x, v|v0 ) avente log-rendimento x e varianza v al tempo t date le condizioni

iniziali x=0 e v = v0 . L'evoluzione nel tempo di Pt (x, v|v0 ) è governata dalla

seguente equazione di Fokker-Planck:

∂ ∂ 1 ∂ ∂2 1 ∂2 σ2 ∂ 2
P = [κ(v − θ)P ] + (vP ) + ρσ (vP ) + (vP ) + (vP ).
∂t ∂v 2 ∂x ∂x∂v 2 ∂x2 2 ∂v 2
(1.20)

La risoluzione in forma chiusa della (1.20) ci permette di trovare la densità con-

giunta dei log-rendimenti e della volatilità condizionata al valore iniziale della

volatilità.

Mentre i log-rendimenti di un titolo possono essere ricavati dalle serie stori-

che, la volatilità non è direttamente osservabile dal mercato e quindi assume un

ruolo di variabile stocastica nascosta. Per questo motivo, il passo successivo

è quello di integrare la densità congiunta rispetto alla volatilità per ottenere la

densità marginale dei log-rendimenti condizionata al valore iniziale della volatilità

Pt (x|v0 ). Quest'ultima non può essere messa a confronto con i dati del mercato

nanziario perché dipende dalla volatilità iniziale v0 che non è nota.

CAPITOLO 1. SINTESI 10

Per risolvere questo problema assumiamo che v0 sia una variabile aleatoria

con densità  α
v (α−1) α −αv
Π∗ (v0 ) = e θ . (1.21)
Γ(α) θ
La scelta di (1.21) è motivata dall'equazione di Fokker-Planck del processo per la

volatilità. Introduciamo la funzione di densità di probabilità Pt (x):

Z +∞
1
Pt (x) = EΠ∗ [Pt (x|v0 )] = dv0 Π∗ (v0 )Pt (x|v0 ). (1.22)
2π 0

Nella tesi dimostriamo il seguente risultato al ne di permettere un'implemen-

tazione agevole dal punto di vista numerico per la (1.22).

Proposizione 1.1. La (1.22) assume la forma del seguente integrale di Fourier:

Z +∞
1
Pt (x) = dpx eipx x+Ft (px ) , (1.23)
2π −∞
dove
M 2 − L2 + 2κL
    
κθLt 2κθ Mt Mt
Ft (px ) = − 2 log cosh + sinh , (1.24)
σ2 σ 2 2κM 2

con
p
M= L2 + σ 2 (p2x − ipx ), L = κ + iρσpx . (1.25)

Utilizziamo quanto visto no ad ora per ottenere una calibrazione del modello

di Heston. Prendiamo in considerazione la serie storica dei prezzi di chiusura

giornalieri del FTSE MIB, indice di riferimento della Borsa Italiana [5]. I dati si

riferiscono al periodo che va dal 06/09/2008 al 06/09/2012. Indichiamo con ∆

la frequenza temporale dei dati utilizzati (nel nostro caso ∆=1 dal momento

che le rilevazioni sono giornaliere). Data la serie storica dei prezzi, identichiamo

con Emp∆ (x) la densità empirica dei log-rendimenti relativi al drift ottenuta per

interpolazione del relativo istogramma.

L'obiettivo è quello di stimare i parametri Ω = (µ, κ, θ, σ, ρ) del modello

confrontando la densità empirica Emp∆ (x) con la densità P∆ (x) ottenuta in

CAPITOLO 1. SINTESI 11

(1.23)-(1.24). A tale scopo risolviamo per via numerica il seguente problema

di ottimizzazione:

X
min S1 (Ω) = min | log(Emp∆ (x)) − log(P∆ (x))|2 (1.26)
Ω Ω
x

Nel Graco 1.1 riportiamo il confronto tra la densità P∆ (x) in cui sono stati

utilizzati i parametri ottenuti mediante la minimizzazione (1.26) e la densità

empirica Emp∆ (x).

L'accuratezza dell'approssimazione risulta diminuire quando ci si allontana

dalla media. In accordo con il lavoro di A.Dragulescu e V.Yakovenko [7], questo

fenomeno è dovuto al comportamento irregolare della funzione Ft (px ) (1.24) nel

piano complesso di px : la funzione Ft (px ) ha, infatti, delle singolarità nei punti

in cui l'argomento del logaritmo si annulla.

Figura 1.1: Graco della densità empirica (in rosso) e della densità P∆ (x) (in
blu).
CAPITOLO 1. SINTESI 12

Introduciamo, sempre seguendo [7], un approccio che prevede un'approssima-

zione delle code della densità mediante opportune funzioni esponenziali.

Deniamo:

+



 P∆ (x)e((x−a)q ) se x < a

G∆ (x) = P∆ (x) se a ≤ x ≤ b (1.27)



P∆ (x)e((−x+b)q− )

se x > b,

dove q+ e q− sono due ulteriori parametri che si aggiungono al set che quindi

diventa Ω = (µ, κ, θ, σ, ρ, q + , q − ). I valori di a e b sono calcolati in modo da far

cadere nell'intervallo [a, b] una percentuale di dati desiderata (ad es. il 98%).
Impostiamo un nuovo problema di minimo utilizzando G∆ (x):
X
min S2 (Ω) = min | log(Emp∆ (x)) − log(G∆ (x))|2 . (1.28)
Ω Ω
x

Nella Tabella riassuntiva 1.1 possiamo osservare come l'approccio con code

esponenziali migliori sotto tutti gli aspetti il metodo precedente.

Risultati per P∆ (x) Risultati per G∆ (x)

S1 (Ω)/S2 (Ω) 29.06 18.61

tempo impiegato 242.8 secondi 187.7 secondi

nr. di iterazioni 1631 1401

Tabella 1.1: Confronto.

CAPITOLO 1. SINTESI 13

Nel Graco 1.2 si possono osservare i miglioramenti dell'approssimazione sulle

code.

Figura 1.2: Confronto tra le approssimazioni ottenute utilizzando rispettivamente

le densità P∆ (x) e G∆ (x) (zoom sulla coda destra delle densità).

1.5 La calibrazione del modello di Heston sui

dati delle opzioni

La metodologia maggiormente discussa in letteratura per la minimizzazione del-

l'errore tra i prezzi delle opzioni dedotti dai mercati nanziari e quelli prodotti

dal modello di Heston è rappresentato dalla risoluzione del seguente problema di

ottimizzazione non lineare ai minimi quadrati:

N
X
min C1 (Ω) = min (CiM arket − CiHeston )2 , (1.29)
Ω Ω
i=1

dove:
CAPITOLO 1. SINTESI 14

• Ω = (κ, θ, σ, ρ, v0 ) è il set di parametri su cui si eettua la minimizzazione.

Osserviamo che non vi è il parametro µ dato che non rientra in alcun modo
nella formula di valutazione (1.18);

• N rappresenta il numero di opzioni prese in considerazione;

1
• wi = |bidi −aski |
sono dei pesi , in cui bidi e aski indicano rispettivamente

i prezzi di oerta e di richiesta dell'opzione i-esima e sono quantità che

possono essere ricavate dal mercato;

• CiM arket è il prezzo dell'opzione i-esima dedotto dal mercato nanziario [5];

• CiHeston = CiHeston (Ω, S0 , Ki , Ti , ri ) è il prezzo dell'opzione i-esima ricavato dal

modello di Heston (1.18).

Ricordiamo che κ > 0, θ > 0, σ > 0, ρ ∈ (−1, 1), S0 > 0, v0 > 0 e supponiamo

soddisfatta la condizione di Feller (1.16).

1
I pesi wi = |bidi −aski |
sono stati scelti in questo modo poiché se la dierenza

tra bidi e aski per l'i-esima opzione è abbondante abbiamo un ampio intervallo di

prezzi che il modello può implicare. Questo chiaramente aumenta la probabilità

di ottenere errori nell'approssimazione, così, per far fronte a questo problema

attribuiamo meno peso all'opzione i-esima.

La minimizzazione in (1.29) non è aatto banale, infatti in generale, C1 (Ω)
non è convessa né ha una struttura esplicita (Fig.1.3).

Il tipico problema della non osservabilità della volatilità nel modello di He-

ston è risolto dall'intuizione che vede la volatilità iniziale v0 rappresentata da

una variabile casuale distribuita secondo la densità Π∗ (1.21). I buoni risultati,

già evidenziati nella stima della densità di probabilità, suggeriscono che questa

tecnica può anche essere impiegata nella calibrazione sui prezzi delle opzioni.

Deduciamo quindi che il prezzo, al tempo t = 0 (τ = (T )), di un'opzione è

espresso da
Z ∞
Heston
V (Ω, S0 , K, T, r) = C Heston (Ω, S0 , K, T, r)Π∗ (v0 )dv0 , (1.30)
0
CAPITOLO 1. SINTESI 15

Figura 1.3: Una generica rappresentazione di C1 (Ω) in funzione dei soli valori di
κ e θ [14].

dove Ω = (κ, θ, σ, ρ). Osserviamo che la (1.30) pone, in generale, un problema

di valutazione dal punto di vista numerico in quanto richiede una doppia inte-

grazione. Nel seguente risultato dimostriamo che almeno nel caso di un'opzione

di tipo call, in virtù della formula di Heston (1.18), è possibile ottenere una

semplicazione della (1.30).

Teorema 1.2. Nel caso di un opzione call, si ha:

V Heston (Ω, S0 , K, T, r) = S0 Q1 (τ, S0 ) − e−rτ KQ2 (τ, S0 ), (1.31)

dove
S0
∞
eCj (τ,φ)+iφ log( K )
Z  
1 1
Qj (τ, S0 ) = + < dφ per j = 1, 2. (1.32)
2 π 0 iφ(1 − Dj (τ, φ) αθ )α
Dal Teorema 1.2 deduciamo che è possibile eettuare la calibrazione del mo-

dello di Heston impostando un problema di ottimizzazione non lineare simile

CAPITOLO 1. SINTESI 16

a quello presentato in (1.29) nel quale il prezzo teorico dell'opzione è ottenuto

mediante la nuova formulazione indipendente dalla volatilità iniziale:

N
X
min C2 (Ω) = min (CiM arket − ViHeston )2 . (1.33)
Ω Ω
i=1

dove Ω = (κ, θ, σ, ρ).

Nella Tabella 1.2 riportiamo i risultati delle calibrazioni (1.29) e (1.33). Sono

stati utilizzati dati relativi ad opzioni call sull'indice FTSE MIB con diversi

strike-price e scadenze comprese tra il 17/08/2012 ed il 19/10/2012 [5].

Risultati C Heston Risultati V Heston

κ 1.4877 5.2423

θ 0.1050 0.1525

σ 0.559 0.9480

ρ -0.7470 -0.9834

v0 0.1337

C1 (Ω)/C2 (Ω) 50.33 30.52

tempo impiegato 13.95 secondi 8.33 secondi

nr. di iterazioni 114 75

Tabella 1.2: Confronto.

Possiamo osservare come il nuovo approccio, eliminando la dipendenza dal-

la volatilità iniziale v0 , migliori l'ecienza della calibrazione sia sotto l'aspetto

dell'accuratezza sia sotto quello del tempo impiegato e del numero di iterazioni

necessarie.
CAPITOLO 1. SINTESI 17

1.6 Conclusioni e sviluppi futuri

Il modello di Heston (1993, [11]) rappresenta uno strumento matematico ancora

oggi ampiamente utilizzato come base per l'attività di valutazione dei derivati

nanziari. In questa tesi abbiamo descritto due metodi per la calibrazione del

modello proponendo per entrambi miglioramenti ed estensioni. Nei metodi propo-

sti per la calibrazione si supera il problema della non osservabilità della volatilità

iniziale assumendo che essa segua la densità di probabilità stazionaria ricavabile

dal processo della volatilità. Questa intuizione consente di ridurre l'errore com-

messo nella stima dei parametri sia sulla stima storica (primo metodo), sia sulla

calibrazione sui dati di opzioni nanziarie (secondo metodo), migliorando così la

capacità descrittiva del modello di Heston.

Tra le possibili direzioni di ricerca, ci proponiamo di investigare in particolare

due aspetti connessi al modello di Heston. Il primo riguarda la costruzione di un

ltro ottimo per il parametro di volatilità. Questa tematica è stata ampiamen-

te discussa in letteratura ma non ha ancora fornito delle risposte esaustive [1].

Per arontare questo problema, intendiamo proporre una tecnica basata sull'in-

tegrazione tra un ltro di tipo polinomiale e la metodologia trattata in questo

elaborato. Il secondo problema riguarda l'applicazione del metodo illustrato al-

le estensioni del modello di Heston basate sull'uso di processi stocastici di tipo

diusione-salto come, ad esempio, il modello di Bates [3].

Bibliograa

[1] Aihara S. and Bagchi A. , Filtering and identication of Heston's stochastic

volatility and its market risk. J. Economical Dynamics and Control, 30(12),
(2006).

[2] Ball C.A. and Roma A. , Stochastic Volatility Option Pricing. Journal of

Financial and Quantitative analysis, vol. 29(4), 589607, (1994).

[3] Bates D.S. , Jumps and Stochastic Volatility: Exchange Rate Processes Im-
plicit in Thephlx Deutschemark Options. The Review of Financial Studies 9,
69-107, (1996).

[4] Black, F. and Scholes M. , The Pricing of Options and Corporate Liabilities.
Journal of Political Economy, Vol 81, 637-659, (1973).

[5] Borsa Italiana. Dati di mercato ricavati da http://www.borsaitaliana.it

[6] Cox J.C., Ingersoll J.E. and Ross S.A. , A Theory of the Term Structure of
Interest Rates. Econometrica, vol. 53(2), 385408, (1985).

[7] Dragulescu A.A. and Yakovenko V.M. , Probability distribution of returns in

the Heston model with stochastic volatility. Quantitative Finance 2, 443-453,
(2002).

[8] Dupire B. , Pricing and Hedging with Smile. vol.15 of Publ. Newton Inst.,

103-111, (1993).

18
CAPITOLO 1. SINTESI 19

[9] Feller W. , Two Singular Diusion Problems. Ann. Math., vol. 54, 173182,
(1951).

[10] Harrison J.M. and Kreps D. , Martingales and Arbitrage in Multiperiod

Securities Markets., Journal of Economic Theory (1979).

[11] Heston S.L. , A closed form solution for options with stochastic volatility with
applications to bond and currency options. The Review of Financial Studies
6, 327343, (1993).

[12] Hull J. and White A. , Pricing Interest-Rate Derivative Securities. The

Review of Financial Studies 3, 573592, (1990).

[13] Ito K. , On stochastic dierential equations. American Mathematical Soc.,

(1956).

[14] Moodley N. , The Heston Model: A Practical Approach. Bachelor of Science

Honours, Programme in Advanced Mathematics of Finance, University of

Witwatersrand (2005).

[15] Scott L.O. , Option pricing when the variance changes randomly: theory,
estimation and an application. Journal of Financial and Quantitative analysis
22, 419-430, (1987).

[16] Stein E.M. and Stein J.C. , Stock price distribution with stochastic volatility:
an analytic approach. Review of Financial Studies 4, 727-752, (1991).