Laurea magistrale in Ingegneria gestionale e dell’automazione

Corso di identificazione e fusione sensoriale

Analisi dei prezzi delle materie

prime attraverso il particle filter

Capotorto, Caviglia, Cecchetti, Grimani, Marra

 Introduzione al
problema
Il filtro a particelle viene utilizzato in molte aree della scienza e costituisce una grande
promessa per l’uso nel campo della finanza, in quanto tratta modelli complessi che
riescono a spiegare, meglio di quanto si riesca con altri filtri, fenomeni correlati alle
dinamiche dei prezzi di mercato.

Nell’articolo viene affrontato il problema dell’analisi dei prezzi delle materie prime, il
cui comportamento è fondamentale per le decisioni di attività di investimento, hedging
e pricing.
 Modello a due fattori che descrive i processi
stocastici dei prezzi delle materie prime,
Modello di Schwartz considerando i prezzi di breve termine e i prezzi di
e Smith (2000) equilibrio.
La stima è ottenuta con il filtro di Kalman e si basa
sull’osservazione dei prezzi dei futures contracts.

OBIETTIVO: dimostrare che l’inclusione di un processo di salto di Poisson nelle variazioni di

breve termine spiega meglio il comportamento dei prezzi del petrolio, ma crea delle difficoltà nella
stima delle variabili di stato. Essendo ora il modello non gaussiano, non è più possibile utilizzare il
filtro di Kalman, quindi si utilizza il filtro a particelle.

A partire dal precedente modello, hanno introdotto

Modello di Aiube, un processo di salto di Poisson, che lo rende non
gaussiano, ma capace di catturare meglio l’impatto
Baidya e Tito (2006)
degli shock nelle serie dei prezzi.
SPOT PRICE: Prezzo corrente a cui può essere venduto o comprato un bene. Il
pagamento e la consegna sono contestuali al momento della stipula del contratto.

Modello di Schwartz e Smith: Modello a due fattori che esprime il

logaritmo dei prezzi spot come la somma di due variabili: ξ e χ

Prezzi di equilibrio
Prezzi di breve termine
Processo di Ornstein - Uhlenbeck

Moto Browniano geometrico

Correlazione tra le variabili di stato

 Processo di Ornstein - Uhlenbeck
Processo gaussiano, Markoviano, con ritorno verso la media: le variabili aleatorie tendono
a tornare verso un livello di equilibrio.

Tramite l’utilizzo di questo processo, il modello di Schwartz e Smith consente di

modellizzare il “ritorno alla media” (Mean reversion) dei prezzi di breve termine.

Coefficiente di Volatilità
reversione
 Moto Browniano Geometrico
L’incertezza dei prezzi di equilibrio viene modellata tramite il moto Browniano geometrico,
appartenente alla famiglia dei processi di Wiener ( processi stocastici gaussiani in tempo
continuo con incrementi indipendenti).

Deriva (Drift) Volatilità

Università Roma Tre – Laurea Magistrale in Ingegneria Gestionale e dell’Automazione
Sia F,t il prezzo del contratto al tempo t con scadenza .

Il modello scritto come il logaritmo dei prezzi futuri diviene:

 k  ( t )
ln(F ,t )  f ( )  e  t   t  A(  t )  B(  t )
Rischio di 
dove
   Rischio di 
||
  k  (  t )  2  2 k (  t )     k ( t ) 1
A(  t )  (  (  t )  (1  e
*
) (1  e  ) (1  e  )   2 (  t ))
k 4k  k 2
Prezzo di mercato

 

 k  (  z )
B(  t )    exp(*e
2 k (t  z )
 1 / 2 2 e )  1 dz Processo di salto
t Dimensione salto
 Modello diffusivo a salti

Si suppone che il prezzo del petrolio sia un processo geometrico mean reverting con
salti in cui il termine di Poisson vale 0 fin quando fa spiccare un salto alla variabile
sottostante. Tale modello riproduce l’andamento continuo dei prezzi intervallato da
ampi salti discontinui rappresentanti ad esempio shock derivanti da disordini politici,
situazioni climatiche avverse, ecc..
 Modello neutrale al rischio

Il modello è stato sviluppato secondo la misura martingale, i.e. neutrale al rischio.

Quando due controparti stipulano un contratto future non si verifica scambio di denaro

ma il prezzo della merce o del servizio oggetto di contrattazione che verrà consegnato o

erogato alla data della scadenza viene stabilito al momento della stipula. Gli investitori

sono soggetti dunque al rischio derivante dalla possibilità che da quel momento in poi le

aspettative sul prezzo ormai fissato possano variare. Nell’ipotesi di misura martingale

gli investitori non richiedono alcun premio per il rischio che accettano di correre.
 Considerare un processo di salto comporta delle difficoltà in termini di stima.

Il filtro di kalman non è raccomandato in questo caso poiché

il modello non è più gaussiano.

Si ricorre a: Per stimare

particle filter
variabili di stato  e 

massimizzazione della funzione di verosimiglianza parametri del modello

e algoritmo BHHH
  k  (  t )
y ,t  f ( )  e  t   t  A(  t )  B (  t )   t

ln( F ,t ) N (0, s )
La variabile di osservazione è il prezzo futuro di un contratto, studiato per diverse
scadenze τ. A questo punto, per stimare le variabili di stato ξ e χ, si ricorre all’algoritmo
del particle filter che inizia il processo di filtraggio a partire dal vettore iniziale dei
parametri 0, stimato attraverso la massimizzazione della funzione di verosimiglianza.


   , k  ,   ,   ,   ,  , ,  ,  
*

*
 
Nelle osservazioni successive alla prima, la stima dei parametri verrà effettuata tramite
l’algoritmo BHHH, un metodo convenzionale di ottimizzazione numerica.

 ln L()
 k 1   k  k Ak  k 

Particle filter algorithm: SIR

Funzione di importanza

Metodo di ricampionamento
Attraverso la decomposizione dell’errore di predizione si stima la bontà del
modello a fine filtraggio in accordo con l’equazione seguente:

NT 1 T 1 T T 1
ln L()   ln(2 )   ln Gt   t Gt t
2 2 t 1 2 t 1
dove:

Gt è la matrice di covarianza degli errori di osservazione in t;

φt=yt-yt|t-1 è l’errore di predizione in t, con t=1,2,…,T;

N è il numero di contratti osservati.

 Ricapitolando: i passi della
stima
y ,t

Valutazione bontà parametri Massimizzazione funzione

Algoritmo BHHH
lnL() di verosimiglianza

 , Particle Filter SIR  0k

Kurtosi
Deviazione Standard ($/bbl)
Parametri a confronto

CON SALTI
ln L(Θ)=11859
SENZA
ln SALTI
L(Θ)=8152
Errore Standard

CON SALTI
SENZA SALTI
Indici di Performance

CON SALTI
SENZA SALTI