多層次蒙特卡洛(multilevel monte carlo) · 自適應多層次蒙特卡洛(adaptive MLMC) · 障礙期權
以賭場著名的摩納哥的一個城區,蒙特卡洛,連接了數學裡互相瞧不起的numeric和 stochastic方向。
蒙特卡洛方法在金融衍生品定價的應用,不言而喻,以致人們淡化了數學裡追求的解析解。
這裡,作為mc的愛好者,苟膽也說說蒙特卡洛的一種優化,複習下多層次蒙特卡洛(multilevel monte carlo),以及其中的一個擴展adaptive的mlmc。前者,由牛津大牛 giles得以發展弘揚,後者發表於之前斯德哥爾摩大學的一個小組(H?kon Hoel, Erik von Schwerin, Anders Szepessy, Raúl Tempone)。自適應多層次可以把歐式障礙期權的計算成本從普通的
且不受多障礙、多維度的影響。
在金融裡面,會對標的價格(比如股票價格,spot rate)假設到某些stochastic process,所以有很多模型的名字,經典的black scholes, heston, HJM, Vasicek, Hull-white模型,而蒙特卡洛方法,就是模擬這些標的物(路徑path)價格的,目的是求期末payoff的期望值
,
其中g是payoff的functional函數, 是標的物在期末T的價格。
比如,假設股票價格服從 維幾何布朗運動 。我們看到,要模擬一條path,自然就必須考慮到其時間的離散化問題。在小區間里 里,我們有 ,於是我們有最簡單的Euler-Maruyama離散方法,因為
Euler-Maruyama離散方法對上面的SDE有弱收斂性convergence order 1。
假如我們利用ito公式繼續對上面展開,會有milstein schema,以及general的taylor展開式離散方式,感興趣的同學可以看看大牛P. Kloeden, E. Platen的Numerical Solution of Stochastic Differential Equations。(上過Kloeden的2門課,目前他退休後在華中科大撈錢)。
用Euler-Maruyama離散方式的蒙特卡洛方法稱之為euler monte carlo。我們現在要用euler mc模擬期末的payoff,其實就是模擬N條path,對每個path的期末的payoff值求均值:
對任何的數值分析,判斷好壞的標準當然是誤差與收斂級數。這裡,誤差有
他可以拆為因為離散而造成的離散誤差 ,以及N個sample求均值的統計誤差 。這樣人們就可以通過各自的tolerance 和 來控制它。其中
和由於中心極限定理得到的
所以
,所以
,所以
統計誤差的收斂order只有0.5。因為我們定義蒙特卡洛的成本(complexity)是每個path的離散點M與模擬多少條path N的乘積,所以euler MC 對lipschit 連續的payoff的成本是
多層次蒙特卡洛(multilevel monte carlo)對lipschitz連續的payoff g有complexity order ,相對於普通的mc 。
其構造的核心是構造一個隨層數步數幾何遞增的grid( ),通過拉格朗日方法再優化每層模擬次數 和最高層數L,從而減少模擬的成本,而達到所設定精度TOL。我們對第i個標的物 ,第j層的模擬 通關對 的遞歸iterative:
,
以及對 的遞歸有
因為l-1層的增量有:
其模擬的圖如下
記L為最高層, 為第l層的步數, 為第N層需要模擬的次數。根據上面的grid的構造,有
所以有 因此在最高處L,存在一個常數c,使得
通過拉格朗日求最優解
其中第l層模擬方差
所以所有的MLMC方差是
實際上,給定 , ,各自平攤一半誤差,即
求得當滿足 時,就可以滿足設定的精度。
最後那個拉格朗日有最優解:
實際演算法就是從L=0層開始,模擬10000條path,求得empirically ,假若求得的 大於10000,則在該層繼續模擬 條path,L=L+1,直到滿足
自適應多層次蒙特卡洛
自適應演算法是種後驗式的演算法,最重要的是獲得後驗誤差密度函數 ,一般有如下形式
,其中 是個比較複雜的backwards function。根據後驗誤差判斷是否對步長細分。
其中 小標的表達方式是愛因斯坦格式,意思是下表重複時對其去和,比如
。
密度函數裡面其他的式子就不說明,因為比較長(看文獻1).
對於 服從幾何布朗過程的歐式call option的payoff的話,很簡單:
,以及backward 方程
在對path的步數M運算
其中 是細化了的步長,得到誤差密度與離散誤差的關係
從而就有了刻畫步長誤差的
如果, ,則對該步長細分的,如果所有的每個小區間(步長)的誤差都比平均每個小區間應有的誤差小
就可以保證整個的離散誤差在 內。其中 兩個控制細分速度的參數(不是2跟3也行)。
用 控制步長,接下來就用 控制要模擬多少條path,一致達到所要的精度,通過方差最小化,有
其中 可以是95%的分位數。
接下來就要把這adaptive演算法打包到多層次蒙特卡洛上去。
(演算法此處省略,如果感興趣可以看文獻1,如果對文獻1的演算法還是不滿意,私信阿廣,呵呵)
障礙期權定價
假設是在black scholes假設下,標的物價格服從幾何布朗過程 ,單一敲出Call障礙期權的payoff是
在風險中性測度的話,有 ,其中 是首次突破障礙的時間
在障礙期權里,標準euler mc的弱收斂性order只有0.5,(正常option的為1) ,所以標準Euler mc的complexity在這裡是 但是有一個藉助已知兩點,在這兩點的布朗橋突破已知障礙的解析概率
優化收斂速度。
通過自適應多層次蒙特卡洛方法,我們可以得到顯著的收斂效果。
自適應多層次蒙特卡洛可以把演算法的komplexity降低到
對於雙障礙的的效果
蒙特卡洛應用的最大優點是解決高維度(multi-asset),對於高維的成本,並不會在級數上變化。
參考文獻:
1. H. Hoel, E. Schwerin, A. Szepessy, R. Tempone: Implementation and Analysis of an
Adaptive Multi Level Monte Carlo Algorithm, Monte Carlo Methods Appl. 2014; 20
(1):1–41
https://people.maths.ox.ac.uk/gilesm/files/Adaptive_Multi_Level_SDE.pdf2. M. Giles: Multilevel Monte Carlo Path Simulation, Operations Research, Vol. 56, No.
3, May-June 2008, pp. 607-617, 2008.
http://statweb.stanford.edu/~owen/courses/362/readings/GilesMultilevel.pdf轉載引用請私信。
關於作者阿廣,佛系九〇青年,法蘭克福大學數學系專業,日常打理Q-Quant內容,FRM小白。
微信公眾號 cadlag
推薦閱讀:
※山田的金融日記(3)-Quadratic Variation
※結構化產品概述 Structured Products(一)
※Libor Market Model 簡介2 ——分離波動率函數和校準(一部分)
※山田的金融日記(4)-CVA(1)