1. Giovanni Della Lunga
Università degli Studi di Bologna
Alberi Binomiali, Trinomiali e
Differenze Finite
Applicazioni al Pricing di Prodotti Derivati
2. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
3. Perché preoccuparsi dei metodi
numerici?
Esistono soluzioni analitiche al problema del
pricing di derivati?
Il modello di Black & Scholes offre una soluzione
in forma chiusa al problema del pricing di
un’opzione europea?
Cosa significa esattamente soluzione in
forma chiusa o analitica?
4. Perché preoccuparsi dei metodi
numerici?
− rt
C = SN (d1 ) − Ee N (d 2 )
Se per metodo in forma chiusa si intende una formula
risolutiva priva di errore numerico, allora in pratica nel
problema del pricing di prodotti derivati non esistono
soluzioni in forma chiusa!
5. Perché preoccuparsi dei metodi
numerici?
Ogni metodo numerico comporta uno o più tipi di errore!
E’ necessario conoscerne
L’origine
La propagazione
La mancata considerazione di questi aspetti può condurre a risultati
del tutto privi di senso
Questi aspetti sono particolarmente importanti nel settore della
risoluzione numerica delle equazioni differenziali a derivate parziali in
cui, come vedremo, vengono utilizzati metodi iterativi.
6. Analisi degli Errori
Un computer è in grado di rappresentare soltanto un numero finito di cifre
Un numero reale può essere approssimato
Errore di arrotondamento
Il risultato prodotto da un algoritmo differisce, in generale, dal risultato
esatto cioè da quel risultato che si otterrebbe lavorando con un numero
infinito di cifre.
Senza un’idea, più precisamente una maggiorazione, della differenza dei
due risultati, il risultato numerico può essere del tutto illusorio. Infatti esso
può dipendere dal numero di cifre utilizzate e/o dall’ordine in cui vengono
effettuale le operazioni.
7. Analisi degli Errori
Un esempio estremo con Excel:
calcolo del grafico della funzione (x-1)6 in un intorno di zero
6E-14
6E-14
5E-14
5E-14
4E-14
4E-14
3E-14
3E-14
2E-14
2E-14
1E-14
1E-14
0
0
0.992
0.992
-1E-14
-1E-14
0.994
0.994
0.996
0.996
0.998
0.998
1
1
1.002
1.002
1.004
1.004
1.006
1.006
1.008
1.008
8. Analisi degli Errori
Sorgenti di Errore
Semplificazioni introdotte nel modello
Errori nei dati
Errori di arrotondamento
Sistematici
Casuali
Sono gli errori introdotti nella rappresentazione dei numeri sul
calcolatore
Errori di troncamento
Sono gli errori che vengono introdotti quando un procedimento
infinito viene approssimato mediante un procedimento finito
(es. calcolo di una derivata)
9. Analisi degli Errori
Dato un problema matematico possiamo distinguere, per quanto riguarda la
propagazione degli errori,
il comportamento del problema e
il comportamento di un particolare algoritmo utilizzato per risolvere il
problema
Nel primo caso si è interessati a vedere come eventuali perturbazioni sui
dati del problema si trasmettono sui risultati
Per caratterizzare un problema rispetto a questo tipo di comportamento si
usa comunemente il termine condizionamento.
Un problema è ben condizionato (o mal condizionato) a seconda che le
perturbazioni sui dati non influenzino (o influenzino) eccessivamente i
risultati
10. Analisi degli Errori
Nel caso di un algoritmo, per indicare il suo
comportamento rispetto alla propagazione degli
errori è più usuale il termine di stabilità.
Si dirà quindi che un algoritmo è stabile (instabile)
se la successione delle operazioni non amplifica
(amplifica)
eccessivamente
gli
errori
di
arrotondamento.
11. Analisi degli Errori
Tecniche di controllo degli errori
Backward analysis
Aritmetica dell’intervallo
Perturbazioni sperimentali
L’idea è semplice (anche se talvolta può essere
eccessivamente costosa): si esegue il calcolo più volte
a partire da diversi dati perturbati e usando precisioni
diverse.
12. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
13. Il modello Binomiale
In ogni periodo assumiamo che il prezzo del
sottostante possa muoversi in due sole direzioni
(Modello Binomiale);
Backward induction: partendo dalla data di
scadenza del contratto derivato in cui si conosce il
valore dell’opzione si risale verso la radice
dell’albero calcolando ad ogni nodo la probabilità
risk adjusted;
14. Il modello Binomiale
Sd
fd
S
f
Sia S il valore del sottostante e f il valore
dell’opzione scritta su di esso.
Formiamo un portafoglio con una posizione
lunga in ∆ unità del sottostante e una corta in
un’opzione call.
Il valore del portafoglio nei due stati del
mondo sarà pari a
Su
fu
Determiniamo il valore di ∆ che rende uguali
questi due valori
S 0 u∆ − f u
S 0 d∆ − f d
fu − f d
S0 u∆ − f u = S0 d∆ − f d ⇒ ∆ =
S0 u − S0 d
15. Il modello Binomiale
Il portafoglio è quindi privo di rischio per cui, al fine di evitare
possibilità di arbitraggio, il suo rendimento deve eguagliare il tasso
di rendimento risk-free.
Questo implica che il valore scontato del portafoglio in uno dei due
stati del mondo futuri deve eguagliare il valore attuale oggi, ovvero
S0 ∆ − f = ( S0 u∆ − f u ) e − rT ⇒ f = S0 ∆ − ( S0 u∆ − f u ) e − rT
sostituendo ∆...
sostituendo ∆...
f =e
− rT
[ pf u + (1 − p) f d ]
dove
e rT − d
p=
u−d
16. Il modello Binomiale: Un Esempio Numerico
Su = 5.630
Opzione CALL su ENEL
fu = 0.630
Data Valutazione
8/11/2003
Consegna
19/11/2003
S = 5.414
Strike
= 5.00
f = 0.432
S
= 5.414
Var% giornaliera
= 1.18%
tasso risk free
~ 1%
Sd = 5.2
fd = 0.2
Variazione a scadenza stimata al 4%
∆t = 11/365 ~ 0.03
e rT − d e0.01⋅0.03 − 0.96 0.04
p=
=
≈
= 1/ 2
u−d
0.08
0.08
f =e
− rT
0.630 + 0.2
[ pf u + (1 − p) f d ] ≈
= 0.415
2
17. Estensione a più periodi
πH
1-π H
π
Y(HH)
Y(HL)
Y(H)
Y(0)
πL
1-π
Y(LH)
1-π L
Y(LL)
Y(L)
18. Bushy trees/Recombining trees
Dopo n periodi (steps) l’albero presenta 2n nodi (stati). Un albero
solo dopo 100 steps genera
1.267.650.600.228.230.000.000.000.000.000 nodi
Poiché questo tipo di albero pone problemi computazionali
rilevanti, spesso si assume che sentieri con lo stesso numero di
aumenti e diminuzioni del prezzo, sebbene in sequenza diversa,
portino allo stesso nodo (lattice, recombining tree, reticolo,…)
Dopo 100 steps un recombining tree ha 101 nodi
19. Recombining trees
Sostituendo un albero a cespuglio con un albero
“ricombinante” rinunciamo alle informazioni sui singoli sentieri
che portano allo stesso nodo
L’informazione può essere rilevante per
valutare opzioni con pay-off path-dependent
modelli della dinamica del tasso di interesse
Alcuni programmi di ricerca sono dedicati a metodologie per
ridurre la crescita dei bushy-trees
20. Estensione a più periodi
πH
π
Y(HH)
Y(H)
1-π H
Y(0)
Y(HL)≡ Y(LH)
πL
1-π
Y(L)
1-π L
Y(LL)
22. Generalizzazione a più livelli
Riprendiamo la definizione di
probabilità risk-neutral
Poniamo
Inoltre ricordiamo che
Y (t )
− Y ( L)
P (t , T )
π* =
Y ( H ) − Y ( L)
Y (t ) = S
Y ( H ) = Su
Y ( L) = Sd
P (t , T ) = e
− r (T −t )
23. Generalizzazione a più livelli
Possiamo quindi scrivere
r∆t
e −d
π* =
u−d
Come determiniamo i fattori u e d?
In funzione della volatilità del sottostante
u=e
σ ∆t
1
d=
u
La scelta d = 1/u garantisce che l’albero sia ricombinante
(infatti con questa posizione si ha (Su)d = S)
24. Generalizzazione a più Livelli
ST
2
2 ST
r=
− 1 ⇒ σ (r ) = σ
S
S0
0
ST
σ (r ) = Eπ
S
0
2
ST
Eπ
S
0
ST
Eπ
S
0
2
ST
− Eπ
S
0
= πu + (1 − π )d
2
= πu 2 + (1 − π )d 2
2
= σ 2 ∆t
La scelta di u e d si
giustifica ricordando che
la
volatilità
del
rendimento dell’azione,
nel nostro modello deve
essere pari a σ2∆t
25. Generalizzazione a più Livelli
σ 2 (r ) = πu 2 + (1 − π )d 2 − π 2u 2 − (1 − π ) 2 d 2 − 2π (1 − π )ud =
πu 2 (1 − π ) + π (1 − π )d 2 − 2π (1 − π )ud =
π (1 − π )(u 2 + d 2 − 2ud ) = π (1 − π )(u − d ) 2 =
u − e r∆t
(u − d ) 2 = (e r∆t − d )(u − e r∆t ) =
u−d
= e r∆t (u + d ) − ud − e 2 r∆t
e r∆t − d
u−d
Sostituendo ud = 1 e sviluppando al primo ordine otteniamo...
e r∆t (u + d ) − ud − e 2 r∆t ≈ (1 + r∆t )(u + d ) − 1 − 1 − 2r∆t = (1 + r∆t )(u + d − 2)
26. Generazione a più Livelli
Verifichiamo che la posizione
u = eσ
∆t
,
d = e −σ
porta al risultato desiderato.
Sviluppando al primo ordine in ∆t abbiamo infatti
1 2
1 2
u = 1 + σ ∆t + σ ∆t , d = 1 − σ ∆t + σ ∆t
2
2
da cui (trattenendo solo i termini al primo ordine)
(1 + r∆t )(u + d − 2) =
1
1
(1 + r∆t ) 1 + σ ∆t + σ 2 ∆t + 1 − σ ∆t + σ 2 ∆t − 2 = σ 2 ∆t
2
2
∆t
27. Generazione dei valori per il sottostante
125.5
120.8
116.3
112
107.9
103.9
100
112
107.9
103.9
100
96.29
116.3
107.9
103.9
100
96.29
92.72
s(0, 0) = PrezzoSottostante
For n = 1 To NumeroSteps
For j = n To 1 Step -1
s(j, n) = u * s(j - 1, n - 1)
Next j
s(0, n) = d * s(0, n - 1)
Next n
100
96.29
92.72
89.28
92.72
89.28
85.97
85.97
82.78
79.71
Per ogni livello tutti i nodi tranne
l’ultimo derivano dal corrispondente
nodo precedente moltiplicato per il
coefficiente u. L’ultimo nodo deriva
dal precedente moltiplicato per d.
28. Generazione dei valori per l’opzione
For j = 0 To NumeroSteps
V(j, NumeroSteps) = Payoff(s(j, NumeroSteps), Strike, FlagCall)
Next j
For n = NumeroSteps To 1 Step -1
For j = 0 To n - 1
V(j, n - 1) = (p * V(j + 1, n) + (1 - p) * V(j, n)) * FattoreSconto
21.12
Next j
120.8
16.8
Next n
116.3
12.86
112
9.482
107.9
6.766
103.9
4.691
100
5.975
103.9
2.53
96.29
8.013
107.9
5.054
103.9
3.073
100
1.821
96.29
1.058
92.72
16.48
116.3
12.33
112
8.763
107.9
3.941
100
25.62
125.5
1.968
100
1.006
96.29
0.514
92.72
0.263
89.28
0
92.72
0
89.28
0
85.97
0
85.97
0
82.78
0
79.71
29. Opzioni Americane
Fino a questo momento abbiamo considerato solo opzioni di
tipo europeo cioè opzioni esercitabili soltanto alla scadenza;
Le opzioni di tipo americano, cioè quelle esercitabili entro la
scadenza, sono facilmente valutabili nell’approccio binomiale;
Ad ogni step è necessario valutare qual’è il maggior valore fra
il valore dell’opzione calcolato come valore atteso futuro
(continuation value)
il valore che deriva dall’esercizio immediato dell’opzione (payoff)
For n = NumeroSteps To 1 Step -1
For j = 0 To n - 1
V(j, n - 1) = Application.Max((p * V(j + 1, n) + (1 - p) * V(j, n)) _
* FattoreSconto, Payoff(s(j, n - 1), Strike, FlagCall))
Next j
Next n
31. Alberi Binomiali in più dimensioni
E’ relativamente semplice costruire un albero in tre
dimensioni per rappresentare i movimenti di due
variabili non correlate;
Dapprima si costruisce separatamente un albero a
due dimensioni per ciascuna delle due variabili;
quindi si combinano i due alberi in un solo albero a
tre dimensioni.
Le probabilità relative ai rami del nuovo albero sono
pari al prodotto delle probabilità dei corrispondenti
rami degli alberi a due dimensioni.
32. Alberi Binomiali in più dimensioni
Si supponga ad esempio che le variabili siano date dai prezzi
S1 ed S2.
Ciascuna di queste due variabili può essere rappresentata in
due dimensioni da un albero binomiale CCR;
supponiamo che p1 sia la probabilità che S1 aumenti e 1-p1 la
probabilità che diminuisca, analogamente con p2 e S2;
nell’albero a tre dimensioni ci saranno quindi quattro rami che
vengono generati da ciascun nodo con le seguenti probabilità
p1p2
S1 aumenta, S2 aumenta
p1(1-p2)
S1 aumenta, S2 diminuisce
(1-p1)p2
S1 diminuisce, S2 aumenta
(1-p1)(1-p2)
S1 diminuisce, S2 diminuisce
33. Alberi Binomiali in più dimensioni
Il caso più interessante è naturalmente quello in cui le variabili
siano correlate;
Rubinstein ha suggerito un modo di costruire un albero a tre
dimensioni disponendo i nodi secondo un approccio
binomiale;
Dal nodo (S1, S2) si può passare ad uno dei seguenti nodi
con probabilità 0.25 (albero con probabilità uguali lungo i
rami, tipo JR):
( S1u1 ; S 2 A)
( S1u1 ; S 2 B )
( S1 d 1 ; S 2 C )
( S1 d 1 ; S 2 D )
37. Alberi Binomiali e Barriere
Se, per valutare un’opzione con barriera, si usa un albero binomiale
standard la convergenza è lenta;
per ottenere un risultato accurato è necessario usare un numero
elevato di intervalli;
la ragione di questa lenta convergenza è che la barriera ipotizzata
dall’albero è diversa da quella effettiva.
Definiamo barriera interna la barriera formata dai nodi
immediatamente all’interno della barriera effettiva e barriera esterna
la barriera formata dai nodi immediatamente all’esterno della
barriera;
i calcoli standard assumono implicitamente che la barriera esterna
coincida con la barriera effettiva;
Il problema può essere affrontato cercando di posizionare
accuratamente i nodi nulle barriere.
39. Alberi Binomiali e Barriere
Una possibile soluzione è la seguente;
Supponiamo di voler porre esattamente m livelli (per ogni intervallo
n) fra la barriera H e il valore iniziale S del prezzo; avremo
H = Su m , u = eσ
∆t
⇒ H = Se mσ
⇓
H
ln S
2
m 2σ 2T
2 2
= m σ ∆t =
n
⇓
n=
m 2σ 2T
H
ln S
2
∆t
41. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
45. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
46. Informazione implicita
I mercati delle opzioni trasmettono informazioni sulla
distribuzione, aggiustata per il rischio, del sottostante.
Nel modello di Black & Scholes, tutta l’informazione
necessaria è rappresentata dalla volatilità dei
rendimenti σ.
Estrarre il valore di volatilità che nel modello di Black e
Scholes produce il valore del prezzo di un’opzione
osservato sul mercato significa calcolare il valore della
volatilità implicita.
47. La volatilità implicita
Smile
Spesso sulla stessa azione sono quotate più
opzioni con prezzi di esercizio e scadenza diversi;
Se il modello di Black & Scholes fose corretto le opzioni
avrebbero prezzi differenti ma un identico valore per la
volatilità implicita;
σ infatti è funzione dell’attività sottostante e non del prezzo di
esercizio o del tempo;
48. La volatilità implicita
Tuttavia è stato osservato che la volatilità implicita
per contratti con identica vita residua varia in
funzione del prezzo di esercizio!
20.00%
20.00%
19.80%
19.80%
19.60%
19.60%
19.40%
19.40%
19.20%
19.20%
19.00%
19.00%
18.80%
18.80%
18.60%
18.60%
18.40%
18.40%
18.20%
18.20%
18.00%
18.00%
85.000
85.000
90.000
90.000
95.000
95.000
100.000
100.000
105.000
105.000
110.000
110.000
115.000
115.000
49. La volatilità implicita
Smile
Di norma le opzioni “out” e “in” the money hanno un valore di
volatilità implicita maggiore di quelle at-the-money.
L’effetto, noto come volatility smile è accentuto per i contratti con
scadenza breve ed è quasi inesistente per quelli di lunga durata;
l’effetto smile contrasta con la teoria e rivela che il modello non è
corretto;
il fatto che, dopo il crash del 1987, l’effetto sia più evidente ha
indotto alcuni studiosi a formulare l’ipotesi che il vero processo
diffusivo dei prezzi sia a salti e non continuo.
50. Volatilità implicita
Dato il prezzo di mercato di un’opzione, Invertendo l’equazione di
Black & Scholes possiamo ricavare la volatilità implicita nella
quotazione.
La volatilità implicita deve essere calcolata numericamente.
Brenner Subrahmanian (accurata at-the-money)
((
))
call Y , , t ;Y( tt) eeδ( TT−−t) , , T
t;Y ( ) δ ( t ) T
σ T − tt ≅ 2π call Y
σ T − ≅ 2π
Y ( tt) )
Y(
Corrado Miller (accurata at-the-money ± 10%)
−δ ( ( − t )
(
22π
π
YYt( )t )−−ee −δTT −)tK
K+
σ TT−− t ≅≅
t
call −
σ
+
−−δTT −)t ) call −
δ ( ( −t
22
(
YYt( )t )++ee
K
K
2
((
) )
22
−δ ( T − t ) ) 2
−δ ( T − t ) )
(
(
K
K
− YYt( )t )−−ee −δ ( T −tK − YYt( )t )−−ee −δ ( T −tK
call
call −
−
22
ππ
Nell’esempio in VBA utilizzeremo l’algoritmo di Newton-Raphson
51. Volatilità implicita
L’algoritmo di Newton-Raphson
Data una funzione f(x) il problema consiste nel determinare il
valore di x* tale che f(x*) = 0.
L’idea geometrica che sta alla base del metodo è la seguente.
Partendo da una stima iniziale x della soluzione si genera una
0
successione di valori {xk} approssimando, per ogni k, la curva y
= f(x) con la tangente nel punto (xk, f(xk)) e calcolando xk+1 come
l’intersezione della tangente con l’asse delle x.
53. START
START
Input X0,
InputEPS,
X0,
EPS,
MAX_ITER
MAX_ITER
Calcola f(X0)
Calcola f(X0)
Calcola f’(X0)
Calcola f’(X0)
Calcola
Calcola
X = X0 – f(X0)/f’(X0)
X = X0 – f(X0)/f’(X0)
Poni X0 = X
Poni X0 = X
Incrementa di un’unità
Incrementa di un’unità
il Numero Iterazioni
il Numero Iterazioni
Diagrammi di Flusso
L’algoritmo di
Newton-Raphson
E’ vera almeno una delle
E’ vera almeno una delle
seguenti affermazioni:
seguenti affermazioni:
1) |X – X0| < EPS
1) |X – Iterazioni >
2) Numero X0| < EPS
2) MAX_ITER Iterazioni >
Numero
MAX_ITER
?
?
SI
SI
END
END
NO
NO
55. Volatilità Implicita
Il metodo della secante
L’efficienza del metodo di Newton-Raphson dipende dalla
volatilità iniziale scelta;
una procedura meno sensibile al valore iniziale di σ è il metodo
della secante;
il primo passo da compiere è di scegliere due valori per σ, uno
basso e uno alto.
Il valore basso σb stima C(σb) minore di C, il valore alto σa stima
C(σa) maggiore di C.
La volatilità implicita risulta dalla seguente interpolazione lineare:
[ C − C ( σ b ) ]( σ a − σ b )
σ1 = σb +
C (σ a ) − C (σ b )
56. Volatilità Implicita
Il metodo della secante
se il valore di C(σ) ottenuto inserendo nel modello di Black & Scholes è
inferiore al prezzo di mercato C, la nuova stima di σ è ottenuta
sostituendo σb con il valore della volatilità interpolata
[ C − C ( σ 1 ) ]( σ a − σ 1 )
σ2 = σ1 +
C (σ a ) − C (σ 1 )
Se il valore di C(σ) ottenuto inserendo σ1 nel modello è superiore al
prezzo di mercato per la nuova stima di σ si sostituisce a σa il valore della
volatilità interpolata.
Quando C(σ) coincide con C il processo iterativo termina è si è trovata
la volatilità implicita.
Il metodo è in generale preferito a quello di Newton-Raphson perché non
richiede la stima di Vega ad ogni iterazione.
57. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
58. “Butterflay Spread” e prezzi di Arrow-Debreu
E' noto che i mercati dei contratti derivati hanno un forte
contenuto informativo.
Le quotazioni di un future o di un opzione su un titolo
rischioso
riassumono
la
valutazione
del
mercato
sull'evoluzione di quel titolo.
Possiamo quindi utilizzare i prezzi dei contratti derivati per
estrarre uno schema binomiale di evoluzione del prezzo del
titolo rischioso.
Questo tema è al centro dell'attenzione della letteratura
finanziaria sulle opzioni dei nostri giorni, ed ha dato vita ad un
filone di tecniche note come alberi binomiali impliciti, che
generalizzano l'idea di probabilità implicita proposta da
Breeden e Litzenberger alla fine degli anni 70.
59. I titoli di Arrow-Debreu
Supponiamo di disporre di un titolo che garantisce un pay-off unitario se e
solo se si verifica un preciso stato di natura.
Tale prodotto finanziario è noto come titolo di Arrow-Debreu.
Il pay-off dei due titoli di Arrow-Debreu del modello binomiale sono
descritti nella seguente tabella.
Prezzo dello stato H
Prezzo dello stato H
Prezzo dello stato L
Prezzo dello stato L
Titolo risk-free
Titolo risk-free
Portafoglio immunizzato
Portafoglio immunizzato
Titoli di Arrow-Debreu
Titoli di Arrow-Debreu
T
T
Stato H
Stato H
1
ϕH(t)
1
ϕH(t)
0
ϕL(t)
0
ϕL(t)
P(t,T)
1
P(t,T)
1
1
ϕH(t)+ ϕL(t)
1
ϕH(t)+ ϕL(t)
T
T
Stato L
Stato L
0
0
1
1
1
1
1
1
60. I titoli di Arrow-Debreu
Possiamo anche utilizzare i prezzi di Arrow-Debreu per fornire una
definizione alternativa del requisito di esclusione delle possibilità di
arbitraggio.
Nella tabella precedente notiamo infatti che il portafoglio immunizzato può
essere costruito semplicemente acquistando i titoli di Arrow-Debreu
corrispondenti a tutti gli stati di natura.
Il requisito di esclusione delle possibilità di arbitraggio richiede quindi che
φ H + φ L = P( t , T )
61. “Butterflay Spread” e prezzi di Arrow-Debreu
Come Sappiamo, in un modello binomiale il valore al tempo 0
di un generico contratto derivato di tipo europeo, descritto da
una funzione di pay-off con possibilità di esercizio al tempo n
è ottenuto, sulla base del principio di non-arbitraggio,
attraverso la formula
1
prezzo del contratto =
(1 + R f ) n
n
∑ probabilità (nodo j) × payoff (nodo j)
j= 0
Si noti che la probabilità che compare nella formula è la
probabilità che il nodo i-esimo dell’n-esimo livello sia
raggiunto e non la classica probabilità di transizione tra due
nodi dell’albero che compare nelle precedenti formule di
pricing.
62. “Butterflay Spread” e prezzi di Arrow-Debreu
Naturalmente le due probabilità sono
strettamente collegate...
π1
π2
p = π 1 ⋅π 2
63. “Butterflay Spread” e prezzi di Arrow-Debreu
Il prezzo di un titolo di Arrow-Debreu individua il valore
scontato della probabilità associata al nodo nel quale il titolo
paga un'unità.
Infatti ricordando la definizione di titolo di Arrow-Debreu di
scadenza n e nodo i ...
AD
i ,n
P
1 sul nodo i allo step n
=
altrimenti
0
... segue che
AD
i ,n
P
1
=
Prob (nodo i) ⋅ 1
n
(1 + R f )
64. “Butterflay Spread” e prezzi di Arrow-Debreu
Ritornando alla notazione matematica possiamo scrivere che il
prezzo di mercato di un contratto derivato con data di esercizio n e
payoff descritto dalla funzione g(.) è dato da
g ( y,0 ) = ∑ φ j ( n ) g ( y j ( n ) )
n
j =0
dove φj(n) denota il prezzo del titolo di Arrow-Debreu che paga
un’unità di valore nel nodo j al tempo n e yj(n) rappresenta il valore
del titolo rischioso su tale nodo.
Se fossimo in grado di osservare e operare su titoli di Arrow-Debreu
potremmo valutare e replicare qualsiasi contratto derivato.
65. “Butterflay Spread” e prezzi di Arrow-Debreu
Assumete di avere un albero binomiale in cui il valore del titolo
rischioso su ogni nodo differisce di una quantità h rispetto al nodo
adiacente...
... e di calcolare il valore di 1/h
unità di un butterfly spread
centrato sul valore yi(n).
Il payoff corrispondente, PBS,
sarà descritto dalla funzione
1 se i = j
1
PBS ( y, n; yi ( n ) ) =
h
0 se i ≠ j
per i, j = 0, 1…n.
66. “Butterflay Spread” e prezzi di Arrow-Debreu
Abbiamo così costruito un titolo di Arrow-Debreu!
Con questa tecnica, suggerita per la prima volta da Breeden e
Litzenberger (1978), siamo in grado di estrarre dai valori delle
opzioni quotate sul mercato la probabilità implicita assegnata
al nodo i dell'albero al tempo n.
Più precisamente,
Pimp ( i, n ) = (1 + R f )
n
1
PBS ( y, n; yi ( n ) )
h
Inoltre, l'insieme dei butterfly spread con data di esercizio al tempo n può essere
usato come base per la determinazione, in coerenza con il principio di non
arbitraggio, di tutti i contratti di tipo europeo con stessa data di esercizio.
67. Probabilità implicite
Valore di un call spread verticale
C(Mib30,t;T,40000-h)- C(Mib30,t;T,40000)
Dividiamo per h e prendiamo il limite per h che tende a zero per
ottenere
- dC(C(Mib30,t;T,K)/dK = Prob(Mib30 > 40000)
Prob(.) è la probabilità aggiustata per il rischio
Nello stesso modo possiamo costruire una butterfly prendendo la
differenza tra due spread verticali
d2C(C(Mib30,t;T,K)/dK2 = f(Mib30 = 40000)
f è la densità aggiustata per il rischio
70. Calcolo della densità implicita: gli step
Analisi dei prezzi di mercato delle opzioni
Calcolo dei prezzi degli spread verticali
Calcolo dei prezzi delle butterfly
Dividiamo il valore delle butterfly per il loro pay-off (h)
Dividiamo il valore così ottenuto per il fattore di sconto
Data
Data
esercizio
esercizio
Prezzo strike
Prezzo strike
Prezzo opzione
Prezzo opzione
Spread verticale
Spread verticale
Butterfly
Butterfly
spread
spread
ArrowArrowDebreu
Debreu
APR.
APR.
APR.
APR.
35000
35000
36000
36000
2624
2624
1786
1786
APR.
APR.
APR.
APR.
37000
37000
38000
38000
1440
1440
911
911
1184
1184
875
875
342
342
307
307
17.10%
17.10%
15.35%
15.35%
APR.
APR.
APR.
APR.
39000
39000
40000
40000
598
598
343
343
842
842
568
568
422
422
334
334
21.10%
21.10%
16.70%
16.70%
APR.
APR.
APR.
APR.
41000
41000
42000
42000
178
178
109
109
420
420
234
234
I prezzi di Arrow Debreu impliciti nelle opzioni: un esempio sul MIB30 (Fonte: Il Sole24Ore 11/03/1999)
I prezzi di Arrow Debreu impliciti nelle opzioni: un esempio sul MIB30 (Fonte: Il Sole24Ore 11/03/1999)
71. “Butterflay Spread” e prezzi di Arrow-Debreu
Abbiamo così descritto una tecnica per estrarre dai prezzi
delle opzioni informazione sulle probabilità da assegnare ai
nodi dell'albero.
Il passo successivo è ovviamente il tentativo di costruire
l'intero albero a partire dalle informazioni contenute nei prezzi
di mercato, dando così una descrizione completa della
dinamica del prezzo in essi implicita.
La ricerca più recente nel campo degli alberi binomiali è stata
indirizzata in questa direzione ed ha dato vita ad un filone di
letteratura noto come: alberi impliciti (implied trees).
72. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
73. Alberi Binomiali Impliciti
Due tecniche opposte
Rubinstein (backward induction)
Stima della probabilità implicita a un temp T >t
Ricostruzione della dinamica del titolo da T a t
Derman & Kani (forward induction)
Osservazione del valore di opzioni al tempo t
Costruzione della dinamica del titolo da t a T
74. Il metodo di Rubinstein
Questo metodo rappresenta un primo tentativo di riprodurre la dinamica,
aggiustata per il rischio, del prezzo di un titolo, a partire dai prezzi di mercato di
contratti derivati.
Assumiamo di osservare un insieme di opzioni con data di esercizio nel periodo n e
diversi prezzi d'esercizio.
Utilizzando l'approccio di Breeden e Litzenberger sopra descritto sappiamo che sulla
base di queste informazioni siamo in grado di estrarre i prezzi dei titoli di ArrowDebreu.
Partendo da questa informazione vogliamo ricostruire la dinamica del prezzo.
Un algoritmo che è in grado di produrre questo risultato è stato proposto da Mark
Rubinstein (1994).
Il metodo di Rubinstein sfrutta le proprietà dei prezzi di Arrow-Debreu e della misura
di probabilità aggiustata per il rischio. Un'importante assunzione che è necessaria
allo sviluppo del modello è che sia noto il legame tra le probabilità attribuite a
ciascun nodo e le probabilità dei vari sentieri che conducono a quel nodo.
75. Il metodo di Rubinstein
Nel modello originale proposto da Rubinstein si ipotizza che ai
sentieri che portano allo stesso nodo sia attribuita la stessa
probabilità.
Esplicitamente:
prob. nodo (j, n) =
n.sentieri che portano a (j, n) ⋅ prob. dei sentieri
n
= p j ( n)
j
dove pj (n) è la probabilità assegnata a ciascun sentiero che
porta al nodo j al tempo n.
76. Il metodo di Rubinstein: due livelli
Analizziamo prima l'algoritmo proposto da Rubinstein in un
semplice modello con n = 2.
Quello che assumiamo di conoscere è l'insieme dei valori del
titolo rischioso al tempo 2 e le rispettive probabilità aggiustate
per il rischio associate ad ogni sentiero (cioè yi(2) e pi(2), i = 0,
1, 2).
Richiamiamo l’attenzione sull’ipotesi di equiprobabilità dei
sentieri che portano allo stesso nodo, che ci consente di
scrivere p1(2) = π (1- π H ) = (1- π)π L.
Vogliamo ricavare:
i) i due possibili valori del titolo rischioso al tempo 1 (cioè yi(1), i =
0,1);
ii) la probabilità di un aumento o una diminuzione tra t = 0 e t = 1
e tra t = 1 e t = 2.
77. Il metodo di Rubinstein: due livelli
y0 (2)
p0 (2) = ππ H
y0 (1)
πH
π
y0 (0 )
y1 (2)
y1 (1)
πL
p1 (2) = π (1 − π H )
= (1 − π )π L
p2 (2) = (1 − π )(1 − π L )
y2 (2)
t =0
t =1
t=2
78. Il metodo di Rubinstein: due livelli
L'algoritmo proposto da Rubinstein è molto semplice
e consiste di quattro fasi.
Fase 1: determinazione del tasso non rischioso. E' ottenuta
direttamente utilizzando le proprietà della misura
aggiustata per il rischio. In particolare
79. Il metodo di Rubinstein: due livelli
Fase 2:
determiniamo le probabilità dei sentieri che portano ai due nodi al tempo
t = 1, cioè p0 (1) = π e p1(1) =1 - π.
Poiché le probabilità attribuite ai sentieri sono probabilità composte di
sequenze di aumenti e diminuzioni del prezzo otteniamo che, prendendo
ad esempio p0(2) = ππ H e p1(2) = π (1 - π H ),
Fase 3:
in ciascun nodo raggiungibile al tempo t = 1 calcoliamo le probabilità di
un aumento del prezzo, cioè π H e π L.
Utilizzando p0(2) = ππ H ed il calcolo di p0(1) = π ricavato nella fase 2
otteniamo (e π L in modo analogo)
80. Il metodo di Rubinstein: due livelli
Fase 4:
calcoliamo i possibili valori del titolo rischioso al tempo 1, cioè
y0(1) e y1(1).
Sfruttiamo ancora una volta le proprietà della misura aggiustata
per il rischio per ottenere
e ricaviamo y1(1) in maniera analoga.
Si noti che a questo punto dell'algoritmo i termini che compaiono
a destra nell'equazione sono noti.
81. Il metodo di Rubinstein: caso generale
L'estensione ad un numero generico di periodi e di nodi è soltanto
una questione di notazione.
Nella fase 1 avremo infatti
(1 + R )
f
n
y j ( n)
n
= ∑ p j ( n)
j
y 0 ( 0)
j =0
n
Il coefficiente binomiale rappresenta il numero dei possibili sentieri
che portano al nodo j in n mosse;
Si noti che in questo modo abbiamo utilizzato l'ipotesi di
equiprobabilità dei sentieri che portano allo stesso nodo.
82. Il metodo di Rubinstein
Nelle fasi 2 e 3 avremo ancora
p j ( n − 1) = p j ( n ) + p j +1 ( n )
πj =
p j ( n)
p j ( n − 1)
e infine
[
1
y j ( n − 1) =
π j y j ( n ) + (1 − π j ) y j +1 ( n )
1+ Rf
]
83. Il metodo di Rubinstein
A questo punto conosciamo i valori del titolo rischioso e le
rispettive probabilità (yj (n – 1) e pj (n – 1)) e siamo in grado di
ripetere l'algoritmo dalla fase 2 alla fase 4 per ricavare la
stessa informazione riferita al tempo n - 2, e così via fino a
raggiungere la radice dell'albero.
Come abbiamo visto, il metodo di Rubinstein utilizza una
strategia di backward induction, che partendo da una certa
data futura ricostruisce l'albero procedendo all'indietro, fino
alla radice.
Subito dopo l’esempio discuteremo invece di una metodologia
che sfrutta una strategia di segno opposto (forward induction).
85. Il metodo di Derman e Kani
Una metodologia alternativa a quella sopra descritta
è stata proposta da Emmanuel Derman e Iraq Kani
di Goldman & Sachs.
Come anticipato poco sopra, l'idea è di partire dalla
radice dell'albero e procedere in avanti, utilizzando i
prezzi di opzioni osservate sul mercato su scadenze
diverse.
Come nelcaso precedente, è utile sviluppare in
prima battuta l'analisi su un modello di due periodi,
ed estenderla poi su un orizzonte arbitrario.
86. Il Metodo di Derman e Kani: due livelli
Vediamo innanzitutto di definire lo sviluppo dell'albero subito dopo la
radice, al tempo t = 1.
Le incognite sono tre:
valore del titolo rischioso nel nodo zero del primo livello y1(1)
valore del titolo rischioso nel nodo zero del primo livello y0(1)
la probabilità aggiustata per il rischio, di un aumento o diminuzione del
prezzo, π.
Assumiamo invece di osservare:
il valore del titolo rischioso al tempo 0, y(0)
il tasso d'interesse non rischioso Rf
il prezzo di mercato di un'opzione call, con data di esercizio al tempo t =
1 e prezzo di esercizio pari al valore corrente del titolo rischioso, y(0)
(un'opzione at-the-money).
87. Il metodo di Derman e Kani: due livelli
y0 (2)
call(.;y (0),1) = y0(1) – y(0)
y0 (1)
πH
π
call(.;y 0(1),2) = y0(2) – y0(1)
y1 (2) = y (0)
y0 (0 )
y1 (1)
πL
put(.;y1(1),2) = y1(1) - y2(2)
y2 (2)
t =0
t =1
t=2
88. Il Metodo di Derman e Kani: due livelli
Il problema è di sfruttare le variabili osservate e le proprietà
della misura aggiustata per il rischio per definire un sistema di
equazioni che consenta di ricavare le tre incognite: y0(1), y1(1)
e π.
Una prima proprietà della misura di probabilità aggiustata per
il rischio consente di esprimere il prezzo forward del titolo
rischioso, definito come F0(0) ≡ (1 + Rf)y0(0), usando la
proprietà di martingala
F0 ( 0 ) = πy 0 (1) + (1 − π ) y1 (1)
89. Il Metodo di Derman e Kani: due livelli
Possiamo poi utilizzare l'equazione di valutazione dell'opzione
call, della quale osserviamo il prezzo sul mercato, per
ottenere una seconda equazione del modello
π
C=
[ y 0 (1) − y 0 ( 0) ]
1+ Rf
dove abbiamo assunto il caso non degenere
y0(1) > y(0) > y1(1)
(l'opzione viene esercitata solo su uno dei due nodi).
90. Il Metodo di Derman e Kani: due livelli
La chiusura del modello richiede l'introduzione di una terza equazione.
Derman e Kani propongono di sfruttare questo grado di libertà per definire la
traiettoria della parte centrale dell'albero, con la scelta di una centering condition.
In particolare propongono di sviluppare la parte centrale dell'albero intorno al valore
corrente y(0) del titolo rischioso, in parallelo con il modello binomiale a volatilità
costante
y ( 0 ) = y 0 (1) y1 (1)
2
che segue immediatamente da
y0 ( 1) = y0 ( 0 ) u , y1 ( 1) = y0 ( 0 ) d con ud = 1
Utilizzando la centering condition nelle equazioni del prezzo forward e dell'opzione
otteniamo la probabilità aggiustata per il rischio ed il valore del titolo rischioso sui due
nodi.
91. Il Metodo di Derman e Kani: due livelli
Procediamo avanti nell'albero, cercando di determinarne i
valori rilevanti al tempo 2.
Le incognite adesso sono cinque:
i valori del titolo rischioso sui tre nodi (y0(2) e y1(2) e y2(2));
le probabilità di un aumento del prezzo a partire da ciascuno dei
due nodi raggiungibili al tempo 1, cioè πH e πL.
Assumiamo di osservare:
tutte le variabili dell'albero fino al tempo 1;
il prezzo di mercato di un'opzione call con data di esercizio al
tempo 2 e prezzo di esercizio pari a y0(1);
il prezzo di mercato di un'opzione put con data di esercizio al
tempo 2 e prezzo di esercizio pari a y1(1).
92. Il Metodo di Derman e Kani: due livelli
A questo punto possiamo seguire una strategia analoga alla precedente e
definire due equazioni per i prezzi forward
(1 + R ) y (1) ≡ F (1) = π y ( 2) + (1 − π ) y ( 2)
f
0
0
u
0
H
1
(1 + R ) y (1) ≡ F (1) = π y ( 2) + (1 − π ) y ( 2)
f
1
1
d
1
L
2
Per quanto riguarda l'opzione call, avremo
Call ( .; y 0 (1) ,2 ) =
ππ H
(1 + R )
f
2
φ 0 (1)π H
[ y 0 ( 2) − y 0 (1) ] =
[ y 0 ( 2) − y 0 (1) ]
1+ Rf
φ0(1) è valore corrente di un titolo Arrow-Debreu che paga un’unità di valore in corrispondenza
dello stato y0(1) e dove ancora una volta poniamo y0(2) > y0(1) > y1(2)
93. Il Metodo di Derman e Kani: due livelli
Analogamente, per l'opzione put abbiamo:
dove φ1(1) è un prezzo di Arrow-Debreu e assumiamo ancora y1(2) > y1(1) >
y1(2). Abbiamo ancora una volta un grado di libertà da utilizzare, con quattro
equazioni a fronte di cinque incognite.
Ancora una volta, il modello è chiuso definendo la centering condition, che
in questo caso impone al prezzo del titolo di ritornare al valore corrente:
94. Il Metodo di Derman e Kani: due livelli
Passiamo adesso ad analizzare l'algoritmo per un arbitrario nodo i al tempo
n - 1.
Al tempo n - 1 assumiamo di conoscere, per averli già calcolati con il nostro
meccanismo di forward induction, gli n valori del titolo rischioso ed i rispettivi
prezzi di Arrow-Debreu.
Vogliamo calcolare i valori delle variabili al tempo n, su n + 1 nodi.
Consideriamo il generico nodo i e assumiamo di osservare al tempo 0 il
valore di un'opzione call con data di esercizio al tempo n e prezzo di
esercizio pari a yi(n - 1).
Scriviamo l'equazione di valutazione dell'opzione nel modo seguente
φiπ i
[ yi ( n ) − yi ( n − 1) ] +
Call =
1+ Rf
1
1+ Rf
∑ φ [π ( y ( n ) − y ( n − 1) ) + (1 − π )( y ( n ) − y ( n − 1) )]
i −1
j =0
j
j
j
i
j
j +1
i
95. Il modello di Derman e Kani: n livelli
Il modello di Derman e Kani (generalizzazione)
Il modello di Derman e Kani (generalizzazione)
96. Il modello di Derman e Kani: n livelli
Utilizzando la definizione di prezzo forward e le proprietà della
misura aggiustata per il rischio:
97. Il modello di Derman e Kani: n livelli
Il nuovo termine S è calcolabile a partire dall'informazione disponibile al tempo n - 1.
L'equazione di valutazione dell'opzione può quindi essere scritta in forma più succinta
(1 + R )C = φ π [ y ( n ) − y ( n − 1) ] + Σ
f
i
i
i
i
D'altronde, la proprietà della probabilità aggiustata per il rischio implica
Sostituendo nell'equazione di valutazione dell'opzione e riordinando i termini
otteniamo
cosicché il valore yi (n) è ottenuto in funzione di variabili note al tempo n - 1 e del
valore yi + 1 (n).
98. Il modello di Derman e Kani: n livelli
Possiamo notare la struttura ricursiva dell'algoritmo, e il fatto che è
necessario definire un grado di libertà ulteriore per l'inizializzazione.
Tale grado di libertà consente l'introduzione della centering
condition, che ricordiamo essere
dove osserviamo che la numerazione dei nodi include 0, cosicché al
tempo n abbiamo n + 1 nodi.
Così, ponendo ad esempio i + 1 = n/2 nel caso in cui n sia pari,
siamo in grado di inizializzare l'algoritmo e calcolare y i (n)
utilizzando un'opzione call con prezzo di esercizio yi (n - 1).
99. Il modello di Derman e Kani: n livelli
Utilizzando poi il valore yi(n) così ottenuto, insieme al prezzo di un'opzione
con prezzo di esercizio pari a yi - 1(n - 1) siamo in grado di calcolare yi - 1(n), e
così via fino all'ultimo nodo della parte superiore dell'albero.
I nodi della parte inferiore verranno invece ricavati in maniera speculare
utilizzando opzioni put.
Infine, le probabilità di un aumento del prezzo in ogni nodo verranno
calcolate utilizzando l'equazione dei prezzi forward. I prezzi di Arrow-Debreu
al tempo n saranno calcolati come
A questo punto, disponiamo dei prezzi del titolo rischioso e dei titoli di
Arrow-Debreu per ogni nodo al tempo n e possiamo continuare il calcolo per
definire la struttura dell'albero al tempo n + 1, n + 2 e così via.
100. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
101. Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Gli
alberi
trinomiali
impliciti
rappresentano
una
generalizzazione del caso binomiale implicito;
anche in questo caso l’albero viene “distorto” in modo da
incorporare una volatilità locale dipendente dal tempo e dal
sottostante (smile e struttura a termine di volatilità)
102. Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Nel determinare i parametri di un albero binomiale implicito, si
hanno un uguale numero di equazioni e di incognite;
l’albero che si viene così a determinare è unico;
Questa caratteristica di unicità talvolta può essere
svantaggiosa in quanto non permette di aggiustare i valori per
calibrare situazioni in cui la volatilità cambia molto al variare
del tempo e del livello del sottostante;
Per questo talora è preferibile ricorrere ad alberi trinomiali
impliciti;
questo tipo di alberi possiedono un numero di parametri
naturalmente più elevato e permettono di fissare in maniera
arbitraria i prezzi dei nodi (price state);
103. Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Nel caso di un albero
trinomiale, al termine di
ogni
step
dobbiamo
determinare
cinque
incognite
la probabilità p
la probabilità q
il prezzo Su
il prezzo Sm
il prezzo Sd
104. Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Per l’assenza di arbitraggio abbiamo
pSu + qS d + (1 − p − q) S m = F0
... e per ottenere nel continuo la volatilità desiderata deve
essere
p( Su − F0 ) + q( S d − F0 ) + (1 − p − q)( S m − F0 ) = F02σ 2 ∆t + O (∆t )
2
2
2
Abbiamo quindi due vincoli e cinque incognite, per cui in ogni
nodo restano tre parametri liberi che possiamo fissare a
piacere
105. Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Possiamo utilizzare questa libertà per scegliere in maniera
adeguata l’albero dei prezzi (price state);
La scelta deve essere fatta in modo da garantire che le
probabilità di transizione restino comunque confinate
all’interno dell’intervallo [0, 1];
Una volta fissati i prezzi (ad esempio tramite la procedura
utilizzata per generare un albero trinomiale standard)
possiamo utilizzare i dati delle opzioni e dei forward in nostro
possesso per calcolare i valori della probabilità di transizione;
Le formule che si ottengono sono simili al caso
precedentemente visto a proposito dell’albero implicito
binomiale;
107. Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Forward Price
pi Si + 2 + (1 − pi − qi ) Si +1 = Fi
Option Price
[
]
C ( K , t n +1 ) = e − r∆t ∑ λ j − 2 p j − 2 + λ j −1 (1 − p j −1 − q j −1 ) + λ j q j max ( S j − K ,0 )
j
ponendo K = Si+1 e riordinando otteniamo
e r∆t C ( Si +1 , t n +1 ) = λi pi ( Si + 2 − Si +1 ) +
2n
∑ λ (F
j =i +1
j
j
− S i +1 )
108. Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Nella precedente equazione l’unica incognita è la probabilità
di transizione in quanto i prezzi sono fissati a priori e i valori
delle opzioni e del forward sono noti; possiamo pertanto
scrivere
r∆t
e C ( S i +1 , t n +1 ) −
pi =
(eq. forward price)
2n
∑ λ (F
j =i +1
j
j
− S i +1 )
λi ( S i + 2 − Si +1 )
Fi − pi ( Si + 2 − Si +1 ) − Si +1
qi =
S i − S i +1
109. Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Utilizzando i prezzi di opzioni put possiamo calcolare le
probabilità per i nodi del livello centrale e di quelli ad esso
sottostanti
i −1
qi =
e r∆t P ( Si +1 , t n +1 ) − ∑ λ j ( Si +1 − F j )
(eq. forward price)
j =0
λi ( Si +1 − S i )
Fi + qi ( Si +1 − Si ) − Si +1
pi =
S i + 2 − S i +1
110. Derman, Kani & Chriss
Alberi Trinomiali Impliciti
Una situazione che genera probabilità negative
112. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
113. Alberi per tassi di interesse
L’albero per i tassi di interesse è una rappresentazione in
tempo discreto del processo stocastico per il tasso a breve
così come l’albero per i prezzi di un’azione è una
rappresentazione in tempo discreto del processo seguito dal
prezzo di un’azione;
Se l’intervallo di tempo usato è ∆t, i tassi di interesse riportati
sull’albero sono i tassi composti continuamente relativi ad un
periodo di ampiezza pari a ∆t.
L’assunzione che si fa di solito quando si costruisce un albero
è che il tasso relativo al periodo ∆t segua lo stesso processo
stocastico del tasso istantaneo nel corrispondente modello in
tempo continuo.
114. Alberi per tassi di interesse
Una delle principali differenze fra gli alberi per i tassi di interesse e
gli alberi per i prezzi di un’azione sta nel modo in cui si effettua
l’attualizzazione:
nell’albero per i prezzi di un’azione si assume di solito che il tasso di
attualizzazione sia lo stesso ad ogni nodo...
... nell’albero per i tassi di interesse il tasso di attualizazione cambia da
nodo a nodo.
Per i tassi di interesse, spesso risulta conveniente usare un albero
trinomiale piuttosto che binomiale;
il principale vantaggio di un albero trinomiale è che esso offre un
ulteriore grado di libertà facilitando la rappresentazione di proprietà
del processo seguito dal tasso di interesse come la mean reversion.
115. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
116. Il modello ad alberi di Hull e White
Hull e White hanno proposto una procedura a due stadi per
costruire alberi trinomiali relativi ad un ampio insieme di modelli
ad un fattore.
Vediamo come si applica questa procedura al modello dinamico
di Hull e White per il tasso istantaneo di interesse.
H&W hanno dimostrato in una serie di lavori che la procedura
può essere generalizzata in modo relativamente semplice ad
un’ampia categoria di modelli stocastici per la dinamica di r .
117. Il modello ad alberi di Hull e White
Ramificazioni non standard
Hull e White hanno proposto
delle modifiche al metodo di
ramificazione standard di un
albero trinomiale;
le ramificazioni non standard
(riportate in figura) si rivelano utili
per incorporare il fenomeno della
mean reversion quando i tassi di
interesse sono molto alti o,
rispettivamente, molto bassi.
118. Primo stadio
Ricordiamo che la dinamica del tasso di interesse istantaneo nel
modello di Hull e White è descritta da un processo stocastico del
tipo
dr = [θ (t ) − ar ] dt + σdz
dove a e σ sono delle costanti
come vedremo la funzione Theta viene scelta in modo da calibrare
il modello sulla struttura a termine iniziale.
119. Primo stadio
il primo passo della procedura prevede di
implementare un albero che tenga conto del
fenomeno della mean reversion
A tale scopo si considera la variabile ausiliaria r* la
cui dinamica è descritta dall’equazione
dr ∗ = −ar ∗ dt + σdz
120. Primo stadio
Si tratta di un processo simmetrico attorno a r* = 0 ;
se consideriamo l’incremento
r ∗ (t + ∆t ) − r ∗ (t )
questo ha una distribuzione normale;
inoltre se si ignorano termini di ordine superiore a ∆t, il valore atteso
dell’incremento è pari a
− ar ∗ (t )∆t
e la sua varianza risulta
σ 2 ∆t
121. Primo stadio
Nell’albero la spaziatura fra i tassi di interesse viene
scelta uguale a
∆r = σ 3∆t
secondo H&W questo valore risulta ottimale dal
punto di vista della minimizzazione degli errori
Nel modello vi è l’assunzione implicita che il tasso
istantantaneo si riferisca in realtà all’istante ∆t che
comunque si suppone piccolo.
122. Primo stadio
Nel corso del primo stadio l’obiettivo è quello di costruire un
albero i cui nodi siano equispaziati sia rispetto a r* che rispetto a
t;
al fine di implementare la mean reversion occorrerà scegliere
per ciascun nodo quale sia il metodo di ramificazione appropriato
per proseguire la costruzione dell’albero;
Questa scelta determinerà la forma complessiva dell’albero;
Infine dovremo calcolare le probabilità corrispondenti ad ogni
ramificazione;
124. Primo stadio
La scelta del modello di ramificazione è determinata in base
alla condizione che in ciascun nodo tutte e tre le probabilità
di transizione devono risultare definite positive;
Nella maggior parte dei casi risulta valida la ramificazione
simmetrica...
125. Primo stadio
Quando a > 0 è necessario
passare alla ramificazione orientata
verso il basso per un valore di j
sufficientemente elevato;
analogamente, per valori di j
sufficientemente
bassi,
è
necessario
utilizzare
la
ramificazione orientata verso l’alto
126. Primo stadio
Sia jmax il valore di j in corrispondenza del quale si passa dalla
ramificazione simmetrica a quella orientata verso il basso e jmin il
valore per il quale deve avvenire il cambiamento con la
ramificazione orientata verso l’alto;
Hull e White hanno mostrato che per ottenere probabilità sempre
positive è sufficiente scegliere
jmax
0.184
= min int >
,
a∆t
jmin = − jmax
127. Primo Stadio
Siano pu , pm e pd le probabilità connesse con i rami
superiore, intermedio e inferiore che vengono
generati dal nodo;
Le probabilità vengono scelte in modo coerente con il
valore atteso e la varianza della variazione di r*
nell’intervallo ∆t ;
Inoltre la somma delle tre probabilità deve essere 1;
128. Primo stadio
Se al nodo (i, j) il metodo di ramificazione è quello simmetrico, le tre
condizioni si traducono nelle seguenti equazioni:
pu ∆r − pd ∆r = −aj∆r∆t
pu ∆r + pd ∆r = σ ∆t + a j ∆r ∆t
2
2
pu + pm + pd = 1
2
2
2
2
2
129. Primo stadio
Ricordando che
∆r = 3σ ∆t
2
1 a j ∆t − aj∆t
pu = +
6
2
2
pm = − a 2 j 2 ∆t 2
3
1 a 2 j 2 ∆t 2 + aj∆t
pd = +
6
2
2
2
2
2
130. Primo stadio
1 a j ∆t + aj∆t
pu = +
6
2
1
pm = − − a 2 j 2 ∆t 2 − 2 aj∆t
3
7 a 2 j 2 ∆t 2 + 3aj∆t
pd = +
6
2
2
2
2
131. Primo stadio
7 a j ∆t − 3aj∆t
pu = +
6
2
1
pm = − − a 2 j 2 ∆t 2 + 2 aj∆t
3
1 a 2 j 2 ∆t 2 − aj∆t
pd = +
6
2
2
2
2
132. Secondo Stadio
Il secondo stadio nella costruzione dell’albero consiste nel
convertire l’albero per r* nell’albero per r;
ciò si ottiene spostando i nodi nell’albero di r* in modo da
assicurare la coerenza con la term structure iniziale
Questo significa che una volta calibrato l’albero, i prezzi
degli zero coupon che maturano ad ogni periodo dell’albero
devono coincidere con i prezzi implici nella struttura per
scadenza dei tassi correntemente osservata sul mercato.
133. Secondo Stadio
α (t ) = r (t ) − r ∗ (t )
Definiamo la funzione
E’ facile verificare che la dinamica seguita da questa funzione è
descritta da
dα = [θ (t ) − aα (t )] dt
di fatto calibrare il modello significa, come avevamo accennato
all’inizio, scegliere un’opportuna funzione Theta in grado di rendere
coerente l’albero dei tassi con la struttura a termine iniziale.
135. Secondo Stadio
Indichiamo con αi la differenza fra il valore di r e r* al
tempo i∆t ;
sia poi Qi,j il valore attuale di un titolo che paga 1 unità
di valore se viene raggiunto il nodo (i,j) e zero
altrimenti (prezzo di Arrow-Debreu);
le αi e le Qi,j vengono calcolate iterativamente tramite
un processo di induzione forward .
136. Secondo stadio
da un punto di vista generale, supponiamo che le Qi,j siano state determinate
fino al livello m ;
il passo successivo consiste quindi nel determinare αm in modo che l’albero
valuti correttamente un titolo a sconto con scadenza al tempo (m+1)∆t ;
Il tasso di interesse al nodo (m, j) è pari a j∆r + αm per cui il prezzo di un titolo
a sconto con scadenza al tempo (m+1)∆t è pari a
Pm +1 =
nm
Qm , j e −(α m + j∆r ) ∆t
∑
j = − nm
dove nm è il numero di nodi al tempo m∆t su ciascuno dei due lati rispetto al
nodo centrale.
137. Secondo stadio
La soluzione di questa equazione è
nm
∑ Qm , j e − j∆r∆t − ln ( Pm +1 )
ln
j = − nm
αm =
∆t
una volta determinato αm, possiamo calcolare le Qi,j per i = m+1,
infatti se indichiamo con q(k,j) la probabilità di passare dal nodo
(m,k) al nodo (m+1,j) possiamo scrivere
Qm +1, j = ∑ Qm ,k q (k , j )e − (α m + k∆r ) ∆t
k
138. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
139. Sistemi Lineari
La risoluzione di un sistema lineare ha un ruolo basilare nell’analisi
numerica
Es. la discretizzazione di un’equazione differenziale porta alla soluzione di
un sistema lineare
Per questo scaturisce la necessità di avere a disposizione algoritmi
efficienti e per i quali siano note le proprietà di stabilità
Anche nell’ambito di una stessa categoria di problemi, quali ad esempio
quelli derivanti dalla risoluzione di equazioni differenziali, il tipo di
sistema può variare a seconda del metodo di discretizzazione utilizzato.
140. Sistemi Lineari
I metodi per la risoluzione dei sistemi lineari vengono,
usualmente, divisi in due raggruppamenti
Metodi Diretti: sono i metodi che in assenza di errori di
arrotondamento danno la soluzione in un numero finito di
operazioni. Si tratta sostanzialmente dei metodi che utilizzano
l’idea dell’eliminazione di Gauss.
Metodi Iterativi: la soluzione è ottenuta come limite di una
successione di soluzioni di problemi lineari più semplici.
Diversamente dal caso precedente, la matrice dei coefficienti
non viene modificata durante il calcolo e quindi è più agevole
sfruttarne la sparsità.
141. Sistemi Lineari: Metodi Diretti
L’idea centrale dei metodi diretti è l’idea dell’eliminazione
L’idea consiste nel ricavare (eliminare) da una fissata equazione
una particolare incognita e nella sua sostituzione nelle equazioni
rimanenti
La sostituzione diminuisce la dimensione del problema
Iterando il procedimento si riduce il problema originario ad un
problema ad una sola dimensione in una sola incognita
Determinata tale incognita le altre componenti della soluzione
sono successivamente ottenute mediante una procedura di
sostituzione all’indietro.
142. Sistemi Lineari: Sistemi Triangolari
Si tratta di un caso particolarmente importante perché
la forma triangolare è il risultato finale dell’applicazione del metodo di
eliminazione a sistemi generali
La soluzione è estremamente semplice
La matrice dei coefficienti è una matrice triangolare superiore o
inferiore cioè rispettivamente della forma:
u11 u12 u1n
0 u 22 u 2 n
U =
0 0 u
nn
l11
l21
L =
l
n1
0
l22
ln 2
0
0
lnn
143. Sistemi Lineari: Sistemi Triangolari
Ly = b
Forward substitution
Backward substitution
Ux = y
b1
y1 = l
11
N
1
y =
bi − ∑ lij y j
i
lii
j =1
yN
xN = u
NN
N
1
x =
yi − ∑ uij x j
i
uii
j =i
144. Sistemi Lineari: Decomposizione LU
Supponiamo di dover risolvere un generico sistema del tipo
Ax = b
Se riusciamo a trovare due matrici, una triangolare inferiore L ed
una triangolare superiore U tali che
A = LU
Il nostro problema si riconduce alla risoluzione di due sistemi
triangolari
Ly = b Ux = y
145. Sistemi Lineari: Matrici Sparse
In numerosi casi la matrice che descrive il sistema ha numerosi elementi
nulli.
Quale sia la percentuale di elementi necessaria per far ritenere una
matrice sparsa dipende naturalmente dal contesto.
Comunemente una matrice è ritenuta sparsa se il numero di elementi
diversi da zero è dello stesso ordine di grandezza del numero di righe (e di
colonne!) della matrice stessa: O(n).
La presenza di sparsità in una matrice rappresenta a priori un vantaggio
dal momento che memorizzando solo gli elementi diversi da zero si
possono ottenere notevoli vantaggi in termini di occupazione di memoria e
di tempo di calcolo.
Tuttavia l’applicazione dei metodi diretti porta ad una modifica della
matrice del sistema che tipicamente riduce o annulla la sparsità della
matrice iniziale (fill-in).
Un’interessante alternativa ai metodi diretti, quando la matrice è sparsa e
di grandi dimensioni è fornita dai metodi iterativi e dai metodi tipo
gradiente. In essi, a differenza dei metodi diretti, la matrice di partenza
non viene modificata e quindi per essi non esiste il problema del fill-in.
146. Sistemi Lineari: Studio dell’Errore
Norme
Norma di un Vettore
Nel caso particolare di un vettore a valori reali con n dimensioni si definisce
come norma p, con p compreso fra 1 e infinito, la quantità
x
Casi particolari:
p
1/ p
p
= ∑ xi
i =1
n
p = 2 Norma Euclidea
p = ∞ Norma del Massimo (o di Chebichev)
x
∞
= max xi
1≤i ≤ n
147. Sistemi Lineari: Studio dell’Errore
Norme
Norma di una Matrice
AB ≤ A B
La norma è “indotta” dalla norma dei vettori
A = sup
x≠0
Ax
x
148. Sistemi Lineari: Studio dell’Errore
Norma del massimo
La norma di matrice indotta dalla norma del
massimo è la seguente
n
A ∞ = max ∑ aij
i
j =1
Cioè la massima delle somme dei moduli delle
righe
149. Sistemi Lineari: Studio dell’Errore
Matrici Convergenti
Per studiare la convergenza di procedure iterative è spesso necessario, come
vedremo in seguito, stabilire quando per una matrice A si ha la convergenza a
zero delle successive potenze, cioè quando
lim A = 0
m
m →∞
In questo caso si dice che la matrice è convergente. Una condizione sufficiente
affinché una matrice risulti convergente è che per una norma si abbia
lim A
m →∞
m
= 0 ⇒ A <1
150. Sistemi Lineari:Condizionamento
Si tratta di studiare come varia la soluzione di un sistema lineare al variare dei
dati, cioè della matrice A e del termine noto b
Iniziamo dal caso in cui venga modificato solo il termine noto…
Ax = b
A( x + ∆x) = b + ∆b
Sottraend
Sottraend
oo
−1
A(∆x) = ∆b ⇒ ∆x = A ∆b
152. Sistemi Lineari: Condizionamento
Nel caso di variazione di A si ottiene…
Ax = b
( A + ∆A) ( x + ∆x) = b
Numero di Condizionamento del
Problema
∆x
x + ∆x
≤ A A
−1
∆A
A
153. Sistemi Lineari: Condizionamento
Una matrice è detta ben condizionata
relativamente alla risoluzione di un sistema
lineare se il numero di condizionamento non è
“troppo grande” (questo naturalmente dipende dal
contesto);
Si può dimostrare che il numero di
condizionamento da una misura di quanto vicina
sia una matrice all’essere singolare.
154. Sistemi Lineari: Metodi Iterativi
Rispetto ai metodi diretti hanno il vantaggio di preservare la
struttura della matrice preservandone quindi l’eventuale
sparsità
In generale sono di più facile implementazione
Poiché tuttavia la soluzione è ottenuta come limite di una
successione per essere una valida alternativa possono aver
bisogno di opportune tecniche di accelerazione
Introducono in ogni caso un errore dovuto all’approssimazione
(studio della convergenza)
155. Sistemi Lineari: Metodi Iterativi
Metodi di Jacobi, Gauss-Seidel, Rilassamento
L’idea comune ai differenti metodi è la seguente. Data una stima iniziale x(0)
del sistema lineare
Ax = b
si costruisce una successione di vettori {x(k)} risolvendo successivamente
dei sistemi lineari semplici.
A=M −N
det( M ) ≠ 0
Ax = b ⇒ Mx = Nx + b
⇓
Mx
( k +1)
= Nx
(k )
+b
156. Sistemi Lineari: Metodi Iterativi
La matrice
−1
−1
−1
B = M N = M ( M − A) = I − M A
è detta matrice di iterazione;
essa individua un particolare metodo ed il suo studio è fondamentale
per stabilire la convergenza e la rapidità di convergenza del
corrispondente metodo;
E’ utile considerare la seguente decomposizione di A
A= D
−E
−F
triangolare triangolare
diagonale inferiore superiore
157. Sistemi Lineari: Metodi Iterativi
Metodo di Jacobi
M = D,
xi( k +1)
N = E+ F
1
=
aii
BJ = D −1 ( E + F ) = I − D −1 A
i −1
n
(k )
(k )
bi − ∑ aij x j − ∑ aij x j
j =1
j =i +1
L’implementazione del metodo richiede due vettori xold, xnew; alla fine di ogni
ciclo si pone xnew = xold. Le componenti del vettore xnew sono costruite a
partire dal vettore xold in maniera indipendente; l’algoritmo è quindi in forma
parallela.
158. Sistemi Lineari: Metodi Iterativi
Metodo di Gauss-Seidel
M = D − E, N = F
xi( k +1)
1
=
aii
(
BJ = ( D − E ) F = I − D E
−1
−1
)
−1
D −1 F
i −1
n
( k +1)
(k )
bi − ∑ aij x j − ∑ aij x j
j =1
j =i +1
A differenza del metodo di Jacobi, per l’implementazione del metodo di GaussSeidel è sufficiente un solo vettore; le componenti del vettore iterato, infatti,
sono utilizzate non appena vengono calcolate.
159. Sistemi Lineari: Metodi Iterativi
Metodo di Rilassamento
Con l’obiettivo di accelerare la convergenza si possono modificare i metodi precedenti
scegliendo di aggiornare il vettore al passo k + 1 con una opportuna media pesata del
valore al passo k-esimo e del nuovo valore calcolato;
Ad esempio il metodo di Gauss-Siedel può essere così modificato; una voltà calcolata
la quantità
1
yi =
aii
i −1
n
( k +1)
(k )
bi − ∑ aij x j − ∑ aij x j
j =1
j =i +1
Si assume come nuovo valore la combinazione lineare
( k +1)
i
x
= ωy + (1 − ω ) x
(k )
i
160. Sistemi Lineari: Metodi Iterativi
Studio della convergenza
Considerando la decomposizione generale ed indicando con x* la soluzione del sistema Ax = b, possiamo
scrivere:
x* = Bx * + M −1b
x ( k +1) = Bx ( k ) + M −1b
da cui, ponendo
e( k ) = x * − x (k )
Si ha la seguente relazione ricorrente sull’errore
e ( k +1) = Be ( k )
che, per applicazione successiva, può essere scritta come
e ( k +1) = B k e ( 0)
161. Sistemi Lineari: Metodi Iterativi
Il metodo iterativo definito dalla matrice di iterazione
B converge se e solo se
B <1
Da questo risultato discende che il metodo di
rilassamento converge solo per
0<ω < 2
162. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
163. PDE: Definizioni e Classificazione
L’equazione di Black & Scholes
Dinamica del sottostante descritta da un’equazione
differenziale stocastica
Utilizzo del principio di non arbitraggio
∂f 1 2 2 ∂ f
∂f
+ σ S
+ rS
− rf = 0
2
∂t 2
∂S
∂S
2
164. PDE: Definizioni e Classificazione
Per trovare delle specifiche soluzioni è
necessario aggiungere opportune condizioni
al contorno
L’equazione
ha
alcune
caratteristiche
distintive
È del secondo ordine
È lineare
È un’equazione parabolica
165. PDE: Definizioni e Classificazione
L’ordine di un’equazione differenziale è l’ordine più alto fra
quelli delle derivate presenti all’interno dell’equazione
La forma generica di un’equazione differenziale lineare del
secondo ordine è la seguente (dove φ è una funzione di x e y):
∂φ
∂φ
∂φ
∂φ
∂φ
a 2 +b
+c 2 +d
+e
+ fφ + g = 0
∂x
∂x∂y
∂y
∂x
∂y
2
2
2
166. PDE: Definizioni e Classificazione
Per semplicità ci occuperemo solo di equazioni differenziali lineari;
Sebbene in finanza la maggior parte dei modelli di pricing si basi
su PDE lineari, è interessante notare che si possono ottenere
equazioni non lineari semplicemente eliminando alcune delle
semplificazioni implicite nel modello di Black e Scholes;
Ad esempio introducendo i costi di transazione, l’equazione di
Black & Scholes diventa… (Wilmott, Derivatives, Cap. 21)
167. PDE: Definizioni e Classificazione
La classificazione delle equazioni differenziali
del secondo ordine dipende dal segno assunto
dall’espressione
∆ = b − 4ac
2
Se ∆ > 0 l’equazione è iperbolica
Se ∆ = 0 l’equazione è parabolica
Se ∆ < 0 l’equazione è ellittica
168. PDE: Definizioni e Classificazione
∂φ ∂φ
+ 2 =0
2
∂x ∂y
2
Equazione Ellittica
Equazione di Laplace
Equazione Iperbolica
Equazione delle Onde
2
∂φ 1 ∂φ
− 2 2 =0
2
∂t v ∂x
2
2
169. PDE: Definizioni e Classificazione
Equazione Parabolica
Equazione della diffusione del calore
∂φ
∂φ
=k 2
∂t
∂x
2
Perché è così interessante per la finanza?
Perché l’equazione di Black & Scholes è un’equazione
parabolica, anzi con un opportuno cambio di variabile si
può dimostrare che è esattamente uguale all’equazione
della propagazione del calore!
170. PDE: Definizioni e Classificazione
Per integrare l’equazione
occorre aggiungere una
condizione iniziale
φ ( x,0) = u ( x)
0≤ x≤1
e delle
condizioni al contorno
φ (0, t ) = φ (1, t ) = u0
t>0
Nei problemi finanziari la condizione iniziale è usualmente sostituita da
Nei problemi finanziari la condizione iniziale è usualmente sostituita da
una condizione terminale. Ad esempio ilil payoff di un’opzione è
una condizione terminale. Ad esempio
payoff
di un’opzione è
conosciuto solo alla scadenza.
conosciuto solo alla scadenza.
171. PDE: Definizioni e Classificazione
Limiti del dominio di integrazione
Da un punto di vista computazionale, il dominio di integrazione
deve essere comunque limitato sia nel tempo che nell’altra
variabile (es. valore del sottostante)
Le condizioni al contorno
sono molto semplici per le opzioni europee plain vanilla;
per le opzioni con barriera di solito possono addirittura semplificare il
problema;
per altri tipi di opzione esotiche le condizioni al contorno possono a
loro volta richiedere particolari tecniche numeriche per la loro
espressione;
il caso delle opzioni americane è invece più complesso: siamo in
presenza di un cosiddetto free boundary.
172. PDE: Definizioni e Classificazione
La forma dell’equazione e l’insieme delle condizioni iniziali e al
contorno determinano se un dato problema è ben posto;
Un problema è ben posto se
Esiste una soluzione;
La soluzione è unica (almeno all’interno di una famiglia di
soluzioni di interesse);
La soluzione non risente della dipendenza sensibile dai dati del
problema (cioè una “piccola” perturbazione nei dati deve
risultare in una “piccola” perturbazione nella soluzione)
173. Perchè i metodi numerici
Alberi Binomiali
Alberi Trinomiali
Volatilità Implicita e Smile
Prezzi di Arrow-Debreu e Probabilità Implicite
Alberi Binomiali Impliciti
Alberi Trinomiali Impliciti
Alberi per tassi di interesse
Il modello di Hull & White
Richiami di Analisi Numerica: Sistemi Lineari
Equazioni Differenziali a Derivate Parziali
Metodi alle Differenze Finite
174. L’idea di base
L’idea di base dei metodi alle differenze finite è
intuitiva e pericolosa allo stesso tempo!
Si tratta di approssimare le derivate parziali con
quozienti di differenze finite
∂C
∂S
∆C
∆S
175. Approssimazione discreta
della derivata del primo ordine
• Forward Approximation
f ′( x) =
f ( x + h) − f ( x )
+ O ( h)
h
•Backward Approximation
f ′( x) =
f ( x ) − f ( x − h)
+ O ( h)
h
•Central Approximation
f ( x + h) − f ( x − h)
f ′( x) =
+ O(h 2 )
2h
177. Approssimazione discreta
della derivata del secondo ordine
Dallo sviluppo in serie di Taylor possiamo
ottenere un’approssimazione valida fino a termini
del secondo ordine
f ( x + h) − 2 f ( x ) + f ( x − h)
f ′′( x) =
+ O(h 2 )
h2
178. Schemi di discretizzazione
In generale applicheremo i nostri schemi di discretizzazione a
funzioni di due variabili
È naturale pertanto definire una griglia di punti della forma
(iδx, jδy )
I valori della funzione sulla griglia formano pertanto una matrice
φ ( x, y ) → φij = φ (iδx, jδy )
179. Schemi di discretizzazione
Nei casi che andremo a studiare le variabili saranno S
(valore del sottostante) e t (tempo alla scadenza del
contratto)
S = iδS
0≤i≤ I
Poiché non disponiamo di una condizione iniziale bensì di
una condizione finale, è conveniente scegliere
t = T − jδt
0≤ j≤ J
180. Schemi di discretizzazione
Osservazione 1
Poiché il dominio della soluzione all’equazione di Black e
Scholes nel continuo è 0 ≤ S < ∞, IδS rappresenta la nostra
approssimazione dell’infinito;
In pratica questo limite superiore non necessità di essere
eccessivamente grande, è sufficiente prendere un valore pari a
tre o quattro volte il prezzo di esercizio;
Per le opzioni con barriera il problema talora si semplifica in
quanto non è necessario trovare soluzioni per tutti i valori di S;
ad esempio per un’opzione up-and-out non è necessario
generare punti della griglia corrispondenti a valori di S che
superano la barriera.
181. Schemi di discretizzazione
Osservazione 2
Notate che il tempo “scorre” al contrario,
all’aumentare di j , t diminuisce;
Il valore della funzione sulla griglia sarà pertanto
indicato come
f ij = f (iδS , T − jδt )
182. Schemi di discretizzazione
A seconda del tipo di equazione e dell’approsimazione utilizzata per
calcolare le derivate, otterremo un insieme di equazioni algebriche;
La definizione delle condizioni al contorno merita particolare attenzione;
In ogni caso ci aspetteremo che facendo tendere a zero gli incrementi
δx e δy la soluzione del set di equazioni algebriche converga alla
soluzione della PDE…
… ma questo non è assolutamente
garantito!
183. Schemi di discretizzazione
Utilizziamo come esempio l’equazione di Black &
Scholes
Approssimazione di θ
f i , j − f i , j +1
∂f
≈
∂t
δt
Approssimazione di ∆
f i +1, j − f i −1, j
∂f
≈
∂S
2δS
Approssimazione di Γ
f i +1, j − 2 f i , j + f i −1, j
∂ f
≈
2
2
∂S
δS
2
184. Condizioni al contorno
Condizioni finali e payoff
Alla scadenza il valore dell’opzione è pari al payoff da cui
ricaviamo la condizione:
f ( S , T ) → f i , 0 = Payoff (iδS )
Il payoff è una funzione nota di S, ad esempio per una call
porremo:
f i , 0 = max(iδS − K ,0)
185. Condizioni al contorno
Condizioni al contorno
Dobbiamo specificare il valore assunto dalla funzione f per
S = 0 e S = IδS;
La specifica delle condizioni al contorno dipende dal tipo di
opzione;
Vediamo alcuni esempi…
186. Condizioni al contorno
Call Option
Se il sottostante è nullo anche il valore dell’opzione è zero
f 0, j = 0
Per grandi valori del sottostante il valore dell’opzione tende
asintoticamente a
S − Ke
− r (T − t )
f I , j = IδS − Ke
− rjδt
187. Condizioni al contorno
Put Option
Per S = 0 abbiamo la condizione
f 0, j = Ke
− rjδt
Mentre per grandi valori del sottostante la put
diventa priva di valore, ovvero
fI, j = 0
188. Condizioni al contorno
Ulteriori condizioni
∂f 1 2 2 ∂ 2 f
∂f
+ σ S
+ rS
− rf = 0
2
∂t 2
∂S
∂S
∂f (0, t )
S =0⇒
− rf (0, t ) = 0
∂t
f 0, j − f 0, j +1
δt
− rf 0, j = 0 ⇒ f 0, j (1 − rδt ) = f 0, j +1
189. Condizioni al contorno
Ulteriori condizioni: se il payoff è lineare in S per grandi valori di
S
∂f 1 2 2 ∂ 2 f
∂f
+ σ S
+ rS
− rf = 0
2
∂t 2
∂S
∂S
∂ 2 f (S , t )
S →∞⇒
→0
2
∂S
f I , j = 2 f I −1, j − f I − 2, j
190. Condizioni al contorno
Opzioni con Barriere
Es. up-and-out Call
V(Sb, t) = 0
Volendo inserire questa condizione nella
griglia di valutazione, l’ideale sarebbe avere il
valore della barriera lungo una linea della
griglia stessa, cioè Sb/δS dovrebbe essere un
numero intero.
191. Condizioni al contorno
Opzioni con
Barriere
Spesso non è possibile
verificare questa
condizione, al fine di
mantenere basso
l’errore, in questi casi è
conveniente
considerare il punto che
si trova oltre la barriera
ed effettuare
un’interpolazione.
192. Condizioni al contorno
Es. Condizione sulla Barriera
Supponiamo quindi di avere una barriera che possiamo esprimere
nella forma
f ( S B , t ) = φ (t )
Ad esempio per un opzione di tipo “out” il valore di φ sarà 0 mentre
per un’opzione di tipo “in” dovrà essere uguale al valore dell’opzione
che entra in esercizio alla barriera.
193. Condizioni al contorno
Es. Condizione sulla Barriera
Se indichiamo quindi con fI-1,j un punto situato subito prima della barriera e con fI,j il
punto della griglia subito oltre la barriera stessa, possiamo porre come
condizione al contorno
[
1
f I , j = φ − (1 − α ) f I −1, j
α
dove
Sb − ( I − 1)δS
α=
δS
]
In questo modo la retta che unisce i due punti assume esattamente valore φ
sulla barriera.
194. Metodo Esplicito
∂f
∂ f
∂f
+ a ( S , t ) 2 + b( S , t )
+ c( S , t ) f = 0
∂t
∂S
∂S
2
f i , j − f i , j +1
f i +1, j − 2 f i , j + f i −1, j
+
+ ai , j
2
δt
δS
f i +1, j − f i −1, j
+ ci , j f i , j = O(δt , δS 2 )
bi , j
2δS
195. Metodo Esplicito
Riscriviamo l’equazione alle differenze finite ponendo il termine j + 1 a
sinistra del segno di uguale
f i , j +1 = Ai , j f i −1, j + (1 + Bi , j ) f i , j + Ci , j f i +1, j
1
Ai , j = c1ai , j + c2bi , j
2
Bi , j = −2c1ai , j + δtci , j
Ci , j
1
= c1ai , j − c2bi , j
2
δt
δt
c1 = 2 , c2 =
δS
δS
196. Metodo Esplicito
Nei casi che prenderemo in considerazione, i coefficienti A, B e C
non dipendono dal tempo e quindi non contengono l’indice j;
Esplicitando la dipendenza dai parametri
differenziale, possiamo quindi scrivere
(
)
dell’equazione
(
1 22
Ai = σ i − ri δt
2
)
Bi = − σ i + r δt
(
)
1 22
Ci = σ i + ri δt
2
2 2
197. Metodo Esplicito
Il metodo alle differenze finite esplicito è equivalente al
calcolo con alberi trinomiali
E’ calcolato a partire dai
valori
dell’opzione
in
questi punti
Il valore dell’opzione
questo punto
in
198. Metodo Esplicito
L’equazione appena scritta vale solo per i punti
interni alla griglia;
Abbiamo pertanto I – 1 equazioni per I + 1
incognite;
Le ulteriori due equazioni provengono dalle
condizioni al contorno per i = 0 e i = I;
Se conosciamo fi,j per ogni i allora possiamo
ricavare il valore di fi,j+1;
199. Metodo Esplicito
Poiché conosciamo il valore di fi,0 che è pari al valore
del payoff, possiamo calcolare step by step tutti i
valori nella griglia corrispondenti agli istanti
precedenti fino al valore attuale.
Dal momento che il valore della funzione al
passo temporale j + 1 è una funzione
esplicita del valore agli step precedenti, il
metodo appena descritto viene detto metodo
alle differenze finite esplicito.
201. Metodo Esplicito
Esempio 1 – Call Europea
'
' loop di calcolo
'
For j = 0 To NumTStep - 1
For i = 1 To NumSStep - 1
A = 0.5 * dt * i * (Volatility * Volatility * i - RiskFreeRate)
B = -(Volatility * Volatility * i * i + RiskFreeRate) * dt
C = 0.5 * dt * i * (Volatility * Volatility * i + RiskFreeRate)
f(i, j + 1) = A * f(i - 1, j) + (1 + B) * f(i, j) + C * f(i + 1, j)
Next i
'
' condizioni al contorno per S = 0 e per S "molto grande"
'
If TipoOpzione = 0 Then ' call option
f(0, j + 1) = 0
f(NumSStep, j + 1) = NumSStep * dS - Strike * Exp(-RiskFreeRate * (j + 1) *
dt)
ElseIf TipoOpzione = 1 Then ' put option
f(0, j + 1) = Strike * Exp(-RiskFreeRate * (j + 1) * dt)
f(NumSStep, j + 1) = 0
End If
Next j
202. Metodo Esplicito
Problemi di convergenza
f i , j +1 = Ai , j f i −1, j + (1 + Bi , j ) f i , j + Ci , j f i +1, j
f1, j +1 1 + B1
C1
0
f 2, j +1 A2 1 + B2
C2
f 3, j +1 = 0
A3
1 + B3
f n −1, j +1 0
0
0
0
0
C3
0
0
0
1 + Bn −1
0
f1, j
f 2, j
f 3, j + c.c.
f n −1, j
203. Metodo Esplicito
Problemi di convergenza
Affinché il sistema converga è necessario che la norma
della matrice sia minore di 1
Da questo si ricavano due limiti importanti sulla
dimensione degli step
δS
δt ≤ 2 2
σ S
2
σ S
δS ≤
r
2
204. Metodo Esplicito
Problemi di convergenza
Significato finanziario dei limiti
sugli intervalli
Vediamo quale relazione
intercorre fra il metodo esplicito e
gli alberi trinomiali
Ripristiniamo il normale
“scorrere” del tempo ed
approssimiamo le derivate
rispetto ad S al tempo t con i
valori stimati al tempo t + ∆t
205. Metodo Esplicito
Problemi di convergenza
Applicando questa approssimazione si giunge alla seguente espressione
che rappresenta un’altra forma del metodo alle differenze esplicito
ˆ
ˆ
ˆ
f i , j = Ai f i −1, j +1 + Bi f i , j +1 + Ci f i +1, j +1
(
)
1 22
σ i − ri δt
1 − σ 2i 2δt
ˆ
Ai = 2
Bi =
1 + rδt
1 + rδt
1 22
σ i + ri δt
Ci = 2
1 + rδt
(
(
)
)
206. Metodo Esplicito
Problemi di convergenza
ˆ
Ai
ˆ
Bi
ˆ
Ci
(
)
1 22
σ i − ri δt
1
2
=
=
πd
1 + rδt
1 + rδt
1 − σ 2i 2δt
1
=
=
π0
1 + rδt
1 + rδt
1 22
σ i + ri δt
1
2
=
=
πu
1 + rδt
1 + rδt
(
)
(
)
πd +π0 +πu =1
207. Metodo Esplicito
Problemi di convergenza
Possiamo interpretare queste quantità come
probabilità risk-neutral ;
E ( ∆S ) = −δSπ d + 0π 0 + δSπ u = riδSδt = rSδt
Infatti l’incremento di valore nell’intervallo di
tempo avviene al tasso privo di rischio!
208. Metodo Esplicito
Problemi di convergenza
Le condizioni di stabilità del metodo esplicito si traducono
quindi nella richiesta che tali probabilità siano sempre non
negative!
σ S
π d ≥ 0 ⇒ σ iδS − rδS ≥ 0 ⇒ δS ≤
r
2
δS
2 2
2
2
π 0 ≥ 0 ⇒ σ i δS δt ≤ δS ⇒ δt ≤ 2 2
σ S
π u ≥ 0 ∀ δS , δt
2
2
211. Metodo Esplicito
Esempio 2 – Parigina
Introduciamo una nuova variabile di stato che rappresenta il tempo
in cui il valore dell’asset si trova oltre la barriera τ
In questo caso la barriera divide la regione di integrazione in due
parti, nella prima il prezzo dell’asset si trova fuori dalla regione di
attivazione e quindi l’equazione differenziale che descrive il
comportamento dinamico dell’opzione è la stessa; nella seconda
entra in gioco la variabile τ e l’equazione diventa
∂f ∂f 1 2 2 ∂ f
∂f
+
+ σ S
+ rS
− rf = 0
2
∂t ∂τ 2
∂S
∂S
2
212. Metodo Implicito
∂f
∂2 f
∂f
+ a ( S , t ) 2 + b( S , t )
+ c( S , t ) f = 0
∂t
∂S
∂S
f i , j − f i , j +1
f i +1, j +1 − 2 f i , j +1 + f i −1, j +1
+
+ ai , j +1
2
δt
δS
f i +1, j +1 − f i −1, j +1
2
+ ci , j +1 f i , j +1 = O (δt , δS )
bi , j +1
2δS
214. Metodo Implicito
Riscriviamo l’equazione alle differenze finite ponendo il termine i, j a
sinistra del segno di uguale
f i , j = Ai , j +1 f i −1, j +1 + (1 + Bi , j +1 ) f i , j +1 + Ci , j +1 f i +1, j +1
1
Ai , j +1 = −c1ai , j +1 − c2bi , j +1
2
Bi , j +1 = 2c1ai , j +1 − δtci , j +1
1
Ci , j +1 = −c1ai , j +1 + c2bi , j +1
2
δt
δt
c1 = 2 , c2 =
δS
δS
215. Metodo Implicito
Contrariamente alle apparenze il metodo implicito presenta
caratteristiche completamente diverse dal metodo esplicito
Il metodo non soffre delle problematiche legate allo step lungo la
direzione temporale; lo step lungo S può essere piccolo e lo step
lungo t
più grande senza per questo creare problemi di
convergenza;
La soluzione dell’equazione alle differenze finite non è più
immediata; occorre risolvere un sistema di equazioni algebriche;
Allo stesso costo computazione è comunque possibile trovare
un’approssimazione ancora migliore…
216. Metodo di Crank-Nicolson
Il metodo di
Crank-Nicolson
può
essere
pensato come
una sorta di
media dei due
metodi visti fino
a
questo
momento,
di
fatto
esso
utilizza i valori
in sei punti
come mostrato
in figura
217. Metodo di Crank-Nicolson
Lo schema di discretizzazione è il seguente
f i , j − f i , j +1
δt
f i +1, j +1 − 2 f i , j +1 + f i −1, j +1 1 f i +1, j − 2 f i , j + f i −1, j
1
+ ai , j
+ ai , j +1
2
2
2
δS
δS 2
f i +1, j +1 − f i −1, j +1 1 f i +1, j − f i −1, j
1
+ bi , j
+ bi , j +1
2
2
2δS
2δS
1
1
+ ci , j +1 f i , j +1 + ci , j f i , j = O(δt 2 , δS 2 )
2
2
Questo schema risulta corretto fino al secondo ordine in entrambe le
variabili!
218. Metodo di Crank-Nicolson
Lo schema può essere riscritto nella seguente forma
− Ai , j +1 f i −1, j +1 + (1 − Bi , j +1 ) f i , j +1 − Ci , j +1 f i +1, j +1 =
= Ai , j f i −1, j + (1 − Bi , j ) f i , j + Ci , j f i +1, j
Dove i valori dei coefficienti vengono dedotti come al solito dai
coefficienti dell’equazione differenziale nel continuo.
Il metodo è stabile come il metodo implicito (possono essere utilizzati
valori qualunque per gli step) e risulta più preciso.
219. Metodo di Crank-Nicolson
L’espressione appena vista può essere posta in forma matriciale
C1
0
A1 (1 + B1 )
0
A2
(1 + B2 )
0
0
0
0
(1 + BI − 2 )
CI −2
0
0
AI −1
(1 + BI −1 ) C I −1
− A1
0
0
=
f I −1, j +1
f I , j +1
(1 − B1 )
− C1
0
f 0, j
f1, j
− A2
(1 − B2 )
0
0
0
(1 − BI − 2 ) − C I −2
0 f I −1, j
0
− AI −1
(1 − BI −1 ) − C I −1 f I , j
f 0, j +1
f1, j +1
Le due matrici hanno I-1 righe e I+1 colonne, si tratta quindi di un sistema di
I-1 equazioni in I+1 incognite.
220. Metodo di Crank-Nicolson
Le due equazioni aggiuntive vengono fornite dalle condizioni al contorno.
Utilizzando anche le condizioni al contorno possiamo riformulare il problema
in termini di un sistema di equazioni con matrici quadrate del tipo
M
j +1
L
j +1
v
+ rj = M v j
j
R
r è un vettore noto che dipende dalle condizioni al contorno e/o iniziali
(Per una rassegna completa della forma da attribuire alle condizioni al contorno si veda Wilmott Derivatives.)
222. Metodo di Crank-Nicolson
Le matrici M che compaiono nella risoluzione dello
schema di Crank-Nicolson sono matrici tri-diagonali;
Possiamo utilizzare i vari metodi di risoluzione discussi
predentemente
LU Decomposition
Metodi Iterativi
223. Metodo di Crank-Nicolson
Decomposizione LU
Per problemi in cui la matrice M non dipende dal tempo, tale
approccio è sicuramente conveniente in quanto la
decomposizione viene effettuata una sola volta;
Nei casi frequenti in cui si abbia dipendenza dal tempo,
tuttavia, tale processo va ripetuto ad ogni step temporale
rallentando significativamente il processo di calcolo;
Inoltre tale metodo non si presta ad essere facilmente
modificabile per trattare l’eventualità di esercizio anticipato.
224. Metodo di Crank-Nicolson
Metodi Iterativi
I metodi iterativi sono, in generale, più facili da
programmare della decomposizione LU;
Inoltre sono facilmente estendibili al caso di opzioni
americane o altri derivati con esercizio anticipato;
Di contro possono essere più lenti della
decomposizione LU nel caso di derivati di tipo
Europeo
225. Metodo di Crank-Nicolson
Metodi Iterativi
Esercizio Europeo
ω
n +1
n
vi = vi +
M ii
i −1
N
n +1
n
qi − ∑ M ij v j − ∑ M ij v j
j =1
j =1
Esercizio Americano
n ω
n +1
vi = max vi +
M ii
i −1
N
n +1
n
qi − ∑ M ij v j − ∑ M ij v j , Payoff
j =1
j =1