第八章蒙特卡洛期权定价方法解说.doc

第八章 蒙特卡洛期权定价方法 在金融中蒙特卡洛模拟是一种重要的工具：可以用来评估投资组合管理规则为期权定价模拟交易策略估计风险价值。蒙特卡洛方法主要的优势在于对大多数情况都适用易于使用灵活。它把随机波动性和奇异期权的很多复杂特性都考虑进去了，更倾向于使用处理高维问题，而网格和PDF分析框架却不适用。蒙特卡洛模拟潜在的劣势在于它的计算量大。多次的重复需要完善我们所关注的置信区间的估计。利用方差缩减技术和低差异序列可以部分的解决这个问题。本章的目的是解释这些技术在一些例子上的应用，包括一些路径依赖型期权。这章是第四章的延伸，在第四章里我们讨论了蒙特卡洛积分。需要强调的是蒙特卡洛方法是概念上的一个数字积分工具，即使我们适用更多的“模拟”或“抽样”。在使用低差异序列而不是伪随机生成时这需要牢记。 如果可能，我们可以把模拟的结果和分析公式进行比较。很明显我们这样做的目标是一个纯粹的教学。如果你要计算一个矩形房间的面积，你只需要用房间的长度乘以房间的宽度即可，而不必要计算有多少次一块标准砖与这个表面相匹配。尽管如此，你还是应该学会在一些简单案例中首先适用模拟的方法，在这些简单的例子中我们可以检验答案的一致性；弱路径依赖型期权我们证明了控制变量和算术平均亚式期权对样基本因素路径一个典型的离散连续时间模型伊藤随机微分方程： 最简单的离散的方法欧拉，得到以下离散时间模型： 是离散时间步，且这种方法在概念上与有限差分类似，并且在确定性微分方程上的应用会产生一个截尾误差，在离散步长很小的时候这个误差可以忽略不计【1】。当我们讨论随机过程收敛性时是一个非常重要的概念，但是我们可以猜想我们能够通过从标准正态分布中抽取随机变量来模拟一个与连续时间方程的解密切相关的离散时间随机过程。随着样本路径和复制次数的增加，我们也就能够减小样本误差。 虽然可以更正式地证明上述理由，但我们应该认识到离散误差至可能改变特征解的概率分布例如，几何布朗运动模型： 欧拉公式 这是非常容易掌握和执行的，但是每个值的边缘分布比起对数正态分布更普通。事实上，取很小的就可以减小误差，但是很费时。在一个特定的案例中，我们可以通过伊藤引理的一个简单应用来同时消除随机误差，但对大多数情况而言这种方法不可取。对于复杂的随机微分方程，我们必须生成整条样本路径。 8.1．1 模拟几何布朗运动 利用伊藤引理，我们可以把（8.1）转换为下面这种形式： 我们还记得，利用对数正态分布性质【2】，令 有： 当完全合并时（8.2）非常有用，得到： 为了模拟在时间段（0，T）上的资产价格的路径，我们必须用一个间步长把时间离散化。从最后一个等式以及标准Wiener过程（见2.5节），得到 而是一个标准正态随机变量。以等式（8.5）为基础，很容易生成资产价格的样本路径。 在图8.1中给出了生成服从几何布朗运动的资产价格的样本路径的令。函数AssetPaths产生一个样本路径矩阵作为已知的然后计算参数 例如，生成并且绘制三条为期一年的样本路径，初始价格$50,均值为0.1，标准差0.3（以一年为基础），假定时间步长为一天【3】 绘制的结果如图8.2所示。如果用另一种状态为randn标准型生成随机数，将会得到不同的结果。 function SPaths=AssetPaths(S0,mu,sigma,T,NSteps,NRepl) SPaths = zeros(NRepl, 1+NSteps); SPaths(:,1) = S0; dt = T/NSteps; nudt = (mu-0.5*sigma^2)*dt; sidt = sigma*sqrt(dt); for i=1:NRepl for j=1:NSteps SPaths(i,j+1)=SPaths(i,j)*exp(nudt + sidt*randn); end end 图8.1 用蒙特卡洛模拟生成资产价格路径的MATLAB命令 图8.2 用蒙特卡洛模拟生成的样本路径 function SPaths=AssetPathsV(S0,mu,sigma,T,NSteps,NRepl) dt = T/NSteps; nudt = (mu-0.5*sigma^2)*dt; sidt = sigma*sqrt(dt); Increments = nudt + sidt*randn(NRepl, NSteps); LogPaths = cumsum([log(S0)*ones(NRepl,1) , Increments] , 2); SPaths = exp(LogPaths); Spaths(:,1) = S0; 图 8.3 生成资产价格路径的矢量命令 图8.1中的命令是基于两个循环嵌套。 为了对行进行