Il pricing dei derivati: Metodo di Montecarlo, Path Integrals L. Bellucci, G. Cipriani M.Rosa-Clot, S.Taddei Firenze E. Bennati Dip Scienze Econ. (Pisa) M.Cerchiai, C.Giannotti G. Einaudi, P. Rosa-Clot (Pisa) A. Amendolia, (Sassari) Un indice di borsa: il cambio EURO/$ Analisi dell’indice • Ci sono andamenti di lungo periodo • Si sovrappongono movimenti veloci Rumore Fisici e ingegneri chiamano rumore tutti quei fenomeni impreditibili che alterano il processo fisico e le sue leggi di fondo Volatilità Gli economisti chiamano volatilità la rapida fluttuazione di un indice o di un prezzo determinata dalle spinte impredittibili del mercato La legge binomiale • Si assume che ci sia una probalbilità definita che abbia luogo un evento (1/2 se si lancia una moneta e si vuole trovare testa) e si chiede con quale frequenza compare testa in un certo numero di lanci. • In generale Eventi casuali Rischio Esempio canonico : il lancio della moneta testa p=.5 croce q= .5 p+q=1 Distribuzione Binomiale Curva Gaussiana N! p(m, N ) pmq N m ( N m)!m! Legge dei grandi numeri p(m, N ) 1 mp(m, N ) m np 2 p(m, N ) npq ( m m ) Distribuzioni di probabilità • • • • Come verificare che la legge gaussiana è vera ? Osservando molte volte l’evento ! Quante volte ? Moltissime ! ! ! Processo di Wiener : per il lancio della moneta abbiamo assunto D x= 1 D x = D w • MATALAB: BINOMIALE Lanci ripetuti:100, 1000, 10000, 50000 Il continuo e il metodo di Montecarlo un semplice caso di barriera 1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 0 2 4 6 8 10 12 Processo di Wiener In generale assumiamo: D x = m(x,t)Dt + s(x,t) D w In particolare per esempio si ha D r = a (b - r ) Dt + s D w Vasicek oppure D r = a (b - r ) Dt + s r D w CIR Il caso generale: equazioni stocastiche dx m(x,t)dt s (x,t)dW E la corrispondente equazione differezniale F ( y,T , x,t) m ( x,t) F ( y,T , x,t) 1s ( x,t) 2 F ( y,T , x,t) 2 t x x 2 • Soluzioni analitiche (in pochi casi) • equazione differenziale (Fokker Plank) • metodo di montecarlo (lunghi tempi di CPU) • Metodi discretizzati ad albero Le tecniche di soluzione • Soluzioni analitiche (in pochi casi) • Soluzione della equazione differenziale (metodo generale ci sono problemi matematici delicati) • metodo di montecarlo (lunghi tempi di CPU) • Metodi discretizzati ad albero (funziona bene solo in casi 1D) • Metodo dei Path Integral (funziona in 1 2 3 dimensioni ed è rapido e generale) Un sempio disoluzione analitica IL MODELLO CIR Una realizzazione del modello CIR Cox, Ingersoll, Ross a= 0.5 b= 0.1 sigma= 0.075 0.2 0.18 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 0 2 4 6 8 10 12 Modelli realistici • Il modello di Vasicek ha seri limiti (ammette per esempio tassi di interesse negativi) • Un modello migliore è quello CIR (Cox Ingersoll Ross) che sostituisce ad una volatilità costante una legata alla radice del tasso. Tale modello ammette soluzioni analitiche. • PROBELMA I : sganciarsi dai modelli e utilizzare i tassi “reali” • PROBLEMA II: valutare un funzionale generico Un esempio :anno 1998 interesse a 30 anni per la lira Cosa è un funzionale Cox, Ingersoll, Ross a= 0.5 b= 0.1 sigma= 0.075 0.2 0.18 Nella figura accanto tutto quello e supera la linea nera viene pesato calcolato attualizzando il valore col tasso di interesse corrispondente 0.16 0.14 0.12 0.1 0.08 0.06 0.04 0.02 0 0 2 4 6 8 10 12 I funzionali possono essere molto complicati: per esempio i possono essere barriere, oppure cedole, oppure il diritto di esercizio di qualche clasuola Calcolare un funzionale comporta • Mediare su tutti i cammini possibili • Ma icammini possono dipendere dal funzionale stesso • Quindi iterare moltissimi processi mediando i diversi risultati • MONTECARLO • Discretizzare il processo a step finiti • Conoscere la distribuzione di probabilità ad ogni istante • Integrare numericamente sulle distribuzioni • PATH INTEGRAL Path Path Integral Integral 11 • La distribuzione di probabilità condizionata r(y,t,x,0) dà la probablità di trovare il valore y della variabile al tempo t essendo nota la distribuzione al tempo t=0. • Per tale distribuzione vale la legge di composizione r ( y,t, x,0) r ( y,t, z, ) r ( z, , x,0)dz Path Integral 2 • Per piccoli incrementi temporali si ha in generale 1 r ( y,t Dt, x,t) e L( x, x, t)Dt 2Dts ( x,t) Con 1 2 m ( x,t) Dt L( x, x,t) x 2s ( x,t)2 ( y x ) x Dt Path Integral 3 • Si tratta ora di effettuare N convoluzioni ottenendo in tal modo l’ampiezza di probabilità per tempi finiti. • La grandezza (y-x)/Dt rappresenta una specie di velocità e la funzione L(x,v,t) è la lagrangiana del sistema. Realizzazione di alcuni cammini Partendo da zero si realizzano 5 diversi percorsi 4 3 2 1 La funzione di trasferimento r è nota per ogni intervallo Dt 0 -1 -2 -3 -4 0 2 4 6 8 10 Il formalismo di Feymann • Wiener formula la teoria degli integrali stocastici nel 1921 • Feynman introduce il concetto di path integral in meccanica quantistica nel 42. • Non vengono applicati fino al lavoro di Kreutz e Freedman del 1981 (problemi di calcolo) • Poi esplodono gli approcci Montecarlo: problema di tempo ma “multidimensionalità” • Più recentemente approcci “deterministici”: Rosa-Clot e Taddei. Molto veloci ma bassa dimensionalità: <4. • Basta e avanza per i mercati finanziari. Vantaggi formali e numerici • Teoria solidamente fondata • Sono noti tutti i casi analitici e le loro possibili estensioni • Si riproducono tutti i casi noti in letteratura • Sono note molte tecniche approssimate • Numericamente stabile • Da fondamento più generale agli alberi • E’ molto veloce (quanto gli alberi) • Permette di estendere a casi complessi la valutazione del funzionale Il funzionale • In genere si tratta di valutare grandezze che dipendono dalla realizzazione del processo stocastico. • Esempi tipici sono il cap e la put american Esempio di un cap C(r,t, s,0) drE e Con r( )d P(r,t) drE e (P(r,t) ) r( )d Questa definizione formale si traduce numericamente in una prescrizione molto semplice: quando il tasso di interesse supera il valore si calcola attualizzato il valore in eccesso. Esempio di una put american 4 L’opzione viene esercitata quando il suo valore scende sotto un valore tale da massimizzare il guadagno 3 2 1 0 -1 -2 -3 -4 0 2 4 6 8 10 Tempi di CPU per il pricing di opzioni Il problema delle volatilità Un problema aperto e molto complesso è quello delle fluttuazioni non gaussiane degli indici di borsa. In altre parole ci sono scarti molto elevati rispetto al valore della deviazione standard: la teoria prevede che la probabilità di una fluttuazione maggiore di 3 volte la deviazione standard sia 1/1000 In realtà abbiamo spesso deviazioni che sono 10 volte superiori alla deviazione standard Il problema dei dati: il FIB30 Analisi degli scarti con ritardo di 1 4 16 64 256 1024 tic Confronto con una gaussiana