Option pricing model under the G-expectation framework

فيما يلي ملخص تقني مفصل لورقة البحث بعنوان "نموذج تسعير الخيارات تحت إطار توقع G-expectation" من قبل Pei وYue وZheng.

1. بيان المشكلة

تتناول الورقة تحدي تسعير المشتقات المالية في الأسواق التي تتميز بـ عدم اليقين في النموذج (model uncertainty)، وتحديداً حيث لا يكون التقلب ثابتاً بل يقع ضمن نطاق معلوم. تفترض نماذج بلاك-شولز التقليدية تقلباً ثابتاً وإطار احتمالي خطي، وهو ما يفشل غالباً في استيعاب مخاطر السوق الواقعية.

يركز المؤلفون على إطار توقع G-expectation، وهو نظرية التوقع دون الخطي التي طورها Peng، والتي تنمذج عدم اليقين دون الاعتماد على مقياس احتمالي واحد. في هذا الإطار:

• يتبع الأصل الأساسي حركة براونية هندسية من نوع G.
• تؤدي مشكلة التسعير إلى معادلة تفاضلية جزئية (PDE) غير خطية بالكامل (معادلة G-Black-Scholes) بدلاً من المعادلة الخطية للنموذج الكلاسيكي.
• الهدف هو تطوير طرق عددية قوية، دقيقة، وفعالة حاسوبياً لحل هذه المعادلة التفاضلية الجزئية غير الخطية لتسعير الخيارات.

2. المنهجية

أ. الإطار النظري

• التسعير المحايد للمخاطر تحت توقع G-expectation: يعرّف المؤلفون الحياد للمخاطر في إطار G، حيث يتساوى العائد المتوقع من نوع G لجميع الأوراق المالية الخطرة مع معدل العائد الخالي من المخاطر $r$.
• اشتقاق معادلة G-Black-Scholes: باستخدام صيغة Feynman-Kac غير الخطية، اشتقوا معادلة تفاضلية جزئية غير خطية بالكامل لسعر الخيار $U(t, S)$:
  $$\frac{\partial U}{\partial t} + rS \frac{\partial U}{\partial S} + \frac{1}{2} \sup_{\Sigma \in [\underline{\Sigma}, \overline{\Sigma}]} \left( \sigma^2 S^2 \Sigma^2 \frac{\partial^2 U}{\partial S^2} \right) - rU = 0$$
  هنا، يمثل $\Sigma$ التقلب غير المؤكد ضمن الفترة $[\underline{\Sigma}, \overline{\Sigma}]$. عامل الـ "sup" يجعل المعادلة غير خطية بالكامل.

ب. التحويل اللوغاريتمي

لتحسين الأداء العددي، قدم المؤلفون تغييراً في المتغيرات: $X = \ln(S)$.

• يقوم هذا بتحويل المعادلة التفاضلية الجزئية الأصلية إلى معادلة تفاضلية جزئية بديلة غير خطية لـ $V(t, X)$:
  $$\frac{\partial V}{\partial t} + r \frac{\partial V}{\partial X} + \sup_{\Sigma \in [\underline{\Sigma}, \overline{\Sigma}]} \left[ \frac{1}{2}\sigma^2 \Sigma^2 \left( \frac{\partial^2 V}{\partial X^2} - \frac{\partial V}{\partial X} \right) \right] - rV = 0$$
• الأهمية: يحول هذا التحويل المعاملات المتغيرة (التي تعتمد على $S$) إلى معاملات ثابتة، مما يخفف بشكل كبير من قيود الاستقرار للنماذج العددية الصريحة.

ج. المخططات العددية

يقترح المؤلفون مخططين للفروق المحدودة لحل المعادلة التفاضلية الجزئية المحولة:

1. مخطط الفروق المحدودة الصريح (Explicit Finite Difference Scheme): وهو تمثيل مباشر حيث يتم حساب الحل عند الخطوة الزمنية التالية مباشرة من الخطوة الحالية.
2. مخطط الفروقات المحدودة الضمني (Implicit Finite Difference Scheme): وهو مخطط يعتمد فيه الحل عند الخطوة الزمنية التالية على نفسه، مما يتطلب حل نظام جبري غير خطي. وللتعامل مع عدم الخطية، استخدموا تكرار بيكارد (Picard iteration) (حلقة داخلية) عند كل خطوة زمنية.

3. المساهمات الرئيسية

• إطار موحد محايد للمخاطر: صياغة إطار شامل للتقييم المحايد للمخاطر ضمن إطار G-expectation، مما يعمم نموذج بلاك-شولز للتعامل مع عدم يقين التقلب.
• التحليل النظري الصارم:
  • أثبتوا أن كلا المخططين الصريح والضمني هما متسقان، ومستقران، ورتيبان.
  • أثبتوا التقارب إلى الحل اللزوجي (viscosity solution) للمعادلة التفاضلية الجزئية غير الخطية بناءً على مبرهنة Barles-Souganidis.
  • قدموا تقديرات لمعدل التقارب ($O(\Delta t^{\beta/2} + h^\beta)$) لكلا المخططين.
  • أثبتوا التقارب الرتيب للتكرار الداخلي للمخطط الضمني.
• التحسين عبر التحويل اللوغاريتمي: أثبتوا نظرياً وعددياً أن التحويل اللوغاريتمي يخفف من شرط استقرار Courant-Friedrichs-Lewy (CFL) للمخططات الصريحة، مما يسمح بخطوات زمنية أكبر وتقليل التكلفة الحسابية.
• الكفاءة الخوارزمية: أظهروا أن التكرار الداخلي للمخطط الضمني يتقارب بسرعة (عادةً خلال دورتين تكراريتين لكل خطوة زمنية)، مما يجعله بديلاً قابلاً للتطبيق للطرق الصريحة.

4. النتائج

تحقق المؤلفون من صحة طرقهم باستخدام تجارب عددية على نوعين من الخيارات:

1. انتشار الفراشة (Butterfly Spread): دالة دفع غير محدبة.
2. خيار الشراء الرقمي (Digital Call Option): دالة دفع غير مستمرة (تشكل تحدياً للاستقرار العددي).

النتائج الرئيسية:

• الدقة: حقق كلا المخططين دقة تقارب من الدرجة الثانية للدفعات السلسة (Butterfly spread) ودقة تقارب من الدرجة الأولى للدفعات غير المستمرة (Digital call)، وهو ما يتوافق مع التوقعات النظرية.
• قيود الاستقرار:
  • المخطط الصريح في نطاق $S$ الأصلي يتطلب خطوة زمنية $\Delta t \propto 1/S_{max}^2$.
  • المخطط الصريح في نطاق $X$ المحول يتطلب $\Delta t \propto 1/(\ln S_{max} - \ln S_{min})^2$.
  • النتيجة: قلل التحويل اللوغاريتمي من عدد الخطوات الزمنية المطلوبة بنسبة تقارب 63% (على سبيل المثال، من 22,500 إلى 8,286 خطوة لمقاس شبكة معين)، مما خفض وقت وحدة المعالجة المركزية (CPU time) بشكل كبير.
• أداء المخطط الضمني: كان المخطط الضمني مستقراً بشكل غير مشروط (لا يوجد شرط نسبة شبكة صارم) وكان التكرار الداخلي يتقارب في خطوات قليلة جداً (متوسط 2)، مما يؤكد كفاءته.
• المقارنة: قدمت الطريقة الصريحة المحولة لوغاريتمياً أفضل توازن بين السرعة والدقة، بينما وفرت الطريقة الضمنية المتانة للشبكات الدقيقة جداً دون قيود استقرار.

5. الأهمية

تقدم هذه الورقة مساهمة كبيرة في التمويل الكمي والتحليل العددي من خلال:

• القوة في ظل عدم اليقين: توفر أداة عملية وصارمة رياضياً لتسعير الخيارات في الأسواق غير المكتملة حيث يكون التقلب غير مؤكد، متجاوزةً بذلك حدود نموذج بلاك-شولز الكلاسيكي.
• الكفاءة الحسابية: إن إثبات أن تحويلاً لوغاريتمياً بسيطاً يمكن أن يقلل بشكل جذري من التكاليف الحسابية للمعادلات التفاضلية الجزئية غير الخطية يعد رؤية قيمة للممارسين الذين ينفذون محركات التسعير في الوقت الفعلي.
• الصرامة النظرية: من خلال إثبات التقارب إلى الحلول اللزوجية وإثبات الاستقرار والرتابة، تضمن الورقة أن النتائج العددية ليست مجرد تقريبات بل هي حلول سليمة رياضياً للمشكلة المالية الأساسية.
• تعدد الاستخدامات: الطرق المقترحة قابلة للتطبيق على مجموعة واسعة من الخيارات الغريبة والقياسية، حيث تتعامل مع دوال الدفع المحدبة وغير المحدبة بفعالية.

ختاماً، نجح المؤلفون في سد الفجوة بين النظرية المجردة لتوقع G-expectation والتنفيذ العددي العملي، مقدمين إطاراً متفوقاً لتسعير الخيارات القوي تحت عدم اليقين في النموذج.