COS-TT-CHF: A Tensor-Train Characteristic-Function COS Method for Multi-Asset Option Pricing
تقدم هذه الورقة طريقة COS-TT-CHF، وهي طريقة "تنسور-ترين" (Tensor-Train) منخفضة الرتبة تتغلب على لعنة الأبعاد في تسعير الخيارات متعددة الأصول تحت نماذج "ليفي" (Lévy) والنماذج التآلفية (affine)، وذلك عبر ضغط تنسورات الدوال المميزة، مما يتيح تسعيراً دقيقاً وفعالاً لخيارات السلة (basket) وخيارات الحد الأدنى/الأقصى (min/max) لما يصل إلى 30 أصلاً بأداء متفوق مقارنةً بنماذج COS المباشرة، وتنسور-فوريه (tensor-Fourier)، ومعايير مونت كارلو الكمية (QMC).
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم التمويل، يعد التنبؤ بالقيمة المستقبلية لسهم واحد مهمة معقدة بالفعل، ولكن الأسواق الحديثة تتطلب من المستثمرين غالباً تسعير خيارات على سلال تحتوي على عشرات الأصول في آن واحد. هذه العقود المالية، المعروفة باسم "الخيارات" (options)، تمنح حاملها الحق في شراء أو بيع مجموعة من الأسهم بسعر محدد في المستقبل. وتنشأ الصعوبة عند محاولة حساب السعر العادل لهذه العقود مع زيادة عدد الأصول؛ فكلما تمت إضافة أصل جديد إلى السلة، لا تزداد كمية الحسابات بشكل طفيف فحسب، بل تتزايد بشكل أسّي. هذه الظاهرة، المعروفة باسم "لعنة الأبعاد"، أجبرت المحللين لفترة طويلة على الاعتماد على طرق تقريبية بطيئة أو الحد من تحليلاتهم لتشمل مجموعات صغيرة جداً من الأصول، مما ترك فجوة كبيرة في قدرتنا على تسعير المنتجات المالية المعقدة متعددة الأصول بدقة وسرعة.
لقد طور باحثون في جامعة كوبنهاغن نهجاً جديداً لسد هذه الفجوة، حيث ابتكروا طريقة تسمح بالتسعير السريع للخيارات على سلال تحتوي على ما يصل إلى ثلاثين أصلاً مختلفاً. يركز عملهم، الذي نُشر في ورقة بحثية بعنوان "COS–TT–CHF"، على نوع محدد من النماذج المالية التي تصف كيفية تحرك أسعار الأصول باستخدام أداة رياضية تسمى "الدالة المميزة" (characteristic function). وبدلاً من محاولة حساب السعر عبر النظر في كل توليفة ممكنة لتحركات الأصول في وقت واحد — وهي مهمة تصبح مستحمة مع ارتفاع عدد الأصول — استخدم الفريق تقنية تسمى "تقريب الموتر المتسلسل" (tensor-train approximation). تعمل هذه الطريقة عن طريق ضغط البيانات الضخمة وعالية الأبعاد المطلوبة للحساب في تنسيق أصغر وأكثر قابلية للإدارة. وهي تشبه الطريقة التي يمكن بها ضغط صورة عالية الدضاء إلى حجم ملف صغير دون فقدان التفاصيل الأساسية اللازمة للتعرف على الصورة، مما يسمح للحاسوب بمعالجة المعلومات بكفاءة دون أن يثقل كاهله بحجم البيانات الهائل.
اختبر الباحثون طريقتهم الجديدة مقابل عدة معايير مرجعية معتمدة، بما في ذلك تقنيات الحساب المباشر القديمة وطرق المحاكاة المتطورة التي تعتمد على أخذ العينات العشوائية. ووجدوا أنه بالنسبة للسلال التي تحتوي على أصلين أو ثلاثة فقط، لم تكن طريقتهم الجديدة بالضرورة أسرع من التقنيات الموجودة. ومع ذلك، بمجرد أن ارتفع عدد الأصول إلى أربعة أو أكثر، بدأت الطريقة الجديدة في التفوق على مناهج الحساب المباشر القديمة بشكل كبير. وفي الاختبارات التي شملت عشرين أصلاً، أكملت الطريقة الجديدة الحسابات في غضون ثوانٍ، بينما كانت الطرق المباشرة التقليدية ستستغرق دقائق أو حتى ساعات للوصول إلى مستوى مماثل من الدقة. كما أظهر الفريق أن نهجهم يعمل بشكل جيد مع أنواع مختلفة من نماذج السوق، بما في ذلك النماذج التي تأخذ في الاعتبار القفزات المفاجئة في الأسعار أو تغير التقلبات، وهي سمات شائعة في الأسواق المالية الواقعية.
وبعيداً عن مجرد إيجاد سعر الخيار، تسمح الطريقة الجديدة بالحساب السريع لـ "اليونانيات" (Greeks)، وهي مقاييس توضح مدى حساسية سعر الخيار للتغيرات في الأصول الأساسية أو ظروف السوق. وهذا أمر بالغ الأهمية لإدارة المخاطر، حيث يحتاج المتداولون إلى معرفة كيفية استجابة محافظهم الاستثمارية لتحولات السوق. وقد أظهر الباحثون أنه بمجرد بناء هيكل البيانات المضغوط الأولي، يصبح حساب هذه الحساسيات لأسعار تنفيذ مختلفة أو سيناريوهات سوق مختلفة فورياً تقريباً. وتعد هذه القابلية لإعادة الاستخدام ميزة رئيسية، إذ يعني ذلك أن العمل الشاق يتم لمرة واحدة فقط، ويمكن تطبيق النتائج على مجموعة واسعة من الأسئلة دون البدء في الحساب من الصفر.
كما تناولت الدراسة نوعاً معيناً من الخيارات التي تدفع بناءً على الأداء الأدنى أو الأعلى لأصل في مجموعة، وهو ما يعرف بخيارات "الحد الأدنى/الحد الأقصى" (min/max options). وتعتبر هذه الخيارات صعبة التسعير بشكل خاص لأن العائد يعتمد على التفاعل بين جميع الأصول بطريقة لا تتناسب مع أنماط الحساب القياسية. وقد نجح الباحثون في تكييف طريقتهم للتعامل مع هذه التعويضات المعقدة، مما أثبت أن تمثيلهم المضغوط يمكنه التقاط السلوك المشترك الضروري للأصول. وفي اختباراتهم، حافظت الطريقة على دقة عالية حتى عند التعامل مع ثلاثين أصلاً، وهو نطط كان بعيد المنال سابقاً لهذه الفئة من تقنيات التسعير. وتشير النتائج إلى أنه من خلال نقل تعقيد الحساب إلى تنسيق مضغوط في مرحلة مبكرة من العملية، يمكن تجاوز النمو الأسّي في التكلفة الحسابية الذي أعاق تسعير المشتقات متعددة الأصول لفترة طويلة.
قارن الباحثون نتائجهم مع بيانات مرجعية تم إنشاؤها بواسطة طرق أخرى عالية الدقة، مثل تقنيات أخذ العينات العشوائية التي تعتبر المعيار الذهبي للدقة ولكنها بطيئة جداً. وقد طابقت الطريقة الجديدة هذه الأسعار المرجعية بدقة عالية مع كونها أسرع بعدة مراتب في الأبعاد العالية. فعلى سبيل المثال، في اختبار جهد تضمن نموذجاً مالياً شائعاً مع عشرين أصلاً، أكملت الطالطريقة الجديدة الحساب في حوالي ثلاث وستين ثانية، بينما استغرقت طريقة المحاكاة المرجعية أكثر من خمسمائة ثانية. وظلت الدقة ثابتة عبر أنواع مختلفة من الأصول وظروف السوق، بما في ذلك النماذح ذات التوزيعات ذات الذيول الثقيلة حيث تكون التحركات السعرية المتطرفة أكثر احتمالاً.
لا يدعي هذا العمل حل كل مشكلة في الرياضيات المالية، ولا يشير إلى أن جميع تحديات التسعير قد أصبحت الآن من الماضي. تعتمد الطريقة على افتراض أن البيانات الأساسية يمكن ضغطها بفعالية، وهو ما ينطبق على العديد من نماذج السوق الشائعة ولكنه قد يختلف في السيناريوهات الأكثر غرابة. ومع ذلك، تظهر النتائج بوضوح أنه بالنسبة لمجموعة واسعة من التطبيقات العملية، يمكن خفض حاجز الأبعاد. ومن خلال تحويل المشكلة إلى تمثيل مضغوط، قدم الباحثون أداة تجعل من الممكن تسعير الخيارات المعقدة متعددة الأصول بسرعة ودقة لم يكن من الممكن تحقيقهما من قبل. ويقدم هذا التقدم مساراً عملياً للمؤسسات المالية التي تحتاج إلى إدارة المخاطر وتسعير المنتجات في أسواق مترابطة ومعقدة بشكل متزايد.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.