Risk-indifference Pricing of American-style Contingent Claims

Diese Arbeit untersucht die Indifferenzbewertung amerikanischer contingent Claims unter Verwendung dynamischer konvexer Risikomaße in einem Umfeld unterschiedlicher Informationsstände, charakterisiert die Preise durch reflektierte Rückwärts-stochastische Differentialgleichungen und zeigt deren Eignung für numerische Implementierungen mittels Deep Learning.

Das Wesentliche

Stellen Sie sich vor, Sie stehen auf einem belebten Marktplatz und wollen einen sehr speziellen Vertrag abschließen: eine amerikanische Option. Im Gegensatz zu einem normalen Vertrag, den man nur zu einem festgelegten Termin einlösen kann, erlaubt diese Option dem Käufer, sie jederzeit bis zum Ablaufdatum einzulösen. Das macht sie flexibel, aber auch schwer zu bewerten.

Dieses Papier von Kumar, Miller, Nasralah und Sturm ist wie ein neuer, hochmoderner Kompass für Händler, die in unsicheren Gewässern navigieren. Hier ist die Erklärung der Kernideen, übersetzt in einfache Sprache und mit anschaulichen Vergleichen:

1. Das Problem: Die "Fairness"-Frage in einem unvollständigen Markt

In der perfekten Welt der Finanztheorie (wie im Black-Scholes-Modell) gibt es immer genau einen fairen Preis. Aber die reale Welt ist chaotischer: Märkte sind unvollständig, Risiken sind schwer vorherzusagen, und Verkäufer und Käufer haben oft unterschiedliche Informationen.

• Die Analogie: Stellen Sie sich vor, Sie verkaufen ein Haus. Der Käufer weiß, dass die Nachbarn bald eine neue Schule bauen (gute Nachricht), aber Sie als Verkäufer wissen das noch nicht. Oder umgekehrt: Sie wissen, dass das Dach undicht ist, der Käufer aber nicht.
• Das Dilemma: Wie bestimmt man einen Preis, der für beide Seiten "fair" ist, wenn sie unterschiedliche Risiken sehen? Der klassische "No-Arbitrage"-Ansatz (kein Risiko für einen, ohne dass der andere verliert) liefert hier nur eine riesige Spanne von Preisen – zu breit, um praktisch nutzbar zu sein.

2. Die Lösung: Der "Gleichgültigkeits-Preis" (Indifference Pricing)

Die Autoren schlagen vor, den Preis nicht durch mathematische Perfektion, sondern durch das Gefühl der Gleichgültigkeit zu bestimmen.

• Für den Käufer: Wie viel muss ich zahlen, damit ich mir sage: "Egal, ob ich diesen Vertrag kaufe oder nicht, mein Risiko ist am Ende gleich hoch"?
• Für den Verkäufer: Wie viel muss ich verlangen, damit ich mir sage: "Egal, ob ich diesen Vertrag verkaufe oder nicht, mein Risiko bleibt gleich"?

Der Preis ist also der Punkt, an dem man sich indifferent (gleichgültig) fühlt.

3. Das Besondere: Der "Tanz" zwischen Verkäufer und Käufer

Bei amerikanischen Optionen ist es kompliziert, weil der Käufer entscheidet, wann der Vertrag endet (er übt die Option aus). Der Verkäufer kann diesen Moment nicht vorhersagen.

• Die Metapher: Stellen Sie sich ein Tanzpaar vor. Der Käufer ist der Tänzer, der jederzeit den Tanz beenden kann (die Option ausüben). Der Verkäufer muss den Tanz so lange mitmachen, wie der Käufer will.
• Die Herausforderung: Der Verkäufer muss einen Preis festlegen, der ihn schützt, falls der Käufer den Tanz genau dann beendet, wenn es für den Verkäufer am ungünstigsten ist.
• Die neue Definition: Die Autoren entwickeln eine sehr präzise Regel für den Verkäufer: Er darf nicht raten, wann der Käufer tanzen wird. Er muss eine Strategie wählen, die funktioniert, egal wann der Tanz endet. Das ist wie ein Sicherheitsnetz, das sich automatisch anpasst, sobald der Käufer den Tanz beendet.

4. Die Mathematik dahinter: Der "Spiegel" und die "Welle"

Um diese Preise zu berechnen, nutzen die Autoren fortgeschrittene Mathematik, die sie BSDE-R-BSDE nennen. Das klingt wie ein Zungenbrecher, lässt sich aber gut visualisieren:

• Die Welle (BSDE): Stellen Sie sich vor, das Risiko ist eine Welle, die sich über die Zeit bewegt.
• Der Spiegel (RBSDE): Bei amerikanischen Optionen gibt es eine Grenze (die Ausübungsentscheidung). Wenn die Welle diese Grenze berührt, wird sie "reflektiert".
• Der Clou: In diesem Papier ist der Spiegel selbst wieder eine Welle! Das bedeutet: Der Preis, den der Verkäufer verlangt, hängt nicht nur vom aktuellen Wert der Option ab, sondern auch von dem Risiko, das er trägt, nachdem der Käufer die Option ausgeübt hat, aber bevor der Vertrag ganz abläuft.
• Einfach gesagt: Der Verkäufer denkt nicht nur an den Moment des Verkaufs, sondern auch an das "Nachspiel" – das Risiko, das er noch trägt, bis der Vertrag endgültig zu Ende ist.

5. Die Zukunft: KI als Rechen-Assistent

Diese Berechnungen sind so komplex, dass sie mit herkömmlichen Computern kaum lösbar sind. Es ist wie der Versuch, das Wetter für jeden einzelnen Punkt auf der Erde gleichzeitig vorherzusagen.

• Der Durchbruch: Die Autoren nutzen Deep Learning (Künstliche Intelligenz), ähnlich wie neuronale Netze, die wir von Bilderkennung kennen.
• Die Analogie: Statt jede mathematische Gleichung von Hand zu lösen, "trainieren" sie einen KI-Algorithmus. Dieser Algorithmus lernt durch Millionen von simulierten Szenarien (wie das Wetter), wie sich die Preise verhalten, und findet so die Lösung für die komplizierte "Spiegel-Welle"-Gleichung.
• Das Ergebnis: Sie konnten zeigen, dass diese Methode funktioniert und sogar Preise für amerikanische Optionen berechnet, die realistisch sind und die typischen "Lächeln"-Muster (Smile) in den Märkten nachahmen.

Zusammenfassung

Dieses Papier ist wie ein neues Regelbuch für den Handel mit flexiblen Verträgen in einer unsicheren Welt. Es sagt:

1. Vergessen Sie den einen perfekten Preis; suchen Sie den Preis, bei dem beide Seiten ihr Risiko gleich einschätzen.
2. Berücksichtigen Sie, dass der Käufer den Zeitpunkt der Entscheidung kontrolliert, und bauen Sie Sicherheitsnetze, die das Risiko nach der Entscheidung abfedern.
3. Nutzen Sie moderne KI, um diese komplexen mathematischen "Spiegel-Welten" zu berechnen.

Es verbindet tiefe mathematische Theorie mit praktischer Anwendbarkeit und zeigt, wie man in einem unvollkommenen Markt faire Preise finden kann, indem man die menschliche Angst vor Risiko (und wie man sie managt) in die Mathematik integriert.

Technische Zusammenfassung

1. Problemstellung

Die Bewertung von amerikanischen Optionen (und allgemein amerikanischen contingent claims) stellt in unvollständigen Märkten eine erhebliche Herausforderung dar. Während das Arbitrage-freie Prinzip in vollständigen Märkten einen eindeutigen Preis liefert, resultiert es in unvollständigen Märkten nur in einem sehr weiten Intervall von Preisen (Super- und Sub-Hedging-Preisen), das für die Praxis oft wenig aussagekräftig ist.

Das Paper adressiert die Frage, wie ein „fairer" oder „vernünftiger" Preis für amerikanische Optionen bestimmt werden kann, wenn Käufer und Verkäufer unterschiedliche Risikopräferenzen und potenziell unterschiedliche Informationsstände haben. Im Gegensatz zu europäischen Optionen hängt die Bewertung hier entscheidend vom optimalen Ausübungszeitpunkt ab, der vom Käufer gewählt wird. Dies führt zu einer asymmetrischen Informationsstruktur: Der Verkäufer muss die Ausübungsentscheidung des Käufers antizipieren, kennt den genauen Zeitpunkt jedoch nicht im Voraus.

2. Methodik

Das Paper entwickelt einen allgemeinen Rahmen für das Risik-Indifferenz-Pricing (Risk-Indifference Pricing) unter Verwendung von vollständig dynamischen konvexen Risikomaßen.

A. Theoretischer Rahmen

• Indifferenzprinzip: Der Preis wird so definiert, dass der Käufer (bzw. Verkäufer) indifferent ist zwischen dem Kauf (bzw. Verkauf) der Option zu diesem Preis und dem Nicht-Handeln, wobei in beiden Fällen die Möglichkeit besteht, im Markt zu hedgen.
• Risikomaße: Es werden vollständig dynamische konvexe Risikomaße $\rho_{s,t}$ verwendet, die zeitkonsistent sind. Dies ermöglicht die Modellierung von Risikominimierung über die Zeit hinweg.
• Informationsasymmetrie: Ein zentrales Merkmal des Modells ist die Berücksichtigung unterschiedlicher Filtrationen für Käufer ($\mathcal{F}^{buy}$) und Verkäufer ($\mathcal{F}^{sell}$).
  • Der Käufer wählt den Ausübungszeitpunkt $\tau$ basierend auf seiner Information.
  • Der Verkäufer muss Strategien wählen, die nicht-antizipativ bezüglich der Ausübung sind. Das Paper definiert eine Menge von „Strategie-Auswahl-Funktionen" $H'_{sell}$, die sicherstellen, dass die Hedging-Strategie des Verkäufers nur von der Realisierung des Ausübungszeitpunkts abhängt, nicht von der Zufallsvariable selbst (da der Verkäufer den Zeitpunkt erst bei Ausübung kennt).
• Arbitrage-Freiheit: Es wird gezeigt, dass die definierten Indifferenzpreise keine Arbitragemöglichkeiten für Käufer oder Verkäufer zulassen.

B. Spezialisierung auf stochastische Volatilitätsmodelle

Für die konkrete Anwendung wird ein stochastisches Volatilitätsmodell (ähnlich dem Setup in [52]) betrachtet, bei dem der Preisprozess und die Volatilität durch korrelierte Brownsche Bewegungen gesteuert werden.

• Darstellung durch BSDEs: Die Risikomaße werden durch Lösungen von Rückwärts-Stochastischen Differentialgleichungen (BSDEs) mit einem Treiber $g$ dargestellt.
• Struktur der Lösung (BSDE-R-BSDE):
  • Der Verkaufspreis wird durch ein System beschrieben, das als BSDE-R-BSDE (Reflected BSDE, reflektiert an einer BSDE) bezeichnet wird.
  • Die Reflektionsgrenze (Barrier) ist dabei nicht konstant oder durch eine einfache Funktion gegeben, sondern durch die Lösung einer weiteren BSDE (die das Risiko des Null-Vertrags von der Ausübung bis zur Fälligkeit abbildet).
  • Mathematisch ergibt sich der Preis $P^{sell}_t$ als Differenz zweier Komponenten, die aus diesem gekoppelten System stammen.
  • Der Käuferpreis lässt sich analog, aber einfacher, darstellen.
• Wirtschaftliche Interpretation: Die Reflektionsgrenze $\zeta_u + Y_u$ (wobei $\zeta$ der Auszahlungswert und $Y$ das Risiko des Null-Vertrags ist) spiegelt wider, dass nach der Ausübung der Option das Risiko der Position bis zur Fälligkeit durch Handel im Markt gemindert werden kann.

C. Numerische Implementierung

Da analytische Lösungen für diese gekoppelten Systeme in hohen Dimensionen (hier 4 Dimensionen: $S, V$ und die zwei Komponenten der BSDEs) nicht verfügbar sind, wird ein Deep-Learning-Ansatz verwendet.

• Algorithmus: Es wird die Reflected Deep Backward Dynamic Programming (RDBDP) Methode von Huré, Pham und Warin angewendet.
• Vorgehen: Das Intervall $[0, T]$ wird diskretisiert. Die Lösung wird rückwärts iterativ berechnet, wobei neuronale Netze verwendet werden, um die Funktionen für die Lösung und die adjungierten Prozesse (Gradienten) zu approximieren.
• Besonderheit: Zuerst wird die BSDE für die Randbedingung (das Risiko des Null-Vertrags) gelöst, um dann die reflektierte BSDE für den eigentlichen Optionspreis zu lösen.

3. Wichtige Beiträge

1. Generalisierung des Indifferenz-Pricing: Das Paper liefert eine rigorose, allgemeine Definition für Indifferenzpreise bei amerikanischen Optionen, die die Informationsasymmetrie zwischen Käufer und Verkäufer explizit modelliert. Dies schließt eine Lücke in der Literatur, die bisher oft nur diskrete Fälle oder vereinfachte Informationsstrukturen betrachtete.
2. Charakterisierung durch BSDE-R-BSDEs: Der Hauptbeitrag ist die mathematische Charakterisierung der Preise in stochastischen Volatilitätsmodellen durch ein neuartiges System von gekoppelten stochastischen Differentialgleichungen (BSDE-R-BSDE). Dies verbindet die Theorie der Risikomaße direkt mit der Struktur amerikanischer Optionen.
3. Numerische Machbarkeit: Das Paper demonstriert erfolgreich, wie diese hochdimensionalen, gekoppelten Gleichungssysteme mittels Deep Learning effizient gelöst werden können. Dies macht die Theorie für praktische Anwendungen (Calibrierung, Pricing) zugänglich.
4. Konsistenz mit Arbitrage-Theorie: Es wird bewiesen, dass die definierten Preise arbitragefrei sind, selbst unter Berücksichtigung der unterschiedlichen Informationsmengen.

4. Ergebnisse

• Numerisches Beispiel: Die Autoren berechnen den Preis einer amerikanischen Put-Option unter Verwendung eines arctan-Volatilitätsmodells und eines entropischen Risikomaßes (mit Verzerrung).
• Preisdifferenz: Die Differenz zwischen Käufer- und Verkäuferpreis (Bid-Ask-Spread) ist in absoluten Dollarbeträgen gering, was die Annahme stützt, dass diese Preise als Marktbid/Ask-Preise interpretiert werden können, wenn das Risikomaß als repräsentativ für einen Agenten angesehen wird.
• Implizite Volatilität: Die Differenz zwischen Käufer- und Verkäuferpreisen wird in der impliziten Volatilität deutlicher sichtbar. Beide Kurven zeigen das typische „Smile"-Muster, das in realen Märkten beobachtet wird.
• Amerikanisch vs. Europäisch: Der Unterschied zwischen dem amerikanischen und dem europäischen Indifferenzpreis ist vorhanden, aber kleiner als der Spread zwischen Käufer- und Verkäuferpreis für die amerikanische Option.

5. Bedeutung und Fazit

Das Paper ist von großer Bedeutung für die quantitative Finanzmathematik, da es einen robusten theoretischen Rahmen für das Pricing von amerikanischen Optionen in unvollständigen Märkten bietet, der über die klassische Arbitrage-Theorie hinausgeht.

• Theoretisch: Es verbindet Risikomaße, stochastische Analysis (BSDEs/RBSDEs) und optimale Stopp-Probleme auf elegante Weise. Die Einführung der BSDE-R-BSDE-Struktur ist ein neuer und wichtiger Schritt zur Modellierung von Risiken, die nach der Ausübung einer Option noch bestehen.
• Praktisch: Durch die Kopplung mit Deep-Learning-Methoden wird gezeigt, dass diese komplexen Modelle auch in der Praxis (z. B. für das Calibrieren von Risikoparametern an Marktdaten) lösbar sind.
• Regulatorisch: Da Risikomaße (wie VaR oder Expected Shortfall) in der regulatorischen Praxis (z. B. Basel III/IV) eine zentrale Rolle spielen, bietet dieser Ansatz eine Brücke zwischen theoretischer Optionsbewertung und regulatorischen Anforderungen an die Risikomessung.

Zusammenfassend liefert das Paper einen umfassenden Ansatz, der die Lücke zwischen theoretischer Risikominimierung und praktischer Optionsbewertung in komplexen, unvollständigen Märkten schließt.