Beyond Black-Scholes: A Computational Framework for Option Pricing Using Heston, GARCH, and Jump Diffusion Models

Diese Studie verbessert die Optionspreisgestaltung über das Black-Scholes-Modell hinaus, indem sie Monte-Carlo-Simulationen mit den Modellen GARCH, Heston und Merton kombiniert und zeigt, dass das Heston-Modell die Marktpreise am genauesten abbildet, während Merton bei plötzlichen Kurssprüngen und GARCH bei der Volatilitätsprognose überlegen ist.

Das Wesentliche

Titel: Warum die alte Formel nicht mehr reicht – Eine Reise durch die Welt der Finanz-Orakel

Stellen Sie sich vor, Sie wollen den Preis eines Zauberspruchs (einer Option) bestimmen, der Ihnen erlaubt, eine Aktie in der Zukunft zu einem festgelegten Preis zu kaufen.

Für Jahrzehnte haben Finanzexperten eine einzige, sehr berühmte Formel benutzt: das Black-Scholes-Modell. Man kann sich das wie einen alten, verstaubten Kompass vorstellen. Er funktioniert hervorragend, wenn das Wetter ruhig ist und die Welt sich vorhersehbar verhält. Aber das Problem? Die reale Welt ist chaotisch. Plötzlich gibt es Stürme, Erdbeben und unerwartete Blitzeinschläge (wie Finanzkrisen oder plötzliche Nachrichten), die dieser alte Kompass nicht erkennt. Er geht davon aus, dass die "Unruhe" (Volatilität) am Markt immer gleich bleibt – was in der Realität so selten ist wie ein ruhiger Ozean mitten im Hurrikan.

Die Autoren dieses Papers (Karmanpartap und Pranshi von der USC) sagen: "Genug mit dem alten Kompass! Wir bauen ein modernes GPS-System."

Hier ist, was sie getan haben, übersetzt in einfache Bilder:

1. Das Grundgerüst: Das Monte-Carlo-Simulationsspiel

Statt nur eine einzige Vorhersage zu machen, nutzen sie eine Methode namens Monte-Carlo-Simulation.

• Die Analogie: Stellen Sie sich vor, Sie werfen einen Würfel, um zu sehen, wohin eine Aktie morgen geht. Einmal reicht nicht. Also werfen Sie den Würfel 10.000 Mal. Jedes Wurf-Ergebnis ist ein möglicher Zukunftsweg.
• Der Trick: Am Ende schauen sie sich an, wie oft die Aktie im "Schatz" gelandet ist, und berechnen den Durchschnitt. Das ist viel genauer als nur auf eine einzige Vermutung zu setzen.

2. Die drei neuen Werkzeuge (Die "Super-Kräfte")

Um den alten Kompass zu verbessern, haben die Autoren drei neue Werkzeuge in ihr GPS-System eingebaut:

A. Der "Wetter-Vorhersage"-Modell (GARCH)

Das alte Modell dachte, das Wetter (die Volatilität) bleibt immer gleich.

• Das Problem: In der Realität gibt es "Wettercluster". Wenn es einmal stürmisch ist, bleibt es oft noch eine Weile stürmisch. Wenn es ruhig ist, bleibt es ruhig.
• Die Lösung (GARCH): Dieses Modell schaut sich die Vergangenheit an, um zu sagen: "Hey, gestern war es stürmisch, also werden wir heute wahrscheinlich auch noch etwas Wind haben." Es lernt aus der Geschichte, wie sich die Unruhe am Markt verhält, und passt die Vorhersage dynamisch an.

B. Der "Schwankende Ozean" (Heston-Modell)

Das alte Modell behandelte die Wellenhöhe (Volatilität) als statisch.

• Das Problem: Der Markt ist wie ein Ozean. Manchmal sind die Wellen klein, manchmal riesig, und sie ändern sich ständig.
• Die Lösung (Heston): Dieses Modell erlaubt der "Wellenhöhe" selbst, sich zu bewegen. Es ist, als würde man nicht nur die Richtung des Schiffes vorhersagen, sondern auch, wie wild das Meer gerade wird. Es fängt Phänomene ein wie "Volatilitäts-Skew" (eine Art Verzerrung, bei der bestimmte Optionen teurer sind, als sie eigentlich sollten), die das alte Modell komplett ignoriert.

C. Der "Blitz-Effekt" (Merton Jump-Diffusion)

Das alte Modell ging davon aus, dass sich Preise langsam und stetig bewegen.

• Das Problem: Manchmal passiert etwas Unerwartetes (z. B. ein Kriegsausbruch oder eine Firmenpleite), und die Kurse springen plötzlich um 20 % nach oben oder unten. Das ist wie ein Blitz, der mitten in einer ruhigen Straße einschlägt.
• Die Lösung (Merton): Dieses Modell fügt einen "Sprung"-Faktor hinzu. Es sagt: "Okay, meistens bewegen wir uns langsam, aber mit einer gewissen Wahrscheinlichkeit gibt es einen plötzlichen, riesigen Sprung." So können sie extreme Ereignisse besser abbilden.

3. Der "Gehirn-Boost" (Maschinelles Lernen)

Alle diese Modelle brauchen genaue Einstellungen (Parameter), um zu funktionieren. Die Autoren haben künstliche Intelligenz (Maschinelles Lernen) eingesetzt, um diese Einstellungen automatisch zu optimieren.

• Die Analogie: Stellen Sie sich vor, Sie versuchen, ein Radio so einzustellen, dass man die Musik perfekt hört. Früher haben Sie das manuell mit den Knöpfen gemacht. Jetzt haben Sie einen Roboter, der tausende Male pro Sekunde die Knöpfe dreht, bis das Rauschen weg ist und die Musik perfekt klingt. Dieser Roboter hat die Modelle so präzise abgestimmt, dass sie fast wie echte Markt-Orakel funktionieren.

Was haben sie herausgefunden?

Die Ergebnisse waren beeindruckend:

• Tesla & Co.: Bei Aktien wie Tesla oder Meta (die oft stark schwanken) war das alte Modell oft daneben. Es hat Optionen entweder zu billig oder zu teuer bewertet.
• Der Gewinner: Das Heston-Modell (mit den schwankenden Wellen) und das Merton-Modell (mit den Blitz-Sprüngen) lagen viel näher an den tatsächlichen Preisen, die man an der Börse zahlt.
• Die Zukunft: Sie haben sogar getestet, ob sie Preise für die nächsten Tage vorhersagen können. Das GARCH-Modell hat hier gute Arbeit geleistet, auch wenn es bei extremen Ausreißern noch kleine Fehler macht.

Fazit für den Alltag

Dieses Papier sagt im Grunde: Die Welt ist zu komplex für einfache, starre Formeln.

Wenn Sie versuchen, den Wert einer Option zu berechnen, reicht es nicht mehr, einfach anzunehmen, dass alles ruhig bleibt. Man muss Modelle nutzen, die:

1. Tausende von Zukunftsszenarien durchspielen (Monte Carlo).
2. Lernen, wie sich die Unruhe am Markt verändert (GARCH).
3. Zittern und Wellen in der Volatilität zulassen (Heston).
4. Plötzliche Schocks und Sprünge einplanen (Merton).

Die Autoren haben gezeigt, dass man durch die Kombination von moderner Mathematik und künstlicher Intelligenz viel besser vorhersagen kann, was auf den Finanzmärkten passiert – und das ist für jeden Anleger, der sein Geld schützen will, ein riesiger Vorteil. Es ist der Unterschied zwischen einem alten Kompass und einem GPS, das den Verkehr in Echtzeit sieht.

Technische Zusammenfassung

Technische Zusammenfassung: Ein computergestütztes Rahmenwerk zur Optionspreisbildung jenseits von Black-Scholes

1. Problemstellung
Das traditionelle Black-Scholes-Modell (BSM) gilt zwar als Standard für die Optionspreisbildung, leidet jedoch unter signifikanten Einschränkungen, die in realen Marktumgebungen zu Ungenauigkeiten führen. Die Hauptprobleme sind:

• Konstante Volatilität: Das BSM geht von einer zeitlich konstanten Volatilität aus, ignoriert jedoch die beobachtete Volatilitäts-Clustering und -Skelettierung (Volatility Skew).
• Fehlende Sprünge: Das Modell nimmt kontinuierliche Preisbewegungen (geometrische Brownsche Bewegung) an und kann plötzliche, diskrete Preissprünge (z. B. durch Krisen oder geopolitische Ereignisse) nicht abbilden.
• Eingeschränkte Anwendbarkeit: Es ist primär für europäische Optionen konzipiert und berücksichtigt keine Dividendenzahlungen oder komplexe Pfadabhängigkeiten.

Das Ziel dieser Forschung ist die Entwicklung eines robusteren, präziseren und flexiblen Rahmens zur Optionsbewertung, der diese Lücken durch den Einsatz fortgeschrittener stochastischer Modelle und maschinellen Lernens schließt.

2. Methodik und Rahmenwerk
Die Autoren entwickelten ein computergestütztes Framework, das auf Monte-Carlo-Simulationen basiert und durch vier Hauptkomponenten erweitert wird. Die Implementierung erfolgte in Python unter Nutzung von Live-Daten (Yahoo Finance API) für Aktien wie Tesla, Meta, AMC, MARA und Shopify.

• A. Basis-Monte-Carlo (Geometrische Brownsche Bewegung - GBM):
  Als Referenzmodell simuliert dies Tausende von Aktienkurspfaden unter der Annahme konstanter Volatilität. Die Diskretisierung erfolgt nach der Formel:
  $S_{t+\Delta t} = S_t \exp\left[\left(r - \frac{1}{2}\sigma^2\right)\Delta t + \sigma Z_t\right]$
  Dabei wird der Erwartungswert der Auszahlung über alle Pfade diskontiert.

• B. Merton Jump-Diffusion Modell:
  Um plötzliche Preissprünge zu modellieren, wird eine Sprungkomponente ($J$) in die stochastische Differentialgleichung integriert:
  $dS(t) = S(t)[\mu dt + \sigma dW(t) + (J-1)dN(t)]$
  Der Sprung $J$ folgt einer Log-Normalverteilung, und die Häufigkeit der Sprünge wird durch einen Poisson-Prozess ($N(t)$) gesteuert.

  • Optimierung: Ein L-BFGS-B-Optimierer (ein gradientenbasierter Algorithmus mit Box-Beschränkungen) wird verwendet, um die Parameter für Sprunghäufigkeit ($\lambda_j$), Sprunggröße ($\mu_j$) und Sprungvolatilität ($\sigma_j$) empirisch an die Marktdaten anzupassen, indem die mittlere quadratische Abweichung zwischen Modell- und Marktpreis minimiert wird.

• C. GARCH (1,1) Modell:
  Um die zeitabhängige Natur der Volatilität (Volatilitäts-Clustering) zu erfassen, wird ein GARCH-Modell verwendet, um die zukünftige Volatilität basierend auf historischen Renditen vorherzusagen:
  $\sigma_t^2 = \alpha_0 + \alpha_1 \epsilon_{t-1}^2 + \beta_1 \sigma_{t-1}^2$
  Die prognostizierte Volatilität dient als dynamischer Input für die nachfolgende Monte-Carlo-Simulation, anstatt einer konstanten Volatilität.

• D. Heston-Modell (Stochastische Volatilität):
  Das Heston-Modell behandelt die Volatilität selbst als stochastischen Prozess, der mit dem Aktienkurs korreliert ist:
  $dv(t) = \kappa(\theta - v(t))dt + \sigma_v \sqrt{v(t)} dW_2(t)$
  Ähnlich wie beim Merton-Modell werden die Parameter ($\kappa, \theta, \sigma_v$) mittels L-BFGS-B optimiert, um die historische Varianz bestmöglich abzubilden. Dies ermöglicht die Erfassung von Volatilitäts-Skew und -Clustering.

3. Wichtige Beiträge

• Hybrider Ansatz: Die Kombination von Monte-Carlo-Simulationen mit stochastischen Volatilitätsmodellen (Heston), Sprungmodellen (Merton) und Volatilitätsprognosen (GARCH) bietet einen umfassenderen Blick auf Marktdynamiken als das reine Black-Scholes-Modell.
• Maschinelles Lernen für die Kalibrierung: Die Integration von L-BFGS-B-Optimierern zur automatischen Kalibrierung der Modellparameter (insbesondere bei Heston und Merton) verbessert die Anpassungsgenauigkeit an reale Marktdaten erheblich.
• Empirische Validierung: Das Framework wurde mit Live-Daten von November 2024 an fünf unterschiedlichen Aktien mit verschiedenen Geschäftsmodellen und Volatilitätsprofilen getestet.

4. Ergebnisse

• Genauigkeitssteigerung: Alle erweiterten Modelle übertrafen das klassische Black-Scholes-Monte-Carlo-Modell in der Genauigkeit.
• Heston-Modell: Zeigte die konsistentesten Ergebnisse und lieferte Schätzungen, die den Marktpreisen am nächsten kamen, insbesondere bei Optionen mit langer Laufzeit und dynamischer Volatilität. Die Abweichungen waren minimal (z. B. bei Tesla und AMC).
• Merton Jump-Diffusion: Zeigte sich besonders effektiv für volatile Assets (wie Kryptowährungs-basierte Aktien oder MARA), wo plötzliche Preissprünge häufig sind. Das Modell korrigierte die systematische Unterbewertung des GBM-Modells bei tief im Geld liegenden Optionen.
• GARCH-Modell: Lieferte verbesserte Volatilitätsprognosen für kurzfristige Zeitfenster (3 Tage), wobei die Vorhersagen tendenziell etwas höher lagen als die Marktpreise, was auf Limitierungen bei der Erfassung plötzlicher Sentiment-Änderungen hindeutet.
• Fehleranalyse: Das klassische GBM-Modell neigte dazu, Optionen bei niedrigen Strike-Preisen zu übertreiben und bei hohen Strike-Preisen zu unterschätzen, da es die Volatilitäts-Skelettierung ignoriert.

5. Bedeutung und Ausblick
Diese Forschung demonstriert die Überlegenheit datengetriebener, stochastischer Ansätze gegenüber rein theoretischen Modellen in komplexen Marktumgebungen.

• Praktische Relevanz: Das Framework ermöglicht Finanzmanagern und Händlern präzisere Bewertungen und effizientere Hedging-Strategien, insbesondere in volatilen Märkten.
• Zukunftsperspektiven: Die Autoren schlagen vor, Neuronale Netze (z. B. LSTM) zur weiteren Optimierung der Parameter und Quanten-Walks (Quantenrandom Walks) für die Simulation von Preis- und Volatilitätspfaden zu nutzen, um die Rechenleistung und die Modellierung komplexer Derivate weiter zu verbessern.

Zusammenfassend stellt dieses Werk einen signifikanten Schritt dar, um die Kluft zwischen den vereinfachenden Annahmen klassischer Finanztheorie und der Realität dynamischer Finanzmärkte zu schließen.