Synthetic American Option Pricing via Jump-HMM-Driven Heston Implied Volatility
Dieser Beitrag stellt ein Open-Source-Julia-Framework vor, das die zirkuläre Abhängigkeit bei der synthetischen Optionspreisbildung durch die Generierung realistischer amerikanischer Optionspreise und impliziter Volatilitätsflächen mittels einer strukturellen Pipeline auflöst, die Jump-Hidden-Markov-Modelle, regimeabhängige Heston-Dynamiken und durch neuronale Surrogate kalibrierte binomiale Gitter kombiniert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen einem Roboter beizubringen, ein komplexes Spiel des finanziellen Schachs zu spielen. Um dies zu tun, müssen Sie Millionen von „Was-wäre-wenn"-Szenarien generieren: Was passiert, wenn der Aktienmarkt crasht? Was passiert, wenn ein Technologieunternehmen einen hervorragenden Gewinnbericht vorlegt? Was passiert, wenn die Ölpreise explodieren?
Um das Spiel zu spielen, muss der Roboter den Preis von „Versicherungspolicen" auf diese Aktien kennen (sogenannte Optionen). Doch hier liegt der Haken: Der Preis dieser Versicherung hängt von etwas namens Implizite Volatilität (IV) ab. Das Problem ist, dass wir in der realen Welt nur wissen, was die IV ist, nachdem wir die tatsächlichen Preise dieser Versicherungspolicen gesehen haben. Es ist eine zirkuläre Falle: Sie benötigen den Preis, um die Volatilität zu kennen, aber Sie benötigen die Volatilität, um den Preis zu berechnen. Dies macht es sehr schwierig, realistische „gefälschte" Daten zu erstellen, um Roboter zu trainieren oder Strategien zu testen.
Dieser Artikel stellt einen cleveren Weg vor, diesen Kreislauf zu durchbrechen. Die Autoren haben eine Maschine gebaut, die nicht nur Preise errät; sie baut die Preise von Grund auf neu auf, beginnend damit, wie Aktien sich tatsächlich bewegen.
Hier ist, wie ihre Maschine funktioniert, erklärt durch ein paar einfache Analogien:
1. Der Motor: Der „Stimmungsring"-Aktiensimulator
Zuerst entwickelte das Team einen Simulator für Aktienpreise unter Verwendung eines sogenannten Jump Hidden Markov Model. Stellen Sie sich dies als einen Stimmungsring für den gesamten Aktienmarkt vor.
- Die Stimmung: Der Markt ist nicht einfach nur „hoch" oder „niedrig". Er hat verschiedene „Regime" oder Stimmungen. Manchmal ist er ruhig, manchmal nervös und manchmal in Panik.
- Die Sprünge: Echte Aktien bewegen sich nicht nur glatt; sie machen manchmal „Sprünge" (plötzliche Crashes oder Anstiege). Dieser Simulator ist darauf ausgelegt, diese plötzlichen Sprünge und die „Clustering" der Volatilität zu erzeugen (wobei ein schlechter Tag oft von einem weiteren schlechten Tag gefolgt wird).
- Die Verbindung: Er weiß auch, dass, wenn eine Aktie in Panik gerät, ihre Nachbarn oft auch in Panik geraten (wie ein Welleneffekt).
2. Der Übersetzer: Die „Gestaltwandelnde" Volatilität
Sobald der Simulator einen Pfad für einen Aktienpreis erstellt, muss das Team diesen in eine „Implizite Volatilität"-Zahl übersetzen. In der Vergangenheit mussten Menschen manuell raten, wie diese Zahl aussehen sollte.
- Die Innovation: Die Autoren schufen ein modifiziertes Heston-Modell. Stellen Sie sich einen Thermostat vor, der die Hitze (Volatilität) des Marktes reguliert. Normalerweise hat ein Thermostat eine feste Zieltemperatur.
- Der intelligente Thermostat: Ihr Thermostat ist intelligent. Er ändert seine Zieltemperatur basierend auf:
- Der Stimmung: Befindet sich der Markt in einem Panikzustand? (Erhöhen Sie die Hitze).
- Der Zeit: Wie nahe ist die Option am Verfall?
- Dem Ausübungspreis: Wetten die Option auf eine große Bewegung oder eine kleine?
- Den Gewinnen: Steht ein Unternehmen kurz vor der Veröffentlichung seines Finanzberichts?
- Das Ergebnis: Da der Thermostat so intelligent ist, erscheinen das „Lächeln" und die „Schiefe" (die komplexen Formen der Optionspreise) automatisch. Sie müssen sie nicht erzwingen; sie entstehen natürlich aus dem Verhalten der Aktie.
3. Das Gehirn: Der „Neuronale Surrogat"
Um den Thermostat noch intelligenter zu machen, verwendeten sie Neuronale Netze (eine Art von KI).
- Das Problem: Eine einfache Formel konnte die einzigartigen Eigenheiten jedes einzelnen Unternehmens nicht erfassen. Ein Technologieunternehmen wie NVIDIA verhält sich anders als eine Bank wie JPMorgan.
- Die Lösung: Sie trainierten ein „Neuronales Surrogat". Stellen Sie sich dies als einen spezialisierten Übersetzer vor, der die spezifische „Persönlichkeit" verschiedener Unternehmensgruppen (Sektoren) lernt.
- Es lernte, dass Tech-Aktien eine bestimmte „Lächeln"-Form haben.
- Es lernte, dass Gesundheitsaktien Buckel um FDA-Zulassungsdaten herum haben.
- Es lernte, dass Energieaktien auf Ölanbieter-Schocks reagieren.
- Die Hierarchie: Sie begannen mit einem Übersetzer für alle, erkannten dann, dass es besser war, einen Übersetzer pro Branche (Sektor) zu haben, und schließlich, für die größten Unternehmen, einen Übersetzer nur für dieses spezifische Unternehmen. Dies machte die Vorhersagen viel genauer.
4. Der Rechner: Das „Gitter"
Sobald sie den Aktienpfad und die Volatilität haben, müssen sie den endgültigen Preis der amerikanischen Option berechnen (die vorzeitig ausgeübt werden kann). Sie verwendeten ein Binomiales Gitter.
- Die Metapher: Stellen Sie sich einen Baum vor, wobei jeder Ast einen möglichen zukünftigen Preis darstellt. Der Computer geht vom Ende des Baumes zurück zum Anfang und prüft an jedem Ast: „Ist es besser, jetzt auszuzahlen oder zu warten?" Dies ergibt den genauen Preis für die Option.
Der große Test: Hat es funktioniert?
Die Autoren testeten ihre Maschine auf zwei Arten:
- Der „Gewinn"-Test: Sie versuchten, Optionspreise rund um Gewinnberichte vorherzusagen. Sie stellten fest, dass die Maschine nur Schwierigkeiten hatte, wenn ein Unternehmen ein überraschendes Gewinnergebnis ankündigte, das nicht im Kalender stand. Wenn das Ereignis geplant war (wie ein bekanntes Gewinndatum), konnte die Maschine den Preissprung perfekt vorhersagen. Wenn die Überraschung ein totaler Schock war, konnte die Maschine sie nicht kommen sehen (was realistisch ist!).
- Der „Vorwärts-Simulation"-Test: Sie nahmen eine echte Aktie (Goldman Sachs) und führten 1.000 simulierte Zukünfte durch.
- Sie verkauften „leere" Optionen (wetteten darauf, dass sich der Preis nicht zu stark bewegen würde).
- Das Ergebnis: Die Maschine zeigte, dass zwar die meiste Zeit die Wette gewinnt (Sie behalten die Prämie), die Verluste jedoch „fettschwänzig" sind. Das bedeutet, wenn Sie verlieren, verlieren Sie viel mehr, als Sie erwartet haben, insbesondere auf der „Call"-Seite (Wetten darauf, dass der Preis steigt). Dies geschah, weil die Maschine korrekt lernte, dass, wenn Aktien crashten, die Volatilität explodiert, was die Versicherung viel teurer macht.
Das Fazit
Der Artikel behauptet, sie hätten einen synthetischen Datengenerator gebaut. Er erstellt realistische Optionspreise und Volatilität, ohne zuerst reale Marktpreise betrachten zu müssen. Er durchbricht die zirkuläre Abhängigkeit, indem er die Volatilität natürlich aus den simulierten Aktienbewegungen entstehen lässt.
Sie veröffentlichten dies als Open-Source-Tool (in der Programmiersprache Julia), damit andere es verwenden können, um Trainingsdaten für Machine-Learning-Modelle zu generieren, Risikstrategien zu testen oder Marktcrashe zu simulieren, ohne reale Daten zu benötigen, die verzerrt oder unvollständig sein könnten.
Kurz gesagt: Sie bauten eine Videospiel-Engine für den Aktienmarkt, die ihre eigene realistische Physik (Volatilität) generiert, damit Sie Ihre KI trainieren können, das Spiel zu spielen, ohne zuerst die reale Welt beobachten zu müssen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.