COS-TT-CHF: A Tensor-Train Characteristic-Function COS Method for Multi-Asset Option Pricing

In der Welt der Finanzen ist die Vorhersage des zukünftigen Wertes einer einzelnen Aktie bereits eine komplexe Aufgabe, aber moderne Märkte erfordern von Anlegern oft die Bepreisung von Optionen auf Körbe, die Dutzende von Vermögenswerten gleichzeitig enthalten. Diese Finanzkontrakte, bekannt als Optionen, geben dem Inhaber das Recht, eine Gruppe von Aktien zu einem bestimmten Preis in der Zukunft zu kaufen oder zu verkaufen. Die Schwierigkeit entsteht bei dem Versuch, den fairen Preis für diese Kontrakte zu berechnen, wenn die Anzahl der Vermögenswerte wächst. Traditionelle mathematische Werkzeuge haben mit diesem Wachstum massiv zu kämpfen; jedes Mal, wenn ein neuer Vermögenswert zu einem Korb hinzugefügt wird, steigt der Rechenaufwand nicht nur leicht an, er explodiert exponentiell. Dieses Phänomen, bekannt als der Fluch der Dimensionalität, hat Analysten lange Zeit dazu gezwungen, sich auf langsame, approximative Methoden zu verlassen oder ihre Analysen auf sehr kleine Gruppen von Vermögenswerten zu beschränken, was eine erhebliche Lücke in unserer Fähigkeit hinterlässt, komplexe Multi-Asset-Finanzprodukte genau und schnell zu bepreisen.

Forscher der Universität Kopenhagen haben einen neuen Ansatz entwickelt, um diese Lücke zu schließen, indem sie eine Methode geschaffen haben, die eine schnelle Preisgestaltung von Optionen auf Körbe mit bis zu dreißig verschiedenen Vermögenswerten ermöglicht. Ihre Arbeit, veröffentlicht unter dem Titel „COS–TT–CHF“, konzentriert sich auf eine spezifische Art von Finanzmodell, das die Preisbewegungen von Vermögenswerten mithilfe eines mathematischen Werkzeugs namens charakteristischer Funktion beschreibt. Anstatt zu versuchen, den Preis zu berechnen, indem man jede mögliche Kombination von Bewegungen der Vermögenswerte gleichzeitig betrachtet – eine Aufgabe, die mit steigender Anzahl der Vermögenswerte unmöglich wird – nutzte das Team eine Technik namens Tensor-Train-Approximation. Diese Methode funktioniert, indem sie die massiven, hochdimensionalen Daten, die für die Berechnung erforderlich sind, in ein viel kleineres, handhabbares Format komprimiert. Dies ist vergleichbar damit, wie ein hochauflösendes Foto in eine kleine Dateigröße komprimiert werden kann, ohne die wesentlichen Details zu verlieren, die zur Erkennung des Bildes nötig sind, wodurch der Computer die Informationen effizient verarbeiten kann, ohne durch das schiere Datenvolumen ausgebremst zu werden.

Die Forscher testeten ihre neue Methode gegen mehrere etablierte Benchmarks, darunter ältere, direkte Berechnungstechniken und anspruchsvolle Simulationsmethoden, die auf Zufallsstichproben basieren. Sie fanden heraus, dass ihre neue Methode bei Körben mit nur zwei oder drei Vermögenswerten nicht unbedingt schneller war als bestehende Techniken. Sobald die Anzahl der Vermögenswerte jedoch vier oder mehr betrug, begann die neue Methode, die älteren direkten Berechnungsmethoden deutlich zu übertreffen. In Tests mit zwanzig Vermögenswerten schloss die Methode die Berechnungen in Sekundenschnelle ab, während die traditionellen direkten Methoden Minuten oder sogar Stunden benötigt hätten, um eine ähnliche Genauigkeit zu erreichen. Das Team demonstrierte auch, dass ihr Ansatz gut für verschiedene Arten von Marktmodellen funktioniert, einschließlich solcher, die plötzliche Preissprünge oder eine sich ändernde Volatilität berücksichtigen, was häufige Merkmale in realen Finanzmärkten sind.

Über die bloße Bestimmung des Optionspreises hinaus ermöglicht die neue Methode die schnelle Berechnung der „Greeks“, also Maße dafür, wie empfindlich der Preis der Option auf Änderungen der zugrunde liegenden Vermögenswerte oder Marktbedingungen reagiert. Dies ist entscheidend für das Risikomanagement, da Händler wissen müssen, wie ihre Portfolios auf Marktschwankungen reagieren werden. Die Forscher zeigten, dass, sobald die initiale komprimierte Datenstruktur aufgebaut war, die Berechnung dieser Sensitivitäten für verschiedene Ausübungspreise oder Marktszenarien nahezu augenblicklich erfolgte. Diese Wiederverwendbarkeit ist ein entscheidender Vorteil, da dies bedeutet, dass die Schwerstarbeit nur einmal geleistet werden muss und die Ergebnisse auf eine Vielzahl von Fragen angewendet werden können, ohne die Berechnung von vorne beginnen zu müssen.

Die Studie befasste sich auch mit einer speziellen Art von Option, die basierend auf dem am schlechtesten oder am besten abschneidenden Vermögenswert einer Gruppe auszahlt, bekannt als Min/Max-Optionen. Diese sind notorisch schwierig zu bepreisen, da die Auszahlung von der Interaktion zwischen allen Vermögenswerten abhängt, was nicht in Standard-Berechnungsmuster passt. Die Forscher passten ihre Methode erfolgreich an, um diese komplexen Auszahlungen zu handhaben, und bewiesen, dass ihre komprimierte Darstellung die notwendige gemeinsame Verhaltensweise der Vermögenswerte erfassen kann. In ihren Tests behielt die Methode eine hohe Genauigkeit bei, selbst wenn sie mit dreißig Vermögenswerten konfrontiert war – einem Maßstab, der für diese Klasse von Preisgestaltungstechniken zuvor unerreichbar war. Die Ergebnisse legen nahe, dass es möglich ist, die Komplexität der Berechnung frühzeitig in ein komprimiertes Format zu verlagern, um die exponentielle Wachstumsrate der Berechnungskosten zu umgehen, die die Preisgestaltung von Multi-Asset-Derivaten lange Zeit behindert hat.

Die Forscher verglichen ihre Ergebnisse mit Referenzdaten, die durch andere hochpräzise Methoden generiert wurden, wie etwa Randomisierte Stichprobenverfahren, die als Goldstandard für Genauigkeit gelten, aber sehr langsam sind. Die neue Methode erreichte diese Referenzpreise mit hoher Präzision bei gleichzeitig um Größenordnungen schnellerer Geschwindigkeit in höheren Dimensionen. Beispielsweise schloss die neue Methode in einem Stresstest mit einem gängigen Finanzmodell mit zwanzig Vermögenswerten die Berechnung in etwa dreiundsechzig Sekunden ab, während die Referenzsimulationsmethode über fünfhundert Sekunden benötigte. Die Genauigkeit blieb konsistent über verschiedene Arten von Vermögenswerten und Marktbedingungen hinweg, einschließlich Modellen mit Heavy-Tailed-Verteilungen, bei denen extreme Preisbewegungen wahrscheinlicher sind.

Diese Arbeit erhebt nicht den Anspruch, jedes Problem der Finanzmathematik zu lösen, noch deutet sie darauf hin, dass alle Preisierungsherausforderungen nun obsolet sind. Die Methode beruht auf der Annahme, dass die zugrunde liegenden Daten effektiv komprimiert werden können, was für viele gängige Marktmodelle zutrifft, in exotischeren Szenarien jedoch variieren kann. Die Ergebnisse zeigen jedoch deutlich, dass für eine breite Palette praktischer Anwendungen die Barriere der Dimensionalität gesenkt werden kann. Durch die Transformation des Problems in eine komprimierte Darstellung haben die Forscher ein Werkzeug bereitgestellt, das es ermöglicht, komplexe Multi-Asset-Optionen mit einer Geschwindigkeit und Genauigkeit zu bepreisen, die zuvor unerreichbar waren. Dieser Fortschritt bietet einen praktischen Weg nach vorn für Finanzinstitute, die ihre Risiken in zunehmend vernetzten und komplexen Märkten steuern und Produkte bepreisen müssen.