Option pricing model under the G-expectation framework

यहाँ पेई, यूए और झेंग के शोध पत्र "Option pricing model under the G-expectation framework" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

यह शोध पत्र उन वित्तीय डेरिवेटिव्स की कीमत निर्धारित करने की चुनौती को संबोधित करता है जो मॉडल अनिश्चितता (model uncertainty) वाले बाजारों में होते हैं, विशेष रूप से जहाँ अस्थिरता (volatility) स्थिर नहीं है बल्कि एक ज्ञात सीमा के भीतर है। पारंपरिक ब्लैक-शोल्स मॉडल स्थिर अस्थिरता और एक रैखिक संभाव्यता ढांचे (linear probability framework) को मानते हैं, जो अक्सर वास्तविक दुनिया के बाजार जोखिमों को पकड़ने में विफल रहते हैं।

लेखक G-expectation फ्रेमवर्क पर ध्यान केंद्रित करते हैं, जो पेंग द्वारा विकसित एक उप-रैखिक प्रत्याशा (sublinear expectation) सिद्धांत है, जो एक एकल संभाव्यता माप (probability measure) पर निर्भर किए बिना अनिश्चितता को मॉडल करता है। इस सेटिंग में:

• अंतर्निहित संपत्ति (underlying asset) एक G-जियोमेट्रिक ब्राउनियन मोशन का अनुसरण करती है।
• मूल्य निर्धारण की समस्या एक पूर्णतः गैर-रैखिक आंशिक अंतर समीकरण (fully nonlinear PDE) (G-ब्लैक-शोल्स समीकरण) की ओर ले जाती है, न कि शास्त्रीय मॉडल के रैखिक PDE की ओर।
• लक्ष्य विकल्प मूल्यांकन (option valuation) के लिए इस गैर-रैखिक PDE को हल करने के लिए मजबूत, सटीक और गणनात्मक रूप से कुशल संख्यात्मक विधियों को विकसित करना है।

2. कार्यप्रणाली (Methodology)

A. सैद्धांतिक ढांचा (Theoretical Framework)

• G-expectation के तहत जोखिम-तटस्थ मूल्य निर्धारण: लेखक G-फ्रेमवर्क के तहत जोखिम तटस्थता को परिभाषित करते हैं, जहाँ सभी जोखिम भरी प्रतिभूतियों का G-प्रत्याशित रिटर्न जोखिम-मुक्त दर $r$ के बराबर होता है।
• G-ब्लैक-शोल्स समीकरण का व्युत्पन्न: गैर-रैखिक फिनेमन-काक (Feynman-Kac) सूत्र का उपयोग करते हुए, वे विकल्प मूल्य $U(t, S)$ के लिए एक पूर्णतः गैर-रैखिक PDE व्युत्पन्न करते हैं:
  $$\frac{\partial U}{\partial t} + rS \frac{\partial U}{\partial S} + \frac{1}{2} \sup_{\Sigma \in [\underline{\Sigma}, \overline{\Sigma}]} \left( \sigma^2 S^2 \Sigma^2 \frac{\partial^2 U}{\partial S^2} \right) - rU = 0$$
  यहाँ, $\Sigma$ अंतराल $[\underline{\Sigma}, \overline{\Sigma}]$ के भीतर अनिश्चित अस्थिरता का प्रतिनिधित्व करता है। "sup" ऑपरेटर इस समीकरण को पूर्णतः गैर-रैखिक बनाता है।

B. लघुगणकीय रूपांतरण (Logarithmic Transformation)

संख्यात्मक प्रदर्शन में सुधार के लिए, लेखक एक चर परिवर्तन (change of variables) पेश करते हैं: $X = \ln(S)$।

• यह मूल PDE को $V(t, X)$ के लिए एक वैकल्पिक गैर-रैखिक PDE में बदल देता है:
  $$\frac{\partial V}{\partial t} + r \frac{\partial V}{\partial X} + \sup_{\Sigma \in [\underline{\Sigma}, \overline{\Sigma}]} \left[ \frac{1}{2}\sigma^2 \Sigma^2 \left( \frac{\partial^2 V}{\partial X^2} - \frac{\partial V}{\partial X} \right) \right] - rV = 0$$
• महत्व: यह रूपांतरण परिवर्तनशील गुणांकों (जो $S$ पर निर्भर हैं) को स्थिर गुणांकों में बदल देता है, जिससे स्पष्ट संख्यात्मक योजनाओं (explicit numerical schemes) के लिए स्थिरता संबंधी बाधाएं काफी कम हो जाती हैं।

C. संख्यात्मक योजनाएं (Numerical Schemes)

लेखक रूपांतरित PDE को हल करने के लिए दो परिमित-अंतर (finite-difference) योजनाएं प्रस्तावित करते हैं:

1. स्पष्ट परिमित अंतर योजना (Explicit Finite Difference Scheme): एक सीधा विविक्तकरण (discretization) जहाँ अगले समय चरण पर समाधान सीधे वर्तमान चरण से गणना किया जाता है।
2. अस्पष्ट परिमित अंतर योजना (Implicit Finite Difference Scheme): एक ऐसी योजना जहाँ अगला समाधान स्वयं पर निर्भर करता है, जिसके लिए एक गैर-रैखिक बीजगणितीय प्रणाली को हल करने की आवश्यकता होती है। गैर-रैखिकता को संभालने के लिए, वे प्रत्येक समय चरण में एक पिकर्ड इटरेशन (Picard iteration) (आंतरिक लूप) का उपयोग करते हैं।

3. मुख्य योगदान (Key Contributions)

• एकीकृत जोखिम-तटस्थ ढांचा: अस्थिरता अनिश्चितता को संभालने के लिए ब्लैक-शोल्स मॉडल का सामान्यीकरण करते हुए, G-expectation सेटिंग के भीतर एक व्यापक जोखिम-तटस्थ मूल्यांकन ढांचा तैयार किया।
• कठोर सैद्धांतिक विश्लेषण:
  • सिद्ध किया कि दोनों स्पष्ट और अस्पष्ट योजनाएं सुसंगत (consistent), स्थिर (stable) और एकदिष्ट (monotone) हैं।
  • बारलेस-सुगानिडिस (Barles-Souganidis) प्रमेय के आधार पर गैर-रैखिक PDE के विस्कोसिटी सॉल्यूशन (viscosity solution) की ओर अभिसरण (convergence) स्थापित किया।
  • दोनों योजनाओं के लिए अभिसरण दर अनुमान ($O(\Delta t^{\beta/2} + h^\beta)$) प्रदान किए।
  • अस्पष्ट योजना के लिए आंतरिक पुनरावृत्ति (inner iteration) की एकदिष्ट अभिसरण (monotonic convergence) को सिद्ध किया।
• लघुगणकीय रूपांतरण द्वारा अनुकूलन: यह प्रदर्शित किया कि लघुगणकीय रूपांतरण स्पष्ट योजनाओं के लिए कूरेंट-फ्रेडरिक्स-लेवी (CFL) स्थिरता स्थिति को शिथिल करता है, जिससे बड़े समय चरणों (time steps) की अनुमति मिलती है और गणना लागत कम होती है।
• एल्गोरिदम दक्षता: दिखाया कि अस्पष्ट योजना की आंतरिक पुनरावृत्ति तेजी से अभिसरित होती है (आमतौर पर प्रति समय चरण 2 पुनरावृत्ति), जो इसकी गैर-रैखिकता के बावजूद इसे स्पष्ट विधियों का एक व्यवहार्य विकल्प बनाती है।

4. परिणाम (Results)

लेखकों ने दो प्रकार के विकल्पों पर संख्यात्मक प्रयोगों का उपयोग करके अपने तरीकों को मान्य किया:

1. बटरफ्लाई स्प्रेड (Butterfly Spread): एक गैर-उत्तल (non-convex) पेऑफ फंक्शन।
2. डिजिटल कॉल ऑप्शन (Digital Call Option): एक विच्छिन्न (discontinuous) पेऑफ फंक्शन (जो संख्यात्मक स्थिरता के लिए चुनौतीपूर्ण है)।

मुख्य निष्कर्ष:

• सटीकता: दोनों योजनाओं ने सुचारू पेऑफ (बटरफ्लाई स्प्रेड) के लिए लगभग द्वितीय-क्रम की सटीकता (second-order accuracy) और विच्छिन्न पेऑफ (डिजिटल कॉल) के लिए लगभग प्रथम-क्रम की सटीकता प्राप्त की, जो सैद्धांतिक अपेक्षाओं के अनुरूप है।
• स्थिरता बाधाएं:
  • मूल $S$-डोमेन पर स्पष्ट योजना के लिए समय चरण $\Delta t \propto 1/S_{max}^2$ आवश्यक है।
  • रूपांतरित $X$-डोमेन पर स्पष्ट योजना के लिए $\Delta t \propto 1/(\ln S_{max} - \ln S_{min})^2$ आवश्यक है।
  • परिणाम: लघुगणकीय रूपांतरण ने आवश्यक समय चरणों की संख्या को लगभग 63% कम कर दिया (उदाहरण के लिए, एक विशिष्ट ग्रिड आकार के लिए 22,500 से 8,286 चरण), जिससे CPU समय में भारी कमी आई।
• अस्पष्ट योजना प्रदर्शन: अस्पष्ट योजना बिना किसी सख्त मेश अनुपात शर्त के अघोषित रूप से स्थिर (unconditionally stable) थी और इसकी आंतरिक पुनरावृत्ति बहुत कम चरणों (औसत 2) में अभिसरित हुई, जो इसकी दक्षता की पुष्टि करती है।
• तुलना: लॉग-रूपांतरित स्पष्ट विधि ने गति और सटीकता के बीच सबसे अच्छा संतुलन प्रदान किया, जबकि अस्पष्ट विधि ने स्थिरता बाधाओं के बिना बहुत महीन ग्रिड के लिए मजबूती प्रदान की।

5. महत्व (Significance)

यह शोध पत्र निम्नलिखित तरीकों से मात्रात्मक वित्त और संख्यात्मक विश्लेषण में एक महत्वपूर्ण योगदान देता है:

• अनिश्चितता के तहत मजबूती: यह अस्थिरता अनिश्चित होने वाले अपूर्ण बाजारों में विकल्पों की कीमत निर्धारित करने के लिए एक व्यावहारिक, गणितीय रूप से कठोर उपकरण प्रदान करता है, जो शास्त्रीय ब्लैक-शोल्स मॉडल की सीमाओं से आगे जाता है।
• गणना दक्षता: यह प्रदर्शन करना कि एक सरल लघुगणकीय रूपांतरण गैर-रैखिक PDE के लिए गणना लागत को नाटकीय रूप से कम कर सकता है, वास्तविक समय के मूल्य निर्धारण इंजन लागू करने वाले पेशेवरों के लिए एक मूल्यवान अंतर्दृष्टि है।
• सैद्धांतिक कठोरता: विस्कोसिटी सॉल्यूशंस की ओर अभिसरण को स्थापित करके और स्थिरता/एकदिष्टता को सिद्ध करके, यह शोध पत्र यह सुनिश्चित करता है कि संख्यात्मक परिणाम केवल अनुमान नहीं हैं बल्कि अंतर्निहित वित्तीय समस्या के गणितीय रूप से सुदृढ़ समाधान हैं।
• बहुमुखी प्रतिभा: प्रस्तावित विधियाँ विभिन्न प्रकार के असाधारण (exotic) और मानक विकल्पों के लिए लागू करने योग्य हैं, जो उत्तल (convex) और गैर-उत्तल दोनों पेऑफ को प्रभावी ढंग से संभालती हैं।

निष्कर्षतः, लेखक सफलतापूर्वक G-expectation के अमूर्त सिद्धांत और व्यावहारिक संख्यात्मक कार्यान्वयन के बीच के अंतर को पाटते हैं, जो मॉडल अनिश्चितता के तहत मजबूत विकल्प मूल्य निर्धारण के लिए एक बेहतर ढांचा प्रदान करते हैं।