Risk-indifference Pricing of American-style Contingent Claims

Questo studio definisce i prezzi di indifferenza al rischio per opzioni americane in un contesto di informazioni asimmetriche, caratterizzandoli tramite equazioni differenziali stocastiche retrograde riflesse che abilitano l'implementazione numerica mediante deep learning.

L'essenziale

Immagina il mercato finanziario come un grande mercato dell'usato, dove si comprano e vendono "promesse" sul futuro (le opzioni americane). La domanda fondamentale è: quanto vale questa promessa?

1. Il Problema: "Quanto mi costa?" e "Quanto mi paghi?"

In un mondo perfetto, ci sarebbe un solo prezzo giusto per tutto. Ma nel mondo reale, i mercati sono "imperfetti" (incompleti).

• Il Venditore (l'assicuratore): Vuole sapere quanto deve chiedere per vendere l'opzione. Deve coprirsi dal rischio che l'acquirente eserciti l'opzione nel momento peggiore per lui.
• L'Acquirente: Vuole sapere quanto è disposto a pagare. Vuole sapere se l'affare è conveniente rispetto al rischio che corre.

Il problema è che il venditore non sa quando l'acquirente deciderà di esercitare l'opzione (è come se l'acquirente avesse un pulsante segreto). Questo crea un'asimmetria: il venditore deve prepararsi al "caso peggiore" che l'acquirente potrebbe scegliere.

2. La Soluzione: Il "Prezzo dell'Indifferenza"

Gli autori del paper usano un concetto chiamato prezzo di indifferenza.
Immagina di essere il venditore. Ti chiedi: "A quale prezzo sono disposto a vendere questa polizza, sapendo che se la vendo, dovrò gestire il rischio rimanente sul mercato, e se non la vendo, dovrò gestire il rischio di non averla venduta?"

Il prezzo di indifferenza è il punto esatto in cui non ti importa se vendi o non vendi: il tuo "livello di stress" (rischio) è lo stesso in entrambi i casi. Lo stesso vale per l'acquirente.

3. La Metamorfosi Matematica: Le "Scatole che Contengono Altre Scatole"

Qui entra in gioco la parte più complessa, spiegata con un'analogia.
Per calcolare questo prezzo in un mondo con volatilità variabile (dove il mercato oscilla in modo imprevedibile, come un'altalena che cambia ritmo), gli autori usano delle equazioni speciali chiamate BSDE (Equazioni Differenziali Stocastiche Retrograde).

Immagina di dover calcolare il prezzo di un'opzione americana.

• Il problema: L'opzione può essere esercitata in qualsiasi momento. Quindi, devi calcolare il rischio non solo alla scadenza, ma in ogni istante possibile.
• La soluzione degli autori: Hanno scoperto che il prezzo del venditore può essere descritto come una "scatola che rimbalza su un'altra scatola".
  • La prima scatola (l'opzione stessa) può essere esercitata in qualsiasi momento.
  • La seconda scatola (il confine su cui la prima rimbalza) non è fissa. È essa stessa un'altra equazione complessa che calcola il rischio di non avere l'opzione dal momento dell'esercizio fino alla fine.

In parole povere: Il prezzo di vendita è come un pallone che rimbalza su un pavimento mobile. Il pavimento mobile rappresenta il rischio residuo che il venditore deve gestire dopo che l'acquirente ha deciso di esercitare l'opzione. Se il pavimento si muove (il rischio cambia), anche il rimbalzo del pallone cambia.

4. L'Intelligenza Artificiale come "Allenatore"

Calcolare queste "scatole che rimbalzano su altre scatole" è matematicamente un incubo per i computer tradizionali, specialmente quando ci sono molte variabili (come la volatilità che cambia).

Gli autori hanno usato una tecnica moderna: il Deep Learning (Apprendimento Profondo).
Immagina di dover trovare la strada migliore in una città labirinto piena di nebbia.

• I metodi vecchi erano come cercare di disegnare la mappa passo dopo passo: lento e soggetto a errori.
• Gli autori hanno addestrato una rete neurale (un "allenatore" digitale) che ha imparato a prevedere il percorso migliore guardando milioni di scenari possibili.
• Hanno usato un algoritmo chiamato RDBDP (che è un po' come un allenatore che ti dice: "Se fai questo passo, ecco cosa succede dopo, e se fai quello, ecco l'altro risultato").

Grazie a questa intelligenza artificiale, sono riusciti a simulare il comportamento di queste opzioni complesse e a trovare i prezzi di indifferenza per il venditore e l'acquirente in tempi ragionevoli.

5. Cosa hanno scoperto?

Hanno applicato il loro metodo a un'opzione di vendita (Put) americana.

• Risultato: Hanno trovato che il prezzo che il venditore chiede (Ask) e quello che l'acquirente offre (Bid) sono molto vicini tra loro (come in un mercato normale), ma c'è una piccola differenza che riflette il rischio.
• Curiosità: Hanno anche notato che la differenza tra il prezzo di un'opzione americana (che può essere esercitata subito) e una europea (che va aspettata) è piccola, ma la differenza tra il prezzo di vendita e quello di acquisto è ancora più piccola.

In Sintesi

Questo paper è come una ricetta culinaria avanzata per cucinare il prezzo giusto delle opzioni americane in un mercato caotico.

1. Definisce le regole: Come si calcola il prezzo quando venditore e acquirente hanno informazioni diverse.
2. Trova la formula magica: Trasforma il problema in un sistema di "scatole rimbalzanti" (BSDE-R-BSDE).
3. Usa un robot: Impiega l'Intelligenza Artificiale per risolvere queste scatole e dare un prezzo concreto.

È un ponte tra la teoria matematica astratta e la pratica reale, mostrando come l'IA possa aiutare a gestire i rischi finanziari in modo più intelligente.

Sommario tecnico

1. Il Problema: Pricing di Opzioni Americane in Mercati Incompleti

Il lavoro affronta la sfida di determinare un prezzo equo e ragionevole per le opzioni di tipo americano (che possono essere esercitate in qualsiasi momento prima della scadenza) in mercati finanziari incompleti.

• Limiti dell'approccio classico: Il principio di assenza di arbitraggio garantisce un prezzo unico solo nei mercati completi. Nei mercati incompleti (es. modelli con volatilità stocastica), esso fornisce solo un intervallo di prezzi (prezzi di super- e sub-hedging) spesso troppo ampio per essere utile nella pratica.
• La sfida delle opzioni americane: A differenza delle opzioni europee, le opzioni americane introducono un elemento di scelta ottimale (il momento di esercizio) che dipende dall'agente che detiene il diritto. Questo crea una asimmetria informativa e strategica tra il venditore (che deve coprire il rischio senza conoscere il momento esatto dell'esercizio) e l'acquirente (che decide quando esercitare).
• Gap nella letteratura: Mentre l'indifference pricing (prezzo di indifferenza) è stato ampiamente studiato per opzioni europee o in contesti di utilità, la sua applicazione alle opzioni americane utilizzando misure di rischio dinamiche e pienamente dinamiche (fully dynamic convex risk measures) è stata finora trascurata, specialmente nella definizione rigorosa delle strategie ammissibili per il venditore.

2. Metodologia e Quadro Teorico

A. Definizione Generale del Prezzo di Indifferenza

Gli autori definiscono i prezzi di indifferenza per acquirente e venditore in un contesto continuo, permettendo che le due parti abbiano filtri di informazione diversi ($\mathcal{F}^{buy}$ e $\mathcal{F}^{sell}$).

• Misure di Rischio: Si utilizzano misure di rischio convesso pienamente dinamiche e tempo-consistenti ($\rho_{s,t}$), che valutano il rischio residuo dopo l'eventuale copertura (hedging) nel mercato sottostante.
• Prezzo del Venditore ($P^{sell}_t$): Il venditore deve minimizzare il rischio residuo considerando il "caso peggiore" tra tutti i possibili tempi di esercizio $\tau$ scelti dall'acquirente. Una sfida cruciale è definire le strategie di copertura: il venditore non conosce $\tau$ come variabile aleatoria futura, ma solo la sua realizzazione lungo il percorso. Gli autori introducono un insieme di funzioni di selezione delle strategie ($H'_{sell}$) che sono prevedibili rispetto alla filtrazione del venditore ingrandita dalla realizzazione dell'esercizio, garantendo la non-anticipatività.
  • La formula è: $P^{sell}_t = \text{essinf}_{H} \text{esssup}_{\tau} \rho_{t,T}(\text{rischio netto}) - \check{\rho}_{t,T}(0)$.
• Prezzo dell'Acquirente ($P^{buy}_t$): L'acquirente massimizza il proprio benessere (minimizza il rischio) scegliendo sia il tempo di esercizio ottimale $\tau$ che la strategia di copertura.
  • La formula è: $P^{buy}_t = \hat{\rho}_{t,T}(0) - \text{essinf}_{\tau} \hat{\rho}_{t,T}(\xi_\tau)$.
• Assenza di Arbitraggio: Viene dimostrato che questi prezzi sono privi di opportunità di arbitrage sia per l'acquirente che per il venditore.

B. Modellazione Stocastica e BSDE-R-BSDE

Il paper specializza il modello nel contesto della volatilità stocastica (modelli con asset rischioso e processo di volatilità correlati).

• Rappresentazione tramite BSDE: Le misure di rischio sono specificate tramite soluzioni di Equazioni Differenziali Stocastiche Retrospettive (BSDE) con driver convessi.
• Struttura BSDE-R-BSDE: La principale innovazione tecnica è la caratterizzazione dei prezzi di indifferenza come soluzioni di un sistema di BSDE Riflesse su BSDE (BSDE-R-BSDE).
  • Il prezzo è dato dalla differenza tra due componenti: una BSDE riflettente (RBSDE) che rappresenta il rischio dell'opzione e una BSDE standard che rappresenta il rischio di un contratto nullo (zero).
  • Il confine di riflessione: Il confine di riflessione della RBSDE non è una funzione deterministica semplice, ma è dato dalla soluzione di un'altra BSDE ($Y_t$). Questo riflette economicamente il fatto che, dopo l'esercizio dell'opzione, il venditore (o l'acquirente) continua a detenere una posizione (spesso un contratto nullo o un rischio residuo) fino alla scadenza $T$, e il rischio di questa posizione deve essere mitigato tramite trading.
  • Il sistema è:
    $$\check{R}^\zeta_u \ge \zeta_u + Y_u$$
    dove $Y_u$ è la soluzione di una BSDE che cattura il rischio residuo del mercato.

C. Implementazione Numerica con Deep Learning

La risoluzione analitica di tali sistemi è impossibile. Gli autori propongono una soluzione numerica basata su Deep Learning.

• Algoritmo: Utilizzano il metodo RDBDP (Reflected Deep Backward Dynamic Programming) sviluppato da Huré, Pham e Warin.
• Approccio: Dividono l'intervallo temporale in passi discreti e risolvono il problema all'indietro (backward) utilizzando reti neurali profonde per approssimare le funzioni valore e i gradienti (processi adjoint).
• Vantaggio: Questo metodo permette di gestire l'alta dimensionalità del problema (4 dimensioni: prezzo dell'asset, volatilità, e le due componenti della BSDE) e la complessità della condizione di riflessione dinamica.

3. Risultati Chiave

1. Caratterizzazione Matematica Rigorosa: Forniscono la prima definizione generale e rigorosa del prezzo di indifferenza per opzioni americane in presenza di asimmetria informativa, risolvendo il problema della definizione delle strategie ammissibili per il venditore.
2. Collegamento BSDE-R-BSDE: Dimostrano che in modelli a volatilità stocastica, i prezzi di indifferenza sono governati da sistemi BSDE-R-BSDE. Il confine di riflessione dinamico ($\zeta + Y$) ha una chiara interpretazione economica: è il valore di esercizio più il rischio residuo del contratto nullo fino alla scadenza.
3. Riduzione al caso Black-Scholes: Mostrano che in un mercato completo (modello Black-Scholes classico), il sistema si riduce a una BSDE lineare e i prezzi di acquirente e venditore coincidono con il prezzo di arbitraggio unico.
4. Risultati Numerici:
   • Applicando il metodo RDBDP a un'opzione put americana con volatilità stocastica (modello arctan) e misure di rischio entropiche distorte, ottengono prezzi e volatilità implicite.
   • Spread Bid-Ask: La differenza tra il prezzo di indifferenza dell'acquirente e del venditore è piccola in termini assoluti (dollari), ma più evidente nelle volatilità implicite.
   • Pattern di Smile: Le curve di volatilità implicite mostrano il tipico "smile" osservato nei mercati, confermando la capacità del modello di catturare le dinamiche di mercato.
   • Confronto Europeo/Americano: La differenza tra il prezzo di un'opzione europea e una americana è più significativa della differenza tra i prezzi di indifferenza di acquisto e vendita.

4. Significato e Contributi

• Teorico: Il lavoro colma un vuoto nella letteratura sulle opzioni americane, integrando le misure di rischio dinamiche (più allineate con la regolamentazione finanziaria moderna e i requisiti di capitale) con la teoria delle opzioni. La definizione delle strategie di vendita basate sulla "realizzazione" dell'esercizio piuttosto che sulla variabile aleatoria è un contributo concettuale fondamentale.
• Pratico: Dimostra la fattibilità di calcolare prezzi di indifferenza complessi in modelli realistici (volatilità stocastica) utilizzando tecniche di Deep Learning. Questo apre la strada all'implementazione di tali modelli in contesti di trading reale, dove i metodi numerici tradizionali (come le griglie finite) falliscono a causa della dimensionalità.
• Estendibilità: Il framework è progettato per essere esteso a scenari con asimmetria informativa più complessa (es. insider trading legale o shadow trading), dove acquirente e venditore hanno accesso a informazioni diverse su asset non negoziabili o correlati.

In sintesi, il paper fornisce un ponte solido tra la teoria avanzata delle misure di rischio, la teoria delle opzioni americane e le moderne tecniche di calcolo scientifico basate sull'intelligenza artificiale, offrendo un metodo robusto per la valutazione di derivati complessi in mercati incompleti.