Option pricing model under the G-expectation framework

Titolo: Modello di prezzaggio delle opzioni nel framework dell'aspettativa G

1. Il Problema

Il lavoro affronta la sfida del prezzaggio delle opzioni in mercati caratterizzati da incertezza del modello (model uncertainty), in particolare riguardo alla volatilità.

• Limiti del modello classico: Il modello di Black-Scholes standard assume che la volatilità sia costante e che i prezzi seguano un moto browniano geometrico lineare. Tuttavia, studi empirici mostrano che la volatilità è spesso incerta e non costante.
• Il contesto G-Aspettativa: Per gestire questa incertezza, gli autori utilizzano il framework dell'aspettativa G (G-expectation), introdotto da Shige Peng. Questo approccio, basato su aspettative sublineari, non richiede una misura di probabilità unica, ma considera un insieme di misure di probabilità. In questo contesto, la volatilità è confinata in un intervallo $[\underline{\Sigma}, \overline{\Sigma}]$.
• La difficoltà computazionale: Il prezzaggio in questo framework porta a un'equazione alle derivate parziali (PDE) completamente non lineare (equazione di G-Black-Scholes). Risolvere numericamente tali equazioni è complesso a causa della non linearità e delle severe condizioni di stabilità richieste dai metodi espliciti, specialmente quando si lavora direttamente sulla variabile prezzo $S$.

2. Metodologia

Gli autori sviluppano un approccio unificato che combina teoria finanziaria avanzata e metodi numerici sofisticati:

• Modellizzazione Stocastica:

  • Il prezzo dell'attività sottostante $S_t$ è modellato come un moto browniano geometrico G (G-geometric Brownian motion).
  • Viene definita una condizione di neutralità al rischio nel contesto G-aspettativa, dove il rendimento atteso G di tutte le attività rischiose è uguale al tasso di interesse privo di rischio $r$.
  • Utilizzando la formula di Feynman-Kac non lineare, il problema di valutazione viene trasformato nella risoluzione di una PDE non lineare.

• Trasformazione Logaritmica:

  • Un contributo metodologico chiave è l'introduzione della trasformazione logaritmica $X_t = \ln(S_t)$.
  • Questa trasformazione converte la PDE originale (in termini di $S$) in una PDE alternativa (in termini di $X$) con coefficienti più gestibili. L'obiettivo principale è rilassare i vincoli di stabilità per i metodi numerici espliciti.

• Schemi Numerici (Differenze Finite):

  • Vengono progettati due schemi di differenze finite per risolvere la PDE trasformata:
    1. Schema Esplicito: Semplice da implementare ma soggetto a condizioni di stabilità stringenti.
    2. Schema Implicito: Più costoso computazionalmente per passo (richiede la risoluzione di un sistema non lineare tramite iterazione interna), ma incondizionatamente stabile.
  • Per lo schema implicito, viene proposta un'iterazione di Picard per risolvere il sistema non lineare a ogni passo temporale.

3. Contributi Chiave

• Quadro Teorico Unificato: Formulazione di un modello di valutazione neutrale al rischio completo sotto l'aspettativa G, generalizzando il modello di Black-Scholes classico.
• Analisi di Convergenza Rigorosa: Dimostrazione teorica che entrambi gli schemi (esplicito e implicito) sono:
  • Consistenti: Approssimano correttamente la PDE quando il passo spaziale e temporale tendono a zero.
  • Stabili: I valori numerici rimangono limitati.
  • Monotoni: Essenziali per garantire la convergenza alla soluzione di viscosità (viscosity solution) della PDE non lineare, secondo il teorema di Barles e Souganidis.
• Vantaggio della Trasformazione Logaritmica: Dimostrazione analitica che la trasformazione $X = \ln(S)$ riduce drasticamente il rapporto tra il passo temporale e quello spaziale richiesto per la stabilità nello schema esplicito, rendendo il metodo molto più efficiente.
• Convergenza dell'Iterazione Interna: Prova della convergenza monotona dell'iterazione interna necessaria per lo schema implicito.

4. Risultati Numerici

Gli autori hanno condotto esperimenti numerici su due casi di studio principali: uno Spread Farfalla (con payoff non convesso) e un'opzione Digitale Call (con payoff discontinuo).

• Accuratezza: Entrambi gli schemi hanno dimostrato un'accuratezza di circa secondo ordine per il caso dello spread farfalla (payoff regolare) e un ordine inferiore (vicino al primo) per l'opzione digitale (a causa della discontinuità del payoff), in linea con la teoria.
• Efficienza Computazionale:
  • La trasformazione logaritmica ha permesso di ridurre il numero di passi temporali necessari per la stabilità dello schema esplicito. Ad esempio, con 800 punti spaziali, il numero minimo di passi temporali richiesti è sceso da 22.500 (dominio originale $S$) a circa 8.286 (dominio trasformato $X$), una riduzione del 63%.
  • I tempi di CPU sono stati significativamente ridotti grazie alla possibilità di usare passi temporali più grandi.
• Iterazione Implicita: L'iterazione interna per lo schema implicito ha mostrato un'efficienza eccezionale, richiedendo in media solo 2 iterazioni per passo temporale per convergere.

5. Significato e Implicazioni

Questo lavoro è significativo per la finanza quantitativa e la gestione del rischio per diversi motivi:

1. Robustezza: Offre un metodo di valutazione robusto che protegge gli investitori dall'incertezza del modello (volatilità incerta), fornendo prezzi che coprono scenari peggiori e migliori.
2. Fattibilità Pratica: Dimostra che le complesse equazioni non lineari derivate dalla teoria G-aspettativa possono essere risolte in modo efficiente e accurato, rendendo questi modelli applicabili nella pratica industriale.
3. Ottimizzazione Numerica: La dimostrazione dei benefici della trasformazione logaritmica fornisce una guida pratica per gli sviluppatori di algoritmi finanziari, permettendo di risparmiare risorse computazionali senza sacrificare la precisione.

In sintesi, il paper fornisce sia la fondazione teorica che gli strumenti numerici pratici per il prezzaggio delle opzioni in mercati con incertezza di volatilità, superando le limitazioni dei modelli classici e offrendo soluzioni computazionalmente efficienti.