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

Nel mondo della finanza, prevedere il valore futuro di un singolo titolo è già un compito complesso, ma i mercati moderni richiedono spesso agli investitori di prezzare opzioni su panieri contenenti decine di attività simultaneamente. Questi contratti finanziari, noti come opzioni, conferiscono al possessore il diritto di acquistare o vendere un gruppo di titoli a un prezzo specifico nel futuro. La difficoltà sorge nel tentativo di calcolare il prezzo equo per questi contratti all'aumentare del numero di attività. Gli strumenti matematici tradizionali faticano immensamente con questa crescita; ogni volta che viene aggiunta una nuova attività al paniere, la quantità di calcolo richiesto non aumenta solo leggermente, ma esplode esponenzialmente. Questo fenomeno, noto come la maledizione della dimensionalità, ha costretto a lungo gli analisti a fare affidamento su metodi approssimativi lenti o a limitare la loro analisi a gruppi molto piccoli di attività, lasciando un significativo vuoto nella nostra capacità di prezzare prodotti finanziari multi-asset complessi in modo accurato e rapido.

I ricercatori dell'Università di Copenaghen hanno sviluppato un nuovo approccio per colmare questo divario, creando un metodo che consente la rapida determinazione del prezzo di opzioni su panieri contenenti fino a trenta diverse attività. Il loro lavoro, pubblicato in un articolo intitolato "COS–TT–CHF", si concentra su un tipo specifico di modello finanziario che descrive come i prezzi delle attività si muovano utilizzando uno strumento matematico chiamato funzione caratteristica. Invece di cercare di calcolare il prezzo osservando ogni possibile combinazione di movimenti degli asset contemporaneamente — un compito che diventa impossibile all'aumentare del numero di attività — il team ha utilizzato una tecnica chiamata approssimazione tensor-train. Questo metodo funziona comprimendo i massicci dati ad alta dimensionalità necessari per il calcolo in un formato molto più piccolo e gestibile. È simile al modo in cui una fotografia ad alta risoluzione può essere compressa in un file di piccole dimensioni senza perdere i dettagli essenziali necessari per riconoscere l'immagine, permettendo al computer di elaborare l'informazione in modo efficiente senza restare bloccato dall'enorme volume di dati.

I ricercatori hanno testato il loro nuovo metodo contro diversi benchmark stabiliti, inclusi vecchi metodi di calcolo diretto e sofisticati metodi di simulazione basati sul campionamento casuale. Hanno scoperto che per panieri con soli due o tre asset, il loro nuovo metodo non era necessariamente più veloce delle tecniche esistenti. Tuttavia, non appena il numero di attività aumentava a quattro o più, il nuovo metodo iniziava a superare significativamente gli approcci di calcolo diretto più vecchi. Nei test che coinvolgevano venti asset, il metodo completava i calcoli in pochi secondi, mentre i metodi diretti tradizionali avrebbero impiegato minuti o addirittura ore per raggiungere un livello di accuratezza simile. Il team ha anche dimostrato che il loro approccio funziona bene per diversi tipi di modelli di mercato, inclusi quelli che tengono conto di improvvisi salti nei prezzi o di una volatilità variabile, che sono caratteristiche comuni nei mercati finanziari reali.

Oltre a trovare semplicemente il prezzo dell'opzione, il nuovo metodo consente il calcolo rapido delle "Greche", ovvero misure di quanto il prezzo dell'opzione sia sensibile ai cambiamenti degli asset sottostanti o alle condizioni di mercato. Questo è cruciale per la gestione del rischio, poiché i trader devono sapere come i loro portafogli reagiranno ai cambiamenti del mercato. I ricercatori hanno dimostrato che una volta costruita la struttura iniziale dei dati compressi, calcolare queste sensibilità per diversi prezzi di esercizio o scenari di mercato è quasi istantaneo. Questa riutilizzabilità è un vantaggio chiave, poiché significa che il lavoro pesante viene svolto una sola volta e i risultati possono essere applicati a una vasta gamma di domande senza dover ricominciare il calcolo da capo.

Lo studio ha inoltre affrontato un tipo specifico di opzione che paga in base all'asset con la performance più bassa o più alta in un gruppo, nota come opzioni min/max. Queste sono notoriamente difficili da prezzare perché il payoff dipende dall'interazione tra tutti gli asset in un modo che non si adatta ai modelli di calcolo standard. I ricercatori hanno adattato con successo il loro metodo per gestire questi payoff complessi, dimostrando che la loro rappresentazione compressa può catturare il necessario comportamento congiunto degli asset. Nei loro test, il metodo ha mantenuto un'alta precisione anche quando trattava trenta asset, una scala precedentemente fuori portata per questa classe di tecniche di prezzatura. I risultati suggeriscono che spostando la complessità del calcolo in una rappresentazione compressa nelle prime fasi del processo, è possibile aggirare la crescita esponenziale del costo computazionale che ha a lungo ostacolato la prezzatura dei derivati multi-asset.

I ricercatori hanno confrontato i loro risultati con dati di riferimento generati da altri metodi ad alta precisione, come le tecniche di campionamento randomizzato che sono considerate il gold standard per l'accuratezza ma sono molto lente. Il nuovo metodo ha eguagliato questi prezzi di riferimento con alta precisione, pur essendo di ordini di grandezza più veloce nelle dimensioni più elevate. Ad esempio, in un test di stress coinvolgente un comune modello finanziario con venti asset, il nuovo metodo ha completato il calcolo in circa sessantatré secondi, mentre il metodo di simulazione di riferimento ha impiegato oltre cinquecento secondi. L'accuratezza è rimasta costante attraverso diversi tipi di asset e condizioni di mercato, inclusi i modelli con distribuzioni a coda pesante dove i movimenti estremi dei prezzi sono più probabili.

Questo lavoro non pretende di risolvere ogni problema della matematica finanziaria, né suggerisce che tutte le sfide di prezzatura siano ora obsolete. Il metodo si basa sull'assunto che i dati sottostanti possano essere compressi efficacemente, il che è vero per molti modelli di mercato comuni ma può variare in scenari più esotici. Tuttavia, i risultati dimostrano chiaramente che per una vasta gamma di applicazioni pratiche, la barriera della dimensionalità può essere abbassata. Trasformando il problema in una rappresentazione compressa, i ricercatori hanno fornito uno strumento che rende fattibile prezzare opzioni multi-asset complesse con una velocità e un'accuratezza precedentemente irraggiungibili. Questo progresso offre un percorso pratico per le istituzioni finanziarie che devono gestire il rischio e prezzare prodotti in mercati sempre più interconnessi e complessi.