💰 quantitative finance

Hedging and Pricing European-type, Early-Exercise and Discrete Barrier Options using Algorithm for the Convolution of Legendre Series

Dit artikel introduceert een quadrature-vrije, nauwkeurige methode voor het prijzen en hedgen van Europese, vroegtijdige uitoefenbare en discrete barrièreopties onder Lévy-processen door het CONLeg-algoritme toe te passen voor Legendre-reeks convolutie binnen het Chebfun-framework, waarbij een superieure prestatie over diverse marktomstandigheden en optietypes wordt aangetoond vergeleken met bestaande technieken.

Oorspronkelijke auteurs: Tat Lung Chan, Nicholas Hale

Gepubliceerd 2026-06-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Tat Lung Chan, Nicholas Hale

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een financieel architect bent die probeert de toekomstige waarde van een huis (een optie) te voorspellen op basis van hoe de prijs van het land (het aandeel) zou kunnen bewegen. In de wereld van de financiën worden deze voorspellingen vaak bemoeilijkt door "sprongen" in de markt of vreemd, onvoorspelbaar gedrag waar standaard wiskundige modellen moeite mee hebben.

Deze paper introduceert een nieuw hulpmiddel genaamd CONLeg (kort voor CONvolution of Legendre series) om deze prijsvraagstukken op te lossen. Zo werkt het, uitgelegd aan de hand van alledaagse analogieën:

1. Het Probleel: Het "Kartelige Rand"-probleem

Traditionele methoden voor het prijzen van opties vertrouwen vaak op een techniek genaamd de Fast Fourier Transform (FFT). Zie de FFT als het proberen te tekenen van een vloeiende curve met een liniaal die alleen maar rechte lijnen kan trekken. Wanneer de marktdata "vloeiend" (voorspelbaar) is, werkt dit prima. Maar wanneer de marktdata "kartelig" of heeft met plotselinge pieken (zoals een aandelenprijs die onverwacht springt), creëert de liniaal een "kartelig rand"-effect dat bekend staat als het Gibbs-fenomeen. Het is alsof je probeert een foto van een gebergte na te trekken met een liniaal; je krijgt veel ongewenste ruis en trillingen bij de pieken en dalen, wat je voorspelling onnauwkeurig maakt.

Andere methoden proberen dit op te lossen door een "snapshot" te nemen van de prijs op één enkel punt. Maar in de financiële wereld wil je niet alleen de prijs van één huis weten; je wilt de prijs van elk huis in de straat tegelijkertijd weten.

2. De Oplossing: De "Gladde Schilder" (CONLeg)

De auteurs stellen voor om Legendre-reeksen en Chebyshev-reeksen te gebruiken. Stel je deze niet voor als linialen, maar als een set flexibele, vloeiende penselen.

De Analogie: In plaats van te proberen een kartelige lijn in een rechte liniaal te dwingen, gebruikt de CONLeg-methode deze flexibele penselen om de volledige curve van de optieprijs te "schilderen".
De Magie: Het behandelt de prijsformule als een convolutie. In eenvoudige termen is een convolutie als het over een andere vorm schuiven om te zien hoe ze overlappen. De paper laat zien hoe je de "payoff-vorm" (wat je krijgt als je de optie uitoefent) over de "waarschijnlijkheidsvorm" (hoe waarschijnlijk het is dat het aandeel beweegt) schuift met deze gladde penselen.

3. Waarom het Beter is: De "Hele Kaart" vs. de "Enkele Pin"

De meeste oude methoden geven je een enkele pin op een kaart: "De prijs van deze optie is $5,00." Als je de prijs wilt weten voor een iets andere uitoefenprijs, moet je de hele berekening opnieuw uitvoeren om een nieuwe pin te krijgen.

De CONLeg-methode is anders. Deze geeft je niet alleen een pin; deze tekent de hele kaart.

De Analogie: In plaats van de prijs voor één specifiek huis te berekenen, berekent CONLeg de prijs voor de hele buurt in één keer. Het produceert een continue curve (een functie) die je de prijs vertelt voor elk aandelencijfer binnen een bepaald bereik, direct.
Het Voordeel: Dit stelt handelaren in staat om de "Griekse" curves (gevoeligheidsmaten zoals Delta en Gamma) als vloeiende lijnen te zien in plaats van een reeks losstaande punten. Dit is cruciaal voor hedging (het afdekken van risico's) omdat het precies laat zien hoe het risico verandert terwijl de markt beweegt, en niet alleen op één specifiek moment.

4. Het Omgaan met "Rommelige" Markten

De paper test deze methode op verschillende soorten markten, waaronder markten die worden gedreven door Lévy-processen.

De Analogie: Denk aan een kalm meer (standaard markten) versus een stormachtige zee met plotselinge, geweldige golven (markten met sprongen).
De Claim: De CONLeg-methode werkt goed, zelfs wanneer het "water" stormachtig is. Het kan "niet-vloeiende" waarschijnlijkheidsdichtheden (de stormachtige golven) aan zonder nauwkeurigheid te verliezen. Het kan opties prijzen die zeer ver van de huidige marktprijs liggen ("deep in/out of the money") en opties die zeer snel verlopen of ver in de toekomst liggen.

5. De Gereedschapskist: Chebfun

De auteurs hebben dit gebouwd met behulp van een softwarepakket genaamd Chebfun.

De Analogie: Als standaard coderen als het doen van wiskunde met de hand met een rekenmachine is, dan is Chebfun als het hebben van een robot die functies begrijpt als complete objecten. De auteurs hebben deze robot gebruikt om het "schilderproces" te automatiseren, waardoor de complexe wiskunde van convoluties veel gemakkelijker te implementeren is.

Samenvatting van Claims

De paper claimt dat:

Nauwkeurigheid: CONLeg is zeer nauwkeurig, zelfs wanneer de marktdata ruig of kartelig is, en presteert even goed als of beter dan bestaande methoden zoals COS, SWIFT en CONV.
Efficiëntie: Het genereert een hele curve van prijzen en risicomaatstaven in een fractie van een seconde, in plaats van punt-voor-punt te berekenen.
Veelzijdigheid: Het werkt voor Europese opties (vaste vervaldatum), Amerikaanse opties (kunnen op elk moment worden uitgeoefend), Bermudaanse opties (kunnen op specifieke data worden uitgeoefend) en Barrière-opties (die verdwijnen als een prijs wordt geraakt).
Robuustheid: Het gaat effectief om met zowel vloeiende markten als "springende" markten (zoals markten met plotselinge crashes of pieken).

Kortom, de paper presenteert een nieuwe manier om de toekomstige waarde van financiële opties te "schilderen" die vloeiender, uitgebreider en robuuster is tegen marktcchaos dan voorgaande technieken.

Technische Samenvatting: Hedging en Bepaling van Prijzen voor Europese, Vroeg-uitoefenbare en Discrete Barrière-opties met behulp van een Algoritme voor de Convolutie van Legendre-reeksen

Probleemstelling
Het artikel behandelt de uitdaging van het bepalen van de prijs en het hedgen van een breed scala aan financiële derivaten—inclusief Europese, vroeg-uitoefenbare (Amerikaanse/Bermudaanse) en discrete barrière-opties—onder algemene Lévy-processen. Bestaande numerieke technieken kampen met specifieke beperkingen:

FFT-gebaseerde methoden (bijv. CONV): Hoewel populair, vereisen deze vaak een groot aantal Fourier-termen om voldoende nauwkeurigheid te bereiken, wat ze computationeel duur maakt, met name voor het benaderen van kansdichtheidsfuncties (PDF's) of het prijzen van opties met niet-gladde kenmerken.
Quadrature-gebaseerde methoden (bijv. QUAD): Deze vertrouwen vaak op gesloten vorm PDF's of vereisen de inversie van karakteristieke functies via FFT. Bovendien produceren zij doorgaans individuele puntwaarden in plaats van continue prijscurves, en is de berekening van optie-Greeks (gevoeligheden) vaak beperkt tot eerste-orde eindverschillen, wat aan nauwkeurigheid kan tekortschieten.
Reeksontwikkelingsmethoden (bijv. COS, SWIFT): Hoewel de COS-methode exponentiële convergentie biedt, vereist deze een a priori selectie van een computationeel domein; als het domein inadequaat is, propageren fouten recursief in de tijd, wat leidt tot onjuiste prijzen voor opties met vroeg-uitoefening. De SWIFT-methode adresseert vroeg-uitoefeningskenmerken, maar mist een theoretisch bewijs van exponentiële convergentie, aangezien de schaalparameter heuristisch wordt gekozen. Daarnaast adresseren deze methoden vaak niet de berekening van de Greeks.

Methodologie
De auteurs stellen de CONLeg-methode voor, die gebruikmaakt van de convolutie van compact ondersteunde Legendre-reeksen om optieprijs- en hedgingformules te benaderen. De methodologie integreert de volgende componenten:

Convolutie van Legendre-reeksen: Het kernalgoritme, aangepast van Hale en Townsend (2014a), benadert de convolutie van twee functies (de payoff-functie en de gereflecteerde PDF) met behulp van eindige Legendre-reeksen. Deze aanpak vermijdt het Gibbs-fenomeen geassocieerd met FFT-benaderingen van niet-periodieke functies door het convolutiedomein op te splitsen in linker- en rechterstukken ( $h_L$ en $h_R$ ) en de coëfficiënten te berekenen via een drie-term recursierelatie.
Chebfun Framework: De methode maakt gebruik van Chebfun, een MATLAB-systeem voor numerieke berekeningen met functies, om functies weer te geven als Chebyshev-reeksen. Dit maakt hoog-precieze (ca. 15 cijfers) adaptieve benaderingen mogelijk.
Afhandeling van Niet-gladde PDF's: Voor processen waarbij de PDF niet glad is of geen gesloten vorm heeft (bijv. Variance Gamma, CGMY), gebruikt het papier:
- Complex Fourier-reeksen (CFS): Om de PDF weer te geven wanneer een gesloten vorm niet beschikbaar is.
- Fourier–Padé-methode: Om singulariteiten in de PDF te lokaliseren en accurate stuksgewijze benaderingen te construeren, waardoor het Gibbs-fenomeen wordt opgelost.
Formulering van Prijsbepaling en Greeks:
- Prijsbepaling: De optieprijs wordt geformuleerd als een convolutie-integraal $V(x,K,t) \approx e^{-r(T-t)}K (f_M * g_N)(\tilde{x})$ . In tegen tegenstelling tot methoden die puntwaarden berekenen, genereert CONLeg een continue prijscurve (een stuksgewijze polynoom) over een bereik van strikes of spotprijzen.
- Hedging (Greeks): Omdat de prijs wordt gerepresenteerd als een Chebyshev/Legendre-reeks, worden afgeleiden (Delta, Gamma, Vega) analytisch berekend door de reeks te differentiëren, waardoor de onnauwkeurigheden van eindverschillen worden vermeden.
Toepassing op Optietypes:
- Europees/Bermuda/Amerikaans: De methode formuleert recursieve prijsvergelijkingen. Voor Amerikaanse opties gebruikt het Richardson-extrapolatie op Bermuda-optieprijzen.
- Barrière-opties: De methode behandelt discrete monitoring door barrière-niveaus te behandelen als breekpunten in de stuksgewijze polynoombenadering.
Domeinselectie: Het computationele interval $[c, d]$ wordt bepaald met behulp van de cumulanten van het onderliggende Lévy-proces om ervoor te zorgen dat het interval het merendeel van de PDF-massa bevat.

Belangrijkste Bijdragen

Curvegeneratie: De primaire bijdrage is het vermogen om optieprijs- en Greek-curves (functies van $S$ of $K$ ) te formuleren in plaats van individuele puntwaarden. Dit wordt bereikt door de convolutie-integraal direct te benaderen.
Quadrature-vrije Aanpak: De methode biedt een quadrature-vrije aanpak door gebruik te maken van de eigenschappen van orthogonale polynomen (Legendre en Chebyshev) en het convolutietheorema, waardoor de noodzaak voor numerieke integratiewichten wordt geëlimineerd.
Robuustheid tegen Niet-gladdeheid: De methode vertoont een hoge nauwkeurigheid, zelfs wanneer de risiconeutraal PDF niet-glad is of singulariteiten bevat, mits de Fourier–Padé-techniek wordt gebruikt om deze singulariteiten te lokaliseren en te behandelen.
Flexibiliteit: De aanpak is toepasbaar op een breed scala aan stochastische processen (GBM, VG, NIG, CGMY), ongeacht of er een gesloten vorm PDF bestaat, omdat het kan werken met karakteristieke functies via de CFS-representatie.
Implementatie: Het papier biedt een proof-of-concept implementatie met Chebfun, waarbij de nadruk ligt op het gemak van het gebruik van high-level functie-gebaseerde computing in financiële modellering.

Numerieke Resultaten
Het papier presenteert numerieke experimenten waarbij CONLeg wordt vergeleken met gevestigde methoden (COS, filter-COS, CONV, Lewis-FRFT, QUAD-CONV, SWIFT) over diverse modellen en optietypes:

Europese Opties: Onder het Black-Scholes (GBM) model bereikt CONLeg een nauwkeurigheid van machineprecisie ( $R_\infty \approx 10^{-14}$ ) voor prijzen, Delta en Gamma in minder dan 0,1 seconde voor 1000 punten. Voor opties met een lange looptijd (T=50, 100) behoudt het een hoge nauwkeurigheid.
Korte Looptijd/Niet-gladde PDF's: In het Variance Gamma (VG) model met een scherp gepiekte PDF en singulariteit, presteert CONLeg beter dan CONV, Lewis-FRFT en QUAD-CONV, en bereikt een nauwkeurigheid die vergelijkbaar is met de COS en filter-COS methoden.
Opties met Vroeg-uitoefening: Voor Bermuda en Amerikaanse opties onder NIG en CGMY, evenaart of overtreft CONLeg licht de nauwkeurigheid van de COS-methode binnen vergelijkbare computationele tijden.
Barrière-opties: Voor discrete gecontroleerde barrière-opties (dagelijks en maandelijks), presteert CONLeg vergelijkbaar met de SWIFT-methode wat betreft nauwkeurigheid en rekentijd.

Betekenis en Claims
De auteurs beweren dat de CONLeg-methode een gunstige of vergelijkbare prestatie levert aan bestaande technieken in numerieke experimenten. De betekenis ligt in:

Nauwkeurigheid: Het levert een hoge nauwkeurigheid voor opties die diep in- of out-of-the-money zijn en met variërende looptijden, zelfs onder niet-gladde PDF's.
Efficiëntie in Curvegeneratie: Het genereert efficiënt volledige prijs- en hedging-curves, wat voordelig is voor modelkalibratie en risicobeheer, in plaats van het berekenen van discrete punten.
Theoretische Robuustheid: Het vermijdt de problemen van domeinselectie van de COS-methode voor recursieve prijsbepaling en biedt een systematische manier om singulariteiten te behandelen via Fourier–Padé.
Praktische Bruikbaarheid: De auteurs erkennen dat de huidige Chebfun-gebaseerde implementatie enige overhead met zich meebrengt door adaptieve procedures, maar dat de methode een "proof of concept" is die de levensvatbaarheid van functie-gebaseerde convolutie voor financiële modellering aantoont. Ze merken op dat een niet-adaptieve versie nodig zou zijn voor een eerlijke efficiëntievergelijking met betrekking tot convergentieratio's, maar de huidige resultaten zijn veelbelovend.

Het paper concludeert met de verklaring dat toekomstig werk deze methode zal uitbreiden naar pad-afhankelijke opties onder time-changed Lévy-processen en stochastische volatiliteitsmodellen.