Risk-indifference Pricing of American-style Contingent Claims

✨

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

Each language version is independently generated for its own context, not a direct translation.

Stel je voor dat je een Amerikaanse optie koopt. Dit is geen gewoon product dat je op één specifieke dag moet ophalen. Het is meer als een kortingsticket voor een concert dat je op elk moment tot de dag van het concert kunt gebruiken. Je kunt het vandaag gebruiken, morgen, of pas op de laatste dag. Het probleem is: wanneer is het het beste moment om te gebruiken? En wat is een eerlijke prijs voor zo'n ticket?

In de financiële wereld is dit een enorme puzzel. Als de markt perfect en voorspelbaar was, zou er één duidelijke prijs zijn. Maar de echte wereld is onvoorspelbaar (zoals weer of beurskoersen). Hier komen de auteurs van dit paper (Kumar, Miller, Nasralah en Sturm) met een slimme oplossing: Risico-Indifferentie Pricing.

Hier is de uitleg in simpele taal, met een paar creatieve analogieën:

1. Het Dilemma: De Koopman en de Verkoper

Stel je een marktkraam voor.

De Koper wil weten: "Is dit ticket voor mij een goede deal? Als ik het koop, kan ik het risico van mijn portefeuille verkleinen?"
De Verkoper wil weten: "Wat moet ik vragen? Als ik dit ticket verkoop, moet ik zorgen dat ik niet failliet ga als de koper op het allerergste moment kiest om het te gebruiken."

Het probleem is dat de verkoper niet weet wanneer de koper het ticket gaat gebruiken. De koper beslist dat zelf, op basis van informatie die de verkoper misschien niet eens heeft. Het is alsof de verkoper een paraplu verkoopt, maar de koper beslist pas op het moment dat het begint te regenen of niet. De verkoper moet zijn prijs bepalen voor het slechtste mogelijke scenario.

2. De Oplossing: "Indifferentie" (Gelijkwaardigheid)

De auteurs gebruiken een slimme gedachte-experiment:

Voor de koper: "Wat is de prijs waarbij ik precies evenveel risico loop, of ik nu dit ticket koop of niet?" Als de prijs lager is, koop ik. Is hij hoger, dan niet. De 'indifferentie-prijs' is het punt waar je twijfelt.
Voor de verkoper: "Wat is de prijs waarbij ik precies evenveel risico loop, of ik dit ticket nu verkoop of niet?"

Ze gebruiken geen simpele wiskunde, maar Risicomaatstaven. Denk hieraan als een "risico-meter". Als je een optie koopt, verandert je risico. De prijs wordt zo berekend dat de meter op hetzelfde niveau blijft, ongeacht of je de deal doet of niet.

3. De Wiskundige "Magie": De Spiegelende Spiegel

De paper introduceert een heel complex wiskundig concept: BSDE-R-BSDE. Laten we dit vertalen naar een analogie.

Stel je een spiegelende wand voor in een donkere kamer (de markt).

Normaal gesproken zou je een bal (de prijs) laten vallen en kijken waar hij stopt.
Maar bij een Amerikaanse optie kan de bal op elk moment tegen de wand slaan (de koper kiest om te oefenen).
De "wand" waar de bal tegenaan stoot, is niet vast. De wand beweegt zelf ook! De wand is een spiegel die weer een andere spiegel weerspiegelt.

In de paper zeggen ze dat de prijs wordt bepaald door een Backward Stochastic Differential Equation (BSDE) die wordt "gerellecteerd" (teruggekaatst) door een andere BSDE.

De eerste BSDE: Berekent het risico van de optie zelf.
De tweede BSDE (de wand): Berekent het risico van het niet hebben van de optie (het "nul-contract") na het moment dat de koper kiest om te oefenen.

De kern: De prijs is niet alleen gebaseerd op de waarde van de optie op het moment van oefening, maar ook op het risico dat de verkoper loopt nadat de optie is geoefend, tot het einde van de tijd. Het is alsof je de prijs bepaalt door te kijken naar de schaduw die de optie werpt, en dan weer naar de schaduw van die schaduw.

4. De Moderne Tool: Deep Learning (Het AI-Spook)

Deze wiskundige "spiegelende spiegels" zijn zo ingewikkeld dat ze met de hand niet op te lossen zijn. Het is als proberen een 4D-puzzel op te lossen terwijl je op een roterende tafel zit.

De auteurs gebruiken daarom Deep Learning (kunstmatige intelligentie).

Ze trainen een computer (een neurale net) om deze complexe patronen te leren.
Het is alsof je een robot laat spelen met een enorm ingewikkeld bordspel, duizenden keren, tot hij de perfecte strategie heeft gevonden om de prijs te berekenen.
Ze gebruiken een specifieke methode genaamd RDBDP (Reflected Deep Backward Dynamic Programming), wat in het kort betekent: "De AI werkt terug in de tijd, stap voor stap, en houdt rekening met de 'spiegelende wand'."

5. Wat levert dit op?

In hun voorbeeld (een Amerikaanse 'put' optie, oftewel een verzekering tegen dalende koersen) zien ze:

De prijs die de koper wil betalen (bid) en de prijs die de verkoper wil vragen (ask) liggen heel dicht bij elkaar.
Als je de "impliciete volatiliteit" (een maat voor onzekerheid) bekijkt, zie je het bekende "smile"-patroon dat ook in de echte markt te zien is.
Het bewijst dat hun methode werkt en dat je deze complexe "spiegelende" risico's goed kunt berekenen met AI.

Samenvattend

Deze paper zegt eigenlijk:

"Om een eerlijke prijs te vinden voor een optie die je op elk moment kunt gebruiken, moeten we niet alleen kijken naar de waarde op dat moment, maar ook naar het risico dat overblijft nadat het is gebruikt. We gebruiken een slimme wiskundige methode (spiegelende spiegels) om dit risico te meten, en laten een supercomputer (AI) de moeilijke berekeningen doen."

Het is een brug tussen abstracte risicowiskunde en de praktische realiteit van hoe we vandaag de dag financiële producten prijzen in een onzekere wereld.

Each language version is independently generated for its own context, not a direct translation.

Titel: Risico-indifferentieprijsbepaling van Amerikaanse contingent claims

Auteurs: Rohini Kumar, Frederick "Forrest" Miller, Hussein Nasralah, Stephan Sturm
Datum: 30 september 2025

1. Probleemstelling

De prijsbepaling van Amerikaanse opties (die op elk moment tot vervaldatum kunnen worden uitgeoefend) blijft een uitdagend onderzoeksgebied, vooral in onvolledige markten.

Onvolledige markten: In tegenstelling tot complete markten (zoals het Black-Scholes-model), waar de no-arbitrage-principe een unieke prijs garandeert, levert dit principe in onvolledige markten slechts een breed interval van super- en sub-hedgingprijzen op. Deze intervallen zijn vaak te breed om als een praktische "eerlijke" prijs te fungeren.
Indifferentieprijs: Om een redelijke prijs te vinden, wordt de indifferentieprijsmethode gebruikt. Hierbij wordt de prijs bepaald waarbij een koper (of verkoper) onverschillig is tussen het kopen (of verkopen) van de claim en het niet doen, terwijl ze in beide gevallen de mogelijkheid hebben om te hedgen in de onderliggende markt.
Specifieke uitdaging bij Amerikaanse opties: De grootste complexiteit ontstaat doordat de uitoefening door de koper wordt bepaald (een stoptijd), terwijl de verkoper deze keuze niet kent en moet anticiperen op het ergste geval. Bestaande literatuur gebruikt vaak nuttelfuncties (utility functions) en maakt aannames over informatie-asymmetrie die niet altijd realistisch of wiskundig robuust zijn. Er is een gebrek aan een algemene definitie die gebruikmaakt van volledig dynamische convexe risikomaatstaven (fully dynamic convex risk measures) in een setting met mogelijk verschillende informatie voor koper en verkoper.

2. Methodologie

Het artikel introduceert een nieuw raamwerk voor het prijzen van Amerikaanse claims op basis van risico-indifferentie.

A. Algemeen Raamwerk (Semimartingale Setting)

Informatie-asymmetrie: De auteurs modelleren een situatie waarin de koper en de verkoper toegang hebben tot verschillende informatiefiltraties ( $\mathcal{F}^{buy}$ en $\mathcal{F}^{sell}$ ). De verkoper kent de uitoefentijd niet als een willekeurige variabele, maar ziet alleen de realisatie ervan langs het pad van de activa.
Strategie-selectie: Er wordt een nieuwe definitie van toelaatbare strategieën voor de verkoper geïntroduceerd ( $\mathcal{H}'_{sell}$ ). Deze strategieën zijn "niet-anticiperend": de strategie hangt af van de realisatie van de uitoefentijd, niet van de willekeurige variabele zelf. Dit voorkomt dat de verkoper informatie gebruikt die hij niet heeft.
Risikomaatstaven: Er wordt gebruikgemaakt van volledig dynamische convexe risikomaatstaven ( $\rho_{s,t}$ ). Deze zijn tijd-consistent en cash-invariant. De prijs wordt bepaald door het minimiseren van het residuaal risico na het toepassen van hedgingstrategieën.
Prijzen:
- Verkopersprijs ( $P^{sell}_t$ ): De prijs waarbij de verkoper indifferent is, rekening houdend met het ergste geval van uitoefening door de koper binnen de informatie van de verkoper.
- Kopersprijs ( $P^{buy}_t$ ): De prijs waarbij de koper indifferent is, waarbij de koper zelf de optimale uitoefentijd kiest.

B. Stochastische Volatiliteit en BSDE-R-BSDEs

De auteurs specialiseren het model naar stochastische volatiliteit (SV) modellen.

Karakterisering: Ze tonen aan dat de indifferentieprijzen kunnen worden gekarakteriseerd via een systeem van Gereflecteerde Backward Stochastic Differential Equations (RBSDEs) die reflecteren op een andere Backward Stochastic Differential Equation (BSDE). Dit wordt aangeduid als BSDE-R-BSDE.
Structuur:
- De reflectiegrens (barrière) van de RBSDE voor de prijs wordt zelf bepaald door een BSDE.
- Deze structuur reflecteert economisch dat het risico van het houden van een contract (na uitoefening tot vervaldatum) een rol speelt in de beslissing om de optie uit te oefenen. De grens is niet alleen de uitoefenwaarde ( $\xi_\tau$ ), maar de uitoefenwaarde gecorrigeerd voor het risico van het niet-hedgen van het resterende contract.
Wiskundige afleiding: De bewijzen maken gebruik van de strong time-consistency van risikomaatstaven en vergelijkingstheorema's voor kwadratische RBSDEs.

C. Numerieke Implementatie

Deep Learning: Omdat het oplossen van 4-dimensionale BSDE-R-BSDE-systemen analytisch onmogelijk is, maken de auteurs gebruik van de Reflected Deep Backward Dynamic Programming (RDBDP) methode (ontwikkeld door Huré, Pham en Warin).
Implementatie: Ze gebruiken diepe neurale netwerken om de oplossingen van de BSDEs en RBSDEs te benaderen. De methode werkt iteratief achterwaarts in de tijd.

3. Belangrijkste Bijdragen

Generalisatie van Indifferentieprijs: Het biedt een rigoureuze, algemene definitie van risico-indifferentieprijzen voor Amerikaanse opties in onvolledige markten, inclusief een behandeling van informatie-asymmetrie tussen koper en verkoper.
Nieuw Wiskundig Koppel: De ontdekking dat deze prijzen kunnen worden gekarakteriseerd via BSDE-R-BSDE-systemen. Dit is een fundamentele vooruitgang ten opzichte van eerdere werken die vaak alleen standaard RBSDEs of utility-maximalisatie gebruikten.
Economische Interpretatie: De reflectiebarrière wordt geïnterpreteerd als de som van de uitoefenwaarde en het (gehedde) risico van het houden van een nul-contract tot vervaldatum.
Numerieke Oplossing: Het succesvol toepassen van deep learning (RDBDP) om deze complexe stochastische systemen in hoge dimensies op te lossen, wat een praktische route biedt voor de implementatie in de financiële industrie.
No-Arbitrage: Het bewijzen dat de gedefinieerde prijzen vrij zijn van arbitragekansen voor zowel de koper als de verkoper, zelfs onder de complexe voorwaarden van verschillende filtraties.

4. Resultaten

Theoretisch: De auteurs tonen aan dat in het geval van een complete markt (bijv. Black-Scholes), de koper- en verkopersprijzen samenvallen met de unieke no-arbitrageprijs. In onvolledige markten (stochastische volatiliteit) ontstaat een bid-ask spread die positief is en consistent is met de convexiteit van de risikomaatstaf.
Numeriek (Amerikaanse Put):
- Er werd een voorbeeld berekend voor een Amerikaanse put optie met een verstoord entropisch risikomaat (driver $g$ ).
- De resultaten tonen dat het absolute verschil tussen de koper- en verkopersprijs klein is (in dollarbedrag), wat suggereert dat deze prijzen een realistische schatting geven van de markt-bid/ask-spread.
- Bij het omrekenen naar implied volatility wordt het verschil echter duidelijker. Beide partijen vertonen de typische "smile"-patroon die in markten wordt waargenomen.
- Het verschil tussen de Amerikaanse en Europese indifferentieprijs is merkbaar, maar kleiner dan het verschil tussen de Amerikaanse koop- en verkoopprijzen.

5. Betekenis en Conclusie

Dit artikel is significant omdat het een brug slaat tussen geavanceerde stochastische analyse (BSDEs) en praktische prijsbepaling in onvolledige markten.

Industriële relevantie: Het gebruik van risikomaatstaven (in plaats van puur nuttelfuncties) sluit beter aan bij de huidige regelgeving en risicomanagementpraktijken in de financiële sector.
Methodologische doorbraak: De introductie van BSDE-R-BSDEs biedt een wiskundig onderbouwde manier om het "dynamische" karakter van het risico na uitoefening te modelleren.
Toekomstperspectief: De combinatie met deep learning maakt het mogelijk om deze modellen in hoge dimensies (veel onderliggende activa) toe te passen, wat essentieel is voor complexe derivatenportefeuilles.

Samenvattend biedt dit papier een robuust theoretisch fundament en een praktische numerieke methode voor het bepalen van eerlijke prijzen voor Amerikaanse opties in realistische, onvolledige marktomstandigheden.