Rough differential equations for volatility

Deze paper introduceert een canonieke methode voor het gezamenlijk liften van een Brownse beweging en een ruw pad om een nieuw raamwerk voor ruwe volatiliteit te creëren waarin prijs- en volatiliteitsprocessen worden gemodelleerd als oplossing van één enkele ruwe differentiaalvergelijking, wat zowel een numeriek schema voor correlatie als een kalibratie op marktdata mogelijk maakt.

De kern

De Gids door de Ruwe Volatiliteit: Een Reis door de Chaos

Stel je voor dat je een bootje vaart op een meer. In de oude, klassieke modellen (zoals de beroemde Heston-modellen) was dit meer redelijk rustig. De golven waren voorspelbaar, en als je wist hoe het water er een minuut geleden uitzag, kon je redelijk goed voorspellen hoe het er nu uitzag. Wiskundig noemen we dit een Markoviaans proces: de toekomst hangt alleen af van het heden, niet van het verleden.

Maar in de echte wereld van financiële markten is dat niet zo. De volatiliteit (hoeveel de prijs van een aandeel schommelt) is ruw. Het is alsof je niet op een meer vaart, maar op een woelige zee met plotselinge, chaotische schokken die niet alleen van het moment afhangen, maar ook van de hele geschiedenis van de golven. Dit noemen we ruwe volatiliteit (rough volatility).

De auteurs van dit papier, een team van wiskundigen, hebben een nieuwe manier bedacht om deze chaotische zee te navigeren. Ze gebruiken een wiskundig gereedschap dat ruwe paden (rough paths) heet.

1. Het Probleem: De Onmogelijke Brug

In de oude modellen probeerden wiskundigen de prijs van een aandeel en de volatiliteit te koppelen. Het probleem was dat de "ruis" (de schokken) in de prijs en de volatiliteit vaak met elkaar verbonden waren (correlatie).

Stel je voor dat je twee mensen hebt die een brug bouwen:

• Persoon A bouwt de linkerkant (de prijs).
• Persoon B bouwt de rechterkant (de volatiliteit).

In de oude wiskunde was het moeilijk om deze twee kanten perfect aan elkaar te koppelen als de grond onder hun voeten (de wiskundige "ruis") te onstabiel was. Als ze te dicht bij elkaar kwamen, stortte de brug in. De wiskundige termen werden "oneindig groot" en de berekeningen faalden.

2. De Oplossing: De "Lead-Lag" Techniek

De auteurs hebben een slimme truc bedacht, gebaseerd op een idee dat ze Lead-Lag noemen.

• De Analogie: Stel je voor dat Persoon A (de prijs) en Persoon B (de volatiliteit) naast elkaar lopen op een hobbelig pad. Als ze precies op hetzelfde moment stappen, struikelen ze over elkaar.
• De Truc: Ze laten Persoon B een klein beetje achter lopen ten opzichte van Persoon A. Door deze kleine vertraging (de "lag") te introduceren, kunnen ze de brug bouwen zonder dat de twee kanten elkaar verstoren.

In wiskundige taal betekent dit dat ze de integrals (de optelsommen van alle kleine schokjes) op een specifieke manier definiëren. Ze laten de volatiliteit een fractie van een seconde "achter" de prijs kijken. Hierdoor verdwijnen die vervelende oneindige waarden en wordt de brug stabiel.

3. De Nieuwe Motor: Ruwe Differentiaalvergelijkingen (RDE's)

Vroeger werden deze modellen vaak beschreven met ingewikkelde "Volterra-vergelijkingen". Dat zijn vergelijkingen die heel moeilijk te simuleren zijn voor computers. Het is alsof je een auto moet besturen met een stuur dat reageert op de weg die je over een uur gaat rijden.

De auteurs zeggen: "Laten we het anders doen." Ze gebruiken Ruwe Differentiaalvergelijkingen (RDE's).

• De Analogie: In plaats van een ingewikkeld systeem met geheugen dat terugkijkt, bouwen ze een motor die direct reageert op de ruwe weg. Ze behandelen de prijs en de volatiliteit als twee wielen van dezelfde auto die samen rijden op een ruw pad.
• Het Voordeel: Dit maakt het veel makkelijker om met computers te simuleren. Je kunt de auto (het model) stap voor stap rijden, zelfs op de ruwste wegen, zonder dat de motor (de computer) in de war raakt.

4. Waarom is dit belangrijk?

Dit is niet zomaar theoretisch gedoe. Het heeft directe gevolgen voor de financiële wereld:

1. Beter voorspellen van risico's: De modellen die ze hebben gebouwd, passen veel beter bij de echte marktdata. Ze kunnen de "glimlach" van de optieprijzen (de manier waarop beleggers risico's inschatten voor korte en lange termijn) veel nauwkeuriger nabootsen dan de oude modellen.
2. Snelheid: Omdat hun methode (het oplossen van RDE's) beter werkt met computers, kunnen ze duizenden scenario's sneller doorrekenen. Dit is cruciaal voor banken en verzekeraars die snel moeten beslissen over risico's.
3. Flexibiliteit: Hun model is zo flexibel dat het oude modellen (zoals Black-Scholes en Heston) als speciale gevallen bevat, maar ook nieuwe, complexere situaties kan beschrijven die eerder onmogelijk waren om te modelleren.

Samenvattend

De auteurs hebben een nieuwe "bruggenbouwer" bedacht voor de financiële wereld. Waar anderen vastliepen tegen de ruwe, chaotische golven van de markt, hebben zij een methode gevonden om die golven te temmen door een kleine vertraging (lag) in te bouwen en de prijs en volatiliteit als één geheel te laten rijden.

Het resultaat? Een krachtigere, snellere en nauwkeurigere manier om de financiële markten te begrijpen en te voorspellen, zonder dat de wiskundige brug in elkaar stort. Ze hebben de chaos van de markt getransformeerd in een beheersbare rit.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "Rough differential equations for volatility" van Bonesini, Ferrucci, Gasteratos en Jacquier, geschreven in het Nederlands.

Probleemstelling

Stochastische volatiliteitsmodellen zijn essentieel voor het modelleren van activa, maar klassieke modellen (zoals Heston of Bergomi) die op Markov-aannames en Itô-differentiaalvergelijkingen (SDE's) zijn gebaseerd, hebben beperkingen. Ze kunnen vaak de korte-termijn "smiles" van impliciete volatiliteit niet goed nabootsen.

De "rough volatility" paradigma (geïntroduceerd rond 2014) lost dit op door de volatiliteit te modelleren als een proces met lage Hölder-regulariteit (bijvoorbeeld gedreven door fractionele Brownse beweging met Hurst-parameter $H < 1/2$). Dit leidt echter tot aanzienlijke wiskundige en numerieke uitdagingen:

1. Afwijking van klassieke theorie: De volatiliteitspaden zijn niet semimartingales, waardoor standaard Itô-calculus en partiële differentiaalvergelijkingen (PDE's) niet direct toepasbaar zijn.
2. Correlatie en divergentie: Wanneer de prijs ($S$) en volatiliteit ($V$) gecorreleerd zijn, is de kwadratische covariatie $[V, \log S]$ oneindig. Dit maakt klassieke Wong-Zakai-benaderingen (waarbij gladde paden de oplossing benaderen) mislukken, omdat de iteratieve integralen divergeren.
3. Complexiteit van Volterra-vergelijkingen: Veel bestaande rough volatility-modellen (zoals de Rough Heston) gebruiken stochastische Volterra-vergelijkingen. Deze zijn fundamenteel anders dan gewone differentiaalvergelijkingen (ODE's) en vereisen complexe numerieke schema's. Er is geen eenduidige "Stratonovich"-formulering voor deze systemen zonder zware renormalisatie (zoals in de theorie van regulariteitsstructuren).

Het doel van dit artikel is een robuust wiskundig kader te bieden om rough volatility te modelleren via Rough Differential Equations (RDE's), waarbij zowel de prijs als de volatiliteit gezamenlijk worden opgelost, zonder de noodzaak van zware renormalisatie.

---

Methodologie

De auteurs introduceren een nieuwe aanpak die gebaseerd is op de theorie van ruwe paden (rough paths) van Terry Lyons, aangepast voor het specifieke geval van gecorreleerde ruis.

1. Gezamenlijke Itô-lift van een aangepast ruw pad
Het kernidee is de constructie van een "gezamenlijke lift" (joint lift) van een $d$-dimensionale Brownse beweging $W$ (die de prijs aandrijft) en een $e$-dimensionaal aangepast proces $X$ (zoals een fractionele Brownse beweging die de volatiliteit aandrijft).

• In klassieke ruwe paden-theorie is de lift van een pad uniek bepaald door iteratieve integralen. Bij gecorreleerde ruis en lage regulariteit ($H \le 1/4$) bestaan deze integralen klassiek niet.
• De auteurs definiëren een Itô-lift waarbij de kruisintegralen (zoals $\int W dX$) worden gedefinieerd via Itô-integratie, terwijl de integralen binnen $X$ zelf (zoals $\int X dX$) via Stratonovich worden behandeld om de geometrische structuur te behouden.
• Ze gebruiken algebraïsche relaties (shuffle-producten en integratie door delen) om de volledige ruwe pad-structuur te construeren boven het paar $(X, W)$. Dit omzeilt de divergentieproblemen die optreden bij klassieke benaderingen.

2. Het RDE-kader voor Volatiliteit
In plaats van de volatiliteit te modelleren als een Volterra-vergelijking, stellen de auteurs voor om de prijs $S$ en de volatiliteit $V$ te modelleren als de oplossing van één enkel systeem van RDE's:
$$\begin{cases} dS_t = \sigma(S_t, V_t, t) \circ dW_t + g(S_t, V_t, t) dt \\ dV_t = \tau(S_t, V_t, t) dX_t + \varsigma(S_t, V_t, t) \circ dW_t + h(S_t, V_t, t) dt \end{cases}$$
Hierbij is de dynamiek van $V$ afhankelijk van zowel het ruwe pad $X$ als de Brownse beweging $W$. De correlatie tussen prijs en volatiliteit kan worden ingebouwd via de correlatie tussen $X$ en $W$, of via de drift- en diffusiecoëfficiënten zelf.

3. Numerieke Benadering: Lead-Lag en Mollifiers
Om deze RDE's numeriek op te lossen, gebruiken de auteurs Wong-Zakai-benaderingen. Ze benaderen de ruwe paden $(X, W)$ door gladde paden $(X^\varepsilon, W^\varepsilon)$ en lossen de resulterende ODE's op.

• Lead-Lag Benadering: Cruciaal is het gebruik van een "lead-lag" structuur. De approximatie van de volatiliteit $X$ wordt vertraagd (lagged) ten opzichte van de prijs $W$. Dit zorgt ervoor dat de integrale termen convergeren naar de correcte Itô-limiet zonder dat er oneindige correcties (renormalisatie) nodig zijn.
• Convergentie: Ze bewijzen sterke convergentievoorwaarden voor drie types benaderingen: stuksgewijs lineaire interpolatie, hybride schema's (voor fractionele Brownse beweging) en vertraagde mollifiers.

---

Belangrijkste Bijdragen

1. Constructie van de Itô-lift: Een nieuwe, rigoureuze definitie van een ruw pad boven een paar $(X, W)$ waarbij $X$ een aangepast proces is (niet noodzakelijk onafhankelijk van $W$). Dit lost het probleem op van het definiëren van integralen zoals $\int W dX$ in een context met lage regulariteit.
2. Unificatie van Modellen: Het kader omvat een breed scala aan bestaande modellen (Black-Scholes, Heston, Rough Bergomi, Rough Heston, en path-dependent modellen) als speciale gevallen van de algemene RDE (1.2).
3. Numerieke Stabiliteit zonder Renormalisatie: In tegenstelling tot eerdere werken (zoals Bayer et al.) die zware tools uit de regulariteitsstructuren vereisten om divergentie te compenseren, toont dit artikel aan dat door het gebruik van lead-lag benaderingen en de juiste Itô-interpretatie, de divergentie van de kwadratische covariatie van nature verdwijnt.
4. Convergentiebewijzen: Strikte bewijzen voor de convergentie van verschillende benaderingsschema's (piecewise-linear, hybrid scheme, lagged mollifiers) in de Hölder-topologie, inclusief expliciete convergentiepercentages.
5. Calibratie en Validatie: De auteurs demonstreren de praktische toepasbaarheid door een nieuw "quadratic rough Heston" model te calibreren op marktdata (SPX opties) en te laten zien dat het model de marktdata goed kan nabootsen.

---

Resultaten

• Theoretisch: De auteurs bewijzen dat de oplossing van de RDE continu afhangt van het onderliggende ruwe pad. Dit garandeert dat de numerieke benadering (via gladde paden) convergeert naar de ware oplossing.
• Numeriek:
  • Simulaties tonen aan dat zonder de lead-lag structuur (d.w.z. met gelijktijdige benadering) de oplossingen divergeren (explosie), wat overeenkomt met de theoretische verwachtingen van oneindige covariatie.
  • Met de lead-lag benadering convergeren zowel de prijs als de volatiliteit stabiel.
  • De fout in de prijsconvergentie is vaak sneller dan die van de volatiliteit, wat gunstig is voor optieprijzing.
• Calibratie: Bij het calibreren van het RDE-gedreven quadratic rough Heston model op SPX optiedata (2013) werd een uitstekende fit behaald met een Hurst-parameter $H \approx 0.2$, wat de empirische bevindingen van de "rough volatility" literatuur bevestigt. Het model slaagt erin de korte-termijn skew nauwkeurig te reproduceren.

---

Significantie

Dit artikel is van groot belang voor de kwantitatieve financiën en de stochastische analyse om de volgende redenen:

1. Praktische Toepasbaarheid: Het biedt een "lightweight" alternatief voor de complexe regulariteitsstructuren-theorie. Financiële ingenieurs kunnen nu rough volatility-modellen simuleren en calibreren met standaard ODE-oplossers en lead-lag benaderingen, zonder ingewikkelde renormalisatie-algoritmen.
2. Flexibiliteit: Het kader staat toe om complexe afhankelijkheden (zoals path-dependency en Zumbach-effecten) en verschillende correlatiestructuren op een natuurlijke manier in te bouwen binnen één RDE-systeem.
3. Brug tussen Theorie en Praktijk: Het verbindt de abstracte theorie van ruwe paden direct met numerieke methoden die in de industrie gebruikt kunnen worden. Het bewijst dat de "rough volatility" paradigma niet alleen een theoretisch concept is, maar een robuust rekenkader biedt voor risicomanagement en derivatenprijzing.
4. Nieuwe Modelklasse: Het introduceert een nieuwe klasse van modellen die zowel de ruwheid van de volatiliteit als de correlatie met de prijs op een wiskundig consistente manier behandelen, wat leidt tot nauwkeurigere prijsmodellen voor opties, vooral in korte maturiteiten.

Samenvattend transformeert dit werk de benadering van rough volatility van een puur analytisch probleem naar een numeriek hanteerbaar kader, waarbij de complexiteit van de onderliggende wiskunde wordt omgezet in een efficiënt en stabiel simulatie-algoritme.