Option pricing model under the G-expectation framework

Titel: Optieprijsmodellen onder het G-verwachtingskader

Auteurs: Ziting Pei, Xingye Yue, Xiaotao Zheng

1. Probleemstelling

De klassieke Black-Scholes-optieprijsformule maakt fundamentele aannames die vaak niet overeenkomen met de realiteit van financiële markten, zoals de aanname van een constante volatiliteit en een lineaire waarschijnlijkheidsmaat. In werkelijkheid is volatiliteit vaak onzeker en varieert deze binnen een bepaald bereik.

Om deze onzekerheid te modelleren, wordt in dit onderzoek het G-verwachtingskader (G-expectation) gebruikt. Dit is een niet-lineair verwachtingskader dat onzekerheid over de volatiliteit kan beschrijven zonder een specifieke kansmaat aan te nemen. De uitdaging in dit kader is dat de prijsbepaling van opties leidt tot een volledig niet-lineaire partiële differentiaalvergelijking (PDE), in plaats van de lineaire Black-Scholes-vergelijking. Het oplossen van deze niet-lineaire PDE's is computatievriendelijk complex en vereist robuuste numerieke methoden die convergeren naar de juiste oplossing (de viscositeitsoplossing).

2. Methodologie

De auteurs ontwikkelen een geünificeerde risiconeutrale waarderingbenadering binnen het G-verwachtingskader. De methodologische aanpak omvat de volgende stappen:

• G-Black-Scholes Vergelijking:
  De onderliggende activa worden gemodelleerd als een G-geometrische Brownse beweging. Onder de risiconeutrale maat (waarbij het G-verwachte rendement gelijk is aan de risicovrije rente $r$), wordt de waarde van een optie gedefinieerd via een niet-lineaire Feynman-Kac-formule. Dit resulteert in de G-Black-Scholes vergelijking, een volledig niet-lineaire PDE:
  $$\frac{\partial U}{\partial t} + rS \frac{\partial U}{\partial S} + \frac{1}{2} \sup_{\Sigma \in [\underline{\Sigma}, \overline{\Sigma}]} \left( \sigma^2 S^2 \Sigma^2 \frac{\partial^2 U}{\partial S^2} \right) - rU = 0$$
  waarbij $\Sigma$ de onzekere volatiliteit vertegenwoordigt binnen het interval $[\underline{\Sigma}, \overline{\Sigma}]$.

• Logaritmische Transformatie:
  Om de numerieke efficiëntie te verbeteren, voeren de auteurs een logaritmische transformatie in: $X = \ln(S)$. Dit transformeert de PDE naar een alternatieve vorm met variabelen $X$ (log-prijs) en $V(t, X)$. Deze transformatie verandert de structuur van de vergelijking zodanig dat de stabiliteitsbeperkingen voor expliciete methoden aanzienlijk worden versoepeld.

• Numerieke Discretisatie:
  Er worden twee eindige-differentieschema's ontwikkeld voor de getransformeerde PDE:

  1. Expliciet Schema: Een directe discretisatie waarbij de oplossing op het volgende tijdstip wordt berekend op basis van de huidige waarden.
  2. Implicit Schema: Een schema waarbij de oplossing op het volgende tijdstip impliciet wordt bepaald, wat een niet-lineair stelsel vergelijkingen vereist dat wordt opgelost via een Picard-iteratie binnen elke tijdstap.

• Theoretische Analyse:
  De auteurs bewijzen strikt dat beide schema's voldoen aan de voorwaarden voor convergentie naar de viscositeitsoplossing volgens de theorie van Barles en Souganidis:

  • Consistentie: Het schema benadert de PDE wanneer de stapgrootte naar nul gaat.
  • Stabiliteit: De oplossing blijft begrensd onder specifieke voorwaarden voor de stapgroottes.
  • Monotonie: Het schema behoudt de monotonie van de oplossing, wat cruciaal is voor convergentie bij niet-lineaire PDE's.

3. Belangrijkste Bijdragen

1. Unificatie van Risiconeutrale Waardering: Het artikel formuleert een compleet risiconeutrale kader voor optieprijsbepaling onder G-verwachting, wat leidt tot een generalisatie van het Black-Scholes-model.
2. Logaritmische Transformatie voor Efficiëntie: Een centrale bijdrage is het aantonen dat de logaritmische transformatie de stabiliteitsvoorwaarde voor expliciete methoden significant versoepelt. Zonder transformatie vereist de stapgrootte een verhouding die afhangt van $S_{max}^2$, terwijl de getransformeerde versie afhangt van $(\ln S_{max} - \ln S_{min})^2$. Dit leidt tot een drastische reductie in het benodigde aantal tijdstappen.
3. Rigoureuze Convergentiebewijzen: Er worden formele bewijzen geleverd voor de consistentie, stabiliteit en monotonie van zowel de expliciete als de impliciete schema's. Voor het impliciete schema wordt bovendien de convergentie van de interne niet-lineaire iteratie bewezen.
4. Convergentiesnelheid: Er wordt een schatting gegeven van de convergentiesnelheid, die afhankelijk is van de gladheid van de viscositeitsoplossing (ongeveer $O(\Delta t^{\beta/2} + h^\beta)$).

4. Resultaten

Numerieke experimenten werden uitgevoerd op twee benchmarks:

• Butterfly Spread: Een optie met een niet-convexe uitbetaling.
• Digitale Call Option: Een optie met een discontinuë uitbetaling (een grotere uitdaging voor numerieke methoden).

Kernbevindingen:

• Accuraatheid: Beide schema's (expliciet en impliciet) bereiken een convergentiegraad van ongeveer tweede orde voor de butterfly spread en benaderen eerste orde voor de digitale optie (vanwege de discontinuïteit).
• Efficiëntie van Logaritmische Transformatie:
  • De logaritmische transformatie verlaagt de stabiliteitsbeperking voor de tijdstap met een factor van ongeveer 2,7 (afhankelijk van de parameters).
  • In de experimenten met 800 ruimtelijke punten vereiste het oorspronkelijke domein (S) 22.500 tijdstappen, terwijl het getransformeerde domein (X) slechts 8.286 tijdstappen nodig had. Dit resulteert in een reductie van de rekentijd van ongeveer 63%.
• Implicit vs. Expliciet: Het impliciete schema is onvoorwaardelijk monotoon en vereist geen strikte mesh-ratio voor stabiliteit, maar is per stap duurder. Het expliciete schema is sneller per stap, maar vereist kleine tijdstappen; de logaritmische transformatie maakt het expliciete schema echter veel praktischer door deze stapgrootte-beperking te verlagen.
• Iteratie-efficiëntie: Voor het impliciete schema bleek dat de interne Picard-iteratie zeer snel convergeert, vaak binnen slechts 2 iteraties per tijdstap.

5. Betekenis en Conclusie

Dit onderzoek biedt een robuust en rekenkundig efficiënt kader voor het prijzen van opties in markten met modelonzekerheid (volatiliteitsonzekerheid). De belangrijkste praktische implicatie is dat de logaritmische transformatie een essentiële pre-processing stap is voor het numeriek oplossen van G-Black-Scholes vergelijkingen. Het maakt expliciete methoden, die normaal gesproken te traag of instabiel zouden zijn door strenge stabiliteitsvoorwaarden, tot een haalbaar en snel alternatief.

De combinatie van een theoretisch onderbouwde risiconeutrale pricing framework en bewezen numerieke schema's met gegarandeerde convergentie naar de viscositeitsoplossing, maakt deze methode waardevol voor zowel academisch onderzoek als praktische toepassing in het risicomanagement en de derivatenprijsbepaling onder onzekerheid.