💰 quantitative finance

Synthetic American Option Pricing via Jump-HMM-Driven Heston Implied Volatility

Dit artikel introduceert een open-source Julia-framework dat de circulaire afhankelijkheid bij synthetische optieprijzen doorbreekt door realistische Amerikaanse optieprijzen en impliciete volatiliteitsoppervlakken te genereren via een structurele pijplijn die Jump Hidden Markov-modellen, regime-afhankelijke Heston-dynamiek en door neurale surrogaten gekalibreerde binomiale roosters combineert.

Oorspronkelijke auteurs: Julia Sun, Zheyu Jin, Jiawei Zhang, Jeffrey D. Varner

Gepubliceerd 2026-05-15

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Julia Sun, Zheyu Jin, Jiawei Zhang, Jeffrey D. Varner

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 probeert een robot te leren een complex spel van financieel schaken te spelen. Om dit te doen, moet je miljoenen "wat-zou-als"-scenario's genereren: Wat als de beurs crasht? Wat als een technologiebedrijf een uitstekend kwartaalcijfer presenteert? Wat als de olieprijzen scherp stijgen?

Om het spel te spelen, moet de robot de prijs van "verzekeringen" op deze aandelen kennen (zogenaamde opties). Maar hier zit de adder onder het gras: de prijs van deze verzekering hangt af van iets dat Impliete Volatiliteit (IV) wordt genoemd. Het probleem is dat we in de echte wereld pas weten wat de IV is nadat we de werkelijke prijzen van deze verzekeringen hebben gezien. Het is een circulaire valstrik: je hebt de prijs nodig om de volatiliteit te kennen, maar je hebt de volatiliteit nodig om de prijs te berekenen. Dit maakt het zeer moeilijk om realistische "nep" data te creëren om robots te trainen of strategieën te testen.

Dit artikel presenteert een slimme manier om die cirkel te doorbreken. De auteurs bouwden een machine die niet alleen prijzen gokt; ze bouwt de prijzen van de grond af, beginnend bij hoe aandelen zich werkelijk bewegen.

Hier is hoe hun machine werkt, uitgelegd via een paar eenvoudige analogieën:

1. De Motor: De "Sfeerring"-Aandelen Simulator

Ten eerste bouwde het team een simulator voor aandelenprijzen met behulp van iets dat een Jump Hidden Markov Model wordt genoemd. Denk hierbij aan een sfeerring voor de hele aandelenmarkt.

De Sfeer: De markt is niet alleen "omhoog" of "omlaag". Het heeft verschillende "regimes" of stemmingen. Soms is het kalm, soms nerveus en soms in paniek.
De Sprongen: Echte aandelen bewegen niet alleen soepel; ze maken soms "sprongen" (plotseling crashen of pieken). Deze simulator is ontworpen om die plotselinge sprongen en de "clustering" van volatiliteit te creëren (waar een slechte dag vaak wordt gevolgd door nog een slechte dag).
De Connectie: Het weet ook dat wanneer één aandelen in paniek raakt, zijn buren vaak ook in paniek raken (zoals een golfbeweging).

2. De Vertaler: De "Vormveranderende" Volatiliteit

Zodra de simulator een pad voor een aandelenprijs creëert, moet het team dit vertalen naar een "Impliete Volatiliteit"-getal. In het verleden moesten mensen handmatig raden hoe dit getal eruit zou moeten zien.

De Innovatie: De auteurs creëerden een gewijzigd Heston-model. Stel je een thermostaat voor die de hitte (volatiliteit) van de markt regelt. Normaal gesproken heeft een thermostaat een vaste doeltemperatuur.
De Slimme Thermostaat: Hun thermostaat is slim. Het verandert zijn doeltemperatuur op basis van:
- De Sfeer: Is de markt in een paniektoestand? (Zet de hitte hoger).
- Tijd: Hoe dicht is de optie bij vervaldatum?
- De Uitoefenprijs: Is de optie een weddenschap op een enorme beweging of een kleine?
- Kwartaalcijfers: Staat een bedrijf op het punt zijn financiële rapportage te publiceren?
Het Resultaat: Omdat de thermostaat zo slim is, verschijnen de "smile" en "skew" (de complexe vormen van optieprijzen) automatisch. Je hoeft ze niet af te dwingen; ze ontstaan natuurlijk uit het gedrag van het aandeel.

3. De Hersenen: De "Neurale Surrogaat"

Om de thermostaat nog slimmer te maken, gebruikten ze Neurale Netwerken (een type AI).

Het Probleem: Een simpele formule kon de unieke eigenaardigheden van elk afzonderlijk bedrijf niet vastleggen. Een technologiebedrijf zoals NVIDIA gedraagt zich anders dan een bank zoals JPMorgan.
De Oplossing: Ze trainden een "Neurale Surrogaat". Denk hierbij aan een gespecialiseerde vertaler die de specifieke "persoonlijkheid" van verschillende groepen bedrijven (sectoren) leert kennen.
- Het leerde dat Tech-aandelen een bepaalde "smile"-vorm hebben.
- Het leerde dat Gezondheidszorg-aandelen bulten hebben rond FDA-goedkeuringsdata.
- Het leerde dat Energie-aandelen reageren op olievoorraadshokken.
De Hiërarchie: Ze begonnen met één vertaler voor iedereen, maar realiseerden zich dat het beter was om één vertaler per industrie (Sector) te hebben, en uiteindelijk, voor de grootste bedrijven, een vertaler specifiek voor dat ene bedrijf. Dit maakte de voorspellingen veel accurater.

4. De Calculator: Het "Lattice"

Zodra ze het aandelenpad en de volatiliteit hebben, moeten ze de uiteindelijke prijs van de Amerikaanse optie berekenen (die vroegtijdig kan worden uitgeoefend). Ze gebruikten een Binomiale Lattice.

De Metafoor: Stel je een boom voor waarbij elke tak een mogelijke toekomstige prijs vertegenwoordigt. De computer loopt terug van het einde van de boom naar het begin, en controleert bij elke tak: "Is het beter om nu uit te keren of te wachten?" Dit geeft de precieze prijs voor de optie.

De Grote Test: Werkte het?

De auteurs testten hun machine op twee manieren:

De "Kwartaalcijfers"-Test: Ze probeerden optieprijzen rond kwartaalcijfers te voorspellen. Ze ontdekten dat de machine alleen moeite had wanneer een bedrijf een verrassend kwartaalcijfer aankondigde dat niet op de kalender stond. Als het evenement gepland was (zoals een bekende kwartaalcijferdatum), kon de machine de prijssprong perfect voorspellen. Als de verrassing een totale schok was, kon de machine het niet zien aankomen (wat realistisch is!).
De "Forward Simulation"-Test: Ze namen een echt aandeel (Goldman Sachs) en draaiden 1.000 gesimuleerde toekomstscenario's.
- Ze verkochten "short" opties (weddend dat de prijs niet te veel zou bewegen).
- Het Resultaat: De machine toonde aan dat hoewel de weddenschap de meeste tijd wint (je houdt de premie), de verliezen "dikke staarten" hebben. Dit betekent dat wanneer je verliest, je veel meer verliest dan je verwachtte, vooral aan de "Call"-kant (weddend dat de prijs omhoog gaat). Dit gebeurde omdat de machine correct leerde dat wanneer aandelen crashen, de volatiliteit piekt, waardoor de verzekering veel duurder wordt.

De Conclusie

Het artikel beweert dat ze een synthetische datagenerator hebben gebouwd. Het creëert realistische optieprijzen en volatiliteit zonder eerst naar echte marktprijzen te hoeven kijken. Het doorbreekt de circulaire afhankelijkheid door de volatiliteit natuurlijk te laten ontstaan uit de gesimuleerde aandelenbewegingen.

Ze hebben dit uitgebracht als een open-source tool (in de Julia programmeertaal) zodat anderen het kunnen gebruiken om trainingsdata te genereren voor machine learning-modellen, risicstrategieën te testen of beurscrashes te simuleren zonder echte werelddata nodig te hebben die mogelijk bevooroordeeld of onvolledig is.

Kortom: Ze bouwden een videospel-engine voor de aandelenmarkt die zijn eigen realistische fysica (volatiliteit) genereert, zodat je je AI kunt trainen om het spel te spelen zonder eerst naar de echte wereld te hoeven kijken.

Technische Samenvatting: Synthetische Amerikaanse Optieprijsbepaling via Jump-HMM-gedreven Heston Impliete Volatiliteit

1. Probleemstelling

De generatie van realistische synthetische optiedata voor machine learning en risicobeperking wordt gehinderd door een circulaire afhankelijkheid: het prijsbepalen van Amerikaanse opties vereist doorgaans impliete volatiliteit (IV) als invoer, terwijl IV op zichzelf een empirische grootheid is die wordt afgeleid uit waargenomen optieprijzen. Bestaande benaderingen slagen er niet in deze cyclus te doorbreken:

Parametrische modellen (bijv. SABR, SVI) passen IV-oppervlakken aan op marktcitaatprijzen, maar kunnen geen nieuwe IV-dynamieken genereren voor niet-waargenomen omstandigheden.
Lokale volatiliteitsmodellen produceren statische oppervlakken die consistent zijn met een enkele doorsnede, maar missen stochastische fluctuaties.
Stochastische volatiliteitsmodellen (bijv. Heston) genereren realistische variantiepaden, maar vereisen waargenomen IV of optieprijzen voor kalibratie, waardoor de circulariteit opnieuw wordt geïntroduceerd.

Bijgevolg bestaat er een lacune in de literatuur wat betreft kaders die zelf-consistente IV-oppervlakken genereren als een emergente output van een structureel aandelenrendementmodel, zonder te vertrouwen op waargenomen optiedata tijdens de simulatie.

2. Methodologie

De auteurs stellen een drie-traps pijplijn voor waarbij IV een output is van een structureel model in plaats van een invoer. Het kader koppelt een Jump Hidden Markov Model (JumpHMM), een gemodificeerd Heston-stochastisch variantieproces en een binomiale roosterprijsbepaler.

Fase 1: Prijspadgeneratie (JumpHMM)
Een Jump Hidden Markov Model genereert meer-asset prijspaden die drie gestileerde feiten van financiële rendementen behouden: zware staarten, verwaarloosbare lineaire autocorrelatie en persistente volatiliteitsclustering.

Mechanisme: Continue excessieve groeicijfers worden gediscretiseerd in $N$ toestanden via kwantielbakken van een aangepaste Laplace-verdeling.
Dynamiek: Een verborgen toestand $S_t$ beheert de locatie en schaal van een Student-t-verdeling voor rendementen. Poisson-verdeelde sprongen dwingen de keten in staarttoestanden, waardoor aanhoudende regimes met extreme volatiliteit ontstaan.
Afhankelijkheid: Cross-asset afhankelijkheid wordt opgelegd via een Student-t copula, waardoor realistische gezamenlijke staartgebeurtenissen worden gewaarborgd.

Fase 2: Generatie van Impliete Volatiliteit (Gemodificeerd Heston)
De prijspaden worden omgezet in IV-paden met behulp van een gemodificeerd Heston-stochastisch variantieproces.

Staat-afhankelijke Mean Reversion: De langetermijnvariantiedoelstelling $\theta$ is niet constant, maar een functie van de JumpHMM-regimetoestand, dagen tot vervaldatum (DTE), moneyness en een geaggregeerde markt-sfeerindicator.
Evenwichtsinitialisatie: Een centrale ontwerpkies is het initialiseren van het variantieproces op zijn mean-reversion-doel ( $v_0 = \theta$ ) voor elk strike-vervaldatum-paar. Dit zorgt ervoor dat de smile, skew en termstructuur automatisch ontstaan zonder externe kalibratiedata.
Marktsfeer: Een endogeen marktsfeersignaal ( $M_t$ ) wordt gedefinieerd als het fractie van tickers in staarttoestanden. Wanneer meerdere activa staarttoestanden bezetten, stijgt $M_t$ , wat $\theta$ en IV over alle contracten verhoogt, waardoor gecorreleerde IV-pieken tijdens stress ontstaan.
Vormfunctie ( $\psi$ ): De contract-specifieke aanpassing aan $\theta$ $θ$ wordt gemodelleerd via een vormfunctie $\psi$ $ψ$ . De auteurs hanteren een hiërarchie van representaties:
1. Parametrische Basis: Een log-polynomiale vorm met vijf parameters.
2. Globaal Neuraal Surrogaat: Een enkel neurale netwerk gedeeld over alle tickers.
3. Sectorspecifiek Neuraal Surrogaat: Afzonderlijke netwerken voor verschillende sectoren (bijv. Technologie, Gezondheidszorg) om sectorspecifieke skew en kromming te vangen.
4. Per-Ticker Uitbreiding: Voor datarijke namen ondersteunt het kader per-ticker netwerken.
Gebeurtenisbewustzijn: De vormfunctie incorporateert geplande gebeurteniskenmerken: getekende dagen tot winst (e) en minimumdagen tot winst voor peers in dezelfde sector ( $e_{peer}$ ).

Fase 3: Prijsbepaling Amerikaanse Opties (Binomiaal Rooster)
Het resulterende IV-oppervlak wordt gebruikt om Amerikaanse opties te prijzen via een zich hercombinerend binomiaal rooster.

Prijsbepaling: Een Cox-Ross-Rubinstein (CRR) boom wordt gebruikt voor de hoofdkalibratiepijplijn.
Greeks-berekening: Voor voorwaartse simulaties die gladde finite-difference Greeks vereisen, wordt een Leisen-Reimer (LR) boom gebruikt. De LR-constructie pakt de strike vast aan een knooppunt, waardoor de "trapsgewijze aliasing" die bij CRR-bomen wordt waargenomen wanneer spot- of volatiliteitsstoten de strike over knooppuntgrenzen verplaatsen, wordt geëlimineerd.

3. Belangrijkste Bijdragen

Doorbreken van Circulariteit: Het kader genereert zelf-consistente IV-oppervlakken als een emergente eigenschap van aandelenrendementdynamiek, waardoor de behoefte aan waargenomen optiedata als kalibratiedoel tijdens simulatie wordt geëlimineerd.
Endogene Marktsfeer: Het model introduceert een endogeen marktsfeersignaal afgeleid van de JumpHMM-toestandsverdeling, waardoor gecorreleerde IV-pieken tijdens stressgebeurtenissen mogelijk zijn zonder externe data (bijv. VIX).
Hiërarchische Vormkalibratie: Het artikel demonstreert een progressie van parametrische naar neurale representaties, waarbij wordt aangetoond dat sectorspecifieke neurale surrogaten aanzienlijk beter presteren dan globale parametrische vormen bij het vangen van cross-sectionele smile-geometrie.
Gebeurtenisgedreven Generalisatie: De studie isoleert geplande corporate winst als de dominante bron van temporale generalisatiefout en toont aan dat uit de kalender afgeleide kenmerken (winstafstand en peer-koppeling) een deel van dit signaal kunnen herstellen.

4. Resultaten

Kalibratieprestaties (31-Ticker Ladder)

Parametrisch versus Neuraal: Het vervangen van de globale parametrische vormfunctie door een globaal neuraal surrogaat verlaagde de Root Mean Square Error (RMSE) van 12,48% naar 11,47% IV.
Sectorspecificiteit: De overstap naar sectorspecifieke neurale netwerken verlaagde de RMSE verder naar 10,24% (een cumulatieve verbetering van 17,9% ten opzichte van de parametrische basis).
Per-Ticker Winsten: Op een gepoolde corpus van 234.549 observaties verlaagden per-ticker neurale netwerken de RMSE naar 9,73%, met de grootste winsten waargenomen in sectoren met hoge heterogeniteit binnen de sector (bijv. Technologie, Gezondheidszorg).

Temporale Generalisatie

Winstimpact: Een temporale holdout-test onthulde een generalisatiekloof van +4,99% IV. Wanneer observaties binnen ±3 dagen rondom winst werden uitgesloten, verdween de kloof (−0,06%), wat bevestigt dat geplande winstgebeurtenissen de enige bron van de fout waren.
Kenmerkherstel: Het toevoegen van winst-afstands- en peer-koppelingskenmerken aan het vormnetwerk herstelde ongeveer een vijfde van de generalisatiekloof (verlaging van de test-RMSE van 13,03% naar 11,98%).
Beperking: De op de kalender gebaseerde indicator ving pre-event IV-expansie en sympathiebewegingen op, maar slaagde er niet in post-event IV-crushes te voorspellen die worden gedreven door winstverrassingen (bijv. de +2192% EPS-verrassing voor INTC).

Voorwaartse Simulatiescenario's

Opzet: Het kader werd toegepast om 1.000 paden te simuleren voor Goldman Sachs (GS) en Eli Lilly (LLY) opties over een horizon van 31 dagen.
Prijsbepalingsnauwkeurigheid: Voor GS lag de initiële eerlijke waarde van het model binnen de markt bid-ask spread. Voor LLY markeerde het model iets onder de markt vanwege een specifiek IV-regime-mismatch op de opnamedatum, wat de gevoeligheid van het model voor IV-niveaus valideert.
Risicodynamiek: De simulaties reproduceerden realistische short-premium asymmetrie. Short calls vertoonden dikkere linkse-tail verliezen dan short puts, ondanks het ontvangen van kleinere premies, gedreven door de negatieve skew die is gecodeerd in de per-ticker vormfunctie en hefboomkoppeling.
Greeks: De Leisen-Reimer-rooster leverde gladde finite-difference Greeks (Delta, Gamma, Vega) op die essentieel zijn voor risicobeperking, en vermijdt de oscillaties die typisch zijn voor standaard CRR-bomen.

5. Betekenis en Claims

Het artikel claimt een robuust, open-source kader (geïmplementeerd in Julia) te bieden voor het genereren van synthetische Amerikaanse optiedata dat structureel consistent is met aandelenrendementdynamiek.

Structurele Consistentie: Door variantie te initialiseren op zijn mean-reversion-doel, zorgt het model ervoor dat het IV-oppervlak volledig wordt bepaald door de structurele parameters, waardoor het "kip-en-ei"-probleem van het aanpassen van IV aan prijzen wordt vermeden.
Schaalbaarheid: De hiërarchische kalibratiebenadering (parametrisch $\to$ globaal NN $\to$ sector NN $\to$ per-ticker NN) stelt het model in staat zich aan te passen aan variërende datavolumes en sectorkenmerken.
Toepassing: Het kader is ontworpen als een synthetische datagenerator voor downstream toepassingen, waaronder het trainen van machine learning-modellen voor optieprijsbepaling, het leren van delta-hedging-beleidslijnen via reinforcement learning, en het uitvoeren van scenario-gebaseerde risicobeperking die consistente optieprijzen vereist over strikes en vervaldatums heen.
Bescheidenheid: De auteurs erkennen dat hoewel het kader risico's van geplande gebeurtenissen vangt, het nog geen ongeplande IV-pieken modelleert die worden gedreven door winstverrassingen of andere idiosyncratische schokken. Toekomstig werk wordt voorgesteld om per-ticker staartgevoeligheidsmechanismen op te nemen om deze residuele signalen aan te pakken.