💰 quantitative finance

An Analytic COS Method for Compound Option Valuation

Dit artikel introduceert een analytische Fourier-cosinusmethode (COS-methode) voor de waardering van samengestelde opties, die gesloten uitdrukkingen voor cosinuscoëfficiënten afleidt om numerieke kwadratuur in tussenliggende stadia te elimineren, waardoor een superieure computationele efficiëntie en nauwkeurigheid wordt bereikt over diverse stochastische modellen en meerfasige structuren.

Oorspronkelijke auteurs: Zhipeng Huang, Cornelis W. Oosterlee

Gepubliceerd 2026-07-29

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Zhipeng Huang, Cornelis W. Oosterlee

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 detective bent die een mysterie probeert op te lossen dat nog niet heeft plaatsgevonden. In de wereld van de financiën is dit wat er gebeurt wanneer bedrijven proberen de waarde te bepalen van grote, ingewikkelde weddenschappen die "opties" worden genoemd. Denk aan een optie als een coupon die je recht geeft om later iets tegen een vaste prijs te kopen. Maar wat als die coupon zelf een coupon is? Dat is een "compound optie" (samengestelde optie) — een weddenschap op een weddenschap. Het is als het kopen van een ticket voor een loterij, waarbij de prijs een ander ticket is voor een grotere loterij. Om te bepalen hoeveel die eerste ticket waard is, moet je raden wat de tweede ticket waard zal zijn, wat weer afhangt van wat er in de toekomst gebeurt.

Het lastige deel is dat de toekomst rommelig is. Prijzen bewegen niet alleen in vloeiende, voorspelbare lijnen zoals een auto op een snelweg; soms maken ze sprongen, haperen ze of komen ze vast te zitten in verkeersopstoppingen van plotseling nieuws. Wiskundigen gebruiken speciale hulpmiddelen genaamd "karakteristieke functies" om deze rommelige bewegingen te beschrijven, een beetje zoals een weersvoorspelling die niet alleen regen voorspelt, maar ook de kans op een plotselinge hagelstorm. Een tijdlang was het berekenen van de waarde van deze samengestelde opties als het met de hand tellen van elk afzonderlijk zandkorreltje op een strand — traag, tijdrovend en foutgevoelig. Je moest kleine stapjes zetten, meten, optellen, meten, optellen en weer optellen, keer op keer.

Dit artikel introduceert een slimme afkorting. De auteurs, Zhipeng Huang en Cornelis W. Oosterlee, hebben een nieuwe manier ontwikkeld om deze berekeningen uit te voeren met een methode genaamd de "COS-methode". In plaats van elk zandkorreltje te tellen, hebben ze een manier gevonden om een enkele, perfecte formule te schrijven die precies vertelt hoeveel korrels er zijn, waardoor het tijdrovende tellen volledig wordt overgeslagen. Ze laten zien dat door gebruik te maken van de wiskundige "vorm" van de toekomstige mogelijkheden, ze de waarde van deze complexe, meerfasige weddenschappen direct en met ongelooflijke precisie kunnen berekenen. Dit is van belang omdat het bedrijven helpt om slimmere beslissingen te nemen over enorme investeringen, zoals de ontwikkeling van nieuwe medicijnen of de bouw van infrastructuur, waarbij de kosten van het fout hebben zeer hoog zijn.

De Magie van de "Cosine" Afkorting

Hoe werkt deze nieuwe methode dan precies? Laten we een analogie gebruiken. Stel je voor dat je probeert de eindscore van een voetbaltoernooi met meerdere ronden te voorspellen. In de oude manier (de "kwadratuur"-methode), zou je om de waarde van het team in Ronde 1 te bepalen, duizenden mogelijke wedstrijden voor Ronde 2 moeten simuleren, en dan duizenden meer voor Ronde 3, enzovoort, en al deze gemiddelden moeten nemen. Het is alsof je elke mogelijke wedstrijd in het universum bekijkt om te zien wie er wint. Het duurt eeuwig.

De nieuwe methode van de auteurs is als het hebben van een magische kristallen bol die de wedstrijden niet hoeft te bekijken. In plaats daarvan kijkt de bol naar het patroon van hoe teams gewoonlijk spelen. De "COS-methode" (wat staat voor Fourier Cosine) is een manier om elk complex patroon te beschrijven met een stapel eenvoudige, golvende lijnen die "cosines" worden genoemd. Denk aan het beschrijven van een complex lied door eenvoudige muzikale noten op elkaar te stapelen.

De grote doorbraak in dit artikel is dat de auteurs ontdekten hoe ze deze noten kunnen stapelen zonder het zware werk te verrichten. Normaal gesproken, wanneer je een "weddenschap op een weddenschap" hebt, moet je stoppen en veel ingewikkelde wiskunde (numerieke kwadratuur) uitvoeren om de volgende laag van de stapel te bepalen. De auteurs ontdekten dat omdat de wiskunde van deze golven zo regelmatig is, je het antwoord voor de volgende laag daadwerkelijk kunt opschrijven met een nette, gesloten vormformule. Het is alsof je beseft dat in plaats van de stenen in een muur één voor één te tellen, je gewoon de hoogte met de breedte kunt vermenigvuldigen omdat je weet dat het patroon perfect is.

Wat Ze Vonden en Waarom Het Er Toe Doet

Het artikel demonstreert dat deze nieuwe "analytische" benadering niet alleen sneller, maar ook nauwkeuriger is. In hun tests vergeleken ze hun methode met de oude, trage manier van tellen.

Snelheid: Wanneer ze hun methode testten op een standaard financieel model (het Black-Scholes-model), was hun methode ongeveer 10 keer sneller dan de oude manier, terwijl het hetzelfde niveau van nauwkeurigheid bood. In één test deed de oude methode er ongeveer 3,5 milliseconden over om een zeer precies antwoord te krijgen, terwijl de nieuwe methode dit in slechts 0,3 milliseconden deed.
Nauwkeurigheid: Ze lieten zien dat naarmate ze meer "cosine-golven" aan hun stapel toevoegden, het antwoord ongelooflijk snel dichter bij de werkelijke waarde kwam. Met slechts 128 golven was hun fout kleiner dan 1 op de 10 miljard.

Maar de echte magie gebeurt wanneer de zaken rommelig worden. De auteurs testten hun methode in scenario's waar de "toekomst" niet vloeiend is. Ze keken naar situaties waarin "sprongen" voorkomen — plotselinge, grote veranderingen in waarde, zoals een klinische test van een medicijn die plotseling slaagt of faalt. Ze modelleerden zelfs "geclusterde" sprongen, waarbij één stuk slecht nieuws een golf van ander slecht nieuws veroorzaakt (zoals een domino-effect).

In een simulatie van het onderzoek en de ontwikkeling (R&D) van een farmaceutisch bedrijf, ontdekten ze dat de timing van deze sprongen er veel toe doet.

Als sprongen willekeurig en onafhankelijk zijn (zoals in het oude "Merton"-model), is de waarde van het project de ene waarde.
Maar als sprongen "geclusterd" zijn (zoals in hun nieuwe "Q-Hawkes"-model), verandert de waarde enigszins maar significant. Voor een tweefasige investering in een medicijn suggereerde het geclusterde model dat het project ongeveer 47,30 waard was, terwijl het willekeurige model 45,57 zei.
Voor een project met meerdere fasen en vijf stappen was het verschil nog veelzeggender. Het geclusterde model gaf het project een waarde van 6,937, vergeleken met 6,751 voor het willekeurige model.

Dit suggereert dat de structuur van de onzekerheid — of slecht nieuws komt in geïsoleerde uitbarstingen of in een chaotische storm — de waarde van een investering daadwerkelijk verandert. De oude methoden hadden moeite om deze complexe, springende scenario's aan te pakken zonder erdoorheen te zakken in trage berekeningen. De nieuwe COS-methode handelt deze met gemak af, waardoor bedrijven kunnen zien hoe verschillende soorten risico hun beslissingen beïnvloeden.

De Kern van het Verhaal

De auteurs hebben niet alleen een snellere rekenmachine uitgevonden; ze hebben een nieuwe manier van denken over gelaagde beslissingen ontwikkeld. Ze bewezen dat je niet elke stap van een complex, meerfasig probleem via benaderingen hoeft te doorlopen. Door gebruik te maken van de wiskundige symmetrie van de golven, hebben ze een trage, stap-voor-stap grind veranderd in een enkele, elegante sprong.

Ze toonden aan dat dit werkt voor alles, van eenvoudige twee-fasen weddenschappen tot complexe, meerfasige projecten uit de echte wereld, zoals het ontwikkelen van een nieuwe pijplijn voor medicijnen. Of de toekomst nu vloeiend is of vol zit met plotselinge sprongen, deze methode biedt een heldere, snelle en nauwkeurige manier om te zien wat de toekomst waard kan zijn. Het is een instrument dat de mist van onzekerheid verandert in een heldere kaart, waardoor investeerders en bedrijven met vertrouwen door de verraderlijke wateren van samengestelde beslissingen kunnen navigeren.

Technische Samenvatting: Een Analytische COS-methode voor de Waardering van Samengestelde Opties

Probleemstelling

Samengestelde opties zijn derivaten waarbij het onderliggende actief zelf een optie is. Hoewel Geske [Ges79] een gesloten oplossing heeft afgeleid voor samengestelde opties onder het Black–Scholes-model, zijn dergelijke analytische oplossingen over het algemeen niet beschikbaar wanneer het onderliggende actief complexere stochastische dynamiek volgt (bijv. sprong-diffusie of Lévy-processen). Deze complexe dynamiek is cruciaal in praktische toepassingen zoals gefaseerde R&D-investeringen, waarbij de onzekerheidskarakteristieken (zoals sprongrisico en clustering) kunnen variëren tussen de verschillende fasen.

Wiskundig gezien omvat het waarderen van samengestelde opties geneste voorwaardelijke verwachtingen. In een setting met meerdere stadia hangt de waarde op een intermediaire besluitdatum af van de voortzetingswaarde van de daaropvolgende stadia. Traditionele numerieke benaderingen om deze geneste verwachtingen op te lossen, vertrouwen vaak op numerieke kwadratuur om de uiterste cosinuscoëfficiënten in Fourier-gebaseerde methoden te berekenen. Dit introduceert een extra laag van benaderingsfouten en computationele kosten, wat de spectrale convergentie-eigenschappen van de onderliggende methode kan maskeren en de schaalbaarheid in problemen met meerdere stadia kan beperken.

Methodologie

Het artikel stelt een volledig analytische Fourier-cosinus (COS) methode voor voor het waarderen van samengestelde opties. De COS-methode, oorspronkelijk geïntroduceerd door Fang en Oosterlee [FO08], benadert de transitiedichtheid van de log-activumprijs met behulp van een Fourier-cosinusreeks, waarbij de coëfficiënten direct worden afgeleid van de karakteristieke functie van het proces.

De kerninnovatie van dit werk is de afleiding van gesloten uitdrukkingen voor de uiterste cosinuscoëfficiënten in de recursie van de samengestelde optie. De methodologie verloopt als volgt:

Benadering van de binnenste fase: De waarde van de binnenste optie (de onderliggende optie op de intermediaire besluitdatum $T_1$ ) wordt benaderd met de standaard COS-expansie. Vanwege de aanname van onafhankelijke incrementen van het onderliggende log-proces, kan deze binnenste waarde $V_{inner}(x)$ worden uitgedrukt als een eindige trigonometrische polynoom (een som van sinussen en cosinussen) met analytisch berekenbare coëfficiënten.
Analytische uiterste coëfficiënten: In plaats van numerieke kwadratuur te gebruiken om de coëfficiënten voor de uiterste optie te berekenen (die een payoff heeft van $(V_{inner}(x) - K_1)^+$ ), substitueren de auteurs de trigonometrische representatie van $V_{inner}(x)$ direct in de integraaldefinitie van de uiterste coëfficiënten.
Gesloten vorm integratie: Door gebruik te maken van trigonometrische productidentiteiten, worden de resulterende integralen in gesloten vorm geëvalueerd. Dit elimineert de noodzaak van numerieke integratie in de uiterste fase.
Uitoefeningsgrens: De methode vereist het oplossen van een enkele scalaire niet-lineaire vergelijking om de numerieke uitoefeningsgrens $x^*$ te vinden waar $V_{inner}(x^*) = K_1$ . Dit wordt efficiënt opgelost met behulp van een beveiligde Newton-methode of de methode van Brent, waarbij gebruik wordt gemaakt van de analytische afgeleide van de trigonometrische expansie.
Extensie naar meerdere stadia: Het raamwerk wordt recursief uitgebreid naar $m$ samengestelde besluitdata. In elke stap terugwaarts van de vervaldatum wordt de voortzetingswaarde gerepresenteerd als een trigonometrische polynoom, waardoor de coëfficiënten voor de vorige fase analytisch berekend kunnen worden zonder kwadratuur.
Modelflexibiliteit: De methode is toepasbaar op elk model waarbij de voorwaardelijke karakteristieke functie van de log-prijs-incrementen in gesloten vorm bekend is, inclusioneel Geometric Brownian Motion (GBM), Merton sprong-diffusie en het Queue–Hawkes (Q-Hawkes) proces voor geclusterde sprongen.

Belangrijkste Bijdragen

Volledig Analytische Formulering: Het artikel leidt de eerste volledig analytische samengestelde COS-formulering af waarbij de uiterste coëfficiënten in gesloten vorm worden geëvalueerd. Dit verwijdert de numerieke kwadratuurlaag volledig uit de samengestelde recursie.
Computationele Efficiëntie: Door het elimineren van kwadratuur vermindert de methode de computationele complexiteit die geassocieerd wordt met de uiterste coëfficiënten. De complexiteit verschuift van $O(n_q N)$ (waarbij $n_q$ het aantal kwadratuurpunten is) naar $O(N_{in} N_{out})$ , waarbij $N$ het aantal cosinustermen vertegenwoordigt.
Behoud van Spectrale Convergentie: Het verwijderen van de kwadratuurfoutlaag zorgt ervoor dat de spectrale convergentie-eigenschappen van de COS-methode behouden blijven gedurende de recursieve waardering, mits de onderliggende transitiedichtheden aan de regulariteitsvoorwaarden voldoen.
Omgang met Heterogene Dynamiek: Het raamwerk faciliteert van nature stadium-afhankelijke dynamiek. Verschillende karakteristieke functies (en dus verschillende diffusie- of sprongverdelingen) kunnen voor verschillende tijdsintervallen worden gebruikt zonder de recursieve structuur te wijzigen.
Extensie naar Andere Derivaten: Er wordt aangetoond dat de analytische structuur zich uitstrekt buiten de standaard samengestelde calls naar andere contracten met single-boundary continuation payoffs, zoals chooser-opties en Bermudische put-opties.

Numerieke Resultaten

De auteurs valideren de methode via verschillende numerieke experimenten:

Black–Scholes Validatie: Onder GBM-dynamiek reproduceert de methode de gesloten oplossing van Geske met hoge nauwkeurigheid. Met $N=128$ cosinustermen is de absolute fout lager dan $10^{-10}$ .
Efficiëntievergelijking: Vergeleken met een kwadratuur-gebaseerde COS-implementatie bereikt de analytische methode een vergelijkbare nauwkeurigheid (fout $\approx 10^{-5}$ ) aanzienlijk sneller. Om bijvoorbeeld de nauwkeurigheid van de analytische methode met $N=64$ te evenaren, had de kwadratuurmethode 5.120 kwadratuurpunten nodig en deed deze er ongeveer een orde van grootte langer over qua CPU-tijd.
Real Options met Sprongrisico: De methode wordt toegepast op twee-fasen en meerfasen farmaceutische R&D-investeringsproblemen.
- Twee-fasen: De studie vergelijkt GBM, Merton sprong-diffusie (onafhankelijke sprongen) en Q-Hawkes (zelf-exciterende geclusterde sprongen). De resultaten geven aan dat sprongrisico de waardering aanzienlijk beïnvloedt, en dat het zelf-exciterende karakter van Q-Hawkes (clustering) leidt tot iets hogere optiewaarden dan onafhankelijke sprongen, zelfs wanneer het verwachte aantal sprongen en de spronggrootteverdelingen gelijk zijn.
- Meerdere stadia: Een vierfasen R&D-project wordt gemodelleerd waarbij sprongrisico pas in de laatste fase wordt geïntroduceerd. De resultaten laten zien dat voorzien sprongrisico in de latere fase terugwerkt naar de eerdere stadia, wat de investeringsdrempels en projectwaarden in de vroege stadia materieel beïnvloedt. De analytische methode handelt deze stadium-afhankelijke dynamiek naadloos af.

Betekenis en Claims

Het artikel claimt dat de voorgestelde analytische samengestelde COS-methode een robuust, efficiënt en accuraat instrument biedt voor het prijzen van geneste optionaliteit onder realistische stochastische dynamiek.

Eliminatie van Kwadratuurfout: De primaire betekenis is het verwijderen van de numerieke kwadratuurlaag, wat niet alleen de berekening versnelt maar ook voorkomt dat er extra benaderingsfouten worden geïntroduceerd die de spectrale convergentie van de methode in multi-stage settings kunnen degraderen.
Modelleringsrijkdom: De methode maakt de waardering van complexe real-option problemen met heterogene dynamiek mogelijk (bijv. schakelen van diffusie naar sprong-diffusie tussen de stadia) zonder de noodzaak van regressie-gebaseerde continuatie-inschatting of geneste simulatie, wat typisch is voor Monte Carlo-benaderingen.
Transparantie: De analytische formulering biedt een transparante wiskundige structuur voor de samengestelde recursie, wat een rigoureuze foutanalyse faciliteert en aantoont dat de spectrale convergentie van de individuele COS-stappen behouden blijft in de recursieve samengestelde setting.

De auteurs concluderen dat deze aanpak bijzonder waardevol is voor multi-stage besluitvormingsomgevingen waar zowel computationele efficiëntie als modelleringsrijkdom essentieel zijn, zoals bij gefaseerde R&D en infrastructuurprojecten.