COS-TT-CHF: A Tensor-Train Characteristic-Function COS Method for Multi-Asset Option Pricing

In de wereld van de financiële sector is het voorspellen van de toekomstige waarde van een enkel aandeel al een complexe taak, maar moderne markten vereisen vaak dat beleggers opties prijzen op mandjes die tientallen activa tegelijkertijd bevatten. Deze financiële contracten, bekend als opties, geven de houder het recht om een groep aandelen te kopen of verkopen tegen een specifieke prijs in de toekomst. De moeilijkheid ontstaat bij het proberen te berekenen van de eerlijke prijs voor deze contracten naarmate het aantal activa groeit. Traditionele wiskundige instrumenten worstelen enorm met deze groei; elke keer dat een nieuw actief aan het mandje wordt toegevoegd, neemt de hoeveelheid benodigde berekening niet slechts licht toe, maar explodeert deze exponentieel. Dit fenomeen, bekend als de vloek van de dimensionaliteit, heeft analisten er lang toe gedwongen om te vertrouwen op trage, benaderende methoden of om hun analyse te beperken tot zeer kleine groepen activa, wat een aanzienlijke kloof heeft achtergelaten in ons vermogen om complexe, multi-asset financiële producten accuraat en snel te prijzen.

Onderzoekers aan de Universiteit van Kopenhagen hebben een nieuwe aanpak ontwikkeld om deze kloof te overbruggen, waarbij een methode is gecreëerd die de snelle prijsbepaling van opties op mandjes met tot wel dertig verschillende activa mogelijk maakt. Hun werk, gepubliceerd in een artikel getiteld "COS–TT–CHF," richt zich op een specif kind van financieel model dat beschrijft hoe activaprijzen bewegen met behulp van een wiskundig hulpmiddel genaamd een karakteristieke functie. In plaats van te proberen de prijs te berekenen door naar elke mogelijke combinatie van bewegingen van activa tegelijkertijd te kijken — een taak die onmogelijk wordt naarmate het aantal activa stijgt — heeft het team een techniek gebruikt die tensor-train-benadering wordt genoemd. Deze methode werkt door de enorme, hoog-dimensionale data die nodig zijn voor de berekening te comprimeren naar een veel kleiner, beheersbaar formaat. Het is vergelijkbaar met hoe een foto met een hoge resolutie kan worden gecomprimeerd tot een klein bestand zonder de essentiële details te verliezen die nodig zijn om de afbeelding te herkennen, waardoor de computer de informatie efficiënt kan verwerken zonder te verdrinken in de enorme hoeveelheid data.

De onderzoekers hebben hun nieuwe methode getest tegen verschillende gevestigde benchmarks, waaronder oudere, directe berekeningstechnieken en geavanceerde simulatiemethoden die vertrouwen op willekeurige steekproeven. Ze ontdekten dat voor mandjes met slechts twee of drie activa, hun nieuwe methode niet noodzakelijkerwijs sneller was dan bestaande technieken. Echter, zodra het aantal activa toenam naar vier of meer, begon de nieuwe methode de oudere directe berekeningstechnieken aanzienlijk te overtreffen. In tests met twintig activa voltooide de methode berekeningen in enkele seconden, terwijl de traditionele directe methoden minuten of zelfs uren nodig zouden hebben om een vergelijkbaar niveau van nauwkeurigheid te bereiken. Het team heeft ook aangetoond dat hun aanpak goed werkt voor verschillende soorten markmodellen, inclusief modellen die rekening houden met plotselinge sprongen in prijzen of veranderende volatiliteit, wat veelvoorkomende kenmerken zijn in de echte financiële markten.

Naast het simpelweg vinden van de prijs van de optie, maakt de nieuwe methode de snelle berekening van de "Greeks" mogelijk, wat maten zijn van hoe gevoelig de optieprijs is voor veranderingen in de onderliggende activa of marktomstandigheden. Dit is cruciaal voor risicobeheer, aangezien handelaren moeten weten hoe hun portefeuilles zullen reageren op marktverschuivingen. De onderzoekers toonden aan dat zodra de initiële gecomprimeerde datastructuur was opgebouwd, het berekenen van deze gevoeligheden voor verschillende uitoefenprijzen of marktscenario's bijna onmiddellijk ging. Deze herbruikbaarheid is een belangrijk voordeel, aangezien dit betekent dat het zware werk slechts één keer wordt gedaan en de resultaten kunnen worden toegepast op een breed scala aan vragen zonder de berekening vanaf nul te hoeven starten.

De studie behandelde ook een specifiek type optie dat uitbetaalt op basis van het laagst of hoogst presterende actief in een groep, bekend als min/max-opties. Deze zijn berucht moeilijk te prijzen omdat de uitbetaling afhangt van de interactie tussen alle activa op een manier die niet past in standaard berekeningspatronen. De onderzoekers slaagden erin hun methode aan te passen om deze complexe uitbetalingen te verwerken, waarbij ze bewezen dat hun gecomprimeerde representatie de noodzakelijke gezamenlijke gedragingen van de activa kan vastleggen. In hun tests behield de methode een hoge nauwkeurigheid, zelfs wanneer zij te maken had met dertig activa, een schaal die voorheen buiten bereik was voor deze klasse van prijsbepalingstechnieken. De resultaten suggereren dat door de complexiteit van de berekening vroeg in het proces naar een gecomprimeerd formaat te verplaatsen, het mogelijk is om de exponentiële groei van computationele kosten te omzeilen die de prijsbepaling van multi-asset derivaten langdurig heeft gehinderd.

De onderzoekers vergeleken hun bevindingen met referentiedata gegenereerd door andere hoog-precieze methoden, zoals gerandomiseerde steekproeftechnieken die worden beschouwd als de gouden standaard voor nauwkeurigheid, maar zeer traag zijn. De nieuwe methode kwam de referentieprijzen met hoge precisie overeen, terwijl zij in hogere dimensies orden van grootte sneller was. Bijvoorbeeld, in een stresstest met een veelvoorkomend financieel model met twintig activa, voltooide de nieuwe methode de berekening in ongeveer drieënzesentachtig seconden, terwijl de referentisimulatiemethode meer dan vijfhonderd seconden duurde. De nauwkeurigheid bleef consistent over verschillende soorten activa en marktomstandigheden, inclusief modellen met "heavy-tailed" distributies waar extreme prijsbewegingen waarschijnlijker zijn.

Dit werk beweert niet elk probleem in de financiële wiskunde op te lossen, noch suggereert het dat alle prijsbepalingsuitdagingen nu achterhaald zijn. De methode rust op de aanname dat de onderliggende data effectief gecomprimeerd kunnen worden, wat waar is voor veel veelvoorkomende markmodellen, maar kan variëren in meer exotische scenario's. De resultaten laten echter duidelijk zien dat voor een breed scala aan praktische toepassingen de barrière van dimensionaliteit verlaagd kan worden. Door het probleem te transformeren naar een gecomprimeerde representatie, hebben de onderzoekers een instrument geboden dat het mogelijk maakt om complexe, multi-asset opties te prijzen met een snelheid en nauwkeurigheid die voorheen onbereikbaar waren. Deze vooruitgang biedt een praktisch pad voorwaarts voor financiële instellingen die hun risico's moeten beheren en producten moeten prijzen in steeds meer onderling verbonden en complexe markten.