Option pricing model under the G-expectation framework

Resumo Técnico: Modelos de Precificação de Opções sob o Framework de G-Expectativa

1. Problema e Motivação

A precificação de derivativos financeiros tradicionalmente baseia-se no modelo de Black-Scholes, que assume volatilidade constante e um movimento browniano padrão. No entanto, na prática de mercado, a volatilidade é frequentemente incerta e não constante. Para lidar com essa incerteza de modelo, o artigo propõe uma abordagem robusta utilizando o framework de G-Expectativa (uma expectativa sublinear introduzida por Shige Peng).

O problema central abordado é a precificação de opções sob um ambiente de incerteza de volatilidade, onde o preço do ativo subjacente segue um Movimento Browniano Geométrico G (G-GBM). Diferente dos modelos clássicos, a incerteza na volatilidade leva a um problema de valorização governado por uma Equação Diferencial Parcial (EDP) totalmente não linear, especificamente a equação de G-Black-Scholes. O desafio computacional reside na resolução eficiente e precisa dessa EDP não linear, que não possui soluções analíticas fechadas na maioria dos casos.

2. Metodologia

Os autores desenvolveram uma abordagem unificada que combina teoria financeira avançada com métodos numéricos robustos:

• Formulação do Modelo:

  • Estabelecimento de um framework de precificação neutro ao risco sob G-Expectativa, onde o retorno esperado G de ativos e derivativos é igual à taxa de juros livre de risco.
  • Derivação da Equação G-Black-Scholes, uma EDP não linear que incorpora o supremo (ou ínfimo) sobre um intervalo de volatilidade $[\underline{\Sigma}, \overline{\Sigma}]$.
  • Transformação Logarítmica: Para melhorar a eficiência computacional, os autores introduzem uma transformação de variável $X_t = \ln(S_t)$, onde $S_t$ é o preço do ativo. Isso converte a EDP original (com coeficientes dependentes de $S^2$) em uma EDP alternativa com coeficientes constantes, facilitando a discretização.

• Esquemas Numéricos:

  • Foram construídos dois esquemas de Diferenças Finitas para resolver a EDP transformada:
    1. Esquema Explícito: Direto e computacionalmente barato por passo de tempo, mas sujeito a restrições de estabilidade.
    2. Esquema Implícito: Requer a solução de um sistema de equações não lineares em cada passo de tempo (resolvido via iteração de Picard), mas oferece maior estabilidade.
  • Análise Teórica: Os autores provaram rigorosamente que ambos os esquemas são:
    • Consistentes: Convergem para a EDP contínua quando o passo de tempo e espacial tendem a zero.
    • Estáveis: Limitados em norma $l_\infty$.
    • Monótonos: Essencial para garantir a convergência para a solução de viscosidade da EDP não linear (baseado no teorema de Barles e Souganidis).

3. Contribuições Principais

• Framework Unificado de Precificação: Formalização de um modelo de precificação neutro ao risco completo dentro do ambiente de G-Expectativa, generalizando o modelo de Black-Scholes para cenários de volatilidade incerta.
• Análise de Convergência Rigorosa: Estabelecimento teórica da convergência dos esquemas numéricos para a solução de viscosidade da EDP não linear, incluindo estimativas de taxa de convergência.
• Prova de Estabilidade da Iteração Interna: Para o esquema implícito, foi provado que a iteração interna (necessária para lidar com a não linearidade) converge monotonicamente para a solução única.
• Vantagem da Transformação Logarítmica: Demonstração teórica e numérica de que a transformação logarítmica relaxa significativamente as restrições de estabilidade do esquema explícito, permitindo passos de tempo maiores e reduzindo o custo computacional.

4. Resultados Numéricos

Os métodos foram testados em dois cenários de mercado com payoffs não lineares e descontínuos:

1. Spread de Borboleta (Butterfly Spread): Payoff não convexo.
2. Opção de Chamada Digital (Digital Call Option): Payoff descontínuo (degrau).

Principais achados:

• Precisão: Ambos os esquemas (explícito e implícito) alcançaram precisão de segunda ordem para o caso de payoff suave (borboleta) e aproximadamente primeira ordem para o caso descontínuo (digital), conforme o esperado para soluções de viscosidade com baixa regularidade.
• Eficiência Computacional: A transformação logarítmica reduziu drasticamente o número de passos de tempo necessários para a estabilidade do esquema explícito. Em testes comparativos, o número de passos de tempo necessários no domínio transformado foi cerca de 63% menor do que no domínio original de preços, resultando em ganhos significativos de tempo de CPU (ex: redução de ~2.7 vezes no tempo de execução para malhas refinadas).
• Iteração Implícita: O esquema implícito mostrou-se altamente eficiente, exigindo em média apenas 2 iterações por passo de tempo para convergir, mesmo em malhas finas.

5. Significado e Impacto

Este trabalho é significativo para a matemática financeira e a engenharia computacional por:

• Oferecer uma ferramenta robusta para precificar derivativos em mercados onde a volatilidade é incerta, superando as limitações do modelo Black-Scholes clássico.
• Fornecer um algoritmo numérico eficiente e teoricamente garantido (convergência para solução de viscosidade) para resolver EDPs não lineares complexas.
• Validar a transformação logarítmica como uma técnica de pré-processamento essencial para tornar a precificação de opções sob G-Expectativa viável computacionalmente, especialmente para esquemas explícitos que são mais rápidos por iteração, mas mais restritivos em termos de estabilidade.

Em suma, o artigo estabelece uma base sólida para a avaliação robusta de opções em ambientes de alta incerteza, combinando rigor matemático com eficiência computacional prática.