Risk-indifference Pricing of American-style Contingent Claims

✨

这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

Each language version is independently generated for its own context, not a direct translation.

这篇论文探讨了一个非常有趣且实际的问题：如何给“美式期权”（American Options）定价？

为了让你轻松理解，我们可以把金融市场想象成一个巨大的**“天气预测与雨伞交易”市场**。

1. 核心场景：什么是美式期权？

想象你是一家卖伞的公司（卖方），而我是你的客户（买方）。

欧式期权：就像我们约定，只能在下个月 1 号这一天，如果下雨，你才给我赔钱。
美式期权：就像我们约定，在未来三个月内的任何一天，只要我觉得要下雨了，我就可以随时行使权利，让你赔钱给我。

难点在于：作为卖方，你不知道我具体会在哪一天决定“要下雨了”（行使权利）。这种“不确定性”让定价变得非常复杂。

2. 传统方法的困境：没有标准答案

在完美的世界里（比如经典的布莱克 - 斯科尔斯模型），有一个唯一的“公平价格”。但在现实世界中，市场是不完美的（比如股票价格波动像疯了一样，也就是论文里说的“随机波动率”）。
这时候，传统的“无套利原则”只能给出一个巨大的价格区间：

最高价：卖方为了绝对不亏本，敢要的最高价。
最低价：买方为了绝对不亏本，愿意出的最低价。
这个区间太宽了，就像说“这把伞值 1 块钱到 100 块钱”，对实际交易毫无帮助。我们需要一个更合理的“公平价格”。

3. 论文的核心方案：风险“ indifference”（无差异）定价

论文提出了一种叫**“风险无差异定价”**的方法。

通俗解释：

对卖方来说：这个价格是多少，让我觉得“卖给你这把伞”和“不卖给你，自己留着伞”在承担的风险上是一模一样的？
对买方来说：这个价格是多少，让我觉得“花这笔钱买伞”和“不买伞”在承担的风险上是一模一样的？

这就好比：你愿意花多少钱买保险，让你觉得“买了保险”和“没买保险但心里很慌”在心理负担上是一样的？

4. 关键创新：买卖双方的“信息不对称”

这篇论文最聪明的地方在于，它承认买卖双方看到的“世界”是不一样的：

买方：可能有一些内部消息，或者更敏锐的直觉，知道什么时候该行使权利（比如他看到乌云密布，知道马上要下雨）。
卖方：只能看到公开的市场数据，不知道买方具体什么时候会“出招”。

论文设计了一套数学规则，让卖方在定价时，必须考虑到买方可能会在“最坏的时刻”（对卖方最不利的时候）行使权利，同时卖方自己也要通过交易来对冲风险。

5. 数学工具：像俄罗斯套娃一样的方程

为了算出这个价格，作者用到了非常复杂的数学工具，叫**“反射随机微分方程”（RBSDE）**。

打个比方：
想象你在玩一个**“弹球游戏”**：

主球（期权价格）：在房间里乱弹。
墙壁（反射边界）：这个墙壁不是固定的，它本身也是一个在动的球（由另一个方程决定）。
规则：主球碰到墙壁时，不能穿过去，必须反弹。而墙壁的位置，取决于你手里剩下的“零风险合约”的价值。

论文发现，美式期权的定价，就是解这样一个**“球撞在另一个动球上”**的方程组。这反映了：即使买方行使了权利，卖方手里剩下的风险（从行权日到到期日）并没有消失，还需要继续管理。

6. 怎么算出来的？用“深度学习”（AI）

这种“球撞动球”的方程太复杂了，传统的计算机算不出来，或者算得极慢。
作者们使用了最新的**人工智能（深度学习）**技术来模拟这个过程。

他们训练了一个神经网络（就像教一个超级聪明的学生）。
这个学生通过成千上万次的模拟（模拟下雨、模拟行权），学会了如何预测那个复杂的“动球墙壁”在哪里，从而算出了公平价格。

7. 结论与意义

论文通过一个具体的例子（美式看跌期权）展示了这个方法：

结果：算出来的“买方价格”和“卖方价格”非常接近，这很合理，说明市场是有效的。
价值：
1. 理论突破：第一次在连续时间、信息不对称的情况下，完美定义了美式期权的“风险无差异价格”。
2. 实用工具：证明了用 AI（深度学习）可以解决这种以前被认为“算不出来”的复杂金融问题。

一句话总结：
这篇论文就像给复杂的金融衍生品交易设计了一套**“智能天平”。它考虑到买卖双方信息不同、风险偏好不同，利用AI 技术**解开了一个像“俄罗斯套娃”一样复杂的数学难题，从而给出了一个既公平又实用的美式期权价格。

Each language version is independently generated for its own context, not a direct translation.

论文技术总结：美式或有债权的风险中性定价

1. 研究背景与问题定义

核心问题：美式期权（American Options）的定价一直是金融数学中的活跃领域。与欧式期权不同，美式期权允许持有人在到期前的任何时刻行权，这引入了最优停止问题。
市场不完备性：在完全市场中，无套利原则能给出唯一价格；但在不完备市场（如随机波动率模型）中，无套利原则仅能提供较宽的价格区间（超对冲和次对冲价格），缺乏实际指导意义。
现有方法的局限：
- 传统的效用最大化（Utility Maximization）框架下的无差异定价（Indifference Pricing）虽然被广泛研究，但通常基于特定的效用函数。
- 现有的美式期权无差异定价文献多假设买卖双方的信息集（Filtration）相同，且对卖方策略的“非预期性”（Non-anticipativity）处理不够严谨，特别是当卖方不知道买方的具体行权时间时。
- 缺乏基于完全动态凸风险度量（Fully Dynamic Convex Risk Measures）的美式期权定价理论框架。
本文目标：建立一套基于完全动态凸风险度量的美式期权无差异定价通用框架，允许买卖双方拥有不同的信息集，并将定价问题转化为随机微分方程（BSDE）的数值求解问题。

2. 方法论与理论框架

2.1 通用设置：不同信息集下的无差异定价

论文首先在一个一般的半鞅市场框架下定义了买卖双方的无差异价格，允许买方（Buyer）和卖方（Seller）拥有不同的信息流（Filtration）：

信息不对称：买方拥有信息流 $\mathcal{F}^{buy}$ ，卖方拥有 $\mathcal{F}^{sell}$ 。卖方不知道买方具体的行权时间 $\tau$ （这是一个关于 $\mathcal{F}^{buy}$ 的停时），只能观察到资产路径。
策略选择函数：为了解决卖方在未知行权时间下的对冲问题，作者引入了**策略选择函数（Strategy Selection Functions）**集合 $\mathcal{H}'_{sell}$ 。该集合定义了卖方在观察到行权时间 $\tau$ 后如何更新对冲策略，确保策略在 $\mathcal{F}^{sell}$ 扩展后的信息流下是适应的且非预期的。
定价定义：
- 卖方价格 ( $P^{sell}_t$ )：卖方在时刻 $t$ 的无差异价格，定义为使得卖方在持有期权并采用最优对冲策略后的剩余风险，与不持有期权（仅对冲）的剩余风险相等的价格。卖方需考虑买方在所有可能的停时中对其最不利的选择（最坏情况）。
- 买方价格 ( $P^{buy}_t$ )：买方在时刻 $t$ 的无差异价格，定义为使得买方购买期权并选择最优行权时间和对冲策略后的风险，与不购买期权时的风险相等的价格。买方通过优化行权时间来最小化风险。
无套利性质：论文证明了在定义的框架下，这些价格是无套利的（即不存在无风险获利机会）。

2.2 随机波动率模型与 BSDE-R-BSDE 表征

在具体的随机波动率模型（Stochastic Volatility Models）中，作者利用**向后随机微分方程（BSDE）**来刻画风险度量：

风险度量：使用由驱动函数（Driver） $g$ 定义的完全动态凸风险度量。
核心发现：美式期权的无差异价格可以通过反射向后随机微分方程（RBSDE）在另一个 BSDE 上的反射来表征，即 BSDE-R-BSDE 系统。
- 卖方价格： $P^{sell}_t = \check{R}^\xi_t - \check{R}^0_t$ $P_{t}^{se l l} = \overset{ˇ}{R}_{t}^{ξ} - \overset{ˇ}{R}_{t}^{0}$ 。其中 $\check{R}^\xi$ $\overset{ˇ}{R}^{ξ}$ 是一个 RBSDE，其反射边界（Reflection Boundary）本身由另一个 BSDE（记为 $Y$ $Y$ ）给出。
  - 经济解释：反射边界 $\zeta_u + Y_u$ 不仅包含期权的行权价值 $\zeta_u$ ，还包含了从行权时刻到到期日持有“零合约”（即无头寸）的剩余风险。这反映了期权行权后，市场对冲风险并未立即消失，而是延续到到期日。
- 买方价格： $P^{buy}_t = \hat{R}^\xi_t - \hat{R}^0_t$ ，具有类似的结构，但驱动函数的符号和形式根据买方优化目标有所调整。
完全市场特例：在 Black-Scholes 模型（完全市场）下，该系统退化为经典 BSDE，买卖价格收敛于唯一的无套利价格。

3. 数值实现：深度学习

由于 BSDE-R-BSDE 系统涉及高维（4 维：2 个前向 SDE 和 2 个后向 SDE）且结构复杂，传统数值方法难以处理。

算法：采用 RDBDP (Reflected Deep Backward Dynamic Programming) 算法（基于 Huré, Pham 和 Warin 的工作）。
实现细节：
- 使用深度神经网络（DNN）来近似 BSDE 的解（ $Y$ 和 $Z$ 分量）。
- 采用“两步法”：首先求解边界条件的 BSDE（对应零行权价值），得到反射边界；然后利用该边界求解主 RBSDE。
- 使用 TensorFlow 框架，Adam 优化器，ReLU 激活函数。
案例研究：对美国看跌期权（American Put Option）进行定价，使用扭曲的熵风险度量（Distorted Entropic Risk Measure）和反正切随机波动率模型（Arctangent SV Model）。

4. 主要结果

理论结果：
- 建立了美式期权在买卖双方信息不对称下的严格无差异定价定义。
- 证明了在随机波动率模型下，无差异价格等价于 BSDE-R-BSDE 系统的解。
- 揭示了反射边界的经济含义：它包含了行权后的剩余风险对冲成本。
数值结果：
- 买卖价差：在模拟中，买方和卖方的无差异价格差异（Bid-Ask Spread）作为绝对金额很小，但在隐含波动率（Implied Volatility）层面差异更明显，符合市场观察到的“微笑”形态。
- 美式 vs 欧式：美式期权与欧式期权的无差异价格差异较小，但大于美式期权买卖双方的价格差异。
- 有效性：深度学习方法成功解决了高维 BSDE-R-BSDE 系统，验证了理论框架的可计算性。

5. 创新点与贡献

信息不对称的严谨处理：首次提出了在连续时间、信息不对称（不同过滤）框架下，针对美式期权的卖方无差异定价定义，特别是通过“策略选择函数”解决了卖方在未知行权时间下的对冲策略构建问题。
BSDE-R-BSDE 表征：揭示了美式期权风险中性定价与“反射在 BSDE 上的 RBSDE"之间的深刻联系。这种结构创新性地捕捉了行权后风险对冲的延续性。
深度学习应用：将前沿的深度学习算法（RDBDP）应用于解决复杂的 BSDE-R-BSDE 系统，为高维美式衍生品定价提供了可行的数值工具。
通用框架：不仅限于特定效用函数，而是基于更广泛的凸风险度量，使其更贴近现代金融监管和工业界的风险管理实践。

6. 意义与展望

理论意义：填补了美式期权在动态风险度量框架下定价理论的空白，特别是解决了信息不对称带来的策略定义难题。
实践意义：为金融机构在不完备市场中为美式衍生品（如员工股票期权、可转换债券等）确定合理的买卖报价提供了理论依据和计算工具。
未来方向：论文提到该框架可扩展至“影子交易”（Shadow Trading）场景，即利用内幕信息（如非交易资产信息）进行衍生品定价，这为监管套利和合规交易研究提供了新思路。

总结：该论文通过结合凸风险度量理论、随机控制理论和深度学习技术，为美式期权在复杂市场环境下的定价提供了一个严谨、通用且可计算的解决方案，特别是在处理买卖信息不对称和行权后风险延续性方面做出了重要突破。