第6节 蒙特卡罗模拟计算欧式期权价格
第6节 蒙特卡罗模拟计算欧式期权价格
- 6.1 简介
- 6.2 蒙卡模拟计算欧式期权价格算法
- 6.3 算法 Python 代码实现
- 6.4 计算示例
- 6.5 相关说明
- 6.5.1 股价变化离散化方式
- 6.5.2 期权价格标准差
- 6.5.3 离散化点数NNN的选取
6.1 简介
- 蒙特卡罗模拟
蒙特卡罗模拟是一种通过简单的随机抽样来模拟一个随机实验或者随机过程的方法。它主要包括三个部分:- 基本的随机数产生器。一般情况下我们可以直接使用编程语言常用库的随机数产生器。比如Python 中
random
模块中的random.random()
,它可以产生一个在[0, 1]之间的均匀分布的浮点随机数,或者numpy
里的random
类中包括的均匀分布、正态分布等几种常用随机数产生器。 - 需要模拟的随机试验或者随机过程。比如掷骰子,掷飞镖,布朗运动,或者泊松过程。
- 如何使用基本的随机数产生器模拟目标实验或者过程。
- 基本的随机数产生器。一般情况下我们可以直接使用编程语言常用库的随机数产生器。比如Python 中
- 蒙特卡罗模拟股价变化过程
考虑股票价格SSS的变化过程服从几何布朗运动,其连续形式为:
dS=Sμdt+σdz.dS = S\mu dt+\sigma dz.dS=Sμdt+σdz.
μ\muμ为收益率期望值,σ\sigmaσ为股价波动率,zzz为维纳过程,设μ\muμ和σ\sigmaσ为常数。股价变化的离散化形式为:
S(t+Δt)=S(t)(1+μΔt+σεΔt).S(t+\Delta t) = S(t)(1+\mu\Delta t+\sigma\varepsilon \sqrt{\Delta t}) .S(t+Δt)=S(t)(1+μΔt+σεΔt).
其中ε\varepsilonε为期望值为0,标准差为1的正态分布的一个随机抽样。如果我们将期权有效期0至TTT之间的时间划分为等间隔的NNN段,Δt=T/N\Delta t=T/NΔt=T/N。则我们需要独立地抽取NNN个正态分布随机数,以构成一条股票价格可能的变化路径。 - 蒙特卡罗模拟计算欧式期权价格
为了计算期权价格,我们需要在风险中性世界里模拟股票价格变化过程,即将μ\muμ取为无风险利率rrr。按照上述方式我们可以对股票价格变化过程进行抽样。每完成一次对股票价格变化过程的抽样,我们都会得到一个执行时刻TTT时的股票价格,它对应于一个期权价格。我们可以进行MMM次股票变化过程的抽样,将每次最终得到的期权价格放在一起取平均值,即为蒙特卡罗模拟计算出的期权价格。
6.2 蒙卡模拟计算欧式期权价格算法
- 确定股票价格离散化变化过程,Δt=T/N\Delta t = T/NΔt=T/N, ε\varepsilonε为一个标准正态分布抽样,则
S(t+Δt)=S(t)(1+rΔt+σεΔt).S(t+\Delta t) = S(t)(1+r\Delta t+\sigma\varepsilon \sqrt{\Delta t}).S(t+Δt)=S(t)(1+rΔt+σεΔt). - 由初始股票价格S(t=0)=S0S(t=0)=S_0S(t=0)=S0开始,使用正态分布随机数产生器产生ε\varepsilonε,根据股票价格离散化变化过程计算得股票价格在Δt\Delta tΔt时间后的数值。连续抽样计算直到得到执行时刻的股票价格,完成一次股票价格变化过程的抽样。
- 由股票价格变化过程的抽样结果计算出相应欧式期权执行时刻的价格。
- 重复步骤2和3,共MMM次,将MMM个得到的期权价格取算术平均值,然后乘以贴现系数e−rTe^{-rT}e−rT,即得到蒙卡模拟计算欧式期权价格结果。
6.3 算法Python代码实现
import numpy as np
import math class Monte_Carlo_European_option:def __init__(self, r, sigma, S_0, K, T, N, M):self.r = rself.sigma = sigmaself.S_0 = S_0self.K = Kself.T = Tself.N = Nself.M = Mself.call_price = Noneself.put_price = Nonedef MC_simulation(self):self.call_price = 0self.put_price = 0dt = self.T/self.N# 抽样 M 次股价变化过程。for i in range(self.M):S = self.S_0# 股价变化过程由 N 次对正态分布抽样构成。for j in range(self.N):S = S*(1+self.r*dt+self.sigma*dt**0.5*np.random.normal())# 另一种离散化表示:# S = S*math.e**((self.r-0.5*self.sigma*self.sigma)*dt+self.sigma*dt**0.5*np.random.normal())self.call_price += max(0, S-self.K)/self.Mself.put_price += max(0, self.K-S)/self.Mself.call_price *= math.e**(-self.r*self.T)self.put_price *= math.e**(-self.r*self.T)return
6.4 计算示例
考虑当无风险利率为0.05,股价波动率为0.2,初始股价为90,执行价格为100,执行时间为1年后的欧式期权。取N=400,Δt=0.0025N=400,\, \Delta t= 0.0025N=400,Δt=0.0025, 进行M=40000M=40000M=40000次蒙卡模拟股价变化过程,并计算期权价格。
MC_obj = Monte_Carlo_European_option(0.05, 0.2, 90, 100, 1, 400, 40000)
MC_obj.MC_simulation()
print("欧式看涨期权价格:{0:.5f}".format(MC_obj.call_price))
print("欧式看跌期权价格:{0:.5f}".format(MC_obj.put_price))
# 解析解:“欧式看涨期权价格为:5.0912, 欧式看跌期权价格为:10.214” 。
欧式看涨期权价格:5.03626
欧式看跌期权价格:10.13694
6.5 相关说明
6.5.1 股价变化过程离散化
上面我们使用的股价变化的离散化表示为:
S(t+Δt)=S(t)(1+rΔt+σεΔt).S(t+\Delta t) = S(t)(1+r\Delta t+\sigma\varepsilon \sqrt{\Delta t}) . S(t+Δt)=S(t)(1+rΔt+σεΔt).
但如果我们认为股价变化的“真实”过程为连续的几何布朗运动,则由
dlnS(t)=(r−12σ2)dt+σdz,lnS(t+Δt)−lnS(t)=(r−12σ2)Δt+σεΔt.d\ln{S(t)} = (r-\frac{1}{2}\sigma^2)dt+\sigma dz, \\ \ln{S(t+\Delta t)}-\ln{S(t)} = (r-\frac{1}{2}\sigma^2)\Delta t +\sigma\varepsilon \sqrt{\Delta t} . dlnS(t)=(r−21σ2)dt+σdz,lnS(t+Δt)−lnS(t)=(r−21σ2)Δt+σεΔt.
股价变化过程应该为:
S(t+Δt)=S(t)e(r−12σ2)Δt+σεΔt.S(t+\Delta t) = S(t)e^{(r-\frac{1}{2}\sigma^2)\Delta t+\sigma\varepsilon\sqrt{\Delta t}}.S(t+Δt)=S(t)e(r−21σ2)Δt+σεΔt.
不过我们会看到当N→∞,Δt→0N\to \infty, \, \Delta t \to 0N→∞,Δt→0时,按这两种离散化方式计算得出S(T)1S(T)_1S(T)1和S(T)2S(T)_2S(T)2满足同样的分布。
记
S(T)1=S0∏i=1N(1+rΔt+σεiΔt),S(T)2=S0e(r−12σ2)ΔtN+σΔt∑i=1Nεi.S(T)_1 = S_0\prod_{i=1}^N(1+r\Delta t+\sigma\varepsilon_i\sqrt{\Delta t}),\\ S(T)_2 = S_0e^{(r-\frac{1}{2}\sigma^2)\Delta tN+\sigma\sqrt{\Delta t}\sum_{i=1}^N\varepsilon_i} . S(T)1=S0i=1∏N(1+rΔt+σεiΔt),S(T)2=S0e(r−21σ2)ΔtN+σΔt∑i=1Nεi.
考虑取对数后,
lnS(T)1=lnS0+∑i=1Nln(1+rΔt+σεiΔt),lnS(T)2=lnS0+(r−12σ2)ΔtN+σΔt∑i=1Nεi.\ln{S(T)_1} = \ln{S_0}+\sum_{i=1}^N\ln{(1+r\Delta t+\sigma\varepsilon_i\sqrt{\Delta t})}, \\ \ln{S(T)_2} = \ln{S_0}+(r-\frac{1}{2}\sigma^2)\Delta t N+\sigma \sqrt{\Delta t}\sum_{i=1}^N\varepsilon_i . lnS(T)1=lnS0+i=1∑Nln(1+rΔt+σεiΔt),lnS(T)2=lnS0+(r−21σ2)ΔtN+σΔti=1∑Nεi.
将lnS(T)1\ln{S(T)_1}lnS(T)1中对数部分展开,
lnS(T)1=lnS0+∑i=1N(rΔt+σεi)Δt−12∑i=1N(rΔt+σεi)2Δt+13∑i=1N(rΔt+σεi)3(Δt)32+...\ln{S(T)_1} = \ln{S_0}+\sum_{i=1}^N(r\sqrt{\Delta t}+\sigma\varepsilon_i)\sqrt{\Delta t}-\frac{1}{2}\sum_{i=1}^N (r\sqrt{\Delta t}+\sigma\varepsilon_i)^2\Delta t+\frac{1}{3}\sum_{i=1}^N(r\sqrt{\Delta t}+\sigma \varepsilon_i)^3(\Delta t)^{\frac{3}{2}}+ ... lnS(T)1=lnS0+i=1∑N(rΔt+σεi)Δt−21i=1∑N(rΔt+σεi)2Δt+31i=1∑N(rΔt+σεi)3(Δt)23+...
由于rrr和σ\sigmaσ不变,忽略Δt32\Delta t^{\frac{3}{2}}Δt23项(当N→∞N\to \inftyN→∞时为0)后,
lnS(T)1=lnS0+rΔtN+σΔt∑i=1Nεi−12σ2Δt∑i=1Nεi2.\ln{S(T)_1} = \ln{S_0}+r\Delta tN+\sigma\sqrt{\Delta t}\sum_{i=1}^N\varepsilon_i-\frac{1}{2}\sigma^2\Delta t\sum_{i=1}^N \varepsilon_i^2 . lnS(T)1=lnS0+rΔtN+σΔti=1∑Nεi−21σ2Δti=1∑Nεi2.
当N→∞,NΔt=TN\to \infty,\; N\Delta t = TN→∞,NΔt=T,1N∑i=1Nεi2=1,∑i=1Nεi∼Nε\frac{1}{N}\sum_{i=1}^N\varepsilon_i^2 = 1,\; \sum_{i=1}^{N}\varepsilon_i\sim \sqrt{N}\varepsilonN1∑i=1Nεi2=1,∑i=1Nεi∼Nε,所以
lnS(T)1∼lnS0+(r−12σ2)T+σTε,lnS(T)1∼N(lnS0+(r−12σ2)T,σT).\ln{S(T)_1} \sim \ln{S_0}+(r-\frac{1}{2}\sigma^2)T+\sigma\sqrt{T}\varepsilon ,\\ \ln{S(T)_1} \sim \mathcal N(\ln{S_0}+(r-\frac{1}{2}\sigma^2)T, \; \sigma\sqrt{T}) . lnS(T)1∼lnS0+(r−21σ2)T+σTε,lnS(T)1∼N(lnS0+(r−21σ2)T,σT).
而且易见lnS(T)2∼N(lnS0+(r−12σ2)T,σT)\ln{S(T)_2} \sim \mathcal N(\ln{S_0}+(r-\frac{1}{2}\sigma^2)T, \; \sigma\sqrt{T})lnS(T)2∼N(lnS0+(r−21σ2)T,σT)。
所以当NNN趋于无穷大时,两种离散化方式抽样所得的S(T)S(T)S(T)的分布是相同的,而且就为股价服从连续的几何布朗运动时的S(T)S(T)S(T)分布。
6.5.2 期权价格标准差
蒙卡模拟计算的期权价格为MMM次股价变化过程抽样结果对应期权价格的平均值并贴现。如果每一次股价抽样所得的期权价格的标准差为ω\omegaω,则MMM次蒙卡模拟计算的期权价格的标准差为:
ωM.\frac{\omega}{\sqrt{M}}.Mω.
以欧式看涨期权为例,
ω2=∫0+∞f(ST)e−2rT[max(ST−K,0)]2dST−c2.\omega^2 = \int_{0}^{+\infty}f(S_T)e^{-2rT}[\max{(S_T-K, 0)}]^2 dS_T - c^2 .ω2=∫0+∞f(ST)e−2rT[max(ST−K,0)]2dST−c2.
其中f(ST)f(S_T)f(ST)为执行时刻股价分布的概率密度函数,KKK为期权执行价格,ccc为欧式看涨期权的价格。下面略去计算过程,我们有
c=S0N(d1)−Ke−rTN(d2),d1=lnS0K+(r+12σ2)TσT,d2=d1−σT,f(ST)=1ST12πσ0e−(lnST−μ0)22σ02,σ0=σT,μ0=lnS0+(r−12σ2)T.c = S_0N(d_1)-Ke^{-rT}N(d_2), \;\; d_1 = \frac{\ln{\frac{S_0}{K}}+(r+\frac{1}{2}\sigma^2)T}{\sigma\sqrt{T}}, \;\; d_2 = d_1-\sigma\sqrt{T},\\ f(S_T) = \frac{1}{S_T}\frac{1}{\sqrt{2\pi}\sigma_0}e^{-\frac{(\ln{S_T}-\mu_0)^2}{2\sigma_0^2}}, \;\;\sigma_0 = \sigma\sqrt{T},\;\;\mu_0 = \ln{S_0}+(r-\frac{1}{2}\sigma^2)T. c=S0N(d1)−Ke−rTN(d2),d1=σTlnKS0+(r+21σ2)T,d2=d1−σT,f(ST)=ST12πσ01e−2σ02(lnST−μ0)2,σ0=σT,μ0=lnS0+(r−21σ2)T.
代入ω2\omega^2ω2的表达式,计算得:
ω2=K2e−2rTN(d2)−2KS0e−rTN(d1)+S02eσ2TN(lnS0K+(r+32σ2)TσT)−[S0N(d1)−Ke−rTN(d2)]2.\omega^2 = K^2e^{-2rT}N(d_2)-2KS_0e^{-rT}N(d_1)+S_0^2e^{\sigma^2T}N(\frac{\ln{\frac{S_0}{K}}+(r+\frac{3}{2}\sigma^2)T}{\sigma\sqrt{T}})-[S_0N(d_1)-Ke^{-rT}N(d_2)]^2 . ω2=K2e−2rTN(d2)−2KS0e−rTN(d1)+S02eσ2TN(σTlnKS0+(r+23σ2)T)−[S0N(d1)−Ke−rTN(d2)]2.
考虑上面计算示例中,无风险利率为0.05,股价波动率为0.2,初始股价为90,执行价格为100,执行时间为1年后的欧式看涨期权。代入相关参数,得
ω=10.162.\omega = 10.162 .ω=10.162.
我们抽样股价路径M=40000M=40000M=40000次后,计算出的欧式看涨期权价格的标准差为
ωM=10.162200=0.05081.\frac{\omega}{\sqrt{M}} = \frac{10.162}{200} = 0.05081 .Mω=20010.162=0.05081.
6.5.3 离散化点数NNN的选取
进行蒙特卡罗模拟抽样计算期权价格时,误差的来源有两方面。一方面是上面我们计算的和股价变化路径抽样数量MMM相关的误差,另一方面是我们在对股票价格变化过程离散化时产生的误差(相对于连续变化时股价最终分布的差别)。由6.5.1中讨论知当离散化点数NNN趋于无穷大时,我们对股价变化过程的抽样模拟将和股价按连续几何布朗运动的结果相同。
下面我们定量地测试选取不同NNN时,期权价格计算结果会如何变化。这里我们使用和示例中一样的参数,但是取MMM为36万,这样会使得ω/M≈0.02\omega/\sqrt{M} \approx 0.02ω/M≈0.02,即使与抽样股价路径数量相关的误差很小。得下图,
其中每个数值点为按上述蒙卡抽样计算期权价格25次后的平均值,数值点上的置信区间为[−σ,σ][-\sigma, \sigma][−σ,σ]。由于我们可以使用欧式看涨期权解析解计算得期权价格应该为5.0912,通过上图可见,当我们选取N>50N>50N>50之后,蒙卡模拟计算所得期权价格已经比较接近解析解结果了。
# Appendix.# Calculate call prices vs Ns.
k = 25
Ns = []
prices = []for N in [5, 10, 20, 50, 100]:for _ in range(k):Ns.append(N)MC_obj = Monte_Carlo_European_option(0.05, 0.2, 90, 100, 1, N, 360000)MC_obj.MC_simulation()prices.append(MC_obj.call_price)
# Make plot.
import matplotlib.pyplot as plt
import matplotlib.lines as lines
import numpy as npfig = plt.figure()
ax1 = fig.add_subplot(1, 1, 1)k = 25
X = [5, 10, 20, 50, 100]
Y = []
errors = []
for i in range(5):Y.append(np.average(prices[k*i:k*(i+1)]))errors.append(np.std(prices[k*i:k*(i+1)]))ax1.plot(X, Y, color="yellow", marker="s", linewidth=0.9, ms=5, mfc="blue", mec="black")
ax1.errorbar(X, Y, errors, ecolor="red", capsize=4, capthick=0.8, elinewidth=0.8)# line1 = lines.Line2D([5, 100], [5.0912, 5.0912], lw=1, color="black", transform=ax1.transAxes)
# ax1.lines.append(line1)ax1.axis((0, 110, 4.9, 5.15))
ax1.set_xlabel("stock price change steps")
ax1.set_ylabel("European call option price")
ax1.set_title("European Call Option Prices VS Dissection Steps")
ax1.grid(True)fig.savefig("6_1.png", dpi=400)
fig.show()
参考资料:
- 《期权、期货及其他衍生产品》,John C. Hull 著,王勇、索吾林译 。
第6节 蒙特卡罗模拟计算欧式期权价格相关推荐
- 第8节 蒙卡模拟计算美式期权价格(a)
第8节 蒙卡模拟计算美式期权价格(a) 8.1 简介 8.2 最小二乘法计算美式期权价格 8.3 算法Python代码实现 8.4 计算示例 8.5 相关说明 8.5.1 美式看涨期权不会被提前行使 ...
- 第9节 蒙卡模拟计算美式期权价格(b)
第9节 蒙卡模拟计算美式期权价格(b) 9.1 简介 9.2 参数化执行边界算法 9.3 算法Python代码实现 9.4 计算示例 9.5 参考资料 9.1 简介 使用蒙卡模拟计算美式期权价格除了最 ...
- 蒙特卡罗模拟_Stata博文 | 使用蒙特卡罗模拟计算功率part 1:基础知识
功率和样本大小的计算是科学研究计划的重要组成部分.可以使用Stata的power命令来计算许多常用统计测试的功率和样本大小需求.但对于更复杂的模型是没有简单公式的,如多层/纵向模型和结构方程模型(SE ...
- 第7节 蒙卡模拟计算路径依赖型期权价格
第7节 蒙卡模拟计算路径依赖型期权价格 7.1 简介 7.2 蒙卡模拟计算回望/亚式期权算法 7.3 算法 Python 代码实现 7.4 计算示例 7.5 相关说明 7.5.1 由均匀分布产生正态分 ...
- matlab历史模拟法计算var,历史模拟法、蒙特卡罗模拟法计算VaR和ES值
一.知识点介绍 1.1 历史模拟法 我们在之前有用到Delta-Normal的GARCH和RiskMetrics方法来计算VaR和ES,假设的是残差满足正态分布,对残差进行二次相关序列的建模并拟合残差 ...
- 第2节 二叉树计算欧式和美式期权价格
第2节 二叉树计算欧式和美式期权价格 2.1 简介 2.2 二叉树计算期权价格算法 2.3 计算过程 Python 代码实现 2.4 相关说明 2.4.1 计算例子 2.4.2 树形定价收敛情况 1. ...
- 第10节 显示有限差分法计算期权价格
第10节 显示有限差分法计算期权价格 10.1 简介 10.2 计算美式看跌期权价格算法 10.3 算法Python代码实现 10.4 参考资料 10.1 简介 有限差分法\bf有限差分法有限差分法 ...
- 第1节 欧式期权价格
第1节 欧式期权价格 1.1 简介 1.2 Python 代码实现计算 1.3 细节说明 1.3.1 参数说明 1.3.2 价格和价值 1.3.3 正态分布累计概率函数N(x)N(x)N(x) 1.3 ...
- 二维蒙特卡洛模拟居里温度_蒙特卡罗方法计算居里温度(上)
声明:旨在自学一些物理概念和计算方法后整理的笔记和心得,本文基于Kotze先生的Introduction to Monte Carlo methods for an Ising Model of a ...
- Python蒙特卡罗(Monte Carlo)模拟计算投资组合的风险价值(VaR)
最近我们被客户要求撰写关于风险价值(VaR)的研究报告,包括一些图形和统计输出. 如何使用Python通过蒙特卡洛模拟自动计算风险值(VaR)来管理投资组合或股票的金融风险. 金融和投资组合风险管理中 ...
最新文章
- 国内首个无人船研发测试基地建成
- 每个人都应该知道的25个大数据术语
- 面试题整理12 求字符串括号最大深度子串
- Python初学者选择集成开发环境的原则!可以从以下几个方面着手
- Jmeter对HTTP请求压力测试、并发测试的简单使用方法
- Swift中的延迟加载(懒加载)
- Swift中的闭包例子
- 设计模式系列漫谈之一 - 观察者模式
- 被新款iPad和AirPods拯救的苹果 夺回全球市值最高公司宝座
- UI展示样机素材|让作品看起来毫无痕迹,还原场景!
- Mysql Literal(文字,既常量)
- python中文分词统计_python 实现中文分词统计
- “21天好习惯”第一期-6
- python---Unicode编码问题
- 阶段5 3.微服务项目【学成在线】_day04 页面静态化_15-页面静态化-模板管理-模板管理业务流程...
- Java练习题--员工类案例练习
- PeopleSoft概述及开发工具(application desinger)介绍
- kubelet报错:Orphaned pod “$Pod“ found, but volume paths are still present on disk
- 12306网站服务器时间限制,12306网上订票时间限制
- 写给两个月前的自己的一封信
热门文章
- 人机工程学/人因工程学的定义
- JAVA学习,你必读的5本JAVA书籍
- vue2.0分页组件,
- Discuz收费插件模版合集包;discuz大部分插件下载地址;http://pan.baidu.com/s/1nt5hwU1
- ITIL4服务管理的新思路与实践案例介绍
- 计算机能直接和cpu交换数据的是,内存储器_能直接与CPU交换信息的存储器是
- FFmpeg —— Linux下使用ffmpeg硬件cuda解码mp4,并加入简单cv处理,sdl渲染窗口(附源码)
- ManualResetEvent类的用法
- 使用fdisk给新增加硬盘分区
- 鲁大师软件测试在哪,鲁大师测网速(鲁大师网速测试在哪里)