波动率模型:现货、期货及期货期权
波动率模型:期货波动率VS现货波动率
- 1. 主要思想
- 2. 模型推导
- 3. 参数估计
- 4. 模拟实验
Fackler, P. L., & Tian, Y. (1999). Volatility models for commodity markets.
1. 主要思想
期货价格的波动率和期权的隐含波动率依赖于基本面因素,尤其是现货的价格。(期权的隐含波动率暂时不关心)
VT(t)=e−k(T−t)σ(t)V_T(t) = e^{-k(T-t)} \sigma(t) VT(t)=e−k(T−t)σ(t)
其中,VT(t)V_T(t)VT(t)是期货价格的波动率,σ(t)\sigma(t)σ(t)是现货价格的波动率,kkk是即期对数现货价格向长期平均水平收敛的速度,T是期货剩余到期时间。e−k(T−t)e^{-k(T-t)}e−k(T−t)项(damping term)会使得波动率随着T的增加而降低。
VT1>VT2,forT1<T2V_{T_1} >V_{T_2} , \quad for \quad T_1 < T_2VT1>VT2,forT1<T2
e−k(T−t)e^{-k(T-t)}e−k(T−t)项很好的诠释了"萨缪尔森假设"(Samuelson 1965)或者"到期效应",Samuelson提出期货合约随着到期日的邻近其价格波动的幅度将逐渐增大。
2. 模型推导
为了验证这个思想,作者使用了一个随机微分方程(Hull-White模型)来表示对数现货价格的变化过程,如下所示:
dp=k(α(t)−p)dt+σ(t)dz,p=lnP(1)dp = k(\alpha(t)-p)dt + \sigma(t) dz, p =ln P \tag{1} dp=k(α(t)−p)dt+σ(t)dz,p=lnP(1)
可以证明:
α(t)=μ(t)+μ′(t)/k,σ2(t)=2kv(t)+v′(k)\alpha(t) = \mu(t) +\mu'(t)/k, \quad \sigma^2(t) = 2kv(t) +v'(k) α(t)=μ(t)+μ′(t)/k,σ2(t)=2kv(t)+v′(k)
其中ppp是现货价格的对数形式,dpdpdp相当于就是现货价格的收益率。α\alphaα和σ\sigmaσ是时间的函数(seasonal functions of time)。这个过程呈现了收益率均值的均值回归特性和波动率的周期性变动。kkk是即期对数现货价格向长期平均水平收敛的速度,α(t)\alpha(t)α(t)是长期平均即期对数现货价格。(与Schwartz不同的是,这里的长期平均水平是周期性/季节性变动的,波动率依然是如此。)μ\muμ和vvv是周期性函数,能从α\alphaα和σ2\sigma^2σ2推导出。
由(1)式可知,对数差分dpdpdp是服从正太分布的,p(t+h)p(t+h)p(t+h)条件均值和方差如下所示:
Et[p(t+h)]=μ(t+h)+e−kh(p(t)−μ(t)),Vart[p(t+h)]=v(t+h)−e−2khv(t)(2)E_t[p(t+h)] = \mu(t+h) +e^{-kh}(p(t)-\mu(t)), \\ Var_t[p(t+h)] = v(t+h) -e^{-2kh}v(t) \tag{2} Et[p(t+h)]=μ(t+h)+e−kh(p(t)−μ(t)),Vart[p(t+h)]=v(t+h)−e−2khv(t)(2)
参考文献:Schwartz, E. S. (1997). The stochastic behavior of commodity prices: Implications for valuation and hedging. The Journal of finance, 52(3), 923-973.
(1)式的原型来自于Schwartz, E. S. (1997)的论文,Schwartz建立了一个单因素的描述了均值回复的模型(Hull-White),假定现货价格服从以下的随机过程:
dS=k(μ−lnS)Sdt+σSdzdS = k(\mu - ln S)Sdt +\sigma S dzdS=k(μ−lnS)Sdt+σSdz
令X=lnSX=ln SX=lnS,并运动伊藤引理,可以得到:
dX=k(α−X)dt+σdzα=μ−σ22kdX = k(\alpha-X)dt +\sigma dz \\ \alpha = \mu - \frac{\sigma^2}{2k} dX=k(α−X)dt+σdzα=μ−2kσ2
其中k代表了均值回归调整速度,k>0,代表了均值回复到长期对数价格均值的速度。α\alphaα刻画了该过程的波动率。
现货价格的对数的条件均值和方差如下所示:
E0[X(T)]=e−kTX(0)+(1−e−kT)αVar0[X(T)]=σ22k(1−2e−2kT)E_0[X(T)] = e^{-kT} X(0) +(1 -e^{-kT}) \alpha \\ Var_0[X(T)] = \frac{\sigma^2}{2k} (1- 2e^{-2kT}) E0[X(T)]=e−kTX(0)+(1−e−kT)αVar0[X(T)]=2kσ2(1−2e−2kT)
由现货价格的对数正态分布的性质可以得到:
Et[P(T)]=exp(Et(p(T))+12Vart(p(T)))(3)E_t[P(T)] = exp(E_t(p(T)) + \frac{1}{2} Var_t(p(T))) \tag{3} Et[P(T)]=exp(Et(p(T))+21Vart(p(T)))(3)
到期时刻为T的期货的价格为现货价格在T时刻的期望的价格,结合(2)式和(3)式,可以得到:
F(P,t;T)=exp(μ(T)+e−k(T−t)(ln(P)−μ(t))+12(v(T)−e−2k(T−t)v(t)))(4)F(P,t;T) = exp(\mu(T) + e^{-k(T-t)}(ln(P)-\mu(t)) + \frac{1}{2}(v(T)-e^{-2k(T-t)}v(t) )) \tag{4} F(P,t;T)=exp(μ(T)+e−k(T−t)(ln(P)−μ(t))+21(v(T)−e−2k(T−t)v(t)))(4)
由(4)式可以得到F关于P的偏导数FpF_pFp:
Fp=∂F∂P=FPe−k(T−t)(5)F_p = \frac{\partial F}{\partial P} = \frac{F}{P} e^{-k(T-t)} \tag{5} Fp=∂P∂F=PFe−k(T−t)(5)
简化起见,假定剩余到期时间为T的期货价格是现货价格的函数(单因素的模型),如果现货价格过程是满足风险中性的,或者说没有风险溢价,那么期货价格是无漂移项的价格过程,如下所示:
dF=FVT(t)dz(6)dF = FV_T(t) dz \tag{6} dF=FVT(t)dz(6)
根据伊藤引理,我们可以得到:
dF=σ(t)PFpdz(7)dF = \sigma(t) P F_p dz \tag{7} dF=σ(t)PFpdz(7)
其中F是期货的价格,P是现货的价格,VT(t)V_T(t)VT(t)是期货价格的波动率,FpF_pFp是F对于P的偏导数。
VT(t)=e−k(T−t)σ(t)(8)V_T(t) = e^{-k(T-t)} \sigma(t) \tag{8} VT(t)=e−k(T−t)σ(t)(8)
详细推导:
假设X服从几何布朗运动,dX(t)=a(X(t),t)dt+b(X(t),t)dzdX(t) = a(X(t),t)dt +b(X(t),t)dzdX(t)=a(X(t),t)dt+b(X(t),t)dz,f是X的函数,令f((X(t),t))为X(t)的二阶连续可导函数(并对t一阶可导),由伊藤引理可得:
df=∂f∂tdt+∂f∂XdX+12∂2f∂X2(dX)2df = \frac{\partial f}{\partial t}dt + \frac{\partial f}{\partial X}dX +\frac{1}{2}\frac{\partial^2 f}{\partial X^2}(dX)^2 df=∂t∂fdt+∂X∂fdX+21∂X2∂2f(dX)2
将dX(t)=a(X(t),t)dt+b(X(t),t)dzdX(t) = a(X(t),t)dt +b(X(t),t)dzdX(t)=a(X(t),t)dt+b(X(t),t)dz代入上式中,并且省去比dt更高的项(dt)2(dt)^2(dt)2,就可以得到伊藤引理的一般形式:
df=(∂f∂t+∂f∂Xa+12∂2f∂X2b2)dt+∂f∂Xbdzdf = (\frac{\partial f}{\partial t} + \frac{\partial f}{\partial X}a +\frac{1}{2}\frac{\partial^2 f}{\partial X^2}b^2)dt+\frac{\partial f}{\partial X}bdz df=(∂t∂f+∂X∂fa+21∂X2∂2fb2)dt+∂X∂fbdz
可以看出f也是服从几何布朗运动的。
再回来本文,现货价格是服从几何布朗运动的,期货价格是现货价格的函数,那么可以得到上述的伊藤引理的一般公式,但由风险中性的条件可以推出期货价格过程是无漂移项的,也就是没有dt这一项,那么df=∂f∂Xbdz,b=σ(t)Sdf=\frac{\partial f}{\partial X}bdz, b=\sigma(t) Sdf=∂X∂fbdz,b=σ(t)S
3. 参数估计
式子(1)可以写成如下的形式:
pt=ct+Qtpt−1+ηt,t=1,....,NTp_t = c_t + Q_t p_{t-1} +\eta_t, \quad t=1,....,NT pt=ct+Qtpt−1+ηt,t=1,....,NT
其中:
ct=kα(t)Δt,Qt=1−kΔtc_t = k \alpha(t) \Delta t, \quad Q_t = 1- k \Delta t ct=kα(t)Δt,Qt=1−kΔt
ηt\eta_tηt,是无自相关的序列,并且服从正态分布,其期望和方差如下所示:
E(ηt)=0,Var(ηt)=σ2ΔtE(\eta_t)=0, \quad Var(\eta_t) = \sigma^2 \Delta t E(ηt)=0,Var(ηt)=σ2Δt
通过最小二乘方式来估计出参数QtQ_tQt就可以得到k的值。
4. 模拟实验
波动率模型:现货、期货及期货期权相关推荐
- R语言ARIMA-GARCH波动率模型预测股票市场苹果公司日收益率时间序列
原文链接:http://tecdat.cn/?p=23934 在本文中,我们将尝试为苹果公司的日收益率寻找一个合适的 GARCH 模型(点击文末"阅读原文"获取完整代码数据). 相 ...
- WINBUGS对随机波动率模型进行贝叶斯估计与比较
最近我们被客户要求撰写关于随机波动率模型的研究报告,包括一些图形和统计输出. 现有的有关财务模型的大多数文献都假设资产的波动性是恒定的.然而,这种假设忽略了波动聚类,高峰,厚尾,波动性和均值回复的实际 ...
- 【项目实战】Python基于波动率模型(ARCH和GARCH)进行股票数据分析项目实战
说明:这是一个机器学习实战项目(附带数据+代码+文档+代码讲解),如需数据+代码+文档+代码讲解可以直接到文章最后获取. 1.项目背景 在衍生产品定价和风险管理中,对当前波动率是很感兴趣的,这是因为需 ...
- 第20章 一些随机波动率模型的近似解
这学期会时不时更新一下伊曼纽尔·德曼(Emanuel Derman) 教授与迈克尔B.米勒(Michael B. Miller)的<The Volatility Smile>这本书,本意是 ...
- 第16章 局部波动率模型——对冲比率及奇异期权估值
这学期会时不时更新一下伊曼纽尔·德曼(Emanuel Derman) 教授与迈克尔B.米勒(Michael B. Miller)的<The Volatility Smile>这本书,本意是 ...
- 第19章 随机波动率模型入门
这学期会时不时更新一下伊曼纽尔·德曼(Emanuel Derman) 教授与迈克尔B.米勒(Michael B. Miller)的<The Volatility Smile>这本书,本意是 ...
- 第21章 随机波动率模型:无相关性时的微笑曲线
这学期会时不时更新一下伊曼纽尔·德曼(Emanuel Derman) 教授与迈克尔B.米勒(Michael B. Miller)的<The Volatility Smile>这本书,本意是 ...
- python 交易量化模型_Python期货股票量化交易,多品种组合模型之动量策略!
一.策略简介 动量交易策略源于股票或期货市场中的动量效应,所谓动量效应是指过去一段时间的收益较高的资产价格,那么,资产在未来一段时间内同样也能获得较高收益. 同样的,如果某一资产价格过去的波动越大,那 ...
- WinBUGS对多元随机波动率模型:贝叶斯估计与模型比较
在本文中,我们通过一个名为WinBUGS的免费贝叶斯软件,可以很容易地完成基于似然的多变量随机波动率(SV)模型的估计和比较.通过拟合每周汇率的双变量时间序列数据,九个多变量SV模型,包括波动率中的格 ...
- WinBUGS对多元随机波动率模型:贝叶斯估计 模型比较
在本文中,我们通过一个名为WinBUGS的免费贝叶斯软件,可以很容易地完成基于似然的多变量随机波动率(SV)模型的估计和比较.通过拟合每周汇率的双变量时间序列数据,九个多变量SV模型,包括波动率中的格 ...
最新文章
- python培训好学吗-Python爬虫培训好学吗?
- VC++ 监控指定目录改变
- php 通知数据库,如何通过php通知我的iPhone应用程序名称已添加到数据库?
- Github博客地址
- mysql报错乱码_连接mysql服务器报错时,出现乱码
- php获取推特feed twitter timeline feed
- Android 系统(216)---Android坐标分析过程
- android获取服务器时间格式,Android 获取服务器与客户端时差的实例代码
- mongodb的安装和sql操作
- httpd配置ResponseHeader
- 华为笔记本换装linux双系统,华为及荣耀笔记本装Deepin双系统不能引导Windows的解决...
- excel文档加密破解,简单操作亲测有效
- 【房屋租赁网管理系统】
- 分享线下活动丨物联网走进UIC
- h5解决外置浏览器和小程序跨域问题
- Wear OS手表应用开发教程之-监听手表按键以及获取按键信息-WearableButtons
- 医疗时鲜资讯:在线问诊可否采用熟人推荐“模式
- Uncaught Error: USERKEY_PLAT_NOMATCH 的原因和解决办法
- 2021-06-12Eclipse使用入门
- Python网易云音乐单曲爬取