Volatilitätsmodelle in der Praxis
Transcrição
Volatilitätsmodelle in der Praxis
Volatilitätsmodelle in der Praxis Hans Bühler Global Quantitative Research, Deutsche Bank AG Global Equities [email protected] http://www.dbquant.com Berlin, May 8th 2003 Deutsche Bank Global Equities - Global Quantitative Research Slide 2 Übersicht n Die implizite Volatilitätsstruktur – n n Eigenschaften, Implikationen Modellierung mit Ein-Faktor-Modellen – Dupire, Derman-Kani – Eigenschaften und Konsequenzen. Modellierung mit stochastischer Volatilität – Prinzipien, Pricing und Hedging – Beispiel: Heston, CGMY Vergleich verschiedener Modelle n Zusammenfassung n Deutsche Bank Global Equities - Global Quantitative Research Slide 3 Implied Volatility n Die “implizite Volatilität” einer Option wird durch Inversion der Black&Scholes-Formel berechnet (gegeben Marktpreis, Discountfaktor und Forward). n Das Black&Scholes-Model dSt = (rt - d t ) St dt + s t St dWt verwendet eine deterministische Volatilität - demzufolge müssten alle Optionen mit einer gemeinsamen Laufzeit die gleiche Volatilität implizieren. ® Dies ist leider nicht der Fall: Deutsche Bank Global Equities - Global Quantitative Research Slide 4 Implizite Volatilität - Nikkei 225 am 15.April 2003 50 45 40 35 30 25 20 Mar-10 15 5% Sep-07 40% 75% Strike/Spot Mar-05 110% 145% 180% Maturity Jun-03 Deutsche Bank Global Equities - Global Quantitative Research Slide 5 Der Smile n n Eingenschaften: – Die Volatiliät steigt bei fallendem Strike (Optionen sind teurer). – Dieser “Smile” läßt bei längerer Laufzeit nach. – Seine spezielle Form hängt vom Markt ab. – Existiert in ausgeprägter Form seit 1987. Warum existiert der Smile: – Asymmetrie in der Riskobewertung von Preisbewegungen. – Historische Korrelation zwischen Volatilität und Preisniveau ist negativ. – Puts werden zur Kreditsicherung eingesetzt. Deutsche Bank Global Equities - Global Quantitative Research Slide 6 “Pricing with a Smile” (Dupire Risk Jan 1994) n n Viele exotische Produkte sind Smile-senstiv: – Barriers, z.B. “up-and-out” call: 1{sup t £T S t < B } × (S T - K ) – Convertible Bonds – Altiplanos – Conditional Trigger Swaps – etc. + Dies erfordert die Abkehr vom klassischen Black&ScholesModel und den Übergang zu erweiterten Modellen Deutsche Bank Global Equities - Global Quantitative Research Slide 7 Modellierung - Anforderungen n n Entwicklung neuer Modelle mit den Zielen – den Smile mit einem Model konsistent zu reproduzieren, – strukturierte Produkte effizient zu preisen und – abzusichern. Weitergehende Fragen – Stabilität des Prozesses über die Zeit (® Rekalibrierung) – Implizite dynamik des Prozesses (® Forward-Started Options) Deutsche Bank Global Equities - Global Quantitative Research Slide 8 Modellierung - Konzepte n n Ein-Faktor Modelle – Dupire: Local volatility – Derman, Kani: Implied Trees Stochastic Volatility – Merton: Jump Diffusion – Heston: Square-Root process – Bates: Heston and Merton zusammen – Carr, German, Medan, Yor: VG, CGMY, stochastic time change,... Deutsche Bank Global Equities - Global Quantitative Research Slide 9 Ein-Faktor Modelle: Derman Kani - Implied Trees Optionspreise für alle Strikes und Laufzeiten sind bekannt. n Stückweise Konstruktion der Übergangswahrscheinlichkeiten im Baum ® Konsistente Bewertung der Optionen auf dem Baum. n n Nachteile: – Es können nur Optionen auf den Knoten des Baums berechnet werden ® Neukalibration eventuell notwendig – Bei Änderung der numerischen Genaugkeit muß neu kalibriert werden – Monte-Carlo Methode per se nicht unterstützt; generelle Geschwindigkeitsprobleme bei Bäumen mit langen Laufzeiten. Deutsche Bank Global Equities - Global Quantitative Research Slide 10 Ein Faktor-Modelle: Dupire´s Local Volatility n Eindimensionale Brownsche Bewegung als treibender Prozess. Die Volatilität hängt vom Spot ab: dSt = (rt - d t ) St dt + s t ( St ) St dWt n Für s existiert nach Dupire eine geschlossene Formel: 2 t s (S ) = n ¶ T CT , S + (rT - dT )S × ¶ K CT , S + dT × CT , S S 2 × ¶ 2K CT , S Wieder: Alle Call-Preise CT,K seien bekannt. – Extrapolation notwendig. Deutsche Bank Global Equities - Global Quantitative Research Slide 11 Ein-Faktor Modelle: Dupire 50 50 45 45 40 40 35 35 30 30 25 25 20 20 15 Mar-10 15 Sep-07 5% 40% 75% Strike/Spot – Mar-05 110% 145% 180% Mar-10 5% Maturity 40% Jun-03 Sep-07 75% Strike/Spot Mar-05 110% 145% 180% Maturity Jun-03 Probleme bei kurzen Laufzeiten. Deutsche Bank Global Equities - Global Quantitative Research Slide 12 Ein-Faktor Modelle: Vorteile von Dupire n Theoretisch perfekte Randverteilungen ® „schöne“ Lösung. Vollständiger Markt. n Keine Kalibration notwendig, analytische Formel. n Konsistente Preise bei Laufzeiten über 6m. n Strukturierte Produkte können effizient mit ein-Faktor Finite Difference Systemen oder Monte-Carlo gepreist werden. Þ Dupire’s Modell ist per se gut zur Optionsbewertung geeignet. Deutsche Bank Global Equities - Global Quantitative Research Slide 13 Ein-Faktor Modelle: Probleme mit Dupire n Technische Probleme: – n Absicherung: – n Extrapolation und Interpolation kann großen Einfluß auf den Preis von Optionen am Rand der Marktverteilung haben. Die Volatilitätsstruktur ist nicht lokal von den Optionen abhängig zum Absichern eines Produktes muß eine eine große Anzahl von Marktinstrumenten investiert werden (der Markt ist nur theoretisch vollständig). Forward Started Options: E ( ST St -K ) + Deutsche Bank Global Equities - Global Quantitative Research Slide 14 Ein-Faktor Modelle: Probleme mit Dupire n Inkonsistente Dynamik Die Volatilitätsstruktur ist nicht stabil über die Zeit. – Today implied volatilties Local volatility implied forward vols 27.5 27.5 25.0 25.0 22.5 22.5 20.0 20.0 5y 1y9m 17.5 70% 1y 90% 110% 3m 130% 1y in 5y 1y in 1y9m 17.5 70% 1y in 1y 90% 110% 1y in 3m 130% Deutsche Bank Global Equities - Global Quantitative Research Slide 15 Ein-Faktor Modelle: Local Volatility 50 45 40 35 30 25 20 Mar-10 15 5% Sep-07 40% 75% Strike/Spot Mar-05 110% 145% 180% Maturity Jun-03 Deutsche Bank Global Equities - Global Quantitative Research Slide 16 Ein-Faktor Modelle: Zusammenfassung n n Vorteile – Theoretisch “schön”. – Ein-Faktor impliziert schnellere numerische Verfahren – Am Bewertungstag konsistent. Nachteile – Dynamik nicht korrekt ® Neuberechnung erfordert Hedging der Volatilitätsstruktur ® häufige Investitionen in viele Marktinstrumente notwendig. – Fehlerhafte “Forward-Start” Preise. Deutsche Bank Global Equities - Global Quantitative Research Slide 17 Stochastische Volatilität: Motivation n n Ein erweiteres Model sollte – Konsistent mit (wesentlichen) Marktinstrumenten sein. – Effizient berechenbar sein. – Ein über die Zeit stabiles Verhalten besitzen und “Forward-Start” Optionen korrekt bewerten. – Bewertung und absicherung strukturierter Produkte erlauben. Der Benchmark ist Dupire. Deutsche Bank Global Equities - Global Quantitative Research Slide 18 Stochastische Volatilität: Konzepte n Modelle mit “stochastischer Volatilität” haben eine Dynamik dSt = (rt - d t ) St dt + s t S t dWt bei der s selbst ein stochastischer Prozess ist: ds t = lt dt + z t dWts n Andere Varianten verwenden Poissonprozesse. n Die Integranden l und x werden typischerweise durch Modellparameter s=(s1,..,sn) spezifiziert. – Modelle i.A. nicht vollständig ® Modellparameter nicht eindeutig und müssen geschätzt werden. Deutsche Bank Global Equities - Global Quantitative Research Slide 19 Stochastische Volatilität: Beispiel Hull & White n Hull & White (1987): Log-Normal Variance: ds t2 = qs t2dt + zs t2dWts – “Vol of Vol” x: kontrolliert die Variation der Volatilität – “Average vol” q: durchschnittliche Volatilität – “Correlation” r zwischen den treibenden Brownschen Bewegungen. – Die implizite variable “Short vol” s0 ist nicht beobachtbar und wir demnach wir ein Parameter behandelt. Deutsche Bank Global Equities - Global Quantitative Research Slide 20 Stochastische Volatilität: Beispiel Heston n Heston hat 1993 die folgende Dynamik vorgeschlagen: ( ) ds t2 = k q - s t2 dt + zs t dWts n – “Vol of Vol” x: kontrolliert die Variation der Volatilität – “Long vol” q: durchschnittliche Langzeitvolatilität – “Reversion speed“ k: Drift zur Long Vol. – “Correlation” r zwischen den treibenden Brownschen Bewegungen. – Die implizite variable “Short vol” s0 ist nicht beobachtbar und wir demnach wir ein Parameter behandelt. Sehr populäres Model. Deutsche Bank Global Equities - Global Quantitative Research Slide 21 Stochastische Volatilität: Beispiel JumpDiffusion n Merton (1987) hat Sprünge im Preisprozess angenommen: dSt = (rt - dt )St - dt + s tATMSt - dWts + St - dPt n – Der Prozess P ist ein kompensierter Poisson-Prozess mit Intensität l und (g,d)-normalverteilten unabhängigen Sprüngen. – Die impliziten Randverteilung besitzen einen sehr ausgeprägten Smile. Bates hat dieses Modell mit Heston´s Ansatz kombiniert. Deutsche Bank Global Equities - Global Quantitative Research Slide 22 Stochastische Volatilität: Beispiel CGMY n Carr, Geman, Medan und Yor (2000): Ein Levy-Prozess mit charakteristischer Funktion ( ) fT (v) := exp TC × G(-Y ) ×{(M - iv)Y - M Y + (G + iv)Y - GY } n – C: Skalierung – G und M: Rechts- bzw linksseitiger Abfall der Verteilung (symmetrisch bei Gleichheit) – Y: Charakterisierung der Aktivität Dieses Model wurde aufgrund statistischer Beobachtungen entwickelt. Deutsche Bank Global Equities - Global Quantitative Research Slide 23 Stochastische Volatilität: Konzepte n n PDE für den Einsatz von numerischen Standardmethoden – Feynman-Kac für FDs, Euler-Diskretisierung für Monte-Carlo. – Dadurch können strukturierte Produkte bewertet werden. Zur Berechnung Europäischer Optionen kann nach Carr & Medan (1999) Fourier-Transfomation eingesetzt werden. – Schnelle und genaue Berechnung von Europäischen Optionen – Erweiterbar auf Forward-Start Vanillas. – Erfordert die Kenntnis der charakteristischen Funktion von XT:=log(ST/S0): fT ( z ) := E[eizX T ] Deutsche Bank Global Equities - Global Quantitative Research Slide 24 Stochastische Volatilität: Fourier-Pricing n Idee: – Die charakteristische Funktion y des Callpreises (in Abhängigkeit vom log-Strike k:=log(K)) wird durch f ausgedrückt: ¥ y T (v) := ò e E[e ivk - rT (e XT k ! - e )]dk = F (fT (L)) -¥ – Berechnung des Callpreises durch Fourier-Inversion von y : CT , K (k ) := ¥ 1 2p - ikv e ò y T (v)dv -¥ Deutsche Bank Global Equities - Global Quantitative Research Slide 25 Stochastische Volatilität: Fourier-Pricing Problem: – Der Preis eines Calls ist nicht in quadratisch integrierbar: Call prices with respect to log-Strike 100% 80% Price/Forward*DF n 60% 40% 20% 1y 2y 5y 0% -7 -6 -5 -4 -3 -2 -1 0 1 log(K/S0)` Deutsche Bank Global Equities - Global Quantitative Research Slide 26 Stochastische Volatilität: Fourier-Pricing Dampened Call prices with respect to log-Strike 50% Alpha 0.5 Alpha 1 40% Alpha 1.5 Price/Fwd*DF n ~ a ×k Lösung: “Dampen” des Preises CT , k := e CT ,e k 30% 20% 10% 0% -7 -6 -5 -4 -3 -2 -1 0 1 2 3 4 log(K/Spot) Deutsche Bank Global Equities - Global Quantitative Research Slide 27 Stochastische Volatilität: Fourier-Pricing n Fuer jedes Model existiert ein a so daß der “gedampte” CallPreis quadratisch integrierbar ist. n Dann gilt für die Fourier-Transformierte des modifizierten Preises: y~T (v) := e - rT n f|T ( v - (a +1) i) a 2 + 2av i +a + v (i - v ) Diese kann mit Standardverfahren oder einem FFTAlgorithmus integriert werden. Letzterer kann mehrere Preise auf einmal berechnen. Deutsche Bank Global Equities - Global Quantitative Research Slide 28 Stochastische Volatilität: Parameterschätzung n Die vorgestellten Modelle sind allesamt unvollständig. Demzufolge müssen die Modellparameter in Abhängigkeit von “wichtigen” Marktpreisen (Pi )i=1,…N geschätzt werden. n Diese “Kalibration” bedeutet de facto eine Minimierung von N F (s ) = å wi d[ H i (s ), Pi ] i =1 wobei Hi(s) den Modellpreis der i. Option unter den Modellparametern s, d eine Metrik und w einen Vector von Gewichten bezeichnet. Deutsche Bank Global Equities - Global Quantitative Research Slide 29 Stochastische Volatilität: Parameterschätzung n Daher die Notwendigkeit, Europäische Optionen effizient preisen zu können. n In Verbindung mit FFT-Pricing können mehrer Optionen pro Maturity auf einmal berechnet werden. n Probleme: – “Short Vol” ist eigentlich eine Variable – Gewichtung hat hohen Einfluß auf das Ergebnis ® saubere Zieldefinition ist notwendig. – Generische Minimierung kann in einem lokalen Minimum enden. Deutsche Bank Global Equities - Global Quantitative Research Slide 30 Stochastische Volatilität: Hedging n n Modelle sind nicht vollständig, d.h. Auszahlungen können i.A. nicht durch Handeln im Stock allein repliziert werden. – Mathematisch klar durch die Verwendung weiterer stochastischer Prozesse. – Theoretisch ist die Verwendung einer weiteren Option ausreichend. Praktisch gesehen ist ein Modell vermutlich nicht perfekt. – Zur Absicherungen müssen mehrere liquide Optionen verwendet werden. – Die Modellparameter ändern sich mit der Zeit. Deutsche Bank Global Equities - Global Quantitative Research Slide 31 Stochastische Volatilität: Hedging n Der Preis eines strukturierten Produktes p ist eine Funktion der Modellparameter, pºp(s). n Hedging – Alle Produkte, die mit dem Modell bewertet werden, bilden ein Portfolio P. – Dieses hat Sensitivitäten ¶ s i P – Berechne Vanilla-Portfolio mit den inversen Sensitivitäten, so daß eine (kleine) Änderung eines Modellparameters den Wert des gesamten Portfolios “nicht” ändert. – Dafür reichen im Prinzip n Optionen, allerdings ist deren Auswahl durch praktische Beschränkungen erschwert (Marktvolumen, Liquidität, Investitionssumme usw). ( ) i =1,K, n bezüglich der Modellparameter. Deutsche Bank Global Equities - Global Quantitative Research Slide 32 Die Auswahl eines geeigneten Modells n Die Auswahl eines bestimmten Modells hängt vom Produkt und vom Markt ab. n Wir Kalibrieren einige Modelle: Kalibration zu 6m, 1y, 1y6m und 2y Optionen in einer StrikeRange von 60% bis 130% Spot (Gewichtung Marktpreis). n Vergleich mit Dupire und Markt. Deutsche Bank Global Equities - Global Quantitative Research Slide 33 Ergebnis der Kalibration Implied volatilities 6m Implied volatilities 2y 30 28 26 26 Volatility 28 24 20 18 18 2y 60 2y % 75 2y % 80 2y % 85 2y % 90 2y % 9 2y 5% 10 2y 0% 10 2y 5% 11 2y 0% 11 2y 5% 12 2y 0% 13 0% 20 6 6m 0% 7 6m 5% 8 6m 0% 8 6m 5% 9 6m 0% 6m 95% 1 6m 00% 1 6m 05% 1 6m 10% 1 6m 15% 1 6m 20% 13 0% 22 Instrument Market Local Vol Heston CGMY JumpDiff HestonJumpDiff StationaryHeston 24 22 6m Volatility 30 Instrument Deutsche Bank Global Equities - Global Quantitative Research Slide 34 Dichtere Darstellung Errors in implied volatilities of calibration instruments 7% 6% Local Vol Heston CGMY JumpDiff HestonJumpDiff StationaryHeston 4% 3% 2% 1% 0% -1% -2% -3% -4% 60 6m % 80 6m % 9 6m 0% 10 6m 0% 11 6m 0% 12 0 1y % 60 1y % 80 1y % 9 1y 0% 10 1y 0% 11 1y 0% 1 1y 20 6m % 1y 60 6m % 1y 80 6m % 1y 6m 90% 1y 10 6m 0% 1y 11 6m 0% 12 0 2y % 60 2y % 80 2y % 9 2y 0% 10 2y 0% 11 2y 0% 12 0% -5% 6m Implied volatility / Market - 1 5% Instrument Deutsche Bank Global Equities - Global Quantitative Research Slide 35 Sehr schönes Ergebnis für Heston HestonJumpDiff implied volatility HestonJumpDiff implied volatility 35 35 30 30 25 25 20 10y 20 10y 5y 5y 2y9m 15 60% 1y6m 80% 100% 120% 140% 3m Heston: q=24.3%, k=1.4, x=21.9%, r=-0.53 Shortvol: s0=20.7% 2y9m 15 60% 1y6m 80% 100% 120% 140% 3m Deutsche Bank Global Equities - Global Quantitative Research Slide 36 …und Heston-JumpDiffusion HestonJumpDiff implied volatility HestonJumpDiff implied volatility 35 35 30 30 25 25 20 10y 20 10y 5y 5y 2y9m 15 60% 1y6m 80% 100% 120% 140% 3m Heston: q=24.3%, k=1.4, x=21.9%, r=-0.53 Merton: l=0.06, g=-56,169, d=8.53% Shortvol: s0=20.7% 2y9m 15 60% 1y6m 80% 100% 120% 140% 3m Deutsche Bank Global Equities - Global Quantitative Research Slide 37 Merton und Heston n Einige Modelle, insbesondere das Bates Modell, passen sich sehr gut an den Markt an. n Die Sprünge unterstützen einen ausdrucksvollen Skew bei kurzen Laufzeiten, wohingegen die „Mean-Reversion“ eine langfristige Stabilität sichert. n Normalerweise wird das einfache Hestonmodel verwendet die praktische Interpretation und das Hedging von Jumps sind nicht ganz einfach. Deutsche Bank Global Equities - Global Quantitative Research Slide 38 Mean-Reversion Heston volatility paths - an example of mean reversion 45 40 35 30 25 20 15 10 5 0 Apr-03 Apr-04 Apr-05 Apr-06 Apr-07 Apr-08 Apr-09 Apr-10 Apr-11 Apr-12 Deutsche Bank Global Equities - Global Quantitative Research Slide 39 Problem: Forward volatility HestonJumpDiff implied volatility HestonJumpDiff implied volatility 35 35 30 30 25 25 20 10y 20 10y 5y 2y9m 15 60% n 5y 1y6m 80% 100% 120% 140% 3m 2y9m 15 60% 1y6m 80% 100% 120% 140% 3m Skew bleibt über die Zeit erhalten, wird aber U-förmig ... Deutsche Bank Global Equities - Global Quantitative Research Slide 40 Stochastische Volatilität: Zusammenfassung n n Vorteile (Heston und Bates): – Gute und flexible Anpassung an die implied Surface – Einfacher zu Hedgen – Eine Art Skew bleibt erhalten Nachteile – Der Forward-Skew ist U-förmig sˆ [T1 ,T2 ] Deutsche Bank Global Equities - Global Quantitative Research Slide 41 Stochastische Volatilität: Forward Skew n Verbesserte Kalibration – “Penalty functions”, um bestimmte Skews auszuschließen u – n Tiefere Kenntnis über die Verteilung notwendig. Kalibration direkt auf Forward-Started Options u Deren Preis ist selbst geschätzt. u Selbst bei Erfolg: Verhalten abeits der Eingabeoptionen nicht garantiert. u Sonst eine gute Möglichkeit. Verbesserte Modelle – Problem der “ShortVol” lösen – Propagative Modelle: In Arbeit …. Deutsche Bank Global Equities - Global Quantitative Research Slide 42 Stochastische Volatilität: Forward Skew n Stochastic Implied Volatility (Schönbucher 1998, Cont 2002) – Wie bei HJM/BGM-Modellen für Zinsraten wird ein Modell für die ganze Oberfläche entworfen. u Wie werden strukturierte Produkte bewertet ? u Parameter müssen historisch geschätzt werden (z.B. via PCM). u Noch mehr stochastische Faktoren führen zu niedriger Geschwindigkeit. n Modelle mit “Erinnerung” n ® Noch nicht zufriedenstellend gelöst. Deutsche Bank Global Equities - Global Quantitative Research Slide 43 References – Carr and Madan, 1999: Option valuation using the FFT. J. Comp. Finance 2-4 – Dupire, 1994: Pricing with a Smile. Risk Magazine 7, 18-20. – Derman and Kani, 1994: The volatility smile and its implied tree. Goldman Sachs Quantitative Strategies Research Notes – Hull and White, 1987: The Pricing of Options on Assets with Stochastic Volatilities. J. of Finance 42, 281-300. – Heston, 1993: A Closed-Form Solution for Options with Stochastic Volatility with Applications to Bond and Currency Options. Rev. Fin. Studies 6, 327-343 – Schobel and Zhu, 1998: Stochastic volatility with an Ornstein-Uhlenbeck process: an extension. Working paper – Schönbucher,1998: A market model for stochastic implied volatility (preprint, from the web) – Most of the topics presented are reviewed in: Equity derivatives: Theory and applications, Wiley 2002 Deutsche Bank