σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyロードマップスキル
Ctrl K
AO
+1.2k 人の学習者
ログイン参加する ↗
ロードマップスキル
AO
+1.2k 人の学習者
ログイン
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyロードマップスキル
Ctrl K
AO
+1.2k 人の学習者
ログイン参加する ↗
ロードマップスキル
AO
+1.2k 人の学習者
ログイン
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
Stochastic Calculus スキル›モジュール 5 · シミュレーションと実践›トピック 5.2·~1 時間 40 分上級

総仕上げ:離散リバランスでのシミュレーション・価格付け・ヘッジ

スキル上の位置モジュール 5/5 · トピック 2/2
5.2 総仕上げ:離散リバランスでのシミュレーション・価格付け・ヘッジ
—ラボスコア— / 100合計XP—連続日数—

モデルからヘッジへ

オプションの価値は、それをヘッジするコストです。このラボでは、SPYの価格でその流れ全体をたどります。まず日次リターンから幾何ブラウン運動を推定します。ボラティリティ σ は、リターンの標準偏差を年率に直したものです。価格のドリフトは μ=r̄·252+σ²/2 で、余分な σ²/2 は伊藤の補題から来ます。対数価格は価格そのものよりゆっくり増えるからです。次に、正規乱数の行列から経路を、厳密な手法とオイラー法で1回ずつシミュレートします。同じ乱数が両方に入るので、経路ごとに比べられます。

Sₖ₊₁=Sₖ e^((μ-σ²/2)h+σ√h z), Sₖ₊₁=Sₖ (1+μh+σ√h z), h=T/n

次に、コールを2通りで価格付けします。ブラック-ショールズ公式は、リスク中立測度のもとでの厳密な平均です。モンテカルロは、ドリフト r でシミュレートし、ペイオフを平均して割り引くことでそこに近づきます。厳密にはならず、標準誤差程度のずれが残ります。最後にヘッジします。コールを売り、Δ 株を買い、残りを現金で持ちます。リバランスの日ごとに、現金を金利 r で増やし、残り時間で Δ を計算し直して持ち高を合わせます。満期での誤差は、ヘッジが取りこぼした分です。

Vₙ=C₀exp(rT)+ΣⱼΔⱼ₋₁(Sⱼ-Sⱼ₋₁exp(rh))exp(r(T-tⱼ)), e=Vₙ-max(Sₙ-K,0)
実データが示すこと2005年以降のSPYでは、年率で μ≈11.6%、σ≈19.0% です。株価 100、行使価格 100 で満期3か月のコールの価値は約 4.03、デルタは 0.54 です。シミュレーション市場でのヘッジ誤差の標準偏差は、リバランス3回で 1.79、9回で 1.08、21回で 0.70、63回で 0.44 となり、おおよそ 1/√n のように減ります。実際の85四半期では 1.81、1.71、1.59、1.74 で、回数を増やしても改善しません。理由はボラティリティが一定でないことです。四半期の実現ボラティリティは 6% から 70% まで動いたのに、ヘッジは毎回 19% を使っていました。
  • 厳密解とオイラー法:同じ乱数から2本の経路ができる。その差が前のトピックの離散化誤差。
  • 価格=ヘッジのコスト:連続的に取引できれば完全なヘッジ、リバランスが少ないと 1/√n 程度の誤差が残る。
  • 実際の誤差はボラティリティの誤差:リバランスを増やしても誤った σ は直せない。
覚えておくべき単純化金利は 2% に固定し、取引コストや配当はありません。ヘッジは標本全体のボラティリティを使いますが、これは誰も事前には知り得なかったので、実際の誤差はむしろ甘めです。85四半期は少なく、市場の局面とも独立ではありません。ここで大事なのは金額ではなく結果の順序です。

ラボ:採点される内容

  • モデルを推定する10点
  • 厳密な経路15点
  • オイラー法の経路10点
  • ブラック-ショールズのコール15点
  • デルタ5点
  • モンテカルロ価格10点
  • ヘッジ25点
  • ヘッジの検証10点
エクスプローラー · lab-so-09
▾ lab-so-09
▾ data
…
bash · ブラウザ内
learner@quantcraft:~/lab-so-09$
Pythonは未読み込みPythonLn 1, Col 1Spaces: 4UTF-8

このトピックをリセットしますか?

lab-so-09 の内容はすべてスターターファイルに戻り、ターミナルも消去されます。現在の解答は失われ、元に戻せません。

リセットされるもの
  • main.py → スターターコード
  • ターミナル履歴とテスト出力
  • 未提出の変更
保持されるもの
  • ラボの最高スコア
  • XPと連続日数
  • 講義の進捗とメモ

コードを実行するにはログインしてください。

レクチャーはすべて無料で読めます。コードの実行、テスト、ラボの提出にはアカウントの作成かログインが必要です。

  • ブラウザ内IDEとbashターミナル。インストール不要
  • 即時採点、XP、スキルでの現在地
アカウントを作成ログイン
または
GitHubで続ける