PROCESSI DI LEVY IN FINANZA

Luca Amadio September 30, 2010

Introduzione
E possibile modellizzare con formule matematiche landamento del prezzo di un titolo nanziario, per poi poterne identicare il prezzo esatto? Che relazioni esistono tra titoli nanziari diversi ma correlati fra loro? Come si pu` quanticare il rischio di un investimento? o Questi furono i fondamentali quesiti che si posero i maggiori economisti nanziari, come ad esempio Merton, Black e Scholes negli ultimi decenni del 900, applicando a questo problema conoscenze in scienze matematiche, siche e statistiche. Le teorie da loro sviluppate hanno fatto evolvere il mondo della nanza in una scienza sociale ma esatta, strutturata intorno ad un sistema rigoroso di ipotesi ed assunti vericabili. Nel 1973 Black e Scholes pubblicarono un articolo che risolveva il problema del prezzo esatto del titolo nanziario derivato chiamato opzione, aprendo una nuova intera area della matematica applicata. Considerate alcune ipotesi di partenza riguardanti i mercati nanziari e stimati i parametri di riferimento, il modello da loro sviluppato forniva, attraverso la risoluzione di unequazione (equazione e formula di Black e Scholes), direttamente il prezzo esatto dellopzione considerata, stabilendo anche cosa si dovesse intendere per esatto. Un modello di prezzaggio cos` denito non sempre pu` essere uti o lizzato nella realt`, ad esempio a causa dellirrazionalit` che gli operatori a a possono avere, oppure per via di errate stime dei parametri. Comunque il modello di Black e Scholes divenne presto uno strumento fodamentale per la totalit` degli operatori nanziari. a Quello che per` molti non considerarono fu il fatto che i mercati nanziari o sono delle entit` in continuo divenire; ogni nuova teoria, informazione o teca nologia che modernizza il modo di operare in nanza, dopo un certo periodo di assestamento, viene assimilata dal mercato e quindi va a modicare le sue dinamiche. Pertanto accadde che le ipotesi su cui si basa il modello non fossero pi` vericate nei mercati reali, e quindi si arriv` a casi reali in cui il u o prezzo fornito dal modello non era utilizzabile, nonostante venisse comunque applicato. Il caso del colossale crack del fondo di investimento LTCM ` un e esempio In seguito alle teorie di Black e Scholes si svilupparono allora ulteriori modelli, i quali si basano sulle teorie precedenti ma ognuno con dierenti ipotesi e caratteristiche. Uno di questi ` il modello jump diusion di Merton, il quale e contraddice alcune ipotesi su cui si basano Black e Scholes e ne limitano lecacia. Il modello di Merton ` parte di una pi` larga famiglia di modelli, e u detti modelli di Lvy. In questa tesi si discuter` di questa famiglia di modelli e a soprattutto attraverso lesempio del modello di Merton. 1

Black e Scholes ebbero il grande merito di dare un nuovo impulso alla matematica ninziaria; in riconoscenza di questo ricevettero nel 1997, insieme a Merton, il premio Nobel per leconomia.

Il primo capitolo di questa tesi riguarda il modello di Black e Scholes: si vedr` come si costruisce tale modello, le ipotesi su cui si basa, come si riota tiene sia il risultato analitico di Black e Scholes sia come si possono introdurre degli utili approcci numerici alla soluzione di questo modello. Nel secondo capitolo si introduce il processo L`vy; si descriveranno le dee bolezze del modello di Black e Scholes, il modello di Merton e le implementazioni con Montecarlo e con lequazione alle derivate parziali del prezzaggio di unopzione. Nel terzo capitolo si presenter la teoria di prezzazione di opzioni tramite la a trasformata di Fourier sia per il modello Black e Scholes che per quello di Merton. Inne due appendici, una di richiamo alle trasformate di Fourier ed una di richiamo alla funzione caratteristica, seguono il capitolo nale delle conclusioni.

Contents
1 Il modello di Black e Scholes 1.1 Processo stocastico e ltrazioni . . . . . . . . . . . . . 1.2 Moti Browniani standard o processo di Wiener . . . . . 1.2.1 Moto browniano . . . . . . . . . . . . . . . . . . 1.2.2 Moto geometrico Browniano . . . . . . . . . . . 1.3 Modello di mercato . . . . . . . . . . . . . . . . . . . . 1.4 Le opzioni . . . . . . . . . . . . . . . . . . . . . . . . . 1.5 Prezzazione di un opzione con il modello B&S analitico 1.6 Il modello di Black e Scholes con il metodo Montecarlo 1.7 Implementazione del modello di Black e Scholes . . . . 2 I modelli di Lvy e 2.1 I limiti del modello di Black&Scholes . 2.2 Denizione di un modello di tipo Lvy e 2.3 I processi di Poisson . . . . . . . . . . 2.4 Formula di L`vy-Khinchine . . . . . . e 2.5 Modello di Merton . . . . . . . . . . . 2.6 Prezzazione di unopzione tramite PDE 2.7 Metodo Montecarlo per Merton . . . . 2.8 Implementazione del Merton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 4 5 5 7 9 9 10 12 13 18 18 19 20 23 24 27 30 31

. . . . . . . . . . nel . . . .

. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . modello di Merton . . . . . . . . . . . . . . . . . . . . . .

3 La trasformata di Fourier come prezzazione di opzioni 37 3.1 Il modello B&S con la trasformata di Fourier . . . . . . . . . 37 3.2 Il modello JD di Merton con la trasformata di Fourier . . . . . 40 4 Conclusioni A La trasformata di Fourier B La funzione caratteristica Bibliograa 42 43 45 46

Il modello di Black e Scholes

Questo capitolo riassume la costruzione e la denizione del modello di Black e Scholes, dora in avanti indicato come B&S, per la prezzazione di opzioni su un sottostante azionario. Il capitolo prende in considerazione le ipotesi su cui si basa il modello ed arriva a descrivere alcune tecniche di calcolo per la soluzione analitica e numerica di questo modello: la risoluzione dell equazione dierenziale stocastica e dellequazione alle derivate parziali(PDE) associata e il metodo Montecarlo.

1.1

Processo stocastico e ltrazioni

Il modello del prezzo del sottostante azionario ` un processo stocastico. Si e consideri un orizzonte temporale T ssato. Si denir` ora il modello probaa bilistico che verr` usato per denire tale processo stocastico. Sia linsieme a degli eventi elementari , allora un modello probabilistico ` denito dalla e terna (, F, P), dove F ` una -algebra, cio` una famiglia di sottoinsiemi di e e chiusa, contenente tutti gli insiemi di eventi di che si vuole considerare, mentre P ` una misura di probabilit` denita su F. e a Il modello deve essere compatibile con due gruppi di assiomi, per F e per P. ASSIOMI PER F: 1. F 2. Se A F A F 3. Se A1 . . . An F n Aj F j=1 dove A indica il complementare dellevento A. Quando n ` nito, questo e rende F una algebra, per n = si assume invece che F sia una algebra. ASSIOMI PER LA PROBABILITA P: 1. P (A) 0 2. P (A B) = P (A) + P (B) 3. P () = 1 Per introdurre la denizione di processo stocastico, si denisce ora la ltrazione F come una famiglia non decrescente F = (Ft , 0 t T ) di una sotto--algebra di F, tale che: Fo Ft Fs FT 4 per 0 t s T ; (1) seA B = 0

Ft rappresenta linformazione progressa e attuale conoscibile al tempo t, mentre la ltrazione F rappresenta linformazione lungo levolversi del tempo. A questo punto si pu` aggiuge al modello probabilistico una ltrazione nell o arco temporale tra t = 0 e t = T . In generale, si assume che il modello probabilistico ltrato (,P, F,F) soddis le seguenti condizioni:
F ` completo, cio` per ogni evento B A F tale che P (A) = 0, e e allora anche B F Fo contiene le probabilit` nulle dellinsieme , cio` al tempo iniziale a e t = 0 si conoscono gli eventi che possono accadere nellimmediato futuro

Si pu` ora denire un processo stocastico, X = {Xt , 0 t T }, come una o famiglia di variabili casuali denite su un modello di probabilit` completo a e e (,F, P) adattata ad una ltrazione F, cio` per il quale ogni Xt ` misurabile su Ft .

1.2

Moti Browniani standard o processo di Wiener

Seguono ora due esempi di processi stocastici. 1.2.1 Moto browniano

La distribuzione normale N (, 2 ) per una variabile casuale x, con media e varianza 2 , ` una delle pi` importanti distribuzioni statistiche. e u La sua funzione di densit` `: ae fN (x; , 2 ) = 1 2 2 exp( (x )2 ) 2 2 (2)

La funzione caratteristica di una variabile casuale consiste in una trasformata di Fourier della sua distribuzione (la denizione delle trasformate di Fourier si pu` trovare nellAppendice A). La funzione caratteristica della distribuzione o normale ` data da: e 1 N (u; , 2 ) = exp(iu) exp( 2 u2 ) 2 (3)

Un processo stocastico {W = Wt , t 0} ` un processo di Wiener o moto e browniano standard su un modello probabilistico (,F, P) adattato ad una ltrazione F = {Ft , 0 t T } se: 5

Figure 1: Esempio di un cammino di un moto browniano standard con = 0 e = 0, 3

W0 = 0 W ha incrementi indipendenti, il che implica che sia un processo Markoviano, cio` che la miglior rappresentazione di previsione del futuro il e e valore presente W ha incrementi Wt+s Wt stazionari Wt+s Wt ` normalmente distribuito con media 0 e varianza s > 0 : e Wt+s Wt N (0, s)

Una caratteristica rilevante del moto browniano standard ` quella di ese sere uno degli esempi pi` semplici di martigala, cio` un processo per il quale u e vale che:

per ogni 0 t s, si ha

E[Ws |Ft ] = E[Ws |Wt ] = Wt

(4)

dove E[.|A] indica loperatore di aspettazione condizionata ad A. In Figura (1) si riporta un campione di un processo di Wiener, ottenuto in Matlab. 1.2.2 Moto geometrico Browniano

Il moto geometrico browniano ` il processo che viene utilizzato nel modello e di B&S ed anche nella letteratura nanziaria tradizionale per molti prezzi dei titoli. Si considera levoluzione temporale del prezzo di un titolo S = {St , t o}. E economicamente ragionevole aspettarsi che il rendimento di questo titolo sia diviso in due componenti, una deterministica ed una casuale. Per quanto riguarda la parte deterministica, ci si aspetta che lincremento di prezzo sia proporzionale al periodo di tempo che si considera t e al rendimento medio , detto anche drift, che il titolo ha espresso nel passato, quindi si ha S = St t. Per la parte casuale ` ragionevole assumere che la varianza dei rendimenti e S/S, V ar[S/S], sia proporzionale alla lunghezza dellintervallo di tempo considerato con costante di proporzionalit` che rappresenta lampiezza delle a uttuazioni che il prezzo pu` subire, quindi V ar[S/S] = t. Per la parte o casuale, il ritorno si pone quindi proporzionale allincremento di un processo di Wiener: S = Wt . St Mettendo tutto insieme si ha: St = St (t + Wt ), S0 > 0 (5)

dove S0 ` il valore iniziale del processo St . Partendo da un valore positivo, e tale processo rimane positivo no a T. Facendo il limite per t 0, si arriva allequazione dierenziale stocastica (SDE): dSt = St (dt + dWt ), S0 > 0 (6) Per trovare la soluzione di tale equazione si sfrutta il lemma di Ito. La soluzione `: e 1 St = S0 exp(( 2 )t + Wt ) 2 7 (7)

Figure 2: Esempio di un cammino di un moto geometrico browniano con valore iniziale S0 = 100, media = 0 e varianza = 0, 3 che in logaritmi diventa: ln( 1 St ) = ( 2 )t + Wt S0 2 (8)

St Si noti che dalla (8) si pu` aermare che i log-ritorni ln( S0 ) = ln(St ) o ln(S0 ), cio` le dierenze di log-prezzi lnS, hanno una distribuzione normale e N (( 1 2 )t, 2 t) e perci` St ha una distribuzione log-normale. Questo o 2 perch`, come visto prima, Wt ha una distribuzione normale N (0, 1). e

In Figura (2) si riporta un campione di un moto geometrico browniano.

1.3

Modello di mercato

Il mercato su cui si vuole applicare il modello di B&S deve possedere alcune caretteristiche:
il prezzo dellazione St ` modellato da un moto geometrico browniano, e come nell equazione (7)

1 St = S0 exp(( 2 )t + Wt ) 2 con una SDE analoga allequazione (6).

(9)

il prezzo di un titolo privo di rischio, come un obbligazione Bt , ` modele lato da: Bt = exp(rt) (10)

dove r ` il tasso di rendimento ed ` costante nel tempo t. Lequazione e e dinamica di Bt `, quindi, lequazione deterministica: e dBt = rBdt
E possibile sia vendere allo scoperto sia indebitarsi Non vi sono costi di gestione Assenza di arbitaggio: Non esiste la possibilit` di speculazione, ovvero di acquistare e rivendere a titoli nel mercato ricavandone un guadagno privo di rischio. Profondit` e liquidit`: a a ogni titolo pu` essere comprato e venduto in ogni istante e in ogni o quantit`. a

(11)

In questo mercato, oltre al titolo azionario di prezzo St ed al titolo obbligazionario di prezzo Bt , viene trattata unopzione di prezzo ft .

1.4

Le opzioni

In questo paragrafo si introduce il concetto di opzione nanziaria. Unopzione ` un particolare tipo di titolo derivato con il quale una delle due parti ha la e facolt`, ma non lobbligo, di acquistare o vendere un particolare sottostante a St ad una specica data futura T e ad un prezzo prestabilito K, detto strike. Per poter usufruire di questa facolt` si paga un premio f0 al tempo iniziale a t = 0, detto prezzo dellopzione. In questa tesi si prendono in esame le 9

opzioni call (acquisto) e put (vendita). Si suppone quindi che un individuo A venda allindividuo B una CALL su unazione S con strike K ad un prezzo f0 . Tale call ` esercitabile al tempo e T. Con questo contratto quindi lindividuo B acquista la possibilit`, ma non a lobbligo, di comprare in T lazione S, cio` il sottostante, ad un prezzo strike e gi` ssato K, indipendentemente dal valore che avr` lazione, pagando per` a a o per questo diritto un premio iniziale f0 . Naturalmente lindividuo B eserciter` il suo diritto di acquisto del sottostante a solo nel caso in cui il prezzo dellazione St in t = T dopo un anno sia maggiore del prezzo strike K. Al tempo nale, t = T , quello che potr` guadagnare lindividuo B, come si a vede anche dalla Figura (3), ` rappresentato dal claim (o payo) della call: e C(ST ) = max(ST K, 0) (12)

Nel caso in cui, invece, B acquista unopzione put da A, allora allo scadere dellanno B potr` scegliere se vendere o meno lazione sottostante S al prezzo a strike ssato. Quindi per una put il claim sar` linverso: a C(st ) = max(K St , 0) (13)

Loggetto fondamentale della seguente analisi nanziaria ` quello di indivie duare il valore razionale del premio f0 dell opzione scritta su un sottostante che segue o un moto geometrico browniano o processi pi` complicati. u Il prezzo di queste opzioni verr` trovato in ipotesi di assenza di arbritaggio. Si a pu` mostrare che in tali condizioni di mercato, si pu` considerare il teorema o o di Gisanov, il quale dimostra che esiste una nuova misura di probabilit` Q a diversa da P , chiamata misura neutra al rischio, sotto la quale levoluzione del prezzo St scontato col titolo Bt segue ancora un processo browniano geometrico, ma ha in pi` anche la propriet` di martigalit`. Il processo del u a a prezzo nel mondo neutro al rischio, dove la probabilit` del Wiener ` Q, a e ha come drift il tasso r neutro al rischio, ovvero il tasso obbligazionario di mercato, quindi diventa: 1 St = S0 exp((r 2 )t + Wt ) 2 (14)

1.5

Prezzazione di un opzione con il modello B&S analitico

Sotto Q, tutti i prezzi scontati sono martingale, incluso quello dellopzione. Quindi il valore del premio ft da pagare in t di un claim con payo C(ST ) ` e 10

Figure 3: Payo di unopzione Call dato da: ft = exp((T t)r)EQ [C(ST )|Ft ], t [0, T ] (15) sfruttando il fatto che ft /Bt = ft e(T t)r ` una martingala. e Ponendo t = 0 nella precedente si ha: f0 = exp(rT )EQ [C(ST )] 1 = exp(rT )EQ [C(S0 exp((r 2 )T + WT ))] 2 1 = exp(rT ) C(S0 exp((r 2 )T + x)fN (x; , 2 )dx (16) 2 Se la funzione C(ST ) ` sucientemente integrabile, questo prezzo si pu` ane o che ottenere come soluzione ft = f (t, St ) dellequazione alle derivate parziali

11

(PDE) di Black e Scholes: f (t, St ) 2 S 2 2 f (t, S) f (t, S) + rS = 0 + rS 2 t 2 S S (17)

con la condizione a contorno che al tempo nale il valore della call sia uguale al claim: f (T, ST ) = C(ST ) (18) ft ` quindi una funzione deterministica dell argomento St e quindi applie cabile anche alla variabile stocastica St . La soluzione dellequazione (17) e (18) ` data dalla formula di Black e Scholes: e f0 = f (S0 , t = 0)|K,r,T, = S0 N (d1 ) k exp(rT )N (d2 ) dove: ln( S0 ) + (r + K d1 = t ln( S0 ) + (r K d2 = t
2 )T 2 2 )T 2

(19)

(20) (21)

= d1 T

Qui N (x) ` la funzione di distribuzione di probabilit` cumulativa per una e a variabile distribuita normalmente(N(0,1)), cio`: e N (x) = 1 fN (x : 0, 1)dx = 2
x x

exp(

x 2 )dx 2

(22)

Per calcolare il valore numerico dell opzione dalla formula (19) si user` Mata lab.

1.6

Il modello di Black e Scholes con il metodo Montecarlo

Il metodo Montecarlo si occupa di fornire una soluzione numerica senza usare la formula analitica di B&S nella valutazione dellaspettazione dellequazione (15). Si ` visto che attraverso il concetto di martingala, il prezzo di unopzione e pu` essere rappresentato come unaspettazione su una misura di probabilit` o a Q neutra al rischio. In genere, una aspettazione pu` essere valutata numerio camente con la media campionaria: E[X] = X 1 N
N

xi
i=1

(23)

12

dove N ` il numero di prove eettuate xi , realizzazioni di X. e Nel caso di unopzione call si calcola laspettazione sul valore del claim scontato, cio`: e f0 = f (S0 , t0 = 0) = E[e
rt

C(ST )]

ert N

ci
i=1

(24)

dove la ci sono N realizzazioni del claim ottenute simulando unandamento del sottostante S, N volte. Il problema principale di questo metodo ` quello di ottenere N simulazioni di e ST , in modo tale che N sia sucientemente grande da far diventare la media campionaria X un buono stimatore dellaspettazione. In genere, limplementazione di un metodo di Montecarlo ` composta dai e seguenti passi:
Si simula un cammino temporale per Wt e quindi per il sottostante S(t, Wt ) nel mondo neutrale al rischio Q Si calcola il valore del claim C(ST ) al tempo nale T Si simula una collezione di N cammini che forniscono N valori nali del claim C(ST ) Si stima, come valore atteso dell opzione EQ [C(ST )], la media aritmetica dei valori ottenuti Si determina il valore attuale (t=0) dellopzione scontando il valore nale T con il fattore erT

Operativamente occorrono non troppi cammini per ottenere una buona stima EQ [C(ST )].

1.7

Implementazione del modello di Black e Scholes

Si riporta ora il codice della funzione Black Scholes scritto in MatLab per implementare il modello per un opzione CALL su un titolo sottostante S sia con il metodo Montecarlo sia con il metodo analitico . ******************************************************* function Black_Scholes(m_intervalli,n_cammini)

13

% m_intervalli = numero di intervalli temporali in cui viene %diviso il tempo di vita del derivato % n_cammini = numero dei cammini usati nella simulazione % parametri assegnati : disp(tempo iniziale = 0.) disp(tempo finale = 1.) t_finale = 1 r = 0 % r = tasso di interesse deterministico val_attuale = 1 % val_attuale = quotazione attuale del titolo strike = 1.25 % strike = valore dello strike sigma = 0.3 % sigma = volatilit dellazione delta_t = t_finale/m_intervalli; % delta_t = lunghezza di ciascun intervallo temporale t = [0:delta_t:t_finale]; % t = vettore dei tempi s(1) = val_attuale; % s(1) = valore dellazione al tempo iniziale % s(i=1,...,m+1) = valore dellazione da t=0 a t=1 % si usa il ciclo "for" per simulare tutti i cammini sommatoria = 0; % inizializzazione a 0 della somma dei valori finali %dellazione per i vari cammini for j = 1:n_cammini for i = 1:m_intervalli % ciclo su tutti i cammini % ciclo sul singolo cammino

14

s(i+1) = s(i) + r*s(i)*delta_t + s(i)*sigma*sqrt(delta_t)*randn; % discretizzazione dellequazione per s(t) nel mondo neutro al % rischio end; % fine del ciclo sul singolo cammino

s_finale(j) = s(m_intervalli+1); % s_finale = vettore per memorizzare i valori finali di ogni cammino sommatoria = sommatoria + max(s_finale(j) - strike , 0); % sommatoria = sommatoria su tutti i cammini dei valori finali % dellazione

end;

% fine del ciclo su tutti i cammini

aspettazione = sommatoria/n_cammini; % aspettazione = media dei valori finali di s nei vari cammini prezzo1 = exp(-r*t_finale)*aspettazione % prezzo1 = attualizzazione a t=0 , al tasso r deterministico , % dellaspettazione [call,put] = blsprice(val_attuale , strike , r , t_finale , sigma , 0); prezzo2 = call plot(t,s); ******************************************************* Questa funzione per essere eseguita deve ricevere i due parametri sul numero m di intervalli in cui si vuol dividere lorizzonte temporale e il numeri n di percorsi su cui fare la media. Dopo aver assegnato i rispettivi valori ad ognuno dei parametri, il codice implementa il metodo Montecarlo con luso di due cicli for. Prima viene calcolato il valore del titolo simulato con un moto browniano lungo lintervallo di tempo [0, 1]: (25) si+1 = si + rsi delta t + si delta t Yi ; dove Yi ` una variabile aleatoria, tale che Y N (0, 1). Viene poi salvato e il valore al tempo nale del titolo in sf inale(j) e con il secondo ciclo for si 15

ripete tutto lalgoritmo per il numero n di cammini desderato. A questo punto abbiamo un vettore con gli n valori nali del titolo e quindi n dierenti valori del claim: max(s f inale(j) k, 0). Allora si calcola il valore della media (laspettazione) del claim e si trova il prezzo della CALL attualizzandola al tasso deterministico r al tempo t = 0. E inoltre possibile confrontare il risultato per il prezzo della CALL ottenuto con questa simulazione numerica Montecarlo (prezzo 1), con il risultato analitico dato dalla formula di Black e Scholes (prezzo2) usando la funzione blsprice di MatLab. Si riportano ora nella seguente tabella i risultati dellimplementazione del B&S con il codice precedente. n. simulz. MONTECARLO ANALITICO 1 0,9746 0,9730 2 0,9504 0,9730 3 0,9584 0,9730 4 0,9621 0,9730 0,9446 0,9730 5 6 0,9416 0,9730 0,9473 0,9730 7 8 0,9649 0,9730 0,9587 0,9730 9 10 0,9629 0,9730 Table 1: Risultati di dieci simulazioni del codice Black Scholes con parametri: t nale = 1, n intervalli = 1000, m cammini = 1000, sigma = 0,5, val attuale = 1, media = 0, r = 5, S0 = 1, strike = 4.

Si tenta ora di migliora la precisione del modello, aumentando il numero di cammini simulati su cui calcolare la media.

16

n. simulz. MONTECARLO ANALITICO 1 0,9716 0,9730 2 0,9572 0,9730 3 0,9550 0,9730 0,9695 0,9730 4 5 0,9494 0,9730 6 0,9554 0,9730 0,9599 0,9730 7 8 0,9626 0,9730 0,9698 0,9730 9 10 0,9728 0,9730 Table 2: Risultati di dieci simulazioni del codice Black Scholes con parametri: t nale = 1, n intervalli = 1000, m cammini = 5000, sigma = 0,5, val attuale = 1, media = 0, r = 5, S0 = 1, strike = 4.

Nella Tabella (1) si ` stimata una media degli eventi pari a 1 = 0, 95655 e ed una deviazione standard 1 = 0, 00979, mentre nella tabella (2) si ` ote tenuta una media degli eventi pari a 2 = 0, 96232 ed una standard 2 = 0, 0077. Si nota quindi come i valori della tabella (2) si sono maggiomente avvicinati al prezzo ottenuto con il metodo analitico, perci` aumentando il o numero delle simulazioni si migliorata la precisione del metodo Montecarlo. e

17

I modelli di Lvy e

In questo capitolo si prender` in analisi un semplice processo del tipo Lvy a e e le sue propriet` generali, le sue dierenze col modello di B&S e i dierenti a metodi per usarlo nella stima di un opzione.

2.1

I limiti del modello di Black&Scholes

Un problema che si incontra nellutilizzo del modello di B&S ` dovuto al e fatto che nel mondo reale la distribuzione dei log-ritorni (8) dei vari titoli non ` perfettamente descritta dalla distribuzione normale, come invece prevede e lequazione (8). Si ricorda che data una variabile casuale X, la sua media ` denita come e x = E[X] e la deviazione standard come = var[X] = E[(X x )2 ]. Per poter quanticare lo scostamento dalla distribuzione normale ci si avvale di due misure statistiche: lasimmetria e la curtosi. Lasimmetria ` denita come il terzo momento in aspettazione diviso la terza e potenza della deviazione standard: E[(X x )3 ] var[X] 2
3

(26)

Se una distribuzione ` perfettamente simmetrica (come accade per la nore male) allora la sua asimmetria deve essere zero, mentre se la coda sinistra della distribuzione ` pi` spessa della destra lasimmetria ha un valore negae u tivo, positivo altrimenti. La curtosi, invece, ` una misura con la quale si pu` quanticare il grado e o di allontanamento che una distribuzione ha rispetto alla normale lungo le proprie code. E denita come il quarto momento in aspettazione diviso la quarta potenza della deviazione standard: E[(X x )4 ] var[X]2 (27)

La distribuzione normale ha un grado di curtosi pari a 3, un grado maggiore indica un inspessimento delle code, mentre un grado minore indica un anamento. Per rendere lidea di come si sono distribuiti i dati storici, si sono consultati i valori delle misure statistiche di un indice su uno dei maggiori mercati mondiali della borsa di New York, cio` lo S&P500. Nell arco di tempo che e va dal 1997 al 1999 si ` riscontrato: e 18

 una media = 0, 0009 una deviazione standard = 0, 0119 una asimmetria pari a 0, 4409 una curtosi pari a 6, 94

Lasimmetria non ` 0 e la curtosi non ` 3, quindi tale distribuzione non ` e e e normale. Questo ovviamente ` soltanto un singolo esempio e non pu` essere preso e o come caratteristica generale dei mercati mondiali. Comunque in questo caso si pu osservare come la distribuzione dei dati storici del mercato abbia una o asimmetria negativa, quindi con la coda di sinistra pi` lunga della destra, e u un grado di curtosi maggiore di 3, quindi ha delle code pi` spesse rispetto u a quelle della distribuzione normale. Da queste osservazioni si evince che il modello di B&S tenda ha stimare male i dati reali La seconda imperfezione che si imputa al modello di B&S si riferisce alla sua ipotesi di base secondo cui la volatilit rimane costante lungo larco di a tempo preso in considerazione. Anche questo fatto pu` essere analizzato o tramite losservazione di dati storici da cui si ` notato come a periodi di e tempo con maggiori uttuazioni dei rendimenti corrisponda periodi di maggiore volatilit` e viceversa. a Quindi si pu` pensare di introdurre una dinamica per St diversa da quella del o moto geometrico browniano, nella speranza che la statistica di questa nuova dinamica si avvicini di pi` a quelli del mondo reale. u

2.2

Denizione di un modello di tipo Lvy e

Le novit` con cui un modello di tipo L`vy cerca di superare le imperfezioni a e del moto geometrico browniano stanno nel fatto che i log-rendimenti di un titolo possono eettuare dei salti in un dato istante (cosa che quelli del moto geometrico browniano non possono fare perch` legati al Wiener che ` cone e tinuo) e che magari la volatilit` segua a sua volta un processo stocastico. Di a questa ultima possibilit` non ci si occuper`. a a Denizione 2.1 (Processo di Lvy). Dato un modello di probabilit` le a trato (, F, P, F), allora un processo stocastico {Xt ; 0 t } ,con X0 = 0, ` detto di Lvy se : e e 1. Xt ha gli incrementi Xs Xt indipendenti per ogni 0 t s T . 19

2. Xt ha incrementi stazionari, cio` per ogni s, t 0 la distribuzione e Xt+s Xt non dipende da t. 3. Xt ` stocasticamente continuo, cio` per ogni > 0 , e e limh0 P(|Xt+h Xt | > ) = 0. La condizione (3) non implica pi` che i cammini del processo siano neu cessariamente continui. Il moto browniano, visto in precedenza, pu essere o allora considerato come un modello di Lvy in cui non ci sono i salti. e

2.3

I processi di Poisson

Come il moto browniano ` il processo base per il modello di B&S, i processi e di Poisson sono considerati il punto di partenza per costruire i processi di tipo Lvy. e

Si denisce una variabile casuale esponenziale come una variabile dotata di una distribuzione esponenziale con parametro > 0 con funzione densit`: a fE (t, ) = et 1t0 ,
1 con valore atteso E[ ] = .

(28)

Si ricordi poi che la distribuzione di Poisson per una variabile intera M `: e M e fP (M ; ) = (29) M! Per costruire un processo di Poisson in [0, T ] si utilizza una realizzazione di M . Si vuol costruire un modello in cui un salto pu` accadere ad ogni istante, o tra 0 e T accadono M salti e il tempo tra due salti ` k . Le realizzazioni delle e variabili casuali k sono degli intervalli di tempo, tali che il primo evento accade al tempo 1 , il secondo dopo lintervallo di tempo 2 , e cosi via. ed hanno una distribuzione esponenziale. Il processo di Poisson Nt conta il numero di salti che avvengono nellintervallo di tempo da 0 a t:
M

Nt =
i=1

1 i

(30)

Pertanto il processo di Poisson ` denito come un processo di conteggio. e Come si nota dalla Figura (4) lampiezza del salto ` sempre di una unit` e gli e a incrementi sono sempre positivi, quindi il processo non pu` che salire ad ogni o salto. Queste limitazioni vengono risolte dal processo di Poisson composto. 20

Figure 4: Processo di Poisson con il parametro = 25 Denizione 2.2 (Processo di Poisson composto). Un processo di Poisson composto con parametro di intensit` > 0 e con distribuzione della a dimensione dei salti f ` un processo stocastico Xt denito come: e
Nt

Xt =
i=1

Yi

(31)

dove le dimensioni dei salti Yi sono variabili identiche ed indipendentemente distribuite (i.i.d.) con distribuzione f . Nt ` un processo di Poisson indipene dente da Yi . Dalla Figura (5), realizzazione di un processo di Poisson composto, si nota come ora i salti sono sia positivi sia negativi e di dierente dimensione. La distribuzione dei salti della gura ` una distribuzione normale. e

21

Figure 5: Processo di Poisson composto con parametro intensit` = 25, a =0e=1 Si descrive, ora, un algoritmo per simulare un processo di Poisson tra 0 e T.
Simulare una variabile casuale M dalla distribuzione di Poisson con parametro di intensit` T per ricavare il numero di salti che si vericano a nellintervallo [0, T ]. Simulare M variabili casuali Ui , i.i.d. e uniformemente distribuite nellintervallo [0, T ], corrispondenti agli istanti temporali in cui avvengono gli M salti. Simulare M variabili casuali Yi , i.i.d. con data distribuzione, per descrivere le dimensioni dei salti

22

 La traiettoria nale ` data da: e

M

X(t) = bt +
i=1

1Ui <t Yi

(32)

dove b indica un drift assegnato. Nella Figura (5) per descrivere le dimensioni dei salti si ` usata la dise tribuzione normale N(0,1).

2.4

Formula di L`vy-Khinchine e

Attraverso questa formula si eettua una caratterizzazione delle variabili casuali che hanno una distribuzione innitamente divisibile tramite la funzione caratteristica. Le distribuzioni innitamente divisibili sono distribuzioni per variabili che possono essere espresse come somme di variabili i.i.d. . Quindi la distribuzione pu` essere scritta come prodotto delle distribuzioni identiche. o Ora, si consideri un processo di Lvy X = (Xt )t0 . Si pu` mostrare che e o la distribuzione della variabile casuale Xt di Lvy ` innitamente divisibile. e e Sia F la pi` generale distribuzione innitamente divisibile . La sua funzione u caratteristica F (u) pu` essere espressa dalla formula di Lvy-Khinchine o e F (u) = e(u) dove: 1 (u) = iu 2 u2 + 2
+

(33)

(e(iux) 1 iux1|x|<1 )(dx)

(34)

dove R, R+ e ` una misura positiva, chiamata misura di Lvy, che e e soddisfa:

+1

x2 (dx) <
1 |x|1

(dx) <

(35)

Il termine integrale nellequazione (34) la componente del modello che pere mette di eettuare dei salti puri durante il processo. Si noti che (dx) ` una e misura, ma non una misura di probabilit`, cos` che il suo integrale non vale a necessariamente 1. Ad esempio, in un processo di Poisson composto vale che (dx) = R(dx) il numero atteso di salti in un intervallo di ampiezza 1 ` e le ampiezze dei e salti seguono la distribuzione R. 23

Si pu` quindi dire che una distribuzione innitamente divisibile ` identicata o e da una tripletta: [, 2 , (dx)]. Quindi anche un processo di Lvy, il pi` generale processo innitamente e u divisibile, ` rappresentato dalla tripletta [, 2 , (dx)] della formula di Lvye e Khitchine.

Dalla formula (34) vediamo che, in generale, un processo di Lvy si pu` e o scomporre in quattro parti (Scomposizione di Lvy-Ito). e Si consideri una tripletta di Lvy [, 2 , (dx)] denita come sopra. Esiste, e allora, un modello di probabilit` ltrata (, F, P, F) in cui esistono quata tro indipendenti processi di Lvy, X (1) , X (2) , X (3) , X (4) ; dove X (1) ` un drift e e (2) (3) costante, X ` un processo di Wiener, X ` un processo composto di Poise e (4) son e X ` una martingala quadrato-integrabile con un numero nito di e salti per ogni intervallo. Questo si vede scomponendo lesponente caratteristico, formula (34), in = (1) + (2) + (3) + (4) ottenendo: (1) = iu 1 2 2 u (2) = 2 (3) =
|x|1

(36) (37) (38) (39)

(e(iux) 1)(dx) (e(iux) 1 iux)(dx)

|x|<1

(4) =

La martingalit` di un processo ` una caratteristica molto importante in a e nanza, e come nel caso del B&S, un processo di Lvy non lo ` sempre. e e Quindi mentre un moto geometrico browniano si pu` applicare il teorema di o Girsanov, un processo di Lvy non pu` essere ricondotto in generale ad una e o martingala. Proposizione 2.1. Sia X = (XT )t0 un processo di L`vy con tripletta [, 2 , (dx)] e si assume e che E[Xt ] < ; Allora X ` una martingala se e solo se = 0 e

2.5

Modello di Merton

Il primo matematico nanziario ad utilizzare un processo del prezzo discontinuo alla L`vy fu Merton, il quale utilizz` come distribuzione di probabilit` e o a 2 f delle dimensioni dei salti la distribuzione normale, quindi Yi N (, ). Il modello di Merton ` anche detto Jump-Diusion (JD). e 24

Si supponga che in un piccolo intervallo di tempo t il prezzo del titolo salti da St a yt St , cosi che la dimensione relativa del salto del prezzo data e da: St yt St St = = yt 1 (40) St St Merton assume che le yt siano variabili casuali non negative descritte da una distribuzione log-normale, ln(yt ) i.i.d.N (, 2 ). Allora questo implica che 1 2 2 2 E[yt ] = e+ 2 e E[(yt E[yt ])2 ] = e2+ (e 1). La dinamica del modello JD di Merton incapsulata nellequazione dierene ziale stocastica: dSt = ( k)dt + Wt + (yt 1)dNt (41) St dove il rendimento atteso istantaneo del titolo, ` la volatilit` istantanea e e a del logaritmo del titolo condizionale al fatto che non si ` vericato alcun e salto nello stesso istante, Wt ` un processo di Wiener, Nt ` un processo di e e Poisson composto con intensit` . Lipotesi di Merton ` che Wt , Nt e yt a e e sono indipendenti. La dimensione relativa dei log-rendimenti dStt = yt 1 ` S 1 2 distribuita log-normalmente con media E[yt 1] = e+ 2 1 k. Merton introduce il termine (kdt) per rendere leetto dei salti in media nullo, cio` non predicibile. e Per risolvere la (41) si utilizza la formula di Ito per i processi jump-diusion: f (Xt , t) 2 2 f (Xt , t) f (Xt , t) dt + bt dt + dt (42) t x 2 x2 f (Xt , t) +t dBt + [f (Xt + X) f (Xt ] (43) x dove bt corrisponde al drift e Xt corrisponde al valore di Xt prima di un salto. Applicando questa formula ai log-prezzi del modello di Merton si ottiene: df (Xt , t) = dlnSt = lnSt lnSt 2 2 2 lnSt dt + ( k)St dt + ST dt t St 2 St2 lnSt +St dBt + [lnyt St lnSt ] St (44) (45) (46) Con le oppurtune sostituzioni si arriva a: 2 St = S0 exp[( k)t + Bt + 2 25
Nt

Yt ]
i=1

(47)

considerando che Yt ln(yi ). Questa ` la forma integrale del processo di e Merton Questo signica che il processo del prezzo del titolo [St ; 0 t T ] modele lato come un esponenziale di un processo di tipo Lvy dalla forma: e St = S0 eX t (48)

dove Xt il processo di Lvy. Quindi possiamo anche dire che il loge e St e e rendimento ln( S0 ) ` modellato come un processo di Lvy: 2 St k)t + Bt + ln( ) = Xt = ( S0 2
Nt

Yt
i=1

(49)

Un campione di tale processo ` riportato in Figura (6). Nel caso del B&S e St avevamo che i ln( S0 ) erano normalmente distribuiti; ci non accade nel caso o di un modello JD a causa dellesistenza del processo composto di Poisson ( Nt Yt ). i=1 Nel caso di Merton la semplice ipotesi sulla distribuzione riguardo ai logrendimenti delle dimensioni del salto Yt N (, 2 ) permette alla densit dei a log-rendimenti xt = ln(St /S0 ) di essere ricavata come una serie rapidamente convergente della forma:

P(xi ) =
i=0

P(Nt = i)P(xi A|Nt = i) 2 et (t)i N (xt ; ( k)t + i, 2 t + i 2 ) i! 2

2 2

(50) (51)

=
i=0

dove la distribuzione N (xt ; ( 1 2( 2 t + i 2 )

k)t + i, 2 t + i 2 ) ` uguale a: e
2 2 2

Xt {( exp

k)t + i} (52)

2( 2 t + i 2 )

Il termine P(Nt = i) = e i! la probabilit` che un titolo abbia un salto e a allistante i durante lintervallo di tempo di lunghezza t, mentre la parte restante dellequazione ` la densit` normale di B&S dei log-rendimenti, cone a dizionata allipotesi che il titolo abbia avuto un salto allistante i. Quindi il modello di Merton pu` essere interpretato come una media della densit o a normale di B&S pesata dalla probabilit che il prezzo del titolo salti i volte. a

t(t)i

26

Data la distribuzione di P(XT = lnST ) si pu` calcolare la sua funzione carato teristica tramite la trasformata di Fourier:

() =

exp(ilnSt )P(lnSt )dlnSt

2 2 ) 2

(53) 22 2 k)t) t] (54) 2 2

= exp[t(e(i dove k = e+ 2 1.
2

1) + i(lnS0 + (

Abbiamo visto che la misura di L`vy (dx) di un processo di Poisson come posto ` data dalla moltiplicazione tra il parametro di intensit` e la densit` e a a di probabilit` f (dx) delle dimensioni dei salti: a (dx) = f (dx) (55)

Si pu, quindi, interpretare la misura di Lvy come il numero medio di salti o e per unit` di tempo. Un processo composto di Poisson ` detto ad attivit` a e a nita, in quanta la sua misura di Lvy ` nita. e e Nel caso di Merton, si utilizza la distribuzione normale per descrivere le dimensioni dei salti, f (dx) N (, 2 ). Perci` si ha : o (dx )2 exp[ ] (dx) = f (dx) = 2 2 2 2 (56)

2.6

Prezzazione di unopzione tramite PDE nel modello di Merton

Si prezzer` una call su un processo di Merton con la tecnica del portafoglio a di replica. Si consideri un portafoglio P con una posizione lunga sull opzione di prezzo V (S, t) (da determinare) su un titolo sottostante S al tempo t e una posizione corta dello stesso titolo S con quantit` . a Tale portafoglio vale: Pt = V (St , t) St (57) mentre le variazioni del valore di P in brevi intervalli di tempo sono date da: dPt = dV (St , t) dSt (58)

Ricordando la dinamica di un processo JD di Merton del prezzo di un titolo dSt = ( k)St dt + St dWt + (yt 1)St dNt , (59) 27

applichiamo la formula (42) di Ito all opzione V (S, t): dV (St , t) = = V V 2 2V dt + ( k)St dt + St2 2 dt t St 2 St V dWt + [V (yy St , t) V (St , t)]dNt +St St (60) (61)

dove il termine [V (yy St , t)V (St , t)]dNt indica la dierenza nel valore dellopzione quando si vericano i salti. Ora la variazione del portafoglio pu` essere espressa sustituendo le formule o (59) e la (60) nella (58), ottenendo, dopo aver riorganizzato i termini: dPt = dV (St , t) dSt (62) 2 2 V V V V = dt + ( k)St dt + St2 2 dt + St dWt (63) t St 2 St St +[V (yy St , t) V (St , t)]dNt {( k)St dt + St dWt + (yt 1)St dNt } 2 2V V V = + ( k)St + St2 2 ( k)St dt t St 2 St V + St St dWT + [V (yy St , t) V (St , t)(yt 1)St ]dNt (64) St Se nell intervallo [0, t] non ci sono salti, allora il problema si riduce al caso del modello geometrico browniano e dellapproccio di Black e Scholes, in cui = V /St , e quindi rimane soltanto dPt = V 2 St2 2 V + dt t 2 St2 (65)

Merton decide di sterilizzare soltanto la casualit` dovuta al processo di a Wiener dWt (non considera il rischio dovuto ai salti assumendolo impredicibile e diversicabile), ottenendo; dPt = V 2 St2 2 V V + dt+ V (yy St , t)V (St , t) (yt 1)St dNt (66) t 2 St2 St

Avendo sterilizzato tutte le possibilit` di arbitraggio, il portafoglio cresce a cos` al tasso di interesse r non rischioso. Quindi: E[dPt ] = rPt dt (67)

28

Figure 6: Processo Jump diusion. In conclusione, sostituendo la (57) e la (66) nella (67) si ottiene lequivalente alla PDE di B&S del modello di Merton: V 2 St2 2 V V V + +rSt +rV +E[V (yt St , t)V (St , t)]St E[yt 1] = 0 2 t 2 St St St (68) La semplice ipotesi che le dimensioni dei salti dei prezzi assoluti siano lognormali fa s che la PDE dei processi JD sia risolvibile, ottenendo il prezzo dellopzione in maniera quasi analitica tramite la serie (rapidamente convergente): e ( )i VBS (St , = T t, i , ri ) (69) VM erton = i! i=0 dove:
1 2 = (1 + k) = e+ 2

29

Figure 7: Esempio di una simulazione Montecarlo di un Jump-Diusion di Merton con 10 cammini

2 i = 2 + i 2 i ln(1+k)

ri = r k +

VBS il prezzo di B&S senza salti e

2.7

Metodo Montecarlo per Merton

Considerando quanto detto sopra riguardo ai processi di Poisson, in particolare nella formula dellalgoritmo (32), si costruisce ora un algoritmo per stimare il prezzo dellopzione tramite aspettazione su Merton, cio` il metodo e Montecarlo. Nella simulazione di un cammino per Merton occorre:
simulare il numero M di salti del processo di Poisson composto simulare gli M istanti di salto i uniformemente distribuiti

30

 simulare i valori Wt della parte browniana

Lalgoritmo utilizzato per implementare il Montecarlo del B&S usando equazioni ricorsive non pu` essere generalizzato ai processi di Lvy. Inoltre o e considerando il numero di percorsi da simulare per avere un risultato sufcientemente preciso, lalgoritmo ` utilizzabile per un numero non troppo e elevato di salti. In Figura (7) si mostra un campione di dieci simulazione del processo jumpdiusion.

2.8

Implementazione del Merton

Si riporta ora il codice della funzione JumpDiusion Montecarlo scritto in Matlab per implementare il modello di Merton per un opzione CALL su un titolo sottostante S sia con il metodo Montecarlo sia con il metodo semianalitico . ********************************************************** function JumpDiffusion_Montecarlo %Merton jump-diffusion % Da Cont, Tankov: Financial modeling with jump processes % Cap. 6, Algoritmo 6.3 da Matsuda chap 9 %La valutazione del Montecarlo fatta sotto la probabilit % neutra al rischio, cos che il drift alfa del jump-diffusion %corrisponde al tasso r privo di rischio %numero di run Montecarlo runs_number = 5000 T = 1; n_intervalli = 1000; dt = T/n_intervalli; t_griglia = (0:dt:T); sigma_w = 0.5 % Griglia temporale, [0,T]

% Incrementi di Wiener DW, %vettore riga con N+1 elementi, devstand = sqrt(dt)*sigma_w %distribuzione N(0,sqrt(dt)*sigma) % DW = normrnd(0,stddev,1,n_intervals+1); % Estrazioni di Poisson con parametro intensita T*lambda: lambda = 10 %N = poissrnd(T*lambda) N = numero di salti 31

% per recuperare il moto standard Brownian si pone N = 0 %N = 0 % Istanti di salto: N variabili uniformemente %distribuite U(a=0,b=T) = a + rand(1,N) * ( b - a ) %U = rand(1,N)*T; % vettori degli istanti di salto ordinato % SU = sort(U) media_j = 0 sigma_j = 0.5 % dimensioni dei salti Y da N(mean_j,sigma_j), %matrice con numero di run per righa e N+1 colonne,

%Y = normrnd(mean_j,sigma_j,1,N); % processi X(run), valore iniziale X0=0, drift b*t % tesso neutro al rischio alfa = 5; % quantita di Merton kappa = exp(media_j + ((sigma_j)^2)/2) - 1; b = (alfa - ((sigma_w)^2)/2 - lambda*kappa); %drift % valore iniziale del sottostante S0 = 1 %X0 = 0 X = zeros(runs_number,n_intervalli+1); %X(:,1) = X0; %-----------------------------------------------------------% montecarlo runs for k = 1:runs_number DW = normrnd(0,devstand,1,n_intervalli+1); N = poissrnd(T*lambda); U = rand(1,N)*T; Y = normrnd(media_j,sigma_j,1,N); Wiener_term = 0; for i = 2:n_intervalli+1 % P_term = termine del Poisson composto P_term = 0; for j = 1:N if U(j)<t_griglia(i) 32

P_term=P_term+Y(j); end end % Wiener_term = termine di Wiener Wiener_term = Wiener_term + DW(i); % processo come la somma di un drift, %un Wiener e un Poisson composto X(k,i) = b*t_griglia(i) + Wiener_term + P_term ; end end

%plot(t_grid,X) %costruzione del processo esponenziale di %Levy con il vettore dei valori finali ST = S0*exp(X(:,n_intervalli+1)); % strike strike = 4 % vettore riga del valore di unopzione CALL al tempo finale CT = max(ST - strike,0); % prezzo opzione C0_montecarlo = exp(- alfa*T) * sum(CT)/runs_number %-----------------------------------------------------------% Prezzazione Merton semianalitica: max_term e il numero %di termini della somma di Merton. Il drift del jump-diffusion %alpha corrisponde al tassso neutro al rischio r max_term = 150 lambda_bar = lambda*(1+kappa); merton_sum = 0; for i=0:max_term sigma_bs = sqrt(sigma_w^2+ (i*sigma_j^2)/T); r_bs = alfa-lambda*kappa+(i*log(1+kappa))/T; poisson_weight=exp(-lambda_bar*T)*((lambda_bar*T)^i)/factorial(i); 33

merton_ith_term=poisson_weight*blsprice(S0,strike,r_bs,T,sigma_bs,0); merton_sum = merton_sum + merton_ith_term; end C0_semianalitica = merton_sum end ******************************************************** Il codice di questa funzione permette di calcolare il prezzo di unopzione call con il metodo Montecarlo e tramite la risoluzione seminalitica dellequazione alle derivate parziali (69). Per prima cosa si costruisce la griglia temporale e si imposta il numero di run da eettuare per il Montecarlo. Poi si assegnano i valori desiderati ai parametri delle distribuzioni per simulare gli incrementi del Wiener (dW), il numero dei salti (M), i tempi dei salti (U) e le dimensioni dei salti (Y). Per implementare il montecarlo si apre un ciclo for che ripete il seguente algoritmo per il numero di run scelto. Poi si assegna :
a dW il valore di una variabile aleatoria normalmente distribuita con media 0 e deviazione standard assegnata per tutti gli intervalli della griglia temporale. ad M il valore di una v.a. secondo una distribuzione di Poisson con parametro intensit` T lambda a ad U il valore di un numero casuale compreso tra 0 e 1 uniformemente distribuiti a Y il valore di una v.a. normalmente distribuita con media e varianza assegnata per ogni salto

Deniti i valori delle varibili, si apre un nuovo ciclo for che si ripete per il numero di intervalli della griglia temporale. Si denisce un termine di Poisson (P term) uguale a zero. Utilizzando un altro ciclo for sul numero N di salti vericati, si somma al termine di Poisson il valore della dimensione dei salti dalla variabile Y (j) al tempo j, se il valore dellistante jesimo estatto dalla varibile U ` inferiore alla griglia temporale. A questo punto si denisce anche e un termine di Wiener (Wiener term) denito dalla somma degli incrementi della variabile dW . Si ` visto che il modello di Merton pu` denito come la somma di un drift, e o 34

di un Wiener e di un Poisson composto; quindi sommiamo questi termini che abbiamo trovato: X(k, i) = b t griglia + W iener term + P term. Ora basta sommarare tutti i claim ottenuti, dividerli per il numero di run ed attualizzarli al tasso deteministico alpha neutro al rischio. Il metodo semianalitico consiste invece nellimplementare la formula (69):

VM erton =
i=0

e ( )i VBS (St , = T t, i , ri ) i!

dove corrisponde a lambda bar e il valore massimo della sommatoria ` il e max term uguale a 150.

Nelle Tabelle (3) e (4) sono riportati i risultati ottenuti con il codice in 10 simulazioni eettuando, rispettivamente, 5000 e 10000 cammini su cui calcolare la media. n. simulz. MONTECARLO SEMIANALITICO 1 0,9271 0,9742 1,0554 0,9742 2 0,9026 0,9742 3 4 0,9385 0,9742 5 0,9219 0,9742 1,0211 0,9742 6 7 1,0485 0,9742 8 0,9706 0,9742 9 0,9191 0,9742 10 1,0548 0,9742 Table 3: Risultati di dieci simulazioni del codice JumpDiusion Montecarlo con parametri: T = 1, n intervalli = 1000, run number = 5000, lambda = 10, mean W = 0, sigma W = 0,5, mean j = 0, sigma j = 0,5, alfa = 5, S0 = 1, strike = 4, max term = 150.

Nella Tabella (3) si ` stimata una media degli eventi pari a 1 = 0, 97866 e ed una deviazione standard 1 = 0, 0587, mentre nella tabella (4) si ` ottenuta e una media degli eventi pari a 2 = 0, 998329 ed una standard 2 = 0, 023. In questo caso con laumentare delle simulazione la media dei eventi non si ` avvicinata al valore del prezzo semianalitico, ma la deviazione standard e 35

n. simulz. MONTECARLO SEMIANALITICO 1 0,9979 0,9742 2 0,9917 0,9742 3 0,9590 0,9742 1,0005 0,9742 4 5 1,0062 0,9742 6 1,0090 0,9742 0,9375 0,9742 7 8 0,9717 0,9742 0,9892 0,9742 9 10 0,9702 0,9742 Table 4: Risultati di dieci simulazioni del codice JumpDiusion Montecarlo con parametri: T = 1, n intervalli = 1000, run number = 10000, lambda = 10, mean W = 0, sigma W = 0,5, mean j = 0, sigma j = 0,5, alfa = 5, S0 = 1, strike = 4, max term = 150.

si ` dimezzata,il che vuol dire che il valore di ogni simulazione molto pi` e e u vicino alla propria media.

36

La trasformata di Fourier come prezzazione di opzioni

In questo capitolo si vedr` come pu` essere applicata la teoria delle trasfora o mazioni di Fourier al modello di B&S e al modello JD di Merton.

3.1

Il modello B&S con la trasformata di Fourier

Lo sviluppo del modello di B&S con la trasformata di Fourier fornisce un ulteriore algoritmo per il calcolo del prezzo di unopzione. Con questo metodo si raggiunge la stessa soluzione ottenuta con i metodi precedenti, ma limportanza di questo metodo diventa pi` evidente quando ` applicato al u e modello di Merton. Per la denizione della trasformata di Fourier si rimanda allappendice A. Si riconsideri la formula (15) sul valore di un opzione ottenuto con il metodo delle martingale, (si prende in considerazione solo il caso della Call, per la Put i ragionamenti sono analoghi): C(t, St ) = er EQ [(ST K)+ |Ft ] (70)

dove = T t. Sia Q(ST |Ft ) la funzione di densit` di probabilit` neutra al rischio (ottenuto a a con il teorema di Girsanov dalla misura originale P ) del prezzo di un titolo ST sotto la probabilit` Q condizionale alla ltrazione Ft . Usando Q(ST |Ft ) a nella (70) si trova esplicitamente che:
+ K

C(t, St ) = er
K +

(ST K)Q(ST |Ft )dST +

0

(0)Q(ST |Ft )dST (71)

= er
K

(ST K)Q(ST |Ft )dST

Si ` visto che nel mondo neutro al rischio il modello di B&S assume che il e prezzo ST sia una variabile casuale log-normale con una densit` condizionata a a Ft data dallequazione: Q(ST |Ft ) =
1 lnST (lnS0 + (r 2 2 ) )2 1 exp dST 2 2 ST 2 2

(72)

Da notare che poich` la distribuzione ` nota, ` nota anche la funzione carate e e teristica, cio` la sua trasformata di Fourier (): e 1 2 ( 2 T ) 2 T () exp i[s0 + (r )T ] 2 2 37 (73)

Risostituendo il valore della densit` di probabilt` nella formula (71), si ota a tiene il prezzo di una Call
1 lnST (lnS0 + (r 2 2 ) )2 1 dST exp 2 2 ST 2 2 K (74) che ` la soluzione in forma semi-chiusa della PDE (17). Senza perdere di e generalit` si ipotizza che t0 = 0 e nellequazione (71) si eetua un cambio di a variabile da ST a lnST e da K a lnK: +

CBS (t, St ) = er

(ST K)

C(t, K) = erT
lnK

(elnST elnK )Q(ST |F0 )dlnST

(75)

Per semplicit` di notazione chiamiamo il log-prezzo lnST sT e il loga strike lnK k e la densit` di probabilit` dei log-prezzi Q(sT |F0 ) Q(sT ). a a La (75) diventa
+

C(t, k) = e

rT k

(esT ek )Q(sT |F0 )dsT

(76)

Ora ci si chiede se si pu` fare la trasformata di Fourier di C. o Si ricordi che data un funzione qualsiasi g(t), condizione suciente dellesistenza della trasformata di Fourier (FT) e della sua inversa ` data dalla condizione: e
+

|g(t)|dt <

(77)

Dallequazione (76) si consideri che se K tende a 0 allora k tende a e quindi:

+ +

C(t, ) = erT

(esT e )Q(sT |F0 )dsT = erT

ST

esT Q(sT |F0 )dsT (78)

= e

rT

EQ [e |F0 ]

ma sotto una misura Q martingala si ha che EQ [ST esT |F0 ] = S0 , quindi: C(T, ) = S0 (79)

e perci` la condizione non ` soddistfatta perche integrare su una costante fa o e divergere lintegrazione (a meno che S0 = 0). Per risolvere il problema si denisce un prezzo della call modicato come: Cmod (T, k) ek C(T, k) 38 (80)

Figure 8: Graco di una CALL prezzata attraverso la FT con = 0 , = 0, 3 e t = 0, 25 dove > 0 ` un parametro scelto in modo tale da soddisfare la condizione e di esistenza (77). Infatti per k , Cmod (T, ) = 0

A questo punto, si pu` applicare la FT al prezzo della call modicata o

+

T () =

eik Cmod (t0 , k)dk

(81)

La relazione tra la FT di C e C ` quindi: e Cmod (t0 , k) = 1 2 1 ek C(t0 , k) = 2 39

+

eik T ()d
+

eik T ()d

C(t0 , k) =

ek 2

eik T ()d

(82)

Ora si vuole derivare unespressione analitica di T () nei termini della + funzione caratteristica (). Poich` T () = eik ek C(T, k)dk, vi si e sostituisce la (76), ottenendo:
+ +

T () =
+

eik ek erT
k s

(esT ek )Q(sT )dsT dk eik (esT +k e(1+)k )dkdsT e

(+1+i)sT

=
+

erT Q(sT ) erT Q(sT )

+ i e ( ( + 1)i) = 2 + 2 + i(2 + 1)
rt

( + 1 + i)sT dsT + 1 + i (83)

cio`: e

eik Cmod (T, k)dk =

ert ( ( + 1)i) 2 + 2 + i(2 + 1) ert ( ( + 1)i) d 2 + 2 + i(2 + 1)

(84)

Antitrasformando si arriva a: ek C(T, k) = 2

+

ik

(85)

dove il prezzo della call ` stato scritto come trasformata di Fourier di una e funzione della funzione caratteristica del problema. Dalla gura (8), ottenuta usando una routine di terze parti [http://www.theponytail.net/CCFEA/] si nota come il metodo della trasformata di Fourier, una volta ssati i parametri, fornisce direttamente un intero intervallo di valori del prezzo in funzione del log-strike k, quindi, rispetto al metodo di Montecarlo gi` visto, questultimo metodo notevolmente pi` potente ed a e u allo stesso tempo computazionalmente non ` pi` pesante. e u

3.2

Il modello JD di Merton con la trasformata di Fourier

Nel caso del processo di Merton, la distribuzione di probabilit` non ` nota a e in forma chiusa ma solo in forma di serie. La funzione caratteristica ` nota e invece in forma analitica. Questo rende il metodo di Fourier molto conveniente nel caso di Merton.

40

Si ricava ora la funzione caratteristica dei log-prezzi St del modello di Merton riprendendo spunto da quanto gi` calcolato nel paragrafo (2.5). La dinamica a dei log-prezzi neutri al rischio pu` essere ottenuta dallequazione (49) soso tituendo allinterno il tasso r neutro al rischio: 2 k)t + Bt + lnSt = lnS0 + (r 2
1 2

Nt

Yt
i=1

(86)

doveK = e+ 2 . La densit` di probabilit` dei log-prezzi ln St ottenuta come rapida convera a e genza della serie della seguente forma:

P(ln St ) = P(xi ) =
i=0

P(Nt = i)P(ln St A|Nt = i)

(87)

=
i=0

2 et (t)i N (ln St ; ln S0 + (r k)t + i, 2 t + i 2 ) i! 2

2 2

dove la distribuzione N (ln St ; ln So + ( uguale a: 1 2( 2 t + i 2 )

k)t + i, 2 t + i 2 ) ` e
2

ln St ln S0 + (r exp

2 2

k)t + i (88)

2( 2 t + i 2 )

Come nel caso precedente sia st = ln St . Dalla trasformazione di Fourier con parametri (a, b) = (1, 1) si pu` calcolare la funzione caratteristica: o

M erton () =

eist P(st )dst =

2 2 ) 2

(89) 2 22 k)t) t] (90) 2 2

= exp[t(e(i

1) + i(s0 + (

Allora riprendendo la formula (85) di prezzazione di un opzione tramite la trasformata di Fourier si ottiene sempre: C(T, k) = ek 2
+

eik

ert M erton ( ( + 1)i) d 2 + 2 + i(2 + 1)

(91)

dove per` questa volta la funzione caratteristica ` data dalla (89). o e

41

Conclusioni

Nel primo capitolo della tesi si ` denito e costruito il modello di Black e e Scholes per unopzione Call. Prezzare una Call con B&S ` relativamente e semplice visto che, per il caso analitico, la soluzione dalla sua equazione alle derivate parziali ` ottenuta dal semplice calcolo di una formula (appunto la e formula di Black e Scholes), mentre per il caso numerico, il metodo Montecarlo non ` computazionalmente molto pesante e quindi si pu` raggiungere e o il numero di percorsi che si preferisce. Dallaltra parte, per`, si ` visto come le ipotesi su cui si basa questo modello o e non sono sempre vericate, rendendo le soluzioni ottenute non sucientemente veritiere. Si visto come alcuni dei limiti attribuiti al modello di B&S possano e essere ricondotti alle ipotesi di base riguardanti la distribuzione dei logrendimenti, assunta normale nel modello, e la costanza della volatilit` dei a titoli nellintervallo considerato. Nel confronto con la realt` si riscontra una a sottostima dei log-ritorni. Con lintroduzione della classe di modelli Lvy si tenta di annullare queste ime perfezioni allentando tali ipotesi. Con questi modelli si ottiene una migliore rappresentazione della realt`, perch` si ` mostrato che il modello di Mera e e ton d origine a distribuzioni di log-ritorni non gaussiane (eq.(51)). Nella a tesi ci si focalizzati sul modello Jump-diusion di Merton appartenente a questa classe. In eetti con lintroduzione dei salti lungo le dinamiche temporali dei titoli, si nota una miglor rappresentazione della realt`. Ma a a fronte di questo vantaggio nella teoria del modello si paga una maggiore dicolt` nellimplementazione del metodo. La soluzione dellequazione alle a derivate parziali, comunque accettabile, ` ottenibile solo attraverso la rapida e convergenza di una serie; mentre per quanto riguarda la soluzione numerica, il metodo Montecarlo computazionalmente troppo pesante a causa e dellintroduzione dei salti. Nellultimo capitolo si denisce come prezzare unopzione con il metodo delle trasformate di Fourier sia per B&S sia per il Merton. Con questa tecnica, grazie allapplicazione di una trasformazione di Fourier ad una funzione della funzione caratteristica della densit` di probabilit` neutra al rischio, si ota a tiene un intervallo di valori dellopzione in funzione dello strike. Per calcolare questi valori ` suciente una trasformata di Fourier che ` facile e veloce e e da implementare numericamente, sono quindi notevoli i vantaggi di questa trasformazione.

42

La trasformata di Fourier

La trasformata di Fourier ` diventata popolare nella nanza perch` permette e e di risparmiare tempo nella prezzazione considerando allo stesso tempo importanti propriet` dei rendimenti dei titoli , come la curtosi, la volatilit` a a stocastica e leetto leverage. Prima si spiegher` la costruzione di una trasformata di Fourier discreta a (DFT) e poi la sua implementazione FFT (Fast Fourier Trasform).

La DFT rigurda i punti omogeneamente spaziati su un cerchio. Matematicamente parlando punti omogeneamente distribuiti sono pi` facili da deu scrivere considerando i numeri complessi I. Considerando lasse delle ascisse come lasse della parte reale e lasse delle ordinate come lasse della perte immagginaria, allora un punto A che appartine ad un cerhio, di centro in O(0, 0) e raggio r = 1, pu essere espresso o come: cos + isen (92) dove indica langolo tra lasse reale e il segmento OA. Un punto su un cerchio pu` essere espresso anche con la formula di Eulero: o cos + isen = ei (93)

Ora ` molto semplice costruire un certo numero di punti omogeneamente e spaziati; baster` dividere lesponente per il numero n di punti che si vuole. a zn = e n
i

(94)

Questi punti, cos` deniti, prendono il nome di radici n-esime. Data una sequanza di n punti spaziati e considerando una rotazione antioraria, si indica il primo puno con (zn )0 , il secondo con (zn )1 , ... ,li-esimo con (Zn )i e cosi via. Essendo i punti omogeneamente spaziati, dopo ogni rotazione i punti che si trovano sono sempre gli stessi, si ha quindi che: per ogni j Z, (zn )ij = (zn )i (95)

dove j indica appunto il numero di rotazioni eettuate La caratteristica di ritornare al punto di partenza ogni volta dopo n punti, pu` essere espressa come: o (z0 )1 + (zn )2 + . . . + (zn )n1 = 0 43 (96)

Questa formula pu` essere maggiormente generalizzata considerando un k o intero compreso tra 1 e n 1, tale che:
k k k (z0 )1 + (zn )2 + . . . + (zn )n1 = 0

(97)

La (97) indica che ogni punto si ripete k volte, cio` che ci sono state k roe tazioni antiorarie. Se k fosse stato negativo, allora indicava una rotazione inversa, cio` in senso orario. e Dato un insieme di punti omogeneamente distribuiti zn ei n , sia a0 , a1 , . . . , an1 una sequenza di n numeri (in genere complessi. Allora la trasformazione discreta di Fourier ` data dalla sequenza di numeri b0 , b1 , . . . , bn1 tali che: e bk
k k k ao (zn )0 + a1 (zn )1 + ... + an1 (zn )n1 = n
2

1 = n

n1 jk aj zn j=0

1 = n

n1

aj ei n jk
j=0

(98)

Lequazione (98) pu` essere scritta in maniera compatta come: o F(a) = b La trasformazione inversa, invece, ` data da: e o (z l )0 + 1 (z l )1 + ... + n1 (z l )n1 b b n b n n = n 1 = n ed in maniera compatta: a = F( b) (101) Si ottiene la trasformata di Fourier per il tempo continuo approssimando la sommatoria con lintegrale. Data una funzione x : t x(t) si denisce la trasformata di Fourier: F[x()] = x() = e la sua inversa: x() = 1 2 1 2 eit x(t)dt
R n1

(99)

al

1 j z jl = b n n j=0

n1

j ei 2 jl b n
j=0

(100)

(102)

eit x(t)dt
R

(103)

44

La funzione caratteristica

Sia X una variabile casuale con funzione di densit` di probsbilit` P. Una a a funzione cacatteristica () con R ` denita come una trasformazione e di Fourier della densit` P usando come parametri di trasformazione (a, b) = a (1, 1). Dalla denizione (102), si ha:

() F[P(x)]

eix P(x)dx = E[eix ]

(104)

Usando la formula di Eulero (93), () pu` essere espressa come: o () = E[cos(x)] + iE[sen(x)] (105)

La serie di Taylor di una funzione esponenziale exp(ix) in una dimensione nel punto x = 0 ` data da: e exp(ix) = 1 + iw + 1 1 1 (ix)2 + (ix)2 + (ix)2 + ... 2! 3! 4! (106)

Pertanto la funzione caratteristica pu` essere riscritta come: o () = 1 1 1 (ix)2 + (ix)2 + (ix)2 + ...)P(x)dx 2! 3! 4! 1 = P(x)dx + i xP(x)dx + (i 2 ) x2 P(x)dx + 2! 1 + (i)3 x3 P(x)dx + .... 3! 1 1 1 = r0 + ir1 + 2 r2 i 3 r3 + 3 r3 + ... 2! 3! 4! n (i) = rn (107) n! n=0 (1 + iw +

dove rn ` ln-esimo momento sullo zero, chiamato momento grezzo. e La funzione densit` di probabilit` P pu` essere ottenuta con la trasformazione a a o inversa di Fourier (103)della funzione caratteristica: P(x) = F 1[()] = 1 2

eix ()d

(108)

45

References
[1] Robert C. Merton, Option price when underlying stock returns are discontinuous. Journal of nancial economics 3, 125 -144,(1976). [2] Kazuhisa Matsuda, Introduction of option pricing with Fourier trasform: option pricing with exponential Lvy models. University of New e York,(2004) [3] Wim Schoutens, Lvy processes in nance. Katholieke universiteit Leue ven, Belgium,(2003) [4] Rama Cont, Peter Tankov, Financial modelling with jump processes. Chapmann & Hall /CRC nancial mathematics series,(2004) [5] Umberto Cherubini, Giovanni Dell Lunga, Sabrina Mulinacci, Pietro Rossi, Fourier trasform methods in nance. Wiley,(2010) [6] http://www.theponytail.net/CCFEA, Center for Computational Finance and Economic Agent.

46