قیمتگذاری مصنوعی اختیار آمریکایی از مسیرهای بازده مبتنی بر رژیم
خلاصه
این چارچوب به دور باطل تولید اختیار مصنوعی میپردازد: نوسان ضمنی معمولاً از قیمتهای مشاهدهشده اختیار استنباط میشود، اما قیمتهای مصنوعی به ورودی نوسان ضمنی نیاز دارند. ابتدا مسیرهای سهام چنددارایی را با مدل مارکوف پنهان جهشی تولید میکند و سپس مسیرهای نوسان ضمنی را از فرایند واریانس اصلاحشده هستون به دست میآورد. هدف واریانس با توجه به رژیم، زمان تا سررسید، فاصله قیمت از قیمت اعمال و شاخصی از حالوهوای بازار تغییر میکند. سپس یک شبکه دوجملهای بازترکیبشونده اختیارهای آمریکایی را قیمتگذاری میکند؛ مقداردهی اولیه ویژه هر قیمت اعمال و سررسید با هدف ایجاد لبخند، چولگی و ساختار زمانی نوسان و بدون کالیبراسیون بیرونی انجام میشود.
تابع شکل از یک خط مبنای پارامتری آغاز میشود و با جانشینهای عصبی مشترک در سطح کل بازار و ویژه هر بخش توسعه مییابد. در آزمون کنارگذاری زمانی، رویدادهای شرکتی برنامهریزیشده منبع اصلی خطای تعمیم بودند؛ ویژگیهای فاصله تا اعلام سود و همتایان همان بخش بخشی از سیگنال پیشنگر را بازیابی کردند. نویسندگان روش را بر قراردادهای واقعی نزدیک به قیمت اعمال بهکار میبرند و از تولید نوسان مشروط به مسیر، یونانیهای اختیار آمریکایی و نتایج موقعیتهای فروش پریمیوم گزارش میدهند؛ دارایی پایه دومی نیز برای بررسی استحکام بهکار میرود. شواهد به دادهها و داراییهای پایه توصیفشده محدود است و عملکرد گستردهتر اثبات نشده است.
ایدههای کلیدی
- مدل مارکوف پنهان جهشی، مسیرهای سهام را با تغییر رژیم و وابستگی دنبالهای میان داراییها تولید میکند.
- فرایند اصلاحشده هستون، مسیرهای نوسان ضمنی را از رژیمهای بازده و ویژگیهای اختیار استخراج میکند.
- شبکه دوجملهای بر پایه سطح نوسان حاصل، اختیارهای آمریکایی را قیمتگذاری میکند.
- جانشینهای عصبی، شکل نوسان را در سطح کل بازار و بخشها برآورد میکنند.
- آزمون کنارگذاری زمانی، رویدادهای شرکتی برنامهریزیشده را منبع اصلی خطای پیشبینی مییابد.
برچسبها
متن کامل
# Synthetic American Option Pricing via Jump-HMM-Driven Heston Implied Volatility # Synthetic American Option Pricing via Jump-HMM-Driven Heston Implied Volatility Generating realistic synthetic option prices requires implied volatility as an input, yet implied volatility is itself derived from observed option prices, creating a circular dependency that limits synthetic data for machine-learning and risk-analysis applications. We break this circularity with a pipeline in which implied volatility emerges as an output of a structural model of equity returns. A Jump Hidden Markov Model produces multi-asset price paths with realistic stylized facts and cross-asset tail dependence; a modified Heston variance process, whose mean-reversion target depends on regime state, days to expiration, moneyness, and a market-mood indicator, converts those paths into implied-volatility paths; and a recombining binomial lattice prices American options from the resulting surface. Initializing variance at its mean-reversion target for each strike-expiration pair lets smile, skew, and term structure emerge without external calibration. We calibrate the shape function through a hierarchy spanning a parametric baseline, a globally shared neural surrogate, and a sector-specific neural surrogate fit to a multi-ticker, multi-sector option ladder. A temporal holdout on a multi-day capture isolated scheduled corporate events as the dominant source of test-time generalization error, and calendar-derived earnings-distance and same-sector peer-coupling features recovered the anticipatory portion of that signal. We then apply the framework as a synthetic-data generator on real near-the-money put and call contracts, forward-simulating price paths, and recovering path-conditional implied volatility, finite-difference American Greeks, and terminal short-premium profit and loss from one coherent simulation, and confirm cross-ticker robustness by re-running on a second underlying from a different sector and volatility regime. The framework is released as an open-source Julia package.
با ذکر منبع و مطابق مجوز اثر، بهطور کامل نمایش داده میشود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخهای از اثر منبع نیست.