コンテンツへスキップ
ライブラリの全資料

レジーム別リターン経路による合成アメリカンオプション価格評価

記事 arXiv papers · 著者: Julia Sun et al.
原文を読む

サマリー

この枠組みは、合成オプション生成における循環性に対処します。通常、インプライド・ボラティリティは観測されたオプション価格から推定されますが、合成価格を得るにはインプライド・ボラティリティの入力が必要です。まずJump Hidden Markov Modelで複数資産の株価経路を生成し、次に修正Heston分散過程を通じてインプライド・ボラティリティの経路を導きます。分散の目標値は、レジーム、満期までの時間、マネーネス、市場心理指標によって変化します。続いて、外部較正なしでボラティリティ・スマイル、スキュー、期間構造を生成することを意図し、行使価格と満期ごとに初期化した再結合二項格子でアメリカンオプションを評価します。

形状関数は、パラメトリックなベースラインから、全体共有型およびセクター別のニューラル代理モデルを通じて構築されます。時間順のホールドアウトでは、予定された企業イベントが汎化誤差の主な要因でした。決算までの距離や同一セクターの同業他社特徴量により、先行シグナルの一部が回復しました。著者らはこの手法を実際のアット・ザ・マネー近辺の契約に適用し、経路条件付きボラティリティ、アメリカンオプションのグリークス、ショートプレミアムの結果を生成したと報告しています。頑健性の検討には別の原資産も用いています。証拠は説明された取得データと原資産に限られ、より広いパフォーマンスは確認されていません。

主なアイデア

  • Jump Hidden Markov Modelで、レジーム変化と資産間のテール依存性を持つ株価経路を生成します。
  • 修正Heston過程で、リターンのレジームとオプション特性からインプライド・ボラティリティの経路を導きます。
  • 二項格子で、得られたボラティリティ曲面に基づきアメリカンオプションを評価します。
  • ニューラル代理モデルで、全体およびセクターレベルのボラティリティ形状を推定します。
  • 時間順のホールドアウトでは、予定された企業イベントが予測誤差の大きな要因と特定されました。

タグ

オプション株式機械学習デリバティブ価格評価ボラティリティ
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。