رجیم پر مبنی ریٹرن پاتھز سے مصنوعی امریکی آپشن کی قیمت گذاری
خلاصہ
یہ فریم ورک مصنوعی آپشنز بنانے میں موجود دوری مسئلے سے نمٹتا ہے: مضمر اتار چڑھاؤ عموماً مشاہدہ شدہ آپشن قیمتوں سے اخذ کیا جاتا ہے، جبکہ مصنوعی قیمتوں کے لیے مضمر اتار چڑھاؤ اِن پٹ درکار ہوتا ہے۔ پہلے یہ Jump Hidden Markov Model سے متعدد اثاثوں کے ایکویٹی پاتھز بناتا ہے، پھر ترمیم شدہ Heston variance process کے ذریعے مضمر اتار چڑھاؤ کے پاتھز اخذ کرتا ہے۔ ویرینس کا ہدف رجیم، میعاد ختم ہونے تک وقت، مَنی نیس اور مارکیٹ کے مزاج کے اشاریے کے لحاظ سے بدلتا ہے۔ اس کے بعد ری کومبائننگ بائنو میئل جالی امریکی آپشنز کی قیمت مقرر کرتی ہے؛ اسٹرائیک اور میعاد ختم ہونے کے مطابق مخصوص ابتدائی ترتیب کا مقصد بیرونی کیلیبریشن کے بغیر اتار چڑھاؤ کی مسکراہٹ، اسکیو اور میعاد کی ساخت پیدا کرنا ہے۔
شکل کا فنکشن پیرامیٹرک بنیادی ماڈل سے عالمی طور پر مشترک اور شعبے کے لحاظ سے مخصوص نیورل متبادل ماڈلز کے ذریعے تیار کیا گیا ہے۔ زمانی ہولڈ آؤٹ میں مقررہ کارپوریٹ واقعات عمومی اطلاق کی غلطی کا بنیادی سبب تھے؛ آمدنی کے اعلان تک فاصلے اور اسی شعبے کے ہم پلہ اثاثوں کی خصوصیات نے کچھ پیشگی اشارے بحال کیے۔ مصنفین یہ طریقہ حقیقی قریب از مَنی معاہدوں پر لاگو کرتے ہیں اور پاتھ سے مشروط اتار چڑھاؤ، امریکی گرییکس اور شارٹ پریمیم کے نتائج پیدا کرنے کی رپورٹ دیتے ہیں؛ مضبوطی جانچنے کے لیے دوسرا بنیادی اثاثہ استعمال کیا گیا۔ شواہد بیان کردہ مشاہدات اور بنیادی اثاثوں تک محدود ہیں، اس لیے وسیع تر کارکردگی ثابت نہیں ہوتی۔
اہم خیالات
- Jump Hidden Markov Model رجیم کی تبدیلیوں اور اثاثوں کے درمیان دم کی انحصاری کیفیت کے ساتھ ایکویٹی پاتھز بناتا ہے۔
- ترمیم شدہ Heston عمل ریٹرن رجیمز اور آپشن کی خصوصیات سے مضمر اتار چڑھاؤ کے پاتھز اخذ کرتا ہے۔
- بائنو میئل جالی حاصل شدہ اتار چڑھاؤ کی سطح سے امریکی آپشنز کی قیمت مقرر کرتی ہے۔
- نیورل متبادل ماڈلز عالمی اور شعبہ جاتی سطح پر اتار چڑھاؤ کی شکل کا تخمینہ لگاتے ہیں۔
- زمانی ہولڈ آؤٹ میں مقررہ کارپوریٹ واقعات کو پیش گوئی کی غلطی کا بڑا سبب پایا گیا۔
ٹیگز
مکمل متن
# 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.
ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0
یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔