Upload
dinhlien
View
213
Download
0
Embed Size (px)
Citation preview
POLITECNICO DI MILANO
Facolta di Ingegneria dei Sistemi
Corso di Studi in
INGEGNERIA MATEMATICA
Tesi di Laurea Specialistica
Calcolo di Malliavin e Copertura diOpzioni Asiatiche
Relatore: Prof. Carlo Sgarra
Candidato:
Marco Papagno 734682
Anno Accademico 2009-2010
I
Sommario
Lo scopo di questo lavoro e quello di proporre un metodo percoprire e prezzare opzioni Asiatiche, sfruttando il calcolo di Malliavin.
Prima di fare cio, mostreremo vari metodi sviluppati nel corsodegli anni per coprire opzioni Asiatiche. In questo excursus, capitolouno, preferiremo porre l’attenzione sui pregi e difetti, limiti ed even-tuali sviluppi, dei metodi elencati, piuttosto di un rigoroso formalismonel dimostrare i risultati ottenuti. La prima classe dei metodi che an-dremo ad analizzare sara di tipo Monte-Carlo, dei quali vedremo meto-di di derivazione differenziale, metodi basati sulla traiettoria, e cheusano stimatori di massima verosimiglianza. Un’altra classe di meto-di che vedremo, e quella analitica, che divideremo in approssimazionecomonotonica, rappresentazione integrale ed approssimazione di Tay-lor. L’ultima classe di metodi che troviamo in questo capitolo, sonoquelli basati sulle differenze finite. Per l’esattezza approfondiremo ilmetodo semi-analitico di Zhang.
Nel capitolo due entreremo invece in una trattazione dettagliata delcalcolo di Malliavin, in particolare mostreremo il concetto di derivatadi Malliavin, e dimostreremo alcune sue proprieta che ci servirannonel prosieguo del nostro lavoro. Il risultato piu importante che incon-triamo nel capitolo sara la formula di Clark-Ocone. Svolgeremo, comeesempio d’applicazione, il calcolo delle greche di un’opzione Asiaticadi tipo aritmetico.
Nel terzo capitolo entreremo nel vivo del lavoro. Applicheremoi risultati precedentementi ottenuti per riuscire ad arrivare ad unaformulazione quasi-esplicita del prezzo e della strategia di coperturadi un’opzione Asiatica a media aritmetica. Troveremo per l’esattezzadue strade percorribili: una formula risolvibile tramite l’utilizzo di unintegrale triplo, ed un’altra tramite la risoluzione di una equazionealle derivate parziali.
Nel quarto capitolo implementeremo dei programmi con i qualidiscuteremo quale metodo ci sembra il migliore. Per risolvere l’EDPuseremo un metodo alle differenze finite, per l’esattezza applichere-mo alla nostra equazione le tecniche di calcolo UPWIND e THETA-METODO.
Nel quinto capitolo ripercorreremo gli stessi passi svolti nel capi-tolo tre, cercando questa volta di arrivare ad un metodo per prezzaree coprire opzioni Asiatiche di tipo geometrico. In questo caso incontr-eremo pero piu ostacoli, che ci costringeranno ad abbandonare la viaanalitica e sfruttare i metodi Monte-Carlo. Questo perche non sare-mo in grado di esprimere una probabilita in forma esplicita o quasi-esplicita. Useremo il metodo della variabile antitetica per ridurre lavarianza del problema.
II
In definitiva saremo in grado di stabilire, e confrontare fra loro,strategie di hedging dinamico per opzioni Asiatiche di tipo averagerate.
AbstractThe aim of this paper is to propose a method to cover and pricing
Asian options, using the Malliavin calculus.Before doing so, we will show various methods developed over the
years to cover Asian Options. In this overview, chapter one, we wouldprefer to focus on its strengths and weaknesses, limitations and possi-ble developments of the methods listed, rather than a rigorous formal-ism to demonstrate results. The first class of methods that we analyzewill be Monte-Carlo methods for derivation of which see differentialmethods, methods based on the path, and using maximum likelihoodestimators. Another class of methods that we shall see, the analytic,which divide into comonotonic approximation, integral representationand approximation of Taylor. The last class of methods that we findin this chapter are those based on finite differences. More precisely,we will discuss semi-analytical method of Zhang.
In chapter two we will enter instead into a detailed discussion ofthe Malliavin calculus, in particular, show the concept of Malliavinderivative, and demonstrate some of its properties that will serve uslater in our work. The most important result, that we will meet in thechapter, will be the Clark-Ocone formula. We will play as an exampleof application, the calculation of the Greeks of an Asian options witharithmetic average.
In the third chapter we will enter into the heart of the work. Applythe results previously obtained to be able to reach a quasi-explicitformulation of price and hedging strategy in arithmetic average Asianoptions. We will find two possible ways: a formula solved by using atriple integral, and another by solving a partial differential equation.
In the fourth chapter we will implement some programs with whichwe will discuss which method seems best. To solve the EDP we willuse a finite difference method: the techniques we will apply to ourequation for calculating are UPWIND and THETA-METHOD.
In the fifth chapter retrace the same steps carried out in chapterthree, this time trying to arrive at a method for pricing and hedgingAsian option with geometric average. In this case, however, we willencounter more obstacles that force us to abandon the way of analyt-ical methods and exploit the Monte-Carlo. This is because we are notable to express a probability explicitly or quasi-explicitly. We will usethe antithetic variable method to reduce the variance of the problem.
In the end we will be able to assess and compare between them,dynamic hedging strategies for Asian options with average rate.
IntroduzioneIn seguito al celebre lavoro di Black e Scholes sulla valutazione e la coperturadelle opzioni, negli ultimi anni, c’e stato un sempre crescente interesse nellostudio di modelli finanziari attraverso concetti matematici, quali martingaleed integrazione stocastica.
Le opzioni sono contratti derivati che danno al compratore (holder), di-etro il pagamento di un premio, il diritto, e non l’obbligo, di comprare ovendere una certa quantita di beni finanziari, ad una certa data e ad unprezzo di esercizio prestabilito. Il venditore (writer) deve attenersi alla deci-sione dell’holder. Il problema e quello di valutare un’opzione ad ogni istante,e di conseguenza trovare il premio, che renda equa l’operazione.
A partire dagli anni ’60, a causa dell’aumentata incertezza sull’andamentodei tassi d’interesse, dell’inflazione, dei prezzi dei titoli azionari e dei tassidi cambio, della maggiore specializzazione professionale tra gli operatori delmercato e della maggiore competizione tra le diverse attivita finanziarie, sie assistito alla nascita di nuovi e piu efficienti prodotti che garantiscono laripartizione del rischio: parliamo dei cosiddetti prodotti finanziari derivati.
In realta e difficile dare un’esatta datazione sulla nascita del fenomenoderivati, poiche le testimonianze e le teorie in merito sono numerosissime,ma quello che c’interessa e l’analisi degli elementi che hanno condotto allosviluppo di questi strumenti. La crescita della volatilita dei prezzi dei tassirappresenta la prima grande fonte di sviluppo dei derivati: negli anni ’50e gran parte degli anni ’60 infatti, i sistemi economici dei paesi industrial-izzati, presentavano condizioni di relativa stabilita, sia per quanto riguardail prezzo delle merci, sia per i tassi d’interesse. Tale stabilita si esprimevapositivamente sui flussi finanziari delle imprese e sulle condizioni di raccoltadel capitale di debito. Verso la fine degli anni ’60 pero, tali equilibri eco-nomici e finanziari tra i paesi industrializzati iniziarono a venire meno: itassi d’inflazione di Stati Uniti e Gran Bretagna iniziarono a salire, mentrefra le varie nazioni iniziarono a registrarsi divergenze sempre maggiori, sia intermini di politica fiscale e monetaria, sia per le dinamiche inflazionistiche.Questi elementi hanno inevitabilmente condotto all’abbandono, nel 1973, delsistema dei cambi fissi sancito dagli accordi di Bretton Woods. Dai primianni ’70, quindi, cio che ha inciso sullo scenario economico internazionale,sono stati i livelli eccezionalmente alti di volatilita raggiunti dai prezzi e daitassi d’interesse e di cambio, introducendo un clima d’incertezza destinatoa permanere. Cio ha fatto nascere il bisogno di strumenti e strategie per la
IV
gestione dei rischi finanziari a cui i principali soggetti economici si trovavanoesposti: la nascita dei mercati organizzati di futures, opzioni e swap su tassid’interesse, su tassi di cambio e sui prezzi delle materie prime, rappresentaquindi la risposta del sistema finanziario al risk management.
Tra tutti i prodotti finanziari derivati, le opzioni sono sicuramente gli stru-menti piu utilizzati dagli investitori e quelli maggiormente studiati ed anal-izzati dagli esperti. Esse hanno una funzione finanziaria molto importanteper le operazioni svolte da banche ed imprese: rappresentano lo strumentoper eccellenza su cui basare le strategie di gestione del rischio. La primaimportante suddivisione a cui possiamo sottoporre le opzioni, e senza ombradi dubbio quella tra opzioni call e put ed opzioni europee ed americane. Nelcaso siano di tipo europeo il diritto di opzione puo essere esercitato solo allascadenza, se sono di tipo americano il compratore puo esercitare il suo dirit-to in qualsiasi momento e non soltanto alla scadenza. L’altra importanteclassificazione e quella opzioni ordinaria (normalmente chiamate vanilla) daquelle esotiche: le prime si caratterizzano per avere sempre dei payoff stan-dard e sono quelle normalmente trattate nei mercati regolamentati, mentre leseconde si caratterizzano per payoff piu particolari, non standard, e vengonosolitamente trattate nei mercati OTC come risposta alle particolari esigenzefinanziarie di alcune fasce di investitori. In riferimento a tale differenza, esovente associato ad esse, la suddivisione tra opzioni di prima e di secondagenerazione. Un’ulteriore suddivisione, ortogonale alla precedente, e quellatra opzioni che non dipendono dalla storia del titolo sottostante e opzioniche dipendono dalla storia del titolo sottostante, chiamate piu frequente-mente path-dependent. Per queste ultime, il valore dell’opzione (o equivalen-temente, il payoff a scadenza) dipende non solo dal prezzo del sottostantealla scadenza, ma anche dalla sua storia passata. Sara esattamente su questeopzioni che si concentrera il nostro lavoro.
Infatti le opzioni Asiatiche sono un tipo d’opzione che appartengono allafamiglia path-dependent, in quanto il loro profitto dipende da un valore mediocalcolato sulla base di prezzi che si riferiscono ad un predeterminato insiemedi osservazioni. Tali tipi d’opzione sono state proposte e studiate per la primavolta da Boyle ed Emanuel, negoziate per la prima volta a Tokyo alla finedegli anni ’80 (da qui l’appellativo Asiatiche), e da allora si sono imposte neimercati finanziari sia come attivita finanziaria a se stante, sia come clausolainglobata nel regolamento di alcuni titoli obbligazionari. Risultano molto piuconvenienti rispetto alle classiche opzioni ordinarie, ma proprio per le lorocaratteristiche strutturali, il pricing di questi prodotti, presenta ancora oggidei quesiti irrisolti.
La prima problematica che vogliamo sottolineare, e che per questo tipo diopzioni, non e possibile applicare direttamente la formula di Black e Scholes
V
per la loro valutazione: in tale equazione il prezzo dell’opzione non dipende innessun modo dalla variabile essenziale che caratterizza le opzioni Asiatiche,cioe, la media dei prezzi del titolo sottostante. Introducendo nell’equazioneun elemento che sia strettamente legato a questa media, abbiamo ricavato l’e-quazione differenziale per le opzioni Asiatiche. La seconda problematica chevogliamo evidenziare e la valutazione delle opzioni Asiatiche in forma chiusa.Nel caso in cui il parametro di riferimento sia la media aritmetica, non e statoancora trovata una formula di valutazione. Qualora la media di riferimentosia di tipo geometrico, si puo dimostrare che, sia nel caso discreto che con-tinuo, la media geometrica segue una distribuzione log-normale con media evarianza che possono essere calcolate esplicitamente. Pur essendoci notevolidifficolta nel ricavare una formula chiusa per opzioni Asiatiche che prevedonomedie aritmetiche, nella prassi operativa la maggior parte delle opzioni Asi-atiche negoziate, presentano come parametro di riferimento proprio medie ditale tipologia.
Le opzioni Asiatiche sono quindi difficili da prezzare sia analiticamente chenumericamente. Anche se sono state al centro di molte attenzioni negli annirecenti, non c’e una tecnica che sia completamente accettata per prezzarele opzioni Asiatiche per tutte le scelte dei parametri di mercato. Dunque,stimare la sensitivities del prezzo e spesso importante tanto quanto la stimadel prezzo stesso, questo perche le sensitivities sono una misura del rischio.Pero queste sensitivities devono essere stimate poiche non e possibile vederlequotate sul mercato.
Le applicazioni del calcolo di Malliavin in finanza sono relativamente re-centi: inizialmente i risultati di Paul Malliavin (10 Settembre 1925 - 3 Giugno2010) riscossero notevole interesse in relazione alla prova ed estensione delteorema di ipoellitticita di Hormander.
Dal punto di vista teorico, unanotevole applicazione finanziaria delcalcolo di Malliavin e data dalla for-mula di Clark-Ocone che proveremonel seguito del lavoro: essa raffinail teorema di rappresentazione dellemartingale e permette di esprimerela strategia di copertura di un’opzionein termini di derivata stocastica delprezzo.
Il calcolo di Malliavin si e svilup-pato principalmente alla fine degli anni ’70 con l’obiettivo iniziale di dare unadimostrazione probabilistica del teorema di Hormander, ma in seguito e di-ventato di centrale importanza anche in campo applicativo, segnatamente
VI
finanziario, grazie all’articolo di Fournie et al. [4], che ne ha proposto un’ap-plicazione al calcolo delle cosiddette greche. Nel gergo finanziario le greche,calcolate come derivate del prezzo di un prodotto finanziario rispetto ad unqualche parametro, sono quantita importanti poiche rappresentano la sensi-bilita dei prezzi alle variazioni del parametro stesso. Ricordiamo anche chela teoria di Malliavin e stata recentemente utilizzata per il calcolo numericodel prezzo di opzioni Americane con metodi Monte Carlo.
In questa tesi, si vuole trattare l’applicazione del calcolo di Malliavin allacopertura di opzioni Asiatiche di tipo average rate, ovvero dove lo strike efissato. Prima di fare cio, discuteremo come la ricerca in campo finanziariosi sia concentrata, negli ultimi anni, su tecniche per prezzare ed elaborarestrategie di coperture proprio su questo tipo d’opzioni. Infatti, opzioni pathdependent sono estremamente diffuse in mercati che trattano, ad esempio,tassi di cambio. Questo accade perche spesso non e il prezzo spot quello piuimportante (anche perche soggetto a fluttuazioni non sempre naturali), mabensı un prezzo medio sul periodo valutato. Inoltre si sono diffusi tipi dicontratto complessi, il cui payoff dipende da tutta la storia del sottostante, eche quindi non e semplice valutarne prezzo e sensitivities. Vedremo strategiedi copertura statiche, pricing basato sul metodo Monte-Carlo, calcolo dellegreche in modo analitico o tramite l’aiuto di metodi alle differenze finite.
Il calcolo di Malliavin ci permette di gestire al meglio proprio questotipo di problemi, ovvero quando una funzione dipende da una traiettoriastocastica. Quindi, dopo aver introdotto proprieta fondamentali ed esserearrivati fino alla formula di Clark-Ocone, che e un’estensione del teoremadi rappresentazione delle martingale, saremo pronti ad applicare queste tec-niche di calcolo al nostro problema iniziale. Vedremo come la diversa natu-ra del payoff ci portera a dover utilizzare due approcci molto diversi. In-fatti, utilizzando media aritmetica o media geometrica, arriviamo a poterdisporre di una soluzione quasi-esplicita o all’avere bisogno di utilizzare ilmetodo Monte-Carlo per stimare la probabilita condizionata di essere in-the-money. Discuteremo l’implementazione dei metodi visti e proporremo unloro confronto.
Indice
Sommario I
Abstract II
Introduzione III
1 Opzioni Asiatiche 11.1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21.2 Simulazione Monte-Carlo . . . . . . . . . . . . . . . . . . . . . 5
1.2.1 Metodo della Traiettoria . . . . . . . . . . . . . . . . . 91.2.2 Stimatori di Massima Verosimiglianza . . . . . . . . . . 13
1.3 Metodo Analitico . . . . . . . . . . . . . . . . . . . . . . . . . 151.3.1 Approssimazione Comonotonica . . . . . . . . . . . . . 171.3.2 Rappresentazione Integrale . . . . . . . . . . . . . . . . 191.3.3 Approssimazione di Taylor . . . . . . . . . . . . . . . . 28
1.4 Metodi alle Differenze Finite . . . . . . . . . . . . . . . . . . . 301.4.1 Il metodo semi-analitico di Zhang . . . . . . . . . . . . 31
2 Introduzione al calcolo di Malliavin 352.1 Derivata stocastica . . . . . . . . . . . . . . . . . . . . . . . . 35
2.1.1 Chain rule . . . . . . . . . . . . . . . . . . . . . . . . . 392.2 Dualita . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.2.1 Formula di Clark-Ocone . . . . . . . . . . . . . . . . . 472.2.2 Integrazione per parti e calcolo delle greche . . . . . . . 49
3 Pricing and Hedging di Opzioni Asiatiche Tramite il Calcolodi Malliavin 553.1 Model setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . 553.2 Un breve riassunto del calcolo di Malliavin . . . . . . . . . . . 583.3 Densita dell’Asiatica con media aritmetica . . . . . . . . . . . 643.4 Strategia di replica e pricing quasi-esplicito dell’opzione Asiatica 68
4 Analisi Numerica 734.1 Risoluzione numerica dell’EDP . . . . . . . . . . . . . . . . . 754.2 Formulazione algebrica e θ-metodo . . . . . . . . . . . . . . . 784.3 Calcolo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 824.4 Codice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
5 Caso Media Geometrica 885.1 Implementazione . . . . . . . . . . . . . . . . . . . . . . . . . 915.2 Codice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 935.3 Simulazione . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Conclusioni 100
A Definizioni 102
B Equazione di Kolmogorov all’indietro 104
C Calcolo di Ito funzionale 106C.1 Notazioni e definizioni . . . . . . . . . . . . . . . . . . . . . . 106C.2 Calcolo di Ito funzionale . . . . . . . . . . . . . . . . . . . . . 112
Riferimenti Bibliografici 120
Elenco delle figure1 Oscillazioni . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212 f(t, x, y, v, a, b) . . . . . . . . . . . . . . . . . . . . . . . . . . 743 U(T − t, x) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 814 U(T − t, x) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 825
∫∞G(t)
U(T − t, x) . . . . . . . . . . . . . . . . . . . . . . . . . . 83
6 Frazione del portafoglio (fino a 1) . . . . . . . . . . . . . . . . 847 Frazione del portafoglio (fino a 0) . . . . . . . . . . . . . . . . 858 Strategia per opzioni a media geometriche. . . . . . . . . . . . 959 Strategia per opzioni a media aritmetica. . . . . . . . . . . . . 9610 Medie a confronto. . . . . . . . . . . . . . . . . . . . . . . . . 9711 Confronto fra le strategie. . . . . . . . . . . . . . . . . . . . . 99
1Opzioni Asiatiche
Un’opzione Asiatica e uno strumento derivato, il cui Payoff e basato sulla me-
dia del prezzo del sottostante durante l’arco di un dato periodo precedente
alla Maturity. Questo tipo di derivato e molto usato nei mercati finanziari
in cui questa media produce un effetto di smoothing. Per esempio, le opzioni
Asiatiche vengono spesso utilizzate per coprirsi dal rischio sul tasso di cam-
bio, dove il tasso di cambio medio su un periodo e spesso piu importante ai
fini della copertura, rispetto al tasso ad una data fissata. Inoltre, la struttura
del Payoff delle opzioni Asiatiche le rende meno vulnerabili a manipolazioni,
e questo puo essere una caratteristica importante in alcuni mercati. Abbon-
dano anche in alcune assicurazioni legate agli equity dove il payoff e basato
sulla media del periodo di alcuni indici di borsa.
In pratica, il piu comune tipo di contratto e basato sulla media aritmeti-
ca del prezzo del sottostante. In questo caso il prezzo dell’opzione risultante
non ha una soluzione in forma chiusa semplice sotto le normali assunzioni
di Black-Scholes. Questo e in netta contrapposizione con le opzioni Europee
basate sul prezzo finale del sottostante, dove la formula di Black-Scholes
da una soluzione in forma chiusa per il prezzo dell’opzione. La stima delle
opzioni Asiatiche a media aritmetica e diventata un campo a se della finan-
za computazionale. Innanzitutto, perche il problema e computazionalmente
complesso. Inoltre perche i trader sono interessati ad ottenere metodi di cal-
colo numerici efficienti per calcolare il prezzo dell’opzione e stimare le sue
sensitivities. Queste sensitivities possono essere calcolate come la derivata
Introduzione 2
matematica del prezzo dell’opzione rispetto ad un determinato parametro, e
sono note anche come Greche. Infine, nella formulazione a tempo continuo, il
problema porta direttamente ad interessanti e affascinanti sviluppi matem-
atici, relativi ai funzionali esponenziali del moto Browniano.
In questa prima parte del lavoro, il nostro scopo sara quello di presentare
una rassegna dei principali metodo per calcolare le sensitivities e prezzare le
opzioni Asiatiche.
1.1 Introduzione
Le opzioni Asiatiche sono difficili da prezzare sia analiticamente che numeri-
camente. Anche se sono state al centro di molte attenzioni negli anni recenti,
non c’e una tecnica che sia completamente accettata per prezzare le opzioni
Asiatiche per tutte le scelte dei parametri di mercato. Dunque, stimare la
sensitivities del prezzo e spesso importante tanto quanto la stima del prezzo
stesso, questo perche le sensitivities sono una misura del rischio. Pero queste
sensitivities devono essere stimate poiche non e possibile vederle quotate sul
mercato.
Consideriamo il modello di Black-Scholes classico, con un singolo fattore
di rischio, che segue un moto Browniano standard
dSt = rStdt+ σStDWt, t ≥ 0, (1)
dove (Wt, t ≥ 0) e un moto Browniano standard, σ > 0 e la volatilita costante,
r ≥ 0 e il tasso d’interesse free-risk (anch’esso lo prendiamo costante), ed S0
e il prezzo iniziale. L’equazione (1) puo essere riscritta nella forma
St = S0eµt+σWt , t ≥ 0, (2)
dove µ = r − σ2
2. Per ogni T > 0
AT =1
T
∫ T
0
Stdt (3)
Introduzione 3
e il prezzo medio del sottostante lungo il periodo [0, T ]. Allora il valore
dell’opzione Asiatica di tipo call con strike price K > 0 e maturity pari a T
e data da
(PA)c = e−rTE[max(AT −K, 0)]. (4)
La versione discreta di questo tipo d’opzione, campiona i prezzi da mediare
in date prefissate t1, . . . , tN
AN =1
N
N∑i=1
Sti . (5)
Per semplicita ipotizzeremo che ti = ih, dove h = T/N , cosı da avere gli
intervalli equispaziati. Il valore di questa opzione sara
(PA)d = e−rTE[max(AN −K, 0)]. (6)
Un altro tipo d’opzione con la media sul prezzo, e l’opzione Asiatica di
tipo geometrico. Ovvero, nel caso discreto, il payoff dipende dalla media
geometrica del prezzo del sottostante
GN =
(N∏i=1
Si
) 1N
. (7)
La (7) puo essere riscritta nel caso di campionatura continua come
GT = exp
(1
T
∫ T
0
ln(St)dt
). (8)
Cosı il valore della opzione Asiatica a media geometrica con strike price K e
maturity pari a T e data da
(PG)d = e−rTE[max(GN −K, 0)] (9)
nel caso di campionatura discreta. Mentre nel caso continuo avremo
(PG)c = e−rTE[max(AT −K, 0)]. (10)
Introduzione 4
Prezzare l’opzione Asiatica di tipo aritmetico e difficile perche non c’e
un’espressione in forma chiusa della distribuzione della somma di variabili
casuali log-normali dipendenti tra loro. A differenza delle aritmetiche, le
opzioni Asiatiche a media geometrica possono essere prezzate in forma chiusa.
Consideriamo, ad esempio, il caso discreto. Non e difficile dimostrare che
log(GN) e normalmente distribuito con media log(S0) + µaNT e deviazione
standard σbN√T , dove
aN =(N + 1)
2Ne bN =
√(N + 1)(2N + 1)
6N2. (11)
Quindi la densita di GN e
g(x) =1
xσbN√Tφ
(ln(x/S0)− µaNT
σbN√T
), (12)
dove φ(z) = e−z2/2/√
2π e la densita di una gaussiana standard. Quindi
un calcolo abbastanza semplice mostra che il prezzo dell’opzione Asiatica a
media geometrica con campionamento discreto e dato da
(PG)d = e−rT(S0 exp(cN)Φ
(dN + σbN
√T)−KΦ(dN)
), (13)
dove
cN = µaNT +(σbN
√T )2
2, dN =
− log(K/S0) + µaNT
σbN√T
,
e Φ e la funzione di densita cumulata di una normale.
In modo simile, otteniamo la seguente espressione in forma chiusa per il
prezzo dell’opzione Asiatica di tipo geometrico con campionamento continuo
(PG)c = e−rT(S0 exp(c∗)Φ
(d∗ +
1√3σ√T
)−KΦ(d∗)
), (14)
dove
c∗ =1
2µT +
1
6(σ√T )2, d∗ =
√3− log(K/S0) + µT/2
σ√T
,
Simulazione Monte-Carlo 5
Anche se in pratica le opzioni Asiatiche geometriche non sono comunemente
usate, posso essere sfruttate per migliorare le performance dei vari metodi di
calcolo per prezzare le opzioni Asiatiche aritmetiche.
1.2 Simulazione Monte-Carlo
L’approccio Monte-Carlo e molto diffuso grazie alla sua flessibilita ed alla
sua facile implementazione. Generalmente, si articola nei seguenti tre passi:
1. simula delle traiettorie casuali sotto la misura di probabilita neutrale
rispetto al rischio,
2. stima il payoff scontato su ogni traiettoria,
3. fa la media sui payoff scontati.
Il metodo Monte-Carlo puo essere usato per prezzare una vasta gam-
ma di opzioni e puo essere facilmente modificato per incorporare le varie
caratteristiche dei contratti reali.
Per i nostri scopi di simulazione possiamo usare la seguente versione a
tempo discreto dell’equazione (2)
Si = Si−1eµh+σ
√hU , i = 1, . . . , N, (15)
dove Si indica il prezzo del sottostante alla data ti e la variabile casuale U e
presa dalla distribuzione di una normale standard.
Chiaramente questo metodo puo essere utilizzato per prezzare opzioni
Asiatiche con campionamento discreto. Il prezzo della versione a campiona-
mento continuo puo essere stimato prendendo N sufficientemente grande.
Il metodo standard per stimare le derivate matematiche dei contratti,
quali le opzioni, usano la re-simulazione. Se scriviamo come P (α) l’opzione
con α il parametro d’interesse, allora la derivata di P rispetto ad α puo essere
Simulazione Monte-Carlo 6
stimata attraverso un’approssimazione alle differenze finite come
P (α + ε)− P (α)
ε
dove ε sia sufficientemente piccolo. Se la stima dei due stimatori e fatta
con pescate di variabili casuali indipendenti, allora si puo provare che la
miglior convergenza possibile e dell’ordine di n−1/4. Stimando la precedente
approssimazione alle differenze finite con lo schema centrato
P (α + ε)− P (α− ε)2ε
incrementa l’ordine di convergenza a n−1/3.
Si scopre inoltre che piu i prezzi P (α) e P (α+ ε) sono correlati positiva-
mente, maggiore e l’efficienza della stima della derivata. Si puo dimostrare
che in alcuni casi l’ordine di convergenza di questi metodi raggiunge n−1/2,
che e il massimo che ci si puo attendere dai metodi Monte-Carlo.
Comunque, nonostante l’aumento di efficienza che si puo ottenere at-
traverso l’utilizzo di precisi numeri casuali (metodi Quasi Monte-Carlo), la
stima basata sull’approssimazione alle differenze finite nell’ambito Monte-
Carlo, pecca principalmente per due difetti: sono distorti e richiedono piu
re-simulazioni. Durante l’ultimo decennio si sono scoperti una serie di meto-
di diretti per la stime delle Greche attraverso la simulazione. Questi metodi
diretti calcolano una stima della Greca richiesta da una singola simulazione,
e quindi non richiedono la re-simulazione con un parametro perturbato. In-
oltre, un altro vantaggio e che questi metodi restituiscono uno stimatore non
distorto.
Uno dei piu efficienti metodi diretti e quello della traiettoria che e basato
su una tecnica generalmente chiamata analisi delle perturbazioni infinites-
imali . L’idea principale di questo metodo e che, per payoff semplici, una
rappresentazione attesa della Greca d’interesse puo essere ottenuta semplice-
mente derivando dentro l’operatore di previsione (dentro la media); il valore
atteso e quindi stimato attraverso classici metodi Monte-Carlo.
Simulazione Monte-Carlo 7
Mentre il metodo della traiettoria e basato sulla relazione tra il payoff del
contratto ed il parametro d’interesse, il metodo della verosimiglianza e basato
sulla relazione fra la funzione densita di probabilita del prezzo del sottostante
ed il parametro d’interesse. Questo metodo puo essere utilizzato quando la
densita congiunta delle variabili casuali coinvolte nel problema e esplicita-
mente nota o puo essere approssimata. E dimostrato che, se applicabile, il
metodo e molto efficiente.
Una struttura molto flessibile per la stima delle Greche su proposta da
Fournie et al. Loro mostrarono che sotto alcune condizioni abbastanza gen-
erali, una Greca puo essere rappresentata come una valore atteso del payoff
moltiplicato per una certa funzione peso. Cosı la Greca desiderata puo essere
stimata numericamente tramite simulazione Monte-Carlo e lo stimatore real-
izza l’usuale ordine di convergenza pari a n−1/2. Gli strumenti per calcolare
la funzione peso sono dati dalla teoria del calcolo di Malliavin (che vedremo
nei dettagli nei prossimi capitoli).
E importante notare come gli stimatori ottenuti attraverso gli ultimi due
metodi sono indipendenti dalla funzione del payoff, infatti si applicano a tutte
le funzioni di payoff che dipendono solamente dalla media del prezzo del sot-
tostante. Si noti inoltre come gli stimatori ottenuti attraverso il metodo dei
pesi di Malliavin non siano unici. Si puo ottenere qualunque numero di sti-
matori differenti per la stessa sensitivity che puo avere differenze significative
nella varianza.
Ci sono comunque delle pecche dovute al metodo Monte-Carlo, ma negli
ultimi anni si sono fatti dei passi avanti per colmare queste lacune. Una
delle principali debolezze e l’ordine di convergenza. E disponibile un’ampia
gamma di tecniche per incrementare l’efficienza del metodo Monte-Carlo, la
maggior parte delle quali e indirizzata verso la riduzione della varianza degli
stimatori.
Una delle piu efficaci tecniche di riduzione della varianza e il metodo
della variabile di controllo, dove l’opzione Asiatica con media geometrica a
campionamento discreto e usata come variabile di controllo. Sia PG (rispet-
tivamente PA) il payoff scontato dell’opzione Asiatica a media geometrica
Simulazione Monte-Carlo 8
(rispettivamente aritmetica). Allora
PG = E[PG] e PA = E[PA].
Quindi per ogni β ∈ R abbiamo che
PA = E[PA + β(PG − PG)].
Uno stimatore non distorto di PA e cosı fornito da
P cvA = PA + β(PG − PG). (16)
In pratica, β ∈ R e scelto per minimizzare la varianza dello stimatore P cvA .
Un semplice strumento computazionale per risolvere questo problema e la
regressione lineare. Nel caso di opzioni Asiatiche, β e solitamente vicino ad
1.
Fu et al. studiarono l’uso di altre variabili di controllo per opzioni Asi-
atiche, basate su valori della trasformata di Laplace, ma queste sembrano
essere correlate piu debolmente col prezzo dell’opzione. Studiarono inoltre
gli effetti della distorsione dovuta alla discretizzazione nella simulazione e
dimostrarono come questa distorsione puo essere corretta attraverso l’uso di
variabili di controllo appositamente costruite.
In qualche articolo vi e il tentativo di fondere piu tecniche di riduzione
della varianza (citiamo ancora il metodo delle variabili antitetiche, del impor-
tance sampling e del moment matching) ma l’aumento dell’efficienza costa
un notevole incremento nella complessita implementazionale.
Tecniche di riduzione della varianza che si applicano allo stimatore del
prezzo dell’opzione, possono essere spesso applicata agli stimatori della sua
derivata. Sia DA (rispettivamente DG) uno stimatore non distorto di una
Greca dell’opzione Asiatica con media aritmetica (rispettivamente geometri-
ca). Allora
DA = E[DA] e DG = E[DG]
Simulazione Monte-Carlo 9
dove DA (rispettivamente DG) e il valore reale della Greca da stimare. Quindi
DA = E[DA + β(DG − DG)]
per ogni β ∈ R. Si noti che DG puo essere calcolato esplicitamente usando la
(13). Uno stimatore non distorto di DA e quindi dato da
DcvA = DA + β(DG − DG).
Il parametro β e scelto per minimizzare la varianza dello stimatore DcvA . Il β
che minimizza la varianza e
β∗ =Cov[DA, DG]
Var[DG]
In linea di principio, il prezzo dell’opzione geometrica stessa potrebbe essere
usata coma variabile di controllo. Tuttavia, scopriamo che in molti casi
l’uso del prezzo dell’opzione come variabile di controllo non produce una
diminuzione della varianza dello stimatore della Greca.
In questa sezione considereremo in dettaglio due metodi per calcolare le
greche dell’opzione Asiatica con media aritmetica usando simulazioni Monte-
Carlo.
1.2.1 Metodo della Traiettoria
Per illustrare l’applicazione di questo metodo, considereremo il problema di
stimare la Delta di un’opzione Asiatica con media geometrica. La stima,
con il metodo della traiettoria, della vera Delta e la derivata del prezzo
campionato PG rispetto ad S0
∆ =dPGdS0
=d
dS0
E[PG]. (17)
Simulazione Monte-Carlo 10
Come dimostrato da Broadie e Glasserman, possiamo intercambiare il dif-
ferenziale e l’operatore di media nella (17) ottenendo
∆ =d
dS0
E[PG] = E[dPGdS0
].
Si puo facilmente verificare usando la (7) che
dPGdS0
=dPGdGN
· dGN
dS0
= e−rT1GN>KGN
S0
, (18)
dove 1. indica la funzione indicatrice dell’evento nella parentesi. Cosı
otteniamo
∆ = e−rTE[1GN>K
GN
S0
]. (19)
In modo analogo otteniamo le seguenti rappresentazioni per la Vega e per il
Rho
V = e−rTE[1GN>K
1
σ
(ln
(GN
S0
)− aNT
(r +
σ2
2
))],
e
P = e−rTE[1GN>KT (K − (1− aN)GN)
].
Il caso della Gamma e leggermente piu complicato. Usando la (18) e notando
che GN/S0 non dipende da S0 otteniamo che
d2P
dS20
= e−rTGN
S0
d
dS0
(1GN>K) = e−rT(GN
S0
)2
δ(K), (20)
dove δ indica la delta di Dirac. Ancora, possiamo scambiare la derivata e la
media.
Γ = E
[d2P
dS20
]= e−rTE
[(GN
S0
)2
δ(K)
]
= e−rT(K
S0
)2
g(K), (21)
Simulazione Monte-Carlo 11
dove g e data dalla (12). Cosı otteniamo la seguente rappresentazione della
Gamma
Γ = e−rT(K
S0
)21
KσbN√Tφ
(ln(K/S0)− aNT (r − σ2/2)
σbN√T
), (22)
dove a e b sono dati in (11). Si noti che la (22) non prevede l’utilizzo di
variabili casuali. Otteniamo cosı il seguente teorema.
Teorema 1.1. I seguenti sono stimatori non distorti, ottenuti con il meto-
do della traiettoria, della derivata indicata del prezzo di un’opzione Asiatica
geometrica con campionamento discreto
∆ : e−rT1GN>KGN
S0
,
Γ : e−rT(K
S0
)21
KσbN√Tφ
(ln(K/S0)− aNT (r − σ2/2)
σbN√T
),
V : e−rT1GN>K1
σ
(ln
(GN
S0
)− aNT
(r +
σ2
2
)),
P : e−rT1GN>KT (K − (1− aN)GN).
Il caso dell’opzione Asiatica aritmetica e molto simile. L’unica significati-
va differenza e che per ottenere la (22) dalla (21) abbiamo bisogno di sapere
la densita di GN in K. Non c’e una forma chiusa per la densita di AN , ma
puo essere stimata attraverso simulazione. Per ogni x ∈ R abbiamo che
P (AN ≤ x) = P (SN ≤ CN(x)),
dove
CN(x) = Nx−N−1∑i=1
Si. (23)
Condizionando rispetto a S1, . . . , SN−1 otteniamo
P (AN ≤ x) = E[P (SN ≤ CN−1)|S1, . . . , SN−1]. (24)
Simulazione Monte-Carlo 12
E facile verificare che
P (SN ≤ CN(x)|S1, . . . , SN−1) = 1CN (x)>0Φ(RN(x)), (25)
dove
RN(x) =1
σ√h
(ln
[CN(x)
SN−1
]− µh
)(26)
e Φ e la funzione di ripartizione di una normale. Differenziando la (24)
rispetto ad x ed usando la (25) e la (26) otteniamo la seguente espressione
per la densita di AN
a(x) = E[
1
σ√h
N
CN(x)φ(RN(x)|S1, . . . , SN−1)
], (27)
dove φ e la funzione densita di probabilita della distribuzione di una normale
standard.
Teorema 1.2. I seguenti sono stimatori non distorti, ottenuti con il meto-
do della traiettoria, della derivata indicata del prezzo di un’opzione Asiatica
aritmetica con campionamento discreto
∆ : e−rT1GN>KANS0
,
Γ : e−rT1AN>K1CN>K
(ANS0
)21
σ√h
N
CN(K)φ(RN(K)),
V : e−rT1AN>K1
σΦN ,
P : e−rT1AN>K(A1N − T (AN −K)
).
dove
A1N =
1
N
N∑i=1
tiAi, ΦN =1
N
N∑i=1
Si
(ln
(SiS0
)− µti
),
e CN e RN sono dati, rispettivamente, dalla (23) e dalla (26).
Simulazione Monte-Carlo 13
1.2.2 Stimatori di Massima Verosimiglianza
Come gia accennato, il metodo di massima verosimiglianza e basato sulla
relazione fra la funzione densita di probabilita del prezzo del sottostante del-
l’opzione ed il parametro d’interesse. Procediamo con l’esempio dell’opzione
Asiatica di tipo geometrico. Possiamo riscrivere la (9) nella forma
PG =
∫ ∞0
e−rT max(x−K, 0)g(x)dx, (28)
dove g(x) e la densita di GN data in (12). Assumendo di poter scambiare
derivata ed integrale nella (28), otteniamo
dPGdS0
=
∫ ∞0
e−rT max(x−K, 0)∂g(x)
∂S0
dx. (29)
Moltiplicando e dividendo l’integrando in (29) per g(x), possiamo distinguere
nell’integrale il valore atteso ed i rendimenti.
dPGdS0
=
∫ ∞0
e−rT max(x−K, 0)∂ ln(g(x))
∂S0
g(x)dx.
E facile verificare che
∂ ln(g(x))
∂S0
=1
S0σbNTDN ,
dove
DN =ln(GN/S0)− aNT (r − σ2/2)
σbN√T
(30)
Otteniamo cosı la seguente rappresentazione per la Delta
∆ =dPGdS0
= E[e−rT max(GN −K, 0)
1
S0σbN√TDN
].
Rappresentazioni per la Vega e la Rho sono ottenuti nello stesso modo. Per
ottenere una rappresentazione della Gamma, dobbiamo differenziare la (28)
Simulazione Monte-Carlo 14
due volte.d2PGdS2
0
=
∫ ∞0
e−rT max(x−K, 0)∂2g(x)
∂S20
dx.
Moltiplicando e dividendo l’integrando per g(x) come in precedenza otteni-
amod2PGdS2
0
=
∫ ∞0
e−rT max(x−K, 0)1
g(x)
∂2g(x)
∂S20
g(x)dx.
Quindi possiamo scrivere la seguente rappresentazione per la Gamma
Γ =d2PGdS2
0
= E[e−rT max(x−K, 0)
1
g(x)
∂2g(x)
∂S20
].
E abbastanza facile verificare che
1
g(x)
∂2g(x)
∂S20
=D2N − σbN
√TDN − 1
S20σ
2b2NT
Teorema 1.3. I seguenti sono stimatori non distorti, ottenuti con il metodo
della massima verosimiglianza, della relativa derivata del prezzo di un’opzione
Asiatica geometrica
∆ : e−rT max(GN −K, 0)1
S0σbN√TDN ,
Γ : e−rT max(GN −K, 0)D2N − σbN
√TDN − 1
S20σ
2b2NT
,
V : e−rT max(GN −K, 0)
(bN√TD2
N − σaNTDN − bN√T
σbN√T
),
P : e−rT max(GN −K, 0)
(−T +
aN√T
σbNDN
),
dove DN e dato in (30)
Per ottenere degli stimatori di massima verosimiglianza per le opzioni
Asiatiche a media aritmetica, dobbiamo considerare ancora una volta che la
funzione densita per AN non e disponibile in forma chiusa, quindi bisogna
utilizzare la rappresentazione (27).
Metodo Analitico 15
Teorema 1.4. I seguenti sono stimatori non distorti, ottenuti con il metodo
della massima verosimiglianza, della relativa derivata del prezzo di un’opzione
Asiatica aritmetica
∆ : e−rT max(AT −K, 0)1
S0σ√hD1,
Γ : e−rT max(AT −K, 0)D2
1 −D1σ√h− 1
S20σ
2h,
V : e−rT max(AT −K, 0)1
σ
N∑i=1
(D2i − σ
√hDi − 1
),
P : e−rT max(AT −K, 0)
(−T +
√h
σ
N∑i=1
Di
),
dove per ogni i = 1 . . . N
Di =1
σ√h
(ln
(SiSi−1
)−(r − 1
2σ2
)h
).
1.3 Metodo Analitico
Prezzare opzioni Asiatiche di tipo aritmetico e difficile poiche non vi e una
espressione in forma chiusa per la distribuzione della media aritmetica del
processo log-normale. Tuttavia, si puo approssimare questa distribuzione
tramite un fitting di diverse distribuzioni, usando cosı delle approssimazioni.
Turnbull, Wakeman e Levy usano un’espansione della serie di Edgeworth per
approssimare la funzione densita della media aritmetica della densita di una
log-normale. Turnbull e Wakeman forniscono inoltre un algoritmo per cal-
colare i momenti della media aritmetica. Il metodo della serie di Edgeworth
lavora bene per scadenze brevi, mentre la qualita dell’approssimazione de-
teriora per scadenze piu lunghe. Effettivamente il fattore che determina la
bonta del metodo e il valore di σ2T . Milevsky e Posner usano il metodo del
moment-matching per approssimare la funzione densita della media aritmet-
ica con il reciproco della densita di una Gamma e una densita della famiglia
Johnson. Una mancanza grave di tutti questti metodi e che non forniscono
Metodo Analitico 16
un reale metodo per stimare o controllare l’errore d’approssimazione che si
commette.
Recentemente Ju ha fornito una formula accurata per l’approssimazione
della funzione caratteristica della media. Ha usato lo sviluppo di Taylor
rispetto alla volatilita attorno allo zero per approssimare il rapporto del-
la funzione caratteristica della media e dell’approssimazione della variabile.
Questa e una modifica al metodo della perturbazione, dove un problema
senza soluzione e risolto approssimando la soluzione attorno a determinati
parametri. Questo metodo e stato sviluppato in un contesto piu generale,
quello dei basket option, ed applicato sia ai casi di campionamento continuo
che ai casi di campionamento discreto di opzioni Asiatiche con media ar-
itmetica. La sua formula approssimata e abbastanza semplice ed accurata.
Inoltre la precisione puo essere aumentata semplicemente includendo ulteriori
termini dello sviluppo di Taylor.
Numerosi autori hanno tentato di stimare dei limiti superiori ed inferiori
per il prezzo di un’opzione Asiatica attraverso il condizionamento di alcune
variabili. Curran ottenne un limite inferiore condizionando sul prezzo medio
geometrico. Roger e Shi hanno ottenuto un limite inferiore ed uno superiore
condizionando rispetto al logaritmo della media geometrica. Thompson ha
ricavato un limite superiore piu preciso ed uno inferiore piu semplice da sti-
mare ma di pari accuratezza rispetto a quelli di Roger e Shi. La differenza
fra limite superiore ed inferiore puo essere utilizzato per stimare un errore
del metodo, ma un modo sistematico per aumentare la precisione del meto-
do e difficile da trovare. Questo rende abbastanza difficile utilizzare questo
metodo per stimare le sensitivities del prezzo. Nielsen e Sandmann hanno
considerevolmente raffinato i limiti di Roger e Shi e fornito un certo numero di
limiti analitici superiori ed inferiori, che dipendono dallo strike. Questi limiti
possono anche essere utilizzati per ricavare approssimazioni delle Greche.
Kaas, Dhaene e Goovaerts hanno sviluppato un modello generale per cal-
colare il comonotonic bounds di una somma di variabili casuali data la loro
distribuzione marginale. Loro si sono concentrati su le opzioni Asiatiche
aritmetiche con campionamento discreto, ma il loro metodo puo essere uti-
lizzato per ottenere vincoli ragionevolmente precisi anche per le opzioni a
Metodo Analitico 17
campionamento continuo.
Infine un gran numero di risultati sono basati sul ricavare una espressione
esplicita per il prezzo dell’opzione Asiatica aritmetica o alcuni suoi funzionali.
A meta degli anni novanta, la ricerca in quest’area ha avuto una notevole
spinta grazie al risultato fondamentale di Yor che uso la teoria di Hartman-
Watson per esprimere il prezzo di un’opzione Asiatica con media aritmetica
come un integrale triplo.
Nonostante cio il prezzo di un’opzione Asiatica di tipo aritmetico non e
disponibile in forma chiusa, Geman e Yor furono capaci pero di calcolare
la sua trasformata di Laplace. Questa trasformata puo essere invertita nu-
mericamente usando dei metodi standard. Geman e Eydeland usarono una
approssimazione della tecnica Fast Fouries inversion, Shaw uso l’integrale
sul contorno di Bromwich. Fu et al. confrontarono diversi metodi di inver-
sione. Osservarono che tutti i metodi basati sull’inversione della trasformata
di Laplace andavano incontro a numerose instabilita numeriche per basse
volatilita e brevi scadenze. Piu tardi Shaw affronto alcuni di questi problemi
proponendo dei metodi asintotici per i casi a bassa volatilita.
Dufresne uso lo sviluppo di Laguerre per determinare la distribuzione
dell’integrale di un moto Browniano geometrico ed usare questi risultati per
ottenere ancora un’altra rappresentazione per il prezzo dell’opzione Asiatica
aritmetica. Linetsky uso un approccio in qualche modo simile per ricavare
due differenti rappresentazioni del prezzo dell’opzione. La prima rappresen-
tazione e una serie infinita di termini che coinvolgono funzioni Whittaker. La
seconda rappresentazione e un singolo integrale reale di un’espressione che
coinvolge funzioni Whittaker piu un numero finito di termini che compren-
dono funzioni Gamma incomplete e polinomi di Laguerre1. Vediamo adesso
alcuni di questi metodi nel dettaglio
1.3.1 Approssimazione Comonotonica
Assumiamo che X1, . . . , Xn siano variabili casuali (non necessariamente in-
dipendenti) con distribuzioni marginali note e siano S = X1 +· · ·+Xn. Sia U
1Per le definizioni di questi strumenti, guardare in Appendice A
Metodo Analitico 18
una variabile casuale uniformemente distribuita su [0, 1] e sia Λ una variabile
casuale arbitraria, indipendente da U e tale che le distribuzioni condizionate
FXi|Λ siano note. Sia
Sl = E[Xi|Λ] + · · ·+ E[Xn|Λ],
Sc = F−1X1
(U) + · · ·+ F−1Xn
(U),
Su = F−1X1|Λ(U) + · · ·+ F−1
Xn|Λ(U).
Si puo dimostrare che
E[S] = E[Sl] = E[Su] = E[Sc]
e per ogni K ∈ R
E[(Sl −K)+] ≤ E[(S −K)+] ≤ E[(Su −K)+] ≤ E[(Sc −K)+].
Le disequazioni riportate sopra possono essere utilizzate per ottenere vari
limiti superiori ed inferiori per il prezzo di un’opzione Asiatica a campi-
onamento discreto. Per esempio non e difficile mostrare che il prezzo di
un’opzione Asiatica discreta puo essere limitata da sopra da qualche media
pesata del prezzo di opzioni Europee. Questo avviene per ogni K e per ogni
Ki, i = 1, . . . , n tali che K = K1 + . . .+Kn, ed otteniamo
E[(S −K)+] ≤n∑i=1
[(Xi −Ki)+].
Si puo utilizzare la relazione fra S ed Sc data sopra per trovare i valori
K∗1 , . . . , K∗n che ottimizzano questo vincolo, ovvero
n∑i=1
[(Xi −K∗i )+] ≤ minn∑i=1
[(Xi −Ki)+],
dove il minimo e preso fra tutte le possibili n-uple (K1, . . . , Kn) tali che K =
K1+. . .+Kn. Questo rendimento e chiamato vincolo superiore comonotonico
per il prezzo di un’opzione Asiatica discreta.
Metodo Analitico 19
Si puo usare la piu fine relazione che coinvolge Su per ottenere un piu
preciso limite superiore. Vanmaele et al. hanno usato la comonotonicita
assieme alle idee di Roger e Shi, Curran, Nielsen e Sandmann per sviluppare
un’unica struttura per calcolare limiti superiori ed inferiori per un’opzione
Asiatica aritmetica di tipo discreto. Hanno fornito una serie di limiti superiori
ed inferiori per il prezzo e hanno sfruttato questi limiti per calcolare la Delta,
Gamma e Vega di queste opzioni. Questo modello e abbastanza generale da
adattarsi alle opzioni Asiatiche sia con fixed strike che con floating strike, sia
ad un’ampia gamma di modelli per il processo dei prezzi del sottostante.
Per approssimare opzioni Asiatiche di tipo continuo si puo, molto sem-
plicemente, incrementare sufficientemente i tempi di campionamento. Tut-
tavia, esperimenti numerici suggeriscono che il vero prezzo di un’opzione
Asiatica a campionamento continuo cade fuori dai vincoli imposti dal limite
superiore ed inferiore della corrispondente opzione a campionamento discre-
to. Il limite inferiore dell’opzione a campionamento discreto converge mono-
tonicamente al prezzo reale dell’opzione di tipo continuo all’aumentare degli
istanti di campionamento.
1.3.2 Rappresentazione Integrale
Usando la scaling rule del moto Browniano si puo ridurre il problema di
calcolare il prezzo di PA a quello di calcolare il prezzo normalizzato di
CA(ν, τ, κ) = E[max(A(ν)
τ − κ, 0)], (31)
Dove A(ν) e il processo di Yor
A(ν)t =
∫ t
0
e2(Ws+νs)ds. (32)
Piu precisamente, siano
ν =2r
σ2− 1, τ =
σ2T
4, κ =
K
S0
τ (33)
Metodo Analitico 20
il tasso d’interesse normalizzato ed aggiustato, il time to maturity normaliz-
zato e lo strike price normalizzato rispettivamente. Allora
PA = e−rTS0
τCA(ν, τ, κ), (34)
dove CA(ν, τ, κ) e definito dalla (31).
Yor ha scritto la densita condizionale di A(ν)τ , e di conseguenza il prezzo
normalizzato di CA(ν, τ, κ), in funzione della densita di Hartman-Watson
fr(t), r > 0, che e definita tramite la trasformata di Laplace∫ ∞0
exp
(−λ
2
2
)fr(s)ds =
I|λ|I0(r)
. (35)
Yor ha mostrato che
P(A(ν)τ ∈ du|Wτ + ντ = x
)=
√2πτ
uexp
(x2
2τ− 1
2u(1 + e2x)
)·
·I0
(ex
u
)fex/u(τ)du (36)
La densita di A(ν)τ puo essere ottenuta integrando (36) rispetto alla densita
normale con media ντ e varianza τ . Questo a sua volta porta alla seguente
rappresentazione integrale per il prezzo dell’opzione normalizzato CA(ν, τ, κ)
CA(ν, τ, κ) = exp
(−τν
2
2
)∫ ∞0
∫ ∞0
(u− κ)+exν exp
(−1− e2x
2u
)·
·I0
(ex
u
)fex/u(τ)dudx (37)
Yor ha inoltre fornito la seguente rappresentazione esplicita per fr(t)
fr(τ) = cr
∫ ∞0
ψr(τ, y)dy, (38)
Metodo Analitico 21
dove
cr(τ) =1
I0(r)
r√2π2τ
exp
(π2
2τ
),
ψr(τ, y) = exp
(−y2
2τ
)exp(−r cosh(y)) sinh(y) sin
(πyτ
)Si noti che, nonostante la densita fu(τ) sia data da (38), l’integrale (37) e
difficile da calcolare numericamente per piccoli valori di τ . Questo fenomeno
e discusso da numerosi autori. In particolare, Barrieu et al. hanno osservato
quello che hanno poi chiamato come puzzling phenomenon, ovvero che la
frequenza d’oscillazione e la dimensione della densita simulata fr(τ) cresce
al tendere di τ a 0.
Per spiegare questo comportamento, notiamo che cr(t) cresce esponen-
zialmente all’avvicinarsi di t a 0. Dall’altra parte invece∫∞
0ψr(t, y)dy de-
cresce in valore assoluto ancora piu rapidamente. Quindi, per ottenere un
accurato valore per fr(t) per piccoli valori di t, ci sarebbe bisogno di calco-
lare∫∞
0ψr(t, y)dy con una sufficientemente alta precisione. Sfortunatamente,
questo integrale e difficile da stimare numericamente per piccoli valori di t
dovuti alla natura oscillante dell’integrando (vedere Figura 1).
Figura 1: L’integrando ψ0.5(t, y) per t = 1.0 e t = 0.1.
Come alternativa, possiamo calcolare la trasformata di Laplace di CA(ν, τ, κ).
Metodo Analitico 22
Questo puo essere fatto sia direttamente che integrando la (37) e poi usare
la definizione (35)
U(s) =
∫ ∞0
CA(ν, t, κ)(t)e−stdt
=1
s(s− 2ν − 2)Γ(µ−ν2− 1)
∫ 1/2κ
0
xµ−ν
2−2(1− 2κx)
µ−ν2
+1e−xdx
Se definiamo
a =µ− ν
2+ 2, b = µ+ 1
c = ν + 1, z =1
2κ
allora possiamo scrivere in forma piu compatta che
U(s) =1
(s− 2c)Γ(b− a)
∫ z
0
xb−a−1(1− x
z)a−1e−xdx (39)
Facendo il cambio di variabile x = zt e sfruttando il fatto che∫ 1
0
tb−a−1(1− t)a−1ez(1−t)dt =Γ(b− a)Γ(a)
Γ(b)M(a, b, z), (40)
otteniamo che
U(s) =zb−ae−zΓ(a)
s(s− 2c)Γ(b)M(a, b, z). (41)
Qui M(a, b, z) indica la funzione confluente ipergeometrica di Kummer Sara
in qualche modo piu conveniente usare la seguente espressione per PA
PA = 2e−rTKF (τ), (42)
dove F e l’inverso della trasformata di Laplace di
F (s) = zU(s) = C(a, b, c, z) ·M(a, b, z) (43)
e
C(a, b, c, z) =zb−a+1e−zΓ(a)
s(s− 2c)Γ(b). (44)
Metodo Analitico 23
Questa rappresentazione puo anche essere utilizzata per calcolare le sensitiv-
ities del prezzo dell’opzione. Questo puo essere fatto in piu modi. Ovvia-
mente, possiamo sempre calcolare il prezzo dell’opzione con sufficiente pre-
cisione e poi usare un’approssimazione alle differenze finite per stimare le
sensitivities. Tuttavia, possiamo anche differenziare la funzione trasformata
F (s) e calcolare quindi la trasformazione di Laplace inversa della derivata
(ammesso che si possa invertire l’ordine di integrazione e derivazione). Per
esempio otteniamo la seguente formula per la Delta
∆ =∂
∂S0
PA =∂
∂S0
2e−rTKF (τ) = 2e−rTKF1(τ), (45)
dove
F1(s) =∂
∂S0
F (s).
Notando che
∂a
∂S0
=∂b
∂S0
=∂c
∂S0
= 0 e∂z
∂S0
=z
S0
possiamo ricavare la seguente espressione per F1
F1(s) =z
S0
(∂
∂zC(a, b, c, z)M(a, b, z) + C(a, b, c, z)
∂
∂zM(a, b, z)
)=
z
S0
C(a, b, c, z)
z· [M(a, b, z) + (b− a)M(a− 1, b, z)]. (46)
Sottolineamo il fatto che questa rappresentazione fornisce un significativo in-
cremento dell’efficienza rispetto allo schema tradizionale alle differenze finite.
In generale il solo modo per calcolare la funzione confluente ipergeometrica
e quello di utilizzare lo sviluppo di Taylor. In alcuni casi possiamo utiliz-
zare risultati asintotici, ma questi non sono in grado di fornire una adeguata
accuratezza per tutti i valori dei parametri. D’altra parte, la serie iperge-
ometrica potrebbe convergere molto lentamente alla precisione desiderata,
quindi ridurre il numero di stime per la funzione confluente ipergeometrica
puo avere un significativo impatto sulla performance dell’algoritmo. Notiamo
che F1(s) puo essere rappresentata come una singola serie con approssimati-
Metodo Analitico 24
vamente le stesse proprieta di convergenza dell’originale. Quindi, calcolare la
Delta direttamente permette almeno di raddoppiare la velocita dell’ordinario
schema alle differenze finite. In modo simile
Γ =∂
∂S0
∆ =∂
∂S0
2e−rTKF1(τ) = 2e−rTKF2(τ), (47)
dove
F2(τ) =∂
∂S0
F1(τ)
=
(z
S0
)2∂
∂z
(C(a, b, c, z)
z· [M(a, b, z) + (b− a)M(a− 1, b, z)]
)=
(z
S0
)2
C(a, b, c, z)b− az2
[(a− 1)M(a, b, z) + (b+ 2− z − 2a)M(a− 1, b, z)].
In generale, per differenziare F (s) rispetto ad un parametro α, usiamo la
seguente formula
d
dα(C(a, b, c, z)M(a, b, z)) =
d
dαC(a, b, c, z)·M(a, b, z)+C(a, b, c, z)
d
dαM(a, b, z)
Non e difficile da vedere che
∂
∂aC(a, b, c, z) = C(a, b, c, z)(ψ(a)− ln(z)),
∂
∂bC(a, b, c, z) = C(a, b, c, z)(ln(z)− ψ(b)),
∂
∂cC(a, b, c, z) =
2
s− 2cC(a, b, c, z),
∂
∂zC(a, b, c, z) =
b− a+ 1− zz
C(a, b, c, z).
Quindi, per ogni parametro α abbiamo che
∂
∂αC(a, b, c, z) = C(a, b, c, z)
((ψ(a)− ln(z)) · da
dα+ (ln(z)− ψ(b)) · db
dα+
+2
s− 2c· dcdα
+b− a+ 1− z
z· dzdα
), (48)
Metodo Analitico 25
dove a, b, c, z sono considerate funzioni di α. Allo stesso modo
∂
∂αM(a, b, z) =
∂
∂aM(a, b, z)
da
dα+
∂
∂bM(a, b, z)
db
dα+
∂
∂zM(a, b, z)
dz
dα. (49)
Per esempio, per ottenere un’espressione per la Vega, possiamo usare la (48)e
la (49) con α pari a σ. In questo caso
da
dσ= −2
νr
µσ3− ν + 1
σ,
db
dσ= −4
νr
µσ3
dc
dσ= −2
ν + 1
σ,
dz
dσ= −2
z
µσ.
Per ottenere un’espressione per la Rho, usiamo la (48)e la (49) con α pari a
r, ed otteniamo che
da
dr=
ν
µσ2+
1
σ2,
db
dr= 2
ν
µσ2
dc
dr=
2
σ2,
dz
dr= 0.
Ci sono oltre cento algoritmi disponibili per l’inversione numerica di una
trasformata di Laplace. Si possono dividere principalmente in quattro cate-
gorie: sviluppo in serie di Fourier, sviluppo in serie di Laguerre, funzionali di
Gaver, e deformazione del bordo di Bromwich. L’inversione della trasformata
di Laplace e noto che sia instabile a fissate precisioni della macchina, percio
il grosso dello sforzo nei metodi tradizionali e diretto a controllare gli errori
di arrotondamento. In un recente articolo Abate e Valko hanno suggerito
di usare il multi-precision computing per controllare l’accuratezza dei calcoli
intermedi. Hanno presentato un metodo di Talbot modificato ed un metodo
basato sui funzionali di Gaver. Questi due metodi sembrano essere i piu ef-
ficienti per l’inversione della trasformata (42).
Il punto di partenza per il metodo di Talbot e la formula di inversione
standard
f(t) =1
2πi
∫B
etsf(s)ds, (50)
Metodo Analitico 26
dove B e una linea verticale definita da s = γ+it e γ e un fissato valore scelto
affinche B e a destra di tutte le singolarita di f(s). Se f(s) ha singolarita
nel semipiano positivo e il valore massimo della loro parte reale e p, allora
f(t) = eptf(s+ p), (51)
dove f(s + p) non ha piu singolarita nel semipiano positivo. Nel nostro
caso p = 2c = 2(ν + 1). Una integrazione numerica diretta lungo B e
improponibile per le oscillazioni di est visto che la parte immaginaria di s
tende ad infinito. Non e difficile vedere che la convergenza dell’integrale
(50) sarebbe notevolmente migliorata se s potesse assumere valori con una
parte reale fortemente negativa. Questo puo essere ottenuto deformando il
contorno B in un percorso aperto L che parta e finisca nel semipiano negativo,
cosı che s tenda a −∞ ad ogni estremita. Questa sostituzione e possibile se
nessuna singolarita di f(s) viene incrociata con la deformazione di B. Il
contorno di Talbot e quindi della forma
s(θ) = α + λsβ(θ), −π < θ < π, (52)
dove
sβ(θ) = θ cot(θ) + iβθ.
Se sostituiamo il contorno B con (52), l’integrale (50) avra la forma
f(t) =λ
2πi
∫ π
−πeλtsβ(θ)f(α + λsβ(θ))s′β(θ)dθ, (53)
con
s′β(θ) = i
(β +
θ − cos(θ) sin(θ)
sin2(θ)
)Possiamo approssimare il valore dell’integrale in (53) usando la regola del
trapezio con ampiezza del passo pari a π/N . Non e difficile verificare che i
parametri ottimali per la trasformata (43) sono
α = 0, β = 1, e λ =2M
5t,
Metodo Analitico 27
dove M e il numero delle cifre decimali di precisione fornite dalle normali
operazioni con i floating . Abbiamo cosı la seguente approssimazione per
l’integrale (53)
f(t) =λ
N
(1
2f(eλt) +
N−1∑k=1
[ets(θk)f(s(θk))(1 + iu(θk))]
), (54)
dove
θk =kπ
Ne u(θ) = θ + (θ cot(θ)− 1) cot(θ).
Come descritto da Abate e Valko, f(t) puo essere calcolato come limite
di una successione di funzionali di Galvor:
Gn0 =
nα
tf(nαt
), 1 ≤ n ≤ 2N,
Gnk =
(1 +
n
k
)Gnk−1 −
n
kGn+1k−1 , k ≥ 1, n ≥ k,
fk(t) = Gkk.
Si puo dimostrare che
limk→∞
fk(t) = f(t).
Tuttavia, la convergenza e molto lenta poiche f(t)− fk(t) ' c/k per k →∞.Per raggiungere una buona approssimazione, bisogna utilizzare un algoritmo
di accelerazione della convergenza per la successione fk(t).
Valko ed Abate hanno studiato diversi algoritmi per l’accelerazione per
i funzionali di Gaver. Hanno trovate che il miglior schema d’accelerazione e
l’algoritmo rho di Wynn, che e dato dalla formula ricorsiva
ρn−1 = 0, ρn0 = fn(t), n ≥ 0,
ρnk = ρn+1k−1 +
k
ρn+1k−1 − ρnk−1
, k ≥ 1.
L’approssimazione di f e ottenuta come ρ0N . Osserviamo che i calcoli so-
pra riportati sono instabili, quindi ad una precisione-macchina fissata, al
Metodo Analitico 28
crescere di N la precisione aumentera solo fino ad un certo punto, dopodiche
la precisione crollera rapidamente. Come soluzione a questo problema, si
puo pensare ad aumentare la precisione-macchina al crescere di N . Valko ed
Abate suggeriscono 2.1 ∗N come numero ottimale delle cifre decimali.
1.3.3 Approssimazione di Taylor
L’idea principale dietro questo metodo e quella di usare la distribuzione log-
normale per approssimare la media di variabili casuali log-normali corre-
late. Per essere piu precisi, immaginiamo un mercato fittizio in cui tutte
le volatilita sono scalate dello stesso parametro z. Scegliamo una variabile
casuale normale Y (z) con media m(z) e varianza ν(z) tale che i primi due
momenti di eY (z) e AT (z) coincidano. Entrambi i momenti possono essere
facilmente ricavati in forma chiusa. Sia X(z) = ln(AT (z)). Per ottenere la
funzione densita di X(z) possiamo considerare la sua funzione caratteristica
E[eiφX(z)
]= E
[eiφY (z)
]f(z),
dove
f(z) =E[eiφX(z)
]E [eiφY (z)]
e il rapporto della funzione caratteristica di X(z) e Y (z). Ju ha fornito
lo sviluppo di Taylor di f(z) attorno a z = 0 fino al sesto ordine. Si puo
usare questo sviluppo per approssimare la funzione densita di X(z) che a sua
volta puo essere usata per ottenere una formula approssimata per il prezzo
dell’opzione.
Teorema 1.5. Il prezzo di un’opzione call Asiatica puo essere approssimato
da
V = e−rT [U1Φ(y1)−KΦ(y2)] + e−rTK ·[z1p(y) + z2
d
dyp(y) + z3
d2
dy2p(y)
],
(55)
dove
y = log(K), y1 =m1 − y√
ν1
+√ν1, y2 = y1 −
√ν1,
Metodo Analitico 29
m1 = 2 lnU1 −1
2lnU2, ν1 = lnU2 − 2 lnU1,
U1 = S0erT − 1
r,
U2 =2S2
0
T 2(r + σ2)
(e(2r+σ2)T − 1
2r + σ2− erT − 1
r
),
Φ e la funzione di distribuzione di una normale standard, p e la densita
normale con media m1 e deviazione standard ν1, e le costanti z1, z2, z3 sono
le seguenti
z1 =
(− 1
113 400σ4T 6 − 59
5 987 520σ6T 7
)r4
+
(− 23
453 600σ6T 6 +
1
2 520σ4T 5
)r3
+
(17
226 800σ6T 5 +
11
15 120σ4T 4
)r2
+
(13
30 240σ6T 4 − 1
180σ4T 3
)r − 1
45σ4T 2 − 1
11 340σ6T 3,
z2 =
(− 1
226 800σ4T 6 +
953
59 875 200σ6T 7
)r4
+
(− 19
302 400σ6T 6 +
1
5 040σ4T 5
)r3
+
(− 37
151 200σ6T 5 +
11
30 240σ4T 4
)r2
+
(11
60 480σ6T 4 − 1
360σ4T 3
)r − 1
90σ4T 2 +
31
22 680σ6T 3,
z3 =13
1 247 400σ6T 7r4 − 17
907 200σ6T 6r3
− 2
14 175σ6T 5r2 − 1
60 480σ6T 4r − 2
2 835σ6T 3.
Il caso dell’opzione Asiatica a media aritmetica e campionamento discreto
e molto simile.
Metodi alle Differenze Finite 30
1.4 Metodi alle Differenze Finite
I metodi alle differenze finite costituiscono un mezzo molto flessibile ed ef-
ficiente per prezzare opzioni Asiatiche. In particolare, questi sono gli unici
metodi che sono percorribile in caso si consenta l’esercizio anticipato delle
opzioni.
In generale, il prezzo di un’opzione Asiatica puo essere calcolato risol-
vendo una equazione alle derivate parziali in due dimensioni. Un modello
del tipo Black-Scholes e stato introdotto da Kemma e Vorst assieme a con-
dizioni al bordo ben definite. Roger e Shi hanno formulato una equazione alle
derivate parziali in una sola dimensione che puo modellare opzioni Asiatiche,
sia con floating strike che con fixed strike. Tuttavia quest’equazione e di diffi-
cile risoluzione numerica. Hoogland e Neumann hanno invece sviluppato una
struttura alternativa per prezzare vari tipi di opzioni usando metodi di scale
invariance e ricavato soluzioni semi-analitiche per prezzi di opzioni Asiatiche
a campionamento continuo.
Recentemente D’Halluin et al. hanno proposto un metodo semi-Lagrangiano
per prezzare opzioni Asiatiche con fixed strike. Ad ogni istante di tempo, un
serie di equazioni integro-differenziali parziali ad una dimensione e risolta, e
la soluzione e aggiornata usando passi temporali semi-Lagrangiani. Gli au-
tori ne hanno tratto risultati monotonici e stabili. Hanno inoltre indagato
sulla natura dei problemi che sorgono quando la volatilita e bassa. Questo
lavoro e importante poiche permette di maneggiare sia modelli con salti che
l’esercizio anticipato.
La seconda classe di metodi alle differenze finite sono i metodi ad albero
modificati. Il difficile, quando si valuta opzioni Asiatiche di tipo aritmetico in
un approccio ad albero, e che il numero di possibili valori della media, cresce
esponenzialmente col numero di passi temporali dell’albero; non e possibile
nessuna ricombinazione a differenza di quanto avviene per le geometriche.
Hull e White hanno suggerito di tenere conto solo di una piccola parte dei
possibili valori per la media ad ogni nodo, usando l’interpolazione quando
si vuole usare valori intermedi. Klassen ha trattato varie questioni tecniche
legate all’efficienza ed all’implementazione dil metodo di Hull e White.
Metodi alle Differenze Finite 31
Un preciso metodo semi-analitico per prezzare e fare copertura di opzioni
Asiatiche a campionamento continuo e stato proposto da Zhang. Usando tec-
niche di rimozione delle singolarita, ha ottenuto una formula approssimata
per il prezzo delle opzioni Asiatiche ed ha mostrato che questa risolve un’altra
equazione alle derivate parziali, che e facilmente risolvibile numericamente e
con alta precisione. Zhang oltre ad aver sviluppato questo metodo, ha di-
mostrato che l’equazione a derivate parziali che governa il termine d’errore
puo essere risolta a sua volta, fornendo cosı un secondo ordine di approssi-
mazione. Il termine d’errore del secondo ordine e governata anch’essa da
un’altra equazione differenziale parziale, e di nuovo e possibile risolvere an-
ch’essa. Zhang ha presentato risultati analitici fino al quarto ordine ed ha
dimostrato che il processo converge rapidamente e da un risultato accurato.
1.4.1 Il metodo semi-analitico di Zhang
Il punto di partenza per il metodo di Zhang e l’equazione differenziale di
Black-Scholes
∂P
∂t+ S
∂P
∂I+
1
2σ2S2∂
2P
∂S2+ rS
∂P
∂S− rP = 0, (56)
dove P = P (S, I, t), soggetto alle condizioni iniziali
P (S, I, T ) = max
(I
T−K, 0
).
Il prezzo dell’opzione Asiatica e data da
P (S0, 0, 0);
Ripercorrendo Roger e Shi, si puo applicare la trasformazione
ξ =TK − 1
Se−rτ − 1
r(1− e−rτ ),
τ = T − t,
P (S, I, t) =S
Tf(ξ, τ).
Metodi alle Differenze Finite 32
Quindi, sostituendo nella (56) otteniamo la seguente equazione di diffusione
lineare∂f
∂τ− 1
2σ2
[ξ +
1
r(1− e−rτ )
]2∂2f
∂ξ2= 0, (57)
con
f(ξ, 0) = max(−ξ, 0).
Osserviamo che l’effetto di diffusione, inizialmente, esiste solo per ξ = 0 e
sara significativo per valori di ξ bassi. Quindi possiamo togliere ξ dai coeffi-
cienti dell’equazione (57). La soluzione dell’equazione modificata puo essere
utilizzata come approssimazione analitica di f(ξ, τ). La nuova equazione sara
∂f0
∂τ− σ2
2r2(1− e−rτ )2∂
2f0
∂ξ2= 0,
con
f0(ξ, 0) = max(−ξ, 0)
che puo essere risolta in forma chiusa. Cosı il valore esatto di f(ξ, τ) puo
essere rappresentato nella forma
f(ξ, τ) = f0(ξ, τ) + f1(ξ, τ), (58)
dove f0(ξ, τ) e la soluzione dell’equazione modificata e f1(ξ, τ) e il termine
di correzione. Possiamo ottenere un equazione per f1(ξ, τ) sostituendo (58)
nell’equazione (57). I risultati di Zhang sono dati nel seguente teorema.
Teorema 1.6. Il prezzo e le Greche di un’opzione Asiatica di tipo call con
media aritmetica e con payoff pari al max(I/T −K) sono date dalle seguenti
Metodi alle Differenze Finite 33
formule:
C0 =S
T
[−ξN
(− ξ√
2η
)+
√η
πe−ξ
2/4η
],
∆0 =1
2ST√πηN
(− ξ√
2η
)+
1
T
√η
πe−ξ
2/4η,
Γ0 =1
2ST√πη
[ξ +
1
r(1− e−rτ )
]2
e−ξ2/4η,
V0 =S
4Tσ
√η
πe−ξ
2/4η,
ρ0 =S
r2T(r2τξ + rτ − 1 + e−rτ )N
(− ξ√
2η
)+
+Sσ2
8r4T√πη
[9− 4rτ − (12 + 4rτ)e−rτ + (3 + 2rτ)e−2rτ ]e−ξ2/4η,
dove N(·) e la funzione di distribuzione cumulata di una normale standard,
ξ =TK − 1
Se−rτ − 1
r(1− e−rτ ),
η =σ2
4r3(−3 + 2rτ + 4e−rτ − e−2rτ ),
τ = T − t,
I termini di correzione delle formule d’approssimazione analitica sono i seguen-
ti:
C1 =S
Tf1,
∆1 =1
Tf1 −
1
T
[ξ +
1
r(1− e−rτ )
]∂f1
∂ξ,
Γ1 =1
ST
[ξ +
1
r(1− e−rτ )
]2∂2f1
∂ξ2,
V1 =S
T
∂f1
∂σ,
ρ1 = − S
r2T(r2τξ + rτ − 1− e−rτ )∂f1
∂ξ+S
T
∂f1
∂r,
dove la funzione f1 = f1(ξ, τ ; r, σ) e le sue derivate possono essere valutate
Metodi alle Differenze Finite 34
risolvendo numericamente la seguente equazione differenziale parziale con un
metodo alle differenze finite
∂f1
∂τ− 1
2σ2
[ξ +
1
r(1− e−rτ )
]2∂2f1
∂ξ2=
σ2ξ
4√πηe−ξ
2/4η
[ξ +
2
r(1− e−rτ )
], (59)
con
f1(ξ, τ ; r, σ) = 0.
L’equazione (59) e un’equazione diffusiva lineare non omogenea a coef-
ficienti variabili. Zhang propone la risoluzione di questa equazione medi-
ante lo schema di Crank-Nicholson. Inoltre, per entrare nel dettaglio tecnico
dell’implementazione, suggerisce dove troncare il dominio spaziale. Infat-
ti propone di lavorare in [−ξm, ξm], dove ξm = 5σT 3/2. Un secondo as-
petto tecnico affrontato da Zhang, e quello delle condizioni al bordo. Ha
osservato che lo schema numerico e abbastanza insensibile alla scelta delle
condizioni al bordo, dato che la soluzione f1 svanisce rapidamente all’au-
mentare di |ξ| ed i limiti spaziali sono abbastanza grandi da assicurarci che
f1, f1ξ , f1ξξ spariscano. Poi ha scoperto che scegliendo come ampiezza delle
griglia ∆ξ = 2ξm/4000 e ∆τ = 1/800 fornisce un buon compromesso fra
efficienza e precisione numerica.
2Introduzione al calcolo di
MalliavinDopo aver visto vari metodi utilizzati per lavorare con opzioni Asiatiche,
possiamo concentrarci sull’implementare la nostra idea iniziale. Per fare cio
abbiamo bisogno di una base teorica molto solida e rigorosa. Ed e esatta-
mente questo che ci prefiggiamo di fare in questa sezione, seguendo il capitolo
relativo al calcolo di Malliavin che si puo trovare in [6].
2.1 Derivata stocastica
In questo paragrafo introduciamo il concetto di derivata stocastica o di Malli-
avin: l’idea e di definire una nozione di derivabilita nella famiglia di variabili
aleatorie che siano uguali a (o approssimabili con) funzioni di incrementi
indipendenti del moto Browniano. Sotto opportune ipotesi, vedremo che
tale famiglia e sufficientemente ampia da contenere le soluzioni di equazioni
differenziali stocastiche.
Purtroppo l’insieme delle notazioni necessarie ad introdurre il calcolo di
Malliavin e un po’ pesante: all’inizio non bisogna scoraggiarsi e munirsi di
un po’ di pazienza per acquisire le nozioni che utilizzeremo sistematicamente
nel seguito. Ad una prima lettura e consigliabile non fermarsi troppo sui
dettagli.
Consideriamo un moto Browniano realeW sullo spazio di probilita (Ω,F ,P)
munito della filtrazione Browniana FW = (FWt )t∈[0,T ]. Per semplicita, non
Derivata stocastica 36
essendo restrittivo, supponiamo T = 1 e, per n ∈ N, indichiamo con
tkn :=k
2n, k = 0, . . . , 2n
l’elemento k + 1−esimo della partizione diadica di ordine n dell’intervallo
[0,T]. Indichiamo con
Ikn :=]tk−1n , tkn], ∆k
n := Wtkn−Wtk−1
n,
rispettivamente l’intervallo k−esimo della partizione e l’incremento k−esimo
del moto Browniano, per k = 1, . . . , 2n. Inoltre
∆n := (∆1n, . . . ,∆
2n
n )
e il vettore in R2n degli increment Browniani (di ordine n) e C∞pol indica la
famiglia delle funzioni di classe C∞ che, insieme con le loro derivate di ogni
ordine, hanno crescita al piu polinomiale.
Definizione 2.1. La famiglia dei funzionali semplici di ordine n ∈ N e
definita da
Sn := ϕ(∆n)|ϕ ∈ C∞pol(R2n ; R).
Indichiamo con
xn = (x1n, . . . , x
2n
n ) (60)
il punto di R2n . E chiaro che WT = ϕ(∆n) ∈ Sn per ogni n ∈ N con
ϕ(x1n, . . . , x
2n
n ) = x1n + . . .+ x2n
n . Osserviamo che vale
Sn ⊆ Sn+1, n ∈ N,
e definiamo
S :=⋃n∈N
Sn,
La famiglia dei funzionali semplici. Per ipotesi di crescita su ϕ, S e un
sottospazio di Lp(Ω,FWT ) per ogni p ≥ 1. Inoltre, poiche stiamo considerando
Derivata stocastica 37
la filtrazione Browniana, S e denso in Lp(Ω,FWT ). Introduciamo ora una
notazione molto comoda, che useremo spesso:
Notazione 2.2. Per ogni t ∈]0, T ], indichiamo con kn(t) l’unico elemento
k ∈ 1, . . . , 2n tale che t ∈ Ikn.
Definizione 2.3. Per ogni X = ϕ(∆n) ∈ S, la derivata stocastica di X in s
e definita da
DsX :=∂ϕ
∂xkn(s)n
(∆n).
Osservazione 2.4. La Definizione 2.3 e ben posta, ossia e indipendente da
n: e facile riconoscere che se, per n,m ∈ N, vale
X = ϕn(∆n) = ϕm(∆m) ∈ S,
con ϕn, ϕm ∈ C∞pol, allora per ogni s ≤ T , si ha
∂ϕn
∂xkn(s)n
(∆n) =∂ϕm
∂xkm(s)m
(∆m).
Muniamo ora S della norma
‖X‖1,2 := E[X2]12 + E
[∫ T
0
(DsX)2ds
] 12
= ‖X‖L2(Ω) + ‖DX‖L2([0,T ]×Ω).
Definizione 2.5. Lo spazio D1,2 delle variabili aleatorie derivabili secondo
Malliavin e la chiusura di S rispetto alla norma ‖ · ‖1,2
In altri termini, X ∈ D1,2 se e solo se esiste una successione (Xn) in Stale che
i) X = limn→∞Xn in L2(Ω);
ii) esiste limn→∞DXn in L2([0, T ]× Ω).
In tal caso sembra naturale definire la derivata di Malliavin di X come
DX := limn→∞
DXn, L2([0, T ]× Ω)
Derivata stocastica 38
In effetti tale definizione e ben posta in base al seguente
Lemma 2.6. Sia (Xn) una successione in S tale che
i) limn→∞Xn = 0 in L2(Ω);
ii) esiste U := limn→∞DXn in L2([0, T ]× Ω).
Allora U = 0 quasi ovunque.
Osservazione 2.7. La prova del Lemma 2.6 non e ovvia poiche l’operatore
di derivazione D e lineare ma non e limitato, ossia
supX∈S
‖DX‖L2
‖X‖L2
= +∞.
Infatti e abbastanza facile esibire un esempio di successione (Xn) limitata in
L2(Ω) e tale che (DXn) non e limitata in L2([0, T ] × Ω) : fissato n ∈ N, e
sufficiente considerare Xn = ϕn(∆n) con (ϕn) che converge in L2(R2n) ad
un’opportuna funzione non regolare.
Rimandiamo la prova a dopo, poiche prima di poterlo dimostrare avremo
bisogno di ulteriori strumenti teorici.
Osservazione 2.8. Se X ∈ D1,2 e FWt −misurabile allora
DsX = 0, s > t.
Infatti a meno di approssimazioni, e sufficiente considerare il caso in cui X =
ϕ(∆n) ∈ Sn per un certo n: se X e FWt −misurabile allora e indipendente da
∆kn per k < kn(t). Pertanto, fissato s > t, vale
∂ϕ
∂xkn(s)n
(∆n) = 0,
almeno se n e abbastanza grande, in modo che t e s appartengano ad intervalli
disgiunti della partizione diadica di ordine n.
Derivata stocastica 39
2.1.1 Chain rule
Se X, Y ∈ D1,2 allora il prodotto XY in generale non e di quadrato sommabile
e quindi non appartiene a D1,2. Per questo motivo, a volte conviene utilizzare
al posto di D1,2 il seguente spazio un po’ piu piccolo ma chiuso rispetto
all’operazione di prodotto:
D1,∞ =⋂p≥2
D1,p
dove D1,p indica la chiusura di S rispetto alla norma
‖X‖1,p = ‖X‖Lp(Ω) + ‖DX‖Lp([0,T ]×Ω).
Osserviamo che X ∈ D1,p se e solo se esiste una successione (Xn) in S tale
che
i) X = limn→∞Xn in Lp(Ω);
ii) esiste limn→∞DXn in Lp([0, T ]× Ω).
Se p ≤ q, per la disuguaglianza di Holder si ha
‖ · ‖1,p ≤ Tq−ppq ‖ · ‖Lp([0,T ]×Ω),
e quindi
D1,p ⊇ D1,q
In particolare per ogni X ∈ D1,p, con p ≥ 2, e (Xn) successione approssimante
in Lp, si ha
limn→∞
DXn = DX, in L2([0, T ]× Ω)
Proposizione 2.9 (Chain rule). Sia ϕ ∈ C∞pol(R). Allora si ha:
i) se X ∈ D1,∞ allora ϕ ∈ D1,∞ e vale
Dϕ(X) = ϕ′(X)DX; (61)
Derivata stocastica 40
ii) se X ∈ D1,2 e ϕ, ϕ′ sono limitate allora ϕ(X) ∈ D1,2 e vale la (61).
Inoltre, se ϕ ∈ C∞pol(RN) e X1, . . . , XN ∈ D1,∞ allora ϕ(X1, . . . , XN) ∈ D1,∞
e vale
Dϕ(X1, . . . , XN) =N∑i=1
∂xiϕ(X1, . . . , XN)DXi.
Dimostrazione. Proviamo solo la ii) poiche gli altri punti si dimostrano in
modo sostanzialmente analogo. Se X ∈ S e ϕ ∈ C1 e limitata, assieme alla
proprio derivata prima, allora ϕ(X) ∈ S e la tesi e ovvia.
Se X ∈ D1,2 allora esiste una successione (Xn) in S convergente a X
in L2(Ω) e tale che (DXn) converge a DX in L2([0, T ] × Ω). Allora, per il
Teorema della convergenza dominata, ϕ(Xn) tende a ϕ(X) in L2(Ω). Inoltre
vale Dϕ(Xn) = ϕ′(Xn)DXn e
‖ϕ′(Xn)DXn − ϕ′(X)DX‖L2 ≤ I1 + I2,
dove
I1 = ‖ϕ′(Xn)− ϕ′(X)‖L2 −−−−−−−→n→∞
0
per il teorema della convergenza dominata, e
I2 = ‖ϕ′(Xn)(DX −DXn)‖L2 −−−−−−−→n→∞
0
poiche (DXn) converge a DX e ϕ′ e limitata.
Esempio 2.10. Sia u ∈ L2, tale che ut ∈ D1,2 per ogni t. Allora
X :=
∫ t
0
urdWr ∈ D1,2
e per s ≤ t vale
Ds
∫ t
0
urdWr = us +
∫ t
s
DsurdWr.
Infatti, fissato t, consideriamo la successione definita da
Xn :=
kn(t)∑k=1
utk−1n
∆kn, n ∈ N,
Derivata stocastica 41
che approssima X in L2(Ω). Allora Xn ∈ D1,2 e per la regola della catena si
ha
DsXn = utk−1n
+
kn(t)∑k=1
Dsutk−1n
∆kn =
(poiche u e adattato e quindi, per l’osservazione 2.8, Dsutkn = 0 se s > tkn)
utkn(s)−1n
+
kn(t)∑k=kn(s)+1
Dsutk−1n
∆kn
u−−−→n→∞ s
+
∫ t
s
DsurdWr
in L2([0, T ]× Ω).
Esempio 2.11. Se u ∈ D1,2 per ogni t, allora e facile provare che
Ds
∫ t
0
urdr =
∫ t
s
Dsurdr.
Esempio 2.12. Consideriamo la soluzione (Xt) dell’EDS
Xt = x+
∫ t
0
b(r,Xr)dr +
∫ t
0
σ(r,Xr)dWr, (62)
con x ∈ R e i coefficienti b, σ ∈ C1b . Allora Xt ∈ D1,2 per ogni t e vale
DsXt = σ(s,Xs) +
∫ t
s
∂xb(r,Xr)DsXrdr +
∫ t
s
∂xσ(r,Xr)DsXrdWr. (63)
Non riportiamo nei dettagli la prova della prima affermazione. L’idea e di
utilizzare un argomento di approssimazione basato sullo schema di Eulero:
piu precisamente, la tesi segue dal fatto che (Xt) e limite della successione
di processi costanti a tratti definiti da
Xnt = Xn
tk−1n
1Ikn(t), t ∈ [0, T ],
con Xntkn
definito ricorsivamente da
Xntkn
= Xntk−1n
+ b(tk−1n , Xn
tk−1n
)1
2n+ σ(tk−1
n , Xntk−1n
)∆kn,
Derivata stocastica 42
per k = 1, . . . 2n. Una volta provato che Xt ∈ D1,2, la (63) e immediata
conseguenza degli esempi 2.10,2.11 e della regola della catena.
Ora utiliziamo il classico metodo della variazione delle costanti per ri-
cavare un’espressione esplicita per DsXt. Consideriamo il processo
Yt = ∂xXt, (64)
soluzione dell’EDS
Yt = 1 +
∫ t
0
∂xb(r,Xr)Yrdr +
∫ t
0
∂xσ(r,Xr)YrdWr. (65)
Lemma 2.13. Sia Z soluzione dell’EDS
Zt = 1 +
∫ t
0
((∂xσ)2 − ∂xb)(r,Xr)Zrdr −∫ t
0
∂xσ(r,Xr)ZrdWr. (66)
Allora vale YtZt = 1 per ogni t.
Dimostrazione. Si ha Y0Z0 = 1 e, tralasciando gli argomenti, per la formula
di Ito vale
d(YtZt) = YtdZt + ZtdYt + d〈Y, Z〉t= YtZt(((∂xσ)2 − (∂xb))dt− ∂xσdWt + ∂xbdt+ ∂xσdWt − (∂xσ)dt)
= 0,
e la tesi segue dall’unicita della rappresentazione di un processo di Ito.
Proposizione 2.14. Siano X, Y, Z rispettivamente le soluzioni delle EDS
(62),(65) e (66). Allora vale
DsXt = YtZsσ(s,Xs). (67)
Dimostrazione. Ricordiamo che, fissato s, il processo DsXt verifica l’EDS
(63) su [s, T ] e proviamo che At := YtZsσ(s,Xs) verifica la stessa equazione:
Dualita 43
la tesi seguira dai risultati di unicita per EDS. Per la (65) vale
Yt = Ys +
∫ t
s
∂xb(r,Xr)Yrdr +
∫ t
s
∂xσ(r,Xr)YrdWr;
moltiplicando per Zsσ(s,Xs) ed utilizzando il Lemma 2.13 si ha
YtZsσ(s,Xs)︸ ︷︷ ︸=At
= YsZs︸︷︷︸=1
σ(s,Xs) +
∫ t
s
∂xb(r,Xr)YrZsσ(s,Xs)︸ ︷︷ ︸=Ar
dr
+
∫ t
s
∂xσ(r,Xr)YrZsσ(s,Xs)︸ ︷︷ ︸Ar
dWr,
da cui la tesi.
Osservazione 2.15. Il concetto di derivata stocastica e i risultati fin qui
provati si estendono in ambito multi-dimensionale senza particolari difficolta,
se non la maggior pesantezza delle notazioni. Se W = (W 1, . . . ,W d) e un
moto Browniano d−dimensionale e indichiamo con Di la derivata rispetto
alle i−esima componente di W , allora si prova che, per s ≤ t, vale
DisW
jt = δij
dove δij e il simbolo di Kronecker. Piu in generale, se X e una variabile
aleatoria che dipende solo dagli incrementi di W j allora DiX = 0 per i 6= j.
Inoltre, per u ∈ L2, vale
Dis
∫ t
0
urdWr = uis +
∫ t
s
DisurdWr.
2.2 Dualita
In questo paragrafo introduciamo l’operatore aggiunto della derivata di Malli-
avin e proviamo un risultato di dualita che e alla base della formula di
integrazione per parti stocastica.
Dualita 44
Definizione 2.16. Fissando n ∈ N, la famiglia Pn dei processi semplici di
ordine n e composta dai processi U del tipo
Ut =2n∑k=1
ϕk(∆n)1Ikn(t), (68)
con ϕk ∈ C∞pol per k = 1, . . . , 2n.
Usando la notazione (2.2), la (68) si riscrive piu semplicemente
Ut = ϕkn(t)(∆n).
Osserviamo che
Pn ⊆ Pn+1 n ∈ N,
e definiamo
P :=⋃n∈N
Pn,
la famiglia dei funzionali semplici. E chiaro che
D : S −→ P
ossia DX ∈ P per X ∈ S. Per l’ipotesi di crescita delle funzioni ϕk in (68),
P e un sotto-spazio di Lp([0, T ]× Ω) per ogni p ≥ 1 ed inoltre P e denso in
Lp([0, T ]× Ω,B ⊗ FWT ).
Ora ricordiamo la notazione (2.2) e definiamo l’operatore aggiunto di D.
Definizione 2.17. Dato un processo semplice U ∈ P della forma (68),
poniamo
D∗U =2n∑k=1
(ϕk(∆n)∆k
n − ∂xknϕk(∆n)1
2n
). (69)
D∗U e chiamato integrale di Skorohod di U: nel seguito usiamo anche scrivere
D∗U =
∫ T
0
Ut dWt. (70)
Dualita 45
Osserviamo che la definizione (2.17) e ben posta perche non dipende da
n. Notiamo inoltre che, a differenza dell’integrazione stocastica secondo Ito,
per l’integrale di Skorhod non richiediamo che il processo U sia adattato. Per
questo D∗ e anche chiamato integrale stocastico anticipativo.
Osservazione 2.18. Se U e adattato allora ϕk in (68) e FWtk−1n−misurabile
e quindi, per l’osservazione 2.8, ∂xknϕk = 0. Di conseguenza si ha
∫ T
0
Ut dWt =2n∑k=1
ϕk(∆n)∆kn =
∫ T
0
UtdWt.
In altri termini, per un processo adattato, l’integrale di Skorohod coincide
con l’integrale di Ito.
Un risultato centrale nel calcolo di Malliavin e il seguente
Teorema 2.19 (Relazione di dualita). Per ogni X ∈ S e U ∈ P vale
E
[∫ T
0
(DtX)Utdt
]= E
[X
∫ T
0
Ut dWt
](71)
Osservazione 2.20. La (71) si scrive equivalentemente nella forma
〈DX,U〉L2([0,T ]×Ω) = 〈X,D∗U〉L2(Ω)
che giustifica l’appellativo di operatore aggiunto di D per l’integrale di Sko-
rohod.
Dimostrazione. Siano U della forma (68) eX = ϕ0(∆m) con ϕ ∈ C∞pol(R2m;R) :
chiaramente non e restrittivo assumere m = n. Poniamo δ = 12n
e per ogni
j ∈ 1, . . . , 2n e k ∈ 0, . . . , 2n,
ϕ(j)k (x) = ϕk(∆
1n, . . . ,∆
j−1n , x,∆j+1
n , . . . ,∆2n
n ), x ∈ R
Allora si ha
E
[∫ T
0
(DtX)Utdt
]= δE
[2n∑k=1
∂xknϕ0(∆n)ϕk(∆n)
]=
Dualita 46
(poiche gli incrementi Browniani sono indipendenti ed indenticamente dis-
tribuiti ∆kn ∼ N0,δ)
= δ2n∑k=1
E
[∫R
(d
dxϕ
(k)0 (x)
)ϕ
(k)k (x)
e−x2
2δ
√2πδ
dx
]=
(integrando per parti)
= δ
2n∑k=1
E
[∫Rϕ
(k)0 (x)
(x
δϕ
(k)k (x)− d
dxϕ
(k)k (x)
)e−
x2
2δ
√2πδ
dx
]=
= E
[ϕ0(∆n)
2n∑k=1
(ϕk(∆n)∆kn − ∂xknϕk(∆n)δ)
],
e questo, in base alla definizione di integrale di Skorohod, conclude la prova.
Come conseguenza della relazione di dualita, proviamo il Lemma 2.6.
Proof del Lemma 64. Sia (Xn) una successione in S tale che
i) limn→∞Xn = 0 in L2(Ω);
ii) esiste U := limn→∞DXn in L2([0, T ]× Ω).
Per provare che U = 0, consideriamo V ∈ P : abbiamo, per ii),
E
[∫ T
0
UtVtdt
]= lim
n→∞E
[∫ T
0
(DtXn)Vtdt
]=
(per la relazione di dualita e poi per i))
limn→∞
E
[Xn
∫ T
0
Vt dWt
]= 0.
La tesi segue dalla densita di P in L2([0, T ]× Ω,B ⊗ FWT ).
Osservazione 2.21. In modo analogo proviamo che se (Un) e una succes-
sione in P tale che
Dualita 47
i) limn→∞ Un = 0 in L2([0, T ]× Ω),
ii) esiste X := limn→∞D∗Un in L2(Ω),
allora X = 0 q.o. Inoltre se p ≥ 2 e U e tale che esiste una successione (Un)
in P per cui
i) U = limn→∞ Un in Lp([0, T ]× Ω),
ii) esiste limn→∞D∗Un in Lp(Ω),
e diciamo che U e Skorohod-integrabile di ordine p e la seguente definizione
di integrale di Skorhod e ben posta:
D∗U =
∫ T
0
Ut dWt := limn→∞
D∗Un, in L2(Ω).
Inoltre vale la seguente relazione di dualita
E
[∫ T
0
(DtX)Utdt
]= E
[X
∫ T
0
Ut dWt
],
per ogni X ∈ D1,2 e U integrabile di ordine 2.
2.2.1 Formula di Clark-Ocone
Il teorema di rappresentazione delle martingale afferma che per ogni X ∈L2(Ω,FWT ) esiste u ∈ L2 tale che
X = E[X] +
∫ T
0
usdWs. (72)
Se X e derivabile secondo Malliavin, utilizzando l’esempio 2.10 possiamo
ricavare l’espressione di u: infatti, assumendo ut ∈ D1,2, si ha
DtX = ut +
∫ T
t
DtusdWs
e quindi, considerando l’attesa condizionata, concludiamo che vale
E[DtX|FWt ] = ut. (73)
Dualita 48
La (73) e nota come formula di Clark-Ocone. Di seguito ne diamo una prova
rigorosa.
Teorema 2.22 (Formula di Clark-Ocone). Se X ∈ D1,2 allora vale
X = E[X] +
∫ T
0
E[DtX|FWt ]dWt.
Dimostrazione. Non e restrittivo supporre E[X] = 0. Per ogni processo
semplice ed adattato U ∈ P vale, per la relazione di dualita del Teorema
2.19,
E[XD∗U ] = E
[∫ T
0
(DtX)Utdt
]=
(essendo U adattato)
= E
[∫ T
0
E[DtX|FWt ]Utdt
].
D’altra parte l’integrale di Skorohod del processo adattato U coincide con
l’integrale di Ito e per la (72) si ha
E[XD∗U ] = E
[∫ T
0
UtdWt
∫ T
0
UtdWt
]=
(per l’isometria di Ito)
= E
[∫ T
0
utUtdt
].
La tesi segue per densita, essendo U arbitrario.
Osservazione 2.23. Come interessante e immediata conseguenza della for-
mula di Clark-Ocone si ha che se X ∈ D1,2 e DX = 0, allora X e costante
q.o.
Illustriamo ora l’interpretazione finanziaria della formula di Clark-Ocone:
supponiamo che X ∈ L2(Ω,FWT ) sia il payoff di un’opzione Europea su un
titolo S. Assumiamo che la dinamica del prezzo scontato nella misura di
martingala sia
dSt = σtStdWt.
Dualita 49
Allora se (α, β) e una strategia replicante per l’opzione, si ha
X = E[X]
+
∫ T
0
αtdSt = E[X]
+
∫ T
0
αtσtStdWt;
d’altra parte, per la formula d Clark-Ocone, vale
X = E[X]
+
∫ T
0
E[DtX|FWt
]dWt,
e dunque otteniamo l’espressione della strategia replicante:
αt =E[DtX|FWt
]σtSt
, t ∈ [0, T ].
2.2.2 Integrazione per parti e calcolo delle greche
In questa sezione proviamo una formula di integrazione per parti stocastica
e, attraverso alcuni esempi notevoli, illustriamo l’applicazione al calcolo delle
greche di opzioni mediante il metodo Monte Carlo. Come gia anticipato
nell’introduzione, le tecniche basate sul calcolo di Malliavin risultano efficaci
anche nel caso in cui la funzione di payoff F sia poco regolare, ossia proprio
dove l’applicazione diretta del metodo Monte Carlo fornisce scarsi risultati
anche se il sottostante e un semplice moto Browniano geometrico.
L’integrazione per parti stocastica permette di rimuovere la derivata sul-
la funzione di payoff migliorando l’approssimazione numerica: piu precisa-
mente, supponiamo di voler determinare ∂αE[F (ST )Y ] dove ST indica il prez-
zo finale del sottostante che dipende dal parametro α (per esempio, α e S0
nel caso della delta, α e la volatilita nel caso della vega) e Y e una certa
variabile aleatoria (per esempio, fattore di sconto). L’idea e di cercare di
esprimere ∂αF (ST )Y nella forma∫ T
0
DsF (ST )Y Usds,
per un certo percorso U adattato ed integrabile. Utilizzando la relazione di
Dualita 50
dualita, formalmente otteniamo
∂αE[F (ST )Y ] = E[F (ST )D∗(Y U)],
che, come vedremo con gli esempi seguenti, puo essere utilizzata per ottenere
una buona approssimazione numerica.
In questa sezione intendiamo mostrare l’applicabilita di una tecnica piut-
tosto che approfondire gli aspetti matematici, pertanto la presentazione sara
piuttosto informale, a partire dal seguente enunciato.
Teorema 2.24 (Integrazione per parti stocastica). Siano F ∈ C1B e X ∈
D1,2. Allora vale la seguente formula di integrazione per parti
E[F ′(X)Y ] = E
[F (X)
∫ T
0
utY∫ T0usDsXds
dWt
], (74)
per ogni variabile aleatoria Y e per ogni processo stocastico u per cui la (74)
sia ben definita
Dimostrazione. Per la regola della catena vale
DtF (X) = F ′(X)DtX;
moltiplicando per utY e integrando fra 0 e T otteniamo∫ T
0
utY DtF (X)dt = F ′(X)Y
∫ T
0
utDtXdt,
da cui, a patto che1∫ T
0utDtXdt
abbia buone proprieta di integrabilita, si ha
F ′(X)Y =
∫ T
0
DtF (X)utY∫ T
0usDsXds
dt
Dualita 51
e, in valore atteso,
E[F ′(X)Y ] = E
[∫ T
0
DtF (X)utY∫ T
0usDsXds
dt
]=
(per la relazione di dualita)
= E
[F (X)
∫ T
0
utY∫ T0usDsXds
dt dWt
].
Osservazione 2.25. Le ipotesi di regolarita sulla funzione F possono essere
molto indebolite: utilizzando un procedimento standard di regolarizzazione, e
possibile provare la validita della formula di integrazione per parti per funzioni
derivabili debolmente o in senso distribuzionale.
Il processo u nella (74) spesso puo essere scelto in modo opportuno per
semplificare l’espressione dell’integrale nel membro di destra.
Nel caso in cui u = 1 e Y = ∂αX, la (74) diventa
E[∂αF (X)] = E
[F (X)
∫ T
0
∂αX∫ T0DsXds
dt dWt
]. (75)
Nei seguenti esempi, consideriamo la dinamica di Black-Scholes nella
misura di martingala per il sottostante di un’opzione e applichiamo la formula
di integrazione per parti con X = ST dove
ST = x exp
(σWT +
(r − σ2
2
)T
). (76)
Esempio 2.26 (Delta). Osserviamo che DsST = σST e ∂xST = STx
. Allora
Dualita 52
per la (75) abbiamo la seguente espressione per la delta di Black-Scholes
∆ = e−rT∂xE[F (ST )]
= e−rTE
[F (ST )
∫ T
0
∂xST∫ T0DsSTds
dWt
]
= e−rTE
[F (ST )
∫ T
0
1
σTx dWt
]=
e−rT
σTxE[F (ST )WT ].
Risulta abbastanza evidente che, per esempio nel caso F (S) = 1[1,+∞], e
molto piu efficiente la simulazione Monte carlo dell’ultima equazione rispetto
alla prima.
Sappiamo che in generale non e lecito portare fuori una variabile aleatoria
da un integrale di Ito: vediamo ora in quali termini cio sia possibile nel caso
dell’integrale stocastico anticipativo.
Proposizione 2.27. Siano X ∈ D1,2 e U un processo Skorhod-integrabile di
ordine 2. Allora vale∫ T
0
XUt dWt = X
∫ T
0
Ut dWt −∫ T
0
(DtX)Utdt. (77)
Dimostrazione. Per ogni Y ∈ S, per la relazione di dualita, vale
E[Y D∗(XU)] = E
[∫ T
0
(DtY )XUtdt
]=
(per la regola della catena)
= E
[∫ T
0
(Dt(Y X)− Y DtX)Utdt
]=
(per dualita)
= E
[Y
(XD∗U −
∫ T
0
DtXUtdt
)],
e la tesi segue per densita.
Dualita 53
La formula (77) risulta cruciale nel calcolo dell’integrale di Skorohod come
somma di un usuale integrale di Ito con un integrale di Lebesgue.
Esempio 2.28. Come diretta applicazione della (77) si ha∫ T
0
WT dWt = W 2T − T.
Esempio 2.29 (Vega). Calcoliamo la vega di un’opzione nel modello di
Black-Scholes: osserviamo che vale
∂σST = (WT − 2σT )ST , DsSTσST .
Allora
ν = e−rT∂σE[F (ST )] =
(per la formula di integrazione per parti (75))
= e−rTE
[F (ST )
∫ T
0
WT − σTσT
dWt
]=
(per la (77))
= e−rTE
[F (ST )
(WT − σT
σTWT −
1
σ
)].
Esempio 2.30 (Gamma). Calcoliamo la gamma di un’opzione nel modello
Black-Scholes:
Γ = e−rT∂xxE[F (ST )] =
(per l’esempio 2.26)
=e−rT
σTxE
[∂
(F (ST )
x
)WT
]=
e−rT
σTx2E[F (ST )WT ] +
e−rT
σTxJ,
dove
J = E[∂xF (ST )WT ] = E[F ′(ST )∂xSTWT ] =
Dualita 54
(applicando la (74) con u = 1 e Y = (∂xST )WT = STWT
x)
= E
[F (ST )
∫ T
0
WT
σTx dWT
]=
(per la (77))
=1
σTxE[F (ST )(W 2
T − T )].
In definitiva si ha
Γ =e−rT
σTx2E
[F (ST )
(W 2T − TσT
−WT
)].
3Pricing and Hedging di Opzioni
Asiatiche Tramite il Calcolo di
MalliavinAdesso che abbiamo a disposizione una solida struttura teorica, possiamo
applicare il calcolo di Malliavin al pricing ed alla strategia di copertura di-
namica di opzioni Asiatiche. L’articolo che ci ha guidato attraverso i passaggi
teorici che vedremo nella sezione, e [1]. Questo articolo e un lavoro recente,
che quindi ci pone ad un punto dello sviluppo della tematica molto attuale,
tant’e che la ricerca si sta sviluppando proprio verso questo modo di operare,
come vedremo in un lavoro di Dupire che riportiamo in Appendice C.
3.1 Model setup
Consideriamo l’ambientazione classica di Black-Scholes, ovvero la presenza
di risk-free bond B(·) ed un titolo rischioso S(·) con dinamica
dB(t) = B(t) r dt (78)
dS(t) = S(t)[r dt+ σ dW (t)] (79)
doveW (·) e un moto browniano standard sullo spazio di probabilita (Ω,F , P ),
con Ft la filtrazione canonica. Assumeremo, senza perdere di generalita, che
la misura P sia di fatto la misura neutrale rispetto al rischio. Si ricava
Model setup 56
facilmente che la dinamica (79) da come soluzione:
S(t) = s · exp
(rt− σ2
2t+ σW (t)
), 0 ≤ t ≤ T (80)
dove S(0) = s. Definiamo la ricchezza dell’investitore e l’ammontare di
denaro investito nell’azione al tempo t da V (t) e π(t) rispettivamente. Ovvi-
amente l’ammontare investito in bond sara dato da V (t) − π(t). Chiamere-
mo π(·) una strategia d’investimento. Inoltre, siccome la ricchezza posseduta
dipende ovviamente dalla strategia d’investimento, la scriveremo come V π(·).Assumiamo inoltre che l’investitore segua una strategia d’investimento aut-
ofinanziante, con valore iniziale V (0) = v0. Quindi il processo di ricchezza
soddisfera:
dV π(t) = rV π(t) dt + π(t)σ dW (t), V (0) = v0, 0 ≤ t ≤ T. (81)
Per ragioni tecniche dovute da una parte alla definizione di integrale stocas-
tico e dall’altra per escludere opportunita d’arbitraggio, dobbiamo imporre
le seguenti due condizioni sulla strategia d’investimento:∫ T
0
π2(t)dt <∞ P− q.o.
P(V π(t) > 0 ∀t ≥ 0) = 1
In particolare la prima condizione assicura che l’EDS in (81) abbia un’unica
soluzione in senso forte, data da:
V π(t) · exp(−rt) = v0 +
∫ t
0
exp(−ru)π(u)σ dW (u), per 0 ≤ t ≤ T. (82)
Ora consideriamo il payoff a scadenza di un’opzione Asiatica con media
aritmetica
fT =
[1
T
∫ T
0
S(t)dt−K]+
Model setup 57
dove K > 0 e lo strike. Una strategia di hedging di quest’opzione e una
strategia autofinanziante π(·) tale che:
V π(T ) = fT
valga quasi ovunque. E noto che esiste un’unica strategia di hedging, ed
inoltre l’investimento iniziale necessario per finanziare questa strategia e pari
a:
v0 = E[fT · exp(−rT )]. (83)
Il valore v0 e quindi l’unico prezzo dell’opzione al tempo t = 0, che non
permette arbitraggio, ed e chiamato fair price dell’opzione fT al tempo 0.
Un breve riassunto del calcolo di Malliavin 58
3.2 Un breve riassunto del calcolo di Malliavin
In un mercato senza costi di transazione, il prezzo che rispetta il principio
di non arbitraggio della maggior parte dei derivati (Europee, Asiatiche, ecc.
...) puo essere espresso come valore atteso del payoff associato che e di solito
definito come un funzionale del processo del sottostante.
Cercheremo ora di porre delle basi per poter utilizzare il calcolo di Malli-
avin per i nostri scopi. Di seguito, riportiamo delle proprieta gia dimostrate
nella Sezione 2, ma che, per comodita e per compattezza delle nozioni, e
meglio avere sott’occhio.
Il processo del sottostante e dato da X(t); 0 ≤ t ≤ T che e un proces-
so di Markov con valori in Rn e la cui dinamica e descritta dall’equazione
differenziale stocastica
dX(t) = b(X(t))dt+ σ(X(t))dW (t), (84)
dove W (t), 0 ≤ t ≤ T e un moto Browniano con valori in Rn. I coefficienti
b e σ sono scelti tali da soddisfare le usuali condizioni per poter garantire
l’esistenza e l’unicita di una soluzione continua ed adattata dell’equazione
(84).
Dato 0 < t1 ≤ . . . ≤ tm = T, consideriamo la funzione
u(x) = E[φ(X(t1), . . . , x(tm))|X(0) = x], (85)
dove φ soddisfa alcune condizioni tecniche che verranno descritte dopo. Nelle
applicazioni finanziarie, u(x) descrive il prezzo di un’opzione definita dalla
funzione di payoff φ che tiene conto dei tempi (t1, . . . , tm). Esempi di queste
opzioni includono sia quelle usuali sia quelle path dependent o persino oggetti
piu complicati.
Concentriamoci adesso su alcune proprieta che ci torneranno utili del
calcolo di Malliavin. Infatti grazie a questo tipo di calcolo, possiamo calcolare
la derivata di un gran numero di variabili casuali e processi (adattati o meno
Un breve riassunto del calcolo di Malliavin 59
alla filtrazione) definiti sullo spazio di Wiener. Presentiamo alcune notazioni
che verranno utilizzate per il resto della trattazione.
Sia W (t), 0 ≤ t ≤ T un n-dimensionale moto Browniano definito su
uno spazio di probabilita completo (Ω,F , P ) e scriveremo Ft la filtrazione
naturale di W rispetto a P . Sia C l’insieme delle variabili casuali F della
forma
F = f
(∫ ∞0
h1(t)dW (t) . . .
∫ ∞0
hn(t)dW (t)
), f ∈ C(Rn)
dove C(Rn) indica l’insieme delle funzioni infinitamente differenziabili e che
decrescono rapidamente su Rn e h1, . . . , hn ∈ L2(Ω × R+). Per F ∈ C,la derivata di Malliavin DF di F e definita come il processo DtF, t ≥ 0 di
L2(Ω× R+) con valori in L2(R+):
DtF =n∑i=1
∂f
∂xi
(∫ ∞0
h1(t)dW (t), . . . ,
∫ ∞0
hn(t)dW (t)
)hi(t), t ≥ 0 quasi ovunque.
Definiamo inoltre la norma su C
‖F‖1,2 = (E(F 2))12 +
(E(
∫ ∞0
(DtF )2dt)
) 12
,
Quindi D1,2 indica lo spazio di Banach che e la chiusura di C rispetto alla
norma ‖‖1,2. L’operatore di derivazione D (chiamato anche l’operatore gra-
diente) e un operatore lineare chiuso definito in D1,2 ed i suoi valori sono in
L2(Ω× R+).
Proprieta 3.1. Sia X(t), t ≥ 0 un processo di Ito n-dimensionale la cui
dinamica sia data dall’equazione differenziale stocastica:
dX(t) = b(X(t))dt+ σ(X(t))dW (t),
dove b e σ si suppone siano funzioni continue e differenziabili con derivate
limitate. Sia Y (t), t ≥ 0 il processo di prima variazione associato, definito
Un breve riassunto del calcolo di Malliavin 60
dall’equazione differenziale stocastica:
dY (t) = b′(X(t))Y (t)dt+n∑i=1
σ′(X(t))Y (t)dW i(t), Y (0) = In,
dove In e la matrice identita di Rn, l’apice indica la derivata e σi e l’i-esimo
vettore colonna di σ. Quindi il processo X(t), t ≥ 0 appartiene a D1,2 e la
sua derivata di Malliavin e data da:
DsX(t) = Y (t)Y (s)−1σ(X(s)) · 1s≤t, s ≥ 0 quasi ovunque.
Inoltre, se ψ ∈ Cb1(Rn) allora abbiamo che
Dsψ(XT ) = ∇ψ(XT )Y (T )y(s)−1σ(X(s)) · 1s≤T , s ≥ 0 quasi ovunque
ed anche
Ds
∫ T
0
ψ(Xt)dt =
∫ T
s
∇ψ(Xt)Y (t)Y (s)−1σ(X(s))dt quasi ovunque.
Adesso che abbiamo ricordato alcune proprieta fondamentali del calcolo
di Malliavin, possiamo concentrarci sulla formulazione delle equazioni neces-
sarie alla risoluzione del nostro problema di hedging.
Consideriamo il set S di funzionali cilindrici F : Ω → R, dati da F =
f(WT1 , . . . ,WTl) dove f ∈ C∞b (Rl) e un funzionale con derivate limitate di
ogni ordine e (W (t)) e un moto browniano su Ω. Definiamo l’operatore di
derivata Malliaviana su S come:
DsF :=l∑
i=1
∂f
∂xi(WT1(ω), . . . ,WTl(ω)) · 1[0,ti](s)
Questo operatore e le sue iterate Dn sono chiusi ed illimitati da Lp(Ω) a
Lp(Ω × [0, T ]n), per ogni n ≥ 1. I loro rispettivi domini li chiamere-
mo Dn,p ed ottenuti come la chiusura di S rispetto alla norma definita da
‖F‖pn,p = ‖F‖pLp(Ω) +∑n
k=1 ‖DkF‖pLp(Ω×[0,T ]k)
. In particolare noi ci concen-
Un breve riassunto del calcolo di Malliavin 61
treremo sullo spazio di Hilbert D1,2. Per proseguire abbiamo bisogno della
chain rule associata alla derivata del calcolo di Malliavin, ma prima dobbiamo
riportare un risultato tecnico che useremo nella dimostrazione:
Lemma 3.2. Sia Fn, n ≥ 1 una successione di variabili casuali in D1,2 che
converge ad F in L2(Ω) e tale che
supnE(‖DFn‖2
H) <∞.
Quindi F appartiene a D1,2, e la successione della derivata DFn, n ≥ 1converge a DF nella topologia debole di L2(Ω;H).
Dimostrazione. Esiste una sottosuccessione Fn(k), k ≥ 1 tale che la suc-
cessione di derivate DFn(k) converge nella topologia debole di L2(Ω;H) ad
alcuni elementi α ∈ L2(Ω;H). Si puo dimostrare che le proiezioni di DFn(k)
su ogni spazio di Wiener convergono in una topologia debole di L2(Ω), per
k che tende ad infinito, a quelli di α. Dunque F ∈ D1,2 e α = DF . Inoltre,
per ogni sottosequenza debolmente convergente, il limite deve essere pari ad
α per l’argomentazione precedente, e questo implica la convergenza debole
dell’intera sequenza.
Proposizione 3.3. Sia ϕ ∈ C1(R) una funzione continua e differenziabile
e sia F ∈ D1,2. Quindi ϕ(F ) ∈ D1,2 sse ϕ(F ) ∈ L2(Ω) e ϕ′(F )DF ∈L2(Ω× [O, T ]). Inoltre, sotto queste ipotesi:
D[ϕ(F )] = ϕ′(F )DF. (86)
Se ϕ non e C1 ma globalmente Lipschitz con costante K, allora ϕ(F ) e ancora
in D1,2 ed esiste una variabile casuale G, che e limitata da K, tale che:
D[ϕ(F )] = GDF.
Dimostrazione. L’equazione (86) e semplicemente una versione della chain
rule gia enunciata e dimostrata nella Proposizione 2.9. Sia αn(x) una suc-
cessione di nuclei di regolarizzazione della forma αn(x) = nmα(nx), dove α e
Un breve riassunto del calcolo di Malliavin 62
una funzione non negativa appartenente a C∞0 (Rm) il cui supporto e la palla
unitaria e tale che∫
Rm α(x)dx = 1. Definiamo ϕn = ϕ ·αn. E facile verificare
che limn ϕn(x) = ϕ(x) uniformemente rispetto a x, e che le funzioni ϕn sono
C∞ con |∇ϕn| ≤ K. Per ogni n abbiamo
D(ϕn(F )) =∑i=1m
∂iϕn(F )DF i. (87)
La successione ϕn(F ) converge a ϕ(F ) in L2(Ω) per n che tende all’infini-
to. D’altra parte, la successione D(ϕn(F )), n ≥ 1 e limitata in L2(Ω;H).
Quindi, per il Lemma 3.2 ϕ(F ) ∈ D1,2 e D(ϕn(F )), n ≥ 1 converge
nella topologia debole di L2(Ω;H) a D(ϕ(F )). Inoltre, la successione
∇ϕn(F ), n ≥ 1 e limitata da K. Quindi esiste una sottosuccessione
∇ϕn(k)(F ), k ≥ 1 che converge a qualche vettore di variabili aleatorie
G = (G1, ..., Gm) nella topologia debole σ(L2(Ω; Rm)). Per di piu, G e
limitato da K. Quindi, facendo il limite in (87), otteniamo che
D(ϕ(F )) =m∑i=1
GiDFi.
La proposizione che segue contiene la formula di Clark-Ocone, che e il
collegamento principale fra hedging e calcolo di Malliavin
Proposizione 3.4. Sia F ∈ D1,2, allora
F = E[F ] +
∫ T
0
E[DtF |Ft]
Dimostrazione. Questa e la formula di Clak-Ocone che possiamo vedere nel
Teorema 2.22.
Per i nostri scopi abbiamo bisogno di calcolare la derivata di Malliavin
del payoff di un’opzione Asiatica con media aritmetica.
Un breve riassunto del calcolo di Malliavin 63
Proposizione 3.5. Definiamo gT = 1T
∫ T0S(u)du−K con S(·) dato da (80)
e K ∈ R. Quindi gT ∈ D1,2 e
Dt(gT ) = σgT + σK − σ
T
∫ t
0
S(u)du.
Dimostrazione. Segue direttamente dalla Proprieta 3.1. Infatti abbiamo che
b(S(t)) = r · S(t) σ(S(t)) = σ · S(t)
quindi di conseguenza, il processo di prima variazione associato e
dY (t) = rY (t)dt+ σY (t)dW (t) Y (0) = 1,
che, a meno di una costante dovuto al punto iniziale, e uguale a S(t).
Attraverso semplici operazioni di algebra lineare otteniamo
Ds
(∫ t
0
S(u)du
)=
(∫ t
s
1 · Y (u)Y (s)−1σS(s)du
)· 1[s≤t] =
=︸︷︷︸Y (·)=S(·)
(∫ t
s
σS(u)du
)· 1[s≤t]
Siccome la derivata di Malliavin e additiva e nulla per le costanti, otteniamo
che
DtgT = Dt
(1
T
∫ T
0
S(u)du−K)
=
=1
T
∫ T
t
σS(u)du =
= σgT + σK − σ
T
∫ t
0
S(u)du.
Densita dell’Asiatica con media aritmetica 64
3.3 Densita dell’Asiatica con media aritmetica
In questa sezione studieremo la funzione di densita della media aritmetica del
moto browniano geometrico. Proveremo due strade diverse: una piuttosto
diretta che ci portera ad una formula quasi esplicita, ed una in cui ricaveremo
una EDS per la funzione distribuzione. Questo perche, come vedremo al
momento delle simulazioni, non sempre avere una formula analitica sotto
forma di integrale porta a de buoni risultati numerici. Mentre usando dei
metodi di risoluzione numerica per EDP puo portare ad ottimi risultati.
Proposizione 3.6. Per t > 0, scriviamo come p(t, x, a, b) la densita di
probabilita di∫ t
0exp(au + bW (u)) du. Quindi p(t, x, a, b) = 0 per x ≤ 0
e
p(t, x, a, b) = Γt
∫ ∞0
Ψt(v)
[∫ ∞0
y2ab2 exp
(− 2
b2x[y2 + 2y cosh(v) + 1]
)dy
]dv
per x > 0, dove
Γt(x) = 8(πb3x2
√2πt)−1
exp
(4π2 − (at)2
2b2t
),
Ψt(v) = sin(aπvb2t
)· sinh(v) · exp
(−2v2
b2t
).
Dimostrazione. Definiamo Ut(x; a, b) la funzione distribuzione di probabilita
Ut(x; a, b) = P(∫ t
0
exp(ay + bW (y))dy ≥ x
).
Procedendo col cambio di variabile u = b2
4y otteniamo:
Ut(x; a, b) = P
(∫ b2t4
0
exp
(2
(2au
b2+W (u)
))du ≥ b2x
4
).
Ovviamente
Ut(x; a, b) =
∫Ω
1AdP
Densita dell’Asiatica con media aritmetica 65
dove
A =
w
∣∣∣∣∣∫ b2t
4
0
exp
(2
(2au
b2+W (u)
))du ≥ b2x
4
.
Definiamo una misura P equivalente tale che
dPdP
∣∣∣∣Fs = exp
(−2a2
b4s− 2a
b2W (s)
). (88)
Il teorema di Girsanov ci mostra che (W (t)) definito da W (t) = W (t) + 2atb2
e un moto Browniano sotto P. Dato che
A =
w
∣∣∣∣∣∫ b2t
4
0
exp(
2Wu
)du ≥ b2x
4
,
impostando s = b2t4
nell’equazione (88) da
Ut(x; a, b) =
∫Ω
1AdPdPdP =
∫Ω
1A exp
(2a
b2W b2t
4
− 2a2
b4
(b2t
4
))dP.
Sia ft(x, y) la funzione densita congiunta di (∫ t
0exp(2Wu)du, Wt). Allora
Ut(x; a, b) = exp
(−a
2t
2b2
)∫ ∞b2x4
∫ ∞−∞
exp
(2ay
b2
)f b2t
4
(v, y)dydv.
La funzione densita congiunta ft(x, y) ha una soluzione in forma chiusa:
ft(x, y) = ρt(x, y)
∫ ∞0
exp
(−z
2
2t− exp(y)
xcosh(z)
)sinh(z) sin
(πzt
)dz
(89)
per x > 0, dove
ρt(x, y) =(x2√
2π3t)−1
exp
(2xyt+ π3x− t− t exp(2y)
2xt
).
Dato che
p(t, x, a, b) = −∂Ut(x; a, b)
∂x,
Densita dell’Asiatica con media aritmetica 66
ed otteniamo
p(t, x, a, b) = exp
(−a
2t
2b2
)(b2
4
)∫ ∞−∞
exp
(2ay
b2
)f b2t
4
(b2x
4, y
)dy.
l’espressione di p(t, x, a, b) riportata nella tesi e ottenuta inserendo la rapp-
resentazione per f b2t4
( b2x4, y) data in (89), sostituendo y con ln(y) ed, infine,
riarrangiando i termini.
Definiamo adesso
U(t, x) ≡ P[∫ t
0
exp
(ru− σ2
2u+ σW (u)
)du > x
](90)
= Ut
(x, r − σ2
2, σ
). (91)
Quindi segue direttamente dalla (90) e dalla definizione di p(t, x, a, b) che:
U(t, x) =
∫ +∞
x
p(t, u, r − σ2
2, σ)du per t > 0, x > 0. (92)
Come detto in precedenza, questa espressione puo essere stimata tramite in-
tegrazione numerica.
L’altro metodo che ci eravamo prefissati di provare, e quello di ricavare
un’EDP che caratterizzi questa equazione.
Proposizione 3.7. La funzione U(·, ·) e l’unica soluzione per la seguente
equazione differenziale
1
2σ2x2Uxx + [(σ2 − r)x− 1]Ux − Ut = 0, per t > 0, x > 0, (93)
con condizioni al bordo
U(0+, x) = 0 per x > 0
U(0+, 0) = 1
U(t, x) = 1 per t ≥ 0, x ≤ 0.
Densita dell’Asiatica con media aritmetica 67
Dimostrazione. Usando la notazione
X(t) = exp
(−rt+
σ2
2t− σW (t)
)·[x−
∫ t
0
exp
(ru− σ2
2u+ σW (u)
)du
],
(94)
troviamo che∫ t
0
exp
(ru− σ2
2u+ σW (u)
)du > x se e solo se X(t) < 0,
e quindi che
U(t, x) = P[X(t) < 0|X(0) = x]. (95)
Dall’altra parte abbiamo che (94) e l’unica soluzione forte all’equazione dif-
ferenziale stocastica
dX(t) = [(σ2 − r)X(t)− 1]dt− σX(t)dW (t), per X(0) = x > 0.
Quindi la nostra tesi segue dall’equazione di Kolmogorov all’indietro2. Le
condizioni al bordo ed iniziali sono ovvie.
2Per ulteriori dettagli consultare l’Appendice B
Strategia di replica e pricing quasi-esplicito dell’opzione Asiatica 68
3.4 Strategia di replica e pricing quasi-esplicito del-
l’opzione Asiatica
Teorema 3.8. La strategia di hedging per un’opzione Asiatica con media
aritmetica ft, consiste nell’investire un ammontare di
π(t) = V π(t) +S(t)
T· exp(−r(T − t)) · U(T − t, G(t)) (96)
al tempo t ∈ [0, T ] in sottostante, dove U(·, ·) e data da (92) o (93), e
G(t) =1
S(t)
[K · T −
∫ t
0
S(u)du
]= − T
S(t)
[1
T·∫ t
0
S(u)du−K].
La quantita investita nel bond e invece di
−S(t)
T·G(t) · exp(−r(T − t)) · U(T − t, G(t)). (97)
Dimostrazione. Segue dalle Proposizioni 3.3 e 3.5 che fT ∈ D1,2 e quindi che
fT exp(−rT ) ∈ D1,2
ed inoltre che
Dt[fT exp(−rT )] = exp(−rT )Dt(fT ) (98)
=
[fT + 1gT>0(ω)
K − 1
T
∫ t
0
S(u)du
]σ exp(−rT ).
Possiamo adesso concludere dalla Proposizione 3.4 che
fT exp(−rT ) = E[fT exp(−rT )] +
∫ T
0
E[Dt(fT exp(−rT ))|Ft]dW (t). (99)
Per definizione di strategia di replica e per l’equazione (82) la quantita
investita nel sottostante π(·) soddisfa
fT exp(−rT ) = E[fT exp(−rT )] +
∫ T
0
exp(−rt)σπ(t)dW (t). (100)
Strategia di replica e pricing quasi-esplicito dell’opzione Asiatica 69
Notiamo che la sola assenza di arbitraggio, ci dice che il valore iniziale del-
la strategia di replica deve soddisfare v0 = E[fT exp(−rT )]. Il teorema di
rappresentazione dei funzionali di Wiener, afferma che l’integrando nelle
rappresentazioni (99) e (100) sono unici ed inoltre che
π(t) =1
σexp(rt) · E[Dt(fT exp(−rT ))|Ft]. (101)
Segue automaticamente dalle discussioni precedenti che questa strategia e
possibile e rappresenta un hedging. Oltretutto V π(t) exp(−rt) e una martin-
gala e quindi implica che
V (t) exp(−rt) = E[fT exp(−rT )|Ft] quasi ovunque. (102)
Quindi per il significato dell’equazione (98)e l’equazione (102), otteniamo
π(t) = V (t) + exp(−r(T − t)) ·[K − 1
T
∫ t
0
S(u)du
]· P(gT > 0|Ft). (103)
Usando le proprieta del moto Browniano non e difficile ricavare che
P(gT > 0|Ft) = P(
1
T
∫ T
0
S(u)du−K > 0 |Ft)
= P(∫ t
0
S(u)du+
∫ T
t
S(u)du > KT |Ft)
= P(∫ T
t
S(u) · S(t) · S(t)−1du > KT −∫ t
0
S(u)du |Ft)
= P(∫ T
t
exp
([r − σ2
2
]· [u− t] + σWu−t
)du > G(t) |Ft
)= P
(∫ T−t
0
exp
([r − σ2
2
]· u+ σWu
)du > G(t) |Ft
)= U(T − t, G(t)). (104)
Infine, l’equazione (96) segue dall’equazione (103) e dalla (104). L’equazione
(97) segue dalla condizione di portafoglio auto-finanziante.
Per ragioni di assenza d’arbitraggio, V π(t) e il fair price dell’opzione Asi-
Strategia di replica e pricing quasi-esplicito dell’opzione Asiatica 70
atica con media aritmetica al tempo t. Per calcolare tale valore possiamo
usare due formule diverse.
Teorema 3.9. Per ogni istante t con t ≤ 0 ≤ T , il fair price dell’opzione ft
puo essere calcolato equivalentemente come
V (t) = exp(−r(T − t))S(t)
T
∫ +∞
G(t)
U(T − t, x)dx (105)
oppure come
V (t) = exp(−r(T − t))S(t)
T
∫ +∞
G(t)
(x−G(t)) · p(T − t, x, r − σ2
2, σ
)dx,
(106)
dove la funzione U(·, ·) e calcolato impiegando la Proposizione 3.7 o la (92)
assieme alla proposizione 3.6. L’espressione di G(t) e quella definita nel
Teorema 3.8. In particolare, il fair price dell’opzione Asiatica fT al tempo
t = 0 e pari a
V (0) = exp(−r(T − t))S(0)
T
∫ +∞
K·TS(0)
(x− K · T
S(0)
)· p(T, x, r − σ2
2, σ
)dx.
(107)
Dimostrazione. Secondo l’equazione (102), otteniamo
V (t) = exp(−r(T − t))E[fT | Ft] q.o. (108)
Inoltre, e ovvio che
ft =S(t)
T
[∫ T
t
exp
([r − σ2
2
][u− t] + σ[W (u)−W (t)]
)du−G(t)
]+
.
(109)
Sfruttando le proprieta del moto Browniano, segue dall’equazione (109) e
dalla definizione di U(·, ·) che
E[fT |Ft] = −∫ +∞
G(t)
S(t)−G(t) + x
TdU(T − t, x). (110)
Strategia di replica e pricing quasi-esplicito dell’opzione Asiatica 71
Quindi otteniamo l’equazione (106) dalle equazioni (108), (110) e (93). Per
t = 0 abbiamo l’equazione (107). Infine, non e difficile da verificare che
limx→+∞
U(T − t, x) = 0, e limx→+∞
x · U(T − t, x) = 0.
Cosı, grazie alla formula di integrazione per parti, otteniamo che
E[fT |Ft] =S(t)
T
∫ +∞
G(t)
U(T − t, x)dx
e di conseguenza, anche l’equazione (105) segua dalla (108).
I seguenti corollari sono dirette implicazioni del Teorema 3.8.
Corollario 3.10. La quantita investita nel sottostante e sempre positiva. In
particolare, quando∫ t
0S(u)du > K ·T , ovvero quando l’opzione Asiatica e in
the money, abbiamo che
π(t) = exp(−r(T − t))S(t)
T
∫ +∞
G(t)
x · p(Tt, x, r −
σ2
2, σ
)dx.
Osservazione 3.11. Dal significato delle equazioni presenti nei teoremi 3.8
e 3.9, e facile verificare che
π(t) = S(t)∂V (t)
∂S(t),
che significa che l’opzione Asiatica e delta-hedged. Questo risultato puo anche
essere ottenuto seguendo le argomentazioni standard di Black-Scholes, ovvero
creando un portafoglio neutrale rispetto al rischio, in cui compro un’azione
ed una quantita pari a ∆ di opzioni scritte su quell’azione.
Dalla put-call parity per le opzioni Asiatiche con media aritmetica, otte-
niamo il seguente corollario
Strategia di replica e pricing quasi-esplicito dell’opzione Asiatica 72
Corollario 3.12. Il fair price al tempo t ∈ [0, T ] per un’opzione Asiatica con
media aritmetica di tipo put e
V (t) = exp(−r(T − t))S(t)
T
∫ G(t)
0
(G(t)− x) · p(T − t, x, r − σ2
2, σ
)dx.
Mentre la strategia di hedging consiste nell’investire in stock la seguente
quantita:
π(t) = V (t) +G(t) exp(−r(T − t))S(t)
T[1− U(T − t, G(t))],
e l’ammontare investito in bond e V (t)− π(t).
Inoltre otteniamo anche le seguenti espressioni per le greche delta e gam-
ma. Queste greche non solo sono importanti ai fini dell’hedging, ma anche
per un’analisi generale del rischio associato all’opzione Asiatica.
Proposizione 3.13. Per le greche associate all’Asiatica con media aritmet-
ica abbiamo:
∆ ≡ ∂V (t)
∂S(t)
=1
S(t)
[V (t) +
S(t)
T·G(t) · U(T − t, G(t)) · exp(−r(T − t))
],
Γ ≡ ∂2V (t)
∂S(t)2
=(G(t))2
TS(t)· p(T − t, G(t); r − σ2
2, σ
)· exp(−r(T − t)),
∂V (t)
∂K= −U(T − t, G(t)) · exp(−r(T − t)).
4Analisi Numerica
Teoricamente ci sono tre possibilita per calcolare U(t, x). La prima, consiste
nell’usare l’equazione (92) per calcolare U(t, x) come la soluzione di un inte-
grale triplo. La seconda, ottenere U(t, x) come soluzione dell’EDP (93) con
le corrispettive condizioni al bordo. La terza possibilita e quella di usare un
metodo Monte Carlo per calcolare U(t, x), o attraverso l’equazione (95) o
attraverso l’equazione (93).
Iniziamo considerando la prima possibilita. Nonostante esista una soluzione
in forma chiusa di U , l’equazione (92), questa comporta il calcolo di un inte-
grale triplo. In aggiunta, nonostante la funzione sottostante di p(t, x, r − σ2
2, σ)
sia smooth (vedere Proposizione 3.6), ha varie singolarita, numericamente
parlando.
Per essere piu precisi, definiamo
f(t, x, y, v, a, b) = Γt(x) · Φt(v) · y2ab2 · exp
(− 2
b2x[y2 + 2y cosh(v) + 1]
),
dove Γt e Φt sono definiti nella Proposizione 3.6. Con questa notazione,
abbiamo
p(t, x, a, b) =
∫ ∞0
∫ ∞0
f(t, x, y, v, a, b)dy dv (111)
e
U(t, x) =
∫ ∞x
p
(t, u, r − σ2
2, σ
)du per t > 0, x > 0
=
∫ ∞x
∫ ∞0
∫ ∞0
f
(t, x, y, v, r − σ2
2, σ
)dy dv du. (112)
74
Figura 2: La funzione f(0.5, 0.3, y, v, 0.00375, 0.25). Attenzione alla scala.
In questa sezione prenderemo r = 0.035 e σ = 0.25, in modo da avere
r − σ2
2= 0.00375. Scegliendo r = 0.03, avremmo r − σ2
2= −0.00125, che
causerebbe una convergenza a zero di f molto lenta per la variabile y →∞.
Maggiore e r − σ2
2, piu veloce e la convergenza.
Chiaramente, f e periodica nella variabile v con ampiezza variabile (come
si vede nella Figura 2). La lunghezza del periodo e pari a σ2·t2
, ovvero piu
e piccolo il ’time to maturity’, piu piccola sara la lunghezza del periodo. E
difficile integrare f lungo v, perche i valori per i quali vengono raggiunti i
massimi e minimi locali sono diversi in ogni periodo. Questo implica che l’in-
tegrale deve essere calcolato di nuovo ad ogni periodo. Inoltre, se l’ampiezza
e prima crescente, vuol dire che l’integrale del primo periodo e negativo. L’in-
tegrale di tutti i periodi sara non negativo, ma, in pratica, si puo integrare
solo per un numero finito di periodi, il che puo portare alla situazione the
l’integrale sia ancora negativo (che non e possibile visto che e una densita).
Risoluzione numerica dell’EDP 75
Usando avanzati metodi numerici, come la trasformata di Levin, non porta
rimedio a questa situazione.
Ad eccezione dei grossi valori, f non e troppo difficile da integrare rispetto
alla variabile y. Bisogna notare pero che, piu sono piccoli i valori di u e t, piu
saranno grandi i valori di f . I valori scelti nelle figure (u = 0.3 e t = 0.5) non
sono assolutamente i valori piu piccoli di cui avremmo bisogno. Tuttavia f
e gia molto grande, rendendo molto difficile, se non addirittura impossibile,
avere un’accurata stima per p usando l’equazione (111), per non parlare di
U usando l’equazione (112).
Usando un Metodo Monte Carlo per stimare U(t, x) tramite l’equazione
(95) sembrerebbe promettente, ma potrebbe non portare ad un risultato tan-
to accurato come quello raggiunto tramite la risoluzione dell’EDP. Quindi, da
adesso in poi ci concentreremo sulla risoluzione dell’EDP (93), per calcolare
U(t, x) (vedere Figura 4) e∫∞G(t)
U(T − t, x)dx (vedere Figura 5).
4.1 Risoluzione numerica dell’EDP
Innanzitutto, ricordiamo che vogliamo trovare l’equazione di U(t, x) risolven-
do l’equazione (93) che riportiamo di seguito:
1
2σ2x2Uxx + [(σ2 − r)x− 1]Ux − Ut = 0, per t > 0, x > 0,
con condizioni al bordo
U(0+, x) = 0 per x > 0
U(0+, 0) = 1
U(t, x) = 1 per t ≥ 0, x ≤ 0
limx→∞
U(t, x) = 0 per t ≥ 0.
Per prima cosa iniziamo a discretizzare t e x. Essendo una EDP definita
su una semistriscia si deve per forza di cose troncare il dominio. Consideriamo
quindi gli intervalli (0, T ) per il tempo e (xmin, xmax) in spazio. Dividiamo il
Risoluzione numerica dell’EDP 76
primo in Nt intervallini definiti da Nt + 1 nodi e il secondo in Nx intervallini
definiti da Nx + 1 nodi.
Per quanto riguarda l’equazione indefinita abbiamo una derivata prima in
tempo, una derivata prima in x ed una derivata seconda in x. Iniziamo
dalla discretizzazione della derivata seconda in x sulla quale non ci sono
dubbi. Indicati con n = 0, 1, ..., Nt l’indice che scandisce il tempo e con
j = 1, ..., Nx quello che scandisce la x, con Unj = U((j−1)dx, ndt), utilizzando
un’approssimazione del secondo ordine si ottiene
∂2U
∂x2≈Unj−1 − 2Un
j + Unj+1
∆x2
Come discretizzare la derivata prima in x e una scelta delicata. Infatti il
termine di trasporto si comporta in maniera significativamente diversa a
seconda di quali nodi vengono utilizzati nella sua discretizzazione. Quello
che noi vorremmo fare e utilizzare sempre uno schema centrato del tipo
∂U
∂x≈Unj+1 − Un
j−1
2∆x
perche questa e una approssimazione del secondo ordine della derivata prima
e cosı facendo otterremo in totale un errore dell’ordine di grandezza di ∆x2.
Tuttavia non e sempre possibile effettuare questa scelta. Infatti se si sta
utilizzando uno schema totalmente implicito in tempo tutto funziona e non
ci sono problemi, mentre se si utilizza uno schema parzialmente implicito si
possono avere delle soluzioni instabili. La stabilita classica nell’ambito delle
equazioni differenziali mi dice che se parto vicino allora rimango vicino. In
questo caso con soluzioni instabili non si intendono soluzioni che negano la
proposizione precedente, ma soluzioni che pur rimanendo vicino alla soluzione
esatta oscillano attorno ad essa.
Cio accade perche il termine con la derivata prima di fatto mi individua
una direzione privilegiata nella quale avviene il trasporto. Per eliminare
queste oscillazioni, che si verificano quando il trasporto appunto ha un peso
dominante rispetto alla diffusione, e dunque opportuno usare nello schema
numerico solo i nodi j− 1 e j se il trasporto avviene da sinistra verso destra,
Risoluzione numerica dell’EDP 77
e solo i nodi j e j + 1 se il trasporto va nella direzione opposta, in modo
da usare solo le informazioni di quei nodi che gia sono stati raggiunti dalla
perturbazione. Cosı facendo tuttavia, anche se e vero che si possono usare
metodi impliciti che abbiano errori dell’ordine di ∆t2 in tempo (come verra
spiegato meglio piu avanti) che risultino ancora stabili, si perde un ordine di
accuratezza nell’errore in x.
Per tenere conto di queste considerazioni si utilizzera quindi una discretiz-
zazione del tipo
∂U
∂x≈ α
Unj − Un
j−1
∆x+ (1− α)
Unj+1 − Un
j
∆xα ∈ [0, 1]
che corrisponde ad una combinazione convessa della derivata prima calcolata
su diversi nodi.
Infine per quanto riguarda la derivata prima temporale si procedera ad
una discretizzazione tramite i metodi Eulero Esplicito ed Eulero Implicito.
L’approssimazione della (93) nei nodi interni j = 2, 3, ..., Nx e data da:
−Un+1j − Un
j
∆t+σ2
2(j − 1)2∆x2 ·
Un?
j−1 − 2Un?
j + Un?
j+1
∆x2+
+[(σ2 − r)(j − 1)∆x− 1
](αUn?
j − Un?
j−1
∆x+ (1− α)
Un?
j+1 − Un?
j
∆x
)= 0
(113)
Dato che abbiamo a che fare con una condizione iniziale nel problema, nel
nostro schema numerico i termini al passo temporale n saranno noti mentre
quelli al passo temporale n + 1 saranno incogniti. Nella (113) dunque si ha
che n? = n + 1 rappresenta il caso implicito, mentre n? = n rappresenta il
caso esplicito.
Formulazione algebrica e θ-metodo 78
4.2 Formulazione algebrica e θ-metodo
Nella precedente sezione si e effettuata una discretizzazione dell’equazione
differenziale (93). Quello che si vuole fare ora e, partendo da n = 0, arrivare
a risolvere un sistema in forma matriciale del tipo
IUn+1 = EUn dove Un = (Un1 , ...., U
nNx+1) (114)
ad ogni iterazione temporale. Per arrivare a definire le matrici I ed E
riscriviamo le equazioni della precedente sezione in maniera opportuna.
Innanzitutto, avendo deciso di usare un θ-metodo, bisogna riscrivere la
(113). Infatti, per ricavare le matrici necessarie, dobbiamo fare una combi-
nazione convessa del metodo implicito e del metodo esplicito. Ovvero, una
volta isolata la derivata temporale, bisogna mettere nella stessa equazione
sia il contributo implicito, che quello esplicito.
Ut = θ · [PARTE ESPLICITA] + (1− θ)[PARTE IMPLICITA] (115)
dove con PARTE ESPLICITA e PARTE IMPLICITA si intende:
σ2
2x2j ·Un?
j−1 − 2Un?
j + Un?
j+1
∆x2+[(σ2 − r)xj − 1
](αUn?
j − Un?
j−1
∆x+ (1− α)
Un?
j+1 − Un?
j
∆x
)
con n? = n ed n? = n + 1 rispettivamente. Inoltre, per rendere la scrittura
piu snella, si e scelto di porre (j − 1)∆x = xj
Svolgendo i calcoli e raccogliendo i termini al passo n+ 1 si ottiene:
Un+1j−1 ·
[∆t
∆x(θ − 1) ·
(σ2
2
x2j
∆x− α · ((σ2 − r)xj − 1)
)]+
Un+1j ·
[1 +
∆t
∆x(θ − 1) ·
(−σ2
x2j
∆x− (2α− 1) · ((σ2 − r)xj − 1)
)]+
Un+1j+1 ·
[∆t
∆x(θ − 1) ·
(σ2
2
x2j
∆x+ (1− α) · ((σ2 − r)xj − 1)
)].
(116)
Formulazione algebrica e θ-metodo 79
Mentre raccogliendo i termini al passo n otteniamo:
Unj−1 ·
[∆t
∆xθ ·(σ2
2
x2j
∆x− α · ((σ2 − r)xj − 1)
)]+
Unj ·
[1 +
∆t
∆xθ ·(−σ2
x2j
∆x− (2α− 1) · ((σ2 − r)xj − 1)
)]+
Unj+1 ·
[∆t
∆xθ ·(σ2
2
x2j
∆x+ (1− α) · ((σ2 − r)xj − 1)
)].
(117)
Siamo arrivati adesso ad avere un’equazione che contiene al suo interno
due parametri, con cui poter scegliere se usare un metodo implicito o esplicito,
o se utilizzare uno schema centrato o decentrato. Questa equazione, una
volta isolati termini in base all’istante temporale, la possiamo scrivere come
(116) = (117). Le condizioni iniziali ed al bordo si ricavano immediatamente.
U0j = 0 ∀j tale che xj > 0
U0j = 1 ∀j tale che xj < 0
Unj = 1 ∀j tale che xj < 0 ∀n
UnNx = 0 ∀n.
A questo punto definiamo le matrice del sistema I ∈ R(Nx+1)×(Nx+1) ed
E ∈ R(Nx+1)×(Nx+1). Dalle precedenti equazioni osserviamo che entrambe le
matrici sono tridiagonali e non dipendono dall’indice temporale n. Dunque
calcoleremo l’inversa di I una volta per tutte prima di effettuare il ciclo
temporale. Tuttavia si potrebbe scegliere di risolvere Nx volte il sistema
dato che e possibile applicare l’algoritmo di Thomas che riesce a risolvere
un sistema tridiagonale con un numero dell’O(Nx) di operazioni, in modo
da avere una migliore efficienza dell’algoritmo per Nx grande. Nel definire
le matrici, bisogna prestare attenzione nel definire le equazioni riguardanti i
nodi interni e quelle relative ai nodi di bordo.
A questo punto la formulazione algebrica del problema (93) diventa
Un+1 = I−1 · E ·Un.
Formulazione algebrica e θ-metodo 80
Bisogna pero prestare attenzione alle condizioni al bordo. Se per quelle in-
iziali basta semplicemente inizializzare U0, per le condizioni al bordo c’e
bisogno di una piccola accortezza, ovvero si fa entrare nel ciclo temporale
solo i nodi interni, cosı da tenere fissi quelli esterni (che sono costanti, quindi
non hanno bisogno di essere aggiornati).
Questa generalizzazione al variare dei parametri θ e α permette di af-
frontare il problema con diverse tipologie di schemi numerici.
Infatti ponendo θ = 1 si ottiene il metodo di Eulero Implicito nei nodi
interni. Avendo uno schema cosı regolarizzante ma con ordine dell’errore di
solo ∆t in tempo, risulta opportuno imporre α = 0.5 in modo da utilizzare
uno schema centrato per la discretizzazione della derivata prima in spazio e
ottenere in totale un errore dell’ordine di ∆x2 in x. Si ha dunque in totale
un errore dell’ordine di O(∆t+ ∆x2).
Per utilizzare invece uno schema solo parzialmente implicito si devono
fare alcune premesse. La teoria mi dice che per θ ≥ 1/2 la stabilita del meto-
do (intesa in senso classico) e garantita, anche se possono verificarsi fenomeni
oscillatori nel momento in cui il termine di reazione diventa piccolo rispet-
to a quello di diffusione. Cio ci consiglia dunque di passare da uno schema
centrato della derivata prima in x a uno schema decentrato che tenga conto
solo di due nodi adiacenti. Cosı facendo si ha la certezza di eliminare queste
oscillazioni pagando un ordine di convergenza in x ma guadagnando nell’or-
dine di convergenza in t fino a quando per θ = 0.5 si ottiene il metodo di
Crank-Nicholson che, tenendo conto della stabilizzazione, raggiunge in totale
un errore dell’ordine di O(∆t2 + ∆x). Situazioni di questo genere possono
essere facilmente individuate in Matlab visualizzando l’evoluzione di U in
funzione di x nel tempo.
Se al contrario non accadono situazioni di questo tipo conviene impostare
α = 0.5 in modo tale da avere un metodo di Crank-Nicholson che abbia un
errore del tipo O(∆t2 + ∆x2). Come si puo pero ben vedere nella Figura
Formulazione algebrica e θ-metodo 81
Figura 3: La funzione U(T − t, x) per r = 0.035 e σ = 0.25 calcolata conα = 0.5 e θ = 0.5 ovvero con Cranck-Nicholson con uno schema centrato.
3, non possiamo usare quest’ultimo schema proposto, quindi le simulazioni
ed i grafici proposti in seguito, saranno calcolati o con Eulero implicito con
schema centrato, o con Crank-Nicholson con uno schema decentrato.
Calcolo 82
Figura 4: La funzione U(T − t, x) per r = 0.035 e σ = 0.25.
4.3 Calcolo
Osserviamo che la strategia di hedging π(t, G(t), S(t)), esattamente come il
fair price dell’opzione Asiatica V (t, G(t), S(t)), dipende da t, G(t) e da S(t).
Tuttavia, se la strategia di hedging la scriviamo come frazione investita nel
titolo rischioso, otteniamo
π(t, G(t), S(t))
V (t, G(t), S(t))= 1 +
G(t) · U(T − t, G(t))∫∞G(t)
U(T − t, x)dx,
che dipende solo da t e G(t). Quindi, da ora in poi ci concentreremo su
quest’equazione. La frazione investita nel titolo privo di rischio e quindi
1− π(t, G(t), S(t))
V (t, G(t), S(t))= −G(t) · U(T − t, G(t))∫∞
G(t)U(T − t, x)dx
.
Va notato che π(t,G(t),S(t))V (t,G(t),S(t))
non e solamente indipendente da S(t) (e quindi
da S(0)), ma anche da K e da T . Dipende solamente da r e σ che sono i
parametri del mercato (tasso risk-free e volatilita del sottostante rischioso),
ma non dai parametri dell’attuale contratto sull’opzione. Quindi π(t,G(t),S(t))V (t,G(t),S(t))
Calcolo 83
Figura 5: La funzione∫∞G(t)
U(T − t, x) per r = 0.035 e σ = 0.25.
vale per ogni opzione di tipo call Asiatica che sia basata su di un sottostante
rischioso con volatilita pari a σ e sia scritta in un mercato con tasso free-risk
pari a r.
Osserviamo che U(T − t, x) e non negativa (e una misura di proba-
bilita), quindi sara non negativo anche l’integrale∫∞G(t)
U(T − t, x)dx. Inoltre∫∞0U(T − t, x)dx > 0. Mettendo assieme il tutto, otteniamo che
π(t, G(t), S(t))
V (t, G(t), S(t))
> 1 se G(t) > 0
= 1 se G(t) = 0
< 1 se G(t) < 0
Questo comportamento puo essere osservato nelle Figure 6 e 7. In Figura
7 si vede chiaramente che
π(t, G(t), S(t))
V (t, G(t), S(t))−→ 0 se T − t −→ 0 e G(t) < 0
Notiamo anche la soluzione numerica e instabile per T − t prossima allo
0 e per G(t) grande, dato che U(T − t, G(t)) e∫∞G(t)
U(T − t, x)dx sono molto
piccoli (vedi Figura 6).
Codice 84
Figura 6: La frazione π(t,G(t),S(t))V (t,G(t),S(t))
per r = 0.035, σ = 0.25 e T = 1.
4.4 Codice
Di seguito verra riportato il codice utilizzato per risolvere le equazioni di cui
si e parlato sopra.Iniziamo con riportare il codice per trovare U(T − t, x). Ricordiamo
che il codice prevede l’utilizzo del θ-metodo e di uno schema decentrato perla discretizzazione della derivata prima in spazio. Per risolvere il sistemalineare, si e scelto di invertire una sola volta la matrice I che resta costantenel tempo. Si sarebbe potuto scegliere, come gia detto in precedenza, dirisolvere il sistema tramite l’algoritmo di Thomas. Questo ci porterebbesicuramente beneficio in caso di N(x) molto grande, ma per i calcoli svoltiin questo lavoro non e necessario, anzi, aumenterebbe i tempi di calcolo.
function [x,t,U]=trovaU(sigma,r)
% Inserendo il tasso free-risk e la volatilit\‘a del sottostante
% calcola il valore di U in funzione di G e di t
dt=0.02; % passo temporale
dx=0.01; % passo spaziale
teta=0.5; % teta=0 -----> eulero implicito
% teta=0.5----> cranck-nicholson
Codice 85
Figura 7: La frazione π(t,G(t),S(t))V (t,G(t),S(t))
per r = 0.035, σ = 0.25 e T = 1.
alpha=0.5; % alpha=0.5---> schema centrato
% alpha=1 ----> trasporto negativo
[x,t]=meshgrid([-1.5:dx:3],[0:dt:1]);
u=zeros(length(x),1);
zero=find(x(1,:)==0);
u(1:zero)=1;
U=u;
%%%% Teta metodo decentrato I*U(t+1)=E*U(t)
E= diag((dt/dx)*teta*(0.5*sigma^2.*x(1,2:end).^2/dx-...
alpha*((sigma^2-r).*x(1,2:end)-1)),-1)+...
diag(1+(dt/dx)*teta*(-sigma^2.*x(1,:).^2/dx+...
((sigma^2-r).*x(1,:)-1)*(2*alpha-1)),0)+...
diag((dt/dx)*teta*(0.5*sigma^2.*x(1,1:end-1).^2/dx+...
((sigma^2-r).*x(1,1:end-1)-1)*(1-alpha)),+1);
I= diag((dt/dx)*(teta-1)*(0.5*sigma^2.*x(1,2:end).^2/dx-...
Codice 86
alpha*((sigma^2-r).*x(1,2:end)-1)),-1)+...
diag(1+(dt/dx)*(teta-1)*(-sigma^2.*x(1,:).^2/dx+...
((sigma^2-r).*x(1,:)-1)*(2*alpha-1)),0)+...
diag((dt/dx)*(teta-1)*(0.5*sigma^2.*x(1,1:end-1).^2/dx+...
((sigma^2-r).*x(1,1:end-1)-1)*(1-alpha)),+1);
A=inv(I)*E;
for i=dt:dt:1
u(2:end-1)=A(2:end-1,:)*u;
u(1:zero)=1;
U=[U,u];
end
end
Il passo successivo e calcolare∫∞G(t)
U(T−t, x)dx. Per fare questo abbiamo
scelto, molto semplicemente, di utilizzare la formula dei trapezi. Prestare
attenzione ai parametri in ingresso che, anche se con nome diverso, sono gli
stessi identici parametri in uscita dalla funzione TrovaU.
function [IU]=IntegraleU(G,ttm,U)
% Calcolo dell’integrale di U
% con la formula dei trapezi
[T,N]=size(G); % #passi temporali, #passi spaziali
% perch\‘e G \‘e una meshgrid dei temporali e degli spaziali
dx=G(2,2)-G(1,1);
for j=1:T
for i=1:N
Int=0;
for h=i:N-1
Int=Int+0.5*(U(h,j)+U(h+1,j))*dx;
end
IU(i,j)=Int;
end
end
Codice 87
Infine ci rimane da calcolare 1 + G(t)·U(T−t,G(t))∫∞G(t) U(T−t,x)dx
. Avendo gia tutti gli
elementi non ci rimane che combinarli.
function [G,ttm,Fraction]=fraction_risky
% Calcola la frazione di capitale da investire nel titolo rischioso
% con volatilit\‘a pari a sigma in u mercato con tasso d’interesse
% free-risk pari a r.
sigma=0.25;
r=0.035;
[G,ttm,U]=trovaU(sigma,r); %%% ttm= time to maturity
[T,N]=size(G);
IU=IntegraleU(G,ttm,U);
for j=1:T
for i=1:N
Fraction(i,j)=1+(G(1,i)*U(i,j))/IU(i,j);
end
end
5Caso Media Geometrica
Proveremo adesso a svolgere gli stessi passi effettuati in precedenza, pero
applicandoli ad un’opzione Asiatica con media geometrica, ovvero con la
funzione payoff pari a
fT (S(T )) =
[exp
1
T
∫ T
0
ln(S(u))du
−K
]+
.
Per iniziare abbiamo bisogno di un teorema che ci permetta di derivare sec-
ondo Malliavin funzioni composte. Per fare cio, vedremo prima un lemma
tecnico che useremo nella dimostrazione.
Lemma 5.1. Sia (Fn)n≥1 una successione di elementi di D1,2 e supponiamo
che Fn → F in L2(Ω) e che la successione (DFn)n≥1 sia limitata in L2(Ω×[0, T ]): allora F ∈ D1,2.
Dimostrazione. Poiche D1,2 e uno spazio di Hilbert, una successione limitata
e debolmente relativamente compatta: esiste dunque una sottosuccessione
(Fnk)k≥1 convergente debolmente a G ∈ D1,2: quindi (Fnk)k≥1 converge a G
debolmente in L2(Ω) e di conseguenza G = F . Si noti che (DFnk) converge
a DF solo debolmente in L2(Ω× [0, T ]).
Teorema 5.2. Sia F ∈ D1,2, g lipschitziana con costante di Lipschitz C:
allora g F ∈ D1,2 ed esiste Z con |Z(w)| ≤ C quasi certamente, tale che si
abbia
Dt(g F )(w) = Z(w)DtF (w).
89
Dimostrazione. La tesi e vera se g ∈ C1b (R) con Z(w) = g′(F (w)) : consideri-
amo (mediante regolarizzazione) una successione (gn)n≥1 di funzioni di classe
C1 convergente uniformemente a g e tali che |g′(·)| ≤ C.
Innanzi tutto gn F converge a g F in L2(Ω); inoltre la successione
Dt(gn F ) = (g′n F )DtF e limitata in L2(Ω× [0, T ]) e quindi per il Lemma
5.1 (g F ) ∈ D1,2.
Inoltre, poiche la successione (g′n F ) e uniformemente limitata dalla
costante C, e relativamente compatta per la topologia σ(L∞, L1) e quindi
(modulo passaggio ad una sottosuccessione) esiste Z ∈ L∞ con |Z(w)| ≤ C
quasi certamente tale che g′n F converga a Z per la topologia σ(L∞, L1).
Di conseguenza g′n(F )DtF → ZDtF debolmente in L2(Ω × [0, T ]) ma
siccome (sempre passando a una sottosuccessione) g′n(F )DtF → Dt(g F )
debolmente, segue l’eguaglianza Dt(g F ) = ZDtF.
A questo punto possiamo proseguire seguendo l’esercizio fatto per le
opzioni Asiatiche a media aritmetica. Quindi, analogamente a quanto visto
nella Proposizione 3.5, otteniamo
Proposizione 5.3. Definita gT (S(T )) =[exp
1T
∫ T0
ln(S(u))du−K
]+
,
con S(·) dato da (80) e K ∈ R. Allora gT ∈ D1,2 e
Dt(gT ) = (gT + k) · 1
Tσ(T − t).
Dimostrazione. Possiamo riscrivere gT = (f ψ)(S(T ))−K dove
f(x) = ex
ψ(S(T )) =1
T
∫ T
0
ln(S(u))du.
ψ(S(T )) ∈ D1,2 per le proprieta del calcolo di Malliavin. Di conseguen-
za possiamo applicare il Teorema 5.2 ed ottenere che gT ∈ D1,2. Inoltre
90
otteniamo
Dt(gT ) = Dt(f ψ)(S(T ))
= f ′(ψ(S(T ))) ·Dtψ(S(T ))
=︸︷︷︸Proprieta 3.1
exp
(1
T
∫ T
0
ln(S(u))du
)· 1
T
∫ T
t
1
S(u)
Y (u)
Y (t)σS(t)
=︸︷︷︸Y (·)=S(·)
exp
(1
T
∫ T
0
ln(S(u))du
)· 1
T
∫ T
t
1
S(u)
S(u)
S(t)σS(t)
= exp
(1
T
∫ T
0
ln(S(u))du
)· 1
Tσ(T − t)
= (gT + k) · 1
Tσ(T − t).
Proseguendo sulla falsariga del Teorema 3.8 vorremmo arrivare ad una
formula quasi-esplicita per calcolare la quantita da investire nel risky asset.
Possiamo scrivere quindi che:
Dt[fT exp(−rT )] = exp(−rT )Dt[fT ]
= exp(−rT )σ
T(T − t)(fT +K · 1gT>0).
Dalla Proposizione 3.4 si deduce che
fT exp(−rT ) = E[fT exp(−rT )] +
∫ T
0
E[Dt(fT exp(−rT ))|Ft]dW (t). (118)
Per l’equazione (82) e sapendo che il valore iniziale della strategia deve
soddisfare v0 = E[fT exp(−rT )], possiamo scrivere
fT exp(−rT ) = E[fT exp(−rT )] +
∫ T
0
E exp(−rt)σπ(t)dW (t) (119)
Dunque, mettendo assieme la (118) e la (119), e per il teorema di rappresen-
Implementazione 91
tazione dei funzionali di Wiener ottengo che
π(t) =1
σexp(rt) · E[Dt(fT exp(−rT ))|Ft]
=1
σexp(rt) · E[exp(−rT )(fT +K · 1gT>0)
σ
T(T − t)|Ft].
Siccome V π(t) exp(−rt) e una martingala, possiamo scrivere che
V (t) exp(−rt) = E[fT exp(−rT )|Ft] quasi ovunque.
Dunque, procedendo nei nostri calcoli, troviamo che
π(t) = V (t) · (T − t)T
+(T − t)T
· exp(−r(T − t)) ·K · P(gT > 0|Ft) (120)
che e la quantita di denaro da investire nel titolo rischioso all’istante t.
Abbiamo ottenuto un risultato simile a quello per le opzioni Asiatiche a
media aritmetica. Solamente che nel caso precedente, siamo stati in grado
di esprimere la funzione di ripartizione come la soluzione di una equazione
differenziale parziale nota. In questo caso non siamo in grado di portare una
funzione che rappresenti questa funzione di ripartizione.
Non essendo in grado di ricavare un metodo quasi esplicito, per poter
usare i risultati ottenuti, si puo scegliere di abbandonare la strada analitica
e provare a calcolare P(gT > 0|Ft) tramite il metodo monte carlo. Questo e
esattamente cio che ci apprestiamo a fare.
5.1 Implementazione
Analizziamo brevemente il significato di P(gT > 0|Ft). Questa e la proba-
bilita che l’opzione venga esercitata, condizionatamente al fatto di essere in
t. Ovvero, conoscendo la storia del mio sottostante fino a t, voglio sapere
con che probabilita la media geometrica del sottostante in [0, T ] sia mag-
giore di K. Quindi in ogni istante di tempo t, abbiamo bisogno di effettuare
delle simulazioni da (t, T ], valutare il payoff a scadenza, e stimare con che
probabilita ci sara l’esercizio dell’opzione.
Implementazione 92
Per quanto riguarda la simulazione del risky asset, come gia detto, adop-
ereremo il metodo Monte-Carlo applicato ad un sottostante che evolve sec-
ondo il modello di Black-Scholes classico3, per poi adoperare il metodo della
variabile antitetica per ridurre la varianza.
Un altro problema da affrontare e il valore iniziale dell’opzione. Purtrop-
po, non avendo raggiunto una rappresentazione quasi-esplicita, non siamo in
grado di calcolare il valore esatto della strategia (e quindi il fair price del-
l’opzione). In nostro soccorso pero, viene il fatto che conosciamo in forma
esplicita il valore dell’opzione a t = 0. Questa rappresentazione l’abbiamo
gia incontrata nella Sezione 1.1, per l’esattezza, noi useremo la versione a
tempo discreto la cui rappresentazione e espressa dall’equazione (13).
Un altro problema da affrontare, e costituito dal fatto che abbiamo sı il
valore della strategia a t = 0, ma non abbiamo un modo per calcolare il valore
di questa strategia per ogni t. Questa volta possiamo ricorrere al vincolo di
portafoglio autofinanziato, ovvero
V π(t) = x(t) · S(t) + y(t)
m
V π(t+ 1) = x(t) · S(t+ 1) + e(r·dt)y(t) = x(t+ 1) · S(t+ 1) + y(t+ 1),
dove x(t) e la quantita di titoli rischiosi posseduti in t, e y(t) e il credito con
la banca al tempo t (se y(t) < 0 rappresenta un debito).
Finalmente siamo in grado di calcolare
π(t) = V (t) · (T − t)T
+(T − t)T
· exp(−r(T − t)) ·K · P(gT > 0|Ft),
ricordando che x(t) = π(t)/S(t).
3Per rivedere il metodo, guardare la Sezione 1.2
Codice 93
5.2 Codice
I codici necessari per poter calcolare i risultati sono principalmente quattro
e servono per:
• generare traiettorie antitetiche;
• stimare la probabilita;
• trovare il fair value iniziale dell’opzione;
• gestire il ciclo da 0 a T .
function Path=Asset_MC_AV(S0,mu,sigma,T,Nsteps,Nsim)
Path1=zeros(Nsim,Nsteps+1);
Path1(:,1)=S0;
Path2=zeros(Nsim,Nsteps+1);
Path2(:,1)=S0;
dt=T/Nsteps;
nu=mu-sigma^2/2;
epsilon=randn(Nsim,Nsteps);
for i=1:Nsteps
Path1(:,i+1)=Path1(:,i).*exp(nu*dt+sigma*sqrt(dt)*epsilon(:,i));
Path2(:,i+1)=Path2(:,i).*exp(nu*dt+sigma*sqrt(dt)*(-epsilon(:,i)));
end
Path=[Path1;Path2];
Per calcolare P(gT > 0|Ft) useremo:
function P=Probability(t,St,Gt,S0,K,T,r,sigma,N0)
T=T-t;
N=N0-round(t*200);
Nsim=10000;
if T ~= 0
Path=Asset_MC_AV(St,r,sigma,T,N,Nsim)./S0;
Avg=(prod(Path(:,2:end),2) .*Gt).^(1/N0)*S0;
P=sum(Avg>K)/(2*Nsim);
else
Simulazione 94
P=St*Gt^(1/N0)>K;
end
dove Gt rappresenta∏
u≤t
(SuS0
). Questo e solo un trucco per evitare che il
valore di GT diventi pari a infinito o a 0. Questo spiega le moltiplicazioni in
Path ed in Avg. N0 e il numero di passi temporali per arrivare da 0 a T .
Calcolare il prezzo iniziale della strategia, come riportato in (13), e sem-plice:
function P=PriceGeoDisc(S0,K,T,r,sigma,N)
mu=r-sigma^2/2;
A=(N+1)/(2*N);
B=sqrt((N+1)*(2*N+1)/(6*N^2));
C=mu*A*T+0.5*(sigma*B*sqrt(T))^2;
D=(-log(K/S0)+mu*A*T)/(sigma*B*sqrt(T));
P=exp(-r*T)*(S0*exp(C)*normcdf(D+sigma*B*sqrt(T),0,1)-K*normcdf(D,0,1));
Il codice per gestire il ciclo temporale ci riserviamo di riportarlo in seguito,assieme all’implementazione del metodo per le opzioni Asiatiche a media ar-itmetica, cosı da rendere piu agevole il confronto. In quel codice sfrutteremola seguente funzione per rendere piu snella la scrittura del ciclo:
function pi=piMalliavin(p,t,V,K,T,r)
pi=V*(T-t)/T+(T-t)/T*exp(r*(T-t))*K*p;
5.3 Simulazione
Come gia anticipato, vorremmo mettere a confronto i risultati ,per avere cop-
ertura dinamica attraverso il calcolo di Malliavin, proposti durante questo
lavoro. L’implementazione degli strumenti principali per trovare i valori
desiderati per il caso di opzioni Asiatiche con media aritmetica, e gia sta-
to trattato nella Sezione 4.4. In quella sezione non si sono pero guardati
Simulazione 95
Figura 8: S0 = K = 100, r = 0.05, σ = 0.2
degli aspetti tecnici come l’implementazione di
G(t) =1
S(t)
[K · T −
∫ t
0
S(u)du
].
Per stimarla ad ogni passo temporale useremo il seguente codice:
function G=Git(S,dt,K,T)
G=(1/S(end))*(K*T-sum(S(2:end))*dt);
Dove S e il vettore dei prezzi del risky asset fino all’istante t.
In questo caso abbiamo l’equazione (105) che e una rappresentazione
quasi-esplicita del valore del portafoglio ad ogni istante t ∈ [0, T ].
V (t) = exp(−r(T − t))S(t)
T
∫ +∞
G(t)
U(T − t, x)dx.
Il codice per stimarlo lo scriviamo come segue
function P=PriceAriMalli(t,Gt,St,dx,x,tt,U,T,r)
i=find(tt(:,1)>=T-t,1); % contatore del tempo
Simulazione 96
Figura 9: S0 = K = 100, r = 0.05, σ = 0.2
j=find(x(1,:)>=Gt,1); % contatore spazio
P=exp(-r*(T-t))*St/T* sum(U(j:end,i))*dx;
dove [x,tt,U]=trovaU(sigma,r). L’integrale l’abbiamo approssimato con
delle semplici somme, a tempo fissato ed per x ≥ G(t).
A questo punto, abbiamo tutti gli strumenti necessari per scrivere un
codice in grado di mostrarci esattamente le due strategie che stiamo anal-
izzando. Per le simulazioni, avremmo bisogno di una serie storica. Molto
semplicemente, la possiamo simulare prendendo uno dei path generati dal
programma per la simulazione antitetica con Nsim = 1.
function [MG,Vgeo,Pgeo,MA,Vari,Pari,S]=RollMain(S)
S0=100; % Valore iniziale sottostante
K=100; % Strike
T=1; % Maturity
r=0.05; % Drift
sigma=0.2; % Volatilit\‘a
N=200;
Simulazione 97
Figura 10: S0 = K = 100, r = 0.05, σ = 0.2
dt=T/N;
%%%%%%%%%%%%% Inizializzazione Geometrica %%%%%%%%%%%%%%%%
Gi=1; %
p0=Probability(0,S0,1,S0,K,T,r,sigma,N); %
V0=PriceGeoDisc(S0,K,T,r,sigma,N); % Prezzo iniziale %
P0=V0+exp(-r*T)*K*p0; % Quantit\‘a di denaro investito...
% nel titolo rischioso %
Pf=P0/S0; % # azioni %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%% Inizializzazione Aritmetica %%%%%%%%%%%%%%%%
dx=0.01; %
G0=K*T/S0; %
%
[x,t,U]=trovaU(sigma,r,dt,dx); %
Fraction=fraction_risky(sigma,r,x,t,U); %
%
P0aritmetica=PriceAriMalli(0,G0,S0,dx,x,t,U,T,r); %
h=find(t(:,1)>=T,1); %contatore del tempo %
Simulazione 98
j=find(x(1,:)>=G0,1); %
F0=Fraction(j,h); %
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
for i=1:N
%%%% Geometrica
St=S(i+1); % Tutti gli S sono S(t+1) perch\‘e il caso
Gi=Gi*St/100; % con S(0) l’ho gi inizializzato
p=Probability(dt*i,St,Gi,S0,K,T,r,sigma,N);
V0=Pf*St+(V0-P0)*exp(r*dt); % Valore del portfoglio attuale
P0=piMalliavin(p,dt*i,V0,K,T,r); % Quantit\‘a di denaro in azioni
Pf=P0/St; % # azioni
MG(i)=geomean(S(2:i+1));
VG(i)=V0;
PI(i)=P0;
%%%% Aritmetica
G(i)=Git(S(1:i+1),dt);
P(i)=PriceAriMalli(i*dt,G(i),S(i+1),dx,x,t,U,T,r);
MA(i)=mean(S(2:i+1));
h=find(t(:,1)>=T-i*dt,1); %contatore del tempo
j=find(x(1,:)>=G(i),1);
FR(i)=Fraction(j,h);
end
V0aritmetica=P0aritmetica;
V0geometrica=PriceGeoDisc(S0,K,T,r,sigma,N);
P0=V0geometrica+exp(-r*T)*K*p0;
MG=[S0,MG]; % Vettore della media geometrica nel tempo
MA=[S0,MA]; % Vettore della media aritmetica nel tempo
FR=[F0,FR]; % Vettore della frazione investita in azioni
Vari=[V0aritmetica,P]; % Vettore dei valori del portafoglio aritmetico
Pari=Vari.*FR; % Quantit\‘a investite in titolo rischioso
Simulazione 99
Figura 11: S0 = K = 100, r = 0.05, σ = 0.2
Vgeo=[V0geometrica,VG]; % Vettore dei valori del portafoglio geometrico
Pgeo=[P0,PI]; % Quantit\‘a investite in titolo rischioso
Dove, come gia detto, S e un vettore di lunghezza N + 1, frutto del valore
iniziale piu N steps temporali.
ConclusioniSiamo riusciti a mostrare due possibili applicazioni del calcolo di Malliavin, e
di come questo ci abbia portato a determinare una strategia dinamica di cop-
ertura, sia per media aritmetica che per media geometrica. Va sottolineato
come, per quanto riguarda la media geometrica, abbiamo deciso di applicare
un metodo-monte carlo. In realta conosciamo la funzione densita della media
geometrica (vedere Capitolo 1.1 l’equazione (12)), quindi siamo in grado di
ricavare la funzione di ripartizione del payoff, ma abbiamo preferito provare
un altro metodo numerico seppur, probabilmente, meno preciso.
Questa e solo una minima applicazione di cio che il calcolo di Malliavin e
potenzialmente in grado di offrire. Infatti noi ci siamo limitati a lavorare su
opzioni Asiatiche di tipo average rate, ma ovviamente si potrebbe provare a
svolgere lo stesso esercizio con opzioni average strike. Inoltre potremmo non
limitarci alle opzioni Asiatiche, ma provare a valutare altri tipi di opzioni
path-dependent, come le opzioni barriera.
Volendo proseguire con lo sviluppo, potremmo andare oltre il semplice
moto Browniano. Per l’esattezza, si potrebbe estendere il calcolo di Malliavin
ai processi di Levy, che sono diventati molto diffusi nel pricing degli strumenti
finanziari, poiche simulano meglio l’andamento del mercato, specialmente in
fase di incertezza dei mercati come quella attraversata negli ultimi anni. Per
cui, per poter affrontare alcune dei piu importanti e recenti sviluppi della
finanza, non si puo non considerare l’utilizzo d processi di Levy al posto del
classico moto Browniano.
In Appendice C, troviamo invece un passo un ulteriore sviluppo. Dupire
ha sviluppato una nuova tecnica di calcolo funzionale con cui e in grado di
prezzare qualunque tipo di payoff, e ricavarne non solo le greche, ma anche
la superficie di voletilita, che in ambito finanziario e importantissimo, visto
anche il diffondersi di opzioni il cui sottostante non e altro che la volatilita di
un qualche strumento finanziario. Dupire ricava la formula di ito per funzion-
ali, cosı puo riscrivere l’equazione di Black-Scholes per na qualunque forma
Simulazione 101
di payoff. Ovviamente questo e un nuovo possibile sviluppo, che comunque
nasce seguendo lo spirito del calcolo di Malliavin.
ADefinizioni
Riportiamo di seguito alcune definizioni che possono risultare utili per capire
alcuni passaggi che abbiamo affrontato nel corso di questa tesi.
Equazione ipergeometrica confluente
In matematica per equazione ipergeometrica confluente o equazione di Kum-
mer si intende un’equazione differenziale ordinaria lineare della forma
zd2
dz2w(z) + (b− z)
d
dzw(z)− aw(z) = 0
dove a, b, z sono variabili complesse o variabili formali; in genere a e b sono
considerati parametri che caratterizzano una famiglia di equazioni e di fun-
zioni di z loro soluzioni. Ciascuna delle sue soluzioni e chiamata funzione
ipergeometrica confluente; si individuano in particolare due soluzioni indipen-
denti, M(a, b, z) e U(a, b, z), fornite da serie ipergeometriche; la prima la chi-
amiamo funzione ipergeometrica di Kummer, la seconda funzione di Whittak-
er. (Ricordiamo che per funzione di Kummer si intende una funzione speciale
non collegata alle precedenti.)
La funzione ipergeometrica di Kummer e data dalla serie
M(a, b, z) =∞∑n=0
(a)nzn
(b)nn!
103
dove (a)n = a(a+ 1)(a+ 2) . . . (a+ n− 1) e il fattoriale crescente
La funzione di Whittaker e data da
U(a, b, z) =π
sin(πb)
[M(a, b, z)
Γ[1 + a− b]Γ[b]− z1−bM(1 + a− b, 2− b, z)
Γ[a]Γ[2− b]
]
Funzione Gamma Incompleta
Le funzioni gamma incomplete sono funzioni speciali definite da integrali.
Con le notazione di Abramowitz e Stegun:
Γ(a, x) =
∫ ∞x
e−tta−1dt,
γ(a, x) =
∫ x
0
e−tta−1dt,
P (a, x) =1
Γ(a)
∫ x
0
e−tta−1dt,
dove Γ(a) e la funzione Gamma di Eulero.
Polinomi di Laguerre
In matematica, i polinomi di Laguerre, sono polinomi speciali costituenti
una successione di polinomi, che hanno numerose applicazioni; il loro nome
ricorda il matematico francese Edmond Nicolas Laguerre (1834−1886). Essi
si possono definire come:
Ln(x) :=ex
n!
dn
dxn(e−xxn
)per n = 0, 1, 2, . . .
La successione dei polinomi di Laguerre e una sequenza di Sheffer.
BEquazione di Kolmogorov
all’indietro
Sia X(t), t ≥ 0 un processo diffusivo omogeneo regolare sull’intervallo aper-
to I = (l, r). Definiamo come P (t, x, y) = PrX(t) ≤ y|X(0) = x la
funzione di ripartizione di X(t) soggetta alla distribuzione iniziale
P (0, x, y)
1 se x ≤ y,
0 se x > y,
per esempio andrebbe bene una delta di dirac in x. Ipotiziamo che
P (t, x, y) deriva da una densita continua su (l, r), formalmente
dP (t, x, y)
dy= p(t, x, y) per t > 0 (121)
Il nostro obiettivo e quello di ricavare un equazione alle derivate parziali
per la funzione
u(t, x) = E[g(X(t))|X(0) = x], (122)
dove g(x) e limitata e continua a tratti su I.
Sotto condizioni blande, possiamo garantire che u(t, x) soddisfi l’equazione
alle derivate parziali
∂u
∂t=
1
2σ2(x)
∂2u
∂x2+ µ(x)
∂u
∂x(123)
con condizioni iniziali u(0+, x) = g(x), dove u(0+, x) = limh→0 u(h, x).
105
La specificazione di g(η) = 1 per η ≤ y e 0 per η > y, produce la funzione
di ripartizione
u(t, x) = P (t, x, y).
L’equazione (123) in questo caso e conosciuta come l’equazione di Kolmogorov
all’indietro, che e
∂P (t, x, y)
∂t=
1
2σ2(x)
∂2P (t, x, y)
∂x2+ µ(x)
∂P (t, x, y)
∂x(124)
valida per t > 0 e l < x, y < r. La condizione iniziale associata a (124) e
P (0+, x, y)
1 se x ≤ y,
0 se x > y,
La densita di transizione p(t, x, y) soddisfa anch’essa l’equazione di Kol-
mogorov all’indietro:
∂p
∂t=
1
2σ2(x)
∂2p
∂x2+ µ(x)
∂p
∂x(125)
per t > 0 e x, y ∈ (l, r).
CCalcolo di Ito funzionale
Questo lavoro e molto recente ed e verso dove sembra stia andando la ricerca.
Infatti, grazie alla struttura teorica che stiamo per presentare, si dovrebbe
essere in grado non solo di prezzare ed ottenere una copertura dinamica di
opzioni, ma anche di costruire superfici di volatilita che stanno diventando
sempre piu importanti nel mondo della finanza, soprattutto nel risk manage-
ment. Come vedremo, il modo d’operare e molto simile a quello che abbiamo
usato per i nostri scopi durante questa tesi.
C.1 Notazioni e definizioni
Per iniziare abbiamo bisogno di definire lo spazio delle traiettorie, dei fun-
zionali, una distanza ed il concetto di continuita e derivabilita. Questo perche
lavoreremo con funzionali definiti su traiettorie di diversa lunghezza, quindi
necessiteremo di differenti definizioni.
Spazio
Le traiettorie che considereremo sono Cadlag (continue a destra, limitata a
sinistra) e non continue e ci applicheremo degli shock discontinui per calco-
lare alcune derivate. Questa e una restrizione sulla classe dei funzionali, non
un ampliamento della classe dei processi che consideriamo.
Definiamo con Λt l’insieme di funzioni Cadlag limitate [0, t] → R e Λ ≡∪t∈[0,T ]Λt per una data T . Possiamo notare che Λ non e uno spazio vettoriale
Notazioni e definizioni 107
visto che non e definita la nozione di addizione.
Le traiettorie le scriveremo con lettere maiuscole ed i processi da lettere
minuscole. Per esempio, se x e un processo, il suo valore al tempo t sara xt e
la sua traiettoria fino al tempo t sara Xt ∈ Λt ⊂ Λ e per u ∈ [0, t], Xt(u) = xu.
Funzionale
Definizione: un funzionale e una funzione f: Λ → R. Questo associa un
numero reale ad ogni funzione Cadlag su [0,t] per ogni t ∈ [0, T ].
2 esempi finanziariamente molto importanti sono:
• Prezzo di opzioni path dependent come funzione della traiettoria fino
a quel momento
• Limite superiore/inferiore di un’opzione path dependent come funzione
della traiettoria fino a quel momento
Notazioni e definizioni 108
Topologia e continuita
Introduciamo ora una distanza su Λ insieme ad una nozione di continuita
indotta di un funzionale.
Lo spazio Λ contiene traiettorie di diversa lunghezza. Per poter definire una
distanza fra traiettorie di diversa lunghezza, estenderemo quella piu corta,
congelandone l’ultimo valore, fino alla lunghezza della traiettoria piu lunga
(La definizione formale la daremo fra poco). Quindi definiamo una distanza
su Λ come:
Per ogni Xt, Ys ∈ Λ, (ipotizziamo t ≤ s )
dΛ(Xt, Y, s) ≡ ‖Xt,s−t − Ys‖+ s− t
dove Xt,s−t e l’etensione di Xt come descritto sopra.
La presenza di s-t assicura che dΛ sia una distanza, e non solo una semi-
distanza.
Questa distanza induce alla seguente nozione di continuita:
Un funzionale f : Λ→ R e Λ-continuo per ogni Xt ∈ Λ se:
∀ε > 0,∃α > 0∃t.c.
Notazioni e definizioni 109
∀Yt ∈ Λ, dΛ(Xt, Ys) < α⇒ |f(Ys)− f(Xt)| < ε
f : Λ→ R e Λ-continuo se e Λ-continuo per ogni Xt ∈ Λt
Questa nozione di continuita e piu debole della nozione di L∞-uniforme
continuita.
Notazioni e definizioni 110
Derivate in spazio ed in tempo
Adesso introduciamo la derivata spaziale e temporale di un funzionale. Per
una traiettoria data Xt ∈ Λt, la derivata corrisponde a cambiamenti del val-
ore e dell’istante corrente. Per Xt ∈ Λ, definiamo gli incrementi:
• Xht come Xt con il valore finale shiftato di h ∈ R:
Xht (s) = Xt(s) per s < t Xh
t (t) = Xt(t) + h else
• Xt,δt, dove δt ≥ 0, e un’estensione di Xt ottenuta congelando il punto
finale su [t, t+ δt]:
Xt,δt(s) = Xt(s) per s ≤ t Xt,δt(s) = Xt(t) per s ∈ [t, t+ δt]
Per un funzionale f : Λ→ R,Xt ∈ Λt e definiamo quando esistono
Notazioni e definizioni 111
∆xf(Xt) ≡ limh→0
f(Xht )− f(Xt)
h
∆xxf(Xt) ≡ limh→0
∆xf(Xht )−∆xf(Xt)
h
∆tf(Xt) ≡ limδt→0+
f(Xt,δt)− f(Xt)
δt
L’incremento spaziale nella definizione di derivata puo essere sia negativo
che positivo, mentre l’incremento in tempo e solo positivo. Quindi e una
derivata destra.
Queste derivate soddisfano le proprieta classiche: linearita, prodotto, chain
rule.
Introduciamo un’ultima definizione: f : Λ → R e un funzionale smooth
se e Λ-continuo, C2 in spazio e C1 in tempo, con le sue derivate a loro volta
Λ-continui.
Fin’ora non e stato introdotto nessun concetto di probabilita. La base stocas-
tica e uno spazio di probabilita (Ω, F, P ) fornito di una filtrazione (Ft)t∈[0,T ]
che soddisfi le condizioni usuali.
Integrale stocastico
Per g funzionale da Λ→ R∫g(Xt)dxt = lim
ti−ti−1→0
∑i
g(Xti−1)(xti − xti−1
)
se il limite della serie esiste.
Questo e effettivamente un integrale di Ito classico se l’integrando e adattato.
Calcolo di Ito funzionale 112
C.2 Calcolo di Ito funzionale
Con queste definizioni possiamo procedere al risultato principale
Formula di Ito per funzionali
Questa e l’estensione della formula di Ito ai funzionali:
Teorema C.1. Se x e una semi-martingala continua e Xt descrive la sua
traiettoria su [0, t] e F : Λ → R e un funzionale smooth, allora per ogni
T ∈ [0, T ]
f(XT ) = f(X0) +
∫ T
0
∆xf(Xt)dxt +
∫ T
0
∆tf(Xt)dt+1
2
∫ T
0
∆xxf(Xt)d〈x〉t
Osservazione C.2. Una notazione piu concisa e
df(XT ) = ∆xf(Xt)dxt + ∆tf(Xt)dt+1
2∆xxf(Xt)d〈x〉t
o equivalentemente
df = ∆xfdxt + ∆tfdt+1
2∆xxfd〈x〉t
La formula ha la stessa forma della formula di Ito convenzionale, tuttavia le
derivate hanno un significato differente
Osservazione C.3. Se il funzionale e della forma f(Xt) = h(xt, t), allora
∆xf = ∂h∂x,∆tf = ∂h
∂tallora siamo nelle ipotesi classiche e ritroviamo la
formula di Ito.
Calcolo di Ito funzionale 113
Generatore infinitesimale
Ipotizziamo
dxt = a(Xt)dt+ b(Xt)dwt
dove (wt)t e un moto Browniano standard e a, b sono funzionali tali che la
EDS e ben posta. Questo esprime la possibile dipendenza dell’evoluzione
del processo rispetto alla sua traiettoria attuale. Definiamo il generatore
infinitesimo A che viene applicato ad un funzionale smooth f : Λ → R per
cui
Af(Xt) ≡ limδ→0
E[f(Xt+δt|Xt)]− f(Xt)
δt.
Ricavando l’attesa dal Teorema C.1, otteniamo:
E[f(Xt+δt)]− f(Xt) = E
[∫ t+δt
t
a(Xu)∆xf(Xu)du+
∫ t+δt
t
∆tf(Xu)du+
+1
2
∫ t+δt
t
b2(Xu)∆xxf(Xu)du
].
Passando ora al limite:
Af(Xt) = ∆tf(Xt) + a(Xt)∆xf(Xt) +b2(Xt)
2∆xxf(Xt).
Questo generatore infinitesimale generalizza quello usuale in due modi: in-
nanzitutto la dinamica puo risultare path dependent; inoltre f e un funzion-
le che puo dipendere dalla storia del processo, a differenza di una funzione
che dipende solo dal valore corrente del processo. Siamo decisamente in un
contesto non Markoviano.
Formula di Feynmaan-Kac per funzionali
Come applicazione, possiamo ricavare quella che puo essere considerata come
la formula di Feynman-Kac per funzionali:
Calcolo di Ito funzionale 114
Teorema C.4. Sia x un processo che segua
dxt = a(Xt)dt+ b(Xt)dwt
con a, b tale che l’EDS sia ben definita. Per g : ΛT → R, 0 ≤ T ≤ T e
r : Λ→ R, definiamo f : Λ→ R come:
f(YT ) ≡ E[e−
∫ Tt r(Zu)dug(ZT )|Zt = Yt
]
dove
ZT (u) = Yt(u) u ∈ [0, t]
dzu = a(Zu)du+ b(Zu)dwu u ∈ [t, T ]
Quindi, se f e un funzionale smooth, soddisfa
∆tf(Xt) + a(Xt)∆xf(Xt)− r(Xt)f(Xt) +b2(Xt)
2∆xxf(Xt) = 0
Dimostrazione. Applichiamo la formula di Ito per funzionali del Teorema C.1
a
h(YT ) ≡ E[e−
∫ T0 r(Zu)dug(ZT )|Zt = Yt
]= e−
∫ t0 r(Xu)duf(Yt)
otteniamo quindi
dh = e−∫ t0 rdu
(∆xfdx+ (∆tf − rf)dt+
1
2∆xxfd < x >
)=
= e−∫ t0 rdu
((∆tf + a∆xf − rf +
b2
2∆xxf)dt+ d∆xfdw
).
Dicendo che la il suo drift e pari a zero, visto che h e una martingala,
otteniamo il risultato.
Calcolo di Ito funzionale 115
Osservazione C.5. La traiettoria attuale Yt non e necessario sia generata
dalla dinamica x. Per esempio, potrebbe anche avere dei salti. Cio che
importa e che il funzionale sia abbastanza regolare da essere definito su una
traiettoria che parte da Yt e prosegua con la dinamica di x.
Rappresentazione martingala
Combinando il Teorema C.1 ed il Teorema C.4, abbiamo la seguente rappre-
sentazione della variabile causale g(XT ):
Teorema C.6. Sotto le ipotesi del Teorema C.4, con r = 0 e f(Yt) ≡E[g(ZT )|Zt = Yt], allora
g(XT ) = E[g(XT |X0)] +
∫ T
0
b(Xt)∆xf(Xt)dwt
Dimostrazione. Applicando il Teorema C.4 ad f insieme al Teorema C.1,
otteniamo
f(XT ) = f(X0) +
∫ T
0
b(Xt)∆xf(Xt)dwt
che e la tesi del teorema.
Questo da una espressione esplicita dell’integrando nel teorema di rappre-
sentazione martingala e puo essere comparato con la formula di Clark-Ocone
dal calcolo Malliaviniano:
g(XT ) = E[g(XT )|X0] +
∫ T
0
b(Xt)E[Dtg(XT )|Xt]dwt
Quando sia E[Dtg(XT )|Xt] che ∆xf(Xt) sono definite, sono uguali. Il primo
e l’aspettativa di un derivato dipendente dal tempo mentre la seconda e la
derivata di un’attesa, che ha piu regolarita. Per esempio, se g(XT ) ≡ h(xT ),
Calcolo di Ito funzionale 116
con h ∈ C0 ma non C1, quest’ultimo non e definito nel senso classico, mentre
il primo e ben definito.
Una spiegazione di cio e che in un modello completo, il rapporto di hedging
di un’opzione path dependent e la derivata del suo prezzo rispetto allo spot
price, nel senso della definizione di ∆xf(Xt).
EDS funzionale per opzioni esotiche
Adesso presentiamo un risultato che e importante per il pricing e l’hedging
di opzioni path dependent con dinamiche che possono essere path dependent.
Teorema C.7. Sotto le ipotesi del Teorema C.4, con tasso d’interesse istan-
taneo r(Xt), ipotizziamo che il prezzo dell’opzione per la traiettoria corrente
Xt e un funzionale smooth f(Xt), allora
∆tf(Xt) +1
2b2∆xxf(Xt) + r(Xt)(∆xf(Xt)xt − f(Xt)) = 0
Dimostrazione. Applichiamo la formula di Ito per funzionale a f(Xt):
df = ∆xfdx+ ∆tfdt+1
2b2∆xxfdt.
Il portafoglio (PF ) di opzioni f con una posizione corta in ∆xf unita di
sottostante, da
dPF = ∆tfdt+1
2b2∆xxfdt
In assenza di arbitraggio, questo portafoglio privo di rischi deve guadagnare
un tasso d’interesse istantaneo:
dPF = r(f −∆xfx)dt
Calcolo di Ito funzionale 117
che implica
∆tf +1
2b2∆xxf − r(f −∆xfx) = 0
Possiamo dire quindi che l’EDS di Black-Scholes vale anche per opzioni
path dependent (e con dinamica path dependent).
L’EDS di Black-Scholes e una EDS di hedging che esprime il legame tra
il decadimento nel tempo e la convessita. In generale, i coefficienti sono path
dependent e l’EDS non puo essere usata per prezzare. Tuttavia, nel caso di
un ristretto numero di variabili di stato, possiamo ricondurci ad una EDS
per prezzare. Se la dipendenza dalle traiettoria puo essere riassunta con un
finito numero di variabili di stato z1, ..., zn allora
f(Xt) = g(z1,t, ..., zn,t)
e possiamo applicare la chain rule:
∆xf(Xt) =n∑i=1
∂g
∂zi
∂zi∂x
Svilupperemo il caso delle opzioni Asiatiche; ricaveremo la classica EDS per
prezzare e arriveremo a studiarne una migliore.
EDS classica per opzioni Asiatiche
Ipotizziamo dxt = b(xt, t)dWt. Definiamo It ≡∫ t
0xudu, f(Xt) ≡ g(xt, It, t)
∆tI = xt ⇒ ∆tf =∂g
∂t+∂g
∂Ix
∆xI = 0⇒
∆xf = ∂g
∂x
∆xxf = ∂2g∂x2
∆tf +1
2b2∆xxf = 0⇒ ∂g
∂t+ x
∂g
∂I+
1
2b2 ∂
2g
∂x2= 0
Calcolo di Ito funzionale 118
Tuttavia, la presenza della derivata rispetto ad I rende difficile la discretiz-
zazione con le differenze finite.
EDS Asiatica migliorata
Definiamo Jt ≡ Et[∫ T
0xudu] =
∫ t0xudu+ (T − t)xt, f(Xt) ≡ h(xt, Jt, t)
∆tJ = 0⇒ ∆tf =∂h
∂t
∆xJ = (T − t)xt ⇒
∆xf = ∂h
∂x+ (T − t) ∂h
∂J
∆xxf = ∂2h∂x2 + 2(T − t) ∂2h
∂x∂J+ (T − t)2 ∂2h
∂J2
∆tf+1
2b2∆xxf = 0⇒ ∂h
∂t+
1
2b2
(∂2h
∂x2+ 2(T − t) ∂2h
∂x∂J+ (T − t)2 ∂
2h
∂J2
)= 0
La scelta di J al posto di I assorbe il termine di trasporto.
Integrazione per parti
Analizziamo l’aggiunto dell’operatore differenziale per ottenere una formula
di integrazione per parti. Se δ denota integrale di Skorohod (o Ito all’indi-
etro),
δ(g) ≡∫g(Xt)δxt ≡ lim
ti−ti−1→0
∑i
g(Xti)(xti − xti−1)
allora abbiamo la seguente relazione per ogni funzionale smooth h:
δ(h) =
∫ T
0
h(Xt)δxt =
∫ T
0
h(Xt)dxt +
∫ T
0
∆xh(Xt)d < x >t .
In particolare, se x e una martingala,
E
[∫ T
0
h(Xt)δxt
]= E
[∫ T
0
∆xh(Xt)d < x >t
].
Calcolo di Ito funzionale 119
Applicandola ad h = fg:
E
[∫ T
0
f(Xt)g(Xt)δxt
]= E
[∫ T
0
∆xf(Xt)g(Xt)d < x >t
]+
+E
[∫ T
0
f(Xt)∆xg(Xt)d < x >t
],
oppure
E
[∫ T
0
∆xf(Xt)g(Xt)d < x >t
]= E
[∫ T
0
f(Xt)g(Xt)δxt
]+
−E[∫ T
0
f(Xt)∆xg(Xt)d < x >t
].
Possiamo riscriverla in una forma piu concisa, con la notazione:
< f |g >≡ E
[∫ T
0
f(Xt)g(Xt)d < x >t
],
< ∆xf |g >= E
[∫ T
0
f(Xt)g(Xt)δxt
]− < f |∆xg > .
In questa formula, sia f che g sono funzionali e f(Xt), g(Xt),∆xf(Xt) e
∆xg(Xt) sono processi. Possiamo confrontarlo con l’integrazione per parti
che si ottiene dal calcolo Malliaviano:
< Dtf |g >= (f, δ(g))
dove f e δ(g) sono variabili casuali, Dtf e g sono processi e (k, l) ≡ E[kl].
Riferimenti bibliografici
[1] Z.Yang, C.Ewald, O.Menkens; Pricing and Hedging of Asian Options:
Quasi-Explicit Solution via Malliavin Caclulus (2009).
[2] B.Dupire; Functional Ito Calculus, Bloomberg L.P. (2009).
[3] P.Boyle, A.Potapchik; Prices and sensitivities of Asian options: A
survey, Insurance Mathematics & Economics 42(2008) 189-211 (2007).
[4] E.Fournie, J.Lasry, J.Lebouchoux, P.Lions,N.Touzi; Application of
Malliavin calculus to monte-carlo methods in finance, Finance and
Stochastic 3(4): 391-412, Agosto 1999.
[5] D.Nualart; The Malliavin Calculus and Related Topics, Springer, New
York (1995).
[6] A.Pascucci; Calcolo Stocastico per la Finanza, Springer, Milano (2008).
[7] I.Karatzas; Lectures on the Mathematics of Finance, American
Mathematical Society, Providence (1997).
[8] I.Karatzas, D.Ocone, J.Li; An extension of Clark’s formula, Stochastics
and Stochastic Reports 37(3): 127-131, Novembre 1991.
[9] P.Wilmott, S.Howison, J.Dewynne; The Mathematics of Financial
Derivatives, Cambridge university press (2007).
[10] M.Pratelli; Un corso introduttivo sul Calcolo di Malliavin, Universita di
Pisa Anno Accademico 2008-09.