Видимо по историческим причинам Stochastic Volatility модели используют в названии и терминологии слово «волатильность».
SV модели выглядят как
r = μ + σϵ; σ = f(...) в этой модели, ключевым, целью, является
r, волатильность же
σ некая абстракция внутренней структуры модели.
Фиттинг Implied Volatility, имеет весьма опосредственное отношение к волатильности. Что реально происходит — это фиттинг распределения вероятностей лог прибыли
r через функцию моментов. Наблюдаемые цены евро опционов, это моменты распределения вероятностей
r. С американскими примерно то же но сложнее.
Использование
волатильности как некоего числа, например из GARCH и т.п. где используется упрощении, и по аналогии похожая формулу вида
r = μ + σϵ, не передает реальной сути процесса, потому что волатильность в Stochastic Volatility не число, а распределение вероятностей, облако. И попытка сжать облако в цифру, теряет информацию и точность.
Также, сам фиттинг волатильности как числа, по неким замерам — неадекватен, теряется единая связанная структура модели, получается фиттинг отдельных ее кусков, который может уступать фиттингу полноценной единой модели r.
Фиттинг Implied Volatility, задача аналогичная которую пытался решить я, построить распред вероятностей
r на исторических данных. Отличие что фиттинг не через Моменты а MLE.
ru.wikipedia.org*ru.ruwiki.ru
Волатильность является важнейшим понятием в управлении финансовыми рисками, представляя собой меру риска использования финансового инструмента за заданный промежуток времени.
ru.wikipedia.o
ну не графа же по облаку гонять?
не, оно конешшно можно....
как именно эту поверхность цен, и в каких именно координатах — в прозрачных страйк/экспирация или в упоротых дельта/ттм параметризовать — это так себе вопрос
можно неправильными волатильностями, которые подставляют в неправильного БШ, чтобы попасть в рынок
можно и моментами распределения, хотя гельдеровская размерность процесса не 0.5, поэтому это всё равно неправильные цифры в неправильной формуле чтобы попасть в рынок
правильный вопрос — как вы это планируете хеджить? и это дико сложный вопрос
поэтому, филосовский вопрос — а вы строите структурную модель или рыночную?
в чем разница:
структурная модель стартует с динамики базового актива. т.е. пишется какой-то стохдифур для r = \myu + \sigma * dW, не нравится, что \sigma == const — ну напишите дифур для сигмы, не нравится, что третий момент не момент — ну введите корреляций, как у Хестона итд, при этом всём получается, что вопрос о том, а как же это хеджить — в структурных моделях снимается сам собой, он просто не стоит, так как все дельты есть как минимум на дереве, которым вы прайсите, а Хестон так вообще аналитически решается
проблема структурных моделей в том, что они очень бодро всё прайсят, в них нет вопроса о хедже, но они не попадают в рынок (ну или не во всю поверхность) — и получается, что или/или — или рынок ошибся и это прекрасный вариант переиграть его или не правильная модель для динамики базового актива, из которой получилась не правильная оценка деривативов и этим просто нельзя пользоваться.
рыночные модели стартуют с другой стороны — здесь задача как-то компактно описать всю наблюдаемую поверхность цен 3-4 параметрами, это про что я в начале писал, тут бесконечно много подходов к самой параметризации — но это не так уж важно, потому что очень быстро встаёт вопрос динамики. если мы как-то сегодня зафитились одними параметрами, а они завтра станут другими — какие риски и как вообще хеджиться? единственный конструктивный ответ — это сочинить стохдифур для этих параметров. то есть
проблема рыночных моделей — хеджирование и не прозрачное условие безарбитражности. по сути для хеджа кроме самой модели надо еще сочинить стохдифур для базового актива (ну хоть какой-то минимальный) и стохдифур для параметров модели. после этого можно сказать, что «дельта — это, когда мы продиффиринцируем модель, по всему что в неё входит, а всё что в неё входит — заменим на ожидания и/или корреляции с базовым активом, взвесим/просуммируем и тд», только это ни как не гарантирует то, что в итоге стоимость дельта хеджа окажется равна премии. на вопрос «что пошло не так» — ответа просто нет. получится, что сама модель может в любой момент прямо вот очень хорошо описывать всю поверхность премий (== всегда найдутся подходящие параметры), динамика параметров может быть более-менее правдоподобной относительно их дифура, а результат всего вместе получится почему-то слишком рандомным или наоборот с чем-то неожиданно скоррелированным