Предположим, мы используем реальные вероятности для прогнозa годовой доходности акций компании (распределение вероятностей прибыли через год).

И на основе этого прогноза решаем, a) купить акции или b) купить акции и защитить их с пут опционом или c) купить колл опцион вместо акций. (Цены опционов расчитываются симуляцией через предсказанное реаспределение цен акции).

Подскажите пожалуйста, какие преимущества, если вместо реальных вероятностей будет использоваться риск нейтральность?

Насколько я понимаю, риск нейтральный подход — это когда мы разделяем модель на две части a) моделирование нейтральных к риску цен и b) преобразование полученных нейтральных к риску цен обратно в реальные цены. Но чем такой подход лучше, чем прямое моделирование с реальными вероятностями?

P.S.

Модель реальных вероятностей работает следующим образом:

— Базовый прогноз — это исторические цены, продолженные в будущее (модель аналогичная random walk, с учетом недавней волатильности, возврата волатильности к среднему и случайных скачков волатильности).

( Читать дальше )

Неплохие результаты, согласующиеся с реальными данными.

Черный график — реалное распределение годовых доходностей за неск. десятков лет, синий — симуляция годовых доходностей из дневных (из бегущего окна длинной в 1 год берутся дневные цены, и по ним делается несколько симуляций чтоб получить возможные годовые).

Результат совпадает с интуитивным ожиданием, форма получается похожей, что разброс больше тоже ожидаемо, реальный график это лишь одна реализация и недооценивает все пространство возможностей.

Микрософт:


Макдональдс:

( Читать дальше )

Была идея — измерить текущую волатильность, для доходности акции в 1 год, как несколько (2 или 3) различных по маштабу гауссовских компонент. Используя скользящее окно также за 1 год или полгода. Т.е. вместо одной цифры волатильности, должно было получится вектор из 3х.

Как оказалось, это не работает. Информации для гауссовского микса недостаточно, он просто вырождается в обычное нормальное распределение...




( Читать дальше )

Продолжаю медитировать над графиками…

Годовая прибыль АМД и Невмонта




( Читать дальше )

Я хочу построить модель, предсказывающую распределение цен акций на 2 будущие даты: через +180 дней и +360, дней на основе исторических данных. Это распределение я хочу использовать для оценки стоимости европейских опционов, с помощью метода Монте-Карло.


Я хочу использовать подход отличный от моделей implied волатильности (Implied Volatility), таких как Heston, SVJ и т.д. Я хочу игнорировать текущие ожидания рынка (текущие цены на опционы) и полагаться только на исторические данные.


Кроме того, я хочу подойти по-другому к процессу подгонки модели. Модели implied волатильности подгоняются так, чтобы поверхность IV соответствовала эмпирической IV. Я же хочу использовать другую цель: провести бэк-тестирование и сравнить модель с реальными реализованными вероятностями — т.е. симулировать торговлю миллионами опционов на акциях, используя исторические данные, и добиться, чтобы баланс был как можно ближе к нулю (подход, аналогичный методу максимального правдоподобия).


Модель должна:

( Читать дальше )

Я умышленно долгое время игнорировал классическую финансовую математику, поскольку считал ее фундаментально неверной. И выполнял все рассчеты «с нуля» как если бы это был некий обычный техпроцесс.

И долгое время не мог понять зачем нужны BlackSholes который давно и всем известно неверен, и некая Implied Volatility Surface. Последнюю неделю решил таки разобраться и читаю The Volatility Surface, Jim Gatheral. Я только еще больше убедился в бесполезности этих вещей, но теперь знаю что это такое.

Вобщем, простым языком.

БлэкШолс, это когда ты подставляешь в формулу НОРМАЛЬНОЕ распределение цен акции которое БУДЕТ через год, и он рассчитывает цену опциона.

— Это все считается без всяких блак шолсов, через симуляцию монте карло за миллисекунду. Причем для любых распределений а не только нормальных.
— Распределение заведомо не нормальное, и блакшолс заведомо известно ошибочен.
— Но самое главное, это вопрос на копейку. Главный вопрос — откуда взять это самое БУДУЩЕЕ распределение.

Те зачем нужен блакшолс когда монтекарло проще и точнее — непонятно. (ее адаптации я так понимаю нужны для каких то быстрах расчетов при высокочастотном трейдинге, и тп, когда полноценные симуляции слишком медленны, но едва ли это кому нужно кроме единиц).

( Читать дальше )

Продолжаю исследовать цены. В первой части исследования (15мб, грузится не сразу, параметры интерактивны можно щелкать, потом видео сниму если будет время) я сознательно исключил нестационарность.

Сейчас стараюсь ее нормализовать. Есть подход использовать движущееся среднее стандартное отклонение, но, мне нравится видеть что происходит, и подход с движущимся окном гораздо нагляднее (оба подхода примерно одно и то же).

а) берется дневные цены б) для каждого дня считается разница логарифмов цен за год (изменение цены за год) в) берем окно 360 дней г) движем его с шагом 30 дней д) для каждого окна считаем параметры нормализации и нормализуем изменения цен в этом окне е) для нормализованного окна на каждом шагу строим распределение цен и показываем его на графике.

Параметры нормализации считаются 2мя способами а) считаем среднее по медиане, и считаем абсолютное отклонение опять же по медиане, и затем нормализуем, вычитаем центр и делим на отклонение б) считаем STD от 97 квантиля, и вычитаем центр и делим на сигму.

( Читать дальше )

Итак, моя гипотеза о том что имеет смысл изучить распределение цен конкретной компании за длительный период, скажем 30 лет, чтобы улучшить прогноз цен на следущий год — опровергнута.

Как видно из графиков ниже, это нормализованные по среднему и сигме, распределения построенные на 10 летнем интервале, движущемся с окном 5 лет. Полный хаос. 10 лет это мало, и хотя за 30 лет будет «в среднем» «чуть лучше», но все равно недостаточно чтобы иметь какой то смысл.

Т.е. уникальные детали на графике распределений цен конкретной компании — это случайные артефакты, шум, нерепрезентативный сэмпл, повторять их бессмсысленно, в будущем они не повторяются.

«Реальное» распределение, нам недоступно, но судя по всему это что то с достаточно простой формой, возможно Гиперболическое или простой гауссовский микс из 2-3х компонент.

Микрософт 360дней


Микрософт 180 дней



( Читать дальше )

Я нашел то что искал. Распределение а) способное с достаточной точностью аппроксимировать Эмпирическое Распределение цен на диапазонах 180, 360, 720 дней б) имеющее достаточно простую форму в) с возможностью маштабировать.

Ассиметричный Гауссовской Микс из 3х компонент, отдельно для Положительных и Отрицательных изменений, с Фиксированными Нулевыми Средними. Это 8 параметров, но два из них определяются оч точно и требуют мизера данных, поэтому их можно не учитывать, остается 6 параметров, 6 сигм. Это много, но фиттинг будет на десятках лет так что данных достаточно.

Финальная подстройка — сжать/растянуть полученную модель на текущую волатильность, будет по 1-2 параметрам.

На графиках, зеленый положит изменения цен, красный отрицательные. Яркие цвета — эмпирическое, зеленый красный полутон Гауссовский Микс, бирюзовый/розовый полутона — Обобщенное Гиперболическое (добавил чисто для сравнения, оно приближает хуже и непредсказуемо, причем самую важную часть — хвост).




( Читать дальше )

Апроксимация Распределения Вероятностей цен MSFT за 360, 180 и 30 дней.

Явно видно что Нормальный Микс из 3х компонент намного лучше повторяет форму распределения чем Обобщенная Гиперболическая Модель.

Проблемы:

— Непонятно как менять его волатильность? В нормальном мы меняем сигму — и распределение меняется, а здесь 3 компоненты, у каждого своя сигма и среднее. Если есть идеи как маштабировать полученный нормальный микс было бы интересно услышать.
— Лучшее совпадение не значит что это лучше, это может быть оверфиттинг.

Маштабирование:

Нужно для настройки модели на текущую волатильность. Скажем мы на истории за десятки лет определили общую форму Нормального Микса для MSFT как меняются акции за 1 мес. Но, нам ведь интересно затем настроить (маштабировать) эту общую форму на текущую волатильность MSFT, отмаштабировав общую форму, на текущую волатильность MSFT за последний месяц. Непонятно как это сделать.

Зачем это нужно:

Знать будущее распределение цен (у нас правда не будущее, а прошлое, которое мы за неимением лучшего используем как будущее) — может быть полезно для моделирования различных сценариев и подбора гиперпараметров, расчета цен опционов, формирования оптимального по тому или иному критерию портфеля, симуляция стресс теста, расчет цен опционов, и т.п.

( Читать дальше )