本文提出一种基于二维切比雪夫展开的非中心卡方分布直接反演方法,将自由度作为可变参数,从而能够高效、准确地模拟平方贝塞尔过程及其对应的CIR利率模型,尤其适用于小自由度场景。 该方法在期权定价中无需进行时间离散,并通过解析参数敏感度与Levenberg–Marquardt算法支持CIR模型校准,在欧式、亚洲及篮子期权应用中兼顾精度与计算效率。
标题:《Direct Inversion for Chi-Square Sampling, the Squared Bessel Process, and Applications》(卡方采样、平方贝塞尔过程及其应用的直接反演方法)。
作者:Simon J. A. Malham、Anke Wiese、Yifan Xu。
机构:英国爱丁堡赫瑞瓦特大学 Maxwell Institute for Mathematical Sciences and School of Mathematical and Computer Sciences。
日期:2026年10月21日。
主题:数值概率方法、平方贝塞尔过程、Cox–Ingersoll–Ross(CIR)利率模型、非中心卡方随机数模拟、期权定价与模型校准。
这不是传统意义上的证券研究报告,因此没有股票评级、目标价或买卖建议。报告的核心贡献是提出一种将自由度参数也纳入近似变量的二维切比雪夫直接反演方法,以高效模拟中心卡方变量,再通过泊松分解生成非中心卡方变量,进而精确模拟平方贝塞尔过程和CIR过程。
作者试图传达的主要信息有四点:第一,小自由度情形是卡方采样中尤其困难的区域,而新方法在自由度为0.1、0.01、0.001等极小值时仍能保持较高精度;第二,同一组二维切比雪夫系数可以覆盖一段自由度区间,这对需要反复改变模型参数的CIR校准具有明显优势;第三,平方贝塞尔过程的转移分布可以直接表示为缩放的非中心卡方分布,因此无需像Euler方法那样依赖细时间离散;第四,二维近似还提供了对自由度及CIR参数的解析敏感度,从而可以服务于基于梯度的模型校准。
需要说明的是,所提供的文本存在较明显的公式提取缺失,例如若干随机微分方程、切比雪夫系数公式和表格数值没有完整显示。因此,以下分析会严格区分“报告明确给出的结论”和“因原始公式或表格未被完整提取而无法确认的具体数值”。
平方贝塞尔过程是一个一维扩散过程,在金融模型中具有基础性作用,尤其能够通过线性变换和时间变换构造CIR过程。CIR过程是均值回复的平方根扩散模型,广泛用于短期利率、波动率及其他非负变量建模。
平方贝塞尔过程的“维度”参数记为δ,它同时对应非中心卡方分布的自由度。该参数不仅影响分布形态,也决定过程接近零点时的行为:当δ≥2且初值为正时,过程不会到达零;当0<δ<2时,过程可以在有限时间内到达零,但零边界是瞬时反射的。
这一点对金融应用非常重要。利率或方差过程通常需要保持非负,而普通Euler离散可能生成负值;平方根扩散的特殊结构可以避免这一问题。报告选择平方贝塞尔过程作为基础,是因为其转移概率具有已知的非中心卡方形式,从而能够进行所谓的“几乎精确”或直接转移模拟。
报告通过时间变换函数C(t)和指数线性变换,将平方贝塞尔过程Y转换为CIR过程X。参数关系中,CIR的均值回复相关参数a、收敛速度参数b以及波动率参数c满足:
[ \delta=\frac{4a}{c^2}. ]
原文说明,a代表均值回复水平,-b代表收敛速度,c代表扩散波动率。由于δ由a和c共同决定,改变CIR参数时,既可能改变平方贝塞尔过程的自由度,也可能改变时间变换和线性缩放。
平方贝塞尔过程从时间u_n到u_{n+1}的转移分布可以写成:
[ Y_{u_{n+1}} =(u_{n+1}-u_n)\chi^2_\delta(\lambda), \qquad \lambda=\frac{Y_{u_n}}{u_{n+1}-u_n}. ]
也就是说,模拟过程的关键被转化为生成一个自由度为δ、非中心参数为λ的非中心卡方随机变量。
报告首先生成中心卡方变量,再利用中心卡方变量和泊松随机变量构造非中心卡方变量。作者没有优先采用接受—拒绝方法,主要原因是小自由度时接受—拒绝算法可能拒绝大量候选样本,导致效率明显下降。
直接反演的基本思路是:若U服从[0,1]上的均匀分布,则中心卡方随机变量可以表示为
[ \chi^2_\delta=F_\delta^{-1}(U), ]
其中Fδ是自由度为δ的中心卡方累积分布函数。报告并不直接逐点求逆,而是用二维切比雪夫多项式近似Fδ^{-1}(u),其中一个变量是自由度δ,另一个变量是概率u。
这种设计的最大优势在于参数复用:当δ在一个区间内变化时,可以共用同一组二维切比雪夫系数,而不必为每个自由度重新构造一套一维近似。对校准而言,这意味着在优化过程中反复尝试不同参数时,模拟器可以保持较高效率。
作者将逆分布函数的输入区间拆成三个区域:
尾部计算域被截断在(u=1-10^{-8}),因此舍弃的概率质量约为10^-8。作者认为,只要目标近似精度同样在10^-8量级,尾部截断不会引入超过目标精度的额外误差。
报告在数值实现中使用20作为尾部的统一截断值,并以指示函数限制尾部积分。作者指出,该值能够使研究范围内各种δ对应的剩余尾概率低于预设容差。
二维切比雪夫系数通过二维积分获得,作者使用MATLAB双精度和Gauss–Kronrod求积计算,积分精度约为10^-8。 由于逆卡方函数在区域边界及δ区间端点附近可能出现数值奇异性,被积函数会趋于无穷,从而降低双重积分精度。
报告提出两种改进方向:一是从16位双精度提高到约25位的多精度计算;二是在奇异端点附近使用渐近展开。这里反映出一个重要的技术限制:论文报告的10^-8精度是数值实验意义上的目标,并不等同于在所有参数、所有尾部和所有硬件环境下都具有严格的全局误差保证。
表1展示了在不同δ区间和三个概率区域中达到10^-8近似精度所需的切比雪夫多项式阶数。表格的共同趋势是:δ越小,所需的M、N通常越高;也就是说,小自由度并非只影响随机数生成本身,也增加了离线系数构造的成本。 原始文本没有完整呈现表1的具体每一行数值,但明确指出δ∈[0.2,1]所需系数数量少于极小自由度情形,且附录专门给出δ∈[0.1,0.2]的三段系数。
在线生成样本时,作者使用二维Clenshaw递推计算切比雪夫级数,而不是逐项直接求和。该方法先对概率变量方向递推,再对自由度方向递推,从而降低计算成本并提高数值稳定性。
对于非中心参数λ≤10,报告使用经典分解:
[ \chi^2_\delta(\lambda) \sim \chi^2_\delta+\chi^2_{2N}, ]
其中N服从均值为λ/2的泊松分布。后一个中心卡方变量可以通过若干均匀变量的对数和生成。
当λ>10时,作者把泊松变量进一步拆成均值为5和λ/2-5的两个独立泊松变量,并通过重复处理将大非中心参数化解为若干部分。该策略避免直接处理过大的非中心参数,同时保留了中心卡方部分由新方法生成的优势。
图1包含六个面板,分别测试δ=0.1、0.01、0.001,并分别选择较小λ和大于10的λ。每种情形使用5×10^7个样本,横轴是矩阶数,纵轴是相对误差且采用对数刻度。
图中可以观察到,小自由度下前十阶矩的误差总体处于较低水平;当λ较大时,部分情形的误差随矩阶数上升而增加,但仍表现为规则、连续的数量级变化。作者认为,这些误差主要由蒙特卡洛误差支配,而不是切比雪夫反演误差。
该结论支持了新方法在小δ区域的准确性,但也应谨慎理解:图1证明的是给定样本数和测试参数下的统计表现,并不能单独证明所有高阶矩、极端尾部或更大λ下均达到同等精度。
表2比较新直接反演方法与Ahrens–Dieter接受—拒绝方法在生成10^7个中心卡方样本时的CPU时间,测试自由度为0.1、0.01和0.001。
作者报告,新方法比Ahrens–Dieter方法快约35%至54%,且在不同δ下CPU时间基本保持稳定;相比之下,Ahrens–Dieter方法的耗时随δ变化更加明显。 这直接支持了作者关于“极小自由度下直接反演更稳健、更高效”的主张。不过,CPU时间仍会依赖MATLAB实现、处理器、向量化程度以及预计算系数是否计入,因此表2的比较更适合看作该实现环境下的工程性能证据,而不是算法复杂度的普遍定理。
图2比较全截断Euler、带鞅修正的QE方法和直接反演方法在不同时间步长下的相对误差,使用10^6条模拟路径。Euler和QE-M的误差会随着时间步长缩短而下降,体现出离散化误差;直接反演方法的误差在不同时间步长下大致维持在10^-3量级,因为其对路径不依赖的期权只需从初始时刻直接模拟到到期日,不需要中间离散。
表3比较三种方法达到约10^-3定价精度所需的最大时间步长和CPU时间。报告指出,全截断Euler需要时间步长约1/10,QE-M需要约1/4,而直接反演可以在整个区间[0,T]上使用单步模拟,因此CPU效率最高。 原文提取内容没有显示表3的具体秒数,但明确给出相对排序和所需时间步长。
该实验使用δ=0.18、Y0=X0=0.09、a=0.045、b=0.5、c=1、T=10、K=0.09。这个设置属于小自由度、接近零边界的困难情形,因此对测试新方法具有针对性。
图3比较10^-4和10^-8两种切比雪夫近似精度。路径数量从10^4增加到10^8时,蒙特卡洛误差大致从10^-2下降到10^-4。 当路径较少时,10^-4和10^-8两种切比雪夫展开的总体相对误差接近,因为统计误差占主导;当路径增加到10^7和10^8时,10^-8展开的误差继续下降,而10^-4展开的误差大约停留在10^-3水平。
该图揭示出一个实际部署原则:模拟器的确定性近似精度无需盲目高于蒙特卡洛误差。若只有10^6条路径,使用10^-8展开会增加CPU时间却未必改善最终价格;若使用10^8条路径,则需要更高精度展开,否则切比雪夫误差会成为瓶颈。
表4比较三种方法对年度监测和季度监测亚洲期权的定价结果、样本标准差和CPU时间。直接反演只需在监测时点进行模拟,而Euler和QE-M还需要在监测点之间使用更细的内部时间步,因此在相同精度下直接反演具有速度优势。 报告称两种监测频率下直接反演的标准差约为10^-5,但监测频率越高,需要生成的路径节点越多,因此其效率优势可能有所收窄。
表5考察五资产篮子期权,资产均为CIR过程,并比较相同和独立布朗运动情形。报告特别强调,当多个资产具有相同自由度δ时,只需生成一个中心卡方样本,并通过共同随机数用于多个资产;当每个资产的δ不同,则需要分别生成中心卡方样本,CPU时间相应增加。
这说明二维切比雪夫方法的优势不仅是单路径速度,还包括跨资产、跨参数的系数复用。表5还显示,参数b和c的改变本身并不会显著损害直接反演效率;真正影响计算成本的重要因素是需要处理多少组不同的自由度区间。 原文没有完整呈现表5每个案例的具体价格和秒数,因此不能进一步核对不同案例之间的数值差异。
由于中心卡方样本由二维函数Fδ^-1(U)生成,而δ本身是切比雪夫展开的一个变量,作者可以直接对该展开关于δ求导,从而得到平方贝塞尔过程对维度参数的敏感度。 这比有限差分更有优势,因为有限差分需要多次重新模拟,并可能受到步长选择和随机噪声影响。
作者进一步通过链式法则,将δ敏感度转换为CIR过程对均值回复水平a的敏感度,因为δ=4a/c²。对于参数b,情况更复杂:b同时出现在时间变换函数和线性缩放中,因此报告没有给出同样直接的路径导数,而是采用似然比方法或score function估计。
对于波动率c,作者通过对CIR过程进行尺度变换,得到局部关系:
[ \frac{\partial X_t}{\partial c}=\frac{2X_t}{c}. ]
该关系建立在保持相同自由度δ的参数变换之上,适用于报告所讨论的特定尺度结构。
报告将CIR校准写成非线性最小二乘问题,以模型期权价格与目标价格之间的残差为目标函数,并使用Levenberg–Marquardt方法求解。该算法结合Gauss–Newton和梯度下降思想,通过阻尼因子在快速局部收敛与较稳健的下降之间进行平衡。
作者使用解析敏感度构造Jacobian,而不是通过数值差分计算梯度。理论上,这既减少了函数评估次数,也避免了蒙特卡洛噪声对差分梯度的放大。
表6给出了欧洲看跌期权和亚洲期权校准使用的真实参数以及合成数据设置;表7报告欧洲看跌期权的100次平均校准结果。初始参数在真实参数±20%范围内随机选取,约8次迭代后,模型价格残差达到10^-4量级,参数偏差约为10^-2量级。
图4显示代表性欧洲看跌期权校准案例中,δ、a、b、c的偏差总体下降,残差从约10^-1下降到10^-4,约经历8次迭代。 需要注意,图中部分参数曲线并非严格单调下降,这符合带阻尼的非线性优化算法特征,并不必然说明算法不稳定。
表8和图5展示亚洲期权校准。其最终精度与欧洲看跌期权相近,但平均迭代次数为14.4次,高于欧洲看跌期权的8次。 这是可以理解的:亚洲期权依赖完整路径和离散监测值,价格函数对参数的映射更复杂,参数识别难度通常高于只依赖终值的欧洲期权。
本文没有公司估值、DCF、P/E或EV/EBITDA等资本市场估值内容。其“估值”相关内容主要是数值期权定价,即在风险中性测度下、假设贴现因子为1,计算欧洲看跌期权、亚洲期权和篮子期权价格。 因此,不能将报告中的“效率更高”误读为某一金融资产具有投资价值。
报告识别出的主要方法风险包括:
报告最有说服力的地方在于,它把算法优势与应用场景结合起来:小自由度卡方采样、无需时间离散的路径模拟、参数敏感度和快速校准形成了完整链条。图1证明了极端小δ下的矩精度,图2和表3说明直接转移模拟能够避免Euler和QE-M的时间步长误差,图3则进一步说明应根据蒙特卡洛误差选择切比雪夫展开精度。
但报告的证据仍主要来自数值实验。部分比较使用作者自己的实现和特定参数;与Ahrens–Dieter、Euler或QE-M的CPU比较可能受编程语言、硬件、随机数生成器及是否计入预计算成本影响。与此同时,表1至表8在所提供文本中缺少完整数值,因而无法独立复算全部结论。
总体而言,作者的判断是:二维切比雪夫直接反演能够在包括δ=0.001在内的小自由度区域保持高精度,并在中心及非中心卡方模拟、平方贝塞尔过程、CIR期权定价和参数校准中表现出较好的效率;其最重要的结构性优势是自由度参数被纳入近似,因此同一组系数可支持一系列参数值。 论文未来计划扩展至CEV、Heston、Wishart矩阵值过程,并探索与基于随机Gamma表示的精确模拟方法结合。
综合来看,这是一篇以数值分析和计算金融为核心的算法论文,而不是投资推荐报告。其贡献不在于提出新的金融资产观点,而在于改善一类非负扩散过程的模拟基础设施:在小自由度、路径依赖和模型校准场景中,直接反演方法可能同时降低离散化误差和重复计算成本,但在真实市场校准、极端尾部精度以及跨平台性能方面仍需要进一步验证。
2412.16655.pdf