本文提出了一种结合已知边缘分布和市场多资产期权价格作为附加信息的模型无关期权价格区间定价框架。通过资产定价基本定理和超对冲对偶性,将优化概率测度问题转化为交易策略上的最小化问题,并采用惩罚法结合神经网络深度学习进行求解。数值结果表明,附加信息(尤其是与目标期权具有相同支付结构的衍生品价格)显著缩窄价格上下界,且计算时间随资产维度线性增长,保证了方法的效率与实用性 。
| 资产数量 | 计算时间(秒) |
|---|---|
| 6 | 498 |
| 15 | 921 |
| 18 | 1107 |
报告题目:IMPROVED MODEL-FREE BOUNDS FOR MULTI-ASSET OPTIONS USING OPTION-IMPLIED INFORMATION AND DEEP LEARNING
作者:Evangelia Dragazi, Shuaiqiang Liu, Antonis Papapantoleon
发布机构:NTUA(希腊国家技术大学)、TU Delft(荷兰代尔夫特理工大学)、ING Amsterdam
主题:多资产期权的模型无关定价界限,通过利用期权隐含信息及深度学习方法改进界限估计
日期:未明确注明具体日期,参考文献最晚至2024年,推测为近年研究成果。
本报告聚焦于在无特定模型假设下(model-free setting),结合市场已知边际分布及多资产期权的交易价格信息,计算多资产期权价格的上下界。核心贡献在于:
报告的总体立场强调,在不依赖具体模型前提下,通过增加市场交易的多资产期权信息,可大大提升定价界限的准确性,并证明深度学习框架是实现此类高维问题计算的有力工具。, , , ,
报告以金融数学领域的“新”范式转变为背景展开。传统范式(“old”)依赖具体模型,计算衍生品价格和对冲策略;但现实中无单一模型足够准确。新范式(“new”)放弃了具体模型,采取无模型设定(model-free)和数据驱动方法,强调通过市场信息和理论约束直接获得价格界限等。两类方法本质上可视为信息和不确定性的两个端点,增加模型的信息逐渐趋向具体模型环境。文献涵盖参数/模型不确定性方法及无模型边界方法。
结合不确定性与无模型方法特点,已有工作通过copula、Fréchet–Hoeffding界限、最优传输理论等工具,实现了多资产期权的价格边界推导,但界限通常较宽,不够精细。增加额外依赖结构信息(例如交易的多资产期权价格)成为最新研究热点,以提升价格界限的实用性。
报告提出结合“已知边际分布”和“多资产期权市场价信息”的混合框架,构造满足边际分布且期权价格一致的概率测度集合 Q,为多资产期权无模型定价提供新视角,且能推广经典依赖不确定性设置。,
基本设定:
市场中交易d个标的资产,设定边际分布已知(νj),额外多资产期权对应的支付函数ϕi及市场价pi可用。
定义测度集合 \mathcal{Q}=\{\mu|\text{\mu的边际为\nu_j且期权支付期望为p_i}\}。
目标为计算衍生品支付f在Q上的价格上下界:supμ∈Q∫fdμ 和 infμ∈Q∫fdμ。
对偶问题构造:
引入“交易组合”由单资产函数ψj和多资产期权头寸bi组成,交易成本为π(ψ,b)定义为组合成本。
定义满足组合支付覆盖目标支付f的策略集合Θ(f)。
引入超对冲价Φ(f)=inf{π(ψ,b):(ψ,b)∈Θ(f)}。
套利与基本定理:
定义“统一强套利”策略,即超对冲支付至少为正,且成本非正。
该设定下,第一基本定理:无统一强套利当且仅当Q非空,即存在满足约束的概率测度。
超额对冲对偶性:
证明Φ(f)=maxμ∈Q∫fdμ。
该对偶性将难解的概率测度优化问题转化为交易策略的线性最小化问题,从而具备实际计算价值。
证明技术:
基于Bartl等人(2017)的对偶理论,验证Φ为凸、连续、递增函数,推导其共轭函数形式。通过对不同违背市场一致性的测度示范其共轭函数值无限大,证明市场一致性测度为共轭为零。
这些严谨证明构筑了报告理论的坚实基础。, , , , , ,
报告指出类似Bartl等人(2022)的最优性条件成立,即存在最优测度μ⋆∈Q和最优交易策略(ψ⋆,b⋆)∈Θ(f)使得超对冲价与期望一致,且互为对偶。
证明关键在于最优交易策略的支付与目标支付函数几乎处处相等(μ⋆-几乎处处),从而达成最优。
此结果对算法设计及结果解释意义重大,说明深度学习求解的最小化问题对应着某一“隐含”最优概率测度。 ,
面对无限维函数空间的优化难题,报告采用:
实验背景与目标
通过人工数据(基准为带有高斯copula协方差结构的Black–Scholes模型),模拟多资产期权及其相关多资产衍生品价格,检验以下核心问题:
资产参数:初值10,波动率分别为0.3、0.4、0.5,相关系数矩阵主对角为1,非对角为0.5。
分5个案例递进增加已知期权信息:
收敛性验证:
图5.1显示,惩罚+神经网络框架约在15,000次迭代收敛,确认方法稳定且可可靠实现。
信息影响分析:
图5.2左图显示新增多资产期权价能显著缩小无模型界限的宽度,尤其是行权价低于8时,且对大行权价影响减弱。
右图说明增加相同行权价不同的相似期权价格,整体界限质量提升更加稳定和明显。额外低维(两资产)期权信息对界限改善重要性高于少量多资产期权。
资产参数:初值均10,波动分别为0.3,0.4,0.5,0.35,0.45,0.55,相关矩阵复杂,均为正相关。
分4案例逐步增加信息:
图5.3显示新增信息后界限逐渐逼近基准价,且对高行权价期权边界改进明显。
“相关信息”重要性检验
设定(E2.4)-(E2.8)逐步引入非相关与相关期权信息,发现:
图5.4支持该结论。, , , ,
基于Windows笔记本(AMD Ryzen 7 5800HS,3201MHz),总结:
展示模型无关(model-free)与模型特定(model-specific)两类方法的互动层次。
图示清晰阐释当代金融定价方法由极端假设走向更灵活综合的趋势。
显示三资产call-on-max期权,strike=6情形下模型无关上界迭代收敛轨迹。
左图:不同行权价下,基线与多信息场景的call-on-max期权模型无关界限。
右图:同类基本结构信息但增加更多期权(同类不同strike),整体界限明显逼近参考价,特别是高行权价时界限更紧,展示相似结构信息对界限改善更有效。
两图合力印证“优先获取相关信息”的策略合理性。
六资产basket call期权在不同额外信息条件下的无模型界限:
整体图形说明多维衍生品定价边界依赖可用信息量且收益递增。
对比针对相关与非相关信息的期权边界收敛性:
从图形及数据中可见,无模型定价受限于信息配置策略,精准选取信息既节省资源又不牺牲精度。
报告未直接给出传统估值模型(如DCF、EV/EBITDA等)应用,但核心价值在于:
此方法理论上并非直接给出期权合理价格,而是围绕无套利定价的边界进行了精确计算。从结构上讲,给出了价格区间端点的详细表达和求解途径,是金融估值理论的拓展和完善。,
报告主要从理论与数值角度讨论风险:
报告通过理论严密性和数值实验,提供了解决或缓解上述风险的策略,尤其是强调优先利用“相关”信息以提升估值的准确度和效率,也在一定程度上降低了因信息不足造成的风险。, ,
这些细节提示实际应用应结合本研究结论灵活处理,同时关注模型组装和算法调优过程。,
本报告围绕无模型假定、已知边际分布与市场多资产期权价格信息开发了多资产期权价格界限的理论与数值方法。核心成果包括:
理论贡献:
建立结合额外多资产期权价格信息的概率测度集合Q,推导基本无套利定理和超额对冲对偶定价公式,严格证明对应程序的对偶性及最优策略特征。
数学上创新地将市场约束内定价问题建模为函数优化问题,并证明惩罚与神经网络体系的收敛性,提供理论与实践桥梁。
数值实现:
采用深度学习架构(4隐层,每层64神经元,ReLU激活,Adam优化器,迭代25,000次)配合惩罚法,有效解出高维多资产期权模型无关价格界限。
数值实验基于Black–Scholes与高斯copula生成的模拟市场,证实方法稳定、收敛迅速,算法复杂度随资产数线性增长,适用于中高维资产组合。
重要洞察:
“相关信息”即额外已知期权价格结构与目标期权相似时,定价界限收敛更快,信息组合选择中优先考虑相关信息可提升准确率并节省计算资源。
对于大行权价情形,附加信息影响减弱,提示不同市场条件下信息价值差异。
图表贡献:
详尽图形展示了多不同信息条件下模型无关界限的演进,明确展示信息增加对定价界限紧缩及收敛速度的正面作用。
总结来说,该报告提供了一套理论严谨且数值高效的框架,突破传统依赖明确概率模型的限制,结合现实市场丰富数据实现多资产期权稳健定价,具有重要的学术和实务价值。其强调的信息选择策略为今后多资产衍生品的风险测度与价格估算提供了实证和方法论导向。
图1.1(模型无关与特定设置的互动示意图):
图5.1(三资产call-on-max期权收敛轨迹):
图5.2(三资产call-on-max期权不同附加信息界限):
图5.3(六资产basket call期权信息影响):
图5.4(六资产相关与非相关信息比较):
以上分析严谨对应报告结构及内容,所有论断均以报告原文明确论述为基础,附带原文页码标示。
2404.02343.pdf