本文提出一种针对随机化准蒙特卡洛经验收敛指数的置信区间估计协议:通过独立随机化估计不同样本规模下的均方根误差,在预先声明的窗口内拟合对数斜率,并对完整随机化曲线进行重抽样。有限四阶矩和正极限方差条件下,该方法具有渐近有效性,但高峰度误差会导致有限样本区间低估覆盖率。应用于期权定价表明,收敛速度与固定预算下误差大小可能给出不同的规则排序;预积分使数字亚洲期权指数提升约0.5,使障碍期权误差降低六至九倍但指数变化不足0.04,且PCA退化特征空间内的基选择会影响多资产期权的测量结果。
报告标题:《Confidence intervals for empirical convergence rates of randomised quasi-Monte Carlo, with applications to option pricing》(随机化准蒙特卡洛经验收敛率的置信区间及其在期权定价中的应用)。
作者:Giacomo Case。
机构:EPFL,洛桑,瑞士。
发布日期:所提供原文未明确列出发布日期,因此无法从报告本身确认。
研究主题:随机化准蒙特卡洛(Randomised Quasi-Monte Carlo,RQMC)的经验收敛率估计、斜率差异的区间估计,以及其在几何篮子期权、亚洲期权、障碍期权和多资产期权定价中的应用。
这不是一份传统意义上的股票研究报告,因此没有买入、持有或卖出评级,也没有目标价、公司盈利预测或估值倍数。报告的核心对象是数值积分方法的统计可靠性,尤其是研究人员经常通过误差—样本量双对数图拟合一个收敛斜率,但通常忽略该斜率本身的不确定性。作者的主要主张可以概括为:
需要注意的是,原文公式的转录存在符号混排问题:文字中有时写作 RMSE((n)=cn^\beta),而实验中又将普通蒙特卡洛的指数报告为约 (0.502),并用 (n^{-1/2}) 表示误差下降。因此下文沿用作者实验部分的惯例,将“指数”理解为正的误差衰减速度,即 RMSE 近似按 (n^{-\beta}) 下降;若严格讨论回归中的数学斜率,则其应为负值。这是阅读报告时必须注意的符号细节。,
报告首先将定价问题写成单位立方体上的积分。普通蒙特卡洛使用独立均匀点,其误差标准差为 (\sigma(f)/\sqrt n),因此在有限方差条件下,无论维度如何,RMSE 的典型收敛速度都是 (n^{-1/2})。准蒙特卡洛则使用均匀铺展的确定性点集,理论上可以利用低差异度获得更快收敛。
Koksma–Hlawka 不等式把积分误差限制为“点集的星差异度”与“函数的 Hardy–Krause 变差”的乘积。星差异度衡量点集相对于原点锚定矩形的均匀程度,函数变差则描述被积函数的复杂程度。然而,经过逆正态变换后,普通欧式看涨期权收益可能无界;数字期权和障碍期权又具有不与坐标轴平行的跳跃面,因此这些期权函数通常不满足有限变差条件,Koksma–Hlawka 不等式无法直接给出有用界限。也正因为如此,作者选择通过实验拟合经验收敛率,而不是从经典差异度理论直接推导期权的实际误差率。
报告介绍了数字网格、Halton、Faure、Sobol’以及秩一格点规则。数字网格具有 ((t,k,d))-net 结构,质量参数 (t) 越小,表示在更细的基本区间上具有更好的均匀性;Sobol’序列以二进制构造,Halton 使用不同素数作为各坐标基数,Faure 使用不小于维度的单一素数基数。,
理论差异度界在高维情况下可能极不实用。例如,((\log n)^d/n) 在维度 (d=121) 时会迅速变大,因此不能解释亚洲期权等高名义维度问题为何仍可能表现良好。作者据此转向“有效维度”概念:如果函数主要依赖少数坐标或低阶交互作用,实际表现可能远好于名义维度所暗示的结果,但后文会证明,仅仅拥有低有效维度仍不足以保证不连续收益函数具有快速收敛。
随机化准蒙特卡洛保留低差异点的空间铺展结构,同时使每个点具有均匀边际分布。这样,估计量对积分值保持无偏,多个独立随机化之间的离散程度可以用来估计误差,而无需知道精确参考价格。,
不同规则使用不同随机化:Sobol’和 Faure 使用随机线性矩阵扰动加数字平移,Halton 使用数字置换,秩一格点使用模一均匀随机平移。作者特别提醒,Owen 完全数字扰动下的理论结果不能直接推广到本文所有随机化形式;例如,光凭“某种 scrambled net 对光滑函数有 (O(n^{-3/2+\epsilon})) 误差”不能声称所有随机化规则、所有期权收益都具有该速度。,
报告测试了多类期权,以分别考察封闭解可验证性、路径维度、连续性、跳跃和多资产结构。
篮子基准包含5个独立资产、每个资产初始价格100、无风险利率5%,并组合5个波动率、10个执行价和10个到期日,共500个合约。误差是先在500个合约上平均方差,再开平方,因此报告中的一个指数是合约族整体指数,方差更大的合约在其中权重更高。
亚洲期权实验通常使用九个合约,即波动率15%、20%、25%与执行价90、100、110的组合;部分诊断和预积分实验使用中心合约,即波动率20%、执行价100。样本量拟合窗口通常为 (2^{10}) 至 (2^{20}),随机化次数为512,校准实验还使用32和128次随机化。,
对每个样本量 (n),作者生成 (R) 个独立随机化估计。若第 (r) 次估计为 (\hat\alpha^{(r)}(n)),则通过这些估计的样本方差估计 RMSE。对于无偏随机化规则,RMSE 等于标准差,因此不需要精确积分值。
但是,这种误差估计只能发现随机误差,不能发现所有随机化共同存在的偏差。例如,错误实现了收益函数、变换或折现因子,即使随机化之间非常稳定,样本方差也可能很小。因此作者强调,独立正确性检查仍然不可替代。
作者对 (\log(\mathrm{RMSE})) 与 (\log(n)) 做普通最小二乘回归,所得斜率被定义为拟合窗口内的经验指数。该指标并不是严格的渐近收敛率;如果误差曲线在小样本量时存在前渐近阶段、在大样本量时出现数值噪声或曲率,那么更换拟合窗口就可能得到不同指数。,
这一区分非常重要:报告中的“指数”实际回答的是“在声明的样本量区间内,误差平均以多快的速度下降”,而不是“当 (n\to\infty) 时方法必然达到什么阶数”。
嵌套规则的不同样本量通常使用同一随机点集的前缀。例如,(2^{10})、(2^{11}) 和 (2^{12}) 的估计可能全部来自同一次随机化的前缀,因此这些误差高度相关。如果逐个样本量独立重采样,就会破坏原始相关结构,导致斜率区间失真。
作者因此以“完整随机化”为重采样单位:每次 bootstrap 抽取的是一条从小样本量到大样本量的完整误差曲线。对两种共用随机种子的规则,则将两条曲线组成一对并整体重采样。,
报告比较了四种名义95%区间:
作者指出,jackknife-t 中使用 Student 分位数并不意味着有限样本下精确覆盖,即使每个重复误差均为高斯也不例外。
在固定拟合窗口下,只要各随机化误差独立同分布、均值为零、方差为正,并且具有有限四阶矩,则斜率估计满足渐近正态性。其不确定性不仅取决于各样本量误差的峰度,还取决于不同样本量之间平方误差的协方差;对于嵌套规则,这些协方差可能很大。
对单个样本量而言,误差平方的方差与峰度 (\kappa) 有关,峰度越高,所需随机化次数就越多。对两种规则的斜率差异,渐近方差包含两者方差以及协方差项。若共用随机化并且两条规则的估计误差同向变化,协方差为正,配对分析可以显著缩窄差异区间;若忽略这种正相关,就会得到过宽区间。相反,若协方差为负,忽略它可能低估不确定性。,
理论条件的关键弱点是四阶矩。作者构造的 (p=0.6) 校准函数具有有限二阶矩但无限四阶矩,此时误差方差估计不再服从常规中心极限定理,普通 bootstrap 也可能失效。因而“增加随机化次数”并不一定能修复重尾导致的覆盖不足。
表1在真实指数已知的人工积分上,用2000次完整实验检验四种名义95%区间。实验包括高斯误差、尾部较轻的有界函数、有限但较高峰度的对数奇异函数,以及无限四阶矩的重尾函数。,
主要结果如下:
这表明“指数点估计看起来很准确”并不等于“指数区间具有正确覆盖率”。低覆盖率尤其可能导致研究者错误地宣称两个算法之间存在显著性能差异。
表2报告512个随机化重复下的样本峰度,并将期权合约与人工校准函数放在同一尺度上比较。高斯样本的峰度约为3;期权合约的中位峰度通常在2.8至4.7之间,但相关系数为0.9的普通算术篮子达到6.3,仍低于 (p=1) 校准函数的9.8。,
样本峰度只能作为预警信号,不能作为覆盖率证明。对于 (p=1),真实峰度为11.4,而512个样本的中位样本峰度只有9.8;对于 (p=0.6),真实峰度无限,但有限样本有时会完全遗漏极端观测。因此,在期权实验中使用BCa区间时,作者明确提示:对峰度最高的合约,区间可能偏窄。
表3比较两个已知指数差异的人工函数。共享随机平移时,按随机化对重采样得到的区间宽度仅为不配对处理的0.44至0.77倍。这是因为共享随机源产生正相关,差异估计中的随机波动发生抵消;如果将两边拆开重采样,就会错误地忽略该依赖,导致区间过宽。,
但配对并不能修复重尾问题。当其中一边为 (p=0.6) 时,配对 jackknife-t 的覆盖率仍然接近该重尾函数本身的不足水平。换言之,配对解决的是“依赖结构处理错误”,不是“高阶矩不存在”问题。
表4进一步检验零假设与很小的指数差异。两边都取 (p=1) 时,配对分析在 (R=512) 下接近名义覆盖率。对于真实差异只有0.02或0.05的情形,在独立随机平移下,区间排除零的比例分别仅为15.8%和60.8%,体现了小效应的低检测能力。
若让两个相似函数共享随机平移,区间宽度骤降到不配对区间的0.04和0.11倍,并且每次都排除零,但真实覆盖率仍只有93.4%和93.7%。这说明“几乎每次都检测到差异”可能只是强耦合造成的区间过窄,并不意味着统计推断已经可靠。
报告使用ANOVA分解和Sobol’指数衡量函数方差由哪些坐标解释。闭Sobol’指数描述前若干坐标联合解释的方差比例,达到99%所需的最短坐标数量被定义为截断维度。第一阶指数之和接近1,表示函数近似加性;若明显小于1,则大量方差来自交互作用。,
作者采用 pick-freeze 估计器,并使用八次 (2^{18}) 点重复估计截断维度、五次 (2^{20}) 点重复估计第一阶指数之和。截断维度在超过200时可能有较大的数值波动,但这些范围不是严格置信区间。
这一诊断本身也有技术要求:pick-freeze 的两组样本在每一行内必须具有独立均匀分量,若错误地复用同一 scramble,可能破坏所需独立性。作者用加性测试函数进行实现检查,这说明报告不仅关注算法结果,也关注敏感性分析程序是否正确。
几何篮子实验包含500个合约,使用精确价格计算RMSE。普通蒙特卡洛估计出的指数为0.502,其区间包含理论值0.5,验证了协议的基本正确性。
图1展示随机化规则的RMSE随样本量变化。图中黑色蒙特卡洛曲线大致沿 (n^{-1/2}) 下降,其他RQMC规则整体接近或优于 (n^{-1}) 参考线。Sobol’在所有共同样本量上误差最小;Halton的拟合斜率最陡;Faure位于两者之间;格点规则区间更宽,且只计算到 (2^{13}),因为更大样本量下组件逐一构造成本较高。
图1支持报告最重要的实践性结论之一:“斜率更陡”与“固定预算下误差更小”不是同一个命题。 Halton的经验斜率最陡,但 Sobol’在每一个共同测试样本量上误差更小,因此按长期斜率和按当前计算预算排名可能不同。格点区间包含其他三种规则的点估计,既反映其估计不确定性较大,也反映样本量范围不一致会削弱横向比较的公平性。
确定性Sobol’实验比较了跳过前256点的规则与不跳过的对齐规则。跳过前256点会破坏连续 (2^k) 点块的网络对齐结构,因此不跳过的版本在拟合窗口内呈现更陡斜率;但跳过版本在每个样本量下的绝对误差反而更小。
报告还指出,未跳过的第一点是原点,经过逆正态变换后会映射到每个坐标的极端下尾,可能对期权收益造成异常影响。因此,这个实验无法简单归因于“跳过点一定好”或“保持网络对齐一定好”,因为跳过同时改变了网络结构和是否包含原点两个因素。
几何篮子期权的随机部分实际上只依赖资产布朗运动的一个线性组合,因此无论资产数、波动率和相关矩阵如何变化,它本质上都是最多一个有效方向的 ridge function。将第一个坐标旋转到该方向后,截断维度从5降到1,第一阶指数之和从0.770升到1.000。
这意味着不能通过增加几何篮子中的资产数来构造真正的“内在维度基准”。名义维度增加了,但收益函数仍可能只依赖一个方向;因此,几何篮子不适合用来证明某种RQMC方法在更高内在维度下的表现。
表7比较增量构造、Brownian bridge和主成分构造在连续算术、数字和障碍亚洲期权上的表现。
对于连续算术收益,在 (m=121) 时,增量构造的截断维度为99,指数约0.557,接近蒙特卡洛;主成分构造将截断维度降至2,指数提高到0.939,接近 (n^{-1});Brownian bridge居中。这支持了“对连续函数,集中主要路径变化到少数前置坐标有助于加速”的直觉。
数字收益则显示出反例:主成分构造的截断维度只有6,但指数只有0.573;Brownian bridge下算术收益的截断维度为7,指数却为0.708。两者有效维度几乎相同,但收敛率相差超过0.1,且区间明显分离。主成分将数字函数的截断维度从116降到6,指数改善仍不足0.1,说明旋转坐标不能消除收益函数本身的跳跃。
障碍收益的截断维度接近名义维度,指数与蒙特卡洛相差不超过约0.05,第一阶指数之和最高仅0.603,表明大量方差来自跨时间交互作用。障碍事件依赖整个路径运行最大值,因此简单地把大尺度变化放到前几个坐标并不能显著改善其经验速率。
预积分通过解析地积分掉一个变量,使剩余函数更加平滑。作者在主成分构造下积分掉第一个主成分,因为其对所有路径值具有正载荷,从而算术平均随该坐标单调增加,数字期权的跳跃可以被转化为正态尾概率。障碍期权也可以利用穿越执行价和障碍水平的阈值进行条件积分,但障碍阈值是不同监测日期约束的最小值,可能在绑定日期改变处出现折点,因此“唯一穿越”并不等于全局光滑。
表8显示,数字期权在 (m=64,121,256) 下指数均提高约0.5,并超过1。这与理论上条件随机化准蒙特卡洛可达到接近 (O(n^{-1+\epsilon})) 的结果一致。
障碍期权的指数变化不超过约0.03,但误差规模显著下降。也就是说,预积分没有消除剩余坐标中的折点和路径结构,因此没有明显改变渐近斜率,却降低了误差常数。
图2更直观地展示了这一差别:数字曲线的“预积分/普通”RMSE比率随样本量快速下降;障碍期权的比率大致维持在0.115至0.168,即误差减少约6至9倍;篮子算术期权的比率则随样本量上升而下降,说明其收益在大预算下越来越明显。
在多资产亚洲期权中,增量构造的截断维度接近名义维度,例如5资产、64日期、算术收益的截断维度达到299/320。Brownian bridge和主成分构造的截断维度主要随资产数增加,而对监测日期数相对不敏感。
在主成分构造下,算术收益截断维度从单资产的2增至五资产的6,数字收益从6增至26。对应地,算术指数从单资产约0.94下降到五资产约0.76,worst-of指数约为0.69。worst-of需要更多坐标,是因为其最小值结构必须分别识别每个资产的表现,而最前面的主成分更偏向共同方向。
但作者谨慎指出,增加资产数不仅改变了维度,也改变了收益函数本身,因此不能把指数变弱完全归因于维度上升。
独立资产时,协方差矩阵存在重复特征值,PCA只能确定一个特征子空间,不能唯一决定其中的基。作者比较了逐资产基与共同方向加Helmert对比基。两种基在每个完整的资产块上张成相同子空间,因此完整块边界上的闭Sobol’指数相同;但在块内部,截断维度和经验指数会发生变化。,
在五资产、64日期、零相关时,共同基使算术指数从0.708提高到0.757,而逐资产基使 worst-of 指数从0.688提高到0.707。两组边际区间大多不重叠,数字期权区间也仅有轻微重叠。由此可见,报告一个“PCA下的指数”并不完整,必须说明退化特征空间内采用了哪一个具体基。
提高资产相关性会降低截断维度,但不等于消除独立风险因子。五资产、相关系数0.9时,资产相关矩阵的特征值为4.6和0.1,第一共同因子携带更多方差,但仍存在五个独立布朗因子。算术期权的指数随相关性从0.757提高至0.922;数字期权指数变化很小,尽管其截断维度从26降至10,再次说明低有效维度对不连续收益的解释力有限。
共同基下的第一主成分对所有资产、所有日期均有正载荷,因此篮子平均值随该因子单调增加,可以进行预积分。数字期权指数在各相关性下大约提高0.5并达到1,表现与单资产情况类似;算术期权的改善约为0.25、0.20和不足0.10,且相关性越高、普通算法原本指数越高,预积分的额外收益越小。
worst-of虽然也关于该因子单调,但不同资产成为最小值的身份会沿该坐标切换,使条件期望变成多个区间的求和,端点由指数函数交叉决定,因此报告没有将其纳入预积分主实验。
表12使用五个拟合窗口比较预积分与普通规则的指数差异,并同时报告RMSE比率、成本比率和估计相同成本下的误差比较。作者采用相同种子,但由于两种规则的共同坐标被送入不同因素且数字平移不同,两者估计几乎不相关;132个组合中有126个相关系数在统计上接近零。因此配对重采样在这里主要是保留设计,而不是依赖强相关来缩窄区间。
数字期权的指数收益对窗口不敏感,所有窗口均约在0.421至0.514之间,区间远离零。障碍期权的指数收益很小且依赖窗口:完整窗口差异约0.014至0.025,某些短窗口甚至无法稳定排除零;但RMSE比率在所有样本量均为0.115至0.168,说明障碍期权应主要以“误差水平改善”而不是“斜率改善”来评价。
算术篮子的窗口敏感性最大。相关系数为0时,晚期窗口的指数收益约0.333,早期窗口仅约0.088,约为前者的四至五分之一。普通规则的指数从早期的0.872左右减慢到晚期的0.662左右,而预积分规则指数变化较小,因此全窗口平均值会掩盖大样本预算下的实际优势。
预积分每个点都需要额外根求解,完整 (2^{20}) 曲线的计算成本约为普通规则的1.96至2.38倍。如果成本按曲线长度近似,预积分在 (2^{19}) 点的成本大致相当于普通规则在 (2^{20}) 点的成本。在这个相同预算下,预积分仍能使障碍误差约减少5倍,算术篮子误差减少约8至14倍,数字收益误差减少超过700倍。
这些成本倍数来自单次计时、特定硬件和具体实现,且没有包含一次性预积分器构造成本,因此不能直接当作所有平台上的通用结论。
附录D考察固定样本量 (n=5000) 下Faure序列随维度变化的误差。由于Faure基数必须不小于维度,且完整基本网格需要约 (b^2) 个点,当维度达到68时首次出现 (b^2>5000)。确定性Faure误差从维度8的0.0312升至维度96的0.9846,并在更高维度剧烈波动;随机扰动后的Faure误差始终维持在其最小值的约四倍以内,随机Sobol’表现也较稳定。,
图3说明,确定性Faure的恶化与“样本量相对于基数的不足”有关,而不是简单的维度单调效应。作者也承认该维度扫描同时改变了被积函数和Faure基数,因此不能将基数影响完全从维度影响中分离出来。
附录E比较9次独立随机化的均值与中位数聚合,用于数字和障碍中心亚洲期权。理论上,中位数在某些足够光滑的函数上可能优于均值,但这里的收益不光滑,且不满足相应理论条件。256次重复实验中,两种方法区间重叠,中位数在6个结果中有4个指数更好,但没有清晰、统计确定的优势;参考价格本身的不确定性也没有传播进区间,因此结果应谨慎解读。
区间理论与期权应用之间存在外推距离。理论覆盖结论依赖有限四阶矩、独立同分布随机化和正的对比方差,而期权误差曲线可能弯曲、重尾、跨样本量强相关,并且很多指数是多个合约的方差池化结果。作者明确承认人工校准并不能证明真实期权估计量、RMSE比率或合约族斜率一定具有同样覆盖率。,
样本量窗口具有决定性影响。算术篮子的早期与晚期指数收益差异很大,说明单一全区间指数可能把前渐近现象与大预算表现混在一起。因此任何算法比较若只报告一个斜率而不报告子窗口敏感性,可能产生过度概括。
配对分析既可能改善效率,也可能造成过度自信。强共享随机源可以使区间极窄,但表4显示,即便检测率达到100%,覆盖率仍可能低于95%。因此不能把“显著差异出现得很频繁”直接解释为推断质量高。
有效维度不是充分解释变量。数字和障碍收益即使有效维度很低,仍因跳跃或路径最大值而表现出接近蒙特卡洛的收敛速度。将有效维度作为唯一算法选择指标,容易忽视收益函数的光滑性和不连续边界几何。,
PCA并非唯一确定的算法。在退化特征值下,协方差矩阵本身不能唯一确定输入坐标,基的选择会改变经验指数,而且不同收益偏好的基可能不同。因此报告PCA结果时必须披露特征向量的具体排序和退化空间处理方法。
规则间比较存在预算与窗口不对称。格点规则只覆盖到 (2^{13}),而其他规则覆盖到 (2^{20}),其更宽区间部分源于样本点更少、拟合窗口更短。因此不能将格点的宽区间完全视为算法本身不稳定。
这份报告最重要的贡献不是宣称某一种RQMC规则普遍优于其他规则,而是建立了一套更谨慎的经验收敛率报告规范:预先声明样本量窗口,以独立随机化估计误差,以完整随机化曲线进行bootstrap或jackknife,并对规则差异使用成对重采样;同时报告误差水平、样本峰度、窗口敏感性、计算成本以及是否对多个合约进行了池化。
实证结果显示,普通蒙特卡洛校准正确地给出约0.5的指数;在几何篮子中,Sobol’的固定样本量误差最小,但Halton的拟合斜率更陡,证明速度与水平可能产生不同排名。几何篮子还是一个低内在维度的ridge function,不能用来单独衡量资产数增加带来的真正维度困难。,
亚洲期权实验进一步表明,有效维度、光滑性和收敛率必须联合分析。主成分可以显著改善连续算术收益,却无法消除数字和障碍收益的跳跃。预积分对数字收益带来约0.5的指数提升,对障碍收益主要带来6至9倍的误差降低,对算术篮子则在更大样本量下逐渐显示出更强优势。,
总体而言,作者支持的不是某个单一算法,而是一种统计报告原则:不要只给一个经验斜率;应同时给出其区间、拟合窗口、误差曲线、尾部诊断、配对关系、固定样本量误差和相同计算成本下的误差。在期权定价这类高维、非光滑问题中,只有这样才能区分真正的渐近速度改善、有限样本区间效应和单纯的误差常数下降。
2502.17731.pdf