24、利用多级蒙特卡罗中的混合精度算术及加速Heston模型校准定价器

利用多级蒙特卡罗中的混合精度算术及加速Heston模型校准定价器

在金融领域，期权定价和模型校准是至关重要的环节。随着计算需求的不断增加，如何提高计算效率成为了研究的热点。本文将介绍两种提高计算效率的方法：一是利用多级蒙特卡罗中的混合精度算术，二是加速Heston模型校准的闭式定价器。

多级蒙特卡罗中的混合精度算术

在期权定价中，多级蒙特卡罗（MLMC）方法是一种常用的技术。而混合精度多级蒙特卡罗（MPML）方法则是在此基础上的创新，旨在通过降低精度来减少计算时间，同时保持最终的准确性。

数值结果分析

我们针对亚洲看涨期权在Heston模型下的定价问题进行了数值性能分析，考虑了两种基准参数集（I和II），具体参数如下表所示：
| 基准参数集 | S0 | κ | θ | σ | r | ν0 | ρ | Feller条件 |
| — | — | — | — | — | — | — | — | — |
| I | 100 | 3 | 0.16 | 0.4 | 0.02 | 0.1 | -0.8 | 满足 |
| II | 100 | 1.5 | 0.16 | 0.9 | 0.02 | 0.1 | -0.8 | 不满足 |

我们重点关注了两个方面：启发式精度选择算法的稳定性和MPML方法相对于经典MLMC算法的加速效果。

• 启发式稳定性分析 ：为了测试启发式精度选择算法（算法2）的稳定性，我们使用参数集I，固定L = 6，独立运行MPML算法1（算法1）50次。结果表明，启发式选择的精度在独立运行时可能会在3位范围内变化，但这种小的