用蒙特卡洛求pi_多层次蒙特卡洛(multilevel mc) · 自适应多层次蒙特卡洛(adaptive MLMC)...

最新推荐文章于 2023-10-31 22:14:35 发布

黄家锦察-Rogan

最新推荐文章于 2023-10-31 22:14:35 发布

阅读量639

点赞数

文章标签：用蒙特卡洛求pi

本文链接：https://blog.csdn.net/weixin_30701661/article/details/112637183

版权

本文探讨了蒙特卡洛方法在金融衍生品定价中的应用，特别是多层次蒙特卡洛（MLMC）和自适应多层次蒙特卡洛（adaptive MLMC）在降低计算成本上的优势。通过Euler-Maruyama离散方式模拟标的物价格路径，用于求解期权的期望值。MLMC通过构造不同层级的网格，改善了收敛速度，而自适应算法则根据后验误差调整步长，进一步优化效率。在障碍期权定价中，自适应多层次蒙特卡洛能显著提高收敛效果，尤其在处理多资产高维度问题时，其优势更为明显。

摘要由CSDN通过智能技术生成

以赌场著名的摩纳哥的一个城区，蒙特卡洛，连接了数学里互相瞧不起的numeric和 stochastic方向。

蒙特卡洛方法在金融衍生品定价的应用，不言而喻，以致人们淡化了数学里追求的解析解。

这里，苟胆也说说我的硕士论文——蒙特卡洛的一种优化，复习下多层次蒙特卡洛（multilevel monte carlo），以及其中的一个扩展adaptive的mlmc。前者，由牛津大牛 giles得以发展弘扬，后者发表于之前斯德哥尔摩大学的一个小组（Håkon Hoel， Erik von Schwerin, Anders Szepessy, Raúl Tempone）。自适应多层次可以把欧式障碍期权的计算成本从普通的

且不受多障碍、多维度的影响。

在金融里面，会对标的价格（比如股票价格，spot rate）假设到某些stochastic process，所以有很多模型的名字，经典的black scholes, heston, HJM, Vasicek, Hull-white模型，而蒙特卡洛方法，就是模拟这些标的物（路径path）价格的，目的是求期末payoff的期望值

，

其中g是payoff的functional函数，

是标的物在期末T的价格。

比如，假设股票价格服从

维几何布朗运动

。我们看到，要模拟一条path，自然就必须考虑到其时间的离散化问题。在小区间里

里，我们有

，于是我们有最简单的Euler-Maruyama离散方法，因为

Euler-Maruyama离散方法对上面的SDE有弱收敛性convergence order 1。

假如我们利用ito公式继续对上面展开，会有milstein schema，以及general的taylor展开式离散方式，感兴趣的同学可以看看大牛P. Kloeden, E. Platen的Numerical Solution of Stochastic Differential Equations。（上过Kloeden的2门课，目前他退休后在华中科大捞钱）。

用Euler-Maruyama离散方式的蒙特卡洛方法称之为euler monte carlo。我们现在要用euler mc模拟期末的payoff，其实就是模拟N条path，对每个path的期末的payoff值求均值：

对任何的数值分析，判断好坏的标准当然是误差与收敛级数。这里，误差有

他可以拆为因为离散而造成的离散误差