Quant of the Year (2000 - 2021)

本文回顾了2000年至2021年Quant of the Year的获奖者及其研究,涉及金融市场中的波动性模型、利率模型、机器学习应用、风险管理和信用估值调整等多个领域。近年来,研究焦点逐渐转向机器学习和估值调整。例如,2021年的获奖者Jim Gatheral和Mathieu Rosenbaum提出了粗糙波动率模型,提高了波动率市场的建模准确性;2019年的Alexei Kondratyev利用机器学习解决银行问题,如利率曲线建模和保证金优化。随着金融市场的演变,未来可能会看到更多将复杂技术如量子计算应用于金融的创新研究。
摘要由CSDN通过智能技术生成

ee3e940eb0d5f5b98728f84bc0cdae0f.png

前几天看到了 Quant of the Year 2021 颁布的新闻,颁给了 Jim Gatheral  (写 The Volatility Surface - a practioner's guide 一书的作者)和 Mathieu Rosenbaum,他们研究的课题是 The Rough Volatility。

Jim Gatheral 很早就意识到随机波动率的局限性,当他接收到分数布朗运动(fractional Brownian motion)时,他惊呼这就是上帝模型(God's model)。以此为基础的 rough volatility 模型可以异常准确的捕捉到波动率市场的各种模型,而这是传统布朗运动做不到的。


下面就简要回顾下这 20 年年度最佳宽客做了什么吧。

2021 年

Jim Gatheral

Mathieu Rosenbaum

47eefceb25ec6c4ebd377a812ea4c1dc.png

ef8531d7be53500210f59d8051d756d1.png

论文The quadratic rough Heston model and the joint S&P 500/Vix smile calibration problem

The application of the rough vol model will make the Vix option market become more efficient. --  Huaming Jin, Luoshu Investments

新闻链接:

https://www.risk.net/awards/7736196/quants-of-the-year-jim-gatheral-and-mathieu-rosenbaum

亮点:以分数布朗运动为基础建立 rough volatility 模型,准确的捕捉到波动率市场上各种典型特质。

Quant 和 Trader 长期被困扰的一个问题就是 S&P 和 VIX 期权的标的都是 S&P500 指数,但是从两个期权市场得到的隐含波动率却不同。如果有个模型能够同时校正 S&P 和 VIX 期权的波动率平面,那么该模型能够识别好的交易机会。

之前 Julien Guyon 其实已经解决了此问题,不过用的是一个 non-parametric 模型。

31dd4726d954f001119c4fe8cc8197f5.png

Rosenbaum 参加了 Guyon 的讲演,立即实现了这项工作的重要性,之后和 Gatheral 发现用 quadratic rough Heston 模也型可以完美校正 SPX-VIX 联合校正。


2020 年

Andrei Lyashenko

Fabio Mercurio

6ed12723c70c100d3ce8c88dd0c09ed7.png

ece339486215e2935f3f5aad1e03af35.png

论文Libor replacement: a modelling framework for in-arrears rates

In terms of topicality, applicability and broadness, it doesn’t get much bigger than this. --  Leif Andersen, Bank of America Merrill Lynch

新闻链接:

https://www.risk.net/awards/7204391/quants-of-the-year-andrei-lyashenko-and-fabio-mercurio

亮点:提出了更为通用的 Forward Market Model (FMM),它可以同时处理后顾型的 RFR 复合利率和前瞻型的 IBOR。

该论文主要解决了用 RFR 复合利率来替代 IBOR 的痛点,即两者的利率范式都不同

  • 前者是后顾型(backward-looking)利率,在终止日才能知道其值

  • 后者是前瞻型(forward-looking)利率,在起始日就已经知道其值

解决方案就是设计出一个「前瞻型」的 RFR 复合利率。具体来讲在区间 [Tn-1, Tn] 上用 Fn(t) 来代表这样的前瞻型利率,它和 LIBOR Market Model (LMM) 里的 IBOR Ln(t) 的范式相同,都是在 Tn-1 上定盘,而且利率有效的期限都是 [Tn-1, Tn]。

但在定价利率复杂产品时需要对一连串的 Fn(t) 进行建模,这时我们需要在某个特定测度下推出每个Fn(t) (n = 1, 2, ..., N) 的随机微分方程(Stochastic Differential Equation, SDE)。类比 LMM 的叫法,对 Fn(t) 建的模型就叫做 FMM,全称是 Forward Market Model。

关于 FMM,我也写了三篇文章,供大家参考。

  1. FMM 大战 LMM - SOFR 企稳 Part I

  2. FMM 大战 LMM - SOFR 企稳 Part II

  3. FMM 大战 LMM - SOFR 企稳 Part III


2019 年

Alexei Kondratyev

  • 0
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值