Delta对冲：模拟实验

期权Delta对冲：模拟实验

1. 模拟参数设定

假定买入一个欧式平值认购期权，一年后到期，行权价为100，隐含波动率为20%，实际波动率为30%，无风险利率为5%。本文将对冲1000次，根据不同的价格路径模拟标准delta对冲过程十次。本实验基于BS公式与其假设条件（波动率是固定不变的）。

2. Monte Carlo模拟标的价格路径

假设标的资产价格服从几何布朗运动：
$$dS=\mu Sdt+\sigma Sdz,dz=ϵ\sqrt{dt}$$
由于风险中性的假设存在，其中$\mu =r$，$\mu$是标的资产价格收益的均值，$\sigma$是标的资产价格收益的年化标准差，$ϵ$服从$N(0,1)$的正态分布。
根据伊藤引理：
有伊藤过程$dx=a(t,x)dt+b(t,x)dz$,其中dz服从维纳过程
G(x,t)服从以下过程 :
$$dG=(\frac{\partial G}{\partial x}a+\frac{\partial G}{\partial t}+\frac{1}{2}\frac{{\partial }^{2}G}{\partial x^2}{b}^2)dt+\frac{\partial G}{\partial z}bdz$$
若$G=\ln S$，则$\frac{\partial G}{\partial x}=\frac{1}{S},\frac{{\partial }^{2}G}{\partial x^2}=-\frac{1}{S^2},\frac{\partial G}{\partial t}=0$,可以推出：
$$\begin{gathered} dG=d(\ln S)=(\mu -\frac{{\sigma }^2}{2})dt+\sigma dz \\ {S}_T=S_{0}exp((\mu -\frac{{\sigma }^2}{2})T+\sigma ϵ\sqrt{T}) \end{gathered}$$
模拟标的价格的代码如下：

stock_price_paths = init_stock_price * np.exp(
    np.cumsum((risk_free_rate - 0.5 * actual_volatility ** 2) * dt + actual_volatility * sqrt(dt) * random_seed,axis=0))

3. 利用BS计算delta和期权理论价值

Black-sholes公式如下所示：

def get_delta(S, T, K, sigma, rf, option_type):
    if option_type == "Call":
        n = 1
    else:
        n = -1
    d1 = (np.log(S / K) + (rf + 0.5 * sigma ** 2) * T) / (
            sigma * np.sqrt(T))
    delta = n * si.norm.cdf(n * d1)
    return delta


def get_option_price(S, T, K, sigma, rf, option_type):
    d1 = (np.log(S / K) + (rf + 0.5 * sigma ** 2) * T) / (
            sigma * np.sqrt(T))
    d2 = d1 - sigma * np.sqrt(T)
    if option_type == "Call":
        option_price = S * norm.cdf(d1) - K * np.exp(-rf * T) * norm.cdf(d2)
    else:
        option_price = K * np.exp(-rf * T) * norm.cdf(-d2) - S * norm.cdf(-d1)
    return option_price

4. 结果呈现

4.1 使用实际波动率进行对冲

使用实际波动率进行对冲，最终的收益是确定的，即$V(S,t,\sigma )-V(S,t,\tilde{\sigma })$，其中S代表标的资产的价格，t代表剩余到期时间，$\sigma$代表实际波动率，$\tilde{\sigma }$代表隐含波动率。对冲收益取决于隐含波动率和实际波动率的差。

此外，可以看出每次对冲的收益是不确定的，具有较大的波动性。

4.2 使用隐含波动率进行对冲

使用隐含波动率进行对冲，最终的收益是不确定的，总收益为$\frac{1}{2}({\sigma }^2-{\tilde{\sigma }}^2){\int }_{t_0}^T{e}^{-r(t-t_0)}{S}^2{\Gamma }^{i}dt$, 在本次实验中的实际波动率为30%，高于隐含波动率20%，且期权的Gamma值一定为正，对冲的收益一定为正，但收益的值是不确定的。

但是每次对冲的收益是确定的，没有较大的波动。每次对冲的收益为$\frac{1}{2}({\sigma }^2-{\tilde{\sigma }}^2)S^2{\Gamma }^{i}dt$

5. 完整代码

# -*- coding: utf-8 -*-
"""
@time:2021/6/24 9:58

@author: Hu Yue
@email: hhhuyue@gmail.com
@file: hedge.py
Note:
"""
from math import sqrt
import scipy.stats as si
import numpy as np
from matplotlib import pyplot as plt
from scipy.stats import norm

# 1.对冲场景设定(无分红)
risk_free_rate = 0.05
implied_volatility = 0.2
actual_volatility = 0.3

init_stock_price = 100
strike_price = 100

strike_style = "European"
option_type = "Call"

T = 1
simulation_steps = 1000  # 每次模拟有1000步
simulation_times = 10  # 模拟10次
dt = 1 / 1000
random_seed = np.random.standard_normal((simulation_steps, simulation_times))

# 2.Monte Carlo模拟标的价格路径  S_t = S_0 * exp((u-0.5*sigma**2)dt+sigma*dz)
stock_price_paths = init_stock_price * np.exp(
    np.cumsum((risk_free_rate - 0.5 * actual_volatility ** 2) * dt + actual_volatility * sqrt(dt) * random_seed,axis=0))


# 制作模拟价格走势图表
# plt.plot(stock_price_paths[:, :], lw=1.5)
# plt.rcParams['font.sans-serif'] = ['SimHei']
# plt.xlabel('时间')
# plt.ylabel('价格')
# plt.title('模拟价格走势')
# plt.show()


# 3.delta对冲
def get_delta(S, T, K, sigma, rf, option_type):
    if option_type == "Call":
        n = 1
    else:
        n = -1
    d1 = (np.log(S / K) + (rf + 0.5 * sigma ** 2) * T) / (
            sigma * np.sqrt(T))
    delta = n * si.norm.cdf(n * d1)
    return delta


def get_option_price(S, T, K, sigma, rf, option_type):
    d1 = (np.log(S / K) + (rf + 0.5 * sigma ** 2) * T) / (
            sigma * np.sqrt(T))
    d2 = d1 - sigma * np.sqrt(T)
    if option_type == "Call":
        option_price = S * norm.cdf(d1) - K * np.exp(-rf * T) * norm.cdf(d2)
    else:
        option_price = K * np.exp(-rf * T) * norm.cdf(-d2) - S * norm.cdf(-d1)
    return option_price


# 计算每次对冲的delta值
expire_time = (np.ones((simulation_steps, 1)) * dt).cumsum()[::-1]  # 倒序
pnl = np.zeros((simulation_steps - 1, simulation_times))
for simulation in range(simulation_times):
    # 股票价格
    stock_price = stock_price_paths[:, simulation].reshape((simulation_steps, 1))
    delta = np.zeros((simulation_steps, 1))
    option_price = np.zeros((simulation_steps, 1))
    for step in range(simulation_steps):
        # 基于实际波动率计算的delta值
        delta[step] = get_delta(stock_price[step], expire_time[step], strike_price, actual_volatility, risk_free_rate,option_type)
        # 基于隐含波动率计算的delta值
        # delta[step] = get_delta(stock_price[step], expire_time[step], strike_price, implied_volatility, risk_free_rate,option_type)

        # 基于implied volatility计算出的期权理论价值，也就是市场上期权的价值。
        option_price[step] = get_option_price(stock_price[step], expire_time[step], strike_price, implied_volatility,
                                              risk_free_rate,
                                              option_type)

    pnl_path = np.diff(option_price, axis=0) - delta[:-1] * np.diff(stock_price, axis=0) - \
               risk_free_rate * dt * (option_price[:-1] - delta[:-1] * stock_price[:-1])
    pnl[:, simulation] = pnl_path.reshape(simulation_steps - 1)
cum_pnl = pnl.cumsum(axis=0)

# 4.不同价格路径下期权对冲累积收益图

plt.plot(cum_pnl[:, :], lw=1.5)
plt.rcParams['font.sans-serif'] = ['KaiTi', 'SimHei', 'FangSong']  # 汉字字体,优先使用楷体，如果找不到楷体，则使用黑体
plt.rcParams['font.size'] = 12  # 字体大小
plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号
plt.xlabel('时间')
plt.ylabel('收益')
plt.title('期权对冲累积收益图')
plt.show()