期权定价模型系列【14】期权复制—Delta动态复制误差计算

动态复制

直接使用期权进行对冲存在的问题之一是成本较高。假设我们多头一个看涨期权进行对冲,除本 身的交易费用之外,更多的隐性成本来自于期权的时间价值——期权价值等于内在价值与时间价值之 和,但在时间逐渐临近到期日的过程中,时间价值不断损耗,直至到期日为 0,如图 1 和图 2 所示。为 了降低对冲成本、改善对冲效果,可以采用复制投资组合的方法,通过调整标的资产的仓位,使复制 组合可以实现与期权相近的收益,从而在降低成本的同时,达到抓住上涨空间、对冲下跌风险的目的。

复制投资组合(Replication Portfolio)是指通过对一组资产进行配置,以模拟或复制特定的市场指 数、策略或投资组合的表现,使投资者能够在不直接购买指数成分股或实施策略的情况下获取相似的 投资回报。而期权也是一个可以复制的对象,我们可以通过配置期权标的资产和现金等实现对期权收益的复制。 
在介绍期权复制之前,我们首先要引入“中性”的概念。假设某一投资组合由期权、期权标的资 产和现金等构成,如果组合价值对标的资产价格的敏感性为 0,那么组合对标的资产价格就实现了“中 性”,而组合中标的资产和现金则完成了对期权的反向复制。 
为了获得期权对标的资产价格的敏感性,首先要对期权定价。Black-Scholes 模型是最常用的期权 定价公式,一单位看涨期权的价格可以表示为:

C 表示期权价格,N 表示标准正态分布,𝑆𝑡表示标的资产在 t 期的价格,K 表示期权的行权价格, r 表示无风险收益率, t 表示期权到期时间,𝜎表示标的资产收益率的波动率。那么,期权价格对标的资 产价格的敏感性 Delta 即可表示为: 

如果我们当前空头一单位看涨期权,同时多头 Delta 单位的标的资产,假设整个组合总资产为 V, 那么整个组合对标的资产价格的敏感性即为: 

换而言之,无论未来标的资产价格上涨或下跌,整个组合的总资产都保持不变,即实现了“Delta 中性”;而多头 Delta 单位标的资产即等价于多头一单位看涨期权,这样我们就通过买入标的资产实现 了对期权的复制,这种期权复制方法又称“Delta 复制”。复制投资组合使我们在不直接多头期权的情 况下获取了相似的投资回报,同时规避了期权时间价值的损耗。 

根据调整频率,组合复制可以分为动态复制和静态复制。如果我们仅在期初调整标的资产仓位使 组合实现 Delta 中性、在未来不对标的资产进行调仓,则称为“静态复制”。静态复制简单、直观,调 仓频率低,但由于期权 Delta 会随着标的资产价格波动、到期时间临近等因素频繁变化,静态复制会导 致组合风险敞口较大。而动态复制会根据期权 Delta 的变化以日频或更高频率对组合中标的资产的仓 位进行动态调整,相比于静态复制风险敞口更小,实现的收益与期权收益更接近、复制效果更好。 

算法简介

我们将组合总损益除以障碍期权的初始理论价值,得到对冲损益百分比:

python实践:

if __name__=='__main__':
    opt=DeltaHedge(S=100, K=100,sigma=0.25,r=0.02,T=30,I=10000, Fre=1,fee=2/10000)
    # delta对冲
    ban=opt.balance()
    err=opt.HedgingError(ban)
    opt.Plot_Hist(err)

考虑手续费后的复制结果: 均值:-0.013978,标准差:0.54369。

  • 3
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
代码下载:完整代码,可直接运行 ;运行版本:2022a或2019b或2014a;若运行有问题,可私信博主; **仿真咨询 1 各类智能优化算法改进及应用** 生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化 **2 机器学习和深度学习方面** 卷积神经网络(CNN)、LSTM、支持向量机(SVM)、最小二乘支持向量机(LSSVM)、极限学习机(ELM)、核极限学习机(KELM)、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断 **3 图像处理方面** 图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知 **4 路径规划方面** 旅行商问题(TSP)、车辆路径问题(VRP、MVRP、CVRP、VRPTW等)、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化 **5 无人机应用方面** 无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配 **6 无线传感器定位及布局方面** 传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化 **7 信号处理方面** 信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化 **8 电力系统方面** 微电网优化、无功优化、配电网重构、储能配置 **9 元胞自动机方面** 交通流 人群疏散 病毒扩散 晶体生长 **10 雷达方面** 卡尔曼滤波跟踪、航迹关联、航迹融合
期权定价动态复制是一种金融工程方法,用于通过组合其他资产(例如股票和债券)来复制期权的支付。在动态复制中,投资组合的持有量是根据期权价格和其他资产价格的变化而调整的,以便继续复制期权的支付。 以下是使用MATLAB实现期权定价动态复制的示例代码: ```matlab % 这里假设我们要对欧式看涨期权进行动态复制 % 假设该期权的行权价为K,到期时间为T,无风险利率为r % 当前时刻的标的资产价格为S0,波动率为sigma % 首先,我们需要计算期权的理论价格 d1 = (log(S0/K) + (r + sigma^2/2)*T) / (sigma*sqrt(T)); d2 = d1 - sigma*sqrt(T); call_price = S0*normcdf(d1) - K*exp(-r*T)*normcdf(d2); % 接着,我们需要构建动态复制投资组合 % 假设我们购买Delta份标的资产,并借入B份无风险资产 % 初始时刻,Delta等于期权DeltaDelta = normcdf(d1); B = call_price - Delta*S0; % 然后,我们需要模拟标的资产价格的变化 % 假设标的资产价格在T时间内服从几何布朗运动 n = 1000; % 模拟步数 dt = T/n; % 时间间隔 S = zeros(n+1, 1); S(1) = S0; for i = 1:n S(i+1) = S(i) * exp((r - sigma^2/2)*dt + sigma*sqrt(dt)*randn); end % 最后,我们需要根据标的资产价格的变化来调整投资组合的持有量 for i = 1:n % 计算当前时刻的Delta值 d1 = (log(S(i)/K) + (r + sigma^2/2)*(T-i*dt)) / (sigma*sqrt(T-i*dt)); Delta = normcdf(d1); % 根据Delta值调整标的资产和无风险资产的持有量 S_holding = Delta; B_holding = call_price - Delta*S(i); % 计算投资组合价值的变化 portfolio_value = S_holding*S(i) + B_holding*exp(r*(T-i*dt)); % 更新无风险资产的持有量 B = B - portfolio_value*exp(-r*dt); end % 最终投资组合的价值应该等于期权的理论价格 replicated_price = S_holding*S(n+1) + B*exp(r*T); ``` 需要注意的是,这只是一个简单的示例代码,实际应用中还需要考虑更多因素,例如交易成本、流动性等。

“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

打赏作者

马尔可夫宽

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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