Неустойчивая волатильность: микроструктурные основы моделей

Автор: Денис Аветисян

В статье исследуются теоретические основы ценообразования финансовых деривативов в условиях негладкой волатильности, опирающиеся на микроструктурный анализ.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

В исследовании демонстрируется, что при использовании гауссовских скачков для волатильности и ядра [latex]\phi_n(t) = (1/n+t)^{H-1/2}[/latex] с параметром масштабирования [latex]n=10[/latex], логарифм цены и логарифм волатильности демонстрируют отрицательную корреляцию вдоль траектории выборки. — В исследовании демонстрируется, что при использовании гауссовских скачков для волатильности и ядра $\phi_n(t) = (1/n+t)^{H-1/2}$ с параметром масштабирования $n=10$ , логарифм цены и логарифм волатильности демонстрируют отрицательную корреляцию вдоль траектории выборки.

Исследование устанавливает скорости слабой сходимости модели Rough Bergomi при определенных условиях ядра, обеспечивая теоретическую базу для оценки и хеджирования рисков.

Несмотря на широкое применение моделей грубой волатильности в финансовом моделировании, их микроструктурные основы остаются недостаточно изученными. В работе ‘Microstructural Foundation of Rough Log-Normal Volatility Models’ исследуется последовательность моделей, управляемых потоком ордеров, с долгосрочным влиянием на волатильность, и устанавливается слабая сходимость процесса цены и волатильности к модели грубой волатильности типа лог-нормального Бергоми. Полученные оценки скорости сходимости, основанные на недавно разработанной формуле Кларка-Оконе для пуассоновских процессов, предлагают альтернативу классическим схемам симуляции. Каковы перспективы применения этих результатов для более точной калибровки и управления рисками в сложных финансовых инструментах?

За пределами гладкости: Моделирование рыночной динамики

Традиционные модели, используемые для анализа финансовых рынков, зачастую не способны адекватно отразить их сложную и нерегулярную природу, особенно в отношении волатильности. Эти модели, основанные на предположениях о плавной и непрерывной динамике цен, испытывают трудности при столкновении с реальностью, где рыночные колебания характеризуются резкими скачками, непредсказуемыми изменениями и долгосрочной зависимостью от всей предшествующей истории. Наблюдаемая на практике волатильность проявляет признаки, несовместимые с упрощенными представлениями о случайных процессах, что приводит к неточностям в прогнозах и оценке рисков. В результате, существующие инструменты часто оказываются неэффективными при моделировании реального поведения финансовых активов, подчеркивая необходимость разработки более совершенных подходов, способных учитывать всю сложность и иррегулярность рыночной динамики.

Традиционные финансовые модели часто испытывают затруднения при описании волатильности, поскольку она обладает свойством, известным как немарковность. Это означает, что будущее состояние волатильности определяется не только текущим моментом, но и всей предшествующей историей изменения цены актива. В отличие от марковских процессов, где достаточно знать текущее состояние для прогноза будущего, волатильность “помнит” весь свой путь. Представьте себе, что движение цены — это не просто случайные колебания, а сложный узор, где каждый поворот и изменение направления влияет на последующие. Игнорирование этой зависимости от всей прошлой траектории приводит к неточностям в прогнозах и оценке рисков, что особенно критично при моделировании финансовых рынков. Таким образом, адекватное описание волатильности требует инструментов, способных учитывать всю историю движения цены, а не только текущую ситуацию.

Для адекватного описания финансовых рынков, традиционные модели, основанные на броуновском движении, оказываются недостаточными. Это связано с тем, что реальные рыночные процессы демонстрируют высокую степень нерегулярности и зависят не только от текущего состояния, но и от всей предшествующей истории изменений. Вместо гладких траекторий, характерных для броуновского движения, рыночные данные часто представляют собой “шероховатые пути” — кривые, обладающие высокой степенью фрактальности и недифференцируемостью. Для корректного моделирования таких путей необходим математический аппарат, выходящий за рамки стандартной стохастической математики, а именно — теория “шероховатых путей” (rough paths). Данный подход позволяет учитывать всю историю изменений, обеспечивая более точное и реалистичное описание динамики финансовых инструментов и рисков.

На графиках показана отрицательная корреляция между логарифмом цены и логарифмом волатильности для траектории с бернуллиевскими скачками волатильности, использующей ядро [latex]\phi_{n}(t)=(1/n+t)^{H-1/2}[/latex] и параметр масштабирования [latex]n=20[/latex]. — На графиках показана отрицательная корреляция между логарифмом цены и логарифмом волатильности для траектории с бернуллиевскими скачками волатильности, использующей ядро $\phi_{n}(t)=(1/n+t)^{H-1/2}$ и параметр масштабирования $n=20$ .

Грубый путь к истине: Модель Rough Bergomi

Модель Rough Bergomi расширяет традиционные стохастические модели волатильности, вводя фрактальное броуновское движение (fractional Brownian motion) для управления процессом волатильности. В отличие от стандартных моделей, использующих винеровский процесс, фрактальное броуновское движение характеризуется параметром Херста $H$ , где $0 < H < 1$ . Это позволяет моделировать траектории волатильности с различной степенью шероховатости и долгосрочной зависимостью, что отражает наблюдаемые особенности финансовых данных. В частности, параметр Херста определяет степень самоподобия и долгосрочной памяти процесса волатильности, позволяя более реалистично воспроизводить поведение волатильности на различных временных масштабах.

Подход, использующий фракционное броуновское движение для моделирования волатильности, позволяет создавать траектории волатильности различной степени шероховатости. Это достигается за счет параметра Херста $H$ , определяющего степень самоподобия и, следовательно, шероховатости траектории. Значения $H$ в диапазоне (0, 0.5) соответствуют шероховатым траекториям, а значения, близкие к 0.5, — более гладким. Наблюдаемая в финансовых данных долгосрочная зависимость, когда волатильность в один момент времени коррелирует с волатильностью в более поздний момент времени, эффективно воспроизводится с помощью фракционного броуновского движения, что делает модель более реалистичной по сравнению с моделями, предполагающими независимость изменений волатильности.

В основе модели Rough Bergomi лежит взаимосвязь между процессом волатильности и ценой базового актива, определяемая потоком ордеров, моделируемым с помощью Пуассоновского процесса с точками (Poisson Point Process). Данный процесс отражает дискретные изменения волатильности, вызванные притоком или оттоком рыночных ордеров. Каждая точка в процессе соответствует внезапному изменению волатильности, величина которого зависит от интенсивности потока и его параметров. Взаимодействие между ценой актива и волатильностью происходит за счет того, что изменения волатильности, вызванные потоком ордеров, влияют на динамику цены, а изменения цены, в свою очередь, могут влиять на будущие изменения волатильности. λ — параметр интенсивности Пуассоновского процесса, определяющий частоту возникновения изменений волатильности.

На изображении представлены окрестности Скорохода для двух выборочных процессов цен с гауссовскими ценовыми и бернуллиевскими скачками волатильности при [latex]n=200[/latex] и [latex]n=1000[/latex], демонстрирующие сходимость процессов. — На изображении представлены окрестности Скорохода для двух выборочных процессов цен с гауссовскими ценовыми и бернуллиевскими скачками волатильности при $n=200$ и $n=1000$ , демонстрирующие сходимость процессов.

Устойчивость к хаосу: Доказательство сходимости

Для подтверждения сходимости модели Rough Bergomi необходимо установить слабую сходимость соответствующих распределений вероятностей. Это подразумевает доказательство того, что последовательность случайных величин сходится к определенному предельному распределению в смысле слабой сходимости, что является ключевым требованием для обеспечения корректности статистических свойств модели. Установление слабой сходимости позволяет обосновать асимптотическое поведение модели и гарантировать, что полученные результаты статистически значимы и надежны. Данный процесс включает в себя анализ характеристических функций или функций распределения и демонстрацию их сходимости к предельной функции по мере увеличения числа параметров модели.

Для демонстрации сходимости модели Rough Bergomi необходима проверка сходимости соответствующих распределений вероятностей. Это достигается посредством применения неравенства Бурда-Дэвиса-Гундерсена (BDG) и условия Линдеберга. Неравенство BDG позволяет оценить отклонение стохастических интегралов, а условие Линдеберга — обеспечить сходимость сумм независимых случайных величин к нормальному распределению. Использование этих инструментов гарантирует корректное определение статистических свойств модели и обосновывает ее валидность при асимптотических вычислениях.

Обеспечение компактности (tightness) является критически важным для подтверждения корректности предельных распределений и исключения бесконечных значений в процессе сходимости модели Rough Bergomi. Для анализа и оценки скорости сходимости используются формулы для моментов, полученные с применением формулы Кларка-Оконе. В данной работе установлена слабая скорость сходимости, равная $n^{-1/3 - 4H/(3-6H)}$ , при соблюдении определенных условий на ядро (kernel). Это позволяет гарантировать, что приближения, полученные при увеличении числа шагов дискретизации, сходятся к истинному решению и не приводят к нефизичным результатам.

Численное моделирование демонстрирует, что слабая ошибка полинома Эрмита четвертой степени в модели цен Пуассона, использующая оптимизированную последовательность ядер [latex] \{\widehat{\phi}_{n}\}_{n\in\mathbb{N}} [/latex], соответствует теоретической скорости сходимости [latex] O(N^{-1}) [/latex] при [latex] H = 0.15 [/latex] и [latex] H = 0.30 [/latex], как подтверждается оценками Монте-Карло с соответствующими интервалами неопределенности. — Численное моделирование демонстрирует, что слабая ошибка полинома Эрмита четвертой степени в модели цен Пуассона, использующая оптимизированную последовательность ядер $\{\widehat{\phi}_{n}\}_{n\in\mathbb{N}}$ , соответствует теоретической скорости сходимости $O(N^{-1})$ при $H = 0.15$ и $H = 0.30$ , как подтверждается оценками Монте-Карло с соответствующими интервалами неопределенности.

Цена точности: Численная проверка

Понимание скорости слабой сходимости имеет решающее значение при оценке точности численных схем, используемых для решения модели Rough Bergomi. Эта скорость характеризует, насколько быстро ошибка приближения уменьшается с увеличением шага дискретизации. Численные методы, применяемые к этой модели, подвержены ошибкам, и скорость слабой сходимости позволяет оценить, насколько надежны получаемые результаты. Более низкая скорость слабой сходимости указывает на более точное приближение, что крайне важно для получения достоверных симуляций и прогнозов в задачах финансового моделирования и управления рисками. Точное определение этой скорости позволяет исследователям и практикам выбирать наиболее подходящие численные схемы и параметры для достижения требуемой точности и надежности расчетов.

Показатель слабой сходимости играет ключевую роль в оценке точности численных схем, используемых для решения модели Rough Bergomi. Более низкий показатель слабой сходимости свидетельствует о более точной аппроксимации, что позволяет проводить надежные симуляции и делать достоверные прогнозы. Исследования показали, что при значении параметра Херста $H = 1/4$ данный показатель сходится как $n^{-1}log(n)$ , в то время как при $H \in (1/4, 1/2)$ сходимость описывается как $n^{-1}$ . Таким образом, величина параметра Херста, определяющего неровность траектории волатильности, напрямую влияет на требуемую точность численных методов и, следовательно, на качество получаемых результатов.

Параметр Херста играет ключевую роль в определении характера волатильности в модели Rough Bergomi. Его значение напрямую влияет на степень шероховатости траектории волатильности, а следовательно, и на поведение всей модели. Более высокие значения параметра Херста приводят к более гладким траекториям, что упрощает задачу численного моделирования и снижает требования к точности используемых методов. Напротив, при низких значениях параметра Херста, когда волатильность характеризуется высокой шероховатостью, для достижения приемлемой точности необходимо использовать более сложные численные схемы и увеличивать число шагов дискретизации. Таким образом, точное определение и учет параметра Херста является критически важным для обеспечения надежности и достоверности результатов, получаемых при численном решении модели Rough Bergomi.

Представленное исследование углубляется в математические основы моделей шероховатой волатильности, устанавливая скорости слабой сходимости для модели шероховатого Бергоми. Данная работа, опираясь на стохастические уравнения Вольтерры и дробное броуновское движение, демонстрирует, как теоретические построения могут приблизить понимание сложных финансовых процессов. Как однажды заметил Карл Саган: «Мы — звездная пыль, думающая о звездах». Подобно тому, как астрофизик исследует Вселенную, стремясь постичь ее законы, данное исследование проливает свет на скрытые механизмы, определяющие динамику финансовых рынков, исследуя пределы применимости существующих моделей и прокладывая путь к более точным инструментам ценообразования и хеджирования.

Что же дальше?

Представленные результаты, устанавливающие скорости слабой сходимости для модели Rough Bergomi, кажутся прочной основой. Однако, стоит помнить: любая модель — это лишь свет, который не успел исчезнуть за горизонтом событий данных. Достаточно одного неожиданного рыночного события, чтобы эти скорости сходимости оказались иллюзией, а теоретическая красота — призраком. Всё же, исследование открывает путь к более точной калибровке и, возможно, более надежному хеджированию, но это лишь отсрочка неизбежного столкновения с непредсказуемостью.

Особый интерес представляет вопрос об условиях на ядро. Строгие требования к его гладкости и убыванию — это не столько математическая необходимость, сколько признание нашей неспособности справиться с более общими случаями. Следующим шагом, вероятно, станет ослабление этих условий, но за эту свободу придётся заплатить — возможно, ценой большей вычислительной сложности и менее понятных результатов. По сути, мы постоянно балансируем между точностью и трактуемостью, между светом и тьмой.

И, конечно, нельзя забывать о фундаментальных ограничениях. Предположение о стационарности волатильности — это удобная фикция. Реальные рынки меняются, адаптируются, учатся на своих ошибках. В конечном итоге, любая модель, основанная на прошлом, обречена на столкновение с будущим. Чёрная дыра данных всегда ждёт, готовая поглотить наши лучшие идеи.

Оригинал статьи: https://arxiv.org/pdf/2603.13170.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-03-16 11:24