Искусственный интеллект и опционы: новый взгляд на волатильность

от

Автор: Денис Аветисян

Исследователи предлагают инновационный подход к моделированию цен опционов, основанный на генерации реалистичной волатильности с помощью структурной модели, а не на внешней калибровке.

"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
Наблюдения за сценарием GS показали, что подразумеваемая волатильность опционов растет по мере приближения к дате экспирации: при фиксированном логарифме отношения цены исполнения к текущей цене актива и сокращающемся времени до экспирации, стандартизированная безденежность смещается в область, где нейронная сеть, обученная по отдельным тикерам, выявила более высокую и крутую волатильность в краткосрочной перспективе, при этом траектории, попадающие в
Наблюдения за сценарием GS показали, что подразумеваемая волатильность опционов растет по мере приближения к дате экспирации: при фиксированном логарифме отношения цены исполнения к текущей цене актива и сокращающемся времени до экспирации, стандартизированная безденежность смещается в область, где нейронная сеть, обученная по отдельным тикерам, выявила более высокую и крутую волатильность в краткосрочной перспективе, при этом траектории, попадающие в «хвосты» распределения, демонстрируют дополнительный рост волатильности из-за движения S_t от K и, для путов, усиления эффекта рычага на траекториях снижения цены.

В статье представлен метод оценки американских опционов на основе модели Хестона с учетом скачков, использующий синтетические данные, созданные с помощью скрытой марковской модели.

Оценка опционов часто сталкивается с парадоксом: для генерации реалистичных цен требуется подразумеваемая волатильность, которая сама выводится из наблюдаемых цен опционов. В работе «Synthetic American Option Pricing via Jump-HMM-Driven Heston Implied Volatility» предложен инновационный подход, в котором подразумеваемая волатильность возникает как результат структурной модели доходности активов, устраняя цикличность и позволяя генерировать синтетические данные для машинного обучения и анализа рисков. Предложенная методика, использующая модель скачков-скрытых марковских цепей и модифицированную модель Хестона, позволяет формировать поверхность подразумеваемой волатильности без внешней калибровки. Способен ли этот подход обеспечить более надежные и эффективные инструменты для прогнозирования цен опционов и управления финансовыми рисками?

За пределами нормального распределения: Моделирование рыночной реальности

Традиционные финансовые модели, опирающиеся на предположение о нормальном распределении доходности активов, зачастую оказываются неспособными адекватно отразить реальную картину рыночных колебаний. Наблюдаемые “тяжелые хвосты” в распределении доходности — то есть, повышенная вероятность возникновения экстремальных событий и убытков, значительно превышающих те, что предсказываются нормальным распределением — приводят к систематической недооценке рисков. Это особенно критично при оценке сложных производных финансовых инструментов, где даже небольшие отклонения от нормальности могут привести к значительным ошибкам в ценообразовании и управлении портфелем. По сути, предположение о нормальности является упрощением, которое игнорирует присущую финансовым рынкам склонность к неожиданным и резким изменениям, что делает традиционные модели уязвимыми и недостаточно надежными для практического применения.

Ограничения традиционных моделей, предполагающих нормальное распределение финансовых активов, приводят к существенной недооценке рисков и, как следствие, к неточному ценообразованию сложных производных финансовых инструментов. В частности, при допущении нормальности, вероятность наступления экстремальных событий, таких как резкие падения рынка, значительно занижается. Это приводит к тому, что стратегии хеджирования, основанные на этих моделях, оказываются неэффективными при возникновении кризисных ситуаций, а стоимость опционов и других деривативов рассчитывается с ошибками, потенциально приводящими к значительным финансовым потерям. Более того, недооценка рисков может приводить к неверным инвестиционным решениям и системным ошибкам в финансовой системе в целом.

Точное моделирование распределений доходности, учитывающее явления кластеризации волатильности, имеет решающее значение для надежного финансового анализа. Исследования показывают, что финансовые рынки часто демонстрируют периоды высокой и низкой волатильности, которые склонны группироваться во времени — это и есть кластеризация. Традиционные модели, предполагающие постоянную волатильность, не способны адекватно отразить эту динамику, что приводит к недооценке рисков, особенно в периоды турбулентности. Более сложные модели, такие как ARCH и GARCH, разработаны специально для учета этих особенностей, позволяя точнее оценивать вероятности экстремальных событий и формировать более реалистичные прогнозы, необходимые для эффективного управления портфелем и ценообразования финансовых инструментов. \sigma_t^2 = \omega + \alpha \epsilon_{t-1}^2 + \beta \sigma_{t-1}^2 — пример базовой GARCH модели, демонстрирующей, как прошлые ошибки и волатильность влияют на текущую. Игнорирование кластеризации волатильности может привести к серьезным ошибкам в оценке рисков и, как следствие, к значительным финансовым потерям.

Анализ ошибок ценообразования опционов для SPY, NVDA, LLY и GS показывает, что модель, настроенная для каждого тикера, обеспечивает наиболее точные прогнозы, особенно для SPY и GS, в то время как для LLY наблюдается систематическая положительная ошибка, вероятно, связанная с усреднением волатильности по времени, а ширина полосы, отражающей типичный спред bid-ask, увеличивается к краям, что указывает на более высокую неопределенность ценности для экстремальных опционов.
Анализ ошибок ценообразования опционов для SPY, NVDA, LLY и GS показывает, что модель, настроенная для каждого тикера, обеспечивает наиболее точные прогнозы, особенно для SPY и GS, в то время как для LLY наблюдается систематическая положительная ошибка, вероятно, связанная с усреднением волатильности по времени, а ширина полосы, отражающей типичный спред bid-ask, увеличивается к краям, что указывает на более высокую неопределенность ценности для экстремальных опционов.

Jump-HMM: Основа для моделирования динамики мультиактивов

Модель скрытых марковских цепей с прыжками (Jump-HMM) представляет собой мощный инструмент для генерации траекторий цен на несколько активов, обладающих реалистичными характеристиками. В отличие от традиционных моделей, Jump-HMM позволяет моделировать не только непрерывные изменения цен, но и резкие скачки, что особенно важно для описания финансовых рынков. Модель основана на предположении о существовании скрытых состояний, определяющих динамику цен, и вероятности перехода между этими состояниями. Генерация траекторий осуществляется путем случайного выбора состояния и последующего моделирования изменений цен в соответствии с параметрами этого состояния, включая среднее значение, волатильность и вероятность возникновения скачков. Такой подход позволяет создавать правдоподобные сценарии движения цен, учитывающие как периоды стабильности, так и периоды повышенной волатильности и резких изменений.

Модель Jump-HMM эффективно воспроизводит характеристики финансовых временных рядов, такие как кластеризация волатильности и наличие “тяжелых хвостов”. Кластеризация волатильности, проявляющаяся в периодах высокой и низкой волатильности, моделируется за счет переключений между режимами (regimes), определяемыми скрытой марковской цепью. В свою очередь, “тяжелые хвосты” — более высокая вероятность экстремальных событий, чем предсказывает нормальное распределение — обеспечиваются включением скачков (jumps) в модель, которые представляют собой резкие и непредсказуемые изменения цен активов. Вероятность и величина этих скачков зависят от текущего режима, что позволяет модели адекватно описывать рыночные кризисы и внезапные ценовые движения.

Модель Jump-HMM позволяет учитывать взаимозависимость между активами, отражая взаимосвязанность финансовых рынков. В отличие от моделей, предполагающих независимость ценовых процессов различных активов, Jump-HMM допускает ковариацию между скачками и изменениями режимов для разных активов. Это достигается путем включения общих латентных переменных, определяющих как вероятность скачков, так и характер режимов, что приводит к коррелированным ценовым траекториям. В частности, модель позволяет моделировать ситуации, когда скачок в цене одного актива с высокой вероятностью сопровождается скачком или изменением волатильности в другом активе. Матрица ковариации, определяющая взаимосвязь между активами в рамках модели, позволяет количественно оценить степень этой взаимозависимости и её влияние на динамику портфеля.

Моделирование 1000 траекторий цены акций GS на 31 день показало, что при цене исполнения [latex]K_p = \$890[/latex] премия по пут-опциону (верхний ряд) имеет наибольший спад в 1-5% худших траекториях, а при [latex]K_c = \$970[/latex] премия по колл-опциону (нижний ряд) демонстрирует наибольший рост в 1-5% лучших траекториях, при этом медиана и интерквартильный размах (25-75%) отображены, а синими пунктирными линиями указаны рыночные цены продажи опционов ($16.51 для пут, $16.09 для колл).
Моделирование 1000 траекторий цены акций GS на 31 день показало, что при цене исполнения K_p = \$890 премия по пут-опциону (верхний ряд) имеет наибольший спад в 1-5% худших траекториях, а при K_c = \$970 премия по колл-опциону (нижний ряд) демонстрирует наибольший рост в 1-5% лучших траекториях, при этом медиана и интерквартильный размах (25-75%) отображены, а синими пунктирными линиями указаны рыночные цены продажи опционов ($16.51 для пут, $16.09 для колл).

Heston и за его пределами: Отображение динамики на подразумеваемую волатильность

Модель Хестона обеспечивает связь между стохастической динамикой волатильности и наблюдаемой поверхностью подразумеваемой волатильности, позволяя воспроизводить характерные особенности, такие как “улыбка” (smile) и перекос (skew). В отличие от моделей с постоянной волатильностью, Хестон предполагает, что волатильность сама по себе является случайным процессом, изменяющимся во времени. Это позволяет модели адекватно описывать наблюдаемые рыночные данные, где цены опционов с разными страйками и сроками погашения демонстрируют различную подразумеваемую волатильность. Ключевым аспектом является то, что модель позволяет учесть зависимость подразумеваемой волатильности от цены базового актива и времени до погашения, что невозможно в простых моделях.

Модель Хестона предполагает возврат волатильности к среднему значению, что является ключевым элементом, обеспечивающим соответствие модели наблюдаемой волатильности на рынке. Этот возврат регулируется функцией Θ, которая устанавливает связь между состоянием рынка и скоростью возврата волатильности к долгосрочному среднему. Фактически, Θ определяет, насколько быстро волатильность адаптируется к изменениям рыночных условий, и играет решающую роль в формировании формы поверхности подразумеваемой волатильности, включая улыбку и перекос.

При комбинировании модели Jump-HMM с моделью Хестона, на отложенной валидационной выборке, используемой совместно с секторальной нейронной сетью, достигнута тестовая среднеквадратичная ошибка (RMSE) в 10.89%. Обучающая RMSE составила 10.21%, что указывает на разрыв в обобщающей способности модели в 0.68%. Данное сочетание позволило снизить общую RMSE на 18% по сравнению с изначальной параметрической формой и на 8% по сравнению с первой параметрической реализацией.

Внедрение предложенного подхода позволило добиться снижения среднеквадратичной ошибки (RMSE) на 18% по сравнению с исходной параметрической моделью. Дополнительно, по сравнению с первоначальной параметрической формой, наблюдается снижение RMSE на 8%. Данные результаты демонстрируют значительное улучшение точности прогнозирования, подтверждая эффективность комбинирования модели Jump-HMM с моделью Хестона для анализа волатильности.

Изменение подразумеваемой волатильности пут- и колл-опционов на 31-дневном горизонте показывает расширение на худших 5% траекториях и сжатие на лучших 5%, что соответствует отрицательной связи [latex] \rho = -0.6 [/latex] между волатильностью и ценой базового актива.
Изменение подразумеваемой волатильности пут- и колл-опционов на 31-дневном горизонте показывает расширение на худших 5% траекториях и сжатие на лучших 5%, что соответствует отрицательной связи \rho = -0.6 между волатильностью и ценой базового актива.

Эффективное ценообразование с использованием биномиальных деревьев

Биномиальные деревья, такие как схемы CRR (Cox-Ross-Rubinstein) и Leisen-Reimer, представляют собой вычислительно эффективный метод оценки опционов американского типа на основе подразумеваемой волатильности. В отличие от аналитических формул, применимых только к европейским опционам, биномиальные деревья позволяют учитывать возможность досрочного исполнения опциона, что критически важно для американских опционов. Эти модели дискретизируют время до истечения срока действия опциона на ряд временных шагов, создавая дерево возможных цен базового актива. Оценка опциона осуществляется путем обратного вычисления стоимости опциона на каждом узле дерева, начиная с даты истечения срока действия. Различные схемы, включая CRR и Leisen-Reimer, отличаются способом построения дерева и приближением вероятностей, влияя на скорость и точность расчетов. Применение подразумеваемой волатильности, полученной из рыночных цен опционов, обеспечивает соответствие модели текущей рыночной ситуации.

Методы построения биномиальных деревьев позволяют преобразовывать заранее вычисленные поверхности подразумеваемой волатильности в точные цены опционов, предоставляя практическое решение для торговли в реальном времени. Предварительное вычисление поверхности подразумеваемой волатильности, как правило, выполняется вне цикла ценообразования опционов, что значительно снижает вычислительную нагрузку при определении цены конкретного опциона. Алгоритмы, такие как CRR (Cox-Ross-Rubinstein) и Leisen-Reimer, эффективно используют эту поверхность для дискретизации временных интервалов и построения дерева возможных цен базового актива. Это позволяет быстро и точно оценить цену американского опциона на любой момент времени, учитывая возможность досрочного исполнения, что особенно важно для высокочастотной торговли и управления рисками.

Комбинирование поверхности подразумеваемой волатильности, рассчитанной на основе модели Хестона, с эффективными алгоритмами ценообразования биномиальных деревьев позволяет получить мощный и универсальный инструмент для оценки производных финансовых инструментов. Модель Хестона обеспечивает динамическую оценку подразумеваемой волатильности, учитывающую стохастическое поведение волатильности, что повышает точность оценки опционов, особенно в условиях изменяющейся рыночной конъюнктуры. Биномиальное дерево, в свою очередь, обеспечивает эффективную численную реализацию процедуры оценки опциона, позволяя быстро вычислять цену опциона для различных страйков и сроков погашения. Такое сочетание обеспечивает возможность точной и быстрой оценки как европейских, так и американских опционов, учитывая возможность досрочного исполнения в случае американских опционов.

Моделирование траекторий цены акций LLY и премий по опционам показывает, что изменение страйка [latex]K_p = \$825[/latex] и [latex]K_c = \$940[/latex] влияет на распределение итоговых цен и премий, при этом медианные значения и интерквартильный размах (25-75%) отражают волатильность, а рыночные цены опционов ($23.30 put, $20.76 call) служат ориентиром для оценки результатов.
Моделирование траекторий цены акций LLY и премий по опционам показывает, что изменение страйка K_p = \$825 и K_c = \$940 влияет на распределение итоговых цен и премий, при этом медианные значения и интерквартильный размах (25-75%) отражают волатильность, а рыночные цены опционов ($23.30 put, $20.76 call) служат ориентиром для оценки результатов.

Влияние и перспективы

Предложенная методика представляет собой более устойчивый и реалистичный подход к финансовому моделированию, значительно снижая риски, присущие традиционным методам, основанным на нормальном (Гауссовом) распределении. В отличие от упрощенных моделей, предполагающих постоянство волатильности и линейную зависимость активов, данная разработка позволяет учитывать асимметрию, “тяжелые хвосты” и другие нелинейные характеристики финансовых рынков. Это особенно важно в периоды повышенной турбулентности, когда стандартные модели зачастую оказываются неспособными адекватно оценить потенциальные убытки и эффективно управлять рисками. Повышенная точность прогнозирования, достигнутая за счет учета сложных рыночных динамик, способствует более обоснованному принятию инвестиционных решений и оптимизации портфеля, обеспечивая повышенную стабильность и доходность в долгосрочной перспективе.

Точное отражение сложных динамик рынка и оценка производных финансовых инструментов имеет решающее значение для эффективного управления рисками и оптимизации инвестиционного портфеля. Неспособность адекватно учитывать нелинейности и изменяющиеся режимы рынка может привести к существенным ошибкам в оценке рисков, что, в свою очередь, чревато значительными финансовыми потерями. Модели, способные улавливать эти нюансы, позволяют инвесторам и финансовым институтам более точно оценивать потенциальные убытки, разрабатывать эффективные стратегии хеджирования и принимать обоснованные инвестиционные решения. Более того, корректная оценка производных инструментов, таких как опционы и фьючерсы, необходима для определения справедливой стоимости активов и обеспечения эффективного ценообразования на финансовых рынках. \sigma = \sqrt{\frac{1}{N-1} \sum_{i=1}^{N} (x_i - \bar{x})^2 } Данный подход позволяет не только снизить риски, но и повысить доходность портфеля за счет более эффективного распределения капитала.

Перспективные исследования могут быть направлены на расширение предложенной модели, интегрируя дополнительные факторы, влияющие на финансовые рынки, такие как макроэкономические показатели и настроения инвесторов. Особое внимание следует уделить уточнению моделирования рыночных режимов, учитывая их динамическую природу и возможность резких переходов. Более детальное изучение влияния нелинейных зависимостей и долгосрочной памяти на ценообразование позволит повысить точность прогнозов и улучшить управление рисками. Разработка адаптивных алгоритмов, способных автоматически определять текущий рыночный режим и переключаться между различными моделями, представляется особенно перспективной задачей. \sigma_t = \alpha \sigma_{t-1} + \beta \epsilon_{t-1}^2 — подобные модели волатильности, модифицированные для учета смены режимов, могут стать основой для дальнейших исследований в данной области.

Исследование, представленное в статье, демонстрирует стремление к построению модели ценообразования опционов, основанной не на слепом следовании рыночным данным, а на понимании внутренних механизмов формирования волатильности. Этот подход, несомненно, требует значительных усилий и проверки гипотез, но позволяет избежать ловушки поверхностных закономерностей. Как справедливо заметил Юрген Хабермас: «Коммуникативное действие направлено на достижение взаимопонимания, а не на манипулирование». В данном контексте, модель, стремящаяся к внутренней согласованности и объяснению наблюдаемых явлений, представляется более ценной, чем та, что просто воспроизводит шум рынка. Акцент на моделировании подразумеваемой волатильности как результата структурной модели, а не внешнего калибрования, свидетельствует о стремлении к созданию более устойчивой и надежной основы для обучения моделей машинного обучения в финансовой сфере.

Что дальше?

Представленная работа, безусловно, представляет интересную попытку обуздать неуловимую природу волатильности. Однако, заменяя одну модель другой, не стоит забывать о фундаментальной проблеме: все модели — это упрощения. Создание «реалистичных» синтетических данных, несомненно, полезно для обучения алгоритмов, но следует помнить, что даже самые совершенные симуляции не способны учесть все непредсказуемые факторы, определяющие поведение финансовых рынков. Вопрос в том, насколько хорошо смоделированная волатильность коррелирует с реальной, а не с желаемой.

Особое внимание следует уделить границам применимости предложенного подхода. Модель, успешно работающая для американских опционов, может оказаться неприменимой к другим классам активов или к рынкам с иной структурой. Необходимо тщательно исследовать чувствительность результатов к различным параметрам и предположениям, а также оценить влияние шума и погрешностей в исходных данных. В конце концов, отсутствие доверительного интервала для полученных цен — это не научный результат, а лишь предположение.

Перспективным направлением представляется расширение модели с учетом более сложных процессов, таких как нелинейные зависимости, мультифрактальность и влияние макроэкономических факторов. Но даже в этом случае, стоит помнить о древней мудрости: чем сложнее модель, тем выше вероятность, что она просто переобучена и не отражает истинную природу реальности. Истина, как всегда, где-то посередине — между упрощением и чрезмерной детализацией.

Оригинал статьи: https://arxiv.org/pdf/2605.13998.pdf

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

Смотрите также:

2026-05-17 03:19