Оценка и хеджирование с учетом спреда: новый подход

от

Автор: Денис Аветисян

В статье представлена инновационная методика оценки и хеджирования финансовых деривативов, учитывающая реальные рыночные ограничения, связанные со спредом «бид-аск».

"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

Разработан фреймворк Bid-Ask Martingale Optimal Transport (BAMOT) для повышения точности ценообразования и снижения рисков в условиях низкой ликвидности.

Несмотря на широкое применение мартингальной оптимальной транспортировки (MOT) в ценообразовании и хеджировании неликвидных производных, классические модели часто требуют точной калибровки к ценам бид-аск, игнорируя реальные рыночные спреды. В данной работе, посвященной ‘Bid—Ask Martingale Optimal Transport’, предложена релаксация MOT, позволяющая учитывать спреды бид-аск, требуя лишь, чтобы волатильность, вытекающая из модели, находилась в пределах наблюдаемых границ, что эквивалентно наложению условий на маржиналы в порядке выпуклости. Полученная модель, Bid-Ask MOT (BAMOT), обеспечивает реалистичные границы цен для неликвидных производных и может быть интерпретирована как цена суперхеджирования. Каковы возможности дальнейшего развития BAMOT для учета более сложных характеристик рыночных спредов и улучшения стратегий управления рисками?

Неизбежность Неликвидности: За пределами Традиционной Оценки

Оценка и хеджирование производных финансовых инструментов на неликвидных рынках представляет собой фундаментальную проблему из-за отсутствия общедоступных, наблюдаемых цен. В отличие от активных рынков, где цены формируются непрерывно, на неликвидных рынках сделки происходят редко, что затрудняет определение справедливой стоимости. Отсутствие достаточного количества котировок и транзакций создает значительную неопределенность и требует использования специальных моделей, учитывающих прерывистость ценообразования и влияние транзакционных издержек. Применение стандартных методов, разработанных для ликвидных рынков, может приводить к существенным ошибкам оценки и неадекватным стратегиям хеджирования, что подчеркивает необходимость разработки инновационных подходов, адаптированных к специфике неликвидных рынков.

Традиционные методы оценки и хеджирования, основанные на моделях непрерывного времени, зачастую оказываются неадекватными при работе с неликвидными рынками. Эти модели предполагают возможность совершения сделок в любой момент времени по любой цене, что не соответствует реальности, где сделки происходят дискретно и связаны с издержками. В отличие от теоретических построений, реальные рынки характеризуются фиксированными шагами цен, комиссиями и задержками исполнения, которые существенно влияют на итоговый результат. Неспособность учесть эти дискретные факторы приводит к занижению оценки рисков и переоценке возможностей арбитража, особенно в периоды низкой ликвидности. Поэтому для адекватного моделирования необходимо учитывать природу дискретных транзакций и включать в расчет транзакционные издержки, что требует использования более сложных, но и более реалистичных подходов.

В условиях низкой ликвидности на финансовых рынках, традиционные методы оценки и управления рисками зачастую оказываются неэффективными. Необходимость гарантировать неотрицательную доходность даже в неблагоприятных сценариях диктует применение устойчивых подходов, способных учитывать существенную неопределенность. Вместо стремления к оптимизации ожидаемой прибыли, приоритетным становится минимизация потенциальных убытков, что требует отказа от моделей, предполагающих непрерывное изменение цен и игнорирующих транзакционные издержки. Разработка стратегий, обеспечивающих защиту от резких колебаний цен и гарантирующих хотя бы нулевую доходность в критических ситуациях, является ключевой задачей для участников неликвидных рынков. Это предполагает использование методов, учитывающих дискретный характер ликвидности и позволяющих эффективно управлять рисками в условиях высокой неопределенности.

В условиях низкой ликвидности, разница между ценой покупки (bid) и ценой продажи (ask), известная как BidAskSpread, оказывает существенное влияние на реалистичность моделей ценообразования. Эта разница, по сути, представляет собой транзакционные издержки, которые нельзя игнорировать, поскольку они напрямую влияют на прибыльность сделок и эффективность хеджирования. Игнорирование BidAskSpread в моделях приводит к завышенной оценке активов и неверному определению оптимальных стратегий управления рисками. Более того, в условиях ограниченной ликвидности, влияние BidAskSpread может быть непропорционально велико, существенно снижая потенциальную прибыль и увеличивая вероятность убытков. Таким образом, учет этой разницы является ключевым элементом для построения надежных и точных моделей в условиях низкой ликвидности, позволяющих адекватно оценивать риски и принимать обоснованные инвестиционные решения.

Мартингальный Оптимальный Транспорт: Построение Согласованной Меры Ценообразования

Метод оптимального транспорта мартингейлов (MOT) представляет собой мощный инструмент для построения согласованной меры ценообразования на неполных рынках. В отличие от традиционных подходов, MOT позволяет определить вероятностную меру, которая минимизирует риск для инвестора, учитывая ограничения, накладываемые неполнотой рынка. Это достигается путем решения задачи оптимального транспорта, где «стоимость» перемещения вероятностей определяется не только математическим ожиданием, но и требованиями к мартингальности цен активов. В результате, MOT обеспечивает построение меры, удовлетворяющей условиям отсутствия арбитража и позволяющей оценивать финансовые инструменты с учетом присущего им риска, даже при наличии неопределенности и неполной информации.

Метод мартингального оптимального транспорта (MOT) позволяет идентифицировать меру вероятности с минимальным риском, обеспечивая гарантированную нижнюю границу для выплат. В отличие от стандартных подходов, MOT не требует явного построения единственной «нейтральной» меры, а находит меру, минимизирующую ожидаемую потерю при заданном уровне доверия. Это достигается путем решения оптимальной транспортной задачи, в которой «стоимость» перемещения вероятностей определяется функцией убытков, отражающей неприятие риска. Гарантированная нижняя граница выплат определяется как математическое ожидание выплаты по этой минимизирующей риски мере, предоставляя инвесторам уверенность в минимальном возможном результате инвестиций. E[\xi|\mathbb{P}^<i>] \ge \underline{\xi} , где \mathbb{P}^</i> — оптимальная мера, а \underline{\xi} — гарантированная нижняя граница.

Калибровка параметров в рамках метода оптимального транспорта мартингейла (МОТ) является критически важным этапом для обеспечения адекватного отражения рыночной динамики и подразумеваемых волатильностей. Точная калибровка включает в себя подбор значений параметров модели таким образом, чтобы цены на активы, полученные с помощью МОТ, соответствовали наблюдаемым рыночным ценам и подразумеваемым волатильностям опционов. Некорректная калибровка может привести к неточным оценкам, нереалистичным траекториям цен и, как следствие, к ошибочным решениям в области управления рисками и формирования портфеля. Процесс калибровки обычно включает в себя минимизацию разницы между теоретическими ценами опционов, рассчитанными с использованием модели МОТ, и наблюдаемыми рыночными ценами, используя численные методы оптимизации. Важным аспектом является учет структуры волатильности, например, с помощью поверхностей волатильности, для обеспечения согласованности модели с рыночными данными.

Для построения корректной меры вероятности в рамках Мартингального Оптимального Транспорта (МОТ) необходимо использовать методы локальной концентрации. Данные методы позволяют избежать вырождения меры, обеспечивая её регулярность и предотвращая бесконечные или неопределенные значения при вычислении цен активов. Локальная концентрация, по сути, заключается в модификации исходного распределения вероятностей путем добавления небольшой компоненты, сосредоточенной вокруг текущего состояния рынка. Это приводит к более гладкому и устойчивому распределению, что критически важно для точной оценки рисков и построения надежной системы ценообразования в неполных рынках. \lim_{\epsilon \to 0} \frac{1}{\epsilon} \in t_{\mathbb{R}} K(\frac{x-y}{\epsilon}) \mu(y) dx = \mu(x) , где K — ядро, а μ — исходное распределение.

Bid-Ask Мартингальный Оптимальный Транспорт: Соединяя Теорию и Реальность

Метод Bid-Ask Martingale Optimal Transport (BAMOT) является расширением классического Martingale Optimal Transport (MOT) и отличается явным включением спреда Bid-Ask в процесс оптимизации. В отличие от MOT, который оперирует с ценой середины (mid-price), BAMOT рассматривает диапазоны цен, заданные лучшими ценами предложения (Bid) и спроса (Ask). Это позволяет учитывать рыночные ограничения ликвидности и транзакционных издержек непосредственно в процессе построения оптимальной стратегии хеджирования, что повышает реалистичность и практическую применимость полученных решений. В рамках BAMOT, оптимизация проводится с учетом границ, определяемых спредом Bid-Ask, что приводит к более консервативным и надежным оценкам цен и стратегий хеджирования.

Метод Bid-Ask Martingale Optimal Transport (BAMOT) обеспечивает соответствие волатильностей, вычисленных моделью, наблюдаемым границам спреда бид-аск. Это достигается путем явного включения спреда бид-аск в процесс оптимизации, что позволяет получать более реалистичные и практически применимые решения по сравнению с традиционными подходами. Ограничение волатильности моделью в рамках фактических границ спреда бид-аск повышает надежность ценообразования и хеджирования, особенно для инструментов, чувствительных к ликвидности и транзакционным издержкам.

В рамках разработанной модели Bid-Ask Martingale Optimal Transport (BAMOT) зафиксировано измеримое влияние на цены суперхеджирования. Применительно к форвард-старт опционам, использование BAMOT позволило добиться улучшения на 9.70% по сравнению с ценообразованием, основанным на середине бид-аск спреда (mid-marginal pricing). Данное улучшение свидетельствует о более эффективном учете транзакционных издержек и ограничений, накладываемых бид-аск спредом, при построении стратегии хеджирования.

В основе предложенного подхода лежит понятие ConvexOrder, позволяющее сравнивать различные вероятностные меры и выбирать наиболее устойчивую стратегию хеджирования. ConvexOrder определяет частичный порядок между вероятностными мерами на основе сравнения их ожидаемых значений выпуклых функций. В рамках BAMOT данный инструмент используется для оценки робастности стратегий хеджирования к неопределенности, вызванной спредом bid-ask. Выбор вероятностной меры, доминирующей по ConvexOrder, обеспечивает гарантию того, что стратегия хеджирования будет менее чувствительна к изменениям в ценах активов, что критически важно для минимизации рисков и обеспечения стабильной доходности.

Установлены скорости сходимости алгоритма Bid-Ask Martingale Optimal Transport (BAMOT) при уменьшении спрэда бид-аск. Для стратегии риск-реверс (risk-reversal) продемонстрирована линейная скорость сходимости, что означает, что погрешность уменьшается пропорционально уменьшению спрэда. Для цифрового опциона, исполняемого на текущем уровне (at-the-money digital option), скорость сходимости составляет квадратный корень, то есть погрешность уменьшается пропорционально квадратному корню из спрэда. Данные скорости сходимости позволяют оценить точность и эффективность алгоритма при различных уровнях ликвидности и спрэдов, что важно для практической реализации.

Предложенный фреймворк Bid-Ask Martingale Optimal Transport (BAMOT) находит практическое применение в ценообразовании и хеджировании сложных производных финансовых инструментов, в частности, стратегий DigitalOption и RiskReversal. Применение BAMOT позволяет учесть спред «бид-аск» при построении оптимальных стратегий хеджирования, что особенно важно для инструментов с негладкими функциями выплат, таких как цифровые опционы. В рамках стратегий RiskReversal фреймворк обеспечивает более точную оценку стоимости и снижение рисков, связанных с асимметрией волатильности. Реализация на практике демонстрирует возможность улучшения качества ценообразования и снижения затрат на хеджирование по сравнению с традиционными подходами.

Влияние и Перспективы Развития

Модель BAMOT значительно повышает точность ценообразования неликвидных производных финансовых инструментов благодаря учету транзакционных издержек. В традиционных моделях, предполагающих идеальную ликвидность, эти издержки часто игнорируются, что приводит к завышенным оценкам и нереалистичным стратегиям. Учет затрат на совершение сделок, таких как комиссии брокерам и спред между ценой покупки и продажи, позволяет BAMOT формировать более правдоподобные рыночные цены, отражающие реальные условия торговли. Это особенно важно для инструментов, по которым сделки совершаются нечасто, и где влияние транзакционных издержек на итоговую стоимость может быть существенным. По сути, BAMOT предлагает более надежный инструмент для оценки и управления рисками в сегменте неликвидных производных.

Предложенная методика позволяет создавать надежные стратегии хеджирования, гарантирующие неотрицательную доходность даже в неблагоприятных рыночных условиях. В отличие от традиционных подходов, которые часто игнорируют транзакционные издержки и могут приводить к убыткам при активном перехеджировании, данный фреймворк учитывает эти издержки при построении стратегии. Это обеспечивает защиту от неблагоприятных ценовых движений и позволяет инвесторам сохранять капитал в периоды повышенной волатильности. Эффективность стратегий хеджирования, разработанных на основе данной методики, подтверждается теоретическим анализом и позволяет существенно снизить риски, связанные с инвестициями в неликвидные производные финансовые инструменты.

Теоретический анализ модели BAMOT демонстрирует, что с увеличением числа итераций разница между ценой покупки и ценой продажи, известная как спрэд, асимптотически стремится к нулю. Данное свойство является ключевым результатом, поскольку указывает на возможность достижения практически идеальной ликвидности даже для неликвидных деривативов. Это означает, что с каждым последующим шагом алгоритма, транзакционные издержки, влияющие на определение справедливой цены, становятся пренебрежимо малыми, позволяя участникам рынка совершать сделки по ценам, максимально приближенным к истинной стоимости актива. Таким образом, модель не только обеспечивает более точное ценообразование, но и открывает перспективы для создания высокоэффективных стратегий хеджирования и управления рисками.

Дальнейшие исследования могут быть направлены на расширение области применения модели `BAMOT` за пределы ценообразования неликвидных деривативов. В частности, перспективным направлением представляется её использование в задачах оптимизации портфеля, где учёт транзакционных издержек позволит формировать более реалистичные и эффективные инвестиционные стратегии. Кроме того, методология `BAMOT` может быть адаптирована для совершенствования моделей управления рисками, обеспечивая более точную оценку потенциальных потерь и разработку более надёжных стратегий хеджирования. Возможности применения модели в смежных областях финансов, таких как оценка активов и управление капиталом, также заслуживают детального изучения, что позволит существенно расширить её практическую значимость и внести вклад в развитие финансовой науки.

Дальнейшее развитие предложенной модели, известной как `BAMOT`, представляется перспективным направлением исследований, особенно в контексте адаптации к более сложным структурам финансовых рынков и расширения спектра обрабатываемых активов. В настоящее время, модель наиболее эффективно функционирует в относительно простых сценариях, однако, учитывая возрастающую сложность современных финансовых инструментов и рыночных взаимодействий, возникает необходимость в усовершенствовании алгоритмов и учете дополнительных факторов, влияющих на ценообразование и ликвидность. Исследование возможности интеграции с данными о различных типах активов, включая экзотические деривативы и внебиржевые инструменты, позволит расширить сферу применения `BAMOT` и повысить ее практическую ценность.

Исследование, представленное в данной работе, подобно взращиванию сложной экосистемы, а не простому строительству механизма. Введение Bid-Ask Martingale Optimal Transport (BAMOT) — это не просто расширение существующих моделей, а создание среды, учитывающей реальные особенности финансовых рынков, такие как bid-ask спреды. Как гласит древняя мудрость Конфуция: «Изучай прошлое, чтобы знать будущее». Понимание этих тонкостей, в особенности, влияния bid-ask спредов на ценообразование и хеджирование неликвидных деривативов, позволяет предвидеть потенциальные сбои и разрабатывать более устойчивые стратегии. Данный подход позволяет перейти от реактивного исправления ошибок к проактивному предвидению рисков, что является ключевым элементом в построении надежных финансовых систем.

Что дальше?

Предложенный подход, Bid-Ask Martingale Optimal Transport, не решает проблему ликвидности, а лишь обнажает её структуру. Каждый выбор, касающийся моделирования спреда, — это пророчество о будущей неточности. Попытка «оптимизировать» транспорт в мире, где информация всегда неполна, — это, по сути, формализованное ожидание ошибки. Система не становится надежнее, она становится более предсказуемой в своей уязвимости.

Будущие исследования неизбежно столкнутся с необходимостью учитывать транзакционные издержки, выходящие за рамки простого спреда. Реальные рынки — это не просто набор цен, а сложная экосистема взаимодействий. Мониторинг этих взаимодействий — это не способ предотвратить сбои, а способ бояться осознанно. Настоящая устойчивость начинается там, где кончается уверенность в точности модели.

Отказ от поиска «идеального» транспорта и принятие неточности как неотъемлемой части финансовой реальности — вот где кроется истинный прогресс. Задача не в создании системы, которая никогда не ошибается, а в создании системы, которая достойно переживает свои ошибки. И в этом смысле, предложенный подход — лишь первый шаг на долгом пути.

Оригинал статьи: https://arxiv.org/pdf/2603.24605.pdf

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

Смотрите также:

2026-03-27 14:57