作者简介:柳向东(1973—),男(汉族),湖南省浏阳市人,暨南大学副教授、博士. E-mail: tliuxd@jnu.edu.cn
中文责编:方 圆; 英文责编:海 潮
Liu Xiangdong and Yang FeiCollege of Economics,Jinan University,Guangzhou 510632,P.R.China
application of statistical mathematics; Lé;vy process; option pricing; maximum likelihood parameter estimation; characteristic function; fast Fourier transform
DOI: 10.3724/SP.J.1249.2014.03325
Lévy过程可准确描述某些复杂的分布特征,如: 尖峰、厚尾及有偏等,也可将标的资产运动过程中所展现的非连续性体现出来,因此在金融过程中得到了广泛而有效的运用. 本研究基于期权的定价公式,运用极大似然法以及快速傅里叶变换对方差伽马(Variance-Gamma, VG)模型、Carr-Geman-Madan-Yor(CGMY)模型及VGSA模型(VG和Cox-Ingersoll-Ross模型的复合指数模型)等几种典型Lévy过程的参数进行有效估计,并且通过香港恒生指数期权数据对该方法进行验证.
The Lévy process can accurately describe the complex features of distribution, such as spikes, fat tails, and the discontinuity of the underlying asset reflected in the movement. Thus, the application of the Lévy processes in financial engineering becomes extensive and effective. However, estimation of the Lévy process parameters is difficult. Based on the option pricing formula, we used the maximum likelihood method and the fast Fourier transforms to make valid estimation on several typical Lévy process parameters, including the Variance-Gamma(VG)model, Carr-Geman-Madan-Yor(CGMY)model and VGSA(the exponential form for combining VG with Cox-Ingersoll-Ross)model. The method is tested by the Hong Kong Hang Sheng Index Options data, which is important to promote the achievements of previous results which focus on the Lévy parameter estimation.
用以描述标的资产收益率对数路径特征的布朗运动原始模型是Black等[1]创建的,但越来越多的实证表明,布朗运动还不能完全刻画标的资产规律. 20世纪40年代数学家Lévy[2]提出一系列具有右连续左极限存在,且满足独立增量等性质的随机过程,布朗运动是其特例. 金融学者将Lévy过程应用到标的资产运动模型中使其一般化,以刻画金融实际标的资产运动独有的性质.
Lévy过程在金融界引起广泛关注[3-17], 由于其假设条件相对宽松, 能同时描绘连续和跳跃过程, 可对尖峰和后尾分布进行建模, 对探索市场动态具有优越性, 但其参数估计仍是一个难题[3]. Lévy模型通常以特征函数的形式刻画, 无法获得封闭形式的概率密度函数,因此要获得参数估计,可在傅立叶变换基础上建立可执行的数值估计方法.Carr等[4]通过数值模拟方法对特征函数进行反向逆变换,得到Lévy过程Xt的概率密度函数近似值,采用极大似然法估计模型参数.但该方法比较耗时,还会出现似然函数无界的情况,无法获得最优解.为此,本研究使用几类常用特殊Lévy模型,如Merton jump-diffusion(MJD)模型、方差伽马(Variance-Gamma, VG)模型、Carr-Geman-Madan-Yor(CGMY)模型、VGSA模型(VG和Cox-Ingersoll-Ross模型的复合指数模型)和Heston模型,结合统计学中的极大似然思想,提出适合Lévy过程的极大似然参数估计法,基于期权价格对上述几类模型进行参数估计,并将该方法用于香港恒生指数期权定价中,比较不同模型的优越性.
Lévy过程X={Xt:t≥0}是具有平稳独立增量的右连续左极限存在的随机过程. 根据Lévy-Khintchine分解定理, 1维Lévy过程X的特征函数为
φ(u,t; θ)≡E[exp{iuXi}]≡exp{t[iγu-1/2σ2u2+
∫∞-∞[exp(iux)-1-iuxI|x|<1]v(dx)]}(1)
其中, θ为Lévy过程的特征三元组; γ为漂移量; σ为波动率; I|x|<1为示性函数; r∈R; σ2≥0; v(dx)为R\{0}上的一个测度,且满足
∫∞-∞inf{1,x2}v(dx)=∫∞-∞(1∧x2)v(dx)<∞(2)
这里,v称为Lévy测度;(γ,σ2,v(dx))为Lévy过程X的特征三元组.当Lévy测度是零测度时,Lévy过程降为带漂移项的布朗运动.
Lévy过程驱动下的模型主要分为固定波动率模型和随机波动率模型,常见的固定波动率模型有Black-Scholes(BS)模型、VG模型和CGMY模型; 随机波动率模型有Heston模型和VGSA模型.下面简单介绍Lévy过程驱动下的几类模型.
BS模型是Lévy过程的一个特例[3,6],其假设标的资产价格St遵循几何布朗运动, 且具有固定的漂移率和波动率. 在经典BS模型基础上,Merton在纯扩散过程中加入跳跃,并在MJD模型中允许对数收益存在复合泊松跳跃,同时Merton假设标的资产价格跳跃的大小服从正态分布,满足
(dS)/S=(r-q-λk)dt+σdWt+(yt-1)dqt(3)
其中,r为风险中性利率; q为分红率或股息率; S为资产价格; λ为市场风险; yt为控制跳跃幅度的量; qt为泊松跳跃; k为常数. 此外,MJD模型下标的资产价格过程可表示为
St=S0exp[(r-(σ2)/2-λk)t+σWt+∑Nti=1Yi](4)
其中,S0为资产的初始价格; Nt是过程参数为λ的泊松过程; Yi为资产价格跳跃幅度. 根据Lévy-Khintchine表示定理[6],封闭形式的Xt特征函数为[15]
φx(u)=
exp{iuwt-1/2u2σ2t+t∫[exp(iux)-1]π(dx)dx}=
exp{iuwt-1/2u2σ2t+λt(exp(iuμ)<sup>-u2δ2/2-1)}(5)
其中,ω和μ为漂移量; π(dx)为关于Xt的跳跃部分测度; μ为期望; δ2为方差. 该模型假定跳跃服从对数正态分布,但不足以刻画标的资产对数收益率的非对称性与波动率微笑现象.
VG模型最早由Madan和Seneta提出[5],用以建立20世纪80年代股票回报率模型. VG模型由时间变化的布朗运动定义,其中时间的增量服从伽玛分布,在VG模型下标的资产价格过程可写为
St=S0exp[(r-q)t+Y(t,σ,v,θVG)+ωt](6)
其中,v为控制峰度的参数; θVG为控制偏度的参数. Xt的特征函数为
φX(u)=(eiuωt)/((1-iθVGvu+1/2σ2vu2)t/v)(7)
CGMY模型最早由Koponen[7]提出. 为获得比VG模型更加灵活的随机过程,Carr等在VG模型中引入参数Y来描述跳跃活动到达率水平,衡量随机过程中的有限活动与无限活动.VG模型是Y=0的特殊情形; Y<0属于类似于复合泊松分布的有限活动率过程; 0<Y<1为无限活动率过程; 1<Y<2为无限活动率且不存在有限变差; Y>2为无限活动率且不存在二次变差. CGMY模型下标的资产价格过程为
St=S0exp[(r-q)t+ωt+Z(t; C,G,M,Y)](8)
其中,Z(t; C,G,M,Y)是满足CGMY Lévy测度的Lévy过程; C表示漂移率; G表示伽玛的参数; M表示中间量的参数; Y表示有限活动和无限活动. Xt的特征函数为
φX(u)=exp(iuωt)exp{tCΓ(-Y)[(M-iu)Y+
(G+iu)Y-MY-GY]}(9)
其中,ω=-CΓ(-Y)[(M-1)Y+(G+1)Y-MY-GY]
Heston模型[3]是运用最广的随机波动率模型,它假设波动率(方差)遵循Cox-Ingersoll-Ross(CIR)过程, 且满足式(10)和(11)
(dS)/S=(r-q)dt+(Vt)1/2[ρdW1(t)+
(1-ρ2)1/2dW2(t)](10)
dVt=κ(θ-Vt)dt+σλ(Vt)1/2dW1(t)(11)
其中, W1(t)和W2(t)为独立布朗运动; ρ为dW1(t)与dW2(t)之间的相关系数; Vt为波动率的平方; θ为波动率平方的长期均值水平; κ为均值回复速度; σλ为波动率.
在该模型下,Xt的特征函数为
φx(u)=exp[C(u)+D(u)V0](12)
其中,V0为Vt的初始值,
C(u)=(θκ)/(σ2λ)[(κ-iuρσλ-α)t-2lg((1-βe-αt)/(1-β))];
D(u)=((κ-iuρσλ-α)(1-e-αt))/(σ2λ(1-βe-αt));
α=((iuρσλ-κ)2-σ2λ(-iu-u2))1/2;
β=(κ-iuρσλ-α)/(κ-iuρσλ+α).
Heston模型下标的资产价格过程为
St=S0exp[(r-q)t-1/2∫t0Vsds+ρ∫t0(Vs)1/2dW1(s)]·
exp[(1-ρ2)1/2∫t0(Vs)1/2dW2(s)](13)
VG模型与CGMY模型都是纯跳跃模型. 由于VG模型没有扩散部分,无法用Heston模型通过引进简单随机过程来描述波动率随机的特性. Carr等[8]和Bakshi等[9]提出一种变时间方法构造随机波动率.VGSA模型假设经济时间(economic time)的增长遵循反向的平方根过程
dy=κ(θ-y)dt+σλy1/2dW(14)
其中, y表示反向平方根过程. 在VGSA模型中,标的资产价格过程满足
St=S0(exp[(r-q)t+ZVG(t)])/(E[exp(ZVG(t))])(15)
其中,ZVG(t)代表VG过程. Xt的特征函数为
φX(u)=
(φVGSA(-iψVG(u; 1,G,M),t,C; κ,θ,σλ))/(φVGSA(-iψVG(-i; 1,G,M),t,C; κ,θ,σλ)iu)(16)
其中, φVGSA为VGSA过程的特征函数; ψVG为VG过程的特征函数.
由于建立Lévy分布的特征函数与概率密度函数是一一对应的,所以,其所包含的信息完全等价,而极大似然估计的基本原理是运用概率密度函数得到似然函数,然后对似然函数取对数并对相应参数求导,通过导数为零得到似然方程,解方程获得极大似然估计.基于特征函数的参数估计与基于概率密度函数的极大似然估计在效率上是相同的.
对于普通的欧式看涨期权,定义k为敲定价格K的对数, CT(k)为到期时间为T时该期权的价格. 再定义风险中性下,标的资产价格的对数lgsT为qT(s), 则其特征函数为
ΦT(u)=∫∞-∞eiusqT(s)ds(17)
根据期权定价公式,风险中性条件下欧式看涨期权价格可表示为
CT(k)=∫∞ke-rT(es-ek)qT(s)ds(18)
当k→-∞时, 有CT→0, 函数CT为非平方可积的. 因此,可做变换
cT(k)=exp(αk)CT(k)(19)
此时,存在α>0, 使cT(k)平方可积. α的选择通常依赖于st. cT(k)的快速傅立叶变换为
ΨT(v)=∫∞-∞exp(ivk)cT(k)dk(20)
将ΨT(v)用特征函数ΦT表示,得到逆变换下的看涨期权价格为
CT(k)=(exp(-αk))/(2π)∫∞-∞exp(ivk)φT(v)dv=
(exp(-αk))/(π)∫∞0exp(ivk)φT(v)dv(21)
将cT(k)代入式(21)可得
φT(v)=∫∞-∞exp(ivk)∫∞kexp(αk)[exp(s)-
exp(k)]qT(s)dsdk(22)
变换积分顺序并积分可得
φT(v)=(exp(-rt)φT[v-(α+1)i])/(α2+α-v2+i(2α+1)v)(23)
代入CT(k)后,欧式看涨期权傅立叶变换的完整形式为
CT(k)=(exp(-αk))/(π)∫∞-∞exp(-ivk)
(exp(-rt)φT[v-(α+1)i])/(α2+α-v2+i(2α+1)v)dv(24)
从应用角度考虑,快速傅立叶变换可有效降低计算复杂性. 因此,通过快速傅立叶变换,CT(k)可表示为
CT(k)≈(exp(-αk))/(π)∑Nj=1exp(-ivjk)φT(vj)η(25)
其中,η为可调参数.Carr和Madan指出[10],式(25)无法实现既让积分区域足够稠密,又保持足够大的敲定价格区间范围,因为当η太小时,对数敲定价格k的积分区域会很小,只能涵盖少部分的k. 因此,Carr和Madan[19]提出用Simpson的权重准则获得较准确的积分计算, η可以选取较大的值. 此时,期权计算公式为
CT(k)≈(exp(-αku))/(π)∑Nj=1exp[-i2π(j-1)
(u-1)/N]exp(ibvj)φT(vj)η/3[3+
(-i)j-δj-1](26)
其中,δn为Kronecker delta函数. α为积分上限; ku为N个u值组成的向量, u=1,2,…,N; b使敲定价格的对数限制在-b与b之间.可选取, vj=η(j-1); N=4 096; α=Νη=600; b=(Nλ)/2; ku=-b+(2b)/N(u-1); λη=(2π)/N.
参照文献[11-13],本研究采用类似BS公式中求隐形波动率方法,首先获得基于特征函数的似然函数,然后得到对数似然函数,再利用下面步骤估计式(26)中的参数.已知CT(k)为敲定价格k与交割时间T下的看涨期权模型价格,为方便起见,将其简记为ω,并将第i个期权的看涨期权价格记为ωi. 同时, 记 i为第i个期权的市场价格.
假定ωi与 i满足
ωi=iexp(θεi-θ2/2)(27)
其中,εi~N(0,1); ωi的对数似然函数为
log[f(θ; ωi)]=
-1/2∑M1((log(ωi)-log(i))/θ+θ/2)2(28)
其中, θ为待估参数向量. Madan等指出[13],该极大似然估计等价于以下目标函数的最小化
k=(1/M∑M1[log(ωi)-log(i)]2)1/2(29)
此时,参数估计就转化为最优化问题,可用标准Levenberg-Marquardt法获得参数集中的最优点.
鉴于国内期权产品的匮乏,本研究数据截取香港恒生指数作为标的资产,恒生指数期权作为参数估计原始数据,收录时间为2012年3月20日. 这里从港交所网站收集了47个恒生指数看涨期权收盘价格,当天恒生指数收盘价为S0=21 317.85. 假定风险中性利率为0.03,股息率为0.01.
基于极大似然参数估计法讨论结果,采用模型校正(model calibration)方式利用期权价格估计不同模型下待估参数. 模型参数如表1, 拟合结果如图1.
本研究使用Schoutens的统计指标APE、AAE、ARPE与RMSE衡量拟合质量[3],其中,APE=∑Mi=1(|i-ωi|)/M/∑Mi=1(ωi)/M,AAE=∑Mi=1(|i-ωi|)/M,ARPE=1/M∑Mi=1(|i-ωi|)/(ωi),RMSE=(∑Mi=1((i-ωi)2)/M)1/2, 不同模型下拟合质量的比较结果如表2.
从恒生指数的拟合结果来看,相比经典BS模型,MJD、VG、CGMY、Heston和VGSA模型拟合结果占优势,因此在标的资产价格模拟上Lévy过程占据优势. 由于MJD模型考虑跳跃因素,更符合恒生指数的运动规律,对比BS模型结果有了较大提升; VG过程是一个纯跳跃过程,从参数估计的结果可得,VG过程很好地反映出恒生指数对数收益率分布非对称且左偏的情况(θ<0, 则G>M, 偏度与均值皆为负); CGMY是VG模型的一个推广,加入Y值描述有限活动与无限活动. 从参数估计结果来看, Y值为1.25,因此恒生指数是无限活动过程(有限区间内无限跳跃),且是无限变差的. Heston与VGSA模型在MJD与VG模型基础上加入随机时间,以模拟随机波动率的运动特征. 从拟合结果看,提高了原模型的拟合度,更符合恒生指数的运行态势.
本研究所选取的6种模型皆是固定波动率与随机波动率的典型模型. 几何布朗运动作为奠基模型,其在操作应用上具有简便的优势,但无法对应现有特征. 将尖峰、厚尾与跳跃考虑进去后,MJD、VG与CGMY模型更贴近现实,它们分别将运动过程处理成有限跳跃与无限跳跃,但假定波动率固定,而Heston模型与VGSA模型则分别采用CIR过程与随机时间描述随机波动率特征.基于上述模型在参数估计方面的应用,本研究在经典极大似然法基础上,运用基于特征函数的方法与期权价格的校准方法进行参数估计,与经典BS模型对比,MJD、VG、CGMY、Heston与VGSA模型能更精确地拟合看涨期权价格.
深圳大学学报理工版
JOURNAL OF SHENZHEN UNIVERSITY SCIENCE AND ENGINEERING
(1984年创刊 双月刊)
主 管 深圳大学
主 办 深圳大学
编辑出版 深圳大学学报理工版编辑部
主 编 阮双琛
国内发行 深圳市邮电局
国外发行 中国国际图书贸易集团有限公司(北京399信箱)
地 址 北京东黄城根北街16号
邮 编 100717
电 话 0755-26732266
0755-26538306
Email journal@szu.edu.cn
标准刊号 ISSN 1000-2618
CN 44-1401/N