[論文レビュー] A Monte Carlo method for exponential hedging of contingent claims

Martino Grasselli, T. R. Hurd|ArXiv.org|Nov 25, 2002

Stochastic processes and financial applications参考文献 25被引用数 3

ひとこと要約

本稿では、Longstaff-Schwartzにインspiredされた最小二乗回帰アプローチを用いて、不完全市場における指数的ヘッジのための新規モンテカルロアルゴリズムを提案する。この手法により、インディフェアレンスプライシングおよびCertainty Equivalent値の効率的計算が可能となり、サブスペースおよびサンプルサイズの制約による最適ヘッジ戦略の近似に限界があるものの、価格設定において高い正確性を達成する。

ABSTRACT

Utility based methods provide a very general theoretically consistent approach to pricing and hedging of securities in incomplete financial markets. Solving problems in the utility based framework typically involves dynamic programming, which in practise can be difficult to implement. This article presents a Monte Carlo approach to optimal portfolio problems for which the dynamic programming is based on the exponential utility function U(x)=-exp(-x). The algorithm, inspired by the Longstaff-Schwartz approach to pricing American options by Monte Carlo simulation, involves learning the optimal portfolio selection strategy on simulated Monte Carlo data. It shares with the LS framework intuitivity, simplicity and flexibility.

研究の動機と目的

• 不完全市場における理論的指数的ヘッジと実用的数値実装との間のギャップを埋めること。
• 指数的ユーティリティ下での最適ポートフォリオ選択に適した、柔軟で直感的かつ計算的に効率的なモンテカルロアルゴリズムを開発すること。
• 複雑な市場モデルにおけるインディフェアレンスプライシングやCertainty Equivalentといった主要概念の数値的探索を可能にすること。
• 特に幾何ブラウン運動設定において、価格設定およびヘッジ戦略の近似性能を評価すること。
• アルゴリズム実装におけるサブスペース近似誤差および有限サンプルサイズ効果といった制限要因を特定すること。

提案手法

• 動的計画法による後向きインダクションを用いて、離散時間ステップごとに最適ヘッジ戦略を学習する。
• 各時刻における最適制御を近似するために、基底関数でパrameter化された低次元の戦略サブスペースを用いる。
• 各時刻において、シミュレートされたパスに沿って最小二乗回帰を適用し、期待される指数的ユーティリティ損失を最小化することで最適ヘッジをフィットさせる。
• 動的計画法の時間整合性構造を活用し、Hessian行列のブロック対角構造のおかげで、計算コストをO(NR²K²)からO(NR²K)に削減する。
• 比較のため、既知の解析解が得られる幾何ブラウン運動モデルでアルゴリズムを検証する。
• モンテカルロパス全体にわたる利益・損失分布のシミュレーションにより、インディフェアレンスプライシングおよびCertainty Equivalent値を計算する。

実験結果

リサーチクエスチョン

• RQ1 モンテカルロ法は、不完全市場における指数的ユーティリティ下での最適ヘッジ戦略を効果的に近似できるか？
• RQ2 提案されたアルゴリズムは、理論的値と比較してインディフェアレンスプライシングをどの程度正確に推定できるか？
• RQ3 アルゴリズムの性能に影響を与える主な誤差要因は何か、特に戦略近似とサンプルサイズに関するものである。
• RQ4 なぜアルゴリズムは価格推定においてはヘッジ戦略推定よりも優れた性能を示すのか？
• RQ5 この手法は、アメリカ型オプションなどのより複雑なデリバティブへどの程度拡張可能か？

主な発見

• 相対的に小さなサンプルサイズでも、インディフェアレンスプライシングの推定において高い正確性を達成しており、価格応用において強力な信頼性を示している。
• 計算されたインディフェアレンスプライシングは、それらを定義する2つのCertainty Equivalent値よりも正確であることが判明し、核心的な価格指標としての頑健性が裏付けられた。
• アルゴリズムが学習したヘッジ戦略は、個々のシミュレーションパスに沿って理論的Merton戦略から顕著に逸脱しており、戦略近似の質が低いことが示された。
• N = 100,000のモンテカルロシミュレーションを用いた場合、信頼できる価格推定が得られたが、時間経過に伴いヘッジ戦略は依然として不安定で変動的であった。
• 主な制限要因は、戦略形式を制限するサブスペース近似と、有限サンプルサイズ効果であり、両者とも戦略の正確性を低下させる。
• 動的計画法により、Hessian行列のブロック対角構造のおかげで、計算コストをO(NR²K²)からO(NR²K)に削減しながらも、正確性を維持した。