[論文レビュー] Least Squares Importance Sampling for Libor Market Models

Luca Capriotti|ArXiv.org|Nov 1, 2007

Scientific Research and Discoveries参考文献 10被引用数 5

ひとこと要約

本稿は、Libor Market Modelのモンテカルロシミュレーションにおける分散低減を目的として、最小二乗重要度サンプリング（LSIS）を導入する。最小二乗最適化を用いて、柔軟な試行クラス内での重要度サンプリング密度の自動キャリブレーションを可能にし、特に層別化サンプリングと組み合わせた場合、Straddleやキャップなどの複雑なデリバティブのシミュレーションにおいて、計算速度の向上が最大2桁のオーダーに達することが示された。

ABSTRACT

A recently introduced Importance Sampling strategy based on a least squares optimization is applied to the Monte Carlo simulation of Libor Market Models. Such Least Squares Importance Sampling (LSIS) allows the automatic optimization of the sampling distribution within a trial class by means of a quick presimulation algorithm of straightforward implementation. With several numerical examples we show that LSIS can be extremely effective in reducing the variance of Monte Carlo estimators often resulting, especially when combined with stratified sampling, in computational speed-ups of orders of magnitude.

研究の動機と目的

• 複雑な金融モデル、特にLibor Market Modelにおけるモンテカルロシミュレーションの高コスト問題に対処すること。
• 従来の手法（反対称変数や制御変数など）を上回る実用的で自動化された分散低減技術を開発すること。
• サンプリング分布の最適化を通じて、ストラドルやキャップのような複雑なペイオフ構造を有するパス依存デリバティブの効率的シミュレーションを可能にすること。
• 層別化サンプリングと柔軟な試行密度形（多モーダル分布を含む）と組み合わせた場合のLSISの有効性を示すこと。

提案手法

• LSISは、重要度サンプリング密度の最適化を最小二乗最小化問題として定式化し、サンプリング分布の自動キャリブレーションを可能にする。
• 事前シミュレーション段階で、ペイオフと元のサンプリング密度の積に対する最小二乗フィットを用いて、試行密度の最適パラメータを計算する。
• 任意の試行密度クラス（ガウス分布や多モーダル形式、例えば2つのガウス分布の混合（式39）など）をサポートし、複雑なペイオフ構造に対応する柔軟性を提供する。
• 尤度比（Radon-Nikodym導来）を用いてサンプルを再重み付けし、元の期待値の不偏推定を保証する。
• 層別化サンプリングをLSISと統合し、確率が等しい領域にサンプル空間を分割することで、さらに分散を低減する。
• 標準的な最小二乗アルゴリズムを用いて実装されるため、既存のモンテカルロフレームワークへの統合が容易である。

実験結果

リサーチクエスチョン

• RQ1 LSISは、Libor Market Modelのモンテカルロ推定子の分散を顕著に低減できるか？
• RQ2 層別化サンプリングと組み合わせた場合、LSISは計算速度の向上をどの程度達成できるか？
• RQ3 ストラドル・コンテナクトにおける多モーダルな最適サンプリング密度を有する複雑なペイオフ構造に対しても、LSISは適応可能か？
• RQ4 試行密度の選択（例：単一ガウス分布対ガウス分布混合）が、分散低減性能に与える影響は何か？
• RQ5 生産取引システムにおいて、最小限の計算オーバーヘッドでLSISを実装できる範囲はどの程度か？

主な発見

• 5年物キャップ（ストライク4％）の価格付けにおいて、単一ガウス分布を試行密度として用いた場合、LSISは分散低減を最大8.7倍達成した。
• ATMストラドル・コンテナクトでは、バイモーダル試行密度（式39）を用いたLSISが最大8.7倍の分散低減を達成したのに対し、単一ガウス分布では1.9倍にとどまった。
• LSISと層別化サンプリングの組み合わせにより、複数のテストケースで最大2桁のオーダーの計算速度向上が達成された。
• 1年物ストラドル（ストライク5％）では、バイモーダル試行密度を用いたLSISが分散を5.3倍低減し、単一モードアプローチを著しく上回った。
• 異なる残存期間およびストライクに対して一貫した分散低減効果を示し、多モーダルなペイオフ関数に対しても安定した性能を発揮した。
• 最小二乗最適化のオーバーヘッドは非常に小さく、次元削減を施した後は特に顕著であったため、LSISは実世界の実装に実用的であることが示された。