[논문 리뷰] A Monte Carlo method for exponential hedging of contingent claims

Martino Grasselli, T. R. Hurd|ArXiv.org|2002. 11. 25.

Stochastic processes and financial applications참고 문헌 25인용 수 3

한 줄 요약

이 논문은 Longstaff-Schwartz에 영향을 받은 최소제곱 회귀 접근법을 사용하여 비완전 시장에서의 지수 헤징을 위한 새로운 몬테카를로 알고리즘을 소개한다. 이는 유사한 가격 및 확정성 등가 값의 효율적 계산을 가능하게 하며, 하위공간 및 표본 크기 제약로 인한 최적 헤징 전략의 근사화 한계에도 불구하고 가격 산정에 있어 높은 정확도를 달성한다.

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.

연구 동기 및 목표

• 비완전 시장에서의 이론적 지수 헤징과 실용적 수치 구현 사이의 격차를 메우기 위해.
• 지수 효용 아래 최적 포트폴리오 선택을 위한 민첩하고 직관적이며 계산적으로 효율적인 몬테카를로 알고리즘을 개발하기 위해.
• 복잡한 시장 모델에서 유 indifference 가격과 확정성 등가치와 같은 핵심 개념의 수치적 탐색을 가능하게 하기 위해.
• 기하 브라운 motion 설정에서 특히, 가격 산정 및 헤징 전략을 근사하는 데 있어 이 방법의 성능를 평가하기 위해.
• 알고리즘의 구현에서 하위공간 근사 오차 및 유한 표본 크기 영향과 같은 제약 조건을 식별하기 위해.

제안 방법

• 알고리즘은 동적 프로그래밍을 통한 역행 추론을 사용하여 이산 시간 단계 동안 최적 헤징 전략을 학습한다.
• 각 시간 단계에서 최적 제어를 근사하기 위해 기저 함수로 매개변수화된 낮은 차원의 전략 하위공간을 사용한다.
• 각 시간 단계에서, 기대 지수 효용 손실을 최소화하기 위해 최적 헤징을 시뮬레이션 경로에 적합하기 위해 최소제곱 회귀를 적용한다.
• 알고리즘은 동적 프로그래밍의 시간 일관성 구조를 활용하여, 헤시안 행렬의 블록 대각형 구조 덕분에 계산 비용을 O(NR²K²)에서 O(NR²K)로 감소시킨다.
• 알고리즘은 비교를 위해 알려진 해석적 해가 있는 기하 브라운 운동 모델에서 검증된다.
• 알고리즘은 몬테카를로 경로를 통해 이익/손실 분포를 시뮬레이션하여 유 indifference 가격과 확정성 등가치를 계산한다.

실험 결과

연구 질문

• RQ1 지수 효용 하에서 비완전 시장에서 최적 헤징 전략을 효과적으로 근사할 수 있는 몬테카를로 방법이 존재하는가?
• RQ2 제안된 알고리즘은 이론적 값에 비해 얼마나 정확하게 유 indifference 가격을 추정하는가?
• RQ3 알고리즘 성능에서 주요 오차 원천은 무엇이며, 특히 전략 근사화 및 표본 크기 측면에서 어떤가?
• RQ4 왜 알고리즘은 헤징 전략 추정보다 가격 산정에서 더 잘 작동하는가?
• RQ5 이 방법은 아메리칸 스타일 옵션과 같은 더 복잡한 파생상품으로 얼마나 넓게 확장될 수 있는가?

주요 결과

• 작은 표본 크기에도 불구하고 알고리즘이 유 indifference 가격을 매우 정확하게 추정하여 가격 산정 응용 분야에서 강력한 신뢰성을 보였다.
• 유 indifference 가격이 그들을 정의하는 두 개의 확정성 등가치보다 더 정확하게 계산된 것으로 나타나, 핵심 가격 산정 지표의 강건성을 시사한다.
• 개별 시뮬레이션 경로를 따라 알고리즘이 학습한 헤징 전략은 이론적 Merton 전략에서 상당한 이탈을 보였으며, 전략 근사화의 열악함을 시사한다.
• N = 100,000개의 몬테카를로 시뮬레이션을 통해 알고리즘은 신뢰할 수 있는 가격 추정치를 생성했지만, 시간에 따라 불안정하고 변동성이 큰 헤징 전략을 도출했다.
• 주요 제약 조건은 하위공간 근사(전략 형태 제한)와 유한 표본 크기 영향으로, 둘 다 전략 정확도를 저하시킨다.
• 동적 프로그래밍은 헤시안 행렬의 블록 대각형 구조 덕분에 계산 비용을 O(NR²K²)에서 O(NR²K)로 감소시키며, 정확도를 유지했다.