[论文解读] Calibration of Chaotic Models for Interest Rates

Matheus R. Grasselli, Tsunehiro Tsujimoto|arXiv (Cornell University)|Jun 13, 2011

Stochastic processes and financial applications参考文献 27被引用 3

一句话总结

本文提出了一种基于威纳混沌系数的多项式-指数参数化方法的混沌利率模型校准新框架，实现了解析可处理性并保证了正性。结果表明，单变量三阶混沌模型在期权定价方面优于Hull-White和理性对数正态模型，且在参数更少的情况下达到与LIBOR市场模型相当的性能，该结论通过期限结构和期权数据的校准得到验证。

ABSTRACT

In this paper we calibrate chaotic models for interest rates to market data using a polynomial-exponential parametrization for the chaos coefficients. We identify a subclass of one-variable models that allow us to introduce complexity from higher order chaos in a controlled way while retaining considerable analytic tractability. In particular we derive explicit expressions for bond and option prices in a one-variable third chaos model in terms of elementary combinations of normal density and cumulative distribution functions. We then compare the calibration performance of chaos models with that of well-known benchmark models. For term structure calibration we find that chaos models are comparable to the Svensson model, with the advantage of guaranteed positivity and consistency with a dynamic stochastic evolution of interest rates. For calibration to option data, chaos models outperform the Hull and White and rational lognormal models and are comparable to LIBOR market models.

研究动机与目标

• 开发一种基于市场数据的混沌利率模型实用校准方法。
• 解决传统模型在保证利率演化过程中正性和动态一致性方面的局限性。
• 评估混沌模型在拟合收益率曲线和期权价格方面，是否能够匹配或超越Hull-White、理性对数正态和LIBOR市场模型等基准模型的性能。
• 探索高阶混沌模型（特别是三阶）在债券和期权定价中的解析可处理性。
• 通过考虑参数数量的信息准则评估模型性能，优先选择参数更少的模型。

提出的方法

• 通过终端随机变量 $X_{\infty}$ 的威纳混沌分解对零息债券价格进行建模，该方法通过条件方差诱导出随机短期利率。
• 对混沌系数采用多项式-指数参数化，以确保解析可处理性并控制复杂度。
• 利用标准正态密度函数和累积分布函数，推导出单变量三阶混沌模型中债券和期权价格的显式闭式表达式。
• 采用最小二乘法，逐日对观测到的收益率曲线和平值利率上限/互换期权价格进行校准。
• 通过总误差、收益率误差、利率上限误差和互换期权误差等指标，比较各模型的校准性能。
• 应用赤池信息准则（AIC）评估模型拟合效果，同时对参数数量施加惩罚，优先选择参数更少的模型。

实验结果

研究问题

• RQ1 混沌利率模型能否有效校准至真实市场数据，包括收益率曲线和期权价格？
• RQ2 混沌模型在拟合期限结构和期权数据方面，与Hull-White、理性对数正态和LIBOR市场模型等基准模型相比表现如何？
• RQ3 引入高阶混沌（如三阶）是否能在保持解析可处理性的前提下提升模型性能？
• RQ4 混沌模型能否在不显式为每个利率设定其自身前向测度的情况下，实现前向利率之间丰富的相关性结构？
• RQ5 当使用信息准则评估时，参数更少的混沌模型是否能超越更复杂的基准模型（如LIBOR市场模型）？

主要发现

• 在期限结构校准中，混沌模型的表现与Svensson模型相当，且具有保证正性和与完全随机利率过程一致的附加优势。
• 在期权数据校准中，混沌模型显著优于Hull-White和理性对数正态模型，其拟合误差与LIBOR市场模型相当。
• 当使用赤池信息准则（AIC）评估时，具有7个参数的单变量三阶混沌模型在第一个数据集上持续优于具有13个参数的LIBOR市场模型，在第二个数据集上表现具有竞争力。
• 在第三阶混沌类中，具有9个参数的模型在第一个数据集中以39/53的频率被AIC选为最优模型，在第二个数据集中同样为39/53；其表现优于LIBOR模型的次数分别为30/53和14/53。
• 在第一个数据集上，7个参数的模型总误差为4.2%，第二个数据集为7.8%，互换期权误差分别为13.4%和5.5%，在各类工具上均表现出色。
• 结果表明，混沌模型无需为每个前向利率单独建模，即可复现LIBOR市场模型的丰富相关性结构，提供了一种更简洁的替代方案。