[论文解读] Efficient Solution of Backward Jump-Diffusion PIDEs with Splitting and Matrix Exponentials

Andrey Itkin|arXiv (Cornell University)|Apr 10, 2013

Differential Equations and Numerical Methods被引用 4

一句话总结

本文提出了一种新颖的、无条件稳定的二阶精度数值方法，用于求解数学金融中的倒向跳扩散PIDE，通过将扩散与跳跃过程的算子分裂方法与矩阵指数或Padé逼近相结合。该方法将非局部跳跃积分转化为局部伪微分算子，从而在重叠网格上利用有限差分格式实现高效且保正的求解，展示了二阶收敛性，并在复杂模型（如Heston+VG）中相较于基于FFT的替代方法具有性能优势。

ABSTRACT

We propose a new, unified approach to solving jump-diffusion partial integro-differential equations (PIDEs) that often appear in mathematical finance. Our method consists of the following steps. First, a second-order operator splitting on financial processes (diffusion and jumps) is applied to these PIDEs. To solve the diffusion equation, we use standard finite-difference methods, which for multi-dimensional problems could also include splitting on various dimensions. For the jump part, we transform the jump integral into a pseudo-differential operator. Then for various jump models we show how to construct an appropriate first and second order approximation on a grid which supersets the grid that we used for the diffusion part. These approximations make the scheme to be unconditionally stable in time and preserve positivity of the solution which is computed either via a matrix exponential, or via P{á}de approximation of the matrix exponent. Various numerical experiments are provided to justify these results.

研究动机与目标

• 解决在局部随机波动率带跳等复杂金融模型中出现的倒向跳跃扩散PIDE的计算挑战。
• 开发一种数值稳定、二阶精度的格式，以保持期权价格的正性，这对金融建模至关重要。
• 通过将非局部跳跃积分转化为局部非线性微分算子，统一处理各类跳跃模型（如Merton、Kou、CGMY）。
• 通过矩阵指数或Padé逼近实现高效计算，避免基于FFT方法常见的缓慢Picard迭代和混叠误差。
• 将适用范围扩展至特征函数不可达的模型，如带有VG跳跃的Heston模型，此时变换方法不可行。

提出的方法

• 该方法应用二阶算子分裂，将PIDE中的扩散与跳跃成分解耦，并在时间上顺序求解。
• 扩散部分使用标准有限差分格式求解，多维问题采用维度分裂法。
• 通过变量替换将跳跃积分转化为伪微分算子，实现在扩展至扩散网格之外的网格上的局部逼近。
• 针对每种跳跃模型（Merton、Kou、CGMY），构建一阶与二阶有限差分近似，以确保无条件稳定性和正性保持。
• 通过矩阵指数或矩阵指数的Padé有理逼近推进时间，这些方法无条件稳定并保持正性。
• 关键创新在于使用重叠网格与插值技术，在保持二阶精度的同时处理非均匀网格，避免FFT相关的混叠误差。

实验结果

研究问题

• RQ1 能否为具有广义Lévy跳跃动力学的一般倒向跳跃扩散PIDE构造一个二阶、无条件稳定且保正的数值格式？
• RQ2 如何在不依赖FFT的情况下高效逼近非局部跳跃积分，特别是在跳跃网格与扩散网格不一致时？
• RQ3 矩阵指数方法在收敛速度和稳定性方面是否能优于Picard迭代等迭代格式，特别是在高精度定价中？
• RQ4 是否可能在单一数值框架下统一处理多种跳跃模型（如Merton、Kou、CGMY），并保持一致的精度与稳定性？
• RQ5 在Heston带VG跳跃等复杂模型中，该方法表现如何？此类模型中特征函数虽已知，但基于FFT的方法面临网格扩展与精度之间的权衡。

主要发现

• 所提方法在所有测试的跳跃模型中均实现了空间二阶收敛，包括α > 1的CGMY模型，此前方法在该情况下表现困难。
• 该格式无条件稳定，并通过M-矩阵与Metzler矩阵理论证明了正性保持。
• 在Heston+VG模型中，该方法与基于FFT的定价结果之间的相对差异小于0.5%，仅在深度虚值到期时上升至1.7%。
• 矩阵指数计算在收敛速度上优于Picard迭代，尤其当转移矩阵谱半径接近1时，因后者收敛缓慢且对舍入误差敏感。
• 该方法避免了FFT相关的混叠误差，且无需将网格大小加倍，与标准循环嵌入技术不同。
• 该算法可推广至奇异期权，包括障碍期权与数字期权，经进一步开发后适用于美式/百慕达式期权定价。