[论文解读] Small-time asymptotics for Gaussian self-similar stochastic volatility models

Archil Gulisashvili, Frédéri Viens+1 more|arXiv (Cornell University)|May 20, 2015

Stochastic processes and financial applications参考文献 37被引用 6

一句话总结

本文推导了高斯自相似随机波动率模型中资产价格密度、看涨/看跌期权价格及隐含波动率的小时间渐近性质。研究建立了对自相似参数 $ H $ 的模型无关估计量，其显式依赖于 $ H $、首个多重特征值及其在价外情形下的重数，并对平价情形提供了独立的渐近分析，涉及集成波动率的矩，从而实现即使在短期到期时也能从隐含波动率数据中精确校准 $ H $。

ABSTRACT

We consider the class of self-similar Gaussian stochastic volatility models, and compute the small-time (near-maturity) asymptotics for the corresponding asset price density, the call and put pricing functions, and the implied volatilities. Unlike the well-known model-free behavior for extreme-strike asymptotics, small-time behaviors of the above depend heavily on the model, and require a control of the asset price density which is uniform with respect to the asset price variable, in order to translate into results for call prices and implied volatilities. Away from the money, we express the asymptotics explicitly using the volatility process' self-similarity parameter $H$, its first Karhunen-Loeve eigenvalue at time 1, and the latter's multiplicity. Several model-free estimators for $H$ result. At the money, a separate study is required: the asymptotics for small time depend instead on the integrated variance's moments of orders 1/2 and 3/2, and the estimator for $H$ sees an affine adjustment, while remaining model-free.

研究动机与目标

• 分析高斯自相似随机波动率模型中资产价格密度、期权价格及隐含波动率的小时间渐近行为。
• 基于对资产价格密度的统一控制，推导出自相似参数 $ H $ 的显式、模型无关估计量。
• 区分平价与价外情形的渐近行为，二者需采用不同的分析方法。
• 实现从市场观测的隐含波动率中对 $ H $ 的精确校准，尤其在流动性有限的短期到期时。
• 通过数值模拟验证渐近公式，展示其在不同 $ H $ 值和到期期限下对隐含波动率的高精度拟合能力。

提出的方法

• 采用经过调整的拉普拉斯方法，并对行权价 $ K $ 实现统一控制，这对将密度渐近性质转化为期权价格与隐含波动率结果至关重要。
• 利用波动率过程的Karhunen-Loève展开，将渐近常数表示为 $ H $、时间1处的首特征值及其重数的函数。
• 应用文献[35]中的通用结果，将看涨期权价格的小时间渐近性质转化为隐含波动率的渐近性质。
• 通过集成波动率的 $ \frac{1}{2} $ 阶与 $ \frac{3}{2} $ 阶矩，推导出平价情形的独立渐近表达式。
• 通过蒙特卡洛模拟数值计算系数，并验证渐近公式的准确性，模拟内容涵盖期权价格与隐含波动率。
• 利用定理11从模拟期权数据中校准 $ H $，展示其在不同到期期限与 $ H $ 值下的鲁棒性。

实验结果

研究问题

• RQ1 在高斯自相似随机波动率模型中，资产价格密度、看涨与看跌期权价格及隐含波动率的小时间渐近行为如何表现？
• RQ2 在小时间范围内，能否从隐含波动率数据中实现对自相似参数 $ H $ 的模型无关估计？
• RQ3 首个多重Karhunen-Loève特征值及其重数在决定价外情形下小时间渐近常数时起何作用？
• RQ4 平价情形的渐近行为与价外情形有何不同？其由集成波动率的哪些矩决定？
• RQ5 渐近公式在多大程度上能准确近似实际到期期限（如1至14天）下的隐含波动率？

主要发现

• 隐含波动率的渐近行为对自相似参数 $ H $ 极为敏感，且随着 $ H $ 增大，精度提高。
• 当 $ H = 0.51 $ 时，隐含波动率渐近公式在两周内相对误差小于5%，在2.3天内相对误差小于1%。
• 平价情形的渐近行为依赖于集成波动率的 $ \frac{1}{2} $ 阶与 $ \frac{3}{2} $ 阶矩，需采用与价外情形不同的分析方法。
• 通过 $ H $、首个多重Karhunen-Loève特征值及其重数，显式推导出自相似参数 $ H $ 的模型无关估计量，从而可基于市场数据实现校准。
• 通过定理11从隐含波动率校准 $ H $ 时，14天内相对误差小于1%，$ H $ 估计值的误差极小（≤0.01）。
• 当流动性允许时，该方法即使在1天到期时也能实现对 $ H $ 的精确校准，而14天到期期限对大多数实际应用已足够。