數值方法

量化金融中的雙曲和橢圓偏微分方程

  • February 9, 2021

拋物線偏微分方程(例如熱方程)通過費曼卡茨定理與金融密切相關。

其他類型的偏微分方程是否出現在量化金融中?橢圓 PDE 不包含時間維度(所以也許對於永久期權?)我想不出波動方程(兩個時間導數)或其他雙曲 PDE 的範例?

這些其他類型是否有特殊的數值處理?Crank Nicolson FD 方案似乎很流行,但僅限於拋物線 PDE。

PDE 分類(背景)

線性二階偏微分方程可分為橢圓、拋物線或雙曲線。二維的一般 PDE $ u=u(x,y) $ 看起來像 $$ Au_{xx}+2Bu_{xy}+Cu_{yy}+Du_x+Eu_y+Fu+G=0. $$ PDE 被稱為

  • 雙曲如果 $ B^2-AC>0 $ (主要例子:波動方程與 $ a^2\Delta u=u_{tt} $ ),
  • 拋物線如果 $ B^2-AC=0 $ (主要範例:熱方程與 $ a\Delta u=u_t $ ),
  • 橢圓如果 $ B^2-AC<0 $ (主要例子:拉普拉斯方程與 $ \Delta u=0 $ ).

在哪裡 $ \Delta $ 表示拉普拉斯運算元

這個定義類似於二次形式。當然,係數 $ A,B,C $ 可以依賴 $ x $ 和 $ y $ 並且 PDE 可以在其域上具有不同的類型。在多於二維的情況下,我們可以使用係數矩陣的特徵值來定義偏微分方程的類型。

PDE 和期權價值

量化金融中的大多數 PDE 控制期權的價值, $ V=V(t,X_{1,t},…,X_{n,t}) $ (在其延續區域),受(自由)邊界條件的約束。在無套利市場中,這些 PDE 源於定價規則$$ \mathbb{E}^\mathbb{Q}[\text{d}V]=rV\text{d}t. $$假設底層遵循(多維)Itô 過程,因此從跳躍(產生PIDE)中抽像出來,Itô 的引理指出 $$ \text{d}V = \left(\frac{\partial V}{\partial t}+\sum_{i=1}^n\mu_{i,t}\frac{\partial V}{\partial X_{i,t}}+\frac{1}{2}\sum_{i=1}^n\sum_{j=1}^n \sigma_{i,t}\sigma_{j,t}\rho_{i,j,t}\frac{\partial^2 V}{\partial X_{i,t}\partial X_{j,t}}\right)\text{d}t+\sum_{i=1}^n \sigma_{i,t}\frac{\partial V}{\partial X_{i,t}}\text{d}W_{i,t}. $$ 因此,期權價值通常滿足 PDE $$ \begin{align*} \frac{\partial V}{\partial t}+\sum_{i=1}^n\mu_{i,t}\frac{\partial V}{\partial X_{i,t}}+\frac{1}{2}\sum_{i=1}^n\sum_{j=1}^n \sigma_{i,t}\sigma_{j,t}\rho_{i,j,t}\frac{\partial^2 V}{\partial X_{i,t}\partial X_{j,t}}-rV=0. \tag{$\star$} \end{align*} $$

在一個完整的市場中,這個 PDE 可以通過動態套期保值推導出來。Feynman-Kac 定理通過將PDE 與期望運算元聯繫起來提供了很多經濟直覺。

拋物線偏微分方程

在布萊克和斯科爾斯模型中,我們有一個風險源, $ n=1 $ 和 $ \mu_t=rS_t $ 和 $ \sigma_t=\sigma S_t $ . 因此,偏微分方程 ( $ \star $ ) 塌陷到標準 $$ \begin{align*} \frac{\partial V}{\partial t}+rS\frac{\partial V}{\partial S}+\frac{1}{2} \sigma^2S^2\frac{\partial^2 V}{\partial S^2}-rV=0. \end{align*} $$

這個偏微分方程是拋物線的,因為沒有 $ V_{tS} $ 期限和沒有 $ V_{tt} $ 學期。所以分類方案是$$ B^2-A\cdot C=0^2-\frac{1}{2}\sigma^2S^2\cdot 0=0. $$事實上,眾所周知如何將此 PDE 轉換為熱方程。事實上,這就是 Black 和 Scholes 在其原始 JPE 論文中解決 PDE 的方法。

在 Heston 的隨機波動率模型中,我們有兩個風險來源( $ n=2 $ ) 因此,偏微分方程 ( $ \star $ ) 折疊為 $$ \begin{align*} \frac{\partial V}{\partial t}+rS\frac{\partial V}{\partial S}+\kappa(\theta-v)\frac{\partial V}{\partial v}+\frac{1}{2} vS^2\frac{\partial^2 V}{\partial S^2}+ \rho\xi v S\frac{\partial^2 V}{\partial S\partial v}+\frac{1}{2} \xi^2v\frac{\partial^2 V}{\partial v^2}-rV=0. \end{align*} $$ 顯然,選擇 $ \kappa=\xi=0 $ 從 Black 和 Scholes 那裡恢復模型。這個 PDE 又是拋物線的。但是,PDE 不能簡化為 $ \Delta u=u_t $ 因為互相關項不能通過替換來消除(“退化 PDE”)。

其他 PDE,例如Fokker-Planck PDE,也是拋物線的。與HJB 框架相關的 PDE也趨於拋物線。

橢圓偏微分方程

上述偏微分方程的“問題”是存在一階時間導數,但沒有跨時空導數,也沒有更高的時間導數。因此,偏微分方程總是類似於拋物線偏微分方程。

人為地擺弄高階時間導數是相當困難的。然而,完全放棄時間導數很容易。如果期權價值 $ V=V(X_{1,t},…,X_{n,t}) $ 與時間無關,則前兩個 PDE 坍縮為 $$ \begin{align*} r S\frac{\partial V}{\partial S}+\frac{1}{2} \sigma^2S^2\frac{\partial^2 V}{\partial S^2}-rV=0, \end{align*} $$ $$ \begin{align*} rS\frac{\partial V}{\partial S}+\kappa(\theta-v)\frac{\partial V}{\partial v}+\frac{1}{2} vS^2\frac{\partial^2 V}{\partial S^2}+ \rho\xi v S\frac{\partial^2 V}{\partial S\partial v}+\frac{1}{2} \xi^2v\frac{\partial^2 V}{\partial v^2}-rV=0. \end{align*} $$ 第一個只是 ODE(準確地說,是Cauchy-Euler ODE),第二個 PDE 是橢圓PDE(它仍然不能簡化為 $ \Delta u=0 $ ).

對於獨立於時間的期權,它們需要是永久的(即永不過期)。這些期權顯然沒有交易,但它們總是出現在實物期權應用程序和資本預算決策中。早期運動(自由)邊界代表了求解這些橢圓偏微分方程的困難。另一個實物期權範例是永久交換期權,其中兩種資產都遵循幾何布朗運動(回想一下Margrabe 公式)。對應的 PDE 為 $$ \begin{align} rS\frac{\partial V}{\partial S} + rK \frac{\partial V}{\partial K} + \frac{1}{2}\sigma_S^2S^2 \frac{\partial^2 V}{\partial S^2} + \rho\sigma_S\sigma_K SK \frac{\partial^2 V}{\partial S\partial K} + \frac{1}{2}\sigma_K^2K^2 \frac{\partial^2 V}{\partial K^2} - rV=0. \end{align} $$ 由於缺乏時間導數,橢圓偏微分方程傾向於描述“平衡”中的狀態(不是這個詞的經濟含義)。

雙曲偏微分方程

由於上述原因,很難想到波動方程在金融中的許多應用。高階時間導數通常不會出現。我知道的唯一例外包括利率模型,其中目前時間和到期時間是狀態變數。Santa Clara 和 Sornette (1998, RFS)研究二階隨機PDE,其中有一個傳播項。在物理上,它類似於一根振動的彈性弦(論文的標題包括“隨機弦衝擊”)。

概括

PDE 與條件預期相關聯,因此與量化金融密切相關。由於期權價值取決於到期時間,它們通常包括時間導數和空間導數(取決於風險來源)。因此,大多數 PDE 是拋物線的。永續期權出現在實物期權的例子中,並且往往是橢圓的。雙曲線 PDE 很少見,但會出現在利率應用中。

關於數值方法和有限差分,您可以將它們用於任何這些類型。對於不同的類型,您往往有不同的邊界條件,因此會有不同的實現。例如,對於拋物線 PDE,您可以逐步返回時間(突出顯示有限差分和多項樹之間的關係),而您可以通過求解一個線性方程組(例如 LUP 分解)一次性找到橢圓 PDE 的所有網格點)。由於最佳運動,迭代方案可能是必要的。

引用自:https://quant.stackexchange.com/questions/60818