Калибровка модели ARIMA-GARCH базового актива на основе рыночных цен опционов

Обложка

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Работа посвящена исследованию возможности калибровки модели временнóго ряда базового актива на основе рыночных котировок опционов на этот актив. Рыночные цены опционов отражают ожидания участников торгов будущей динамики базового актива. Приводится общая форма модели временного ряда ARIMA-GARCH, а также форма модели ARMA-GARCH, соответствующая мартингальной риск-нейтральной вероятностной мере. Формулируется оптимизационная задача калибровки риск-нейтральной модели логарифмических доходностей базового актива на основе рыночных цен европейских опционов с помощью метода Монте-Карло. Для ее решения применяется метод проекции стохастической аппроксимации градиента. Показано изменение формы модели при переходе от риск-нейтральной к физической вероятностной мере в предположении степенной функции полезности агента. Приведены результаты калибровки моделей на исторических данных о котировках индекса S&P500 и ценах европейских опционов на этот индекс за период с 2019 по 2023 г. Статистический тест Црнковича–Драхмана позволяет оценить точность откалиброванных моделей доходностей базового актива для будущих моментов времени.

Об авторах

П. А. Арбузов

МГУ им. М.В. Ломоносова

Email: arbuzov.parb@gmail.com
Москва, Россия

Д. Ю. Голембиовский

МГУ им. М.В. Ломоносова

Email: dgolembiovskiy@yandex.ru
Москва, Россия

Список литературы

  1. Арбузов П. А., Голембиовский Д. Ю. (2024). Калибровка распределения Su-Джонсона будущей цены базового актива на основе цен опционов // Проблемы анализа риска. Т. 21. № 2. С. 78–93. [Arbuzov P. А., Golembiovsky D. Yu. (2024). Calibration of Johnson Su-distribution of future price of underlying asset based on option prices. Issues of Risk Analysis, 21 (2), 78–93 (in Russian).]
  2. Глухов М. (2009). Оценка опционов методом Монте-Карло // Futures & Options World. № 4. С. 38–43. [Glukhov M. (2009). Monte-Carlo method for option pricing. Futures & Options World, 4, 38–43 (in Russian).]
  3. Данилишин А. Р. (2023). Приближение Гирсановской меры с логарифмической доходностью в случае тяжелохвостных распределений // Труды ИСА РАН. Т. 73. С. 21–30. [Danilishin A. R. (2023). Approximation of Girsanov’s measure with logarithmic returns in the case of heavy-tailed distributions. Proceedings of the ISA RAS, 73, 21–30 (in Russian).]
  4. Ермольев Ю. М. (1976). Методы стохастического программирования. М.: Наука. [Ermolyev Yu.M. (1976). Stochastic programming methods. Moscow: Nauka (in Russian).]
  5. Ширяев А. Н. (2004). Вероятность-2. 3е изд. М.: Изд-во Московского центра непрерывного математического образования (МЦНМО). [Shiryaev A. N. (2004). Probability-2. 3rd ed. Moscow: Publisher «Moscow Center for Continuous Mathematical Education» (MCCME) (in Russian).]
  6. Äıt-Sahalia Y., Lo A. W. (1998). Nonparametric estimation of state-price densities implicit in financial asset prices. Journal of Finance, 53, 499–547.
  7. Äit-Sahalia Y., Lo A. W. (2000). Nonparametric risk management and implied risk aversion. Journal of Econometrics, 94, 9–51.
  8. Bahra B. (1997). Implied risk-neutral probability density functions from option prices: Theory and application. Bank of England, Working Paper, 66. London.
  9. Bliss R., Panigirtzoglou N. (2004). Recovering risk aversion from options. Journal of Finance, 59, 407–446.
  10. Brock W. A., Dechert W. D., Scheinkman J. A., LeBaron B. (1996). A test for independence based on the correlation dimension. Econometric Reviews, 15, 197–235.
  11. Brockwell P. J., Davis R. A. (2002). Introduction to time series and forecasting. 2nd ed. London: Springer.
  12. Dowd K. (2002). Measuring market risk. Hoboken: John Wiley & Sons Ltd.
  13. Francq C., Zakoian J.-M. (2010). GARCH models: Structure, statistical inference, and financial applications. Hoboken: John Wiley & Sons Ltd.
  14. Grachev O. Y. (2017). Application of time series models (ARIMA, GARCH, and ARMA-GARCH) for stock market forecasting. Seattle: Northern Illinois Univ. Honors Capstones, 177. Available at: https://huskiecommons.lib.niu.edu/cgi/viewcontent.cgi?article=1176&context=studentengagement-honorscapstones
  15. Hull J. C. (2011). Options, futures and other derivative securities. 8 ed. Englewood Cliffs: Prentice Hall.
  16. Jackwerth J. C. (1996). Recovering risk aversion from option prices and realized return. UC Berkeley Haas School of Business Working Paper.
  17. Meyer D., Meyer J. (2005). Relative risk aversion: What do we know? Journal of Risk and Uncertainty, 31, 243–262.

© Российская академия наук, 2025

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».