UNIVERZITA KOMENSKĂHO V BRATISLAVE
Fakulta matematiky, fyziky a informatiky
Katedra aplikovanej matematiky a ĆĄtatistiky
DELTA HEDGING
EXOTICKĂCH OPCIĂ
DiplomovĂĄ prĂĄca
Jakub HAVELKA
1114 AplikovanĂĄ matematika
EkonomickĂĄ a financnĂĄ matematika
Ć kolitelâ:
RNDr. TomĂĄĆĄ BOKES, PhD.
BRATISLAVA 2014
DELTA HEDGING
EXOTICKĂCH OPCIĂ
Bc. Jakub Havelka
E-mail: [email protected]
Katedra aplikovanej matematiky a ĆĄtatistiky
Fakulta matematiky, fyziky a informatiky
Univerzita Komenského v Bratislave
MlynskĂĄ dolina
842 48 Bratislava
SlovenskĂĄ republika
c©2014 Jakub Havelka
DiplomovĂĄ prĂĄca v odbore 1114 AplikovanĂĄ matematika
DĂĄtum kompilĂĄcie: 27. aprĂla 2014
Typeset in LATEX
49052541
Univerzita Komenského v BratislaveFakulta matematiky, fyziky a informatiky
ZADANIE ZĂVEREÄNEJ PRĂCE
Meno a priezvisko ĆĄtudenta: Bc. Jakub HavelkaĆ tudijnĂœ program: ekonomickĂĄ a finanÄnĂĄ matematika (JednoodborovĂ©
ĆĄtĂșdium, magisterskĂœ II. st., dennĂĄ forma)Ć tudijnĂœ odbor: 9.1.9. aplikovanĂĄ matematikaTyp zĂĄvereÄnej prĂĄce: diplomovĂĄJazyk zĂĄvereÄnej prĂĄce: slovenskĂœ
NĂĄzov: Delta hedging exotickĂœch opciĂ
CieÄŸ: Ć tatistickĂĄ a analytickĂĄ analĂœza dynamickej delta hedgeing stratĂ©giepre exotickĂ© opcie (napr. ĂĄzijskĂ©, lookback,...) vyplĂœvajĂșcej z odvodeniaparciĂĄlnej diferenciĂĄlnej rovnice.
VedĂșci: RNDr. TomĂĄĆĄ Bokes, PhD.Katedra: FMFI.KAMĆ - Katedra aplikovanej matematiky a ĆĄtatistikyVedĂșci katedry: prof. RNDr. Daniel Ć evÄoviÄ, CSc.
DĂĄtum zadania: 25.01.2013
DĂĄtum schvĂĄlenia: 04.02.2013 prof. RNDr. Daniel Ć evÄoviÄ, CSc.garant ĆĄtudijnĂ©ho programu
ĆĄtudent vedĂșci prĂĄce
Abstrakt
V naĆĄej prĂĄci sa zaoberĂĄme delta hedgingom exotickĂœch financnĂœch derivĂĄtov a
hlavne vĂœpoctom parametra delta pre ĂĄzijskĂ© a lookback opcie. Delta pocĂtame kla-
sickĂœm spĂŽsobom ako derivĂĄciu eplicitnĂ©ho vzorca ceny opcie podlâa ceny akcie a
novĂœm spĂŽsobom pomocou Malliavinovho kalkulu. Tento novĂœ spĂŽsob umoĆŸnuje
pocĂtanie delty opcie bez poznania explicitnĂ©ho vzorca pre jej cenu. Takto vypocĂ-
tanĂĄ delta je v tvare diskontovanej podmienenej strednej hodnoty zo sĂșcinu vĂœplat-
nej funkcie opcie a nejakej vĂĄhy urcenej pomocou vzorca Malliavinovho kalkulu.
Pre konkrĂ©tne typy exotickĂœch derivĂĄtov uvĂĄdzame vĂœpocet ich delty.
KlâĂșcovĂ© slovĂĄ: delta âą hedging âą Malliavinov kalkul âą exotickĂ© financnĂ© derivĂĄty
⹠åzijské opcie ⹠lookback opcie ⹠derivåcia ceny opcie
Abstract
In our work we investigate delta hedging of exotic financial derivatives and mainly
computation of parameter delta for asian and lookback options. Delta is computed
in a traditional way as derivation of explicit formula for option price according to
stock price and through new approach via Malliavin calculus. The latter approach
enables us to compute delta of option without knowing its explicit price formula. In
this manner computed delta is in the form of discounted conditional expected value
of product of option payoff function and some weight given by Malliavin calculus.
For specific types of financial derivatives, the computation of its delta is introduced.
Key words: delta âą hedging âą Malliavin calculus âą exotic financial derivatives âą
asian options âą lookback options âą option price derivation
Podâakovanie
Dakujem TomĂĄĆĄovi za vedenie pri pĂsanĂ diplomovej prĂĄce, ako aj jej dĂŽkladnĂ© od-
bornĂ© posĂșdenie a vecnĂ© pripomienky, ktorĂ© vĂœznamne pomohli jej skvalitneniu.
Obsah
Zoznam symbolov a skratiek . . . . . . . . . . . . . . . . . . . . . . . . . . iii
1 Zåklady stochastického kalkulu 1
1.1 Stochastické procesy . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Itov integrĂĄl, izometria a Itova lema . . . . . . . . . . . . . . . . . . . 4
1.3 Martingaly . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2 Opcie 13
3 Ăvod do ocenovania opciĂ 17
3.1 Black-Scholesov vzorec . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Ocenovanie pomocou martingalov . . . . . . . . . . . . . . . . . . . 21
4 Exotické opcie 25
4.1 ĂzijskĂ© opcie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.1.1 PDR pre åzijské opcie . . . . . . . . . . . . . . . . . . . . . . . 26
4.2 Lookback opcie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
4.2.1 PDR pre lookback opcie . . . . . . . . . . . . . . . . . . . . . 30
5 Hedging 33
5.1 Delta hedging . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
5.1.1 Delta opcie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.1.2 Delta pre exotické opcie . . . . . . . . . . . . . . . . . . . . . 38
6 Malliavinov kalkul a delta opcie 45
6.1 OperĂĄtor derivĂĄcie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
6.2 Skorohodov integrĂĄl . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
i
ii OBSAH
6.3 Malliavinova vĂĄĆŸenĂĄ schĂ©ma . . . . . . . . . . . . . . . . . . . . . . . 48
6.4 Delta pre exotické opcie . . . . . . . . . . . . . . . . . . . . . . . . . 49
ZĂĄver 59
Bibliografia 61
Listing programov 63
Zoznam symbolov a skratiek
R mnoĆŸina reĂĄlnych cĂsiel
b vektor
X,Y nĂĄhodnĂœ vektor
X(t, Ï),X(t),X t t-parametrizovanĂœ nĂĄhodnĂœ vektor
exp(x) ex
E[X] strednĂĄ hodnota nĂĄhodnej premennej X
Var[X] variancia nĂĄhodnej premennej X
Cov[X, Y ] kovariancia nĂĄhodnej premennej X a Y
X|Y nĂĄhodnĂĄ premennĂĄ X podmienenĂĄ Y
N (”,Σ) normålne rozdelenie so strednou hodnotou ”
a kovariancnou maticou ÎŁ
f(.) funkcia
df(t), dft, df diferenciĂĄl f vzhlâadom na tâfâx
derivĂĄcia f podlâa xâf2
â2xdruhĂĄ derivĂĄcia f podlâa x
âf(x,y)2
âxâyparciĂĄlna derivĂĄcia f podlâa x a y
PDR parciĂĄlna diferenciĂĄlna rovnica
SDR stochastickĂĄ diferenciĂĄlna rovnica
S, St cena akcie v case t
V, Vt cena opcie v case t
E expiracnĂĄ cena opcie
T expiracnĂœ cas opcie, maturita opcie v rokoch
Q-martingal martingal vzhlâadom na prevdepodobnostnĂș mieru Q
Ăvod
As for everything else, so for a mathematical theory:
beauty can be perceived but not explained.
Arthur Cayley
Na financnom trhu sa beĆŸne obchoduje s aktĂvami, ako sĂș akcie, dlhopisy alebo
komodity. Okrem tĂœchto existujĂș aj financnĂ© derivĂĄty, ktorĂ© sa nazĂœvajĂș derivĂĄtmi,
pretoĆŸe ich hodnota zĂĄvisĂ, resp. je odvodenĂĄ (z angl. derive â odvoditâ) od hod-
noty beĆŸnĂœch aktĂv. Je zaujĂmavĂ©, ĆŸe v sĂșcasnosti objem trhu s tĂœmito financnĂœmi
derivĂĄtmi niekolâkonĂĄsobne prevyĆĄuje objem trhu s beĆŸnĂœmi financnĂœmi aktĂvami.
Tento fakt mĂŽĆŸe bytâ dĂŽsledkom toho, ĆŸe na jedno aktĂvum mĂŽĆŸe bytâ vypĂsanĂ© velâkĂ©
mnoĆŸstvo derivĂĄtov ako aj velâkej popularity derivĂĄtov u investorov, ktorĂ ich hojne
pouĆŸĂvajĂș ako nĂĄstroj na zabezpecenie (angl. hedging) svojich investĂciĂ, alebo aj
ako prostriedok na dosiahnutie ĆĄpekulatĂvneho zisku.
TĂĄto prĂĄca sa zaoberĂĄ financnĂœmi derivĂĄtmi, konkrĂ©tne opciami a delta hedgin-
gom, t.j. delta zaistâovanĂm. HlavnĂœm prĂnosom prĂĄce je pocĂtanie parametra delta
pre exotickĂ© opcie pomocou Malliavinovho kalkulu, ktorĂœ poskytuje ĂșcinnĂœ nĂĄstroj
na derivovanie stochastickĂœch procesov.
V prvej kapitole sĂș popĂsanĂ© zĂĄkladnĂ© elementy stochastickĂ©ho kalkulu ako Bro-
wnov pohyb, Itova lema, Itov integrĂĄl a martingaly. Tieto pojmy sĂș stavebnĂœm ka-
menom a budĂș casto vystupovatâ v dâalĆĄĂch castiach prĂĄce.
DruhĂĄ kapitola je venovanĂĄ vĆĄeobecnĂ©mu Ășvodu do problematiky o opciĂĄch. Je
tu vysvetlenĂœ pojem opcie a ich zĂĄkladnĂĄ klasifikĂĄcia. Dalej sĂș popĂsanĂ© atribĂșty
v
vi OBSAH
opciĂ ako maturita, expiracnĂĄ cena a vĂœplata.
Obsahom tretej kapitoly je ocenovanie opcià pomocou klasického Black-Scholesovho
vzorca, ktorĂœ dostaneme vyrieĆĄenĂm prĂsluĆĄnej parciĂĄlnej diferenciĂĄlnej rovnice. Da-
lej je vysvetlenĂ© o trochu nĂĄrocnejĆĄĂe ocenovanie opciĂ cez martingaly, ktorĂ© nĂĄm
poskytne dĂŽleĆŸitĂș ocenovaciu formulu.
VybranĂ© exotickĂ© opcie sĂș popĂsanĂ© vo ĆĄtvrtej kapitole. KonkrĂ©tne sa jednĂĄ o
ĂĄzijskĂ© a lookback opcie. Pre ceny tĂœchto opciĂ sĂș odvodenĂ© PDR, z ktorĂœch vyplĂœva
delta hedging.
Piata kapitola je o hedgingu, teda o zaistâovanĂ vo vĆĄeobecnosti a dâalej so zame-
ranĂm na delta hedging. PodstatnĂĄ castâ je venovanĂĄ parametru delta pre rĂŽzne typy
opciĂ.
V ƥiestej kapitole uvådzame Malliavinov kalkul a jeho zåkladné elementy ako
Malliavinov operĂĄtor derivĂĄcie a Skorohodov integrĂĄl. Je tu uvedenĂœ alternatĂvny
postup na vĂœpocet delty pomocou tohto kalkulu spolu s nĂĄzornĂœmi prĂkladmi pre
rĂŽzne typy opciĂ.
KAPITOLA 1
Zåklady stochastického kalkulu
1.1 Stochastické procesy
DefinĂcia 1.1. [9] StochastickĂœ proces je t-parametrickĂœ systĂ©m nĂĄhodnĂœch premen-
nĂœch X t na pravdepodobnostnom priestore (Ω,F , P ) s hodnotami v Rn. Pre lâubo-
volânĂ©, ale pevnĂ© t je zobrazenie
Ï âX t(Ï), Ï â Ω,
nĂĄhodnĂĄ premennĂĄ. Na druhej strane pre pevnĂ© Ï â Ω, sa zobrazenie
tâX t(Ï), 0 †t <â,
nazĂœva trajektĂłria procesu X t.
StochastickĂœ proces je teda funkciou dvoch premennĂœch: t a Ï.
DefinĂcia 1.2. [9] Wienerov proces je stochastickĂœ proces Wt(Ï) | 0 †t s nasledu-
jĂșcimi vlastnostâami:
i) P [Ï : W0(Ï) = 0] = 1,
ii) Wt+â(Ï)âWt(Ï) ⌠N (0,â),
iii) pre kaĆŸdĂ© delenie t0 = 0 < t1 < t2 < . . . < tn sĂș prĂrastky Wt1(Ï) â Wt0(Ï),
Wt2(Ï)âWt1(Ï), . . . , Wtn(Ï)âWtnâ1(Ï) nezĂĄvislĂ©.
1
2 1. ZĂKLADY STOCHASTICKĂHO KALKULU
Obr. 1.1: 3 nåhodné realizåcie Wienerovho procesu
NĂĄhodnostâ Wienerovho procesu je ilustrovanĂĄ pomocou jeho troch realizĂĄciĂ na
obrĂĄzku (1.1)
Z definĂcie Wienerovho procesu dostĂĄvame nĂĄsledujĂșce vztâahy pre jeho strednĂș
hodnotu a disperziu:
E[Wt] = E[Wt âW0] = 0,
Var[Wt] = Var[Wt âW0] = t.
V nĂĄsledujĂșcej definĂcii zavedieme pojem, ktorĂœ je zovĆĄeobecnenĂm Wienerovho
procesu.
DefinĂcia 1.3. Nech Wt(Ï) | 0 †t je Wienerov proces a Ï, ” sĂș konĆĄtanty, pricom
Ï > 0. Potom stochastickĂœ proces definovanĂœ ako
X t(Ï) = ”t+ ÏWt(Ï)
sa nazĂœva Brownov pohyb s parametrami ”, Ï.
Z uvedenĂ©ho vyplĂœva, ĆŸe Wienerov proces je vlastne Brownov pohyb s paramet-
rami ” = 0 a Ï = 1. Lâahko sa dĂĄ nahliadnutâ, ĆŸe prĂrastky Brownovho pohybu
X t+â(Ï) â X t(Ï) sĂș, rovnako ako prĂrastky Wienerovho procesu, nezĂĄvislĂ© nor-
1.1. STOCHASTICKĂ PROCESY 3
mĂĄlne rozdelenĂ© nĂĄhodnĂ© premennĂ©, avĆĄak so strednou hodnotou ”â a disperziou
Ï2â.
V nĂĄsledujĂșcej definĂcii zavedenie tzv. geometrickĂœ Brownov pohyb, ktorĂœm, ako
sa neskĂŽr ukĂĄĆŸe, budeme modelovatâ vĂœvoj ceny podkladovĂ©ho aktĂva.
DefinĂcia 1.4. [10] Nech X t | 0 †t je Brownov pohyb a parametrami ”,Ï a Y 0 je
kladnĂĄ konĆĄtanta. Potom stochastickĂœ proces Y t | 0 †t
Y t(Ï) = Y 0eXt , 0 †t,
sa nazĂœva geometrickĂœ Brownov pohyb.
V nĂĄsledujĂșcom poukĂĄĆŸeme na dâalĆĄiu dĂŽleĆŸitĂș vlastnostâ Wienerovho procesu, a
to nediferencovatelânostâ jeho trajektĂłriĂ skoro vĆĄade. Najprv vĆĄak zavedieme pojem
kvadratickej variĂĄcie funkcie.
DefinĂcia 1.5. [7] Nech mnoĆŸina Î = t0, t1, . . . , tn je delenie intervalu [0, T ], takĂ©,
ĆŸe 0 = t0 †t1 †. . . †tn = T . Normu delenia Î oznacme
âÎ â = maxk=0,...,nâ1
(tkâ1 â tk).
Potom kvadratickĂĄ variĂĄcia funkcie f na intervale [0, T ] je
ăfă [0, T ] = limâÎ ââ0, nââ
nâ1âk=0
(f(tk+1)â f(tk))2 .
Pre funkcie, ktorĂ© sĂș po castiach diferencovatelânĂ©, platĂ ĆŸe ich kvadratickĂĄ varĂĄ-
cia je rovnĂĄ nule, co je moĆŸnĂ© nahliadnutâ pomocou Lagrangeovej vety o strednej
hodnote. TĂĄto veta zarucuje pre lâubovolânĂș diferencovatelânĂș funkciu f na intervale
(a, b) existenciu bodu c â (a, b), pre ktorĂœ platĂ:
f(b)â f(a) = f âČ(c)(bâ a)
Nech bod tk â ătk, tk+1ă. Potom pre kvadratickĂș variĂĄciu diferencovatelânej fun-
kcie na intervale [a, b] dostĂĄvame:
ăfă [a, b] = limâÎ ââ0, nââ
nâ1âk=0
(f(tk+1)â f(tk))2 = lim
âÎ ââ0, nââ
nâ1âk=0
(f âČ(tk)
)2(tk+1 â tk)2
†limâÎ ââ0, nââ
âÎ ânâ1âk=0
(f âČ(tk)
)2(tk+1 â tk) = lim
âÎ ââ0âÎ â
â« T
0
(f âČ(t))2
dt = 0
4 1. ZĂKLADY STOCHASTICKĂHO KALKULU
KedâĆŸe kvadratickĂĄ variĂĄcia na intervale [a, b] je nezĂĄpornĂ© cĂslo, potom z nerov-
nosti vyplĂœva, ĆŸe sa musĂ rovnatâ nule. Potom kvadratickĂĄ variĂĄcia funkcie je tieĆŸ
nulovĂĄ, pretoĆŸe sa rovnĂĄ sĂșctu kvadratickĂœch variĂĄciĂ na intervaloch.
A vĆĄak pre trajektĂłrie Wienerovho procesu platĂ, ĆŸe majĂș nenulovĂș kvadratickĂș
variĂĄciu, z coho vyplĂœva ĆŸe nie sĂș ani len po castiach diferencovatelânĂ©. Ich kvadra-
tickĂĄ variĂĄcia je totiĆŸ rovnĂĄ dlĆŸke casovĂ©ho Ășseku. Toto tvrdenie je sformulovanĂ© v
nĂĄsledujĂșcej leme, ktorej dĂŽkaz je moĆŸnĂ© nĂĄjstâ v knihe [7].
Lema 1.6. [7]
limâÎ ââ0, nââ
nâ1âk=0
(Wtk+1
âWtk
)2= T,
kde konvergencia je v zmysle L2(Ω, P ), co je priestor meratelânĂœch funkciĂ s konecnou
normou definovanou takto
âfâ :=
ââ«Î©
f 2dP =â
E[f 2].
Z toho vidĂme, ĆŸe sa tu akoby strĂĄca nĂĄhodnostâ, kedâĆŸe sĂșcty ĆĄtvorcov prĂras-
tkov Wienerovho procesu konvergujĂș k dlĆŸke casovĂ©ho Ășseku, na ktorom prĂrastky
scitujeme. To mĂŽĆŸeme teda v limite zapĂsatâ ako
(dWt)2 = dt. (1.1)
Na obrĂĄzku (1.2) je znĂĄzornenĂĄ tĂĄto konvergencia sĂșctu druhĂœch mocnĂn prĂras-
tkov Wienerovho procesu pri postupnom zjemnovanĂ casovĂ©ho delenia. Na lâavom
obrĂĄzku je casovĂœ interval rozdelenĂœ na 100 castĂ a vidĂme, ĆŸe odchĂœlky od lineĂĄrnej
funkcie prislĂșchajĂșcej pribĂșdaniu casu sĂș vĂ€cĆĄie ako na obrĂĄzku vpravo s jemnejĆĄĂm
delenĂm na 1000 castĂ.
1.2 Itov integrĂĄl, izometria a Itova lema
Itov integrĂĄl je zĂĄkladnĂœm elementom stochastickĂ©ho kalkulu a mĂŽĆŸeme ho zapĂsatâ,
pre meratelânĂș funkciu f : (0, T )â R, akoâ« T
0
f(t)dW (t).
1.2. ITOV INTEGRĂL, IZOMETRIA A ITOVA LEMA 5
Obr. 1.2: Konvergencia sĂșctu druhĂœch mocnĂn prĂrastkov Wienerovho procesu pri zjemno-vanĂ casovĂ©ho delenia. Vlâavo je hrubĆĄie delenie (na 100 castĂ) a vpravo jemnejĆĄie delenie(na 1000 castĂ)
AvĆĄak tento integrĂĄl nemĂŽĆŸeme definovatâ analogicky ako Riemannov integrĂĄl
pre hladké funkcie reålnej premennej pomocou derivåcie⫠T
0
f(t)dW (t) =
â« T
0
f(t)W âČ(t)dt,
pretoĆŸe funkciaW (t) je nediferencovatelânĂĄ s pravdepodobnostâou 1 v kaĆŸdom bode.
Itov integrĂĄl teda zavedieme inak a najprv zacneme s definĂciou pre funkcie, ktorĂ©
sĂș z jeho hlâadiska elementĂĄrne.
Nech f(t) ⥠C je konĆĄtantnĂĄ funkcia, potom Itov integrĂĄl je rovnĂœâ« T
0
f(t)dW (t) = C
â« T
0
dW (t) = CW (T )â CW (0) = CW (T )
a mĂĄ teda normĂĄlne rozdelenie
N (0, C2T ) = N
(0,
â« T
0
f 2(t)dt
)Teraz mĂŽĆŸeme prejstâ k definĂcii Itovho integrĂĄlu pre meratelânĂ© funkcie reĂĄlnej
premennej
DefinĂcia 1.7. [9] Nech f : (0, T ) â R je meratelânĂĄ funkcia a platĂâ« T
0f 2(t)d(t)) <
â. Potom Itov integrĂĄlâ« T
0f(t)dW (t) definujeme takto:
â« T
0
f(t)dW (t) := limâÎ ââ0, nââ
nâ1âi=0
f(ti) (W (ti+1)âW (ti)) . (1.2)
6 1. ZĂKLADY STOCHASTICKĂHO KALKULU
Ak zrĂĄtame strednĂș hodnotu vo vĂœraze (1.2) dostaneme
E
[nâ1âi=0
f(ti) (W (ti+1)âW (ti))
]=
nâ1âi=0
f(ti)E[W (ti+1)âW (ti)] = 0,
pretoĆŸe strednĂĄ hodnota prĂrastkov Wienerovho procesu je nulovĂĄ. Pri vĂœpocte dis-
perzie vyuĆŸijeme, ĆŸe prĂrastky dW (ti) sĂș nezĂĄvislĂ© normĂĄlne rozdelenĂ© nĂĄhodnĂ©
veliciny, a dostĂĄvame
Var
[nâ1âi=0
f(ti) (W (ti+1)âW (ti))
]=
nâ1âi=0
f 2(ti)Var[W (ti+1)âW (ti)]
=nâ1âi=0
f 2(ti)(ti+1 â ti),
a ak prejdeme k limite, pre âÎ â â 0, n â â, dostĂĄvame rovnostâ, ktorĂĄ sa nazĂœva
Itova izometria:
E
[(â« T
0
f(t)dW (t)
)2]
=
â« T
0
f(t)2dt (1.3)
Pre rozdelenie Itovho integrĂĄlu teda mĂŽĆŸeme sformulovatâ nasledujĂșcu lemu.
Lema 1.8. [9] Itov integrĂĄlâ« T
0f(t)dW (t) mĂĄ normĂĄlne rozdelenie
N
(0,
â« T
0
f 2(t)dt
).
Teraz sa posunieme eĆĄte o krok dâalej a to k funkciĂĄm X t(Ï), ktorĂ© sĂș samy o
sebe stochastickĂœm procesom a zavedieme pre ne Itov integrĂĄl. To mĂŽĆŸeme urobitâ
tak, ĆŸe ich aproximujeme funkcnou hodnotou v nejakom bode deliaceho intervalu.
UvaĆŸujme dve volâby tohto bodu a to lâavĂœ a pravĂœ krajnĂœ bod tohto intervalu. Nech
1(i/n,(i+1)/n)(t) je charakteristickĂĄ funkcia intervalu ăi/n, (i+ 1)/n), t.j.
1(i/n,(i+1)/n)(t) =
1 ak t â ăi/n, (i+ 1)/n)
0 ak t /â ăi/n, (i+ 1)/n)
Potom pre lâavĂœ krajnĂœ bod mĂĄme aproximacnĂș funkciu
Lt(Ï) =nâ1âi=0
Xi/n(Ï)1(i/n,(i+1)/n)(t)
a pre pravĂœ kranĂœ bod
Rt(Ï) =nâ1âi=0
Xi+1/n(Ï)1(i/n,(i+1)/n)(t)
1.2. ITOV INTEGRĂL, IZOMETRIA A ITOVA LEMA 7
Teraz mĂŽĆŸeme vypocĂtatâ, pre oba vĂœbery bodov, integrĂĄlâ« T
0Xt(Ï)dWt(Ï) ako
limitu sĂșctovnâ1âi=0
Lt(Ï)(Wti+1(Ï)âWti(Ï)) resp.
nâ1âi=0
Rt(Ï)(Wti+1(Ï)âWti(Ï))
Pri zjemnovanĂ delenia by nĂĄs intuĂcia mohla viestâ k tomu, ĆŸe oba integrĂĄly k sebe
konvergujĂș, tak ako v prĂpade Riemanovho integrĂĄlu. To vĆĄak nie je pravda, pretoĆŸe,
ako je ukåzané v knihe [7][str.142], stredné hodnoty integrålov k sebe nekonver-
gujĂș:
E
[â« T
0
Lt(Ï)dWt(Ï)
]= 0 (1.4)
E
[â« T
0
Rt(Ï)dWt(Ï)
]= T
Z toho vyplĂœva ĆŸe ani integrĂĄly samotnĂ© nemĂŽĆŸu k sebe konvergovatâ a teda pre
rĂŽzne volâby bodov mĂŽĆŸeme dostatâ rĂŽzne vĂœsledky. DanĂœ integrĂĄl je teda zĂĄvislĂœ od
volâby tohto bodu, pricom ĆĄtandardnĂœmi volâbami z deliaceho intervalu ăti, ti+1ă je
lâavĂœ bod ti, pre ktorĂœ dostĂĄvame Itov integrĂĄlâ« T
0
Xt(Ï)dWt(Ï),
a strednĂœ bod (ti + ti+1)/2, pre ktorĂœ dostĂĄvame Stratonovichov integrĂĄlâ« T
0
Xt(Ï) dWt(Ï).
Poznamenajme, ĆŸe pre Stratonovichov integrĂĄl platia integracnĂ© formulky podobne
ako v prĂpade Riemannovho integrĂĄlu.
Od Itovho integrĂĄlu teraz prejdeme k definĂcii stochastickej diferenciĂĄlnej rov-
nice, ktorĂĄ sa bude casto objavovatâ vo zvyĆĄku prĂĄce.
DefinĂcia 1.9. [9] StochastickĂĄ diferenciĂĄlna rovnica (SDR) je diferenciĂĄlna rovnica,
v ktorej jeden alebo viacero clenov je stochastickĂœm procesom. SDR mĂŽĆŸeme zapĂsatâ
pomocou Itovho integrĂĄlu ako
Xt+s âXt =
â« t+s
t
”(Xu, u)du+
â« t+s
t
Ï(Xu, u)dWu,
co moĆŸno ekvivalentne zapĂsatâ v diferenciĂĄlnom tvare ako
dXt = ”(Xt, t)dt+ Ï(Xt, t)dWt.
8 1. ZĂKLADY STOCHASTICKĂHO KALKULU
VidĂme, ĆŸe SDR pozostĂĄva z deterministickej zloĆŸky ”(Xt, t)dt a nĂĄhodnej zloĆŸky
Ï(Xt, t)dWt. VyieĆĄenĂm SDR dostĂĄvame opĂ€tâ stochastickĂœ proces. ObzvlĂĄĆĄtâ dĂŽleĆŸitĂ©
v teĂłrii ocenovania financnĂœch derivĂĄtov sĂș SDR pre funkcie, v ktorĂœch je jedna
alebo viacero nĂĄhodnĂœch premennĂœch, urcenĂœch nejakou inou SDR. V tomto prĂ-
pade vyvstĂĄva otĂĄzka ako bude vyzeratâ SDR pre vĂœvoj funkcie f(Xt, t), ak poznĂĄme
SDR pre Xt. TĂœm sa dostĂĄvame k slĂĄvnej a dĂŽleĆŸitej leme stochastickĂ©ho kalkulu -
Itova lema.
Veta 1.10 (Itova lema [4]). Nech f(x, t) je dostatocne hladkĂĄ funkcia dvoch premen-
nĂœch, pricom Xt je rieĆĄenĂm SDR
dXt = ”(Xt, t)dt+ Ï(Xt, t)dWt,
kde Wt je Wienerov proces. Potom
df(Xt, t) =âf
âxdXt +
(âf
ât+
1
2Ï2(Xt, t)
â2f
âx2
)dt,
dĂŽsledkom coho funkcia f vyhovuje SDR
df =
(âf
ât+ ”(Xt, t)
âf
âx+
1
2Ï2(Xt, t)
â2f
âx2
)dt+ Ï(Xt, t)
âf
âxdWt.
ItĂłva lema sa dĂĄ intuitĂvne dokĂĄzatâ cez Taylorov rozvoj funkcie f :
df =âf
âtdt+
âf
âxdXt +
1
2
(â2f
âx2dX2
t + 2â2f
âxâtdXtdt+
â2f
ât2dt2)
+ o(dt),
kde o(dt) sĂș ostatnĂ© cleny vyĆĄĆĄieho rĂĄdu. Dalej sa budeme zaoberatâ vĂœrazmi dX2t ,
dXtdt a dt2. Z predpokladu pre dXt platĂ
dX2t = Ï2dW 2
t + 2”ÏdWtdt+ ”2dt2
Tu vyuĆŸijeme vztâah (1.1) pre dWt, cĂm dostĂĄvame
dX2t â Ï2dt+O(dt3/2) +O(dt2)
a
dXtdt = ”dt2 + ÏdWtdt = O(dt2) +O(dt3/2).
Cleny, ktorĂ© obsahujĂș dt vyĆĄĆĄieho rĂĄdu ako jedna, idĂș k nule. To znamenĂĄ, ĆŸe cleny
s dXtdt a dt2 mĂŽĆŸeme zanedbatâ a teda diferenciĂĄl funkcie f je:
df =âf
âxdXt +
(âf
ât+
1
2Ï2(Xt, t)
â2f
âx2
)dt.
1.3. MARTINGALY 9
Nakoniec stacĂ za dXt dosaditâ ”(Xt, t)dt+Ï(Xt, t)dWt a dostavane SDR pre funkciu
f z Itovej lemy.
1.3 Martingaly
DefinĂcia 1.11. [9] StochastickĂœ proces Ï âX t(Ï); Ï â Ω na pravdepodobnostnom
priestore (Ω,F , P ) s hodnotami v Rn, sa nazĂœva F -meratelânĂœ, ak
Xâ1t (U) := Ï â Ω; X t(Ï) â U â F
pre vĆĄetky otvorenĂ© mnoĆŸiny U â Rn.
DefinĂcia 1.12. [7] Nech na pravdepodobnostnom priestore (Ω,F , P ) pre nĂĄhodnĂș
premennĂș X : Ω â R platĂ E[|X|] < â. Nech H â F je Ï-algebra (H je teda menej
bohatĂĄ ako F). Potom podmienenĂĄ strednĂĄ hodnota E[X|H] je nĂĄhodnĂĄ premennĂĄ s
nĂĄsledujĂșcimi vlastnostâami:
i) E[X|H] je H-meratelânĂĄ
ii)â«h
E[X|H]dP =â«hXdP , pre vĆĄetky h â H.
VidĂme teda, ĆŸe podmienenĂĄ strednĂĄ hodnota zĂĄvisĂ od prĂsluĆĄnej Ï-algebry, t.j.
od informĂĄcie o realizovanĂœch hodnotĂĄch v danom case. ZĂĄkladnĂ© vlastnosti pod-
mienenej strednej hodnoty sĂș zhrnutĂ© v nĂĄsledujĂșcej vete.
Veta 1.13. [7] Nech X a Y sĂș nĂĄhodnĂ© veliciny s konecnou strednou hodnotou na
pravdepodobnostnom priestore (Ω,F , P ). Dalej nech a, b â R a G, H sĂș Ï-algebry, pre
ktorĂ© platĂ
G â H â F
Potom platĂ:
i) E[aX + bY |H] = aE[X|H] + bE[Y |H]
ii) E[E[X|H]] = E[X]
iii) E[E[X|H]|G] = E[X|G]
10 1. ZĂKLADY STOCHASTICKĂHO KALKULU
iv) ak X je H-meratelânĂĄ, potom E[X|H] = X
v) ak Y je H-meratelânĂĄ, potom E[Y X|H] = Y E[X|H]
Teraz uĆŸ mĂŽĆŸeme zadefinovatâ pojem filtrĂĄcia a martingal.
DefinĂcia 1.14. [9] FiltrĂĄciou na pravdepodobnostnom priestore (Ω,F , P ) je systĂ©m
Ï-algebier Fttâ„0, Ft â F , takĂœch, ĆŸe
s < tâ Fs â Ft
StochastickĂœ proces X ttâ„0 na (Ω,F , P ) sa nazĂœva martingal vzhlâadom k miere P a
filtrĂĄcii Fttâ„0, ak
i) X t je Ft-meratelânĂœ pre vĆĄetky t,
ii) E[|X t|] <â pre vĆĄetky t,
iii) E[Xs|Ft] = X t pre vĆĄetky s â„ t.
Z definĂcie martingalu vidĂme, ĆŸe sa vĆŸdy vztâahuje k nejakej pravdepodobnostnej
miere P a filtrĂĄcii Fttâ„0. TĂĄto filtrĂĄcia zvycajne predstavuje prirodzenĂœ systĂ©m do
seba zapadajĂșcich Ï-algebier.
Pre lepĆĄie pochopenie pojmu martingal, si ho mĂŽĆŸeme predstavitâ ako sekvenciu
nĂĄhodnĂœch premennĂœch, alebo model hry v ktorom ocakĂĄvanie dâalĆĄej hodnoty je
rovnakĂ© ako sĂșcasnĂĄ znĂĄma hodnota. To znamenĂĄ akoby sa zabĂșdala minulostâ a
predoĆĄlĂ© hodnoty nemajĂș vplyv na ocakĂĄvanie nĂĄsledujĂșcich. Takouto hrou je napr.
typovanie cĂsla pri hode kockou. PrĂkladom hry, ktorĂĄ nie je martingalom moĆŸe
bytâ typovanie vytiahnutej karty z balĂcka bez jej vrĂĄtenia, pretoĆŸe vedomostâ o uĆŸ
vytiahnutĂœch kartĂĄch zvyĆĄuje ĆĄancu na uhĂĄdnutie.
Dalej uvedieme vetu, ktorĂĄ nĂĄm pomoĆŸe pri urcovanĂ martingalu.
Veta 1.15. Nech X t0â€tâ€T a Y t0â€tâ€T sĂș stochastickĂ© procesy na pravdepodobnost-
nom priestore (Ω,F , P ) a nech pre t â [0, T ] platĂ
Y t = E(XT |Ft).
Potom Y t0â€tâ€T je martingalom vzhlâadom k miere P a filtrĂĄcii Ft0â€t.
1.3. MARTINGALY 11
DĂŽkaz: Z iii) vlastnosti podmienenej strednej hodnoty (veta (1.13))
a pre 0 †t †s †T dostaneme
Y t = E(XT |Ft) = E(E(XT |Fs)|Ft) = E(Y s|Ft),
a teda Y t0â€tâ€T je martingal.
Na zĂĄver tejto casti uvedieme vetu, ktorĂĄ hovorĂ o zmene pravdepodobnostnej
miery.
Veta 1.16. [Girsanova veta [7]] Nech Wt(Ï), 0 †t †T , je Wienerov proces na
(Ω,F , P ) a Îłt(Ï) je FWt -adaptovanĂœ proces, pricom platĂ
EP
[exp
(1
2
â« T
0
Îł2t (Ï)dt
)]<â.
Potom existuje miera Q na (Ω,F) takĂĄ, ĆŸe
i) P a Q su ekvivalentnĂ©, teda platĂ P (x) > 0â Q(x) > 0,
ii) dQdP
(Ï) = exp(ââ« T
0Îłt(Ï)dWt(Ï)â 1
2
â« T0Îł2t (Ï)dt),
iii) Wt(Ï) = Wt(Ï) +â« t
0Îłs(Ï)ds je Wienerov proces na (Ω,F , Q).
VĂœraz dQdP
(Ï) v Girsanovej vete sa nazĂœva Radon-Nikodymova derivĂĄcia miery Q
vzhlâadom na mieru P .
KAPITOLA 2
Opcie
V tejto kapitole sa budeme zaoberatâ opciami, ktorĂ© patria medzi zĂĄkladnĂ© a naj-
pouĆŸĂvanejĆĄie financnĂ© derivĂĄty. Najprv uvedieme ich klasickĂș definĂciu.
DefinĂcia 2.1. Opcia je financnĂœ kontrakt uzavretĂœ medzi dvoma stranami - vypiso-
vatelâ a drĆŸitelâ opcie. Tento kontrakt dĂĄva drĆŸitelâovi opcie prĂĄvo na kĂșpu alebo predaj
podkladovĂ©ho aktĂva, ktorĂœm je akcia, vo vopred dohodnutĂœ cas a cenu.
Opcie patria medzi zĂĄkladnĂ© a najpouĆŸĂvanejĆĄie financnĂ© derivĂĄty. Pozname-
najme, ĆŸe opcie predstavujĂș len moĆŸnostâ predaja alebo kĂșpy danej akcie za vo-
pred dohodnutĂș cenu v stanovenom case, zatialâ co pri forwardovom kontrakte sa
zmluvnĂ© strany dohodnĂș na povinnosti predaja alebo kĂșpi danĂ©ho aktĂva. Podlâa
toho ci ide o prĂĄvo na kĂșpu alebo predaj akcie rozliĆĄujeme kĂșpne (angl. call) resp.
predajné (angl. put) opcie.
Pre nĂĄzornostâ uvedieme nĂĄsledujĂșci prĂklad:
PrĂklad 2.2. Predpokladjme, ĆŸe vlastnĂme kĂșpnu opciu (call opciu) na akciu IBM s
expiracnou cenou 40 EUR a expirĂĄciou o mesiac, t.j. T = 1/12. MĂĄme teda prĂĄvo
kĂșpitâ si o mesiac akciu IBM za 40 EUR. Predpokladajme, ĆŸe dneĆĄnĂĄ cena akcie IBM je
40 EUR. KedâĆŸe vĂœvoj cien akciĂ na trhu je nĂĄhodnĂœ, nevieme povedatâ kolâko bude stĂĄtâ
akcia o mesiac. UvaĆŸujme 3 prĂpady: cena akcie je vĂ€cĆĄia ako 40 (napr. 50), rovnĂĄ 40
a menĆĄia ako 40 (napr. 30). V prvom prĂpade opciu uplatnĂme, pretoĆŸe akciu mĂŽĆŸeme
matâ za 40, zatialâ co na trhu sa predĂĄva za 50, cĂm vlastne zĂskame na rozdiele 10
EUR. V tomto prĂpade hovorĂme, ĆŸe opcia je in the money, teda jej uplatnenie nĂĄm
13
14 2. OPCIE
prinĂĄĆĄa zisk. V druhom prĂpade, pri cene akcie 40 opciu nazĂœvame at the money a
zisk mĂĄme nulovĂœ v danom momente, ci uĆŸ opciu uplatnĂme alebo nie. V poslednom
prĂpade je opcia out off the money a teda ju neuplatnĂme, kedĆŸe trhovĂĄ hodnota akcie
je 30 a opcia nĂĄm neprinĂĄĆĄa ĆŸiaden zisk.
Z toho vidĂme, ĆŸe drĆŸanie opcie nĂĄm prinĂĄĆĄa urcitĂș vĂœhodu, kedâĆŸe ju mĂŽĆŸeme
ale nemusĂme uplatnitâ. TĂĄto vĂœhoda alebo prĂĄvo je teda samo o sebe nejakĂĄ hod-
nota, ktorĂĄ by mala bytâ zaplatenĂĄ pri uzatvĂĄranĂ kontraktu vypisovatelâovi opcie.
OtĂĄzka, kolâko by malo stĂĄtâ toto prĂĄvo aby ani jedna zo strĂĄn nebola poĆĄkodenĂĄ, je
zĂĄkladnĂœm problĂ©mom teĂłrie financnĂœch derivĂĄtov.
Pod vĂœplatou alebo payoffom opcie budeme rozumietâ hodnotu opcie v case expi-
rĂĄcie rozdiel medzi trhovou cenou akcie v case expirĂĄcie a expiracnou cenou opcie v
prĂpade call opcie a opacnĂœ rozdiel v prĂpade put opcie. Ak je tento rozdiel zĂĄpornĂœ,
potom vĂœplata je nulovĂĄ. Teda vĂœplatu pre call opciu mĂŽĆŸeme napĂsatâ ako
VT = max(ST â E, 0)
a pre put opciu ako
VT = max(E â ST , 0).
Na obrĂĄzkoch (2.1) a (2.2) je tĂĄto vĂœplata graficky znĂĄzornenĂĄ.
Obr. 2.1: VĂœplata pre call opciu (hrubĂĄkrivka).
Obr. 2.2: VĂœplata pre put opciu (hrubĂĄkrivka).
Ălohou bude urcitâ âfĂ©rovĂșâ cenu danej opcie v case t = 0, ktorĂĄ sa skladĂĄ z
dvoch castĂ, a to z vnĂștornej hodnoty a prĂ©mie za riziko. VnĂștornĂĄ hodnota sa dĂĄ
15
lâahko vypocĂtatâ ako
max(S0 â E, 0)
pre call opciu a
max(E â S0, 0)
pre put opciu. Je to teda rozdiel medzi trhovou cenou prĂsluĆĄnej akcie v case t = 0
a expiracnou cenou opcie pre call opciu, ak je tento rozdiel nezĂĄpornĂœ, inak je tĂĄto
hodnota nulovĂĄ (analogicky pre put opciu). Urcitâ druhĂș zloĆŸku ceny opcie je ale o
dostâ nĂĄrocnejĆĄie a bude vyĆŸadovatâ aplikĂĄciu stochastickĂ©ho kalkulu, ako uvidĂme
v dâalĆĄĂch castiach prĂĄce.
Opcie mĂŽĆŸeme rozdelitâ na vanilla opcie, ktorĂ© predstavujĂș jednoduchĂ© opcie
(tak ako v prĂklade vyĆĄĆĄie) a exotickĂ© opcie s vlastnostâami, ktorĂ© ich robia viac
komplexnejĆĄĂmi ako beĆŸne obchodovanĂ© vanilla opcie. Vieme, ĆŸe vĂœplata vanilla
opciĂ zĂĄvisĂ len od rozdielu trhovej ceny akcie a expiracnou cenou opcie v case
expirĂĄcie. Oproti tomu je vĂœplata exotickĂœch opciĂ zĂĄvislĂĄ od viacerĂœch faktorov,
pricom vo vĂ€cĆĄine z tĂœchto derivĂĄtov je zohlâadnenĂœ historickĂœ vĂœvoj podkladovĂ©ho
aktĂva (akcie). TakĂ©to opcie sa nazĂœvajĂș drĂĄhovo-zĂĄvislĂ© (tzv. path-dependent ) a
patria medzi ne napr. ĂĄzijske, lookback a bariĂ©rovĂ© opcie. Pri exotickĂœch opciĂĄch
sa mĂŽĆŸeme tieĆŸ stretnĂștâ s inĂœmi typmi podkladovĂ©ho aktĂva ako sĂș akcie (napr.
zloĆŸenĂ© opcie na opcie, opcie na index) a tieĆŸ s vĂ€cĆĄĂm poctom podkladovĂœch aktĂv
(napr. koĆĄĂkovĂ© opcie). JednotlivĂ© typy opciĂ podrobnejĆĄie rozoberieme vo ĆĄtvrtej
kapitole.
KAPITOLA 3
Ăvod do ocenovania opciĂ
Ocenovanie opciĂ, alebo vo vĆĄeobecnosti financnĂœch derivĂĄtov, je predmetom sĂșcas-
nĂ©ho vĂœskumu vo financnĂctve. FinancnĂœ derivĂĄt je cennĂœ papier, ktorĂ©ho hodnota
zĂĄvisĂ od podkladovĂ©ho aktĂva, ktorĂ©ho cena mĂĄ stochastickĂœ charakter. PrĂkladom
podkladovĂ©ho aktĂva mĂŽĆŸe bytâ napr. akcia spolocnosti Google. NĂĄhodnĂœ vĂœvoj ceny
tejto akcie za rok 2011 je zobrazenĂœ na obrĂĄzku (3.1). V spojitosti zo stochastic-
kĂœm kalkulom mĂŽĆŸeme cenu akcie v case t oznacitâ ako stochastickĂœ proces X t(Ï)
a mnoĆŸinu historickĂœch cien akcie X t; t â T za casovĂ© obdobie T ako trajektĂłriu
tohto procesu.
Obr. 3.1: Cena akcie Google Inc.
17
18 3. ĂVOD DO OCENOVANIA OPCIĂ
ZĂĄkladnĂœ princĂp ocenovania vanilla opciĂ je moĆŸnĂ© ukĂĄzatâ pomocou binĂĄrneho
stromovĂ©ho modelu. Je to jednoduchĂœ model s diskrĂ©tnym casom, ktorĂœ mĂŽĆŸe cita-
telâ nĂĄjstâ v knihe [7]. My prejdeme rovno k ocenovaniu so spojitĂœm casom, ktorĂœm
je klasickĂœ Black-Scholesov model a ocenovanie pomocou martingalov.
3.1 Black-Scholesov vzorec
Black-Scholesov model je matematickĂœm modelom financnĂ©ho trhu, z ktorĂ©ho bol
odvodenĂœ tzv. Black-Scholesov vzorec na ocenenie vanilla opciĂ. Tento populĂĄrny
vzorec bol publikovanĂœ v roku 1973 Fisherom Blackom a Myronom Scholesom
(publikĂĄcia [1]) a znamenal prelom v ocenovanĂ a obchodovanĂ opciĂ. Black a Scho-
les odvodili parciĂĄlnu diferenciĂĄlnu rovnicu urcujĂșcu cenu opcie pouĆŸitĂm zaistâo-
vacieho bezrizikovĂ©ho princĂpu. RieĆĄenĂm tejto PDR je Black-Scholesov vzorec, kto-
rĂ©ho najvĂ€cĆĄou prednostâou je zrejme fakt, ĆŸe je funkciou niekolâkĂœch priamo pozo-
rovatelânĂœch parametrov. Tento model, hoci mĂĄ viacero nedostatkov, ako uvidĂme
neskĂŽr, je povaĆŸovanĂœ za zĂĄklad pre ocenovanie financnĂœch derivĂĄtov.
V nĂĄsledujĂșcom texte ukĂĄĆŸeme odvodenie Black-Scholesovho vzorca, ktorĂ© mĂŽ-
ĆŸeme tieĆŸ nĂĄjstâ napr. v znĂĄmej knihe od Kwoka [5]. Odvodenie urobĂme pre eurĂłp-
sku kĂșpnu opciu pouĆŸitĂm priebeĆŸnĂ©ho zaistâovania. Povedzme, ĆŸe niekto vypĂĆĄe
(predĂĄ) kĂșpnu opciu na akciu. Vypisovatelâ opcie sa takto vystavĂ riziku ĆŸe cena
akcie stĂșpne vysoko nad realizacnĂș cenu a spĂŽsobĂ mu velâkĂș stratu. AvĆĄak vypiso-
vatelâ sa mĂŽĆŸe poistitâ voci takejto situĂĄcii kĂșpenĂm prĂsluĆĄnej akcie. Potom stratu
spĂŽsobenĂș vypĂsanĂm opcie kompenzuje drĆŸanie akcie, ktorej cena rastie. TakĂĄto
zaistenĂĄ pozĂcia sa teda dĂĄ dosiahnutâ nĂĄkupom a predajom urcitĂ©ho mnoĆŸstva ak-
ciĂ a opciĂ tak, aby prĂpadnĂœ pokles v jednej poloĆŸke bol vyvĂĄĆŸenĂœ nĂĄrastom v druhej
poloĆŸke. Tento princĂp zaistenĂ©ho portfĂłlia bol znĂĄmy uĆŸ predtĂœm, ale narozdiel od
svojich predchodcov si Black a Scholes uvedomili, ĆŸe vĂœnos z tohto portfĂłlia by sa
mal rovnatâ bezrizikovej Ășrokovej miere.
Predpokladajme, ĆŸe cena akcie sa riadi podlâa stochastickej diferenciĂĄlnej rovnice
dSt = ”Stdt+ ÏStdWt, (3.1)
kde parametre ” a Ï sĂș ocakĂĄvanĂœ vĂœnos a volatilita ceny akcie. DalĆĄĂm predpo-
3.1. BLACK-SCHOLESOV VZOREC 19
kladom na cenu akcie je, ĆŸe jej vĂœvoj predstavuje nĂĄhodnĂœ vĂœber z lognormĂĄlneho
rozdelenia, t.j. Ct = St/Stâ1, t = 1, 2, . . . , T, sĂș nezĂĄvislĂ©, rovnako rozdelenĂ© nĂĄ-
hodnĂ© premennĂ© s lognormĂĄlnym rozdelenĂm a parametrami ” a Ï2. Ak oznacĂme
Yt = lnCt, t = 1, 2, . . . , T , potom tĂĄto nĂĄhodnĂĄ premennĂĄ mĂĄ normĂĄlne rozdele-
nie s rovnakĂœmi parametrami ” a Ï2 a aplikĂĄciou ItĂŽvej lemy pre jej diferenciĂĄl
dostĂĄvame
dYt =1
StdSt â
1
2S2t
Ï2S2t dt
= ”dt+ ÏdWt â1
2Ï2dt,
a teda
Yt = Y0 + ”t+ ÏWt â1
2Ï2t
lnSt = lnS0 + ”t+ ÏWt â1
2Ï2t,
z coho doståvame rieƥenie rovnice pre cenu akcie (3.1) v podobe geometrického
Wienerovho procesu:
St = S0 exp
(”t+ ÏWt â
1
2Ï2t
). (3.2)
Teraz prejdeme k vytvoreniu zaistenĂ©ho portfĂłlia, ktorĂ© bude pozostĂĄvatâ z pre-
daja jednej vanilla call opcie a nĂĄkupu αt akciĂ (pocet akciĂ sa bude priebeĆŸne me-
nitâ). Nech V = V (St, t) je cena kĂșpnej opcie v zĂĄvislosti od ceny akcie. Potom
hodnotu tohto zaistenĂ©ho portfĂłlia H(St, t) v case t mĂŽĆŸeme zapĂsatâ ako
H(St, t) = âV + αtSt.
OpĂ€tâ pouĆŸijeme Itovu lemu, tentoraz pre stochastickĂș funkciu V (St, t), cĂm dostĂĄ-
vame jej diferenciĂĄl
dV =âV
âStdSt +
(âV
ât+
1
2Ï2S2
t
â2V
âS2t
)dt.
Potom difernciĂĄl hodnoty portfĂłlia mĂŽĆŸeme napĂsatâ ako
âdV + αtdSt =
(ââVâtâ 1
2Ï2S2
t
â2V
âS2t
)dt+
(αt â
âV
âSt
)dSt
=
[ââVâtâ 1
2Ï2S2
t
â2V
âS2t
+
(αt â
âV
âSt
)”St
]dt+
(αt â
âV
âSt
)ÏStdWt,
20 3. ĂVOD DO OCENOVANIA OPCIĂ
a teda zisk Î z tohto portfĂłlia v case t je
Î (H(St, t)) =
â« t
0
âdV +
â« t
0
αudSu
=
â« t
0
[ââVâuâ 1
2Ï2S2
u
â2V
âS2u
+
(αu â
âV
âSu
)”Su
]du
+
â« t
0
(αu â
âV
âSu
)ÏSudWu.
VidĂme, ĆŸe nĂĄhodnostâ zisku je spĂŽsobenĂĄ clenomâ« t
0
(αu â
âV
âSu
)ÏSudWu.
NaĆĄou snahou pri tvorbe bezrizikovĂ©ho portfĂłlia je, aby tento stochastickĂœ clen vy-
padol a zisk sa tak stal deterministickĂœm. To sa nĂĄm podarĂ ak v kaĆŸdom case u < t
zvolĂme pocet akciĂ rovnĂœ αu = âVâSu
. Tento zisk by sa mal rovnatâ zisku z drĆŸania
bezrizikovĂ©ho portfĂłlia (bezarbitrĂĄĆŸny princĂp), ktorĂ©ho hodnota Hâ je âV + âVâSu
Su
a jeho vĂœnos je rovnĂœ bezrizikovej Ășrokovej miere r. Potom zisk z tohto portfĂłlia v
case t je
Î (Hâ(St, t)) =
â« t
0
r
(âV +
âV
âSuSu
)du.
KedâĆŸe deterministickĂ© zisky Î (H(St, t)) a Î (Hâ(St, t)) sa rovnajĂș, dostĂĄvame
ââVâuâ 1
2Ï2S2
u
â2V
âS2u
= r
(âV +
âV
âSuSu
), 0 < u < t,
a teda cena opcie V (St, t) je danĂĄ rovnicou
âV
ât+
1
2Ï2S2
t
â2V
âS2t
+ rStâV
âStâ rV = 0.
Poznamenajme, ĆŸe rovnakĂș rovnicu by sme dostali aj v prĂpade vanilla put opcie.
Ak teda oznacĂme cenu vanilla opcie ako V = V (St, t) a pridĂĄme eĆĄte predpoklad,
ĆŸe akcia priebeĆŸne vyplĂĄca dividendu, ktorej rocnĂĄ miera je D, potom cena opcie je
danĂĄ rovnicou
âV
ât+
1
2Ï2S2
t
â2V
âS2t
+ (r âD)StâV
âStâ rV = 0, St > 0, t â [0, T ]. (3.3)
Dostali sme tak Black-Scholesovu parabolickĂș parciĂĄlnu diferenciĂĄlnu rovnicu pre
cenu vanilla opcie. Pre eurĂłpske opcie sa k tejto rovnici eĆĄte pridĂĄva terminĂĄlovĂĄ
3.2. OCENOVANIE POMOCOU MARTINGALOV 21
(koncovĂĄ) podmienka, ktorĂĄ hovorĂ o cene opcie v case expirĂĄcie. Pre vanilla call
opciu s realizacnou cenou E je tĂĄto podmienka resp. koncovĂĄ cena zrejme
V (ST , T ) = max(ST â E, 0) (3.4)
a pre vanilla put opciu
V (ST , T ) = max(E â ST , 0). (3.5)
Black scholesova rovnica (3.3) mĂĄ rieĆĄenie v tvare nĂĄsledujĂșceho vzorca, tzv. Black-
Scholesovho vzorca:
V (St, t) = SteâD(Tât)Ί
(ln St
E+ (r âD + 1
2Ï2)(T â t)
ÏâT â t
)(3.6)
â Eeâr(Tât)Ί
(ln St
E+ (r âD â 1
2Ï2)(T â t)
ÏâT â t
). (3.7)
Prechod od Black-Scholesovej parabolickej parciĂĄlnej diferenciĂĄlnej rovnice k to-
muto vzorcu spocĂva v postupnosti niekolâkĂœch transformĂĄciĂ na zĂĄkladnĂœ tvar para-
bolickej rovnice a aplikovanĂ Greenovej funkcie. KompletnĂœ postup je moĆŸnĂ© nĂĄjstâ
v ucebnici [10].
Nakoniec eĆĄte spomenieme nedostatky Black-Scholesovho modela, ktorĂœmi sĂș
predovĆĄetkĂœm tieto nereĂĄlne predpoklady na financnĂœ trh:
i) trh bez transakcnĂœch nĂĄkladov a danĂ
ii) moĆŸnostâ obchodovatâ lâubovolânĂ© mnoĆŸstvo cennĂœch papierov
iii) existencia konĆĄtantnej bezrizikovej Ășrokovej miery
iv) ceny akcie sa vyvĂjajĂș podlâa rovnice (4.2) v podobe geometrickĂ©ho Wienerovho
procesu
v) konĆĄtantnĂĄ volatilita akciĂ.
3.2 Ocenovanie pomocou martingalov
V tejto casti odvodĂme vĆĄeobecnejĆĄĂ vzorec pre cenu opcie, ktorĂœ narozdiel od Black-
Scholesovho vzorca, bude platitâ aj pre zloĆŸitejĆĄie typy opciĂ. Ako uvidĂme dâalej,
22 3. ĂVOD DO OCENOVANIA OPCIĂ
tento vzorec bude v tvare strednej hodnoty z diskontovanej vĂœplaty opcie pri urcitej
bezrizikovej pravdepodobnostnej miere, ktorĂĄ zarucĂ bezarbitrĂĄĆŸnu cenu opcie.
UkĂĄĆŸeme, ĆŸe pre urcenie bezarbitrĂĄĆŸnej ceny opcie je nutnĂ© aby diskontovanĂœ
proces vĂœvoja ceny akcie bol martingalom pri urcitej pravdepodobnostnej miere Q.
TĂșto mieru Q, pri ktorej je danĂœ proces martingalom, budeme nazĂœvatâ rizikovo
neutrĂĄlna miera. Poznamenajme, ĆŸe miera Q je odliĆĄnĂĄ od pĂŽvodnej miery P spoje-
nej s pravdepodobnostnĂœm popisom budĂșceho vĂœvoja ceny akcie, ktorĂœ je popĂsanĂœ
BrownovĂœm pohybom. ProblĂ©m ako nĂĄjstâ a zarucitâ existenciu rizikovo neutrĂĄlnej
miery Q rieĆĄi Girsanovova veta a Radon-Nikodymova derivĂĄcia. TĂœmito sa ale ne-
budeme zaoberatâ a postĂșpime dâalej k bezarbitrĂĄĆŸnemu oceneniu opcie pomocou
martingalov. Girsanovej veta a existencia miery Q je popĂsanĂĄ v knihe [7].
Cez samofinancovanĂș obchodnĂș stratĂ©giu ukĂĄĆŸeme ako existencia miery Q, pri
ktorej sĂș diskontovanĂ© ceny akciĂ a derivĂĄtov martingalmi, zarucuje sprĂĄvnu cenu
opcie. Ak oznacĂme cenu penaĆŸnĂ©ho dlhopisu (angl. bond ) ako Bt = ert, potom
diskontovanĂĄ cena opcie eârtVt je vlastne relatĂvna cena opcie vzhlâadom na cenu
dlhopisu, t.j.
eârtVt =VtBt
.
TakĂ©to aktĂvum (dlhopis v tomto prĂpade), ku ktorĂ©mu sa vztâahujĂș ceny ostatnĂœch
aktĂv sa nazĂœva numeraire.
UvaĆŸujme model financnĂ©ho trhu, na ktorom sa obchoduje s k + 1 cennĂœmi pa-
piermi v casovom intervale [0, T ]. NĂĄhodnĂœ vĂœvoj na trhu budeme modelovatâ pomo-
cou pravdepodobnostnĂ©ho priestoru (Ω,F , P ) s filtrĂĄciou Ft0â€tâ€T , pricom ceny
danĂœch cennĂœch papierov Si, i = 0, 1, . . . , k sĂș Ft-adaptovanĂ© stochastickĂ© procesy.
ObchodnĂĄ stratĂ©gia bude vektor stochastickĂœch procesov (x0(t), x1(t), . . . , xk(t))T ,
kde xi(t), i = 0, 1, . . . , k udåva pocet jednotiek i-teho cenného papiera v portfóliu v
case t. To znamenĂĄ, ĆŸe hodnota takejto stratĂ©gie, alebo portfĂłlia v case t je
H(t) =kâi=0
xi(t)Sit , 0 †t †T,
a zisk z neho je
Î (t) =kâi=0
â« t
0
xi(u)dSiu, 0 †t †T.
3.2. OCENOVANIE POMOCOU MARTINGALOV 23
Potom samofinancovanostâ tohto portfĂłlia mĂŽĆŸeme zapĂsatâ ako
H(t) = H(0) + Π(t), 0 †t †T,
co znamenĂĄ, ĆŸe do portfĂłlia neprichĂĄdzajĂș a ani z neho neodchĂĄdzajĂș financnĂ©
prostriedky, a teda zmena jeho hodnoty je zĂĄvislĂĄ len od zmeny pĂŽvodnĂœch cennĂœch
papierov.
Za numeraire zvolĂme penaĆŸnĂœ dlhopis Bt = ert, a teda relatĂvna cena i-teho
cenného papiera je potom
Siâ
t = Sit/Bt, i = 1, 2, . . . , k,
Dalej vieme, ĆŸe existuje urcitĂĄ bezrizikovĂĄ pravdepodobnostnĂĄ miera Q, pri ktorej
sĂș tieto relatĂvne ceny cennĂœch papierov Q-martingalmi. To znamenĂĄ, ĆŸe aj hod-
nota celĂ©ho diskontovanĂ©ho portfĂłlia Hâ(t) = H(t)/Bt je tieĆŸ Q-martingal. Pozna-
menajme eĆĄte, ĆŸe samofinancovanostâ portfĂłlia sa zachovĂĄ aj pri diskontĂĄcii. Pre
diskontovanĂș hodnotu portfĂłlia teda platĂ Hâ0 = EQ(HâT ).
Teraz ukĂĄĆŸeme neexistenciu arbitrĂĄĆŸe sporom. Predpokladajme preto, ĆŸe na za-
ciatku mĂĄme nulovĂș hodnotou portfĂłlia H0 = Hâ0 = 0 a zĂĄroven tvrdĂme, ĆŸe na-
konci je HâT â„ 0, co teda predstavuje arbitrĂĄĆŸ. Z platnosti 0 = Hâ0 = EQ(HâT ) a
Q(Ï) > 0 potom dostĂĄvame, ĆŸe HâT sa musĂ rovnatâ nule. Ak by platilo HâT â„ 0, pri-
com pri niektorĂœch realizĂĄciĂĄch je HâT > 0, potom EQ(HâT ) > 0 a tĂœm sa dostĂĄvame
k sporu. Z toho vyplĂœva, ĆŸe HâT = 0 a existencia arbitrĂĄĆŸe je teda vylĂșcenĂĄ.
Namiesto hodnoty portfĂłlia Ht teraz mĂŽĆŸeme zobratâ cenu opcie Vt s koncovou
vĂœplatou VT . Potom vĂœplata VT generovanĂĄ samofinancovanou stratĂ©giou je FT -
meratelânĂĄ nĂĄhodnĂĄ premennĂĄ. Cena opcie Vt je potom Q-martingal a pre jej bezar-
bitrĂĄĆŸnu cenu dostĂĄvame
Vt = BtVât = BtEQ[V âT |Ft] = BtEQ[VT/BT |Ft].
KedĆŸe Bt = ert, pre vĆĄeobecnĂș cenu opcie (derivĂĄtu) v case t dostĂĄvame dĂŽleĆŸitĂœ
vztâah
Vt = EQ[eâr(Tât)VT |Ft] = eâr(Tât)EQ[VT |Ft] (3.8)
24 3. ĂVOD DO OCENOVANIA OPCIĂ
Na zĂĄver eĆĄte poznamenajme, ĆŸe ocenovanie opciĂ pomocou martingalov a Black-
Scholsovej PDR je konzistentnĂ© a tĂĄto sĂșvislostâ sa dĂĄ ukĂĄzatâ pomocou Feynman-
Kacovej formuly, ktorĂĄ hovorĂ o vztâahu medzi stochastickĂœmi procesmi a PDR. Viac
o tomto je napĂsanĂ© v knihe [5].
KAPITOLA 4
Exotické opcie
V tejto kapitole sa budeme venovatâ ocenovaniu exotickĂœch opciĂ, akĂœmi sĂș napr.
ĂĄzijskĂ© a lookback opcie. Tieto opcie sa nazĂœvajĂș exotickĂ©, kvĂŽli geografickej po-
lohe opcnĂœch bĂșrz, na ktorĂœch sa s nimi zacalo obchodovatâ. ExotickĂ© opcie, ktorĂœmi
sa budeme nĂĄsledne zaoberatâ, zohlâadnujĂș historickĂœ vĂœvoj podkladovĂ©ho aktĂva -
akcie, kvĂŽli comu dostali prĂvlastok drĂĄhovo zĂĄvislĂ© (tzv. path-dependent). HlavnĂœ
vĂœznam tĂœchto drĂĄhovo zĂĄvislĂœch opciĂ spocĂva v tom, ĆŸe umoĆŸnujĂș investorom znĂ-
ĆŸitâ riziko spojenĂ© s vĂœkyvmi ceny podkladovĂ©ho aktĂva v blĂzkosti casu expirĂĄcie,
ktorĂ© mĂŽĆŸu matâ aj ĆĄpekulatĂvny charakter (cenovĂĄ manipulĂĄcia zo strany vypisova-
telâa).
4.1 ĂzijskĂ© opcie
Pri vĂœplate ĂĄzijskĂœch opciĂ je zohlâadnenĂĄ aktuĂĄlna cena akcie a tieĆŸ jej historickĂœ
vĂœvoj. V tomto prĂpade sa historickĂœ vĂœvoj ceny akcie zohlâadnuje pomocou jeho
priemeru pocas platnosti prĂsluĆĄnej opcie. Tento priemer sa mĂŽĆŸe rĂĄtatâ viacerĂœmi
spĂŽsobmi, napr. ako aritmetickĂœ alebo geometrickĂœ priemer, a vo vĆĄeobecnosti ho
budeme oznacovatâ ako At pre nejakĂœ cas t. Dalej mĂŽĆŸeme priemer pocĂtatâ budâ z
diskrĂ©tnych dĂĄt, alebo spojito cez integrĂĄl. VidĂme teda, ĆŸe existuje viacero typov
ĂĄzijskĂœch opciĂ a ich klasifikĂĄciu spravĂme na zĂĄklade tĂœchto kritĂ©riĂ:
1. zåkladné delenie : a) call opcia b) put opcia
25
26 4. EXOTICKĂ OPCIE
2. typ spriemerovania podkladovĂ©ho aktĂva :
aritmetickĂœ priemer geometrickĂœ primer
spojitĂœ prĂpad At =1
t
â« t
0
SÏdÏ lnAt =1
t
â« t
0
lnSÏdÏ
diskrĂ©tny prĂpad Atn =1
n
nâi=1
Sti lnAtn =1
n
nâi=1
lnSti ,
pricom v diskrĂ©tnom prĂpade je t1 < t2 < . . . < tn nejakĂ© delenie casovĂ©ho
intervalu platnosti opcie.
3. pozĂcia spriemerovnej veliciny vo vĂœplatnej funkcii :
a) v pozĂcii ceny aktĂva - tzv. average rate call resp. put opcia, t.j. vĂœplata pre
call opciu: V arc(ST , AT , T ) = max(AT â E, 0)
put opciu: V arp(ST , AT , T ) = max(E â AT , 0)
b) v pozĂcii expiracnej ceny opcie - tzv. average strike call resp. put opcia, t.j.
vĂœplata pre
call opciu: V asc(ST , AT , T ) = max(ST â AT , 0)
put opciu: V asp(ST , AT , T ) = max(AT â ST , 0)
VĂdime, ĆŸe celkovo tak mĂŽĆŸeme dostatâ rĂŽzne typy ĂĄzijskĂœch opciĂ s relatĂvne
dlhĂœmi nĂĄzvami, napr. ĂĄzijskĂĄ spojite geometricky spriemerovanĂĄ average strike
call opcia. Na obrĂĄzku (4.1) je zobrazenĂœ prĂklad vĂœvoja ceny akcie a prĂsluĆĄnĂ©ho
aritmetickĂ©ho a geometrickĂ©ho priemera vypocĂtanĂ©ho z diskrĂ©tnych dĂĄt.
4.1.1 PDR pre åzijské opcie
V tejto casti odvodĂme parciĂĄlnu diferenciĂĄlnu rovnicu pre ĂĄzijskĂ© opcie, podobne
ako sme dostali Black-Scholesovu PDR pre vanilla opcie v predchĂĄdzajĂșcej casti.
AvĆĄak hodnota ĂĄzijskej opcie V = V (S,A, t) zĂĄvisĂ nielen od ceny akcie S a casu
t â [0, T ], ale aj od priemernej ceny akcie A. Preto pri vĂœpocte diferenciĂĄlu ceny
opcie dV budeme potrebovatâ poznatâ diferenciĂĄl priemernej ceny akcie dA.
4.1. ĂZIJSKĂ OPCIE 27
Obr. 4.1: VĂœvoj ceny akcie spolu s aritmetickĂœm a geometrickĂœm priemerom
Pre aritmetickĂœ priemer dostĂĄvame
dA
dt=
1
tSt â
1
t2
â« t
0
SÏdÏ =St â At
t,
a pre geometrickĂœ priemer
1
A
dA
dt=
d lnA
dt=
1
tlnSt â
1
t2
â« t
0
lnSÏdÏ =lnSt â lnAt
t.
Odtialâ dostĂĄvame diferenciĂĄl dA pre aritmetickĂœ a geometrickĂœ priemer v tvare
dA =S â At
dt a dA = AlnS â lnA
tdt.
To mĂŽĆŸeme pre oba prĂpady zapĂsatâ pomocou funkcie f(x, t) ako
dA = Af
(S
A, t
)dt, (4.1)
kde f(x, t) = (xâ 1)/t pre aritmetickĂœ priemer a f(x, t) = (ln x)/t pre geometrickĂœ
priemer. PodstatnĂ© je, ĆŸe v oboch prĂpadoch je diferenciĂĄl priemeru dA v prvom
rĂĄde aproximĂĄcie rĂĄdu dt.
Teraz mĂŽĆŸeme prejstâ k vĂœpoctu difernciĂĄlu dV (S,A, t). PouĆŸitĂm Itovej lemy,
vztâahu (4.1) a faktu, ĆŸe dA a dt sĂș ronakĂ©ho rĂĄdu, dostĂĄvame
dV =âV
âSdS +
âV
âAdA+
(âV
ât+
1
2Ï2S2â
2V
âS2
)dt
=âV
âSdS +
(âV
âAf
(S
A, t
)+âV
ât+
1
2Ï2S2â
2V
âS2
)dt
28 4. EXOTICKĂ OPCIE
PDR pre ĂĄzijskĂ© opcie odvodĂme pomocou zaistenĂ©ho portfĂłlia, podobne ako v
predchĂĄdzajĂșcej casti. Pre cenu akcie budeme opĂ€tâ uvaĆŸovatâ SDR
dSt = (”âD)Stdt+ ÏStdWt, (4.2)
kde ” a Ï je drift a volatilita ceny akcie a D je miera spojite vyplĂĄcanej dividendy.
ZaistenĂ© portfĂłlio vytvorĂme predajom jednej ĂĄzijskej call opcie a nĂĄkupom αt akciĂ,
a teda jeho hodnota H(St, t) v case t je H(St, t) = âV +αtSt. Potom pre diferenciĂĄl
hodnoty tohto portfĂłlia dostĂĄvame
âdV + αtdSt =
(â âVâAt
f
(StAt, t
)â âV
âtâ 1
2Ï2S2
t
â2V
âS2t
)dt+
(αt â
âV
âSt
)dSt
=
[âV
âAtf
(StAt, t
)â âV
âtâ 1
2Ï2S2
t
â2V
âS2t
+
(αt â
âV
âSt
)”St
]dt
+
(αt â
âC
âSt
)ÏStdWt,
a pre zisk Î z tohto portfĂłlia v case t mĂĄme
Î (H(St, t)) =
â« t
0
âdV +
â« t
0
αudSu
=
â« t
0
[âV
âAuf
(SuAu
, u
)â âV
âuâ 1
2Ï2S2
u
â2V
âS2u
+
(αu â
âV
âSu
)”Su
]du
+
â« t
0
(αu â
âV
âSu
)ÏSudWu.
Pri volâbe poctu akcià αu = âVâSu
v kaĆŸdom case u < t, stochastickĂœ clen vypadne a
zisk sa stane deterministickĂœm. Z bezarbitrĂĄĆŸneho princĂpu vyplĂœva, ĆŸe tento zisk by
sa mal rovnatâ zisku z bezrizikovĂ©ho portfĂłlia, ktorĂ©ho hodnota Hâ je âV + âVâSu
Su
a jeho vĂœnos je rovnĂœ bezrizikovej Ășrokovej miere r. KedâĆŸe deterministickĂ© zisky
Î (H(St, t)) a Î (Hâ(St, t)) =â« t
0r(âV + âV
âSuSu
)du sa rovnajĂș, dostĂĄvame
âf(SuAu
, u
)âV
âAuâ âV
âuâ 1
2Ï2S2
u
â2V
âS2u
= r
(âV +
âV
âSuSu
), 0 < u < t,
a teda cena åzijskej opcie V (S,A, t) pre aritmetické alebo geometrické spriemero-
vanie ceny akcie je danĂĄ rovnicou
f
(S
A, t
)âV
âA+âV
ât+
1
2Ï2S2â
2V
âS2+ (r âD)S
âV
âSâ rV = 0. (4.3)
RieĆĄenie tejto rovnice V (S,A, t) je definovanĂ© na mnoĆŸine (S,A, t) â (0,â) Ă
(0,â) â (0, T ) a s terminĂĄlovou podmienkou (vĂœplatnou funkciou) podlâa prĂsluĆĄ-
nĂ©ho typu opcie (napr. V (ST , AT , T ) = max(AT â ST , 0) ).
4.2. LOOKBACK OPCIE 29
VĆĄimnime si, ĆŸe v rovnici (4.3) vystupuje len prvĂĄ parciĂĄlna derivĂĄcia V podlâa
premennej A, a teda tĂĄto PDR nie je aĆŸ tak vhodnĂĄ pri aplikovanĂ numerickej apro-
ximĂĄcie. Tento problĂ©m sa vĆĄak dĂĄ vyrieĆĄitâ zavedenĂm transformĂĄcie
x =S
A, x â (0,â) a V (S,A, t) = AW (x, t).
Po dosadenĂ transformovanĂœch premennĂœch do rovnice (4.3) a terminĂĄlovej pod-
mienky pre prĂsluĆĄnu opciu, dostĂĄvame po krĂĄtkych ĂșpravĂĄch transformovanĂș PDR
pre W (x, t)
f(x, t)
(W â xâW
âx
)+âW
ât+
1
2Ï2x2â
2W
âx2+ (r âD)x
âW
âxâ rW = 0, (4.4)
ktorej rieĆĄenie W (x, t) je definovanĂ© na oblasti (x, t) â (0,â)Ă (0, T ) a terminĂĄlovĂĄ
podmienka (vĂœplatnĂĄ funkcia) pre napr. average strike put opciu mĂĄ tvar W (x, T ) =
max(1â x, 0) (pre ostatnĂ© typy ĂĄzijskĂœch opciĂ analogicky).
4.2 Lookback opcie
Lookback opcie patria tieĆŸ medzi drĂĄhovo zĂĄvislĂ© opcie. Pri tĂœchto derivĂĄtoch je
historickĂœ vĂœvoj ceny podkladovĂ©ho aktĂva zohlâadnenĂœ pomocou maximĂĄlnej (M)
a minimimĂĄlnej (m) ceny tohto aktĂva, nadobudnutej pocas ĆŸivotnosti opcie (t.j.
od vypĂsania opcie do jej expirĂĄcie). Na obrĂĄzku (4.2) je znĂĄzornenĂœ prĂklad vĂœ-
voja ceny akcie spolu s maximĂĄlnou (hornĂĄ) a minimĂĄlnou (dolnĂĄ) nadobudnutou
cenou.
Lookback opcie mĂŽĆŸeme, podobne ako ĂĄzijskĂ© opcie, rozdelitâ podlâa vĂœplatnej
funkcie na dva zåkladné typy:
a) lookback opcie s pevnou expiracnou cenou E - tzv. extreme rate call resp. put
opcia, kde v pozĂcii aktĂva je budâ maximum M = MTT0
= max(St, t â [T0, T ]).,
alebo ako minimum m = mTT0
= min(St, t â [T0, T ]) ceny aktĂva v casovom inter-
vale [T0, T ]. To znamenĂĄ, ĆŸe vĂœplatnĂĄ funkcia je v prvom prĂpade pre maximum
a pre
call opciu: V ercM = max(M â E, 0)
30 4. EXOTICKĂ OPCIE
put opciu: V erpM = max(E âM, 0)
a vdruhom prĂpade je pre minimum a pre
call opciu: V ercm = max(mâ E, 0)
put opciu: V erpm = max(E âm, 0)
b) lookback opcie s pohyblivou expiracnou cenou - tzv. extreme strike call resp. put
opcia , kde maximum M alebo minimum m ceny aktĂva je v pozĂcii expriacnej
ceny (strike), teda vĂœplatnĂĄ funkcia je pre
call opciu: V escm = max(S âm, 0)
put opciu: V espM = max(M â S, 0)
Poznamenajme, ĆŸe pre extreme strike opciu mĂĄme len dva uvedenĂ© typy, pre-
toĆŸe nemĂĄ zmysel matâ extreme strike put opciu pre minimĂĄlnu cenu a call opciu
pre maximĂĄlnu cenu, kedâ ĆŸe ich vĂœplatnĂ© funkcie V espm = max(m â S, 0) a V esc
m =
max(S âM, 0) sĂș vĆŸdy nulovĂ©.
4.2.1 PDR pre lookback opcie
V tejto casti odvodĂme parciĂĄlnu diferenciĂĄlnu rovnicu pre look back, podobnĂœm
spĂŽsobom ako sme dostali PDR pre ĂĄzijskĂ© opcie. Odvodenie spravĂme pre extreme
strike lookback put opciu, ktorej cena V (S,M, t) je zĂĄvislĂĄ okrem ceny akcie S a
Obr. 4.2: VĂœvoj ceny akcie spolu s priebeĆŸnĂœm maximom a minimom
4.2. LOOKBACK OPCIE 31
casu t â [T0, T ] aj od maximĂĄlnej nadobudnutej ceny akcie M . Teda v tomto prĂ-
pade budeme pri vĂœpocte diferenciĂĄlu ceny opcie dV potrebovatâ poznatâ diferenciĂĄl
maximĂĄlnej ceny akcie dM .
Najprv zavedieme novĂș premennĂș
Mn =
[â« t
T0
(SÏ )ndÏ
]1/n
, t > T0,
ktorĂĄ bude aproximovatâ maximĂĄlnu cenu akcie M . PlatĂ totiĆŸ, ĆŸe
limnââ
Mn = maxT0â€Ïâ€t
SÏ = M.
DerivovanĂm premennej Mn dostĂĄvame
dMn
dt=
1
n
[â« t
T0
(SÏ )ndÏ
] 1nâ1
Sn =1
n
[â« t
T0
(SÏ )ndÏ
] 1ânn
Sn =1
n
Sn
(Mn)nâ1,
a teda pre diferenciĂĄl tejto premennej mĂĄme
dMn =1
n
Sn
(Mn)nâ1dt. (4.5)
DifernciĂĄl dV (S,M, t) potom dostaneme pouĆŸitĂm Itovej lemy a pomocou vztâahu
(4.5) a faktu, ĆŸe dMn a dt sĂș ronakĂ©ho rĂĄdu, nĂĄsledovne:
dV =âV
âSdS +
âV
âMn
dMn +
(âV
ât+
1
2Ï2S2â
2V
âS2
)dt
=âV
âSdS +
(1
n
Sn
(Mn)nâ1
âV
âMn
+âV
ât+
1
2Ï2S2â
2V
âS2
)dt
DalĆĄie kroky pri odvĂĄdzanĂ PDR pre lookback opcie sĂș takmer rovnakĂ© ako pre
ĂĄzijskĂ© opcie, a teda niektorĂ© z nich preskocĂme. Pomocou bezarbitrĂĄĆŸneho princĂpu
a konĆĄtrukcie zaistenĂ©ho portfĂłlia, ktorĂ© bude pozostĂĄvatâ z kĂșpy jednej extreme
strike lookback put opcie a predaja α akciĂ, sa dostaneme, rovnakĂœm postupom ako
pri ĂĄzijskĂœch opciĂĄch, k rovnici:
1
n
Sn
(Mn)nâ1
âV
âMn
+âV
ât+
1
2Ï2S2â
2V
âS2+ (r âD)S
âV
âSâ rV = 0 (4.6)
Teraz prejdeme k limite pre nââ, pricom vieme ĆŸe S †M . V prĂpade S < M
dostĂĄvame
limnââ
1
n
Sn
(Mn)nâ1= 0
32 4. EXOTICKĂ OPCIE
a pre S = M platĂ, ĆŸe cena tejto lookback put opcie je nezĂĄvislĂĄ od aktuĂĄlne reali-
zovanej maximĂĄlnej ceny, a teda âVâM
= 0 (bliĆŸĆĄie vysvetlenie v knihe [5], str. 206).
Z toho vyplĂœva, ĆŸe prvĂœ clen v rovnici (4.7) vypadne, cĂm sa dostĂĄvame k rovnici
âV
ât+
1
2Ï2S2â
2V
âS2+ (r âD)S
âV
âSâ rV = 0, 0 < S < M, T0 < t, (4.7)
co je vlastne klasickĂĄ Black-Scholesova PDR pre vanilla opcie, aĆŸ nato, ĆŸe tĂĄto ob-
sahuje hornĂ© ohranicenie M na cenu akcie S. PrĂsluĆĄnĂĄ terminĂĄlovĂĄ podmienka mĂĄ
tvar V (S,M, T ) = M â S.
KAPITOLA 5
Hedging
Pojem hedging, teda zaistâovanie je vo financnĂctve zauĆŸĂvanĂœ ako vytvĂĄranie inves-
ticnej pozĂcie, ktorĂĄ vyrovnĂĄva (kompenzuje) potenciĂĄlne straty alebo zisky spojenĂ©
s investovanĂm. Hlavnou Ășlohou tohto zaistenia, ktorĂ© mĂŽĆŸeme nazvatâ aj meneĆŸ-
ment rizika, je teda eliminĂĄcia rizika straty, ktorĂ©mu sĂș vystavenĂœ ĂșcastnĂci financ-
ného trhu.
Ako prĂklad uvaĆŸujme financnĂș inĆĄtitĂșciu, ktorĂĄ vypĂĆĄe (predĂĄ) vanilla call opciu
na 100 000 akciĂ bez dividend za 250 000 EUR. TĂĄto opcia mĂĄ expiracnĂș cenu
90 EUR a maturitu o 3 mesiace, pricom sĂșcasnĂĄ hodnota jednej akcie je 86 EUR.
OcakĂĄvanĂœ vĂœnos akcie je 10%, jej volatilita je 20% a bezrizikovĂĄ ĂșrokovĂĄ miera
je 2% per annum. Potom cena opcie na jednu akciu vypocĂtanĂĄ pomocou Black-
Scholesovho vzorca je 2 EUR, a teda teoretickĂĄ Black-Scholesova cena opcie, ktorĂș
vypĂsala inĆĄtitĂșcia je 200 000 EUR. InĆĄtitĂșcia teda predala tĂșto opciu za cenu o
50 000 EUR vyƥƥiu ako je jej teoretickå, avƥak vystavila sa riziku straty, ktoré chce
eliminovatâ.
Jednou z moĆŸnostĂ pre inĆĄtitĂșciu je nerobitâ nic, teda zaujatâ tzv. naked position.
TĂĄto pozĂcia je vĂœhodnĂĄ, ak cena akcie v dobe expirĂĄcie neprekrocĂ 90 EUR, pretoĆŸe
v tomto prĂpade call opcia nebude uplatnenĂĄ a teda inĆĄtitĂșcia bude matâ zisk z
predaja tejto opcie 250 000 EUR. V druhom prĂpade, ak cena akcie prekrocĂ 90
EUR sa ale tĂĄto pozĂcia stĂĄva nevĂœhodnou. Ak by bola cena akcie v dobe expirĂĄcie
napr. 100 EUR, potom call opcia bude uplatnenĂĄ a inĆĄtitĂșcia stratĂ rozdiel medzi
33
34 5. HEDGING
touto cenou a expiracnou cenou, vynĂĄsobenĂœ poctom akciĂ, co je 1 000 000 EUR.
TĂĄto pozĂcia teda neposkytuje spolâahlivĂ© zaistenie.
Druhou moĆŸnostâou je zaujatâ tzv. covered position,teda pokrytĂș pozĂciu, ktorĂĄ po-
zostĂĄva z nĂĄkupu 100 000 akciĂ pri predaji opcie. TĂĄto pozĂcia je naopak vĂœhodnĂĄ ak
cena akcie v dobe expirĂĄcie bude vyĆĄĆĄia ako expiracnĂĄ cena 90 EUR, pretoĆŸe opcia
bude v tom prĂpade uplatnenĂĄ a inĆĄtitĂșcia predĂĄ 100 000 akciĂ drĆŸitelâovi opcie,
ktorĂ© si na zaciatku kĂșpila a dosiahne tak zisk z predaja opcie 250 000 EUR. Ak by
vĆĄak cena akcie klesla o 8 na 78 EUR, potom opcia nebude uplatnenĂĄ, ale inĆĄtitĂșcia
stratĂ na poklese ceny akcie 800 000 EUR, co je ovelâa viac ako 250 000 EUR, ktorĂ©
zĂska za predaj opcie. To znamenĂĄ, ĆŸe ani tĂĄto alternatĂvna pozĂcia neposkytuje
uspokojivé zaistenie.
DĂŽmyselnejĆĄou pozĂciou by mohlo bytâ skombinovanie predoĆĄlĂœch dvoch. Ta-
kĂĄto pozĂcia, alebo stratĂ©gia, tzv. stop-loss strategy je zaloĆŸenĂĄ na tom, ĆŸe akonĂĄhle
stĂșpne cena akcie nad expiracnĂș cenu, tak vypisovatelâ call opcie si kĂșpi prĂsluĆĄnĂș
akciu, resp. mnoĆŸstvo akciĂ na ktorĂ© je vypĂsanĂĄ opcia. Naopak pri poklese ceny
akcie pod expiracnĂș cenu vypisovatelâ call opcie predĂĄ prĂsluĆĄnĂ© mnoĆŸstvo akciĂ.
Ide teda o striedanie naked a covered pozĂcie, v zĂĄvislosti od ceny akcie a expirac-
nej ceny. TĂĄto stratĂ©gia mĂĄ ale tieĆŸ viacero neĂœhod (podrobnejĆĄie v knihe [3]) ako
napr. rozdiel medzi cenou za ktorĂș sa kupuje a predĂĄva. CĂm viac krĂĄt by cena ak-
cie pretâala expiracnĂș cenu, tĂœm vyĆĄĆĄie by boli transakcnĂ© nĂĄklady. To znamenĂĄ, ĆŸe
nĂĄklady na takĂ©to zaistenie sĂș zĂĄvislĂ© od priebehu ceny akcie.
VidĂme, ĆŸe pri zaistâovanĂ pomocou uvedenĂœch pozĂciĂ sĂș nĂĄklady na toto zaiste-
nie zĂĄvislĂ© od konkrĂ©tneho vĂœvoja ceny akcie a teda nepredvĂdatelânĂ©. V uvedenom
prĂklade s call opciou majĂș nĂĄklady na zaistenie vysokĂș volatilitu, mĂŽĆŸe to bytâ 0
alebo aj 1 000 000 EUR a viac. V ideĂĄlnom prĂpade by mala bytâ volatilita nĂĄkla-
dov nulovĂĄ, teda nĂĄklady by boli deterministickĂ© a vĂœĆĄka tĂœchto nĂĄkladov pre tzv.
perfektnĂ© zaistenie by mala bytâ rovnĂĄ Black-Scholesovej cene opcie. VyplĂœva to z
odvodenia Black-Scholesovho vzorca, kde sme pouĆŸili bezarbitrĂĄĆŸny princĂp, ktorĂœ
zarucuje "fĂ©rovĂș" cenu opcie, t.j. ani jedna zo strĂĄn by nemala bytâ zvĂœhodnenĂĄ. V
naĆĄom prĂklade by to znamenalo, ĆŸe nĂĄklady na zaistenie opcie by boli vĆŸdy 200
000 EUR. Avƥak takéto perfektné zaistenie na reålnom financnom trhu neexistuje.
5.1. DELTA HEDGING 35
ExistujĂș ale rĂŽzne pokrocilĂ© metĂłdy, ktorĂ© mĂŽĆŸeme v zĂĄsade rozdelitâ na dve sku-
piny:
âą tzv. preference-free metĂłdy, ktorĂ© nezĂĄvisia od subjektĂvnych ocakĂĄvanĂ a pre-
ferenciĂ. Tieto metĂłdy, alebo strĂĄtegie sĂș casovo lokĂĄlne v tom zmysle, ĆŸe zĂĄ-
visia len na zloĆŸenĂ zaistâovacieho portfĂłlia a na podkladovom aktĂve v danom
case, bez ohlâadu na minulĂœ a budĂșci vĂœvoj.
âą metĂłdy optimalizujĂșce nejakĂș velicinu, napr. maximalizĂĄcia ocakĂĄvanĂ©ho ĂșĆŸitku
alebo minimalizovanie rizika. Tieto metĂłdy naopak zĂĄvisia na subjektĂvnom
pohlâade ĂșcastnĂka financnĂ©ho trhu na budĂșci vĂœvoj aktĂva.
VyvstĂĄva prirodzenĂĄ otĂĄzka, ĆŸe ktorĂĄ zaistâovacia metĂłda je najlepĆĄia. Samoz-
rejme jednoduchĂĄ odpovedâ na tĂștu otĂĄzku neexistuje, kedâĆŸe rĂŽzny lâudia majĂș
rĂŽzne nĂĄzory na to co znamenĂĄ "najlepĆĄia". ZĂĄkladnou myĆĄlienkou je vĆĄak to, ĆŸe
investor vie, ĆŸe zaistâovanie je nĂĄkladnĂ© a musĂ si ex-ante zvolitâ svoju ĂșĆŸitkovĂș fun-
kciu, ktorĂĄ co najlepĆĄie charakterizuje jeho preferencie.
5.1 Delta hedging
V tejto casti sa budeme bliĆŸĆĄie zaoberatâ tzv. delta hedgingom, teda delta zaistâova-
nĂm. S tĂœmto zaistâovanĂm sme sa uĆŸ stretli v predchĂĄdzajĂșcej kapitole pri odvĂĄdzanĂ
Black-Scholesovej parabolickej PDR pre cenu vanilla opcie, kde mnoĆŸstvo akciĂ â
v zaistenom portfĂłliu bolo rovnĂ© derivĂĄcii ceny opcie podlâa ceny akcie. PĂsmeno â
patrĂ do skupiny tzv. "greeks", co sĂș grĂ©cke pĂsmenĂĄ zauĆŸĂvanĂ© pre meranie citlivosti
ceny opcie na rĂŽzne parametre. KaĆŸdĂ© z tĂœchto pĂsmen meria odliĆĄnĂș castâ rizika v
opcnej pozĂcii a Ășlohou investora je ich meneĆŸment tak aby boli vĆĄetky rizikĂĄ prenho
prijatâelânĂ©. Medzi greeks patrĂ:
âą â - Delta, t.j. zĂĄvislostâ zmeny ceny opcie na zmene ceny akcie:
â =âV
âS
36 5. HEDGING
âą Î - Gama, t.j. zĂĄvislostâ zmeny faktora â na zmene ceny akcie:
Î =ââ
âS=â2V
âS2
âą Î - ThĂ©ta, t.j. zĂĄvislostâ zmeny ceny opcie na zmene expiracnej doby T, resp.
casu do expirĂĄcie T-t:
Î = ââVâT
=âV
ât
âą g - Vega, t.j. zĂĄvislostâ zmeny ceny opcie na zmene volatility ceny akcie:
â =âV
âÏ
âą Ï - RĂł, t.j. zĂĄvislostâ zmeny ceny opcie na zmene bezrizikovej Ășrokovej miery:
â =âV
âr
5.1.1 Delta opcie
Tu sa budeme bliĆŸĆĄie zaoberatâ parametrom â, ktorĂœ je azda najdĂŽleĆŸitejĆĄĂm z po-
medzi spomenutĂœch parametrov pri analĂœze trhovĂœch dĂĄt. Ako uĆŸ bolo spomenutĂ©,
â opcie meria citlivostâ ceny opcie na zmenu ceny akcie. Pre nĂĄzornostâ, ak by â
call opcie na akciu bolo 0.8, potom zmena ceny akcie o malĂș hodnotu x bude matâ
za nĂĄsledok zmenu ceny opcie o pribliĆŸne 80% tejto hodnoty x.
V nĂĄsledujĂșcom odvodĂme explicitnĂœ vzorec pre â vanilla opcie a pre â vybra-
nĂœch exotickĂœch opciĂ. Postup je jednoduchĂœ a spocĂva v derivovanĂ explicitnĂ©ho
vzorca pre cenu danĂœch opciĂ podlâa ceny akcie.
Pre odvodenie â pre vanilla call a put opciu stacĂ ak zderivujeme Black-Scholesov
vzorec pre ceny tĂœchto opciĂ podlâa ceny akcie. Pre Ășspornostâ zĂĄpisov napĂĆĄeme
Black-Scholesov vzorec pre call opciu v tvare
V call(S, t) = SeâD(Tât)Ί(d1)â Eeâr(Tât)Ί(d2)
a pre put opciu v tvare
V put(S, t) = Eeâr(Tât)Ί(âd2)â SeâD(Tât)Ί(âd1),
5.1. DELTA HEDGING 37
kde
d1 =ln St
E+ (r âD + 1
2Ï2)(T â t)
ÏâT â t
d2 =ln St
E+ (r âD â 1
2Ï2)(T â t)
ÏâT â t
= d1 â ÏâT â t.
V dâalĆĄom budeme potrebovatâ derivĂĄciu kumulatĂvnej distribucnej funkcie nor-
malizovanĂ©ho normĂĄlneho rozdelenia Ί(x), co vieme ĆŸe je hustota tohto rozdelenia
a budeme ju oznacovatâ
Ï(x) =1â2Î
eâx2/2
NĂĄsledujĂșca lema hovorĂ o rovnostiach, ktorĂ© platia pre veliciny v Black-Scholesovom
vzorci.
Lema 5.1. PlatĂ:âd1
âS=âd2
âS=
1
SÏâT â t
(5.1)
SeâD(Tât)Ï(d1)â Eeâr(Tât)Ï(d2) = 0 (5.2)
DĂŽkaz: Rovnostâ (5.1) sa dĂĄ lâahko nahliadnutâ, a preto prejdeme k druhej rov-
nosti. (5.2) platĂ prĂĄve vtedy kedâ:
SeâD(Tât)Ï(d1) = Eeâr(Tât)Ï(d2)
S
Ee(Tât)(râD) =
Ï(d2)
Ï(d1)
lnS
E+ (T â t)(r âD) =
d21 â d2
2
2,
pricom pravĂĄ strana poslednej rovnice je:
d21 â d2
2
2=
1
2(d1 + d2)(d1 â d2) =
1
2(2d1 â Ï
âT â t)Ï
âT â t
= lnS
E+ (r âD +
1
2Ï2)(T â t)â 1
2Ï2(T â t)
= lnS
E+ (T â t)(r âD)
Pre deltu call opcie potom dostĂĄvame
âcall =âV call
âS= SeâD(Tât)Ï(d1)
âd1
âS+ eâD(Tât)Ί(d1)â Eeâr(Tât)Ï(d2)
âd2
âS
= eâD(Tât)Ί(d1) +âd1
âS[SeâD(Tât)Ï(d1)â Eeâr(Tât)Ï(d2)]
= eâD(Tât)Ί(d1),
38 5. HEDGING
kde sme pri poslednĂœch dvoch ĂșpravĂĄch vyuĆŸili lemu (5.1).
Analogicky pre deltu put opcie mĂĄme
âput =âV put
âS= (â1)â SeâD(Tât)Ï(âd1)
âd1
âSâ eâD(Tât)Ί(âd1)
+(â1)Eeâr(Tât)Ï(âd2)âd2
âS
= âeâD(Tât)Ί(âd1).
Obr. 5.1: Delta pre call opciu Obr. 5.2: Delta pre put opciu
Na obrĂĄzku (5.1) a (5.2) je zobrazenĂœ priebeh âcall a âput v zĂĄvislosti od ceny
akcie pre vanilla call a put opciu s parametrami E = 120, D = 0, pricom bezrizikovĂĄ
ĂșrokovĂĄ miera je 2%, volatilita akcie 30% a cas do expirĂĄcie je jeden rok. VidĂme,
ĆŸe âput je vlastne âcall o 1 posunutĂ© nadol. To vyplĂœva zo zĂĄkladnej vlastnosti ku-
mulatĂvnej distribucnej funkcie normalizovanĂ©ho normĂĄlneho rozdelenia Ί(x):
Ί(âx) = 1â Ί(x)
5.1.2 Delta pre exotické opcie
V tejto cati uvedieme vĂœpocet â pre rĂŽzne typy exotickĂœch opciĂ. Zacneme prĂkla-
dom pre ĂĄzijskĂș aritmeticky spriemerovanĂș opciu, ktorej cenu a â vypocĂtame nu-
5.1. DELTA HEDGING 39
mericky, pretoĆŸe explicitnĂœ vzorec pre tento typ derivĂĄtu nepoznĂĄme. Dalej budeme
pocĂtatâ â exotickĂœch opciĂ derivovanĂm ich explicitnĂœch vzorcov cien.
ĂzijskĂĄ diskrĂ©tne aritmeticky spriemerovanĂĄ average rate opcia
Na vĂœpocet â tejto opcie pouĆŸijeme numerickĂș metĂłdu Monte Carlo. Touto me-
tĂłdou budeme simulovatâ vĂœvoj ceny akcie, z ktorej vypocĂtame cenu opcie a nĂĄ-
sledne â, teda zĂĄvislostâ zmeny ceny opcie od zmeny pociatocnej ceny akcie.
Pre vĂœvoj ceny akcie budeme opĂ€tâ uvaĆŸovatâ stochastickĂș diferenciĂĄlnu rovnicu
dSt = ”Stdt+ ÏStdWt, (5.3)
ktorej rieĆĄenie vieme, ĆŸe je
St = S0 exp
(”t+ ÏWt â
1
2Ï2t
).
Podlâa tohto vztâahu budeme generovatâ ceny akcie aĆŸ do casu expirĂĄcie. Potom vy-
cĂslime koncovĂ© ceny opcie VT podlâa vztâahu
VT = max(Aâ E, 0)
kde A je aritmetickĂœ priemer z cien akcie pocas danej simulĂĄcie a E je expiracnĂĄ
cena. Dalej vypocĂtame cenu opcie v case t = 0 ako diskontovanĂș strednĂș hodnotu z
koncovĂœch cien, pricom tĂșto strednĂș hodnotu aproximujeme aritmetickĂœm prieme-
rom (vychĂĄdzame zo zĂĄkona velâkĂœch cĂsel). OcakĂĄvanĂœ vĂœnos akcie ” nahradĂme
bezrizikovou Ășrokovou mierou r, aby sme tak dostali bezarbitrĂĄĆŸnu cenu opcie (v
rizikovo neutrĂĄlnom svete sa vĂœnos musĂ rovnatâ bezrizikovej Ășrokovej miere). Po-
tom rovnica na postupné generovanie cien akcie bude
St2 = St1 exp
((r â 1
2Ï2
)(t2 â t1) + ÏZt1
), (5.4)
kde
Zt1 = Wt2 âWt1 , 0 †t1 †t2 †T (5.5)
mĂĄ rozdelenie N (0, t2 â t1).
Na koniec vypocĂtame â z cien opciĂ pomocou aproximĂĄcie derivĂĄcie ako
â =âV
âS0
=V (S0 + Δ)â V (S0)
Δ,
40 5. HEDGING
pre Δ dostatocne malé.
Na obrĂĄzku (5.3) je znĂĄzonenĂœ priebeh â pre aritmetickĂș ĂĄzijskĂș call a put opciu
v zĂĄvislosti od pociatocnej ceny akcie. V tomto prĂklade majĂș opcie expiracnĂș cenu
E = 120 a maturitu T = 10 dnĂ, pricom podkladovĂœm aktĂvom je akcia s volatilitou
Ï = 0.2 a bezrizikovĂĄ ĂșrokovĂĄ miera je r = 0.02. Za Δ sme zvolili 0.01 (menĆĄie
hodnoty uĆŸ nemali vplyv na presnostâ rieĆĄenia, t.j. velâkostâ odchyliek sa uĆŸ nemenila)
a pocet simulĂĄciĂ pre kaĆŸdĂș cenu opcie bol 5000.
Program na vĂœpocet â tejto opcie je nakonci v Listingu programov (6.1).
Obr. 5.3: Delta vypocĂtanĂĄ simulĂĄciou pre aritmetickĂș ĂĄzijskĂș call opciu (vlâavo) a put opciu(vpravo)
Z tĂœchto grafov vidĂme, ĆŸe â aritmetickĂœch ĂĄzijskĂœch opciĂ ma velâmi podobnĂœ
priebeh ako â vanilla opciĂ. AvĆĄak vidĂme, ĆŸe grafy pre ĂĄzijskĂ© opcie majĂș drobnĂ©
vĂœchylky, ktorĂ© sĂș spĂŽsobenĂ© nepresnostâami pouĆŸitej Monte Carlo metĂłdy. V zĂĄsade
mohli vzniknĂștâ dve rĂŽzne chyby v dĂŽsledku:
âą diskretizĂĄcie derivĂĄcie na vĂœpocet â
⹠nepresného odhadnutia cien opcià V (S0 + Δ), V (S0)
ĂzijskĂĄ spojite geometricky spriemerovanĂĄ average rate call opcia
5.1. DELTA HEDGING 41
Podlâa ocenovacej formuly (3.8) vieme, ĆŸe cena tejto opcie je
V arc(S,A, t) = eâr(Tât)EQ[max(Aâ E, 0)], (5.6)
kde E je expiracnĂĄ cena, S = St a
A = At = exp
(1
t
â« t
0
lnSÏdÏ
).
Odvodenie explicitného vzorca pre cenu tejto opcie z formuly (5.6) je ukåzané v
knihe [5] a my teda prejdeme rovno k tomuto vzorcu:
V arc(S,A, t) = eâr(Tât)[At/TS(Tât)/T e”+Ï2/2Ί(d1)â EΊ(d2)], (5.7)
kde
” =
(r âD â Ï2
2
)(T â t)2
2T
Ï =Ï
T
â(T â t)3
3
d2 =1
Ï
(t
TlnA+
T â tT
lnS + Ӊ lnE
)d1 = d2 + Ï
ZderivovanĂm vzorca (5.7) podlâa ceny akcie dostĂĄvame â pre danĂș opciu v tvare
âarc = eâr(Tât)At/TâS(Tât)/T
âSe”+Ï2/2Ί(d1)
+ eâr(Tât)(At/TS(Tât)/T e”+Ï2/2Ï(d1)
âd1
âSâ EÏ(d2)
âd2
âS
)Toto mĂŽĆŸeme dâalej zjednoduĆĄitâ - ĂșkĂĄĆŸeme, ĆŸe vĂœraz
At/TS(Tât)/T e”+Ï2/2Ï(d1)âd1
âSâ EÏ(d2)
âd2
âS
je nulovĂœ. Zrejme platĂâd1
âS=âd2
âS
a ak upravĂme druhĂș zloĆŸku
EÏ(d2) = EÏ(d1 â Ï) = E1â2Î
eâ(d1âÏ)2/2
= E1â2Î
eâd21/2e(2d1ÏâÏ2)/2 = EÏ(d1)e(2d1ÏâÏ2)/2
= EÏ(d1)et/T lnA+(Tât)/T lnSâlnE+”âÏ2/2 = EÏ(d1)e”âÏ2/2At/TS(Tât)/TEâ1
= Ï(d1)e”âÏ2/2At/TS(Tât)/T ,
42 5. HEDGING
tak vidĂme, ĆŸe sa rovnĂĄ prvej zloĆŸke, a teda danĂœ vĂœraz je nulovĂœ. Z toho dostĂĄvame
âarc = eâr(Tât)At/TâS(Tât)/T
âSe”+Ï2/2Ί(d1)
= eâr(Tât)(A
S
)t/TT â tT
e”+Ï2/2Ί(d1)
ĂzijskĂĄ spojite geometricky spriemerovanĂĄ average strike call opcia
Podobne ako v predoĆĄlom bude cena tejto opcie danĂĄ ocenovacou formulou (3.8)
ako
V asc(S,A, t) = eâr(Tât)EQ[max(S â A, 0)]. (5.8)
OpĂ€tâ uvedieme uĆŸ priamo explicitnĂœ vzorec pre cenu danej opcie (prechod od for-
muly (5.8) k explicitnĂ©mu vzorcu je uvedenĂœ v knihe [5]).
V asc(S,A, t) = SeâD(Tât)Ί(d1)â At/TS(Tât)/T eâD(Tât)eâQΊ(d2) (5.9)
kde
d1 =t ln(S/A) +
(r âD + Ï2
2
)T 2ât2
2
Ïâ
T 3ât33
d2 = d1 âÏ
T
âT 3 â t3
3
Q =
(r âD + Ï2
2
)2
T 2 â t2
Tâ Ï2
6
T 3 â t3
T 2
ZderivovanĂm vzorca (5.9) podlâa ceny akcie dostĂĄvame â pre danĂș opciu v tvare
âasc = eâD(Tât)[Ί(d1)â At/T âS
(Tât)/T
âSeâQΊ(d2)
]+ eâD(Tât)
[SÏ(d1)
âd1
âSâ At/TS(Tât)/T eâQÏ(d2)
âd2
âS
]Toto mĂŽĆŸeme dâalej zjednoduĆĄitâ, podobne ako v predchĂĄdzajĂșcom prĂpade, pretoĆŸe
vĂœraz
SÏ(d1)âd1
âSâ At/TS(Tât)/T eâQÏ(d2)
âd2
âS= 0,
a teda nakoniec dostĂĄvame
âasc = eâD(Tât)[Ί(d1)â At/T âS
(Tât)/T
âSeâQΊ(d2)
]= eâD(Tât)
[Ί(d1)â
(A
S
)t/TT â tT
eâQΊ(d2)
]
5.1. DELTA HEDGING 43
Lookback extreme rate call opcia
Vieme, ĆŸe vĂœplata takejto opcie je max(MTT0â E, 0), kde MT
T0= max(St, t â
[T0, T ]). Pre cenu opcie v case t potom platĂ
V erc(S,M, t) = eâr(Tât)EQ[max(max(M,MTt )â E, 0)],
kde S = St a M = M tT0
je priebeĆŸnĂ© maximum nadobudnutĂ© do casu t. Tento vztâah
mĂŽĆŸeme rozpĂsatâ podlâa toho ci je vĂ€cĆĄie priebeĆŸnĂ© maximum alebo expiracnĂĄ cena
nĂĄsledovne:
pre M †E platĂ
V erc(S,M, t) = eâr(Tât)EQ[max(MTt â E, 0)],
a pre M > E platĂ
V erc(S,M, t) = eâr(Tât)((M â E) + EQ[max(MTt âM, 0)])
V druhom prĂpade pre M > E vidĂme, ĆŸe vĂœplata bude minimĂĄlne M â E. TĂĄto
vĂœplata potom predstavuje novĂș vyĆĄĆĄiu expiracnĂș hodnotu pre casovĂœ interval [t, T ],
a teda vĂœplata sa mĂŽĆŸe eĆĄte zvĂœĆĄitâ ak cena akcie stĂșpne nad M â E.
Ak definujeme funkciu
H(S, t,K) = eâr(Tât)EQ[max(MTt âK, 0)],
kde K je konĆĄtanta (predstavuje expiracnĂș cenu), potom cenu danej opcie mĂŽĆŸeme
napĂsatâ ako
V erc(S,M, t) =
H(S, t, E) ak M †E
eâr(Tât)(M â E) +H(S, t,M) ak M > E
V knihe [5] je uvedenĂœ postup na vĂœpocet explicitnĂ©ho vzorca pre H(S, t,K). Na
tomto mieste uvedieme uĆŸ priamo danĂœ vzorec:
H(S, t,K) = SΊ(d)â eâr(Tât)KΊ(dâ ÏâT â t)
+ eâr(Tât)Ï2
2rS
[er(Tât)Ί(d)â
(S
K
)â 2rÏ2
Ί
(dâ 2r
Ï
âT â t
)]
44 5. HEDGING
kde
d =ln S
K+ (r + Ï2
2)(T â t)
ÏâT â t
Na vĂœpocet â opcie teda potrebujeme derivĂĄciu funkcie H(S, t,K) podlâa S, ktorĂș
zĂskame zderivovanĂm vyĆĄĆĄie uvedenĂ©ho vzorca:
âH(S, t,K)
âS= Ί(d) + SÏ(d)
âd
âSâ eâr(Tât)KÏ(dâ Ï
âT â t)â(dâ Ï
âT â t)
âS
+Ï2
2rΊ(d)â eâr(Tât)
Ï2
2r
(S
K
)â 2rÏ2
Ί
(dâ 2r
Ï
âT â t
)+
Ï2
2rSÏ(d)
âd
âSâ eâr(Tât)
Ï2
2rS
(S
K
)â 2rÏ2
Ï
(dâ 2r
Ï
âT â t
)+ eâr(Tât)
(S
K
)â 2rÏ2
Ί
(dâ 2r
Ï
âT â t
)Toto mĂŽĆŸeme zjednoduĆĄitâ, tak ako v predchĂĄdzajĂșcich prĂpadoch, pretoĆŸe vĂœrazy
SÏ(d)âd
âSâ eâr(Tât)KÏ(dâ Ï
âT â t)â(dâ Ï
âT â t)
âS= 0
aÏ2
2rSÏ(d)
âd
âSâ eâr(Tât)
Ï2
2rS
(S
K
)â 2rÏ2
Ï
(dâ 2r
Ï
âT â t
)= 0.
Teda nakoniec dostĂĄvame
âH(S, t,K)
âS= Ί(d)
(1 +
Ï2
2r
)+ eâr(Tât)
(S
K
)â 2rÏ2
Ί
(dâ 2r
Ï
âT â t
)(1â Ï2
2r
)Potom â tejto lookback opcie je
âerc =
âH(S,t,E)
âSak M †E
âH(S,t,M)âS
ak M > E
KAPITOLA 6
Malliavinov kalkul a delta opcie
Malliavinov kalkul sa tieĆŸ nazĂœva stochastickĂœ kalkul variĂĄciĂ, pretoĆŸe rozĆĄiruje kal-
kul variĂĄciĂ pre funkcie na kalkul variĂĄciĂ pre stochastickĂ© procesy. Z hlâadiska fi-
nancnej matematiky je tento kalkul zaujĂmavĂœ kvĂŽli tomu, ĆŸe umoĆŸnuje derivovanie
a integrovanie po castiach nĂĄhodnĂœch velicĂn, co sa vyuĆŸĂva pri pocĂtanĂ paramet-
rov citlivosti financnĂœch derivĂĄtov. MĂŽĆŸeme teda takto vypocĂtatâ parametre greeks
- Delta, Gama, ThĂ©ta, Vega, RĂł a dâalĆĄie, kedĆŸe sĂș to derivĂĄcie ceny opcie podlâa
prĂsluĆĄnĂœch premennĂœch.
V tejto casti uvedieme zåkladné elementy Malliavinovho kalkulu, ktoré potom
vyuĆŸijeme pri pocĂtanĂ parametrov greeks. ObĆĄĂrnejĆĄie o Malliavinom kalkule je na-
pĂsanĂ© v knihe [8].
Hlavnou vĂœhodou tohto kalkulu je, ĆŸe nĂĄm poskytne ĂșcinnĂœ nĂĄstroj na derivova-
nie cien opcĂ v tvare strednej hodnoty
Vt = eâr(Tât)EQ[VT ],
a teda na vĂœpocet parametrov greeks opcie nebudeme potrebovatâ poznatâ expli-
citnĂ© vzorce pre ich ceny a ani vzorce pre greeks. Toto nĂĄm umoĆŸnĂ odhadovatâ
resp. simulovatâ priamo derivĂĄciu ceny opcie, teda greeks, bez toho aby sme najprv
odhadovali resp. simulovali cenu opcie a z nej potom pocĂtali danĂ© greeks. TakĂœmto
postupom dostaneme greeks opcie v podobnom tvare ako je cena opcie:
greek = eâr(Tât)EQ[VT ·w],
45
46 6. MALLIAVINOV KALKUL A DELTA OPCIE
kde w je urcitĂĄ vĂĄha, ktorĂș vypocĂtame. Tento vĂœsledok znamenĂĄ, ĆŸe parameter
greek mĂŽĆŸe bytâ vypocĂtanĂœ priamo (vĂœslednĂœ vzorec mĂŽĆŸe bytâ klâudne jednoduchĆĄĂ
ako povĂŽdnĂœ problĂ©m) alebo simulĂĄciou (Monte Carlo) spolu s cenou opcie pri
rovnakej pravdepodobnostnej miere Q.
6.1 OperĂĄtor derivĂĄcie
Na pravdepodobnostnom priestore (Ω,F , P ) s filtråciou Ft generovanou Wienero-
vĂœm procesom Wt a pre deterministickĂ© funkcie h : [0, T ] â R, h â L2([0, T ])
definujeme nĂĄhodnĂș premennĂș
W (h) =
â« T
0
h(t)dWt,
teda W (h) je Itov integrĂĄl. Dalej nech Cân je mnoĆŸina hladkĂœch funkciĂ f : Rn â R
a S je mnoĆŸina nĂĄhodnĂœch premennĂœch v tvare
F = f(W (h1),W (h2), . . . ,W (hn)),
kde f â Cân a h1, h2, . . . , hn â L2([0, T ]). Potom operĂĄtor derivĂĄcie D mĂŽĆŸeme
definovatâ nĂĄsledovne:
DefinĂcia 6.1. [8] Pre F â S definujeme stochastickĂœ proces DtF ako
DtF =nâi=1
âf
âxi(W (h1),W (h2), . . . ,W (hn))hi(t)
Malliavinova derivĂĄcia je teda lineĂĄrny operĂĄtor D : L2(Ω) â L2(Ω Ă [0, T ]).
DefinicnĂœ obor operĂĄtora D mĂŽĆŸeme dâalej rozĆĄĂritâ, ak uvaĆŸujeme normu
||F ||1,2 = ||F ||L2(Ω) + ||F ||L2(ΩĂ[0,T ])
a D1,2 definujeme ako uzĂĄver mnoĆŸiny S v norme ||.||1,2, potom D1,2 je definicnĂœ
obor operĂĄtora D.
Pre nĂĄzornostâ uvaĆŸujme jednoduchĂș funkciu F = W (h) =â« T
0h(t)dWt. Potom
jej Malliavinova derivĂĄcia je jednoducho DtW (h) = h(t), co je vlastne integrand
Itovho integrĂĄlu.
V nĂĄsledujĂșcej vete uvedieme vlastnosti tohto operĂĄtora.
6.2. SKOROHODOV INTEGRĂL 47
Veta 6.2. [8] Malliavinov operĂĄtor derivĂĄcie mĂĄ nĂĄsledujĂșce vlastnosti:
1. linearita: Dt(cF +G) = cDt(F ) +Dt(G), âF,G â D1,2
2. pravidlo retâazenia: Dt(f(F )) =ân
i=1âfâxiDtF , âf â Cân , F â D1,2
3. sĂșcinovĂ© pravidlo: Dt(FG) = GDt(F ) +FDt(G), âF,G â D1,2 a ||DF || <â
6.2 Skorohodov integrĂĄl
KedĆŸe Malliavinov operĂĄtor derivĂĄcie je lineĂĄrny, musĂ k nemu existovatâ opacnĂœ
operĂĄtor: ÎŽ : L2(Ω Ă [0, T ]) â L2(Ω). OperĂĄtor ÎŽ sa nazĂœva Skorohodov integrĂĄl a
definujeme ho nĂĄsledovne:
DefinĂcia 6.3. [8] Skorohodov integrĂĄl je operĂĄtor
ÎŽ : df(ÎŽ) â L2(Ωà [0, T ])â L2(Ω)
s definicnĂœm oborom
df(ÎŽ) = u â L2(Ωà [0, T ]),âC â R : |E[
â« T
0
DtFutdt]| †C||F ||L2(Ω),âF â D1,2,
pre ktorĂœ platĂ
E
[â« T
0
DtFutdt
]= E[FÎŽ(u)]
Poznamenajme, ĆŸe pre adaptovanĂ© procesy je Skorohodov integrĂĄl totoĆŸnĂœ s
Itovim integrĂĄlom, a teda platĂ rovnostâ
E
[â« T
0
DtFutdt
]= E[FÎŽ(u)] = E
[F
â« T
0
utdWt
]
NĂĄsledujĂșca veta hovorĂ o integrĂĄcii po castiach v Malliavinovom kalkule.
Veta 6.4. [8] Nech u â df(ÎŽ), F â D1,2, Fu â L2(Ωà [0, T ]), potom platĂ
ÎŽ(Fu) = FÎŽ(u)ââ« T
0
DtFutdt
48 6. MALLIAVINOV KALKUL A DELTA OPCIE
DĂŽkaz: Z definĂcie Skorohodovho integrĂĄlu a pouĆŸitĂm sĂșcinovĂ©ho pravidla pre
F,G â D1,2 mĂĄme
E[FGÎŽ(u)] = E
[â« T
0
Dt(FG)utdt
]= E
[G
â« T
0
Dt(F )utdt
]+ E
[F
â« T
0
Dt(G)utdt
]= E
[G
â« T
0
Dt(F )utdt
]+ E[GÎŽ(Fu)]
6.3 Malliavinova vĂĄĆŸenĂĄ schĂ©ma
V tejto casti ukĂĄĆŸeme ako vypocĂtatâ greek opcie pomocou vĂĄhy w, ktorĂĄ hovorĂ
comu sa rovnĂĄ prĂsluĆĄnĂĄ derivĂĄcia v rovnici
greek = eâr(Tât)â
âPEQ[VT (ST )] = eâr(Tât)EQ
[âVT (ST )
âST
âSTâP
]= eâr(Tât)EQ[VT ·w],
kde P je parameter podlâa ktorĂ©ho derivujeme (napr. pre â je to cena akcie S a pre
Ï je to ĂșrokovĂĄ miera r).
Chceme teda vypocĂtatâ, comu sa rovnĂĄ E[ÏâČ(X)G], kde X je podkladovĂ© aktĂvum
- akcia, Ï(.) je vĂœplata a X(t+h)âX(t)h
â G pre hâ 0, je derivĂĄcia procesu X.
UvaĆŸujme lâubovlânĂœ proces hs, pre ktorĂœ podlâa pravidla retâazenia platĂ
GhsDsÏ(X) = GhsÏâČ(X)DsX
a po integrĂĄcii mĂĄmeâ« T
0
GhsDsÏ(X)ds = GÏâČ(X)
â« T
0
hsDsXds
a po Ășprave dostĂĄvame
GÏâČ(X) =
â« T0GhsDsÏ(X)dsâ« T0hsDsXds
.
Oznacme us = Ghsâ« T0 hsDsXds
. Potom platĂ
E[ÏâČ(X)G] = E
[â« T
0
DsÏ(X)usds
]= E[Ï(X)ÎŽ(u)],
z coho dostĂĄvame nĂĄsledujĂșci vzorec:
E[ÏâČ(X)G] = E[Ï(X)w], (6.1)
6.4. DELTA PRE EXOTICKĂ OPCIE 49
kde vĂĄha w je
w = ÎŽ
(Ghsâ« T
0hsDsXds
).
V nĂĄsledujĂșcom prĂklade je ukĂĄzanĂœ vĂœpocet â pre vanilla opciu pomocou vzorca
(6.1).
PrĂklad 6.5. Predpokladajme, ĆŸe cena akcie je danĂĄ geometrickĂœm BrownovĂœm pohy-
bom ako
ST = Ste(râDâÏ2/2)(Tât)+Ï
â« Tt dWÏ ,
kde T â„ t a D je rocnĂĄ miera priebeĆŸne vyplĂĄcanej dividendy. Chceme vypocĂtatâ â
vanilla opcie, teda derivĂĄciu ceny opcie podlâa pociatocnej ceny akcie S0. Potom
â =â
âS0
eârTEQ[Ï(ST )]
= eârTEQ
[ÏâČ(ST )
âSTâS0
]=
eârT
S0
EQ[ÏâČ(ST )ST ],
pricom sme vyuĆŸili rovnostâ âSTâS0
= e(râDâÏ2/2)T+ÏWT = STS0.
Teraz pouĆŸijeme vzorec (6.1) na vĂœpocet vĂĄhy w pre hs = 1:
w = ÎŽ
(STâ« T
0DsSTds
)
= ÎŽ
(ST
ÏSTâ« T
01sâ€Tds
)
= ÎŽ
(1
ÏT
)=
WT
ÏT
a teda nakoniec dostĂĄvame
â =eârT
S0
EQ
[Ï(ST )
WT
ÏT
]
6.4 Delta pre exotické opcie
V tejto casti ukĂĄĆŸeme ako vypocĂtatâ parameter â pre vybranĂ© typy exotickĂœch opciĂ
pomocou Malliavinovho kalkulu.
50 6. MALLIAVINOV KALKUL A DELTA OPCIE
ĂzijskĂĄ spojite aritmeticky spriemerovanĂĄ average rate call opcia
Pre tĂșto opciu vypocĂtame â ako derivĂĄciu ceny opcie Vt podlâa pociatocnej ceny
akcie S0 a vĂœsledok porovnĂĄme s â z predchĂĄdzajĂșcej casti.
Vieme, ĆŸe cena tejto opcie je
V (S,A, t) = eâr(Tât)EQ[max(Aâ E, 0)],
kde E je expiracnĂĄ cena a
A = AT =1
T
â« T
0
Stdt.
Potom â vypocĂtame ako
â = eâr(Tât)â
âS0
EQ[VT (A)]
= eâr(Tât)EQ
[âVT (A)
âA
âA
âS0
]=
eâr(Tât)
S0
EQ
[âVT (A)
âAA
]a pouĆŸitĂm vzorca (6.1) dostaneme â ako
â =eâr(Tât)
S0
EQ
[âVT (A)
âAA
]=eâr(Tât)
S0
EQ[VT (A)w],
kde vĂĄha w je Skorohodov integrĂĄl
w = ÎŽ
(AStâ« T
0StDtAdt
).
V nĂĄsledujĂșcom vĂœpocte â vyuĆŸijeme rovnostâ
DtA =1
T
â« T
0
DtSÏdÏ =Ï
T
â« T
t
SÏdÏ (6.2)
a tĂșto lemu:
Lema 6.6. Pre cenu akcie St danĂș geometrickĂœm BrownovĂœm pohybom ako
ST = S0e(râÏ2/2)T+ÏWT
platĂ rovnostâ â« T0Stâ« TtSÏdÏdt(â« T
0Stdt
)2 =1
2
6.4. DELTA PRE EXOTICKĂ OPCIE 51
DĂŽkaz:
2
â« T
0
St
â« T
t
SÏdÏdt =
â« T
0
St
â« T
t
SÏdÏdt+
â« T
0
SÏ
â« Ï
0
StdtdÏ
=
â« T
0
St
(â« T
t
SÏdÏ +
â« t
0
SÏdÏ
)dt
=
â« T
0
St
â« T
0
SÏdÏdt
=
(â« T
0
Stdt
)2
Teraz mĂŽĆŸeme vypocĂtatâ vĂĄhu ako
w = ÎŽ
(AStâ« T
0StDtAdt
)=
2
ÏÎŽ
(Stâ« T
0Stdt
)
=2
Ï
(â« T0StdWtâ« T
0Stdt
+
â« T0St(â« TtÏSÏdÏ)dt
(â« T
0Stdt)2
)
=2
Ï
â« T0StdWtâ« T
0Stdt
+ 1,
pricom sme vyuĆŸili vztâah (6.2), lemu (6.6) a vetu (6.4). To mĂŽĆŸeme dâalej upravitâ,
pretoĆŸe platĂ â« T
0
StdWt =1
Ï
(ST â S0 â r
â« T
0
Stdt
)a teda
w = ÎŽ
(AStâ« T
0StDtAdt
)=
2
Ï2
ST â S0 â râ« T
0Stdtâ« T
0Stdt
+ 1
=2
Ï2
(ST â S0â« T
0Stdt
â r +Ï2
2
)
=2
Ï2
(ST â S0
TAâ r +
Ï2
2
).
To znamenĂĄ, ĆŸe â tejto opcie je
â =2eârT
Ï2S0
EQ
[VT (A)
(ST â S0
TAâ r +
Ï2
2
)], (6.3)
kde
VT (A) = max
(1
T
â« T
0
Stdtâ E, 0).
52 6. MALLIAVINOV KALKUL A DELTA OPCIE
ĂzijskĂĄ spojite geometricky spriemerovanĂĄ average rate call opcia
Vieme, ĆŸe cena tejto opcie je
V arc(S,A, t) = eâr(Tât)EQ[max(Aâ E, 0)|Ft], (6.4)
kde E je expiracnĂĄ cena a
A = AT = exp
(1
T
â« T
0
lnSÏdÏ
),
t.j. geometrickĂœ priemer.
Potom â vypocĂtame ako
â = eâr(Tât)â
âStEQ[VT (AT )|Ft]
= eâr(Tât)EQ
[âVT (AT )
âAT
âATâSt|Ft]
Najprv vypocĂtame comu sa rovnĂĄ vĂœraz âATâSt
:
âATâSt
=â
âStexp
(t
T
1
t
â« t
0
lnSudu+T â tT
1
T â t
â« T
t
lnSudu
)=
ATT
â
âSt
â« T
t
lnSt + (r âD â Ï2/2)(uâ t) + Ï(Wu âWt)du
=ATT
â« T
t
1
Stdu
=T â tT
ATSt
To znamenĂĄ, ĆŸe â mĂĄ tvar
â =eâr(Tât)(T â t)
TStEQ
[âVT (AT )
âATAT |Ft
]a pouĆŸitĂm vzorca (6.1) moĆŸeme â vypocĂtatâ ako
â =eâr(Tât)(T â t)
TStEQ [VT (AT )w|Ft] ,
kde vĂĄha w je
w = ÎŽ
(ATâ« T
tDsATds
).
6.4. DELTA PRE EXOTICKĂ OPCIE 53
Pre tĂșto vĂĄhu dostĂĄvame:
ÎŽ
(ATâ« T
tDsATds
)= ÎŽ
(ATâ« T
tAT
1T
â« Ts
1StÏStdtds
)
= ÎŽ
(1â« T
tÏT
(T â s)ds
)
=1
ÏÎŽ
(2T
(T â t)2
)=
2T (WT âWt)
Ï(T â t)2
a teda nakoniec pre â danej opcie v case t mĂĄme vztâah:
â =2eâr(Tât)
(T â t)ÏStEQ [VT (AT )(WT âWt)|Ft]
ĂzijskĂĄ spojite geometricky spriemerovanĂĄ average strike call opcia
Cena tejto opcie je danĂĄ vzorcom
V asc(S,A, t) = eâr(Tât)EQ[max(ST â AT , 0)|Ft] = eâr(Tât)EQ[VT (ST â AT )|Ft],
kde S = St a
A = AT = exp
(1
T
â« T
0
lnSÏdÏ
).
VidĂme, ĆŸe vo vĂœplatnej funkcii vystupujĂș dve premennĂ©: ST a AT . TĂșto komplikĂĄciu
mĂŽĆŸeme vyrieĆĄitâ znĂĆŸenĂm dimenzie problĂ©mu, t.j. prejdeme k novej premennej
XT = ATST
, ktorĂș zĂskame prejdenĂm k novej pravdepodobnostnej miereQâ, pri ktorej
mĂĄ vĂœplatnĂĄ funkcia tvar:
V asc(S,A, t) = eâD(Tât)StEQâ [VT (1âXT )|Ft]. (6.5)
KompletnĂœ postup zniĆŸenia dimenzie problĂ©mu je uvedenĂœ v prĂĄci [2] (str. 51).
Prejdenie od pravdepodobnostnej miery Q k Qâ sa dĂĄ spravitâ pomocou Girsanovej
vety (1.16), v ktorej za proces Îłt(Ï) zoberieme konĆĄtantu âÏ, teda zĂĄpornĂș vola-
tilitu. Potom podlâa spomenutej vety (1.16) platĂ, ĆŸe Radon-Nikodymova derivĂĄcia
jedQâ
dQ= eâ
12Ï2t+ÏWQ
t = eâ(râD)tSt/S0 = ηt,
kde ηt je martingal a
WQâ
t = WQt â Ït,
54 6. MALLIAVINOV KALKUL A DELTA OPCIE
kde WQâ
t je Wienerov proces spojenĂœ s pravdepodobnostnou mierou Qâ a WQt je
Wienerov proces na (Ω,F , Q).
To znamenĂĄ, ĆŸe cena akcie pri miere Q danĂĄ ako
St = S0e(râDâÏ2/2)t+ÏWQt
sa zmenĂ pri miere Qâ na
St = S0e(râD+Ï2/2)t+ÏWQât
Z bezarbitrĂĄĆŸneho princĂpu vieme, ĆŸe diskontovanĂ© ceny vĆĄetkĂœch aktĂv sĂș martin-
galmi, t.j. pri miere Q:
eârtVt = EQ[eârTVT |Ft]
a pri novej miere Qâ:
Vt = EQâ [eâr(Tât)VT |Ft]
= EQâ
[ηtηT
eâr(Tât)VT |Ft]
= EQâ
[StST
eâD(Tât)VT |Ft]
Potom pre cenu aktĂv pri miere Qâ platĂ
VteDtSt
= EQâ
[VT
eDTST|Ft],
a teda pre mieru Qâ sme dostali novĂœ numeraire eDtSt, t.j. cena akcie vrĂĄtane divi-
dend.
ZvyĆĄok postupu znĂĆŸenia dimenzie problĂ©mu je uvedenĂœ v spomĂnanej prĂĄci [2].
Na tomto mieste prejdeme rovno k rovnici (6.5) a vĂœpoctu â.
Pre ĂĄzijskĂș average strike call opciu vypocĂtame â ako
â =â
âSteâD(Tât)StEQâ [VT (1âXT )|Ft]
= eâD(Tât)EQâ [VT (1âXT )|Ft] + eâD(Tât)StEQâ
[âVT (1âXT )
â(1âXT )
â(1âXT )
âSt|Ft]
= eâD(Tât)(EQâ [VT (1âXT )|Ft]â StEQâ
[âVT (1âXT )
â(1âXT )
âXT
âSt|Ft])
6.4. DELTA PRE EXOTICKĂ OPCIE 55
Najprv spocĂtame comu sa rovnĂĄ vĂœraz âXTâSt
:
âXT
âSt=âATST
âSt=
âATâSt
ST â AT âSTâSt
S2T
=TâtT
ATStST â AT STStS2T
=1
St
(T â tTâ 1
)ATST
= â t
TStXT
To znamenĂĄ, ĆŸe â tejto opcie je
â = eâD(Tât)(EQâ [VT (1âXT )|Ft] +
t
TEQâ
[âVT (1âXT )
â(1âXT )XT |Ft
])a pouĆŸitĂm vzorca (6.1) moĆŸeme â vypocĂtatâ ako
â = eâD(Tât)(EQâ [VT (1âXT )|Ft] +
t
TEQâ [VT (1âXT )w|Ft]
),
kde vĂĄha w je
w = ÎŽ
(XTâ« T
tDs(1âXT )ds
)
= ÎŽ
XTâ« Ttâ (DsAT )STâ(DsST )AT
S2T
ds
= ÎŽ
XTâ« TtâÏAT (1âs/T )STâÏSTAT
S2T
ds
= ÎŽ
(XTâ« T
tsTÏXTds
)
= ÎŽ
(2T
Ï(T 2 â t2)
)=
2T
Ï(T 2 â t2)(WT âWt)
a teda nakoniec dostĂĄvame â ako
â = eâD(Tât)EQâ
[VT (1âXT )
(1 +
2t(WT âWt)
Ï(T 2 â t2)
)|Ft].
Lookback extreme rate call opcia
Vieme, ĆŸe pre cenu tejto opcie v case t platĂ
V erc(S,M, t) = eâr(Tât)EQ[max(max(M,MTt )â E, 0)],
56 6. MALLIAVINOV KALKUL A DELTA OPCIE
kde M = M tT0
je priebeĆŸnĂ© maximum nadobudnutĂ© do casu t a vĂœplata je VT =
max(MTT0â E, 0). Tento vzorec mĂŽĆŸeme dâalej rozpĂsatâ ako
V erc(S,M, t) =
eâr(Tât)EQ[max(MTt â E, 0)] ak M †E
eâr(Tât)((M â E) + EQ[max(MTt âM, 0)]) ak M > E
a teda â je
â = eâr(Tât)EQ
[âmax(MT
t â E, 0)
âSt
â(MTt â E)
âSt|Ft]
= eâr(Tât)EQ
[âmax(MT
t â E, 0)
âSt
âMTt
âSt|Ft],
ak M †E a
â = eâr(Tât)(
â
âSt(M â E) + EQ
[âmax(MT
t âM, 0)
âSt
â(MTt âM)
âSt|Ft])
= eâr(Tât)EQ
[âmax(MT
t âM, 0)
âSt
âMTt
âSt|Ft],
ak M > E.
To znamenĂĄ, ĆŸe pre oba prĂpady potrebujeme vypocĂtatâ âMTt
âSt. Za maximum MT
t
zoberieme, tak ako v predchĂĄdzajĂșcej casti, vĂœraz
limnââ
Mn = maxtâ€uâ€T
Su = MTt ,
kde
Mn =
[â« T
t
(Su)ndu
]1/n
, T > t.
Potom dostĂĄvame:
âMTt
âSt= lim
nââ
âMn
âSt
=â
âStlimnââ
[â« T
t
(Ste(râÏ2/2)(uât)+Ï(WuâWt))ndu
]1/n
=â
âStlimnââ
[(St)
n
â« T
t
en(râÏ2/2)(uât)+nÏ(WuâWt)du
]1/n
=â
âStSt lim
nââ
[â« T
t
en(râÏ2/2)(uât)+nÏ(WuâWt)du
]1/n
= limnââ
[â« T
t
en(râÏ2/2)(uât)+nÏ(WuâWt)du
]1/n
=MT
t
St
6.4. DELTA PRE EXOTICKĂ OPCIE 57
a teda â tejto opcie je v tvare
â =
eâr(Tât)
StEQ
[âmax(MT
t âE,0)
âStMT
t |Ft]
ak M †E
eâr(Tât)
StEQ
[âmax(MT
t âM,0)
âStMT
t |Ft]
ak M > E
Potom â mĂŽĆŸeme vypocĂtatâ pomocou vzorca (6.1) ako
â =
eâr(Tât)
StEQ[max(MT
t â E, 0)w|Ft]
ak M †E
eâr(Tât)
StEQ[max(MT
t âM, 0)w|Ft]
ak M > E,
kde vĂĄha w je
w = ÎŽ
(MT
tâ« TtDsMT
t ds
)Najprv vypocĂtame vĂœraz DsM
Tt :
DsMTt = Ds lim
nââ
[â« T
t
(Su)ndu
]1/n
= limnââ
1
n
[â« T
t
(Su)ndu
]1/nâ1
Ds
â« T
t
(Su)ndu
= limnââ
1
n
[â« T
t
(Su)ndu
]1/nâ1 â« T
t
nÏ(Su)ndu
= Ï limnââ
[â« T
t
(Su)ndu
]1/n
= ÏMTt
VĂĄha w je potom
w = ÎŽ
(MT
tâ« TtDsMT
t ds
)
= ÎŽ
(MT
tâ« TtÏMT
t ds
)
= ÎŽ
(1
Ï(T â t)
)=
WT âWt
Ï(T â t)
a teda nakoniec dostĂĄvame â tejto lookback opcie ako
â =
eâr(Tât)
ÏSt(Tât)EQ[max(MT
t â E, 0)(WT âWt)|Ft]
ak M †E
eâr(Tât)
ÏSt(Tât)EQ[max(MT
t âM, 0)(WT âWt)|Ft]
ak M > E
ZĂĄver
V predloĆŸenej diplomovej prĂĄci sme sa zaoberali delta hedgingom exotickĂœch opciĂ.
HlavnĂœm cielâom bolo pocĂtanie parametra delta, teda derivĂĄcie ceny opcie podlâa
ceny akcie pocas ĆŸivotnosti danej opcie.
Jadrom ako aj prĂnosom prĂĄce je vyuĆŸitie Malliavinovho kalkulu, ktorĂœ pred-
stavuje ĂșcinnĂœ nĂĄstroj na derivovanie stochastickĂœch procesov. TĂœmto prĂstupom sa
nĂĄm podarilo vypocĂtatâ parameter delta bez toho, aby sme poznali explicitnĂœ vzorec
pre cenu opcie. Stacilo poznatâ vĆĄeobecnĂœ ocenovacĂ vzorec pre financnĂ© derivĂĄty v
tvare diskontovanej podmienenej strednej hodnoty z vĂœplatnej funkcie derivĂĄtu.
VĂœslednĂœ parameter delta je rovnako ako ocenovacĂ vzorec v tvare podmienenej
strednej hodnoty pri rovnakej pravdepodobnostnej miere.
Pre konkrĂ©tne exotickĂ© typy opciĂ sme vypocĂtali ich parameter delta. VĂœpocty
boli menej nĂĄrocnĂ© ako klasickĂœ postup, pri ktorom sa odvodzuje a nĂĄsledne deri-
vuje vzorec pre cenu opcie. DalĆĄia vĂœhoda nĂĄĆĄho postupu spocĂva v moĆŸnosti vypo-
cĂtania parametra delta komplikovanejĆĄĂch financnĂœch derivĂĄtov, ktorĂœch ocenovacĂ
vzorec nepoznĂĄme.
59
Bibliografia
[1] Black F., Scholes M.: The pricing of options and corporate liabilities, The Jour-
nal of Political Economy 81, 637-654, 1973.
[2] Bokes T.: Probabilistic and analytic methods for pricing American style of Asian
options, Dissertation Thesis, Bratislava, 2011.
[3] Hull J.C.: Options, Futures & Other Derivatives, 5th edition, Prentice Hull, New
Jersey, 2003.
[4] Ito, K.: On a Formula Concerning Stochastic Differentials, Nagoya Math. Jour-
nal 3, 55â65, 1951.
[5] Kwok Y.K.: Mathematical Models of Financial Derivatives, Springer-Verlag, New
York, 1998.
[6] McLeish L.: Monte Carlo Simulation & Finance, John Wiley & Sons, Inc., Ho-
boken, 2005.
[7] MelichercĂk I., OlĆĄĂĄrovĂĄ L., ĂradnĂcek V.: Kapitoly z financnej matematiky,
EPOS, Bratislava, 2005.
[8] Nualart D.: The Malliavin Calculus and Related Topics, Springer-Verlag, New
York, 1995.
[9] Oksendal B.: Stochastic Differential Equations, 6th edition, Springer-Verlag,
New York, 2003.
[10] Ć evcovic D.: AnalytickĂ© a numerickĂ© metĂłdy ocenovania financnĂœch derivĂĄtov,
STU, Bratislava, 2009.
61
Listing programov
Naprogramovane v Matlabe 7.12
Listing 6.1: VĂœpocet â pre ĂĄzijskĂș aritmeticky spriemerovanĂș average rate call opciu
pomocou Monte Carlo metĂłdy
sim =5000; % pocet simulĂĄciĂ
e=exp (1); % euler. cĂslo
vol =0.2; % volatilita
r=0.02; % ĂșrokovĂĄ miera
5 dt =1/252; % casovĂœ krok
dni =10;
T=dni*dt; % maturita
K=120; % expiracnĂĄ cena
poc =80; % pocet cien opciĂ
10 S01 =[1: poc]; S02 =[1: poc]; % V(S+eps),V(S)
eps =0.01; % epislon
%ââââââââinicializĂĄciaââââââââââââââââââââââ
for i=1:poc
S01(i)=i/4+110; S02(i)=i/4+110+ eps;
15 end
S1=zeros(poc ,dni); S2=zeros(poc ,dni);
V1=zeros(poc ,sim); V2=zeros(poc ,sim);
for i=1:poc
S1(i,1)= S01(i); S2(i,1)= S02(i);
20 end
%ââââââââsimulĂĄciaââââââââââââââââââââââââââ
for p=1:sim
63
64 LISTING PROGRAMOV
for j=1:poc
for i=2:dni
25 nah=randn*sqrt(dt);
expon=(r-1/2* vol ^2)*dt + vol*nah;
S1(j,i)=S1(j,i-1)*e^expon;
S2(j,i)=S2(j,i-1)*e^expon;
end
30 A1=sum(S1(j,1:dni))/dni;
A2=sum(S2(j,1:dni))/dni;
V1(j,p)=A1-K; V2(j,p)=A2-K;
if V1(j,p)<0 V1(j,p)=0; end
if V2(j,p)<0 V2(j,p)=0; end
35 V1(j,p)=e^(-r*T)*V1(j,p);
V2(j,p)=e^(-r*T)*V2(j,p);
end
end
Sz1 =[1: poc]; Sz2 =[1: poc];
40 for j=1:poc
Sz1(j)=0; Sz2(j)=0;
for p=1:sim
Sz1(j)=Sz1(j)+ V1(j,p);
Sz2(j)=Sz2(j)+ V2(j,p);
45 end
Sz1(j)=Sz1(j)/sim; % koncovĂ© ceny opcii zĂskanĂ©
Sz2(j)=Sz2(j)/sim; % simulĂĄciou
end
delta=(Sz2 -Sz1)/eps; % vypocĂtanĂĄ delta
50 plot(S01 ,delta); % graf