Prodotto matriciale normato per la valutazione di derivati multiattivo (1 Viewer)

Buon pomeriggio a tutti, sono nuovo qui tra voi. Spero di trovarmi bene :)
Il mio post d'esordio (chiamiamolo così) riguarda la valutazione di opzioni multiasset in Programmazione Robusta così come spiegata nei paper qui sotto
Lascio questo post perché sto trovando difficoltà a capire come gli autori arrivino alla condizione
ImmagineC.png
dove:
1) Gamma è un parametro che viene prestabilito dal decisore (colui che sta costruendo il modello di programmazione e quindi sta prezzando lo strumento) in funzione del suo particolare grado di avversione al rischio. Non è importante, per il momento, approfondire oltre.
2)
ImmagineE.png
è il vettore dei rendimenti aleatori di primo periodo (t=1) dato il prezzo corrente (e noto) dell'm-esimo asset incluso nel basket sottostante l'opzione multiattivo, per m=1,...,M.
3)
ImmagineF.png
Quindi è il vettore dei rendimenti attesi di primo periodo (t=1) dato il prezzo corrente (e noto) dell'm-esimo asset incluso nel basket sottostante l'opzione multiattivo, per m=1,...,M.
4)
ImmagineH.png
è una matrice ottenuta con la decomposizione di Cholesky. I testi dicono
ImmagineG.png
, dove il simbolo di sommatoria indica la matrice di varianze-covarianze dei rendimenti.
5) ||x|| è (cito espressamente dal secondo paper, sempre pag. 31) "a general norm of a factor, depending on the modeler's preference, it can be $L1,L2,L∞ or D-norm." Il paper qui sotto


approfondisce il significato di ||x|| ma non ben capito quello che viene detto. A pag. 513 dicono di considerare un insieme di incertezza per tilde di A di forma
ImmagineL.png
che è <= di un certo Delta>=0, e per la Proposizione 1. di pag. 512 dicono che vale la definizione di norma di p, con M una matrice diagonale contenente the inverses of the ranges of coefficient variation. Questo modo di "modellare" l'incertezza deriverebbe dal fatto che "Let S be a closed, bounded convex set and consider an uncertainty set in which the uncertain coefficients are allowed to vary in such a way that the deviations from their nominal values fall in a convex set. [...] We consider uncertainty sets that arise from the requirement that the distance (as measured by an arbitrary norm) between uncertain coefficients and their nominal values is bounded."

Nebbia...

Questo è quello che ho capito io, spero possiate aiutarmi a fare chiarezza.
Siccome in un'opzione multiasset è necessario tenere in considerazione la correlazione tra i prezzi degli asset inclusi nel basket sottostante l'opzione, gli autori consigliano (per le ipotesi di indipendenza e identica distribuzione, cioè stazionarietà in secondo ordine, che caratterizzano i log-rendimenti, da cui segue la normalità per il TLC: ci troviamo pertanto in un ambiente di Black e Scholes) di studiare la correlazione tra i rendimenti dei diversi titoli nota la condizione Rt=St/S0 che lega prezzi e rendimenti. Chiaramente la correlazione dovrebbe essere valutata tra ogni m-esimo asset incluso nel basket (ovvero a dire, per ogni singola coppia di asset su un insieme di M elementi) e per ogni t-esimo istante temporale. Ovviamente non è il caso di gestire un numero così elevato di dati, oltretutto soggetti ad incertezza, per cui anziché costruire una matrice di varianze-covarianze aleatoria per ogni singolo t...

[cioè considerare, una per una e per ogni t, tutte le possibili coppie di asset e per ogni j-esima possibile realizzazioni dei rendimenti (con j=1,...,n ed n la dimensione del campione estratta dalle serie storiche dei rendimenti) calcolare la somma dei prodotti incrociati degli scarti di tali possibili realizzazioni dai rispettivi valori attesi]​
...sfrutto le proprietà della matrice di covarianze (che chiamo "sum"). So che sum è quadrata, simmetrica e definita positiva, quindi non-singolare, quindi invertibile, quindi esiste una sum^(-1). Siccome quest'ultima è anch'essa simmetrica e definita positiva posso fattorizzarla con Cholesky, che è una scomposizione LU per matrici simmetriche e definite positive. Dovrei quindi avere una matrice C triangolare superiore con elementi positivi sopra la diagonale e una matrice C^T triangolare inferiore normata (cioè con elementi sotto la diagonale uguali ad 1). E siccome l'intersezione tra t matrici triangolari inferiori e t matrici triangolari superiori ci dà t matrici diagonali dovrei riuscire a ottenere M.

Da qui vado in confusione.
A) Da dove si capisce che M contiene the inverses of the ranges of coefficient variation? E che cosa vorrebbe dire in italiano questa frase?
B) Dicono che modellando l'insieme di incertezza dei rendimenti in quel modo ci si assicura che a prescindere dalla futura realizzazione dei rendimenti il differenziale rispetto al loro valore atteso sarà sempre inferiore ad un certo Delta non negativo. Ma perchè moltiplicare M con il differenziale? Che cosa indica quel prodotto?
C) Nel secondo paper (pag. 31) l'autore fa l'esempio con la norma di L1:
Si limita ad applicare la definizione di norma?
D) Dicono che la scelta della norma è a discrezione del decisore, ma cosa implica scegliere una norma piuttosto che un'altra? Che implicazioni ha questo sul numero di vincoli del problema?
 

Allegati

  • ImmagineC.png
    ImmagineC.png
    4,6 KB · Visite: 242
  • ImmagineD.png
    ImmagineD.png
    375 bytes · Visite: 239
  • ImmagineG.png
    ImmagineG.png
    791 bytes · Visite: 246
  • ImmagineI.png
    ImmagineI.png
    435 bytes · Visite: 243

FNAIOS

ci sono ottime probabilità che stia perforando con punte diamantate un bicchiere d'acqua

Eheheh.
L'inutilità della blablability della matematica applicata alla finanza. Serve impararla soltanto se ti dà un orgasmo intellettuale o se sei sicuro che un giorno troverai qualcuno che ti paga profumatamente per usarla o insegnarla (il che va bene).
A partire da quei furbacchioni di Black & Scholes (distribuzione normale??? Ma de che!!!), una serie infinita di stronzate inutili (ma, come tante altre stronzate, sono in uso, quindi un minimo bisogna conoscerle..."finché la barca vaaaa, lasciala andaaaare").
 

Users who are viewing this thread

Alto