2. Introduzione al pricing
Il principio di Arbitraggio
Il modello Binomiale
Il modello di Black e Scholes
Metodi alle Differenze Finite
Metodo Monte Carlo
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
3. Il Principio di Assenza di Arbitraggio
Molte volte ci è capitato di sentire frasi del tipo: “ho appena
comprato un paio di scarpe e ne ho trovate un paio uguale ad
un prezzo minore”, oppure: “ho scoperto che un altro
concessionario per lo stesso prezzo che ho pagato per la mia
nuova macchina fornisce anche l’aria condizionata”.
Sono frasi di buon senso che mettono in luce in che modo
cerchiamo di fornire un valore a beni e servizi che
acquistiamo e consumiamo.
Il buon senso ci suggerisce che prodotti uguali devono avere
lo stesso prezzo, e che prodotti che ci garantiscono
un’opportunità in più rispetto ad altri hanno un valore
maggiore.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
4. Il Principio di Assenza di Arbitraggio
Il fondamento della valutazione dei prodotti finanziari è il principio di
arbitraggio, o nella colorita espressione anglosassone, free-lunch
(pasto gratis).
Nel mondo dei prodotti finanziari utilizziamo definizioni di arbitraggio
più sofisticate, ma con lo stesso contenuto di fondo:
Si definisce arbitraggio la possibilità di ottenere
guadagni sicuri, senza incorrere in alcun tipo di
rischio.
E’ su questa base che è possibile determinare la relazione tra i prezzi di diverse
attività finanziarie: l’idea è che le relazioni tra i prezzi devono essere tali da
escludere la possibilità di effettuare arbitraggi, cosicché non deve essere
possibile costruire sul mercato posizioni e strategie che consentano di ottenere
guadagni senza alcun tipo di rischio.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
5. Il Principio di Assenza di Arbitraggio
Se pensiamo a come si possono identificare delle possibilità di
arbitraggio, possiamo intuitivamente delineare due tipi di situazione.
La prima è quella di un biglietto di lotteria gratis: supponete di poter
ottenere senza alcun costo un titolo (un biglietto della lotteria) che in
futuro vi darà un rendimento comunque non negativo, e la possibilità di
un guadagno positivo se si verifica qualche evento fortunato;
Un’altra situazione che vi garantirebbe un guadagno sicuro, e quindi un
arbitraggio, è la seguente: considerate di acquistare un titolo e venderne
un altro in modo che a una data futura il valore complessivo del
portafoglio sia zero in tutti i possibili scenari (li chiamiamo tecnicamente
stati di natura), e supponete che questa posizione abbia oggi valore
negativo, e cioè vi consenta di intascare dei soldi. Poiché sapete che a
una data futura la vostra posizione varrà sicuramente zero (e quindi non
avrete alcuna perdita), il guadagno che ottenete oggi è assolutamente
senza rischio, ed avete compiuto un’operazione di arbitraggio.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
6. Il Principio di Assenza di Arbitraggio
Per mostrare in maniera semplice l’utilizzo dell’ipotesi di non arbitraggio per
la valutazione delle attività finanziarie utilizziamo un modello in cui il rischio
è rappresentato da un insieme discreto di possibili scenari, o stati di natura.
L’esempio più semplice è quello di un mondo a due tempi e due stati.
Assumiamo che sul mercato vengano scambiati due titoli rischiosi, il cui valore
denotiamo X(t) e Y(t). I due titoli rischiosi assumono valori diversi nei due stati del
mondo H e L che si verificano al tempo T: abbiamo quindi X(H) > X(L) e Y(H) >
Y(L).
Assumiamo che esista anche un titolo privo di rischio che alla scadenza T
garantisce un pay-off di un Euro: il titolo privo di rischio al tempo T assume lo
stesso valore nei due stati del mondo.
Il valore del titolo privo di rischio al tempo t è definito dalla funzione di
sconto P(t,T), discussa nel primo capitolo, mentre il prezzo del titolo
rischioso è Y(t).
Il problema è determinare il prezzo X(t) che esclude possibilità di
arbitraggio.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
7. Un modello binomiale
Tempo t
Tempo T
Tempo T
Stato
H
L
Y(t)
Y(H)
Y(L)
X(t)
X(H)
X(L)
P(t,T)
1
1
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
8. Relazioni di arbitraggio tra i prezzi
Formiamo un portafoglio selezionando
Una posizione lunga (acquisto, segno +) in una unità di X
Una posizione corta (vendita, segno -) in ∆ unità di Y
Valore Attuale = X (t ) − ∆Y (t )
Se scegliamo
X ( H ) − X ( L)
∆=
Y ( H ) − Y ( L)
Il valore del portafoglio all’istante T nei due stati finali sarà pari a
X ( L ) − ∆Y ( L ) = X ( L ) −
X ( H ) − X ( L)
X ( L)Y ( H ) − X ( H )Y ( L)
Y ( L) =
Y ( H ) − Y ( L)
Y ( H ) − Y ( L)
X ( H ) − ∆Y ( H ) = X ( H ) −
X ( H ) − X ( L)
X ( L)Y ( H ) − X ( H )Y ( L)
Y (H ) =
Y ( H ) − Y ( L)
Y ( H ) − Y ( L)
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
9. Relazioni di arbitraggio tra i prezzi
Con questa scelta il valore del portafoglio è lo
stesso sia in H che in L, indichiamolo con α;
Il portafoglio è quindi privo di rischio;
infatti assume lo stesso valore in tutti gli stati del mondo.
Come possiamo replicare questo portafoglio?
Acquistando in t α unità del titolo privo di rischio.
Per il principio di assenza di arbitraggio due attività
finanziarie che hanno lo stesso valore ad un tempo
futuro T, devono avere lo stesso valore anche oggi.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
10. Relazioni di Arbitraggio fra i Prezzi
Indicando con α il valore del portafoglio
all’istante T, il principio di assenza di
arbitraggio implica a t:
X (t ) − ∆Y (t ) = αP (t , T )
X (t ) = ∆Y (t ) + αP (t , T )
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
11. Un esempio importante:
Put call parity
Consideriamo un’opzione call alla scadenza
C(T) = max(0, S(T) -K)
essendo S il valore del sottostante e K il valore dello strike price
(prezzo di esercizio)
… che può essere scritta nella forma
C(T) = S(T) – min(S(T),K)
È facile verificare che le due scritture sono
perfettamente equivalenti!
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
12. Un esempio importante:
Put call parity
Dalla relazione precedente
Allo stesso modo si può verificare per la put
C(T) + K = P(T) + S(T)
Per l’assenza di arbitraggio questa relazione deve essere
valida anche oggi per cui
P(T) - K = -min(S(T), K)
Da questa relazione otteniamo
C(T) – S(T) = -min(S(T),K)
c(t) + K × exp[-r(T-t)] = p(t) + S(t)
Questa relazione è come put-call parity
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
13. Relazioni arbitraggio tra i prezzi
Riprendiamo la relazione di arbitraggio
X (t) = ∆Y(t) + αP(t,T)
Poiché ci sono due stati del mondo all’istante T, possiamo
scrivere
X(H) = ∆Y(H) + α
X(L) = ∆Y(L) + α
da cui:
∆ = (X(H) – X(L))/(Y(H) – Y(L))
α= -(X(H) Y(L) – X(L) Y(H))/(Y(H) – Y(L))
Sostituendo i valori di alfa e delta nella prima relazione e
raccogliamo i termini X(H) e X(L) otteniamo...
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
14. Relazioni arbitraggio tra i prezzi
X ( t ) = P ( t , T ) [π ( H ) X ( H ) + π ( L ) X ( L ) ]
con
Y ( t ) / P( t , T ) − Y ( L )
π(H) ≡
Y ( H ) − Y ( L)
Y ( H ) − Y ( t ) / P( t , T )
π ( L) ≡
Y ( H ) − Y ( L)
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
15. La misura risk-adjusted
Si noti che
Y(L) < Y(t)/P(t,T) < Y(H) ⇒ π*(H), π*(L) > 0
π*(H) + π*(L) = 1
π* è una misura di probabilità e il prezzo di X(t) è
X ( t ) = P( t , T ) [πX ( H ) + ( 1 − π ) X ( L ) ] ≡ P( t , T ) Eπ [ X ( T ) ]
Si può verificare agevolmente che
Y(t) = P(t,T) E π*[Y(T)]
N.B.: la misura π* deriva dal non-arbitraggio
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
16. La misura risk-adjusted
Per analizzare le proprietà della misura
probabilità π è immediato osservare che
di
X (T ) − X ( t )
X (T )
Eπ
= Eπ X ( t ) − 1 =
X (t)
1
1
=
Eπ [ X (T )] − 1 =
− 1 ≡ Rf
X (t )
P( t , T )
dove Rf è il tasso di rendimento dell’attività priva di rischio sul
periodo da t a T.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
17. La misura risk-adjusted
Sotto la misura di probabilità π, quindi, il rendimento atteso del titolo
rischioso X è pari al tasso d'interesse privo di rischio.
Si può verificare che anche il rendimento dell'altro titolo rischioso è
pari al tasso privo di rischio!
Si tratta quindi di una prerogativa della misura di probabilità π : sotto
questa misura, il rendimento di tutti i titoli rischiosi è pari al
rendimento del titolo privo di rischio.
E' come se i rendimenti dei titoli venissero calcolati senza tenere
conto del loro livello rischio.
Per questo motivo questa misura di probabilità è nota nella
letteratura come "misura neutrale rispetto al rischio", oppure "misura
aggiustata per il rischio".
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
18. La misura risk-adjusted
Un altro modo di caratterizzare la misura aggiustata per il rischio è il seguente.
Misuriamo i titoli rischiosi, ad esempio il titolo X, utilizzando quello privo di rischio
come numerario. Definiamo così una nuova variabile
X (t)
Z (t) ≡
P( t , T )
Dalle proprietà della misura aggiustata per il rischio otteniamo adesso
X (T )
X (t)
Z(t) ≡
= Eπ
= Eπ [ Z ( T ) ]
P( t , T )
P( T , T )
dove abbiamo usato la proprietà della funzione di sconto P(T,T) = 1.
In altri termini, il valore futuro atteso della nuova variabile Z(t), misurato utilizzando la
misura aggiustata per il rischio è uguale al valore corrente.
Questa caratteristica è nota nella teoria dei processi stocastici come proprietà di
"martingala".
Per questo la misura di probabilità π è nota anche come misura di martingala
equivalente (equivalent martingale measure, o EMM).
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
19. Il Teorema Fondamentale della Finanza
(Harrison e Kreps, 1979 e Harrison e Pliska, 1981, 1983)
Nel mercato non esistono possibilità di
arbitraggio se e solo se esiste una misura di
probabilità sotto la quale i prezzi di tutte le
attività finanziarie, misurate utilizzando il titolo
privo di rischio come numerario, sono
martingale.
Se questa misura è unica, il mercato è detto
completo.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
20. Valutazione di un’opzione call
Tempo t
Tempo T
Tempo T
Stato
H
L
Y(t)
Y(H)
Y(L)
C (Y,t;T,K)
Max(Y(H)-K,0)
Max(Y(L)-K,0)
P(t,T)
1
1
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
21. Relazioni arbitraggio tra i prezzi
Consideriamo un portafoglio con
Una posizione lunga in una unità di C
Una posizione corta in ∆ unità di Y
Calcoliamo
C ( H ) − C ( L) max[Y ( H ) − K ,0] − max[Y ( L) − K ,0]
∆=
=
Y ( H ) − Y ( L)
Y ( H ) − Y ( L)
Al tempo T
Max(Y(H) – K,0) - ∆ Y(H) = α
Max(Y(L) – K, 0) - ∆ Y(L) = α
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
22. Replica di un’opzione call
Se K < Y(L) < Y(H)
⇒ ∆ = 1 e α = - K
Se K > Y(H) > Y(L)
⇒ ∆ = 0 e α = 0
Se Y(L) < K < Y(H)
⇒ 0 < ∆ < 1 e α = -Y(H) ∆
Replica di un’opzione call
C(Y,t;T,K) = ∆ Y(t) + α P(t,T)
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
23. Introduzione al pricing
Il principio di Arbitraggio
Il modello Binomiale
Il modello di Black e Scholes
Metodi alle Differenze Finite
Metodo Monte Carlo
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
24. Il modello Binomiale
In ogni periodo assumiamo che il prezzo del
sottostante possa muoversi in due sole direzioni
(Modello Binomiale);
Backward induction: partendo dalla data di
scadenza del contratto derivato in cui si conosce il
valore dell’opzione si risale verso la radice
dell’albero calcolando ad ogni nodo la probabilità
risk adjusted;
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
25. Il modello Binomiale
Sd
fd
S
f
Sia S il valore del sottostante e f il valore
dell’opzione scritta su di esso.
Formiamo un portafoglio con una posizione
lunga in ∆ unità del sottostante e una corta in
un’opzione call.
Il valore del portafoglio nei due stati del
mondo sarà pari a
Su
fu
Determiniamo il valore di ∆ che rende uguali
questi due valori
S 0 u∆ − f u
S 0 d∆ − f d
fu − f d
S0 u∆ − f u = S0 d∆ − f d ⇒ ∆ =
S0 u − S0 d
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
26. Il modello Binomiale
Il portafoglio è quindi privo di rischio per cui, al fine di evitare
possibilità di arbitraggio, il suo rendimento deve eguagliare il tasso
di rendimento risk-free.
Questo implica che il valore scontato del portafoglio in uno dei due
stati del mondo futuri deve eguagliare il valore attuale oggi, ovvero
S0 ∆ − f = ( S0 u∆ − f u ) e − rT ⇒ f = S0 ∆ − ( S0 u∆ − f u ) e − rT
sostituendo ∆...
sostituendo ∆...
f =e
− rT
[ pf u + (1 − p) f d ]
dove
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
e rT − d
p=
u−d
27. Il modello Binomiale: Un Esempio Numerico
Su = 5.630
Opzione CALL su ENEL
fu = 0.630
Data Valutazione
8/11/2003
Consegna
19/11/2003
S = 5.414
Strike
= 5.00
f = 0.432
S
= 5.414
Var% giornaliera
= 1.18%
tasso risk free
~ 1%
Sd = 5.2
fd = 0.2
Variazione a scadenza stimata al 4%
∆t = 11/365 ~ 0.03
e rT − d e0.01⋅0.03 − 0.96 0.04
p=
=
≈
= 1/ 2
u−d
0.08
0.08
f =e
− rT
0.630 + 0.2
[ pf u + (1 − p) f d ] ≈
= 0.415
2
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
28. Estensione a più periodi
πH
1-π H
π
Y(HH)
Y(HL)
Y(H)
Y(0)
πL
1-π L
1-π
Y(LH)
Y(LL)
Y(L)
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
29. Bushy trees/Recombining trees
Dopo n periodi (steps) l’albero presenta 2n nodi (stati). Un albero
solo dopo 100 steps genera
1.267.650.600.228.230.000.000.000.000.000 nodi
Poiché questo tipo di albero pone problemi computazionali
rilevanti, spesso si assume che sentieri con lo stesso numero di
aumenti e diminuzioni del prezzo, sebbene in sequenza diversa,
portino allo stesso nodo (lattice, recombining tree, reticolo,…)
Dopo 100 steps un recombining tree ha 101 nodi
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
30. Recombining trees
Sostituendo un albero a cespuglio con un albero
“ricombinante” rinunciamo alle informazioni sui singoli sentieri
che portano allo stesso nodo
L’informazione può essere rilevante per
valutare opzioni con pay-off path-dependent
modelli della dinamica del tasso di interesse
Alcuni programmi di ricerca sono dedicati a metodologie per
ridurre la crescita dei bushy-trees
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
31. Estensione a più periodi
πH
π
Y(HH)
Y(H)
1-π H
Y(0)
Y(HL)≡ Y(LH)
πL
1-π
Y(L)
1-π L
Y(LL)
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
32. Generalizzazione a più livelli
Riprendiamo la definizione di
probabilità risk-neutral
Poniamo
Inoltre ricordiamo che
Y (t )
− Y ( L)
P (t , T )
π* =
Y ( H ) − Y ( L)
Y (t ) = S
Y ( H ) = Su
Y ( L) = Sd
P (t , T ) = e
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
− r (T −t )
33. Generalizzazione a più livelli
Possiamo quindi scrivere
r∆t
e −d
π* =
u−d
Come determiniamo i fattori u e d?
In funzione della volatilità del sottostante
u=e
σ ∆t
1
d=
u
La scelta d = 1/u garantisce che l’albero sia ricombinante
(infatti con questa posizione si ha (Su)d = S)
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
34. Generalizzazione a più Livelli
ST
2
2 ST
r=
− 1 ⇒ σ (r ) = σ
S
S0
0
ST
σ (r ) = Eπ
S
0
2
ST
Eπ
S
0
ST
Eπ
S
0
2
ST
− Eπ
S
0
2
= σ 2 ∆t
= πu + (1 − π )d
2
= πu 2 + (1 − π )d 2
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
La scelta di u e d si
giustifica ricordando che
la
volatilità
del
rendimento dell’azione,
nel nostro modello deve
essere pari a σ2∆t
35. Generalizzazione a più Livelli
σ 2 (r ) = πu 2 + (1 − π )d 2 − π 2u 2 − (1 − π ) 2 d 2 − 2π (1 − π )ud =
πu 2 (1 − π ) + π (1 − π )d 2 − 2π (1 − π )ud =
π (1 − π )(u 2 + d 2 − 2ud ) = π (1 − π )(u − d ) 2 =
u − e r∆t
(u − d ) 2 = (e r∆t − d )(u − e r∆t ) =
u−d
= e r∆t (u + d ) − ud − e 2 r∆t
e r∆t − d
u−d
Sostituendo ud = 1 e sviluppando al primo ordine otteniamo...
e r∆t (u + d ) − ud − e 2 r∆t ≈ (1 + r∆t )(u + d ) − 1 − 1 − 2r∆t = (1 + r∆t )(u + d − 2)
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
36. Generazione a più Livelli
Verifichiamo che la posizione
u = eσ
∆t
,
d = e −σ
porta al risultato desiderato.
Sviluppando al primo ordine in ∆t abbiamo infatti
1 2
1 2
u = 1 + σ ∆t + σ ∆t , d = 1 − σ ∆t + σ ∆t
2
2
da cui (trattenendo solo i termini al primo ordine)
(1 + r∆t )(u + d − 2) =
1
1
(1 + r∆t ) 1 + σ ∆t + σ 2 ∆t + 1 − σ ∆t + σ 2 ∆t − 2 = σ 2 ∆t
2
2
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
∆t
37. Generazione dei valori per il sottostante
125.5
120.8
116.3
112
107.9
103.9
100
112
107.9
103.9
100
96.29
116.3
107.9
103.9
100
96.29
92.72
s(0, 0) = PrezzoSottostante
For n = 1 To NumeroSteps
For j = n To 1 Step -1
s(j, n) = u * s(j - 1, n - 1)
Next j
s(0, n) = d * s(0, n - 1)
Next n
100
96.29
92.72
89.28
92.72
89.28
85.97
Per ogni livello tutti i nodi tranne
l’ultimo derivano dal corrispondente
nodo precedente moltiplicato per il
coefficiente u. L’ultimo nodo deriva
dal precedente moltiplicato per d.
85.97
82.78
79.71
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
38. Generazione dei valori per l’opzione
For j = 0 To NumeroSteps
V(j, NumeroSteps) = Payoff(s(j, NumeroSteps), Strike, FlagCall)
Next j
For n = NumeroSteps To 1 Step -1
For j = 0 To n - 1
V(j, n - 1) = (p * V(j + 1, n) + (1 - p) * V(j, n)) * FattoreSconto
21.12
Next j
120.8
16.8
Next n
116.3
12.86
112
9.482
107.9
6.766
103.9
4.691
100
5.975
103.9
2.53
96.29
8.013
107.9
5.054
103.9
3.073
100
1.821
96.29
1.058
92.72
16.48
116.3
12.33
112
8.763
107.9
3.941
100
25.62
125.5
1.968
100
1.006
96.29
0.514
92.72
0.263
89.28
0
92.72
0
89.28
0
85.97
0
85.97
0
82.78
0
79.71
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
39. Opzioni Americane
Fino a questo momento abbiamo considerato solo opzioni di
tipo europeo cioè opzioni esercitabili soltanto alla scadenza;
Le opzioni di tipo americano, cioè quelle esercitabili entro la
scadenza, sono facilmente valutabili nell’approccio binomiale;
Ad ogni step è necessario valutare qual’è il maggior valore fra
il valore dell’opzione calcolato come valore atteso futuro
(continuation value)
il valore che deriva dall’esercizio immediato dell’opzione (payoff)
For n = NumeroSteps To 1 Step -1
For j = 0 To n - 1
V(j, n - 1) = Application.Max((p * V(j + 1, n) + (1 - p) * V(j, n)) _
* FattoreSconto, Payoff(s(j, n - 1), Strike, FlagCall))
Next j
Next n
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
41. Introduzione al pricing
Il principio di Arbitraggio
Il modello Binomiale
Il modello di Black e Scholes
Metodi alle Differenze Finite
Metodo Monte Carlo
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
42. Il modello di Black e Scholes
sottostante
∆S = µS∆t + σS∆z
Il prezzo dell’opzione deve essere una funzione di S e t pertanto
per il lemma di Ito possiamo scrivere
2
∂f
∂f 1 ∂ f 2 2
∂f
∆f = µS + +
σ S ∆t + σS∆z
2
∂S
∂t 2 ∂S
∂S
I processi di Wiener da cui è influenzata la dinamica di
f e di S sono gli stessi. Ne segue che scegliendo un
portafoglio composto dall’azione e dal derivato il
processo di Wiener può essere eliminato!
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
43. Il modello di Black e Scholes
Ipotesi
Non esistono opportunità di arbitraggio;
Il prezzo del sottostante segue un moto geometrico
browniano;
E’ consentita la vendita allo scoperto dei titoli;
Non ci sono costi di transazione né tasse (no friction),
inoltre i titoli sono infinitamente divisibili;
Non vengono pagati dividendi durante la vita dell’opzione;
Il tasso risk-free e la volatilità sono costanti;
L’opzione può essere esercitata soltanto alla scadenza
(opzione europea).
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
44. Il modello di Black e Scholes
Il portafoglio appropriato è così composto
∂f 1 ∂ f
2
∆Π = − −
σ S ∆t
∂t 2 ∂S 2
Per definizione il valore del portafoglio
così
-1
+ ∂ f/∂ S
2
unità del derivato
unità del sottostante 2
composto è pari a
∂f
∂f
Π=−f +
S ⇒ ∆Π = − ∆f +
∆S
∂S
∂S
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
45. Il modello di Black e Scholes
Dato che in quest’equazione non figura il termine
dz il portafoglio deve essere privo di rischio
nell’intervallo dt.
Quindi il rendimento del portafoglio così
composto nel prossimo intervallo di tempo deve
essere uguale al tasso risk free sullo stesso
periodo di tempo altrimento emergerebbero
opportunità di arbitraggio
Ne segue che
∆Π = rΠ∆t
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
46. Il modello di Black e Scholes
∂f 1 ∂ f 2 2
∂f
+
σ S dt = r f −
∂t 2 ∂S 2
∂S
⇓
2
∂f
∂f 1 2 2 ∂ f
+ rS
+ σ S
= rf
2
∂t
∂S 2
∂S
2
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
S dt
47. L’equazione di Black & Scholes
L’equazione di Black & Scholes
∂f
∂f 1 2 2 ∂ 2 f
+ rS
+ σ S
= rf
2
∂t
∂S 2
∂S
ha molte soluzioni corrispondenti alle diverse condizioni al contorno che ossono
essere definite.
Tali condizioni specificano il valore del derivato sui confini del dominio di integrazione
rispetto a S e t.
Nel caso di un’opzione di tipo europeo le principali condizioni sono nel caso di una
call:
f = max(S − X ,0)
t=T
f = max( X − S ,0)
t=T
e nel caso di una put:
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
48. Il modello di Black e Scholes
Tasso privo di rischio
Prezzo del Sottostante
Prezzo di Esercizio
Volatilità del
Sottostante
1
N ( z) =
2π
z
∫e
− y2 / 2
dy
Tempo a Scadenza
−∞
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
49. Il modello di Black & Scholes
Utilizzando la put-call parity troviamo il valore
della put nel modello di B&S
put ( S , t ; E , T ) = call ( S , t ; E , T ) − S + e − rT E
= S [ N ( d 1 ) − 1] − e
− rT
E [ N ( d 2 ) − 1]
= − S [ 1 − N ( d 1 ) ] + e − rT E [ 1 − N ( d 2 ) ]
= − SN ( − d 1 ) + e
− rT
EN ( − d 2 )
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
50. Il modello di Black e Scholes
∆
Delta è il tasso di variazione del prezzo dell’opzione
rispetto al prezzo dell’attività sottostate.
Γ
Gamma è il tasso di variazione del Delta dell’opzione
rispetto al prezzo dell’attività sottostante.
Λ
Vega è il tasso di variazione del prezzo dell’opzione
rispetto alla volatilità dell’attività sottostante.
Θ
Theta è il tasso di variazione del prezzo dell’opzione
rispetto al tempo.
ρ
Rho
è il tasso di variazione del prezzo dell’opzione
rispetto al tasso privo di rischio.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
51. Analisi di Sensitività con le greek letters : ∆
∂f
∆=
∂S
0 < ∆ = N (d1 ) < 1
per una call
− 1 < ∆ = [ N (d1 ) − 1] < 0
per una put
Analisi di Sensitività con le greek letters : Γ
∂∆ ∂ f
Γ=
= 2
∂S ∂S
2
N ′(d 1 )
Γ=
σS T
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
52. Analisi di Sensitività con le greek letters : Λ
∂f
Λ=
= S t N ′(d 1 ) = S t
∂σ
1 − d12 / 2
e
2π
Analisi di Sensitività con le greek letters : ρ
call
∂f Te EN (d 2 )
ρ=
=
− rT
∂r − TEe N (−d 2 ) put
− rT
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
53. La volatilità implicita
Dato il prezzo di mercato di un’opzione,
Invertendo l’equazione di Black & Scholes
possiamo ricavare la volatilità implicita nella
quotazione.
L’inversione può essere effettuata solo con
strumenti di calcolo numerico.
Nell’esempio in VBA utilizzeremo l’algoritmo
di Newton-Raphson discusso a suo tempo
per il tasso interno di rendimento.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
54. La volatilità implicita
Smile
Spesso sulla stessa azione sono quotate più
opzioni con prezzi di esercizio e scadenza diversi;
Se il modello di Black & Scholes fose corretto le opzioni
avrebbero prezzi differenti ma un identico valore per la
volatilità implicita;
σ infatti è funzione dell’attività sottostante e non del prezzo di
esercizio o del tempo;
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
55. La volatilità implicita
Tuttavia è stato osservato che la volatilità implicita
per contratti con identica vita residua varia in
funzione del prezzo di esercizio!
20.00%
19.80%
19.60%
19.40%
19.20%
19.00%
18.80%
18.60%
18.40%
18.20%
18.00%
85.000
90.000
95.000
100.000
105.000
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
110.000
115.000
56. La volatilità implicita
Smile
Di norma le opzioni “out” e “in” the money hanno un valore di
volatilità implicita maggiore di quelle at-the-money.
L’effetto, noto come volatility smile è accentuto per i contratti con
scadenza breve ed è quasi inesistente per quelli di lunga durata;
l’effetto smile contrasta con la teoria e rivela che il modello non è
corretto;
il fatto che, dopo il crash del 1987, l’effetto sia più evidente ha
indotto alcuni studiosi a formulare l’ipotesi che il vero processo
diffusivo dei prezzi sia a salti e non continuo.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
58. Volatilità Implicita
Il metodo della secante
L’efficienza del metodo di Newton-Raphson dipende dalla
volatilità iniziale scelta;
una procedura meno sensibile al valore iniziale di σ è il metodo
della secante;
il primo passo da compiere è di scegliere due valori per σ, uno
basso e uno alto.
Il valore basso σb stima C(σb) minore di C, il valore alto σa stima
C(σa) maggiore di C.
La volatilità implicita risulta dalla seguente interpolazione lineare:
[ C − C ( σ b ) ]( σ a − σ b )
σ1 = σb +
C (σ a ) − C (σ b )
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE
59. Volatilità Implicita
Il metodo della secante
se il valore di C(σ) ottenuto inserendo nel modello di Black & Scholes è
inferiore al prezzo di mercato C, la nuova stima di σ è ottenuta
sostituendo σb con il valore della volatilità interpolata
[ C − C ( σ 1 ) ]( σ a − σ 1 )
σ2 = σ1 +
C (σ a ) − C (σ 1 )
Se il valore di C(σ) ottenuto inserendo σ1 nel modello è superiore al
prezzo di mercato per la nuova stima di σ si sostituisce a σa il valore della
volatilità interpolata.
Quando C(σ) coincide con C il processo iterativo termina è si è trovata
la volatilità implicita.
Il metodo è in generale preferito a quello di Newton-Raphson perché non
richiede la stima di Vega ad ogni iterazione.
CORSO DI LAUREA IN SCIENZE DI INTERNET – LEZIONI DI FINANZA COMPUTAZIONALE