Você está na página 1de 5

4 - CALIBRAÇÃO DO MODELO SLV

Embora a calibração de cada modelo tenha características específicas e "pontos mais precisos", há
aspectos comuns de uma calibração de LSV que serão apresentados neste capítulo. Descrevemos
essas características comuns para um modelo de LSV que incorpora uma função de alavancagem
para misturar os componentes LV e SV e fornecemos detalhes sobre como aprimorar o
procedimento de calibração quando o LSV é estendido para incluir saltos, representados por
processos de difusão de salto, processos de Levy ou troca de regime.

4.1 Procedimento de calibração comum


Um procedimento de calibração em dois estágios é mais comum Clark [2011], Tan [2012], Tian et
al. [2013]:

1.​ Calibrar o modelo de volatilidade puramente estocástico para dados de mercado


2​. Calibrar a correção da volatilidade local (a "função de alavancagem") através da seleção ideal do
parâmetro da taxa de mistura

Quando calibramos o modelo de volatilidade puramente estocástico, o modelo resultante pode


corresponder bem aos dados de mercado em torno de ATM e em regiões intermediárias, mas
apresenta problemas que correspondem ao comportamento das asas, especialmente para strikes
distantes ITM e OTM. Esse comportamento é aprimorado usando a correção de volatilidade local
(a "função de alavancagem"), que leva o modelo de volatilidade estocástica pura na direção certa
em direção às volatilidades implícitas no mercado. Assim, teríamos 2 conjuntos de parâmetros a
serem calibrados:

* parâmetros da dinâmica SV
* parâmetros da função de alavancagem

Sem perda significativa de generalidade, exemplificamos o procedimento para um modelo LSV tipo
Heston, conforme descrito pelas Eqs. (3.2)
4.1.1 Calibrar o modelo de volatilidade puramente estocástico

O componente de volatilidade puramente estocástica do modelo LSV é obtido configurando a


função de alavancagem para a função de unidade L (t,S) = 1 e o parâmetro da taxa de mistura para
1: γ = 1 .​.
Calibrar parâmetros de modelos de volatilidade estocástica é um tópico amplamente estudado na
literatura. Embora essa calibração geralmente supere questões de natureza teórica, numérica e
computacional, muitos desses desafios já foram abordados na literatura e não serão abordados
aqui. ​Em relação à calibração do modelo de Heston​, o leitor pode consultar Zeliade [2011],
Rouah [2013], Benhamou et al. [2010] para abordagens eficientes para modelos com parâmetros
constantes e, respectivamente, dependentes do tempo.

4.1.2 Calibrar a função de alavanca e o parâmetro da taxa de mistura

A função de alavancagem empurra as volatilidades implícitas geradas pelo modelo de volatilidade


estocástica em direção às volatilidades implícitas no mercado. Essa calibração é baseada na
resolução de um PDE 2D Fokker Planck (forward Kolmogorov), com o valor do parâmetro da taxa
de mistura sendo determinado através da correspondência do preço de algumas opções exóticas
ou por estimativa histórica.

Conforme mostrado ​no Apêndice A​, a função de alavancagem pode ser encontrada usando a
seguinte fórmula

com função de volatilidade local σ LV(x,t) e probabilidade de transição pLSV (t, S(t), V(t)) do
modelo LSV.

Assim, vemos que, para calcular a ​função de alavancagem​, precisamos determinar ​a função de
volatilidade local e​ ​a função de densidade de probabilidade de transição​. Detalhes sobre
como obter a função de volatilidade local são fornecidos no Apêndice B. Também sabemos que a
equação de Fokker-Planck descreve a evolução da densidade de probabilidade de transição
(consulte o ​Apêndice C​).

Para exemplificar, consideramos o modelo Heston LSV dado em (3.2), após ser aprimorado com as
seguintes alterações de variáveis para evitar problemas com a condição de Feller ser violada Tian
et al. [2013], Clark [2011]
Em seguida, obtemos o seguinte PDE de Fokker-Planck (avançado Kolmogorov):

onde δ ( ) é a função Dirac e x​0 = z​0 = 0. Em conclusão, se resolvermos a equação de


Fokker-Planck numericamente, podemos avaliar a função de alavancagem por meio de integrais da
função de densidade de probabilidade.

Finalmente, temos todos os ingredientes para calibrar a função de alavanca e o parâmetro da taxa
de mistura. Seguimos a abordagem descrita na seção 6.8.3 de Clark [2011], que segue as mesmas
linhas do bootstrap de uma curva de rendimento, no entanto, tenta inferir uma superfície L (x, t) em
vez de uma curva.

Suponha que tenhamos dados de mercado para uma sequência de N pontos no tempo
{ ​0, t1​ ​, t​2​, ... ,t​N }​ . A abordagem é resolver a Eq.(4.3) numericamente, avançando o tempo passo a
passo e após cada iteração na solução de (4.3) para refinar a função L (x; t) use o (4.1).

Assim, obtemos os seguintes passos:


1. Comece no tempo t = 0 com uma correção de volatilidade local inicial L (x, 0) = 1 para todos os x
2. Aplique um esquema de avanço de tempo para (4.3) para ir para o próximo momento
3. Refine a função L (x, t) usando (4.1), em cada nível requerido de X, tendo integrais numéricos na
dimensão de variação. Atualize os termos de difusão, convecção e força em (4.3).

Aplicamos o parâmetro da taxa de mistura γ ao vol de vol (e possivelmente à correlação) para


cada vencimento, com a entrada de dados de mercado fornecida pelos preços de baunilha e talvez
opções exóticas. Os dados de volatilidade local e a equação de Fokker-Planck são usados para
gerar a função de densidade de probabilidade, enquanto a função de alavancagem correspondente
é utilizada para precificar as baunilhas e exóticos do mercado de insumos. Realizamos uma
otimização unidimensional para identificar o valor do parâmetro da taxa de mistura γ ​que fornece o
menor erro geral e o procedimento é repetido para a próxima maturidade.
Ao resolver o Fokker-Planck PDE, possíveis problemas numéricos podem aparecer Clark [2011]:

# A condição inicial para a equação de Fokker-Planck é altamente singular. Esse problema pode
ser solucionado por
- ter uma malha agressivamente não uniforme para compactar mais pontos de malha em torno
de (x0, v0) na dimensão espacial, e t = 0 na dimensão temporal.
- use a função de densidade de distribuição normal bivariada com um intervalo de tempo
muito pequeno para aproximar a função delta Dirac, como inTian et al. [2013]
# Certos mercados (por exemplo,FX) exigirá uma correlação não trivial, o que pode ser
problemático para alguns esquemas de diferenças finitas
# Se a condição Feller for violada, então a massa de probabilidade tenderá a se acumular contra o
limite v = 0. Uma malha não uniforme na variação com uma concentração de pontos em uma
camada limite adjacente a v = 0 ajuda consideravelmente nessa situação.
# A calibração funciona melhor para vencimentos mais curtos e com data mais próxima para pares
de moedas com sorrisos relativamente simétricos.

Para calibrações de data mais longa para pares de moedas assimétricos, como USDJPY e
EURJPY, descobrimos que os números são muito mais desafiadores
INTRODUÇÃO

Analisamos detalhadamente a calibração e o preço realizados dentro da estrutura dos modelos


LSV de volatilidade estocástica local, que se tornaram o padrão do mercado industrial para os
mercados de ações e FX.

Apresentamos os principais argumentos para a necessidade de ter esses modelos e abordamos a


questão de se os saltos devem ser incluídos. Incluímos uma visão geral abrangente da literatura e
focamos nossa exposição em detalhes importantes relacionados aos procedimentos de calibração
e precificação de opções usando PDEs ou PIDEs derivados de modelos LSV.

Descrevemos os procedimentos de calibração, com especial atenção ao uso e solução do


correspondente Kolmogorov PDE / PIDE, e delineamos algoritmos poderosos para estimativa dos
parâmetros do modelo. A ênfase é colocada na apresentação de detalhes práticos sobre a
configuração e a solução numérica de PDEs / PIDEs para frente e para trás obtidas a partir dos
modelos LSV. Consequentemente, discutimos detalhes (com base em nossa experiência e
melhores práticas da literatura) sobre a escolha de condições de contorno, construção de grades
espaciais não uniformes e grades temporais adaptativas, seleção de esquemas de diferenças
finitas eficientes e apropriados (com possíveis aprimoramentos), etc.

Também mostramos como integrar praticamente recursos específicos de vários tipos de


instrumentos financeiros nas configurações de calibração e preço. Consideramos todas as
perguntas e tópicos identificados como mais relevantes durante os procedimentos de seleção,
calibração e preço associados aos modelos de volatilidade estocástica local, fornecendo respostas
(para o melhor de nosso conhecimento) e apresenta referências para uma compreensão mais
profunda e perspectivas adicionais.

Em poucas palavras, é nossa intenção apresentar aqui um roteiro eficaz para uma jornada
bem-sucedida do LSV