R语言几何布朗运动GBM模拟股票价格优化建立期权定价用概率加权收益曲线可视化

简介: R语言几何布朗运动GBM模拟股票价格优化建立期权定价用概率加权收益曲线可视化

原文链接:http://tecdat.cn/?p=26842 


对于模拟股票价格,几何布朗运动 (GBM) 是 事实上的首选 模型。

它有一些很好的属性,通常与股票价格一致,例如对数正态分布(因此向下限制为零),并且期望收益不取决于价格的大小。

当然,GBM 只是一个模型,没有一个模型可以完美地代表现实。特别是,GBM 使用恒定波动率,这显然与现实不符。它也没有考虑跳跃,例如由新闻引起的跳跃。

尽管有这些限制,GBM 仍然是对股票价格行为进行建模的有用起点。特别是,它非常有助于建立对各种金融概念的直觉——尤其是期权定价。

通常,当我们对股票价格进行建模时,我们的用例需要运行大量模拟以生成可能结果的分布。

由于这样的用例需要多次运行 GBM 模拟器,因此考虑优化代码以提高速度是值得的。少量的深思熟虑可以节省大量的时间。

当然,您要避免提早优化的诱惑,以免花费更多时间优化代码,而不是优化本身节省的时间。

在这篇文章中,我将展示两种使用 GBM 模拟价格路径的方法:

  • 使用 for 循环迭代价格路径的数量和每个路径中的时间步数
  • 向量化,我们一次对整个向量或矩阵进行操作


基于循环的 GBM 模拟


for 下面是在嵌套循环中运行 GBM 模拟的一些代码 :

g_op <- function {
gm <- mrix(nol = nsm, nrow = t)
for (imu in 1:nim) {
gm\[1, smu\] <- S0
for (ay in 2:t) {
eslon <- rnrm(1)
dt = 1 / 365
bm\[day, imu\] <-bm\[(day-1), smu\] * exp((u - sgma * sima / 2) * dt + sima * epilo * sqt(dt))

100 个时间步长 50 次,年化波动率为 10%,偏移为 0,起始价格为 100,我得到的价格路径如下所示:

gm <- gbo(nsim, t, mu, sigma, S0)

这看起来像是上面指定的参数所描述的随机价格过程的合理表示。这个循环实际上运行得很快。


点击标题查阅往期内容


R语言做复杂金融产品的几何布朗运动的模拟


01

02

03

04


如果我们要求它进行 50,000 次模拟,让我们看看运行得有多快:

sar <- ys.tme()
gm <- gbmlp(nim , t, mu, siga, S0)
Sys.time() - srt

大约十秒钟。


GBM 模拟的矢量化方法


R 中的许多操作都是矢量化的——这意味着操作可以在后台并行发生,或者至少可以使用用 C 编写的、对用户隐藏的紧密循环运行得更快。

向量化的经典例子是两个向量的元素相加。这种操作的 for 循环版本如下所示:

x <- c(1:10)
y <- c(10:1)
z <- numeric(length(x))
for(i in c(1:length(x))) {
z\[i\] <- x\[i\] + y\[i\]
}
z

通过矢量化,我们可以简单地做到:

z <- x + y
z

R 中的许多操作都是矢量化的——事实上,R 的设计就是考虑到这一点。

让我们在我们的 GBM 模拟中对一个操作进行矢量化来演示。

不像我们在循环版本中那样为每天的每个模拟生成一个新的随机数,我们将在一开始就生成一个包含整个模拟所需的所有随机数的矩阵。这就是下面代码中的矩阵 epsilon

然后,我们可以在单个操作 中 将该矩阵转换 nsim * t 为具有我们所需参数的 GBM 的实现。

作为最后一步,我们将给定的初始价格添加 S0 到每个模拟的第一个元素,然后我们通过时间累积产品来获得我们的价格路径。

这是代码:

gbc <- function {
# 随机抽样的矩阵--每次模拟每天都有一个
epln <- matrix(norm(t*nim), ncol = nsim, nrow = t)
# 得到GBM并转换为价格路径
gm <- exp((mu - sgma * sma / 2) * dt + sia  pson * sqrtdt) )

如果我运行 50 次,我会得到如下所示的价格路径:

nsim <- 50
ggplot(aes) +
geom_line() +
theme(leend.poon = 'none')

让我们模拟50,000 条价格路径,看看我们是否在循环版本中获得了加速:

gbm <- gb_ec(nim = 50000)
Sys.time() - start

这是一个数量级加速的最佳部分。


GBM 模拟器可以用来做什么?


鉴于我们的模型假设,我们可以使用它来估计未来某个时间点的价格分布:

ggplot(aes(x = pce)) +
geom_hstgam(aes(y = ..denity..), biwdth = 0.1) +
geom_dnsity() +

从那里,估计被模拟股票期权的 概率加权收益曲线 ,比如一个 看涨期权 在 105 处执行(同样,考虑到我们的模型假设,并忽略远期利率和股息):

proile <- ble(
prce = D$x,
vaue = casewen(price <= trke ~ 0, TRUE ~ prce - srie)
)
# 报酬和概率的数据框架
prieghdyf_pile <- prle %>%
muta(desity = D$y/sm(D$y))
ggplot +
geom_line() +
xlab('price')

最后,我们可以通过对概率加权收益曲线下的面积求和来获得期权的期望值:

expeue <- proile %>%
suse(ev = sum(density * value))
explue

结论


几何布朗运动模拟器是您开始对股票价格进行建模时首先使用的工具之一。

特别是,它是一个有用的工具,可以帮助您建立 _期权定价_等概念。

利用 R 的矢量化工具,我们可以立即运行数以万计的模拟。

相关文章
|
6月前
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
2月前
|
机器学习/深度学习
R语言模型评估:深入理解混淆矩阵与ROC曲线
【9月更文挑战第2天】混淆矩阵和ROC曲线是评估分类模型性能的两种重要工具。混淆矩阵提供了模型在不同类别上的详细表现,而ROC曲线则通过综合考虑真正率和假正率来全面评估模型的分类能力。在R语言中,利用`caret`和`pROC`等包可以方便地实现这两种评估方法,从而帮助我们更好地理解和选择最适合当前任务的模型。
|
4月前
|
机器学习/深度学习 算法 数据挖掘
R语言在金融分析中扮演重要角色,用于风险管理、资产定价、量化交易、市场预测和投资组合优化。
【7月更文挑战第2天】R语言在金融分析中扮演重要角色,用于风险管理、资产定价、量化交易、市场预测和投资组合优化。其开源、强大的统计功能和丰富的包(如`PerformanceAnalytics`、`quantstrat`、`forecast`)支持从风险评估到策略回测的各种任务。R的灵活性和社区支持使其成为金融专业人士应对复杂问题的首选工具。
232 1
|
6月前
|
数据可视化
R语言机器学习方法分析二手车价格影响因素
R语言机器学习方法分析二手车价格影响因素
|
6月前
|
机器学习/深度学习 数据可视化 算法
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为1
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
6月前
|
机器学习/深度学习 数据可视化 数据挖掘
R语言逻辑回归logistic对ST股票风险建模分类分析混淆矩阵、ROC曲线可视化
R语言逻辑回归logistic对ST股票风险建模分类分析混淆矩阵、ROC曲线可视化
|
6月前
|
机器学习/深度学习 数据可视化 数据挖掘
R语言软件对房屋价格预测:回归、LASSO、决策树、随机森林、GBM、神经网络和SVM可视化|数据分享
R语言软件对房屋价格预测:回归、LASSO、决策树、随机森林、GBM、神经网络和SVM可视化|数据分享
|
6月前
R语言非线性方程数值分析生物降解、植物生长数据:多项式、渐近回归、米氏方程、逻辑曲线、Gompertz、Weibull曲线(下)
R语言非线性方程数值分析生物降解、植物生长数据:多项式、渐近回归、米氏方程、逻辑曲线、Gompertz、Weibull曲线
|
2月前
|
数据采集 机器学习/深度学习 数据可视化
R语言从数据到决策:R语言在商业分析中的实践
【9月更文挑战第1天】R语言在商业分析中的应用广泛而深入,从数据收集、预处理、分析到预测模型构建和决策支持,R语言都提供了强大的工具和功能。通过学习和掌握R语言在商业分析中的实践应用,我们可以更好地利用数据驱动企业决策,提升企业的竞争力和盈利能力。未来,随着大数据和人工智能技术的不断发展,R语言在商业分析领域的应用将更加广泛和深入,为企业带来更多的机遇和挑战。
|
5天前
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
20 3

热门文章

最新文章