跳到主要內容

[衍生商品] 風險中性定價 (Risk-Neutral Pricing)

現在介紹另外一種定價選擇權的方式。
稱作 風險中性定價 (Risk-Neutral Pricing)。

簡單說就是我們假設一個新世界,在這個世界中的投資人都為風險中性。

這是甚麼意思呢?

真實世界中,投資人大多為風險趨避者 (Risk-Averse);亦即投資人不喜歡風險。如果一旦有風險產生,投資人會要求額外的報酬當作補償 (風險溢價 Risk premium);但風險中性世界的假設是投資人對風險都持中性態度,亦即對風險並不關心。也就是說 若我們處在一個世界是投資者 對風險 不要求 任何額外的補償。則稱此世界為 風險中性 (Risk-Neutral) 世界

則我們可以定義 風險中性機率 $P$ 為風險中性世界中股價上漲的機率

現在考慮下面二項樹

上圖表示在 今日股價為 $S_0$ ,並且考慮在到期時間 $T$ 時,有機率 $P$ 預期股價會上漲成 $S_0 \cdot u$;或者有機率 $(1-P)$ 預期股價會下跌成 $S_0 \cdot d$

NOTE: 注意到上述的 $P$ 為前述定義的風險中性機率。

那麼對於 在到期時間 $T$ 時候的預期股價 $E\left[ {{S_T}} \right] $ 可以寫做:
\[E\left[ {{S_T}} \right] = {S_0}{e^{rT}} = P \cdot \left( {{S_0}u} \right) + (1 - P) \cdot {S_0}d
\]那麼我們可以把 今日股價 $S_0$ 寫成 對到期時間$T$時候,預期股價收益的折現:
\[
{S_0} = \left( {P \cdot \left( {{S_0}u} \right) + (1 - P) \cdot {S_0}d} \right){e^{ - rT}}
\] 由上式我們可以推得 風險中性機率 $P$ 如下:
\[
\Rightarrow P = \frac{{{e^{rT}} - d}}{{u - d}}
\]同樣的,我們也可以透過折現計算 今日 預期選擇權的價格 為 預期收益的折現:
\[
f = \left( {P \cdot {f_u} + (1 - P) \cdot {f_d}} \right){e^{ - rT}} \ \ \ \ (*)
\]

Comment:
1. 風險中性定價方法在計算選擇權價格 較 二項樹求解法容易 (但兩者等價)。因為我們只需先解得 風險中性機率 $P$ 再帶入 $(*)$ 即可求解 $f$。

2. 風險中性機率 $P$ 與真實世界中 股票上漲的機率並相同!



現在我們考慮一個新的問題:

如果考慮 配發股息情況該如何修正風險中性機率??

考慮與上圖相同的一步 二項樹模型:

其中 $S_0$ 為當前股價,$u$ 為上升因子, $d$ 為下降因子,$f_u$ 為如果股價上升到 $S_u$ 所對應的選擇權價格,$f_d$ 為如果股價下跌到 $S_d$ 所對應的選擇權價格,且給定 $r$ 無風險年利率以連續複利計,$T$ 為到期時間 (以年計算)。則原本不考慮配發股息的風險中性機率 ( Risk-Neutral Probability) $P$ 為
\[
S_0 = (S_0 u P + S_0 d (1-P)) e^{-rT}
\]故整理上式,可得 Risk-Neutral Probability $P$ 為
\[P = \frac{{{e^{rT}} - d}}{{u - d}}
\]
但是現在如果我們考慮標的股票有配發股息的情況,且股息配發為連續複利 $q$ (continuous dividend yield),則原本的 Risk-Neutral Probability 需進行修正:
\[
S_0 e^{-qT}= (S_0 u P + S_0 d (1-P)) e^{-rT}
\]故 考慮配發連續複利股息的  Risk-Neutral Probability 為
\[P = \frac{{{e^{\left( {r - q} \right)T}} - d}}{{u - d}}\]


注意到上述的 Risk-Neutral Probability 求解 option price 的方法跟之前我們介紹的 Binomial Pricing Method 求出的 Option Price 等價,我們現在看個例子來展示此想法:

Example (Equivalent Pricing Approach)
考慮當前股價 $40$,且已知三個月後股價要麼為 $45$ 或者 $35$,且無風險年利率為 $8%$ 以每三個月複利計算,現在是計算 三個月到期且執行價格為 $40$ 的 European Put Option 的合理價格。並且驗證 Risk-Neutral pricing 與 No-arbitrage argument 答案相等。

Solution
首先改寫已知資訊:
\[
S_0 =40, S_0 u=45, S_0 d=35, r_m:=r_{\text{quarterly}}= 0.08, K=40, T=3/12
\] 我們可繪製如前所敘的 Binomial Tree


注意到此題的利率為 每三個月複利計算,故我們需先將此無風險改為連續複利 $r_c$的形式利用轉換式: (有興趣的讀者請參考 [投資理論] Interest Rates and Continuous Compounding.)
\[
{\left( {1 + \frac{{{r_m}}}{m}} \right)^m} = {e^{{r_c}}}
\] 其中 $m$ 為每年複利計算次數,由題目可知為每三個月計算一次,故一年計算複利 4次;亦即 $m=4$,將此參數帶入上述轉換利率式可得連續複利的無風險利率 $r_c$
\[\begin{array}{l}
{\left( {1 + \frac{{0.08}}{4}} \right)^4} = {e^{{r_c}}}\\
 \Rightarrow {r_c} = 0.0792
\end{array}
\] 有了 $r_c$ 我們可開始計算 Risk-Neutral Probability
\[\begin{array}{l}
{S_0} = ({S_0}uP + {S_0}d(1 - P)){e^{ - {r_c}T}}\\
 \Rightarrow 40 = (45P + 35(1 - P)){e^{ - 0.0792 \times \frac{3}{{12}}}}\\
 \Rightarrow P = 0.58
\end{array}
\] 再者由於此為 Put option,故
\[\left\{ \begin{array}{l}
{f_u} = \max \left\{ {K - {S_0}u,0} \right\} = \max \left\{ {40 - 45,0} \right\} = 0\\
{f_d} = \max \left\{ {K - {S_0}d,0} \right\} = \max \left\{ {40 - 35,0} \right\} = 5
\end{array} \right.
\]現在我們可以計算選擇權價格 $f$:
\[\begin{array}{l}
f = \left[ {{f_u}P + {f_d}\left( {1 - P} \right)} \right]{e^{ - rT}}\\
 \Rightarrow f = \left[ {0 \times 0.58 + 5 \times \left( {1 - 0.58} \right)} \right]{e^{ - 0.0792 \times \frac{3}{{12}}}}\\
 \Rightarrow f = 2.0588
\end{array}\]

現在我們利用 Binomial No-Arbitrage Method:
建構一無風險投資組合:

買入 $\Delta$ 股股票
借入 $B$ 元 債卷

且上述的無風險投資組合必須複製選擇權的payoff,則我們可得
\[\begin{array}{l}
\left\{ \begin{array}{l}
{S_0}u\Delta  + B{e^{rT}} = {f_u}\\
{S_0}d\Delta  + B{e^{rT}} = {f_d}
\end{array} \right. \Rightarrow \left\{ \begin{array}{l}
45\Delta  + B{e^{0.0792 \times \frac{3}{{12}}}} = 0\\
35\Delta  + B{e^{0.0792 \times \frac{3}{{12}}}} = 5
\end{array} \right.\\
 \Rightarrow \left\{ \begin{array}{l}
\Delta  =  - 0.5\\
B = 22.0589
\end{array} \right.
\end{array}\]
故可知需要 賣出 $\Delta = 0.5$ 股票,且借入 $B=22.0589$ 元,且 put option 的價格為
\[
f = S_0 \Delta + B = 40 (-0.5) + 22.0589 =2.0589
\] 上述答案與我們使用 Risk-Neutral Probability 所求的答案相等。 $\square$


ref: John C. Hull, Options, Futures and Other Derivatives 7th.

留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if  ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做  若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質