跳到主要內容

[隨機分析] Black-Scholes PDE for European Call option (0)

這次要介紹 Black-Scholes Model for European Call option,也就是對於一個 歐式選擇權 (European Call option) 該如何為其制定價格。

由於 選擇權 本身是衍生商品的一種,也就是其本身的價值是隨某個標的資產 (Underlying asset)做變動,故如何對於此種衍生商品的做出合理的定價 (這邊所謂的合理指的是無套利機會的定價 亦即 No-arbitrage price) 就顯得相當不容易,在這邊我們考慮的是歐式股票選擇權,故其標的資產為股票,故可以想見此 European Call option 的定價在最後必定跟 股價有關,此定價公式被稱作 Black-Scholes Formula。在這邊我們需要兩種數學工具來幫助我們求解 Black-Scholes Formula:機率論隨機分析中的隨機微分方程 SDE 與 偏微分方程 PDE 求解邊界值問題



我們首先定義 $S_t$ 為在時間 $t$ 時的股價,且 $\beta_t$ 為在時間 $t$ 的債卷價格
且我們選取下列的隨機微分方程 (SDE) 來描述我們的 股價 與 債卷價格:

股票價格 模型: $dS_t = \mu S_t dt + \sigma S_t dB_t$
債卷價格 模型: $d \beta_t = r \beta_t dt$

其中 $r$ 為無風險利率(risk-free interest rate),實務上多以 LIBOR 或者 Treasury bond 的利率作為 $r$。

注意到上式中,股價模型為幾何布朗運動 (Geometric Brownian Motion),債卷模型則是一個為連續複利的確定(非隨機)過程。(WHY? 注意到債卷模型為ODE,可直接求解)
\[\begin{array}{l}
d{\beta _t} = r{\beta _t}dt \Rightarrow \int_0^t {\frac{{d{\beta _t}}}{{{\beta _t}}}}  = \int_0^t {rds} \\
 \Rightarrow \ln {\beta _t} - \ln {\beta _0} = rt\\
 \Rightarrow {\beta _t} = {\beta _0}{e^{rt}}
\end{array}
\]上述的解 $\beta_t$ 即為連續複利 在時間 $t$ 時的 債卷價格

現在,我們考慮執行價格為 $K$ 的 European Call option,且到期時間為 $T$,則在到期時的收益必須滿足
\[
h(S_T) = \max\{S_T - K, 0 \} = (S_T - K)_+
\]
基本上我們想法就是要建構一組投資組合(portfolio)使得我們的組合可以複製上述的European Call option 的到期收益 $h(S_T)$,且在到期之前不會收到/賠掉 任何資金 (維持淨現金流為零),但因為我們的股價與債卷模型都是連續時間隨機過程,故此投資組合必須隨時間不斷動態調整。

現在我們來看看該如何建構這樣的一組投資組合,
首先考慮
$a_t$ 為 在時間 $t$ 時,用來建構此組投資組合所需的 股票數量
$b_t$ 為 在時間 $t$ 時,用來建構此組投資組合所需的 債卷數量
則我們的投資組合在時間 $t$ 時的價值 $V_t$ 即為
\[
V_t = a_t S_t + b_t \beta_t
\]且此投資組合必須複製我們的European Call option 在到期時後的收益,故我們有一個terminal constraint
\[
V_T = h(S_T) = (S_T - K)_+
\]且投資組合在到期之前必須維持淨現金流為零 (no cash flow ! 透過 dynamic hedging 不斷買/賣 股票與債卷維持 no cash flow),此條件可視為在到期之前我們不斷地在進行自我融資 (self-financing),此條件可用隨機微分方程來表示:稱作 Self-financing condition
\[
dV_t = a_t dS_t + b_t d\beta_t
\]此條件加入了對於我們股票數量 $a_t$ 與 債卷數量 $b_t$ 上的限制,由上述的 terminal constraint 與 self-financing condition 我們可以求解 $a_t$ 與 $b_t$

現在注意到如果我們的投資組合的價值 $V_t$ 為時間 $t$ 與 股價 $S_t$ 的函數,可將其寫作
\[
V_t = f(t, S_t)
\]則由 Ito-formula,我們有
\[\begin{array}{l}
d{V_t} = {f_t}(t,{S_t})dt + {f_x}(t,{S_t})d{S_t} + \frac{1}{2}{f_{xx}}(t,{S_t})d{\left\langle S \right\rangle _t}\\
\begin{array}{*{20}{c}}
{}&{}
\end{array} = {f_t}(t,{S_t})dt + {f_x}(t,{S_t})\left( {\mu {S_t}dt + \sigma {S_t}d{B_t}} \right) + \frac{1}{2}{f_{xx}}(t,{S_t}){\sigma ^2}{S_t}^2dt\\
\begin{array}{*{20}{c}}
{}&{}
\end{array} = \left[ {{f_t}(t,{S_t}) + {f_x}(t,{S_t})\mu {S_t} + \frac{1}{2}{f_{xx}}(t,{S_t}){\sigma ^2}{S_t}^2} \right]dt + \sigma {S_t}{f_x}(t,{S_t})d{B_t}
\end{array}
\]但是我們由 Self-financing condition 可知
\[\begin{array}{l}
d{V_t} = {a_t}d{S_t} + {b_t}d{\beta _t}\\
\begin{array}{*{20}{c}}
{}&{}
\end{array} = {a_t}\left( {\mu {S_t}dt + \sigma {S_t}d{B_t}} \right) + {b_t}\left( {r{\beta _t}dt} \right)\\
\begin{array}{*{20}{c}}
{}&{}
\end{array} = \left( {{a_t}\mu {S_t} + {b_t}r{\beta _t}} \right)dt + {a_t}\sigma {S_t}d{B_t}
\end{array}
\]由 Ito formula 所求得的 $dV_t$ 必與上式相等,故比較係數可得 $a_t$ 與 $b_t$
\[\begin{array}{l}
\left\{ \begin{array}{l}
\sigma {S_t}{f_x}(t,{S_t}) = {a_t}\sigma {S_t}\\
{f_t}(t,{S_t}) + {f_x}(t,{S_t})\mu {S_t} + \frac{1}{2}{f_{xx}}(t,{S_t}){\sigma ^2}{S_t}^2 = {a_t}\mu {S_t} + {b_t}r{\beta _t}
\end{array} \right.\\
 \Rightarrow \left\{ \begin{array}{l}
{a_t} = {f_x}(t,{S_t})\\
{b_t} = \frac{1}{{r{\beta _t}}}\left[ {{f_t}(t,{S_t}) + \frac{1}{2}{f_{xx}}(t,{S_t}){\sigma ^2}{S_t}^2} \right]
\end{array} \right.
\end{array}
\]再者,由於我們的投資組合的價值 $V_t = f(t, S_t)$ (由Ito-formula) 且 $V_t = a_t S_t + b_t \beta_t$ (由 $V_t$ 定義),故此兩者亦相等,我們得到
\[\begin{array}{l}
{V_t} = {a_t}{S_t} + {b_t}{\beta _t} = f(t,{S_t})\\
 \Rightarrow f(t,{S_t}) = {f_x}(t,{S_t}){S_t} + \frac{1}{{r{\beta _t}}}\left[ {{f_t}(t,{S_t}) + \frac{1}{2}{f_{xx}}(t,{S_t}){\sigma ^2}{S_t}^2} \right]{\beta _t}\\
 \Rightarrow f(t,{S_t}) = {f_x}(t,{S_t}){S_t} + \frac{1}{r}\left[ {{f_t}(t,{S_t}) + \frac{1}{2}{f_{xx}}(t,{S_t}){\sigma ^2}{S_t}^2} \right]\\
 \Rightarrow rf(t,{S_t}) = r{f_x}(t,{S_t}){S_t} + {f_t}(t,{S_t}) + \frac{1}{2}{f_{xx}}(t,{S_t}){\sigma ^2}{S_t}^2
\end{array}
\]現在如果我們把 $S_t$ 用 $x$ 取代,則我們得到 Black-Scholes PDE:
\[
rf(t,x) = {f_t}(t,x) + rx{f_x}(t,x) + \frac{1}{2}{f_{xx}}(t,x){\sigma ^2}{x^2}
\]且有終端邊界條件 $f(T,x) = h(x), \ \forall x \in \mathbb{R}$

如果我們對 Black-Scholes PDE + 上述的終端邊界條件 求解 (借助PDE的 Diffusion equaiton),即會得到大名鼎鼎的 Black-Scholes Formula。亦即 European call option 在 時間 $t$ 時候的價格 $C_t = f(t,x)$ 可由下式求得
\[
{\small C_t = S \Phi \left( \frac{\ln(S/K) + (r+\frac{1}{2} \sigma^2) \tau }{\sigma \sqrt{\tau}}\right) - K e^{-r \tau} \Phi \left( \frac{\ln(S/K) + (r - \frac{1}{2}\sigma^2) \tau }{\sigma \sqrt{\tau}}\right)}
\]其中 $S$ 為當前股價,$T$ 為到期時間,$K$ 為執行價格,,$r$ 為無風險利率, $\sigma$ 為股價波動度,$\Phi(\cdot)$ 為 Standard normal cdf,$\tau$ 為到期之前的 剩餘時間,亦即 $\tau = T-t$

延伸閱讀
[隨機分析] Black-Scholes PDE for European Call option (1)

ref:
J. M. Steele, Stochastic Calculus and Financial Applications, Springer

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