解决期权希腊值估计中的不连续性：一种基于Sigmoid族无穷小扰动分析的方法

《Mathematics and Computers in Simulation》：Smoothing discontinuities in option Greeks estimation: A sigmoid-family infinitesimal perturbation analysis approach

　　杨森云|张志民
中国重庆大学数学与统计学院

**摘要**
本文讨论了在金融衍生品定价和风险管理背景下对期权希腊值的估计问题。尽管经典的微小扰动分析（IPA）方法因其易于实现和低方差而受到青睐，但其应用由于支付函数中的不连续性（如在数字期权和障碍期权中遇到的情况）而受到严重限制。为了解决这一挑战，我们提出了一种基于Sigmoid函数的IPA方法（SF-IPA），该方法使用参数化的Sigmoid函数来平滑指示函数中的不连续性。这种转换产生了一个具有可控偏差的渐近无偏导数估计量。理论分析提供了明确的非渐近误差界限。跨各种模型的数值实验表明，SF-IPA方法在精确性和效率方面都表现出了竞争力。

**引言**
在金融衍生品定价和风险管理中，希腊值（包括delta、gamma、vega、theta和rho）表示期权价格对标的市场参数变化的敏感度。这些指标对于对冲投资组合、优化交易策略以及量化市场风险敞口至关重要。例如，delta衡量期权价格相对于标的资产价格的变化率，指导动态对冲策略以中和方向性风险；vega捕捉了对波动率的敏感度，使交易者能够管理市场不确定性波动的敞口。在复杂的衍生品中，准确估计希腊值对于定价和合规性都是不可或缺的[1，第1.2节]。

有两种主要类型的数值方法被广泛用于估计期权敏感度：基于傅里叶的方法和基于模拟的方法。对于欧式期权，当标的资产的特征函数可以以封闭形式表示时，基于傅里叶的方法通常比蒙特卡洛模拟更快地计算出价格和希腊值。这些方法的核心思想是通过变换技术将标的过程和支付函数分开[2]。典型的方法包括Carr–Madan公式、COS方法及相关傅里叶反演技术（参见[2]、[3]），而[4]提供了对COS方法在期权定价和希腊值方面的详细分析，包括对展开项数量的明确界限和收敛结果的详细说明。尽管傅里叶方法在计算效率上具有优势，但在应用到敏感度分析时也存在挑战。特别是，计算希腊值通常需要交换微分和积分操作，在实际模型中这可能并不合理。正如[5]所示，即使期权价格被准确计算出来，基于傅里叶的方法也可能无法可靠地近似希腊值，尤其是在标的密度不规则的情况下，例如某些具有非光滑或无界密度的Lévy模型中。

由于傅里叶技术在处理某些场景时的局限性，基于模拟的方法仍然是一个关键且稳健的替代方案。在风险中性测度下，期权的价格可以表示为其折现支付的期望值，而希腊值对应于这一期望值对模型参数的导数。已经开发了多种模拟技术来估计这些敏感度。其中最常用的包括有限差分近似、微小扰动分析（IPA）[6]、[7]、似然 ratio 方法（LRM）[7]、[8]、弱导数方法（WD）[9]和Malliavin演算[10]、[11]。有关更全面的讨论和参考文献，请参见[12]的第6节和[1]的第7节。

有限差分方法易于实现，并对模型或支付函数的限制最小。然而，它需要重新模拟，引入了偏差，并可能导致高方差。相比之下，IPA方法沿着样本路径对支付函数进行微分，并使用链式法则来计算敏感度。当满足某些规则性条件（如支付函数的Lipschitz连续性）时，IPA方法可以提供低方差的无偏估计量。然而，当支付函数包含不连续点时，该方法不适用，因为在这些点上微分是不定义的。LRM方法通过微分标的过程的概率密度函数而不是支付函数本身来避免这个问题。虽然这使LRM方法能够处理不连续性，但它倾向于产生高方差，因为它没有利用支付函数的结构特性。此外，LRM方法需要明确知道转移密度，而在包含随机波动率或Lévy过程的高级模型中这通常是不可用的。为了克服这一限制，[13]引入了一种基于数值拉普拉斯变换反演的敏感度估计方法。该方法通过变换重构近似密度和得分，从而在只有特征函数或拉普拉斯变换可用的情况下实现类似LRM的估计。尽管这种方法具有优势，但它引入了截断误差。WD方法和Malliavin演算都避免了直接微分支付函数，但它们带来了实施上的挑战。[14]引入了广义似然比（GLR）方法，作为LRM、IPA和WD方法的扩展，提供了一种能够处理不连续支付函数的无偏估计量。

由于IPA方法的低方差和易于实现的特点，许多研究人员专注于进一步发展和完善这种方法。[15]将IPA方法扩展到包含指示函数的期权，并推导出了导数估计量的显式表达式，该表达式可以写成两项之和。第一项对应于标准期望，第二项是条件期望与密度函数的乘积。对于第二项，采用了核估计方法。在此基础上，[16]提出了一种使用重要性采样技术估计第二项的新方法。具体来说，他们设计了一个采样分布，确保所有生成的观察值都落在与指示函数相关的小概率区域内，从而得到一个无偏估计量。然而，该方法缺乏统一的形式，因为重要性采样分布的构建取决于支付函数的结构。[17]提出了一种基于条件期望的敏感度估计方法，该方法消除了支付函数中的不连续性，并在准蒙特卡洛（QMC）框架内提高了计算效率。然而，这种方法的适用性受到基础资产价格模型的转移密度必须明确可用的限制。在美式期权的背景下，[18]开发了一种广义IPA方法，[19]引入了支持独立的统一似然比和微小扰动分析（SLRIPA）方法。这两种方法都可以用于估计美式期权的希腊值，并有效处理由决策过程或支付函数引起的不连续性。最近，[20]提出了一种基于Dirac Delta族方法的新敏感度分析框架。通过将Dirac Delta族与经典IPA估计器结合在一起，他们开发了一类新的基于Dirac-Delta的敏感度估计器。

本文的动机在于需要鲁棒且高效的估计器，这些估计器能够在保持高敏感度估计性能的同时处理支付函数中的固有不连续性。所提出的方法既简单又直观。为了处理涉及指示函数的支付，我们使用参数化的Sigmoid函数来平滑不连续性。具体来说，指示函数1{x≥0}由Λa(x)近似，这是一个由a参数化的Sigmoid函数。这种平滑的替代方法允许交换微分和期望，从而产生了一种称为SF-IPA的新导数估计器。我们的方法与平滑扰动分析（SPA）[21]的目标相似，因为两者都旨在平滑不连续的支付。然而，它们的实现方式有所不同。SPA通过条件化某些随机变量来实现平滑性，其有效性取决于适当选择条件变量，这是特定于问题的。值得注意的是，尽管SPA提供了无偏估计量，但由于平滑操作，SF-IPA引入了较小的偏差。尽管如此，SPA通常比SF-IPA具有更高的方差。在两种方法都适用的情况下，SF-IPA往往提供更高效的估计。

最近的研究关注了无偏随机导数估计器的方差特性（参见[22]；[23]）。另一种观点是放宽严格无偏性的要求，转而考虑在允许控制偏差的同时渐近无偏的估计器。这一想法在随机模拟中也得到了更广泛的探索，其中引入小的偏差可以显著降低方差并提高整体效率（参见[24]；[25]）。受此观点的启发，所提出的SF-IPA方法实现了有利的偏差-方差权衡，并提供了相对于现有方法的几个优势。特别是，它可以处理支付函数中的不连续性，而不会受到经典IPA估计器固有的退化问题的影响，同时通常表现出比基于LRM的方法更低的方差，这一点得到了理论分析和数值实验的支持。这种方差降低源于估计器与基础模拟随机性保持了紧密的结构关系，从而保留了IPA框架的关键优势，同时将其适用性扩展到了非平滑支付。从实现和理论角度来看，所提出的方法还具有几个理想的特性。它允许无密度的实现，只需要标的过程的逐路径导数，因此保持了IPA型估计器的“单次运行”特性。此外，我们建立了偏差的非渐近界限，并证明均方误差（MSE）达到了OJ?4/5的最优收敛率，其中J表示样本大小。尽管该估计量只是渐近无偏的，但数值结果表明，与经典无偏估计量相比，它始终能够实现显著较低的相对均方根误差（RRMSE）。

本文的组织结构如下：第2节描述了SF-IPA方法的公式化；第3节进行了误差分析并确定了参数a的最优值；第4节通过全面的数值实验比较了SF-IPA与文献中的其他方法，展示了其广泛的适用性和估计效率；第5节总结了本文。

**问题表述**
考虑支持所有下面介绍的随机变量和随机过程的完整概率空间（Ω,F,Q）。这里，Ω是样本空间，F={Ft,t≥0}是一个过滤器，Q是一个风险中性概率测度。标的资产的价格动态由随机过程{St}t?0描述。

**误差分析**
在本节中，我们首先推导出了估计误差的显式上限，并为SF-IPA估计量的MSE建立了相应的上限。此外，我们确定了参数a的最优值。当a选择得当时，SF-IPA估计量的MSE以OJ?4/5的速率衰减。

我们施加了[15]定理1中所述的以下两个规则性条件：
**假设3.1**
对于任何θ∈Θ，q(S)和g(S)几乎可以肯定地关于θ可微。此外，存在…

**数值实验**
本节通过一系列全面的数值实验来评估所提出的SF-IPA估计器在估计各种金融模型中的希腊值时的有效性和稳健性。进行了四个案例研究，每个案例针对不同类型的期权和基础价格动态。对于前三个案例，我们将SF-IPA与经典方法进行了比较，包括在适用的情况下的LRM、IPA和SPA，并将其与Liu和Hong方法[15]进行了比较。

**结论**
本研究提出了一种新颖的平滑扰动方法，用于估计金融衍生品的希腊值，特别是在支付函数中的不连续性限制了经典IPA方法有效性的情况下特别有用。在SF-IPA方法中使用参数化的Sigmoid函数代替指示函数有效缓解了与不可微性相关的问题，同时保留了基础模拟的本质特征。我们的理论分析…

**作者贡献声明**
杨森云：撰写——审稿与编辑，撰写——原始草稿，监督，方法论，形式分析。张志民：写作——审稿与编辑；写作——初稿撰写；指导；方法论；形式分析。
利益冲突声明
作者声明他们没有已知的潜在财务利益或个人关系可能影响本文所报道的工作。
致谢
作者感谢匿名审稿人仔细阅读手稿，并提出了精确且有益的建议，这些建议有助于改进本文的质量。
张志民的研究得到了中央高校基本科研业务费[项目编号2025CDJ-IAISYB-002]、国家自然科学基金[授权编号12271066]以及重庆市自然科学基金联合创新与发展项目[项目编号]的支持。