Какие дни использовать в расчетах — календарные или рабочие? В пользу первого метода говорит тот факт, что биржа считает время как точное время до экспирации. Этот метод прост и понятен. В пользу второго метода свидетельствуют провалы волатильности перед выходными и праздниками.
 
Иногда используется третий метод – учет выходных и праздничных дней с некоторым весом (периодом времени). Возможно, этот способ наиболее правильный, ведь на выходных в мире часто происходят события, влияющие на рынок. Но возникает вопрос: как вычислить вес нерабочих дней? Если в данные выходные ожидается конкретное событие, оценить его можно по влиянию на рынок во время аналогичных событий в прошлом. Такой подход требует внимательного исследования влияния конкретных событий, и дальше его рассматривать не будем. Далее будем искать вес «средних» выходных без учета событий в эти дни.
 
Чтобы найти вес периода времени, можно сравнить волатильность базового актива в этот периода с волатильностью этого актива в стандартный период времени. Волатильность измерим через HV: стандартное отклонение (выборочное СКО) логарифмов отношений цены актива.


( Читать дальше )

                При данном исследовании было потрачено немало труда, поэтому ссылка на автора при перепечатке обязательна. © Simix.
                Сразу скажу что расчёт ГО тема скользкая, т.к. представляет собой величину умозрительную — риск. Есть люди, которые прыгают с парашютом для развлечения, а я считаю что этот риск слишком велик чтобы прыгать без необходимости. То есть риск зависит от того, кто смотрит.  Если бы мы все знали реальные риски той или иной ситуации, то была бы не жизнь, а красота. Поэтому ровно такое же ГО как в QUIKе вы не получите никаким оффлайновым алгоритмом. Биржа имеет насчёт ГО свои взгляды, собственные поправочные коэффициенты и собственный модуль, который работает только с подключением к бирже.
Но посчитать ГО в оффлайне всё-таки можно.
Чтобы как-то ограничить и описать риск  количественно, биржа вводит ряд предположений и условий, а также приводит открытую методику которыми мы и воспользуемся:


( Читать дальше )

Продолжая популярную сейчас тему с моделями улыбки волатильности, хочу поделиться результатами своего исследования на эту тему. Немного стремно делать это после поста Виталия Курбаковского. Но может кому-то и мое исследование будет интересно. Сам я не математик и не трейдер, просто программист. Поэтому не судите строго.
 
Наблюдая за поведением улыбки волатильности, уже давно мучали вопросы: Почему улыбка поднимается то вверх, то вниз? Почему она изогнута именно так, а не иначе? Почему перекатывается за текущей ценой БА, причем дно улыбки справа от БА и только к экспирации подтягивается к БА и улыбка становится симметричной? Почему ветви у нее то поднимаются, то опускаются? И главный вопрос: Что является причиной возникновения улыбки волатильности? В некоторых источниках утверждают, что улыбка возникает из-за толстых хвостов распределения приращений. Решил проверить это и провести небольшое исследование.
 
Насколько понял теорию вопроса, чтобы посчитать свою улыбку волатильности, нужно иметь распределение вероятностей, какой будет цена БА на экспирацию (в дальнейшем — распределение цен). Если знать это распределение, то можно однозначно вычислить цены опционов на каждом страйке, и потом, используя формулу Блека-Шоулза, можно вычислить IV на каждом страйке, и получить улыбку волатильности. Как можно получить распределение цен? Решил построить его, генерируя тысячи случайных траекторий цены, начиная с текущего значения БА. Конечные точки траекторий (цена БА на экспирацию) сохраняю, и в конце смотрю, как часто цена попадала в тот или иной диапазон. Так получаю распределение цен на экспирацию. Для построения случайной траектории решил использовать распределение приращений, которое реально было на рынке (в дальнейшем — эмпирическое распределение). Вот, например, распределение приращений (на минутках) для фьючерса RTS-9.11:


( Читать дальше )

Финансовые рынки обладают известным свойством – толстые хвосты в распределении приращений актива. Обычно, для демонстрации эффекта сравнивают два графика дневной доходности – для исторического распределения цен и нормального. На рисунке ниже четко заметны выбросы в распределении доходности индекса вдалеке от центра. 
 


Часто можно услышать, как толстые хвосты назначают главной причиной возникновения улыбки волатильности. На недавно прошедшей НОК одним из наиболее интересных выступлений была презентация Виталия Курбаковского о причинах появления улыбки волатильности. Уважаемый мэтр строил улыбку на основе эмпирического распределения.
Проверим сами, как влияют толстые хвосты на форму улыбки. Построим модель движения фьючерса РТС на основе данных о ежедневной доходности close to close основной сессии. Возьмем ряд ежедневных приращений склеенного фьючерса с января 2010г. по февраль 2013г. Конечное значение цены близко к начальному, но, чтобы совсем исключить тренд, последнее значение цены фьючерса примем равным первому, а именно 157090 п. Период модели – 100 дней. Каждый день актив прыгает на величину, случайно выбранную из ряда прошлых значений. В конце траектории посчитаем стоимость опционов. Повторим опыт миллион раз. Усредним результаты каждого опыта и получим ожидаемую стоимость опционов в финальной точке. Она совпадает со справедливой стоимостью опционов в  начальной точке,  ведь ставка равна нулю. Результат моделирования в терминах волатильности представлен ниже



( Читать дальше )