Bài 4/6 · Tài chính Định lượng: Monte Carlo & Giải tích Ngẫu nhiên
Định giá quyền chọn bằng Monte Carlo
Mục tiêu bài học
- Định giá quyền chọn Âu bằng mô phỏng Monte Carlo dưới độ đo trung hoà rủi ro.
- Tính sai số chuẩn và khoảng tin cậy của ước lượng Monte Carlo.
- Áp dụng kỹ thuật biến đối ngẫu (antithetic variates) để giảm phương sai.
Nội dung chính
Với các sản phẩm phái sinh không có công thức đóng dạng (như quyền chọn phụ thuộc đường đi ở bài 5), Monte Carlo là công cụ định giá tổng quát nhất: mô phỏng nhiều kịch bản giá tài sản cơ sở dưới độ đo trung hoà rủi ro, tính payoff cho mỗi kịch bản, lấy trung bình rồi chiết khấu về hiện tại.
Mô phỏng dưới độ đo trung hoà rủi ro
Điểm quan trọng cần nhớ: khi mô phỏng để định giá (không phải để dự báo), drift của tài sản cơ sở phải là lãi suất phi rủi ro r, không phải lợi suất kỳ vọng thực tế μ — đây là hệ quả trực tiếp của nguyên lý định giá trung hoà rủi ro đã gặp ở Course 5.
Sai số chuẩn và độ chính xác
Sai số chuẩn (Standard Error — SE) của ước lượng Monte Carlo giảm theo tốc độ 1/√n — nghĩa là để giảm sai số đi 10 lần, cần tăng số lần mô phỏng lên gấp 100 lần. Đây là "chi phí" cơ bản của phương pháp Monte Carlo: đơn giản và tổng quát, nhưng hội tụ khá chậm.
Kỹ thuật giảm phương sai: biến đối ngẫu
Biến đối ngẫu (antithetic variates) là kỹ thuật đơn giản và hiệu quả: với mỗi số ngẫu nhiên Z sinh ra, dùng thêm giá trị đối xứng −Z để tạo một kịch bản thứ hai. Vì payoff trung bình của cặp (Z, −Z) có phương sai thấp hơn phương sai của từng kịch bản riêng lẻ (khi payoff là hàm đơn điệu), kỹ thuật này giảm đáng kể sai số chuẩn mà không cần tăng số lần gọi hàm sinh số ngẫu nhiên.
Kiểm chứng mô hình: Luôn kiểm tra Monte Carlo bằng cách so sánh với công thức Black-Scholes (khi có sẵn) cho trường hợp quyền chọn Âu đơn giản trước khi áp dụng framework mô phỏng cho các sản phẩm phức tạp hơn không có công thức đóng.
Công thức cốt lõi
Ước lượng Monte Carlo
\[ \hat C = e^{-rT}\frac1n\sum_{i=1}^n\max(S_T^{(i)}-K,0),\quad S_T^{(i)} = S_0e^{(r-\sigma^2/2)T + \sigma\sqrt T Z_i} \]Sai số chuẩn và khoảng tin cậy
\[ SE = \frac{e^{-rT}s_{payoff}}{\sqrt n},\qquad \hat C \pm 1{,}96\,SE \]\(s_{payoff}\): độ lệch chuẩn mẫu của payoff chưa chiết khấu.
Ví dụ số
Ví dụ: Định giá Monte Carlo có/không antithetic
Dữ kiện: S=K=100, r=5%, σ=20%, T=1, n=10.000, seed=42.
- Mô phỏng thường: Ĉ = 10,4375; SE = 0,1467.
- Khoảng tin cậy 95%: [10,4375 − 1,96×0,1467; 10,4375 + 1,96×0,1467] = [10,15; 10,73] — chứa giá Black-Scholes 10,4506.
- Mô phỏng antithetic (5.000 cặp, cùng số lần gọi randn): Ĉ = 10,4774; SE = 0,1018.
- SE giảm từ 0,1467 xuống 0,1018 — giảm khoảng 31% dù dùng cùng số lượng số ngẫu nhiên sinh ra.
Kết quả: Không antithetic: 10,4375 (SE 0,1467). Antithetic: 10,4774 (SE 0,1018).
Diễn giải: Kỹ thuật antithetic 'miễn phí' về mặt tính toán (cùng số lần gọi hàm sinh số ngẫu nhiên) nhưng giảm đáng kể sai số — đây là lý do nó gần như luôn được áp dụng trong các hệ thống định giá Monte Carlo chuyên nghiệp.
Công cụ: Monte Carlo quyền chọn Âu
So sánh ước lượng Monte Carlo (có/không dùng antithetic) với giá Black-Scholes.
Lưu ý thực tế & bẫy thường gặp
- Luôn dùng lãi suất phi rủi ro r làm drift khi mô phỏng để định giá — dùng μ thực tế sẽ cho ra kết quả sai hoàn toàn.
- Kỹ thuật giảm phương sai khác (biến điều khiển — control variates, lấy mẫu phân tầng) có thể kết hợp với antithetic để giảm SE hơn nữa.
- Với sản phẩm phức tạp có nhiều tài sản cơ sở hoặc phụ thuộc đường đi dài, chi phí tính toán Monte Carlo tăng nhanh — cần cân bằng giữa độ chính xác và thời gian chạy.
Kiểm tra nhanh (5 câu)
Tóm tắt
- Monte Carlo định giá quyền chọn bằng cách mô phỏng dưới độ đo trung hoà rủi ro (drift = r) và chiết khấu payoff trung bình.
- Sai số chuẩn giảm theo 1/√n — muốn chính xác gấp 10 lần cần mô phỏng gấp 100 lần.
- Biến đối ngẫu (antithetic) giảm sai số chuẩn đáng kể mà không tăng số lần gọi hàm sinh số ngẫu nhiên.