Читать диплом по финансам, деньгам, кредиту: "Зависимость ценообразования опционов" Страница 9

(Назад) (Cкачать работу)

В данной статье авторы пытаются применить и расширить методы анализа ценообразования опционов, которые применяются в модели Блэка-Щоулза, и, в частности, применить к ним наличие сентиментов у инвесторов. Предполагается, что на цену опционов влияют как сентименты, связанные с акциями, так и чисто опционные. Для начала, авторы взяли стандартную модель поведения акции, описываемую Броуновским движением. Как, мы видим, цена актива распределена логнормально. Данная модель является самой распространенной в современных финансах, ее описание может быть найдено в Black and Scholes (1973). Математическое ожидание (mr) и стандартное отклонение (vr) цены акции равны:

Авторы модифицировали ее, добавив переменную, связанную с сентиментом базового актива. Предполагается, что у полностью рационального инвестора данный сентимент равен 0. Согласно множеству эмпирическим и теоретическим исследованиям с увеличением значения сентимента увеличивается и отклонение цены акции от ее справедливого значения. Авторы вводят функцию для сентимента базового актива f (Su) = au Su, где Su - значение сентимента, au - константа, причем au > 0. Функция сентимента базового актива показывает на сколько больше математическое ожидание цены акции ее справедливого значения, таким образом если сентимент инвесторов положительный Su > 0 , то и значение функции f (Su) > 0. В случае же, если инвесторы настроены негативно, то и сентимент и функция меньше 0 (Su < 0 , f (su) 1)){(!(is.na(spot))){=extract.ew.density(initial.values = c(na, na, na), r, 0, days, spot, c(p,c),

c(str_p,str_c))[i]=z$skew}}

##Скошенность опциона с экспирацией больше двух месяцев

mat=exec-index(close)[i][matspot)),matt)=intersect(intersect(which(type=="P"),which(strike1,length(puts)>1)){=sort(as.numeric(close[i,calls]),decreasing=T)=sort(as.numeric(close[i,puts]))_c=strike[calls][match(c,as.numeric(close[i,calls]))]_p=strike[puts][match(p,as.numeric(close[i,puts]))]=spot+p-str_p*exp(-days*r)(all(length(calls)>1,length(puts)>1)){(!(is.na(spot))){=extract.ew.density(initial.values = c(NA, NA, NA), r, 0, days, spot, c(p,c),

c(str_p,str_c))[i]=z$skew}}}

##Линейная экстраполяция скошенности

skew[i]=skews[i]*(days-0.17)/(days-days1)+skewl[i]*(0.17-days1)/(days-

days1)}

Похожие работы