1 |
選擇權靜態避險複製之研究吳艷琴 Unknown Date (has links)
衍生自Black-Scholes選擇權評價公式之動態避險策略,礙於現實世界當中連續避險之不可行,兼之以交易成本之考量,使其在實務運用上困難重重。尤其是在股價波動劇烈之際,動態避險根本無法順利進行。本論文所探討之選擇權靜態複製方式,便是希望克服動態避險連續交易及交易成本之困難。任一選擇權之靜態複製組合乃由同標的之其它選擇權所構成。其於建構完成之後,不需再有其它後續之調整動作,便可複製標的資產於未來一段時間,以及標的資產在某些價位之下的價值,因之稱為"靜態"複製組合
就理論而言,欲達成完全複製之目的需使用無限多個選擇權來進行複製。但本文將說明即使是在只使用少數選擇權的情況之下,亦可達成很不錯之複複製效果。本文探討之對象分標準選擇權與新奇選擇權,新奇選擇權以界限選擇權為主,再延伸至執行價可重設之選擇權。我們將詳細地說明如何建構這些選擇權之靜態複製組合,並以案例說明其複製效果。
動態避險針對的為選擇權之Delta風險;而靜態複製則試圖對Gamma風險進行規避。嚴格而言,靜態複製組合只有在標的資產波動度及無險利率等因素均維持不變之下才可說是靜態的。因而本文亦探討在前述因素變動之下,靜態複製之效果將受到何種程度之影響。
除了在避險交易上的功用之外,靜態複製之概念亦可廣泛地應用到評價與新商品的設計方面。在臺灣金融市場走向國際化、自由化的過程當中,這些都是臺灣金融業者應極力加強與貯備實力的。而在這方面,靜態複製或許可為其一大助力。
論 文 摘 要 I
目 錄 II
表 目 次 IV
圖 目 次 V
第一章、 緒論 1
第一節、 研究背景與動機 1
第二節、 研究目的 3
第三節、 研究架構與流程圖 4
第二章、 選擇權基本理論探討 6
第一節、 選擇權評價模型 6
一、 Black - Scholes 選擇權評價模型 (Black - Scholes Option Pricing Model) 6
二、 二項式選擇權評價模型 (Binomial Option Pricing Model) 9
第二節、 選擇權風險因子之探討 13
第三節、 動態複製之原理以及其在實務上難以克服的困難 18
一、 動態複製(Dynamic Hedging) 18
二、 實務運用上難以克服的困難 19
第四節、 靜態複製及其於實務上的運用 23
一、 靜態複製之原理 23
二、 於實務上的運用 25
第三章、 標準選擇權之靜態複製 27
第一節、 靜態避險組合之建構:BINOMIAL WORLD 27
第二節、 靜態複製組合之建構:REAL WORLD 34
一、 靜態複製組合建構方式一 37
二、 靜態複製組合建構方式二 40
三、 靜態複製組合建構方式三 44
第三節、 理論上之靜態複製與動態複製之比較 48
一、 蒙地卡羅模擬法介紹 48
二、 模擬結果與分析 50
第四節、 S&P 500股價指數選擇權動態避險與靜態避險之比較 61
第四章、 新奇選擇權之靜態複製 69
第一節、 界限選擇權 (BARRIER OPTION) 69
一、 界限選擇權簡介 69
二、 界限選擇權之風險因子 71
三、 靜態避險組合之建構:Binomial World 74
四、 靜態避險組合之建構:Real World 76
第二節、 重設型選擇權(RESET OPTION) 86
一、 重設型選擇權基本概念 86
二、 重設型選擇權之評價方式 87
三、 重設型選擇權之靜態避險 88
第五章、 敏感性分析 92
第一節、 標準選擇權之敏感性分析 92
一、 對標的資產價格波動度之敏感性分析 92
二、 對利率之敏感度分析 96
第二節、 界限選擇權之敏感性分析 99
一、 對標的資產波動度之敏感性分析 99
二、 對利率之敏感性分析 100
第六章、 結論 103
第一節、 研究結論 103
一、 靜態複製組合建構方式與複製效果 103
二、 對標的資產波動度與無險利率之敏感性 105
第二節、 對後續研究者的建議 106
附錄一:靜態避險之數學模式 107
附錄二:其它標準選擇權靜態複製之例子 110
附 表 114
參考文獻 135
|
2 |
投資模型之建構以因應退休基金之投資避險策略 / A Study of Model Building in Investment Hedging Strategy of Pension Fund黃彥富 Unknown Date (has links)
本研究的目的是針對退休金的長期負債以資產負債管理的方式提出有效的投資避險策略建議。在過去,傳統精算的資產負債管理大多採用確定投資模型(Deterministic Model),即以過去的經驗設立「精算假設」,但是這樣的假設無法精確的呈現未來的趨勢,所以本文的第一部份,便是根據過去的台灣總體經濟資料,建構一個退休基金的隨機投資模型(Stochastic Investment Model)。首先,我們以ECM(Error Correlation Model)模式建構出第一個投資模型,之後在精簡參數的考量下,建構第二個以因果關係為基礎的Causality投資模型,再以模型配適能力與預測能力比較兩模型,結果顯示Causality投資模型優於ECM投資模型。
有了投資模型,我們設定不同的退休金負債形式,如固定成長型負債MF、隨通貨膨脹成長M<sup>R</sup>負債及隨max{固定成長比例,通貨膨脹}而成長的退休金負債M<sup>L</sup>,以靜態避險的方式去求得各資產的最適配適比例。從模擬的結果中發現隨著到期日的增長,投資在風險性高報酬率佳的投資標的物上的比例也越來越高。另外,隨著負債固定成長比例f的增加,其M<sup>L</sup>負債之期初資產配置額便越接近M<sup>F</sup>負債之期初資產配置額。整體而言,我們由模擬中可得出,使用投資組合的投資方式優於單一資產投資的結論。 / In this study, we investigate the hedging strategies for pension liabilities by using Asset-Liability Management method. In the past, the traditional actuarial valuation usually does not take account of market value for both assets and liabilities. Most of the traditional actuarial valuation adopted the Deterministic Model, that is, setting the assumptions based on the experiences. However, it can not exactly show the trend in the future. In part one of this study, we build a stochastic investment model for the pension funds based on Taiwan Market data. First, we apply the first model : ECM( Error Correlation Model ). And then, we apply the second model : Causality Model under considering parsimonious parameterization. Finally, we compare the results of ECM with Causality Model on fitting and forecasting efficiency, and we find that Causality Model is better than ECM. With the investment model, we set some formulas of pension liabilities calculated to obtain the best fit proportion of each valuation by the static hedging. This involves finding optimal static hedging strategies to minimize riskiness of the investment portfolio relative to the liability. Overall, from the simulation results, for static hedging in these kinds of liabilities, investing in all three assets is a better strategy than investing in a single asset class. This confirms that the more assets we use, the more effectively we can hedge.
|
3 |
界限選擇權訂價與避險之研究--二項評價模型之修正與靜態避險之應用 / The pricing and hedging of barrier options--the modification of CRR model and the application of static hedge何銘銓, Ming-chuan Ho Unknown Date (has links)
界限選擇權雖屬新奇選擇權的一種,但在國外卻已是交易頻繁的商品,而在國內則尚未有此一商品的交易發生。因此,為了能讓國內投資人與券商更了解此一商品,本研究便以界限選擇權為對象,針對其訂價與避險兩大主題進行研究,期能獲至有貢獻之結論。
在訂價方面,以二項評價模型對界限選擇權進行評價時,會產生鋸齒狀的收歛情況,對於精確評價界限選擇權造成極大的困擾。本研究對此問題提供一修正二項評價模型的方法,可以有效地消除評價時收歛不佳的現象。
在避險方面,本研究使用靜態避險法對其進行避險,並結合修正後之二項評價模型以建構在靜態避險法下所需之複製投資組合,此乃以往所未有之研究。在本文中所獲至之結果顯示,使用靜態避險法對界限選擇權進行避險所達成之避險效率實為在動態避險下所不能及;同時,隨著時間間隔的縮小,避險效率會隨之提高。此外,使用修正後之二項評價模型所建構之複製投資組合較以未修正之二項評價模型所建構之複製投資組合,在避險效率上會有較佳之表現。
第一章 緒論 1
第一節 研究背景 .1
第二節 研究動機與目的 1
第三節 研究架構與流程 2
第二章 界限選擇權之簡介及其應用 5
第一節 界限選擇權之簡介 5
第二節 界限選擇權之應用 7
第三章 文獻探討 14
第一節 選擇權訂價模式 14
第二節 界限選擇權之訂價 19
第三節 界限選擇權之避險 22
第四章 界限選擇權之訂價分析 23
第一節 二項評價模型之訂價法 23
第二節 對二項評價模型之修正 29
第三節 避險係數之分析 36
第五章 界限選擇權之避險分析 39
第一節 靜態避險法之介紹 39
第二節 避險效率之分析 43
第六章 結論與建議 62
第一節 結論 62
第二節 研究限制 63
第三節 後續研究建議 63
參考文獻 65
附錄:MATLAB程式 67 / Barrier option is one of those exotic options, yet it has been frequently traded in the foreign options markets. In Taiwan, this commodity is still new to most of us. Consequently, for a better understand and probably the issuance of this commodity, this research focuses on the pricing and hedging of barrier options, hoping that the research can obtain contributive conclusions.
On pricing, when using CRR model as a pricing method for barrier options, there exists a situation which the convergence of the pricing is saw-toothed, contributing to the imprecise pricing results. This study provides a modification for the CRR model that can mitigate the saw-toothed convergence very effectively.
On hedging, this study uses static hedge as a hedging measure, combining with the modified CRR model, which has very been studied before. The results of this study tell that, using static hedge can reach a very accurate hedging results, which is not attainable using dynamic hedge. Also, the more the time spacing shrinks, the more exact the hedge is. Finally, using modified CRR model as a basis producing replicating portfolio under static hedge can have a better performance in hedging than that of using unmodified CRR model.
|
Page generated in 0.0123 seconds