Комментарии 4
Этот результат Монте-Карло моделирования можно показать инвесторам, и, возможно, что этот пример их вдохновит.
Но, с точки зрения методов предсказаний и получения нового знания из полученных результатов, это моделирование достаточно бессмысленное. Точнее, использовать результаты этого моделирования (генерация выборки по известной модели и вычисление статистик от полученных данных) можно только так: полученную выборку можно сравнивать с реальной, с целью подтверждения или опровержения, для заданного уровня значимости, гипотезы о том, что реальная выборка имеет модельное распределение.
Методологически тут есть следующая ошибка: предсказание — это построение неслучайной модели. Введение в модель любой комбинации случайных моделей не даст никакого предсказания, так как в статистическом контексте эти модели не дадут нового знания.
Результат предсказания по этой модели известен заранее, до проведения какого-либо моделирования (вы получите ровно то, что вы задавали в самом начале).
Причем тут идеи об эффективном рынке и как они связаны с представленной моделью пока тоже не понятно.
Давайте я попробую объяснить. Основоположник теории эффективных рынков Башелье предположил, что цена активов колеблется подобно броуновскому джижению, и цена завтра зависит только от сегодняшней цены. Модель работает на основе этого предположения и генерирует возможные траектории, используя нормальное распределение и исторические показатели волатильности, после чего взвешивает результаты опциона. Грубо говоря, цена опциона – это мат ожидание его финансового результата. Все модели оценки опционов работают похожим образом, будь-то Блэк Шоулс или биномиальные деревья. Основная идея в том, что они не пытаются «предсказать» цену базового актива, они исходят из того, что она непредсказуема и моделируют ее как случайный процесс с известным набором параметров. Уже на основе этого процесса можно рассчитать стоимость опциона.
Оцениваем опционы на Clojure методом Монте-Карло