原文链接:http://tecdat.cn/?p=18661
在这篇文章中,我使用 R
建立著名的Hull-White利率模型并进行仿真。
Hull and White(1994)模型解决Vasicek模型对利率的初始期限结构的拟合不佳的问题。该模型定义为:
Wt是风险中性框架下的维纳过程,模拟随机市场风险因素。σ是标准差参数,影响利率的波动,波动幅度有着瞬时随机流动的特征。参数b,a,σ和初始条件r0是完全动态的,并且瞬时变动。
该模型的另一种示形式是:
假定a是非负数:
b:长期平均水平。在长期水平下产生一系列r的轨道值。
a:回归速度。代表b的轨道值实时重组的速度。
σ:代表瞬时波动,测量每个时点随机因素进入系统的振幅。
以下是由公式导出的一些数值:
:长期方差。计算在长期所有r值围绕平均值重组的轨道值。
a与σ数值相反波动:增加σ会增加随机数进入系统的数量,
当a增加会使方差稳定,围绕长期平均值b以方差值波动。这在看长期方差时十分明显。 当方差值不变时,若σ增加,a减少。此模型是一个奥恩斯坦 - 乌伦贝克随机过程。
这些假设以及 对信贷/流动性风险的简单(并行)调整仍在保险中广泛使用 ,但在2007年次贷危机后被市场抛弃。
有关新的多曲线方法的更多详细信息,请参见例如 http://papers.***n.com/sol3/papers.cfm?abstract_id=2219548。在本文中,作者介绍了一个多曲线自举(bootstrap)过程。
#清理工作区
rm(list=ls())
#模拟的频率
freq <- "monthly"
delta_t <- 1/12
#数据
params <- list(tradeDate=as.Date('2002-2-15'),
settleDate=as.Date('2002-2-19'),
payFixed=TRUE,
dt=delta_t,
strike=.06,
method="HWAnalytic",
interpWhat="zero",
interpHow= "spline")
#构建利率期限结构的市场数据
#存款和掉期
tsQuotes <- list(d1w =0.0382,
s2y = 0.037125,
s3y =0.0398,
#具有相应期限和期限的掉期波动率矩阵
swaptionMaturities <- c(1:5)
swapTenors <- c(1:5)
#为掉期定价
pric <- Swaption(params, swaptionMaturities, swapTenors,
#构建利率的即期期限结构
#根据输入的市场数据
times <- seq(from = delta_t, to = 5, by = delta_t)
maturities <- curves$times
############## Hull-White短期利率模拟
#模拟次数,频率
horizon <- 5
sims <- 10000
#校准Hull-White参数
a <- pricing$a
sigma <- pricing$sigma
#使用模拟高斯冲击
simshos(n = nb.sims, horizon = horizon )
#使用模拟因子x
#我使用远期汇率。由于每月的频率较低,
#我认为它们是瞬时远期汇率
fwdrates <- ts(replicate(nb.sims, curves$forwards),
start = start(x),
deltat = deltat(x))
# α
alpha <- fwdrates + param.alpha
#短期利率
r <- x + alpha
#随机贴现因子(当前的数值积分是非常基本的)
#由随机贴现因子得出的蒙特卡洛价格和零利率
montecarlozerorates <- -log(montecarloprices)/maturities
#市场和蒙特卡洛价格之间的差异的置信区间
conf.int <- t(apply((Dt - marketprices)[-1, ], 1, function(x) t.test(x)$conf.int))
par(mfrow = c(2, 2))
#短期利率分位数
#蒙特卡洛vs市场零利率
plot(maturities, montecarlozerorates, type='l', col = 'blue', lwd = 3,
points(maturities, marketzerorates, col = 'red')
#蒙特卡洛vs市场零息价格
plot(maturities, montecarloprices, type ='l', col = 'blue', lwd = 3,
points(maturities, marketprices, col = 'red')
#价格差的置信区间
matplot(maturities[-1], conf.int, type = 'l'
最受欢迎的见解
1.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用
8.R语言如何做马尔科夫转换模型markov switching model