Come migliorare la calibrazione delle swaption? Una correzione di primo ordine al modello HJM.

Un modello HJM con volatilità stocastica aiuta a calcolare il prezzo delle swaption. Di solito, il modello "congela" il carico non lineare del tasso di swap lungo un percorso deterministico. Questo congelamento elimina la dipendenza della varianza del tasso di swap dallo stato corrente della curva dei rendimenti. I ricercatori aggiungono una correzione di primo ordine, una piccola approssimazione di Taylor, al carico. La correzione non introduce nuovi parametri di calibrazione, mantenendo il modello semplice. Mantenendo il drift della misura dell’annuità congelato, la variazione del tasso di swap diventa lineare negli stati dei tassi centrati. Ciò riduce il problema a equazioni unidimensionali che coinvolgono solo la volatilità. Per un modello di volatilità log-normale con deriva quadratica, le equazioni danno un sistema ODE finito-dimensionale. Si ottiene così una formulazione diretta della log-volatilità, facile da usare. I test su prezzi generati indipendentemente mostrano un errore di calibrazione molto più basso. Il modello azzecca i prezzi futuri con precisione, pur rimanendo facile da identificare localmente. Immagina la curva dei rendimenti come un fiume che cambia forma ogni giorno. La swaption è un’opzione che ti dà il diritto di scambiare flussi di cassa lungo quel fiume. Il modello HJM cattura come la forma del fiume e la sua volatilità evolvono nel tempo. Congelare il carico significa assumere che la forma del fiume segua un percorso prevedibile. La correzione di primo ordine è come una piccola spinta che migliora il percorso senza cambiare le regole del gioco. Mantenendo il drift dell’annuità invariato, il modello conserva la sua stabilità interna. La variabilità del tasso di swap diventa così più gestibile, quasi come una formula magica per ridurre l’incertezza. Le equazioni unidimensionali semplificano i calcoli, rendendo il modello più veloce su computer. La rappresentazione ODE permette di simulare molti scenari in tempo reale. La formulazione della log-volatilità rende intuitivo il comportamento della volatilità nel tempo. I test di calibrazione mostrano che il modello azzecca i prezzi reali meglio dei metodi precedenti. Questo significa prezzi più affidabili per gli investitori e meno rischi per le banche. La ricerca apre la strada a modelli HJM più precisi per altri strumenti finanziari.

Il modello HJM a fattore estende i modelli tradizionali di curva dei rendimenti includendo la volatilità stocastica. In questo contesto, il tasso di swap è una trasformazione non lineare di più variabili latenti. Il carico del tasso di swap misura quanto ogni fattore influenza il prezzo della swaption. Il metodo originale congela questo carico lungo un percorso deterministico, semplificando la varianza condizionale. Congelare il carico elimina la dipendenza della varianza dal livello corrente della curva dei rendimenti. La proposta introduce una correzione di primo ordine basata su una serie di Taylor. La correzione approssima il carico non lineare con un termine lineare più un resto di ordine superiore. Poiché il resto è piccolo, la correzione non richiede nuovi parametri di calibrazione. Mantenendo il drift della misura dell’annuità invariato, la dinamica del tasso di swap rimane stabile. La prima variazione del tasso di swap diventa affine negli stati dei tassi centrati. Questa affinità riduce il sistema a equazioni unidimensionali per la volatilità. Per un modello di volatilità log-normale con deriva quadratica, le equazioni generano un sistema ODE finito-dimensionale. L’ODE può essere risolto analiticamente, fornendo una rappresentazione chiusa della dinamica del tasso di swap. La formulazione della log-volatilità trasforma le equazioni stocastiche in variabili deterministiche. Ciò semplifica la calibrazione, poiché la volatilità può essere stimata direttamente dai dati osservati. Le simulazioni mostrano che il modello corretto riduce il bias dei parametri di volatilità stocastica. Gli errori di prezzo out-of-sample diminuiscono significativamente rispetto al modello originale. L’identificabilità locale rimane intatta, preservando la robustezza del modello. La correzione di primo ordine è particolarmente utile quando la curva dei rendimenti è piatta o ripida. In tali condizioni, il carico non lineare è più pronunciato, rendendo la linearizzazione più accurata. La riduzione del bias aiuta a evitare stime eccessive della volatilità in periodi di stress di mercato. Inoltre, la minore variabilità condizionale migliora la gestione del rischio di tasso di interesse.