Читаем Опционы полностью

В дальнейшем мы будем рассматривать примеры, относящиеся к двумерной оптимизации. Будем использовать те же два параметра, что и в предыдущем примере: период истории для расчета HV (параметр, который оптимизировали в предыдущем примере) и количество дней до экспирации опционов (значения этого параметра были зафиксированы). Для первого параметра область допустимых значений находится в диапазоне от пяти до 300 дней, шаг оптимизации – пять дней. Для количества дней до экспирации диапазон значений составляет от двух до 120 дней, шаг оптимизации – два дня. Таким образом, полное оптимизационное пространство состоит из 3600 узлов (60 × 60).

На рис. 2.2.2 показано двумерное оптимизационное пространство целевой функции «средняя прибыль». Одномерные пространства, обсуждавшиеся ранее, представляют собой три частных случая этого двумерного пространства. Поскольку рис. 2.2.2 представляет собой топографическую карту, то вертикальные разрезы, проведенные по значениям 4, 32 и 108 параметра «число дней до экспирации», совпадают с профилями одномерных пространств, показанных на рис. 2.2.1. Несомненно, двумерное оптимизационное пространство позволяет получить лучшее представление о целевой функции и обо всей торговой стратегии в целом.

Глобальный максимум оптимизационного пространства, представленного на рис. 2.2.2, имеет координаты 30 по горизонтальной оси и 105 по вертикальной. Это означает, что средняя прибыль (то есть целевая функция) достигает своего максимума в том случае, когда позиции открываются, используя опционы, до истечения которых остается 30 дней, а историческая волатильность, используемая для расчета критерия, оценивается на историческом периоде длиной 105 дней. Данный глобальный максимум расположен на вершине небольшого «хребта», протянувшегося вдоль 30-й вертикали (параметр «число дней до экспирации») в диапазоне от 80 до 125 (параметр «горизонт истории для расчета IV»).

Данный хребет можно рассматривать, как оптимальную область, поскольку все узлы, расположенные в пределах этой зоны, имеют высокое значение целевой функции (> 6 %). Сама оптимальная область также окружена достаточно широкой областью, состоящей из узлов с относительно высокими значениями целевой функции. Поэтому найденное оптимальное решение можно в принципе считать робастным. Однако следует оговориться, что робастность оптимального решения неодинакова по двум параметрам. Изменения значений параметра «период истории для расчета HV» в пределах оптимальной зоны и вокруг нее приводят к меньшим изменениям целевой функции, чем изменения параметра «число дней до экспирации» (при отступлении от оптимального значения этого параметра [30 дней] в большую или меньшую сторону происходит резкое снижение целевой функции). Следовательно, робастность первому параметру выше робастности по второму.

Рассматриваемое оптимизационное пространство можно условно считать унимодальным. Это утверждение основывается на том, что оптимальная область возвышается достаточно высоко над остальной поверхностью (в случае двумерной оптимизации пространство можно называть поверхностью). Вместе с тем, поскольку данная поверхность не является гладкой, утверждение об унимодальности можно вполне оспорить. Помимо оптимальной области, данная поверхность содержит еще множество участков, в которых значение целевой функции не просто положительно, а колеблется в пределах довольно неплохого диапазона (2–4 %). По этой причине данную поверхность можно в принципе считать полимодальной. Хотя вопрос классификации не является для нас первостепенным, сам факт наличия локальных максимумов заставляет задуматься о том, что глобальный максимум может оказаться не самым лучшим решением. Если какой-нибудь локальный максимум имеет значение целевой функции, не слишком уступающее глобальному максимуму, но при этом его робастность существенно выше робастности глобального максимума, то вполне может оказаться, что наилучшим решением будет выбрать такой локальный максимум в качестве оптимального решения. Сделать объективный выбор можно, только применив какую-нибудь количественную методику, чему будет посвящен раздел 2.5.

Перейти на страницу:

Похожие книги

Строить. Неортодоксальное руководство по созданию вещей, которые стоит делать
Строить. Неортодоксальное руководство по созданию вещей, которые стоит делать

Тони Фаделл возглавлял команды, создавшие iPod, iPhone и Nest Learning Thermostat, и за 30 с лишним лет работы в Кремниевой долине узнал о лидерстве, дизайне, стартапах, Apple, Google, принятии решений, наставничестве, сокрушительных неудачах и невероятных успехах столько, что хватило бы на целую энциклопедию. Тони использует примеры, которые мгновенно захватывают внимание, например, процесс создания самых первых iPod и iPhone. Каждая глава призвана помочь читателю решить проблему, с которой он сталкивается в данный момент - как получить финансирование для своего стартапа, уйти с работы или нет, или просто как вести себя с придурком в соседнем кабинете. Тони прокладывал свой путь к успеху рядом с такими наставниками, как Стив Джобс и Билл Кэмпбелл, иконами Кремниевой долины, которые снова и снова добивались успеха. Но Тони не следует кредо Кремниевой долины, согласно которому для создания чего-то великого необходимо изобретать все с нуля. Его советы нестандартны, потому что они старой закалки. Тони понял, что человеческая природа не меняется. Не нужно изобретать способы руководства и управления - нужно изобретать то, что ты делаешь. Тони Фаделл – американский топ-менеджер. Он создал iPod и iPhone, основал компанию Nest и создал самообучающийся термостат Nest. За свою карьеру Тони стал автором более 300 патентов. Сейчас он возглавляет инвестиционную и консультационную компанию Future Shape, где занимается наставничеством нового поколения стартапов, которые меняют мир.  

Tony Fadell , Тони Фаделл

Финансы / Прочая компьютерная литература / Банковское дело