Содержание
1. Введение
В данной статье представлена концепция Энтропийной динамики для моделирования валютных курсов (FX) и оценки европейских опционов. Основная цель — предложить альтернативную, основанную на теории информации базу для финансовой динамики, выходящую за рамки традиционного стохастического исчисления. Авторы, Мохаммад Абеди и Даниэль Бартоломео, используют принципы энтропийного вывода — метода рассуждений при неполной информации — для вывода известных финансовых моделей из первых принципов.
Работа связывает абстрактные концепции максимума энтропии и информационной геометрии с практическими финансами, завершаясь выводом Геометрического броуновского движения (ГБД) для обменных курсов и модели Гармана-Колхагена для валютных опционов. Этот подход подчеркивает присущую валютным парам симметрию масштабной инвариантности, что естественным образом приводит к выбору моделирования логарифма обменного курса.
2. Теоретическая основа
2.1. Энтропийный вывод и принцип максимума энтропии
Энтропийный вывод — это индуктивная концепция для ситуаций с неполной информацией. Её первый инструмент — теория вероятностей для представления состояний убеждений. Второй — относительная энтропия (или дивергенция Кульбака-Лейблера), используемая для обновления убеждений при поступлении новой информации в соответствии с Принципом минимального обновления. Максимизация относительной энтропии даёт наименее смещённое апостериорное распределение, учитывающее всю доступную информацию.
Третий инструмент — информационная геометрия, которая задаёт метрику на пространстве вероятностных распределений. Хотя здесь она не исследуется глубоко, авторы отмечают её потенциальную значимость для управления портфелем и динамики множества активов.
2.2. Энтропийная динамика и время
Энтропийная динамика применяет энтропийный вывод для моделирования изменений систем. Ключевое нововведение — введение параметра энтропийного времени, который является возникающим и адаптированным к конкретной системе, а не универсальными часами. Эта концепция успешно применялась в различных физических контекстах и здесь адаптирована для финансов.
2.3. Масштабная инвариантность на валютном рынке
Фундаментальная симметрия на валютных рынках — масштабная инвариантность: динамика не должна зависеть от того, котируем ли мы обменный курс как USD/EUR или в обратной форме. Эта симметрия диктует, что модель должна быть сформулирована в терминах логарифма обменного курса, $x = \ln S$, где $S$ — спотовый валютный курс. Преобразования вида $S \to \lambda S$ (простое масштабирование) оставляют динамику инвариантной при выражении через $x$.
3. Вывод модели
3.1. От энтропийных принципов к ГБД
Начиная с априорной информации о валютном курсе — а именно, его начального значения и волатильности — авторы используют концепцию энтропийной динамики для вывода его эволюции во времени. Накладывая ограничения, соответствующие рыночным наблюдениям (например, конечная дисперсия), и максимизируя энтропию, показывается, что результирующее вероятностное распределение для будущего логарифма курса $x$ следует процессу с дрейфом и диффузией.
Возвращаясь к спотовому курсу $S = e^x$, этот процесс превращается в знакомое Геометрическое броуновское движение (ГБД): $$ dS_t = \mu S_t dt + \sigma S_t dW_t $$ где $\mu$ — дрейф, $\sigma$ — волатильность, а $W_t$ — винеровский процесс. Вывод явно учитывает масштабную инвариантность.
3.2. Риск-нейтральная мера и оценка опционов
Для оценки производных инструментов привлекается принцип отсутствия арбитража. Авторы демонстрируют, как вывести риск-нейтральную меру $\mathbb{Q}$ в рамках энтропийной концепции. Это предполагает корректировку дрейфа процесса ГБД до разницы безрисковых ставок двух валют, $(r_d - r_f)$.
При мере $\mathbb{Q}$ динамика принимает вид: $$ dS_t = (r_d - r_f) S_t dt + \sigma S_t dW_t^{\mathbb{Q}} $$ Оценка европейского опциона колл на валютный курс с такой динамикой напрямую приводит к формуле Гармана-Колхагена, валютному аналогу формулы Блэка-Шоулза.
4. Результаты и обсуждение
4.1. Модель Гармана-Колхагена
Конечным результатом энтропийного вывода является модель Гармана-Колхагена для цены европейского опциона колл: $$ C = S_0 e^{-r_f T} \Phi(d_1) - K e^{-r_d T} \Phi(d_2) $$ где $$ d_1 = \frac{\ln(S_0/K) + (r_d - r_f + \sigma^2/2)T}{\sigma\sqrt{T}}, \quad d_2 = d_1 - \sigma\sqrt{T} $$ $S_0$ — спотовый курс, $K$ — страйк, $T$ — время до экспирации, $r_d$ и $r_f$ — внутренняя и иностранная безрисковые ставки, $\sigma$ — волатильность, а $\Phi$ — стандартная нормальная функция распределения.
4.2. Сравнение с традиционными методами
Основной вклад статьи — методологический. Она восстанавливает устоявшиеся модели (ГБД, Гарман-Колхаген) не через стохастическое исчисление и аргументы хеджирования, а через основанный на информации, фундаментальный подход, базирующийся на максимизации энтропии и симметрии. Это даёт более глубокое, более фундаментальное обоснование этих моделей и открывает путь к их обобщению путём включения различных или более сложных информационных ограничений.
5. Ключевая идея и взгляд аналитика
Ключевая идея: Эта статья не о новой, лучшей формуле оценки; это философская демонстрация силы. В ней утверждается, что всё здание финансов в непрерывном времени, от Башелье до Блэка-Шоулза, можно перестроить с нуля, используя теорию информации и принцип максимума энтропии. Авторы, по сути, говорят: «Забудьте на секунду лемму Ито; поведение рынка — это просто наименее удивительная вещь, которую он мог бы сделать, учитывая то, что мы знаем». Это глубокий сдвиг от моделирования цен к моделированию знания о ценах.
Логическая последовательность: Аргументация элегантна и экономна. 1) У нас неполная информация (априорное распределение). 2) У нас есть симметрия (масштабная инвариантность). 3) Мы обновляем наши убеждения, используя инструмент, который меняет их наименьшим образом (максимум относительной энтропии). 4) Это обновление, интерпретируемое как динамика, даёт нам ГБД. 5) Отсутствие арбитража фиксирует дрейф, давая нам риск-нейтральную меру для оценки. Это чистый, аксиоматический вывод, по сравнению с которым традиционный аргумент с УЧП/хеджированием выглядит почти неуклюжим.
Сильные стороны и недостатки: Сила — в фундаментальной элегантности и потенциале для обобщения. Как видно в физике по работам Э.Т. Джейнса и позднее А. Катичи, энтропийные методы превосходно выводят канонические результаты из простых принципов. Недостаток, как и у многих элегантных теорий, — разрыв с грязной реальностью. Концепция элегантно выводит ГБД, но само ГБД — несовершенная модель для валютного рынка (оно недооценивает хвостовые риски, игнорирует кластеризацию волатильности). В статье кратко упоминается будущая работа по скачкам и информационной геометрии, где и лежит настоящее испытание. Может ли эта концепция естественным образом включить стилизованные факты рынков (например, тяжёлые хвосты), просто добавляя правильные ограничения, или ей потребуются специальные корректировки, размывающие её чистоту?
Практические выводы: Для количественных аналитиков и специалистов по валидации моделей эта статья обязательна к прочтению. Она даёт новую перспективу для оценки модельного риска. Вместо простой проверки соответствия модели спрашивайте: «Какую информацию предполагает эта модель? Полон ли этот набор информации или он уместен?» Для новаторов дорожная карта ясна. Следующий шаг — использовать эту концепцию для построения новых моделей. Ограничьте максимизацию энтропии информацией о наблюдаемых улыбках волатильности или частоте скачков, как намекают ссылки авторов на модели Бейтса и Хестона. Приз — последовательная, унифицированная теория оценки производных, которая не сшивает несовместимые модели. Работа Питерса и Гелл-Манна (2016) по эргодической экономике показывает, что подобное фундаментальное переосмысление набирает обороты. Эта статья — уверенный шаг в этом направлении, но рынок будет окончательным судьёй её полезности за пределами философской привлекательности.
6. Технические детали
Математическая суть включает максимизацию относительной энтропии $\mathcal{S}[P|Q]$ апостериорного распределения $P(x'|x)$ относительно априорного $Q(x'|x)$ при заданных ограничениях. Ключевое ограничение — ожидаемое квадратичное смещение, которое вводит волатильность $\sigma$: $$ \langle (\Delta x)^2 \rangle = \kappa dt $$ где $\kappa$ связано с волатильностью $\sigma$. Максимизация даёт гауссовскую переходную вероятность: $$ P(x'|x) \propto \exp\left(-\frac{(x' - x - \alpha dt)^2}{2\kappa dt}\right) $$ что в непрерывном пределе приводит к СДУ с дрейфом и диффузией для $x_t$. Связь с УЧП Блэка-Шоулза-Мертона устанавливается через стандартный аргумент риск-нейтральной оценки, применённый к выведенному процессу ГБД.
7. Пример аналитической концепции
Кейс: Включение информации об улыбке волатильности. Энтропийная концепция позволяет интегрировать дополнительные рыночные данные. Предположим, помимо спотовой цены и исторической волатильности, у нас также есть информация с рынка опционов, подразумевающая, что риск-нейтральное распределение логарифмических доходностей не является гауссовским, а имеет отрицательную асимметрию и эксцесс (улыбка волатильности).
Шаг 1: Определить ограничения. В дополнение к ограничению на дисперсию $\langle (\Delta x)^2 \rangle = \sigma^2 dt$, мы добавляем ограничения на моменты из наблюдаемой поверхности подразумеваемой волатильности: $$ \langle (\Delta x)^3 \rangle = \tilde{S} dt, \quad \langle (\Delta x)^4 \rangle - 3\langle (\Delta x)^2 \rangle^2 = \tilde{K} dt $$ где $\tilde{S}$ и $\tilde{K}$ отражают асимметрию и эксцесс в единицу времени.
Шаг 2: Максимизировать энтропию. Максимизация относительной энтропии с этими четырьмя ограничениями (среднее, дисперсия, асимметрия, эксцесс) приводит к переходной вероятности $P(x'|x)$, описываемой рядом Грама-Шарлье или более общим экспоненциальным семейством распределений, а не простым гауссовским.
Шаг 3: Вывести динамику. Получившийся непрерывный предел будет процессом диффузии с зависящими от состояния дрейфом и волатильностью или, возможно, процессом скачкообразной диффузии, эффективно выводя модель типа Бейтса или Хестона из информационных первых принципов, а не заранее задавая процесс стохастической волатильности.
Этот пример демонстрирует силу концепции систематически обобщать модели, явно включая более детальную рыночную информацию в качестве ограничений.
8. Будущие применения и направления
Концепция энтропийной динамики открывает несколько многообещающих направлений для будущих исследований в количественных финансах:
- Портфели из множества активов и информационная геометрия: Авторы упоминают применение информационной геометрии к выбору портфеля. Это может привести к новым стратегиям распределения активов, основанным на «расстоянии» между текущим рыночным распределением и целевым оптимальным распределением, выходящим за рамки оптимизации по среднему и дисперсии.
- Моделирование стилизованных фактов: Концепция естественным образом подходит для включения известных эмпирических особенностей, таких как тяжёлые хвосты, кластеризация волатильности и эффект рычага, путём добавления соответствующих динамических ограничений или делая сами ограничения зависящими от времени на основе прошлой информации.
- Нестационарные рынки и рынки со сменой режимов: Априорное распределение $Q$ в относительной энтропии может динамически обновляться, чтобы отражать меняющиеся рыночные режимы, потенциально предлагая принципиальный способ построения адаптивных моделей, реагирующих на структурные разрывы.
- Интеграция с поведенческими финансами: «Информационные» ограничения могут быть расширены для включения метрик настроений или внимания инвесторов, сокращая разрыв между традиционными количественными финансами и поведенческими моделями.
- Синергия с машинным обучением: Принцип максимума энтропии является краеугольным камнем многих методов машинного обучения. Эта концепция может обеспечить строгую, основанную на теории информации базу для гибридных моделей МЛ-финансы, объясняя, почему определённые архитектуры нейронных сетей или методы регуляризации хорошо работают для финансовых временных рядов.
Конечная цель — единая, аксиоматическая теория рыночной динамики, которая была бы как теоретически обоснованной, так и эмпирически точной, уменьшая потребность в специальных заплатках для моделей, обычных в современном финансовом инжиниринге.
9. Ссылки
- Jaynes, E. T. (1957). Information Theory and Statistical Mechanics. Physical Review, 106(4), 620–630.
- Caticha, A. (2012). Entropic Inference and the Foundations of Physics. In Proceedings of the MaxEnt 2012 conference.
- Garman, M. B., & Kohlhagen, S. W. (1983). Foreign currency option values. Journal of International Money and Finance, 2(3), 231–237.
- Black, F., & Scholes, M. (1973). The pricing of options and corporate liabilities. Journal of Political Economy, 81(3), 637–654.
- Peters, O., & Gell-Mann, M. (2016). Evaluating gambles using dynamics. Chaos: An Interdisciplinary Journal of Nonlinear Science, 26(2), 023103. https://doi.org/10.1063/1.4940236
- Amari, S. I. (2016). Information Geometry and Its Applications. Springer.
- Bachelier, L. (1900). Théorie de la spéculation. Annales scientifiques de l'École Normale Supérieure, 3(17), 21–86.