حق نسخه‌برداری (کپی رایت)

----------------------توجه: استفاده از مطالب این وبلاگ با ذکر منبع مجاز است.

۱۳۸۹ آبان ۱۰, دوشنبه

استعاره، مدل و نظریه در علوم و فایننس

عنوان این پست را از روی عنوان سخنرانی ماه نوامبر امانوئل درمان (Emanuel Derman) در موسسه ی فیلدز تورنتو انتخاب کردم. امانوئل درمان را در ایران نمی شناسند، همانطور که خیلی های دیگر را. بنابراین به خود اجازه می دهم کمی از او بنویسم.
امانوئل درمان در آفریقای جنوبی به دنیا آمد و در هفده  سالگی برای تحصیل در دانشگاه کلمبیا در نیویورک به آمریکا آمد. در آن جا فیزیک خواند و تحصیلات خود را در فیزیک ذرات بنیادی که آن زمان رشته ای پر طرفدار بود و دانشگاه کلمبیا پر از بزرگان این رشته از جمله چند نوبلیست. اگر کتاب «زندگی من به عنوان یک کوانت» را بخوانید، نوستالژی امانوئل در مورد دانشگاه کلمبیا را در می یابید.
به گفته ی امانوئل، پس از جنگ سرد کار پیدا کردن در فیزیک ذرات بنیادی کمی سخت شد و بسیاری از فارغ التحصیلان برجسته مشکلاتی در پیدا کردن کار مورد علاقه ی خود داشته اند. بنابراین، بسیاری راه تغییر رشته را برگزیدند. امانوئل هم به بانک رفت و تبدیل به یک کوانت شد. خاطره ی امانوئل از اولین کارش در بانک این بود که رئیس ش مساله ای به او سپرد و او شروع به بررسی عمیق آن کرد. پس از دو هفته مساله را به شکلی عمیق حل کرد. اما رئیس به او فهماند که مهم نیست که چه قدر عمیق این کار را انجام می دهد. سرعت این جا مهم تر است. یک کار کثیف تر ولی سریع تر گاهی بهتر است تا یک کار تمیز و زمان بر. امانوئل سال ها به عنوان کوانت در بانک سرمایه گذاری گلدمن ساکس کار کرد. اکنون او به کلمبیا؛ دانشگاه مورد علاقه ی خود؛ بازگشت.
سخنرانی امانوئل سخنرانی بسیار زیبایی بود. او مدل های ریاضی را به استعاره در ادبیات تشبیه کرد. مثلا همانطور که ما می گوییم لعل لب و سرخی لب را به لعل تشبیه می کنیم، یک مدل ریاضی چیزی است که شباهت هایی با پدیده ی اصلی دارد. این جا لعل یک مدل برای لب است که بر رنگ سرخ آن تاکید دارد. اما بر خلاف ادبیات،  در علوم و فایننس استعاره برای لذت نیست. بلکه برای شناخت و پیشبینی ابعاد پدیده است.
طبیعتا همان طور که می توان باغچه را به بهشت تشبیه کرد ولی نمی توان آن را جای بهشت برین فروخت، به یک مشتری هم نمی توان یک ابزار مشتق را با قیمت حاصل از مدل بلک-شولز فروخت و نگفت که این مدل با واقعیت تفاوت دارد. به بیان امانوئل، «باید خاک را زیر فرش جارو کرد اما به مشتری هم گفت.»
امانوئل به لطیفه ای از اندرو لو اشاره کرد که «در فیزیک سه قانون 99% داده ها را شرح می دهد، اما در فایننس باید بیش از 99 قانون وضع کرد تا 3% را شرح داد.» اما بعد اشاره کرد که یک قانون اساسی در فایننس وجود دارد: قانون «یک قیمت». قانون یک قیمت می گوید که اگر دو دارایی در آینده به طور قطع و یقین قیمت برابری داشته باشند، حتما قیمت فعلی آن های هم یکی خواهد بود. نتیجه ی این قانون، احکامی است که به آن ها احکام فارغ از مدل می گوییم و مثلا زوجیت اختیار خرید و فروش و یا زوجیت دو نرخ ارز.
سخنرانی درمان بسیار زیبا و مقدماتی بود و طیف وسیعی از بینندگان را پوشش داد. قدرت بیان و استفاده از مثال های جذاب سخنرانی را بیشتر از یک سخنرانی علمی به یک نمایش سرپا تبدیل کرده بود. مثلا او از نظریه ی عواطف اسپینوزا استفاده کرد تا تشریح کند که عواطف انسانی همگی مشتقاتی روی سه احساس اولیه ی «رنج»، «لذت» و «خواهش» هستند. مثلا می توان عشق را لذت ناشی از یک شیئ خارجی دانست یا ترس را انتظار از یک رنج در آینده. 
و اما نظریه از نظر امانوئل یک حقیقت بیرونی را توضیح می دهد. نظریه به ما می گوید حقیقت این است، حال آن که مدل به ما سایه ای از حقیقت را نشان می دهد. نظریه هرگز سعی نمی کند که تنها جنبه هایی از آن چه مشاهده می کنیم را نشان دهد، بلکه می خواهد جهانی که مشاهده می کنیم را تماما با چند اصل ساده توضیح دهد. بنابراین در فایننس می توان به نظریه ی عدم وجود آربیتراژ یا نظریه ی تعادل عمومی بازار را توضیح داد. اما بلک-شولز یک مدل است و سایه ای از آن چه در بازار می گذرد را منعکس می کند. شاید تفاوت مدل بلک-شولز با واقعیات بازار مثل تفاوت لعل و لب باشد. اما اگر فقط هدف ما توصیف قرمز بودن لب باشد، مدل بلک-شولز می تواند استعاره ی خیلی خوبی باشد.

پ.ن.: به زودی متن سخنرانی و اسلایدهای آن را می توانید در سایت فیلدز پیدا کنید.

۱۳۸۹ آبان ۶, پنجشنبه

پیشبینی عرضه و تقاضا

این پست ربط چندانی به ریاضی مالی ندارد. بیشتر می توان آن را در حوزه ی اقتصاد سنجی دانست. فرض کنید دولتی می خواهد طرح تعدیل قیمت ها را اجرا کند. اولین و مهمترین نکته اجرای درست این طرح، پیشبینی درست نه فقط تقاضا بلکه عرضه هم هست.
به عنوان مثال، دولتی را در نظر بگیرید که تقاضا را به اشتباه پایین  پیشبینی می کند. در این صورت، قطعا افزایش قیمت خواهد داشت. چه بسا عواقب بی اعتمادی ناشی از این پیشبینی غلط بسیار بیشتر از خود افزایش قیمت ها باشد. اگر دولت تقاضا را به اشتباه بالا پیشبینی کند، قطعا قیمت ها را بسیار کاهش خواهد داد. اما تولید کنندگان و واردکنندگان نیز به شدت ضربه خواهند خورد. بی اعتمادی ناشی از این اشتباه هم در آینده باعث شکست دولت خواهد شد.
اما چرا پیشبینی عرضه نیز مهم است. دلیل این همان چیزی است که در مثال بالا توضیح دادیم. پیشبینی عرضه برای محافظت از تولیدکنندگان و واردکنندگان، بسیار مهم است. دولت تنها می تواند نقش یک تنظیم گر در زمان هایی خاص در سال را ایفا کند. اگر دولت عرضه را اشتباه تخمین بزند، قطعا نمی تواند گپ بین عرضه و تقاضا را در مواقع لزوم جبران کند. آن وقت کم کم تولید کنندگان و واردکنندگان از عرصه خارج می شوند و این دولت است که باید همه ی نقش ها را به تنهایی ایفا کند؛ تجربه ای که قبلا تمامی دولت ها داشته اند و در آن شکست خورده اند.
پیشبینی عرضه و تقاضا نباید فرایند ساده ای باشد. حداقل با توجه به دانش من در مورد کالاهای اساسی مانند انرژی چندان ساده نیست. چرا که مصرف کنندگان گاهی بدیل هایی برای یک کالای خاص دارند و بسته به شرایط و مطلوبیت خود، ناگهان جهشی به بدیلی می کنند معادلات را به هم می زنند.
بیشتر ادبیات تخمین عرضه و تقاضا بر اساس اقتصاد سنجی و سری زمانی است. حال آن که من معتقدم که بهتر است کمی هم از نظریه ی بازی در این عرصه استفاده شود. بازیگران این عرصه، مصرف کنندگان، تولیدکنندگان و دولت هستند. یک سری مدلک (Toy model)  می توانند برخی از پدیده ها را پیشبینی کنند و مجری را برای وقوع چنین پدیده هایی آماده نگه دارند. 

۱۳۸۹ مهر ۲۶, دوشنبه

تبعیض جن صی

بیشتر اساتید من در طول دانشگاه مرد بودند. اما از زمان خروج از ایران، در سمینارها و سایر فعالیت های علمی، زن های زیادی دخالت داشتند. با این وجود من احساس می کنم که شخصا بیشتر توسط مردان انگیزش یافتم تا زنان. مثلا کارهایی که مردان ارائه کردند، بیشتر در من انگیزه علمی ایجاد کردند تا زنان. گاهی کار زنی (که همکار مرد هم داشته) را چندان جدی نگرفتم و بعدا فهمیدم که کار فوق العاده ای است. احساس می کنم که در ناخودآگاهم تبعیض جن صی نهادینه شده است و این بسیار آزارم می دهد.
آیا من به عنوان یک مرد ایرانی از محیطی که در آن پرورش یافته ام، چنین چیزی را اخذ کردم؟ یا این که این نوع رفتار چیزی طبیعی در مردان است؟ یا شاید زنان بسیار متواضعانه کارهایشان را ارائه می دهند که ناخودآگاه تحویل گرفته نمی شوند؟

۱۳۸۹ مهر ۲۵, یکشنبه

روش های مونت کارلو در فایننس- شبیه سازی مدل های تصادفی

نوشتن یک پست در مورد روش مونت کارلو کاری بسیار سخت است. مخصوصا که حاوی فرمول ریاضی نباشد. دامنه ی روش های مونت کارلو بسیار وسیع است و حتی نام بردن جاهایی که از روش مونت کارلو استفاده می شود از عهده ی من خارج. در این پست سعی خواهم کرد که به خواننده در مورد روش های مونت کارلو دیدی کلی بدهم و کمی هم راجع به کاربردهای و مزیت استفاده از آن در فایننس بنویسم. حتما مطالب بسیاری خواهید یافت که در این پست پوشش داده نمی شود. اما امیدوارم روح کلی روش های مونت کارلو در این پست منعکس شود.
روش های مونت کارلو روش هایی است که کمیتی را با استفاده از تخمین امید یک یا چند متغیر تصادفی «مجازی» محاسبه می کند. استفاده از لغت «مجازی» تاکید بر این نکته است که متغیرهای تصادفی به کار رفته لزوما مفهوم عملی خاصی ندارند. مثلا در روش مونت کارلو برای تخمین قیمت یک قرارداد در فایننس، ممکن است از متغیرهایی استفاده کنید که هیچ مفهوم اقتصادی یا فایننسی ندارند. اما لزومی ندارد که همیشه این طور باشد. گاهی هم متغیر تصادفی به کار رفته متناظر با کمیتی با مفهوم است. تاکید ما بر این است که لزومی ندارد متغیرهای تصادفی به کار رفته، مفهومی داشته باشند. مثلا تخمین میانگین یک مجموعه از داده ی یک بعدی به هیچ وجه روش مونت کارلو به حساب نمی آید؛ مثلا قد افرادی را از یک جامعه اندازه می گیریم و می خواهیم از روی آن میانگین قد در جامعه را حساب کنیم. در حالی که استفاده از یک مجموعه از داده های توام برای محاسبه ی میانگین یکی از آن ها را می توان روش مونت کارلو نامید. مثلا می دانیم که قد و وزن با هم همبستگی دارند. اگر داده ای متشکل از زوج قد و وزن داشته باشیم، می توانیم به استفاده از همبستگی این دو، میانگین قد جامعه را دقیق تر محاسبه کنیم. این دومی را می توان با مقداری اغماض یک روش مونت کارلو نامید. (گر چه شاید به دلیل واقعی بودن داده ها، می تواند بحث برانگیز باشد.)
اگر روش مثال بالا را مونت کارلو بدانیم، بسیاری از روش های مونت کارلو مانند روش بالایی نیستند و متغیرهای به کار رفته در آن ها نه داده واقعی هستند و نه کمیتی را توصیف می کنند. متغیرهای به کار رفته گاهی از مدل تصادفی که استفاده کردیم نشات می گیرند. اما لزومی ندارد که این طور باشد. بیشتر روش های مونت کارلو از شبیه سازی متغیرهای تصادفی استفاده می کنند و نه از داده های گرفته شده از یک جامعه ی آماری. شبیه سازی متغیرهای تصادفی استفاده از کامپیوتر برای تولید اعدادی است که از نظر آماری مستقل و هم توزیع با توزیع خاصی هستند، البته نه به این کلیت. گاهی دنباله ای از اعداد که خواص ذکر شده را ندارند، به تخمین دقیق تری منجر می شوند. هدف اصلی درست بودن تخمین است و نه مستقل بودن اعداد تولید شده.
روش های مونت کارلو در فایننس اولین بار توسط فلیم بویل در 1977 در مقاله ی مشهور
Phelim Boyle, Options: A Monte Carlo Approach, Journal of Financial Economics (1977) 323-338
پیشنهاد شد. بسیاری از روش هایی که در این مقاله و پس از آن استفاده شد، روش هایی تازه نبود، بلکه استفاده از آن در فایننس کاری جدید به حساب می آمد. فلیم پس از آن هم کارهای زیادی در این زمینه انجام داد. یک کتاب خوب در این زمینه کتاب 
Paul Glasseman, Monte Carlo methods in financial engineering (2003), Springer
است. این کتاب بسیار جامع و حاوی مطالب فراوان است. بیشتر کتاب مرجع است تا یک کتاب درسی. با وجود این که خود من مطالب زیادی از این کتاب آموختم، اما به عنوان یک کتاب مختصر و مفید آن را توصیه نمی کنم. اگر فرانسه بلد باشید، جزوه ی درسی زیر را برای مطالعه و آشنایی با روش های مونت کارلو در فایننس توصیه می کنم.
روش های دیگری که در فایننس غیر از روش مونت کارلو استفاده می شود، روش های عددی معادلات دیفرانسیل با مشتقات جزئی است؛ مثل تفاضلات متناهی یا اجزاء متناهی. هر کدام به نوبه ی خود مزایا و مضراتی دارند. مثلا شاید اگر بخواهید یک اختیار اروپایی خرید (مارکف) را روی یک دارایی قیمت گذاری کنید، بهتر است از روش عددی برای حل معادلات استفاده کنید تا روش مونت کارلو. حال آن که با افزایش تعداد دارایی ها، روش های عددی معادلاتی قابل پیاده سازی نخواهند بود و عملا روش مونت کارلو خود را تحمیل می کند. اگر اختیار خرید امریکایی یا اختیار پس نگر (Look Back Option) و یا اختیار مانع دار (Barrier Option) داشته باشیم، هرگز نمی توان از روش عددی معادلاتی استفاده کرد. چرا که خاصیت مارکفی از دست می رود. در مورد قراردادهای نام برده شده، باز هم روش مونت کارلو تنها راه قیمت گذاری است؛ به جز موارد خاص که فرمول تحلیلی به دست می آید. حتی زمانی که بخش زیادی از کار به شکل تحلیلی انجام می شود، آخر سر یک مونت کارلوی ساده استفاده می شود. در غیر این صورت، روش های مونت کارلوی پیچیده تری به کار می آیند.
روش های مونت کارلو عمدتا بر مبنای محاسبه ی امید ریاضی هستند؛ نکته ای اساسی که باعث تنوع فراوان در روش های مونت کارلو  می شود. بسته به بعد مساله،  تخمین گر مناسب برای محاسبه ی امید ریاضی متفاوت خواهد بود. عمدتا روش هایی که امروز به کار می رود، برمبنای استفاده از تخمین گر های آماری معمول به علاوه ی روش های کاهش واریانس برمبنای نمونه گیری ترجیحی (Importance sampling) یا متغیر کنترل (Control variate) و یا پادمسیرها (Antithetic paths) است. گاهی هم روش های پیچیده تر مانند رگرسیون غیرخطی، روش های کرنل و حسابان ملیاوان بهتر جواب می دهند.
در آخر لیستی از مراجعی که می توانند خواننده را در یادگیری این روش ها کمک کند، ارائه می کنم.


F. Longstaff and E. Schwartz: Valuing American options by simulation: A simple least-squares, Review of Financial Studies, 1(14), 113-147, 2001.
E. Fournier, J.-M. Lasry, J. Lebuchoux, P.-L. Lions and N. Touzi: Applications of Malliavin calculus to Monte Carlo methods in finance, Finance and Stochastics, 3, 391-412, 1999.

E. Fournier, J.-M. Lasry, J. Lebuchoux and P.-L. Lions: Applications of Malliavin calculus to Monte Carlo methods in finance II, Finance and Stochastics, 5, 201-236, 2001.
G. Pag es, H. Pham, J. Printems: Optimal quantization methods and applications to numerical problems in finance, Handbook on Numerical Methods in Finance (S. Rachev, ed.), Birkhauser, Boston, 253-298, 2004.
E. Gobet: Revisiting the Greeks for European and American options, Proceedings of the "International Symposium on Stochastic Processes and Mathematical Finance" at Ritsumeikan University, Kusatsu, Japan, 2003.
B. Bouchard, I. Ekeland and N. Touzi: On the Malliavin approach to Monte Carlo approximation of conditional
expectations, Finance and Stochastics, 8(1), 45-71, 2004.
Bruno Bouchard a and Xavier Warin: Monte-Carlo valorisation of American options: facts and new algorithms to improve existing methods, Preprint.




پ.ن.: شاید سخت باشد چیزی به خوبی جزوه ای که معرفی کردم، یافت. اما  اگر بگردید حتما پیدا می کنید. من شخصا چون نیازی به گشتن نداشتم، نگشتم.

۱۳۸۹ مهر ۲۴, شنبه

مدل بلک - شولز چه مشکلی دارد؟ قسمت سوم

در ادامه ی سلسله پست هایی که با بررسی اشکالات مدل بلک-شولز اختصاص داد، قصد داریم فرض نرمال بودن این مدل را با آزمون فرض به چالش بکشیم. یک راه مستقیم این کار استفاده از آزمون کلموگوروف-اسمیرنف است. اما به دلیلی مقاصد آموزشی، ابتدا آزمون های فرض دیگری را بررسی می کنیم.
اریبی: در مورد اریبی در پست قبلی از این سری صحبت کردیم. گفتیم که اریبی توزیع نرمال صفر است. بنابراین کوچک بودن  تخمین تجربی اریبی، موید نرمال بودن توزیع است.  اما چه قدر کوچک باشد که نرمال بودن توزیع رد نشود. برای پاسخ به این سوال باید قضیه ی حد مرکزی را به کار ببریم. اریبی متغیر تصادفی به شکل زیر تعریف می شود:
که در آن:

 تخمین تجربی اریبی عبارت است از:
که در آن:
قضیه: اگر متغیرهای نرمال همتوزیع و مستقل باشند، آن گاه:

با توجه به قضیه ی فوق می توان برای تخمین تجربی اریبی بازه ی اطمینان ارائه دهیم و فرض نرمال بودن داده ها را ببرسی کنیم. مثلا در مورد داده های سهام RGLD که در پست قبلی شرح دادیم، تخمین اریبی 0.0613، فرض نرمال بودن داده ها را در سطح معنی داری 2.5% رد نمی کند. در حالی که در مورد سهام BWLD تخمین اریبی 2.1275-، فرض نرمال بودن را در سطح معنی داری 30% هم رد می کند.
می توان روش مشابهی را برای کورتوسیس با توجه به قضیه ی زیر اعمال کرد.

قضیه: اگر متغیرهای نرمال همتوزیع و مستقل باشند، آن گاه:
در پست بعدی که احتمالا یک ماه دیگر خواهد بود، نرمال بودن را با استفاده از آزمون کلموگروف-اسمیرنف بررسی می کنیم و نکاتی در مورد استفاده ی درست از این تست بیان خواهیم کرد.



۱۳۸۹ مهر ۲۲, پنجشنبه

کار تیمی گیج بازی را جبران می کند!

تقریبا از زمانی که به واترلو پا گذاشتم، یک کار مشترک با جو (ناظر پسادکتری خود) شروع کردم که منجر به یک مقاله ی نسبتا کوتاه شده است. تمام بخش هایی راکه می خواستیم، پوشش دادیم الا یک بخش که آن هم امروز تکمیل شد. از هفته ی پیش روی این بخش کار کردیم و البته قهوه خوردیم. می گویند از قول پال اردیش که ریاضیدان موجودی (یا شاید هم ماشینی) است که قهوه را تبدیل به فرمول می کند (در ایران چای). بعد از  قریب ده ها لیوان قهوه (کسانی که در آمریکای شمالی بودند می دانند کوچک ترین اندازه ی قهوه در این جا چه قدر بزرگ است)، بالاخره اسب وحشی ِ بخش آخر که محاسبه ی چگالی احتمال زمان برخورد برای رده ای خاص از «فرایندهای پخش ناهمگن در زمان» بود، رام شد.
صرف نظر از تاثیر یا عدم تاثیر قهوه در کل ماجرا، یکی دو روز گذشته من و جو محاسباتی انجام دادیم و هر دو به طور مستقل به جمع دو عبارت رسیدیم که اولی را من نتوانسته بودم محاسبه کنم و دومی را جو. امروز بعد از رد و بدل کردن اطلاعات، دخل هر دو عبارت در آمد و کلی خوشحال شدیم. مغرور از موفقیت، شروع کردیم به خیال پردازی که بعد از این، فلان می کنیم و بهمان. انگار نه انگار که چند دقیقه ی قبل مثل موجودی چهارپا (سهم هر کدام از ما دو پا) در گل گیر کرده بودیم.
من به خاطر تنبلی در نوشتن گیر کرده بودم و جو به خاطر اشتباه در مشتق گیری! جالب آن که برای همین اشتباهات است که ما از دانشجویان نمره کم می کنیم. در کافه جلوی یک دانشجوکه احتمالا دانشجوی لیسانس یکی از رشته های علوم انسانی بود (از روی کتابی که می خواند) و دل خوشی هم از ریاضی نداشت، نشسته بودیم و با صدای بلند می خندیدیم که «چه اشتباهات خنده داری. اشتباه دانشجویی!» حدس می زنم آن دانشجو پیش خودش می گفت: «ای نامردها!»

۱۳۸۹ مهر ۲۱, چهارشنبه

درس های ترم آینده

دو روز قبل تایید تقاضای ویزای آمریکای جهان خار (خار چشم جهان) اومد. یک ماه و ده روز دیگر وقت مصاحبه دارم و اگر همه چیز خوب پیش برود، از نه ژانویه (نوزده دی) در ترم جدید میشیگان درس خواهم داد. امروز بهم خبر دادند که اگر بقیه ی مراحل ویزا به خوبی پیش برود و مشکلی پیش نیاید، در ترم جدید نظریه ی احتمال و فرایندهای تصادفی درس خواهم داد. چه هیجان انگیز!

پ.ن.: ظاهرا از این جا به بعد فقط صدور ویزا چند روز بیشتر طول نمی کشد. اما با وجود تایید تقاضای ویزا از طرف اداره ی مهاجرت و تابعیت ایالات متحده، ممکن است که افسر صدور ویزا همه چیز را ابطال کند. حتی ممکن است که بعد از الحاق ویزا در پاسپورت، در مرز ورودی مامور تشریفات مرزی ویزا را ابطال کند. خلاصه، هر چیز که ما سر بقیه ی دنیا بیاریم، آن ها هم سر ما می آورند. خدا به خیر کند.