Opzioni Vulnerabili e Volatilità Ribelle: Il Mio Nuovo Modello per Prezzi Più Precisi!

Amici appassionati di finanza e mercati, oggi voglio portarvi con me in un viaggio affascinante, un po’ tecnico ma, vi assicuro, pieno di spunti interessanti. Parleremo di opzioni, ma non quelle “tranquille” che si scambiano sui mercati regolamentati. No, oggi ci addentriamo nel mondo un po’ più selvaggio delle opzioni OTC (Over-The-Counter), quelle che nascondono un’insidia in più: il rischio di default dell’emittente. Le chiamano “opzioni vulnerabili”, un nome che già dice tutto, no?

Quando comprate un’opzione su un mercato OTC, non c’è una “camera di compensazione” a fare da garante. Questo significa che se chi vi ha venduto l’opzione (l’emittente) dovesse fallire, potreste dire addio al vostro potenziale guadagno. Un bel problema, vero? È un tema che mi ha sempre intrigato, fin da quando Johnson e Stulz ne parlarono per la prima volta, cercando di incorporare questo rischio nel prezzo dell’opzione.

I Limiti dei Modelli Classici: Quando la Realtà Supera la Teoria

Molti studi iniziali si basavano sul famoso modello di Black-Scholes. Un caposaldo, per carità, ma con dei limiti che, chi bazzica i mercati, conosce bene. Ad esempio, tende a sottostimare i movimenti estremi dei prezzi (le famose “code grasse”) e non riesce a spiegare il fenomeno del “volatility smile” o “skew”, ovvero quella curva strana che fa la volatilità implicita al variare dello strike price. Insomma, la realtà è spesso più complessa di una formula elegante.

Per superare questi ostacoli, sono nati i modelli a volatilità stocastica. Pensate a nomi come Hull-White, Heston, SABR, o il modello a volatilità stocastica multiscala di Fouque e colleghi. Questi modelli trattano la volatilità non come una costante, ma come una variabile che cambia nel tempo in modo, appunto, stocastico (cioè casuale, ma con certe regole).

La Frontiera della Volatilità: Memoria a Breve e Lungo Termine

Negli ultimi anni, c’è stata una vera e propria esplosione di ricerche sull’uso del moto Browniano frazionario (fBm) per modellare la volatilità. Perché tanto interesse? Perché gli studi empirici ci dicono che la “memoria” della volatilità (come le sue variazioni passate influenzano quelle future) è descritta meglio da una funzione di potenza (tipica del fBm) che da una esponenziale (tipica del moto Browniano standard). In pratica, il moto Browniano frazionario cattura meglio le dinamiche reali della volatilità, inclusi i “sorrisi” e gli “skew” che tanto ci fanno dannare.

Attenzione però: usare il fBm direttamente per il prezzo dell’asset può creare opportunità di arbitraggio, il che è un “no-no” in finanza teorica. Per fortuna, per la volatilità il problema non si pone. E per evitare guai, si possono usare delle “approssimazioni” intelligenti del fBm, come quella proposta da Thao, che ci permettono di usare il potente arsenale del calcolo di Itô senza patemi.

L’idea chiave che ho voluto esplorare, e che è il cuore di questo lavoro, è quella di incorporare proprietà di memoria sia a breve termine (Hurst 1/2) nelle variazioni della volatilità su scale temporali diverse: veloci e lente. Immaginate la volatilità come composta da due “anime”: una che reagisce rapidamente agli shock di mercato (memoria corta, scala veloce) e una che riflette trend più persistenti (memoria lunga, scala lenta). Questa idea non è campata in aria; studi come quelli di Alòs e Leon, o Bennedsen et al., suggeriscono proprio che la volatilità abbia questa doppia natura “ruvida” e “persistente”.

Il mio contributo, quindi, si basa su un’estensione multidimensionale di questo concetto, applicandolo specificamente al problema delle opzioni vulnerabili, dove dobbiamo considerare non solo la volatilità dell’asset sottostante l’opzione, ma anche quella del patrimonio totale dell’emittente dell’opzione.

Un Nuovo Modello per Opzioni Vulnerabili: Mettiamo Insieme i Pezzi

Ho sviluppato un modello di volatilità stocastica mista, frazionaria e multiscala. Un nome un po’ lungo, lo so, ma descrive bene la sua essenza. In pratica, sia per l’asset sottostante l’opzione sia per il patrimonio dell’emittente, la volatilità è guidata da due processi di moto Browniano frazionario approssimato:

• Uno con memoria a breve termine (parametro di Hurst H < 1/2) che influenza le variazioni veloci della volatilità.
• L’altro con memoria a lungo termine (parametro di Hurst H > 1/2) che influenza le variazioni lente.

Questo approccio ci permette di catturare in modo più realistico le complesse dinamiche della volatilità. La sfida successiva? Trovare una formula per prezzare queste opzioni vulnerabili. E qui viene il bello: sono riuscito a derivare una formula di prezzo approssimata in forma chiusa. “Forma chiusa” significa che è un’espressione esplicita, facile da calcolare, senza dover ricorrere a complesse simulazioni numeriche ogni volta (anche se le simulazioni ci servono per testare la bontà della formula!).

Questa formula estende i risultati precedenti, come quelli di Yang et al., aggiungendo la memoria a breve e lungo termine nella volatilità, e quelli di Lee e Kim, includendo il rischio di default dell’emittente.

Dalla Teoria alla Pratica: Equazioni e Soluzioni (Semplificate!)

Non vi annoierò con tutti i dettagli matematici, ma sappiate che il punto di partenza è definire il valore dell’opzione vulnerabile. Il payoff a scadenza dipende da due cose: il classico confronto tra prezzo dell’asset e strike, e il valore del patrimonio dell’emittente. Se l’emittente è “sano” (sopra una certa soglia D*), tutto bene. Se è in difficoltà (sotto D*), l’incasso si riduce proporzionalmente.

Da qui, con un po’ di magia matematica (il lemma di Itô e l’assenza di arbitraggio), si trasforma il problema in un’equazione differenziale alle derivate parziali (PDE). Risolverla esattamente è un’impresa titanica. Ma, grazie al fatto che nel nostro modello ci sono scale temporali diverse (i famosi parametri piccoli ε e δ), possiamo usare un metodo di espansione asintotica. In parole povere, cerchiamo una soluzione approssimata, ma molto accurata, sviluppandola in serie di potenze di questi piccoli parametri.

Questo processo ci porta a una serie di PDE più semplici da risolvere. Il termine principale della nostra soluzione (P₀₀) è una sorta di generalizzazione della soluzione di Klein (che era per volatilità costante), ma ora la volatilità dipende dalla componente “lenta” del nostro modello. Poi ci sono i termini correttivi (P₁₀ e P₀₁), che catturano l’effetto delle componenti veloci e della memoria frazionaria. E la cosa fantastica è che anche questi termini correttivi hanno una forma esplicita!

Alla Prova dei Fatti: Simulazioni e Sensibilità

Una formula è bella, ma funziona? Per verificarlo, abbiamo messo il nostro modello (che chiamo FMSV, per Fractional Multiscale Stochastic Volatility) a confronto con:

• Simulazioni Monte Carlo (MC), il nostro benchmark di “verità”.
• Il modello di Black-Scholes (BS) adattato per le opzioni vulnerabili (la soluzione di Klein).
• Un modello a volatilità stocastica standard (SV).
• Un modello a volatilità stocastica multiscala non frazionario (MSV).

I risultati sono stati molto incoraggianti! Il nostro modello FMSV si adatta molto meglio ai dati simulati con Monte Carlo rispetto agli altri, sia in termini di prezzi delle opzioni sia, soprattutto, per quanto riguarda le curve di volatilità implicita “alternativa”. Già, perché per le opzioni vulnerabili non c’è un’unica volatilità implicita come per le opzioni standard, dato che entrano in gioco due fonti di incertezza (l’asset e l’emittente). Abbiamo quindi definito una volatilità implicita “alternativa” per poter fare confronti sensati. Le curve generate dal nostro FMSV sono quelle che più si avvicinano a quelle “reali” del Monte Carlo, mostrando la tipica forma crescente e concava.

Abbiamo anche studiato come il prezzo dell’opzione reagisce ai cambiamenti dei parametri “frazionari” del modello. È emerso che le opzioni “near-the-money” sono particolarmente sensibili a questi parametri, mentre quelle “deep out-of-the-money” lo sono meno. Questo ha implicazioni importanti per la gestione del rischio: usare un modello che cattura queste sfumature può fare la differenza.

Infine, un controllo di sanità mentale: cosa succede se il rischio di default svanisce? Come ci si aspetterebbe, i prezzi delle nostre opzioni vulnerabili convergono a quelli delle opzioni standard (senza rischio di default) man mano che la soglia D* (il valore minimo del patrimonio dell’emittente per evitare il default) diminuisce. E, viceversa, all’aumentare di D*, il prezzo dell’opzione vulnerabile cala, ma tende a stabilizzarsi a un livello che dipende dal tasso di recupero in caso di default.

Conclusioni e Prospettive Future

Quindi, cosa ci portiamo a casa da questa avventura? Abbiamo sviluppato una formula di prezzo approssimata, esplicita e facile da calcolare, per le opzioni Europee con rischio di default dell’emittente, basata su un modello di volatilità che tiene conto delle proprietà di memoria a breve e lungo termine e delle variazioni su scale temporali veloci e lente. È un passo avanti rispetto ai modelli con volatilità costante o a quelli stocastici più semplici.

La capacità di questo modello di adattarsi meglio ai dati simulati e la sua sensibilità ai parametri frazionari lo rendono, a mio avviso, uno strumento potenzialmente molto utile per una gestione del rischio più accurata e per un pricing più realistico di questi strumenti finanziari complessi.

Certo, il lavoro non finisce qui. Una possibile direzione futura è estendere questo approccio ad altri tipi di derivati finanziari, come le opzioni Europee dipendenti dal percorso (path-dependent) o, sfida ancora più grande, le opzioni di tipo Americano. Ma per ora, spero di avervi dato un assaggio di come la ricerca in finanza quantitativa stia continuamente cercando di creare modelli sempre più sofisticati per capire e gestire la complessità dei mercati.

Fonte: Springer