Machine Translated by Google

Tinjauan Keuangan Eropa 2: 79–105, 1998. © 79

1998 Kluwer Academic Publishers. Dicetak di Belanda.

Proses Gamma Varians dan Harga Opsi

DILIP B. MADAN Sekolah

Bisnis Robert H. Smith, Universitas Maryland, College Park, MD 20742

PETER P. CARR
Morgan Stanley Dean Witten
1585 Broadway, Lantai 16, New York, NY, 10036

ERIC C.CHANG
Sekolah Manajemen DuPree, Institut Teknologi Georgia, Atlanta, GA 30332, & Sekolah Bisnis,
Universitas Hong Kong

(Juni 1998)

Abstrak. Sebuah proses stokastik tiga parameter, disebut proses varians gamma, yang menggeneralisasi
gerakan Brown dikembangkan sebagai model untuk dinamika harga saham log. Proses diperoleh dengan
mengevaluasi gerak Brown dengan drift pada waktu acak yang diberikan oleh proses gamma.
Dua parameter tambahan adalah penyimpangan gerak Brown dan volatilitas perubahan waktu. Parameter
tambahan ini memberikan kontrol atas kemiringan dan kurtosis dari distribusi pengembalian. Formulir
tertutup diperoleh untuk densitas pengembalian dan harga opsi Eropa.
Kepadatan statistik dan risiko netral diperkirakan untuk data Indeks S&P500 dan harga opsi pada Indeks
ini. Diamati bahwa kepadatan statistik simetris dengan beberapa kurtosis, sedangkan kepadatan netral
risiko condong negatif dengan kurtosis yang lebih besar. Parameter tambahan juga mengoreksi bias
penetapan harga model Black Scholes yang merupakan kasus khusus parametrik dari model penetapan
harga opsi yang dikembangkan di sini.

1. Perkenalan

Artikel ini mengusulkan generalisasi tiga parameter gerak Brown sebagai model
dinamika logaritma harga saham. Proses baru, disebut proses varians gamma (VG),
diperoleh dengan mengevaluasi gerak Brown (dengan drift konstan dan volatilitas)
pada perubahan waktu acak yang diberikan oleh proses gamma.1 Setiap unit waktu
kalender dapat dilihat sebagai memiliki panjang waktu yang relevan secara ekonomi
diberikan oleh variabel acak independen yang memiliki gamma
1 Pekerjaan terkait sebelumnya oleh Madan dan Seneta (1990) menganggap perubahan waktu gerak
Brown tanpa melayang oleh proses gamma dan proses ini di sini disebut proses gamma varians simetris.
Madan dan Milne (1991) mempertimbangkan harga opsi ekuilibrium untuk proses gamma varians simetris
dalam model agen representatif, di bawah fungsi utilitas penghindaran risiko relatif konstan. Proses netral
risiko yang dihasilkan identik dengan proses gamma varians yang lebih umum yang diusulkan di sini,
dengan penyimpangan dalam waktu yang mengubah gerak Brown menjadi negatif untuk penghindaran
risiko positif. Makalah ini secara teoritis memperluas Madan dan Milne (1991), dengan memberikan bentuk
tertutup untuk densitas pengembalian dan harga opsi Eropa pada saham.
Machine Translated by Google

80 DILIP B. MADAN ET AL.

densitas dengan rata-rata unit dan varians positif. Di bawah proses VG, pengembalian
majemuk terus-menerus unit periode didistribusikan secara normal, tergantung pada realisasi
waktu acak. Waktu acak ini memiliki kerapatan gamma. Proses stokastik yang dihasilkan
dan model penetapan harga opsi terkait memberi kami model tiga parameter yang kuat.
Selain volatilitas gerak Brown ada parameter yang mengontrol (i) kurtosis (peningkatan
simetris pada probabilitas ekor kiri dan kanan dari distribusi kembali) dan (ii) kemiringan
yang memungkinkan asimetri ekor kiri dan kanan dari kepadatan kembali. Fitur tambahan
yang menarik dari model ini adalah bahwa ia menyarangkan densitas lognormal dan rumus
Black-Scholes sebagai kasus khusus parametrik.2

Pendekatan risk neutral, pertama kali diperkenalkan oleh Black dan Scholes (1973),
untuk menilai derivatif merupakan paradigma standar dalam keuangan. Sementara rumus
Black-Scholes tetap menjadi model yang paling banyak digunakan oleh para praktisi, ia
telah mengetahui adanya bias. Dua bias yang terdokumentasi dengan baik adalah senyum
volatilitas dan premia skewness. Rubinstein (1985, 1994) antara lain, mendokumentasikan
bukti bahwa volatilitas yang tersirat cenderung meningkat untuk pilihan yang sangat masuk
atau keluar dari uang. Bates (1995) menyajikan bukti bahwa, relatif terhadap call option, put
option diremehkan oleh Black-Scholes untuk mula yang, pada gilirannya, menunjukkan
bahwa kurva volatilitas yang tersirat miring ke bawah pada strike price. Di satu sisi, adanya
senyuman volatilitas menunjukkan densitas netral risiko dengan kurtosis di atas kepadatan
normal, di sisi lain, adanya skewness premia lebih jauh menunjukkan bahwa ekor kiri dari
distribusi pengembalian lebih gemuk daripada kanan. ekor.
Bertentangan dengan banyak literatur tentang harga opsi, proses VG yang diusulkan
untuk harga saham log tidak memiliki komponen martingale yang berkelanjutan. Sebaliknya,
ini adalah proses lompatan murni yang menyumbang aktivitas tinggi (seperti dalam gerak
Brown) dengan memiliki jumlah tak terbatas. lompatan dalam setiap interval waktu.
Pentingnya memperkenalkan komponen lompatan dalam pemodelan dinamika harga saham
baru-baru ini telah dicatat dalam Bakshi, Chen dan Cao (1996), yang berpendapat bahwa
model berbasis difusi murni mengalami kesulitan dalam menjelaskan efek senyuman,
khususnya, harga opsi jangka pendek. Komponen lompat tipe Poisson dalam model difusi
lompat dirancang untuk mengatasi masalah ini. Untuk proses VG, bagaimanapun, sebagai model Black Scholes

2 Proses stokastik yang dihasilkan adalah proses Markov homogen waktu satu dimensi. Karena itu

kami tidak memiliki model volatilitas stokastik yang memungkinkan perubahan volatilitas bersyarat,
seperti misalnya dalam model GARCH atau model volatilitas stokastik Heston. Model Markov dimensi
yang lebih tinggi dapat diperoleh misalnya dengan mengubah waktu model volatilitas stokastik Heston
dengan proses waktu gamma. Dalam makalah ini kami mengabstraksikan masalah ketidakhomogenan waktu.
3
Dalam hal ini proses VG adalah keberangkatan dari literatur penetapan harga opsi yang ada, di
mana mode analisis utama adalah difusi, yang memiliki komponen martingale dengan jalur sampel yang
merupakan fungsi waktu kalender yang berkelanjutan. Model penetapan harga opsi Black Scholes (1973)
membuat asumsi ini, seperti kebanyakan model difusi dan difusi lompat lainnya dari Praetz (1972),
Merton (1976), Cox dan Ross (1976), Jones (1984), Hull and White (1987). ), Scott (1987), Wiggins
(1987), Mellino dan Turnbull (1990), Naik dan Lee (1990), Heston (1993a,b) dan Bates (1991, 1995).
4 Tingkat aktivitas di sini secara longgar dapat diukur dengan volume atau jumlah transaksi, atau

jumlah perubahan harga yang terkait.

Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 81

sudah merupakan kasus khusus parametrik, dan aktivitas tinggi sudah diperhitungkan,
tidak perlu untuk memperkenalkan komponen difusi sebagai tambahan: karenanya
tidak ada komponen martingale kontinu.
Tidak seperti gerak Brown, jumlah perubahan harga log absolut terbatas untuk
proses VG.5 Karena proses VG adalah salah satu variasi terbatas, ini dapat ditulis
sebagai perbedaan dari dua proses kenaikan, yang pertama menjelaskan harga
meningkat, sedangkan yang kedua menjelaskan penurunan harga. Dalam kasus
proses VG, dua proses peningkatan yang dibedakan untuk mendapatkan proses VG
itu sendiri adalah proses gamma.6 Proses statistik dan netral risiko didalilkan sebagai
proses VG untuk dinamika indeks S&P500 dan perkiraan diperoleh dengan
menggunakan data pada indeks dan pada penampang besar harga opsi untuk kontrak
berjangka S&P 500. Pertama, model VG berhasil mengoreksi bias pemogokan dan
jatuh tempo dalam penetapan harga Black Scholes. Kedua, estimasi proses statistik
menunjukkan bahwa hipotesis zero skewness pada distribusi return statistik tidak
dapat ditolak, sedangkan hipotesis zero excess kurtosis terhadap distribusi normal
dapat ditolak. Ketiga, estimasi proses risk neutral menunjukkan bahwa hipotesis zero
skewness dan zero kurtosis, keduanya dapat ditolak. Dengan demikian, kami menolak
kasus khusus Black Scholes dan symmet ric VG dari formula penetapan harga opsi
umum kami yang terkait dengan proses VG asimetris. Selain itu, perkiraan kelebihan
kurtosis secara substansial lebih besar untuk proses netral risiko daripada untuk
proses statistik.
Garis besar makalah adalah sebagai berikut. Proses VG didefinisikan dalam
Bagian 1 dan sifat-sifatnya disajikan dan didiskusikan. Formulir tertutup untuk
kepadatan statistik dan harga opsi Eropa, ketika harga saham mengikuti proses VG,
disajikan di Bagian 2. Data dijelaskan di Bagian 3. Temuan empiris dan analisis
kesalahan harga disajikan di Bagian 4 dan 5. Bagian 6 menyimpulkan. Semua bukti
dapat ditemukan di Lampiran.

2. Proses VG untuk Harga Saham Log Netral Statistik dan Risiko

Bagian ini mendefinisikan proses VG, menggeneralisasi proses stokastik dua

parameter yang dipelajari di Madan dan Seneta (1990) dan Madan dan Milne (1991),
yang mengontrol volatilitas dan kurtosis, ke proses tiga parameter yang sekarang juga
menampilkan skewness.7 Pertimbangkan ekonomi waktu kontinu, selama interval [0,
ÿ], di mana saham diperdagangkan, akun pasar uang, dan opsi pada saham untuk
semua pemogokan dan jatuh tempo 0 < T: ÿ. Kami kira kontinu konstan
5
Gerak Brown adalah proses variasi tak terbatas tetapi variasi kuadrat hingga dan perubahan harga log
harus dikuadratkan sebelum dijumlahkan, untuk mendapatkan hasil yang terbatas.
6 Proses seperti itu juga telah dipertimbangkan oleh Heston (1993c) dalam konteks pemodelan suku bunga.

7 Proses statistik di Madan dan Milne (1991) simetris dan tidak memungkinkan untuk skew ness, tetapi proses
risk neutral memiliki skewness yang diperoleh melalui model perwakilan agen dengan utilitas penghindaran
risiko relatif konstan. Makalah ini memberikan derivasi alternatif dari proses ini, terlihat di sini sebagai
gerak Brown dengan drift, waktu diubah oleh proses gamma.
Machine Translated by Google

82 DILIP B. MADAN ET AL.

suku bunga majemuk r dengan nilai rekening pasar uang exp(rt), harga saham S(t) dan
harga call option Eropa c(t; K, T ) untuk strike K dan jatuh tempo T >t, pada waktu t .

Proses VG diperoleh dengan mengevaluasi gerak Brown dengan drift pada waktu acak
yang diberikan oleh proses gamma. Membiarkan

b(t; e,ÿ) = et + ÿW (t) (1)

di mana W (t) adalah gerak Brown standar. Proses b(t; e,ÿ) adalah gerak Brown dengan
drift e dan volatilitas ÿ .
Proses gamma ÿ (t;µ, ÿ) dengan laju rata-rata µ dan laju varians ÿ adalah proses
peningkatan gamma independen selama interval waktu yang tidak tumpang tindih (t,t + h).
Kepadatan, fh(g), dari kenaikan g = ÿ (t + h;µ, ÿ) ÿ ÿ (t;µ, ÿ) diberikan oleh fungsi kerapatan
gamma dengan rata-rata µh dan varians ÿh. Secara khusus,

ÿ1 exp ÿ g ÿ µ
µ2h µ2h
gÿµÿ ÿ
fh(g) = ,g > 0, (2)
ÿ ÿ µ2j
r( )
ÿ

di mana r(x) adalah fungsi gamma. Kepadatan gamma memiliki fungsi karakteristik n, ÿÿ
(t )(u) = E[exp(iuÿ (t;µ, ÿ)], diberikan oleh,

2t
ÿ

ÿ 1 ÿµ
ÿÿ (t )(u) = ( ) . (3)
ÿ 1 - iuµ
ÿ

Dinamika proses gamma waktu kontinyu paling baik dijelaskan dengan menggambarkan
simulasi proses. Karena prosesnya adalah proses yang dapat dibagi tak terhingga, dengan
peningkatan independen dan terdistribusi secara identik selama interval yang tidak tumpang
tindih dengan panjang yang sama, simulasi dapat dijelaskan dalam ukuran Levy (Revuz
dan Yor (1991, p. 110)), kÿ ( x)dx secara eksplisit diberikan oleh

µ2 exp ÿ X
ÿµ
ÿ
kÿ (x)dx = dx, untuk x > 0 dan 0 sebaliknya. (4)
ÿx

Karena besaran Lévy memiliki integral tak terhingga, kita melihat bahwa proses gamma
memiliki laju kedatangan lompatan tak terhingga, yang sebagian besar kecil, seperti yang
ditunjukkan oleh konsentrasi takaran Lévy pada titik asal. Prosesnya adalah lompatan murni dan
dapat didekati sebagai proses Poisson majemuk. Untuk mensimulasikan pendekatan Pois son
majemuk, kami memotong ukuran Lévy di dekat titik asal, dengan demikian mengabaikan
lompatan dengan ukuran di bawah ÿ. Kami kemudian menggunakan area di bawah ukuran Pungutan terpotong sebagai
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 83

tingkat kedatangan Poisson dari lompatan. Pengukuran retribusi terpotong yang dinormalisasi
memberikan kerapatan bersyarat dari besaran lompatan, mengingat kedatangan lompatan.
Proses VG X(t; ÿ, ÿ, e), didefinisikan dalam gerak Brown dengan
drift b(t; e,ÿ) dan proses gamma dengan laju rata-rata satuan, ÿ (t; 1,ÿ) sebagai

X(t; ÿ, ÿ, e) = b(ÿ (t; 1,ÿ); e , ÿ ). (5)

Proses VG diperoleh dengan mengevaluasi gerak Brown pada waktu yang ditentukan oleh
proses gamma.8 Proses VG memiliki tiga parameter: (i) ÿ volatilitas gerak Brown, (ii) ÿ laju
varians perubahan waktu gamma dan (iii) e penyimpangan dalam gerak Brown dengan
penyimpangan. Oleh karena itu, proses memberikan dua dimensi kontrol pada distribusi di
atas dan di atas volatilitas. Kami mengamati di bawah bahwa kontrol dicapai atas
kemiringan melalui e dan atas kurtosis dengan ÿ.
Fungsi densitas untuk proses VG pada waktu t dapat dinyatakan tergantung pada
realisasi perubahan waktu gamma g sebagai fungsi densitas normal. Kepadatan tak
bersyarat kemudian dapat diperoleh dengan mengintegrasikan g menggunakan kerapatan
(2) untuk perubahan waktu g. Ini memberi kita kerapatan untuk, X(t), fX(t )(X), as
T
ÿ1 ÿg
1 gÿ exp
(X ÿ misalnya)2 ÿ ÿ
fX(t )(X) = exp ÿ ÿ T
dg. (6)
0ÿ 2ÿg 2ÿ 2g T

ÿ ÿ r( )
0 ÿ

Fungsi karakteristik untuk proses VG, ÿX(t )(u) = E[exp(iuX(t)], is9

1 t/ÿ
ÿX(t )(u) = . (7)
1 ÿ yaituÿu + (ÿ 2ÿ/2)u2

Proses VG juga dapat dinyatakan sebagai perbedaan dari dua proses gamma yang
meningkat secara independen, khususnya (lihat lampiran untuk deatils)10

X(t; ÿ, ÿ, e) = ÿp(t;µp, ÿp) ÿ ÿn(t;µn, ÿn). (8)

Hubungan eksplisit antara parameter proses gamma yang dibedakan dalam (8) dan
parameter asli proses VG (5) diberikan oleh (lihat Lampiran untuk detailnya),

+ 2 ÿ 2 2ÿ e 2 +
1µp = e2 (9)

8
Oleh karena itu, proses VG termasuk dalam kelas proses subordinat. Proses tersebut pertama kali
dipertimbangkan untuk harga saham oleh Clark (1973). Investigasi terbaru menggunakan proses tersebut dalam
´
konteks keuangan termasuk Ane dan Geman (1995), Bossaerts, Ghysels dan Gourieroux (1996) dan Geman dan
Ane (1996). ´ Ungkapan ini diperoleh dengan pengkondisian pertama pada waktu gamma dan menggunakan fungsi
9
karakteristik normal untuk mendapatkan fungsi karakteristik kondisional. Selanjutnya gunakan persamaan (2)
untuk mengintegrasikan waktu gamma sehubungan dengan densitasnya.

10
Proses gamma tersebut baru-baru ini telah digunakan untuk memodelkan antrian pesanan oleh Gourieroux,
LeFol dan Meyer (1996).
Machine Translated by Google

84 DILIP B. MADAN ET AL.

2
2 2ÿ e + ÿ
1µn = e2 2 (10)
ÿ

2
1 2 e + 2+ 2ÿ
ÿ e
ÿ ÿ ÿ
ÿp = (11)
2 2
ÿ

2
1 2 e + 2ÿ 2ÿ
ÿ e
ÿn = ÿ 2ÿ ÿ
(12)
2
ÿ

Pengukuran Levy untuk proses VG memiliki tiga representasi, dua dalam hal parameterisasi
yang diperkenalkan di atas, karena waktu mengubah gerak Brown, dan perbedaan dari dua
proses gamma dan yang ketiga dalam hal proses VG simetris yang mengalami perubahan
ukuran yang diinduksi oleh fungsi utilitas penghindaran risiko relatif konstan seperti di Madan
dan Milne (1991). Bila dilihat sebagai perbedaan dari dua proses gamma seperti pada (8) kita
dapat menulis ukuran Retribusi untuk X(t), menggunakan (4) sebagai

ÿ µn
exp ÿ |x| ÿn |x| µp
2µn 2 exp
dx untuk x < 0
ÿn ÿ x µp ÿp
kX(x)dx = (13)

dx untuk x > 0
ÿ ÿp X

Kami mengamati dari (13) bahwa proses VG mewarisi sifat tingkat kedatangan tak terbatas
dari lompatan harga, dari proses gamma. Peran parameter asli lebih mudah diamati ketika kita
menulis takaran Retribusi secara langsung dalam bentuk parameter ini. Dalam hal (ÿ, ÿ, e )
seseorang dapat menulis takaran Retribusi sebagai

22e+

exp(ex/ÿ 2) ÿ ÿ
ÿ ÿ 2ÿ
(( kX(x)dx = ÿ |x| exp |x| ) )dx (14)
ÿ

ÿÿ

Kasus khusus e = 0 pada (14) menghasilkan ukuran Retribusi yang simetris terhadap nol. Ini
menghasilkan proses VG simetris yang digunakan oleh Madan dan Seneta (1990) dan Madan
dan Milne (1991) untuk menggambarkan proses statistik pengembalian majemuk yang
berkelanjutan. Kami juga mengamati dari (14), bahwa ketika e < 0, nilai negatif dari x menerima
probabilitas relatif lebih tinggi daripada nilai positif yang sesuai.
Oleh karena itu, nilai negatif dari e menimbulkan kemiringan negatif. Kami mencatat lebih lanjut bahwa
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 85

nilai ÿ yang besar, menurunkan laju peluruhan eksponensial dari ukuran Lévy secara simetris
di sekitar nol, dan karenanya meningkatkan kemungkinan lompatan besar, sehingga
meningkatkan probabilitas ekor dan kurtosis. Oleh karena itu, proses VG dapat diharapkan
untuk meratakan senyum volatilitas pada ujung bawah spektrum jatuh tempo.
Bentuk ketiga dari ukuran Pungutan untuk proses VG adalah dalam hal
representasi yang digunakan di Madan dan Milne (1991). Proses VG netral risiko
untuk harga saham dapat diturunkan dari ekonomi ekuilibrium umum tipe Lucas di
mana agen perwakilan memiliki fungsi utilitas penghindaran risiko relatif konstan
dengan penghindaran risiko relatif ÿ, dan di mana proses statistik untuk dinamika
harga log diberikan oleh proses VG simetris (e = 0), dengan volatilitas s dan volatilitas
perubahan waktu ÿ. Ukuran Pungutan netral risiko (lihat Madan dan Milne (1991))
diberikan oleh11

exp(ÿÿx) 2
kX(x)dx = exp ÿ |x| . ÿ |x| (15)
sÿ
ÿ ÿ

Hal ini sesuai dengan definisi persamaan (14) tentang pendefinisian

eÿ=ÿ (16)
2ÿ

Dan
ÿ
s= . (17)
2eÿ
1+
ÿ2

Parameter proses VG, hanya secara tidak langsung mencerminkan kecondongan

dan kurtosis dari distribusi pengembalian. Ekspresi eksplisit untuk empat momen
sentral pertama dari distribusi balik pada selang panjang t diturunkan dalam
Lampiran, dan adalah sebagai berikut:

E[X(t)] = et,

E[(X(t) ÿ E[X(t)]) 2
] = (e ÿ2 + ÿ )t, 2 (18)

3 3 2
E[(X(t) ÿ E[X(t)]) ] = (2e ÿ2 + 3ÿ eÿ)t, (19)

4
E[(X(t) ÿ E[X(t)]) ] = (3ÿ ÿ +4 12ÿ e ÿ2 2+2 6e ÿ )t 43

4
+(3ÿ + 6ÿ e2 2ÿ + 3e ÿ )t4 2. 2 (20)
11 Fungsi perubahan ukuran exp(ÿÿx) justru merupakan rasio utilitas marjinal untuk
perwakilan investor yang memegang saham dengan fungsi utilitas
ÿ marjinal Sÿ . Untuk lonjakan
exp(x))ÿÿ /Sÿ = exp(ÿÿ x). harga log x, ÿ rasio utilitas marjinal adalah (S
Machine Translated by Google

86 DILIP B. MADAN ET AL.

Kami mengamati dari Persamaan (19), bahwa e = 0 memang menyiratkan bahwa

tidak ada kemiringan, dan selanjutnya tanda kemiringan adalah tanda e. Selanjutnya,
kita perhatikan dari Persamaan (20) dan Persamaan (18), bahwa ketika e = 0, momen
pusat keempat dibagi dengan kuadrat momen pusat kedua adalah 3(1 + ÿ) dan ÿ
adalah persentase kelebihan kurtosis dalam distribusi .

3. Dinamika, Densitas, dan Harga Opsi Saham VG

Bagian ini menjelaskan dinamika statistik dan netral risiko dari harga saham dalam hal
proses VG dan memperoleh bentuk tertutup untuk densitas pengembalian dan harga
opsi Eropa pada saham. 12 Bentuk tertutup seperti itu berguna dalam estimasi
ekonometrik dari statistik dan proses netral risiko dengan metode kemungkinan
maksimum. Pertama, proses statistik dan netral risiko ditentukan, diikuti dengan hasil
pada fungsi densitas pengembalian dan harga opsi.
Spesifikasi baru untuk dinamika harga saham statistik diperoleh dengan mengganti
peran gerak Brown dalam model gerak Brown geometris Black-Scholes asli dengan
proses VG. Biarkan proses statistik untuk harga saham diberikan oleh

S(t) = S(0) exp(mt + X(t; ÿS , ÿS, eS) + ÿSt), (21)

di mana subskrip S pada parameter VG menunjukkan bahwa ini adalah parameter

1
statistik, ÿS = ln(1 ÿ eSÿS
ÿ S
ÿ ÿ 2ÿS/2), dan
S
m adalah rata-rata tingkat pengembalian
saham di bawah ukuran probabilitas statistik.12
Di bawah proses netral risiko, harga saham yang didiskontokan di pasar uang
adalah martingale dan selanjutnya tingkat pengembalian rata-rata pada saham di
bawah ukuran probabilitas ini adalah suku bunga majemuk yang terus menerus r.
Biarkan proses netral risiko diberikan oleh

S(t) = S(0) exp(rt + X(t; ÿRN , ÿRN , eRN ) + ÿRNt), (22)

di mana RN subskrip pada parameter VG menunjukkan bahwa ini adalah parameter

netral risiko, dan ÿRN = ln(1 ÿ eRNÿRN1ÿRN ÿ ÿ 2
RN ÿRN/2).12

12 Kami menginterpretasikan bentuk tertutup berarti reduksi ke fungsi khusus matematika yang
memiliki representasi sebagai integral dari fungsi elementer. Ini adalah kemajuan dari representasi
integral yang menggunakan fungsi khusus dalam integral: yang terakhir menjadi integral ganda
dari fungsi elementer. Selanjutnya, kemajuan dalam komputasi fungsi khusus (dengan metode lain
yang menggunakan, misalnya, pendekatan fungsional dengan metode polinomial) sering dibuat
dalam literatur matematika.
12 Nilai ÿS ditentukan dengan mengevaluasi fungsi karakteristik untuk X(t ) pada u = 1/i, sehingga

ekspektasi S(t ) = S(0) exp(mt ), atau ekuivalen dengan ekspektasi exp(X (t )) = exp(ÿÿSt ).

12 Penting untuk dicatat, berbeda dengan situasi untuk proses harga kontinu berdasarkan difusi,
parameter netral risiko tidak harus sama dengan rekan statistiknya, dan pada prinsipnya dapat
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 87

Densitas harga stok log relatif pada interval panjang t, tergantung pada realisasi
perubahan waktu gamma, fungsi densitas normal.
Kepadatan tak bersyarat diperoleh dengan mengintegrasikan variasi gamma dan
hasilnya adalah fungsi bessel termodifikasi dari jenis kedua.

DALIL. Kepadatan untuk harga log relatif z = ln(S(t)/S(0)) ketika harga mengikuti
dinamika proses VG persamaan (21) diberikan oleh

t 2ÿ
ÿ14

2 exp(ex/ÿ 2) 2x
h(z) = X
2
2ÿÿr(t ) 2ÿ
ÿ
2/ÿ + e ÿt/ÿ
1
Kt ÿ1 2 2 ÿ x2(2ÿ 2/ÿ + e 2) , (23)
ÿ

di mana K adalah fungsi bessel termodifikasi dari jenis kedua,

T
2
x = z ÿ mt ÿ ln(1 ÿ eÿ ÿ ÿ ÿ/2)
ÿ

dan dipahami bahwa parameter VG yang digunakan adalah parameter statistik.

Harga opsi panggilan Eropa, c(S(0); K,t), untuk pemogokan K dan jatuh tempo
t, adalah dengan hasil standar yang diberikan oleh

ÿrt
c(S(0); K,t) = e E[maks(S(t) ÿ K, 0)], (24)

di mana harapan diambil di bawah proses netral risiko Persamaan (22). Evaluasi harga
opsi (24) dilakukan dengan pengkondisian pertama pada pengetahuan tentang
perubahan waktu acak g yang memiliki distribusi gamma independen. Bersyarat pada
g, X(t) terdistribusi normal dan nilai opsi diberikan oleh rumus tipe Black-Scholes.
Harga opsi Eropa untuk dinamika netral risiko VG kemudian diperoleh dengan
mengintegrasikan rumus Black-Scholes bersyarat ini pada g sehubungan dengan
densitas gamma. Ini adalah prosedur yang diikuti dalam Madan dan Milne (1991)
dimana harga diperoleh dengan integrasi numerik.15 Di sini kita mendapatkan sebuah analisis
berbeda secara signifikan. Intuisi dasar untuk proses lompatan murni, seperti VG, adalah bahwa setiap instan seperti model
keadaan tak terbatas satu periode dan densitas netral risiko dapat q(x) (di mana x adalah log harga saham dan ÿÿ <x < ÿ)
sedangkan densitas statistik adalah p(x) dengan perubahan densitas ukuran menjadi A(x) = q(x)/p(x). Jika q adalah VG
dengan parameter ÿRN , eRN , ÿRN dan p adalah VG dengan parameter ÿS , eS , ÿS maka A didefinisikan dengan tepat dan
tidak ada hubungan antara parameter statistik dan parameter netral risiko. Baik q dan p mengisi seluruh garis real sehingga
keduanya ekuivalen, tetapi selain titik ini tidak ada hubungan di antara keduanya. Tentu saja, untuk proses kepadatan
perubahan ukuran formal dalam konteks saat ini, seseorang perlu mempertimbangkan rasio ukuran Retribusi dibandingkan
dengan kepadatan dan pertimbangan ini berada di luar cakupan makalah ini. ´

15
Seperti disebutkan sebelumnya, integrand di Madan dan Milne (1991) menggunakan fungsi khusus dan
karena itu merupakan integral ganda dari fungsi elementer.
Machine Translated by Google

88 DILIP B. MADAN ET AL.

pengurangan litik dalam hal fungsi khusus matematika, atau ekspresi bentuk tertutup
untuk harga.

TEOREMA 2. Harga opsi panggilan Eropa pada saham, ketika dinamika risiko netral
dari harga saham diberikan oleh proses VG (22) adalah (untuk parameter netral risiko ÿ,
ÿ, e),

1ÿ ÿ T
c(S(0); K,t) = S(0)ÿ d c1 , (a + s) ,
ÿÿ
ÿ ÿ 1 ÿ c1 ÿ ÿ

1 - c2 ÿ T

ÿK exp(ÿrt)ÿ d , sebagai , (25)

ÿÿ
ÿ ÿ 1 ÿ c2 ÿ ÿ

Di mana

S(0) T 1ÿ c1
1 d = ln + rt + ln , (26)
S K ÿ 1ÿ c2 ÿ

a = ÿ s dan ÿ,s seperti yang didefinisikan pada (16) dan (17),

ÿ(a + s)2
c1 = , (27)
2

ÿa2
c2 = , (28)
2

dan fungsi ÿ didefinisikan dalam bentuk fungsi bessel yang dimodifikasi dari sec
ond kind dan fungsi hypergeometric degenerasi dari dua variabel dengan persamaan
(A11) dari Lampiran.

Rumus penetapan harga opsi panggilan Eropa (25) memiliki bentuk biasa dari harga
saham dikalikan elemen probabilitas dikurangi nilai pemogokan saat ini dikali elemen
probabilitas kedua. Dapat ditunjukkan bahwa elemen probabilitas kedua adalah
probabilitas netral risiko bahwa S(t) melebihi K. Elemen probabilitas pertama juga
merupakan probabilitas bahwa S(t) melebihi K, dengan menggunakan densitas yang
diperoleh dari normalisasi produk saham. harga dengan densitas netral risiko dari harga saham.
Kami berharap parameter tambahan model VG menjadi penting untuk penetapan
harga opsi. Penghindaran risiko menyiratkan dari persamaan (16) bahwa densitas
pengembalian risiko netral miring negatif (e < 0 atau a > 0), fitur yang terlewatkan oleh
model Black Scholes di mana simetri pada dasarnya adalah konsekuensi dari kontinuitas
ditambah dengan penyeimbangan ulang berkelanjutan . Mengenai kurtosis, kurtosis
yang relatif tinggi untuk pengembalian dalam waktu singkat adalah fitur terkenal dari
distribusi pengembalian statistik. Selanjutnya, kami menduga bahwa densitas netral risiko memiliki genap
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 89

kurtosis yang lebih besar yang tercermin dalam Black Scholes menyiratkan premi volatilitas
yang terkait dengan opsi out-of-the-money, relatif terhadap at-the-money.
Ada tiga rumus penetapan harga opsi yang bersarang dalam rumus penetapan harga
opsi (25). Ini adalah a) model VG, b) VG simetris (diperoleh dengan membatasi e atau a
ke nol) dan c) model Black Scholes (yang menghasilkan pengaturan ÿ sama dengan nol).
Kami melaporkan estimasi untuk ketiga model tersebut.

4. Data Opsi

Harga yang digunakan dalam penelitian ini adalah untuk opsi berjangka S&P 500 yang
diperdagangkan di Chicago Mercantile Exchange (CME). Opsi berjangka S&P 500 adalah
uang tunai dan terdaftar pada siklus kedaluwarsa bulanan. Harga opsi dinyatakan dalam
satuan indeks. Setiap poin indeks mewakili $500. Strike price ditetapkan pada interval lima
poin.
Data untuk penelitian ini diperoleh dari Financial Futures Institute di Washington DC
dan mencakup harga opsi transaksi sepanjang waktu dari Januari 1992 hingga September
1994. Harga penutupan pada indeks berjangka juga tersedia seperti tingkat indeks spot.
Untuk memastikan likuiditas yang cukup dan kebal dari masalah perdagangan yang tidak
sinkron, dipilih hingga 16 opsi dengan harga yang ditandai waktu pada atau mendekati
penutupan harian dipilih untuk setiap hari. Hingga empat pemogokan untuk masing-masing
dari empat jatuh tempo dipilih. Data harian pada suku bunga Treasury Bill tiga bulan
diperoleh dari Federal Reserve di Washington DC, hasil dividen disimpulkan dari hubungan
teoritis tanpa arbitrase antara indeks spot dan futures. Semua kontrak opsi dilihat seperti
yang tertulis di indeks spot yang mendasarinya. Ada 2824 opsi yang dipilih dari file data
tahun 1992, 3010 dari file tahun 1993 dan 2411 dari tahun 1994, total harga opsi 8245.

5. Kinerja Empiris model VG

Kami memulai analisis dengan memperkirakan nilai parameter kepadatan statistik yang
mendasari tiga model bersarang dari lognormal, VG simetris, dan VG. Data yang digunakan
adalah 691 pengamatan harian kerabat harga spot log yang mencakup periode dari
Januari 1992 hingga September 1994. Untuk dinamika harga saham di bawah model VG,
kami menggunakan densitas h(z) dari Persamaan (23) dan mengestimasi keempat
parameter. Parameter e disetel ke nol saat kami memperkirakan model VG simetris.
Dinamika harga saham yang mendasari model Black Scholes hanyalah kepadatan
lognormal. Kami menggunakan estimasi kemungkinan maksimum untuk semua estimasi.
Kami menyajikan estimasi nilai parameter pada Tabel I.
Seperti yang ditunjukkan pada baris pertama Tabel I, pengembalian rata-rata tahunan
yang diestimasi oleh ketiga model sangat mirip. Ini berkisar dari yang terendah 5,69% dari
model Black Scholes hingga tertinggi 5,91% untuk model VG. Estimasi volatilitas aset juga
sangat mirip, mulai dari yang terendah 11,71% untuk model VG simetris hingga tertinggi
11,91% untuk model Black Scholes. Perkiraan parameter kurtosis
Machine Translated by Google

90 DILIP B. MADAN ET AL.

Tabel I. Estimasi kemungkinan maksimum dari parameter

kepadatan statistik untuk pengembalian harian pada indeks saham
standar dan orang miskin berdasarkan gerak Brownian geometris
dan proses stokastik gamma varian simetris dan varian gamma:
Januari 1992–September 1994

Simetris Geometris
Varian parameter Brown Perbedaan
perkiraan gerak gamma gamma

M 0,0596 0,0570 0,0591

(0,0857) (0,0685) (0,0263)

S 0,1191 0,1171 0,1172

(0,0032)** (0,0045)** (0,0044)**

ÿ 0,0020 0,002

(0,0003)** (0,0004)** 0,0048

A

(0,12)
di L 2528.39 2570.36 2569.78
NOBS 691 691 691

ÿ pada model VG simetris adalah 0,002, dan berbeda nyata dari nol. Tercatat dalam
Bagian 2 bahwa untuk kasus e = 0 parameter ini mengukur kurtosis
, tahunan persentase berlebih
di atas 3, kurtosis
dari kepadatan normal.
Dari Persamaan (20) dan (18) kami mengamati bahwa kurtosis harian yang sesuai
adalah 3[1 + (0,002)(365)], atau 5,19. Estimasi VG untuk ÿ juga 0,002 dan estimasi
untuk e, meskipun positif, tidak signifikan.16
Pada uji chi-kuadrat (mengambil dua kali perbedaan dalam kemungkinan log yang
diberikan pada baris kelima dari dua kolom pertama Tabel I), model lognormal sangat
2
ditolak dan mendukung VG simetris dengan statistik membuat
ÿ1 sebesar
peningkatan
83,94 . VGdalam
tidak
kemungkinan log dibandingkan VG simetris dan kami menyimpulkan bahwa harga log
relatif dari indeks S&P 500, secara statistik mengikuti VG simetris
proses.

16
Saat kami memulai pengoptimalan pada perkiraan yang diperoleh untuk VG simetris, tidak ada perubahan dan
kemiringan diperkirakan nol. Estimasi yang dilaporkan diperoleh dengan menggunakan titik awal yang menyelesaikan
persamaan momen yang dikembangkan di bagian 2. Sebagai pemeriksaan lebih lanjut, kami melaporkan estimasi
momen untuk skewness dan kurtosis pada sampel kami. Standar deviasi adalah 0,006233.
Momen pusat ketiga dibagi dengan pangkat tiga simpangan baku adalah ÿ0,2105. Momen sentral keempat dibagi
pangkat empat simpangan baku adalah 7,8463. Estimasi momen menunjukkan kemiringan negatif kecil dan kurtosis
lebih besar dari yang disediakan oleh estimasi kemungkinan maksimum.
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 91

Kami memperkirakan nilai parameter kepadatan netral risiko pada basis mingguan.17
Dengan menggunakan semua harga opsi yang tersedia untuk setiap minggu, kami
membalikkan tiga model penetapan harga opsi untuk memperkirakan (untuk
volatilitas
ketigatersirat,
model),ÿ,
kelebihan kurtosis tersirat atau parameter, ÿ, (untuk dua model VG), dan kemiringan tersirat
atau parameter, e, (untuk model VG). Karena jumlah harga opsi berkisar antara 40 hingga 80,
umumnya tidak mungkin menemukan satu set parameter yang benar-benar sesuai dengan
semua harga opsi. Akibatnya, parameter ini diestimasi dengan metode kemungkinan
maksimum.
Secara khusus, kemungkinan yang tepat digunakan alamat diharapkan heteroskedastisitas
harga opsi untuk berbagai pemogokan dengan menggunakan formulasi kesalahan perkalian.
w

Membiarkan menjadi harga pasar yang diamati pada opsi ke-i dan membiarkan saya akan menjadi modelnya
Saya

w harga kami mengadopsi model kesalahan

2
wi = wwi exp(1ÿi ÿ 1/2) (29)

di mana seharusnya ÿi terdistribusi normal dengan rata-rata nol dan varian unit.18 Hal ini
ditunjukkan dalam Lampiran, bahwa estimasi kemungkinan maksimum secara asimtotik
setara dengan kuadrat terkecil non-linier pada logaritma, atau minimalisasi

M
1
k= 2.
wwi)) (ln(wi) ÿ ln( (30)
M ÿ
ÿÿÿ saya=1

Estimasi nilai parameter rata-rata kepadatan netral risiko, bersama dengan standar
deviasinya selama beberapa minggu, dan nilai estimasi minimum dan maksimum selama
semua minggu disajikan pada Tabel II. Kami juga menyajikan nilai rata-rata untuk perkiraan
statistik kemungkinan log. Seperti disebutkan sebelumnya parameter diperkirakan mingguan
selama 143 minggu.19
Volatilitas netral risiko rata-rata yang diperkirakan untuk log normal density adalah 12,13%.
Nilai yang sesuai untuk VG simetris dan VG adalah 13,01% dan 11,48%. Ini adalah estimasi
yang konsisten di seluruh model dan dapat dibandingkan dengan estimasi volatilitas statistik
yang konsisten sebesar 12%.
17
Kami dapat memaksakan keteguhan parameter netral risiko sepanjang waktu dan kemudian
memperkirakan bersama proses statistik dan netral risiko dari data cross section dan time series yang
dikumpulkan pada harga opsi dan indeks yang mendasarinya. Kami, bagaimanapun, mengizinkan variasi
waktu dalam parameter netral risiko karena ada informasi harga opsi yang cukup pada setiap titik waktu
untuk memungkinkan estimasi variasi waktu ini. Dalam hal ini kami mengikuti preseden yang ditetapkan oleh
Rubinstein (1994), Jackwerth dan Rubin stein (1996), Bates (1991), Bates (1996), Stutzer (1996) dan Bakshi,
Cao dan Chen (1997) untuk evaluasi model penentuan harga opsi.
18
Formulasi multiplikatif digunakan untuk mempertahankan kepositifan wi sambil membiarkan ÿi menjadi
tidak terbatas. Formulasi serupa baru-baru ini digunakan oleh Jacquier dan Jarrow (1995) dan Elliott, Lahaie
dan Madan (1995).
19
Transformasi eksponensial dipanggil untuk memastikan kepositifan perkiraan untuk ÿ dan ÿ , dan fungsi
tujuan untuk estimasi adalah kemungkinan log asimtotik. Signifikansi statistik estimasi parameter secara
langsung ditangani oleh uji rasio kemungkinan.
Machine Translated by Google

92 DILIP B. MADAN ET AL.

Tabel II. Rangkuman statistik estimasi mingguan parameter untuk fungsi densitas netral risiko
indeks saham S&P 500 berdasarkan model penetapan harga opsi Black/Scholes, gamma
varians simetris, dan proses harga gamma varians: Januari 1992–September 1994 (143
Minggu)

Standar
Rata-Rata Parameter penyimpangan Minimal Maksimum

A.Model Black Scholes

ÿ 0,1236 0,0165 0,087 0,171

Berarti Log
kemungkinan 0,0057 0,0026 0,002 0,019

B. Model Gamma Varians Simetris

ÿ 0,1301 0,0199 0,091 0,183
ÿ 0,1861 0,1391 0,051 0,876

Berarti Log
Kemungkinan 0,0052 0,0024 0,001 0,019

C. Model Gamma Varians

ÿ 0,1213 0,0192 0,08 0,1737
ÿ 0,1686 0,0812 0,0541 0,6790
e ÿ0,1436 0,0552 ÿ0,2744 0,0492

Berarti Log
Kemungkinan 0,003 0,0022 0,001 0,015

D. Persentase Penolakan Pada Tingkat 5% (1%)

Hipotesis Nol
Hipotesis Alternatif Black Scholes
VGSymm.
Simetris
Model
VG 37,8% (30,8%)

Model VG 93,7% (91,6%) 93,7% (91,6%)

Estimasi rata-rata untuk ÿ di bawah VG simetris dan VG adalah, (lihat Tabel II baris 4 dan 7
kolom 1) masing-masing 18,61% dan 16,86%. Ini jauh lebih tinggi dari perkiraan statistik
seperlima persen. Estimasi rata-rata untuk e = ÿ0.1436. Menerapkan transformasi (16) nilai rata-
rata penghindaran risiko adalah 10,59 dan kesalahan standar selama 143 minggu adalah 5,76.
Oleh karena itu, volatilitas netral risiko dari proses VG sebanding dengan volatilitas statistiknya
dan ada kecenderungan negatif terhadap proses netral risiko yang terkait dengan penghindaran
risiko.
Peningkatan kemiringan dalam proses netral risiko relatif terhadap proses statistik
merupakan konsekuensi yang diharapkan dari penghindaran risiko dalam ekuilibrium. Ini mudah
dilihat dalam konteks model satu periode yang sederhana. Sebagai contoh jika p(x) adalah nor
mal dengan rata-rata nol dan varian unit, dan jika utilitas adalah HARA dengan utilitas marjinal
diberikan oleh (1 + ex)ÿ1, maka q tidak lagi simetris dan sebenarnya memiliki ekor kiri yang lebih gemuk.
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 93

Proses netral risiko juga menunjukkan peningkatan kurtosis. Kami melihat ini terkait dengan bukti
yang terdokumentasi dengan baik tentang volatilitas tersirat yang lebih tinggi dalam penetapan
harga opsi secara umum. Berbeda dengan model gerak Brownian geometris, yang tidak memiliki
parameter kurtosis, dalam model VG sifat harga tinggi untuk peristiwa ekor ini, tercermin dalam
kurtosis netral risiko yang meningkat dengan volatilitas yang biasanya tidak terpengaruh.
Panel D dari Tabel II menyajikan hasil uji rasio kemungkinan log dari hipotesis nol model
Black Scholes terhadap alternatif model VG dan VG simetris, dan hipotesis nol model VG simetris
terhadap alternatif model VG . Pada tingkat satu persen, model Black Scholes ditolak dalam
30,8% kasus yang diberikan oleh 143 minggu yang mendukung model VG simetris, sedangkan
tingkat penolakan sebanding untuk model Black Scholes vs model VG adalah 91,6%. VG simetris
juga ditolak demi VG dalam 91,6% kasus.

Bukti yang disajikan sejauh ini bersifat statistik dan memberikan beberapa dukungan untuk
pentingnya proses VG netral risiko dan parameter tambahan yang diperkenalkan dalam model
ini. Pada bagian selanjutnya, kami menganalisis lebih lanjut peningkatan yang diperoleh dalam
kualitas penetapan harga yang disampaikan oleh model VG dengan mempelajari perilaku bias
dalam kesalahan penetapan harga dari ketiga model tersebut.

6. Kinerja Penetapan Harga Model Opsi Variance Gamma

Pada bagian ini kami mengevaluasi bias harga dari tiga model, VG, VG metrik simetris, dan
model Black Scholes. Hasil kami menunjukkan bahwa model VG berhasil mengatasi bias harga
yang ada di dua model lainnya.
Ketiga model tersebut diselidiki untuk menentukan kualitas harga yang diberikan oleh model
tersebut. Untuk masing-masing dari 143 minggu kami menggunakan estimasi parameter minggu
itu untuk menghitung harga opsi sesuai masing-masing dari tiga model untuk semua opsi minggu
itu dan memperoleh kesalahan harga. Ini memberi kami 8245 kesalahan harga untuk masing-
masing dari ketiga model. Kualitas penetapan harga dinilai dengan melakukan uji ortogonalitas.
Untuk model yang baik, kesalahan penetapan harga seharusnya tidak menunjukkan pola yang
konsisten dan seharusnya tidak dapat diprediksi.
Dengan maksud untuk menilai model yang diestimasi dengan cara ini kami melakukan
analisis regresi pada kesalahan penetapan harga yang diperoleh dari masing-masing model.
Variabel penjelas untuk regresi meringkas karakteristik opsi. Kehadiran senyum volatilitas tersirat
(Bates (1995)), menunjukkan bahwa kesalahan penetapan harga secara sistematis terkait dengan
tingkat moneyness, diukur dengan rasio tingkat indeks spot terhadap pemogokan opsi. Untuk
memungkinkan kemungkinan bahwa baik out-of-the-money put dan call mungkin memiliki
volatilitas tersirat yang lebih tinggi, kami menggunakan tingkat moneyness dan kuadratnya
sebagai variabel penjelas. Volatilitas tersirat juga diketahui meningkat dengan jatuh tempo opsi
dan untuk mengakomodasi bias ini kami juga menggunakan jatuh tempo opsi sebagai variabel
penjelas. Selain itu kami menggunakan tingkat suku bunga sebagai regressor tambahan.
Konsistensi dengan pengamatan umum pada permukaan volatilitas tersirat Black Scholes
menunjukkan bahwa koefisien dari
Machine Translated by Google

94 DILIP B. MADAN ET AL.

tingkat uang harus negatif, sedangkan koefisien untuk kuadrat uang dan jatuh tempo pilihan
harus positif.
Hasil uji ortogonalitas tersebut disajikan pada Tabel III. Untuk model Black Scholes,
kami mengamati tingkat prediktabilitas yang tinggi dalam kesalahan penetapan harga
dengan R2 sebesar 16% yang diberikan pada baris kelima kolom pertama Tabel III.
Terlebih lagi, ada senyuman uang dengan koefisien uang linier dan kuadrat menjadi sangat
signifikan: dan dari tanda yang diharapkan untuk efek senyum.
Hal ini ditunjukkan oleh baris dua dan tiga kolom 1 Tabel III. Ada juga bias jatuh tempo
yang mengindikasikan meningkatnya volatilitas tersirat dengan jatuh tempo. Kesalahan
penetapan harga juga berhubungan positif dengan suku bunga seperti yang terlihat dari
baris 4 dan 5. Semua variabel independen yang digunakan adalah signifikan. Statistik F
yang dilaporkan pada baris 7 Tabel III menunjukkan bahwa kita harus menolak hipotesis
kesalahan penetapan harga Black Scholes terhadap ortogonalitas variabel-variabel penjelas
ini. Hasilnya konsisten dengan bukti yang masih ada pada bias empiris model Black Scholes.
Kami menemukan bahwa model VG simetris tidak jauh lebih baik. R2 _ , baris
6 dari kolom 2 Tabel III, adalah 17% dan kesalahan penetapan harga dapat diprediksi pada
tingkat yang sama dengan Black Scholes, dengan statistik F sebesar 425,068 yang
diberikan pada baris 7 kolom 2. Model tampak terlalu benar untuk senyuman dan memiliki
koefisien uang yang signifikan konsisten dengan senyum terbalik, (lihat baris 2 dan 3 kolom
2 Tabel III). Ada bias jatuh tempo yang positif, meskipun suku bunga sekarang tidak
signifikan sebagaimana dibuktikan oleh baris 4 dan 5 Tabel III.
Model VG bekerja jauh lebih baik. R2 (baris 6, kolom 3 Tabel III) adalah 0,001 dan
tampaknya tidak dapat diprediksi, setidaknya oleh penjelasan sederhana yang
dipertimbangkan . Statistik F tidak signifikan. Juga tidak ada bias uang yang perlu
diperhatikan. Statistik t ÿ dari baris 2 dan 3 kolom 3 mendekati nol. Bias maturitas positif
juga berkurang dan, jika ada, ada sedikit bias maturitas negatif (lihat baris 4 kolom 3). Pada
uji ortogonalitas ini, model VG tampaknya memberikan harga opsi yang dapat diterima.

7. Kesimpulan

Makalah ini menyajikan formula penilaian opsi baru, yang menyarangkan formula Black
Scholes sebagai kasus khusus parametrik, berdasarkan dinamika harga aset yang dicirikan
oleh proses gamma varians, diperoleh dengan mengevaluasi gerak Brown dengan drift
pada waktu acak yang diberikan oleh proses gamma. Performa penetapan harga model
baru dibandingkan pada data opsi S&P 500 dengan model Black Scholes dan kasus khusus
simetris model baru. Berbeda dengan gerak Brownian tradisional, proses VG adalah proses
lompat murni dengan tingkat kedatangan lompatan tak terhingga, tetapi tidak seperti gerak
Brownian (yang juga memiliki gerak tak terhingga), proses tersebut memiliki variasi terbatas
dan dapat ditulis sebagai selisih dua peningkatan proses, masing-masing memberikan
secara terpisah pergerakan pasar naik dan turun. Model penetapan harga opsi yang
dihasilkan memiliki dua parameter selain volatilitas aset yang memungkinkan kecondongan
dan kelebihan kurtosis dalam kepadatan yang dinetralkan risiko. Kemiringan secara teoritis adalah a
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 95

Tabel III. Hasil Regresi pada Prediktabilitas Kesalahan Penetapan Harga Opsi
Berjangka Indeks Saham S&P 500 Berdasarkan Model Black Scholes, Symmetric
Variance Gamma dan Variance Gamma Model: Januari 1992–September 1994

Spesifikasi regresi adalah

2
P Ei = a0 + a1MNYi + a2(MNYi) + a3MATi + a4INTi + ÿi

dimana P Ei adalah model kesalahan penetapan harga, MNYi adalah rasio tingkat
indeks terhadap harga strike opsi i, (MNYi)2 adalah kuadrat dari MNYi, MATi adalah
maturitas opsi dan INTi adalah suku bunga bebas risiko. t-nilai dalam tanda kurung

Variabel Hitam Simetris Perbedaan

penjelas scholes VG gamma

a0 59.005 ÿ228.3113 0,0476

(Konstan) (4,254)** (ÿ22.367)** (0,007)

a1 ÿ138.0872 435.7121 ÿ0,4693

(Keuangan) (ÿ5.00)** (21.711)** (ÿ0,020)

a2 78.4561 ÿ207.2874 0,5378

(Keuangan2) (5.703)** (020.904)** (0,077)

a3 2.5739 1.4843 ÿ0,6241

(Kematangan) (8.242)** (5.012)** ÿ(2.310)*

a4 10.4648 3.3723 2.9540

(Suku bunga) (3.787)** (1.272) (1.201)

ADJ-R2 0.0.161 0,171 0,001
NOBS 8245 8245 8245
394.460 425.068 2.649
F-Stat(4,8240)

*, **, Menunjukkan signifikansi pada tingkat 1% (5%).

konsekuensi penghindaran risiko dalam menghadapi risiko lonjakan harga yang tidak
dibahas dalam model Black Scholes dengan asumsi kontinuitas. Kelebihan kurtosis
juga merupakan hasil dari lompatan dan tercermin dalam premi risiko pada opsi uang
masuk dan keluar. Formula bentuk tertutup dikembangkan untuk harga opsi Eropa
ketika dinamika risiko netral diberikan oleh proses VG.
Perkiraan proses VG statistik dan netral risiko, dan kasus khusus Black Scholes
diperoleh untuk data opsi indeks berjangka S&P 500. Semua parameter diestimasi
dengan metode kemungkinan maksimum. Kami memberikan bukti bahwa, sementara
kerapatan statistik pengembalian indeks yang mendasari adalah simetris, data pilihan
tersirat kepadatan netral risiko condong negatif (mengkonfirmasi penghindaran risiko),
dengan kelebihan kurtosis yang signifikan. Untuk null dari Black Scholes terhadap
alternatif VG, null dari Black Scholes sangat ditolak oleh tes rasio kemungkinan.
Machine Translated by Google

96 DILIP B. MADAN ET AL.

Kami juga menunjukkan bahwa kinerja unggul model VG tercermin dalam uji
ortogonalitas yang dilakukan pada kesalahan penetapan harga. Kesalahan
penetapan harga opsi dari model Black Scholes dan kasus khusus simetris dari
model VG diamati berkorelasi dengan tingkat uang dan kematangan opsi.
Tes ortogonalitas menunjukkan bahwa model VG relatif bebas dari bias ini.

Lampiran

DERIVASI PERSAMAAN (8)

Fungsi karakteristik (7) dapat ditulis sebagai produk dari dua fungsi karakteristik
berikut,
2
T
1 ÿp ÿp

ÿÿp(t )(u) =
1 - i(ÿp/µp)u
Dan

T
1 2µn ÿn

ÿÿÿn(t )(u) =
1 + i(ÿn/µn)u

dengan µp, µn, ÿp dan ÿn memuaskan

2
µ2pµ 1
n== , (A1)
ÿn ÿ
ÿp

ÿpÿn ÿ=2ÿ
, (A2)
µpµn 2

ÿp ÿn
ÿ = eÿ. µpµn _ (A3)

Oleh karena itu proses VG adalah selisih dari dua proses gamma dengan laju rata-rata µp, µn dan laju varians ÿp, ÿn

berturut-turut.

PENURUNAN PERSAMAAN (9), (10), (11) DAN (12)

Hubungan ini diperoleh dengan menyelesaikan persamaan (A1), (A2) dan (A3). Memecahkan
(A2) dan (A3) kami mendapatkan itu

ÿp = e 1
2ÿ2 + 2ÿ 2ÿ + µp 2 eÿ
2

ÿn 1 eÿ
= e 2ÿ2 + 2ÿ 2ÿ ÿ µn 2
2
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 97

Hasilnya kemudian mengikuti dari (A1).

PENURUNAN PERSAMAAN (18), (19) DAN (20)

Bersyarat pada perubahan waktu gamma, g, variasi VG, X(t), sepanjang interval t, terdistribusi
normal dengan rata-rata eg dan varians ÿ g. Oleh karena itu, kita dapat menulis

X(t) = misal + ÿ gz (A4)

di mana z adalah standar variate normal, independen dari variabel acak gamma g yang memiliki
rata-rata t dan varians ÿt.
Menghitung harapan kita mendapatkan itu

E[X(t)] = et.

Misalkan x = X(t) ÿ E[X(t)], maka kita dapat menulis

x = e (g ÿ t) + ÿ gz.

Ini mengikuti ekspektasi kuadrat dan komputasi itu

2 2
E[x2] = e ÿt + ÿ t,

dan karenanya (18) berlaku.

Menghitung kubus x, kita punya

3
3 3 2 2 2 3
3 z2 .
x = e (g ÿ t)3 + 3e (g ÿ t) ÿ gz + 3e (g ÿ t)ÿ gz2 + ÿ g

Mengambil harapan kita mendapatkan itu

3 2
E[x3 ] = e E[(g ÿ t)3 ] + 0 + 3ÿ eÿt + 0.

Ekspektasi dari (g ÿ t)3 dapat diperoleh dengan integrasi eksplisit dari densitas gamma. Pada
integrasi eksplisit kami memilikinya

3 T tt
E[g3 ] = ÿ (2 + )(1 + )
ÿ ÿÿ

3=t + 3ÿt2 + 2ÿ2t.

Ini mengikuti itu

3 2 2 3
E[(g ÿ t)3 ] = t + 3ÿt2 + 2ÿ t ÿ 3(ÿt + t )t + 3t 3-t
2 = 2ÿt.
Machine Translated by Google

98 DILIP B. MADAN ET AL.

Hasil Persamaan (19) mengikuti substitusi dalam ekspresi untuk E[x3].

Untuk saat keempat kami mencatat tentang memperluas x4 dan menerima ekspektasi itu

4 22 2 4
E[x4] = e E[(g ÿ t)4 ] + 6ÿ e E[(g ÿ t) g] + 3ÿ E[g2 ].

Harapan dari g4 dapat secara eksplisit dihitung dengan integrasi dan

E[g4 ] = (3ÿ + t)(2ÿ + t)(ÿ + t)t + 6ÿt3 + t

= 6ÿ3t + 11ÿ2t 2 4.

Hasil dari (20) diikuti oleh suku-suku substitusi dan pengumpul.

Bukti Teorema 1. Kita dapat menulis kerapatan z, sebagai kerapatan bersyarat yang diberikan
g kali kerapatan marjinal g, dengan variabel acak g terintegrasi.
Karena itu,

T
2
ÿ
1 exp ÿ (z ÿ mt ÿ ln(1 ÿ eÿ ÿ ÿ 2ÿ 2g ÿ/2) ÿ misalnya)2
ÿ
h(z) = X
00 ÿ 2ÿg
T
ÿ1 ÿg
G
ÿ
eksp
ÿ ÿ
T
dg,
T

ÿ ÿ r( )
ÿ

karena z berdistribusi normal dengan mean mt + t/ÿ ln(1 ÿ eÿ ÿ ÿ 2ÿ/2) + eg dan varians ÿ
2
g tergantung pada variasi gamma g. Oleh Gradshetyn dan Ryzhik (1970)
3.471.9 bentuk ini dapat diintegrasikan dengan hasil yang diberikan oleh (23).

Pembuktian Teorema 2. Pengkondisian pertama pada waktu acak g, nilai opsi bersyarat
diperoleh dari normalitas bersyarat seperti pada Madan dan Milne (1991, persamaan (6.5),
dengan catatan bahwa koefisien a pada makalah tersebut adalah ÿ s) sebagai a Rumus tipe
Black Scholes, dengan nilai opsi, c(g), sedang

ÿ(a + s)2 ÿ
(a + s) 2g
c(g) = S(0) 1 ÿ exp
2 2
d
×N + (a + s) g
G
T

ÿa2
ÿ
ag2 2
ÿK exp(ÿrt) 1 ÿ exp
2
D
×N + ag , g (A5)
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 99

dimana N adalah fungsi distribusi kumulatif dari standard normal variate dan d
diberikan oleh persamaan (26). Harga opsi beli, c(S(0); K,t) diperoleh dengan
mengintegrasikan sehubungan dengan densitas gamma, khususnya,
ÿ t ÿ1
exp(ÿg ) ÿ
c(S(0); K,t) = c(g)g ÿ T
dg. (A6)
00 ÿ ÿ r(t ) ÿ

T ÿ(a+s)2 ÿa2
Membuat perubahan variabel y = g/ÿ dan mendefinisikan ÿ = ÿ
, c1 = , c2 = 2 2
kita dapat menulisnya

ÿ
d/ ÿ
c(S(0); K,t) = S(0)(1 ÿ c1) exp(c1y)N + (a + s) ÿ y
00 ÿ ÿ y

ÿ
d/ ÿ
ÿK exp(ÿrt)(1 ÿ c2) exp(c2y)N +aÿy
y
ÿ1
yÿ
exp(ÿy)dy
r(ÿ )

di mana kita sekarang dapat menulis

ln(S(0) exp(rt)/K) ÿ d = 1ÿ c1
+ ln .
S S 1ÿ c2

Perhatikan bentuk umumnya

ÿ1ÿ y exp(ÿy)
ÿ
A
exp(cy)N + oleh dy
00 y r(ÿ )

dan perhatikan untuk membuat perubahan variabel u = (1 ÿ c)y sehingga integral ini sama
dengan

ÿ
a1ÿc+ B ÿ ÿ1 exp(ÿu)
kamu
N kamu du.
00 ÿ kamu 1ÿc
ÿ (1 ÿ c)ÿr(ÿ )
Oleh karena itu jika kita mendefinisikan fungsi

ÿ1ÿ u exp(ÿu)
ÿ
A
ÿ(a, b, ÿ ) = N + bu du.
00 kamu r(ÿ )

kita dapat menulis opsi panggilan secara langsung dalam bentuk ÿ sebagai

1ÿ ÿ
c(S(0); K,t) = S(0)ÿ d c1 , (a + s) ,ÿÿ1
ÿÿ
ÿ ÿ ÿ c1 ÿ
1 - c2 ÿ
K exp(ÿrt)ÿ d ,A ,ÿ.
ÿÿ
ÿ ÿ 1 - c2 ÿ
Machine Translated by Google

100 DILIP B. MADAN ET AL.

Bentuk tertutup untuk harga opsi diperoleh dengan mengembangkan bentuk tertutup untuk
fungsi ÿ(a, b, ÿ ). Untuk ini, pertama-tama kita kembangkan ekspresi untuk turunan dari ÿ
sehubungan dengan a dan b. Mengambil turunan dan mengintegrasikan menggunakan
Gradshetyn dan Ryzhik (1970) 3.471.9 kita peroleh bahwa
ÿ ÿ1 4
2
2 exp (ÿab) A 2/2
ÿa = 2ÿr(ÿ )
1 + b2/2 Kÿ ÿ1/2 |a| 2 + b2 ÿ

di mana Ka adalah fungsi bessel termodifikasi dari orde kedua a. Dengan perhitungan
serupa kami dapatkan
ÿ
2 +1 4
2 exp (ÿab) A 2/2
ÿb = 2ÿr(ÿ )
1 + b2/2 Kÿ +1/2 |a| 2 + b2 ÿ

Untuk mengevaluasi ÿ(a, b, ÿ ) kita memilih jalur integrasi dalam ruang (a,b) di mana
argumen fungsi bessel konstan. Oleh karena itu, pertimbangkan jalur integrasi

b(t) = t ÿÿ <t<b

tanda (a)|a| ÿÿ < t < b.

2+b2 a(t) = 2+t 2

mencatat dengan konstruksi bahwa sepanjang jalur integrasi |a(t)| 2 + b(t)2 = |a| 2 + b2 =
c. Kami kemudian dapat menulis

B
'
ÿ(a, b, ÿ ) = ÿ ÿaa' (t) + ÿbb (t)dt, (A7)
0
ÿÿ

karena ketika b = ÿÿ, a = 0 dan kita tahu bahwa ÿ(0, ÿÿ,ÿ) = 0. Mengganti ekspresi yang
diperlukan dan mengevaluasi (A5) kita mendapatkan itu

ÿ
tanda(a)ct b exp ÿ 22 ÿ
2c 2 +1 4

c(S(0); K,t) = 2+t K 1 (c)

0 2ÿr(ÿ ) (2 + t2)2 ÿ+2
ÿÿ
ÿ
ÿ 2ÿ1
4 ÿ
2c tanda (a)ct
ÿ

K ÿ(c)
ÿ1 (2 dt
(2 + t2)2 2
+ t2)3/2 }

T
Pada penyederhanaan dan perubahan variabel y = kita memperoleh bahwa
2+t 2
B
2+b2
c ÿ2 +1
c(S(0); K,t) =
0 2ÿr(ÿ )2ÿ ÿ1
ÿ1

2 ÿ ÿ1
ÿ Kÿ +12 (c) exp(ÿsign(a)cy) 1 ÿ y

ÿtanda(a)K (c)
ÿ1exp(ÿtanda(a)cy) 1 ÿ y y dy
ÿ2 2 ÿ ÿ1 ÿ
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 101

Jawabannya mengikuti pada mendapatkan integral,

kamu

ÿ
H1(u, c, ÿ ) = exp(ÿcy)(1 ÿ y2 dy ÿ1 )
0ÿ1
Dan
kamu

2 ÿ
H2(u, c, ÿ ) = exp(ÿcy)(1 ÿ y ÿ1 ) ydy.
0ÿ1
Kami kemudian memiliki itu

c ÿ2+1 B
ÿ(a, b, ÿ ) = Kÿ +12 (c)H1 ,tanda(a)c, ÿ
ÿ1
2ÿr(ÿ )2ÿ ÿ 2 + b2
B
ÿ tanda (a)Kÿ ÿ1 2(c)H2 ,tanda(a)c, ÿ . 2 + (A8)
b2

Untuk mengurangi integral H1 dalam bentuk fungsi khusus matematika, kita mengubah variabel
1+y
x = untuk memperolehnya 1+u
1
ÿ1
H1(u, c, ÿ ) = exp(c)(1 + u)ÿ 2ÿ exp(ÿc(1 + u)x)
00
ÿ
1+u ÿ1 xÿ dx.
ÿ1
×1ÿ X
2

Fungsi hipergeometrik degenerasi dari dua variabel, < memiliki representasi perwakilan integral
(Humbert (1920))

r(ÿ )
<(a, ÿ, ÿ ; x, y) =
r(a)r(ÿ ÿ a)
1
aÿ1 ÿaÿ1 ÿÿ
× u (1 ÿ u)ÿ (1 ÿ ux) exp(uy)du.
00
Oleh karena itu kami dapat memperoleh H1 dalam hal <, khususnya,

ÿ1
H1(u, c, ÿ ) = exp(c)(1 + u)ÿ 2ÿ 1<
ÿ1
+u1
ÿ ÿ , 1 + ×ÿ ÿ; ,, ÿc(1 + u) . (A9)
2

Integral kedua, untuk H2 diperoleh dengan cara yang sama dan diberikan
ÿ1
oleh exp(c)(1 + u)1+ÿ 2ÿ 1 + ÿ
H2(u, c, ÿ ) = <

1+u
×(1 + ÿ , 1 ÿÿÿH1(u,
, 2 + ÿc,; ÿ, ).
ÿc(1 + u))
2
(A10)
Machine Translated by Google

102 DILIP B. MADAN ET AL.

Mensubstitusi (A9) dan (A10) ke dalam (A8) menghasilkan representasi ÿ(a, b, ÿ )

dalam bentuk fungsi bessel termodifikasi jenis kedua dan fungsi hipergeometris
degenerasi dari dua variabel sebagai

ÿ c 2 exp(tanda(a)c)(1 +
+1
u)ÿ ÿ(a, b, ÿ ) = X (A11)
2ÿr(ÿ )ÿ

1+u
K
ÿ +1 2
(c)< ÿ , 1 ÿÿtanda(a)c(1
ÿ , 1 + ÿ ; , + u)
2

cÿ +1 2 exp(tanda(a)c)(1 +
u)1+ÿ ÿtanda(a) 2ÿr(ÿ )(1 + ÿ ) X

1+u
K ÿ 2ÿ1 (c)< 1 + ÿ , 1 ÿ ÿtanda(a)c(1
ÿ , 2 + ÿ ; , + u)
2

ÿ c 2 exp(tanda(a)c)(1 +
+1
u)ÿ +tanda(a) X
2ÿr(ÿ )ÿ

1 + kamu

Kÿ ÿ12 (c)< ÿ , 1 ÿ ÿ , 1 + ÿ ; , ÿtanda(a)c(1 + u) ,

2

B
di mana c = |a| 2 + b2 dan u = .
2+b2

DERIVASI FUNGSI LIKELIHOOD UNTUK ESTIMASI NETRAL RISIKO

Fungsi log likelihood dari data wi untuk i = 1,··· M di bawah model yang diberikan oleh
Persamaan (29) adalah
M 2
ln(wi) ÿ ln(wwi) 1 + 2
1 ln L = ÿ 2
ÿ
saya=1
1
M
M ln(2ÿ )
ÿ

ÿ M ln 1 ÿ ln(wi).
ÿ
2
saya=1

Parsial sehubungan dengan 1 memberikan penyederhanaan persamaan

M
1 2 14
2k= 2+ , (A12)
ÿ (ln(wi) ÿ ln(wwi)) = 1
M 4
saya=1

dan persamaan ini dapat diselesaikan untuk mendapatkan 1

1 = 2( 1 + k2 ÿ 1). (A13)
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 103

Untuk tujuan perbandingan atau estimasi model, istilah yang tidak melibatkan
parameter dapat dihapus dan ini akan menghasilkan ekspresi kemungkinan log dua kali lipat.

M 2
ln(wi) ÿ ln(wwi)
2 ln L = ÿ 1+2 ÿ M dalam 12
ÿ
saya=1
1

Melengkapi kuadrat, membaginya dengan M dan menyederhanakannya, kita mendapatkan hasilnya

M 2
2 di L 1 ln(wi) ÿ ln(wwi)
=ÿ ÿ

MM ÿ
saya=1
1
M
1
2
12 ÿln(ln(wi)
1 4 ÿ ln(wwi)) ÿ ÿ (A14)
M
saya=1

Mengganti jumlah kuadrat selisih log dari (A12) dan menggunakan definisi ÿ
sebagai rata-rata relatif harga log yang diperoleh dengan mengabaikan konstanta
yang

2 di L 12
= ÿ dalam 12 ÿ (ÿ + ). 2 (A15)
M

Mengganti dari (A13) menjadi (A15) menghasilkan ekspresi yang digunakan untuk
perbandingan uji rasio kemungkinan

2 ln L = ÿM ln 2( 1 + k2 ÿ 1) + (ÿ + 1 + k2 ÿ 1) . (A16)
ÿ

Untuk estimasi kami mengamati bahwa untuk M besar nilai batas ÿ adalah dengan
hipotesis 12/2 dan karenanya (A15) menunjukkan bahwa estimasi kemungkinan maksimum
asimptotik setara dengan meminimalkan 1 atau dengan (A13), k.

Terima kasih
Dilip Madan ingin mengucapkan terima kasih atas dukungan finansial dari Isaac
Newton Institute, Cambridge, Inggris, selama kunjungannya ke lokakarya
matematika keuangan ketika sebagian dari pekerjaan makalah ini diselesaikan.
Dia juga ingin berterima kasih kepada Universitas Sains dan Teknologi Hong
Kong dan Penghargaan Rekan Penelitian Musim Panas Bank Signet Bank
Universitas Maryland atas dukungan finansial untuk proyek ini. Eric Chang
mengakui dukungan dari Dewan Hibah Riset Pemerintah Hong Kong, Nomor
Hibah, HKUST 159/93H. Kami ingin berterima kasih kepada Gurdip Bakshi,
Helyette Geman, Christian Gourieroux, Robert Jarrow, Pegaret Pichler, Alex
Triantis, Marc Yor dan peserta seminar pada September 1995 Risk Conference
on Advanced Mathematics for Derivatives di New York, Columbia University
Workshop in Mathematical Finance , Courant Institute di New York University, Johnson Graduate School di Corn
Machine Translated by Google

104 DILIP B. MADAN ET AL.

Lokakarya Keuangan Matematika di Université de Montreal, lokakarya Keuangan

Matematika di Universitas Aarhus, peserta seminar di ESSEC, pertemuan Asosiasi
Keuangan Prancis di Jenewa, Fields Institute di Toronto, Universitas Chicago, dan
Universitas Purdue.

Referensi
Ané, Thiery dan Helyette Geman (1995) Perubahan waktu stokastik, proses dan aset tersubordinasi
dinamika harga, kertas kerja, ESSEC, Prancis.
Bakshi, Gurdip, Charles Cao, dan Zhiwu Chen (1997) Kinerja Empiris Pilihan Alternatif
model penetapan harga, Jurnal Keuangan 52, 2003–2049.
Bates, David S. (1991) Runtuhnya '87: Apakah sudah diperkirakan? Bukti dari pasar opsi,
Jurnal Keuangan 46, 1009–1044.
Bates, David S. (1995) Post-crash moneyness biass in S&P 500 futures options, Rodney, kertas kerja L. White
Center, Wharton School, University of Pennsylvania, Philadelphia, PA.
Bates, David S. (1996) Lompatan dan volatilitas stokastik: Proses nilai tukar tersirat dalam opsi deutschemark,
Tinjauan Studi Keuangan 9, 69–108.
Black, Fisher dan Myron S. Scholes (1973) Penetapan harga opsi dan kewajiban perusahaan, Jurnal
Ekonomi Politik 81, 637–654.
Bossaerts, Peter, Eric Ghysels, dan Christian Gourieroux (1996) Penetapan harga berbasis arbitrase ketika
volatilitas bersifat stokastik, Kertas Kerja Ilmu Sosial, Institut Teknologi California, Pasadena, CA.

Clark, P. (1973) Model proses stokastik tersubordinasi dengan varian terbatas untuk harga spekulatif, Ekonometrika
41, 135–156.
Cox, John C. and Stephen A. Ross (1976) Penilaian opsi untuk stokastik alternatif
proses, Jurnal Ekonomi Keuangan 3, 145–166.
Elliott, RJ, CH Lahaie dan DB Madan (1997) Menyaring valuasi sekuritas derivatif dari harga pasar, Prosiding
Lokakarya Isaac Newton dalam Matematika Keuangan, Canbridge University Press, akan datang.

Geman, H. dan T. Ané (1996) subordinasi Stokastik, Risiko, September.

Gourieroux, C., G. Le Fol dan B. Meyer (1996) 'Analisis antrian pesanan, Kertas Kerja, CREST,
Paris, Prancis.
Gradshetyn, IS dan IM Ryzhik (1980) Tabel Integral, Seri, dan Produk, Pers Akademik,
New York.
Heston, S. (1993a) Solusi bentuk tertutup untuk opsi dengan volatilitas stokastik dengan aplikasi obligasi dan opsi
mata uang, Tinjauan Studi Keuangan 6, 327–343.
Heston, S. (1993b) Parameter tak terlihat dalam harga opsi, Jurnal Keuangan 48, 933–947.
Heston, S. (1993c) Kurva hasil dan volatilitas, Kertas Kerja, Universitas Washington, St. Louis,
MO.
Hull, John dan Alan White, (1987) Penetapan harga opsi aset dengan volatilitas stokastik, Jurnal
Keuangan 42, 281–300.
Humbert, Pierre (1920) Fungsi hipergeometrik konfluen dari dua variabel, Prosiding Royal Society of Edinburgh,
hlm. 73–85.
Jackwerth, JC dan M. Rubinstein (1996) Memulihkan distribusi probabilitas dari harga opsi,
Jurnal Keuangan 1611–1631.
Jacquier, E. dan RA Jarrow (1995) Evaluasi dinamis model klaim kontinjensi: Analisis kesalahan model, Kertas
Kerja, Johnson Graduate School of Management, Cornell University, Ithaca, NY.

Jones, EP (1984) Opsi arbitrase dan strategi dengan perubahan harga yang besar, Journal of Financial
Ekonomi, 13, 91–113.
Machine Translated by Google

VARIANSI GAMMA PROSES DAN HARGA OPSI 105

Madan, Dilip B. dan Frank Milne (1991) Penetapan harga opsi dengan komponen VG martingale,
Mathematical Finance 1(4), 39–55.
Madan, Dilip B. dan Eugene Seneta (1990) Model variance gamma (VG) untuk return pasar saham, Journal
of Business 63(4), 511–524.
Melino, Angelo dan Stuart Turnbull (1990) Penetapan harga opsi mata uang asing dengan stochastic
volatilitas, Jurnal Ekonometrika 45, 239–265.
Merton, Robert C. (1976) Penetapan harga opsi ketika return saham yang mendasari terputus-putus, Jurnal
Ekonomi Keuangan 3, 125–144.
Naik, V. dan M. Lee (1990) Penetapan harga ekuilibrium umum opsi pada portofolio pasar dengan
pengembalian terputus-putus, Review of Financial Studies 3, 493–522.
Praetz, PD (1972) Distribusi perubahan harga saham, Jurnal Bisnis 45, 49–55.
Rubinstein, M. (1985) Tes non-parametrik model penetapan harga opsi alternatif menggunakan semua
perdagangan yang dilaporkan dan kutipan pada 30 kelas opsi CBOE paling aktif dari 23 Agustus 1976
hingga 31 Agustus 1978, Jurnal Keuangan 40 , 455–480 .
Rubinstein, M. (1994) Pohon binomial tersirat, Jurnal Keuangan 49, 771–818.
Revuz, Daniel dan Marc Yor (1991) Martingales Berkelanjutan dan Gerak Brown, Springer-Verlag,
Berlin.
Scott, Louis (1987) Penetapan harga opsi ketika varians berubah secara acak: Teori, estimasi dan an
aplikasi, Jurnal Analisis Keuangan dan Kuantitatif 22, 419–438.
Stutzer, M. (1996) Pendekatan nonparametrik sederhana untuk penilaian keamanan derivatif, Journal of
Keuangan 51, 1633–1652.
Wiggins, James B. (1987) Nilai opsi di bawah volatilitas stokastik: Teori dan perkiraan empiris, Jurnal
Ekonomi Keuangan 19, 351–377.
Machine Translated by Google