Longstaff-Schwartz Yöntemi
Longstaff-Schwartz Least-Squares Monte Carlo · Ayrıca şöyle bilinir: LSM, Least-Squares MC, Optimal Stopping
Longstaff-Schwartz yöntemi (2001), en-küçük-kareler regresyonu yoluyla optimal kullanım sınırını yaklaştırarak Amerikan opsiyonları ve Bermudan takas opsiyonlarının fiyatlandırılması için bir Monte Carlo algoritmasıdır. Analitik çözümlerin bulunmadığı yol-bağımlı türevlerin fiyatlandırılmasında endüstri standardı haline gelmiştir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Diğer yöntemlerin (ağaç, KDP) uygulanamaz veya yavaş olduğu durumlarda Amerikan ve Bermudan opsiyonlarını fiyatlandırmak için Longstaff-Schwartz kullanın. Uzun vadeli Bermudan takas opsiyonları, faiz oranı egzotikleri ve çok boyutlu türevler için esastır. Yakınsama yavaştır (1/sqrt(N)); hız için varyans azaltmayı kullanın.
Güçlü yönler & sınırlılıklar
- Esnek: her yol-bağımlı ödeme ve herhangi bir sayıda boyuta uygulanabilir
- Pratik: uygulaması kolay; geriye dönük regresyon yaklaşımı sezgiseldir
- Yakınsak: yol sayısı arttıkça gerçek değere yakınsadığı kanıtlanmıştır
- Geniş çapta benimsenmiş: Bermudan takas opsiyonları ve karmaşık egzotikler için endüstri standardı
- Hesaplama maliyeti: çok sayıda yol (100K+) ve her zaman adımında regresyon gerektirir
- Düşük yakınsama oranı: 1/sqrt(N), yüksek hassasiyet için büyük N gerektiğini gösterir
- Yanlılık: temel fonksiyonlar uymuyorsa devam değerini hafife alabilir; yüksek dereceli temel kullanın
- Yüksek boyutluluk laneti: boyut azaltma olmadan 5+ boyutta regresyon kararsız hale gelir
SSS
Temel fonksiyonları nasıl seçmeliyim?
Ortogonal polinomlarla (Hermite, Laguerre) veya basit kuvvetlerle (1, S, S^2, ...) başlayın. Düşük boyutlu problemler için 2-4 terim, orta boyutlu problemler için 5-7 terim kullanın. Temel yakınsamasını test edin: daha fazla terim eklemek fiyatı önemli ölçüde değiştiriyorsa, temel çok küçüktür. Spot log-normal ise Chebyshev veya Laguerre kullanın (daha verimli).
Kaç yola ihtiyacım var?
1% hassasiyet için 10K yolla başlayın. LSM yakınsaması ~1/sqrt(N) olduğundan, 100K yol ~0.3% hassasiyet sağlar. 0.1% hassasiyet için 1M yola ihtiyaç vardır. Yolu 2-3 kat azaltmak için düşük uyumsuzluklu diziler (Sobol) kullanın.
Neden geriye dönük regresyon?
Amerikan opsiyonları doğal olarak geriye dönük çözülür: vadedeki getiri bilinir. Her önceki tarihte, devam değerini tahmin etmek için gelecekteki getirileri kullanırsınız. İleriye dönük simülasyon, her durumda opsiyon değerini önceden çözmeyi gerektirir ki bu da standart KDP veya ağaç yaklaşımıdır (yüksek boyutlarda yavaştır).
LSM'yi tüm egzotikler için kullanabilir miyim?
LSM, ileriye dönük olarak simüle edilebilen herhangi bir ödeme için çalışır. Sınırlamalar: (1) boyut azaltma olmadan çok yüksek boyutlarda (5+) yavaş, (2) çok uzun vadeli ürünler (çok sayıda zaman adımı) için yavaş, (3) birden çok kullanım tarihi veya yol-bağımlı özellikler etkileştiğinde hassastır.
Kaynaklar
- Longstaff, F. A., & Schwartz, E. S. (2001). Valuing American options by simulation: A simple least-squares approach. Review of Financial Studies, 14(1), 113-147. DOI: 10.1093/rfs/14.1.113 ↗
- Clements, D. J., & Minca, A. (2008). A simulation approach to estimating near-optimal valuation functions for Bermudan options. Journal of Computational Finance, 12(2), 73-96. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Longstaff-Schwartz Least-Squares Monte Carlo. ScholarGate. https://scholargate.app/tr/quantitative-finance/longstaff-schwartz-method
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bates ModeliNicel finans↔ karşılaştır
- Yerel Volatilite (Dupire)Nicel finans↔ karşılaştır
- Riskten Bağımsız DeğerlemeNicel finans↔ karşılaştır
- SABR ModeliNicel finans↔ karşılaştır