|戴国晨专栏 | 塔勒布量化开篇之作《肥尾分布的统计效应》(下)( 五 )


为了定量求解获胜概率 , 我们需要对期权定价做一些改进 , 因为期权标的资产收益率为无界变量 , 而这里大选投票为有界量 , 因此我们加入代表投票票数的随机变量Y , 将满足布朗随机游走的无界变量X映射到Y上 , 并使得Y为鞅过程 。 在非线性变换下 , 此时的X不满足鞅过程 。
可能有人会问为什么不通过直接假设变量Y为有界Beta分布的形式来求解 。 原因在于数学上目前无法通过有界分布逆推随机过程 。 采用影子随机变量巧妙的解决了这一点 , 方便以期权定价求解获胜概率 , 并可以延展到不同的时刻观察获胜概率变化 。
由此构建下图所示的结构 , 其中B为二元选举结果 , Y为投票数 , X为定义在R上的影子变量(方便计算用)
|戴国晨专栏 | 塔勒布量化开篇之作《肥尾分布的统计效应》(下)
本文插图

|戴国晨专栏 | 塔勒布量化开篇之作《肥尾分布的统计效应》(下)
本文插图

|戴国晨专栏 | 塔勒布量化开篇之作《肥尾分布的统计效应》(下)
本文插图

|戴国晨专栏 | 塔勒布量化开篇之作《肥尾分布的统计效应》(下)
本文插图
有了这样的工具 , 我们可以通过不同时刻观测到的支持率推出真正的大选获胜概率(考虑获胜概率波动后) , 其无套利条件下的真实值会相对接近0.5 , 远远小于我们所看到的支持率波动 。 不过这里有一个很重要的假设是波动率保持不变 , 实际上随着大选的进行 , 有关候选人的信息逐渐披露 , 支持率的波动也将减小 , 真实世界的合理定价介于两者之间 。
|戴国晨专栏 | 塔勒布量化开篇之作《肥尾分布的统计效应》(下)
本文插图
第八部分 有界肥尾分布
【|戴国晨专栏 | 塔勒布量化开篇之作《肥尾分布的统计效应》(下)】 有界帕累托分布
|戴国晨专栏 | 塔勒布量化开篇之作《肥尾分布的统计效应》(下)
本文插图
操作风险:公司操作风险的损失上界为全部市值 , 通过破产的方式截断
再保险保单:再保险的保单存在很大的保额上限
战争伤亡:上界为全球总人口数
信用风险:一笔贷款的损失上界为全部资本金
城市规模:城市人口的分布极度肥尾 , 上界也为全球(国家)总人口数
环境破坏:破坏的面积上界为地球总面积
公司盈利规模:一个公司的盈利上界为全球(国家)GDP
|戴国晨专栏 | 塔勒布量化开篇之作《肥尾分布的统计效应》(下)
本文插图

|戴国晨专栏 | 塔勒布量化开篇之作《肥尾分布的统计效应》(下)
本文插图
在面对这样的情况时 , 为了拟合并求解分布均值 , 目前有两种方法:
1)假设帕累托分布的尾部于H处截断 , 将超出部分的概率重新按比例加回到[L,H]区域