Bayesian Option Pricing Using Mixed Normal Heteroskedasticity Models

Abstract

Les modèles à volatilité stochastique apportent des améliorations en ce qui a trait à l'erreur d'établissement des prix des options comparativement au modèle de Black-Scholes-Merton. Toutefois, la fixation incorrecte des prix persiste. Le présent document a recours à des modèles mixtes avec hétéroscédasticité normale pour fixer les prix des options. Notre modèle permet de tenir compte de l'asymétrie négative importante et des moments d'ordre élevé variant dans le temps liés à la distribution du risque nul. Nous expliquons l'inférence des paramètres selon l'échantillonnage de Gibbs et détaillons la façon de traiter les densités prédictives de risque neutre en prenant en considération l'incertitude des paramètres. Dans le cas des prévisions concernant les options hors-échantillonnage sur l'indice S&P 500, nous constatons des améliorations importantes, par rapport à un modèle de référence, en termes de pertes exprimées en dollars et de capacité d'expliquer l'ironie des volatilités implicites.

While stochastic volatility models improve on the option pricing error when compared to the Black-Scholes-Merton model, mispricings remain. This paper uses mixed normal heteroskedasticity models to price options. Our model allows for significant negative skewness and time varying higher order moments of the risk neutral distribution. Parameter inference using Gibbs sampling is explained and we detail how to compute risk neutral predictive densities taking into account parameter uncertainty. When forecasting out-of-sample options on the S&P 500 index, substantial improvements are found compared to a benchmark model in terms of dollar losses and the ability to explain the smirk in implied volatilities.