Historisk simulering av förluster för optionsportfölj

Antag att en investerare har placerat en enhet av sitt kapital i en europeisk köpoption på S&P 500-indexet. Funktionen lossop() beräknar den förlust eller vinst som investeraren gör under en tidshorisont på en dag, till följd av förändringar i logavkastningen för aktiekursen eller i loggad volatilitet. Precis som tidigare har den här funktionen skrivits specifikt för den aktuella portföljen i övningen:

lossop(xseries, S, sigma)

Det första argumentet innehåller logavkastningarna för aktiekurs- och volatilitetsriskfaktorerna, antingen som en serie eller i formen c(stock_risk, volatility_risk), S är den aktuella aktiekursen och sigma är den aktuella volatiliteten.

Förändringar i räntan under tidshorisonten bortses från som mindre betydelsefulla.

I den här övningen skapar du historiskt simulerade förluster för optionsportföljen och undersöker deras egenskaper innan du beräknar VaR och ES i nästa övning. Räntan, lösenpriset och löptiden har satts till r = 0.01, K = 100 respektive T = 1. Objektet returns finns också i din arbetsmiljö.

Den här övningen är en del av kursen

Kvantitativ riskhantering i R

Visa kurs

Övningsinstruktioner

Använd lossop() för att beräkna förlusten vid en logavkastning på -0,1 för båda riskfaktorerna, under antagandet att den aktuella aktiekursen är 80 och volatiliteten är 0,2.
Använd lossop() för att beräkna förlusten vid en logavkastning på -0,1 för aktien och 0,1 för volatiliteten, under antagandet att den aktuella aktiekursen är 100 och volatiliteten är 0,2.
Skapa objektet hslosses genom att applicera lossop() på returns med S = 100 och sigma = 0.2, och rita sedan ett diagram över hslosses.
Skapa ett Q-Q-diagram för hslosses mot normalfördelningen.
Rita stickprovsautokorrelationsfunktionen (acf) för hslosses och för motsvarande absolutvärden.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Calculate the first loss
lossop(c(___,___), S = ___, sigma = ___)

# Calculate the second loss


# Create and plot hslosses



# Form a Q-Q plot of hslosses against normal


# Plot the sample acf of raw data and absolute values in hslosses

Redigera och kör kod