Pricing Portfolio Credit Derivatives by Means of Evolutionary Algorithms

با توسعه اخیر مشتقات اعتباری غیراستاندارد، توسعه مدل‌های قیمت‌گذاری برای این محصولات غیر نقدشونده که با مدل‌های قیمت‌گذاری و قیمت‌های بازار ابزارهای نقدی مرتبط سازگار باشد، اهمیت فزاینده‌ای پیدا کرده است.

Svenja Hager با هدف قیمت گذاری مشتقات اعتباری پرتفوی غیر نقدشونده غیراستاندارد که مربوط به اقساط استاندارد CDO با همان پرتفوی زیربنایی متعهدین است، است. به جای فرض یک ساختار وابستگی همگن بین زمان‌های پیش‌فرض متعهدین مختلف، همانطور که در مدل استاندارد بازار فرض می‌شود، نویسنده بر استفاده از ساختارهای همبستگی ناهمگن تمرکز می‌کند. هدف این است که یک ماتریس همبستگی به اندازه کافی منعطف پیدا کنیم به طوری که تمام توزیع‌های ترانشه یک ساختار CDO می‌تواند به طور همزمان بازتولید شود. این امکان قیمت گذاری ثابت را فراهم می کند. سپس می توان از مدل کالیبره شده برای تعیین قیمت قراردادهای غیر استاندارد استفاده کرد. از آنجایی که هیچ تکنیک بهینه‌سازی استانداردی برای استخراج ساختار همبستگی از قیمت‌های بازار وجود ندارد، از الگوریتم‌های تکاملی استفاده می‌شود.

With the recent development of non-standard credit derivatives, it has become increasingly important to develop pricing models for these illiquid products which are consistent with the pricing models and the market quotes of related liquid instruments.

Svenja Hager aims at pricing non-standard illiquid portfolio credit derivatives which are related to standard CDO tranches with the same underlying portfolio of obligors. Instead of assuming a homogeneous dependence structure between the default times of different obligors, as it is assumed in the standard market model, the author focuses on the use of heterogeneous correlation structures. The intention is to find a correlation matrix sufficiently flexible so that all tranche spreads of a CDO structure can be reproduced simultaneously. This allows for consistent pricing. The calibrated model can then be used to determine the price of non-standard contracts. As there is no standard optimization technique to derive the correlation structure from market prices, Evolutionary Algorithms are applied.