楊剛 楊徐

摘 要 引入馬爾科夫狀態(tài)轉移（MRS）模型擬合長沙市每日平均氣溫變化，利用最大期望算法估計馬爾科夫狀態(tài)轉移模型參數(shù)，通過誤差分析得到了最佳MRS模型.基于最佳的MRS模型，采用無套利定價原理定價氣溫衍生品，并利用蒙特卡羅方法得到了取暖指數(shù)（HDD）歐式看漲期權的數(shù)值解.實證結果表明，五狀態(tài)的MRS模型對長沙市每日平均氣溫變化的擬合效果明顯優(yōu)于其他的MRS模型，它使得氣溫衍生品定價結果相比以前的方法更為精確.

關鍵詞 數(shù)量經(jīng)濟學;最優(yōu)氣溫模型;EM算法;無套利定價原理;天氣衍生品;MRS模型

中圖分類號 F840.67 ? ? ? ? ? 文獻標識碼 A

Abstract The Markov regime-switching model is introduced to fit the variation of Changsha daily average temperature. The parameters of Markov regime-switching （MRS） models are estimated by Expectation-Maximization algorithm. The optimal MRS model is derived by error analysis. On the basis of the optimal MRS model， no-arbitrage pricing principle is applied to pricing the temperature derivatives. Numerical solution to the HDD European call option is determined by Monte Carlo method. As the empirical result is shown， the fitting effect of five-state-MRS model for the variation of Changsha daily average temperature is superior to other MRS models. Hence， the pricing result of temperature derivatives is more accurate than ever.

Key words quantitative economics; optimal temperature model; EM algorithm; no-arbitrage pricing principle; weather derivatives; MRS model

1 引 言

自1997年12月84個國家在日本京都簽訂《京都協(xié)議書》以來，人們日益認識到氣候變化對生產(chǎn)生活的嚴重影響，并且把該年定為天氣衍生品交易元年.2014年8月，國務院發(fā)布了《關于加快發(fā)展現(xiàn)代保險服務業(yè)的若干意見》，指出要“探索天氣指數(shù)等新興產(chǎn)品和服務”.天氣風險通常分為巨災天氣風險和非巨災天氣風險.對于巨災風險，許多學者已進行了深入研究.楊剛等（2008）[1]通過Esscher變換對巨災超額損失再保險進行定價，沈明軒和何朝林（2012）[2]假定巨災指數(shù)服從分數(shù)跳擴散情形，利用保險精算方法定價巨災期權.天氣衍生品是一種基于天氣指數(shù)的未定權益，它通常用于管理因不利天氣變化造成的經(jīng)濟損失，常見標的包括溫度、降雨量、降雪量和霜凍天數(shù)等天氣指標.

由于天氣衍生品的標的不可交易，天氣衍生品市場屬于不完全市場，因此不能應用經(jīng)典的Black-Scholes期權定價方法對天氣衍生品進行定價.現(xiàn)有的天氣衍生品定價方法種類多樣，主要包含精算定價方法、無套利定價方法、效用無差異定價方法和均衡定價方法（Lee和Oren，（2010）[3]）.傳統(tǒng)的精算定價方法通?；诰愕葍r原則，往往采用真實概率測度得到貼現(xiàn)價格，由于天氣衍生品市場存在顯著的風險市場價格，故容易導致較大的定價誤差.效用無差異定價方法和均衡定價方法通常以效用函數(shù)為基礎，由于對個人效用函數(shù)的選取較為主觀，所以容易產(chǎn)生較大的定價誤差.選取風險中性定價方法確定氣溫衍生品的無套利價格比較合理，它是一種靈活而又便于實施的金融衍生品定價方法.

在無套利定價方法中，Alaton等（2002）[4]首次引入布朗運動驅動的O-U過程對氣溫衍生品進行無套利定價.王明亮等（2015）[5]利用布朗運動驅動的O-U過程擬合北京市每日平均氣溫變化，通過蒙特卡洛方法定價氣溫衍生品.王晶（2016）[6]利用布朗運動驅動的O-U過程擬合北京市每日平均氣溫變化，通過有限差分方法得到氣溫期權的數(shù)值結果.胡亞茹（2019）[7]采用布朗運動驅動的O-U過程擬合哈爾濱、北京等五個城市的每日平均氣溫變化，通過蒙特卡洛模擬得到氣溫期權價格.Alaton等（2002）[4]采用常數(shù)方差刻畫氣溫的波動，Benth等（2007）[8]采用截斷的傅里葉級數(shù)描述方差變化的時變結果，Li（2018）[9]對布朗運動驅動的O-U模型進行改進，采用偏微分方程（PDE）定價天氣衍生品.Benth等（2005）[10]發(fā)現(xiàn)氣溫殘差并不完全符合正態(tài)分布的假定，這使得氣溫衍生品在定價過程中存在較大的誤差，所以他們采用lvy過程驅動的O-U過程來擬合氣溫過程的變化軌跡.Elias等（2014）[11]首次將兩狀態(tài)馬爾科夫狀態(tài)轉移模型（Markov regime-switching， MRS）模型應用于氣溫衍生品定價.隨后，Evarest等（2017）[12]對兩狀態(tài)MRS模型進行拓展，提出時變波動率MRS模型.Gyamerah等（2018）[13]在Evarest等（2017）[12]的工作上對MRS模型進一步修正，得到lvy過程驅動的兩狀態(tài)MRS模型.Xiong和Mamon（2018）[14]采用受隱馬爾可夫鏈調制的O-U過程對天氣衍生品進行定價.MRS模型在一定程度上提升了天氣衍生品定價的精確性，同時也增加了計算的復雜性.通過對不同氣溫模型對比分析，最終采用MRS模型對氣溫衍生品進行無套利定價.

受Evarest等（2017）[12]和Gyamerah等（2018）[13]提出的兩狀態(tài)MRS模型啟發(fā)，進行了兩方面的拓展，一是將時變波動率均值回復MRS模型中基本狀態(tài)的時變波動率拓展到帶有常數(shù)指數(shù)時變波動率的MRS模型;二是將兩狀態(tài)的MRS模型拓展到五狀態(tài)的MRS模型.同時，基于最優(yōu)的MRS模型對取暖指數(shù)（heating degree days，HDD）期權進行無套利定價，并通過蒙特卡羅方法得到了HDD期權價格的數(shù)值解.

2 每日平均氣溫分解和馬爾科夫狀態(tài)轉移模型

通過分解得到每日平均氣溫的殘差，并用MRS模型擬合每日平均氣溫殘差的變化.

3 氣溫模型數(shù)值分析

首先描述數(shù)據(jù)來源和數(shù)據(jù)特征，然后對方程（2）的參數(shù)使用非線性最小二乘法估計.最大期望算法（Expectation-Maximization algorithm，EM）以極大似然估計方法為基礎，較為簡便也便于操作，算法收斂的穩(wěn)定性強，采用EM算法對MRS模型的參數(shù)進行估計應該是可行的.基于所有的MRS模型，擬合氣溫數(shù)據(jù)并使用誤差分析，挑選最優(yōu)的MRS模型以便于下一節(jié)對氣溫衍生品進行定價.

3.1 數(shù)據(jù)來源與數(shù)據(jù)特征描述

氣溫數(shù)據(jù)來源于美國海洋和大氣管理局（NOAA）美國海洋和大氣管理局官網(wǎng)（https：//www.ncdc.noaa.gov/data-access/quick-links#dsi-3505）.

將氣溫衍生品應用于農業(yè)天氣風險管理之前，需要對氣溫衍生品進行定價.由于氣溫衍生品用于管理農業(yè)天氣風險可能存在地理基差風險，而減少基差風險的簡便方式是選取覆蓋地點較近的氣溫衍生品合約.因此選取長沙站點作為湖南省具有代表性的氣象站點，時間區(qū)間為2016年1月1日到2019年12月31日，樣本數(shù)量為1461個.在此研究的氣溫衍生品是以長沙市每日平均氣溫數(shù)據(jù)為標的的氣溫衍生品.需要注意的是，基于長沙市每日平均氣溫指數(shù)的氣溫衍生品的價格數(shù)值并不一定與采用其他地區(qū)的氣溫數(shù)據(jù)得到的價格數(shù)值一致，原因是不同地區(qū)的氣溫數(shù)據(jù)存在差異，但仍然可以采用與此相同的模型、方法和步驟得到其他地區(qū)的氣溫衍生品的價格.由于樣本量較大，可能存在缺失數(shù)據(jù)的情形.對缺失數(shù)據(jù)的處理，詳見Alexandridi和Zapranis（2012）[16].表1中描述性統(tǒng)計呈現(xiàn)長沙每日平均氣溫特征，表明樣本數(shù)據(jù)不服從正態(tài)分布，并且波動性較大.

3.2 確定性函數(shù)的參數(shù)估計

采用非線性最小二乘法得到方程（2）的最佳參數(shù)擬合值見表2.R2為84.79%，表明除e3以外確定性成分平均解釋了84.79%的氣溫變化e3的P值很大而參數(shù)值很小，所以將其剔除..在圖1中，擬合的確定性成分總體上與真實數(shù)據(jù)相吻合.在圖2中，氣溫殘差有較為顯著的均值回復特征，殘差序列的波動性呈現(xiàn)強烈的“跳躍”性，表明適合引入MRS模型擬合氣溫殘差.

5 結 論

通過將Evarest等（2017）[12]和Gyamerah等（2018）[13]MRS模型的時變波動率拓展到帶常數(shù)指數(shù)的時變波動率MRS模型，將兩狀態(tài)的MRS模型拓展到五狀態(tài)的MRS模型，發(fā)現(xiàn)MRS7模型對長沙市每日平均氣溫殘差的擬合效果相對較好.五狀態(tài)MRS模型優(yōu)于其他的MRS模型.在氣溫期權定價的數(shù)值結果中，存在氣溫風險市場價格和不存在氣溫風險市場價格兩種情形下得到的期權價格相差較大，在氣溫期權定價時，需要考慮風險市場價格，這與Xiong和Mamon（2018）[14]的研究結果一致.

在高狀態(tài)MRS模型的拓展中，并未使用lvy過程作為“跳躍”狀態(tài)構建MRS模型，這可能使得某些極端異常氣溫難以被模型擬合，未來可以構建常數(shù)指數(shù)時變波動率均值回復過程為基本狀態(tài)、lvy過程為“跳躍”狀態(tài)的MRS模型.

參考文獻

[1] 楊剛，劉再明，歐陽資生，等.隱含風險中性分布在巨災超額損失再保險定價中的應用[J].經(jīng)濟數(shù)學，2008，25（4）：331-337.

[2] 沈明軒，何朝林.分數(shù)跳擴散環(huán)境下的巨災期權定價[J].經(jīng)濟數(shù)學，2012，29（3）：78-81.

[3] LEE Y， OREN S S. A multi-period equilibrium pricing model of weather derivatives[J]，Energy Systems，2010，1（1）：3-30.

[4] ALATON P， DJEHICHE B， STILLBERGER D. On modelling and pricing weather derivatives[J].Applied Mathematical Finance， 2002， 9（1）：1-20.

[5] 王明亮，何建敏，陳百碩，等.時變O-U模型在氣溫預測及氣溫期貨定價中的適應性研究——基于北京市1951-2012年的日平均氣溫數(shù)據(jù)[J].中國管理科學，2015，23（2）：44-49.

[6] 王晶.天氣衍生品定價模型的構建[J].統(tǒng)計與決策，2016，32（15）：152-155.

[7] 胡亞茹.基于O-U模型的氣溫衍生品定價研究[J].武漢金融，2019，36（4）：31-35，71.

[8] BENTH F E， ALTYT-BENTH J. The volatility of temperature and pricing of weather derivatives[J].Quantitative Finance， 2007， 7（5）：553-561.

[9] LI P. Pricing weather derivatives with partial differential equations of the Ornstein-Uhlenbeck process[J]. Computers & Mathematics with Applications， 2018， 75（3）： 1044-1059.

[10]BENTH F E，ALTYT-BENTH J. Stochastic modelling of temperature variations with a view towards weather derivatives[J].Applied Mathematical Finance， 2005， 12（1）：53-85.

[11]ELIAS R S， WAHAB M I M， FANG L. A comparison of regime-switching temperature modeling approaches for applications in weather derivatives[J]. European Journal of Operational Research， 2014， 232（3）： 549-560.

[12]EVAREST E， BERNTSSON F， SINGULL M， et al. Regime switching models on temperature dynamics[J].International Journal of Applied Mathematics and Statistics， 2017， 56（2）：19-36.

[13]GYAMERAH S A， NGARE P， IKPE D. Regime-switching temperature dynamics model for weather derivatives[J].International Journal of Stochastic Analysis， 2018，32（1）：1-15.

[14]XIONG H， MAMON R. Putting a price tag on temperature[J]. Computational Management Science， 2018， 15（2）： 259-296.

[15]XIONG H， MAMON R. A self-updating model driven by a higher-order hidden Markov chain for temperature dynamics[J]. Journal of Computational Science， 2016， 17（1）： 47-61.

[16]ALEXANDRIDIS A K， ZAPRANIS A D. Weather derivatives： modeling and pricing weather-related risk[M].New York：Springer Science & Business Media，2012.

[17]HAMILTON J D. Analysis of time series subject to changes in regime[J]. Journal of Econometrics， 1990， 45（1/2）： 39-70.

[18]XIONG H， MAMON R. A higher-order Markov chain-modulated model for electricity spot-price dynamics[J].Applied Energy， 2019， 233（1）： 495-515.