Page 277 - 次貸風暴下的省思-解開CDS及CDO密碼
P. 277

∞
                                P  (  k  )  =  P  (  k  |  M  )  f  (  M  )  dM
                                 t         t
                                        ∫
                                        −  ∞
                                   ∞
                                       2    2
                                     −  M  M
                                =   e   [  e  P  (  k  |  M  )  f  (  M  )]  dM
                                              t
                                   ∫
                                  −  ∞
                                   10
                                                2
                                               M
                                                i
                                ≈    w  (  M  )  ×   e  P  (  k  |  M  )  f  (  M  )
                                  ∑       i       t      i      i
                                   i  = 1
                 其中,    i  為數值   積  分所需之     M  點  數量,   M  為  給  定的  M  值,  w (  M  )  為  M  對應
                                                           i                     i     i
            的加權乘數。當           M  與  w (  M  )  已  知  時,就可以利用上     述  多項  式  來  近似  M  值的   積
                                i       i
            分。至此已       完  成機率   勺斗   法下的損失分       配函   數的   建  構。
            四、鞍點近似法
            (一)鞍點近似法概述

                                                                                 tY
                                                                           數
                                                    配函
                                                                      母函
                                                        數時,若動差
                                    機變數加總之分
                                                                              E [e  ]  ( M  .G .F .)
                               立
                             獨
                 在計算多個
                                 隨
            為已   知  時,可以利用       反拉   普  拉斯轉   換(  Inverse Laplace Transform  )之  技巧  來求得
            分  配函  數。假設有       N  個  獨  立變數  Y  ,  Y  ,...,  Y  ,其對應之動差  母函  數  都存  在,分    別
                                               1  2   N
               M  (t  ),  M  (t  ),...,  M  (t  )  。
            為
                 1      2        N
                                     N                            N
                                Y  =  Y  之動差   母函   數為   M  ( t  )  =  M  ( t  )
                                    ∑   i                  Y     ∏    i
                                    i = 1                        i = 1
            利用   反拉   普  拉斯轉   換,可    藉  由動差   母函  數推得     Y  之分  配函  數為
                                             ∫          Y
                                          1    c  +  i ∞  log[  M  ( t  )]  −ty
                                       =
                                f  ( y  )          e           dt
                                 Y
                                                −  ∞
                                         2 πi  c  i
                                             ∫       Y
                                          1    c  + i ∞  K  ( t  )  −ty
                                      =
                                                   e       dt
                                        2 πi  c  − i ∞
                 但反拉    普  拉斯轉   換  很  不易求算,可利用快速複立              葉轉   換(   FFT  ;  Fast Fourier
                                                                 15
            Transform  ),  但  此法計算上較為        費  時。  Daniel (1954)   出了  鞍點近似     法來求算分
            配函   數,   Martin et al. (2001)   首次  將  鞍點近似  法應用到計算信用投資組合之損失
                                               '
                                                 ˆ                       ˆ
            分  配  。在  給  定損失   金  額  y  時,  令  K  (  t  )  =  y     即可  反  推出  鞍點  t  ,利用  泰勒展開式
                                               Y
                                                                                         269
   272   273   274   275   276   277   278   279   280   281   282