Para llegar a P&L necesitamos primero las sensibilidades (derivadas parciales). Para simplificar, vamos a suponer que $V$ sólo consume volatilidad a través de $g$ que es P&L y Vega P&L son la misma cosa:
$$ V(x,y) = g(\sigma(x,y)) = g(f(X(x,y), Y(x,y))) = (g\circ f)(X(x,y), Y(x,y))= U(X(x,y), Y(x,y))$$
Tenga en cuenta que $$ V = U \circ (X, Y)$$
$$ \frac{\partial \sigma}{\partial x} = \frac{\partial f}{dX}\frac{\partial X}{\partial x} + \frac{\partial f}{\partial Y}\frac{\partial Y}{\partial x} $$
$$ \frac{\partial \sigma}{\partial y} = \frac{\partial f}{\partial X}\frac{\partial X}{\partial y} + \frac{\partial f}{\partial Y}\frac{\partial Y}{\partial y} $$
$$ \frac{\partial V}{\partial x} = \frac{\partial g}{d\sigma}\frac{\partial \sigma}{\partial x} $$ $$ \frac{\partial V}{\partial y} = \frac{\partial g}{d\sigma}\frac{\partial \sigma}{\partial y} $$
$$ \frac{\partial V}{\partial x} = \frac{\partial U}{dX}\frac{\partial X}{\partial x} + \frac{\partial U}{\partial Y}\frac{\partial Y}{\partial x} $$
$$ \frac{\partial V}{\partial y} = \frac{\partial U}{dX}\frac{\partial X}{\partial y} + \frac{\partial U}{\partial Y}\frac{\partial Y}{\partial y} $$
En el contexto de P&L, se utiliza la expansión/aproximación de Taylor:
$$ V(x,y) - V(x_0,y_0) = \frac{\partial V}{\partial x}(x_0,y_0) (x-x_0) + \frac{\partial V}{\partial y}(x_0,y_0) (y-y_0) $$ $$ + 0.5 \frac{\partial^2 V}{\partial x^2}(x_0,y_0) (x-x_0)^2 + 0.5 \frac{\partial^2 V}{\partial y^2}(x_0,y_0) (y-y_0)^2 $$ $$+ 0.5 \frac{\partial^2 V}{\partial x \partial y}(x_0,y_0) (x-x_0)(y-y_0) + 0.5 \frac{\partial^2 V}{\partial y \partial x}(x_0,y_0) (x-x_0)(y-y_0)$$ $$+ ..., $$ que puede abreviarse notativamente como
$$ dV = \frac{\partial V}{\partial x}dx + \frac{\partial V}{\partial y}dy + 0.5 \frac{\partial^2 V}{\partial x^2}(dx)^2 + 0.5 \frac{\partial^2 V}{\partial y^2}(dy)^2 + 0.5 \frac{\partial^2 V}{\partial x \partial y}dxdy + 0.5 \frac{\partial^2 V}{\partial y \partial x}dx dy + ...$$
Si se eliminan los términos de segundo orden, obtenemos lo habitual:
$$ dV = \frac{\partial V}{\partial x}dx + \frac{\partial V}{\partial y}dy $$
Tenga en cuenta que $$ \frac{\partial V}{\partial X}, \; \frac{\partial V}{\partial Y} $$ pueden ser anotaciones ambiguas.
Función de fijación de precios $U$ (diferente de $V$ ) cuyas "entradas" son $X$ y $Y$ como números observados directamente, tiene su propia cuenta de resultados: $$ dU = \frac{\partial U}{\partial X}dX + \frac{\partial U}{\partial Y}dY, $$ es decir $$ U(X,Y) - U(X_0,Y_0) = \frac{\partial U}{\partial X}(X_0,Y_0) (X-X_0) + \frac{\partial U}{\partial Y}(X_0,Y_0) (Y-Y_0) $$
Si queremos involucrar a $U$ de las sensibilidades en $V$ Para el cálculo de las pérdidas y ganancias de la empresa, utilizamos (de la lista anterior de aplicaciones de la regla de la cadena):
$$ V(x,y) - V(x_0, y_0) = \left(\frac{\partial U}{dX}(X_0,Y_0)\frac{\partial X}{\partial x}(x_0, y_0) + \frac{\partial U}{\partial Y}(X_0,Y_0)\frac{\partial Y}{\partial x}(x_0, y_0)\right) (x-x_0) + \left(\frac{\partial U}{dX}(X_0,Y_0)\frac{\partial X}{\partial y}(x_0, y_0) + \frac{\partial U}{\partial Y}(X_0,Y_0)\frac{\partial Y}{\partial y}(x_0, y_0)\right)(y-y_0), $$ donde $X_0 = X(x_0,y_0), Y_0=Y(x_0,y_0)$ .
Si queremos involucrar a $V$ de las sensibilidades en $U$ de P&L, utilizamos (asumiendo la invertibilidad): $$ \begin{bmatrix} \frac{\partial U}{dX} \\ \frac{\partial U}{dY} \end{bmatrix}(X_0,Y_0) = \begin{bmatrix} \frac{\partial X}{dx} & \frac{\partial X}{dy} \\ \frac{\partial Y}{dx} & \frac{\partial Y}{dy} \end{bmatrix}^{-1}(x_0,y_0) \cdot \begin{bmatrix} \frac{\partial V}{dx} \\ \frac{\partial V}{dy} \end{bmatrix}(x_0,y_0) $$