Si tenemos algo de la función $f(a,b,c,...)$, donde $a,b,c,...$ puede ser estocástico o de otra manera, el lema de Ito se utiliza a encontrar $df(a,b,c,...)$.
1)
Usted puede simplemente hacer las primas de Monte Carlo. Considere la posibilidad de un contingente de reclamación de maduración en $6$ meses. A continuación, para cada i $$-ésimo de la simulación se puede calcular:
$S(T)_i = S(t)e^{(r-q-\frac12 \sigma^2)0.5 + \sigma \sqrt{0.5}z_i)}$
donde $z_i \sim N(0,1)$ y $\sqrt{\Delta t}(z_i)$ es igual a la distribución a $W_{\Delta t}$.
2)
Puede utilizar la metodología anterior, pero crear una ruta de ejemplo. Por ejemplo, usted podría querer generar un 6-punto de recorrido de la muestra. Que es;
$S(t_i) = S(t_{i-1})e^{(r-q-\frac12 \sigma^2)\frac{0.5}{6} + \sigma \sqrt{\frac{0.5}{6}}z_i)}$
para $i \in \{2,3,4,5,6,7\}$.
3)
Puede discretizar los SDE en sí el uso de Euler-Marayama.
$\Delta S(t_i) = a(t,S)\Delta t + b(t,S)\Delta W(t_i)$
4)
Puede discretizar el SDE el uso de Milstein:
$\displaystyle \ \ \Delta S(t_i) = a(t,S)\Delta t + b(t,S)\Delta W(t_i) + 0.5 b(t,S)\frac{\partial b(t,S)}{\partial S}\bigg((\Delta W(t_i))^2 - \Delta t\bigg)$
5)
Considerar las anteriores metodologías a ser la función $f(v)$, donde $v$ son sus números aleatorios. Puede utilizar un control de la variable aleatoria $g(v)$ de la siguiente manera:
$\frac1N \sum_{i=1}^N [ f(v_i) - g(v_i) ] + E[g(v)]$.
En la práctica usted desea utilizar correlaciones y otras cosas para mejorar el resultado; sin embargo, esta es la forma en que se presentan a los estudiantes. $E[g(v)]$ podría ser la forma cerrada de BS precio, $g(v_i)$ podría ser el de monte carlo BS precio de un instrumento sencillo, $f(v_i)$ puede ser algo realmente complicado instrumento que se correlaciona estrechamente con $g(.)$.
6)
Usted puede utilizar antitético de muestreo. Es decir,
$\text{MC estimación} = \frac12 [ f(v) + f(-v)]$.
Hay algunas condiciones técnicas que usted necesita para satisfacer a hacer de esto vale la pena el extra de cálculo.