1    Guidelines

1.1    Submission

Your coursework must be submitted by

Monday 25th April 2022, 4pm (UK time).

● All consequences regarding late submission can be found on the School’s website

https://info.lse.ac.uk/Staff/Divisions/Academic-Registrars-Division/      Teaching-Quality-Assurance-and-Review-Office/Assets/Documents/Calendar/ GeneralAcademicRegulations.pdf

Note in particular: Five marks (out of 100) will be deducted for coursework submitted within 24 hours of the deadline and a further five marks will be deducted for each subsequent 24-hour period until the coursework is submitted.

After five working days, coursework will only be accepted with the permission of the Chair of the Sub-Board of Examiners.

● Please submit your complete report together with all files to j.l.everid@lse.ac.uk. Include “MA323 submission” in the subject line.

● For the submission please only submit one zip-file that contains all your files except the Plagiarism Statement, which you should submit in the same email . Your zip- file should have the following name:  If your candidate number is 123456, then name your zip-file MA323 CN123456.zip.

Your zip-file must contain your Jupyter Notebook (please provide an ipynb  file, which the examiners can run, and a pdf version of it.)  You should name these files according to your course code and candidate number, e.g., MA323 CN123456report.ipynb.

● The content of your work must remain anonymous, so do not write your name on anything ex- cept the Plagiarism Statement. Instead, you must identify your work with your Examination Candidate Number. You can check your candidate number on ‘LSE for You’.

1.2    Academic integrity

● When you submit the coursework you must submit a completed and signed copy of the Plagiarism Statement (available on Moodle).

You are required to read the information on plagiarism on the following website:

https://info.lse.ac.uk/Staff/Divisions/Academic-Registrars-Division/      Teaching-Quality-Assurance-and-Review-Office/Assets/Documents/Calendar/ RegulationsAssessmentOffences-Plagiarism.pdf

Note in particular the first paragraph on this website:

“All work for classes and seminars (which could include, for example, written assignments, group work, presentations, and any other work, including computer programs) must be the student’s own work.   Direct quotations from other work must be placed properly within quotation marks or indented and must be cited fully.   All paraphrased material must be clearly acknowledged. Infringing this requirement, whether deliberately or not, or passing off the work of others as the student’s own work, whether deliberately or not, is plagiarism.”

● You must take this assessment completely alone and not show or discuss it with anyone else.

● This is an open book assessment and you are allowed to use any material made available on Moodle for MA323 and any academic literature as long as you cite the material that you use fully.

● You are not permitted to:  consult any other person about the content of the assessment; allow any other person to edit or proof read your work; submit any ideas or phrasing that are not your own (without appropriate citation).

● You should not include any writing of your own that has been submitted for a different summative assessment.

● The examiners may conduct vivas to check that you were the author of your submitted assessment.

1.3    Specific guidelines on report

● The coursework consists of four problems.   Your answers to all four problems will count towards the final mark.

● Write a report and not just a question-answer style exercise set solution to answer the ques- tions. Your report should contain all results and their derivation, interpretation and discus- sion. Use complete sentences throughout. Give detailed arguments to explain your ideas and carefully justify your answers.

● The only acceptable programming languages are Python 3.7, 3.8, 3.9, or 3.10.

● Please only provide one notebook. Separate answers to the different questions clearly in this notebook.

● Your submitted Jupyter notebook should run completely without any error messages.

● In particular, note that your Jupyter notebook should NOT ask the user to enter variables needed for the computation.  Choose reasonable default parameters yourself and make clear in your instructions what the meaning and the names of the variables are such that the examiners can test several examples.

● Add appropriate comments to your code to explain what your code is doing.

● Your figures should be well formatted, with good axis labelling and appropriate titles.

1.4    Assessment

The coursework will be marked in line with the departmental assessment criteria which are available on pages 17/18 of your student handbook:

https://www.lse.ac.uk/Mathematics/assets/documents/Handbooks/2021-22/ Undergraduate-Handbook-2021-22.pdf

2    Coursework Description

If you use a random number generator for any of the problems below, seed the generator so that the results are reproducible.

Problem 1.  Consider the two integrals

K1 =

K2 =

4               1

0    (2 + cos(α))2

o

α3/2e-x2 /2dασ

0

(a)  Describe a numerical method to approximate the value of K1  such that the approximation error

is guaranteed to be bounded by 1/100.  Implement this method in Python and provide the value of the approximation.

(b)  Explain how one can approximate the integral K2  using a Monte  Carlo  estimator.  Implement

the Monte  Carlo estimator in Python and provide a figure that plots a Monte  Carlo estimate against the number of samples  (as we have  done in the  lectures  and programming sessions). Describe  a  variance  reduction  technique  that  can  be  applied here  and  discuss  how  well  this technique works in this example.

Problem 2.  Consider the function f : R → R given by

f (α) = ,  

where 尸 is a constant.

(a)  Determine 尸 such that f is a probability density function.

(b)  Let 尸 be  the  constant  such  that f is  a probability  density function  (i.e.,  the  one  computed

in  part  (a)).   Suppose  you  would  like  to  generate  a  sample from  f  using  von  Neumann’s acceptance-rejection algorithm.  Specify a probability density function g  f that can  be used for  this  purpose  and  describe  in  detail  how  you  can  obtain  a  sample from  f  by  sampling from g using von Neumann’s acceptance-rejection algorithm.  For your choice of g what is the best possible proportion of numbers that your algorithm accepts?  Implement von Neumann’s acceptance-rejection algorithm in Python to obtain 10000 samples from f and plot a histogram of the samples.

(c)  An  alternative  to  von Neumann’s  acceptance-rejection  algorithm from part  (b) for sampling from f would be to use the inverse transform method.  Implement it in Python and draw again a  histogram  of the  samples.   Which  of these  two  methods  do  you  think is  more  suitable for generating a sample from f and why?

Problem  3.  We  consider  the  standard  Black-Scholes financial  market  consisting  of two  assets. The riskless asset has time-t price 复t = ert , where r ≥ 0 is the constant interest rate and the stock has time-t price

(1)    ;t = ;0 exp ╱╱r − 、t + αwt、．

where ;0  事 0 is the initial stock price, α 事 0 is the volatility, (wt)t>0  is a standard one-dimensional Brownian motion under the risk-neutral measure.

Fix a constant s 事 0 and consider a European option with payoff z at the maturity date T 事 0 given by

(2)    z = |;T − s| σ

(a)  Derive an analytical formula for the time-0 price of this option.

(b)(b.1)   Write  down  a Monte  Carlo  estimator for the  time-0 price  of this  option.   Justify your

answer.

(b.2)  Explain in detail how one can generate the random variables that are used in your Monte

Carlo  estimator in part  (b.1).

(b.3)  Compute  the  variance  of the Monte  Carlo  estimator for the  time-0 price  of the  option

analytically.

(b.4)   Write down a 95% and a 99% asymptotic confidence interval for the time-0 price of the

option using your Monte  Carlo  estimator.

(c)   Write Python code

(c.1)  that computes the time-0 price of the option using the analytical formula and

(c.2)  that computes the  approximation of the time-0 price  of the  option using a Monte  Carlo

estimator together with an asymptotic confidence interval.

(d)   Use  your Python  code  to  compute  the  time-0 price  of the  option for the  model parameters ;0  = 4, s = 5, r = 0 σ 01, α = 0 σ 2, T = 1 using  both  the  analytical formula  and the Monte Carlo  estimator.   Provide  a  95%-asymptotic  confidence  interval for the  time-0 price  of the option.  Discuss your results.

(e)  Describe  a variance reduction method to  approximate the time-0 price  of the  option and im-

plement it in Python.   Compare  the  results  based  on  the  variance  reduction  method  of your choice  to  the  standard Monte  Carlo  estimator and  to  the  analytical solution.   Discuss  your findings.