Weak Convergence Methods for Approximation of the Evaluation of Path-Dependent Functionals
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In many applications, one needs to evaluate a path-dependent objective functional $V$ associated with a continuous-time stochastic process $X$. Due to the nonlinearity and possible lack of Markovian property, more often than not, $V$ cannot be evaluated analytically, and only Monte Carlo simulation or numerical approximation is possible. In addition, such calculations often require the handling of stopping times, the usual dynamic programming approach may fall apart, and the continuity of the functional becomes the main issue. Denoting by $h$ the stepsize of the approximation sequence, this work develops a numerical scheme so that an approximating sequence of path-dependent functionals $V^h$ converges to $V$. By a natural division of labors, the main task is divided into two parts. Given a sequence $X^h$ that converges weakly to $X$, the first part provides sufficient conditions for the convergence of the sequence of path-dependent functionals $V^h$ to $V$. The second part constructs a sequence of approximations $X^h$ using Markov chain approximation methods and demonstrates the weak convergence of $X^h$ to $X$, when $X$ is the solution of a stochastic differential equation. As a demonstration, combining the results of the two parts above, approximation of option pricing for the discrete-monitoring-barrier option underlying stochastic volatility model is provided. Different from the existing literature, the weak convergence analysis is carried out by using the Skorohod topology together with the continuous mapping theorem. The advantage of this approach is that the functional under study may be a function of stopping times, projection of the underlying diffusion on a sequence of random times, and/or maximum/minimum of the underlying diffusion.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle