Les bandes de Bollinger comme technique de réduction de la variance des prix d’options sur obligations obtenus par la simulation de Monte-Carlo
Notice bibliographique
Résumé
Dans cet article, nous proposons une nouvelle technique de réduction de la variance d’une simulation : les bandes de Bollinger. Nous montrons comment le recours aux bandes de Bollinger, une procédure utilisée en analyse technique, peut accroître considérablement la performance d’une simulation de Monte-Carlo en termes de réduction de la variance des simulations. La technique des bandes de Bollinger sert à filtrer les variations extrêmes qui s’observent dans une simulation. Nous appliquons cette technique à la simulation des prix de 38 options sur obligations (OBK) transigées à la Bourse de Montréal, ce en tirant profit du modèle de Fong et Vasicek pour simuler les prix des options. L’erreur quadratique moyenne des simulations se voit réduite considérablement à la suite de l’utilisation des bandes de Bollinger. Le modèle de Fong et Vasicek renforcé par les bandes de Bollinger se compare également très favorablement à celui de Black, Derman et Toy, soit le modèle encore le plus utilisé dans la pratique financière pour évaluer les options sur taux d’intérêt et sur obligations.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».