Notice bibliographique
Résumé
Abstract Regime-switching models have proven to be well-suited for capturing the time series behavior of many financial variables. In particular, they have become a popular framework for pricing equity-linked insurance products. The success of these models demonstrates that realistic modeling of financial time series must allow for random changes in volatility. In the context of valuation of contingent claims, however, random volatility poses additional challenges when compared with the standard Black-Scholes framework. The main reason is the incompleteness of such models, which implies that contingent claims cannot be hedged perfectly and that a unique identification of the correct risk-neutral measure is not possible. The objective of this paper is to provide tools for managing the volatility risk. First we present a formula for the expected value of a shortfall caused by misspecification of the realized cumulative variance. This, in particular, leads to a closed-form expression for the expected shortfall for any strategy a hedger may use to deal with the stochastic volatility. Next we identify a method of selection of the initial volatility that minimizes the expected shortfall. This strategy is the same as delta hedging based on the cumulative volatility that matches the Black-Scholes model with the stochastic volatility model. We also discuss methods of managing the volatility risk under model uncertainty. In these cases, super-hedging is a possible strategy but it is expensive. The results presented enable a more accurate analysis of the trade-off between the initial cost and the risk of a shortfall.
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 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 | 0,000 | 0,000 |
| 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».