Notice bibliographique
Résumé
Abstract Hedging is one of the most important topics in finance. When a financial market is complete, every contingent claim can be hedged perfectly to eliminate any potential future obligations. When the financial market is incomplete, the investor may eliminate his risk exposure by superhedging. In practice, both hedging strategies are not satisfactory due to their high implementation costs, which erode the chance of making any profit. A more practical and desirable strategy is to resort to the partial hedging, which hedges the future obligation only partially. The quantile hedging of Föllmer and Leukert ( Finance and Stochastics , vol. 3, 1999, pp. 251–273), which maximizes the probability of a successful hedge for a given budget constraint, is an example of the partial hedging. Inspired by the principle underlying the partial hedging, this paper proposes a general partial hedging model by minimizing any desirable risk measure of the total risk exposure of an investor. By confining to the value-at-risk (VaR) measure, analytic optimal partial hedging strategies are derived. The optimal partial hedging strategy is either a knock-out call strategy or a bull call spread strategy, depending on the admissible classes of hedging strategies. Our proposed VaR-based partial hedging model has the advantage of its simplicity and robustness. The optimal hedging strategy is easy to determine. Furthermore, the structure of the optimal hedging strategy is independent of the assumed market model. This is in contrast to the quantile hedging, which is sensitive to the assumed model as well as the parameter values. Extensive numerical examples are provided to compare and contrast our proposed partial hedging to the quantile hedging.
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 | 0,001 | 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) | 0,024 | 0,018 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».