A CONTINUOUS-TIME REEXAMINATION OF DOLLAR-COST AVERAGING
Notice bibliographique
Résumé
The widespread practice of dollar-cost averaging (DCA) amongst the investing public, has puzzled most financial economists, ever since Constantinides [2] demonstrated the dynamic inefficiency of this strategy under very general conditions. This enduring phenomena has forced researchers, such as Statman [12], to suggest behavioral explanations for DCA's popularity, predicated on the prospect theory of Kahneman and Tversky [4]. In this paper we reexamine the payoff structure of DCA via continuous-time financial mathematics and then ask the question: Is it possible to reconcile the theory and practice of dollar-cost averaging? To answer this question, we take a slightly different approach to the issue by using the tools of stochastic calculus and Brownian bridges. We demonstrate that engaging in a dollar-cost averaging strategy is akin to purchasing a zero strike arithmetic Asian option on the underlying security. In other words, people who engage in dollar-cost averaging are implicitly purchasing a path-dependent contingent claim. We then prove that the expected return from this exotic option — i.e. the DCA strategy — conditional on knowing the final value of the security will uniformly exceed the return from the underlying security for all sufficiently large volatilities. This leads us to argue that investors may be dollar-cost averaging because they have "target prices" for the underlying asset price. The strategy of dollar-cost averaging would then exceed the returns from lump-sum investing, based on their subjective conditional expectation. In fact, the more volatile the underlying security, the greater is the benefit to dollar-cost averaging — conditional on knowing the final value — which is consistent with common practice.
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 | 0,000 | 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 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 ».