The Importance of the Loss Function in Option Pricing
Notice bibliographique
Résumé
Quelle fonction de pertes devrait être utilisée pour l'estimation et l'évaluation des modèles d'évaluation d'options? Plusieurs fonctions différentes ont été suggérées,0501s aucune norme ne s'est imposée. Nous ne promouvons aucune fonction,0501s soutenons que la cohérence dans le choix des fonctions est cruciale. Premièrement, pour n'importe quel modèle donné, la fonction de pertes utilisée dans l'estimation des paramètres et dans l'évaluation du modèle devrait être la même, sinon on obtient des estimations de paramètres sous-optimales. Deuxièmement, lors de la comparaison de modèles, la fonction de pertes pour l'estimation devrait être la même pour chaque modèle, autrement les comparaisons sont injustes. Nous illustrons l'importance de ces questions dans une application du modèle appelé Black-Scholes du praticien (PBS) aux options de l'index S&P500. Nous trouvons des réductions de plus de 50 pourcent de la racine de l'erreur quadratique moyenne du modèle PBS lorsque les fonctions de pertes d'estimation et d'évaluation sont alignées. Nous trouvons également que le modèle PBS dépasse un modèle de benchmark structurel quand les fonctions de pertes d'estimation sont identiques pour tous les modèles,0501s pas dans les autres cas. Le nouveau modèle PBS à fonctions de pertes alignées représente dès lors un benchmark bien plus robuste auquel les futurs modèles structurels pourront être comparés.
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 | 0,001 | 0,001 |
| 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 ».