Risk Management of Nonstandard Basket Options with Different Underlying Assets
Notice bibliographique
Résumé
Basket options are among the most popular products of the new generation of exotic options. They are particularly attractive because they can efficiently and simultaneously hedge a wide variety of intrinsically different financial risks and are flexible enough to cover all the risks faced by firms. Oddly, the existing literature on basket options considers only standard baskets where all underlying assets are of the same type and hedge the same kind of risk. Moreover, the empirical implementation of basket‐option models remains in its early stages, particularly when the baskets contain different underlying assets. This study focuses on various steps for developing sound risk management of basket options. We first propose a theoretical model of a nonstandard basket option on commodity price with stochastic convenience yield, exchange rate, and domestic and foreign zero‐coupon bonds in a stochastic interest rate setting. We compare the hedging performance of the extended basket option containing different underlying assets with that of a portfolio of individual options. The results show that the basket strategy is more efficient. We apply the maximum likelihood method to estimate the parameters of the basket model and the correlations between variables. Monte Carlo simulations are conducted to examine the performance of the maximum likelihood estimator in finite samples of simulated data. A real‐data study for a nonfinancial firm is presented to illustrate ways practitioners could use the extended basket option. © 2012 Wiley Periodicals, Inc. Jrl Fut Mark 33:299‐326, 2013
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 | 0,000 |
| 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 ».