Continuous time mean‐variance optimal portfolio allocation under jump diffusion: An numerical impulse control approach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We present efficient partial differential equation methods for continuous time mean‐variance portfolio allocation problems when the underlying risky asset follows a jump‐diffusion. The standard formulation of mean‐variance optimal portfolio allocation problems, where the total wealth is the underlying stochastic process, gives rise to a one‐dimensional (1D) nonlinear Hamilton–Jacobi–Bellman (HJB) partial integrodifferential equation (PIDE) with the control present in the integrand of the jump term, and thus is difficult to solve efficiently. To preserve the efficient handling of the jump term, we formulate the asset allocation problem as a 2D impulse control problem, 1D for each asset in the portfolio, namely the bond and the stock. We then develop a numerical scheme based on a semi‐Lagrangian timestepping method, which we show to be monotone, consistent, and stable. Hence, assuming a strong comparison property holds, the numerical solution is guaranteed to converge to the unique viscosity solution of the corresponding HJB PIDE. The correctness of the proposed numerical framework is verified by numerical examples. We also discuss the effects on the efficient frontier of realistic financial modeling, such as different borrowing and lending interest rates, transaction costs, and constraints on the portfolio, such as maximum limits on borrowing and solvency. © 2013 Wiley Periodicals, Inc. Numer Methods Partial Differential Eq 30: 664–698, 2014
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.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 0,001 |
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 découle