Good deal indices in asset pricing: actuarial and financial implications
Notice bibliographique
Résumé
Abstract We integrate into a single optimization problem a risk measure, beyond the variance, and either arbitrage‐free real market quotations or financial pricing rules generated by an arbitrage‐free stochastic pricing model. A sequence of investment strategies such that the couple ( expected return, risk ) diverges to will be called a good deal ( GD ). The existence of such a sequence is equivalent to the existence of an alternative sequence of strategies such that the couple ( risk, price ) diverges to . Moreover, by appropriately adding the riskless asset, every GD may generate a new one only composed of strategies priced at one. We will see that GD s often exist in practice, and the main objective of this paper will be to measure the GD size. The provided GD indices will equal an optimal ratio between both risk and price, and there will exist alternative interpretations of these indices. They also provide the minimum relative (per dollar) price modification that prevents the existence of GD s. Moreover, they will be a crucial instrument to detect those securities or marketed claims that are over‐ or underpriced. Many classical actuarial and financial optimization problems may generate wrong solutions if the used market quotations or stochastic pricing models do not prevent the existence of GD s. This fact is illustrated in the paper, and we point out how the provided GD indices may be useful to overcome this caveat. Numerical experiments are also included.
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 | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».