MétaCan
Menu
Retour à la cohorte
Enregistrement W2886715177 · doi:10.1002/asmb.2380

Mean‐variance hedging with basis risk

2018· article· en· W2886715177 sur OpenAlexafffund
Xiaole Xue, Jinggong Zhang, Chengguo Weng

Notice bibliographique

RevueApplied Stochastic Models in Business and Industry · 2018
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueStochastic processes and financial applications
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNational Natural Science Foundation of ChinaNatural Science Foundation of Shandong ProvinceChina Scholarship CouncilSociety of Actuaries
Mots-clésBasis riskBasis (linear algebra)Variance (accounting)EconometricsStochastic differential equationMathematicsRisk managementEconomicsActuarial scienceMalliavin calculusAsset (computer security)Mathematical economicsQuadratic equationTime consistencyApplied mathematicsComputer scienceDifferential equationCapital asset pricing modelFinanceStochastic partial differential equation

Résumé

récupéré en direct d'OpenAlex

Abstract Basis risk arises in a number of financial and insurance risk management problems when the hedging assets do not perfectly match the underlying asset in a hedging program. Notable examples in insurance include the hedging for longevity risks, weather index–based insurance products, variable annuities, etc. In the presence of basis risk, a perfect hedging is impossible, and in this paper, we adopt a mean‐variance criterion to strike a balance between the expected hedging error and its variability. Under a time‐dependent diffusion model setup, explicit optimal solutions are derived for the hedging target being either a European option or a forward contract. The solutions are obtained by a delicate application of the linear quadratic control theory, the method of backward stochastic differential equation, and Malliavin calculus. A numerical example is presented to illustrate our theoretical results and their interesting implications.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,935
Score d'incertitude au seuil0,943

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,211
Écart entre enseignants0,183 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueApplied Stochastic Models in Business and IndustryMême sujetStochastic processes and financial applicationsTravaux en français237 207