Correcting the Bias in the Practitioner Black-Scholes Method
Notice bibliographique
Résumé
We address a number of technical problems with the popular Practitioner Black-Scholes (PBS) method for valuing options. The method amounts to a two-stage procedure in which fitted values of implied volatilities (IV) from a linear regression are plugged into the Black-Scholes formula to obtain predicted option prices. Firstly we ensure that the prediction from stage one is positive by using log-linear regression. Secondly, we correct the bias that results from the transformation applied to the fitted values (i.e., the Black-Scholes formula) being a highly non-linear function of implied volatility. We apply the smearing technique in order to correct this bias. An alternative means of implementing the PBS approach is to use the market option price as the dependent variable and estimate the parameters of the IV equation by the method of non-linear least squares (NLLS). A problem we identify with this method is one of model incoherency: the IV equation that is estimated does not correspond to the set of option prices used to estimate it. We use the Monte Carlo method to verify that (1) standard PBS gives biased option values, both in-sample and out-of-sample; (2) using standard (log-linear) PBS with smearing almost completely eliminates the bias; (3) NLLS gives biased option values, but the bias is less severe than with standard PBS. We are led to conclude that, of the range of possible approaches to implementing PBS, log-linear PBS with smearing is preferred on the basis that it is the only approach that results in valuations with negligible bias.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,019 | 0,099 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».