MétaCan
Menu
Retour à la cohorte
Enregistrement W3122512969

Vigilant Measures of Risk and the Demand for Contingent Claims

2012· preprint· en· W3122512969 sur OpenAlexfundno aff
Mario Ghossoub

Notice bibliographique

RevueEconstor (Econstor) · 2012
Typepreprint
Langueen
DomaineDecision Sciences
ThématiqueRisk and Portfolio Optimization
Établissements canadiensnon disponible
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaNorthwestern University
Mots-clésRisk measureMathematicsProbability measureRandom variableMathematical economicsMeasure (data warehouse)Constraint (computer-aided design)Invariant (physics)MaximizationDistortion (music)EconometricsEconomicsMathematical optimizationDiscrete mathematicsComputer scienceStatisticsFinance
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

I examine a class of utility maximization problems with a not necessarily lawinvariant utility, and with a not necessarily law-invariant risk measure constraint. The objective function is an integral of some function U with respect to some probability measure P, and the constraint set contains some risk measure constraint which is not necessarily P-law-invariant. This introduces some heterogeneity in the perception of uncertainty. The primitive U is a function of some given underlying random variable X and of a contingent claim Y on X. Many problems in economic theory and financial theory can be formulated in this manner, when a heterogeneity in the perception of uncertainty is introduced. Under a consistency requirement on the risk measure that will be called Vigilance, supermodularity of the primitive U is sufficient for the existence of optimal continent claims, and for these optimal claims to be comonotonic with the underlying random variable X. Vigilance is satisfied by a large class of risk measures, including all distortion risk measures. An explicit characterization of an optimal contingent claim is also provided in the case where the risk measure is a convex distortion risk measure.

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)0,010
score de la tête « metaresearch » (Gemma)0,003
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,414
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0100,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
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 Opus0,063
Tête enseignante GPT0,318
Écart entre enseignants0,255 · 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.

Devis d'étudeObservationnel
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

Citations1
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEconstor (Econstor)Même sujetRisk and Portfolio OptimizationTravaux en français237 207