Option Pricing with Asymmetric Heteroskedastic Normal Mixture Models
Notice bibliographique
Résumé
Dans le présent document, nous avons recours aux modèles hétéroscédastiques asymétriques avec mélange de distributions normales pour ajuster les données sur les rendements et fixer les prix des options. Les modèles peuvent être estimés directement par le maximum de vraisemblance, ils comportent un ajustement statistique élevé quand ils sont utilisés sur les données de rendement de l'indice S&P 500, et ils permettent de tenir compte d'une asymétrie négative importante et des moments d'ordre élevé variant dans le temps liés à la distribution du risque nul. Dans le cas des prévisions hors-échantillonnage concernant une vaste gamme d'options sur indice entre 1996 et 2009, nous constatons des améliorations substantielles, par rapport à plusieurs modèles de référence, en termes de pertes exprimées en dollars et de capacité d'expliquer le caractère ironique des volatilités implicites. En général, la racine de l'erreur quadratique moyenne du modèle de référence à composantes le plus efficace est 39 % plus grande que dans le cas du modèle à mélange. Dans le contexte de la récente crise financière, cette différence augmente à 69 %.
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 | 0,008 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 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 ».