On the Nature of (Jump) Skewness Risk Premia
Notice bibliographique
Résumé
Market skewness risk is priced, but the components of its premium are not fully understood. We propose new trading strategies decomposing the skewness risk premium into jump and leverage effect components, and we analyze the skewness risk premia in the market for S&P 500 index options. We find that the skewness premium is higher when markets are closed than during trading hours, consistently with uncertainty resolution patterns by non-U.S investors; that it increases after left-tail market events; and that it is distinct from the variance premium. Moreover, during trading hours, the skewness premium is dominated by priced jump risk. This paper was accepted by Kay Giesecke, finance. Funding: P. Orłowski acknowledges financial support from the Doc.Mobility program of the Swiss National Science Foundation [Project P1TIP1_161875 “Option portfolio returns and dispersion”]. P. Schneider acknowledges financial support from the Swiss National Science Foundation [Projects 169582 “Model-free asset pricing” and 189086 “Scenarios”]. F. Trojani and P. Orłowski acknowledge financial support from the Swiss National Science Foundation [Project 150198 “Higher order robust resampling and multiple testing methods”] and the Swiss Finance Institute [Project “Term structures and cross-sections of asset risk premia”]. F. Trojani gratefully acknowledges support from the AXA Chair in Socioeconomic Risks of Financial Markets at the University of Turin. Supplemental Material: The data files and online appendices are available at https://doi.org/10.1287/mnsc.2023.4734 .
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».