Efficiency of Some Predictor–Corrector Methods with Fourth-Order Compact Scheme for a System of Free Boundary Options
Notice bibliographique
Résumé
The trade-off between numerical accuracy and computational cost is always an important factor to consider when pricing options numerically, due to the inherent irregularity and existence of non-linearity in many models. In this work, we first present fast and accurate (1,2) and (2,2) predictor–corrector methods with a fourth-order compact finite difference scheme for pricing coupled system of the non-linear free boundary option pricing problem consisting of the option value and delta sensitivity. To predict the optimal exercise boundary, we set up a high-order boundary scheme, which is strategically derived using a combination of the fourth-order Robin boundary scheme and the fourth-order compact finite difference scheme near boundary. Furthermore, we implement a three-step high-order correction scheme for computing interior values of the option value and delta sensitivity. The discrete matrix system of this correction scheme has a tri-diagonal structure and strictly diagonal dominance. This nice feature allows for the implementation of the Thomas algorithm, thereby enabling fast computation. The optimal exercise boundary value is also corrected in each of the three correction steps with the derived Robin boundary scheme. Our implementations are fast on both coarse and very refined grids and provide highly accurate numerical approximations. Moreover, we recover a reasonable convergence rate. Further extensions to high-order predictor two-step corrector schemes are elaborated.
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 | 0,000 | 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 | 0,000 | 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 ».