Pricing of Pseudo-Swaps Based on Pseudo-Statistics
Notice bibliographique
Résumé
The main problem in pricing variance, volatility, and correlation swaps is how to determine the evolution of the stochastic processes for the underlying assets and their volatilities. Thus, sometimes it is simpler to consider pricing of swaps by so-called pseudo-statistics, namely, the pseudo-variance, -covariance, -volatility, and -correlation. The main motivation of this paper is to consider the pricing of swaps based on pseudo-statistics, instead of stochastic models, and to compare this approach with the most popular stochastic volatility model in the Cox–Ingresoll–Ross (CIR) model. Within this paper, we will demonstrate how to value different types of swaps (variance, volatility, covariance, and correlation swaps) using pseudo-statistics (pseudo-variance, pseudo-volatility, pseudo-correlation, and pseudo-covariance). As a result, we will arrive at a method for pricing swaps that does not rely on any stochastic models for a stochastic stock price or stochastic volatility, and instead relies on data/statistics. A data/statistics-based approach to swap pricing is very different from stochastic volatility models such as the Cox–Ingresoll–Ross (CIR) model, which, in comparison, follows a stochastic differential equation. Although there are many other stochastic models that provide an approach to calculating the price of swaps, we will use the CIR model for comparison within this paper, due to the popularity of the CIR model. Therefore, in this paper, we will compare the CIR model approach to pricing swaps to the pseudo-statistic approach to pricing swaps, in order to compare a stochastic model to the data/statistics-based approach to swap pricing that is developed within this paper.
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 | 0,000 |
| 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 | 0,001 |
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 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 ».