American option evaluations using higher moments
Notice bibliographique
Résumé
Purpose By using higher moments, this paper extends the quadratic local risk-minimizing approach in a general discrete incomplete financial market. The local optimization subproblems are convex or nonconvex, depending on the moment variants used in the modeling. Inspired by Lai et al. (2006), the authors propose a new multiobjective approach for the combination of moments that is transformed into a multigoal programming problem. Design/methodology/approach The authors evaluate financial derivatives with American features using local risk-minimizing strategies. The financial structure is in line with Schweizer (1988): the market is discrete, self-financing is not guaranteed, but deviations are controlled and reduced by minimizing the second moment. As for the quadratic approach, the algorithm proceeds backwardly. Findings In the context of evaluating American option, a transposition of this multigoal programming leads not only to nonconvex optimization subproblems but also to the undesirable fact that local zero deviations from self-financing are penalized. The analysis shows that issuers should consider some higher moments when evaluating contingent claims because they help reshape the distribution of global cumulative deviations from self-financing. Practical implications A detailed numerical analysis that compares all the moments or some combinations of them is performed. Originality/value The quadratic approach is extended by exploring other higher moments, positive combinations of moments and variants to enforce asymmetry. This study also investigates the impact of two types of exercise decisions and multiple assets.
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 | 0,000 |
| 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 | 0,000 |
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 ».