MétaCan
Menu
Retour à la cohorte
Enregistrement W4400876867 · doi:10.3390/jrfm17070310

Estimation of Optimal Hedge Ratio: A Wild Bootstrap Approach

2024· article· en· W4400876867 sur OpenAlexvenueno aff
Phong Minh Nguyen, Darren Henry, Jae H. Kim, Sisira Colombage

Notice bibliographique

RevueJournal of risk and financial management · 2024
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueFinancial Risk and Volatility Modeling
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEconometricsStatisticsEstimationMathematicsHedgeEconomicsBotanyBiology

Résumé

récupéré en direct d'OpenAlex

This paper proposes a new approach to estimating the minimum variance hedge ratio (MVHR) based on the wild bootstrap and evaluates the approach using a spectrum of conservative to aggressive alternative hedging strategies associated with the percentiles of the MVHR’s bootstrap distribution. This approach is suggested to be more informative and effective relative to the conventional method of hedging solely based on a single-point estimate. Furthermore, the percentile-based MVHRs are robust to influential outliers, non-normality, and unknown forms of heteroskedasticity. The bootstrap percentile-based hedging strategies’ effectiveness is compared with those from the naïve method and the asymmetric DCC-GARCH model for a range of financial assets and commodities. The bootstrap percentile-based hedging technique is identified to outperform its alternatives in terms of hedging effectiveness, downside risk, and return variability, suggesting its superiority to other methods in both the literature and in practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,689
Score d'incertitude au seuil0,511

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,025
Tête enseignante GPT0,233
Écart entre enseignants0,208 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of risk and financial managementMême sujetFinancial Risk and Volatility ModelingTravaux en français237 207