Persistent and transient variance components in option pricing models with variance-dependent Kernel
Notice bibliographique
Résumé
This paper examines theoretically and empirically a variance-dependent pricing kernel in the continuous-time two-factor stochastic volatility (SV) model. We investigate the relevance of such a kernel in the joint modeling of index returns and option prices. We contrast the pricing performance of this model in capturing the term structure effects and smile/smirk patterns to discrete-time GARCH models with similar variance-dependent kernels. We find negative and significant risk premium for both volatility factors, implying that investors are willing to pay for insurance against increases in volatility risk, even if it has little persistence. In-sample, the component GARCH model exhibits a slightly better fit overall and across all maturity buckets than the two-factor SV model. However, the two-factor SV model reduces strike price bias, giving rise to the model’s ability in reconciling the physical and risk-neutral distribution. Out-of-sample, the two-factor SV model has better fit to data. • I examine a variance-dependent kernel in a two-factor stochastic volatility model. • The model performance in capturing term structure and smile/smirk is investigated. • The study finds negative and significant risk premiums for both volatility factors. • In-sample, CGARCH exhibits a slightly better fit than two-factor SV model. • Out-of-sample, the two-factor SV model has better fit to data.
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 ».