Mathematical Finance Company – Canadian Parameters – September 1999 Stochastic Asset Generators for Investment Portfolios of Bonds, Stocks, Real Estate, Commodities, and Foreign Assets Based on the Double Mean Reverting Process™ and the Vector Autoregress
Notice bibliographique
Résumé
This paper considers a stochastic process on asset returns and stochastic asset return generators on stock indices, bond indices and other stock like indices such as real estate. It gives a model of the joint interest rate and investment indices process. This n-dimensional model can be used to model stock like indices such as the TSE 300, a managed stock index, an index invested in stocks and bonds, a foreign investment index, or all of these together. The n-dimensional process allows for having correlations between the different indices, as well as modeling inter-relationships in the conditional expected return based on the elements of the state vector modeled in the process. Commodities and other investment categories like junk bonds can be modeled as equity like indices. This generator can be applied to modeling guarantees on investment products in any of the asset categories. It can be used to model these guarantees when the customer has the ability to change the investment mix over time or to switch the investment mix. This generator can also be used to analyze the asset allocation decision for a company’s investment portfolio. The most difficult part in developing a stochastic asset generator for this set of investments is developing the interest rate model. The interest rate model must be arbitrage free, i.e. no free
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 | 0,003 | 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 ».