The Importance of the Loss Function in Option Pricing
Bibliographic record
Abstract
Quelle fonction de pertes devrait être utilisée pour l'estimation et l'évaluation des modèles d'évaluation d'options? Plusieurs fonctions différentes ont été suggérées,0501s aucune norme ne s'est imposée. Nous ne promouvons aucune fonction,0501s soutenons que la cohérence dans le choix des fonctions est cruciale. Premièrement, pour n'importe quel modèle donné, la fonction de pertes utilisée dans l'estimation des paramètres et dans l'évaluation du modèle devrait être la même, sinon on obtient des estimations de paramètres sous-optimales. Deuxièmement, lors de la comparaison de modèles, la fonction de pertes pour l'estimation devrait être la même pour chaque modèle, autrement les comparaisons sont injustes. Nous illustrons l'importance de ces questions dans une application du modèle appelé Black-Scholes du praticien (PBS) aux options de l'index S&P500. Nous trouvons des réductions de plus de 50 pourcent de la racine de l'erreur quadratique moyenne du modèle PBS lorsque les fonctions de pertes d'estimation et d'évaluation sont alignées. Nous trouvons également que le modèle PBS dépasse un modèle de benchmark structurel quand les fonctions de pertes d'estimation sont identiques pour tous les modèles,0501s pas dans les autres cas. Le nouveau modèle PBS à fonctions de pertes alignées représente dès lors un benchmark bien plus robuste auquel les futurs modèles structurels pourront être comparés.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".