Bibliographic record
Abstract
Caractériser les dynamiques des rendements d'actifs à l'aide de modèles de volatilité est un champ important de la finance empirique. La littérature dans ce domaine privilégie des spécifications de volatilité plutôt complexes dont la performance relative est généralement estimée par leur vraisemblance à partir de séries chronologiques de rendements d'actifs. Cet article compare plusieurs modèles de volatilité selon un critère différent, utilisant les rendements et prix d'options dans une mesure neutre au risque et de probabilité physique. Nous estimons la performance relative des différents modèles en évaluant la fonction objective basée sur les prix d'options. Contrairement à l'inférence basée sur les rendements, nous trouvons que notre fonction objective basée sur les options favorise un modèle relativement parcimonieux. En particulier, lorsqu'elle est évaluée hors-échantillon, notre analyse favorise un modèle qui, outre le groupement de volatilités, ne permet qu'un effet de levier standard. Cette analyse empirique fait partie d'une littérature en plein essor qui suggère que l'évaluation des prix d'options en temps discret, lorsque la volatilité varie dans le temps, est pratique et riche en enseignements.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.010 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.016 | 0.003 |
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 source (direct Gemma or distilled Codex), 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".