Demande de portefeuille et politique de couverture de risque sous information incomplète
Bibliographic record
Abstract
Dans cet article, nous considérons le problème de choix de portefeuille sous information incomplète lorsque l’investisseur maximise l’utilité de sa richesse terminale. Le portefeuille optimal est obtenu de manière explicite en utilisant la formule de représentation d’Ocone et Karatzas (1991) sous changement équivalent de mesure. Lorsque la richesse terminale découle uniquement de la politique d’investissement dans les actifs financiers, le portefeuille optimal a deux composantes : la première est un terme d’espérance-variance pur relatif à l’information de l’investisseur, la seconde un terme de couverture contre les fluctuations de l’estimateur de l’espérance de rendement des actifs financiers. Dans le cas du modèle gaussien, la demande de couverture est reliée à l’erreur d’estimation. Lorsque la richesse terminale provient également d’un cash-flow aléatoire en supplément des fonds générés par la politique d’investissement, nous démontrons que le portefeuille optimal contient aussi des termes de couverture contre (i) les fluctuations stochastiques dans le taux de croissance du cash-flow terminal et contre (ii) les révisions dans l’estimateur du taux d’appréciation du cash-flow terminal. Ces formules généralisent diverses applications considérées dans la littérature. En conclusion, nous abordons le problème d’information asymétrique.
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 | 0.006 | 0.034 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.003 |
| Scholarly communication | 0.004 | 0.007 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.008 | 0.001 |
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".