Empirical Assessment of an Intertemporal option Pricing Model with Latent variables
Bibliographic record
Abstract
On évalue dans cet article la performance empirique d'un modèle dynamique d'évaluation d'options qui fournit une formule de prix fondée sur des processus latents de variables d'état. Cette formule est une généralisation de la formule dite de Hull et White (1987) qui évalue une option européenne écrite sur un actif à volatilité stochastique. On propose dans un premier temps de fonder sur cette formule une procédure empirique ad hoc permettant l'évaluation d'une option à partir du calcul de deux paramètres implicites extraits sur les prix d'options observés la veille. Appliquée à la prévision des prix d'options sur l'indice S&P 500, cette procédure offre un gain de précision significatif par rapport à la pratique usuelle de prévision des prix à travers une volatilité implicite conformément à ce que suggère la formule de Hull et White. Dans un second temps, on propose de particulariser le modèle dans un contexte d'équilibre intertemporel avec utilité récursive. On fournit alors des résultats d'expériences de Monte Carlo montrant que les statistiques de prix d'options produisent des estimateurs des paramètres structurels de l'équilibre beaucoup plus précis que les données de prix de l'actif sous-jacent. Ceci suggère en retour que les paramètres structurels devraient jouer un rôle important dans l'évaluation d'options. Cette affirmation est validée empiriquement sur les données d'options sur l'indice S&P 500 en montrant que la formule de Hull et White est dominée, en termes de prévision des prix d'options hors-échantillon par une formule dépendant explicitement de paramètres de préférence, a fortiori si ceux-ci prennent en compte de façon non contrainte à la fois l'aversion pour le risque et l'élasticité de substitution intertemporelle.
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 | 0.007 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.003 | 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 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".