Option Valuation with Conditional Skewness
Bibliographic record
Abstract
Il est clair empiriquement que les prix d'options sur indices diffèrent de manière systématique des prix Black-Scholes. Les prix des options de vente hors du cours (et les prix des options d'achat dans le cours) sont relativement élevés par rapport au prix Black-Scholes. Motivés par ces faits empiriques, nous développons un nouveau modèle dynamique à temps discret de rendements d'actions avec des innovations gaussiennes inverses. Le modèle permet de tenir compte de l'asymétrie conditionnelle ainsi que de l'hétéroskédasticité conditionnelle et d'un effet de levier financier. Nous présentons une formule analytique de prix d'option conforme à cette dynamique des rendements. Un test empirique intensif du modèle à partir des options sur l'indice S&P500 montre que la performance du nouveau modèle GARCH gaussien inverse est supérieure à celle des modèles imbriqués standards pour les options de vente hors du cours, de ce fait démontrant l'importance de l'asymétrie conditionnelle. Le processus GARCH gaussien inverse à temps discret présente deux limites intéressantes en temps continu. Une de ces limites correspond au modèle de volatilité stochastique standard de Heston (1993). L'autre est un processus de sauts purs avec intensité stochastique. En utilisant ces résultats de limites, une motivation équivalente pour notre modèle est qu'il généralise les modèles de volatilité stochastique standards de volatilité en permettant des "sauts" et d'autres mouvements négatifs de queues épaisses dans les rendements d'action. Les résultats empiriques démontrent donc également l'importance des sauts pour l'évaluation des prix d'options de vente hors du cours.
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 | 0.004 | 0.017 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.002 |
| Scholarly communication | 0.003 | 0.005 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.011 | 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".