Évaluation de la liquidité des options de type américain entre la bourse de Montréal et Chicago
Bibliographic record
Abstract
Ce travail de recherche examine la possibilité d’un manque de liquidité dans le marché des options d’action canadiennes. L’analyse est examinée sur deux marchés en importance en Amérique du Nord soit le Chicago Board Option exchange (CBOE) et le Montreal Exchange (MX). Il met en abîme les différents enjeux reliés à l’analyse de la liquidité d’un produit dérivé comme les options. L’étude est réalisée sur des fonds négociés en bourses (FNB) suivant l’indice S&P 500 et transigeant respectivement dans ces deux bourses. Pour arriver à cet objectif, plusieurs indicateurs mesurant la liquidité sur le marché des actions ont été adaptés au marché des options. Sur presque l’ensemble des indicateurs, nous notons une liquidité supérieure du côté américain par rapport au côté canadien sans toutefois pouvoir déceler les raisons de cette disparité. Cette recherche propose également un modèle unique basé une la régression multiple où l’objectif est de maximiser les connaissances de la littérature en évaluation des options afin d’obtenir une évaluation accrue du prix de l’option. La différence entre les prix réels du marché et le prix évalué par notre modèle (i.e. terme d’erreur de la régression) est donc une portion du prix inexpliquée par les informations fondamentales du marché. Ceci peut être expliqué par un manque de liquidité. Ayant basé nos évaluations de prix sur un bassin trop restreint de contrats d’options, les coefficients de notre régression sont trop élevés pour assurer la fiabilité du modèle dans une optique d’outil d’investissement. Cependant, les résultats démontrent une évaluation des prix manifestement supérieure de notre modèle comparativement à l’utilisation d’une technique quelconque prise individuellement.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 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".