Asymetrics smiles, leverage effects and structural parameters
Bibliographic record
Abstract
Dans cet article, nous caractérisons les asymétries observées dans les courbes de volatilités implicites par la présence d'effets de levier multiples dans un modèle dynamique stochastique d'évaluation des actifs financiers.La dépendance entre les mouvements de prix et la volatilité future est introduite par l'intermédiaire d'un ensemble de variables d'état latentes.Ces variables d'état sont susceptibles de capter non seulement le risque de volatilité et le risque de taux d'intérêt qui peuvent influer sur les prix d'options, mais encore les risques de corrélation et de saut.L'effet de levier financier traditionnel est produit quant à lui par une corrélation instantanée entre les variables d'état qui entrent dans le processus de volatilité stochastique du prix de l'action et le processus du prix de l'action proprement dit.Nous disposons toutefois d'un cadre plus général dans lequel l'asymétrie des courbes de volatilités implicites résulte de toute corrélation instantanée entre les variables d'état et soit le rendement de l'action soit le facteur d'actualisation stochastique.Dans le but de tracer les formes des courbes de volatilités implicites générées par un modèle avec variables latentes, nous spécifions un facteur d'actualisation stochastique fondé sur un modèle d'équilibre avec préférences non séparables dans le temps.Lorsque nous calibrons ce modèle avec des valeurs raisonnables des paramètres, nous reproduisons les diverses formes de courbes de volatilités implicites qui sont produites à partir des données de prix d'options observées sur le marché.Mots clés : évaluation d'options, facteur d'actualisation stochastique, volatilité stochastique, volatilité implicite de Black-Scholes, effet de sourire, modèle d'équilibre d'évaluation d'options
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 | 0.017 | 0.114 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.007 | 0.010 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.004 | 0.006 |
| Open science | 0.004 | 0.003 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.073 | 0.020 |
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".