Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > q-fin > arXiv:2505.00255

帮助 | 高级搜索

定量金融 > 计算金融

arXiv:2505.00255 (q-fin)
[提交于 2025年5月1日 ]

标题: Barndorff-Nielsen和Shephard模型的局部风险最小化策略的数值分析

标题: Numerical analysis on locally risk-minimizing strategies for Barndorff-Nielsen and Shephard models

Authors:Takuji Arai
摘要: 我们开发了一种数值方法来求解Barndorff-Nielsen和Shephard(BNS)模型下的局部风险最小化(LRM)策略。 Arai等人 (2017)使用Lévy过程的Malliavin微积分推导了BNS模型下LRM策略的数学表达式,并仅针对资产价格过程是鞅的情况呈现了一些数值结果。 随后,Arai和Imai (2024)开发了第一个适用于具有无限活跃跳跃的非鞅BNS模型的蒙特卡洛(MC)方法。 在这里,我们将Arai等人 (2017)获得的表达式修改为数值上可处理的形式,并利用Arai和Imai(2024)开发的蒙特卡洛方法,提出了一种适用于具有无限活跃跳跃的非鞅BNS模型的LRM策略数值方法。 在本文的最后一部分,我们将进行一些数值实验。
摘要: We develop a numerical method for locally risk-minimizing (LRM) strategies for Barndorff-Nielsen and Shephard (BNS) models. Arai et al. (2017) derived a mathematical expression for LRM strategies in BNS models using Malliavin calculus for L\'evy processes and presented some numerical results only for the case where the asset price process is a martingale. Subsequently, Arai and Imai (2024) developed the first Monte Carlo (MC) method available for non-martingale BNS models with infinite active jumps. Here, we modify the expression obtained by Arai et al. (2017) into a numerically tractable form, and, using the MC method developed by Arai and Imai (2024), propose a numerical method of LRM strategies available for non-martingale BNS models with infinite active jumps. In the final part of this paper, we will conduct some numerical experiments.
评论: 16页,2个图
主题: 计算金融 (q-fin.CP)
引用方式: arXiv:2505.00255 [q-fin.CP]
  (或者 arXiv:2505.00255v1 [q-fin.CP] 对于此版本)
  https://doi.org/10.48550/arXiv.2505.00255
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Takuji Arai [查看电子邮件]
[v1] 星期四, 2025 年 5 月 1 日 02:41:11 UTC (38 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
q-fin.CP
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-05
切换浏览方式为:
q-fin

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号