MARC

 008250123s2024        us                              c    eng  d
■001000017161387
■00520250211151349
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382762739
■035    ▼a(MiAaPQ)AAI31243030
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aLanza,  Ariel  Aldo  Giovanni.▼0(orcid)0009-0003-9861-6435
■24510▼aEssays  in  Empirical  Asset  Pricing
■260    ▼a[Sl]▼bNorthwestern  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a151  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-11,  Section:  B.
■500    ▼aAdvisor:  Andersen,  Torben;Todorov,  Viktor.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2024.
■520    ▼aAccurate  forecasting  of  the  implied  volatility  surface  is  crucial  for  various  market  participants,  including  asset  managers  and  market  makers,  as  it  enables  effective  risk  management  and  the  identification  of  opportunities.  Additionally,  improving  the  estimation  of  its  evolution  is  essential  for  distinguishing  between  external  shocks  and  movements  inherent  to  the  underlying  dynamics,  preventing  researchers  from  misclassifying  predictable  market  fluctuations  as  anomalies.Traditionally,  linear  models  and  affine  jump-diffusion  processes  have  dominated  the  study  of  the  implied  volatility  surface.  However,  emerging  evidence  suggests  nonlinear  dynamics,  challenging  conventional  approaches.  Given  its  high  dimensionality  (due  to  the  discretization  of  moneyness  and  time  to  maturity),  standard  nonparametric  techniques  like  kernel  regressors  face  limitations  because  of  the  curse  of  dimensionality.  A  growing  body  of  literature  points  to  neural  networks  as  ideal  candidates  for  efficiently  capturing  the  effects  of  an  underlying  lower-dimensional  structure.  This  hypothesis  aligns  with  the  economic  principle  of  parsimony  modeling  complex  systems  with  minimal  explanatory  variables.This  work  applies  recent  advancements  from  the  modern  literature  on  Machine  Learning  to  forecast  the  implied  volatility  surface.  In  doing  so,  it  highlights  how  recent  developments  can  enrich  the  toolkit  of  financial  researchers  by  integrating  techniques  proven  successful  in  other  fields.  Furthermore,  through  a  review  of  neural  network  applications  in  finance  and  the  recent  innovations  in  AI,  this  work  highlights  how  the  establishment  of  standardized  benchmarks  and  collaborative  tools  has  been  fundamental  in  the  advancement  of  AI  in  statistics  and  suggests  that  similar  initiatives  could  be  beneficial  for  financial  forecasting.The  second  chapter  of  this  work  focuses  on  vertical  options  spreads.  Despite  their  apparent  simplicity,  vertical  spreads  can  provide  new  insights  into  the  market  dynamics  and  risk  premia.  By  exploring  the  concept  of  constructing  maximum  growth  portfolios,  the  aim  is  to  more  accurately  assess  the  inherent  "put  premium''  in  out-of-the-money  put  options.  Furthermore,  this  work  suggests  the  construction  of  a  liquidity  index  tailored  to  options  markets.  This  index  could  leverage  the  turnover  inherent  in  options  trading  and  mitigate  the  difficulties  arising  from  tail  risks.
■590    ▼aSchool  code:  0163.
■650  4▼aFinance
■653    ▼aAsset  pricing
■653    ▼aOptions  markets
■653    ▼aNeural  networks
■653    ▼aMarket  makers
■653    ▼aVertical  spreads  
■690    ▼a0508
■690    ▼a0511
■690    ▼a0501
■690    ▼a0800
■71020▼aNorthwestern  University▼bFinance.
■7730  ▼tDissertations  Abstracts  International▼g85-11B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161387▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서