পদ্ধতির তুলনা করুন
নির্বাচিত পদ্ধতিগুলো পাশাপাশি পর্যালোচনা করুন; যে সারিগুলোয় পার্থক্য আছে সেগুলো চিহ্নিত করা হয়।
| স্বয়ংক্রিয় অন্তরীকরণ (AD) দ্বারা গ্রিকস (Greeks)× | বেটস মডেল× | |
|---|---|---|
| ক্ষেত্র | পরিমাণগত অর্থায়ন | পরিমাণগত অর্থায়ন |
| পরিবার≠ | Machine learning | Regression model |
| উদ্ভবের বছর≠ | 2008 | 1996 |
| প্রবর্তক≠ | Mike Giles, Iman Homescu | David S. Bates |
| ধরন≠ | Sensitivity Analysis | Equity/FX Model |
| মৌলিক উৎস≠ | Giles, M. B. (2008). Adjoint code by automatic differentiation. Journal of Computational Finance, 12(1), 1-18. link ↗ | Bates, D. S. (1996). Jumps and stochastic volatility: Exchange rate processes implicit in Deutsche Mark options. Review of Financial Studies, 9(1), 69-107. DOI ↗ |
| অপর নাম≠ | AD Greeks, Algorithmic Differentiation, Autodiff | SVJ Model, Jump Diffusion |
| সম্পর্কিত≠ | 3 | 4 |
| সারসংক্ষেপ≠ | Automatic differentiation (AD) is a computational technique for computing derivatives (Greeks) by differentiating the computer code that computes the option price. AD avoids manual derivation of formulas and finite-difference approximations, yielding exact sensitivities with machine precision. It has become essential for real-time risk management in modern trading systems. | The Bates model (1996) combines stochastic volatility and jump diffusion to capture both the volatility smile and the implied volatility skew observed in equity and currency option markets. It extends the Heston model by adding a Poisson jump component to returns, making it suitable for pricing options when sudden price moves are expected. |
| ScholarGateডেটাসেট ↗ |
|
|