পদ্ধতির তুলনা করুন
নির্বাচিত পদ্ধতিগুলো পাশাপাশি পর্যালোচনা করুন; যে সারিগুলোয় পার্থক্য আছে সেগুলো চিহ্নিত করা হয়।
| স্বয়ংক্রিয় অন্তরীকরণ (AD) দ্বারা গ্রিকস (Greeks)× | লোকাল ভোলাটিলিটি (Dupire)× | |
|---|---|---|
| ক্ষেত্র | পরিমাণগত অর্থায়ন | পরিমাণগত অর্থায়ন |
| পরিবার≠ | Machine learning | Regression model |
| উদ্ভবের বছর≠ | 2008 | 1994 |
| প্রবর্তক≠ | Mike Giles, Iman Homescu | Bruno Dupire |
| 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 ↗ | Dupire, B. (1994). Pricing with a smile. Risk Magazine, 7(1), 18-20. link ↗ |
| অপর নাম≠ | AD Greeks, Algorithmic Differentiation, Autodiff | Deterministic Volatility Function, DVF |
| 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. | Dupire's local volatility model (1994) is a deterministic framework that extracts a term and strike-dependent volatility function from market option prices. Unlike constant volatility, local volatility perfectly fits the observed implied volatility smile and is implemented via finite difference methods for European and American option pricing. |
| ScholarGateডেটাসেট ↗ |
|
|