ScholarGate
دستیار
Machine learningMonte Carlo Methods

روش لانگ‌استاف-شوارز

چالش کلیدی در اختیار خرید آمریکایی، تصمیم‌گیری در مورد اعمال فوری یا نگهداری برای دریافت سود آتی بیشتر است. لانگ‌استاف-شوارز ارزش ادامه (سود مورد انتظار آتی در صورت نگهداری) را با اجرای رگرسیون رو به عقب بر روی مسیرهای شبیه‌سازی شده تخمین می‌زند. در هر گره، دارنده اختیار، سود فوری را با ارزش ادامه تخمین‌زده‌شده مقایسه کرده و در صورت بالاتر بودن سود فوری، آن را اعمال می‌کند.

به‌کارگیری با EconMindبه‌زودیویدیوبه‌زودیدریافت اسلایدها

مطالعهٔ کامل روش

ویژهٔ اعضا

برای خواندن این بخش با حساب رایگان وارد شوید.

ورود

نقشهٔ روش

همسایگی روش‌های مرتبط — برای کاوش، یک گره را برگزینید.

منابع

  1. Longstaff, F. A., & Schwartz, E. S. (2001). Valuing American options by simulation: A simple least-squares approach. Review of Financial Studies, 14(1), 113-147. DOI: 10.1093/rfs/14.1.113
  2. Clements, D. J., & Minca, A. (2008). A simulation approach to estimating near-optimal valuation functions for Bermudan options. Journal of Computational Finance, 12(2), 73-96. link

نحوهٔ استناد به این صفحه

ScholarGate. (2026, June 3). Longstaff-Schwartz Least-Squares Monte Carlo. ScholarGate. https://scholargate.app/fa/quantitative-finance/longstaff-schwartz-method

کدام روش؟

این روش را در کنار نزدیک‌ترین روش‌های خویشاوندش بگذارید و آن‌ها را کنار هم بخوانید — کتابخانه کتاب‌ها را روی میز می‌گشاید؛ انتخاب با شماست.

مقایسهٔ کنار هم
ScholarGateLongstaff-Schwartz Method (Longstaff-Schwartz Least-Squares Monte Carlo). بازیابی‌شده در 2026-06-15 از https://scholargate.app/fa/quantitative-finance/longstaff-schwartz-method · مجموعه‌داده: https://doi.org/10.5281/zenodo.20539026