ScholarGate
Assistent
Machine learningComputational Methods

Grekerna via automatisk differentiering

Automatisk differentiering (AD) är en beräkningsteknik för att beräkna derivator (grekerna) genom att differentiera datorprogramkoden som beräknar optionspriset. AD undviker manuell härledning av formler och finita differensapproximationer, vilket ger exakta känsligheter med maskinprecision. Det har blivit väsentligt för riskhantering i realtid i moderna handelssystem.

Tillämpa med EconMindSnartApply, compare, get guidance
Tools & resources
Ladda ner bildspel
Learn & explore
VideoSnart

Läs hela metoden

Endast för medlemmar

Logga in med ett kostnadsfritt konto för att läsa avsnittet.

Logga in

Metodkarta

Närområdet av besläktade metoder — välj en nod för att utforska.

Källor

  1. Giles, M. B. (2008). Adjoint code by automatic differentiation. Journal of Computational Finance, 12(1), 1-18. link
  2. Homescu, C. (2011). Adjoints and automatic differentiation in computational finance. arXiv:1107.1188. link

Så citerar du den här sidan

ScholarGate. (2026, June 3). Automatic Differentiation for Greeks Computation. ScholarGate. https://scholargate.app/sv/quantitative-finance/greeks-via-automatic-differentiation

Vilken metod?

Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.

Jämför sida vid sida
ScholarGateGreeks via Automatic Differentiation (Automatic Differentiation for Greeks Computation). Hämtad 2026-06-17 från https://scholargate.app/sv/quantitative-finance/greeks-via-automatic-differentiation · Datamängd: https://doi.org/10.5281/zenodo.20539026