เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การคำนวณค่ากรีก (Greeks) ด้วยการหาอนุพันธ์อัตโนมัติ× | แบบจำลองของเบตส์× | |
|---|---|---|
| สาขาวิชา | การเงินเชิงปริมาณ | การเงินเชิงปริมาณ |
| ตระกูล≠ | Machine learning | Regression model |
| ปีกำเนิด≠ | 2008 | 1996 |
| ผู้ริเริ่ม≠ | Mike Giles, Iman Homescu | David S. Bates |
| ประเภท≠ | Sensitivity Analysis | Equity/FX Model |
| แหล่งต้นตำรับ≠ | 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 ↗ |
| ชื่อเรียกอื่น≠ | AD Greeks, Algorithmic Differentiation, Autodiff | SVJ Model, Jump Diffusion |
| ที่เกี่ยวข้อง≠ | 3 | 4 |
| สรุป≠ | 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. |
| ScholarGateชุดข้อมูล ↗ |
|
|