เปรียบเทียบวิธี
ดูวิธีที่เลือกเทียบกันแบบเคียงข้าง แถวที่ต่างกันจะถูกเน้นไว้
| การคำนวณค่ากรีก (Greeks) ด้วยการหาอนุพันธ์อัตโนมัติ× | Local Volatility (Dupire)× | |
|---|---|---|
| สาขาวิชา | การเงินเชิงปริมาณ | การเงินเชิงปริมาณ |
| ตระกูล≠ | Machine learning | Regression model |
| ปีกำเนิด≠ | 2008 | 1994 |
| ผู้ริเริ่ม≠ | Mike Giles, Iman Homescu | Bruno Dupire |
| 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 ↗ | Dupire, B. (1994). Pricing with a smile. Risk Magazine, 7(1), 18-20. link ↗ |
| ชื่อเรียกอื่น≠ | AD Greeks, Algorithmic Differentiation, Autodiff | Deterministic Volatility Function, DVF |
| 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. | 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. |
| ScholarGateชุดข้อมูล ↗ |
|
|