Порівняння методів
Переглядайте обрані методи поруч; рядки з відмінностями підсвічено.
| Греки за допомогою автоматичного диференціювання× | Локальна волатильність (Dupire)× | |
|---|---|---|
| Галузь | Кількісні фінанси | Кількісні фінанси |
| Родина≠ | Machine learning | Regression model |
| Рік появи≠ | 2008 | 1994 |
| Автор методу≠ | Mike Giles, Iman Homescu | Bruno Dupire |
| Тип≠ | Sensitivity Analysis | Equity/FX Model |
| Основоположне джерело≠ | 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 ↗ |
| Інші назви≠ | AD Greeks, Algorithmic Differentiation, Autodiff | Deterministic Volatility Function, DVF |
| Пов'язані≠ | 3 | 4 |
| Підсумок≠ | 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. |
| ScholarGateНабір даних ↗ |
|
|