Nonparametric Option Pricing with Generalized Entropic Estimators
使用广义熵估计量的非参数期权定价AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要核心是风险中性测度下的非参数期权价格估计及定价基准比较，直接对应资产定价。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
使用广义熵估计量的非参数期权定价
- 研究问题
- 在期权价格数据有限时，如何主要利用标的收益数据构造非参数期权定价方法，并在有期权观测时纳入额外信息？
- 方法与思路
- 作者提出基于不同 Cressie–Read 差异度的估计量，通过最小化广义熵选择风险中性测度，并比较不同期权信息量的定价表现。
- 材料陈述的贡献
- 摘要称含温和非线性的估计量在该估计族中定价精度最佳，并在标普 500 和个股期权应用中优于若干指定基准。
- 阅读关注点
- 应核对风险中性测度约束、收益样本与期权样本的使用方式，以及精度指标、样本外划分和各基准的校准公平性。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，不能将特定应用中的比较视为普遍优势；约束、误差数值与理论条件未说明，未核对刊本变化。
原文摘要
We propose a family of nonparametric estimators for an option price that require only the use of underlying return data, but can also easily incorporate information from observed option prices. Each estimator comes from a risk-neutral measure minimizing generalized entropy according to a different Cressie–Read discrepancy. We apply our method to price S&P 500 options and the cross-section of individual equity options, using distinct amounts of option data in the estimation. Estimators incorporating mild nonlinearities produce optimal pricing accuracy within the Cressie–Read family and outperform several benchmarks such as Black–Scholes and different GARCH option pricing models. Overall, we provide a powerful option pricing technique suitable for scenarios of limited option data availability.