Nonparametric jump variation measures from options
基于期权的非参数跳跃变差度量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：摘要直接研究风险中性尾部跳跃变差，以及扩散波动与跳跃的分离。
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…
关注这篇论文的作者
基于期权的非参数跳跃变差度量
- 研究问题
- 如何从短期期权数据估计尾部跳跃变差，在允许无限跳跃活动的同时避免指定跳跃测度的参数或半参数形式？
- 方法与思路
- 作者将目标度量表示为跳跃补偿器拉普拉斯变换的积分，从期权数据恢复该变换，并利用收益变换的二阶导数分离波动与跳跃。
- 材料陈述的贡献
- 摘要称，该方法可达到速率效率，并在模拟中优于比较方法；标普指数期权应用得到较小、更多由小跳跃产生的负尾跳跃变差。
- 阅读关注点
- 应核对短到期渐近条件、期权观测误差、变换恢复及去偏步骤，并检查效率基准和风险中性尾部度量的解释。
- 阅读边界
- 出版社摘要未列明效率条件、比较数值或期权样本处理；这里的高频表述涉及变换频率，不能直接当作高频交易数据证据。
原文摘要
This paper proposes a novel nonparametric method for estimating tail jump variation measures from short-dated options, which can achieve rate-efficiency and works in a general infinite jump activity setting, avoiding parametric or semiparametric assumptions for the jump measure. The method is based on expressing the measures of interest as integrals of the Laplace transforms of the jump compensator and developing methods for recovering nonparametrically the latter from the available option data. The separation of volatility from jumps is done in a novel way by making use of the second derivative of the Laplace transform of the returns, de-biased using either the value of the Laplace transform or of its second derivative evaluated at high frequencies. A Monte Carlo study shows the superiority of the newly-developed method over existing ones in empirically realistic settings. In an empirical application to S&P 500 index options, we find risk-neutral negative market tail jump variation that is on average smaller than previous estimates of it, is generated by smaller-sized jumps, and has less dependence on the level of diffusive volatility.