Estimating Option Pricing Models Using a Characteristic Function-Based Linear State Space Representation
基于特征函数的线性状态空间表示与期权定价模型估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要明确针对期权定价模型的潜在状态滤波与参数估计，直接属于资产定价，未明确将波动率作为独立研究目标。
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…
基于特征函数的线性状态空间表示与期权定价模型估计
- 研究问题
- 对一般仿射跳跃扩散驱动的参数化期权定价模型，如何利用期权价格中的特征函数信息，便捷地估计潜在状态和模型参数？
- 方法与思路
- 作者比较期权隐含与模型隐含的条件对数特征函数，推导线性状态空间表示，并结合修正 Kalman 滤波及准最大似然估计。
- 材料陈述的贡献
- 摘要称，论文建立测量误差的渐近性质并获得计算优势，另以模拟和标普500期权案例展示方法及外生状态变量的应用。
- 阅读关注点
- 应核对期权隐含特征函数的构造、测量误差渐近框架、滤波修正细节，以及计算优势和外生状态变量作用如何被评估。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明数据处理、误差条件或计算增益，案例不构成外生变量的因果证据。
原文摘要
We develop a novel filtering and estimation procedure for parametric option pricing models driven by general affine jump-diffusions. Our procedure is based on the comparison between an option-implied, model-free representation of the conditional log-characteristic function and the model-implied conditional log-characteristic function, which is functionally affine in the model's state vector. We formally derive an associated linear state space representation and establish the asymptotic properties of the corresponding measurement errors. The state space representation allows us to use a suitably modified Kalman filtering technique to learn about the latent state vector and a quasi-maximum likelihood estimator of the model parameters, which brings important computational advantages. We analyze the finite-sample behavior of our procedure in Monte Carlo simulations. The applicability of our procedure is illustrated in two case studies that analyze S&P 500 option prices and the impact of exogenous state variables capturing Covid-19 reproduction and economic policy uncertainty.