Estimating option pricing models using a characteristic function-based linear state space representation
利用特征函数线性状态空间表示估计期权定价模型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：摘要明确以仿射跳跃扩散期权定价模型和标普 500 期权价格为对象，核心是定价模型的状态过滤与参数估计。
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…
利用特征函数线性状态空间表示估计期权定价模型
- 研究问题
- 对于一般仿射跳跃扩散驱动的参数化期权定价模型，如何利用期权隐含特征函数估计参数并过滤潜在状态？
- 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，结合修正 Kalman 滤波和准极大似然。
- 材料陈述的贡献
- 摘要称建立了测量误差与参数推断的渐近结果，方法具有计算优势，并用模拟和标普 500 期权案例展示适用性。
- 阅读关注点
- 应核对期权隐含特征函数的构造、测量误差的性质、滤波修正方式，以及外生状态变量进入定价模型的机制。
- 阅读边界
- 仅依据所给 OpenAlex 摘要；计算优势的量级、误差条件和案例结果未说明，外生状态变量分析不自动构成因果识别。
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 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, for which we establish asymptotic inference results. Accordingly, the filtering and estimation procedure 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.