Combinatorial approach to the calculation of projection coefficients for the simplest Gaussian-Volterra process

Autor: Iryna Bodnarchuk, Yuliya Mishura

Publikováno v: Modern Stochastics: Theory and Applications, Vol 11, Iss 4, Pp 403-419 (2024)

The Gaussian-Volterra process with a linear kernel is considered, its properties are established and projection coefficients are explicitly calculated, i.e. one of possible prediction problems related to Gaussian processes is solved.

Externí odkaz: https://doaj.org/article/22209c55b87145fd9d78100ee619f0af

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.

Deep learning volatility: a deep neural network perspective on pricing and calibration in (rough) volatility models

Autor: Blanka Horvath, Aitor Muguruza, Mehdi Tomas

Publikováno v: Quantitative Finance
Horvath, B, Muguruza, A & Tomas, M 2021, ' Deep learning volatility : a deep neural network perspective on pricing and calibration in (rough) volatility models ', Quantitative Finance, vol. 21, no. 1, pp. 11-27 . https://doi.org/10.1080/14697688.2020.1817974

We present a neural network-based calibration method that performs the calibration task within a few milliseconds for the full implied volatility surface. The framework is consistently applicable throughout a range of volatility models—including se

Externí odkaz: https://explore.openaire.eu/search/publication?articleId=doi_dedup___::36ebc5f0aeacb32e29e2d2840752f3cc
https://doi.org/10.1080/14697688.2020.1817974