Στο πλαίσιο του Π.Μ.Σ. «Στατιστική και Αναλογιστικά - Χρηματοοικονομικά Μαθηματικά», και των εργαστηρίων «Στατιστικής και Ανάλυσης Δεδομένων» και «Αναλογιστικών και Χρηματοοικονομικών Μαθηματικών», οργανώνεται σεμιναριακή διάλεξη η οποία θα πραγματοποιηθεί από τον κ. Χαλιδιά Νίκο, Διευθυντή Εργαστηρίου Αναλογιστικών - Χρηματοοικονομικών Μαθηματικών, Καθηγητή πρώτης βαθμίδας Τμήμα Στατιστικής και Αναλογιστικών - Χρηματοοικονομικών Μαθηματικών, με τίτλο:
"FINANCIAL ENGINEERING AND OPTION PRICING"
Η σεμιναριακή διάλεξη θα πραγματοποιηθεί την Τρίτη 3 Φεβρουαρίου και ώρα 20:00 και είναι ανοικτή σε οποιονδήποτε ενδιαφερόμενο.
💻 Σένδεσμος Διαδικτυακής Αίθουσας:
https://aegean-gr.zoom.us/j/97072796812?pwd=7tJZHGMSw4Ga92imW9bwknVDWGFYoQ.1
Meeting ID: 970 7279 6812
Passcode: 392102
Παραθέτουμε το abstract της σεμιναριακής διάλεξης:
This presentation develops a model-free framework for option pricing and hedging that relies only on observable market inputs—today’s spot price and a finite set of traded option quotes—rather than committing to a specific distributional model for the underlying. Within a frictionless, no-arbitrage setting, it constructs deterministic arbitrage-free price intervals for European- and American-type contracts with piecewise-linear payoffs by formulating superand sub-replication problems as linear programs from static portfolios of cash, stock, and listed options. The resulting bounds [Ybuyer, Ywriter] provide a robust admissible price range, while the midpoint YD is interpreted as a symmetric reference price that equalizes the two sides’ worst-case (pathwise) loss. The talk then addresses post-trade risk management via (i) worstcase optimal static hedges, (ii) forecast-driven static design under a global loss budget, and (iii) discrete-time self-financing dynamic hedging for path-dependent claims. For dynamic hedging, downside exposure is evaluated through tail-risk criteria (VaR/CVaR) and a CVaR-based “fair” premium is defined by equalizing the parties’ minimal achievable residual downside tail risk. Finally, motivated by the practical limitations of continuous-time replication and model misspecification, the presentation proposes a data-driven, model-agnostic selection of implementable hedging rules by approximating bounded hedge ratios with flexible sigmoidal (neural) families, enriched via stress scenarios and adaptive recalibration.
