Source: Derivatives Analytics with Python

Hilpisch, Yves. Derivatives Analytics with Python. Wiley, 2015. — Derivatebewertung als reproduzierbarer Prozess aus Daten, Modellen, Kalibrierung, Simulation und Hedging.

Einordnung

Hilpisch verbindet Theorie mit implementierbarer Praxis. Der Fokus liegt nicht nur auf Bewertungsmodellen, sondern auf der Überführung in belastbare Research- und Hedging-Workflows.

Key Takeaways

1. Modellverständnis muss operationalisiert werden. Theorie ist erst nützlich, wenn sie reproduzierbar gerechnet und getestet werden kann.

2. Kalibrierung ist zentral. Daten, Parameter und Volatilitätsflächen bestimmen die Güte des Modells.

3. Python eignet sich als Forschungsumgebung. Bewertung, Simulation und Hedging lassen sich in einen klaren Quant-Workflow überführen.

4. Hedging ist Teil der Modellarbeit. Bewertungslogik ohne Anschluss an Risikosteuerung bleibt unvollständig.

Verbindung zu Johanns System

Hilpisch ist im Wiki besonders wertvoll für Prototyping, Derivate-Research und spätere Bot- oder Tool-Entwicklung auf Quant-Basis.

Links

• yves_hilpisch — Autor-Entity
• derivate_modell_kalibrierung — Kernbeitrag
• derivate_bewertung_hedging — Topic
• quantitative_finance — Topic