导论

一、金融数学

金融数学也叫数理金融，数学金融。两次华尔街革命产生了一门新兴的学科，即金融数学（Financial Mathematics），也叫数理金融。

两次华尔街革命
第一次华尔街革命是马科维茨资产组合理论；第二次华尔街革命是Black-Scholes期权定价公式

金融数学是金融学自身发展而衍生出来的一个新的分支，是数学与金融学相结合而产生的一门新的学科。
数学：研究现实世界的空间形式和数量关系的科学
金融学：研究运作“金钱”事务的科学
金融数学：运用数学工具啦定量研究金融问题的一门学科
金融工程：金融工程是指一切利用工程化手段来解决金融问题的技术开发，它不仅仅包括金融产品设计，还包括金融产品定价、交易策略设计、金融风险管理等各个方面。

金融工程与金融数学没有太多的区别。金融学中的风向管理以定性为主，也会涉及到数学的方法，在金融工程中，要把金融产品和金融风险管理相结合。

涉及到的三个方面：

设计金融产品
对设计出来的产品进行定价
对金融产品进行管理

金融数学的内容

金融数学研究的中心问题时风险资产（包括衍生金童产品和金融工具）的定价和最优投资策略的选择，他的主要理论有：资本资产定价模型，套利定价理论，期权定价理论及动态投资组合理论。

金融数学主要内容：资产定价、风险管理

核心：期权定价理论

结论：金融数学研究的主要内容：资产定价和风险管理。

金融数学的研究工具

金融数学的主要工具是随机分析和数理统计（非线性时间序列）。做金融数学要学好随机分析。学好随机分析先要学随机过程。随机分析和数理统计侧重点不同。概率论是数理统计的基础，数理统计是概率论的应用。随机分析侧重于理论的推导。模型建立后要靠数理统计进行参数估计。金融市场是一个高度复杂的系统。复杂的系统一般都是非线性的。

金融数学的研究方法：

规范金融数学
实证金融数学

规范金融数学：强调运用高等数学、最优化、概率论、微分方程等知识对金融原理进行推导。例如华尔街革命。

实证金融数学：强调运用统计学、计量经济学、时间序列分析等知识对金融原理进行假设检验，并得出一些经验结论。例如：资产定价模型的检验、行为金融学的检验。

二、金融数学的发展历程

金融数学大致可分为三个时期：

时期	代表人物
第一个时期：发展初期	K.Arrow、G.Debreu、J.Lintner、H.M.Markowitz、w.Sharp、F.Modigliani
第二个时期(黄金时期)：1969-1979	R.Merton、F.Black、M.Scholes、J.Cox、S.Ross、M.Rubinstein、S.Lekoy
第三个时期：1980至今	D.Duffie、I.Karatzas、J.Cox、C.F.Huang

早在1900年，法国人Louis Bachelier就在一篇关于金融投机的论文中，已经开始利用随机过程工具探索那时尚无实物的金融衍生资产定价问题，但他的论文并未得到人们的重视。

Ross（1976a）提出与CAPM竞争的套利定价理论(APT)。20世纪70年代最具革命性意义的事情无疑当数Black和Scholes（1973）推导出简单的期权定价公式，以及Merton（1973b）对该定价公式的发展和深化。

Harrison和Kreps（1979）发展了证券定价鞅理论（theory of martingale pricing.),这个理论在目前仍是金融研究的前沿课题。（另外一条线是偏微分方程的方法。）

第三个阶段虽然成果频出，但真正发展的阶段还是在于第二个阶段。

1980年代以后，资产定价理论和不完全信息金融市场分析继续发展。

金融数学两条路线：鞅理论和偏微分方程。

金融数学在我国的发展

我国的金融数学研究开始于1993年，其标志是1993年初彭实戈作出的关于“倒向随机微分方程研究及其在金融中的应用”的报告。

彭实戈，生于1947年12月8日，三项重要研究成果：“倒向随机微分方程”、“非线性Feynman-kac公式”和“随机最有控制一般最大化原理”；1984年4月，彭实戈与法国教授Pardoux一起开创了“倒向随机微分方程”的新方向。

国内在金融数学领域知名人物：

彭实戈
姜礼尚
宋逢明
史树中
金治明,国防科技大学，教授
三个科技文献检索：SCI、EI、ISTP

金融数学领域国内较厉害的高校：北大、南开、复旦、西南财大、西交利物浦大学

金融数学：美国、香港、加拿大

金融数学：金融+数学+计算机

参考书：

1.Y.-K.Kwok.Mathematical models of financial derivatives.(Second Edition).Springer,2010
2.Stampfli,Goodman,The Mathematics of Finance:Modeling and Hedging.机械出版社，2003年。
3.张寄洲译.金融数学教程，人们邮电出版社，2006.
4.冉启康译.数理金融初步，机械工业出版社，2013.
5.郑振龙，陈蓉.金融工程，第三版.高等教育出版社，2014
6.约翰.赫尔（John C.Hull）.期权、期货和其他衍生产品，第10版，清华大学出版社。

三、金融数学的结构框架

金融数学结构框架

第一章

第一节微积分在数理金融中的应用

一、指数和对数函数的应用

(一) 连续复利和实际利率

一年后：
A1=P+P×r=P(1+r)A_1 = P + P\times r=P(1+r)A1=P+P×r=P(1+r)
两年后：
A2=P(1+r)2A_2 = P(1+r)^2A2=P(1+r)2
mmm年后：
Am=P(1+r)mA_m = P(1+r)^mAm=P(1+r)m

考虑半年计息一次：
A=P(1+r2)2A = P(1+ \frac{r}{2})^2A=P(1+2r)2
考虑计息间隔越来越小，一年计息mmm次：
A=P(1+rm)mA = P(1 + \frac{r}{m})^mA=P(1+mr)m
取极限：
A=lim⁡m→+∞P(1+rm)m=PerA = \mathop {\lim }\limits_{m \to + \infty } P\left ( 1 + \frac{r}{m} \right )^m = Pe^rA=m→+∞limP(1+mr)m=Per
ttt年：
A=PertA = Pe^{rt}A=Pert

111元, 年利率为rrr, 一年后：
ere^rer
ttt年后：
erte^{rt}ert

t=nt = nt=n 时，111元，则零时刻现值为e−rne^{-rn}e−rn

例1：求100100100 元本金，以10%10\%10%复利两年的终值。(1).每年计算复利一次；(2.)半年计算复利一次; (3).连续计算复利。

解答：(1).每年计算复利一次，则有两年后的终值为A=100×(1+10%)2=121A = 100\times (1+10\%)^2=121A=100×(1+10%)2=121;(2).半年计算复利一次，则A=100×(1+10%2)2×2=121.55A=100\times (1+\frac{10\%}{2})^{2\times2}=121.55A=100×(1+210%)2×2=121.55;(3).连续复利，则A=100×e10%×2=122.14A=100\times e^{10\% \times 2}=122.14A=100×e10%×2=122.14. 结论：复利次数越多，终值越大，连续复利的终值最大。

(二) 实际利率和名义利率

P(1+ie)t=P(1+im)mtP(1+i_e)^t = P \left (1+ \frac{i}{m} \right )^{mt}P(1+ie)t=P(1+mi)mt
ie=(1+im)m−1i_e = \left (1+ \frac{i}{m} \right )^m -1ie=(1+mi)m−1
ie=ei−1i_e = e^i -1ie=ei−1

例2：名义利率为10%10\%10%, 期限为222年，求：(1).复利两次 (2).连续复利. 的实际利率。

解答：(1). ie=(1+im)m−1=0.1025i_e = \left (1+\frac{i}{m} \right)^m - 1=0.1025ie=(1+mi)m−1=0.1025; (2).ie=er−1=0.105171i_e = e^r-1=0.105171ie=er−1=0.105171.

第三节随机过程在数理金融中的应用

一、随机过程的含义

1.如果对变化过程的全过程做一次观察，得到一个位置与时间关系的函数 x1(t)x_1(t)x1(t), 若再次观察，又得到函数 x2(t),⋯ ,x_2(t),\cdots,x2(t),⋯,, 因而得到一族函数。
2.如果在时刻 ttt 观察指点的位置 x(t)x(t)x(t) , 则x(t)x(t)x(t)是一个随机变量，这样对于每个时刻 ttt变得到一个随机变量X(t)X(t)X(t)，于是就得到了一族随机变量 {X(t),t≥0}\{X(t),t \ge 0 \}{X(t),t≥0} (最初时刻为 t=0t = 0t=0), 它描述了随机的运动过程。

定义1 设EEE是一个随机实验，样本空间为 Ω={ω}\Omega = \{ \omega \}Ω={ω},参数 T⊂(−∞,+∞)T \subset (- \infty,+ \infty)T⊂(−∞,+∞), 如果对每个 ω∈Ω\omega \in \Omegaω∈Ω, 总有一个 确定的时间函数 X(ω,t)X(\omega,t)X(ω,t) 与之对应，这样对于所有的 ω∈Ω\omega \in \Omegaω∈Ω, 就得到一族时间ttt 的函数，称此族时间ttt的函数为随机过程，而族中每个函数称为这个随机过程的样本函数(或路径，一次实现)。

定义2 设EEE是一个随机实验，样本空间为 Ω={ω}\Omega = \{ \omega \}Ω={ω},参数 T⊂(−∞,+∞)T \subset (- \infty,+ \infty)T⊂(−∞,+∞), 如果对任意的 t∈Tt \in Tt∈T, 有一定义在 Ω\OmegaΩ 上的随机过程变量X(ω,t)X(\omega,t)X(ω,t) 与之对应，则称 {X(ω,t,t∈T})\{X(\omega,t,t \in T\}){X(ω,t,t∈T}) 为随机过程，简记为{X(t),t∈T}\{X(t),t \in T\}{X(t),t∈T}, 或X(t)X(t)X(t).

1.随机过程 X(t)X(t)X(t), 是定义在 Ω×T\Omega \times TΩ×T 上的函数，可以从两个角度理解。在理论分析中，用定义2，实际测量和处理中用定义1.
2.通常将随机过程X(t)X(t)X(t)，解释为一个物理系统，X(t)X(t)X(t) 表示系统在时刻 ttt 所处的状态，X(t)X(t)X(t)的所有可能状态所构成的集合称为状态空间，记为 III, 对于给定的 $t_0 $

可以通过下图来直观的理解随机过程的概念：

例如：抛掷一枚硬币的实验定义：
X(t)=Δ{cos⁡(ωt),e∈Ht,e∈TX\left( t \right) \xlongequal{\Delta} \left\{ \begin{array}{l} \cos \left( {\omega t} \right),e \in H\\ t,e \in T \end{array} \right.X(t)Δ{cos(ωt),e∈Ht,e∈T

latex等号

二、随机过程分类

1.按照 III和TTT 是可列集合还是连续集合分类：连续型、离散型、连续型随机序列、离散随机序列。
2.按分布特性分类：独立增量过程、马尔可夫过程、平稳过程等。

三、随机过程的概率分布

1.nnn维分布函数

设{X(t),t∈T}\{X(t),t \in T \}{X(t),t∈T}是随机过程，对于任意整数 n≥1n \ge 1n≥1 及TTT 中任意 nnn 个不同参数 t1,t2,⋯ ,tnt_1,t_2,\cdots,t_nt1,t2,⋯,tn, 称 FX(x1,x2,⋯ ,xn;t1,t2,⋯ ,tn)=P{X(t1)≤x1,X(t2)≤x2,⋯ ,X(tn)≤xn}F_X \left ( x_1,x_2,\cdots,x_n;t_1,t_2,\cdots,t_n \right) = P \left \{ X(t_1) \le x_1 ,X(t_2) \le x_2,\cdots,X(t_n) \le x_n\right \}FX(x1,x2,⋯,xn;t1,t2,⋯,tn)=P{X(t1)≤x1,X(t2)≤x2,⋯,X(tn)≤xn} 为其联合分布. 由有限维分布函数构成的集合称为随机过程的有限维分布族.

2.随机过程的数字特征

均值函数：μX(t)=E[X(t)]\mu_X(t) = E[X(t)]μX(t)=E[X(t)]
均方值函数：ΨX2(t)=E[X2(t)]\varPsi_X^2(t) = E[X^2(t)]ΨX2(t)=E[X2(t)]
方差函数: σX2(t)=DX[X(t)]\sigma_X^2(t) = D_X[X(t)]σX2(t)=DX[X(t)]
协方差函数: CX(s,t)=Cov(X(s),X(t))=E{[X(s)−μX(s)][X(t)−μX(t)]}C_X(s,t) = Cov(X(s),X(t)) = E\{[X(s) -\mu_X(s)][X(t) - \mu_X(t)] \}CX(s,t)=Cov(X(s),X(t))=E{[X(s)−μX(s)][X(t)−μX(t)]}
自相关函数:RX(s,t)=E[X(s)X(t)]R_X(s,t) = E[X(s)X(t)]RX(s,t)=E[X(s)X(t)]

期望：均值; 方差: 波动程度.

3.诸数字特征的关系

ΨX2(t)=RX(t,t),CX(s,t)=RX(s,t)−μX(s)⋅μX(t)\varPsi_X^2(t) = R_X(t,t),C_X(s,t)=R_X(s,t) - \mu_X(s)\cdot \mu_X(t)ΨX2(t)=RX(t,t),CX(s,t)=RX(s,t)−μX(s)⋅μX(t)

例子：设随机过程 X(t)=Ycos⁡(ωt)+Zsin⁡(ωt),t≥0X(t) = Y\cos(\omega t) + Z\sin(\omega t),t \ge 0X(t)=Ycos(ωt)+Zsin(ωt),t≥0, 其中 Y,ZY,ZY,Z独立, 且有 E(Y)=E(Z)=0,D(Y)=D(Z)=σ2E(Y)=E(Z)=0,D(Y)=D(Z)=\sigma^2E(Y)=E(Z)=0,D(Y)=D(Z)=σ2, 求随机过程X(t)X(t)X(t)的均值函数μX(t)\mu_X(t)μX(t)和自相关函数RX(s,t)R_X(s,t)RX(s,t)。

解答：
μX(t)=E[X(t)]=E[Ycos⁡ωt+Zsin⁡ωt]=cos⁡ωt⋅E(Y)+sin⁡ω⋅E[Z]=0\mu_X(t) = E[X(t)] =E[Y\cos\omega t + Z\sin\omega t] =\cos\omega t \cdot E(Y) + \sin\omega \cdot E[Z]=0μX(t)=E[X(t)]=E[Ycosωt+Zsinωt]=cosωt⋅E(Y)+sinω⋅E[Z]=0
$
R_X(s,t)$
=E[X(s)X(t)]=E[X(s)X(t)]=E[X(s)X(t)]
=E{[Ycos⁡ωs+Zsin⁡ωs][Ycos⁡ωt+Zsin⁡ωt]}=E\{ [Y\cos \omega s +Z\sin \omega s][Y\cos \omega t + Z\sin \omega t] \}=E{[Ycosωs+Zsinωs][Ycosωt+Zsinωt]}
=E{Y2cos⁡ωscos⁡ωt+YZ[cos⁡ωssin⁡ωt+cos⁡ωtsin⁡ωs]+Z2sin⁡ωssin⁡ωt}=E\{ Y^2\cos\omega s \cos \omega t +YZ[\cos\omega s \sin \omega t +\cos\omega t \sin \omega s] + Z^2\sin\omega s \sin \omega t \}=E{Y2cosωscosωt+YZ[cosωssinωt+cosωtsinωs]+Z2sinωssinωt}
=cos⁡ωscos⁡ωtE(Y2)+sin⁡ωssin⁡ωtE(Z2)=\cos\omega s\cos \omega t E(Y^2) + \sin \omega s\sin \omega t E(Z^2)=cosωscosωtE(Y2)+sinωssinωtE(Z2)
=σ2[cos⁡ωscos⁡ωt+sin⁡ωssin⁡ωt]=\sigma^2[\cos \omega s \cos \omega t +\sin \omega s \sin \omega t]=σ2[cosωscosωt+sinωssinωt]
=σ2cos⁡ω(s−t)=\sigma^2 \cos\omega (s-t)=σ2cosω(s−t)

例2：考虑随机过程 X(t)=acos⁡(ωt+Θ),t∈(−∞,+∞)X(t) = a\cos(\omega t + \Theta),t \in (-\infty,+ \infty)X(t)=acos(ωt+Θ),t∈(−∞,+∞), 其中aaa和ω\omegaω是常数，Θ\ThetaΘ 是在 (0,2π)(0,2 \pi)(0,2π) 上服从均匀分布的随机变量，通常称此随机过程为随机相应正弦波，求随机相位正弦波的均值函数、方差函数和自相关函数。

解答：Θ\ThetaΘ 的概率密度函数为
f(θ)={12π,θ∈(0,2π)0,θ∉(0,2π)f(\theta) = \left \{ \begin{array}{l} \frac{1}{2 \pi},\theta \in (0,2 \pi) \\ 0,\theta \notin (0,2 \pi) \end{array} \right.f(θ)={2π1,θ∈(0,2π)0,θ∈/(0,2π)
于是
$\mu_X(t) $
$= E[X(t)] $
$= E[a\cos(\omega t + \Theta)] $
=∫02πacos⁡(ωt+θ)⋅12πdθ=0=\int_0^{2 \pi} a\cos(\omega t+\theta)\cdot \frac{1}{2 \pi} \rm{d}\theta =0=∫02πacos(ωt+θ)⋅2π1dθ=0
$
R_X(s,t)$
$
=E[X(s)X(t)]$
$
=E{ [a^2\cos(\omega s +\Theta )\cos(\omega t + \Theta)] }$
$
=a^2\int_0{2 \pi} \cos(\omega s +\theta) \cdot \cos(\omega t + \theta)\cdot \frac{1}{2 \pi}\rm{d}\theta$
$=\frac{a^2}{2} \cos\omega(t-s)
$,
$
\sigma_X^2(t) = R_X(t,t) - \mu_X^2(t)=\frac{a2}{2}
$

例子3：设随机过程X(t)=Y+Zt,t∈T=(−∞,+∞)X(t) = Y+Zt,t \in T = (- \infty,+ \infty)X(t)=Y+Zt,t∈T=(−∞,+∞), 其中Y,ZY,ZY,Z 是独立的服从 N(0,1)\mathcal{N}(0,1)N(0,1) 的随机变量，求 X(t)X(t)X(t) 一维概率密度。

解答：
$\forall t \in T $ 由正态分布的性质可知：X(t)X(t)X(t)服从正态分布：
E[X(t)]=E[Y]+tE[Z]=0E[X(t)] = E[Y] + tE[Z]=0E[X(t)]=E[Y]+tE[Z]=0
D[X(t)]=D(Y)+t2D(Z)=1+t2D[X(t)] = D(Y)+t^2D(Z)=1+t^2D[X(t)]=D(Y)+t2D(Z)=1+t2
从而有：
f(x,t)=12π(1+t2)e−x22(1+t2)f(x,t)=\frac{1}{\sqrt{2 \pi (1+t^2)}}e^{-\frac{x^2}{2(1+t^2)}}f(x,t)=2π(1+t2)1e−2(1+t2)x2

四、二维随机过程

定义1: X(t),Y(t)X(t),Y(t)X(t),Y(t) 为定义在同一样本空间 Ω\OmegaΩ 和同一参数集 TTT 上的随机过程, 对于任意的t∈T,(X(t),Y(t))t \in T, \left ( X(t) ,Y(t)\right )t∈T,(X(t),Y(t))

二维随机变量的数字特征

互相关函数：RXY(s,t)=E[X(s)Y(t)]R_XY(s,t) = E[X(s)Y(t)]RXY(s,t)=E[X(s)Y(t)]
若互相关函数为零, 称两个随机变量是正交的.

几类随机过程

严平稳随机过程: 设X(t)X(t)X(t)是随机过程, 如果对于任意的常数hhh 和任意的正整数nnn 以及任意的 nnn 维随机向量 (X(t1),⋯ ,X(tn))\left (X(t_1),\cdots,X(t_n) \right )(X(t1),⋯,X(tn)) 和 (X(t1+h),⋯ ,X(tn+h))\left (X(t_1+h),\cdots,X(t_n+h) \right )(X(t1+h),⋯,X(tn+h)) 具有相同的分布,则称随机过程 X(t)X(t)X(t)具有平稳性, 并同时此为严平稳过程.

严平稳随机过程的数字特征. (略过)

弱平稳过程: 设X(t)X(t)X(t) 是二阶矩过程(E[X2(t)]<+∞E[X^2(t)] < + \inftyE[X2(t)]<+∞), 如果: $E[X(t)]=\mu_X (const),t \in T and \forall t,t + \tau \in T $

独立增量过程: 设 X(t)X(t)X(t) 为一随机过程, 对于 $ \le s < t$ 称随机变量 X(t)−X(s)X(t) - X(s)X(t)−X(s) 为随机过程在时间区间 [s,t][s,t][s,t] 上的增量.

对于任意的正整数 nnn 以及任意的 0≤t0<t1<⋯<tn0 \le t_0 < t_1 < \cdots <t_n0≤t0<t1<⋯<tn
nnn 个增量X(t1)−X(t0),X(t2)−X(t1),⋯ ,X(tn)−X(tn−1)X(t_1)-X(t_0), X(t2)-X(t_1),\cdots,X(t_n)-X(t_{n-1})X(t1)−X(t0),X(t2)−X(t1),⋯,X(tn)−X(tn−1) 相互独立, 称 X(t)X(t)X(t) 为独立增量过程.

独立增量过程X(t)X(t)X(t) 在 X(0)=0X(0)=0X(0)=0 的条件下, X(t)X(t)X(t) 的协方差函数为 CX(s,t)=DX(min⁡(s,t))C_X(s,t) = D_X( \min (s,t))CX(s,t)=DX(min(s,t)).

维纳过程(布朗运动): 给定二阶矩过程{W(t),t≥0}\{ W(t), t \ge 0 \}{W(t),t≥0}, 如果:

1.具有平稳的独立增量;
2.对任意的 t>s≥0,W(t)−W(s)t > s \ge 0 , W(t) - W(s)t>s≥0,W(t)−W(s) 服从正态分布 N(0,σ2(t−s))\mathcal{N}(0,\sigma^2(t-s))N(0,σ2(t−s));
3.W(0)=0W(0)=0W(0)=0

则称此过程为维纳过程. 当σ2=1\sigma^2 =1σ2=1时, 过程称为标准布朗运动.

维纳过程的性质:

处处连续, 处处不可导.
维纳过程W(t)W(t)W(t) 为正态过程 (每一个有限维过程均为正态分布)
aW(t)∼N(0,a2σ2t)aW(t) \sim \mathcal{N}(0,a^2 \sigma^2 t)aW(t)∼N(0,a2σ2t)
维纳过程的均值函数、自协方差函数、自相关函数分别为 μW(t)=0;RW(s,t)=CW(s,t)=σ2min⁡(s,t)\mu_W(t) =0; R_W(s,t)=C_W(s,t) = \sigma^2 \min(s,t)μW(t)=0;RW(s,t)=CW(s,t)=σ2min(s,t)

鞅过程

(Ω,F,P)\left (\Omega, \mathscr{F},P \right )(Ω,F,P)

Ω\OmegaΩ 样本空间
F\mathscr{F}F 滤波(子)
PPP 概率测度
Ft\mathscr{F}_tFt 到ttt 时刻为止所知道的信息.

定义: 随机过程 XnX_nXn 称为关于YnY_nYn的下鞅, 如果对n≥0,Xnn \ge 0 , X_nn≥0,Xn 是(Y0,Y1,⋯ ,Yn)(Y_0,Y_1,\cdots,Y_n)(Y0,Y1,⋯,Yn) 的函数, E[Xn+]<∞E[X_n^{+}] < \inftyE[Xn+]<∞, 并且E[Xn+1∣Y0,Y1,⋯ ,Yn]≥Xn,E[X_{n+1}|Y_0,Y_1,\cdots,Y_n] \ge X_n,E[Xn+1∣Y0,Y1,⋯,Yn]≥Xn,其中Xn+=max⁡(0,Xn)X_n^{+} =\max(0,X_n)Xn+=max(0,Xn). 随机过程 XnX_nXn称为关于YnY_nYn的上鞅, 如果对 n≥0,Xnn \ge 0 , X_nn≥0,Xn 是 (Y0,Y1,⋯ ,Yn)(Y_0,Y_1,\cdots,Y_n)(Y0,Y1,⋯,Yn)的函数, E[Xn−]<∞E[X_n^{-}] < \inftyE[Xn−]<∞, 并且E[Xn+1∣Y0,Y1,⋯ ,Yn]≤XnE[X_{n+1}|Y_0,Y_1,\cdots,Y_n] \le X_nE[Xn+1∣Y0,Y1,⋯,Yn]≤Xn, 其中Xn−=max⁡[0,−Xn]X_n^{-} = \max [0,-X_n]Xn−=max[0,−Xn].

若随过程机XnX_nXn 既为YnY_nYn 的上鞅, 又为下鞅, 则称XnX_nXn 为关于YnY_nYn的鞅. 此时E[Xn+1∣Y0,Y1,⋯ ,Yn]=XnE[X_{n+1}|Y_0,Y_1,\cdots,Y_n] = X_nE[Xn+1∣Y0,Y1,⋯,Yn]=Xn

伊藤(Ito)积分:
∫X(t)dB(t)\int X(t) \rm{d} B(t)∫X(t)dB(t)
ΔB(tj)=B(tj+1)−B(tj)\Delta B(t_j) = B(t_{j+1})-B(t_j)ΔB(tj)=B(tj+1)−B(tj)
dB(tj)=Δlim⁡tj+1→tjΔB(tj)\rm{d} B(t_j) \xlongequal{\Delta} \mathop{\lim}\limits_{{t_{j + 1}} \to {t_j}} \Delta B(t_j)dB(tj)Δtj+1→tjlimΔB(tj)

伊藤过程: X(t)X(t)X(t) 是定义在 (Ω,F,P)(\Omega,\mathscr{F},\mathscr{P})(Ω,F,P) 上的随机过程(s.p.). 若X(t)=X(0)+∫0tU(s)ds+∫0tV(s)dB(s)X(t)=X(0)+\int_0^t U(s) \rm{d}s + \int_0^t V(s) \rm{d} B(s)X(t)=X(0)+∫0tU(s)ds+∫0tV(s)dB(s) 或者

dX(t)=U(t)d+V(t)dB(t)\rm{d} X(t) = U(t)\rm{d} + V(t)\rm{d}B(t)dX(t)=U(t)d+V(t)dB(t), 其中B(t)B(t)B(t) 为布朗运动.
称为随机微分方程(SDE)

结论: dB(t)dB(t)=dt,B(t)dt=0\rm{d} B(t) \rm{d} B(t)=dt, \rm{B(t)} \rm{d}t = 0dB(t)dB(t)=dt,B(t)dt=0

鞅: 公平赌博. 可以参考高等概率论.

作业: 简述金融数学的发展历程.

伊藤定理

设随机过程X(t)X(t)X(t)满足:dX(t)=b(t,X(t))dt+δ(t,X(t))dB(t),y=f(t,x)\rm{d}X(t) = b(t,X(t))\rm{d}t + \delta (t,X(t))\rm{d}B(t),y=f(t,x)dX(t)=b(t,X(t))dt+δ(t,X(t))dB(t),y=f(t,x) 是二元函数，且具有连续偏导数∂f∂t,∂f∂x,∂2f∂x2\frac{\partial f}{\partial t},\frac{\partial f}{\partial x},\frac{\partial^2 f}{\partial x^2}∂t∂f,∂x∂f,∂x2∂2f，令Y(t)=f(t,X(t))Y(t) = f(t,X(t))Y(t)=f(t,X(t))，则dY(t)=(∂f∂t+b∂f∂x+∂2f∂x2)(t,X(t))dt+δ∂f∂x(t,X(t))dB(t)\rm{d}Y(t) = \left (\frac{\partial f}{\partial t} + b \frac{\partial f}{\partial x} + \frac{\partial^2 f}{\partial x^2} \right) (t,X(t)) \rm{d}t + \delta \frac{\partial f}{\partial x} (t,X(t))\rm{d}B(t)dY(t)=(∂t∂f+b∂x∂f+∂x2∂2f)(t,X(t))dt+δ∂x∂f(t,X(t))dB(t)

伊藤定理的另一个版本

set dX(t)=U(t)dt+V(t)dB(t),g(t,x)\rm{d}X(t) = U(t)\rm{d}t + V(t)\rm{d}B(t),g(t,x)dX(t)=U(t)dt+V(t)dB(t),g(t,x)所有二阶偏导数连续, Y=g[(t,X(t))]Y = g[(t,X(t))]Y=g[(t,X(t))], 则dY(t)=[∂g∂t+∂g∂xU(t)+1/2∂2g∂x2V2(t)]dt+∂g∂xV(t)dB(t)\rm{d}Y(t) = \left [ \frac{\partial g}{\partial t} + \frac{\partial g}{\partial x}U(t) +1/2 \frac{\partial^2 g}{\partial x^2}V^2(t) \right ] \rm{d}t + \frac{\partial g}{\partial x}V(t) \rm{d}B(t)dY(t)=[∂t∂g+∂x∂gU(t)+1/2∂x2∂2gV2(t)]dt+∂x∂gV(t)dB(t)或者dY(t)=gtdt+gxdx+1/2gxx(dx)2\rm{d}Y(t) = g_t \rm{d}t + g_x \rm{d}x + 1/2 g_{xx}(\rm{d}x)^2dY(t)=gtdt+gxdx+1/2gxx(dx)2

例1：设g(t,x)=1/2x2,X=B(t)g(t,x)=1/2 x^2,X = B(t)g(t,x)=1/2x2,X=B(t), 计算dY(t)\rm{d}Y(t)dY(t)

解答: 令g(t,x)=1/2x2,gt=0,gx=x,gxx=1g(t,x)=1/2 x^2,g_t=0,g_x=x,g_{xx}=1g(t,x)=1/2x2,gt=0,gx=x,gxx=1, 由伊藤引理：dY(t)=d(12B2(t))=gtdt+gxdx+1/2gxx(dx)2=0×dt+xdx+12(dx)2=B(t)dB(t)+1/2dt\rm{d}Y(t) = \rm{d}(\frac{1}{2}B^2(t)) = g_t \rm{d}t + g_x \rm{d}x + 1/2 g_{xx}(\rm{d}x)^2 = 0 \times \rm{d}t + x\rm{d}x + \frac{1}{2} (\rm{d}x)^2 = B(t)\rm{d}B(t) + 1/2 \rm{d}tdY(t)=d(21B2(t))=gtdt+gxdx+1/2gxx(dx)2=0×dt+xdx+21(dx)2=B(t)dB(t)+1/2dt

例2: Y(t)=exp(B(t)−t2)Y(t) = exp(B(t) - \frac{t}{2})Y(t)=exp(B(t)−2t), count dY(t)\rm{d}Y(t)dY(t)

解答：Y(t)=g(t,x)=exp(x−t2),X(t)=B(t)Y(t) = g(t,x)=exp(x-\frac{t}{2}),X(t)=B(t)Y(t)=g(t,x)=exp(x−2t),X(t)=B(t)
gt=−12exp(−t2+x),gx=exp(x−t2),gxx=exp(x−t2)g_t = -\frac{1}{2}exp(-\frac{t}{2}+x),g_x = exp(x-\frac{t}{2}),g_{xx} = exp(x-\frac{t}{2})gt=−21exp(−2t+x),gx=exp(x−2t),gxx=exp(x−2t)
由伊藤定理； dY(t)=exp(B(t)−t2)dB(t)=Y(t)dB(t)\rm{d}Y(t) = exp(B(t) - \frac{t}{2}) \rm{d}B(t) = Y(t)\rm{d}B(t)dY(t)=exp(B(t)−2t)dB(t)=Y(t)dB(t)

例子3：股票价格 StS_tSt服从dSt=Stμdt+StσdB(t)\rm{d}S_t = S_t \mu \rm{d}t + S_t \sigma \rm{d}B(t)dSt=Stμdt+StσdB(t) 求StS_tSt的分布。μ\muμ为收益率, σ\sigmaσ 为波动率。

解答：setg(t,S)=ln⁡S,wehavegt=0,gS=1S,gSS=−1S2set g(t,S) = \ln S,we have g_t = 0,g_S = \frac{1}{S},g_{SS}=-\frac{1}{S^2}setg(t,S)=lnS,wehavegt=0,gS=S1,gSS=−S21
由伊藤定理:
dg=gtdt+gSdS+12gSS(dS)2=(μ−12σ2)dt+σdB(t)\rm{d}g = g_t \rm{d}t + g_S\rm{d}S + \frac{1}{2} g_{SS}(\rm{d}S)^2 = (\mu - \frac{1}{2}\sigma^2)\rm{d}t + \sigma \rm{d}B(t)dg=gtdt+gSdS+21gSS(dS)2=(μ−21σ2)dt+σdB(t)
积分有：
ln⁡St−ln⁡S0=∫0T(μ−σ22)dt+∫0TσdB(t)=(μ−σ22)T+σB(T)\ln S_t - \ln S_0 = \int_0^T (\mu -\frac{\sigma^2}{2})\rm{d}t + \int_0^T \sigma \rm{d}B(t) = (\mu - \frac{\sigma^2}{2})T + \sigma B(T)lnSt−lnS0=∫0T(μ−2σ2)dt+∫0TσdB(t)=(μ−2σ2)T+σB(T)
⇒ST=S0exp[(μ−σ22)T+σB(T)]\Rightarrow S_T =S_0 exp \left [(\mu - \frac{\sigma^2}{2})T + \sigma B(T) \right]⇒ST=S0exp[(μ−2σ2)T+σB(T)]

A,B,C,D,E,F,G.H,I,J,K,L,M,N,O,P,Q,R,S,T,U,V,W,X,Y,Z\mathscr{A,B,C,D,E,F,G.H,I,J,K,L,M,N,O,P,Q,R,S,T,U,V,W,X,Y,Z}A,B,C,D,E,F,G.H,I,J,K,L,M,N,O,P,Q,R,S,T,U,V,W,X,Y,Z

A,B,C,D,E,F,G.H,I,J,K,L,M,N,O,P,Q,R,S,T,U,V,W,X,Y,Z\mathcal{A,B,C,D,E,F,G.H,I,J,K,L,M,N,O,P,Q,R,S,T,U,V,W,X,Y,Z}A,B,C,D,E,F,G.H,I,J,K,L,M,N,O,P,Q,R,S,T,U,V,W,X,Y,Z

金融数学笔记Chapter01相关推荐

读书笔记：《思考的乐趣：Matrix67数学笔记》第4章统计数据的陷阱
<思考的乐趣:Matrix67数学笔记>第4章讲了几个统计学上的陷阱,由于现在流行的大数据与统计学很有渊源,所以认真读了这一章,在<大数据时代>中指出只考虑相关性就够了,而不考 ...
波士顿大学数学与计算机科学,2021战报 | 美国波士顿大学金融数学硕士录取
原标题:2021战报 | 美国波士顿大学金融数学硕士录取 [基本情况] G同学,美国本科,主修数学,辅修计算机科学 GPA 3.1,免TOEFL,GRE 319 BU,Master of Scienc ...
1. 金融数学中的随机变分法-Wiener空间与Wiener泛函
1. 金融数学中的随机变分法-Wiener空间与Wiener泛函我们的目标是研究无限维空间上的微分运算,可以简单回忆一下:有限维空间的微分是建立在Lebesgue测度的平移不变性上的(有限维空间中对 ...
数学笔记3——导数3（隐函数的导数）
数学笔记3--导数3(隐函数的导数) 幂函数的扩展形式 f(x) = xn的导数:f'(x) = nxn-1,n是整数,该公式对f(x) = xm/n, m,n 是整数同样适用. 推导过程: 什么是隐 ...
程序员的数学笔记3--迭代法
第三节课程,介绍的是迭代法. 前两节笔记的文章: 程序员的数学笔记1–进制转换程序员的数学笔记2–余数 03 迭代法什么是迭代法迭代法,简单来说,其实就是不断地用旧的变量值,递推计算新的变量值. ...
程序员的数学笔记2--余数
上一节程序员的数学笔记1–进制转换是介绍了进制,特别是十进制和二进制之间的转换,移位操作和逻辑操作. 今天介绍的是余数,看完本节笔记,你会发现生活中有很多东西都有余数的影子. 余数余数的特性整数是 ...
清华美女学霸数学笔记曝光, 精美程度无与伦比
数学学习是从基础开始的,所以在自学数学基础知识有了一定的基础和能力后,我们可以对自己提出新的更高的要求:写一点数学读书笔记,目的是培养自己的创造性思维.这样,可以逼着自己主动去发现问题.思考问题.解决 ...
金融数学与计算机专业,金融数学专业就业方向及前景分析(解读)
高考志愿填报如何选择专业?怎样才能选到一个好的专业?选择专业是一件非常重要的事情,我们都知道高考志愿填报最后选择的专业跟我们有着很大的关系,一般不要出现任何问题的话几乎后半生都是要靠着这个专业谋生的, ...
全程快捷键！硬核小哥超快配图1700页数学笔记，教你上手LaTeX+Inkscape
边策乾明发自凹非寺量子位报道 | 公众号 QbitAI 之前,我们介绍了一位神奇的本科生,他在数学课上用Vim+LaTeX,全程手打出1700页课堂笔记,速度直追老师的板书. 现在,这位G ...

金融数学笔记Chapter01

导论

一、金融数学

金融数学的内容

金融数学的研究工具

金融数学的研究方法：

二、金融数学的发展历程

金融数学在我国的发展

三、金融数学的结构框架

第一章

第一节微积分在数理金融中的应用

一、指数和对数函数的应用

第三节随机过程在数理金融中的应用

一、随机过程的含义

二、随机过程分类

三、随机过程的概率分布

金融数学笔记Chapter01相关推荐

最新文章

热门文章

金融数学笔记Chapter01

导论

一、金融数学

金融数学的内容

金融数学的研究工具

金融数学的研究方法：

二、金融数学的发展历程

金融数学在我国的发展

三、金融数学的结构框架

第一章

第一节 微积分在数理金融中的应用

一、指数和对数函数的应用

第三节 随机过程在数理金融中的应用

一 、随机过程的含义

二、随机过程分类

三、随机过程的概率分布

金融数学笔记Chapter01相关推荐

最新文章

热门文章

第一节微积分在数理金融中的应用

第三节随机过程在数理金融中的应用

一、随机过程的含义