鞅: Martingale
文章目录
- 综述
- 举例子(1)
- 鞅的直观本质意义
- 定义关于$\sigma$代数的鞅
- 域流Filtration
- 带域流的概率空间
- 总结
- 适应过程
- 可料过程
- 回忆条件数学期望的性质
- 定义6.1.2
综述
一类随机过程-----鞅
主介绍离散时间鞅
鞅的定义从条件期望出发
举例子(1)
gambler对能使他在一系列赌博后获得期望收益最大的策略感兴趣。
数学上可证:”公平“博弈中,无这样策略。
设一个赌徒在进行赌博,每次输赢的概率都是 1 2 \frac{1}{2} 21,
令 { Y n , n = 1 , 2 , . . . } 是 一 列 独 同 , 表 每 次 结 果 \{Y_n,n=1,2,...\}是一列独同,表每次结果 {Yn,n=1,2,...}是一列独同,表每次结果
++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++
采用的策略(所下堵住)依赖于前面的赌博结果,那么有:
b n = b n ( Y 1 , . . . , Y n − 1 ) , n = 2 , 3 , . . . b_n=b_n(Y_1,...,Y_{n-1}),n=2,3,... bn=bn(Y1,...,Yn−1),n=2,3,...
b n < ∞ , 若 赢 获 得 b n , 否 则 输 掉 b n . b_n<\infty,若赢获得b_n,否则输掉b_n. bn<∞,若赢获得bn,否则输掉bn.
X 0 是 初 资 , 则 X n = X 0 + ∑ i = 1 n b i Y i 是 n 次 后 赌 资 X_0是初资,则X_n=X_0+\sum_{i=1}^{n}{b_iY_i是n次后赌资} X0是初资,则Xn=X0+∑i=1nbiYi是n次后赌资
可 断 言 E [ X n + 1 ∣ Y 1 , . . . , Y n ] = X n 可断言E[X_{n+1}|Y_1,...,Y_n]=X_n 可断言E[Xn+1∣Y1,...,Yn]=Xn
这 是 因 为 X n + 1 = X n + b n + 1 Y n + 1 这是因为X_{n+1}=X_n+b_{n+1}Y_{n+1} 这是因为Xn+1=Xn+bn+1Yn+1
因 此 , E [ X n + 1 ∣ Y 1 , . . . , Y n ] = 因此,E[X_{n+1}|Y_1,...,Y_n]= 因此,E[Xn+1∣Y1,...,Yn]=
E [ X n ∣ Y 1 , . . . , Y n ] + E [ b n + 1 Y n + 1 ∣ Y 1 , . . . , Y n ] = E[X_{n}|Y_1,...,Y_n]+E[b_{n+1}Y_{n+1}|Y_1,...,Y_n]= E[Xn∣Y1,...,Yn]+E[bn+1Yn+1∣Y1,...,Yn]=
X n + b n + 1 E [ Y n + 1 ] X_n+b_{n+1}E[Y_{n+1}] Xn+bn+1E[Yn+1]
= X n =X_n =Xn
若每次输赢机会均等,且策略依赖于前面的赌博结果,则赌博是公平的。
++++++++++++++++++++++++++
鞅的直观本质意义
- 描述的是“公平的”赌博
- 下鞅是"有利"的赌博
定义关于 σ \sigma σ代数的鞅
域流Filtration
- 给定样本空间 Ω \Omega Ω和时间指标集 T T T
- 若 ∃ \exists ∃一族 σ \sigma σ代数 { F t : t ∈ T } \{\mathcal{F}_t:t\in T\} {Ft:t∈T}
- 使得 ∀ 0 ≤ s < t \forall 0\le s<t ∀0≤s<t,都有 F s ⊂ F t \mathcal{F}_s\subset\mathcal{F}_t Fs⊂Ft
- 就说 { F t : t ∈ T } \{\mathcal{F}_t:t\in T\} {Ft:t∈T}为 Ω \Omega Ω上的一个域流
带域流的概率空间
- 对于概率空间 ( Ω , F , P ) (\Omega,\mathcal{F},P) (Ω,F,P),和 Ω \Omega Ω上的一个域流 { F t : } t ∈ T \{\mathcal{F}_t:\}_{t\in T} {Ft:}t∈T
- 就说四元组 ( ( Ω , F , { F t : } t ∈ T , P ) ) ((\Omega,\mathcal{F},\{\mathcal{F}_t:\}_{t\in T},P)) ((Ω,F,{Ft:}t∈T,P))
- 是个 带域流的概率空间
- 或过滤的概率空间
总结
- 域流的概念可动态地刻画随机过程的可测性和信息递增
- 为后面的条件期望的定义做好准备
适应过程
给定一个带域流的概率空间
( Ω , F , { F t } t ∈ T , P ) (\Omega,\mathcal{F},\{\mathcal{F}_t\}_{t\in T},P) (Ω,F,{Ft}t∈T,P)
如果一个随机过程 { X t } t ∈ T \{X_t\}_{t\in T} {Xt}t∈T
满足对任意的 t ∈ T t \in T t∈T都有
X t ∈ F t X_t\in \mathcal{F}_t Xt∈Ft
亦即 X t X_t Xt是 F t \mathcal{F}_t Ft可测的
或记为 σ ( X t ) ⊂ F t \sigma(X_t)\subset \mathcal{F}_t σ(Xt)⊂Ft
则称 { X t } \{X_t\} {Xt}为关于域流 { F t } t ∈ T \{\mathcal{F}_t\}_{t\in T} {Ft}t∈T适应的过程
适应过程在每一时间处都可以由当前已知信息来描述(而不是给定)。
本课程中的金融随机过程(资产价格、投资组合头寸等)都是适应的。
可料过程
- 给一个带域流的概率空间 ( Ω , F , { F n } n = 0 , 1 , . . . , N , P ) (\Omega,\mathcal{F},\{\mathcal{F}_n\}_{n=0,1,...,N},P) (Ω,F,{Fn}n=0,1,...,N,P)
- 如果一个随机过程 { X n } n = 0 , 1 , . . . , N \{X_n\}_{n=0,1,...,N} {Xn}n=0,1,...,N满足
- ∀ n \forall n ∀n
- 有 X n ∈ F n − 1 X_n\in \mathcal{F}_{n-1} Xn∈Fn−1
- 即 X n X_n Xn是 F n − 1 \mathcal{F}_{n-1} Fn−1可测的
- 称 { X n } \{X_n\} {Xn}为关于域流 { F n } n = 0 , 1 , . . . , N \{\mathcal{F}_n\}_{n=0,1,...,N} {Fn}n=0,1,...,N可料过程
- 可料过程在每一时间处都可以由前一期信息来描述(而不是给定)。
- 在离散时间框架下,我们讨论的策略都是可料的
回忆条件数学期望的性质
- X X X为随机变量, G \mathcal{G} G为 σ \sigma σ代数。
- E [ E [ X ∣ G ] ] = E [ X ] E[E[X|\mathcal{G}]]=E[X] E[E[X∣G]]=E[X]
- 若 X X X是 G \mathcal{G} G可测,则 E [ X ∣ G ] = X , a . s . . E[X|\mathcal{G}]=X,a.s.. E[X∣G]=X,a.s..
- 设 G = { 0 , Ω } \mathcal{G}=\{0,\Omega\} G={0,Ω},
- 则 E [ X ∣ G ] = E [ X ] E[X|\mathcal{G}]=E[X] E[X∣G]=E[X]
- ∣ E [ X ∣ G ] ∣ ≤ E [ ∣ X ∣ G ∣ ] |E[X|\mathcal{G}]|\le E[|X|\mathcal{G}|] ∣E[X∣G]∣≤E[∣X∣G∣]
- X X X、 X Y XY XY期望存在, Y Y Y为 G \mathcal{G} G可测
- E [ X Y ∣ G ] = Y E [ X ∣ G ] E[XY|\mathcal{G}]=YE[X|\mathcal{G}] E[XY∣G]=YE[X∣G]
- 若 X X X与 G \mathcal{G} G相互独立(即 σ ( X ) \sigma(X) σ(X)与 G \mathcal{G} G相互独立)
- 则有 E [ X ∣ G ] = E [ X ] E[X|\mathcal{G}]=E[X] E[X∣G]=E[X]
- 若 G 1 , G 2 \mathcal{G}_1,\mathcal{G}_2 G1,G2是两个子 σ \sigma σ代数,
- 使得 G 1 ⊂ G 2 ⊂ F \mathcal{G}_1\subset\mathcal{G}_2\subset\mathcal{F} G1⊂G2⊂F,则
- E [ E [ X ∣ G 2 ] ∣ G 1 ] = E [ X ∣ G 1 ] E[E[X|\mathcal{G}_2]|\mathcal{G}_1]=E[X|\mathcal{G}_1] E[E[X∣G2]∣G1]=E[X∣G1]
定义6.1.2
- { F n , n ≥ 0 } \{\mathcal{F}_n,n\ge 0\} {Fn,n≥0}是个 F \mathcal{F} F中的单调递增的子 σ \sigma σ代数列
- 随机过程 { X n , n ≥ 0 } \{X_n,n\ge 0\} {Xn,n≥0}称为关于 { F n , n ≥ 0 } \{\mathcal{F}_n,n\ge 0\} {Fn,n≥0}的鞅
- 如果
- { X n } \{X_n\} {Xn}是 { F n } \{\mathcal{F}_n\} {Fn}适应的
- E [ ∣ X n ∣ ] < ∞ E[|X_n|]<\infty E[∣Xn∣]<∞
- 且 ∀ n ≥ 0 \forall n\ge 0 ∀n≥0
- 有 E [ X n + 1 ∣ F n ] = X n (6.1.2) E[X_{n+1}|\mathcal{F}_n]=X_n\tag{6.1.2} E[Xn+1∣Fn]=Xn(6.1.2)
鞅: Martingale相关推荐
- UA MATH563 概率论的数学基础 鞅论初步5 鞅的定义
UA MATH563 概率论的数学基础 鞅论初步5 鞅的定义 从这一讲开始,我们正式引入鞅(martingale).称(Xn,Fn)(X_n,\mathcal{F}_n)(Xn,Fn)是鞅,如果 ...
- 一整只烧鹅价格=烧鹅上庄价格+烧鹅下庄价格这个关系不因货币变掉而变
趁看GH在Risk.net发表的有关quanto skew文章的契机写这篇文章介绍衍生品定价的基本理论. 我们从大家都会的一则公式开始: S0=∑ST⋅DT⋅P{S_0} = \sum {S_T\cd ...
- 金融经济学研究什么?
文章目录 什么是金融 资产和资产的回报率 资产定价 金融摩擦与金融契约理论 有效市场之争与行为金融 什么是金融 金融就是资金融通,由维基百科所定义的,金融是处理资产和负债 在 时间和确定及不确定状态下 ...
- R语言中通过鞅残差(martingale residual)分析、可视化自变量与鞅残差的关系判断指定连续变量和风险比HR值是否存在着线性趋势、Cox回归对线性条件的诊断
R语言中通过鞅残差(martingale residual)分析.可视化自变量与鞅残差的关系判断指定连续变量和风险比HR值是否存在着线性趋势.Cox回归对线性条件的诊断 目录
- UA MATH563 概率论的数学基础 鞅论初步6 鞅的性质 鞅差序列
UA MATH563 概率论的数学基础 鞅论初步6 鞅的性质 鞅差序列 上一讲我们引入了鞅的定义,称(Xn,Fn)(X_n,\mathcal{F}_n)(Xn,Fn)是鞅,如果 ∀n\forall ...
- 【数理知识】《随机过程》方兆本老师-第6章-鞅过程及其性质
第5章 回到目录 无 第6章-鞅过程及其性质-<随机过程>方兆本 6.1 条件期望及其性质 定义6.1 条件期望 6.2 鞅过程 定义6.2 鞅序列 / 鞅差序列 6.3 鞅和鞅差的性质 ...
- martingale与Markov Process的关系
鞅过程与马尔科夫过程是什么关系? 1.鞅代表的是公平游戏,马尔可夫过程侧重过程无记忆性 总而言之:鞅和马尔可夫过程没有包含的关系.因为鞅代表的是公平游戏,而马尔可夫过程侧重过程无记忆性.两者没有内在联 ...
- martingale、markov chain、Monte Carlo、MCMC
文章结构如下: 1: MCMC 1.1 MCMC是什么 1.2 为什么需要MCMC 2: 蒙特卡罗 2.1 引入 2.2 均匀分布,Box-Muller 变换 2.3 拒绝接受采样(Acceptanc ...
- 双均线系统的正反等价鞅资金管理策略
(1)等价鞅与反等价鞅 鞅(martingale,或译为马丁格尔),原指于18世纪流行于法国的输钱加码法.假设可以无限赊账,那么赌徒在每次输钱后,就将赌注翻倍,那么他任何一个连输后赢的过程都是相等的- ...
最新文章
- 微信小程序 自定义导航栏,只保留右上角胶囊按钮
- Hhadoop-2.7.0中HDFS写文件源码分析(二):客户端实现(1)
- 边做边思考,谷歌大脑提出并发RL算法,机械臂抓取速度提高一倍!
- 提高PHP编码的一些技巧
- 腾讯云的Ubuntu 18.04的镜像地址
- Java进阶:ReentrantLock实现原理解析(公平锁、非公平锁、可重入锁、自旋锁)
- 可变参数模板、右值引用带来的移动语义完美转发、lambda表达式的理解
- 新建和删除文件夹js代码
- raspberry pi_尝试8个有趣的Raspberry Pi项目
- case when then 统计去重数据_数据分析--SQL求职面试题
- awbeci—一个帮助你快速处理日常工作的网址收集网站
- Thinking in Java Reading Note(2.一切都是对象)
- boost::asio c++ 网络编程socket通信一个简单例子
- PotPlayer和MPC-HC挂载VSFilterMod加载外挂特效字幕的方法
- Multithreaded Rendering Graphics Jobs 多线程渲染与图形Jobs 性能系列8
- 启发式算法与机器学习的区别_使用强化学习训练受启发的四足机器人
- 知识图谱学习(笔记整理)
- 解决xp共享的批处理文件
- 高并发系统设计四(系统怎样做到高可用)
- 简单粗暴的描述大数据、红海、蓝海、众筹
热门文章
- 如何制作gif图片?如何制作你项目的动态效果图到你的csdn?
- 大数据存储引擎 NoSQL极简教程 An Introduction to Big Data: NoSQL
- 批量的pdf怎么转换成txt格式的文件
- 0110闭区间上连续函数的性质-函数与极限-高等数学
- Windows 11 相機獲得新更新
- vcd文件中存储多维数组 vcs_VCS课时4: 使用VCD文件进行后处理
- CortexA7工业级迅为-iMX6UL开发板硬件和资料介绍
- 利用phantomjs模拟QQ自动登录
- python win10 arm_ARM版Win10终于能用上x64程序了:微软官方出品
- Feng终于编译通过!效果挺不错的!