CQF笔记M1L4随机分析和伊藤引理
CQF笔记M1L4随机分析和伊藤引理
- Module 1 Building Blocks of Quant Finance
- Lecture 4 Stochastic Calculus and Itˆo’s Lemma
- 抛硬币实验
- 马可夫属性 Markov property
- 鞅属性 martingale property
- 二次变分 Quadratic variation
- 布朗运动 Brownian motion
- 随机变量的函数
- 泰勒级数和伊藤引理
- 随机微分方程
Module 1 Building Blocks of Quant Finance
Lecture 4 Stochastic Calculus and Itˆo’s Lemma
由于金融市场潜在的随机本质(假设),随机分析在金融过程的数据建模中非常重要。
抛硬币实验
规则:抛出正面赢1元,抛出反面输1元,概率都是12\frac{1}{2}21,任意抛硬币的行为相互独立
Ri={1,ifH−1,ifT\begin{aligned} R_i= \begin{cases} 1, if \ H\\ -1, if \ T\\ \end{cases} \end{aligned}Ri={1,if H−1,if T
E(Ri)=1×12+(−1)×12=0V(Ri)=12×12+(−1)2×12=1E(RiRj∣i≠j)=0\begin{aligned} & E(R_i) = 1 \times \frac{1}{2}+(-1) \times \frac{1}{2} = 0 \\ & V(R_i) = 1^2 \times \frac{1}{2}+(-1)^2 \times \frac{1}{2} = 1 \\ & E(R_iR_j|i \neq j) = 0 \\ \end{aligned}E(Ri)=1×21+(−1)×21=0V(Ri)=12×21+(−1)2×21=1E(RiRj∣i=j)=0
考察抛iii次硬币之后的现金总和
Si=∑j=1iRj,S0=0\begin{aligned} S_i = \sum_{j=1}^{i} R_j, S_0 = 0 \end{aligned}Si=j=1∑iRj,S0=0
E(Si)=0V(Si)=E(Si2)=∑m=1i∑n=1iE(RmRn)=∑n=1iE(Rn2)=i\begin{aligned} & E(S_i) = 0 \\ & V(S_i) = E(S_i^2) = \sum_{m=1}^{i}\sum_{n=1}^{i}E(R_mR_n) = \sum_{n=1}^{i}E(R_n^2) = i \\ \end{aligned}E(Si)=0V(Si)=E(Si2)=m=1∑in=1∑iE(RmRn)=n=1∑iE(Rn2)=i
条件期望E(S6∣R1,⋯,R5)=S5\begin{aligned} & E(S_6 | R_1, \cdots, R_5) = S_5 \\ \end{aligned}E(S6∣R1,⋯,R5)=S5
备注:第五次抛出硬币后,第六次自身的期望为0,因此条件期望等于第五次的现金数量
马可夫属性 Markov property
随机变量SiS_iSi的所有过去时间的条件分布,只依赖于上一时刻的值Si−1S_{i-1}Si−1
- Markov property表示随机游走没有记忆
- 不要求随机变量SiS_iSi的期望值与上一时刻Si−1S_{i-1}Si−1的期望相同
- 更一般化一些,对于1≤j<j1 \le j \lt j1≤j<j, 只有含有信息的最大的jjj对应的SjS_jSj,对估计SiS_iSi是有用的(有信息的)
鞅属性 martingale property
鞅属性的定义E(Si∣Sj,j<i)=Sj\begin{aligned} & E(S_i | S_j, j < i) = S_j \\ \end{aligned}E(Si∣Sj,j<i)=Sj
站在jjj时刻看未来的iii时刻,iii时刻的条件期望
二次变分 Quadratic variation
二次变分的定义Q=∑j=1i(Sj−Sj−1)2\begin{aligned} & Q = \sum_{j=1}^{i} (S_j - S_{j-1})^2 \\ \end{aligned}Q=j=1∑i(Sj−Sj−1)2
由于抛硬币的(Sj−Sj−1)2=1(S_j - S_{j-1})^2 = 1(Sj−Sj−1)2=1, 所以Q=iQ=iQ=i
布朗运动 Brownian motion
修改抛硬币实验的规则:
- 抛6次,总时长为ttt, 则单次实验的时长为t/6t/6t/6
- 赌注从111改为t/6\sqrt{t/6}t/6
二次变分 Q=∑j=16(Sj−Sj−1)2=6(t6)2=t\begin{aligned} & Q = \sum_{j=1}^{6} (S_j - S_{j-1})^2 = 6 (\sqrt{\frac{t}{6}})^2 = t\\ \end{aligned}Q=j=1∑6(Sj−Sj−1)2=6(6t)2=t
假设抛nnn次,总时长仍然是ttt, 赌注改为t/n\sqrt{t/n}t/n, 二次变分 QQQ仍然等于ttt
当逐渐增加nnn, 步长以n−1n^{-1}n−1的速度下降, 而赌注以n−1/2n^{-1/2}n−1/2的速度下降
当n=∞n=\infinn=∞时
E[S(t)]=E[limn→∞∑i=1nRi]=0V[S(t)]=E[S(t)2]=t\begin{aligned} & E[S(t)] = E[\lim_{n \to \infty} \sum_{i=1}^{n}R_i] = 0 \\ & V[S(t)] = E[S(t)^2] = t \end{aligned}E[S(t)]=E[n→∞limi=1∑nRi]=0V[S(t)]=E[S(t)2]=t
E[S(t)2]=limn→∞∑i=1n∑j=1nE(RiRj)=limn→∞∑i=1nE(Ri2)=limn→∞n×tn=t\begin{aligned} E[S(t)^2] = \lim_{n \to \infty} \sum_{i=1}^{n}\sum_{j=1}^{n}E(R_iR_j) = \lim_{n \to \infty} \sum_{i=1}^{n}E(R_i^2) = \lim_{n \to \infty} n \times \frac{t}{n} = t \end{aligned}E[S(t)2]=n→∞limi=1∑nj=1∑nE(RiRj)=n→∞limi=1∑nE(Ri2)=n→∞limn×nt=t
这种随机游走称为布朗运动,记为X(t)X(t)X(t), 布朗运动有如下性质:
- X(0)=x0=0X(0) = x_0 = 0X(0)=x0=0
- Finiteness: 赌注随时间的平方根增长
- Continuity: 路径连续
- Markov: 在给定的τ\tauτ时刻,τ<t\tau \lt tτ<t, X(t)X(t)X(t)的条件分布仅依赖X(τ)X(\tau)X(τ)
- Martingale: 在给定的τ\tauτ时刻, τ<t\tau \lt tτ<t, X(t)X(t)X(t)的条件期望是X(τ)X(\tau)X(τ)
- Normality: 在有限时间ti−1t_{i-1}ti−1到tit_iti, X(ti)−X(ti−1)∼N(0,ti−ti−1)X(t_i) - X(t_{i-1}) \sim N(0, t_i - t_{i-1})X(ti)−X(ti−1)∼N(0,ti−ti−1), dX∼N(0,dt)dX \sim N(0, dt)dX∼N(0,dt)
将XtX_tXt看做随机游走的最终结果
Xt∼N(0,t)X_t \sim N(0, t)Xt∼N(0,t), 即Xt=ϕt,ϕN(0,1)X_t = \phi \sqrt{t}, \phi ~ N(0, 1)Xt=ϕt,ϕ N(0,1)
XXX的增量
dX∼N(0,dt)dX \sim N(0, dt)dX∼N(0,dt), 即dX=ϕdtdX = \phi \sqrt{dt}dX=ϕdt
随机变量的函数
F(X)=X2F(X)=X^2F(X)=X2
随机变量的微分
随机世界的两个变量:时间ttt和布朗运动XXX
dXdXdX是dt\sqrt{dt}dt的同阶无穷小,因此远大于dtdtdt。
考虑梯度、斜率、微分、敏感性时,要非常小心,因为这些会使dtdtdt趋向于0
因此在随机世界中,使用随机微分方程:dF=⋯dt+⋯dXdF=\cdots dt + \cdots dXdF=⋯dt+⋯dX
普通的微积分法则不适用于随机世界
假设F(X)=X2F(X)=X^2F(X)=X2, 则dF≠2XdXdF \neq 2XdXdF=2XdX
泰勒级数和伊藤引理
简单泰勒展开,忽略高阶项
F(X+dX)=F(X)+dFdXdX+12d2FdX2dX2\begin{aligned} F(X+dX)=F(X)+\frac{dF}{dX}dX + \frac{1}{2}\frac{d^2F}{dX^2}dX^2 \end{aligned}F(X+dX)=F(X)+dXdFdX+21dX2d2FdX2
移项,得到
dF=dFdXdX+12d2FdX2dX2\begin{aligned} dF=\frac{dF}{dX}dX + \frac{1}{2}\frac{d^2F}{dX^2}dX^2 \end{aligned}dF=dXdFdX+21dX2d2FdX2
dX2dX^2dX2在时间步长逐渐变小为dtdtdt时,等于其均值dtdtdt, 也就是说没有随机性。
这里似乎能说得通,但是没有严格证明,按照同样的逻辑dXdXdX应该等于dt\sqrt{dt}dt
RULE OF THUMB一般指拇指规则。拇指规则(RULE OF THUMB) ,中文又译为“大拇指规则 ”,又叫”经验法则“,是一种可用于许多情况的简单的,经验性的,探索性的但不是很准确的原则。
这里得到dX2=dtdX^2=dtdX2=dt是Rule of thumb
似乎这就是伊藤引理的结论
对于F=X2F=X^2F=X2, 带入泰勒级数
dFdX=2Xd2FdX2=2dF=dt+2XdX\begin{aligned} & \frac{dF}{dX} = 2X \\ & \frac{d^2F}{dX^2} = 2 \\ & dF = dt + 2XdX \\ \end{aligned}dXdF=2XdX2d2F=2dF=dt+2XdX
这是随机微分方程的一个例子
随机微分方程
随机微分方程用于建模随机量,例如股价。
这种随机量,例如股价,可以分解为确定性(可预测)和随机性两部分。
确定性部分用dtdtdt建模,随机性部分用dXdXdX建模: dS=f(S,t)dt+g(S,t)dXdS = f(S,t) \ dt + g(S,t) \ dXdS=f(S,t) dt+g(S,t) dX
其中f(S,t)f(S,t)f(S,t)称为growth rate或者drift, g(S,t)g(S,t)g(S,t)与S的波动率有关。
带漂移的简单布朗运动
dS=μdt+σdXdS = \mu dt + \sigma dXdS=μdt+σdX
这种形式的S可能为负值
带随机漂移的简单布朗运动
dS=μSdt+σSdXdS = \mu S dt + \sigma S dXdS=μSdt+σSdX
如果SSS的初值为正数,则SSS永远不可能变为负数,因为SSS越接近000时,dSdSdS的漂移项越接近0
假设σ=0\sigma = 0σ=0, 变成普通的微分方程,求解得到St=S0eμtS_t = S_0 e^{\mu t}St=S0eμt
均值复归的随机游走
dS=(ν−μS)dt+σdXdS = (\nu - \mu S)dt + \sigma dXdS=(ν−μS)dt+σdX
当SSS变大到dtdtdt的系数为负时, SSS的均值会变小
用rrr替换SSS, 就是短期利率的 Vasicek model
短期利率的Cox, Ingersoll & Ross model
dS=(ν−μS)dt+σS1/2dXdS = (\nu - \mu S)dt + \sigma S^{1/2} dXdS=(ν−μS)dt+σS1/2dX
当S接近0时,随机性会变小
这个微分方程在后面很重要
系数都是ttt的函数
dW=g(t)dt+f(t)dWdW = g(t)dt + f(t)dWdW=g(t)dt+f(t)dW
这个SDE是下面随机积分的shorthand
W(t)=∫0tg(τ)dτ+∫0tf(τ)dX(τ)W(t) = \int_0^t g(\tau)d\tau + \int_0^t f(\tau)dX(\tau)W(t)=∫0tg(τ)dτ+∫0tf(τ)dX(τ)
mean square limit
用在随机积分中
考察随机量
E[(∑j=1n(X(tj)−X(tj−1))2−t)2]wheretj=jt/n=E[∑j=1n(X(tj)−X(tj−1))4+2∑i=1n∑j<in(X(ti)−X(ti−1))2(X(tj)−X(tj−1))2−2t∑j=1n(X(tj)−X(tj−1))2+t2]=n3t2n2+n(n−1)t2n2−2tntn+t2∼O(1n)\begin{aligned} &E[(\sum_{j=1}^{n}(X(t_j) - X(t_{j-1}))^2 - t)^2] \ where \ t_j = jt/n \\ = &E[\sum_{j=1}^{n}(X(t_j) - X(t_{j-1}))^4 + 2 \sum_{i=1}^{n} \sum_{j \lt i}^{n} (X(t_i) - X(t_{i-1}))^2 (X(t_j) - X(t_{j-1}))^2 - 2t\sum_{j=1}^{n}(X(t_j) - X(t_{j-1}))^2 + t^2] \\ = & n \frac{3t^2}{n^2} + n(n-1)\frac{t^2} {n^2}-2tn\frac{t}{n}+t^2 \\ \sim &O(\frac{1}{n}) \end{aligned}==∼E[(j=1∑n(X(tj)−X(tj−1))2−t)2] where tj=jt/nE[j=1∑n(X(tj)−X(tj−1))4+2i=1∑nj<i∑n(X(ti)−X(ti−1))2(X(tj)−X(tj−1))2−2tj=1∑n(X(tj)−X(tj−1))2+t2]nn23t2+n(n−1)n2t2−2tnnt+t2O(n1)
推导过程中有个隐含前提X(tj)−X(tj−1)∼N(0,t/n)X(t_j) - X(t_{j-1}) \sim N(0, t/n)X(tj)−X(tj−1)∼N(0,t/n), 其二阶矩(方差)为t/nt/nt/n, 四阶矩为3t2/n23t^2/n^23t2/n2
当n→∞n \to \infinn→∞时前面计算的随机量等于0
在mean square limit 均方极限语境下,认为∑j=1n(X(tj)−X(tj−1)2=t\sum_{j=1}^{n}(X(t_j) - X(t_{j-1})^2 = t∑j=1n(X(tj)−X(tj−1)2=t, 记做: ∫0t(dX)2=t\int_0^t (dX)^2 = t∫0t(dX)2=t
后续的证明中,提到相等equality,都指的是均方极限语境
CQF笔记M1L4随机分析和伊藤引理相关推荐
- CQF笔记M1L3泰勒级数和转移概率密度函数
CQF笔记M1L3泰勒级数和转移密度函数 Module 1 Building Blocks of Quant Finance Lecture 2 Taylor Series and Transitio ...
- CQF笔记M2L2优化理论及其在资产组合选择中的应用
CQF笔记M2L2优化理论及其在资产组合选择中的应用 Module 2 Quantitative Risk & Return Lecture 2 Fundamentals of Optimiz ...
- CQF笔记Primer数学基础
CQF笔记Primer数学基础 1 Calculus 微积分 1.1 Basic Terminology 基本术语 1.2 Functions 函数 1.2.1 Explicit/Implicit R ...
- 算法博弈论笔记 - 3 梅尔森的引理
算法博弈论笔记 - 3 梅尔森的引理 因为感觉看英文教材比较不好理解,所以打算把重点记下来. 维氏拍卖作为一个好的拍卖(Awesome Auctions),具有3个保证 [强动机保证] DSIC (D ...
- CQF笔记M2L1现代资产组合管理理论
CQF笔记M2L1资产组合理论 Module 2 Quantitative Risk & Return Lecture 1 Portfolio Management 2.1.1 MPT 历史 ...
- CQF笔记M2L3VaR和ES
CQF笔记M2L3VaR和ES Module 2 Quantitative Risk & Return Lecture 3 Value at Risk and Expected Shortfa ...
- CQF笔记M1L1资产的随机行为
CQF笔记M1L1资产的随机行为 简介 Module 1 Building Blocks of Quant Finance Lecture 1 The Random Behaviour of Asse ...
- 金融数学笔记Chapter01
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 ...
- 沃尔夫奖得主伊藤清:数学与概率论的历史
导读: 日本数学家伊藤清教授因在概率论方面的奠基性工作而获得了1987年的沃尔夫奖,并于1998年获得京都奖,2006年获得首届高斯奖. 伊藤清的工作集中于概率论,特别是随机分析领域,他被誉为&quo ...
- 这些书近期大家都在读
叮!520来了- 宜 安静读书 忌 刷朋友圈 2023/05/ 20 如果不想被秀到,看完这篇后建议今天远离手机哟,咳咳. 不过转念一想,这个节日似乎跟我这个单身人士没有任何关系.听说当代年轻人不需要 ...
最新文章
- wxWidgets:wxTextOutputStream类用法
- 【TCP/IP详解 卷一:协议】第十八章 TCP连接 的建立与终止 (2)其余内容
- 实例58:python
- swfobject.js 2.2简单使用方法
- window.location.hash属性介绍
- 格力手机2刷机 格力手机二代刷机 GREE G0215D刷机教程
- 计算机主机配件及图解,电脑主机配件组成解析图文
- 广州行键CRM客户关系管理系统
- 16部趣味数学纪录片
- 基础实验——与V831串口通讯
- sulley对Modbus协议fuzz实验
- python indexerror out of bound_用Pyinstaller打包时出现IndexError怎么回事?
- ubuntu linux编译环境搭建,Ubuntu14.04开发环境搭建
- 安卓支持App内文字翻译
- 树下阅读用户隐私协议
- 电商客源采集源码_福利!送你一个爬虫批量采集阿里巴巴商品数据
- VGGNet网络详解与模型搭建
- 普华永道思略特:阿里巴巴研发投入领跑中国上市公司
- SQL Server查询优化方法(查询速度慢的原因很多,常见如下几种)
- 谁会爱你到他生命尽头?