昨天看了一个BBC的纪录片,讲述Black-Scholes-Merton模型发现的过程,对其中如何将无法度量的变量去掉过程印象深刻,比如预期收益率,每个人对它的主观评价是不同的,无法放到公式里面去。因而后来这些天才们是采取了动态对冲的方法,eliminate了不确定性,也和drift rate无关,只采用可以测度的那些变量。
接前,股价运动满足
dS=μSdt+σSdz 的时候,也就是预期收益率运动过程drift rate=
μ, volatility=
σ 的一般维纳过程。
Ito's Lemma为随机微积分打开了一扇窗口。上面的公式中,股价的变动dS表达式中还有一个S,那在任何一个短暂时间内dS还是与S有关,但是这个形式很容易让人联想到dlnS,那么lnS的运动形式是什么呢? Ito用严格的数学证明给出了答案。
具体的过程书中没有给出,应该也比较难,Hull在附录给出了derivation,假设G=f(x,y)是关于x,y的函数,求解dG的时候有一个trick:一般的二元函数泰勒展开后dG只要保留一阶偏导就行了,但这里由于x即S满足
dS=μSdt+σSdz,S自身也和t有关,而且后面dz是一个标准维纳过程,与sqrt(t)成比例,在二阶偏导的x平方项就会成为t,因此不能舍掉。最后将x以dt和dz的形式带入:
![]() |
Picture from Wikipedia |
这样就可以计算dlnS了,最后得到著名的Geometric Brownian motion股价公式:
![]() |
Picture from Wikipedia |
诸如y=2S,y=S^2, y=exp(S), y=exp(r(T-t))/S的运动形式也可以得出来了ʅ(‾◡◝)ʃ。