随机过程：套利定理

套利定理(the Arbitrage Theorem)

写在前面

这是我这学期随机过程教材上的布朗运动中的一节。这个套利定理（不太清楚中文叫啥）应该是金融数学中比较基础的定理，证明部分用到了我上学期凸分析的部分知识，也当作一个回顾。

Setting

考虑一次实验，总共有$n$个人可以在实验之前进行下注 x i ∈ R , i ∈ { 1 , 2 , ⋯   , n } x_i \in \mathbf{R}, i \in \{1, 2, \cdots, n\} xi​∈R,i∈{1,2,⋯,n}。实验的结果有$m$种，实验每种结果对于第$i$个人的收益率为 r i ( j ) , j ∈ { 1 , 2 , ⋯   , m } r_i(j), j \in \{1, 2, \cdots, m\} ri​(j),j∈{1,2,⋯,m}。那么$n$个人下注的总收益为
total return = ∑ i = 1 n x i r i ( j ) , ∀ j ∈ { 1 , 2 , ⋯   , m } \begin{equation} \text{total return} = \sum_{i=1}^n x_i r_i(j), \quad \forall j \in \{1, 2, \cdots, m \} \end{equation} total return=i=1∑n​xi​ri​(j),∀j∈{1,2,⋯,m}​​

套利定理(the Arbitrage Theorem)

在上述setting下，以下情况只能一种存在：

1. 存在一个概率向量 $\mathbf{p}=(p_1,p_2,\cdots ,p_m)$使得
   ∑ j = 1 m p j ⋅ r i ( j ) = 0 , ∀ i ∈ { 1 , 2 , ⋯   , n } \begin{equation} \sum_{j=1}^m p_j \cdot r_i(j) = 0, \quad \forall i \in \{1, 2, \cdots, n \} \end{equation} j=1∑m​pj​⋅ri​(j)=0,∀i∈{1,2,⋯,n}​​
2. 存在一种下注方案 $\mathbf{x}=(x_1,x_2,\cdots ,x_n)$ 使得总收益总大于0，即
   ∑ i = 1 n x i ⋅ r i ( j ) > 0 , ∀ j ∈ { 1 , 2 , ⋯   , m } \begin{equation} \sum_{i=1}^n x_i \cdot r_i(j) > 0, \quad \forall j \in \{1, 2, \cdots, m \} \end{equation} i=1∑n​xi​⋅ri​(j)>0,∀j∈{1,2,⋯,m}​​

证明

证明非常简单，只需要用到一个Gordan定理就行了。

Gordan定理

若 $\mathbf{A}\in {\mathbf{R}}^{m\times n}$，则以下两个命题只能有一个为真：

1. $\exists \mathbf{x}\in {\mathbf{R}}^n，使得\mathbf{Ax}<0$
2. $\exists \mathbf{y}\ne 0,\mathbf{y}\ge 0，使得{\mathbf{A}}^{\mathbf{t}}\mathbf{y}=0$

Gordan定理是Farkas引理的一个推论，其证明的核心思想是将上述两个系统构造成Farkas引理中的形式。

套利定理的证明

套利定理中的表述$(2)(3)$用矩阵语言表示就是：

1. $\mathbf{Rp}=0,\mathbf{p}\ge 0,\mathbf{p}\ne 0$
2. ${\mathbf{R}}^{\mathbf{t}}\mathbf{x}>0$

其中 $\mathbf{p},\mathbf{x}$是列向量； $\mathbf{R}$ 是收益率矩阵，具体形式为
$$\mathbf{R}=\left[\begin{array}{cccc}{r}_1(1)& r_1(2)& \cdots & r_1(m)\\ r_2(1)& r_2(2)& \cdots & r_2(m)\\ ⋮& ⋮& & ⋮\\ r_n(1)& r_n(2)& \cdots & r_n(m)\end{array}\right]$$
现在，等式和不等式两边同时乘以$-1$，得：

1. $(-\mathbf{R})\mathbf{p}=0,\mathbf{p}\ge 0,\mathbf{p}\ne 0$
2. $(-{\mathbf{R}}^{\mathbf{t}})\mathbf{x}<0$

刚好是Gordan定理的形式。因此$(2)(3)$只能一个成立。