随机过程与金融建模

随机过程与金融建模

一、随机过程的基本概念

1. 布朗运动（Brownian Motion）

• 定义：
  布朗运动（Wiener 过程）是一种连续时间随机过程，通常用 $W(t)$ 表示，其基本性质包括：
  • $W(0)=0$；
  • 对于任意 $0\le t_1<t_2<\cdots <t_n$，增量 $W(t_{i+1})-W(t_i)$ 彼此独立；
  • 每个增量 $W(t+\Delta t)-W(t)$ 服从正态分布，均值为 0，方差为 $\Delta t$，即
    $$W(t+\Delta t)-W(t)\sim N(0,\Delta t)$$

2. 泊松过程（Poisson Process）

• 定义：
  泊松过程是一种描述单位时间内事件发生次数的随机过程，常用 $N(t)$ 表示。其基本性质包括：
  • $N(0)=0$；
  • 增量 $N(t+\Delta t)-N(t)$ 服从参数为 $\lambda \Delta t$ 的泊松分布，即
    $$P(N(t+\Delta t)-N(t)=k)=\frac{(\lambda \Delta t{)}^k}{k!}{e}^{-\lambda \Delta t}$$
  • 各个不相交时间区间内事件发生次数相互独立。

注：在金融建模中，泊松过程常用于描述跳跃风险或突发事件，而布朗运动则是最常用的连续随机过程。

---

二、Geometric Brownian Motion (GBM) 与股票价格建模

1. GBM 模型介绍

• 模型形式：
  在金融中，常用几何布朗运动（Geometric Brownian Motion, GBM）来描述股票价格 $S(t)$ 的演变，其随机微分方程（SDE）为：
  $$dS(t)=\mu S(t)dt+\sigma S(t)dW(t)$$
  其中：

  • $\mu$ 是股票的漂移率（预期收益率），
  • $\sigma$ 是股票价格的波动率，
  • $W(t)$ 为标准布朗运动。

• 解析解：
  利用伊藤引理可得 GBM 的解析解为：
  $$S(t)=S(0)\exp \left\{\left(\mu -\frac{{\sigma }^2}{2}\right)t+\sigma W(t)\right\}$$
  这表明股票价格是指数形式变化，随机性来源于布朗运动 $W(t)$。

2. 随机微分方程（SDE）

• 定义：
  随机微分方程（Stochastic Differential Equation, SDE）是一类用来描述受随机扰动的动态系统的微分方程。上式就是一个典型的 SDE，用于描述金融资产价格的随机演变。
• 数值求解方法：
  常用的数值方法包括欧拉-马尔科夫（Euler–Maruyama）方法，其离散化公式对于 GBM 为：
  $$S_{t+\Delta t}=S_t+\mu S_t\Delta t+\sigma S_t\sqrt{\Delta t}\epsilon$$
  其中 $\epsilon \sim N(0,1)$。

---

三、案例分析与计算过程

案例：利用 GBM 模型模拟股票价格变化

假设参数：

• 初始股票价格：$S(0)=100$ 美元
• 漂移率：$\mu =0.1$（10% 年收益率）
• 波动率：$\sigma =0.2$（20% 年波动率）
• 模拟时长：$T=1$ 年
• 时间步长：$\Delta t=\frac{1}{252}$（假设一年 252 个交易日）

计算步骤：

1. 离散化时间区间：
   将 1 年分成 252 个时间步，每步 $\Delta t\approx 0.00397$ 年。
2. 生成标准正态随机数：
   对于每一步生成独立的 $\epsilon \sim N(0,1)$。
3. 迭代更新股票价格：
   采用欧拉-马尔科夫方法：
   $$S_{t+\Delta t}=S_t+\mu S_t\Delta t+\sigma S_t\sqrt{\Delta t}\epsilon$$
   或者直接利用 GBM 的解析解：
   $$S(t)=100\times \exp \left\{\left(0.1-\frac{0.2^2}{2}\right)t+0.2W(t)\right\}$$
   其中 $W(t)$ 可由累加生成的正态随机变量构成，满足 $W(t+\Delta t)=W(t)+\sqrt{\Delta t}\epsilon$。

计算示例结果：
由于涉及随机性，每次模拟结果不同。例如一次模拟可能得到股票价格在 1 年末约为 115 美元，但结果需要通过多次运行统计分布。

---

四、课堂活动

活动目的：

• 通过 Python 编程模拟 GBM 模型，直观观察股票价格的随机演变。
• 分析不同参数（如波动率 $\sigma$ 与漂移率 $\mu$）对股票价格走势的影响。
• 讨论随机过程在金融市场中的实际应用，如波动率建模和风险管理。

活动安排：

1. 模拟任务：
   学生需编写 Python 代码模拟股票价格路径，并绘制股票价格随时间的变化图。
2. 计算过程讨论：
   • 讨论欧拉-马尔科夫方法的步骤和参数选择。
   • 分析模拟结果：例如，多次模拟后观察股票价格的分布、平均值与标准差。
3. 讨论实际应用：
   • 讨论 GBM 模型的局限性与改进，如在波动率建模中加入跳跃项、随机波动率等。

---

五、Python 代码实现示例

以下给出一个利用 Python 模拟单条股票价格路径的代码示例，同时绘制出股票价格随时间变化的图表：

import numpy as np
import matplotlib.pyplot as plt

# 参数设置
S0 = 100            # 初始股票价格
mu = 0.1            # 漂移率（年收益率10%）
sigma = 0.2         # 波动率（20%）
T = 1.0             # 模拟时长（1年）
N = 252             # 时间步数（交易日数）
dt = T / N          # 时间步长

# 时间向量
t = np.linspace(0, T, N+1)

# 初始化股票价格数组
S = np.zeros(N+1)
S[0] = S0

# 模拟标准布朗运动增量：epsilon ~ N(0,1)
np.random.seed(42)  # 为可重复性设定随机种子
epsilon = np.random.normal(0, 1, N)

# 采用欧拉-马尔科夫方法更新股票价格
for i in range(1, N+1):
    S[i] = S[i-1] + mu * S[i-1] * dt + sigma * S[i-1] * np.sqrt(dt) * epsilon[i-1]

# 或者直接采用 GBM 的解析解（累加布朗运动）
# 计算 W(t)
W = np.concatenate(([0], np.cumsum(np.sqrt(dt) * epsilon)))
S_analytic = S0 * np.exp((mu - 0.5 * sigma**2) * t + sigma * W)

# 绘制结果
plt.figure(figsize=(10, 6))
plt.plot(t, S, label="Euler-Maruyama 模拟", lw=2)
plt.plot(t, S_analytic, label="解析解模拟", lw=2, linestyle='--')
plt.title("Geometric Brownian Motion 模拟股票价格")
plt.xlabel("时间 (年)")
plt.ylabel("股票价格")
plt.legend()
plt.grid(True)
plt.show()

# 打印最终股票价格（例如 1 年末价格）
print("1 年末模拟股票价格 (Euler-Maruyama) = {:.2f}".format(S[-1]))
print("1 年末模拟股票价格 (解析解) = {:.2f}".format(S_analytic[-1]))

代码说明：

• 我们设定初始股票价格为 100 美元，年收益率 10%，波动率 20%，一年 252 个交易日。
• 使用欧拉-马尔科夫方法模拟股票价格路径，同时给出基于 GBM 解析解的结果进行对比。
• 绘制的图表展示了股票价格随时间的变化趋势，并打印出一年末的股票价格。

---

六、总结与讨论

1. 随机过程基本概念：
   • 介绍了布朗运动和泊松过程的基本定义及其在金融建模中的作用。
2. GBM 模型及 SDE：
   • 阐明了几何布朗运动的数学形式、解析解及其应用，说明了如何用随机微分方程描述股票价格演变。
3. 模拟与应用：
   • 通过 Python 编程示例，让学生直观地观察股票价格的随机路径，并讨论不同参数对价格波动的影响。
4. 课堂讨论：
   • 分析随机过程在波动率建模、风险管理等金融应用中的重要性，探讨 GBM 模型的局限性和扩展方向（如跳跃扩散模型）。

通过本课学习，不仅掌握了随机过程与金融建模的基本理论，还通过实际编程和案例分析，理解了如何利用 GBM 模型描述和模拟股票价格的随机演变，为后续更复杂的金融工程建模打下坚实基础。