高斯过程与布朗运动
文章目录
1. 布朗运动概述
1.1 定义
布朗运动有很多种等价定义,这里给出比较常见的一种
Brown Motion B ( t ) (1) B ( 0 ) = 0 (2) Independent Increment (3) B ( t ) − B ( s ) ∼ N ( 0 , σ 2 ( t − s ) ) \text{Brown Motion} B(t) \\ \text{(1) } B(0) = 0 \\ \text{(2) Independent Increment } \\ \text{(3) } B(t) - B(s) \sim N(0,\sigma^2(t-s)) Brown MotionB(t)(1) B(0)=0(2) Independent Increment (3) B(t)−B(s)∼N(0,σ2(t−s))
- 布朗运动初值为0
- 是个独立增量过程,就是布朗运动的增量之间彼此独立
- 布朗运动的差值符合高斯分布
1.2 布朗运动与高斯过程
布朗运动一定是高斯过程,即任取n个时刻得到的一定是联合高斯分布
Gaussian Process ∀ n ∀ t 1 ≤ . . . ≤ t n ( B ( t 1 ) , . . . , B ( t n ) ) T = B \text{Gaussian Process} \\ \forall n \quad \forall t_1 \leq ... \leq t_n \\ (B(t_1),...,B(t_n))^T = B Gaussian Process∀n∀t1≤...≤tn(B(t1),...,B(tn))T=B
我们可以来证明一下这个事情
首先,我们定义一个随机矢量
B ~ = ( B ( t 1 ) B ( t 2 ) − B ( t 1 ) . . . B ( t n ) − B ( t n − 1 ) ) \widetilde B = \begin{pmatrix} B(t_1) \\ B(t_2) - B(t_1) \\ ... \\ B(t_n) - B(t_{n-1}) \end{pmatrix} B =⎝⎜⎜⎛B(t1)B(t2)−B(t1)...B(tn)−B(tn−1)⎠⎟⎟⎞
这个随机矢量一定是一个联合高斯。
因为首先,每一个随机变量,都是布朗运动两个时刻的差值,一定是个高斯分布,并且,对于第一项
B ( t 1 ) = B ( t 1 ) − 0 = B ( t 1 ) − B ( 0 ) B(t_1) = B(t_1) - 0 = B(t_1) - B(0) B(t1)=B(t1)−0=B(t1)−B(0)
并且,布朗运动具有独立增量的特性,这个随机矢量的每一个随机变量都是互相不重叠的增量,一定是不相关的。如果n个高斯分布是不相关的,得到的一定是一个联合高斯。
然后,我们可以看待一下B与定义的这个随机矢量之间具有线性变换的关系
( B ( t 1 ) B ( t 2 ) − B ( t 1 ) . . . B ( t n ) − B ( t n − 1 ) ) = A ∗ ( B ( t 1 ) B ( t 2 ) . . . B ( t n ) ) = ( 1 − 1 1 − 1 1 . . . . . . . . . . . . − 1 1 ) ∗ ( B ( t 1 ) B ( t 2 ) . . . B ( t n ) ) \begin{pmatrix} B(t_1) \\ B(t_2) - B(t_1) \\ ... \\ B(t_n) - B(t_{n-1}) \end{pmatrix} = A*\begin{pmatrix} B(t_1) \\ B(t_2) \\ ... \\ B(t_n) \end{pmatrix} \\ = \begin{pmatrix} 1 \\ -1&1 \\ &-1&1 \\ &...&...\\ &...&...&-1 &1 \end{pmatrix}*\begin{pmatrix} B(t_1) \\ B(t_2) \\ ... \\ B(t_n) \end{pmatrix} ⎝⎜⎜⎛B(t1)B(t2)−B(t1)...B(tn)−B(tn−1)⎠⎟⎟⎞=A∗⎝⎜⎜⎛B(t1)B(t2)...B(tn)⎠⎟⎟⎞=⎝⎜⎜⎜⎜⎛1−11−1......1......−11⎠⎟⎟⎟⎟⎞∗⎝⎜⎜⎛B(t1)B(t2)...B(tn)⎠⎟⎟⎞
因为矩阵A是可逆的,因此可以把B表示为
B = A − 1 B ~ B = A^{-1} \widetilde{B} B=A−1B
联合高斯的线性变换一定是一个联合高斯,因此,我们可以证明,布朗分布一定是一个高斯过程。
我们可以写出B’的概率密度
B ~ = ( B ( t 1 ) B ( t 2 ) − B ( t 1 ) . . . B ( t n ) − B ( t n − 1 ) ) f B ~ ( x 1 , . . . , x n ) = ∏ k = 1 n 1 2 π ( t k − t k − 1 ) σ e x p ( − ( x k − x k − 1 ) 2 2 σ 2 ( t k − t k − 1 ) ) \widetilde B = \begin{pmatrix} B(t_1) \\ B(t_2) - B(t_1) \\ ... \\ B(t_n) - B(t_{n-1}) \end{pmatrix} \\ f_{\widetilde{B}} (x_1,...,x_n) = \prod_{k=1}^{n} \frac{1}{\sqrt{2 \pi(t_k - t_{k-1}) }\sigma} exp(-\frac{(x_k - x_{k-1})^2}{2\sigma^2(t_k - t_{k-1})}) B =⎝⎜⎜⎛B(t1)B(t2)−B(t1)...B(tn)−B(tn−1)⎠⎟⎟⎞fB (x1,...,xn)=k=1∏n2π(tk−tk−1)σ1exp(−2σ2(tk−tk−1)(xk−xk−1)2)
1.3 布朗运动的均值和协方差
接下来,我们可以求一下布朗运动这个高斯过程的均值和方差
Mean E ( B ( t ) ) = E ( B ( t ) − B ( 0 ) ) ∼ N ( 0 , σ 2 ( t − 0 ) ) \text{Mean} \\ E(B(t))= E(B(t) -B(0)) \sim N(0,\sigma^2(t-0)) MeanE(B(t))=E(B(t)−B(0))∼N(0,σ2(t−0))
可见均值为0
再求一下协方差
Assuming s < t R B ( t , s ) = E ( B ( t ) B ( s ) ) = E ( ( B ( t ) − B ( s ) + B ( s ) ) B ( s ) ) = E ( ( B ( t ) − B ( s ) ) ( B ( s ) − B ( 0 ) ) + E ( B 2 ( s ) ) = 0 + σ 2 s = σ 2 s = σ 2 m i n ( t , s ) \text{Assuming } s< t \\ R_B(t,s)=E(B(t)B(s)) = E((B(t) - B(s)+B(s))B(s)) \\ = E((B(t)-B(s))(B(s) - B(0)) + E(B^2(s)) \\ = 0 + \sigma^2 s= \sigma^2 s = \sigma^2 min(t,s) Assuming s<tRB(t,s)=E(B(t)B(s))=E((B(t)−B(s)+B(s))B(s))=E((B(t)−B(s))(B(s)−B(0))+E(B2(s))=0+σ2s=σ2s=σ2min(t,s)
2. 布朗运动的变形
布朗运动具有非常大的弹性,对布朗运动的做很多的变形得到的往往还是布朗运动,我们这里举三个例子
2.1 做差
第一个例子,我们假设U是一个确定性变量,判断下面这个例子是否也是布朗运动
B ~ ( t ) = B ( t + U ) − B ( U ) \widetilde{B}(t) = B(t+U) -B(U) B (t)=B(t+U)−B(U)
判断是不是布朗运动需要做三方面的测试
- 是否是高斯过程
- 均值是否为0
- 协方差是否与最小的时间有关
两个高斯过程的差一定也是高斯过程
E ( B ~ ) = E ( B ( t + U ) − B ( U ) ) = 0 E(\widetilde{B}) = E(B(t+U) -B(U)) = 0 E(B )=E(B(t+U)−B(U))=0
均值为0
协方差
E ( B ~ ( t ) B ~ ( s ) ) = E ( ( B ( t + U ) − B ( U ) ) ( B ( s + U ) − B ( U ) ) ) = E ( B ( t + U ) B ( s + U ) ) − E ( B ( t + U ) B ( U ) ) − E ( B ( U ) B ( s + U ) ) + E ( B ( U ) B ( U ) ) = σ 2 ( s + U ) − σ 2 ( U ) − σ 2 ( U ) + σ 2 ( U ) = σ 2 s = σ 2 ( t , s ) E(\widetilde{B}(t)\widetilde{B}(s)) = E((B(t+U) -B(U))(B(s+U) -B(U))) \\ = E(B(t+U)B(s+U)) - E(B(t+U)B(U)) - E(B(U)B(s+U)) +E(B(U)B(U)) \\ = \sigma^2(s+U) - \sigma^2(U) - \sigma^2(U) +\sigma^2(U) \\ = \sigma^2 s = \sigma^2(t,s) E(B (t)B (s))=E((B(t+U)−B(U))(B(s+U)−B(U)))=E(B(t+U)B(s+U))−E(B(t+U)B(U))−E(B(U)B(s+U))+E(B(U)B(U))=σ2(s+U)−σ2(U)−σ2(U)+σ2(U)=σ2s=σ2(t,s)
说明是布朗运动
2.2 线性因子
再来判断一个变形,是否是布朗运动
B ~ ( t ) = a B ( a − 2 t ) \widetilde B(t) = aB(a^{-2}t) B (t)=aB(a−2t)
首先这个变形一定是高斯过程
均值一定也是0
检查协方差即可
R B ~ ( t , s ) = a 2 E ( B ( a − 2 t ) B ( a − 2 s ) ) = a 2 σ 2 m i n ( a − 2 t , a − 2 s ) = σ 2 m i n ( t , s ) R_{\widetilde{B}}(t,s) = a^2 E(B(a^{-2}t)B(a^{-2}s)) \\ = a^2 \sigma^2min(a^{-2}t,a^{-2}s) = \sigma^2 min(t,s) RB (t,s)=a2E(B(a−2t)B(a−2s))=a2σ2min(a−2t,a−2s)=σ2min(t,s)
仍然是布朗运动
2.3 倒数
B ~ ( t ) = t B ( 1 t ) \widetilde B(t) = t B(\frac{1}{t}) B (t)=tB(t1)
求一下协方差
R
B
~
(
t
,
s
)
=
t
s
σ
2
m
i
n
(
1
t
,
1
s
)
=
σ
2
m
i
n
(
s
,
t
)
R_{\widetilde{B}}(t,s) = ts \sigma^2 min(\frac{1}{t} ,\frac{1}{s}) = \sigma^2 min(s ,t)
RB
(t,s)=tsσ2min(t1,s1)=σ2min(s,t)
得到的也是一个布朗运动
3. 布朗运动的性质
3.1 反射原理
布朗运动的第一个重要的特性就是反射原理。
这里构成一个新的随机过程
B ~ ( t ) = B ( t + T ) − B ( T ) T: Random Variable \widetilde B(t) = B(t+T) - B(T) \\ \text{T: Random Variable} B (t)=B(t+T)−B(T)T: Random Variable
这里面的T是个随机变量,我们只要对T进行稍加约束,得到的会仍然是一个布朗运动。
3.1.1 停时特性
我们要T具有停时特性
T : Stapping Time T:\text{ Stapping Time} T: Stapping Time
停时特性是指,T的统计特性只依赖于其之前的时间,也就是只依赖于t时刻之前的布朗运动。
P ( T = t ) ∝ { B ( s ) , s ≤ t } P(T=t) \propto \{B(s), s \leq t \} P(T=t)∝{B(s),s≤t}
这里可以进行举例说明
T = m i n { s : B ( s ) = a } T = min \{s: B(s) = a \} T=min{s:B(s)=a}
T是布朗运动首次到达a的时间,一旦布朗运动已经到达了a,产生了一个时间,就与后面的没有关系了。
再举一个非停时的例子
T = m a x { s : B ( s ) = a } T = max \{s: B(s) = a \} T=max{s:B(s)=a}
这里T是到达a的最后一次时间。因为每次布朗运动到达a,都会更新一个时间,因此这个结果一定是与未来的布朗运动有关的,所以就不是具有停时特性。
再举一个非停时的例子
T = a r g m a x ( B ( s ) ) 0 ≤ s ≤ t T = argmax(B(s)) \quad 0 \leq s \leq t T=argmax(B(s))0≤s≤t
我们假设T是布朗运动在(0,t)时刻内的最大值,这个仍然是依赖于未来数据的一个例子,因此,也不具有停时特性。
3.1.2 强马尔科夫性
布朗运动在停时的基础上构造的函数仍然是布朗运动,这个叫做强马尔科夫性
B ~ ( t ) = B ( t + T ) − B ( T ) T: Random Variable \widetilde B(t) = B(t+T) - B(T) \\ \text{T: Random Variable} B (t)=B(t+T)−B(T)T: Random Variable
Strong Markov \text{Strong Markov} Strong Markov
强马尔科夫性的直观描述就是,假设这是一个运动轨迹,当到达停时T之后,后面的运动就是一个严格的布朗运动了。以T为起点,后面的轨迹是布朗运动
3.1.3 强马尔科夫性的应用:反射
所谓反射原理即,如果B(t)是布朗运动,取负数也是布朗运动
B ( t ) ~ = − B ( t ) Brown Motion \widetilde{B(t)} = -B(t) \\ \text{Brown Motion} B(t) =−B(t)Brown Motion
用在这里就是,\widetilde{B(t)}是布朗运动,取负号也是布朗运动
B ~ ( t ) = B ( t + T ) − B ( T ) T: Random Variable \widetilde B(t) = B(t+T) - B(T) \\ \text{T: Random Variable} B (t)=B(t+T)−B(T)T: Random Variable
− B ~ ( t ) ⇒ Brown Motion -\widetilde B(t) \Rightarrow \text{Brown Motion} −B (t)⇒Brown Motion
在图中表示的就是到达了停时T之后往下走的那个运动也是布朗运动
反射原理就是,沿着随便一条线对布朗运动进行反射,得到的仍然是布朗运动。也就是从0开始的蓝色线是布朗运动,从0开始反射的绿线仍然是布朗运动。
Reflection Principle \text{Reflection Principle} Reflection Principle
3.1.4 基于反射计算复杂的分布
基于反射原理可以计算复杂的分布,这里要计算这样两个分布
第一个,首测到达a时间的分布
T a = m i n { s : B ( s ) = a } T_a = min\{s:B(s) = a\} Ta=min{s:B(s)=a}
第二个,(0,t)内B能够取到的最大值的分布
B ˉ ( t ) = m a x 0 ≤ s ≤ t B ( s ) \bar{B}(t) = max_{0 \leq s \leq t} B(s) Bˉ(t)=max0≤s≤tB(s)
事实上,这两个事情具有等价的分布
F T a ( t ) = P ( T a ≤ t ) = P ( B ˉ ( t ) ≥ a ) F_{T_a(t)} = P(T_a \leq t) = P(\bar B(t) \geq a) FTa(t)=P(Ta≤t)=P(Bˉ(t)≥a)
如果Ta比t小,意味着(0,t)内,这个随机过程必然已经到达a了,那么也就必然这个随机过程当前值比a大。反过来,如果这个随机过程在t时刻的值比a大,必然在(0,t)时刻内已经达到a了。
我们现在关心t时刻的分布情况。t时刻无非就是有两种情况,t时刻比a大的概率加上t时刻比a小的概率
F T a ( t ) = P ( B ˉ ( t ) > a , B ( t ) > a ) + P ( B ˉ ( t ) ≥ a , B ( t ) ≤ a ) F_{T_a(t)} = P(\bar{B}(t)> a ,B(t) > a) + P(\bar{B}(t)\geq a ,B(t) \leq a) FTa(t)=P(Bˉ(t)>a,B(t)>a)+P(Bˉ(t)≥a,B(t)≤a)
我们先看前一项,如果t时刻布朗运动比a大,必定最大值大于a,两个是一个意思
P ( B ˉ ( t ) > a , B ( t ) > a ) = P ( B ( t ) > a ) P(\bar{B}(t)> a ,B(t) > a) = P(B(t) > a) P(Bˉ(t)>a,B(t)>a)=P(B(t)>a)
接下来,我们要计算后一部分。后一部分可以通过反射来做。
后面一部分其实表示的意思就是绿色的线。如果我们找到一个停时,反射一下,仍然是个布朗运动,我们假设反射完了了蓝线
B ( t ) ⇒ Reflection B ∗ ( t ) B(t) \Rightarrow \text{Reflection } B^*(t) B(t)⇒Reflection B∗(t)
原来的分布意思是,(0,t)时刻布朗运动的最大值比a大,并且t时刻布朗运动比a小。反射之后意思就是,(0,t)时刻新的布朗运动最大值比a大,并且t时刻新布朗运动比a大。反射前后的分布是一样的。因此,我们又可以把后面的这个分布进行化简了。
P ( B ˉ ( t ) ≥ a , B ( t ) ≤ a ) = P ( B ˉ ∗ ( t ) ≥ a , B ∗ ( t ) ≥ a ) = P ( B ∗ ( t ) ≥ a ) P(\bar{B}(t)\geq a ,B(t) \leq a)=P(\bar{B}^*(t)\geq a ,B^*(t) \geq a) = P(B^*(t) \geq a) P(Bˉ(t)≥a,B(t)≤a)=P(Bˉ∗(t)≥a,B∗(t)≥a)=P(B∗(t)≥a)
两项的值应该是一样的
F T a ( t ) = P ( B ˉ ( t ) > a , B ( t ) > a ) + P ( B ˉ ( t ) ≥ a , B ( t ) ≤ a ) = 2 P ( B ( t ) > a ) = 2 2 π t σ ∫ a + ∞ e x p ( − s 2 2 σ 2 t ) d s F_{T_a(t)} = P(\bar{B}(t)> a ,B(t) > a) + P(\bar{B}(t)\geq a ,B(t) \leq a) = 2P(B(t) > a) \\ = \frac{2}{\sqrt{2\pi t} \sigma} \int_{a}^{+\infty} exp(-\frac{s^2}{2\sigma^2 t})ds FTa(t)=P(Bˉ(t)>a,B(t)>a)+P(Bˉ(t)≥a,B(t)≤a)=2P(B(t)>a)=2πtσ2∫a+∞exp(−2σ2ts2)ds
相当于原本一个复杂的分布,我们要计算(0,t)内最大值的分布,我们现在只需要考虑端点的值就行了。
概率密度就是分布函数的导数
f T a ( t ) = d F T a ( t ) d t f_{T_a}(t) = \frac{d F_{T_a(t)}}{dt} fTa(t)=dtdFTa(t)
3.2 二次变差
Quadratic Variation \text{Quadratic Variation} Quadratic Variation
我们知道,布朗运动的方差是时间的一次函数,因此,可以推断出,布朗运动其实是与半阶t同阶的
B ( t ) E ( B 2 ( t ) ) = σ 2 t B ( t ) ∼ t B(t) \quad E(B^2(t)) = \sigma^2 t \quad B(t) \sim \sqrt{t} B(t)E(B2(t))=σ2tB(t)∼t
当n趋近于无穷大的时候,布朗运动逐阶的差的平方和是个定值
∑ k = 1 n ( B ( t k ) − B ( t k − 1 ) ) 2 n → ∞ → σ 2 t 0 = t 0 < t 1 < . . . < t n = σ 2 t \sum_{k=1}^n (B(t_k) - B(t_{k-1}))^2 \quad \underrightarrow{n \rightarrow \infty} \quad \sigma^2 t \\ 0 = t_0 < t_1 <...<t_n = \sigma^2 t k=1∑n(B(tk)−B(tk−1))2n→∞σ2t0=t0<t1<...<tn=σ2t
注意这里我们没有加期望。
我们可以通过两步来证明这个事情。即分别证明期望和方差
先证明期望
E ( ∑ k = 1 n ( B ( t k ) − B ( t k − 1 ) ) 2 ) = ∑ k = 1 n E ( ( B ( t k ) − B ( t k − 1 ) ) 2 ) = σ 2 ∑ k = 1 n ( t k − t k − 1 ) = σ 2 t E(\sum_{k=1}^n (B(t_k) - B(t_{k-1}))^2) = \sum_{k=1}^n E((B(t_k) - B(t_{k-1}))^2) \\ = \sigma^2 \sum_{k=1}^n(t_k-t_{k-1}) = \sigma^2t E(k=1∑n(B(tk)−B(tk−1))2)=k=1∑nE((B(tk)−B(tk−1))2)=σ2k=1∑n(tk−tk−1)=σ2t
为了方便计算,我们假设方差是1
E ( ∑ k = 1 n ( B ( t k ) − B ( t k − 1 ) ) 2 ) = t E(\sum_{k=1}^n (B(t_k) - B(t_{k-1}))^2) = t E(k=1∑n(B(tk)−B(tk−1))2)=t
期望可以转化为时间的累加和,并且最终得到期望是t
然后我们求方差。如果我们能够证明方差是0,那么这个二次变差就是个确定值,即为期望t
V
a
r
(
∑
k
=
1
n
(
B
(
t
k
)
−
B
(
t
k
−
1
)
)
2
)
=
E
(
∑
k
=
1
n
(
B
(
t
k
)
−
B
(
t
k
−
1
)
)
2
−
t
)
2
=
E
(
∑
k
=
1
n
(
B
(
t
k
)
−
B
(
t
k
−
1
)
)
2
−
(
t
k
−
t
k
−
1
)
)
2
Var(\sum_{k=1}^n (B(t_k) - B(t_{k-1}))^2) = E(\sum_{k=1}^n (B(t_k) - B(t_{k-1}))^2 - t)^2 \\ = E(\sum_{k=1}^n (B(t_k) - B(t_{k-1}))^2 -(t_k - t_{k-1}))^2 \\
Var(k=1∑n(B(tk)−B(tk−1))2)=E(k=1∑n(B(tk)−B(tk−1))2−t)2=E(k=1∑n(B(tk)−B(tk−1))2−(tk−tk−1))2
我们把时间t拆解成为累加和的形式放进去,然后计算整体的平方。累加和的平方可以变成自身平方和以及交叉项平方和的和
= E ( ∑ k = 1 n ( ( B ( t k ) − B ( t k − 1 ) ) 2 − ( t k − t k − 1 ) ) 2 + ∑ i = j ( ( B ( t i ) − B ( t i − 1 ) ) 2 − ( t i − t i − 1 ) ) ( ( B ( j k ) − B ( t j − 1 ) ) 2 − ( t j − t j − 1 ) ) ) = E(\sum_{k=1}^n( (B(t_k) - B(t_{k-1}))^2 -(t_k - t_{k-1}))^2+\sum_{i \cancel = j}( (B(t_i) - B(t_{i-1}))^2 -(t_i - t_{i-1}))( (B(j_k) - B(t_{j-1}))^2 -(t_j - t_{j-1}))) =E(k=1∑n((B(tk)−B(tk−1))2−(tk−tk−1))2+i= j∑((B(ti)−B(ti−1))2−(ti−ti−1))((B(jk)−B(tj−1))2−(tj−tj−1)))
我们可以分析一下后面的交叉项,由于交叉项的随机性都在布朗运动上,并且这是布朗运动的增量的期望,由于布朗运动的增量是独立的,因此可以拆开两部分进行计算。
∑ i = j E ( ( B ( t i ) − B ( t i − 1 ) ) 2 − ( t i − t i − 1 ) ) ( ( B ( j k ) − B ( t j − 1 ) ) 2 − ( t j − t j − 1 ) ) = ∑ i = j E ( ( B ( t i ) − B ( t i − 1 ) ) 2 − ( t i − t i − 1 ) ) E ( ( B ( j k ) − B ( t j − 1 ) ) 2 − ( t j − t j − 1 ) ) = ∑ i = j ( E ( ( B ( t i ) − B ( t i − 1 ) ) 2 ) − ( t i − t i − 1 ) ) ( E ( ( B ( t j ) − B ( t j − 1 ) ) 2 ) − ( t j − t j − 1 ) ) = ∑ i = j ( ( t i − t i − 1 ) − ( t i − t i − 1 ) ) ( ( t j − t j − 1 ) − ( t j − t j − 1 ) ) = 0 \sum_{i \cancel = j}E( (B(t_i) - B(t_{i-1}))^2 -(t_i - t_{i-1}))( (B(j_k) - B(t_{j-1}))^2 -(t_j - t_{j-1})) \\ = \sum_{i \cancel = j} E( (B(t_i) - B(t_{i-1}))^2 -(t_i - t_{i-1})) E( (B(j_k) - B(t_{j-1}))^2 -(t_j - t_{j-1})) \\ = \sum_{i \cancel = j} (E((B(t_i) - B(t_{i-1}))^2) - (t_i - t_{i-1})) (E((B(t_j) - B(t_{j-1}))^2) - (t_j - t_{j-1})) \\ = \sum_{i \cancel = j}((t_i - t_{i-1}) - (t_i - t_{i-1}))((t_j - t_{j-1})-(t_j - t_{j-1})) = 0 i= j∑E((B(ti)−B(ti−1))2−(ti−ti−1))((B(jk)−B(tj−1))2−(tj−tj−1))=i= j∑E((B(ti)−B(ti−1))2−(ti−ti−1))E((B(jk)−B(tj−1))2−(tj−tj−1))=i= j∑(E((B(ti)−B(ti−1))2)−(ti−ti−1))(E((B(tj)−B(tj−1))2)−(tj−tj−1))=i= j∑((ti−ti−1)−(ti−ti−1))((tj−tj−1)−(tj−tj−1))=0
我们可以得到交叉项是0
我们继续计算前面的一项
V a r ( ∑ k = 1 n ( B ( t k ) − B ( t k − 1 ) ) 2 ) = E ( ∑ k = 1 n ( ( B ( t k ) − B ( t k − 1 ) ) 2 − ( t k − t k − 1 ) ) 2 ) = ∑ k = 1 n E [ ( ( B ( t k ) − B ( t k − 1 ) ) 2 − ( t k − t k − 1 ) ) 2 ] = ∑ k = 1 n E [ ( B ( t k ) − B ( t k − 1 ) ) 4 ] − 2 E [ ( B ( t k ) − B ( t k − 1 ) ) 2 ( t k − t k − 1 ) ] + E [ ( t k − t k − 1 ) ) 2 ] Var(\sum_{k=1}^n (B(t_k) - B(t_{k-1}))^2) = E(\sum_{k=1}^n( (B(t_k) - B(t_{k-1}))^2 -(t_k - t_{k-1}))^2) \\ = \sum_{k=1}^n E[((B(t_k) - B(t_{k-1}))^2 -(t_k - t_{k-1}))^2] \\ = \sum_{k=1}^n E[(B(t_k) - B(t_{k-1}))^4] - 2E[(B(t_k) - B(t_{k-1}))^2(t_k - t_{k-1})] +E[(t_k - t_{k-1}))^2] Var(k=1∑n(B(tk)−B(tk−1))2)=E(k=1∑n((B(tk)−B(tk−1))2−(tk−tk−1))2)=k=1∑nE[((B(tk)−B(tk−1))2−(tk−tk−1))2]=k=1∑nE[(B(tk)−B(tk−1))4]−2E[(B(tk)−B(tk−1))2(tk−tk−1)]+E[(tk−tk−1))2]
前面是高斯的高阶矩计算
E ( Z ( t ) k ) = ( k − 1 ) ! ! σ k E(Z(t)^k) = (k-1)!! \sigma^k E(Z(t)k)=(k−1)!!σk
故
E [ ( B ( t k ) − B ( t k − 1 ) ) 4 ] = 3 ( t k − t k − 1 ) 2 σ 4 = 3 ( t k − t k − 1 ) 2 E [ ( B ( t k ) − B ( t k − 1 ) ) 2 ( t k − t k − 1 ) ] = E [ ( B ( t k ) − B ( t k − 1 ) ) 2 ] ( t k − t k − 1 ) = ( t k − t k − 1 ) 2 σ 2 = ( t k − t k − 1 ) 2 E[(B(t_k) - B(t_{k-1}))^4] = 3(t_k - t_{k-1})^2\sigma^4 = 3(t_k - t_{k-1})^2 \\ E[(B(t_k) - B(t_{k-1}))^2(t_k - t_{k-1})] = E[(B(t_k) - B(t_{k-1}))^2](t_k - t_{k-1}) =(t_k - t_{k-1})^2 \sigma^2 = (t_k - t_{k-1})^2 E[(B(tk)−B(tk−1))4]=3(tk−tk−1)2σ4=3(tk−tk−1)2E[(B(tk)−B(tk−1))2(tk−tk−1)]=E[(B(tk)−B(tk−1))2](tk−tk−1)=(tk−tk−1)2σ2=(tk−tk−1)2
原式子可以表示为
V a r ( ∑ k = 1 n ( B ( t k ) − B ( t k − 1 ) ) 2 ) = ∑ k = 1 n 3 ( t k − t k − 1 ) 2 − 2 ( t k − t k − 1 ) 2 + ( t k − t k − 1 ) 2 = 2 ∑ k = 1 n ( t k − t k − 1 ) 2 Var(\sum_{k=1}^n (B(t_k) - B(t_{k-1}))^2) = \sum_{k=1}^n 3(t_k - t_{k-1})^2 - 2(t_k - t_{k-1})^2 + (t_k - t_{k-1})^2 \\ = 2\sum_{k=1}^n (t_k - t_{k-1})^2 Var(k=1∑n(B(tk)−B(tk−1))2)=k=1∑n3(tk−tk−1)2−2(tk−tk−1)2+(tk−tk−1)2=2k=1∑n(tk−tk−1)2
然后我们可以通过夹逼定理计算这个式子的极限
计算下限
l
i
m
n
→
∞
2
∑
k
=
1
n
(
t
k
−
t
k
−
1
)
2
>
0
lim_{n \rightarrow \infty}2\sum_{k=1}^n (t_k - t_{k-1})^2 >0 \\
limn→∞2k=1∑n(tk−tk−1)2>0
计算上限
当我们不断的取更多的n的时候,相当于任取的两个时刻的时间差就会无限变小,所以两个时刻的差最终会趋近于0
l
i
m
n
→
∞
2
∑
k
=
1
n
(
t
k
−
t
k
−
1
)
2
<
l
i
m
n
→
∞
2
m
a
x
(
(
t
k
−
t
k
−
1
)
)
∑
k
=
1
n
(
t
k
−
t
k
−
1
)
=
0
∗
t
=
0
lim_{n \rightarrow \infty}2\sum_{k=1}^n (t_k - t_{k-1})^2 < lim_{n \rightarrow \infty}2max((t_k-t_{k-1}))\sum_{k=1}^n (t_k - t_{k-1}) = 0*t = 0
limn→∞2k=1∑n(tk−tk−1)2<limn→∞2max((tk−tk−1))k=1∑n(tk−tk−1)=0∗t=0
由夹逼定理,这个式子的极限就是0
l i m n → ∞ V a r ( ∑ k = 1 n ( B ( t k ) − B ( t k − 1 ) ) 2 ) = 0 lim_{n \rightarrow \infty}Var(\sum_{k=1}^n (B(t_k) - B(t_{k-1}))^2) = 0 limn→∞Var(k=1∑n(B(tk)−B(tk−1))2)=0
由于二次变差均值为t,方差为0,最终就可以得到这个式子具有确定值t
4. 伊藤微积分
4.1 布朗运动的微分
下面我们研究一个函数,依赖于时间和布朗运动两个参数
f ( t , B ( t ) ) f(t,B(t)) f(t,B(t))
如果我们想求这个函数的微分,怎么求?
如果我们直接按照确定性方程的求导方法,会得到什么呢?
d
f
(
t
,
B
(
t
)
)
=
∂
f
∂
t
d
t
+
∂
f
∂
B
d
B
(
t
)
df(t,B(t)) = \frac{\partial f}{\partial t} dt + \frac{\partial f}{\partial B} dB(t)
df(t,B(t))=∂t∂fdt+∂B∂fdB(t)
看似是对的,其实不然,我们可以分析一下
表示一下布朗运动的导数
B ( t ) ∼ N ( 0 , σ 2 t ) d B ( t ) = B ( t + d t ) − B ( t ) ∼ N ( 0 , σ 2 d t ) B(t) \sim N(0,\sigma^2 t) \\ dB(t) = B(t +dt) -B(t) \sim N(0,\sigma^2 dt) B(t)∼N(0,σ2t)dB(t)=B(t+dt)−B(t)∼N(0,σ2dt)
根据高斯分布的性质,可以得到
E ( d B ( t ) ) 2 = σ 2 d t E(dB(t) )^2 = \sigma^2 dt E(dB(t))2=σ2dt
因此,我们可以发现,布朗运动微分的平方与t的微分是同阶的,也就是布朗运动得到微分是半阶dt
( d B ( t ) ) 2 ∼ d t ⇒ d B ( t ) ∼ d t (dB(t))^2 \sim dt \\ \Rightarrow dB(t) \sim \sqrt{dt} (dB(t))2∼dt⇒dB(t)∼dt
这样的话,我们再看我们的微分,就感觉不对了。首先看微分的定义,微分是求函数自变量和因变量之间的变化率。我们希望用简单的线性变化去描述局部的关系。因此,微分得到的结果应该是df和dt之间的一种一阶微分关系,这里得到的df与dB的导数,并没有得到df与dt的一阶关系,因此,我们这个求导用的泰勒展开,还需要再来一阶才行。
d
f
(
t
,
B
(
t
)
)
=
∂
f
∂
t
d
t
+
∂
f
∂
B
d
B
(
t
)
x
df(t,B(t)) = \frac{\partial f}{\partial t} dt + \frac{\partial f}{\partial B} dB(t) \quad \text{x}
df(t,B(t))=∂t∂fdt+∂B∂fdB(t)x
d
f
(
t
,
B
(
t
)
)
=
∂
f
∂
t
d
t
+
∂
f
∂
B
d
B
(
t
)
+
1
2
∂
2
f
∂
B
2
(
d
B
(
t
)
)
2
v
df(t,B(t)) = \frac{\partial f}{\partial t} dt + \frac{\partial f}{\partial B} dB(t) +\frac{1}{2} \frac{\partial^2f}{\partial B^2}(dB(t))^2 \quad \text{v}
df(t,B(t))=∂t∂fdt+∂B∂fdB(t)+21∂B2∂2f(dB(t))2v
得到的这个结果就叫做伊藤公式
Ito Formula d f ( t , B ( t ) ) = ∂ f ∂ t d t + ∂ f ∂ B d B ( t ) + 1 2 ∂ 2 f ∂ B 2 ( d B ( t ) ) 2 \text{Ito Formula} \\ df(t,B(t)) = \frac{\partial f}{\partial t} dt + \frac{\partial f}{\partial B} dB(t) +\frac{1}{2} \frac{\partial^2f}{\partial B^2}(dB(t))^2 Ito Formuladf(t,B(t))=∂t∂fdt+∂B∂fdB(t)+21∂B2∂2f(dB(t))2
伊藤公式告诉我们,对随机过程求微分,我们需要考虑更多的东西,因为这和确定性的微分并不是一样的。
4.2 布朗运动的积分
我们可以再来看看布朗运动的积分
∫ 0 1 B ( t ) d B ( t ) = 1 2 d B 2 ( t ) x \int_0^1 B(t) dB(t) = \frac{1}{2} d B^2(t) \quad \text{x} ∫01B(t)dB(t)=21dB2(t)x
这个式子怎么求积分呢?显然,直接把B(t)提出来并且把0和1代入是肯定不对的,因为如果我们这么做,我们就默认下面的微分成立了,实际上并不对。
1 2 d B 2 ( t ) = B ( t ) d B ( t ) x \frac{1}{2} d B^2(t)= B(t) dB(t) \quad \text{x} 21dB2(t)=B(t)dB(t)x
我们对d2B(t)用伊藤公式求一下微分,实际看看展开如何。
1 2 d B 2 ( t ) = B ( t ) d B ( t ) + 1 2 d t \frac{1}{2} d B^2(t) = B(t)dB(t) + \frac{1}{2} dt 21dB2(t)=B(t)dB(t)+21dt
于是我们就得到了一个正确的原函数。
B ( t ) d B ( t ) = 1 2 d B 2 ( t ) − 1 2 d t B(t)dB(t) = \frac{1}{2} d B^2(t) - \frac{1}{2} dt B(t)dB(t)=21dB2(t)−21dt
所以,我们的积分可以表示为
∫ 0 1 B ( t ) d B ( t ) = ∫ 0 1 1 2 d B 2 ( t ) − 1 2 d t = ( 1 2 B 2 ( t ) − 1 2 t ) ∣ 0 1 \int_0^1 B(t) dB(t) = \int_0^1\frac{1}{2} d B^2(t) - \frac{1}{2} dt \\ = (\frac{1}{2}B^2(t) - \frac{1}{2}t)|_0^1 ∫01B(t)dB(t)=∫0121dB2(t)−21dt=(21B2(t)−21t)∣01
这就是随机微分方程,随机微分方程的主要工作是由伊藤清做的
Stochastic Calculus \text{Stochastic Calculus} Stochastic Calculus
4.3 期权定价问题
Option Pricing \text{Option Pricing} Option Pricing
期权定价问题是布朗运动和伊藤公式的典型应用,下面进行简要介绍。
4.3.1 布朗运动与金融建模
由于布朗运动具有不可预测性,经常被用来对股票价格进行建模,这个工作是1900年由bacheliar做的。其导师是庞加莱
B ( t ) Brown Motion → Stock Price Modeling(Bacheliar) B(t) \quad \text{Brown Motion} \rightarrow \text{ Stock Price Modeling(Bacheliar)} B(t)Brown Motion→ Stock Price Modeling(Bacheliar)
但是这个事情被人诟病,因为布朗运动有时候是负的,但是股票价格不可能是负的,因此,人们提出了新的随机过程来进行描述,把布朗运动放到了指数里面,并做了进一步的改进
S ( t ) = e x p ( B ( t ) ) → e x p ( u t + σ 2 B ( t ) ) S(t) = exp(B(t)) \rightarrow exp(ut +\sigma^2B(t)) S(t)=exp(B(t))→exp(ut+σ2B(t))
这个模型包括两部分,一部分是短时的变化趋势,另外一部分是布朗运动带来的价格波动。这个模型被叫做几何布朗运动,是1930年金融学奠基人萨缪尔森做出的工作。前面增加了一部分确定的线性增长因素是由于,金融市场确实有时候增长是有些线性的。
Geometric Brown Motion → Samuelson \text{Geometric Brown Motion} \rightarrow \text{Samuelson} Geometric Brown Motion→Samuelson
4.3.2 期权与对冲问题
然后我们介绍一下,什么是期权。
我们直接买卖股票的风险是非常高的,因为我们没有办法控制股票的涨落。
如果我们去买一个期权,就不一样了。期权是买卖股票的权利,在一个固定时间去买卖股票的权利。买卖股票有两种形式,一种是股价5块钱,然后花了五块钱去买了股票。另一种是,别人手里有5块钱的股票,我们不直接买股票,而是买他股票的权利。我们决定明天买他的股票,因为股票明可能会涨。我们约定明天用5.2来买这个股票。然后我们花1毛钱来买这个权利,就是明天花5.2来买这个股票的权利。现在,对于卖者来说,今天已经赚了1毛钱,如果明天股票跌了,还是能以5.2卖出。但是如果明天股票涨了,可能就会亏一点。对于买者来说,也还好,如果明天股票涨价到了8块,我们可以使用购买的权利,用5.2来买股票。但是如果明天股票跌了,我们可以放弃期权,因为买方有权决定是否要这个期权。因此,买家顶多就损失1毛钱。
因此,期权是一个依赖于购买时间和股票价格的二元函数,时间越久,期权会越贵,股票价格越高,期权会越贵。
V ( t , S ( t ) ) V(t,S(t)) V(t,S(t))
因此,期权是一个很好的规避风险的工具,能够帮助抗拒风险。我们可以进一步降低风险,就是进行资产组合。做资产组合是能够做对冲的。
H
e
d
g
i
n
g
Hedging
Hedging
接着上面的例子。我们要买期权,要付那1毛钱,这一毛钱哪里来? 这个钱应该通过卖掉手里的股票来付。如果没有的话,借股票来卖,这是一种对冲。对冲的意思就是要把风险降下来。就是不管股票涨还是跌,我们的损失都不会很大。
卖股票买期权就能够达到这个目的。如果股票涨了,这个时候卖股票就吃亏了,但是买期权的地方就会赚。如果股票跌了,买期权就亏了,可是我们就实现了股票高点的套现。
金融里面,最重要的不是赚钱,而是活下去,不出局。因此金融的设计理念就是规避风险。因此,我们要做资产组合,资产应该包括期权和卖掉的股票,其中st是股票,因为卖掉是负资产。得到的就是总资产。
P ( t ) = V ( t , S ( t ) ) − α S ( t ) P(t) = V(t,S(t)) - \alpha S(t) P(t)=V(t,S(t))−αS(t)
4.3.3 期权定价
然后,我们就可以来研究,期权价格到底要定多少,可以规避风险。有一个基本原理,总资产的微分应该等于等额的资产存到银行里面获得的收益。
S ( t ) = e x p ( u t + σ 2 B ( t ) ) P ( t ) = V ( t , S ( t ) ) − α S ( t ) d P ( t ) = r P ( t ) d t r : Interest Rate S(t) = exp(ut +\sigma^2B(t))\\ P(t) = V(t,S(t)) - \alpha S(t) \\ dP(t) = rP(t)dt \quad r \text{ : Interest Rate} S(t)=exp(ut+σ2B(t))P(t)=V(t,S(t))−αS(t)dP(t)=rP(t)dtr : Interest Rate
首先,我们要对股票价格求一下微分
d S = S ( μ d t + σ 2 d B ( t ) + 1 2 σ 4 d t ) dS = S(\mu dt + \sigma^2dB(t) + \frac{1}{2} \sigma^4 dt) dS=S(μdt+σ2dB(t)+21σ4dt)
我们发现dS中是保留有一阶的dB的
我们再来求资产的微分
d P ( t ) = d V + α d S = ∂ V ∂ t d t + ∂ V ∂ S d S + 1 2 ∂ 2 V ∂ S 2 d S 2 + α d S dP(t) = dV +\alpha dS = \frac{\partial V}{\partial t} dt + \frac{\partial V}{\partial S} dS + \frac{1}{2}\frac{\partial^2 V}{\partial S^2} dS^2 + \alpha dS dP(t)=dV+αdS=∂t∂Vdt+∂S∂VdS+21∂S2∂2VdS2+αdS
我们注意到,V对S的求导也求到了两阶,这是因为,如果我们只求到一阶的S,有一个一阶的dB,阶次不够,因此仍然需要再求一阶
我们研究一下dS2是什么
d S 2 = ( S ( μ d t + σ 2 d B ( t ) + 1 2 σ 4 d t ) ) 2 = σ 4 S 2 d t dS^2 = (S(\mu dt + \sigma^2dB(t) + \frac{1}{2} \sigma^4 dt))^2 = \sigma^4S^2 dt dS2=(S(μdt+σ2dB(t)+21σ4dt))2=σ4S2dt
得到这个结果主要是看微元的阶次,只有dB的平方得到的是一阶的t,其他的两两相乘阶次都比t高,就不要了
因此,可以得到期权的微分
d
P
(
t
)
=
d
V
+
α
d
S
=
∂
V
∂
t
d
t
+
∂
V
∂
S
d
S
+
1
2
∂
2
V
∂
S
2
σ
4
S
2
d
t
+
α
d
S
dP(t) = dV +\alpha dS = \frac{\partial V}{\partial t} dt + \frac{\partial V}{\partial S} dS + \frac{1}{2}\frac{\partial^2 V}{\partial S^2} \sigma^4S^2 dt+ \alpha dS
dP(t)=dV+αdS=∂t∂Vdt+∂S∂VdS+21∂S2∂2Vσ4S2dt+αdS
另外,期权的微分应该等于银行利率
d P ( t ) = r P ( t ) d t = r ( V + α S ) d t dP(t) = rP(t)dt = r(V+\alpha S) dt dP(t)=rP(t)dt=r(V+αS)dt
为了让两边相等,我们要令dS的项为0,只保留dt的项,则
∂ V ∂ S d S + α d S = 0 α = − ∂ V ∂ S \frac{\partial V}{\partial S} dS + \alpha dS = 0 \\ \alpha = - \frac{\partial V}{\partial S} ∂S∂VdS+αdS=0α=−∂S∂V
这个α叫做delta对冲
delta \text{delta} delta
同时,我们也得到了一个计算期权价格的偏微分方程
∂ V ∂ t + 1 2 σ 4 S 2 ∂ 2 V ∂ S 2 − r V + r S ∂ V ∂ S = 0 \frac{\partial V}{\partial t} + \frac{1}{2}\sigma^4S^2\frac{\partial^2 V}{\partial S^2} - rV + rS\frac{\partial V}{\partial S} =0 ∂t∂V+21σ4S2∂S2∂2V−rV+rS∂S∂V=0
得到的这个方程叫做
Black-Scholes \text{Black-Scholes} Black-Scholes