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 Assets
三种分析方法
- 基本面分析:从财务报表/管理团队等角度分析公司(股票)价值。存在的问题:
- 难以分析:大量问题没有体现在报表中
- The market can stay irrational longer than you can stay solvent(Keynes).市场会长期不理性:持有低估值的公司导致持续亏损
- 技术分析:只关心从历史股价以及从中中提取的信息,大量研究表明这种方法是无用功
- 量化分析:用随机性对股价/利率建模
备注:CQF关注量化金融,上面这段比较可能有失偏颇。关注点在于:量化分析基于对随机性建模。
收益率
SPX指数1950年至今的日回报分布近似为正态分布(这里可以理解为实证研究)
假设收益率为正态分布,则有
R
i
=
S
i
+
1
−
S
i
S
i
=
m
e
a
n
+
s
t
a
n
d
a
r
d
d
e
v
i
a
t
i
o
n
×
ϕ
其
中
ϕ
是
标
准
正
态
分
布
,
均
值
m
e
a
n
和
标
准
差
s
t
a
n
d
a
r
d
d
e
v
i
a
t
i
o
n
都
是
常
数
\begin{aligned} &R_i = \frac{S_{i+1} - S_i}{S_i} = mean + standard \ deviation \times \phi \\ &其中 \phi是标准正态分布,\\ & 均值mean和标准差standard \ deviation都是常数 \end{aligned}
Ri=SiSi+1−Si=mean+standard deviation×ϕ其中ϕ是标准正态分布,均值mean和标准差standard deviation都是常数
离散时间下的收益率
-
单期时间用 δ t \delta t δt表示,单位为年,
计算SPX收益率时,单期时间 δ t \delta t δt为一天,所以 δ t = 1 252 \begin{aligned}\delta t = \frac{1}{252}\end{aligned} δt=2521 -
用 μ \mu μ表示年化收益率(growth rate/drift rate), 则单期收益率的均值 m e a n = μ δ t mean = \mu \delta t mean=μδt
忽略收益率等式中的随机项
R i = S i + 1 − S i S i = μ δ t \begin{aligned} R_i = \frac{S_{i+1} - S_i}{S_i} = \mu \delta t \end{aligned} Ri=SiSi+1−Si=μδt
S i + 1 = S i ( 1 + μ δ t ) \begin{aligned} S_{i+1}= {S_i} (1 + \mu \delta t) \end{aligned} Si+1=Si(1+μδt)
S M = S M − 1 ( 1 + μ δ t ) = S M − 2 ( 1 + μ δ t ) 2 = ⋯ = S 0 ( 1 + μ δ t ) M = S 0 e M l o g ( 1 + μ δ t ) ≈ S 0 e M μ δ t , 当 δ t → 0 时 = S 0 e μ t \begin{aligned} S_{M} &= {S_{M-1}} (1 + \mu \delta t) \\ &= {S_{M-2}} (1 + \mu \delta t)^2 \\ &= \cdots \\ &= {S_{0}} (1 + \mu \delta t)^M \\ &= {S_{0}} e^{Mlog(1 + \mu \delta t)} \\ &\approx {S_{0}} e^{M\mu \delta t}, \ 当\delta t \rightarrow 0时 \\ &= {S_{0}} e^{\mu t} \\ \end{aligned} SM=SM−1(1+μδt)=SM−2(1+μδt)2=⋯=S0(1+μδt)M=S0eMlog(1+μδt)≈S0eMμδt, 当δt→0时=S0eμt
上述推导说明,当 M → ∞ , δ t → 0 M \rightarrow \infin, \ \delta t \rightarrow 0 M→∞, δt→0 时,,收益率与步长 δ t \delta t δt无关 -
用 σ \sigma σ表示收益率的年化波动率,则单期收益率的波动率为 s t a n d a r d d e v i a t i o n = σ δ t standard \ deviation=\sigma \sqrt{\delta t} standard deviation=σδt
备注:这里隐含了一个假设:单期收益率相互独立,多期收益率满足平方根法则
如果 X , Y X, Y X,Y相互独立, 则 C O V ( X , Y ) = 0 \begin{aligned} COV(X, Y) = 0 \end{aligned} COV(X,Y)=0
V ( X + Y ) = V ( X ) + V ( Y ) + 2 C O V ( X , Y ) = V ( X ) + V ( Y ) \begin{aligned} & V(X+Y) \\ = & V(X)+V(Y) + 2COV(X, Y) \\ = & V(X)+V(Y) \end{aligned} ==V(X+Y)V(X)+V(Y)+2COV(X,Y)V(X)+V(Y) -
收益率等式
R i = S i + 1 − S i S i = m e a n + s t a n d a r d d e v i a t i o n × ϕ = μ δ t + σ ϕ δ t \begin{aligned} R_i &= \frac{S_{i+1} - S_i}{S_i} \\ &= mean + standard \ deviation \times \phi \\ &= \mu \delta t + \sigma \phi \sqrt{\delta t} \end{aligned} Ri=SiSi+1−Si=mean+standard deviation×ϕ=μδt+σϕδt
S i + 1 − S i = μ S i δ t + σ S i ϕ δ t \begin{aligned} S_{i+1} - S_i = \mu S_i \delta t + \sigma S_i \phi \sqrt{\delta t} \end{aligned} Si+1−Si=μSiδt+σSiϕδt
这个等式是蒙特卡洛模拟的基石,是随机游走的离散时间模型
连续时间下的收益率
S i + 1 − S i = μ S i δ t + σ S i ϕ δ t \begin{aligned} S_{i+1} - S_i = \mu S_i \delta t + \sigma S_i \phi \sqrt{\delta t} \end{aligned} Si+1−Si=μSiδt+σSiϕδt
在连续时间条件下
-
等式右边的第一项 μ S i δ t \mu S_i \delta t μSiδt中, δ t \delta t δt变为 d t dt dt
-
等式右边的第二项 σ S i ϕ δ t \sigma S_i \phi \sqrt{\delta t} σSiϕδt中, 因为随机变量 ϕ \phi ϕ的存在, δ t \sqrt{\delta t} δt不能直接变为 d t \sqrt{dt} dt
将 ϕ δ t \phi \sqrt{\delta t} ϕδt记为 d X dX dX, 有 E [ d X ] = 0 , E [ d X 2 ] = d t E[dX]=0, E[dX^2] = dt E[dX]=0,E[dX2]=dt, d X dX dX称为维纳过程 Wiener Process -
资产价格的连续时间模型 d S = μ S d t + σ S d X dS = \mu S dt + \sigma S dX dS=μSdt+σSdX
这是一个随机微分方程Stochastic Differential Equation (SDE)