连续时间模型

最新推荐文章于 2024-09-06 14:52:18 发布

月上流骚头

最新推荐文章于 2024-09-06 14:52:18 发布

阅读量2k

点赞数 1

分类专栏：量化文章标签：金融概率论

本文链接：https://blog.csdn.net/wht506520189/article/details/125179832

版权

量化专栏收录该内容

5 篇文章 3 订阅

订阅专栏

1 布朗运动

1.1 性质

随时间不断变化的随机过程，随机变量服从均值为0，方差与时间有关的运动。

满足：

性质1，时间u > s，变化量 B(u) - B(s) 为均值0，方差为时间长度 u - s 的正态分布；

$B(u) - B(s) = \varepsilon \sqrt{u-s} \ ,\ \varepsilon \sim N(0,1) \ , \ B(s)=E_S[B(u)]$ (1)

布朗运动是一个鞅过程。

性质2，对于任意两个不重叠的时间间隔上，B(t)增量是相互独立的。

1.2 描述

$B(t_i)=B(t_{i-1}) + z\ \sqrt{\Delta t} \ , \ z \sim N(0,1)$ (2)

1.3 二阶变差

f 是一个连续可导函数，其在时间区间 [0, T] 上的二阶变差等于0：

$0=t_0<t_1<t_2<...<t_n=T \\ \\ \lim\limits_{max(t_{j+1}-t_j) \to 0}\sum_{j=0}^{n-1}(f_{t_{j+1}}-f_{t_j})^2 \to 0$

布朗运动B(t) 是一个连续不可导函数，其在时间区间 [0, T] 上的二阶变差以概率1趋近与T，可以表示为如下形式：

$0=t_0<t_1<t_2<...<t_n=T \\ \\ \lim\limits_{max(t_{j+1}-t_j) \to 0}\sum_{j=0}^{n-1}[B(t_{j+1})-B(t_j)]^2 \to T$

布朗运动的二阶变差：

$\Delta t \to 0,\ \Delta B(t)=B(t+\Delta t)-B(t),\\ \\ { By\ definition\ ,\ we \ know... }\ E[\Delta B(t)]=0, \ Var[\Delta B(t)]=\Delta t \\ \\ As.. \ Var[\Delta B(t)]= E[\Delta B(t)^2] - ( E[\Delta B(t)])^2\Rightarrow E[\Delta B(t)^2] =\Delta t \ \\ \\ so.. \ \ Var[\Delta B(t)^2] =E[\Delta B(t)^4] -(E[\Delta B(t)^2] )^2 \\ \\ \ \ \ \ =E[\Delta t^2z^4]-\Delta t^2=\Delta t^2(E[z^4]-1)=2\Delta t^2\ ,\ \\ \\ where \ \ z \sim N(0,1), \ \ E[z^4]=3.$

微分形式：

$so.. \ \ \lim\limits_{\Delta t\to 0} [\Delta B(t)]^2=\Delta t \\ \\ Differential\ form\ is\ : \ [dB(t)]^2=dt$

鞅过程：

$E[(dB(t))]=0$

常用的三个基本微分形式：

$1.\ \ (dt)^2=0 \\ \\ 2.\ \ (dt)(dB(t))=0 \\ \\ 3.\ \ (dB)^2=dt$

2 Ito过程

2.1 定义

伊藤过程是指一个随机变量X(t)，随时间变化的规律可以表示为

$dX(t)=u(t)dt+\sigma (t)dB(t)$

B(t)是布朗运动，u 、 $\sigma$ 为两个随机过程，分别称为过程 X 在时间 t 的“漂移”系数和“扩散”系数，当取常数时，称伊藤过程 X 为（u ， $\sigma$ ）---布朗运动。

2.2 Ito积分

对任何T，将X的变化量按时间加总，可以得到：

$X(T)=X(0)+\int_{0}^{T}u(t)dt+\int_{0}^{T}\sigma (t)dB(t) \\ \\ where \ \ \int_0^T\sigma (t)dB(t)\ \ \ similar \ to\ \sum_{i=1}^{N}\sigma (t_{i-1} )\Delta B(t_i) \\ \\ \ and \ \ 0=t_0<t_1<t_2<...<t_n=T\ ,\ \ (t_{i+1}-t_i )\to 0$

2.3 Ito过程的性质

X的期望值为 u(t)dt 的期望值，u=0时，X是一个鞅过程。X(T)的方差为：

$Var[X(T)]=E[\int_0^T\sigma ^2(t)dt] < \infty$

$as. \ dX=udt+\sigma dB \\ \\ (dX)^2=(udt+\sigma dB)^2=u^2(dt)^2+2u\sigma dtdB+\sigma ^2 (dB)^2=\sigma ^2dt$

2.4 Ito引理

$y=G(x,t)$ ，如果x是一个普通变量。y 的全微分方程为：

$dG=\frac{\partial G}{\partial t}dt+\frac{\partial G}{\partial x}dx$

如果 x 是一个随机过程，那么：

$dG=\frac{\partial G}{\partial t}dt+\frac{\partial G}{\partial x}dx+\frac{1}{2}\frac{\partial^2 G}{\partial t^2}(dt)^2+\frac{1}{2}\frac{\partial^2 G}{\partial x^2}(dx)^2+\frac{1}{2}\frac{\partial^2 G}{\partial t \partial x}dtdx+...$

当 x 是一个伊藤过程时，dx 的平方项不能忽略

$dG=\frac{\partial G}{\partial t}dt+\frac{\partial G}{\partial x}dx+\frac{1}{2}\frac{\partial^2 G}{\partial x^2}(dx)^2 \\ \\ \\ dx=u(t)dt+\sigma (t)dB(t), \ (dx)^2=\sigma ^2(t)dt \\ \\ \\ dG=[\frac{\partial G}{\partial t}+\frac{\partial G}{\partial x}u(t)+\frac{1}{2}\sigma ^2(t)\frac{\partial^2 G}{\partial x^2}]dt+\sigma (t)\frac{\partial G}{\partial x}dB(t)$

2.5 多维Ito过程

若存在过程 $\rho$ （可能是随机过程），使得给定 t 时信息条件下两个正态分布的随机变量的协方差可以表示为 $E_t [\int_t^u \rho (s)ds]$ ，则其为两个布朗运动的相关系数。当 $\rho$ 为常数时，

$B_x(u)-B_x(t) \ ,\ B_y(u)-B_y(t)$ 的相关系数为：

$\rho = \frac{COV(X,Y)}{\sqrt{Var(X)} \sqrt{Var(Y)}}=\frac{\int_t^u\rho ds}{\sqrt{u-t} \sqrt{u-t}}=\frac{(u-t)\rho}{u-t}=\rho$

$(dX(t))^2=\sigma_x^2(t)dt\, \\ \\ (dY(t))^2=\sigma_y^2(t)dt\, \\ \\dX(t)dY(t)=\sigma_x(t) \sigma _y(t)dt\, \\$

$Z(t) = g(t, X(t), Y(t))$

$dZ=\frac{\partial g}{\partial t}dt+\frac{\partial g}{\partial x}dx+\frac{\partial g}{\partial y}dy+\frac{1}{2}\frac{\partial^2 g}{\partial x^2}(dX)^2+\frac{\partial^2 g}{\partial y^2}(dY)^2+\frac{\partial^2 g}{\partial x \partial y}dXdY$

2.6 Ito引理的运用

if Z=XY, then

$\frac{dZ}{Z}=\frac{dX}{X}+\frac{dY}{Y}+(\frac{dX}{X})(\frac{dY}{Y})$

if Z=Y/X, then

$\frac{dZ}{Z}=\frac{dY}{Y}-\frac{dX}{X}-(\frac{dX}{X})(\frac{dY}{Y})+(\frac{dX}{X})^2$

if $Z=e^X$ , then

$\frac{dZ}{Z}=dX+\frac{(dX)^2}{2}$

if $Z=logX$ , then

$\frac{dZ}{Z}=\frac{dX}{X}-\frac{1}{2}(\frac{dX}{X})^2$

compounding / Discounting. let $Y(t)=e^{\int_0^tq(s)ds}$ ,for some (possibly random) process q and define Z=XY for any Ito process X. We have $dY(t) = q(t)Y(t)dt$ , and

$\frac{dZ}{Z}=qdt+\frac{dX}{X}$

3 红利再投资资产

考虑一个股票投资， X(t) 表示 t 时刻该投资组合中股票的份数，0 时刻持有一份股票，即 X(0)=1；

股票的红利支付率为 q；

瞬时红利率支付为 $qS(t)X(t)dt$ ；

将该部分红利用于再投资购买新的股票，可以购买的新股票数量为 $qX(t)dt$ ，此为股票增量，

$dX(t)=qX(t)dt \\ \\ \Rightarrow X(t)=e^{qt}X(0) \ , \ \\ \\ where. \ X(0)=1 \ ,\ \Rightarrow \ X(t)=e^{qt}$

资产价值： $V(t)=X(t)S(t)$

X(0)=1，q(t)=q 为常数时，资产价值：

$V(t)=e^{qt}S(t)$

其微分形式为：

$\frac{dV}{V}=qdt+\frac{dS}{S}\\ \\ \\ as. \ for Z=xy\ , \ dZ=\frac{\partial Z}{\partial x} dx + \frac{\partial Z}{\partial y}dy=ydx+xdy \\ \\ \\ \Rightarrow \frac{dZ}{Z}=\frac{y}{Z}dx+\frac{x}{Z}dy=\frac{dx}{x}+\frac{dy}{y}$

经济含义：资产收益包括两个部分，红利收益和资产利得。

4 几何布朗运动

随机过程S若为几何布朗运动，则满足：

$\frac{dS}{S}=udt+\sigma dB(t)$

上式表示，在 dt 瞬间，S 的变化率的期望为 udt，变化率的方差为 $\sigma ^2dt$ 。u为漂移项，表示几何布朗运动以平均增长率 u 增加， $\sigma$ 为波动率。

等价形式：

$d\ logS(t)=(u-\frac{1}{2}\sigma ^2)dt+\sigma dB(t)$ （1）

$logS(t)=logS(0)+(u-\frac{1}{2}\sigma ^2)t+\sigma B(t)$

$S(t)=S(0)e^{ut-\sigma ^2 t/2+\sigma B(t)}$

模拟几何布朗运动，（1）写成离散形式：

$\Delta logS=(u-\frac{1}{2}\sigma ^2) \Delta t+\sigma \Delta B$

$logS(t_i)=logS(t_{i-1})+(u-\frac{1}{2}\sigma ^2)\Delta t + \sigma \sqrt{\Delta t}z$

z ~ N(0,1)。

5 计价物和概率变换

变换概率测度时，Ito过程只有漂移项会发生变化，扩散系数和相关系数不会受影响。

5.1 计价物

考虑三个资产：

1、无风险资产R，计价物 $R(t)=e^{rt}$ ；

2、风险资产S（红利收益率为q），计价物 $V(t)=e^{qt}S(t)$ ；

3、风险资产及计价物Y（不分红或分红已经包括在资产价格中）；

各自满足如下随机过程：

$\frac{dR}{R}=rdt$

$\frac{dS}{S}=u_sdt+\sigma _sdB_s$

$\frac{dY}{Y}=u_ydt+\sigma _ydB_y$

$B_s\ ,\ B_y$ 存在一定相关性，相关系数是 $\rho$ ， $dB_sdB_y=\rho dt$ 。

5.2 概率测度变换

找到某一计价物下，风险资产的随机过程。具体步骤如下：

1、确定资产价格与计价物的比值（根据鞅定价原理，该比值在某一个概率测度下为一个鞅过程）；

2、对资产价格与计价物的比值运用Ito引理； $\alpha ^{num}$

3、鞅过程的漂移项为0，这一性质计算 dS/S 的漂移项。

不同计价物下，资产价格的对数表示式

num 为某一计价物，

$d log S=\alpha ^{num} dt + \sigma _sdB^{num}$

$\alpha ^{num}$ 对应的是不同计价物下，价格对数的随机过程的漂移项系数。

$\alpha^R=r-q-\sigma_S^2/2\ , \\ \\ \alpha^V=r-q+\sigma_S^2/2\ , \\ \\ \alpha^Y=r-q+\rho \sigma _s \sigma_y-\sigma_S^2/2$

5.3 尾部概率计算

到期时，股票价格对数分布：

$logS(T)=logS(0)+\alpha^{num}T+\sigma B^{num}(T)$

不同计价物下的尾部概率，如计算 $S(T)\geqslant K$ 的概率：

$S(T)\geqslant K\Leftrightarrow logS(T)\geqslant logK\Leftrightarrow \sigma B^{num}(T) \geqslant logK-logS(0)- \alpha ^{num}T \\ \\ \\ \Leftrightarrow \frac{B^{num}(T)}{\sqrt{T}}\geq \frac{ logK-logS(0)- \alpha ^{num}T}{\sigma \sqrt{T}} \\ \\ \\ \Leftrightarrow z\equiv -\frac{B^{num}(T)}{\sqrt{T}}\leq \frac{ log\frac{S(0)}{K}+ \alpha ^{num}T}{\sigma \sqrt{T}}=d$