- •Случайные события
- •Стохастический мир
- •Случайные величины
- •Совместная и условная вероятности
- •Зависимость и независимость
- •Характеристическая функция
- •Модель аддитивного блуждания
- •Случайные процессы
- •Стохастические уравнения
- •Уравнение Ито
- •Остановка перед восхождением
- •Лемма Ито
- •Точные решения
- •Простые стохастические модели
- •Представление решений
- •Автокорреляция и спектр
- •Порождающий процесс Винера
- •Средние значения
- •Динамическое уравнение для средних
- •Процесс Феллера
- •Логистическое уравнение
- •Вероятности
- •Марковские плотности вероятности
- •Граничные условия
- •Стохастические интегралы
- •Площадь под траекторией Винера
- •Интегралы Ито
- •Интегрирование стохастических уравнений
- •Единственность решений
- •Метод последовательных приближений
- •Системы уравнений
- •Скоррелированные блуждания
- •Системы стохастических уравнений
- •Стохастический осциллятор
- •Линейные многомерные модели
- •Многомерие помогает одномерию
- •Как решать стохастические задачи?
- •Стохастическая природа
- •Теория броуновского движения
- •Стохастический осциллятор
- •Дрожание земной оси
- •Электронный шум
- •Хищники и их жертвы
- •Стохастическое общество
- •Финансовые рынки
- •Эмпирические закономерности
- •Диверсификация
- •Портфель на всю жизнь
- •Опционы
- •Кривая доходности
- •Компьютерное моделирование
- •Статистики
- •Случайные числа
- •Моделирование стохастических процессов
- •Ошибки вычислений и ускорение сходимости
- •Вычисление средних
- •R: Стохастический справочник
- •Основные соотношения теории
- •Системы уравнений с одинаковым шумом
- •M: Математические приложения
- •H: Помощь
- •C: Примечания
- •Рекомендуемая литература
14 |
Глава 1. |
1.2Случайные величины
Рассмотрим величину, различные наблюдения которой дают нам на-
бор чисел x1; x2; ::: Это могут быть значения ежедневных цен акции или координаты броуновской частицы. Числа x1; x2; ::: можно рассматривать как возможные реализации случайной величины x. На первом этапе ис-
следования мы не интересуемся порядком их поступления и можем эту последовательность произвольным образом перемешивать.
Допустим, xi встречается ni раз, а общее количество чисел равно n. Мы называем средним значением случайной величины x выражение:
x = hxi = n |
i |
xini = |
i |
1 |
x P (x) dx; |
(1.7) |
||
xipi = Z |
||||||||
1 |
|
X |
|
X |
|
|
|
|
|
|
|
|
1 |
|
|
||
ãäå pi = ni=n относительные частоты (или вероятности) |
появления |
того или иного xi. Åñëè âñå xi различны, то среднее равно их сумме, дел¼нной на n. Чем вероятнее xi, тем больший вклад оно да¼т в среднее.
Большинство финансовых или физических величин непрерывны. При бесконечном числе наблюдений вместо суммы возникает интеграл. Плотностью распределения вероятностей называют такую функцию P (x),
умножение которой на интервал dx дает вероятность pi того, что значе- ние x окажется в отрезке от x до x + dx.
Вероятность обнаружить случайную величину x в любом месте диапазона [ 1::1] равна площади под кривой P (x). Понятно, что такое достоверное событие (любое значение x) имеет единичную вероятность:
P(x)dx = pi |
|
|
1 |
|
|
|
|
|
|
|
|
P(x) |
|
i |
pi = Z |
P (x)dx = 1: |
(1.8) |
x |
x+dx |
X |
1 |
|
|
Это соотношение называют условием нормировки.
Иногда случайная величина имеет запрещ¼нные значения. Например, цена или количество кроликов всегда положительны. В этом случае вероятность обнаружить x в области x < 0 равна нулю. При вычислении
средних мы часто будем интегрировать от минус до плюс бесконечности. При этом предполагается, что в запрещ¼нных для случайной величины интервалах плотность вероятности равна нулю.
Случайные события |
15 |
Если известна плотность вероятности, то можно найти среднее зна- чение произвольной функции F (x) случайной величины x:
1 |
|
||
hF (x)i = |
|
= Z |
|
F (x) |
F (x) P (x) dx: |
1
Мы обозначаем операцию усреднения при помощи двух эквивалентных символов фигурных скобок или черты сверху. В математической и финансовой литературе распространено также обозначение EF (x).
Так как среднее является суммой (интегралом), то среднее суммы двух выражений равно сумме их средних. Кроме этого, за знак среднего можно выносить константу:
h f(x)i = hf(x)i ; hf(x) + g(x)i = hf(x)i + hg(x)i :
Но это и вс¼! Нелинейные функции, в общем случае, не могут быть вы-
несены из-под знака среднего: |
|
x2 |
6= hxi2. |
|||
Второй важнейшей |
|
|
|
|
|
|
|
характеристикой случайной величины является |
|||||
е¼ волатильность : |
|
|
|
|
1 |
|
|
|
|
|
|
|
|
2 = |
(x x)2 |
|
= Z |
(x x)2 P (x) dx: |
||
|
|
|
|
1 |
|
Волатильность в нефинансовых приложениях обычно называется среднеквадратичным отклонением. Е¼ квадрат 2 это дисперсия или вариация, 2 = Var(x). Среднее значение x как константу можно вынести за знак усреднения, поэтому:
2 = (x x)2 = x2 2xx + x2 = x2 2x hxi + x2 = x2 hxi2 :
Если плотность вероятности непрерывной случайной величины имеет единственный симметричный максимум, то среднее характеризует наиболее типичное значение x. Волатильность это типичные отклонения x
от своего среднего. Чем меньше , тем уже плотность вероятности P (x), и при ! 0 случайная величина становится практически детерминированной со значением x = x.
Аналогично дисперсии можно определить моменты более высоких порядков. Так, безразмерные отношения
asym = (x x)3 = 3; |
excess = (x x)4 = 4 3 |
(1.9) |
называются асимметрией и эксцессом. Асимметрия характеризует скошенность плотности вероятности и для симметричной P (x) она равна
нулю. При больших положительных эксцессах P (x) медленнее убывает при удалении от среднего, чем при малых.
16 |
Глава 1. |
Очень часто встречается плотность вероятности Гаусса, или нор-
мальное распределение. Соответствующую случайную величину на протяжении этих лекций мы будем обозначать как ". Мы не будем различать
обозначения для случайной величины " и переменной в е¼ плотности вероятности, которая для нормального распределения имеет вид:
0.40
P( ) |
|
|
e 21 "2 |
|
|
||
0.24 |
|
|
|
|
|||
|
|
P (") = |
p |
|
|
|
(1.10) |
|
0.05 |
2 |
|||||
|
|
|
|
|
|
|
|
-2 -1 0 1 |
2 |
|
|
|
|
|
|
|
|
|
|
|
|
Среднее значение " равно нулю h"i = 0, а е¼ квадрата единице
"2 = 1. Следовательно, дисперсия также равна единице "2 = 1. Далее это будет обозначаться следующим образом: " N(0; 1). Если перей-
ти к случайной величине x = + ", то она будет иметь среднее и волатильность (l C4), поэтому x N( ; 2).
Для гауссовых величин полезно знание |
производящей функции, рав- |
|||
ной среднему значению от экспоненты [см. (14), ñòð. 312]: |
|
|||
|
1 |
|
|
|
he "i = |
Z |
e " P (") d" |
= e 2=2: |
(1.11) |
1
Разложение в ряд по параметру левой и правой части (1.11) позволяет легко находить средние произвольных степеней h"ni (l H3).
В частности: "4 равно 3, и, следовательно, excess = 0. Вычитание из безразмерного момента четв¼ртого порядка тройки в определении эксцесса (1.9) связано с желанием рассматривать в качестве эталона нормальное распределение. Если excess > 0, то, скорее всего, распределение
имеет толстые хвосты , т.е. лежит выше графика нормального распределения (при x ! 1). Если эксцесс отрицательный наоборот, ниже.
Интегральным распределением:
x |
e "2=2 |
|
|
||
F (x) = Z |
|
|
|||
p |
|
|
d" |
(1.12) |
|
2 |
|||||
1 |
|
|
|
|
|
мы называем вероятность того, что случайная величина не превышает некоторого значения x.
Случайные события |
17 |
Если известна плотность вероятности P (x) величины x, то мы можем найти плотность вероятности для другой случайной величины y, связанной с x некоторой функциональной зависимостью y = f(x). Для этого вычисляется среднее от произвольной функции F (y). Это можно сделать, проведя усреднение с известной плотностью вероятности P (x):
1 |
F y |
hF (y)i = Z |
1 |
F f(x) P (x) dx: |
|
P~(y) dy = Z |
(1.13) |
1 1
Òàê êàê ~
P (y) нам неизвестна, мы интегрируем с P (x) и подставляем y = f(x) в F (:::). При помощи обратной замены можно преобразовать второй интеграл в первый. Множитель при F (y) в подынтегральной функции
окажется искомой плотностью вероятности ~
P (y) äëÿ y.
Рассмотрим в качестве примера случайную величину r = + ", имеющую нормальное распределение со средним значением и волатильностью . Найд¼м распределение для x = x0 er, ãäå x0
1 |
F x0e + " |
|
e " |
=2 p2 |
= |
1 |
F (x) e [ln(x=x0) ] =2 |
|
x p2 : |
||
hF (x)i = Z |
|
Z |
|
||||||||
|
|
|
2 |
|
d" |
|
|
2 |
2 |
dx |
|
1 |
|
|
|
|
0 |
|
|
|
|
Первый интеграл вычисление среднего при помощи нормального распределения. В н¼м проводится замена x = x0 e + ", dx = xd". В резуль-
òàòå ïðè x > 0:
1 |
|
|
|
(ln(x=x0) |
|
)2 |
: |
|
|
PL(x) = |
x p |
|
exp |
2 2 |
|
(1.14) |
|||
2 |
|
|
Вероятность PL(x) называется логнормальным распределением. В каче- стве упражнения предлагается вычислить среднее hxi при помощи PL(x) или гауссовой плотности P (") (l H4).
Используя случайные величины в соотношениях типа x = + ",
мы не выполняем арифметических операций с конкретными числами, а сообщаем о потенциальном вычислении: если " окажется равным неко-
торому значению, то x ... Иногда делают различие в обозначениях, записывая случайную величину при помощи большой буквы X, а при вычислении среднего строчной буквой x, как переменную интегрирования.
Мы не будем этого делать, тем не менее, необходимо помнить об этом довольно тонком различии.