- •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
168 |
Глава 6. |
6.5Многомерие помогает одномерию
Рассмотрим построение решения одномерного уравнения при помо-
щи стохастического интеграла. Пусть у нас есть система уравнений n x 1 с одинаковым шумом dx = a dt + b W . Для произвольной функции F = F (t; x) в этом случае справедлива следующая версия леммы Ито (6.12), ñòð. 157 (суммирование по повторяющимся индексам):
dF = |
@F |
|
@F |
|
b |
b |
|
|
@2F |
dt + b |
@F |
|
|
+ a |
|
+ |
|
|
|
|
|
W: |
|||
@t |
@x |
|
2 |
|
@x @x |
@x |
Пусть x = fx; W g, где x = x(t) решение некоторого одномерного стохастического уравнения dx = a(x) dt + b(x) W , а W порождающий
винеровский процесс с нулевым сносом и единичной волатильностью. В этом случае лемма Ито для функции F = F (t; x; W ) имеет вид:
|
@F |
|
@F |
|
b2 @2F |
@2F |
|
1 @2F |
@F @F |
|
||||||||||
dF = |
|
+ a |
|
+ |
|
|
|
+ b |
|
+ |
|
|
|
|
dt+ b |
|
+ |
|
W: |
|
@t |
@x |
2 |
@x2 |
@x@W |
2 |
@W 2 |
@x |
@W |
||||||||||||
Всегда подходящим выбором F : |
|
t; Z b(x) W |
|
|
|
|||||||||||||||
|
|
|
F (t; x; W ) = f(t; z) = f |
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
dx |
|
|
|
|
|
можно (l H41) волатильность (множителя при W ) сделать равной нулю. Подставляя F = f(t; z) в лемму Ито, получаем:
df = |
@t |
+ |
b(x) |
0 2 |
@z dt: |
||
|
|
@f |
|
a(x) |
b (x) |
|
@f |
Если выбором функции f уда¼тся добиться, чтобы множитель при dt зависел только от t и W , то это уравнение можно проинтегрировать,
выразив решение в явном виде через порождающий винеровский процесс Wt. Так как множитель при dt не должен зависеть от x, то частная производная по x равна нулю, и мы получаем следующее уравнение:
@2f |
|
a(x) |
|
b (x) @2f |
|
a(x) |
|
b (x) |
|
0 |
@f |
|
|||||
|
+ |
|
|
0 |
|
|
+ b(x) |
|
|
|
0 |
|
|
|
|
|
= 0: |
@t@z |
b(x) |
2 |
@z2 |
b(x) |
2 |
|
|
@z |
Это уравнение допускает разделение переменных f(t; z) = et f(z):
+ |
a(x) |
|
b (x) |
|
+ b(x) |
a(x) |
|
b (x) |
|
0 |
||
|
|
0 |
|
|
|
|
0 |
= 0; |
||||
b(x) |
2 |
b(x) |
2 |
где , некоторые константы, которые необходимо подобрать так, чтобы это соотношение обращалось в тождество. Тогда f(t; z) = e t+ z.
Системы уравнений |
169 |
Рассмотрим в качестве примера логистическое уравнение (стр. 88):
|
|
|
= |
|
2 |
=p |
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
2 x W: |
|
|
|
|
|
||||||||||
|
dx = x (1 x) dt + |
|
|
(6.31) |
|||||||||||||||
Несложно проверить, что |
|
|
p , |
1 , F = e(1 |
|
) t+ 2 Wt=x, |
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
p |
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
dF = e(1 ) t+p2 Wt dt |
|
=> |
|
F = x0 + Z0 |
t |
|
|
|
|
|
|
||||||||
|
|
e(1 ) +p2 W d ; |
|||||||||||||||||
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
где при интегрировании учтено начальное условие F0 = F (0) = 1=x0, è x0 = x(0). Поэтому решение (6.31) можно записать в следующем виде:
x(t) = x0 e(1 ) t+p |
|
Wt |
21 + x0 |
Zt e(1 ) +p |
|
W d |
3 1 |
: |
|
2 |
2 |
(6.32) |
|||||||
|
|
|
4 |
|
|
|
5 |
|
|
0
Замкнутая форма (6.32) может быть полезна при построении приближ¼нных методов, однако, к сожалению, получить с е¼ помощью конкретные результаты (например, среднее x(t)), вообще говоря, не просто.
Простое интегральное представление для решения имеет также линейное по x стохастическое уравнение:
dx = ( + x) dt + x W:
В этом случае = , = ( 2=2) , и для процесса y = x e ( 2=2) t Wt получаем уравнение:
dy = e ( 2=2)t Wt dt:
Поэтому решение выражается через стохастический интеграл:
x(t) = e( 2=2)t+ Wt 2x0 + Zt e ( 2=2)s Wsds3 |
; |
||
4 |
0 |
5 |
|
который позволяет вычислять средние:
x(t) = x0 |
e( 2 |
=2)t+ "pt |
|
+ e( 2 |
|
t |
|
|
=2)t+ Wt Z e ( 2=2)s Wsds : |
||||||
|
D |
|
|
E |
D |
0 |
E |
Первое среднее вычисляется обычным образом, а для второго необходимо использовать формулу (5.7), ñòð. 129:
x(t) |
= x0 e t + Z |
t |
e( 2 |
=2)t+ ("1ps+"2pt s) e ( 2 |
=2)s "1ps |
ds; |
|||||||||
|
|||||||||||||||
|
|
0 |
D |
|
|
|
|
|
|
|
|
|
|
E |
|
|
: Заметим, что |
x(t) |
|
|
|||||||||||
èëè |
x(t) |
= x0 e t + |
e t 1 |
в данном случае |
|||||||||||
|
|
|
|
|
|
|
|
|
|
проще найти при помощи динамических уравнений для средних.
170 |
Глава 6. |
Иногда многомерные системы позволяют находить точные реше-
ния одномерных стохастических уравнений. Рассмотрим блуждание в n-мерном пространстве, считая, что по каждой координате реализуется
процесс Орнштейна-Уленбека с нулевым равновесным уровнем и одинаковым притяжением к нему:
dxi = |
|
|
|
|
|
xi dt + |
|
Wi: |
|
2 |
2 |
Блуждания предполагаются нескоррелированными, с одной волатильно-
стью шума. Рассмотрим случайный процесс, равный квадрату радиус- вектора y(t) = x21 + ::: + x2n. Найд¼м стохастическое уравнение, которому
он подчиняется. В данном случае ai = xi=2, bij = ij=2. Производные от y равны @y=@xi = 2xi, @2y=@xi@xj = 2 ij, и по лемме Ито (6.12), ñòð. 157 имеем следующее уравнение:
n 2
dy = y 4 dt + xi Wi:
Сумму стохастических членов в этом уравнении можно выразить через единственную винеровскую переменную:
pp
!i Wi = !i "i dt = " dt = W;
ãäå !i = xi=py. Действительно, сумма гауссовых чисел снова да¼т гауссово число, и, так как !12 + ::: + !n2 = 1, оно имеет единичную дисперсию. Вообще говоря, величины !i(t) являются случайными функциями. Однако на каждом шаге итерационного решения они принимают определ¼нное значение, но так, что сумма их квадратов всегда равна единице. Поэтому мы и переходим в уравнении к скалярной винеровской переменной W .
В результате получается одномерное уравнение Феллера:
dy = (y ) dt + py W;
с равновесным уровнем, равным = n 2=4 . Его решение выражается через известные нам случайные процессы Орнштейна-Уленбека (стр. 60):
|
|
|
|
|
||
|
|
|
|
|||
xi(t) = x0i e t=2 + |
2p |
|
p1 |
e t "i |
||
|
и n независимых гауссовых величин f"1; :::; "ng.
Системы уравнений |
171 |
Решение одномерного уравнения должно зависеть от одной константы начального условия y0 = y(0). В полученное решение входит n незави- симых констант x0i, соответствующих начальным условиям по каждой
координате. Покажем, что они, тем не менее, сворачиваются в един- ственную константу y0 = x201 + ::: + x20n. Для этого запишем решение в
следующем виде:
n |
|
1 |
|
|
2 |
|
|
|
|
|
Xi |
|
|
|
|
p |
|
|
|||
y(t) = |
|
x0i (t) + p |
|
s(t)"i |
|
|
= y0 2 |
(t) + 2y0 s(t) (t) " + s2(t) u; |
||
|
2 |
|
|
|||||||
=1 |
|
|
|
|
|
|
|
|
|
|
p
ãäå (t) = e t=2, s(t) = (1 e t), = 2=2 и введены две новые случайные величины " и u:
" = |
n |
!i"i; |
u = 1 |
n |
"2; |
n |
!2 = 1: |
||
|
X |
|
|
|
|
Xi |
i |
X |
i |
|
i=1 |
|
2 |
=1 |
i=1 |
||||
|
|
|
|
||||||
|
|
|
|
|
|
|
Сумма квадратов весов !i = x0i=py0 равна единице. Поэтому вели- чина " имеет гауссово распределение с нулевым средним и единичной дисперсией, а u подчиняется 2-распределению с n степенями свободы (l C26). Так как обе эти величины зависят от одних и тех же гауссовых чисел "1; :::; "n, они не являются независимыми. Однако их совместная плотность вероятностей не зависит от весов !i, и, следовательно, от констант начального условия x0i. Действительно, найд¼м производящую функцию:
|
|
n |
1 |
|
2 |
|
2 |
|
|
|
|
|
|
k2=2 |
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
d" |
|
|
e 1 p |
|||||||||
|
|
|
Z |
|
"i |
|
"i |
|
|
|
|||||||
(k; p) = ek "+ p u |
= i=1 |
ek !i"i+p |
|
|
|
|
p |
i |
= |
|
|
|
|
: (6.33) |
|||
2 |
2 |
|
|
|
|||||||||||||
|
(1 |
|
p)n=2 |
||||||||||||||
|
|
|
2 |
||||||||||||||
|
|
Y1 |
|
|
|
|
|
|
|
|
|
|
|
|
Введение мнимой единицы k ! {k, p ! {p превращает производящую
функцию в характеристическую, фурье-интеграл от которой равен плотности вероятности P ("; u). Разложение в ряд по k и p производящей
функции позволяет легко найти различные средние для случайных величин " и u.
Подобное представление было получено в третьей главе при изучении процесса Феллера (стр. 82). Несмотря на то, что мы начали с n процес-
сов Орнштейна-Уленбека, целочисленный параметр n в решении можно аналитически продолжить в область непрерывных значений n = 2 = .
Таким образом, процесс y(t) зависит от единственной константы на-
чального условия y0 = y(0) и двух случайных величин " и u, имеющих совместное распределение (6.33).
172 |
Глава 6. |
6.6Некоторые точные решения
Рассмотрим нестационарное многомерное стохастическое уравнение:
dxi = fi(t) dt + si (t) W : |
(6.34) |
При его решении итерациями получатся ряды следующего вида:
h i h ip xi(t) = xi(t0)+ fi(t0)+fi(t1)+::: t+ si (t0)" (t0)+si (t1)" (t1)+::: t:
Последний член является суммой независимых гауссовых случайных чи- сел. Поэтому решение (6.34) можно записать следующим образом:
xi(t) = xi(t) |
+ Si (t) " ; |
(6.35) |
где по по-прежнему производится суммирование, и |
|
|
t |
|
t |
xi(t) = xi(t0) + Z fi( ) d ; |
Dij = Si Sj = Z si ( )sj ( ) d : |
|
t0 |
t0 |
|
Явный вид матричной функции Si (t) обычно не требуется. Нестационарное гауссово блуждание полностью определяется вектором средних значений xi(t) и симметричной матрицей дисперсий:
t |
t |
D = Dij = h(xi xi)(xj xj)i = Z |
si ( )sj ( ) d = Z s( ) sT ( ) d : |
t0 |
t0 |
Через них выражается производящая функция для средних (действительный аналог характеристической функции):
(p) = hep xi = ep x ep S = ep x+12 p D p:
Усреднение проводится покомпонентно для каждого гауссового числа = f"1; :::; "ng при помощи формулы (1.11), ñòð. 16.
Моменты произвольного порядка находятся взятием частных производных от (p). Например, для:
@ (p) eijkl = h(xi xi)(xj xj)(xk xk)(xl xl)i = @pi@pj@pk@pl p=0
получаем:
eijkl = DijDkl + DikDjl + DilDjk:
Заметим, что это выражение автоматически симметрично по всем четырем индексам.
Системы уравнений |
173 |
Изменения цен различных финансовых инструментов (например, ак-
ций) обычно скоррелированы друг с другом. Простейшей моделью является многомерное логарифмическое блуждание. В этом случае относительное изменение цены это n-мерный винеровский процесс:
dxi |
n |
|
Xj |
||
xi |
= i dt + ij Wj: |
|
=1 |
||
|
(!) Сейчас мы используем явное обозначение для суммы, а не соглашение о суммировании по повторяющимся индексам.
Дисперсия относительных изменений двух акций выражается через
матрицу ij. Действительно, для небольшого интервала времени t, пред- |
||||||
|
|
p |
|
, имеем: |
|
|
ставив Wj = "j |
t |
|
|
|||
xi i i t xj j j t |
n |
n |
||||
= k;l=1 ik jl h"k"li t = k=1 ik jk t: |
||||||
|
x |
|
x |
X |
X |
Для получения решения перейд¼м, как и в одномерном случае, к на- туральному логарифму от xi. Тогда по лемме Ито имеем:
d ln xi = i 2 |
|
ij2 |
! dt + ij Wj: |
1 |
n |
|
n |
|
X |
|
Xj |
|
j=1 |
|
=1 |
Решение этого уравнения с начальным условием x0i = xi(0), выраженное через гауссовы переменные, имеет вид:
xi(t) = x0i exp |
( i 2 |
|
ij2 |
! t + ij"j pt) |
: |
||
|
1 |
n |
|
n |
|
||
|
|
|
|
X |
|
Xj |
|
|
|
|
|
j=1 |
|
=1 |
|
Среднее значение экспоненциально изменяется со скоростью, определяемой параметром i:
hxi(t)i = x0i e it:
Аналогично, среднее значение квадрата имеет вид:
xi2(t) |
= x02i |
exp |
(2 it + ij2 |
t): |
|
|
|
n |
|
|
Xj |
|
||
|
|
|
=1 |
|
Более подробно к вопросу стохастического описания финансовых рынков мы верн¼мся в восьмой главе.
174 |
Глава 6. |
Как и в одномерном случае, некоторую систему стохастических урав-
нений можно попытаться свести к простому нестационарному случаю. Для этого подбер¼м такую векторную функцию F = Fk(x; t), котораяубирает x из уравнения (по повторяющимся индексам снова предполагается суммирование):
dFk = |
@F |
|
@Fk |
|
1 |
@2Fk |
bi bj dt + |
@Fk |
|
||
k |
+ |
|
a + |
|
|
|
|
|
bi W : |
||
@t |
@x |
2 @xi@xj |
@xi |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
Пусть |
1 |
|
|
|
|
|
ê bi |
|
|
матрица. Тогда для |
функций| |
|
{zволатильности} |
||||||||||||||||||||
|
bi обратная| |
|
|
{z |
|
|
|
|
|
|
|
} |
|
sk(t) |
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
fk(t) |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
sk (t) можно записать: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
@Fk |
bi = sk (t) |
|
|
|
=> |
|
|
|
|
@Fk |
= sk (t) b 1 |
: |
(6.36) |
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||
|
|
@xi |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
@xi |
|
|
|
|
|
i |
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
Для нестационарного сноса fk(t): |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
f |
|
t |
|
@Fk |
|
|
s |
|
|
b 1 a |
|
|
|
1 |
|
s |
|
|
b 1 |
@b |
b |
|
|
; |
|
(6.37) |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
k( |
) = |
|
@t |
+ |
|
k |
|
|
2 |
k |
@xj |
j |
|
|
|
||||||||||||||
где мы подставили (6.36) и воспользовались соотношением: |
|
||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
@b 1 |
|
|
|
|
|
|
@b |
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
= b 1 |
|
|
b 1 |
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
@xj |
@xj |
|
|
|
|
|
которое получается дифференцированием b 1 b = 1 ïî xj.
Возьм¼м производную выражения (6.36) по t и производную по xi îò (6.37). Вычитая их, получаем условие совместности в следующем виде:
@ |
|
sk (t) b i1 + sk (t) |
@ |
b 1 |
a |
1 @b |
bj = 0: |
(6.38) |
||
|
|
|
|
|
|
|||||
@t |
@xi |
2 @xj |
Как и в одномерном случае, если при данных ai(x; t) è bij(x; t) уда¼тся подобрать такие функции времени sk (t), ÷òî (6.38) обращается в тождество, то решение стохастического уравнения записывается в неявном виде:
|
|
Z |
t |
|
Fk(x(t); t) = Fk(x0; t0) |
+ |
fk( ) d + Si (t) " ; |
(6.39) |
|
|
|
t0 |
|
|
ãäå " нормированные независимые гауссовы случайные числа, а |
|
|||
|
|
t |
|
|
Si (t) Sj (t) = |
Z si ( )sj ( ) d : |
|
||
|
t0 |
|
|
|
Привед¼м пример использования этого алгоритма.
Системы уравнений |
175 |
Для системы линейных уравнений с постоянной матрицей A и зависящими от времени вектором c(t) и матрицей B(t):
|
|
|
|
|
|
|
|
dxi = Aijxj + cj(t) dt + Bij(t) Wj; |
|
условие совместности (6.38) и его решение имеют вид: |
||||
|
d |
(s B 1) = (s B 1) A => |
s(t) = s(t0) B 1(t0) e A t B(t): |
|
|
|
|
||
dt |
При использовании алгоритма поиска точного решения нам достаточно найти частное решение условия совместности, так как фактически мы ищем наиболее простую замену F(x; t), приводящую исходное уравне-
ние к нестационарному винеровскому процессу (6.34). Поэтому выберем начальное условие для матрицы s в следующем виде s(t0) = B(t0) и, следовательно:
s(t) = e A t B(t):
В результате функции замены F(x; t) (6.36) и сноса f(t) (6.37) равны:
F(x; t) = e A t x; f(t) = e A t c(t):
Окончательное решение является нестационарным гауссовым процессом:
x(t) = eA (t t0)x0 + Z |
t |
eA (t ) c( ) d + G ; |
|
t0 |
|
ãäå x0 = x(t0) начальное условие. Матрица G = eA t S(t) удовлетворяет соотношению, определяющему матрицу дисперсии процесса:
t t
Z Z
D = G GT = eAt ssT d eAT t = eA(t ) B( )BT ( ) eAT (t ) d :
t0 t0
Если c = 0, а B является постоянной матрицей, то эти формулы совпадают с результатами, полученными в предыдущем разделе.
В случае, когда матрица A зависит от времени, вместо e At димо использовать матрицу (t), удовлетворяющую уравнению
(t) A(t). Явный вид (t) можно выразить через A(t), однако для
этого необходимы специальные обозначения, упорядочивающие матрицы, так как интеграл от матрицы A( ) по интервалу [t0; :::; t] в общем случая не коммутирует с матрицей A(t) в момент времени t.