Tuesday, July 2, 2013

【股價變動過程及Ito 定理】 Wiener Process的樣本路徑是連續的,但任一點皆不可微分

[PDF]

第三章【股價變動過程及Ito 定理】 3.1 Wiener Process

www.fin.kuas.edu.tw/download.php?filename=9331_bbac6d7c...

Process 又稱Standard Browian Motion(標準步朗運動),因此Wiener 過程是 random walk .... Continuous-Time random walk ⇒ Wiener Process (Brownian Motion).

1
 
第三章【股價變動過程及Ito定理】

3.1 Wiener Process

由實證得知,股利、利率及匯率變動過程呈現隨機行為而無法預測,它的變

動過程可用一種隨機過程(Stochastic Process)來代表。其中一種是Wiener

Process又稱Standard Browian Motion(標準步朗運動),因此Wiener過程是

random walk 的極限型態。如果把位置看成是股票價格,則股價在連續時

間下的隨機走步正是Wiener Process


1. Random Walk:
1. 擲硬幣 (離散 random walk)

= +1 i R (正面) = −1 i R (反面)



0

2

1 1
 
( ) =



 
\ = i E R



1 ( ) [ ( )] 1 0

2

(1 0) ( 1 0)
 
( ) 2 2



2 2
 
= = − = −

− + − −
 
= i i i Var R E R E R

( ) = 0 i j E R R (表示第i 次投擲不受第j次影響)

2. i S 為投擲第i 次後之總金額

( 0 0S = ,表示一開始的金額=0)

( ) ( ..... ) ( ) ( ) ... ( ) 0 1 2 1 2 = + + + = + + + = i i i E S E R R R E R E R E R

( ) ( ) [ ( )] ( ) [( ... ) ] 2



1 2

2 2 2
 
i i i i i Var S = E S E S = E S = E R + R + + R

= ( ) ( ) ... ( ) 2 2



2

2
 
1 i E R + E R + + E R



=1+1+…+1 = i
 
*: (1.) [ ( )] 0 2 = i E S

(2.) ( ( ) = 0) i j QE R R 兩兩相乘項=0



0

1

-1

1 2 3 4 5 6
 
2
 
3. 若已投擲5 次,則6 次投擲之預期金額

6 1 2 5 5 E(SR ,R ,...,R ) =S (條件期望值)

1 2 6 1 2 5 5 6 5 E(R + R +...+ RR , R ,...,R ) = S + E(R ) = S

4. random walk 之特性

a. Markov property (馬可夫特性)

( S , ,..., ) ( S ) 1 2 1 =1 =

i i i i E SS S E S

:表示i 次投擲之總金額只跟前一次(i-1)次總金額有關。

b. Martingale (平賭)

j j 6 5 5 E(S S , j i ) S , : E(S S ) S i < = 例│ =

:表示給定5 次投擲後確定總金額資訊下,則未來6 次投擲的期望總金額為目前確定擁



有的金額。
 
5. Quadratic Varition
 
Σ
 
=
 




i

j
 
j j S S
1

2
 
1( )

S 1 1 1 − = ± = │ ││ │ j j Q S (j次投擲金額不是+1 就是-1)




S S i
 
 
j j \ − = + + + =

Σ( ) 1 1 ... 1 2



1
 
Continuous-Time random walk Wiener Process (Brownian Motion)

(即時間切得很細時,原本離散時間的random walk,會是連續時間的布朗運動。)

(1.) t 時間投6 每次花



6
 
t
 
 
時間投擲
 
(2.) 正反面結果=



6

6

t

( ) S
 
6 j 1




t

S

t
 
 
j ± − = ± = 每次│ ││ │




t

t

S S
 
j
 
 
j j \Σ − = × =



=

 
2

6

1

2
 
1 )



6

( ) 6 (
 
一般化: t




n

t

S S n
 
n

j
 
 
j j Σ − = × =



=

 
2

1

2
 
1 ( ) ( )

n 愈大 →




n

t

n

t
 
 
愈小, (每次花的時間愈少)



3
 
®¥ ( ®0)




n

t
 
 
n ,則為Continuous-Time Brownian Motion

\E(S(t)) = 0 Var(S(t)) = t

其中S(t)表示時點t,投擲硬幣之總金額



2. Wiener Process的定義:
 
給定(Ω,F,P),W=﹛ t W :tÎ0,T〕﹜是一個Wiener Process



要符合下列條件:
 
I. 有限時間

II. 連續的隨機過程(不同時間下,各種不同狀態的過程) 二維度

III. Markov (馬可夫) E( x(t)x(t-1), x(t-2), … ,x(0) ) =E( x(t)x(t-1) )

IV. Martingale (平賭) E(x(t) x(t -1)) = x(t -1)

V. Quadratic Variation 二次變異


x t x t t j



n

j
 
 
j − ®



=
 
Σ 2



1

1
 
[ ( ) ( )] 0開始,P( 0 W =0)=1

連續寫法: dx S x t x x t t




t
 
 
( ) = ( ) (0) = ( ) = 2 2 2



0
 
2 : x (0) 0 2 =

VI. 在兩個不重疊的時段,DtDs,W的增量t DW s DW 是獨立的。

此處t DW = t W - t1 W

s DW = s W - s1 W



4
 
VII. 其增量符合平均為0,變異數為時間段落的常態分配。

t W - s W ~N(0,t-s) for 0 £s<t




故Wiener Process是一個 stationary and independent incremental Normal

Distribution with mean 0 and variance equal to time span.
 
 
3. Wiener Process的特性及相關概念:
 
I.
 
 
 
t W 的邊際分配為N(0,t)

從定義得知t W = t W - 0 W ~N(0,t)

E( t W )=0 E( 2

t W )=t



註1: 從Wiener Process 定義得知
 
E( t W - s W )=0

Var( t W - s W )=E( t W - s W ) 2 =t-s

註2:E( t s WW )=s, 0 £s<t

而E( t s WW )是來自於Cov( t s W ,W )= ( ) ( ) ( ) t s t s E WW E W E W

= E( t s WW )



5
 
Q E( t s WW )=E〔( t W - s W + s W ) s W

=E( t W - s W ) s W +E( 2

s W )



=0+s=s
 
II.
 
t1 W , t 2 W ,… tk W 的聯合機率密度函數等同於t1 W , t 2 W - t1 W ,…, tk W - tk 1 W

Õ=





 





 

− −


=
 
k

i i i

i i

i i
 
t t k t t



x x

t t

f x x
 
k
 
 
1 1

2

1

1
 
... 1 2( )



( )

exp

2 ( )

1

( ... )
 
1 p

,這裡0 0 0 t = x =

III. Wiener Process是martingle:

證明:若0£s<t

E( t W s F )=E( t W - s W + s W s F )=E( t W - s W ) s F + s W

=E( t W - s W )+ s W

= s W

IV. Wiener Process的樣本路徑是連續的,但任一點皆不可微分

因為 t dW =W(t + dt )-W(t )~N(0, dt )

t dW = dt ε t , ε t ~N(0,1)



 
dt
 
 
dWt =




dt
 
 
d dt t ( e )



=
 
dt
 
 
1
 
ε t



6
 
dt 趨近於0 時,




dt
 
 
dWt 會無窮大,這意謂在很短時間內, t W 的變動是

無窮大的,亦即t W 是不可微分的,故Wiener Process 的樣本路徑是非常



崎嶇的。
 
4. Generalized Wiener Process
 
 
t dX =a dt +b t dZ

a dt 為隨時間成長部分

b t dZ 為無法預測部分,這裡t dZ 為隨機項

E( t dX )=E(a dt +b t dZ )= a dt +bE( t dZ )=a dt

Var( t dX )=Var(a dt +b t dZ )=b 2 Var( t dZ )=b 2 Vardt )= b 2 dt

\ t dX ~N(a dt , b 2 dt )

4. Stochastic Integral (隨機積分)

定義: ( ) ( ) ( )



0
 
w t f z dx z
 
 
t = …….(1)

: f(z):與時間z 有關的函數;dx(z):布朗運動

(1)式對t 微分,dw(t) = f(t)dx(t),其中 dx(t)表示x 的增量,且服從常態

分配N( 0 , dt )

隨機微分方程式: dw(t) = g(t)dt + f(t)dx(t)



加入趨勢項
 
7
 
5. Ito integral
1. 定義: 若有一函數為X(t),而積分源為Brownian Motion,則積分式可



寫成
 
T




X t dB t
 
 
0
 
( ) ( ),舉例來說:如果X(t)=1,則其Ito integral



( ) ( ) (0) ( )
 
0
 
dB t B T B B T
 
T
 
 
= − = ;若將此概念做推廣,令X(t)為一常數C, 其

Ito integral C[B(T) B(0)]

Ito Intergral 是選擇在時間分割中每一小段的左端點作為評估點,而為何要

取左端點呢?以下圖來說明:

如果我們想知道1 t 時的股價,而1 t 左端點也就是前一期0 t 的資訊一定早已被知道,

所以取0 t 的資訊當成是1 t 時股價的評估點,同樣的,我們要預測n+1 t 的股價,也

就必須先知道左端點n t 的資訊,這是因為未來的變化都是建構在現在的資訊之




上。
 
 
2、Ito Intergral 的特性:

I. "a ÎR,b ÎR, +




t
 
S S S X Y dW
0
 
(a b ) = t


S S X dW
0
 
a + t


S S Y dW
0
 
b
II. 0 £ u £t, t


S S X dW
0
 
= u


S S X dW
0
 
+ t




u
 
S S X dW
III. Ito Intergral 是一個martingle

0£ u £t, Eu




t
 
 
S S X dW F 0

s = u


S S X dW
0
 
8
 
例題: t


S S W dW
0
 
=
 
2
 
1 2

t W -



2

1
 
t
 
所以Et


S S W dW
0
 
u F =E



2
 
1 2

t W -



2

1
 
t u F

E( 2

t W u F )=E( t W - u W ) 2 +2 t W u W - 2

u W u F

=E( t W - u W ) 2

u F + 2


u W
=t-u+ 2


u W
因此E( 2

t W -t u F )= 2

u W +t-u-t

= 2

u W -u

\原式= E



2
 
1 2

t W -



2

1
 
t u F =



2

1
 
E( 2

t W -t u F )=



2

1
 
( 2

u W -u)

Ito Intergral 是一個martingle

例題:Et


S S X dW
0
 
=Et


S S X dW
0
 
0 F = 0



0
 
S S X dW =0

IV. Et


S S X dW
0 t


S S Y dW
0
 
w
 
 
u F =Et




w
 
S S u X Y dS F
0
 
 
u=0,則此特性意謂:Et


S S X dW
0 t


S S Y dW
0
 
=Et


S S X Y dS
0
 
 
這就是兩個Ito Intergrals的共變異數。

例題:Var(



0
 
t
 
 
XS dWS )

Sol:因為 E



0
 
t
 
 
XS dWS 0 F = 0



0
 
S S X dW =0

Var(



0
 
t
 
 
XS dWS )=E



0
 
t
 
 
XS dWS 0




t
 
 
XS dWS =Et


S X dS
0
 
2



9
 
6. It oˆ Lemma

衍生性商品價格變動過程可由Itoˆ Lemma 來推導,在過程中須先對泰勒展



開式有所認知。
 
1. 泰勒展開式:

) (x f =Σ



¥
 
=0 !



(0)
 
K

k

k
 
x

k

f
 
 
0 的位置展開

® f (x + 0) = + − +



¢¢
 
+ ¢ + − + 2 ( 0 0)



2!

(0)
 
(0) (0)( 0 0) x




f
 
 
f f x



同理
 
( ) ...

2!

( )
 
( ) ( ) ( )( ) 2 + − +



¢¢
 
+ = + ¢ + − + dx x x




f x

f dx x f x f x dx x x
 
 
( ) ...

3!

( )

( )

2!

( )
 
( ) ( ) 2 3 +



¢¢¢

+

¢¢
 
= + ¢ + dx




f x

dx

f x

f x f x dx
 
 
所以 ( ) ...



3!

( )

( )

2!

( )
 
( ) ( ) ( ) ( ) 2 3 +



¢¢¢

+

¢¢
 
= + − = ¢ + dx




f x

dx

f x

df x f dx x f x f x dx
 
 
2. 內容:

假設某隨機變數x 的變動過程可由Itoˆ Process 表示:

dx ax dt bx dW t t = +

x 為某種衍生性商品價格(:買權.賣權.期貨)

df (x, t) = f (dx + x, dt + t) f (x.t)



...

2

1

2

2

2
 
1 2



2

2 2

2

2

2
 
+



+

¶ ¶


+



+



+


 
= dt




t

f

dxdt

x t

f

dx

x

f

dt

t

f

dx

x

f
 
 
2 ( )



2

1
 
f dx f dt f dx x t xx = + + ...............此為衍生性商品價格變動過程



10
 
1在連續時間下(Dt ®0 )

dx × dt = 0

0 2 dt =

及其他高次項也會等於0



※在此例子可歸納出一個簡單的表格,在衍生性金融商品中的評價應用中相當廣

泛。
 
dt t dW
dt 0 0

t dW 0 dt

2t t t t dx = μx +sx dW

t t t t t t dx x dt x dW x dtdW 2 2 2 2 2 2 2 2 ®( ) = μ +s ( ) + 2μ


x dt t
2 2 =s

( ) 0 3 ® = t dx , if n³ 3

因此,衍生性商品價格變動過程可改寫成:



2

2

2
 
( )

2

1
 
( , ) dx




x

ft

t

f

dx

x

f

df x t
 
 


+



+



=
 
2

2

2
 
( )

2

1
 
( ) t t t t t t x dt x dW




x

f

dt

t

f

x dt x dW

x

f
 
 
μ s μ +s





+



+ +



=
 
t t t t x dW



x

f

x dt

x

f

x

x

f

t

f
 
 
μ s s


+



+



+


 
= )



2

1
 
( 2 2



2

2
 
例題:假設股價變動過程為t dS = t μS dt + t dW ,設f=㏑ S,此為一衍生性商品,

其隨機變動過程可由Itoˆ Lemma 求得



11
 
= 0




 
t

f
 
 
 
S

f
 
 

 
=
 
S
 
 
1
 
2 2

2 1




S S

f
 
 
= −


 
 
接這些微分代入Itoˆ Lemma

d S=2



2
 
1 1 1

0 ( ) ( ) ( )

2
 
S S

S S
 
 
μ s
 
 
+ + dt +(




S
 
 
1
 
) t sSdW



2
 
( )

2
 
dt dWt
s
 
= μ − +s

代表瞬時變量d S為期望值為 )dt



2

(
 
2 s

μ ,變異數為 dt 2 s 的常態分配

即為d S~N)dt



2

(
 
2 s

μ , dt 2 s



此隨機變動過程隱含股價的動態變動過程。
 
若時間是從現在t 到未來時間T

d t S = t dt sdW


s
= μ ) +



2

(
 
2
 
積分
 
 
T

t
 
 
d t S =




T

t
 
 
d v S =




T

t
 
 
)dv



2

1
 
( 2 μ s +




T

t
 
 
s dWt

T S -t S = [ ] T t μ s )(T t) +s W W



2

1
 
( 2

告訴我們: ㏑ T S ~N〔㏑ t S + )( )



2

1
 
( 2 μ s T t , ( ) 2 s T t

T S = t S exp〔[ ] 1 2



( )( )

2
 
T t μ s T t +s W W



這說明了股價本身為對數常態分配
 
例題:
 
股票遠期契約價格( ) ( , ) r T t f S t S ke − − = − ,求該遠期契約的價格變動程式



解:
 
step1: r (T t ) rke




t
 
 
f − − = −




 
= 1




 
S

f
 
 
0 2



2
 
=


 
S

f
 
 
Step2: 由Itoˆ Lemma




df
 
 
12
 
( ) 2



2

1
 
df (S, t) f dt f dS f dS t S SS = + +

( ) 0 ( ) = − + + − − rke dt dS r T t

( ) ( ) ( )




t
 
 
r T t = −rke dt + μSdt +sSdW − −




t
 
 
r T t = μS rke dt +sSdW − − ( ) ( )



若兩資產之動態過程
 
dt dxt

S

dS
 
 
1 1

1
 
1 =u +s

⇒ ⇒ dx × dx = rdt

1 2 考量兩資產有相關




dt dxt

S

dS
 
 
2 2

2
 
2 =u +s

( , , ) S , , ? 1 2 1 2 v S S t S t影響,則dv =

利用Ito’s Lemma



2

2

2

2

2 2

2

2

2

2 1

1

2

2

2

1

1
 
[ ( ) ( ) ( )

2

1
 
dt

t

v

dS

S

v

dS

S

v

dt

t

v

dS

S

v

dS

S

v

dv
 
 


+



+



+



+



+



=
 
2 2 2 ] 2



2

2

1

2

1 2

1 2

2
 
dS dt

S t

v

S t

v

dS dS

S S

v
 
 
¶ ¶


+

¶ ¶


+

¶ ¶


+
 
dS dS S S dt

dS S dt dx

dS S dt dx
 
t

t
 
 
s s r

u s

u s
1 2 1 2 1 2

2 2 2 2

1 1 1 1
 
( )

( )
 
× =

= +

= +
 
 

No comments:

Post a Comment