Академический Документы
Профессиональный Документы
Культура Документы
СТОХАСТИКА
выпуск
2
Ф
Относительно того, что твёрдо известно
и не подлежит сомнению,
мы говорим, что знаем или понимаем;
относительно всего прочего - что только
догадываемся или предполагаем.
Делать о какой-либо вещи предположения -
всё равно, что измерять её вероятность.
Поэтому искусство предположений
(Ars conjectandi sive stochastice)
мы определяем как искусство возможно точнее
измерять вероятности вещей затем,
чтобы в наших суждениях или действиях
мы могли всегда выбирать или следовать тому,
что будет найдено лучшим,
более удовлетворительным,
спокойным и разумным.
В этом единственно заключается вся мудрость
философа и благоразумие политика.
Я. Бернулли
Базель, 1713 г.
ПРОХОРОВ ШИРЯЕВ
Юрий Васильевич Альберт Никола
(сопредседатели)
БАРНДОРФФ-НИЛЬСЕН
Оле
БОРОВКОВ
Александр Алексеевич
ВАРАДАН
Сриниваса
ВАХАНИЯ
Николай Николаевич
ЖАКОД
Жан
ИБРАГИМОВ
Ильдар Абдуллович
ЙОР
Марк
КОРОЛЮК
Владимир Семёнович
СЕВАСТЬЯНОВ
Борис Александрович
СИНАЙ
Яков Григорьевич
СКОРОХОД
Анатолий Владимирович
СТАТУЛЯВИЧУС
Витаутас Антонович
ФЁПЬМЕР
Ханс
ЭМБРЕХТ
Поль
А. Н. Ширяев
Основы стохастической
финансовой математики
Том 1
Факты
Модели
Ф
ФАЗИС
Москва 1998
УДК 519.2 Издание осуществлено при поддержке
Российского фонда фундаментальных
исследований по проекту 96-01-14180
Ш и р я е в А. Н.
Основы стохастической финансовой математики.
Том 1. Факты. Модели.
Москва: ФАЗИС, 1998. 512 с.
(Стохастика, вып.2)
ISBN 5-7036-0043-Х
Том 1
П р е д и сл о в и е ........................................................................................ xvii
Глава II. С тох а сти ч еск и е м одели. Д и ск р етн ое врем я ........... 102
Том 2
П р ед и сл ови е ко в т о р о м у т о м у ...........................................................xxxv
Москва А. Ширяев
1995 - 1997 Математический институт
им. В. А. Стеклова РАН
и
Московский государственный
университет им. М. В. Ломоносова
Том 1
Факты
Модели
Глава I. Основные понятия, структуры,
инструменты, цели и задачи
финансовой теории
и финансовой инженерии
посреднические
структуры
а)
1. Финансовые структуры и инструменты 9
а через дробное число лет, N + fc/ra, где 0 ^ к ^ га, Ваш капитал будет
равен
m(N+к /т)
Ялг+ fc /m M = Во ^1 +
B N (oo) = B0er^ N. (2 )
Понятно, что
B N {m) -> B N (оо),
r(m) = m ( e r/ m - l ) , (3)
г = т1пЛ + г М У (4)
г = ег — 1, r = ln ( l-b r ) . (5)
(1 - g ) ( l + f ) = 1,
откуда
10 Гл. I. Основные понятия, структуры, инструменты
1 2 3 4 6 12 оо
+600$
- 80$
1. Финансовые структуры и инструменты 13
+680 $
IBM-JJ15-7% of ' 0 1 ,
16 Гл. I. Основные понятия, структуры, инструменты
.
6 А к ц и и (stock, stocks) - это долевые ценные бумаги, выпускаемы
корпорациями, компаниями, фирмами также (как и в случае облигаций)
для увеличения капитала. Акции, в основном, бывают двух видов - Обык
новенная акция (Common stock) и Привилегированная акция (Preferred
stock), различающиеся по выплате дивидендов по ним и степени риска об
ладания ими.
Обладатели обыкновенной акции получают дивиденды как соответству
ющую часть профита (дохода) компании, величина которого зависит от
успеха ее деятельности. В случае разорения компании инвестор теряет
все свои инвестиции. Привилегированная же акция гарантирует инвесто
ру меньший риск потери всех своих инвестиций, гарантированную выпла
ту дивидендов, размер которых, вообще говоря, не растет с увеличением
дохода компании.
Существуют и другие виды акций, оговаривающие долю участия, спе
циальный способ выплаты дивидендов и т. п.
Многих инвесторов покупка акций привлекает не дивидендами (соот
ветственно - купонными выплатами в случае облигаций), а возможностью
“делать” деньги на колебаниях цен акций, покупая их по низкой цене перед
тем, как остальные начнут это делать, и продавая их по высокой цене перед
тем, как другие будут это делать.
По некоторым оценкам более 50 млн. американцев владеют акциями.
(В конце 1992 г. акциями компании A T & T обладали 2418447 инвесторов
при общем числе акций 1339916615; см. [357].)
Чтобы купить или продать акцию, надо обращаться в брокерскую кон
тору (brokerage house) - инвестиционную фирму, являющуюся членом
биржи по обмену акциями (stock exchange). Следует отметить, что, хотя
число индивидуальных инвесторов (в акции) растет, реальная доля обла
дателей акций падает, поскольку инвесторы обычно участвуют на рынке
ценных бумаг не непосредственно, а через “инвестиционные учреждения”
(institutional investors), к которым относятся фонды взаимных вложений
09. 10.1989
Sn
Рис. 5. Дневные значения hп = In — для индекса S&P500, построенные
Ьп-1
по данным рис. 4
22 Гл. I. Основные понятия, структуры, инструменты
1.530
L 5 i5 t , , , , , , , , ,
0 3 6 9 12 15 18 21 24
ЛА)
где независимые одинаково распределенные случайные величины £^ Jпри
нимают два значения, ± а л/Д, с вероятностями \.
Предельный переход по Д 0 приводит (в соответствующем вероят
ностном смысле) к случайному процессу
St = So + <jWt , 0,
<т)
где
= ~7^= е ~х2/2’ Ф (х )= I (р{у) dy,
V J —оо
где
1 , а 2т
У± = ( 10)
111 к ± —
(По поводу общей формулы Блэка и Шоулса в случае г ф 0 см. гл. VIII.)
Интересно отметить, что, согласно (7), при К = So
Ст — ст
2 тг ’
S = (Sn)o^n^N'
/а г = (Sn - К )+,
где = та х(а, 0 ).
Разумеется, за покупку такого финансового инструмента надо запла
тить некоторую премию С дг. Таким образом, чистый доход покупателя
опциона-колл будет равен
(S n — К ) + - Сдг,
то есть,
(.K - S n ) - F n .
в которой он в ряде мест (см., к примеру, таблицы в [451; §§ 11, 13]) опи
сывает по дням эволюцию структуры портфеля ценных бумаг (состоящего
из разнообразных видов финансовых активов) руководимой им компании
“Quantum Fund” (с 1968 по 1993 гг.). Так, например, 4 августа 1986 г.
(см. [451, с. 243 - в англ. изд. и с. 283 - в русском изд.]), портфель вклю
чал в себя акции, облигации, товарно-сырьевую продукцию.
Можно с уверенностью сказать, что с точки зрения финансовой инжене
рии книга Дж. Сороса является блестящим руководством для практичес
кой деятельности на рынке ценных бумаг.
/лг = (SN - К) + .
I n — (S n - K n )+
где K n = min(5'o, S i , . . . , Sn )-
• Для арифметического азиатского опциона-колл
f N = (К - SN)+ ;
/лг = (K n ~ Sn )+ , K n = max(5o, Si , . . . , Sn );
38 Гл. I. Основные понятия, структуры, инструменты
1 N
/лг = (К — SN)+, S N = — — £ Sk.
k= О
Sn — So + (£i + • • • + £n ),
P(£fc = ±1) = 1 .
если £1 = 1,
если £1 = —1 .
Поскольку
г+ 1+ 6
S1 - о
то мы видим, что
* l= /l ( = ( S 1 - K ) + ).
40 Гл. I. Основные понятия, структуры, инструменты
= /?о + 7oSo
7o(So 4- 1) = 1 - Д).
7o(So - 1) = - $ >
Сдг = E(fi Н Ь
(при <т = 1 и So = К ).
3>0 риске вообщ е, в том числе и в страховании, см. далее § § За, ЗЬ.
2. Финансовый рынок в условиях неопределенности 45
После этих работ и до 1953 года, когда появилась упомянутая выше ра
бота М. Кендалла [269], с которой начался современный период исследова
ний эволюции финансовых характеристик, никаких принципиальных ра
бот на эту тему, по-существу, не было.
Отправной точкой в работе М. Кендалла послужило желание выявить
цикличность в поведении цен акций (stocks) и товаров (commodities). Ана
лизируя реальные статистические данные (недельные данные для девятна
дцати акций в период с 1928 по 1938 год, месячные средние цены на пшени-
цу на Чикагском рынке с 1883 по 1934 годы и на хлопок на Нью-Йоркской
торговой бирже (New York Mercantile Exchange) с 1816 по 1951 годы), он,
к своему удивлению, не смог обнаружить ни ритмов, ни трендов, ни цик
лов и, более того, пришел к заключению, что ряд наблюдаемых данных
выглядит так, как если бы “ ... the Demon of Chance drew a random num
ber ... and added it to the current price to determine the next ... price” 4)
Иначе говоря, представляется, что логарифмы цен S = (Sn) ведут себя как
случайное блуждание, т.е. если hn = In n- , то
Ьп- 1
E S £ ! = S o, D S l% = a - ( k A ) .
с St = lim £ Г
^ ? Л (предел должен пониматься в некотором подходящем ве-
Д—>о IaJa
роятностном смысле) имеет вид (см. п. 6 , § lb)
S t = S 0 + *W t,
St = S0e,TWt+(fl- (T2/2)t, t2 0 ,
Если у нас имеется возможность регистрации всех значений o;i, о;г, о;з, то,
скажем, множество
А = { ( —1 , + 1 , —1 ), ( + 1 , —1 , + 1 ) }
F 1 = (£*), F2 = I ), F3 = (£3),
5 = (Sn\
В \Вп ) п^о
^ S
являются Р-мартингалами: —^- - ^-изм ерим ы й
Вп
Sn
Е < оо, l n+1
* (\ В * .) = , п^О.
Вп п+1
s
В случае “мартингальности” — относительно потока информации
F3 = (3 ^ ) говорят о строгой эффективности рынка (strongly efficient
market), а в случае потока F2 = (3%) - о полустрогой эффективности
(semi-strongly efficient market).
Для простоты последующего в этом разделе изложения будем считать,
что В п = 1 и Р = Р.
Прежде чем обсуждать данные определения, заметим, что между клас
сами мартингалов Ж 1 — ^ ( F 1), Ж 2 — Ж {F2) и Ж ъ — Ж{¥^) относи
тельно потоков F1, F2 и F3 соответственно, имеют место следующие соот
ношения:
Ж ЪС Ж 2 С Ж 1.
E (S n+ i IЮ — Sn + E (^ n +i I г — 1? 2 , 3 .
Xyi - ^-измеримы,
Е|жп |< оо,
Е(яп |З п- 1) = 0.
Е A X nA X n+k —
Ж % С Ж 1 С Ж \ С 0 1 2.
52 Гл. I. Основные понятия, структуры, инструменты
ASn
Pn П ^ lj
bn -1
Е(Рп |З'п-х) = Г, (1 )
5n = ( l + P n ) 5 n_ 1 (2)
и (в предположении 1 + г ф 0)
E(5n |^n_ i)
ь п- 1 = — — • (3)
Д B n = r B n_i , п ^ 1, (4)
A S n + 5п , .
рп = . (5)
*->71-1
Е ( р п |^ r i - i ) = Г ^ 0.
Тогда из (5), предполагая, что E\Sn \ < оо, E|Jn | < оо, и беря условное
математическое ожидание Е( • |^ n_i), находим, что
Sn - 1 = A - E ( S n 19 п - 1 ) + I ( 6)
1+ Г 1+ г
Аналогичным образом,
1
Sn —1 — , Л , \2 |З'п —Х)
(1 + г )
+ ( Г + г ) 2 ^ ^ П+1 ^^ П~ 1) + 1+ r I
2. Финансовый рынок в условиях неопределенности 55
= <7)
о° 1
S» = E p ^ E('5 » + ‘ l-? ")- <8>
говорит о том, что максимум того, что можно сказать о прогнозе прира
щения А Х п = X n_j_i — Х п на основании “информации” <^п, - это толь
ко то, что в среднем (относительно &п) это приращение равно нулю.
Это обстоятельство отвечает интуитивному представлению о том, что на
“справедливом” “честно организованном” рынке не может быть (с поло
жительной вероятностью) выигрыша у одних и проигрыша у других. На
таком рынке условный выигрыш Е( АХп |&п- \ ) должен быть равен ну
лю. Именно в этой связи JI. Башелье писал (в английском переводе): “The
mathematical expectation of the speculator is zero” (Напомним, что в иг
ровой практике система игры, заключающаяся в удвоении ставки при
проигрыше и прекращении игры при первом выигрыше, называется мар
тингалом и для нее условный выигрыш Е ( А Х п |З 'п - 1 ) = 0; подробнее
см. [439; гл. VII, §1].)
56 Гл. I. Основные понятия, структуры, инструменты
hn = In , п > 1,
А в г Ш = р( А{) З о Ш ,
или, равносильно,
5 1( ^ ) = ( 1 + р ( ^ ) ) 5 0(Л ),
где p(Ai) - случайная процентная ставка акции Ai, p(Ai) > —1.
Если инвестор выбрал портфель b — (&i, . . . , Ьдг), то его начальный ка
питал Хо(Ь) — х превратится в
DXi(b) - дисперсию.
inf DXi(b)
ь е в(х)1
EXi{b) = т ,
^ _ biSo(Ai)
d% —
х
N
Поскольку b G B ( x ) 1то di ^ 0 и d{ — 1. Представим капитал Х\ (Ь) в
г= 1
виде
и пусть
Ясно, что
E b iS iW
- 1
X
S i(A j)
S o (A i) )
= Y l dip(Ai) = p(d)-
Итак,
R(b) = p(d)
откуда следует, что если d = (rfi,. . . , d^v) и 6 = (&i,. . . , bjy) связаны соот-
ЛГ лг
D ( r f i 6 + •••+ d N £N ) = Y , d i2 V t i ^ C j 2 dl
i= 1 i=l
(j
D(di£i + •••+ djv£/v) ^ — - » О, N -> оо.
Имеем
N N
£ ф * м ) = ( £ ) ’ ■n . i £ D^ < > =
2= 1 2=1
62 Гл. I. Основные понятия, структуры, инструменты
_ 1 N
где g 2n— — Yh Dp(.Ai) - средняя дисперсия. Далее,
N i= 1
N 1 2 ____
J 2 didj Co\i{p(Ai),p(Ajj) = ( — ) { N2 - N ) - Covn ,
Covjv = ^ С о у (р ( Л ), р (Л ) ) -
*J = l,
Таким образом,
= ^ л г + (i - Coviv, (1)
В г = В 0 {1 + г).
64 Гл. I. Основные понятия, структуры, инструменты
Таблица
При этом
C o v (p M ),,,)
Dp
7^Если уж у актива А есть “бета” /3(Л), то по логике вещей должна быть и “аль
фа” а( А) . Ею ряд авторов (см., например, [267]) называют ср едн ее значение Ер(А) .
2. Финансовый рынок в условиях неопределенности 65
а в случае /? = 1
Pi = Р-
присущего рынку, и
имеем
N N
p(d) - г = dip(Ai) [р - г] + У ] diri(Ai).
i= 1 2=1
2. Финансовый рынок в условиях неопределенности 67
Поэтому, полагая
N N
0(d) = и 77(d) = y^djr)(Ai),
i= 1 г= 1
Dp(d) = 0 2 (d)Dp+D7?(d),
N С 1
где D7?(d) = d fD ^A i) ^ — -> О, N -> оо, если Drj(Ai) ^ С и di —
i= 1 A iV
(3)
2. Финансовый рынок в условиях неопределенности 69
p(9d) = e P(d)
и, в силу (2)—(6),
N N
p(9d) = e J 2 d 2
i + 0 Y ^ diC(Ai). (7)
г—1 г=1
Поэтому
N
p(9d) = E p ( e d ) = e Y ^ d l
г— 1
N
o 2(9d) = Dp(0d) = 92 didjOij.
Положим
/ W \ —2 / 3 / / ^ \ l/2\
( = 1М1Г4/3, где ||c?)| = J-
Тогда
/Д, \ 1/3
’ (9)
г—1 '
i\ 4 /T ■ (10)
70 Гл. I. Основные понятия, структуры, инструменты
(п )
Далее, если EXi (6d) = fi(0d) —> оо, a DXi (0d) —> 0, N —> оо, то для доста
точно большого N с большой вероятностью Х\ (0d) ^ 0, причем с положи
тельной вероятностью Х\ (6d)>0. Иначе говоря, имея нулевой начальный
капитал и оперируя на “iV-рынках” с активами А \ , . .. , А н , N ^ 1, пу
тем составления соответствующего портфеля можно ( “асимптотически” )
извлечь положительную прибыль, что в теории ЛРТ, [412], и интерпре
тируется как наличие асимптотического арбитража (ср. также с соот
ветствующими, более поздними, определениями в § За, Ь, с, гл. VI).
Таким образом, считая, что “iV-рынки” асимптотически (прn N оо)
являются безарбитражными, приходим к заключению, что возможность
N
оо, приводящая к арбитражу, должна быть исключена. Это,
естественно, накладывает определенные ограничения на коэффициенты
многофакторной модели (2), поскольку описываемое далее конструиро
вание портфеля d = ( d i , . . . , djy) со свойствами (4)-(6) производится по
коэффициентам этой модели.
Образуем матрицу
1 a \ \ a\2 ■• ■ aiq \
1 021 022 ••• 02q
si = (12)
m = d { d * d ) ~ 1d * , (13)
(14)
ao — d -f- е (15)
и
<Г1 = 0, d*ak = О, (16)
Следовательно, вектор-столбец
72 Гл. I. Основные понятия, структуры, инструменты
= °°>
г=1
do{Ai) = Ep(Aj).
hn ~
ап = а 0 + a lhn- 1 н + a qhn-qi
ла оценок такова: 10, 15, 30, 40 очков. Кроме того, каждый экзамен оцени
вается по десятибальной системе: баллы от 6 до 10 считаются проходными,
от 0 до 5 - непроходными.) Общее количество набранных проходных баллов
дает представление об уровне сдавшего экзамены.
Экзамены на действительного члена состоят из экзаменов по “програм
ме 100-500’,’ которые подразделяются на три серии “ 100” “200” и “300-500”
и включают как обязательные экзамены, так и экзамены и семинары по
выбору. Ядро этих экзаменов составляет серия “200” в которую входят
экзамены по актуарной практике, инвестированию и финансам.
Nt
Rt — и + ct — ^ ,
k= 1
100 Гл. I. Основные понятия, структуры, инструменты
где
и - начальный капитал,
с - скорость поступления “премий” взносов,
(£*;) - последовательность независимых одинаково распределенных
случайных величин с некоторой функцией распределения F (x) =
Р { 6 < х }, ц = E^i (F (0) = 0, ц < оо),
N = {Nt )t^o ~ процесс Пуассона,
Nt = £ l ( T * < *),
к
Р {T k+ 1 - T k ^ t } = e ~ x t.
Ясно, что
ЕRt = и + (с — \p)t = и + pXpt
г = inf{£: Rt ^ О}.
/ eR x(l - F ( x ) ) d x = ~ .
Jo ^
Тогда
Р(т < о о ) < e ~ Ru,
Nt
R t = u + (ct + o B t ) - ^ 2 £k,
к- 1
- рыночная цена, скажем, акции, обменный курс двух валют или какой-
либо другой финансовый индекс (без каких-либо ограничений на время
его “жизни’,’ как это имеет место для цен облигаций). Эмпирический ана
лиз значений Sn, и ^ 0, показывает, что они меняются весьма нерегу
лярно, флуктуируют так, как если бы, по словам М. Кендалла (см. ра
нее §2а, гл. I), “ ... the Demon of Chance drew a random number ... and
added it to the current price to determine the next ... price”
Jl. Башелье, без сомнения, был первым, кто стал для описания цен
(Sn)n^o пользоваться понятиями и методами теории вероятностей, да
ющей модель для изучения эмпирических феноменов, характеризуемых
статистической неопределенностью, но в то же самое время обладающих
свойствами устойчивости статистических частот.
Придерживаясь вероятностного подхода и следуя общепринятой ныне
аксиоматике теории вероятностей Колмогорова, мы будем предпола
гать, что все рассмотрения ведутся на некотором вероятностном про
странстве
104 Гл. И. Стохастические модели. Дискретное время
где
О - пространство элементарных событий ш (состояний рынка, в рас
сматриваемом контексте);
3 - а-алгебра подмножеств О (совокупность событий, наблюдае
мых на рынке);
Р - вероятность, вероятностная мера на 3 .
Как отмечалось в § 1а гл. I, время и динамика являются неотъемлемы
ми компонентами финансовой теории, в связи с чем целесообразно исходное
вероятностное пространство ( 0 , 3 , Р) специфицировать, считая заданным
поток ¥ = (З п)п^о cr-алгебр таких, что
3 0 С З г С •••С З п С •••С 3 .
( f l , & , ( ^ n ) n ^ O , Р ),
$ л ~ ^-измеримы,
1. Необходимые вероятностные понятия 105
Sn = SoeHn, (1)
hn = l n ^ = l n ( l + ^ - ) , (3)
b n- l \ b n- l /
A Sn = Sn - S n- 1.
Положим
hn = ^ - , Нп = (4)
71 * 1<С/с<Сп
Sn = S0 П (1 + ^)> (5)
1$Ск^.п
Ц Н ) п = ейп Д (1 + Д Я * )е -д ^ . (7)
1<С/с<Сп
Ц Н ) = { ё { Н ) п) п^0 , Ц Н ) 0 = 1,
Sn = S0 e H” ,
= S0 S (H )n. (8)
Н п= (еЛНк ~ !)>
1$С к^.п
Нп = Нп + (еАН к- А Н к - 1 ). (9)
1<С/с$Сп
A g (H )n = g (H )n- 1 A H n, (11)
где
H t = H t + ~ ( H c )t + Y , ( e AHs - 1 - A H s) (12)
0<s^t
St = S0 e Ht (15)
St = S0 g (H )u (16)
и
hn = e h» - 1. (18)
hn ~ hn, (1^)
при этом
hn — hn — -h n + -Л® + ••• . (20)
и ковариациями
определяется по формуле
В силу гауссовости,
и, согласно (25),
значительно больше, чем это должно было бы быть при гипотезе нор
мальности; наглядно это означает, что “хвосты” эмпирических плотностей
убывают значительно медленнее, нежели для гауссовского распределения
( “тяжелые хвосты” );
(Ь) эксцесс, или коэффициент вытянутости (kurtosis),
H n — А п + M n, n ^ 0, (5)
где
a) последовательность Л = (Лп)п^о с Ло - 0 является предсказуемой
в том смысле, что при каждом п ^ 1
^4n ~ ^ п - 1 -измеримы;
Е(МП |^ n - i ) = M n_ 1 (Р-п.н.),
A n = Y l Е(Л*|0*-1)
*= 1
м п = ^ { h k -E (h k
fc=1
я п = д'п + м ;
л « + 1 - а ; = (л п+1 - А п) + ( м п+1 - м п) - ( м ; +1 - м ; ) .
РК„ = ±1) = J .
и ясно, что
где
1, х > 0,
Sgn х — 0, х — 0,
—1, х < 0.
Таким образом, для мартингала М = (M n)n^i в разложении (5) имеем
М п= ( S g n X fc_ ! ) A X fc.
Далее,
Е(ЛП | ^ п _ ! ) = E (| X n _ ! + ^ n | | ^ n - l ) - | * n -l| -
Е Е ( h i |^ i _ i ) = N { 1 < А: ^ n : = 0},
г= 1
ELn (0) ~ \j ^ n
M l= Y, Е ( А М 2 | ^ _ г) + Y, ( А М | - Е ( Д М | | ^ _ а)), (6)
где ДМ| = М| - М 2 _г
Положим
(М )п = £ Е (Д М | | ^ _ !),
тп = ( А М | - Е ( Д М | | ^ _ а)).
[М)п = £ ( Д М * ) 2. (10)
116 Гл. II. Стохастические модели. Дискретное время
(H)n = J 2 E ( ^ l ^ - i ) . (11)
k<Z.n
где h~£ — тах(/г&, 0), = —min(/ifc, 0). Будем предполагать, что сущест
вуют такие версии Е(h^ |3?k- i ) ( u ) и Е(h^ |<^_i)(u;), что для всех a; Е Л
и в варианте “для почти всех и Е Г2” доопределяя Е(hk |З'к- 1)(<*>) про
извольным образом на множестве нулевой вероятности, где свойство (14)
нарушается.
Обратимся теперь к представлению (2). Правая часть в (2) заведомо
определена, если E(|/ifc| |З'к-г) < оо? к ^ 1 (для всех а; Е ft или для почти
всех и Е fi). В этом случае мы будем говорить, что (2) есть обобщенное
разложение Дуба последовательности Н = (Нп)п^\.
Я ^ “) = £ hkI( \h k \ ^ a )
1<С/с<Стг
= £ E ( h k I ( \ h k \ ^ a) |S ' k - x )
1< k<n
+ £ [ hk I ( \ h k \ ^ a ) - E ( h k I ( \ h k \ ^ a ) \ ^ k - 1)]
(16)
Тем самым,
1<С/с<Стг
Нп Ап + Мп + Е hkI(\hk\> а) (18)
1 <С/с<Стг
X = {Х п, 3*п)п^>о
является
мартингалом,
супермартингалом,
субмартингалом,
если Е\Хп |< оо при каждом п ^ 0 и (Р-п.н.) для всех п ^ 1
Е(Хп \&п- 1 ) = Х п- 1,
E (x n |#n. i ) a n - i ,
Е(ХП |^ n - i ) ^ -^ п -ь
соответственно.
Понятно, что для мартингала математические ожидания ЕХп = Const
(= EXq), для супермартингала они не возрастают (ЕХп ^ EXn_ i), для
субмартингала - не убывают (ЕХп ^ EXn_ i).
Классическим примером мартингала является “мартингал Леви”
X = (Х п) с = Е(£ |З'п), где £ - измеримая случайная величина
с Е|£| < оо.
Этот мартингал является равномерно интегрируемым, т. е. семейство
случайных величин { Х п } равномерно интегрируемо:
Х Г* = (Х г,л п ,^ п )
х т* = { х ТкАп1(тк > o ) , j g .
Ц х п |З п- Х) = 0 (Р-п.н.)
Y - M = ( ( Y - M ) n, P n),
1. Необходимые вероятностные понятия 123
где
( Y - M ) n = Y 0 -M 0 +
1<С/с<Стг
называется преобразованием М с помощью У. Если, к тому же, М есть
мартингал, то X = У •М назьюают мартингальным преобразованием
(мартингала М с помощью (предсказуемой) последовательности У).
Тем самым, X Е G M .
(b )= Ц с ). Пусть X Е G J I. Положим
Тогда
и п — ^ ^ { к + 1) А п- i(k)
к^О
- ^-измеримая интегрируемая случайная величина с Е(ип |&n- i ) — 0 .
п
Следовательно, М п = Y1 иг является мартингалом (полагаем M q = 0)
i —1
и (1) выполнено для Y — (Yn), где
У„ = ^ № + 1 ) 3/ д „ _ , №).
О
Таким образом, X Е Ж Т .
2 . Важность понятий локального мартингала, мартингального прео
разования и обобщенного мартингала в финансовой математике в полной
мере будет проиллюстрирована в гл. V. Эти понятия играют важную роль
и в стохастическом исчислении, что можно продемонстрировать, напри
мер, следующим образом.
Пусть X = {Х п^ п)п^о является локальным субмартингалом с лока
лизующей последовательностью (т/с), где 77- > 0 (Р-п.н.). Тогда при каж
дом к для Х (Тк) = {Х пАТк, &п) имеем разложение
ХпЛтк = А ^ + М ^
д ( тк + 1 ) _ д(тк )
**-п/\тк п
- А<г*))„го
являются мартингалами.
Итак, если X = (Х п, ^ п)п^о является локальным субмартингалом,
то
Хп — А п + M n, п ^ 0, (2)
где А = (А п)-предсказуемаяпоследовательность с A q = 0 ,а М = (М п)
является локальным мартингалом.
1. Необходимые вероятностные понятия 125
либо
является супермартингалом.
И. Всякий локальный мартингал X — (X t)t^о такой, что
Esup\XS\< оо, t ^ О,
является мартингалом.
III. Всякий локальный мартингал X = (X t)t^ о такой, что
dRt = § - + dpt , Rо = 1,
для f(R t) — 11Rt, применение которой здесь законно, поскольку для трех
мерного процесса Бесселя R с R q = 1 нулевое значение недостижимо, на
ходим, что
ц у -%
или, в интегральной форме,
rt Ws,
ЙТ1_Г
Rt ‘ Уп R l '
EXt = Е 1
у/1 + (в I - ВЪ)2 + (В? - В §)2 + (В? - в * у
Е ^— — == ф 0, t оо,
л/1 + <(^х + £ 2 + £з)
оо
/ -О О
x d P ( h n < ж | ^ п _х)(а;),
Аналогично,
= (3)
Таким образом, “параметры” 1лп и имеют простой “традиционный”
смысл - это условное среднее и условная дисперсия (условного) распре
деления Law(hn |З п- 1 ).
Само же распределение Law(/in) является, тем самым, взвесью (или
смесью) условных гауссовских распределений Law(hn |3 n_ i ) с усредне
нием по распределению величин и сг^.
Отметим, что класс распределений, образованных “взвесью” нормаль
ных распределений J f ( n ,o 2) со “случайными” параметрами /л = //(о;),
а 2 = а 2 (со), является весьма широким. С разными частными случаями
таких распределений в дальнейшем мы будем встречаться не раз.
Наряду с последовательностью h = (hn), целесообразно ввести “стан
дартную” условно-гауссовскую последовательность е = (еп)п^\ ^ „-и з
меримых случайных величин таких, что
С ледовате льно,
Все эти три модели, AR(p), MA(q) и ARM A(p, <7 ), являются линейны
ми гауссовскими моделями (если “начальные” условия есть, скажем, кон
станты).
Перейдем теперь к некоторым интересным условно-гауссовским мо
делям, которые (в отличие от предшествующих) являются уже нели
нейными.
5. Авторегрессионная модель условной неоднородности ARCH (р). Сно
ва предполагаем, что последовательность е = {en)n^i является (единст
венным) источником случайности, = o ( e i , . . . , еп),
р п = E(hn |^ n - i ) = 0, (12)
и
р
= E(h l \ & n -l ) = «О + <**&*_»> ( 13)
1= 1
1. Необходимые вероятностные понятия 133
i'n = h l ~ a l . (17)
где
E{ vn I& n - 1) = E( h i |& n - 1) - a l = 0,
Рп ~ E(/in I^ п—i) = О?
р я
°2
п = E(h2
n \ & n -i ) = ( * о + ' ^ a ih l _ i + J 2 ^ 3 (Tl - j ( 19)
г=1 3=1
hn = (20)
(21)
i= 1
т ° 2
п -1 = 'Е Р з °2
п -г (2 2 )
В этих обозначениях
hn = Vn + <У2
п = Vn + <*о + Oi(L)h2
n _ ! + P(L){h 2n _ 1 - i/n_x)
= «о + (a(L) + (3(L ))h l _ 1 - fi(L)vn-\ + i/n.
1. Необходимые вероятностные понятия 135
Иначе говоря,
h2
n = a o + {ot(L) + f3(L))ti2l_ 1 + ип —f3(L)vn- i. (23)
“ а о + Oiihn^i + J'n,
(24)
Положим
(26)
136 Гл. II. Стохастические модели. Дискретное время
hn — Рп &П&П) (27)
8= •••),
I( |
I5
——- р ^
> е \ —» п
0, п оо,
Sn ( + • • *+ 8п \
где — ( = ------------------- 1 - частота появления единиц среди di, . . . , оп.
п \ п /
Именно для этой схемы были установлены многие другие замечатель
ные результаты теории вероятностей {Предельная теорема Муавра-Лап-
ласа, Усиленный закон больших чисел, Закон повторного логарифма,
1. Необходимые вероятностные понятия 137
Bn — (1 + Г п ) В п - 1, ( 1)
Sn = (1 + pn)Sn-1 (2)
или, равносильно,
Л В П = rnB n_ i ,
ASVi = pnSn—i
с В 0 > 0, So > 0.
Основное отличие банковского счета от акции состоит в том, что ( “бан
ковская” процентная ставка)
гп ~ &П- 1 -измерима,
Рп ~ &п-измерима,
rn = г = Const
Записывая рп в виде
о, + b Ъ— о,
Рп — 2 * 2 6п ' '
или
Рп — о> (Ь а)8п, (4)
находим, что
+1
Рп
" { а ^ £п " { - 1 ^ 5п ~ { О
E So = {S o\k :k = 0 , ± l , . . . } .
St = S0e<TWt+ifl- <T2/2)t,
St
So
0 п Т2 ТЗ
Р и с . 14. Процесс с дискретным вмешательством случая
(в моменты T i, Т2 , т з , . . . )
(i)
к> i
—у R+ = [0, оо].
(2)
(3)
Д* ~ -измеримы.
Отметим, что, как обычно, тк (о;) полагается равным + оо, если множест
во {t: Nt = к} = 0 . Так, для “одноточечного” точечного процесса с траек
ториями, изображенными на рис. 15, можно считать, что соответствующие
моменты 7*2 = 7з = •••= -Ьоо.
144 Гл. II. Стохастические модели. Дискретное время
и ПОЛОЖИМ
#* = X ^ = X hk-
1 l^k^at
Nt = ' £ ' I ( r k ^ t ) ,
k^l
h = х * у * z,
2. Линейные стохастические модели 147
—0 (1)
L Хп — %п —2?
L {cxn) = с!/Тп,
Н" 2/n) = L/Xn + Lyn,
(ciL + c2L 2)x n = Ci L xn + c2L2x n = cirrn_ i + с2т п_ 2,
(1 — A iL )(l — A2L )x n — x n — (Ai + А2)т п_ 1 + (AiA2)rrn_ 2.
D/in — 6q + Ь>х
1?
, (6)
Cov(/in, /гп+х) == C o v ( / i?t\n-\-k) — 1. (7)
(8)
k= 1
- временное среднее.
Со статистической точки зрения обращение к “статистике” hn пред
ставляет тот интерес, что hn является естественным “кандидатом” для
оценивания среднего значения /i.
152 Гл. И. Стохастические модели. Дискретное время
Д2 о ~ ^ о, (9)
ть
к=1
1 /1 \ * 1_ ,
= E ( - V / » fc)/»o
п ' \п ) п
к= 1 4 /с=1 7 к=1
^ к =е1 ^ 2= М 4 =£1 л‘ + 2 хк ф1
> ' \ )7
9 п i-1 1
= S i E E RW - п; R(»)'
1=1 к = 0
1-1
j E Rw <8.
к=0
п(д) 1 - 1 n l —l
^ E E Rw = ^ E E rw +^ Ё E rw
1•= 1- к■= 0- i. = l- к. = 0- i=n(<$) + l к=О
п ( д ) 1— 1
1 П 1 i_1
Е Е Rw +
n* Е 1•уЕ
i=l fc=0
n(S) г- i
E E R«
1=1 k = 0
2. Линейные стохастические модели 153
(12)
I О, к>1.
Интересно отметить, что если обозначить 0\ = b\ / 6q, то найдем, что
m h (l/ft) ,,,,
) 1 + 0 ? 1 + (1 М ) 2 ’ ( *
и, следовательно, разные значения (в\ и l /# i) приводят здесь к одному и
тому же значению р( 1).
154 Гл. II. Стохастические модели. Дискретное время
Е/гп —
Dhn = 5q + b\ + •••+ b\
и
q—k
bj^k+ji к = 1 , .. ., q,
m = < j=o (14)
I o, к > q.
Из формулы (14) мы видим, что схемами типа MA(q) можно (путем варь
ирования коэффициентов Ь*) пытаться моделировать поведение последова
тельностей h = (hn), у которых корреляция величин hn и /гп+/с, к > q,
равна нулю.
Замечание. Коль скоро зашла речь о подгонке той или иной модели к
эмпирическим данным, или, как мы говорили выше, “моделировании по
ведения последовательностей h — (hn)” то следует отметить, что общий
принцип действий здесь таков.
По выборочным значениям h i, /г2 , •••строятся, прежде всего, некоторые
эмпирические характеристики, например, выборочное среднее
к= 1
выборочная дисперсия
к= 1
h fl ~ Р'П (1)
где
Р>п ~ &о а\Н п —1 Ч" • • • 4 “ CLphn —p. (2 )
ot(L)hn — wn 5 (5)
0.4
0.3
0.2
0.1
0.0
- 0.1
- 0.2
- 0 .3
0 100 200 300 400 500 600 700 800 900 1000
Р и с . 19. График компьютерной реализации последовательности h = (hn ),
подчиняющейся ЛЯ(2)-модели с hn = ао + a \hn —l -f G2^n —2 + о£п с пара
метрами ао = 0, а\ — —0.5, а 2 = 0.01, о — 0.1; ho = hi = 0; е п ~ *>^(0,1) и
2 ^ п ^ 1000
hn = (6)
играет своего рода “пограничную” роль, точный смысл которой будет ясен
из последующего изложения.
Из (7) находим, что
Dh n = a \ n Dho + cr2 ( l + a f H h
Cov ( h n , h n - k ) = a \ n ~ k Dho + a 2a k ( l + a \ H 1- a ^ n ~ k ~ ^ )
для n — к ^ 1.
Из этих формул видно, что, в случае |oi |< 1 и E|/io| < сю, при п —> оо
<т2(1 — а2п) а2
1 — а2 * 1 — а2 ’
а2„к
“а 1
Соv(/in, hn—k)
1 — а2
1 а°
1 — а\ 1 — а\2 )I ’
Если
/7\ r (U и \ Cov(/in, hn4 -/c)
p(fc) — Corr(/in, /in-ffc) — /— —— ------- ,
yjvrin vrin+k
то из (8) и (9) находим, что при \а\\< 1
p {k )= a l (10)
и
Dhn — а 2п —> оо, п —Уоо.
hn ~ (1 4" сь\Ь 4" a\L2 4" •••4" ci™ *L n *)(1 — ciiL)hn. (19)
к
(21)
з=о
и, значит,
(24)
А2 — oiA — а2 = О, (26)
162 Гл. II. Стохастические модели. Дискретное время
то есть,
Oi + \/а\ + 4а2 a i - \/а\ + 4а2
Л1 = j , Л2 = ----------------- .
Ai А2
1 = ( A i - A 2) - 1 (29)
(1 - Х гЩ ! - Х2Ь) 1 — X\L 1 — X2L
и поэтому
hn = rAl^—VЛ2 ( 1 - ~ (30)
Ai — A2
Предполагая, что |A*| < 1, г = 1,2, или, равносильно, что корни харак
теристического уравнения (27) лежат вне единичного круга, находим,
что
(1 — = 1 + XiL + \ fb 2 4 -------, * = 1,2, (31)
и, значит, согласно (30), стационарное решение (с конечным вторым момен
том) уравнения (12) имеет следующий вид:
оо
hn = ^ ( c i A j + c2A^)iyn_ j (32)
j =о
с коэффициентами
Ai А2
ci = т г- , с2 =
Ах - А2 ’ ' А2 - Ах
или, с wn = ао 4* о е п,
hn = ( l - X 1L ) - 1 - - - ( l - X pL ) - 1wn. (36)
(1 — Aijt) • • - (1 — Apz) 1 - А !Z 1 - А pz ’ [ }
1= 1 > П (39)
i —l
кфг
164 Гл. II. Стохастические модели. Дискретное время
Это равенство, будучи выполненным для всех г, должно быть верным и для
z — Л]” 1, . . . , z = А " 1, что дает для c i , . . . , ср следующие значения:
* = - М )' (40)
k^i
(42>
Если к — 0, то
R(0) = a iR ( l) + •••+ apR(p) + a 2. (44)
k= 1
(45)
а — ^ к = 1 hk-ih k
0,1 ,2
2^к= 1 пк- 1
Значит,
^ _ J2k=i hk-i£k
ai — ai + — t~2------•
l ^ k = 1 k —l
Обозначим
M n — ^ ^ hk —l&k'
k—l
(M )n = ' £ ' h l - v
к=1
<4в>
Из этого представления мы видим, что оценка максимального правдо
подобия а\ является сильно состоятельной: т.е. с вероятностью единица
а\ —> а\ при п —Уоо, поскольку (М )п —Уоо (Р-п.н.) и, согласно усиленно
му закону больших чисел для квадратично интегрируемых мартингалов
([439; гл. VII, §5]; ср. также с (12) в § lb),
Мп -> 0 (Р-п.н.).
(М )„
то найдем, что
п
2
а\п
, |ах| > 1.
I (а Й )5
Случай \ai \= 1, как видим, является в некотором смысле особым, “по
граничным’.’ В этом случае h = (hn) является случайным блужданием
(ср. с § 2а в гл. I: Гипотеза случайного блуждания и концепция эффектив
ного рынка). При |ах| ф 1 соответствующая последовательность h = (hn)
является марковской. При этом, в случае |ах| < 1, последовательность
h — (hn) “стационаризуется” когда п —> оо.
Это объясняет то большое внимание, которое уделяется в статистике
последовательностей h = (hn) решению вопроса о том, какая из двух ги
потез:
Щ : \ai \= 1 или H i : \а\\ > 1,
Г ф(я), KI < 1,
limPa i{ v/ / n(ai) (ai - ai) < х ) = < На1(ж), |«i| = 1, (48)
[ Ch(ar), |ai| > 1,
168 Гл. II. Стохастические модели. Дискретное время
Гх
где Ф(х) = / ^(о,1 ) (у) dУ ~ стандартное нормальное распределение,
/ ч —ОО^ ^ 1 т-г / ч
Ch(x) - распределение Коши с плотностью ------ -- и На1 (х) - рас
7г(1 + X2)
пределение случайной величины
W 2( 1) — 1
а1
2V2 С W 2(s)ds
JО
W 2( 1) — 1
ai-
W 2(s)ds
а .
= (51)
1 Пк~ 1
- последовательная оценка максимального правдоподобия. Тогда при
любом значении а\ Е Ш
И
бЬал .
— — (ai) —» 0, п —у оо.
аа\
170 Гл. II. Стохастические модели. Дискретное время
lim ^ i.
п u aiai
где
ИЛИ
a (L )h n = a0 + (3(L)en, (4)
где
ot(L) = 1 — a\L — ... — apLp (5)
и
(3(L) — 1 + b\L + •■•• + bqLq. (6)
Отметим, что в том случае, когда 9 = 0,
a (L )h n = wn,
(7)
(8 )
где
(9)
1 — (di + •••+ dp)
(в предположении а\ Н + ар ф 1).
Обратимся теперь к вопросу существования стационарного решения
(из класса L2) уравнения (3). Из (8) и предшествующих рассмотрений
(в п. 5 §2Ь) следует, что “стационарность” определяется свойствами
оператора ot(L), т. е. авторегрессионной компонентой ARM A(р, д)-модели.
Если все корни уравнения (37) в § 2Ь по модулю меньше единицы (а для
этого необходимо, чтобы а\ Н Ьар ф 1), то тогда у этой модели (в клас
се L2) существует и притом единственное стационарное решение h = (hn).
172 Гл. II. Стохастические модели. Дискретное время
ЕА„ = 1
, — (ai + •••+ dp)> • (Ю)
hn — a\hn—i = ao + £п + fri£n—ь (1 2 )
и _ а° . ^ “I" ^1^ „
I - г £п
1 — ai 1 — aiL
/ оо
do
+ akLk\ (1 + b\L)eT
1 — a l1 \u—r0\ J
do
+ (tti + fei) ^ ^ flj £n —к “b £n* (14)
1 —tti —
1 k= 1
R(fc) = a i R ( f c - l ) , fc ^ 2 ,
R(l) = a iR (0 )+ 6 i, (15)
R(0) = a i R ( l ) + (1 + d\b\ + b\),
2. Линейные стохастические модели 173
100 200 300 400 500 600 700 800 900 1000
Рис. 20. График компьютерной реализации последовательности h = (hn),
подчиняющейся A R M A ( 1 ,1)-модели с hn = ао 4- a\hn- i 4- &i£n _ i -f <теп
с параметрами ао = —1, а\ = 0.5, &i = 0.1,<7 = 0.1;/iq = 0 и 0 ^ п 1000
из которых получаем
1
R(0) = D h n =
и
т (1 4- a \ b i){a i 4- b i) к_ г
Р(*0 ал (16)
R(o) 1 4~ 2,Q,\bi 4~ bi
S = 1 + L + L? + •••= (1 ~ L) 1,
Хп ~
ARIMA = AR + I + M A,
\п = Е(п\Н*), (5)
2. Линейные стохастические модели 177
Действительно,
(в)
поскольку для i ^ 1
Е(е» |Д о) = Ее* (= 0),
П—1
ol = е|/1п-ё (л п|я0£)|2 = ] Г ы 2-
Ас=0
оо
lima*
п = • . l“ fe|2 (= EhD -
fc=0
4 = E(4|SK))+[4-E(4 |S(fl)],
где S(£) = П п Н п ~ (линейная) информация, содержащаяся в “беско
нечно далеком прошлом” Обозначая R(£) множество элементов вида
г] — Е(г) |S(£)), гДе V £ #(£)> находим, что и само множество Н(£) может
быть представлено как ортогональная сумма: Н (£) = S(£) ® R{€)-
Стационарная последовательность £ = (£п) называется регулярной,
если Н(£) = Д(£), и сингулярной, если Н (£) = S(£).
Наглядный смысл условия Н(£) = 5(£) вполне понятен: оно означает,
что вся информация, доставляемая значениями последовательности £, “си
дит в бесконечно далеком прошлом’! Поэтому сингулярные последователь
ности называют также чисто или вполне детерминированными. В том
случае, когда подпространство £(£) = 0 ,т .е . # (£ ) = Я(£), последователь
ность £ называют чисто или вполне недетерминированной.
Содержание введенных понятий раскрывается в следующем результате.
2. Линейные стохастические модели 179
tn = Cn + £t
ОО
(9)
А:=0
оо
^ ^а к ^ п — кч (10)
к =О
оо
где X) а! < оо и е = (еп) - некоторая обновляющая последователь-
к =о
ность (для £г ).
оо оо
hn — ^ ^ О'к^п—к — ^ h'n—k') (11)
к=п к=п
U = Г eiXnz(d\), (13)
J —7Г
и спектральная плотность
^ п( А) _ е “ф ( }
где
оо
Ф„ (г ) = £>***. (22)
к=п
Разложим фп (А) в ряд Фурье:
.
8 Для иллюстрации изложенного выше метода рассмотрим ряд прим
ров для стационарных моделей MA(q), AR(p), ARM A(p, 9 ), ограничиваясь
приведением формул прогноза лишь для некоторых значений р и q. По по
воду общих формул см., например, [439; гл. IV, § 6 ].
hn = (3(L)en, (25)
где
(3(L) — 6 0 Н“ b\L + •••+ bqL q, (26)
то есть,
Ф(г) = bkz h
к=О
И
п^
* » (* ) = 4 к=п
о, п > q.
Поэтому для п ^ q
~iXkbk
(рп (Х) = eiXn^ = n e (28)
Z l = 0 e - iXkbk
и (А) = 0 для п > q.
Тем самым, если п > <7 , то в разложении (23) все коэффициенты ап = О,
и, значит, в этом случае оптимальный прогноз hn = 0 , что вовсе и не удиви
тельно, поскольку корреляция между hn и каждой из величин /го, /г_х, . . .
равна нулю при п > q.
Если q = 1, то
hn — Ь$еп И- Ъ\еп—1
и
гЛ е гХЬ1 61
£i(A ) = е
184 Гл. II. Стохастические модели. Дискретное время
Можно, конечно, сразу считать &о = 1 и полагать &i = 0, где \в\ < 1, что
обеспечивает то, что Ф(^) = 1 + 0 z не имеет нулей в области \z\ ^ 1. Тогда
Р ос оо
&<Л) = = е ' £ ( - 1 ) к(« е - ‘х)к =
к=0 к=о
а<1} = в,
4 Х) = в3>
т. е. в представлении ( 1 )
hn = 9hn- 1 + sn (32)
с \в\ < 1 .
Напомним, что в этом случае R(n) = Cov(/z^, hk+n) определяется фор
мулой
ok
R<"> = ■
(зз)
1 00
*М - Г з ж =
к =О
.186 Гл. II. Стохастические модели. Дискретное время
ап
Фп(х) = вг
оо
hn = (ai + b\) ^ ^ ах sn—k + sn
к =1
оо
с |ai| < 1 и |bi |< 1, и, значит, в представлении hn = a^Sn-k коэффи
циенты к=0
ao = 1, о>к = (&1 + bi)a,i 1. (34)
ai + bi aiz
ФМ = f > 2* = i + V ( « lZ)‘ = 1 +
ai 1 — aiz
itaO 01 ifc
и ДЛЯ 77 ^ 1
oo , oo , 1
Ф' „ w = £ 2 *г * = £ (a ,z )t = 2 i ± ^ ( 0 lz ) " - i — .
“ ai “ oi 1 —a i 2
k —n k=n
ai+bi , (aiz)n
fZ (\\ — JAn Ql 1 -Qiz _ (ai + Ol
1 + sa±bi . - a.iz - ~ 1 + 612;
ai 1 —ajz
00
и (см. (23))
4 n)= a r 1(« i + b i ) ( - l ) fe^ .
= a r 1 ( a i + 6 i ) ^ ( - l ) fe6 ^ n - fc.
k=n
(1)
(2 )
р
-f- ^ ^ (3)
г— 1
190 Гл. II. Стохастические модели. Дискретное время
ап — а о + (4)
и ясно, что для hn = о пеп имеем следующие простые свойства:
Еhn = 0 , (5)
E h n = a 0 +aiEh%l_ 1, (6 )
I З'п-г) = &п —а о + (7)
В предположении
0 < а\ < 1
= 3 (a l + 2a0a 1Eh2
n _ 1 + a ? E ^ _ x)
= 3 a | (l + a i ) + 3 а 2ЕД4 _ (9)
1 — a\
c l 4 3 a g (l + a i)
K s J 0 L - з= 6а-
( Е A J )2 1 - За? ’
192 Гл. II. Стохастические модели. Дискретное время
1 N / / 1 N \ 2
^ = М 2) - 3’
fc=1 ' ' к= 1 '
Cov(/in, hm) = 0 , пф т .
2
2 2 / а0
Dhn 1 -3 c tf ( l - O j ) '
= <1 2 >
и, значит,
Eh2
nh2
n _ k = E [h 2 n |^ n_ 1)] = E [h 2
n _ k E (h 2 n _ k E {a 2
n e2
n \P ^ ) ]
= E[hl - k ( a o + « l ^ n - i ) ] = «oE h2
n_ k + a i E h l ^ h ^ k ,
откуда
р(/г) = о£. (13)
hn=-\Д*о+(*\h2
n_1en. (16)
Рассмотрим теперь следующую авторегрессионную модель первого по
рядка со случайными коэффициентами:
Хп = \Jb I + е п, х о = 0, (18)
Г (20)
В качестве примера использования этого представления рассмотрим за
дачу оценивания (методом максимального правдоподобия) неизвестного
значения параметра /?х, считая остальные параметры /?о, &о и а\ извест
ными.
Оценка /3\ максимального правдоподобия для параметра /3\ определяет
ся как корень уравнения
л п) = о.
dpi
С учетом ( 2 0 ) и (19) находим, что
(hk ~~ Po)hk— 1
JL—1 СУП-f- (У.ЛКи л
А ■ А (21)
/с= 1 a 0 +
и
А = А + 777Г~~ , (2 2 )
т „ '
где
hk—l^k
к=1 \ Л *0 + « 1^ 1-1
есть мартингал, а
" л2
<м > - = Е - т Ч т - (23)
> € Z = е й + „ Iю = E ( ^ +m4 +m I )
= E[<*+ m | £ j] (24)
= + стп+т-
и
^ „е " 1 '6 5 Sne+ 165 ),
соответственно.
Должно быть при этом понятно, что слова “в первом приближении” свя
заны с тем, что на самом деле величины hk не являются, вообще говоря,
нормально распределенными, и вопрос о том, насколько истинные уровни
надежности приведенных выше доверительных интервалов отличаются от
6 8 % и 90 %, требует дополнительного исследования относительно точнос
ти нормальной аппроксимации.
р я
<?п= а0 + 5 ^ a ih n -i + Pjan - j ’ (27)
г= 1 j= l
где Qfo > 0 , Oii ^ 0, /3j ^ 0. (Если все {3j — 0, то получаем мо
дель ARCH(p).)
Основным преимуществом GARCH(p, д)-моделей сравнительно с их
прародительницей A R CH (р)-моделью является то, что при подгонке
статистических данных моделями ARCH(p) часто приходится обра
щаться к слишком большим значениям р, в то время как при подгон
ке GARCH(p, д)-моделями можно ограничиваться (экспериментальный
факт!) лишь небольшими значениями р и q. (В статье [431] при описании
месячных данных в эволюции индекса S&P500 использовались авторе
грессионные модели двенадцатого порядка, AR( 12). См. также обзорную
статью [141].)
Анализ моделей GARCH(p,q), в которых “волатильность” ап предпо
лагается зависящей (предсказуемым образом) как от ^ р, так и от
^ д, проводится аналогично анализу A R C H (р)-моделей.
Опуская детали, приведем ряд простых формул, относящихся к модели
GARCH( 1, 1):
hn = V n £ n , <?п = а 0 + a l hn - l + (28)
<2 9 >
Г - •, ,,,)
~ (Е h i)2 1 - Iff - 2,.п !1, - 3,.,l ' 1 1
_ a i( l - ai(3i - /3f)
Р{1) 1 - 2 ’ (32)
.
1 0 Модели семейства ARCH , эволюционирующие в дискретном вр
мени, имеют соответствующие аналоги и в случае непрерывного времени.
Более того, при подходящей нормировке можно получить (слабую) схо
димость решений стохастических разностных уравнений, определяющих
A RCH , GARCH, . . . -модели, к решениям соответствующих стохастичес
ких дифференциальных уравнений.
Для определенности рассмотрим следующую модификацию
GARCH( 1 , 1 )-модели (называемую в [15] GARCH( 1 , 1 )-М-моделью).
Пусть Д - временной шаг, Н ^ = (Д^д^), & = 0,1,..., где
4 д ) = # о Л) + '*л(А) + --- + 4 д ,
4д = с( 4 д )2 + ( 4 д ) е*д> (34)
при кА ^ t < (к + 1 ) А.
Из общих результатов теории слабой сходимости случайных процессов
(см., например, [250], [304]) естественно ожидать, что при некоторых усло
виях на входящие в (34), (35) коэффициенты последовательность процессов
(Н (А\ с г ) слабо сходится (в пространстве Скорохода) к некоторому диф
фузионному процессу (Я, а) = (#*,<т*)*5>о-
Как показывается в [364], при
Например, пусть
Г Qfg
o?q ++ a\hn- i + о?2 ^ п -2, если /ln _ 2 > 0,
71 — 1 2 о? (3)
I «о+ + a 2 ^ n -2 , ССЛИ / l n _ 2 ^ 0.
ТО
р* р*
<Уп = « о + ^ М е п _г)<7+_; + (5)
2= 1 2= 1
а п = « о + a i ( e n - i ) c r + _ 1 + / ? i ( e n_ i)£ r “ _ 1, (7)
где
« l ( ^ n - l ) — а1еп-1 + Ь1 ^п- 1 + СЬ (8 )
Pi(£n- i ) — « 1 ^ п_ 1 + b i ^ - i + d\.
3. Нелинейные стохастические условно-гауссовские модели 203
а+ = ( a i ( e „ _ i ) ) + (T+ _ 1 + ( /? i ( e „ _ i ) ) + a ^ _ 1,
при 771 —> оо, где sup берется по всем борелевским множествам А С Е .
Стандартной же мерой зависимости является, конечно, (авто-)корреля
ционная функция.
Следует отметить, что, согласно многочисленным статистическим
исследованиям, у временных финансовых рядов обнаруживается более
сильная корреляционная зависимость в поведении последовательностей
\h\ = {\hn\)n^i и h2 = {hn)n^ ъ чем та? которая получается в случае
моделей ARCH , GARCH и, тем более, МЛ, AR и ARMA.
Напомним, что для ARCH ( 1 ), согласно (13) из § За,
p ( k ) ~ c k ~ p, к —> оо , (10)
оо
Y ^ p (k ) = оо.
к= 1
оо оо
|р(А;)| < оо, ]Г р(А ;) = 0 .
/с=1 fc= l
3. Нелинейные стохастические условно-гауссовские модели 205
где
о2
п = ао + aih:2п - 1,
ап — а о + + a 2{h n -i + Л-п-г)2* ( 12 )
( 13 )
1 — a?i — 2 а?2
из (12) находим, что при (a?i + « 2)2 + о!\ < | существует “стационарное”
значение
ЕЛ» = 1 ,С „ . (14)
| - (a i + а 2)2 - а\ ’
где
rt _ а о[^ + 2a2(ai + 3а 2) — («1 + 2а2)2] п^
[ 1 - ( а 1 + 2 « 2)]2 • (15)
# ( ! ) = Evhnhn-1 = E < « _ i
—х Еhji—1 c)f2E/iyl —^
+ 2a2Ehzn_ 1hn- 2 + <x2Eh2
n_xh2
n_ 2.
B ( l ) = a ° E^ - i + ( ° i + a 2 >E'1" - 1 .
1 — Q?2
Далее,
R(k) = Еh2
nh2
n_ k = Ea2
nh2
n_ k
где
V
(2)
E(hn | = crnEen = 0
208 Гл. II. Стохастические модели. Дискретное время
E(hn \ ^ i 1) = E(ane n \ ^ s_ 1)
= E{an E(en \^/_ 1 Va(Sn))\ ^ / _ 1)
= E{anE(en \ ^ i 1 ) ) = 0 ,
поскольку Ееп = 0.
Тем самым, относительно потока величины h = (hn) образуют
мартингал-разность. (Но не относительно ( ^ ), поскольку hn не являются
-измеримыми.)
Далее,
Eh
L- n 2n = Ест2
п Ее
^ 2п = Ест2
и тг = ЕеЛп
Будем предполагать
Ао VI - a i \ -а {) (4)
А п = °о + а 1 Дп—1 + с$п,
где для подсчета ЕеЛп мы воспользовались тем, что для случайной вели
чины £ ~ ^ ( 0 ,1 ) и для любого а
Е е ^ -2 ^ 2 = 1.
Имеем
E/in^n+i = 0
Ehnhn+k = 0.
„ ... Г E/.J, к = 0,
т к ) = \о, к > 0.
Далее,
ЕЛ»*п-1 = = Е е ^ + Д » -1
= E(eA" - 1E(eao+aiA”- 1+c'5" |A n_i))
2
— ^ e a o + A n_ i ( l - h a i ) g e C(5n _ g a 0 + % - [ = g ( 1 4 - a i ) A n_ i
— e ao + % - e £е(1+а1)(Лп- 1 _г^ 7 )
= e l- a i + 2 g 2 1-af = e l - a !+ 2 g 2 1-ах
2an I c2 2 2an + c 2
— g 1 —a 2 2 1 —a 2 == g 1—
Поэтому
ra0 " ГI гя
\
Цг
ГС^1
E « - i = Е<е 4(1 “i }
для положительных Г И 5
Эти формулы можно использовать для подсчета различных моментов от
h = (/in)- Так, например,
= ЗЕ<т4 ,
Eh l hl - k =
2
Е|/^пhn —k |= E<Tn<Tn _ .
7Г
(ЕЛ-2)2 \ (Е ^ )2 / (Е^Я)2 ^
Это говорит о том, что модели “стохастической волатильности” с двумя
источниками случайности е — (еп) и S = (^п)? так же как и модели
семейства ARCH , позволяют описывать последовательности /i = (/&п)>
у которых плотности распределения вероятностей величин hn имеют
вытянутость в окрестности среднего значения Еhn = 0.
2. Остановимся на вопросах построения оценок а п волатильности по р
зультатам наблюдений h i, . . . , hn.
Если hn = ji + <Jnen, то Ehn = ц и
Е|Л-п ~ м1 = E|an£n |= y ^ E a n.
где
hn — ^ J hk?
к= 1
если /лнеизвестно, и
£п = у ^ | Л п -И > (6)
если // известно.
Другой метод оценивания <7^ исходит из того факта, что ЕЬ?п = Еа^, т. е.
основан на свойствах моментов второго порядка.
В качестве оценки для а\ можно было бы, конечно, взять оценку
ап “ hn- Она будет несмещенной, однако ее среднеквадратическая
ошибка
ЕИ - °2
п\2 = E\hl - ° 2
п\2 = Ehn - 2 Е Л ^ 2 + Еа*
оо
Заметим, что для формулы (7) верно (1 —A) Хк = 1, т.е. сумма взве
ди о
шенных коэффициентов при конструировании равна единице.
Поскольку Еh2
n _ k = Еа^-k = ^° п ? т0 мы видим, что Есг^ = Ест2 , т.е.
оценка а^ наряду с а% является несмещенной.
Отметим также, что точность оценки о\ сильно зависит от значения вы
бираемого параметра А и, тем самым, возникает (и довольно-таки не прос
тая) задача выбора “оптимального” значения параметра А.
Из (7) следует, что подчиняются рекуррентным соотношениям
= Лег2, ! + (1 - \)h2
n, (9)
( 10)
Inh n
2 = lne2 + l n ст2 = E l n 4 + An + (he* - Elne2),
где
= In e l-E ln e l) (13)
Р"п-{-1 = (tt0 "Ь а 1 №п) Н 2 ~/о i (х п-\-1 "Ь 1-27 —р>п)'> (1^)
7rz/2 + 7п
7n+i = (а2
17п + с2) - 7г(2/ 27+ 7п • ( 15>
оо
= Ь У 2 а кёп-к + lim (17)
Z ' т —+ос
к=О
оо уоо ч 1 /а
^ > 4 , - * = ( E a“ fc)
к=О ' к= 0 '
1 /а
an ^ b i ) «1- (18)
%п-{-1 (1 )
или
= %п—1 5 * * * 5%п —к'ч ^) > ( 2)
1 -0 .0 3 3 11 -0 .0 4 6 21 -0 .0 0 8 31 0.038
2 -0 .0 5 8 12 0.002 22 0.009 32 -0 .0 1 7
3 -0 .0 2 5 13 -0 .0 1 1 23 -0 .0 3 9 33 0.014
4 -0 .0 3 5 14 0.040 24 -0 .0 2 0 34 0.001
5 -0 .0 1 2 15 0.014 25 -0 .0 0 8 35 0.017
6 -0 .0 3 2 16 -0 .0 2 3 26 0.017 36 -0 .0 5 2
7 -0 .0 4 8 17 -0 .0 3 0 27 0.006 37 0.004
9 -0 .0 2 0 19 0.078 29 -0 .0 1 9 39 -0 .0 2 1
10 -0 .0 1 3 20 0.017 30 -0 .0 7 6 40 0.007
Р{х ) г 7j М1/2 ’
7Г|т(1 — X)\L' Z
^^ ^)' (^)
х п == 1 11 2^n -i| , G (0 ,1 ).
тг —1 2\/|тп_11, tq Е ( 1,1).
с(£ ) = „Ч й о • (1)
где if>(N, е) - число тех пар (г, j), г, j ^ N, для которых в рассматриваемой
последовательности (х п)
|Xi — xj\ < е.
п / ч г Фm {N ,e)
°т (е ) = lira ГГ2 — ,
N—¥ 0 0
где ^ m(iV, е) - число тех пар (г, j) , для которых все компоненты векторов
(xi,X i+ 1 , . . . ,Xi+m- 1 ) и ( x j ,x j + 1 , ... ,TJ+m_ i) с i , j < N отличаются не
более чем на е. (В случае т = 1 имеем ф\ (iV, е) = ^(iV, £).)
4. Приложение: модели динамического хаоса 225
vm,j —
In £j — ln£j + i
ИЛИ
1 ^л
v m {k) = — Vmj i
3= 1
''> \ т 1 2 3 4 5 10
20 0.78 0.90 0.96 0.98 1.02 1.19
30 0.81 0.89 0.95 0.98 0.98 1.11
35 0.83 0.90 0.94 0.97 0.95 1.01
40 0.83 0.91 0.97 0.99 1.05 1.20
т 1 2 3 4 5 10
3 \
20 0.84 1.68 2.52 3.35 4.20 8.43
30 0.98 1.97 2.95 3.98 4.98 -
35 0.99 1.97 2.93 4.00 5.53 -
40 1.00 2.02 3.03 4.15 5.38 -
1 2 3 4 5 10
3 \
20 0.46 0.90 1.31 1.68 2.05 3.63
1 2 3 4 5 10
Если F (x ) = 1 — е“ х, т ^ 0, то для т £ К
где Ьп выбраны так, что Р(то > Ь^) = (В этом случае Ъп (2 In п )1' 2.)
Для преобразования Бернулли (пример 2, §4а) инвариантное распре
деление F (x ) = х, х € (0,1), и при ап = п, bn = 1 — п ~ х предельное
распределение есть
G (x) — ехр(т — 1), х 4, 1.
G( t ) = е х р ^ - ( | ~ х) )•
2
Для примера 1 из § 4а инвариантное распределение F (x) — — arcsin у/х,
7Г
и при соответствующей ренормализации можно найти, что
са = аа +Ь а . (2)
Сп = п 1/а
<р(в) = Eeiex
{ / 2
ехр^грв - а\в\ [ 1 + i(3-(SgnO) In
(9)
а = 1.
7Г ’
EX = ц, DX = 2а2.
х —Уоо ( 11)
и сопоставление с (7) и (8) показывает, что при а < 2 хвосты более тяже
лые по отношению к быстрому их убыванию в нормальном случае. (Умест
но здесь подчеркнуть, что у многих финансовых индексов S = (SVi)n^o ве-
личины “возврата” hn = In — имеют, как показывают статистические
Sn- i
исследования, распределения с “тяжелыми хвостами” Это делает естес
твенным рассмотрение класса устойчивых распределений в качестве кан
дидата для построения вероятностно-статистических моделей последова
тельностей h = (Лп).)
1. Негауссовские модели распределений и процессов 235
Важно отметить, что, как это видно из (7) и (8), математическое ожи
дание Е\Х\ < оо, если и только если а > 1. Вообще, Е\Х\Р < оо в том
и только том случае, когда р < а.
В связи с показательной асимптотикой в (7) и (8) уместно сейчас вспом
нить о распределении Парето, для которого плотность распределения ве
роятностей
(12)
х ^ Ь. (13)
Sa (a,f3,n)
X - SaS.
7 г ((т - р)2 + а 2) ’
а 2
\> ) ' ( ^ ^ еХР( - 2( ^ ) | (17)
Р (Х <х) = 2 ( 1 - Ф ^ ^ . (19)
Х% S a {( Ji, /? i, / i i ) , 7 = 1 , 2 , . . . , 77..
а - \а 1 “I Ьа п ) >
f t q f + --. + f l >qg
* ? + ■•■ + *£ ’
f1 — Hi + •••+ t^n •
Хц
Х 2 1 1Х 22
( 20 )
Xnk = ? r + — ,
Ufi ТЬ
U K n , п>1. (21)
^ (0 ) = e x p { * (0 ,J 3 )- ^ ( 0 ,C 0 )
(Заметим, что возможны как случай i/(Rd) < оо,такислучаЙ 1/(К сг) = оо.)
Важно подчеркнуть, что ср(в) определяется тремя характеристиками
J5, С и I/ и что триплет (5 , С, ^), входящий в (22), определяется единст
венным образом.
1. Негауссовские модели распределений и процессов 239
Примеры.
1. Если X - вырожденная случайная величина, Р (Х = а) = 1,toJ3 = а,
С = 0, v = 0 и
<р(в) = eiea.
v (0) =
ip (e )= e x p f[ i ( 9 , B ( h ) ) - l ( e , C e )
2
е « в’х) - 1 - i ( 9 , h { x ) )
X = ( X b X 2, . . . , X d)
242 Гл. III. Стохастические модели. Непрерывное время
Таблица 5
(д и ск р етн ы е ра спредел ения)
р“ л А*
П уассоновское к = 0 ,1 ,... A> 0
0 < p ^ 1,
Геом ет рическое pqk~ X> * = 1 , 2,...
q = 1-p
C r ~ 1o r ak ~ r 0 < p ^ 1,
Отрицательно ° k -lP * >
биномиальное q = i - P,
fc = г, г -h 1 , . . . r = 1 ,2 ,...
s - i k k n —k 1,
c np <7 ,
Биномиальное q = i - p,
к = 0, 1, . . . ,n n = 1 ,2 ,...
Таблица 6
(распределения с плотностью)
Экспоненциальное
(Г -распределение Ае — х ^ 0 А> 0
с а — 1, /3 = 1/Л)
Бета
^ Г Г . о ^ 1 г > 0, s > 0
(/3-распределение) 0 (г ,3 )
Д вуст орон н ее
экспоненциальное ^ е _А|:с1) х € R А> 0
(распределение Лапласа)
Хи-квадрат
(X2 -распределение, 1 ™—1 _ X
— х2 е 2 ж^ 0 п = 1 ,2 ,...
шш Г -распределение 2 " / 2Г ( § )
с а — п /2 , /3 = 2)
Кош и /л £ R, а > 0
7 г (( х - ц )2 + а 2) ’ ж € ®
Логарифмически 1 (log 1 -м )2
------ 7= е 2<т2 , х > 0 fj, € R, а > 0
нормальное (TXV 27Г
0е~{<*+Рх )
Логист ическое — а € R, /3 > 0
(1 + —
- т—
е -(а .-а—ч
+ /3 х ))2о . х е R
а ,(3 ,ц ,5
Гиперболическое см. (2) в § Id
см. (5) в § Id
Гауссовское\\ a ,(3 , li,5
см. (14) в § Id
обрат но-гауссовское см. (5) в § Id
244 Гл. III. Стохастические модели. Непрерывное время
ИЛИ
Law (X t ,t ^ 0) = Law (У*, < ^ 0),
§ lb . Процессы Леви
1. Будучи случайными процессами с независимыми приращениями, вв
димые ниже процессы Леви образуют один из основных классов стохасти
ческих процессов, к которому относятся такие фундаментальные объекты
теории вероятностей, как броуновское движение и процесс Пуассона.
О пределение 1. Случайный процесс X = (X t )t^Q, заданный на веро
ятностном пространстве (f2, Р) и принимающий значения в d-мерном ев
клидовом пространстве называется (d-мерным) процессом Леви, если
выполнены следующие условия:
1) Х 0 = 0 (Р-п.н.);
2) для любого п ^ 1 и набора 0 ^ to < t\ < ••• < tn величины
X to,X t x — X t0, . . . , X tn — X f n _ 1 являются независимыми
(свойство “независимостиприращений” );
3) для любых s > 0 и t ^ 0
X t+S - 4 X t - Хо
limP(\Xs - X t \ > e ) = 0
И Г .-О ,
EXSX* = m in(M ).
X* — Х 5 ~ <Ж(0, t — s), t ^ 5,
где В = В i , С = Сi ,v — v\.
Понятно, тем самым, что в (5)
Ф{в) = х { в , в ) - \ { о , с е )
Р(& 6 А ) = ^ , А € 38 (Ш),
Nt
= *>°> (9)
3= 1
оо
Xt = £ jl ( rj ^ (Ю)
i= i
где 0 < 7i < Т2 < ••• - моменты скачков процесса N = (Nt )t^0.
1. Негауссовские модели распределений и процессов 249
оо
<pt (e) = EeieXt = £ E(eieXt |Nt = к) P(Nt = к)
k=0
оо
£ < оо. (12)
k=1
Положим
оо
*/(*:) = £ A * /{/9fc}(<fa) (13)
к=1
и обозначим = ( N ^ ) t^o, к ^ 1, последовательность независимых
процессов Пуассона с параметрами А&, к ^ 1, соответственно.
Если положить
X (t n) = J 2 M Nt k)- ^ k t ) , (14)
к=1
то нетрудно видеть, что при каждом п ^ 1 процесс = ( x [ n^)t^o
является процессом Леви с мерой Леви
п
оо
X t = J 2 f a ( Nt k ) - А*<)> (17)
к—1
понимаемый как L 2-предел величин Х^п\ t ^ 0, при гг —> оо, также явля
ется процессом Леви с мерой Леви, задаваемой формулой (13).
« оо
/ (ж2 А 1) i/(cte) ^ < оо,
*=1
Xt~ 1 e~ x/P
P tix ) = рщ р 7( 0 о о ) (ж). (18)
Н (ег$х - 1) — - — d x| , (20)
1. Негауссовские модели распределений и процессов 251
, , e ~ xl®
v(dx) = / ( 0 ,оо)(я )----------dx. (21 )
ги Г оо
= ехр< —t l dy I eе - %
0 - ух
y x dx
или, равносильно,
или, равносильно,
или, равносильно,
или
а^1, 0<Н^1.
[ х A(d£) = 0 (13)
Js
и Л(5) + |В| > 0.
ц = 0, если а ф 1,
и
/3 = 0, а + |/i| > 0, если а = 1.
1. Негауссовские модели распределений и процессов 257
X a ^ ^ ^ X i+ D a , (16)
Г (а - а}/а)ц, а ^ 1 ,
Da — \ 2 (17)
I p - a Qa ln a , а = 1.
4 7Г
Ee- ^ w = e - A“ , А > О, ( 20 )
(21)
3-1
и, значит,
dz,
7Г \1 — a
(24)
где
( 25 )
1. Негауссовские модели распределений и процессов 259
Как было замечено Г. Рубиным (Н. Rubin; см. [264; следствие 4. 1 ]), плот
ность р (х ; а) является плотностью распределения случайной величины
1—а
(26)
и, в силу ( 2 2 ),
Law(Tj) = Law(£2 / aTi). (28)
Из (27) и (28), обозначая 7 (0 , 2) гауссовскую случайную величину с нуле
вым средним и дисперсией, равной 2 , получаем
- L a w ( v / T t - T s 7 (0,2)) = L a w ( y 7 T 7 7 (0,2))
а характеристическая функция
Характеристическая функция
v x t {0) = e ~ tW , (33)
и
V>Xt(0) = е х р { - * ^ / Й ( 1 - t S g n 0 ) } . (36)
1 (g—/ц)2
¥>(*) = -/==— е 2° (!)
\/27г а
с асимптотами
a(x) = —a\x — p\ + f3(x —p). (4)
\/о? — /3^
Ci (а, /3, S) = ------- ^ ^ ^ - , (6 )
2а6К1(5у/ а 2 - (З2 )
h2{x) = С2( р , Ъ 6)
где
С 2 (< р ,1 ,6 ) =
6 х К г(6х)
М ж;¥>>7>/*><*) <р(ж)>
£ = ( l + V ^ 7 ) - 1/2 ( = +
Х = ( ^ - 7 ) ( ^ + 7 )- 1 ^ ( = ~ £ ) ’
A
s 1 5£ в
1
1 /J f 1pь.
-1 0 1 X
Рис. 26
Граничная точка (0,0) ^ V соответствует нормальному распределе
нию; точки (—1 , 1 ) и ( 1 , 1 ), также не входящие в V, отвечают экспоненци
альному распределению, а точка (0, 1) ^ V-распределению Лапласа. При
X ^ в пределе получаем (см. [21]-[23], [25], [26]) так называемое обоб
щенное обратное гауссовское распределение (generalized inverse Gaussian
distribution).
1. Негауссовские модели распределений и процессов 265
Вт{ 1) + (м + /Щ 1 ))-
-1
д(х) = Кг Х М П с /Э(а!~/1)
где
C3(a,f3,g,S) = - e s^ ^
7Г
nq(x) = л/1 + х 2.
Поскольку
то при |х| -» оо
1/2
а
9(х) л
27Г(5/ [1 | ( x7/i) 2]3^4
j
: exp —ау/ S2 + (х — ц)2 + /3(гс - р)|,
и, следовательно,
hi(x) 3 ( / х - д , \ 2\
‘" Ж ~ 4 Ь ( :' + ( ~ ) ) ' W
K ^a S ) ' ’
ЕУ = М+ [1 - ( f )2]1/2 ’
DY = 6
а [ 1 - ( | ) 2] 3 /2 '
где
откуда следует, что у процесса Z = (Zt )t^о на любом сколь угодно малом
интервале времени имеется бесконечное число малых скачков.
Действительно, пусть
£ / ( Z eM - Z e_ ( u ; ) e B ) , £ € Й!(М \ { 0 } ) ,
-мера скачков процесса Z, т.е. число тех s Е А, для которых Z s(oj) —Zs- (ш)
попадает в множество В. Тогда (см., например, [250; гл. II, 1.8])
гг ^ 1,
f i( x ) « kmfk (k mx),
- - х п,
71
Обозначим
\
вводимое с целью получения статистики, инвариантной относительно за
мены
хк-> с(хк+гп), к^ 1,
272 Гл. III. Стохастические модели. Непрерьюное время
мить.)
Классическим примером такого объекта пространственно-фракталь
ной структуры является дерево ( “части” - это ветки, “целое” - это ствол).
Другим наглядным примером является треугольник Серпинского,1) по
лучаемый из сплошного ( “черного” ) треугольника с удалением внутрен
ности центрального треугольника и с последующим выниманием из каждо
го “черного” треугольника соответствующих внутренностей центральных
треугольников (см. последовательные конструкции на рис. 27).
Получаемые таким образом множества остающихся “черных” точек
притягиваются к множеству (которое и называется треугольником Сер-
пинского), являющемуся примером объектов, известных под названием
аттракторы.
А А А
И= - . (2)
а
В случае (общих) устойчивых процессов вместо (1) мы имели (см. (2)
в § 1с) свойство
которое означает, что для этих процессов изменение временной шкалы при
водит к тому же самому результату, что и изменение фазовой шкалы в со
четании с трансляцией, определяемой сдвигом tD a, 0. При этом для
a -устойчивых процессов Н = 1/а.
~ S e ( ( i - a ) 1/ 2,0 ,0 ), a 6 (0,2].
X a t - X a a ^ a 4 a (X t - X a),
Соv (X a, X t ) = ^A {s,t),
2. Модели со свойствами самоподобия. Фрактальность 279
то есть, с
EXsX t = 1 { И 2Ш+ |*|2И - 11 - з|2Ш}. (5)
и, значит,
Law(Xas, X at) = Law(aHX s,a HX t).
Так же, как и в случае броуновского движения, распределение которого
полностью определяется двумерными распределениями, заключаем, что
рассматриваемый сейчас процесс X является автомодельным с показате
лем Харста Н.
Из (5)
E|Xt - X s|2 = |*-s|2E[. (6)
Напомним, что критерий Колмогорова (см., например, [470]) утверж
дает, что у случайного процесса X = ( X t )t^о существует непрерывная
модификация, если найдутся такие константы a > 0, /? > 0 д с > 0,
что для всех s,t ^ 0
где 0 < Н ^ 1;
4) X имеет непрерывные траектории.
Из этих свойств снова следует, что фрактальное броуновское движение
обладает свойством автомодельности.
В этой связи интересно отметить, что, в определенном смысле, верно и
обратное ([418; с. 318-319]): если невырожденный процесс X = ( X t )t^о?
Хо = 0, имеет конечную дисперсию, является автомодельным процес
сом с показателем Харста Н и имеет стационарные приращения, то
0 < Н < 1, и его автоковариационнаяфункция Cov(Xs , Xt) = ЕX 2A(«s,£),
где A ( s ,t ), задается формулой (4). Более того, в случае 0 < Н < 1
математическое ожидание EXt = 0, а в случае Н = 1 имеем X t = t X i
(Р-П.Н.).
Отметим также, что помимо гауссовских процессов с указанными свой
ствами существуют и негауссовские (см. [418; с. 320]).
4. Если Н = 1/2, то (стандартное) фрактальное броуновское движени
есть не что иное, как (стандартное) броуновское движение, или винеровс-
кий процесс.
Введенные процессы Вщ впервые рассматривались А. Н. Колмогоровым
в 1940 г. в его статье [278], где они назывались спиралями Винера. Тер
мин фрактальное2) броуновское движение был введен в 1968 г. в статье
Мандельброта (В. Mandelbrot) и Ван Несса (J. van Ness) [328]. В отли
чие от Колмогорова, который при построении процесса В е исходил из вида
автоковариационной функции (4), Мандельброт и Ван Несс использовали
Вш (t)
2 Н Г (| -Н ) (9)
Г (§ + Н )Г ( 2 - 2 Е )
где Н может быть любым положительным числом (см. также работу Г. Вей
ля [475]).
Bj&(t) — В е ^ о)
lim = оо (Р-п.н.)
t —>to t - t0
в любой точке tо ^ 0.
X t( a ) = Г ea ^ - s U w s , 0, (11)
JО
где W = (H^s)s^o ~ станДаРтное броуновское движение; см. §3а. (Заметим,
что Х (а ) = (Xt(a))t^o есть решение линейного стохастического диффе
ренциального уравнения dXt (a) = a X t (a) dt + dWt, Хо (a) = 0 .) Из (11)
нетрудно вьгоести, что для каждого a Е R
L a w ( ^ A ) = L a w ( A MX i ) (12)
2. Модели со свойствами самоподобия. Фрактальность 283
dP(XA ^ х)
и, значит, если f&(x) = - плотность распределения вероят-
/А<1) = — & ----------
ностей Х д , то
h ( x ) = A mf л (х Л ш). (13)
h ( x ) * А й? а (х А ш) (14)
то
Е1Л(ВШ;А ) = ^ А Ш.
/
М Л) = — Too- — -------------------------------
( s in 2 2)1 " dx
00 1
/„(А) = *(Н)|е“ - 1|2 £ |А + 2кк\т+1 ’ W 4 (7)
к= —оо
3. Случай Н = 1/2.
Имея в виду применение фрактального броуновского движения к описа
нию динамики финансовых индексов, выберем некоторую единицу измере
ния времени п = 0, ±1, ± 2 , .. . и положим
Нп — hn = Н п Н п—\.
э1 =
к=1
- эмпирическая дисперсия (волатильность) последовательности логариф-
5
мических возвратов h = (hn), hn = In n , для цен акций, индексов Dow,
Ьп - 1
S&P500 и др. (см. § За, гл. IV ).
Многие авторы (см., например, [180], [385], [386]) усматривают боль
шую аналогию между свойствами гидродинамической турбулентности и
поведением цен на финансовых рынках. Эта аналогия приводит, например,
авторов статьи [180] к заключению, что “ есть основания надеяться, что
качественная картина турбулентности, развитая в последние семь
десят лет, поможет лучшему пониманию, казалось бы, столь отда
ленной области, как финансовые рынки”
3. Модели, основанные
на броуновском движении
It = f a { s , X s)d B s (3)
Jo
понимается как стохастический интеграл Ито по броуновскому движе
нию. (Вопросы, относящиеся к стохастическому интегрированию и стохас
тическим дифференциальным уравнениям, рассматриваются далее в § Зс.)
290 Гл. III. Стохастические модели. Непрерывное время
St = SoeHt
Я * = ( a - y ) f + a B t. (6)
W ? = W t - \ Wt , (9)
st
имеет ковариационную функцию p(s,t), равную min(s,£)— — . Отсюда
следует, что наряду с процессом X = (Xt)o^t^T, определяемым форму
лой (8), процесс Y = (Y*)0<$*<jt,
n = a ( i - £ ) + / ? ! ; + Wf , (10)
Опять же, используя формулу Ито, можно убедиться в том, что процесс
X = (Xt)i>0c
Xt =X 0e ~ at +оJof e-a(t-s)dBs (12)
является (и притом единственным; см. § Зе) решением уравнения (11).
292 Гл. III. Стохастические модели. Непрерывное время
E Xt = e ~ a t EXo, (13)
dVt dBt
т-м = - т + а^Г' (17)
dVt = - - V t dt + - d B t , (18)
т т
[*/д]
5{ Д ) = а : + ] Г >/Д£*. (1)
к—1
4 Д) = 4 2 + - *д > № ) д - 4 2 ) - <2>
Из многомерной центральной предельной теоремы (см., например,
[51; гл.8], [439; гл. VII, §8]) можно заключить, что для любых
<1 , . . . , tk, к ^ 1,конечномерные распределения L a w ( 5 ^ , . . . , < А)) и
L a w сходятся (слабо) к конечномерным распределениям
Law(5t1, . . . , B tk), где В = [Bt)t^o ~ стандартное броуновское движение.
На самом деле, можно утверждать больше:
и
Law^5jA\ 0j -> Law(Bt ,t ^ 0)
П &+ = ^ + . (4)
S>t
Bt ~ измеримы, (9)
Е|2?*| < оо, (10)
E(Bt | &s) — В s (Р-п.н.) для s ^ t. (11)
ЕBt = 0, ЕВ\ = t.
Еу/т < оо ЕВ т — 0,
Ет < оо ЕВ\ = Ет.
X t -> X oo (Р-п.н.),
E|Xt - X o o | - > 0
и для всех t ^ О
E(X00\&t ) = X t (Р-п.н.);
с начальным условием Хо = 1.
Если £ имеет распределение j Y(0,1), то
Еел* - ^ = 1 .
3. Модели, основанные на броуновском движении 299
Еехр|а£ ( - = Еехр
= Eexp|(A\/7)Bi - = 1-
Sk(t) = [ Hk(s)ds
Jo
- функции Шаудера.
Положим
\Bt - B a\ ^ c \ t - s P
с любым 7 <
b) не удовлетворяют условию Липшица и, следовательно, недиффе
ренцируемы в каждой точке t > 0 ;
c) имеют неограниченную вариацию на любом интервале (а, Ь):
/м № .\ = оо.
- множество нулей.
Имеют место следующие свойства ([124], [245], [266], [470]): Р-п.н.
a) мера Лебега А(0г1(о;)) = 0;
b) точка t = 0 является точкой сгущения нулей;
c) на (0 , оо) нет изолированных нулей и, следовательно, множество
9t(u;) плотно в себе;
d) множество 9t(u;) замкнуто и неограничено.
ш , №| - 1.
UO y/2t In |ln£|
р— \Bt+h - Bt\
lim --------- ■=----- = оо,
Ы0 y/h
max \Bt — B s
,. t —s^ h
l im .............. =---------- = 1.
Ы0 yj2h ln (l/h)
Bt
—j- —У0, t —у оо,
lim = оо (Р-п.н.).
ОО уД
Ш .^ = 1 (Р-П.Н.). (16)
\j2t In ln£
а = 4 П) < •••< = Ь■
Пусть
ц г (п)ц = sup |4n+ i - 4 n )l- (17)
0^.k<kn
302 Гл. III. Стохастические модели. Непрерывное время
Тогда
а) если ||Т(п) || - » 0 при гг -> оо, то
2
^ , |-®.(п) — b — в,', (18)
ы 1 fc+1 *
ОО
b) если 1|Т(п)|| < оо, то в (18) СХОДИМОСТЬ имеет место С вероятнос
ти
тью единица;
c) если В и в (2) - два независимых броуновских движения и
—> 0 при п —> оо, то
е
к=0
\ в%
к+ Х
- в% ) (в%
к 7 4 Tk+1
- в%
Ък 7
) д °- (19)
E * tASo = I- (29)
E * s a = 1,
то есть,
Еехр|лВ5а - у 5 а | = 1. (30)
ET., = - i .
1 = Еехр^9В Та Ь- у Т а,ь j
= Еехр|б>5Та Ь - у Т а)Ь| /(Т а)ь < оо) = Р(Та>ь < оо)е2аЬ,
в случае р > 1
В частности, при р — 2
/ \ ЕВ2
р (тах|Я*| ^ AJ < - j - f , (35)
(1)
Ш )= f fM d B s
J(0,t)
= Y0(u)I{0}(t) + (5)
г
то положим, по определению,
(6)
и, аналогично,
(7)
И
(8)
(9)
( 10)
(и )
/Л/) = (14)
(c) Если т = т(и;) - марковский момент, такой, что т(и>) ^ Г, то
М / ) = / т ( / / (о,г]), (15)
где, по определению, / т ( / ) = IT(w){f)-
(d) Процесс / ( / ) = ( h ( f ) ) t ^ о является квадратично интегрируемым
мартингалом, т. е.
h ( f ) ~ «^-измеримы, t > 0;
E/t2( / ) < o o , £ > 0;
E{lt (f)\ & s) = I s (f).
При этом, если / , д £ J2 , то
3. Модели, основанные на броуновском движении 311
P { I M / (m)) - W (n))l><5}
и (Р-п.н.)
X = EX + f f t (u))dBt . (18)
Jo
2. Если Е\Х\ < оо, т о представление (18) справедливо с некоторым
процессом / = (Л(со), ^Р )^^ т таким, ч т о
Mt = M q + f f s (oj)dBs . (21)
Jo
такие, что
8F , чdF 1 2/ чd2F dF
d F (t ,X t ) = dt + — b(t,u>)dBt . (5)
W + a( ' u’>a ^ + 2 Ь
F ( t , X t ) = F ( 0 , Х о) + Г
Jo
dF dF 1. d2F
9s + “ (s’ a,)^ + § i'2(s’ “ ) fa2
ds
где векторы a(t, a;) = (a1(£, a;),. . . , ad(t, a;)), Bt = (В} , . . . , Б^1) рассмат
риваются как вектор-столбцы.
Пусть теперь F (t,x i , . . . , x j) - непрерывная функция с непрерывными
d F dF d2F . . л
п р ои звод и », — , — и , , , = 1 ,. . ., А
Тогда имеет место следующий d-мерный вариант формулы Ито:
F ( f , X,1, . . . , X td) = F (0 , X q, . . . , X $ )
rt ГЯР or
+ Jo [ — ( s , X l , . . . , X f ) + J ^ — ( s , X s1 , . . . , X ? ) a i (s1u>)
»J = 1 (Xa S
* b3 (s'*=
+ l £ * * )k=
£1 7J
/•t or
d rt
Ids.
( X i, X * ) t = J 2 t bik(s,u,)Vk(s,u>)t
k = i Jo
316 Гл. III. Стохастические модели. Непрерьюное время
Г* BF ^Г* BF
F ( t , X t ) = F ( 0 ,Х 0) + J — ( s , X s )ds + J ^ J — ( s , X s)d X i
- Е Г
* - % * + e £ * x + \ e £ L *>.■ со
dX\dX{ = d ( X \ X j )t . (15)
В 2 — 2 f B s dBs + t. (17)
Jo
d F (t,B t ) = F ( t , B t )d B t .
Если обозначить
5(B)* = (19)
Если положить
Xt = f
Jo
b(s,u )d B s - \ [ b2(s,u )d s
z Jo
и F (x) = еж, то, применяя формулу Ито (5), найдем, что процесс
Z = (Zt)t^Oi называемый “гирсановской экспонентой” имеет стохасти
ческий дифференциал
dZt — Ztb(t,Lj) dBt . (22)
П ри м ер 4. Пусть X t = B t и У* = t. Тогда
<) = £dBt + Bt dt,
или, в интегральном виде,
B t t = [ sdBs +
./0 ^0
f
B s ds. (23)
rt
(Ср. с определением H. Винера стохастического интеграла / s dBs, приве-
j о
денным в п. 1 § Зс.)
П ри м ер 5. Пусть F (x 1 , 0 :2 ) = Х1 Х2 и ! 1 = (Х*1)*^ ? X 2 = ( X 2)t> о -
два процесса, имеющие дифференциалы Ито. Тогда, формально,
d { X } X 2) = X } d X 2 + X 2 d X } + dX\ d X 2. (24)
Если, в частности,
dX\ — al (t,Lj) dt + bl (t^Lj) dB\, i = 1,2,
TO
d { X lt X 2) = X lt d X 2 + X 2 dX ], (25)
Если же
dX\ — al (t,Lj)dt + bl (t,cu) dBtj i — 1,2,
TO
dV
d V (X t) = (Lt V ) ( X t ,u )d t + — {X t )b{t,w )d B t , (28)
где
^ ( X t)b(t,u>)dBt = ^ {X tW H t^ d B l (29)
i,j = l %
<pt = / C (s,u )d s,
Jo
где С = C(t, ш) - неупреждающая функция с
^ ( t , X t) + (Lt V ) ( X t ,u) - C ( t , u ) V ( t ,X t ) dt
320 Гл. III. Стохастические модели. Непрерывное время
Процесс
r s±
du (5)
Jo Su
имеет, как легко убедиться, опять-таки с помощью формулы Ито, диффе
ренциал
dYt = (1 + aYt) dt + aYt dBt ■ (6)
(Процесс Y = (Yi)t^o играет важную роль в задачах; скорейшего обнару
жения изменений в локальном сносе броуновского движения; см. [441].)
Если
z t = st У +
Zo а. Г
(ci — ас2)ч /[ du _+l_ C2
-£- Г dB«
-x — (7)
Jo Jо _
Xt - ^-измеримы,
( 10)
(и)
И (Р -П .Н .)
Теорема 1 (К. Ито [242], [243]; см. также, например, [123; гл. 9], [288;
гл. V], [303; гл. 4]). Пусть коэффициенты а(£, х) м6(£,х) удовлетворяют
локальному условию Липшица и условию линейного роста:
с “плохим” коэффициентом
( 1, х ^ О,
о {х ) = \ * ; * а?)
L —1, х < О,
Bt = Г a(W s)dW s
Jo
Г a ( - W s)d B s = - Г a (W s)d B s = - W t ,
Jo Jo
| * t | = f t a ( X a) d X a + L t (0),
Jo
где
L t(0) = l i m l f l ( \ X s\ ^ e ) d 3
eio lE J q
B t = Г a ( X s) d X s = \Xt \ - L t (0)
Jo
и, значит, Я М Х1-
Сделанное вьппе предположение, что X является адаптированным от
носительно потока = (<^Р)*^о> дает включение С которое,
разумеется, не может иметь места для броуновского движения X . Все это
показывает, что на a priori заданном вероятностном пространстве с задан
ным броуновским движением сильного решения у уравнения может и не су
ществовать. (В работе [20] М. Барлоу показал, что у уравнения (18) может
не быть сильного решения в случае непрерывных ограниченных функций
а = а ( Х ) > 0.)
d
(as ,dBs) = '^2i ats dBts (= a * d B s).
i— 1
Если
Г1 r b .. ..o . 1
■exp{ \ J0 |К||2<^| < oo
ЕZT = 1 (22)
? t {A) = e [i a Zt I
Bt = Bt - [ as ds, t ^ T.
Jo
Доказательство приведено в работе [183] и далее в § ЗЬ, гл. VII; см. так
же [266], [303].
Рассмотрим вопрос о существовании слабого решения одномерного
стохастического дифференциального уравнения
:W
ехр и a (t,x) dWt (x) — 1 J a2(t,x)d t^ = 1, (25)
X t = Г a (s ,X )d s + B t . (26)
Jo
Положим
П = С, 9 = <£, ^ ^
Р (dx) = ZT ( x ) P w (dx),
где т т
Z t (x ) = e x p ^ J a(t,x) dWt{x) — ^ J a2(t,x)d t
X t(x) — f a ( s ,X ( x ) ) ds + B t (x), t^ T ,
Jo
Р( s , x ; t , A ) = / P (s ,x ]u ,d y )P (u ,y ;t,A ), (1)
JR
выражающее марковское свойство. (Уравнение (1) принято называть
уравнением Колмогорова-Чэпмена.)
В предположении существования плотностей
г ^ dF(s,x\t,y)
f(s ,x \ t,y ) = -------— -------- , (2)
где
F { s ,x ; t , y ) = P (s ,z;< ,(-o o ,?/]),
и существования пределов
330 Гл. III. Стохастические модели. Непрерывное время
(6 )
(7)
L (.,,)/ = £ ) g + I £ Д - , (11)
г=1 *,J= 1 J
- % = L{s' x ) f <1з)
и
% = L * (t,y )f. (14)
А 1. Уравнение теплопроводности
(17)
(17')
du 1
(18)
Ш = 2Д” + Л
глеф = %j)(t,x).
Вероятностным решением является функция
3. Модели, основанные на броуновском движении 333
(19)
где с = с (х ).
Вероятностное решение есть функция
( 20)
( 22 )
( 23 )
334 Гл. III. Стохастические модели. Непрерывное время
Ex { f ( B t) \ $ s) = v ( t - s , B s). (26)
Г* ( dv 1 \
v(t - 5, B s) = v(t. Во) + j \^-— + - A v j ( t - r , B r )dr
+ Г V v ( t - r , B r )d B r . (27)
Jo
Если при каждом t
= (28)
(Г(- 1 +Н (‘ _г’Вг)* ) „ „
неотличим (Р-п.н.) от нулевого как являющийся и локальным мартинга
лом и непрерывным процессом ограниченной вариации.
Если, к тому же, функция ср = ср(х) непрерывна, то v(t, х) -» <р(х) , t -» 0.
Аналогичным образом, с помощью формулы Ито, устанавливается,
что вероятностные решения задач (17)—(20) определяются формулами
(17/ )-(20/) соответственно.
Зам ечание 5. По поводу более детального рассмотрения сформули
рованных выше задач Коши и Дирихле для параболических уравнений,
а также соответствующих задач для прямых и обратных уравнений Кол
могорова, см., например, [123], [170], [182], [288].
4. Диффузионные модели эволюции
процентных ставок,
стоимостей акций и облигаций
Д £п m
г» = п ------• (!)
В п—1
и
St = So exp u r(s)d s| . (4)
Еще более важную роль понятие процентной ставки (short rate of in
terest, spot rate, instantaneous interest rate) играет при “опосредованном”
задании эволюции стоимостей облигаций (см. далее § 4с). Это обстоятель
ство объясняет большое число разнообразных моделей процентных ставок
г = (r(t))t^о? описываемых диффузионными уравнениями вида
.
2 Приведем некоторые популярные модели процентных ставок г —
(r(t))<s>0, относящиеся к диффузионным моделям (5), где W = (Wt)t^o
стандартный винеровский процесс (броуновское движение), заданный на
некотором стохастическом базисе (fi,^ ,(^ t)< ^ о> Р)*
Модель Мертона (R. С. Merton, [346]; 1973 г.):
где
dm = m (a (t) d t + m d w t ). as)
4. Диффузионные модели эволюции процентных ставок 339
Wt = X t - f r{s)ds, (25)
Jo
где
a(r, в) — А(1 — 2r) -f r (l —r)(6 —r), b(r) = r (l — r).
где
g (t)= ex p {~ l (3(s)ds\, (29)
и, предполагая, что T(t) < оо при всех t > 0 и T(t) -> оо, t -> оо, введем
по “старому” времени t “новое” время в по формуле в = T(t). (См.,
подробнее, § 3d в гл. IV в связи с интерпретацией “нового” времени как
“операционного” )
Хорошо известно (см., например, [303; лемма 17.4]), что при сделанных
предположениях найдется (новый) винеровский процесс W* — ( W t ) t^o,
такой, что
(31)
r(t) = M + g ( t ) W } w , (32)
342 Гл. III. Стохастические модели. Непрерывное время
где
ds
Ф)
f { t ) = g(t) r(0) + [ (33)
Jo Ф )
Если
Т*(в) = in i{t:T (t) = е } ,
г*(9) = Г ( в ) + д*(9)\¥в*,
rt а ( з ) — 7 2 ( s )
f { t ) = g(t) r(0) + f ds (36)
Jo Ф)
и F (x) = ex.
Аналогичным образом для модели Зандмана и Зондермана (17) - (18) на
ходим, что
r(t) = F ( f ( t ) + W ^ t)], (37)
[nT(t)}
i= 1
го
1п§ = ( м~ y ) f + a W t-
4. Диффузионные модели эволюции процентных ставок 345
“ / / Д -f crAWt ,
S t-A
A5n
Рп (6)
S n-l
dBt — r B t dt (7)
С (а ,Т ,К )= С (Т ,К ),
Sn = S0eHn (11)
где t
H t = J * ( fi(s) - + J a(s) dWs. (13)
dXt = ^ j d t + dWt
f(t,T ) = - ^ ; l n P ( t , T ) , t* T . (4)
f ( t , T ) = r(t,T ) + ( Т - , (8)
Р (t,T) = F ( t ,r ( t ) ;T ) , (10)
= (14,
6((, Г ) _ - ! * Ы ) (15)
И
B (t,T ) = - J \ { t , s ) d s . (17)
4. Диффузионные модели эволюции процентных ставок 355
X t = X 0 + At + M t, (1)
(П,&, 0,Р ),
= Го(о;)/{0}(<) + (2)
г
Ш = - X r iAt], (4)
г
поо
Е/ f 2(t,uj) d (M )t < 00 . (7)
Jo
360 Гл. III. Стохастические модели. Непрерывное время
(8)
для всех п ^ 1.
Так определенный процесс / •М = ( / •M ) t принадлежит классу
(см., подробнее, [250; гл. I, § 4d]) и его называют стохастическим интег
ралом или стохастическим процесс-интегралом от / по М .
362 Гл. III. Стохастические модели. Непрерывное время
Т<п) = {т<п) ( т ) , m ^ i }
т < " > ( / '* ) , = £ ^ T<" V > > " ) K « < m + .)A, -* .< .> < „ ,)« ]■ (1 8 )
m
/ (n)(t,u/) = £ / ( т < п> (т),и /)1{(*,и ;): r<">(m) < < ^ r ^ ( m + 1)}. (20)
т
SUP | ( / ^ •Х ) и — ( / •X ) u | А о,
u^t
Н п = Но + А п + М п (1)
Ht = H o + A t + M t , (4)
X (t A) = X [t/A]A, ^ А )= ^ /Д ]Д .
где
[* /Д ]
ДД) _ ДД) _ V- v(*) _ х (А) I ^ А) )
~~ [t/A]A ~~~ 2 ^ Ч А »Д (г —1)Д I (г—1)Д/
г=1
[*/Д]Д
E { X [ s/ A ] A + A - X [S/A) A I <^в/Д]д) ds.
и, если такой процесс определен, то все, что остается сделать, так это до
казать, что скомпенсированный процесс X — А — (Xt — A t , ^ t ) t ^о есть
равномерно интегрируемый мартингал.
Из сказанного становится понятным, почему в разложении Дуба-Мейе
ра процесс А = (At, &t)t^o называют компенсатором субмартингала X .
5. Семимартингальные модели 367
[X, X ]t = Х ? - 2 Г X s_ d Xs - X l (6)
Jo
Для [X, X] используется также обозначение [X]; ср. с (10) в § lb, гл. И.
Заметим, что из определений (5) и (6) непосредственно вытекает “поля
ризационное” соотношение:
[ X, Y] = ^( [ Х + Y , X + Y ] - [ X - Y , X - Y}). (7)
368 Гл. III. Стохастические модели. Непрерывное время
и, в частности,
[X, У] = A Y •X и X Y = Y •X + Х _ •Y ;
( M, N) = ^ ( ( M + N , M + N ) - ( M - N , M - N ) ) . ' (16)
И
п
( M , N ) n = £ E ( A M fcAJVfc|£k_i), (19)
/с= 1
[ X, Y] t = (Х ,Г )* + £ Д Х , Д У 5. (23)
и процесс
[ м , м ] е * 1ОС. (25)
(см., например, [250; гл. I, §4].
Поскольку для процессов А ограниченной вариации ^ (Д ^ « )2 < 00
X = ( X \ . . . , X d)
F ( X t ) = F ( X 0) + Y ^ { D tF ( X _ ) ) ■X i + i £ { D i j F ( X . ) ) ■( X ^ c, X ^ c)
i^.d iji^d
D i F ( X s- ) A X i ( 1)
s<t i<d
dF d2F
где D iF = — , D i3F =
dxi ’ 13 dxidxj
Доказательство приводится во многих руководствах по стохастическо
му исчислению (см., например, [103], [248], [250]).
2. Остановимся на двух примерах, показывающих эффективность фо
мулы Ито в разных вопросах стохастического анализа.
Пример 1 (уравнение и стохастическая экспонента Долеан). Пусть
X = (X*, &t)t^o ~ заданный семимартингал. Рассматривается вопрос об
отыскании в классе cadlag-процессов (с непрерывными справа и имеющими
пределы слева траекториями) решения Y = (Y*, уравнения Долеан
dY = Y_ dX, Y0 = l. (3)
X l = X t - X o - ± ( X c , X c)t,
<Ф 0« = П # , х ? ) , ^ 0 ,
т. е. процесс
<ф О = № 0 * , ^ ) ^ о (5)
/(А) = е - %* Р( А) . . (10)
Тем самым,
E(eiXXt |£b) =
E ( e iX(- X t - X s ) |p j = ). (И)
j f 2( x ) d x < оо (13)
[ f ( B) i B] t = 1)А«) ~ /C®<(n)(m)At))
т
[ f{B), B] t = f f { ВS)ds
Jo
\Bt \= f s g a B s d B s + L t i O ) (17)
Jo
будет вести себя так, как это изображено на рис. 28 (ср. с рис. 6, с. 22).
Иначе говоря, некоторое время (на интервале [to, t i)) цена 5® “стоит”
на одном и том же уровне, т. е. не меняется; затем в момент т\ происходит
ее изменение, или, как говорят, произошел тик (tick), означающий, что
какой-то банк объявил в момент т\ новую котировку , и т. д.
1. Эмпирические данные. Вероятностно-статистические модели 379
S
1.6310 -
1.6300
1.6290 -
1.6280 -
1.6270 --
н---------- К
to П Т2 т3 Т4 t
1994 года в некоторые дни количество тиков в курсе DEM/USD было по
рядка 9 тыс., и в минуту происходило 15-20 тиков. (В обычные дни в ми
нуту происходит в среднем 3-4 тика.)
Вообще, стоит отметить, что среди разных валют наиболее активно ме
няется, наиболее высокочастотен курс DEM/USD. Полезно также иметь
в виду, что доставляемые разными агентствами котировки (т. е. значения
цен покупки и продажи) не являются истинными торговыми ценами
(transaction prices) при конкретных сделках. Такие данные, а также дан
ные о размерах сделок, насколько нам известно, трудно доступны.
§ lb . О “географических” особенностях
статистических данных обменных курсов
500]
400
300
200
100
п Ш 24
12 18
Рис. 31. Среднее число “тиков” в течение одного бизнес-дня (24 часа)
для обменного курса D E M /U SD . Точка “0” соответствует 0:00 по
Г ринвичу
Среднее число
Общее число
тиков в сутки
Курс тиков
(52 недели в году,
в базе данных
5 бизнес-дней в неделю)
D E M /U SD 8238532 4500
J P Y /U S D 4230041 2300
G B P /U SD 3469421 1900
F R F /U S D 2098679 1150
J P Y /D E M 190967 630
F R F /D E M 132089 440
IT L /D E M 118114 390
G B P /D E M 96537 320
N L G /D E M 20355 70
5 “ = 50“ ея “ , Sb = Sb
0eHt (1)
И положим
H t = \ {H ? + H b), (2)
Таким образом,
Ht = \ n ^ / s?-S b (4)
St = y / s ? -S b. (5)
sTk = A S Tk и hTk = A H Tk
h r k = & Н Гк = \ п - ^ ~ = \n (l + = ln(l + - ^ Y
тк — 1 \ ° тк - 1 / \ /
Процессы типа (6) и (7) уже вводились в § If, гл. И. Напомним сейчас не
которые понятия, связанные с этими важными для дальнейшего процесса
ми, применяемыми к рассматриваемому случаю эволюции обменных кур
сов и также других финансовых индексов.
Положим для простоты обозначений
ffc = S Tk “ ^ $ т к -
iTA ) = {ТкЛк)к^1,
T k = i n £ { t : N t = k } . (9)
с т0 = 0, £0 = -So и
(И)
( 12 )
(см. определение 1 в § If, гл. II). Точно так же будем считать случай
ными величинами, = £&(о;), являющимися ^ Тк-измеримыми, где &Тк -
<т-алгебра событий, наблюдаемых на [0, г*;], т. е. состоящая из тех событий
A Е 3*, которые обладают тем свойством, что для каждого t ^ О
Ап{тк <*}€£*. ( 13 )
1. Эмпирические данные. Вероятностно-статистические модели 389
где
Ai « 0.13 и А2 ~ 0.61. (2)
(3)
с До = 0, фо = 0, ссо > 0, ai ^ 0 и Pi ^ 0.
1. Эмпирические данные. Вероятностно-статистические модели 391
St = S0 + Y l £к1(Ть ^ *) (1)
к> 1
St
( 3)
7
S = ( S t ) t >o
A S tk s tk , n „
относительное изменение —— - = тс—^------1. В этой связи оправдан
1 Stk_ i
обычный интерес к распределениям не величин (Stk), а величин (Щ к), где
Будем обозначать
= Е w
{г: <А:-1<П^^}
т3
hN = ™к = Л? ~ hN) ’ SN =
г=1 i-1 ГП2
^ = А , - з
№ )
Qp
к
где Vi есть число наблюдений, попавших в интервалы /*, ^2 1% — К, игра
Xrn — £l Н +
1 т / 2 -1 е - * / 2 > х > 0 ;
fm (x )= l 2ш/ 2Г ( т / 2 ) Х ( 3)
0 х ^ 0.
(1)
(2)
otba
fab(x) = , Х^Ь, (4)
и fab(x) = 0 Д Л Я X < Ь.
2. Статистика одномерных распределений 405
При х ^ Ь
1п / а б ( * ^ ) — I n а + а I n 6 — ( а + 1 ) In я . (5 )
N N
max Д fa b (X k) = Д f s Nb(Xk), (6)
к= 1 к= 1
определяется из соотношения
£ -*£ > (£ )■ Р)
Поскольку для а > 0 и (3 > 0
то
Е In — aba J ^ln °^jx dx = — .
Тем самым,
1_
aN ) а
т.е. величина 1/SN несмещенным образом оценивает 1/а, так что найден
ная оценка йдг параметра а обладает вполне хорошими свойствами, но, ко
нечно, в предположении, что истинное распределение является (точно)
распределением Парето с известным “началом” 6, а не распределением ти
па Парето, для которого “начало” b просто не определено.
Тем не менее, возникает естественная идея (см. [223]) использования
формулы (7) для оценки параметра а в распределениях типа Парето, но
с заменой неизвестного “начала” b некоторой подходящей оценкой.
Можно поступить, например, так. Выберем некоторое достаточно боль
шое (но не очень большое по сравнению с N ) число М и воспользуемся для
построения оценки параметра а модификацией формулы (7) с заменой b
на М и суммированием по тем г ^ iV, для которых Х { ^ М .
406 Гл. IV. Статистический анализ финансовых данных
Х4г<ЛГ: Xi>M\ ^
где
Г 1, если х > М,
/м М =
V' 1 0, если х < М.
Если обозначить
UN,M = ^2
{i^N: Х ^ М }
то 7n м перетшшется в виде
7 n ,m = m X х*~ ' (П )
М i^ m Хм
где 7 > 0. В таком предположении в [223] показано, что если при N —> оо
величина М оо, но так, что
М
2-у
JSJ2у+с*
ТО
ни Д:
^ S t k = S t k - S tk_ lt (1)
где tk = *Д, интервал Д пробегает ряд значений от 1 мин. до 103 мин.
(В работе [330] Д принимает следующие значения: Д = 1, 3, 10, 32, 100,
316 и 1000 - в минутах; соответствующее интервалу Д = 1 мин. количество
тиков равно 493 545, а при Д = 1000 мин. это число равно 562.)
Если пользоваться обозначениями из §2а, то можно заметить, что, по
скольку Stk ~ Stk и приращения A S tk = Stk — Stk_ x малы,
откуда AS,, «
Это (приближенное) соотношение показывает, что в случае независи
мости приращений (Stjc — Stk_ l ) характер распределения Р ( / г ^ ^ х) и
условного распределения Р(A Stk ^ х |Stk_ x = у) примерно один и тот же.
Оперируя с эмпирическими плотностями р ^ \ х ) величин Дй**.,
tk = &Д, предполагаемых одинаково распределенными, авторы [330]
приводят графики log10 (т), которые схематически ведут себя так, как
это изображено на рис. 35.
( 2)
имеет вид
<р(А)(0) = е ^ А 1*1“ (3)
При х = О
Тем самым,
р(пА>(0) = п " 1/ “ р<Д)(0). (5)
Сп = п х<а
Поэтому
р<пД>(ж) = п - 1/ар(Д)( ^ _ 1 / а ), (7)
(Д5*1, •••, ti — t i - i = А-
и
P(|£-/i| ^ 1.65а) ^ 0.90. (2)
Таким образом, примерно в 90 % случаев можно ожидать, что результат
наблюдения над £ будет отклоняться от среднего значения рь не больше,
чем на 1.65сг.
В схеме uSn = Sn- i e hn” величины hn обычно малы и поэтому
STi ~ 5 7 2 —1 ( 1 + hn).
(9)
( 10)
Е|Я*+Д - H t \= У ? Д и (12)
Е|Я< + д -Я * | 2 = Д 2Н (13)
(16)
(17)
(18)
где sup берется по всем конечным разбиениям (to,. . . , tn) интервала (а, 6]
таким, что а — to < t\ < •••< tn ^ b.
При статистическом анализе процессов Н — (Ht )t^o, предположи
тельно имеющих однородные приращения, целесообразно оперировать
не с Д-вариациями Var(a 5] (Н ; Д), а с нормированными величинами
Уаг(о,ь](Я ; А)
^(a,6] (Я; А) (19)
( 20 )
420 Гл. IV. Статистический анализ финансовых данных
где
Уаг'«ч(Я;Д) = (21)
(22)
V a rg ^ A ) Ао. (23)
и
суточной цикличности (периодичности) .
то можно сказать, что рис. 29 и 30 описывают лишь только то, что опре
деляется “временными” компонентами процесса if , т. е. моментами появле
ния тиков (т/е), не давая представления о поведении “фазовой” компоненты
последовательности (hTk) или (/г&), hk — (см. обозначения в §2Ь).
Введенное выше понятие А-волатильности, основанное на обращении к
Д-вариации Var(a 5 ](if; Д), позволяет получить наглядное представление
об “активности” изменений процессов i f , Н и по временной и по фазовой
переменным.
С этой целью рассмотрим Д-волатильность и^а ^ (i f ; Д).
Сразу отметим, что если а — (к — 1)Д, Ь = &Д, то
f = 1 , 2 , .. ., 24 (в часах)
t — 1 , 2 , .. ., 168 (в часах),
0.00201
°*0015 пП П
о.оою ПП п П
0.0005 П
0 6 12 18 24
Е hn = 0, Е \?п — Ео 2
п 4- 2 С
Е hn hn-\-k = 0? к > 1.
Eaf 4- 2С, к = 0,
Cov(/in , hn-\-k) = < к = 1,
к 0, Л > 1.
428 Гл Л V. Статистический анализ финансовых данных
rn d
hn — Н п Нп—i — I dBu — о п£т (1)
Jп —1
Обозначим ^
r(t) = I a 2{u)du (2)
Jo
%
и ^
т*(0) = inf^i: J a 2(u)du = d| ( = inf{t: т(£) = 0}), (3)
где 0 ^ 0 .
Г^
Будем предполагать, что a(t) > 0 при каждом t > 0, / cr2(u) du < оо
./о
г ^
(в этом предположении определен стохастический интеграл / а(г^) dBu
jо
по броуновскому движению В = (Ви)и^о; см. §Зс в гл. III) и пусть
г ^
сг2(и) du t оо, t —3►оо.
Наряду с физическим временем t ^ 0 мы будем рассматривать также
новое операционное “0-время” определяемое (по t) формулой
0 = т(«). (4)
t = r*(9). (5)
Щ = н тЧв),
Ht = K w ,
поскольку T*(r(t)) = t.
432 Гл. IV. Статистический анализ финансовых данных
гт*(е2)
Щ 2 - Н*в1 = НтЧв2) - Н тЧв1) = / o (u )d B u »
Jt *(91 )
ОО
1{т*(вг) < u ^ T * ( e 2))a (u )d B u.
гоо
Е|Н*в2 - Н*в1\2 = / 1{т*(9г) < и ^ т*(02)) a 2{u)du
Jo
гт*(02)
= / <?2{и) du — 0 2 — в\ (1 0 )
Jr'{e О
Щ = [ в а * (и )д Н *, (11)
Jo
где а* (и) = 1.
rt
Сравнение с представлением Ht — a (u )d B u, где, вообще говоря,
Jо
а (и) ф 1 , показывает, что переход к операционному времени “выровнял”
характеристику активности а = сг(и), сделав ее в новом “0 -времени”
однородной (сг* (и) = 1 ).
Выше мы предполагали, что а (и) неслучайно. На самом деле, процесс
H q — # т*(0 ) также будет винеровским и при случайной замене времени,
определяемой формулой (3) с а(и) = а(и; и), лишь бы только с веро-
ятностью единица j a2(u\u))du < 00 и a 2(u;u>)du ф сю при t —> сю.
Однако есть принципиальная разница между случаями детерминиро
ванной функции а = а(и) и случайной а = а(и;и>): в первом случае
производимую замену времени t в = r(t) можно рассчитать заранее,
в том числе и для “будущих” моментов времени, во втором же случае этого
3. Статистика волатильности, корреляционной зависимости 433
Л,—J.
где в принимает значения 1,2,... и будет рассматриваться как операци
онное ( “новое” ) время.
Пусть также для в — 1,2,...
где т*(0) = 0.
Заметим, что E/ig = 0 и дисперсии
( 12)
а не экспоненциальной:
как это можно было бы ожидать и что имеет место для многих популяр
ных в финансовой математике моделей (ARCH, GARCH, например; см.
подробнее [193] и [202]).
Факт достаточно медленного убывания эмпирической автокорреляцион
ной функции R* (в) имеет важные практические выводы. Он означает, что
в ценах действительно есть сильное последствие или, как еще образно го
ворят, “цены помнят прошлое’! Тем самым, имеется определенная надежда
на возможность предсказания будущего движения цен, для чего, конечно,
нужно уметь строить модели последовательностей h = (hn) n^ i, для ко
торых, по крайней мере, корреляционные свойства были бы похожи на те,
которые наблюдаются на практике. См. в этой связи [89], [360] и § ЗЬ, гл. II.
g
2. Пусть S = (SVi)ra^о " некоторый финансовый индекс, hn — In п
п>1. 5п- 1 ’
Суть 7^/5-анализа применительно к исследованию свойств последова
тельности h = (hn)n^ i состоит в следующем.
Образуем величины Н п = hi -+-••• + Дп, n ^ 1, и положим (ср. с § 2а,
гл. III)
4. Статистический 7г/5-анализ 441
к= 1 4 Лс=1 / к= 1
- эмпирическая дисперсия и
= ^ (3)
И
2
(= 0.07414... х п ) . (5)
7Г / 7Г2 7Г
= 0Д ' = (11)
Заметим, между прочим, что Esup|i?*| = \/п/2; см. § ЗЬ в гл. III. Тем
t^i
самым, средние значения двух статистик R* и sup \Bt \совпадают.
t^i
4. Если предположить независимость и одинаковую распределеннос
величин /&1 , /i-2 5 ... с ЕД* = 0 и D/г^ = 1, то, с вероятностью единица,
5^ —> 1, гг —> оо (усиленный закон больших чисел). Поэтому предельное
распределение Qn/V™i п ~* 00, будет также совпадать с распределени
ем R *.
Распределение Qn не зависит от среднего значения и дисперсии величин
hk, к ^ п. Это “непараметрическое” свойство приводит к следующему
критерию, позволяющему (с той или иной степенью надежности) отвер
гать гипотезу (Жо) о том, что рассматриваемые цены подчиняются схеме
случайного блуждания, лежащей в основе классической концепции эффек
тивно функционирующего рынка (см. § § 2а, 2е в гл. I).
В идейном плане суть этого критерия, основанного на 7£/е>-статистике,
состоит в следующем (Г. Харст, [236]; [329], [386]).
Если гипотеза Жо верна, то при достаточно больших п значение 7Zn/Sn
l n t r K l n v ! + 5 ln n ' <12)
(13)
Jn
оказалось, что, на самом деле,
п
~ спш, ( 14)
Vn = % , (15)
у/п
метра Харста:
Н = 0.603, 0.590 и 0.653, (1)
%
что свидетельствует о тенденции “настойчивости” в движении индек
са S&P500.
Интересно отметить, что переход от величин hn = In , Sn = 5 пд,
S n- i
к линейно скомпенсированным значениям
hn = hn — (ао + a i hyi—i )
Уместно будет сейчас также напомнить (см. § За), что для дневных дан-
^ (Т л
ных индекса S&P500 величины rn = In —------, где эмпирическая дисперсия
&п—1
ап определяется по формуле (8) из §3а, статистический 7£/с>-анализ (по
данным с 1 января 1928 г. по 31 декабря 1989 г.; [386; гл. 10]) показывает,
что оценочное значение параметра Харста равно примерно 0.31, что значи
тельно меньше 1/2 и указывает на наличие эффекта “антинастойчивости”
Визуально это сказывается в том, что величины гп обладают свойством
быстрой перемежаемости. Иначе говоря, в каждый момент времени п сис
тема “помнит” что если значение ап оказалось больше a n_i , то в следую
щий момент времени значение а п + 1 должно быть с большой долей правдо
подобия меньше ап.
[90] D a c o r o g n a М . М . , M u l le r U . A . , N a g l e r R . J ., O l s e n R . B ., P i c
t e t О . V . A geographical model for the daily and weekly seasonal volatility in
the foreign exchange market / / Journal o f International Money and Finance.
1993. V. 12. №4. P. 413-438.
[91] D a c o r o g n a М . М ., M u l le r U . A . , P i c t e t О . V . , d e V r i e s C . G . The
Distribution o f Extremal Foreign Exchange Rate Returns in Extremely Large
Data Sets. Preprint UAM, 1992-10-22. Zurich: “ Olsen & Associates”, Research
Institute for Applied Economics, March 17,1995.
[92] D a l a n g R . C ., M o r t o n A . , W i l l i n g e r W . Equivalent martingale mea
sures and no-arbitrage in stochastic securities market models / / Stochastics
and Stochastics Reports. 1990. V. 29. №2. P. 185-201.
[93] D a n a R . - A . , J e a n b l a n c - P i c q u e M . Marches financiers en temps con-
tinu (Valorisation et equilibre). Paris: Economica, 1994.
[94] D a v i d H ., H a r t l e y H ., P e a r s o n E . The distribution o f the ratio, in a
single normal sample, o f range to standard deviation / / Biometrika. 1954.
V. 41. P. 482-493.
[95] D a y R . H . Complex economic dynamics: obvious in history, generic in theory,
elusive in data / / [383]. P. 1-15.
[96] D e b o e c k G . J. (Ed.). Trading on the Edge: Neural, Genetic, and Fuzzy Sys
tems for Chaotic Financial Markets. New York: Wiley, 1994.
[97] D e l b a e n F . Representing martingale measures when asset prices are contin
uous and bounded / / Mathematical Finance. 1992. V. 2. P. 107-130.
[98] D e l b a e n F . , S c h a c h e r m a y e r W . Arbitrage and free lunch with bounded
risk for unbounded continuous processes / / Mathematical Finance. 1994. V. 4.
№4. P. 343-348.
[99] D e l b a e n F ., S c h a c h e r m a y e r W . A Compactness Principle for Bounded
Sequences o f Martingales with Applications. Preprint. Zurich: ETH, Novem
ber, 1996.
[100] D e l b a e n F ., S c h a c h e r m a y e r W . A general version o f the fundamen
tal theorem o f asset pricing / / Mathematische Annalen. 1994. V. 300. №3.
P. 463-520.
[101] D e l b a e n F ., S c h a c h e r m a y e r W . The Fundamental Theorem o f Asset
Pricing for Unbounded Stochastic Processes. Preprint. Zurich: ETH-Zentrum,
1997.
[102] D e l la c h e r ie C ., M e y e r P . - A . Probabilites et potentiel. Ch. I a IV. Paris:
Hermann, 1975.
[103] D e l la c h e r ie C ., M e y e r P . - A . Probabilites et potentiel. Ch. V a VIII.
Paris: Hermann, 1980.
[104] D e v a n y R . L . Introduction to Chaotic Dynamical Systems. Menlo Park, CA:
The Benjamin/Cummings Publ. Co., 1986.
[105] D e V r i e s C . G . On the relation between G A R C H and stable processes I j
Journal o f Econometrics. 1991. V. 48. P. 313-324.
[106] D i n g Z ., G r a n g e r C . W . J ., E n g le R . F . A long memory property o f
stock market returns and a new model / / Journal o f Empirical Finance. 1993.
V. 1. P. 83-106.
[107] D i x i t A . K . , P i n d y c k R . S. Investment under Uncertainty. Princeton:
Princeton Univ. Press, 1994.
462 Литература
[385] P e t e r s Е . Е . Chaos and Order in the Capital Markets: A New View o f Cycles,
Prices, and Market Volatility. New York: W iley, 1991.
[386] P e t e r s E . E . Fractal Market Analysis: Applying Chaos Theory to Investment
and Economics. New York: Wiley, 1994.
[387] П е т р а к о в H . H . , Р о т а р ь В . И . Фактор неопределимости и управление
экономическими системами. М.: Наука, 1985.
[388] П е т р о ч е н к о П . Ф . (ред.). Англо-русский толковый словарь по бизнесу.
М.: СП “ Арт-Бизнес-Центр” , 1992.
[389] P l a n c k М . Uber einen Satz der statistischen Dynamic und seineErweiterung
in der Quantentheorie / / Sitzungsberichte der Preussischen Akademie der Wis-
senschaften. 1917. P. 324-341.
[390] P r a e t z P . The distribution o f share price changes / / Journal o f Business.
1972. V. 45. P. 49-55.
[391] P r i e s t l e y M . Non-Linear and Nonstationary Time Series. New York: Aca
demic Press, 1988.
[392] P r i g e n t J .- L . Incomplete markets: Convergence o f options values under
the minimal martingale measure. Preprint № 9526. TH EM A, University o f Cer-
gy-Pontoise / / Proceedings of the 13th International Conference AFFI (Gene
va, 1996).
[393] Proceedings o f the First International Conference on High Frequency Data in
Finance (HFDF-I, March 29-31, 1995): Introductory Lecture and 4 volumes.
Zurich: “Olsen & Associates”, Research Institute for Applied Economics.
[394] П р о х о р о в Ю . В Сходимость случайных процессов и предельные теоремы
теории вероятностей / / Теория вероятностей и ее применения. 1956. Т. 1.
№2. С. 177-238.
[395] P r o t t e r P h . Stochastic Integration and Differential Equations: A New Ap
proach. Berlin: Springer-Verlag, 1990.
[396] P r o t t e r P h . , T a l a y D . The Euler Scheme for Levy Driven Stochastic Dif
ferential Equations. Preprint № 2621. Rocquencourt: INRIA, July, 1995.
[397] P u u T . Nonlinear Economic Dynamics. New York: Springer-Verlag, 1989.
(Lecture Notes in Economics and Mathematical Systems, № 336.)
[398] Q i g g i n s J . B . Option values under stochastic volatility. Theory and empiri
cal estimates / / Journal of Financial Economics. 1987. V. 19. P. 351-372.
[399] R a b e m a n a n j a r a R ., Z a k o i a n J . M . / / [383].
[400] Р а ч е в С . Т . , Р у ш е н д о р ф J I . Модели и расчеты контрактов с опционами
/ / Теория вероятностей и ее применения. 1994. Т. 39. №1. С. 150-190.
[401] Р э д х э д К . , Х ь ю с С . Управление финансовыми рынками. М.: Инфра-М,
1996. (Переводе англ.: Redhead К., Huhhes S. Financial Risk Management.)
[402] R e v u z D ., Y o r M . Continuous Martingales and Brownian Motion. Berlin:
Springer-Verlag, 1991.
[403] R i d l e y M . The mathematics o f markets / / The Economist. October, 1993.
[404] Risk Metrics. New York: Morgan Guaranty Trust Company, November, 1994.
[405] R o b e r t s H . V . Stock-market “patterns” and financial analysis: M ethodolog
ical suggestions / / Journal o f Finance. 1959. V. 14. P. 1-10.
[406] Р о к а ф е л л а р P . T . Выпуклый анализ. М.: Мир, 1973.
[407] R o g e r s L . C . G . Equivalent martingale measures and no-arbitrage / /
Stochastics and Stochastics Reports. 1995. V. 51. P. 41-50.
Литература 477
Dj 959 kn
822 Law (hn )
(ЕЖ)
S(H) 106, 107 Law(hn | & n -
ELMM 806 ш £ , ж™
EMM 806 an8°,sw8°
F 49 ж
& 48, 104 жт
(^n)n^O 48, 104 жтл
294
3% 294 Жш
&t 295
& T - 142 [М ]
142 (М)
Указатель символов
Sa((T,(3,p) 235 П3 ( Х )
si 441 Р
st 378, 379 p (T -t,T )
sbt 379 в
Sf - Stb 386 х2 _
393 Ф + (Х ),Ф + (Х )
(St)
U*(x) 940 Ф а ( Х ) , Ъа(Х) 804
U*(x) 940 Ф9 ( Х ) , Фд(Х)
V 917 fi 48
V(t,x), V*(t,x:) 958 (П, &, Р) 48
V(T,x), V*(T, x) 957 (П, S , (S'n)n'^o-> Р)
V*(x),V*(x) 927 ( n , S , ( & t ) t > о,Р)
V f(x) 928 / (oit]/(-,u ,)d B .
У 362 f * f ( s ,u ) d B a 308