Shiryaev A N - Osnovy Stokhasticheskoy Finansovoy Matematiki T 1-Fazis 1998

серия
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.
Цит. по кн.: Я. Бернулли "О законе больших чисел",

пер. с лат. - М.: Наука. Гл. ред. физ.-мат. лит., 1986, с.27.
Редакционный совет
серии
СТОХАСТИКА
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
Научное и Издательское Объединение ФАЗИС

(Лицензия на издательскую деятельность ЛР № 064705 от 09.08.1996)
123557 Москва, Пресненский вал, 42-44. E-mail: phasis@aha.ru
Отпечатано в Московской типографии № 2 РАН

121099 Москва Г-99, Шубинский пер., 6
Заказ № 3832
ISBN 5-7036-0043-Х ©ФАЗИС, 1998

Оглавление
Том 1
П р е д и сл о в и е ........................................................................................ xvii
Глава I. Основные понятия, структуры, инструменты,

цели и задачи финансовой теории
и финансовой и н ж ен ери и ................................................... 2
1. Финансовые стр у к т у р ы и инструменты ................................ 3

§ 1 а. Ключевые объекты и с тр у к ту р ы ............................................... 3
§ lb. Финансовый рынок ....................................................................... 6
§ 1 с. Рынок производных ценных бумаг. Финансовые инструменты 25

2. Финансовый рынок в условиях неопределенности.
К ласси чески е теории динамики финансовых индексов,
их критика и п ер есм отр. Н еоклассические т е о р и и 42
§ 2а. Гипотеза случайного блуждания и концепция
эффективного р ы н ка..................................................................... 45
§2Ь. Портфель ценных бумаг. Диверсификация Марковитца . . . . 57
§ 2с. Модель ценообразования финансовых активов
( САРМ - Capital Asset Pricing M od el)...................................... 62
§ 2 d. Арбитражная теория расчетов
{A P T - Arbitrage Pricing Theory) ............................................ 67
§ 2 e. Анализ, интерпретация и пересмотр классической концепции
эффективно функционирующего рынка. I ................................. 73
§ 2 f. Анализ, интерпретация и пересмотр классической концепции
эффективно функционирующего рынка. I I ............................... 80
viii Оглавление
3. П ели и задачи ф и н ансовой тео р и и , инж енерии

и ф и н а н сово-а к туа р н ы х р а с ч е т о в ............................................ 84
§ За. Роль финансовой теории и финансовой инженерии.
Финансовый риск ......................................................................... 84
§ ЗЬ. Страховой бизнес как социальный механизм компенсации
экономических п отер ь.................................................................. 87
§ Зс. Классический пример актуарных расчетов.
Теорема Лундберга-Крамёра ................................................... 99
Глава II. С тох а сти ч еск и е м одели. Д и ск р етн ое врем я ........... 102
1 . Н еобходим ы е в ер оя тн остн ы е понятия и н ек отор ы е модели

динамики рыночны х ц е н ................................................................ 103
§ 1а. Неопределенность и нерегулярность поведения цен,
вероятностное их описание и представление ........................... 103
§ lb. Разложение Дуба. Канонические представления.................... 112
§ 1с. Локальные мартингалы, мартингальные преобразования,
обобщенные мартингалы.............................................................. 119
§ Id. Гауссовские и условно-гауссовские модели ............................. 129
§ 1 е. Биномиальная модель эволюции цен ........................................ 136
§ If. Модели с дискретным вмешательством случая........................ 140
2 . Л инейные с т о х а ст и ч е ск и е модели ............................................ 146
§ 2 а. Модель скользящего среднего MA(q) ........................................ 148
§ 2 Ь. Авторегрессионная модель AR(p) ............................................ 156
§ 2с. Модель авторегрессии и скользящего среднего ARMA(p, q)
и интегральная модель ARIMA(p, d , q ) ...................................... 170
§ 2 d. Прогнозирование в линейных м оделях...................................... 175
3. Н елинейные с т о х а ст и ч е ск и е у с л о в н о -г а у с с о в с к и е
м о д е л и .................................................................................................... 188
§ За. Модели ARCH и G A R C H ............................................................ 189
§ ЗЬ. Модели EG ARCH, TGARCH, HARCH и д р .............................. 200
§3c. Модели стохастической волатильности ................................... 207
Оглавление ix
4. П рил ож ение: м одели ди н ам и ческого х а о с а ......................... 216

§ 4а. Нелинейные хаотические модели .............................................. 216
§4Ь. Проблематика различимости “хаотических”
и “стохастических” последовательностей ............................... 224
Глава III. С тох а сти ч еск и е м одели. Н епреры вн ое врем я . . . . 230
1 . Н е г а у с с о в с к и е м одели распределен и й и п р о ц е с с о в ......... 231

§ 1 а. Устойчивые и безгранично делимые распределения......... 231
§ lb. Процессы Л е в и ............................ 244
§ 1 с. Устойчивые процессы .................................................................. 252
§ Id. Гиперболические распределения и процессы .................... 261
2. М одел и с о свой ств а м и с а м о п о д о б и я (а в т ом од ел ь н ост и ).
Ф р а к т а л ь н о с т ь .................................................................................. 270
§ 2а. Статистический феномен автомодельности Х а р с т а ................ 271
§ 2 Ь. Экскурс во фрактальную геом етр и ю ........................................ 274
§ 2 с. Статистическая автомодельность.
Фрактальное броуновское движение.................................... 277
§ 2d. Фрактальный гауссовский шум как процесс
с сильным последействием ......................................................... 284
3. М одел и , основанн ы е на б р о у н о в с к о м д в и ж е н и и .................. 288
§ За. Броуновское движение и его роль как базисного процесса . . . 288
§ЗЬ. Броуновское движение: сводка классических результатов . . 293
§ Зс. Стохастический интеграл по броуновскому движению ......... 306
§ 3d. Процессы и формула Ито ............................................................ 313
§ Зе. Стохастические дифференциальные уравнения ...................... 320
§ 3f. Прямые и обратные уравнения Колмогорова.
Вероятностное представление реш ений.............................. 329
4. Д иф ф узионны е модели эволю ц и и процентны х ста в о к ,
ст о и м о ст е й акций и о б л и г а ц и й ................................................... 336
§ 4а. Стохастические процентные с т а в к и .......................................... 336
§ 4Ь. Стандартная диффузионная модель стоимости акций
(геометрическое броуновское движение) и ее обобщения . . . . 344
X Оглавление
§ 4с. Диффузионные модели временной структуры

стоимостей семейства облигаций................................................. 350
5. Семимартингальные м о д е л и ....................................................... 356
§ 5 а. Семимартингалы и стохастические интегралы ......................... 356
§ 5Ь. Разложение Дуба-Мейёра. Компенсаторы.
Квадратическая вариация ............................................................ 365
§ 5с. Формула Ито для семимартингалов.Некоторые обобщения . 372
Глава IV . Статистический анализ финансовых да н н ы х 376
1. Эмпирические данные. В ер оятн остн о-стати сти ческ и е

модели их описания. С тати сти ка “тиков” .............................. 377
§ 1 а. Структурные изменения в сборе и анализе финансовых данных 377
§ lb. О “географических” особенностях статистических данных
обменных к у р со в .............................................................................. 381
§ 1 с. Описание эволюции финансовых индексов как стохастических
процессов с дискретным вмешательством случая .................... 385
§ Id. К статистике “тиков” ..................................................................... 389
2. С татисти ка одномерных распределений ............................... 392
§ 2а. Дискретизация статистических данны х...................................... 392
§ 2 Ь. Одномерные распределения логарифмов относительных
изменений цен. I. Отклонение от гауссовости.
“Вытянутость” эмпирических плотностей................................. 394
§ 2 с. Одномерные распределения логарифмов относительных
изменений цен. И. “Тяжелые хвосты” и их ста ти сти к а 400
§ 2 d. Одномерные распределения логарифмов относительных
изменений цен. III. Структура распределений
в центральной о б л а с т и ................................................................... 407
3. С татисти ка волатильности, корреляционной
зависимости и последействия в ц е н а х ...................................... 414
§ За. Волатильность. Определение и примеры .................................... 414
§ ЗЬ. Периодичность и фрактальная структура волатильности
в обменных курсах ......................................................................... 421
Оглавление xi
§ Зс. Корреляционные свойства .......................................................... 425

§ 3 d. “Деволатилизация” Операционное время ............................... 429
§ Зе. Эффекты “кластерности” и последействия в ценах.................. 437
4. С та ти сти ч е ск и й 1Z/S-анализ ...................................................... 440
§ 4а. Истоки и методология 7£/<5-анализа.......................................... 440
§ 4Ь. 7£/<5-анализ некоторых финансовых временных р я д о в 450
Л и т е р а т у р а ............................................................................................... 456
П редметны й у к а з а т е л ь ......................................................................... 481
У казател ь си м вол ов ............................................................................. 488
Том 2
П р ед и сл ови е ко в т о р о м у т о м у ...........................................................xxxv
Глава V . Т еор и я а р б и тр а ж а в ст ох а сти ч еск и х

ф инансовы х м оделях. Д и ск р етн ое в р е м я .....................492
1. П ор тф ел ь ценных б у м а г на (S , 5 ) - р ы н к е ................................. 493

§ 1 а. Стратегии, удовлетворяющие балансовым условиям ........... 493
§ lb. Понятие о “хеджировании” Верхние и нижние цены.
Полные и неполные рынки .......................................................... 507
§ 1 с. Верхние и нижние цены в одношаговой м одели........................ 513
§ Id. Пример полного рынка - СДД-модель ...................................... 523
2 . Р ы нок б ез а р б и тр а ж н ы х в о з м о ж н о с т е й ................................. 526
§ 2а. Концепции “арбитраж” и “отсутствие арбитража” ............... 526
§ 2Ь. Мартингальный критерий отсутствия арбитражных
возможностей. I. Формулировка первой фундаментальной
теорем ы ........................................................................................... 529
xii Оглавление
§ 2c. Мартингальный критерий отсутствия арбитражных

возможностей. И. Доказательство достаточности.................. 534
§ 2d. Мартингальный критерий отсутствия арбитражных
возможностей. III. Доказательство необходимости
(с использованием условного преобразования Э ш ера) 535
§ 2е. Расширенный вариант первой фундаментальной теоремы . . . 543
3. К онструкция мартингальных мер с помощью
а б сол ю тн о непрерывной замены м е р ы .................................. 554
§ За. Основные определения. Процесс п л отн ости............................. 554
§ ЗЬ. Дискретный вариант теоремы Гирсанова. I.
Условно-гауссовский случай....................................................... 561
§ Зс. Мартингальность цен в случае условно-гауссовского
и логарифмически условно-гауссовского распределений . . . . 570
§ 3d. Дискретный вариант теоремы Гирсанова. И.
Общий сл уч ай ................................................................................ 575
§ Зе. Целочисленные случайные меры и их компенсаторы.
Преобразование компенсаторов при абсолютно
непрерывной замене меры.
Стохастические интегралы......................................................... 584
§ 3f. Предсказуемые критерии отсутствия арбитражных
возможностей на (В , 5,)-рьшке ................................................... 594
4. Полные и совершенные безарби траж н ы е р ы н к и ............... 608
§ 4а. Мартингальный критерий полноты рынка. I.
Формулировка второй фундаментальной теоремы.
Доказательство необходимости ................................................. 608
§4Ь. О представимости локальных мартингалов. I
( “S'-представимость” ) .................................................................. 611
§ 4с. О представимости локальных мартингалов. II
( “//-представимость” “ (//—^-представимость” ) ...................... 613
§4d. “S-представимость” в биномиальной СДД-модели ............... 617
§ 4е. Мартингальный критерий полноты рынка. II.
Доказательство достаточности в случае d = 1 ...................... 621
§ 4f. Расширенный вариант второй фундаментальной теоремы . . . 627
Оглавление xiii
Глава V I. Теория расчетов в стохастических

финансовых моделях. Дискретное время .................. 634
1 . Р а сч е т ы , связанные с хедж ированием Е в р о п е й ск о го типа

на б е за р б и т р а ж н ы х р ы н к а х .......................................................... 635
§ 1а. Риск и методы его редуцирования................................................. 635
§ lb. Основная формула для цены хеджирования. I. Полные рынки. 638
§ 1 с. Основная формула для цены хеджирования. II. Неполные
рынки ............................................................................................... 646
§ Id. О расчетах цены хеджирования при среднеквадратичном
критерии........................................................................................... 653
§1е. Форвардные и фьючерсные кон тракты ........................................ 656
2 . Р а сч е т ы , связанные с хедж ированием А м е р и к а н ск ого
типа на б е за р б и т р а ж н ы х ры нках ............................................... 660
§ 2а. Задачи об оптимальной остановке.
Супермартингальная характеризация........................................ 660
§ 2Ь. Полные и неполные рынки. I.
Супермартингальная характеризация цены хеджирования . . 673
§ 2с. Полные и неполные рынки. II.
Основные формулы для цен хеджирования................................. 676
§ 2d. Опциональное разлож ение............................................................ 685
3. С хем а сер и й “ бол ьш и х” б е з а р б и т р а ж н ы х рынков
и аси м п тоти ч ески й а р б и т р а ж ..................................................... 694
§ За. Модель “больших” финансовых р ы н к ов...................................... 694
§ ЗЬ. Критерии отсутствия асимптотического арбитраж а................ 697
§ Зс. Асимптотический арбитраж и контигуальность ...................... 702
§ 3d. Некоторые аспекты аппроксимации и сходимости
в схеме серий безарбитражных рынков ...................................... 721
4. Опционы Е в р о п е й ск о го типа на бином иальном
(В, S')-рынке ........................................................................................... 734
§ 4а. О проблематике расчетов опционных контрактов .................... 734
§4Ь. Расчет рациональной стоимости и хеджирующих
стратегий. I. Случай общих платежных функций...................... 737
xiv Оглавление
§ 4c. Расчет рациональной стоимости и хеджирующих

стратегий. И. Случай марковских платежных функций 743
§4d. Стандартные опционы покупателя и продавца........................ 747
§ 4е. Стратегии, основанные на опционах
(комбинации, спрэды, сочетания)............................................... 753
5. Опционы А м ериканского типа на биномиальном
(S, S)-р ы н к е .................................................................................... 758
§ 5а. О проблематике расчетов опционов Американского типа . . . 758
§ 5Ь. Расчеты для стандартного опциона покупателя...................... 762
§ 5с. Расчеты для стандартного опциона продавца........................... 774
§ 5d. Опционы с последействием. Расчеты в “Русском опционе” . . 778
Глава V II. Теория арбитража в стохастических

финансовых моделях. Непрерывное в р е м я 786
1. П ортфель ценных бум аг в семимартингальных моделях . 787

§ 1 а. Допустимые стратегии. I. Самофинансируемость.
Векторный стохастический интеграл........................................ 787
§ lb. Дисконтирующие процессы ....................................................... 799
§ 1с. Допустимые стратегии. II. Некоторые специальные классы . 803
2. Семимартингальные модели без арбитраж ны х
возмож ностей. П о л н о т а ............................................................. 806
§ 2а. Концепция отсутствия арбитража и ее разновидности ......... 806
§ 2Ь. Мартингальные критерии отсутствия арбитражных
возможностей. I. Достаточные условия ................................... 809
§ 2 с. Мартингальные критерии отсутствия арбитражных
возможностей. И. Необходимые и достаточные условия
(сводка некоторых результатов)................................................. 814
§ 2d. Полнота в семимартингальных моделях................................... 818
3. Семимартингалы и мартингальные м е р ы ............................. 820
§ За. Каноническое представление семимартингалов.
Случайные меры. Триплеты предсказуемых характеристик . 820
Оглавление xv
§ ЗЬ. Конструкция мартингальных мер в диффузионных моделях.

Теорема Гирсанова....................................................................... 832
§ Зс. Конструкция мартингальных мер в случае процессов Леви.
Преобразование Эш ера................................................................ 844
§ 3d. Предсказуемые критерии мартингальности цен. I .................. 854
§ Зе. Предсказуемые критерии мартингальности цен. I I .................. 858
§ 3f. О представимости локальных мартингалов
( “ (i7c,/i —г/)-представимость” ) ..................................................... 863
§ 3g. Теорема Гирсанова для семимартингалов.
Структура плотностей вероятностных мер ............................... 866
4. А р б и т р а ж , п ол н ота и р а с ч е т ы цены хедж ирования

в дифф узионны х м оделях акций ................................................... 870
§ 4а. Арбитраж и условия его отсутствия. Полнота ......................... 870
§ 4Ь. Цена хеджирования на полных рынках........................................ 876
§ 4с. Фундаментальное уравнение в частных производных
для цены хеджирования ................................................................ 879
5. А р б и т р а ж , п ол н ота и р а с ч е т ы цены хедж ирования
в дифф узионны х м оделях о б л и г а ц и й .......................................... 886
§ 5а. Модели без арбитражных возмож ностей.................................... 8 8 6

§5Ь. П олнота........................................................................................... 899
§ 5с. Фундаментальное уравнение в частных производных
временной структуры цен облигаций.......................................... 901
Глава V III. Теория расчетов в стохастических

финансовых моделях. Непрерывное время ............906
1. О пционы Е в р о п е й ск о го типа на дифф узионны х

(В, S)- ры нках а к ц и й ........................................................................... 907
§ 1 а. Формула Б аш елье........................................................................... 907
§ lb. Формула Блэка и Шоулса. I. Мартингальный вью од ................ 911
§ 1с. Формула Блэка и Шоулса. II. Вьюод, основанный
на решении фундаментального уравнения ................................. 920
§ Id. Формула Блэка и Шоулса. III. Модель с дивидендами 923
xvi Оглавление
2. Опционы А м ериканского типа на диффузионных

(S, S)-рынках акций. С лучай бесконечного временного
г о р и з о н т а ........................................................................................ 926
§ 2 а. Стандартный опцион покупателя............................................... 926
§ 2 Ь. Стандартный опцион продавца................................................... 940
§ 2 с. Комбинации опционов покупателя и продавца........................ 942
§ 2d. Русский опцион............................................................................. 945
3. Опционы А м ериканского типа на диффузионных
(S, 5)-рынках акций. С лучай конечного временного
г о р и з о н т а ........................................................................................ 956
§ За. Об особенностях расчетов на конечных временных интервалах 956
§ ЗЬ. Задачи об оптимальной остановке и задача Стефана............. 960
§ Зс. Задача Стефана для стандартных опционов покупателя
и продавца...................................................................................... 964
§ 3d. О связи стоимостей опционов Европейского и Американского
т и п а ................................................................................................. 967
4. Опционы Е вропейского типа и А м ериканского типа
на диффузионном (S, 7>)-рьшке об л и га ц и й ........................... 972
§ 4а. О проблематике расчетов опционов на рынке облигаций . . . . 972
§ 4Ь. О расчетах опционов Европейского типа в однофакторных
гауссовских м оделях..................................................................... 975
§ 4с. О расчетах опционов Американского типа в однофакторных
гауссовских м оделях..................................................................... 980
Л и т е р а т у р а .......................................................................................... 984
Предметный у к а з а т е л ь ....................................................................... 1009
Указатель обозначений ..................................................................... 1016
Предисловие
Замысел автора состоял в том, чтобы
• отобрать и изложить тот материал, который необходим и

может оказаться полезным тем, кто имеет дело со стохас
тическим анализом и расчетами в моделях финансовых рын
ков, функционирующих в условиях неопределенностщ
• привести основные понятия, концепции и результаты стохас

тической финансовой математики;
• дать применения к разнообразным расчетам в стохастической

финансовой инженерии.
Не в последнюю очередь имелись в виду и запросы преподавания по спе

циальности “Финансовая математика и финансовая инженерия” с акцентом
на вероятностно-статистические идеи и методы стохастического исчисле
ния при анализе рыночного риска.
Подзаголовок “Факты. Модели. Теория” как нельзя лучше отражает
характер и стиль изложения, сложившийся у автора, во многом, в резуль
тате “обратной связи” со слушателями ряда курсов его лекций (Москва,
Цюрих, О рхус,. . . ) .
Так, математическая аудитория неизменно проявляла большой интерес
не только к чисто математическим вопросам “Теории” но и к “Фактам” от
носительно реалий финансовых рынков и их функционирования. Именно
это обстоятельство и побудило автора посвятить первую главу описанию
ключевых объектов и структур таких рынков, определить цели и задачи
xviii Предисловие
финансовой теории и финансовой инженерии, а также изложить некоторые

вопросы истории и становления вероятностно-статистической идеологии
при анализе финансовых рынков.
С другой стороны, слушатели, знакомые, скажем, с рынком ценных
бумаг и оперированием с ними, проявляли большую заинтересованность
в том, чтобы ознакомиться с разными классами стохастических процессов,
применяемыми или могущими быть полезными при построении моделей
динамики финансовых показателей (цен, индексов, обменных курсов,. . . ) и
при проведении тех или иных расчетов (рисков, хеджирующих стратегий,
рациональных стоимостей опционов, . . . ) .
Этим целям служат вторая и третья главы, посвященные разнооб
разным стохастическим моделям как в случае дискретного, так и непре
рывного времени.
Автору представляется, что материал этих глав, относящийся к теории
случайных процессов, будет полезен широкому кругу читателей и не толь
ко в связи с финансовой математикой.
Хотелось бы здесь особо подчеркнуть, что в случае дискретного времени
при описании эволюции стохастических последовательностей мы, как пра
вило, отправляемся от их разложения Дуба на предсказуемую и мартин-
гальную составляющие. Это объясняет, почему рассматриваемый подход
часто называют “мартингальным” и почему “теория мартингалов” стано
вится естественным и полезным математическим аппаратом в финансовой
математике и инженерии.
Понятия “предсказуемости” и “мартингальности” пронизывающие все
последующее изложение, в то же самое время оказываются весьма естест
венными и с экономической точки зрения. Так, например, такие экономи
ческие понятия, как портфель ценных бумаг и хеджирование, матема
тически цросто определяются именно с привлечением понятия предсказу
емости. А такие понятия как эффективность и безарбитражность фи
нансового рынка находят свое математическое воплощение с привлечением
понятий мартингала и мартингальных мер ( “первая фундаментальная те
орема” теории расчетов финансовых активов; § 2 Ь, гл. V).
Предисловие xix
Подход к описанию стохастических последовательностей, основанный

на разложении Дуба, делает вполне понятным и логичным обращение в слу
чае непрерывного времени к (весьма широкому) классу семимартинга-
лов (§5а, гл. III). Будучи процессами, представимыми в виде суммы про
цесса ограниченной вариации ( “медленно меняющаяся” компонента) и ло
кального мартингала (многие из которых, как, например, броуновское дви
жение, являются “быстро меняющимися” ), семимартингалы обладают тем
замечательным свойством, что для них определен стохастический интег
рал, что, в свою очередь, открывает широкие возможности применения
стохастического исчисления при моделировании финансовых показателей
такими процессами.
Четвертая глава ( “статистическая” ) призвана дать представление о
том реальном статистическом “сырье” с которым приходится сталкиваться
при эмпирическом анализе финансовых данных.
На статистическом материале, относящемся преимущественно к обмен
ным курсам валют (финансовый рынок которых носит интернациональный
характер и является одним из самых больших среди финансовых рынков,
имея дневной оборот в несколько сотен миллиардов долларов), показы
вается, что величины “возврата” (см. (3) в § 1 а, гл. И) имеют плотность
распределения с “тяжелыми хвостами” и с сильной “вытянутостью” в цен
тральной области. Во временном поведении этих величин наблюдаются
свойства “кластерное™” и “сильной зависимости” (образно - “цены пом
нят прошлое” ). Выявляется фрактальная структура ряда характеристик
волатильности (изменчивости) величин “возврата”
Все это, разумеется, надо учитывать при построении моделей, адекват
но отражающих реальную динамику финансовых показателей, что стано
вится особенно существенным, если преследовать цель прогноза их буду
щего движения.
Собственно “Теории” и, в частности, теории арбитража отводятся
пятая глава (дискретное время) и седьмая глава (непрерывное время).
Центральными здесь являются первая и вторая фундаментальные
теоремы теории расчетов финансовых активов.
XX Предисловие
“Первая теорема” утверждает (с некоторыми оговорками), что финан

совый рынок является безарбитражным в том и только том случае, ког
да существует так называемая мартингальная (риск-нейтральная) веро
ятностная мера, относительно которой (дисконтированные) цены образу
ю т мартингал. “Вторая теорема” описывает те безарбитражные рынки,
для которых выполнено свойство полноты, гарантирующее возможность
построения портфеля ценных бумаг, капитал которого воспроизводит пла
тежные поручения.
Обе эти теоремы действительно заслуживают того, чтобы их называть
фундаментальными, поскольку они дают возможность придать эконо
мическому понятию “безарбитражности” точный математический смысл
в рамках (хорошо развитой) теории мартингалов.
Шестая и восьмая главы посвящены расчетам, опирающимся на “пер
вую и вторую фундаментальные теоремы” При этом, традиционно, мно
го места отводится расчетам рациональных стоимостей и хеджирующих
стратегий разного рода опционов (Европейского и Американского типов),
являющихся теми производными финансовыми инструментами, для кото
рых наиболее развита теория расчетов и на примере которых лучше всего
понимать общие принципы и приемы расчетов на безарбитражных рынках.
Перед автором, естественно, стояла проблема не только отбора “репре
зентативного” материала для изложения, но и выбора формы изложения.
Читатель заметит, что автор часто следует лекционному стилю, приво
дя пояснения типа “что-где-когда” В случае дискретного времени приво
дятся, по существу, все доказательства основных результатов. В случае
же непрерывного времени довольно-таки часто многие результаты (тео
рии мартингалов, стохастического исчисления,. . . ) приводятся лишь свои
ми формулировками с указанием соответствующей литературы, где могут
быть найдены доказательства.
Предложение о написании книги по финансовой математике для изда
тельства World Scientific было сделано профессором Оле Е. Барндорфф-
Нильсеном в начале 1995 года. Дав свое согласие, автор смог приступить
к первым наброскам текста лишь в середине 1995 года, планируя вначале
Предисловие xxi
излагать весь материал только для случая дискретного времени. Одна

ко, по мере работы над текстом, автор все больше убеждался в том, что без
случая непрерывного времени представление о финансовой математике и
финансовой инженерии будет далеко не полным. В результате в книге да
ется изложение и для дискретного, и для непрерывного времени.
Книга состоит из двух томов. Первый том ( “Факты. Модели” ) включа
ет главы I-IV. Второй том ( “Теория” ) состоит из глав V-VIII.
На само написание основного текста автору понадобилось примерно два
года. Несколько месяцев ушло на компьютерный набор текста, редакти
рование и подготовку оригинал-макета книги, осуществленные И. JI. Jle-
гостаевой, Т. Б. Толозовой и А. Д. Изааком на базе Информационно-изда
тельского сектора Отделения математики Российской академии наук.
Автор приносит им свою искреннюю признательность прежде всего за их
высококвалифицированную и самоотверженную помощь, а также за ту
терпимость, которую они к нему проявляли всякий раз, когда он менял
уже набранный и отредактированный текст, представляя свою очередную
“последнюю” версию.
Автор благодарен своим друзьям и коллегам, российским и зарубеж
ным, а также АФЦ (Актуарно-финансовый центр, Москва), VW-project
(the Volkswagen-project, Germany), MCAA и CAF (the Mathematical
Research Center and the Centre for Analytical Finance, Aarhus, Denmark),
INRIA-МГУ (институт им. A.M. Ляпунова, Paris-Москва) за поддержку
и гостеприимство.
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
1. Финансовые ст р у к т у р ы и инструменты ............................... 3

§ 1 а. Ключевые объекты и с тр у к ту р ы .............................................. 3
§ lb. Финансовый рынок ....................................................................... 6
§ 1с. Рынок производных ценных бумаг. Финансовые инструменты 25

2. Финансовый рынок в условиях неопределенности.
К ласси чески е теории динамики финансовых индексов,
их критика и пересм отр. Н еоклассические т е о р и и 42
§ 2а. Гипотеза случайного блуждания и концепция
эффективного р ы н к а..................................................................... 45
§ 2Ь. Портфель ценных бумаг. Диверсификация Марковитца . . . . 57
( СА РМ - Capital Asset Pricing M o d e l)...................................... 62
§ 2d. Арбитражная теория расчетов
(A P T -A rbitrage Pricing T h eory ).............................................. 67
§ 2 e. Анализ, интерпретация и пересмотр классической концепции
эффективно функционирующего рынка. I ................................. 73
§ 2 f. Анализ, интерпретация и пересмотр классической концепции
эффективно функционирующего рынка. I I ............................... 80
3. Цели и задачи финансовой теории, инженерии
и финансово-актуарных р а с ч е т о в .......................................... 84
§ За. Роль финансовой теории и финансовой инженерии.
Финансовый риск ......................................................................... 84
§ ЗЬ. Страховой бизнес как социальный механизм компенсации
экономических потер ь.................................................................. 87
§ Зс. Классический пример актуарных расчетов.
Теорема Лундберга-Крамёра ................................................... 99
1. Финансовые структуры и инструменты
Согласно современным воззрениям (см., например, [79], [334] и [345]),

теория финансов и финансовая инженерия призваны исследовать свой
ства финансовых структур и заниматься тем, как наиболее рациональным
образом распоряжаться финансовыми ресурсами с учетом факторов вре
мени, риска, характера (как правило, случайного) окружающей среды,
используя разнообразные финансовые инструменты и операции.
Время, динамика, неопределенность, стохастика- вот компоненты,
определяющие то, что такие “вероятностно-статистические” теории, как,
например,
• стохастические процессы,
• стохастическое исчисление,
• статистика случайных процессов,
• стохастическая оптимизация
образуют используемый в настоящей книге математический аппарат, адек
ватный нуждам финансовой теории и инженерии.
§ 1а. Ключевые объекты и структуры
1. Можно выделить следующие ключевые объекты и структуры, с ко

торыми имеет дело теория финансов и которые определяют и объясняют
специфику финансовой проблематики, цели и средства финансовой мате
матики и инженерии:
• индивидуумы,
• фирмы,
• посреднические структуры,
• финансовый рынок.
4 Гл. I. Основные понятия, структуры, инструменты
посреднические
структуры
Представленная диаграмма показывает, что в теории и практике финан

сов среди выделенных четырех структур финансовому рынку отводится
центральное место и именно он-то и представляет основной интерес для
математической теории финансов в последующем изложении.
2 . И н д и в и д уу м ы - их финансовая деятельность подчинена решени

проблемы потребление - инвестирование. Дуализм в поведении индиви
дуумов как потребителей ( “побольше потреблять сейчас” ) и как инвесто
ров ( “инвестировать сейчас так, чтобы иметь побольше в будущем” ) при
водит к рассмотрению оптимизационных проблем, которые в математи
ческой экономике формулируются как потребление - сбережение (con
sumption-saving) и размещение (portfolio decision making). В рамках Те
ории полезности и предпочтения первая проблема опирается на акси
омы (фон Неймана-Моргенштерна) рационального поведения индивиду
умов в условиях неопределенности, дающие подход и способ определять
предпочтительность того или иного типа поведения посредством коли
чественного сравнения, например, средних значений функций полезности
(utility functions). Проблема “размещение” стоящая перед индивидуума
ми, может быть в общих чертах описана как задача наилучшего размеще
ния (инвестирования) финансовых средств (с учетом возможного риска),
скажем, в недвижимость, золото, в ценные бумаги (облигации, акции, оп
ционы, фьючерсы и т. п .),... . Идеи диверсификации (см. § 2Ь) при состав
лении портфелей находят свое воплощение в таких известных выражени
ях, как “Don’t put all your eggs in one basket” “Nothing ventured, nothing
1. Финансовые структуры и инструменты 5
gained’.’ В дальнейшем будут описаны те возможности, которые открыва

ются перед индивидуумами (в зависимости от величины начального капи
тала) на рынке ценных бумаг.
Ф ирмы (компании, корпорации, . . . ) - обладая такими физически
осязаемыми ценностями, как “земля’,’ “заводы’} “машины’,’ . . . , а также
ценностями типа “организационные структуры’} “рынки’} “патенты’} . . . ,
осуществляют деловую организацию, деловое партнерство, управление
технологическим производством. Для увеличения капиталовложений
в развитие производства фирмы время от времени выпускают акции,
а иногда (как и государство) - облигации. Управление деятельнос
тью фирмы должно быть ориентировано на наилучшее удовлетворение
интересов держателей акций и обладателей облигаций.
Посреднические структуры (финансовые посреднические структу
ры) - это банки, инвестиционные компании (типа mutual funds - фондов
взаимных вложений), пенсионные фонды, страховые компании, . . . . К по
средническим структурам можно отнести биржи (exchanges) по торговле
опционами, фьючерсными контрактами,. . . .
Всемирно известны такие биржи, как NYSE (New York Stock Exchange),
AMEX (American Stock Exchange), NASDAQ (The NASDAQ Stock Mar
ket), NYFE (New York Futures Exchange), CBOT (Chicago Board of Trade),
... , находящиеся в СШ А.1)
3. Финансовый рынок представляет собой совокупность денежных

валютных рынков, рынков ценных (благородных) металлов, рынков финан
совых инструментов, включая ценные бумаги.
На рынке финансовых инструментов принято различать:
• основные (первичные) инструменты,
• производные (вторичные) инструменты;
последние являются сложными финансовыми инструментами, построен
ными на базе основных (более элементарных) инструментов.
Х) Обращение к финансовым структурам и финансовой активности в С Ш А будет

далее происходить довольно часто. Вызвано это, в основном, тем, что финансовый
рынок С Ш А имеет богатые традиции ( “Wall Street” !); именно с этим рынком свя
заны многочисленные финансовые инновации. К тому же по этому рынку имеется
обширная литература и в виде многочисленных журнальных изданий, и в виде моно
графий, учебных пособий, справочных изданий и т. п. В этом читатель легко убедит
ся, обратившись к списку литературы в конце книги.
К числу основных финансовых инструментов относят ценные бумаги:

• банковский счет,
• облигации,
• акции.
К производным финансовым инструментам относят:
• опционы,
• фьючерсные контракты,
• варранты,
• свопы,
• комбинации,
• спрэды,
• сочетания,
Отметим, что весьма часто финансовая инженерия определяется имен

но как оперирование с производными финансовыми инструментами (и с
целью увеличения капитала, и с целью редуцирования риска, обуслов
ленного неопределенностью будущего состояния рынка).
Дадим описание некоторых основных ингредиентов финансового рынка.
§ 1Ь. Финансовый рынок

1. Деньги ведут свое начало с того времени, когда люди научились
торговать “тем, что они имели” в обмен на “то, что они хотели иметь’.’ Эта
система взаимоотношений работает и поныне - мы используем деньги в об
мен на товар (который мы желаем иметь, а продавец в свою очередь ис
пользует полученные деньги для покупки чего-то другого), а также как
средство оплаты услуг.
Современная технология революционизировала способы, которыми цир
кулируют деньги. Так, в настоящее время в США лишь только 8 % всей
массы долларов, находящихся в обороте, оплачиваются посредством де
нежных купюр и монет. Основная же денежная оплата производится чека
ми и пластиковыми карточками с помощью электронной связи.
Помимо функции “средства обращения” деньгам принадлежит важная
роль “меры стоимости” и “средства накопления” [108].
2 . В а л ю т а -к а к деньги других государств (количество ее, состояние

обменных курсов и т. д.) - является важным показателем экономического
благосостояния и развития страны, представляя собой инструмент рас-
четов в международных экономических связях, для осуществления кото

рых требуется “иностранная валюта’!
Интерналионализация экономики привела к образованию валютных
блоков разных стран, заключающих соглашения относительно согласо
вания денежно-кредитной политики и соотношений между обменными
курсами валют.
Примером может служить известная Бреттон-Вудсская валютно-кре
дитная система. В 1944 году в местечке Бреттон-Вудс, штат Нью-Гэмп
шир, США, состоялась конференция основных участников процесса меж
дународной торговли. На этой конференции была принята валютная сис
тема, получившая название “Бреттон-Вудсской системы’,’ которая устана
вливала, что обменные курсы валют могут отклоняться от официально за
явленных паритетов в очень узких пределах - не более 1 % в каждую сторо
ну. При этом паритетные обменные курсы исчислялись в долларах США,
а для внедрения и руководства этой системой был создан Международный
Валютный Фонд (МВФ).
Однако, когда в 1973 году валютно-финансовый кризис затронул основ
ные валюты (доллар США, немецкую марку и японскую иену), “Брет
тон-Вудсская система” была признана исчерпавшей свою роль, и на ее сме
ну пришли “плавающие” обменные курсы валют.
В марте 1979 года была образована Европейская монетарная система,
охватывающая большинство стран-членов “Общего рынка” (Европейско
го экономического сообщества, ЕЭС). Эта система устанавливала, что ко
лебания курсов валют стран-участниц должны быть, как правило, в преде
лах ±2.25% от официальных центральных паритетов. При этом централь
ные банки стран, обменный курс которых имеет опасность выхода из уста
новленного “коридора” должны своими взаимными интервенциями пре
пятствовать этому выходу, обеспечивая тем самым стабильность соотно
шений между их валютами. (Это обстоятельство объясняет, почему сис
темы подобного типа называют также “ скорректированными системами
плавающих курсов” )
Другими примерами валютных блоков могут служить соглашения меж
ду разными группами стран Карибского бассейна, Центральной и Южной
Америки, Восточной Азии и др., которые фиксируют обменные курсы сво
их валют относительно какой-либо мощной “валюты-лидера’! (Подробнее
см. [108; с. 459-468].)
3. Ценные металлы (в слитках) - золото, серебро, платина, другие

благородные металлы (к их числу относят также элементы платиновой
группы: иридий, осмий, палладий, родий, рутений) - играли ранее (осо

бенно в XIX веке и части XX века) и продолжают играть сейчас важную
роль в международной валютно-кредитной системе.
В работе [108] в разделе “Золотой стандарт” с. 459-460, по поводу роли
золота говорится следующее: “Почти весь девятнадцатый век и часть ве
ка двадцатого золото играло центральную роль в международной валют
но-кредитной системе. Эра золотого стандарта началась в 1821 году, когда
вскоре после окончания наполеоновских войн Британская империя сделала
фунт стерлингов конвертируемым в золото. Вскоре и Соединенные Штаты
сделали то же самое с американским долларом. Наибольшей силы золо
той стандарт достиг в период с 1880 до 1914 года, но никогда больше не
возродил свой прежний статус после Первой мировой войны. Его послед
ние следы исчезли в 1971 году, когда Государственное Казначейство США
окончательно отменило практику купли-продажи золота по фиксирован
ной цене’.’
Золото, конечно, продолжает играть важную роль в международной ва
лютной системе. Так, например, золотые резервы широко используются
центральными банками для погашения внешних долгов.
Из сказанного выше следует, что на данный момент в международной
валютно-кредитной системе, регулирующей деятельность центральных
эмиссионных банков на внешних валютных рынках, четко прослежива
ются три периода: “золотой стандарт” “Бреттон-Вудсская система” и
“система скорректированных плавающих курсов”
4. Б анковский сч е т может рассматриваться как ценная бумага, отно

сящаяся к облигациям (см. далее п. 5), суть которой состоит в том, что банк
обязуется выплачивать по Вашему счету определенный процент от суммы
счета. В последующих рассмотрениях банковский счет будет возникать
не раз, что объясняется во многом тем, что он является удобной “единицей
измерения” цен разнообразных ценных бумаг.
Принято различать два основных способа начисления процентов:
• т раз в год (простые проценты),
• непрерывно (сложные проценты).
Если Вы открываете банковский счет с процентной ставкой г(т ) на
числения процентов т раз в год, то внесенный Вами начальный капитал
B q через N лет станет равным
а)
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 +
В случае непрерывно начисляемых процентов с “процентной став

кой г (оо)” начальный капитал Во через N лет будет равен
B N (oo) = B0er^ N. (2 )
Понятно, что
B N {m) -> B N (оо),
когда г(т ) -* г(оо), т оо.

Если непрерывно начисляемый процент г (оо) = г, то соответствующий
ему “га раз начисляемый процент” г (га) определяется формулой
r(m) = m ( e r/ m - l ) , (3)
откуда следует, что по г (га) соответствующий эквивалентный непрерыв

ный процент г = г (оо) находится по формуле
г = т1пЛ + г М У (4)
В том частном случае, когда га = 1, для г = г ( 1 ) и г = г(оо) получаем

следующие формулы их взаимного пересчета:
г = ег — 1, r = ln ( l-b r ) . (5)
Наряду с объявлением “годовой процентной ставки г ” банк может объ

являть также и величину “годовой учетной ставки q” говорящей о том, что
для получения через год капитала в размере В\ = В\ (1) надо в начальный
момент иметь на счете Во = В\ (1 — #). Понятна связь между г и q:
(1 - g ) ( l + f ) = 1,
откуда
Можно задаться таким вопросом: через какое количество N лет Ваш

капитал (при непрерывно начисляемой процентной ставке г — а/1 0 0 ) уве
личится в 2 раза? Ясно, что N определяется из соотношения
2 = eaN/ 10°
то есть,
ЛГ In 2 •100 70
N = ------------- « — .
а а
На практике (при начислении процентов, скажем, дважды в год) широко
распространено так называемое п равил о 72: если процентная ставка
есть а/100, то удвоение капитала произойдет через 72/а лет.
Чтобы дать представление о том, как растет капитал при разных спосо
бах начисления процентов (т = 1 , 2 , 3 ,4 , 6 , 1 2 , оо), приведем таблицу соот
ветствующих значений B t {m) дляt = 0 , 1 , .. ., 10, -Во = 10000 и г ( т ) = 0 .1
для всех га:
1 2 3 4 6 12 оо
0 10000 10000 10000 10000 10000 10000 10000
1 11000 11025 11034 11038 11043 11047 11052

2 12100 12155 12174 12184 12194 12204 12214
3 13310 13401 13433 13449 13465 13482 13499

4 14641 14775 14821 14845 14869 14894 14918
5 16105 16289 16353 16386 16419 16453 16487
6 17716 17959 18044 18087 18131 18176 18221
7 19487 19799 19909 19965 20022 20079 20138
8 21436 21829 21967 22038 22109 22182 22255
9 23579 24066 24238 24325 24414 24504 24596
10 25937 26533 26743 26851 26960 27070 27183
5. О блигации, или боны, - это долговые обязательства, выпускае

мые государством или банками, корпорациями, акционерными компания
ми, другими финансовыми институтами с целью аккумулирования капи
тала.
Облигации весьма популярны в разных странах, и в абсолютном выра

жении вклады в них превышают инвестирование в акции и другие виды
ценных бумаг. Основная их привлекательность (особенно для консерва
тивных инвесторов) состоит в том, что по ним выплачиваются на регуляр
ной основе оговоренные проценты и гарантирована полная выплата ссуд
ного капитала в установленное время. Нельзя, конечно, с достоверностью
утверждать, что облигации, выпускаемые государством или корпорация
ми, являются безрисковыми финансовыми инструментами. Доля риска,
связанная с разорением, скажем, той или иной корпорации, с нарушени
ем обязательств по выплате процентов, разумеется, всегда присутствует.
В этом смысле, государственные облигации менее рискованны, чем обли
гации корпораций, но зато и купонные проценты, выплачиваемые корпора
циями, больше государственных.
Покупателю облигаций, естественно, интересно знать степень риска
различных корпораций, рассматриваемых на предмет покупки выпуска
емых ими облигаций. Существует ряд изданий (например, Standard
& Poor’s Bond Guide), в которых печатаются рейтинги различных фи
нансовых институтов, выпускающих облигации. Менее рискованные
корпорации (т. е. с высоким рейтингом) выплачивают более низкий ку
понный процент. И соответственно, корпорации с низким рейтингом для
привлечения покупателей выпускают облигации с высоким процентом
выплат по купонам.
Каждую облигацию, выпускаемую в момент t = 0, характеризует ряд
числовых параметров ((i)-(vii)):
(i) номинальная стоимость (par value, face value) P(T, T), т.е. та
сумма, которая выплачивается обладателю облигации в
(ii) момент погашения (the year the bond matures) T, где T -
срок жизни (maturity) облигации (для краткосрочных облига
ций это, обычно, срок до года и меньше; для среднесрочных -
от 1 до 10 лет; для долгосрочных - Т ^ 10 лет);
(iii) купонная процентная ставка облигации (bond’s interest rate,
coupon yield) rc, определяющая дивиденды - величину годич
ных купонных платежей, выплачиваемых эмитентом облигации ее
обладателю и равных “гс х(номинальную стоимость)” ;
(iv) начальная цена облигации (the original price of bond) P(0,T),
выпускаемой в свет в момент t = 0 со сроком жизни в Т лет.
Если, скажем, в момент t = 0 выпускается облигация со сроком дейст
вия Т = 10 лет, номинальной стоимостью в 1000$ и процентной купонной
ставкой г с — 6 / 1 0 0 (= 6 %), то покупатель, купивший ее по (начальной,

покупной) цене в 1 0 0 0 $, по истечении десяти лет получит доход в 600$,
слагающийся следующим образом:
номинальная стоимость 1000 $

+
купонные платежи за 1 0 лет 1000 х 6 % х 10 = 600 $
покупная цена 1000 $
+600$
Обладатель облигации сроком действия в Т лет, купивший ее в момент

t = 0, естественно может ее держать все эти Т лет, получая купонные пла
тежи и (в момент Т) номинальную стоимость облигации. Однако, ему на
самом деле может оказаться невыгодным держать ее до момента погаше
ния Т, если, например, инфляционная процентная ставка r-mf ^ гс. В этом
случае обладатели облигаций пользуются правом ее продажи (вообще го
воря, в любой момент 0 ^ t ^ Т) по ее
(v) рыночной цене Р(£, Т)
в момент времени t (со сроком погашения в момент Т ).
Понятно, что Р(0, Т) - это (начальная) цена облигации в момент ее вы
пуска, а Р(Т, Т ) - ее номинальная стоимость. (В приведенном примере эти
значения были равны 1000 $.) Хотя, в принципе, и возможен случай, когда
рыночная цена Р(£,Т) больше номинальной стоимости Р(Т, Т), типичной
является ситуация, когда Р(£, Т) < Р(Т, Т).
Представим себе, что обладатель облигации решил ее продатьспустя
два года, когда рыночная цена облигации Р (2 ,10) для t = 2, Т = 10 стала
равной 800 $. Тогда его доход от покупки и обладания облигацией в течение
двух лет будет следующий:
рыночная цена 800 $

+
купонные платежи 1000 х 6% х 2 = 120 $
покупная стоимость 1000 $
- 80$
Тем самым, доход на самом деле отрицателен, т. е. потери составляют

в этом случае 80$. Тот же, кто купит эту облигацию по рыночной цене
Р (2,10) = 800$, по прошествии 8 лет будет иметь следующий доход:
номинальная стоимость 1000 $

+
купонные платежи 1000 х 6 % х 8 = 480 $
покупная стоимость 800 $
+680 $
Подчеркнем, что величина купонной процентной ставки облигации гс,

определяющей величину купонных платежей, неизменна на протяжении
всего периода жизни облигации. Однако, рыночная стоимость обли
гации Р(£, Т) флуктуирует во времени. Это значение складывается
в результате действия многочисленных экономических факторов: спроса
и предложения, величины процентных ставок других ценных бумаг, спеку
лятивных действий и т. п. Рассматривая {Р(£, Т )} как случайный процесс,
развивающийся в моменты времени 0 ^ t ^ Т, видим, что он является
условным в том смысле, что фиксировано его значение Р(Т, Т), являюще
еся номинальной стоимостью облигации.
Рис. 1 дает представление о том, как может флуктуировать рыночная
цена Р(£, Т) во времени £, 0 ^ ^ Т, “приходя” в момент погашения Т
в заранее фиксированное значение номинальной стоимости Р(Т, Т).
Еще одной часто употребляемой характеристикой облигации является

(vi) текущая процентная ставка (thecurrentyield) гс (£,Т), О

определяемая как отношение “годовых купонных выплат” к (теку
щей) рыночной цене:
/ ГС-Р (Т ,Т )
rc(i,T ) - p{tT) ,
что дает возможность сравнения различных облигаций. (В приведенном

выше примере гс(0 ,10) = гс = 6 %, гс (2,10) = 6 % •1000/800 = 7.5%.)
Существует другая и, пожалуй, наиболее важная характеристика обли
гации, позволяющая судить о доходе (за оставшийся период ее действия)
как за счет купонных выплат, так и выплаты в момент погашения, что дает
еще одну возможность сравнивать разные облигации:
(vii) доход (в процентах) до момента погашения (the yield to maturity),
или доходность
p (T -t,T )
(где T - t - оставшееся время жизни облигации), для которой сумма
дисконтируемых величин купонных платежей и номинальной стои
мости на интервале (£, Т] равна текущей рыночной цене облигации;
доходность, таким образом, определяется как корень р = р(Т —t, Т)
уравнения
... Гс Р(Т,Т) Р1Т.Т)

р(*.я = Е („1 +;PJ
) fe + „
( 1 +;P.\т_.
)T" ' • (в)
fe= l
(Единицей измерения считается один год, £ = 1 ,2 ,...,Т .)
В том случае, когда рыночная цена Р(£, Т) совпадает с номинальной це
ной Р(Т, Т), из данного определения следует, что р(Т — Т) = гс.
Типичная (схематическая) картина поведения кривой доходности
p(s, Т) как функции оставшегося времени^ = T —t представлена на рис. 2.
В приведенном описании мы не затрагивали вопрос о структуре ры

ночных цен {Р(£, Т )}, рассматриваемых, скажем, в рамках вероятностного
подхода. К этому довольно-таки непростому вопросу мы обратимся далее
в гл. III.
Сейчас же лишь отметим, что при вероятностном описании структуры
и динамики цен {Р(£, Т )} обычно используются следующие два способа:
a) непосредственное (прямое) задание временной эволюции цен
Р(£,Т) (a price-based approach);
b) опосредованное задание, в котором изначально задаются не цены
Р(£,Т), а временная структура или доходности {р(Т — £,Т )}, или
сходные характеристики типа “процентных ставок” (a term struc
ture approach).
Заметим также, что формула ( 6 ), являющаяся связующей при взаим
ном пересчете цен и доходности, построена по схеме “простых процентов”
(ср. с (1) при m = 1 ). Нетрудно дать и соответствующую формулу и в схе
ме “сложных процентов” (ср. с (2 )), т. е. в случае непрерывного начисления
процентов.
Как уже отмечалось, облигации выпускаются различными финансовы
ми учреждениями и с разными целями.
Облигации корпораций (corporate bonds) - с целью накопления

капитала для расширения производства, модернизации, покрытия
операционных расходов, . . . .
Государственные облигации (government bonds) - для разных
правительственных программ, выплаты национального долга, . . . .
В США это U.S. Treasury bills, notes, bonds, которые можно приоб
рести через один из Федеральных Резервных Банков или через броке
ров.
Муниципальные облигации (municipal bonds), выпускаемые шта
тами, городами, ... , - для оплаты разных проектов (строительство
дорог, школ, мостов, . . . ) , пополнения бюджета, . . . .
Информация об облигациях корпораций, их характеристиках может

быть найдена во многих изданиях (например, см. в “New York Stock
Exchange” раздел “New York Exchange Bonds” или “American Stock
Exchange” ).
Представление о том, в каком виде дается информация об облигациях,
можно получить из следующего описания:
IBM-JJ15-7% of ' 0 1 ,
означающего, что речь идет об облигациях корпораций IBM с купонной

выплатой2) 15 января и 15 июля, со ставкой гс = 7% и моментом погашения
в 2 0 0 1 году.
Разумеется, также дается информация о номинальной стоимости обли
гаций и их текущей стоимости. (Подробнее см., например, книгу [469].)
.
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
2) в Европе купонные выплаты осуществляются обычно раз в год, а в СШ А - че

рез 6 месяцев два раза в год.
(mutual funds), пенсионные системы, страховые компании, банки и др., яв

ляющиеся основными “игроками” на рынке ценных бумаг, в том числе и на
рынке акций.
Торговля акциями происходит на биржах в разных странах. Видимо,
одной из самых первых бирж, возникших еще в XVII веке, явилась Амстер
дамская фондовая биржа (1602 г.), предметом торговли которой были ак
ции акционерных компаний. Традиционно (фондовые) биржи в Европе на
ходились под сильным контролем банков. В то же время американские фон
довые биржи существуют автономно от банковской системы ([482; с. 10]).
Крупнейшей биржей в США является NYSE (New York Stock Exchange
- название существует с 1817 года; число “мест” (seats) - 1366 в 1987 го
ду) и AMEX (American Stock Exchange - образована в 1921 году на базе
New York Curb Exchange, основанной в 1842 году). Чтобы компания могла
торговать своими акциями на бирже, она должна удовлетворять некото
рым требованиям (на ее размеры, доход и т. п.). Так, на NYSE требования
к компаниям таковы: претаксовый заработок (прибыль до вычета налога;
pre-tax earnings, pre-tax profit) должен быть больше или равен 2.5 млн. $;
необходимо обладать не менее 1.1 млн. акций с минимальной рыночной це
ной, большей или равной 18 млн. $. Тем самым, торговлей на этой бирже
занимаются старейшие, хорошо известные компании (к 1993 году зарегист
рировано 2089 компаний). На АМЕХ торгуют акциями, в основном, ком
пании средних размеров; зарегистрирована 841 компания.
NASDAQ (National Association of Securities Dealers Automatic Quota
tions) биржа - другая крупная организация в США по торговле акция
ми; зарегистрировано 4700 компаний разных размеров - больших, средних,
развивающихся малых.
Внушителен по числу участников (порядка 40 тысяч, [357]) рынок цен
ных бумаг ОТС (Over-the-counter). Этот рынок, также как и NASDAQ,
не имеет централизованного места, подобно, скажем, NYSE, АМЕХ, . . . .
Торговля производится посредством компьютерно-телефонной связи через
дилеров, которые покупают и продают ценные бумаги на свои счета. Эта
торговля включает в себя самые разнообразные ценные бумаги - обыкно
венные и привилегированные акции, облигации корпораций, ценные бума
ги, выпускаемые правительством США, муниципальные облигации, опци
оны, варранты, иностранные ценные бумаги.
Основная причина, почему малые или новые компании или компании
с небольшим числом акций обращаются к ОТС - это то, что практически
нет никаких требований (или они минимальны) на размер капитала компа
нии и т. п.
С другой стороны, те компании, которые удовлетворяют требованиям

других бирж, часто обращаются к ОТС, если “торгово-переговорный”
стиль ОТС более предпочтителен, нежели система “хорошо организо
ванных бирж” Есть и другие причины обращения к ОТС, скажем,
нежелание обнародовать свое финансовое состояние, что требуется для
торговли на “больших” биржах.
Естественно, что и для “больших’,’ и для “малых” инвесторов важна ин

формация о состоянии компаний, торгующих своими акциями, курсах ак
ций и их эволюции. Важна также и информация о “глобальном” состоянии
экономики, состоянии рынка ценных бумаг, выражаемая в виде некоторых
“суммарных’,’ “обобщенных” индексов.
С точки зрения информации о “глобальном” состоянии экономики наи

более известными являются “ Средние” и “Индексы” Доу Джонса (Dow
Jones). Имеются четыре “ Средних
• DJIA - Dow Jones Industrial Average (по 30 индустриальным ком

паниям);
• Dow Jones Transportation Average (no 20 авиакомпаниям, железно
дорожным компаниям и компаниям, занимающимся перевозками);
• Dow Jones Utility Average (по 15 газовым, электрическим и энер
гетическим компаниям);
• Dow Jones 65 Composite Average (по 65 компаниям в трех вышепри
веденных Averages).
Отметим, что, скажем, (суммарный) индекс D JIA, обычно называемый

Dow, составленный по тридцати крупным ( “blue-chip” ) компаниям, не яв
ляется простым средним арифметическим. Он формируется так, что акции
с высокой стоимостью вносят в суммарный индекс и больший вес. Таким
образом, значительное изменение в ценах акций небольшого числа компа
ний может сильно изменить значение индекса (как показателя состояния
“индустриальной” экономики) в целом [310].
(К истории Dow. В 1883 г. Чарльз Доу (Charles Н. Dow) начал со

ставлять списки средних значений “цен закрытия” акций девяти желез
нодорожных и двух производственных фирм. Эти списки, пользовавшие
ся большой популярностью, и стали предшественниками “The Wall Street
Journal” основанного в 1889 г. Чарльз Доу вместе с его партнером Эдвар
дом Джонсом (Edward Н. Jones). См., например, [310].)
Помимо индексов Dow Jones широкое распространение имеют:

• Standard & Poor’s 500 (S&P500) index,
• The NYSE Composite index,
• The NASDAQ Composite index,
• The AMEX Market Value index,
• Value-Line,
• The Russel 2000,
• The Wilshire 5000,
Индекс Standard & Poor’s 500 в настоящее время составлен (в отличие

от “Dow Jones” ) с учетом большего числа компаний (500 = 400 индустри
альных 4 - 20 транспортных 4 - 40 коммунальных 4 - 40 финансовых); индекс
“NYSE” включает акции всех компаний, торгующих на “New York Stock
Exchange”, . . . .
(К истории Standard Sz P oor’s. Henry Varnum Poor начал публикацию
его годичных “Poor’s Manual of Corporate Statistics” в 1860 году - за два
дцать с липшим лет до того, как компания Dow Jones & Company начала
публиковать дневные средние значения “цен закрытия” В 1941 году компа
ния Poor’s Finance Services слилась со Standard Statistic Company - дру
гим лидером в составлении и публикации финансовых данных. Созданная
в результате этого слияния Standard & P oor’s Corporation стала одним из
крупнейших информационных служб и издателей финансовой статистики.
См., например, [310].)
Кроме печатных изданий типа упомянутых выше, текущую информацию
о ценах “покупки” и “продажи” ( “bid price” и “ask price” ) дает электронная
система “NASDAQ”, включающая акции порядка 5 тыс. компаний, прини
мающих участие в ОТС. Через дилеров брокеры могут в любой момент
узнать цены покупки и продажи, предлагаемые другими дилерами. После
этого брокер может вступать непосредственно в “торговый контакт” с тем
дилером, чья предлагаемая цена его больше устраивает.
Интернационализация экономики привела к необходимости знания со
стояния не только компаний собственной страны, но и других стран. Со
ответствующие издания также существуют (в США принята такая терми
нология: термины “World” , или “Worldwide” или “Global” относятся ко
всем рынкам, включая и рынок США; термин же “International” относит
ся к иностранным рынкам, не включая США).
О состоянии 16 основных мировых (International) бирж можно узнать
из ежедневно публикуемой газеты “The Wall Street Journal” печатающей
в разделе “Stock Market Indices” дневное состояние индексов закрытия
вместе с процентным и абсолютным его изменениями в сравнении с про

шлым днем.
Каждый хорошо знает по многочисленным публикациям, даже в обыч
ных газетах, что цены акций, значения всевозможных финансовых индексов
меняются весьма замысловатым, хаотическим образом.
Вот, например, график, показывающий изменение индекса D JIA:
09. 10.1989
Р и с . 3. Эволюция индекса DJIA (Dow Jones Industrial Average).

В день краха, 19.10.1987, индекс DJIA упал на 508 пунктов
На следующем рис. 4 представлен график изменений дневных значений

S — (Sn) индекса S&P500 в период 1982-88 гг. Из дальнейшего станет
ясно, что с точки зрения изучения поведения “стохастической” составляю
щей в индексах удобнее иметь дело не с величинами S = (Sn), а с величина-
5
ми hn — In —----- , интерпретируемыми как “возврат”, “отдача” “логариф-
Ьп- 1
мическая прибыль” (см. § 1а в гл. II) и ведущими себя более “однородно”
нежели S = (Sn). Соответствующий график значений h = (hn) приведен
на рис. 5.
Резкий спад в конце 1987 г., четко выраженный на рис. 3 и 4, относит
ся к известному октябрьскому краху, когда цены акций резко упали и ин
весторы, опасаясь “потерять все” бросились продавать акции. Массовый
характер начавшегося избавления от акций вызвал все нарастающий эмо
циональный и психологический хаос и привел к обвальному выбросу акций
на рынок для продажи. Так, например, на бирже NYSE в январе 1987 г.
Рис. 4. Индекс S&P500 в период 1982-88 гг.
Sn
Рис. 5. Дневные значения hп = In — для индекса S&P500, построенные
Ьп-1
по данным рис. 4
1.530
L 5 i5 t , , , , , , , , ,
0 3 6 9 12 15 18 21 24
Р и с . 6. Динамика средних значений (между ценами покупки и продажи)

в обменном курсе D E M /U SD в течение 24 часов 19.08.1993 года
(точка 0 соответствует 0:00 по Гринвичу)
в дневном обороте участвовало примерно 300 млн. акций. В день же краха,

19 октября 1987 г., для продажи было выброшено 604 млн. акций, а 20 ок
тября эта цифра поднялась до 608 млн.
В день краха “цена открытия” акции AT&T была равна 30, а “цена за
крытия” равна 231 . Тем самым, в процентном отношении потери этой ком
пании составили 2 1 .2 %.
Глобальным же образом, индекс DJIA 19 октября 1987 г. по сравнению
с состоянием на 31 декабря 1986 г. упал на 22.6%, что в абсолютном выра
жении составило 500 миллиардов долларов (1 миллиард = 109).
Другой известный экономический кризис, 1929 года, также происшед
ший в октябре, характеризуется тем, что в дневном обороте биржи NYSE
24 октября (докризиса) участвовало 12.9 млн. акций, ав день краха, 29 ок
тября - уже 16.4 млн. акций. Соответственно, индекс D JIA по сравнению с
31 декабря 1928 г. упал на 12.8%, что в абсолютном выражении составило
14 миллиардов долларов.
В дополнение к рис. 3-5, хорошо иллюстрирующим флуктуационный
характер изменений индексов DJIA и S&P500 в течение ряда лет, ука

жем также на рис. 6 , наглядно показывающий, как менялся обменный курс
DEM/USD в течение одного бизнес-дня (четверг, 19.08.1993).
Первая попытка математического описания эволюции стоимостей
S = {St )t^о акций (на парижском рынке), опирающегося на концепции
теории вероятностей, была предпринята JI. Башелье (Louis Bachelier;
11.03.1870-28.04.1946) в его диссертации “Theorie de la speculation” опуб
ликованной в 1900 г. в Annales scientifiques de l’Ecole Normale Superieure,
том 17, 1900, c. 21-86, [12], где он предложил рассматривать 5 = (St )t^о
как случайный процесс.
Анализируя экспериментальные данные цен , t = 0, А, 2 А , . . . , (с ин
тервалом времени А ), он замечает, что s [ ^ —5 ^ д имеют (в статистичес
ком смысле) нулевое среднее и флуктуации | — 5 ^ д |порядка л /А .
Таким свойством обладает, например, случайное блуждание 5*Л\
t = 0 , Д , 2 Д, . . . , с
S<*> = So + Е « f ’•
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,
где W = (И ^ )^ о есть не что иное, как рассмотренное JI. Башелье броунов

ское движение (или винеровский процесс - в честь Н. Винера (N. Wiener,
[476]), построившего этот процесс в 1923 году и развившего для него стро
гую математическую теорию; см. также далее § За, гл. III).
Отправляясь от броуновского движения, JI. Башелье дал формулу для
математического ожидания С т = Е /т с / т = (S t — К ) + , что с современ
ной точки зрения есть (в предположении, что процентная ставка банковско
го счета г = 0 ) значение рациональной (справедливой) стоимости (пре
мии) , которую покупатель стандартного опциона-колл (call option) должен
заплатить продавцу опциона, обязавшемуся продать покупателю акции в
момент исполнения (maturity time) Т по цене исполнения (strike price, exer
cise price) К (см. далее § 1с). (Если St > К , то покупатель опциона имеет
суммарный выигрыш, равный St — К — С т, поскольку он может купить
акции по цене К и тут же их продать по более дорогой цене 5 т ; если же
St < К , то покупатель просто не предъявляет опцион к исполнению, и его

потери равны выплаченной им премии С т-)
Найденная JI. Башелье формула (см. § 1а, гл. VIII)
<т)
где
= ~7^= е ~х2/2’ Ф (х )= I (р{у) dy,
V J —оо
явилась предвестником знаменитой формулы Блэка и Шоулса (см. § lb,

гл. VIII) для рациональной стоимости стандартного опциона-колл в случае,
когда S = (St) описывается геометрическим, или экономическим,
броуновским движением
Si = 5 oe^ ^ t+ (/, - <T2 / 2 )i) (8)
где W = (W t)tô - броуновское движение.

В предположении, что процентная ставка г банковского счета равна ну
лю, формула Блэка и Шоулса дает следующее выражение для рациональ
ной стоимости Ст = Е(S t ~ К ) + стандартного опциона-колл:
Ст = S0$ (y+ ) - К Ф (у_ ), (9)
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 ’
что дает представление о росте величины рациональной стоимости опцио

на-колл с ростом “времени исполнения” Т.
Проблема “правильного” описания динамики тех или иных финансовых
индексов S = (St)tô, типа цен акций, далека от своего завершения и явля
ется предметом многочисленных исследований теоретико-вероятностного
и статистического характера. (Далее этим вопросам посвящаются II, III
и IV главы.) Как уже объяснялось ранее (п. 4), аналогичная (и, пожалуй,
более трудная) проблема возникает также в связи с описанием стохасти

ческой эволюции рыночных цен облигаций V — {Р(£, Т )} как случайных
процессов (0 ^ £ ^ Т < о о ) с фиксированными условиями на “правом
конце” т. е. при t — Т. (Эти вопросы рассматриваются далее в гл. III.)
§ 1с. Рынок производных ценных бумаг.

Финансовые инструменты
1. Резкое повышение интереса к рынку ценных бумаг во всех странах ми

ра относят к началу семидесятых годов. Естественно попытаться понять,
что же произошло к началу семидесятых годов, что послужило толчком
к новым сдвигам в экономике и, в частности, на рынке ценных бумаг.
Финансовый рынок (включая и рынок капитала - долгосрочных бумаг, и
денежный рынок - краткосрочных бумаг) в шестидесятые годы отличался
очень низкой волатильностью (изменчивостью), процентные ставки ста
ли очень устойчивыми, обменный курс валют был фиксированным. С 1934
года по 1971 год США придерживались политики покупки и продажи зо
лота по фиксированной цене 35 долларов на унцию (= 28.25 г). Доллар
США рассматривался как эквивалент золота, был “так же хорош, как и
золото” Тем самым, истинная цена золота определялась не рыночными си
лами, а искусственным образом.
Такое общее состояние рынка ограничивало инициативу инвесторов,
сдерживало введение новой финансовой технологии.
С другой стороны, в 70-х годах произошло несколько событий, способ
ствовавших значительным структурным изменениям и возрастанию вола
тильности на финансовых рынках. Перечислим наиболее важные среди
них (см. [345], [108], а также п. 2 в § lb).
1 ) Отказ (1973 г.) от фиксированного обменного курса валют (для ряда
групп стран) и переход к “плавающему” курсу (для некоторых видов ва
лют в определенном “коридоре” ), что поставило, в частности, интересную
и важную задачу об оптимальных интервенциях центральных банков.
2) Обесценивание доллара (по отношению к золоту): в 1971 году адми
нистрация Р. Никсона отказалась от фиксированной цены в 35 долларов за
унцию золота. Это привело к тому, что в семидесятых годах цена золота
в долларовом исчислении резко взлетела вверх: в 1980 году она была равна
570 долларов за унцию, в 1984 году упала до 308 долларов; с 1984 года эта
цена флуктуирует, преимущественно, в интервале 300-400 долларов.
3) Всемирный нефтяной кризис, возникший в связи с политикой нефтяно

го картеля ОПЕК (ОРЕС), ставшего одним из основных законодателей цен
на нефть на международном рынке. (OPEC - Organization of the Petroleum
Exporting Countries - создана в 1960 году для унификации и координации
нефтяной политики членов этой организации с целью зашиты их интере
сов; в настоящее время ее членами являются Алжир, Венесуэла, Индоне
зия, Ирак, Иран, Катар, Кувейт, Ливия, Нигерия, Объединенные Араб
ские Эмираты, Саудовская Аравия.)
4) Упадок активности в реализации акций. (В США этот упадок в ре
альных терминах более значителен, нежели в период Великой депрессии
30-х годов.)
5) Разные страны оказались (особенно с учетом разрушительности Вто
рой Мировой войны) в разном экономическом состоянии.
В таких условиях традиционные “правила большого пальца” (the old
“rules of thumb” ) и простые модели регрессии стали полностью не соот
ветствовать состоянию экономики и, в том числе, финансового бизнеса.
И рынок, действительно, быстро среагировал на новые возможности
для инвесторов, получивших значительный простор для спекуляций (не
в худшем понимании этого слова, а в его первоначальном: “speculation” -
предположение, умозрительное построение, размышление). В разных мес
тах стали создаваться биржи по опционам, фьючерсам на облигации (бо
ны). В 1973 году была открыта СВОЕ - Chicago Board Options Exchange
- биржа по заключению стандартных контрактов с опционами. Вот как
инвесторы реагировали на новые, более динамичные возможности. В день
открытия, 26 апреля, было заключено 911 контрактов на опционы-колл на
16 видов акций; через год заключалось более 2 0 тысяч контрактов в день;
три года спустя - 100 тысяч в день; в 1987 году - 700 тысяч контрактов.
Если учесть, что каждый единичный контракт - это сделка на куплю или
продажу партии из 100 акций, то, следовательно, в дневном обороте 1987
года было задействовано 70 млн. акций. (См. подробнее [353].)
В этом же 1987 году на Нью-Йоркской бирже NYSE (New York Stock
Exchange) в дневном обороте участвовало 190 млн. акций.
1973 год был знаменателен не только созданием первой организованной
биржи по заключению стандартных контрактов с опционами. В этом же
году были опубликованы две работы: F. Black and М. Scholes. The pric
ing of options and corporate liabilities, [44] h R .C . Merton. The theory of
rational option pricing, [346], совершившие, можно сказать без преувели
чения, революцию в методологии финансовых расчетов. Трудно, пожа
луй, указать другие теоретические публикации в финансовой литературе,
которые бы с такой быстротой нашли применение в практике финансовых

расчетов и стали к тому же источником многочисленных исследований как
более сложных опционов, так и других видов производных ценных бумаг.
2. Среди производных ценных бумаг как инструментов финансовой ин

женерии наиболее заметное место занимают опционы и фьючерсные кон
тракты. Общепризнано, что и те, и другие имеют очень высокий риск,
но в то же самое время они и их разнообразные комбинации с успехом ис
пользуются не только с целью получения (спекулятивного) дохода, но и как
средство защиты от драматического изменения цен.
Опцион (option; выбор) - это ценная бумага (контракт), выпускаемая
фирмами, корпорациями, банками и другими финансовыми институ
тами и дающая покупателю право купить или продать определенную
ценность (например, акцию, облигацию, валюту) в установленный
период или момент времени на заранее оговариваемых условиях.
В отличие от опционов, дающих право на покупку или продажу,
Фьючерс, или фьючерсный контракт (futures; заблаговременный,
будущий контракт) - это соглашение-обязательств о купить или
продать определенную ценность (например, зерно, золото, валюту)
в определенный момент в будущем по (фьючерсной) цене, оговаривае
мой в момент заключения соглашения.
а) Фьючерсы представляют практический интерес и для продавцов, и
для покупателей самых разнообразных товаров и ценностей.
Так, например, разумный фермер, беспокоящийся о продаже будущего
урожая по “хорошей” цене и боящийся драматического скачка цен “вниз”
предпочтет лучше заключить “подходящий” контракт с мельником (пека
рем) о поставке (еще и не выращенного-то) урожая, вместо того, чтобы
дожидаться потом его созревания и продажи по той цене, которая (кто зна
ет как!) сложится на рынке в будущем.
Соответственно и мельник (пекарь) заинтересован в покупке зерна по
“подходящей” цене, также думая о том,чтобы избежать возможного зна
чительного подорожания зерна в будущем.
В конечном счете цель и одного, и другого одна - минимизировать риск,
обусловленный неопределенностью будущих значений цен на рынке. В этом
смысле фьючерсные контракты являются формой взаимного соглашения,
которая может устроить обе заинтересованные стороны.
Прежде чем переходить к содержательной стороне фьючерсных контрак
тов, уместно сначала остановиться на родственной им форме соглашений -
так называемых форвардных контрактах.
/?) Как и в случае фьючерсных контрактов,

Форвардный контракт, или форвард, есть также соглашение о по
ставке-покупке некоторой ценности или товара в будущем по заранее
оговариваемой (форвардной) цене.
Разница между фьючерсным и форвардным контрактами состоит в том,
что форварды обычно заключаются между двумя сторонами без каких-ли
бо посредников. Фьючерсные же контракты заключаются на организован
ных биржах, причем задействованные “покупатель” и “продавец” могут
вовсе и не знать друг друга, а специальная система текущих перерасчетов
делает отказ той или иной стороны от контракта делом убыточным.
Обычно о том, кто хочет что-то купить, говорят, что он “занимает длин
ную (long) позицию” Тот же, кто обязуется осуществить поставку, “зани
мает короткую (short) позицию”
Кардинальный вопрос и форвардных, и фьючерсных контрактов - это
вопрос о договорной цене, называемой соответственно “форвардной” и
“фьючерсной” ценой, которая на самом деле (в момент расчета) может
оказаться отличной от рыночной цены поставляемого товара.
Схематично операции с форвардами выглядят следующим образом:
деньги
продавец покупатель
товар
Здесь товар понимается в широком смысле. Например, им может быть

валюта. При этом, если Вы хотите, скажем, за американские доллары
(USD) купить швейцарские франки (CHF), то, гипотетически, информа
ция о форвардах может выглядеть следующим образом:
Сегодняшняя цена 1 USD = 1.20 CHF,

(т.е. за 1 USD можно купить 1.20 CHF);
30-дневный форвард 1 USD = 1.19 CHF;

90-дневный форвард 1 USD = 1.18 CHF;
180-дневный форвард 1 USD = 1.17 CHF.
Представленная здесь ситуация является типичной в том смысле, что с уве

личением интервала времени (срока поставки) за 1 доллар Вы будете по
лучать меньше и, значит, если Вам через 6 месяцев надо иметь 10 ОООшвей
царских франков, то за это надо будет заплатить
10000
- -- --- = 8 547 (долларов).
Но если бы Вы сейчас нуждались в 10000 швейцарских франков, то это

обошлось бы в
——-= 8 333 (доллара).
1•
Понятно, что реальная, рыночная стоимость 10000 CHF через 6 месяцев

может оказаться отличной от 8 547 USD. Она может быть и меньше, но мо
жет быть и больше, что определяется состоянием курса CHF/USD через
6 месяцев.
Форвардное соглашение - это, как уже отмечалось, соглашение между

двумя сторонами, и в принципе существует потенциальная опасность его
нереализации. К тому же часто бывает трудно найти поставщика требую
щегося Вам товара и, соответственно, наоборот - найти заинтересованного
покупателя.
7 ) Видимо, именно эти обстоятельства привели к возникновению фью
черсных контрактов, торгуемых на биржах со специальным механизмом
перерасчета, который в общих чертах может быть описан следующим об
разом.
Представим, что 1 марта Вы даете своему брокеру указание купить на
торговой бирже, скажем, 1 октября определенное количество пшеницы
(с указанием ориентировочной цены). Брокер передает этот заказ на
биржу, которая в свою очередь передает этот заказ одному из трейдеров
биржи. Трейдер подыскивает подходящую цену и в случае ее нахождения
дает сигнал другим трейдерам о том, что он желает купить контракт по
этой цене. Если какой-то трейдер соглашается, то дело сделано. Если
же этого не происходит, то трейдер уведомляет брокера, а он - Вас
о наличии товара по более высокой цене, и Вы должны принимать то
или иное решение.
Допустим, что, в конце концов, контракт заключен, и Вы - покупатель -
занимаете длинную позицию, а продавец - короткую.
Далее, пусть Фо есть (фьючерсная) цена, относительно которой обе сто
роны договорились, что пшеница будет поставлена 1 октября (по цене Фо).
Теперь, чтобы контракт был действительно заключен, каждая из сторон
должна внести на специальный счет биржи определенную сумму (поряд
ка 2 % - 1 0 % от Фо в зависимости от авторитета клиентуры), называемую
начальной маржой (initial margin). В дальнейшем в дело вступает опре
деленная система перерасчета, осуществляемая в конце каждого дня и со
стоящая в следующем.
Допустим, что в момент (исполнения) t — 0 Фо = 10000$ есть (фью
черсная) цена поставки пшеницы в момент Т — 3, т. е. через три дня, и
пусть к концу следующего дня (t = 1 ) рыночная фьючерсная цена постав

ки пшеницы в момент Т = 3 стала равной 9 900 $. В этом случае клирин
говая палата биржи перечисляет на счет поставщика (т. е. фермера) 1 0 0 $
(= 10 000 — 9 900). Таким образом, фермер получил прибыль и начинает
как бы оперировать с контрактом, фьючерсная цена которого теперь равна
9900$, ане 10000$.
Заметим, что если бы в конце первого дня осуществлялась поставка по
этой новой фьючерсной цене 9900$, то суммарная величина, полученная
фермером, была бы в точности равна фьючерсной цене Фо, поскольку
1 0 0 $ + 9900$ = 1 0 0 0 0 $ = Ф0.
Естественно, что эти 100 $ клиринговой палатой снимаются со счета по
купателя, и он должен внести дополнительно 100 $ на счет маржи. Возмож
на, впрочем, и ситуация, когда требование о дополнительном взносе посту
пает только тогда, когда маржовый счет падает ниже некоторого опреде
ленного уровня (maintenance margin).
Пусть аналогичное происходит и в момент t = 2 (см. рис. 7). Тогда фер
мер получает на свой счет поступление в 2 0 0 $ и столько же будет снято со
счета покупателя.
Но если в момент t = 3 фьючерсная цена поставки (= реальная цена)

станет равной 10100$, то со счета фермера будет снято 300$ (= 10 100 —
9 800) и, следовательно, суммарно он потеряет 100$ (= 300 — 200), а
покупатель получит эти 1 0 0 $.
Заметим, что если бы в момент Т = 3 покупатель решил купить пшеницу
(с мгновенной поставкой) в момент Т = 3, то он должен был бы заплатить
10100 $ (= реальная цена в этот момент). Но с учетом того, что покупатель

уже получил на свой счет 1 0 0 $, фактическая для него цена поставки равна
1 0 1 0 0 — 1 0 0 = 1 0 0 0 0 ($), т. е. в точности совпадает с договорной ценой Ф0.
Аналогично и для фермера: фактически полученная плата за поставку

в точности равна 10000$, поскольку в момент Т = 3 он получает реаль
ную цену 1 0 1 0 0 $, но с учетом снятых у него со счета 1 0 0 $ это в точности
равно 1 0 0 0 0 $.
Из приведенного изложения становится понятной роль клиринговой па
латы как “сторожевого пса” (watchdog), следящего за всем осуществлени
ем перерасчетов, состоянием маржи, что, в конечном счете, направлено на
то, чтобы контракт действительно “работал”
Как уже отмечалось выше, один из кардинальных вопросов теории рас
четов форвардных и фьючерсных контрактов состоит в отыскании “спра
ведливых” значений соответствующих цен.
Далее, в § 1е, гл. VI будет показано, как соображения “безарбитраж-
ности” в соединении с мартингальными методами позволяют дать форму
лы для форвардных и фьючерсных цен контрактов, заключенных в момент
времени t с исполнением поставок в момент Т > t.
£) Опционы. В теории и практике опционов как производных финансо
вых инструментов есть свои понятия, определенная специфическая терми
нология, с которыми имеет смысл ознакомиться уже на раннем этапе об
ращения к ним. Это тем более важно, что большая часть математического
анализа производных ценных бумаг далее будет относиться именно к опци
онам, что вызвано несколькими обстоятельствами.
Во-первых, математическая теория опционов наиболее продвинута и на
ее примере удобно изучать основные принципы оперирования с ценными
бумагами, в частности, принципы расчетов справедливых цен и хеджиру
ющих (т. е. защищающих) стратегий.
Во-вторых, реальный объем опционов, торгуемых на рынках, исчисля
ется миллионами штук, и, следовательно, для них имеется “хорошая ста
тистика” дающая возможность проверки качества вероятностно-статис
тических моделей эволюции цен опционов.
Хотя опционы известны как финансовые инструменты с давних пор (см.,
например, книгу [312]), пожалуй, JI. Башелье был первым, кто в своей,
ставшей теперь знаменитой, диссертации “Theorie de la speculation” [12],
в 1900 году дал первый математический анализ стоимости опционов и об
основал целесообразность инвестирования в опционы. А организованным
образом опционы стали продаваться, как уже отмечалось выше, не так уж
давно - с 1973 года (см. § 1с).
е) Для определенности последующего изложения, относящегося к оп

ционам, предположим, что финансовая активность происходит в моменты
времени
п = 0, 1, . . . , N
с завершением всякой деятельности в момент времени N.

Будем предполагать, что речь идет об опционах, построенных на акциях,
стоимость которых описывается случайной последовательностью
S = (Sn)o^n^N'
Согласно общепринятой терминологии, опционы делятся на два класса:

• опционы покупателя
( call option, отсюда происходит название опцион-колл);
• опционы продавца
{put option - опцион-пут).
Опцион-колл дает право покупки.
Опцион-пут дает право продажи.
С точки зрения финансовой инженерии важно то, что эти финансовые
инструменты “работают в разных направлениях” : когда доход от одного
растет, доход от другого уменьшается. Именно это обстоятельство объяс
няет широко распространенную практику диверсификации при опериро
вании с опционами разных классов, быть может, и в комбинации с другими
ценными бумагами.
По времени исполнения опционы классифицируются на два типа: Евро
пейские и Американские.
Если опцион предъявляется к исполнению только в заранее определен
ный момент времени iV, то говорят, что N - момент исполнения, а опцион
является опционом Европейского типа.
Если же опцион может быть предъявлен к исполнению в любой (случай
ный) момент времени т ^ iV, то говорят, что это - опцион Американского
типа.
На практике большинство торгуемых опционов являются опциона
ми Американского типа, которые дают больше свободы покупателю,
допуская выбор момента исполнения т. В случае же опционов Евро
пейского типа этот момент заранее определен (т = N ). Отметим, что
имеются случаи, когда опционы Американского и Европейского типов
“совпадают” (в том смысле, что “оптимальный” момент т для опциона
Американского типа равен N ). Подробнее см. гл. VI (§5Ь) и VIII (§3с).
Рассмотрим теперь, для определенности, стандартный опцион поку

пателя (call option, опцион-колл) Европейского типа со временем испол
нения N. Такой опцион характеризуется фиксированной в момент его по
купки ценой К , по которой покупатель может купить, скажем, акции, фак
тическая стоимость которых S n в момент N может, и существенным обра
зом, отличаться от К .
Если S n > К , то эта ситуация окажется благоприятной для покупа
теля, поскольку ему, по условиям контракта, дано право купить акции по
цене К , что он может и сделать с немедленной затем их продажей по ры
ночной цене S n - В этом случае получаемый им от этой операции доход
равен S n — К .
Если же окажется, что S n < К , т° данное покупателю право покупки
(по цене К ) ему ничего не дает, поскольку он может купить акции и по более
низкой цене (5дг).
Объединяя эти два случая, можно сказать, что в момент N доход поку
пателя /дг определяется формулой
/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,
(Sn - K ) - C n , если Sn > К,

—Сдг, если Sn ^ N.
Соответственно, доход продавца будет равен
Сдг — (S n — К ), если Sn > К,

Сдг, если Sn ^ N.
Из этих рассмотрений ясно, что покупка опциона-колл связана с надеж

дой на повышение стоимости акций. Подчеркнем также, что стоимость
опциона Сдг,конечно, зависит не только от iV, но и от К . Понятно при
этом, что чем меньше К , тем больше стоимость Сдг.
Замечание. Существует специальная терминология для тех, кто иг

рает на повышение и на понижение. Согласно [65]:
“Бык” (bull) - “дилер на фондовой бирже, валютном или товарном рын
ке, ожидающий, что цены поднимутся. Рынок ‘быков’ - это такой рынок,
на котором дилер с большей вероятностью будет покупать, а не продавать,
причем он может покупать даже за свой собственный счет, открывая по
зицию ‘быка’. ‘Бык’ с открытой ‘длинной’ позицией надеется продать по
более высокой цене то, что он купил, после повышения конъюнктуры на
рынке’.’
“Медведь” (bear) - “дилер на фондовой бирже, валютном или товарном
рынке, ожидающий падения цен. ‘Медвежий рынок’ - это рынок, на кото
ром дилер с большей вероятностью будет продавать ценные бумаги, валю
ту или товары, нежели покупать их. Он может даже продавать ценные бу
маги, валюту или товары, которых у него нет. Такие операции носят назва
ние ‘короткие продажи’, или ‘установление медвежьей позиции’. ‘Медведь’
надеется закрыть (или покрыть) свою короткую позицию путем покупки
ценных бумаг, валюты или товаров по ценам, более низким по сравнению
с теми, по которым он их продал. Разница между ценой покупки и первона
чальной ценой продажи представляет собой прибыль ‘медведя’ ’.’
В зависимости от соотношений между начальной ценой So и вели
чиной К опционы подразделяются на три категории: с выигрышем
(in-the-money), с нулевым выигрышем (at-the-money) и с проигрышем
(out-of-money). В случае опциона-колл этим категориям отвечают,
соответственно, соотношения: So > К , So = К и So < К .
Следует сразу отметить, что в положениях продавца и покупателя име
ется огромная разница.
Покупатель, купив опцион, просто выжидает наступление момента N
его предъявления, созерцая, быть может, как наблюдатель, за характером
изменения цен Sn, п ^ 0 .
Роль же продавца много сложнее, поскольку он должен думать о необ
ходимости исполнения контракта, что заставляет его не созерцательно от
носиться к движению цен Sn, п ^ 0 , а использовать все имеющиеся в его
распоряжении финансовые средства для составления такого портфеля цен
ных бумаг, который бы обеспечил выплату (S n — К ) + .
Ключевыми здесь являются следующие два вопроса - какова “справед
ливая” цена Сдг продажи-покупки опциона и как должен действовать про
давец опциона, чтобы выполнить условия контракта.
В случае стандартного опциона продавца (put option, опцион-пут)
Европейского типа со временем исполнения N фиксируется величина /Г,
по которой покупатель опциона имеет право продать (в момент N) акции.

Поэтому, если истинная цена акции в момент N равна S n vl S n < К , то ее
продажа по цене К даст доход К —S n • Чистый же доход, с учетом премии
Рдг за покупку такого опциона, будет равен
(.K - S n ) - F n .
Если же Sn > К, то предъявлять опцион к исполнению нет смысла,

поскольку обусловленная контрактом продажная цена К меньше рыночной
цены S n •
Таким образом, чистый доход покупателя опциона-пут будет равен
(.K - S n ) + - F n .
Как и в случае опциона-колл, здесь также возникает вопрос о значении
“справедливой” цены Рдг, которая бы устроила и продавца, и покупателя.
77) Рассмотрим иллюстративный пример на опцион-колл.
Пусть Вы покупаете 10 контрактов на акции. Каждый контракт обычно
заключается на 100 акций. Таким образом, реально речь идет о покупке
1 ООО акций. Предположим, что рыночная цена So каждой акции равна 30
(скажем, $), К = 35, N = 2 , премия за все 10 контрактов равна 250$.
Пусть, далее, рыночная цена S2 в момент п = 2 стала равной 40$. В этом
случае опцион предъявляется к исполнению, и отвечающий этой ситуации
чистый доход будет положительным:
(40 - 35) х 1 000 - 250 = 4 750 ($).
Если же рыночная цена S2 = 35.1 $, то, поскольку S2 > К = 35$, оп

цион снова будет предъявляться к исполнению, но соответствующий этой
ситуации чистый доход будет отрицательным:
(35.1 - 35) х 1 000 - 250 = -1 5 0 ($).
Ясно, конечно, что доход будет нулевым, если
(S 2 — К ) Л 000 = 250 ($),
т. е. тогда, когда S2 = 35.25 $, поскольку К — 35 $.

Таким образом, всякий раз, когда цена акции S 2 падает ниже отмет
ки 35.25 $, покупатель такого опциона-колл оказывается в проигрыше.
Предположим теперь, что рассматривается опцион-колл Американско
го типа с возможными моментами предъявления опциона к исполнению
п — 1 и п = 2 . Если вообразить, что в момент п — 1 произошло резкое по

вышение цен акций, скажем, Si = 50 $, то покупатель этого опциона-колл
имеет право предъявить его к исполнению в момент п — 1 , получив боль
шой чистый доход:
(50 - 35) •1000 - 250 = 15 000 - 250 - 14750 ($).
Но понятно, однако, что премия за такие опционы должна быть не 250 $,

а значительно выше, поскольку “за большие возможности надо и больше
платить’! И действительно, реальная стоимость опционов Американского
типа выше, нежели опционов Европейского типа. См. далее гл. VI и VIII.
Предыдущий пример рассматривался с позиции покупателя. Обратим
ся теперь к продавцу.
Для него, в принципе, имеются две возможности - это продавать ак
ции, которыми он уже владеет (этот случай называется “writing covered
stock” ), или же продать акции, которыми он не владеет (этот случай назы
вается “writing naked call” ).
Последняя возможность является очень рискованной и может оказать
ся просто разорительной, поскольку если опцион предъявляется к испол
нению (когда S2 > К ), то продавец должен реально купить акции, чтобы
их продать покупателю по цене К для выполнения условий контракта оп
циона-колл.
Если, скажем, S2 = 40 $, то надо будет заплатить 40000 $ за покупку
1 0 0 0 акций.
Премия же составляет всего лишь 250 $, и, следовательно, суммарный
убыток равен
40000 - 35000 - 250 = 4 750 ($).
Следует отметить, что в обоих рассматриваемых случаях чистый до

ход продавца не превышает 250 $. И если он его действительно получает,
то это чисто спекулятивный доход “на колебаниях цен акций” и к тому же
в случае “writing naked stocks” способ его получения весьма рискованный.
Тем самым можно сказать, что возможный здесь “доход продавца - это
компенсация за его риск”
3. В реальном мире с целью редуцирования риска “большие” инвесто

ры, имеющие большие финансовые возможности, широко прибегают к ме
тодам диверсификации, хеджирования, инвестируя средства в самые раз
нообразные ценные бумаги (акции, облигации, опционы, . . . ) , сырье и т. д.
В этом отношении весьма интересна и поучительна книга Дж. Сороса [451],
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.
4. Если говорить об опционах покупателя Европейского типа, т

как мы уже видели, они характеризуются
1) временем исполнения iV,
2 ) функцией выплаты/дг.
• Для стандартного опциона-колл
/лг = (SN - К) + .
• Для стандартного опциона-колл с последействием
I n — (S n - K n )+
где K n = min(5'o, S i , . . . , Sn )-
• Для арифметического азиатского опциона-колл
Следует отметить, что величина К , входящая, скажем, в функцию вы

платы /дг = (S n —К )+ стандартного опциона и называемая ценой испол
нения (strike price), обычно близка к значению So- Как правило, опционы
с большой разницей в значениях So и К не торгуются.
В случае опционов продавца:
• для стандартного опциона-пут
f N = (К - SN)+ ;
• для стандартного опциона-пут с последействием
/лг = (K n ~ Sn )+ , K n = max(5o, Si , . . . , Sn );
• для арифметического азиатского опциона-пут
1 N
/лг = (К — SN)+, S N = — — £ Sk.
k= О
Существует огромное количество опционов, многие из которых имеют

весьма экзотические названия (см., например, [414] и далее § 4а,Ь, гл. VIII).
В § 4е, гл. VI, приведены также некоторые виды стратегий, основанные на
опционах (комбинации, спрэды, сочетания).
Для покупателя опционы привлекательны тем, что они стоят не так до
рого, хотя комиссионные могут быть и значительными. Чтобы дать пред
ставление о том, как рассчитывается стоимость опционов (иначе - пре
мия, или невозвращаемая плата за их покупку), рассмотрим следующую
несколько идеализированную ситуацию.
Пусть стоимость акций Sn, 0 ^ п ^ N, такова, что
Sn — So + (£i + • • • + £n ),
где целое So > N и (£&) - последовательность независимых одинаково рас

пределенных случайных величин с вероятностью
P(£fc = ±1) = 1 .
Тогда заведомо Sn > 0 , 0 ^ п ^ N.

Предположим, что в нашем распоряжении находится также банковский
счет В = (Вп)о^п^лг с В п = 1, т.е. с процентной ставкой г = 0. Будем
рассматривать стандартный опцион-колл Европейского типа с функцией
выплаты /дг = (5дг — ДГ)+ .
Мы хотим показать, что рациональная (иначе - справедливая, взаимо
приемлемая) цена Сдг за покупку такого опциона определяется следую
щей формулой:
C N = E(Sn - К ) + ,
т. е. величина премии равна значению среднего выигрыша покупателя.

Формальному определению цены С дг, методам ее расчета в дальнейшем
будет уделено много места (см. гл. V). В рассматриваемом же случае фор
мулу Сдг = Е(5дг — К )+ можно обосновать следующим образом.
Предположим, что назначенная продавцом цена С дг > E(Sn —К ) + , ипо-
купатель опциона согласился его купить по этой цене. Покажем, что в этом
случае продавец заведомо имеет безрисковый доход, равный Сдг —Сдг.
В самом деле, покупатель опциона понимает, что он должен соглашать

ся с той ценой, которая дает продавцу возможность выполнить условия,
заложенные в контракт при покупке опциона. И понятно, конечно, что эта
цена не может быть “малой’! Но покупатель также понимает, что он не дол
жен переплачивать, а должен платить ту минимальную цену, которая бу
дет еще достаточна для того, чтобы продавец выполнил условия контрак
та.
Так что надо показать, что получив премию Сдг = Е(5дг — АГ)+ , про
давец опциона может так ею распорядиться (под этим здесь понимается ее
инвестирование) , чтобы условия контракта были бы выполнены.
Для простоты положим N = 1 и К = So. Тогда Ci = Пока
жем, как продавец (= эмитент) опциона может распорядиться этой преми
ей, с тем чтобы обеспечить выполнение условий контракта.
Представим \ в виде
Если обозначить X q = /?о *1 + 7 о *^ 0 (— ^)? т0 можно сказать, что полу

ченная премия \ образует (начальный) капитал эмитента, помещенный на
банковский счет (величиной /?о) и в акции (числом 7 0 ). То, что в рассмат
риваемом случае /?о отрицательно, просто означает заем (взятие в долг)
с банковского счета, который, разумеется, должен быть возвращен.
Пара (А ь 7 о) образует, как говорят, портфель ценных бумаг продавца
в момент п = 0 .
Какой капитал этот портфель даст в момент п — 1? Если этот капитал
обозначить Х \, то будем иметь
— Ро *В\ + 7о *S\ — А) + 7о(£о + £1 )
если £1 = 1,
если £1 = —1 .
Поскольку
г+ 1+ 6
S1 - о
то мы видим, что
* l= /l ( = ( S 1 - K ) + ).
Иначе говоря, портфель (/?о, 7о) обеспечивает получение капитала Xi ,

в точности равного функции выплаты Д , что дает продавцу возможность
выполнить условия контракта и при этом возвратить взятый долг.
Действительно, если Д = 1, то акции дадут ^(So 4- 1). Поскольку
то видим, что средств, полученных от акций, достаточно, чтобы вернуть

долг ивьшлатитьпокупателю (Si —К ) + = (Si —So)+ — £i~ = 1-
Если же = —1, то акции дадут \ (So —1). В этом случае покупатель не
предъявляет опцион к исполнению (ведь Si = So + £i — So — 1 < So = К) ,
и, следовательно, все, что должен выплатить эмитент, - это вернуть долг,
который равен ^(So — 1), т.е. в точности то, что получено в этом случае
(£i = —1) от акций.
Итак, если назначенная продавцом цена опциона есть Ci > Ci =
E(Si — i f )+ , то он будет иметь безрисковый доход Ci — C i, выполняя при
этом все условия опционного контракта.
Покажем теперь, что назначение премии Ci < Ci (= не даст эмитен
ту возможности выполнить (без потерь) условия опционных выплат.
Действительно, выбор портфеля (/Зо, 7о) дает
= /?о + 7oSo
= Ро 4- 7o(So 4- £i) = Хо 4- 7о£ъ
Если Д = 1, то по условиям опциона эмитенту надо вьшлатить покупате

лю 1 и еще —/?о, т. е. от акции надо в этом случае иметь
7o(So 4- 1) = 1 - Д).
В случае же = —1 от акции надо иметь
7o(So - 1) = - $ >
Таким образом, должно быть

Но при этих значениях До + 7 o*So = §> и,-следовательно, равенство

X o = / ? o + 7 o S 0 c X o < \ невозможно.
Итак, формула Сдг = Е(5дг — К ) + установлена для N — 1 и So = К.
В общем случае она может быть доказана с помощью аналогичных аргу
ментов. Мы не будем сейчас это делать, поскольку далее (в гл. V) эта фор
мула будет следовать из общих рассмотрений.
Отметим, что если So — К , то
Сдг = E(fi Н Ь
и из центральной предельной теоремы нетрудно заключить, что
Таким образом, с ростом времени N стоимость опциона растет как y/N.

Этот результат полностью согласуется с тем, который получается (при
So = К ) из формулы Башелье для С т, приведенной в конце § lb, соглас
но которой
(при <т = 1 и So = К ).
5. Как уже отмечалось, торгуемые опционы весьма разнообразны.

Например, в США весьма распространены опционы на индексы, к чис
лу которых относятся опционы на индексы S&P 1 0 0 и S&P500, торгуемые
на СВОЕ. (Опционы на S&PIOO являются опционами Американского типа,
а на S&P500 - Европейского.) В силу большой волатильности срок дейст
вия этих опционов весьма короток.
В случае опционов на фьючерсы роль цен (Sn) играют фьючерсные це
ны (Фп). В случае опционов на облигации ценами (St) служат цены об
лигации P(t, Т ). По поводу других видов опционов см. § 4а, гл. VIII.
2. Финансовый рынок в условиях
неопределенности. Классические теории
динамики финансовых индексов,
их критика и пересмотр.
Неоклассические теории
Вот лишь некоторые из вопросов, которые естественно возникают при

соприкосновении с теорией и практикой финансового рынка:
• как функционирует финансовый рынок в условиях неопределенности,
• как складываются и описываются цены и какова их динамика во вре
мени,
• на какие концепции и теории следует опираться при расчетах,
• предсказуемо ли будущее движение цен,
• каков риск тех или иных финансовых инструментов.
При описании динамики цен и расчетах, например, стоимостей произ
водных финансовых инструментов мы будем придерживаться той точки
зрения, что рынок ведет себя так, что на нем отсутствуют арбитражные
возможности. С математической точки зрения эта экономически по
нятная концепция приводит, по-существу, к тому, что существует так на
зываемая мартингальная (риск-нейтральная) вероятностная мера, от
носительно которой (нормированные) цены оказываются мартингалами,
что дает, в свою очередь, возможность использования хорошо развитого
аппарата “стохастического исчисления” для изучения их эволюции и для
разного рода расчетов.
Не преследуя здесь цель подробного изложения имеющихся теорий и
разных концепций финансового рынка, мы остановимся далее лишь на тех
из них, которые ближе всего по духу к изложению, принятому в данной
2. Финансовый рынок в условиях неопределенности 43
книге, где основной (вероятностный) акцент сделан на “стохастическое ис

числение” и “статистику” в финансовой математике и финансовой инжене
рии. (Укажем на некоторые учебные пособия и монографии: [79], [83], [112],
[117], [151], [240], [268], [284], [332]—[334], [387], [460], в которых можно най
ти отражение самых разнообразных аспектов финансового рынка - эконо
мические идеи, концепции, теории в условиях определенности и неопреде
ленности, модели равновесия, оптимальность, полезность, портфель, риск,
финансовые решения, дивиденды, производные ценные бумаги, ... .)
Вкратце отметим, что в двадцатых годах настоящего столетия, к кото
рым относят зарождение теории финансов, основной ее интерес был свя
зан, главным образом, с вопросами администрирования и увеличения фон
дов, а ее “высшая математика” сводилась, в сущности, к подсчету сложных
процентов.
Последующее развитие шло в двух направлениях - в предположении
полной определенности (в ценах, спросе, предложении, . . . ) и предполо
жении условий неопределенности.
В первом случае определяющую роль сыграли работы И. Фишера
(I. Fisher, [159]) и Ф. Модильяни и М. Миллера (F. Modigliani and
М. Miller, [356], [350]), рассматривавших вопросы оптимальных решений
для индивидуумов и фирм соответственно. С математической точки зрения
дело сводилось к задачам максимизации функций многих переменных при
наличии ограничений.
Во втором случае нужно прежде всего отметить работу Г. Марковитца
(Н. Markovitz, [332]) 1952 года и работу М. Кендалла (М. Kendall, [269])
1953 года.
Работа Г. Марковитца, заложившая основы теории портфеля (port
folio) ценных бумаг, была посвящена проблеме оптимизации инвести
ционных решений в условиях неопределенности. Соответствующий ве
роятностный анализ, именуемый mean-variance analysis (средне-диспер
сионный анализ), выявил исключительно важную роль ковариаций меж
ду ценами как того ключевого ингредиента, от которого зависит степень
(несистематического) риска создаваемого портфеля (набора) ценных бу
маг. Именно в работе Г. Марковитца была в полной мере осознана роль
идеи диверсификации при составлении портфеля для редуцирования не
систематического риска, оказавшей свое влияние на создание в 1964 году
В. Шарпом (W. Sharpe, [433]) и в 1976 году С. Россом (S. Ross, [412]) двух
классических теорий -
• С А Р М - Capital Asset Pricing Model

(Модель ценообразования основных фондов) [433],
• A P T - Arbitrage Pricing Theory
(Арбитражная теория расчетов) [412],
дающих объяснение того, как складывается и чем определяется доход
той или иной ценной бумаги (скажем, акции) в зависимости от состояния
“глобального рынка” на котором эта ценная бумага функционирует
(САРМ-теория), от каких факторов этот доход зависит ( APT-теория) и
из каких концепций следует исходить при финансовых расчетах. Основные
положения теории Г. Марковитца, теорий САРМ и A P T будут изложены
ниже в § § 2 b - 2 d.
Уже из этого краткого изложения становится понятным, что и теория
Марковитца, и теории САРМ, A P T относятся к проблематике редуциро
вания риска на финансовом рынке.
Говоря о риске3} следует иметь в виду, что в финансовой теории обычно
различают два его вида:
• несистематический риск, который можно редуцировать диверси
фикацией (diversifiable risk, unsystematic risk, residual risk, specific,
idiosyncratic, . . . ) , т.е. тот, на который инвестор может повлиять
своими действиями,
• систематический, или собственно рыночный риск (market risk,
undiversifiable risk, systematic risk).
Примером систематического риска может служить риск, связанный, ска
жем, со стохастической природой процентных ставок, индексов акций, и на
который ( “малый” ) инвестор не может оказать влияния своими действи
ями. Это не означает, конечно, что с этим риском нельзя “бороться” По
существу, именно с целью контролирования возможного систематическо
го риска, с целью выработки рекомендаций для рациональных финансовых
решений, с целью защиты от больших и катастрофических рисков (как, на
пример, в страховании) и создаются, притом довольно сложные, системы
по сбору статистических данных, их обработке, предсказанию возможного
движения цен на рынке. Именно этой цели служат производные финансо
вые инструменты, такие как фьючерсные контракты, опционы, комбина
ции, спрэды, сочетания, . . . . Именно этой цели служит и развитая для
них техника хеджирования (более сложная, нежели диверсификация) -
учитывающая вероятностные изменения в будущем движении цен и пре
следующая цель редуцировать риск от возможных неблагоприятных по
3>0 риске вообщ е, в том числе и в страховании, см. далее § § За, ЗЬ.
следствий этих изменений. ( “Хеджирование” и соответствующая теория

расчетов подробно рассматриваются в шестой главе.)
Работа М. Кендалла 1953 года [269], доложенная им на заседании Ко
ролевского статистического общества (Royal Statistical Society) Велико
британии, относится к другому, и в определенном смысле более началь
ному, вопросу о том, как ведут себя цены на рынке, какими стохасти
ческими процессами описывается динамика этих цен. Эта работа важна
тем, что поставленные в ней вопросы привели, в конечном счете, как к соз
данию “ Теории эффективного рынка” (Efficient Capital Market Theory-
ECM-theory), излагаемой в следующем параграфе, так и к созданию раз
нообразных ее уточнений и обобщений.
§ 2а. Гипотеза случайного блуждания

и концепция эффективного рынка
1. В тридцатых годах появилось несколько работ, в которых проводилс
эмпирический анализ различных финансовых характеристик с целью по
лучения ответа на сакраментальный вопрос: предсказуемо ли движение
цен, стоимостей и т.п.? Среди этих работ, написанных статистиками,
надо назвать прежде всего работы А. Каулеса (A. Cowles, [84], 1933 и, впо
следствии, [85], 1944), Г. Воркинга (Н. Working, [480], 1934), А. Каулеса
и Г. Джонса (A. Cowles and Н. Jones, [8 6 ], 1937). А. Каулес оперировал
с данными рынка акций, Г. Воркинг - с ценами товаров.
Хотя эти работы содержали богатый статистический материал и ин
тересные неожиданные выводы о том, что, скорее всего, приращения
Sk
hk = In — логарифмов цен Sk, k ^ 1 , являются независимыми, ни
Ьк-1
экономисты, ни практики не обратили должного внимания на эти работы.
Как отмечается в [35; с. 93], происходило это, видимо, потому, что, с од
ной стороны, экономисты рассматривали вопросы динамики цен как нечто
второстепенное (sideshow) в экономической системе, а с другой стороны, не
так много экономистов в то время имело соответствующую математичес
кую подготовку и владело статистической техникой.
Что касается практической стороны дела, то выводы этих работ о том,
что последовательность ( Hk)kî с Н к = hi Н \-hk носит характер “слу
чайного блуждания” (иначе - есть сумма независимых случайных вели
чин) , не согласовьюались с бытующим среди практиков мнением, что цены
следуют некоторым ритмам, циклам, трендам, ... , выявление которых
вроде бы только и могло дать основу для предсказания движения цен.
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
Sn = S0e Hn, n^l,
где H n есть сумма независимых случайных величин h i, . . . , hn.

Здесь уместно опять напомнить (ср. с § lb ) , что, на самом деле, идея
использования “случайного блуждания” для описания эволюции цен бы
ла впервые (до упомянутых работ А. Каулеса и Г. Воркинга) высказана
JI. Башелье в его диссертации 1900 года “Theorie de la speculation” [12].
JI. Башелье считал, что цены S = ( S ) (а не логарифмы цен, между
прочим) меняют свои значения в моменты времени А, 2 А , . . . , причем так,
что цена
+ £д + £гд + •••+ £&д,
где (£гд) ~ независимые одинаково распределенные случайные величины,
принимающие значения ±ау/ А с вероятностями |. Тем самым,
E S £ ! = S o, D S l% = a - ( k A ) .
Как уже отмечалось выше, полагая к = Л. Башелье формаль

[ к] ’* >0,
ным предельным переходом получает, что предельный процесс S = (St)t^ о
4) “ . . . Демон Случая извлекал случайным образом ч и сл о. . . и добавлял его к те

кущему значению для определения . . . цены в следующий момент”.
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,
где W = (И7*) есть то, что теперь принято назьюать стандартным

(Wo = О, ЕWt = 0 , ЕИ^ 2 = t) броуновским движением, или винеров-
ским процессом, т.е. случайным процессом с независимыми гауссов
скими (нормальными) приращениями и непрерывными траекториями.
См. подробнее § § За, ЗЬ в гл. III.
2 . После работы М. Кендалла резко увеличился интерес к более уг

лубленному изучению динамики финансовых показателей и построению
различных вероятностных моделей, объясняющих наблюдаемые эффек
ты, такие как, например, кластерность. Отметим в этой связи две рабо
ты конца пятидесятых годов - работу Г. Робертса (Н. Roberts, [405], 1959)
и М. Осборна (M .F.M . Osborne, [371], 1959).
Работа Г. Робертса, следующая идеям Г. ВоркингаиМ. Кендалла, была
адресована непосредственно практикам финансового бизнеса и содержала
эвристические аргументы в пользу ггтотезм случайного блуждания. Ра
бота астрофизика М. Осборна, названная “Brownian Motion in the Stock
Market”, возникла, по его же словам (см. [35; с. 103]), как желание апро
бировать его физическую и статистическую технику на реальных данных,
каковыми являлись цены акций. Не будучи знакомым с работами JI. Ба
шелье, Г. Воркинга и М. Кендалла, М. Осборн пришел, по-существу, к тем
же самым вьюодам, отмечая, правда (и это оказалось важным для даль
нейшего), что не сами цены St (с которыми оперировал JI. Баше лье), а
их логарифмы подчиняются броуновскому движению (со сносом). Эта же
мысль получила затем свое развитие в работе П. Самуэльсона (P. Samuel-
son, [420]), введшего в финансовую теорию и практику геометрическое
(или, как он говорил, - экономическое) броуновское движение
St = S0e,TWt+(fl- (T2/2)t, t2 0 ,
где W = (Wt) - стандартное броуновское движение.
3. Нельзя сказать, что гипотеза случайного блуждания для описания

эволюции цен была сразу принята экономистами, но именно она-то и при
вела к классической концепции рационально функционирующего (или, как
обычно принято говорить, эффективного) рынка, основная начальная цель
которой в том и состояла, чтобы найти аргументацию в защиту примене

ния вероятностной идеологии, и, в ее рамках, к естественности гипотезы
случайного блуждания и более общей гипотезы мартингальности.
С наглядной точки зрения “эффективность” здесь означает то, что ры
нок рационально реагирует на обновление “информации” - под этим под
разумевается, что на рынке:
1)
мгновенно производится коррекция цен, которые устанавлива
ются так, что оказываются в состоянии “равновесия” становятся
“справедливыми” не оставляя места участникам рынка для арбит
ражных возможностей - получения прибыли за счет разницы в це
нах;
2 ) участники рынка (трейдеры, инвесторы,. . . ) однородно интерпре
тируют поступающую информацию, при этом мгновенно коррек
тируют свои решения при обновлении этой информации;
3) участники рынка однородны в своих целевых установках, их дейст-
вияносят “коллективно-рациональный” характер.
С формальной же точки зрения понятие эффективности должно рас
сматриваться по отношению и в зависимости от характера получаемой
рынком и его участниками информации.
Принято различать следующие три вида доступной информации:
1° информация, содержащаяся в прошлых значениях цен;
2° информация, содержащаяся не только в прошлых значениях цен, но
ив публично доступных источниках (газеты, бюллетени, телеви
дение, . . . ) ;
3° вся мыслимая информация.
Для уточнения используемого здесь понятия “информация” будем исхо
дить из того, что “неопределенность” возникающая на рынке, может быть
описана (несколько подробнее об этом см. § 1 а в гл. И) как “случайность”
в рамках некоторого вероятностного пространства (f2, 3 , Р). Как обыч
но, здесь
= {и;} - пространство исходов, или пространство элементарных
событий,
3 - о-алгебра подмножеств
Р - вероятностная мера на (Г2, 3 ) .
Полезно дополнить вероятностное пространство (Г2,3 , Р) потоком
(фильтрацией) F = (&п)п^>о, состоящим из сг-подалгебр З п таких, что
З'т ^ З'п Q если т ^ п.
События из З п мы интерпретируем как “информацию” доступную на

блюдению до момента времени п (включительно).
4. Замечание. В связи с понятием “события” наблюдаемого до мо

мента времени п и формально являющегося множеством из отметим
следующее обстоятельство.
В экспериментальной деятельности (в том числе, и при наблюдении за
ценами) мы обычно интересуемся не столько тем, какой конкретный исход
имеет место, а тем, принадлежит ли исход тому или иному подмножеству
всех исходов.
Те множества А С для которых по условиям эксперимента (по со
стоянию рынка, применительно к рассматриваемой ситуации) возможен
ответ одного из двух типов: “исхода; £ А ” или “исхода; ^ Л” объявляют
ся (наблюдаемыми) событиями. Так, если ш = ( о ^ о ^ ^ з ) , где значение
и г = + 1 интерпретируется как “поднятие” цены в момент i, a о;* = —1 - как
“опускание” цены в этот момент, то пространство всех мыслимых исходов
(в этой трехшаговой модели) состоит из восьми точек
= { ( - 1 , - 1 , —1), (—1, —1, + 1 ) , . . . , (+1, +1, +1) }.
Если у нас имеется возможность регистрации всех значений o;i, о;г, о;з, то,
скажем, множество
А = { ( —1 , + 1 , —1 ), ( + 1 , —1 , + 1 ) }
будет “событием” поскольку, имея у со = (о;1 ,о;2 ,а;з) зарегистрирован

ные все три значения wi, Ш2 , шз, мы можем достоверным образом сказать
“о; £ Л” или “о; g А ”
Если же, однако, мы не имеем возможности фиксировать в момент г — 2
результат о>2 , т. е. нет “информации” об этом значении, то тогда множество
А уже не будет “событием” поскольку мы, имея только u>i и о;з, не можем
ответить на вопрос о том, будет ли ш = (o;i, cj2 , и>з) принадлежать или не
принадлежать множеству А.
5. Пространства (Г2, 3 , F = ( З п), Р) с выделенными потоками сг-алгебр

^ — (^п) в стохастическом исчислении принято называть фильтрованны
ми вероятностными пространствами. В контексте финансовой математики
мы будем называть F = ( З п) также потоком информации. С помощью
этого понятия разные формы эффективности рынков можно определить
так.
Пусть на (f2, 3*, Р) выделены три потока сг-алгебр
F 1 = (£*), F2 = I ), F3 = (£3),
где 3\ С 3% С ^ и каждая из сг-алгебр ^ интерпретируется как инфор

мация вида (г) в момент времени п.
Следуя Е. Фама (Е. Fama, [150], 1965), будем говорить, что рынок явля
ется слабо эффективным (weakly efficient), если каждая из цен S = (Sn)
(финансового инструмента на этом рынке) такова, что для всех них найдет
ся некоторая нормирующая цена В — (Вп)п^>о (обычно это безрисковый
банковский счет) и вероятностная мера Р, локально эквивалентная Р (т. е.
такая, что ее сужения Рп = р\&я на эквивалентны Pn = Р |З п для
каждого п ^ 0 ), такие, что
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.
Действительно, если цена S — (Sn)n>о Е Ж 2, то это означает, что Sn -

к -измеримый Е(5 п+ 1 |3^) = Sn. Отсюда, используя “телескопическое”
свойство условных математических ожиданий
E(S„+ 1 |#i) = E(E(S„+ 1 | ^ ) | ^ )

и учитывая, что Sn - ^-изм еримы (напомним, что 3\ порождается зна

чениями всех цен до момента гг, включая и значения 5^, к ^ гг), находим,
что Е(5п+1 |3^ ) = S'n, т.е. S' Е Ж 1.
Если £i, ••• ~ последовательность независимых случайных величин
с E|£fc| < 0 0 , Е& = 0 , к > 1 , ^ •,tn), = { 0 , ^ } Н^ С
то последовательность S' = (Sn)nô с Sn = £i + •••+ £п, гг ^ 1 , So = 0 ,
будет, очевидно, мартингалом относительно 3 ^ — (3 ^ )п^о и
E (S n+ i IЮ — Sn + E (^ n +i I г — 1? 2 , 3 .
Отсюда ясно, что последовательность S = (Sn)nô является мартинга

лом класса Ж г, если для каждого и величины £n+i не зависят от З п (в том
смысле, что для любого борелевского множества А событие {£n+i £ А } не
зависит от любого из событий из 3*п). Так что, если £ п+ 1 рассматрива
ется как “полностью новая информация” по отношению к 3^, то S будет
принадлежать классу Ж ъ.
Для дальнейшего важно отметить, что если X — (Х п) является мар
тингалом относительно потока F = (З п), Х п = х\ + •••+ х п, хо = 0, то
х — (хп) является мартингал-разностью:
Xyi - ^-измеримы,
Е|жп |< оо,
Е(яп |З п- 1) = 0.
Из последнего свойства следует, что в предположении Е|хп|2 < оо, п ^ 1,

для любых п ^ 0 и к ^ 1
Е х пх п-\-к = О,
т.е. величины х — (х п) являются некоррелированными. Иначе говоря,

квадратично интегрируемые мартингалы принадлежат классу случай
ных последовательностей с ортогональными приращениями:
Е A X nA X n+k —
где А Х п = Х п — X n- i = х п, A X n+k = #n+fc* Обозначая класс та

ких последовательностей O h (orthogonal increments, нижний индекс “ 2 ”
отвечает “квадратичнойинтегрируемости” ), получаем
Ж % С Ж 1 С Ж \ С 0 1 2.
Из всего сказанного следует, что, в конечном счете, эффективность

рынка надо понимать просто как мартингальность цен его активов.
Частным случаем такого рынка является рынок, где цены ведут себя как
случайное блуждание5)
.6 Почему гипотеза “мартингальности” обобщающая гипотезу “случа
ного блуждания” и заложенная в концепцию “эффективного рынка” яв
ляется вполне естественной? На этот счет имеется несколько причин, и,
пожалуй, наилучшее объяснение дается в рамках теории безарбитраж-
ных рынков, в которой эффективность рынка, или, более определенно,
его рациональность, просто ассоциируется с отсутствием арбитражных
возможностей, что, как будет видно из дальнейшего, самым непосредствен
ным образом приводит к появлению мартингалов. (См. об этом подробнее
далее в § 2а, гл. V.)
Сейчас же, чтобы дать некоторое представление о том, как в рассмат
риваемом контексте возникают мартингалы, приведем следующие элемен
тарные рассуждения.
Пусть S — {Sn)n^>1 , Sn - цена, скажем, акции в момент времени п. Обо
значим (Д Sn = Sn - Sn- i )
ASn
Pn П ^ lj
bn -1
- относительное изменение цен, называемое также процентной ставкой,

и предположим, что рынок функционирует так, что относительно потока
доступной информации F = п) величины Sn - -измеримы и (Р-п.н.)
Е(Рп |З'п-х) = Г, (1 )
где г - некоторая константа. Из двух последних формул находим, что
5n = ( l + P n ) 5 n_ 1 (2)
и (в предположении 1 + г ф 0)
E(5n |^n_ i)
ь п- 1 = — — • (3)
5) В вероятностно-статистической литературе “случайным блужданием” обычно

принято называть блуждание, описываемое суммой независимых случайных вели
чин. В экономической же литературе этот термин иногда используется и в другом
смысле - просто тогда, когда надо подчеркнуть случайный характер, скажем, дви
жения цен.
Мы предположили, что цены акций S = (Sn)n^о эволюционируют так,

что
A Sn = pnSn —1 , 77. ^ 1 .
Будем считать, что наряду с акцией имеется также банковский счет

В = (Вп)п^о такой, что
Д B n = r B n_i , п ^ 1, (4)
где г - процентная ставка, г ^ 0 , Во > 0 .

Поскольку В п = B q(1 + г)п, то из (3) найдем, что
А это и означает, что последовательность относительно потока

F = (^n)n^ 1 является мартингалом. П^ 1
Сделанное вьпне допущение Е(рп \ ^ п - 1 ) = г (Р-п.н.) представляется с
“экономической точки зрения” весьма естественным - если оно нарушается,
скажем, в том смысле, что Е(рп |6Pn- i ) > г (Р-п.н.) или Е(рп |&n- i ) < ^
(Р-п.н.), 77 ^ 1, то инвесторы быстро бы обнаружили, что более выгодно
только инвестирование в акции в первом случае и только размещение
средств на банковском счете во втором случае. По другому можно сказать,
что в том случае, когда одна ценная бумага “доминирует” другую, то
менее ценная бумага должна быстро исчезнуть с рынка, что и отвечает
представлению о “правильно”, “эффективно” устроенном рынке.
7. Теперь несколько усложним рассмотренную модель (2 ) эволюции це
акций.
Если считать, что в момент 77 — 1 Вы покупаете акцию стоимостью
Sn_ ! и в момент 77 ее продаете (по цене Sn), то Ваш (абсолютный) “доход”
который может быть как положительным, так и отрицательным, будет ра
вен A Sn = Sn —Sn-\. Более реалистично “доход” измерять, конечно, не в
абсолютных величинах A Sn, а (как это уже было сделано) в относитель
ных [ - п], т. е. соизмерять A Sn с затратами Sn- \ на покупку акции.
Если, скажем, SVi-i = 2 0 , a Sn = 29, то A Sn = 9 и это по отношению
к 20 не так уж и мало. Но если Sn- i = 200, a Sn = 209, то приращение
A Sn = 9 и по отношению к 200 - это не так уж и много.
Тем самым, в первом случае рп = 9/20 (= 45%), а во втором рп — 9/200
(= 4.5%).
Для простоты выражений эту величину относительного дохода (на

ряду с уже использованным наименованием “процентная ставка”, или “слу
чайная процентная ставка” ) часто называют возвратом (return) или ко
эффициентом прироста. Этой терминологии мы также будем в дальней
шем придерживаться.
В соответствии с данной интерпретацией приращения Д Sn = Sn —Sn- ±
как дохода от покупки (в момент п — 1 ) и продажи (в момент и) предполо
жим также, что есть дополнительный источник дохода, например, диви
денды от обладания акциями, которые в момент п будем считать ^ -и з м е
римыми и равными 5 п .
Тогда суммарный “абсолютный” доход будет равен A S n + Sn, а относи
тельная величина дохода равна
A S n + 5п , .
рп = . (5)
*->71-1
Интересно, конечно, было бы получить некоторые представления о том,

как могут вести себя цены (Sn) “глобально” если их “локальное” поведение
описывается моделью (5). Понятно, что для решения этого вопроса надо
сделать определенные допущения относительно величин (рп) и (йп).
Имея это в виду, допустим, например, что при всех п ^ 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,
Sn = Т -— E ( 5 ' n + 1 1$ п ) + 7 7 — E(<5n+ 1 I & п ) ,

1 + г 1+ г
что с учетом (6 ) приводит к равенству/
1
Sn —1 — , Л , \2 |З'п —Х)
(1 + г )
+ ( Г + г ) 2 ^ ^ П+1 ^^ П~ 1) + 1+ r I
Продолжая эту процедуру, находим, что для любого к ^ 1 и любого

п^ 1
к
= <7)
Отсюда становится понятным, что всякое ограниченное (|Sn |^ Const,

п ^ 1) решение уравнений (6) (для п ^ 1) имеет (в предположении
|E(<Wi I9 п)\ ^ Const, и ^ 0, г ^ 1) следующий вид:
о° 1
S» = E p ^ E('5 » + ‘ l-? ")- <8>
Это решение в экономической литературе именуют фундаментальным

решением (market fundamental solution; см., например, [211]). В том част
ном случае, когда дивиденды не меняются со временем (5п = 5 = Const) и
Е(р„| ^ n _ i ) = г > 0, из (8) следует, что (ограниченные) цены Sn, гг ^ 1,
также не могут меняться со временем:
8. Класс мартингалов достаточно широк. Он включает, например, и

рассмотренное выше “случайное блуждание” Далее, свойство мартингаль-
ности
Е ( Х п + 1 19 п ) = Х п
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].)
Наконец, отметим, что эмпирический анализ эволюции цен показывает

(см. § Зс, гл. IV), что автокорреляция величин
hn = In , п > 1,
близка к нулю, что можно рассматривать как подтверждение, хотя и кос

венное, гипотезы мартингальности.
9. Гипотеза эффективного рынка дала толчок к появлению новых фи

нансовых инструментов, устраивающих “осторожных” инвесторов, кото
рые являются приверженцами идей диверсификации (см. § 2Ь).
К числу таких новых финансовых инструментов надо отнести, в первую
очередь, одну из разновидностей “Фондов взаимных вложений” ( “Mutual
Funds” ) - так называемые “Index Funds’!
Специфика этих фондов состоит в том, что они инвестируют средства
(своих клиентов) в акции тех компаний, которые указаны в том или ином
“Индексе” акций.
Одним из первых таких фондов был (и есть) “The Vanguard In
dex Trust-500 Portfolio” созданный в 1976 г. Vanguard Group (США) и
оперирующий акциями (покупая и продавая их) тех компаний, которые учи
тываются в индексе Standard & Poor’s-500, составленном по ценам акций
500 компаний (400 индустриальных, 20 транспортных, 40 потребительских
и 40 финансовых).
Гипотеза эффективного рынка говорит о том, что изменение цен, а зна
чит, и изменение финансовых решений, происходит (и к тому же достаточ
но быстро) тогда, когда обновляется информация. Обычные же “рядовые”
инвесторы (будь-то индивидуумы или организации) не располагают доста
точной информацией и обычно не могут быстро реагировать на изменение
цен. К тому же операционные издержки индивидуального трейдинга, как
правило, таковы, что они “съедают” возможную прибыль.
В этом смысле инвестирование в “Index Funds” привлекательно именно
для тех “недостаточно информированных” инвесторов, которые не рассчи
тывают на получение “быстрых” и “больших” прибылей, а предпочита
ю т (осторожное) вложение средств в хорошо диверсифицированные ценные
бумаги долгосрочного действия.
Другими примерами аналогичных фондов (в том числе и по бонам)
в США являются: “The Extended Market Portfolio” “The Vanguard Small
Capitalization Stock Fund” “The Vanguard Bond Market Fund’,3 междуна
родные фонды - “The European Portfolio” “The Pacific Portfolio” . . . .
§ 2Ь. Портфель ценных бумаг.

Диверсификация Марковитца
1. Как уже было отмечено в § 2а, работа Г. Марковитца [332] 1952 год
сыграла определяющую роль в становлении современной теории и прак
тики финансового менеджмента, финансовой инженерии. В теории Мар
ковитца для инвесторов особенно привлекательной оказалась идея дивер
сификации (diversification) в составлении портфеля (portfolio) ценных бу
маг, поскольку она не только объясняла принципиальную возможность ре
дуцирования (несистематического, см. с. 44) риска инвестирования, но и
давала практические рекомендации того, как это делать.6)
Для пояснения основных положений и идей этой теории рассмотрим сле
дующую одношаговую задачу инвестирования.
Пусть инвестор имеет возможность свой начальный капитал х размес
тить по акциям A i , . . . , А дг, стоимость которых в момент п — 0 равна соот
ветственно *So(^4i), •••?Sq( A n ).
Пусть Хо(Ь) = &i5o(j4i) + ■■•+ &лг5о(-Алг)> гле h ^ 0, г = 1,... ,7V.
Иначе говоря, пусть
Ь - (bi,... ,&лг)
есть портфель ценных бумаг,тяеЬ{ - “число” акцийД^ стоимостью So(Ai).

Будем предполагать, что эволюция каждой акции Ai определяется тем,
что ее цена Si (Ai) в момент п — 1 подчиняется разностному уравнению
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
X 1(b) = h S 1(A1) + - - . + b NS1(AN),
6) Толковый словарь по бизнесу [65] дает такие определения:

Диверсификация - включение в портфель инвестиций ценных бумаг широкого
круга компаний с целью избежания серьезных потерь в случае спада, охватившего
лишь один из секторов экономики.
Портфель ценных бумаг - список ценных бумаг, находящихся в собственности
физического или юридического лица.
который желательно сделать “побольше’! Это желание, однако, должно

рассматриваться с учетом “риска” связанного с получением “большого”
дохода.
С этой целью Г. Марковитц рассматривает две характеристики капи
тала Х\ (6):
EXi(b) - математическое ожидание
DXi(b) - дисперсию.
Имея эти две характеристики, можно по-разному формулировать оптими

зационную задачу выбора наилучшего портфеля в зависимости от крите
рия оптимальности.
Можно, например, задаться вопросом о том, на каком портфеле b* до
стигается максимум некоторой целевой функции / = /(E Xi(b), DXi(6))
при “бюджетном ограничении” на класс допустимых портфелей:
В( х) = {b = (bi , ... ,Ьк): bi ^ О, Х 0(Ъ) = ж}, х > 0.
Естественна и следующая вариационная постановка: найти
inf DXi(b)
в предположении, что inf берется по тем портфелям 6, для которых выпол

нены ограничения
ь е в(х)1
EXi{b) = т ,
где т - некоторая константа.

Нижеследующий рисунок иллюстрирует типичную картину множест
ва точек (EXi(6), y/DXi(b) ), когда b Е В(х) и, возможно, имеются еще
дополнительные ограничения на Ь.
Рис. 8. Иллюстрация к средне-дисперсионному анализу

(mean-variance analysis) Марковитца
Из этого рисунка становится понятным, что если Вы интересуетесь мак

симальным средним значением капитала при минимуме дисперсищ то
следует выбирать те портфели, для которых (ЕХ\ (Ь), y/DXi (b) ) располо
жены на выделенной кривой с “начальной” и “концевой” точками а и /?.
(Г. Марковитц называет эти портфели эффективными, а весь проведен
ный анализ, оперирующий со средними и дисперсиями, - “mean-variance
analysis”)
2. Покажем теперь, что в одношаговой задаче оптимизации портфел

ценных бумаг можно вместо величин (*Si(.Ai),. . . , S i ( A n )) оперировать
непосредственно с процентными ставками (p(.Ai),. . . , p(Ajsf) ) , подразуме
вая под этим следующее.
Пусть b Е В (х ), т.е. х = biSo(Ai) + •••+ bjySo(Ajv). Введем величины
d = (d\, . . . , djsf), полагая
^ _ biSo(Ai)
d% —
х
N
Поскольку b G B ( x ) 1то di ^ 0 и d{ — 1. Представим капитал Х\ (Ь) в
г= 1
виде
Х 1(6) = (1 + Д (6))Х 0(6),
и пусть
p(d) — dip(Ai) + •••+ dfsrp(Aisr).

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-
Х 1(Ь) = х{1 + p(d))
и, следовательно, с точки зрения оптимизационных задач для Х\ (Ь) можно

оперировать с соответствующими задачами для p(d).
3. Обратимся теперь к вопросу о том, как диверсификацией можно д

биваться сколь угодно малого (несистематического) риска, измеряемого
дисперсией или стандартным отклонением величин Х\ (Ь).
С этой целью рассмотрим для начала пару случайных величин и £2
с конечными вторыми моментами. Тогда, если с\ и С2 - константы,
= у/Щ1, г = 1,2, то
D(ciî + С2С2) = (cifTi - с 2ст2) 2 + 2 c i c 2 ctict2 (1 + <т1 2 ) ,
где ai 2 — ^ , C o v ( £ i , £ 2 ) = E £ i £ 2 — E£i •E£2. Отсюда я с н о , ч т о

a 1 сг2
если с\0 \ = с2сг2 и а 1 2 = - 1 , то D(ci£i + с2£2) = 0.
Таким образом, если величины £ 1 и £2 отрицательно коррелированы
с коэффициентом корреляции о \ 2 — —1, то подбором констант с\ и с2 так,
чтобы с\0 \ = с2сг2, получаем комбинацию ci£i + с2£2 с нулевой дисперси
ей. Но, конечно, при этом среднее значение E(ci£i + с2£2) может оказаться
достаточно малым. (Случай с\ = с2 = 0 для задачи оптимизации не инте
ресен в силу условия b £ В(х).)
Из этих элементарных рассуждений ясно, что при заданных ограниче
ниях на (ci, с2) и класс величин (£1? £2) при решении задачи о том, чтобы
сделать E(ci£i + С2 &) “побольше” a D(ci£i + С2 &) “поменьше” надо стре

миться к выбору таких пар (£1 , £2 )? для которых их ковариация была бы
как можно ближе к минус единице.
Изложенный эффект отрицательной коррелированности, называе
мый также эффектом Марко витца, является одной из основных идей
диверсификации при инвестировании - при составлении портфеля цен
ных бумаг надо стремиться к тому, чтобы вложения делались
в бумаги, среди которых, по возможности, много отрицательно
коррелированных.
Другая идея, лежащая в основе диверсификации, основана на следую
щем соображении.
Пусть £1 , £2 ? •••> “ последовательность некоррелированных случай
ных величин с дисперсиями D& ^ С, г = 1 , . . . , 7V, где С - некоторая кон
станта. Тогда
ЛГ лг
D ( r f i 6 + •••+ d N £N ) = Y , d i2 V t i ^ C j 2 dl
i= 1 i=l
Поэтому, беря, например, di — 1/7V, находим, что
(j
D(di£i + •••+ djv£/v) ^ — - » О, N -> оо.
Этот эффект некоррелированности говорит о том, что если инвести

рование производится в некоррелированные ценные бумаги, то для умень
шения риска, т.е. дисперсии D(di£i Н + с?лг£лг), надо, по возможности,
брать их число N как мож но большим.
Вернемся к вопросу о дисперсии Dp(d) величины
p(d) = dip(Ai) Н h dNp(Aw).
Имеем
N N
Dp(rf) = X)d?Dp(i4<) + Y 1 <Ь<13 С о * ( р Ш , р ( А у ) ) .
Возьмем здесь di = 1/iV. Тогда
£ ф * м ) = ( £ ) ’ ■n . i £ D^ < > =
2= 1 2=1
_ 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 ,
где Covtv есть средняя ковариация:
Covjv = ^ С о у (р ( Л ), р (Л ) ) -
*J = l,
Таким образом,
= ^ л г + (i - Coviv, (1)
и ясно, что если ^ С и Cov^ —> Cov при TV —> оо, то
Dp(d) —^ Cov, TV —у оо. (2)
Из этой формулы мы видим, что если Cov равна нулю, то диверсифи

кацией с достаточно большим TV риск инвестирования, т.е. Dp(d), может
быть сделан сколь угодно малым. К сожалению, если рассматривать,
скажем, рынок акций, то на нем, как правило, имеется положительная
корреляция в ценах (они движутся довольно-таки согласованно в одном
направлении), что приводит к тому, что Covtv не стремится к нулю при
TV —> оо. Предельное значение Cov и есть тот систематический, иначе
- рыночный - риск, который присущ рассматриваемому рынку и дивер
сификацией не может быть редуцирован. Первый же член в формуле (1)
определяет несистематический риск, который может быть редуцирован,
как мы видели, выбором большого числа акций. (Подробнее теорию
“Mean-variance analysis” см. в [268], [331]-[333].)

( САРМ- Capital Asset Pricing Model)
1. Средне-дисперсионный анализ ( “Mean-variance analysis” ) для своих
расчетов оптимального портфеля требует знания Ер( A i) и Cov (р ( A i) ,р( A j ))
и не дает объяснения происхождения этих значений. (В реальной
практике эти величины оцениваются по прошлым данным обычными

статистическими средними и ковариациями.)
Теория САРМ {В. Шарп (W.F. Sharpe, [433]), Дж. Линтнер (J. Lint-
ner, [301])) и рассматриваемая далее теория A P T лают не только ответы
на вопросы о значениях величин Ер( A i) и Cov (р(A i), p ( A j )), но также и по
казывают, как величины (случайных) процентных ставок p(Ai) отдельных
акций Ai зависят от величины процентной ставки р “большого” рынка, на
котором торгуются A i . В дополнение к ковариациям Cov (р( A i ), р( A j )), иг
рающим ключевую роль в “средне-дисперсионном анализе” Марковитца,
теория СА Р М выявляет важную роль еще одного нового объекта - ковари
аций Соv(p(Aj), р) между процентными ставками акций А рынка и самого
рынка.
Теория САРМ и ее выводы базируются на концепции равновесного
рынка, подразумевающего, в частности, что на таком рынке отсутствуют
операционные издержки, все его участники (инвесторы) однородны в том
смысле, что имеют равные возможности оценивания будущего движения
цен на основе доступной всем им информации, имеют один и тот же
временной горизонт, все их решения основываются на средних значениях
и ковариациях цен. Предполагается также, что все рассматриваемые
активы “безгранично делимы” и что на рынке имеется безрисковая ценная
бумага (банковский счет, Treasury bills,. . . ) с процентной ставкой г.
Наличие безрисковой ценной бумаги является ключевым, поскольку
именно процентная ставка г входит во все формулы теории САРМ в
качестве “базовой” переменной, от которой производится отсчет.
В этом смысле полезно отметить, что долгосрочные наблюдения за сред
ними значениями Ep( Ai ) процентных ставок р ( А г) рисковых ценных акти
вов Ai показывают, что Ep( Ai) > г. Приведенная на следующей странице
таблица, составленная по среднегодовым данным, дает сопоставительное
представление о номинальных и реальных (с учетом инфляции) средних
значениях процентных ставок в США за период 1926-1985 гг.
2. Основные положения теории СА РМ поясним на примере одноэтапн
функционирующего рынка.
Пусть Si = So(l-bp) определяет значение (случайной) цены “большого”
рынка, скажем, для примера, индекса S&P500 в момент времени п = 1.
Через Si (А) = So(A)(l + р{А)) обозначаем стоимость актива А в момент
п — 1с процентной ставкой р(А) (А - некоторая акция из S&P500).
Эволюция цены безрискового актива определяется формулой
В г = В 0 {1 + г).
Таблица
Номинальная Реальное значение

Ценная бумага процентная процентной ставки
ставка с учетом инфляции
Common stocks 12% 8.8%
Corporate bonds 5.1% 2.1%
Government bonds 4.4% 1.4%
Treasury bills 3.5% 0.4%
Теория С А Р М , опираясь на заложенные в ней концепции равновесного

рынка, устанавливает (см., например, [268], [433]), что для каждого
актива А существует величина /3 ( А ), называемая бетой этого актива7]
такая, что
E [ p ( A ) - r ] = / 3( A ) E [ p - r } . (1)
При этом
C o v (p M ),,,)
Dp
Иначе говоря, среднее значение “премии” р( А) — г (при использовании

рискового актива А относительно безрискового актива) пропорциональ
но среднему значению премии р —г (при вложении средств в глобальную
характеристику рынка, скажем, в Индекс S&P500).
Формула (2) устанавливает, что значение “беты” т.е. /3 ( А ), определяет
ся корреляционными свойствами процентных ставок р и р( А) , или, равно
сильно, ковариационными свойствами соответствующих цен Si и Si (А).
Перепишем соотношение (1) в виде
Ер(^4) = г + (3( А) Е( р — г), (3)
и пусть для актива А с бетой /3 ( А) = /? соответствующее значение про

центной ставки р( А) обозначено pp.
Тогда в случае /3 = 0
Ро = г ,
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) .
а в случае /? = 1
Pi = Р-
С учетом этого видим, что (3) есть уравнение прямой САРМ :
Ерр = г + Щ р - г), (4)
изображенной на рис. 9, и показывающей, как для активов изменяется их

средний доход Ерр в зависимости от беты /5, процентной ставки г и среднего
рыночного дохода Ер.
Величина /3 = /3(А) играет важную роль при составлении портфеля цен

ных бумаг, являясь “мерой чувствительности” “мерой реакции” актива на
изменения на рынке. Для определенности будем считать, что показатель
рынка измеряется по индексу S&P500 и что компания А , чью акцию мы сей
час рассматриваем, входит в число пятисот компаний этого индекса. Тог
да, если изменение индекса произошло на 1%, а бета акции А равна 1.5, то
изменение цены акции А происходит на 1.5% (в среднем).
На практике определение беты активов осуществляется по статистичес
ким данным обычными линейными регрессионными методами, вытекаю
щими из линейности соотношения (3).
3. Образуем для актива А величину
МЛ) = (МЛ) - ЕМЛ)) - S Z M Q A f r - Ер).
Ясно, что Ег)(А) = 0 и

Е Ы А ) ( Р ~ Ер)) = 0 ,
т.е. величины т]{А) и р — Ер, имеющие нулевые средние, являются некор-

релированными. Следовательно,
р{А) - Ер(А) = Р(А)(р - Ер) + V(A), (5)
что вместе с (3) приводит к следующему соотношению между премиями

р(А) — г и р — г:
р { А ) - г = р { А ) { р - г ) + г}{А), (6)
показывающему, что премия (р( А) —г) актива А слагается из премии рын

ка (р —г), умноженной на бету (3(A), и величины 77(A), некоррелированной
с р - Ер.
Из (5) мы получаем формулу
Dp ( A ) = f 3 2(A) Dp+Dr) (A) , (7)
говорящую о том, что риск (Dp(A)) инвестирования в актив А складыва

ется из двух рисков -
систематического риска (/32 (A)Dp),
присущего рынку, и
несистематического риска (D77(A)),
присущего непосредственно активу А.

Как и в предыдущем параграфе, можно показать, что здесь, в рамках
САРМ, несистематический риск также редуцируется диверсификацией.
С этой целью предположим, что на “большом” рынке имеется N активов
А\, . . . , A n , для которых соответствующие величины 7 7 ( ^ 1 ) , . . . , 77 ( A n ) не
коррелированны: Cov(r](Ai),r](Aj)) = 0, i Ф j.
N
Пусть d = (d\, . . . , djy) - портфель ценных бумаг с di ^ О, £ di = 1 ,и
г=1
p(d) = di •р(А\) + •••+ djsf •p(Ajy).
В силу того, что

p(Ai) - Г = /3(Аг) [р - г] + Т](Аг),
имеем
N N
p(d) - г = dip(Ai) [р - г] + У ] diri(Ai).
i= 1 2=1
Поэтому, полагая
N N
0(d) = и 77(d) = y^djr)(Ai),
i= 1 г= 1
находим (ср. с (6)), что
p(d) - г = 0 (d) (р - г) + 77(d).
Значит, как и в предыдущем параграфе
Dp(d) = 0 2 (d)Dp+D7?(d),
N С 1
где D7?(d) = d fD Â i) ^ — -> О, N -> оо, если Drj(Ai) ^ С и di —
i= 1 A iV
§ 2d. Арбитражная теория расчетов

( A P T - Arbitrage Pricing Theory)
1. В теории С А Р М главный акцент сделан на то, как на рынке, нах
дящемся в определенном равновесии, индивидуальный доход актива зави
сит от дохода “большого” рынка, на котором действует этот актив (см. (1)
в § 2с), и каков риск его получения. При этом (см. в предыдущем параграфе
формулу (6)) доход (процентная ставка, возврат) р ( А ) актива А определя
ется формулой
р(А) = г + / 3 ( А ) ( р - г ) + г ) ( А ) . (1)
Более современная теория “риска и возврата” - Теория A P T (Arbitrage

Pricing Theory; С. Росс (S. A. Ross, [412]), Р. Ролл и С. Росс (R. Roll and
S. A. Ross, [410])) исходит из многофакторной модели, считая, что величи
на р ( А ) актива А зависит от некоторого количества случайных факторов
/ 1 ? •••>fq (их значения могут быть самыми разными - цена на нефть, про
центная ставка, . . . ) и “шумового” члена £(А):
р ( А ) = а о ( А ) + ai ( A) f i + •••+ aq( A) f q + С(А). (2)
При этом Б/* = 0, D /i = 1, Соv ( / i , / j ) = 0, i Ф j] “шумовой” член С{А)

имеет ЕС(А) = 0 и некоррелирован с факторами / 1 , . . . , f q и с “шумовыми”
членами других активов.
Из сопоставления (1) и (2) видим, что (1) является частным случаем

однофакторной модели с фактором f i = p . В этом смысле A P T является
обобщением САРМ, хотя с точки зрения практических расчетов мето
дология САРМ продолжает оставаться одним из излюбленных приемов
при расчетах ценных бумаг, что объясняется ее наглядностью, простотой
и традицией оперирования с бетой - мерой чувствительности активов
к изменениям на рынке.
Один из центральных результатов теории САРМ, опирающейся на кон
цепцию равновесного рынка, - это формула (1) из предыдущего парагра
фа для среднего значения “премии” Е(р(А)—г), выражаемого через среднее
значение премии Е(р —г).
Аналогичным образом, центральный результат теории APT, опираю
щейся на концепцию отсутствия на рынке асимптотического арбит
ража, - это приводимая далее (асимптотическая) формула для среднего
значения Ер(А) в предположении, что поведение р(А) актива А описывает
ся многофакторной моделью (2).
Напомним, что р(А) - это (случайная) процентная ставка актива А
в (рассмотренной выше) одношаговой модели Si (A) = So(A)(l + р{А)).
2. Будем предполагать, что имеется “iV-рынок” состоящий из N акти

вов А \, . . . , Ajsf и q факторов, причем
p(Ai) — ao(Ai) + ai(A*)/i + •••+ aq( Ai ) f q + ( (А{),
где Еfk = О, Е£(А;) = 0, ковариация Соу(Д,/*) = 0 при к ф I,

Of к = 1, Cov(/fe,C(î)) = 0, Cov(C (Ai),C(Aj)) - Oij, к, I = l , . . . , q n
Рассмотрим некоторый портфель d = (d\,. . . , dp/). Тогда отвечающий

ему “доход”
p(d) = dip(Ai) H b dnp( AN)
(3)
Ниже будет показано, что при некоторых предположениях на коэффици

енты dik многофакторной модели (2) можно найти такой нетривиальный
портфель d = (di, . . . , йдг), что
d\ + •••+ djy = 0, (4)

N
^ ^ di&ik 0, к 1 , . . . , q, (5)
г=1
N N
£ > < * « , = £<*?■ (6)

i —1 i —1
Тогда для портфеля Od = (0d i,. . . , 9dw), где 9 - константа,
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)
Если предположить (для простоты анализа; по поводу общего случая см.,

например, [240], [268]), что = 0, г ф j, ац — 1, то найдем, что
(п )
Формулы (9) и (11) являются ключевыми для последующего асимптоти-

N
ческого анализа. Из них видно, что если Y! 00 ПРИ iV — оо, то
г=1
p(dd) о о и а 2(в(1) 0. Если к тому же положить So(Ai) = ••• =
So(Ajv) = 1? то из условия d\ Н Ьdjy = 0 найдем, что начальный капи
тал портфеля 0d
Х о (9d) — 9( di + •••+ d w ) — 0,
а капитал в момент времени п = 1
Xi(ed) = chSÂx) + ••• + d f f S x i A f f ) = 9p(d) = p{9d).
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)
\1 dtfi dN2 ■■• dNq)

и по ней построим матрицу
m = d { d * d ) ~ 1d * , (13)
(14)
где I - единичная матрица, ао - вектор-столбец, состоящий из а ю « л г о •

Тогда для ао имеет место ортогональное разложение
ao — d -f- е (15)
и
<Г1 = 0, d*ak = О, (16)
гдеak -вектор-столбециз aifc,. . . , анк и 1 -вектор-столбец, составленный

из единиц.
Формулы (16) - это и есть в точности формулы (4) и (5), о которых шла
речь выше.
Из (14) и (15) имеем также
d*a0 = d*d + d*e = d*d
- требуемая формула (6).

Заметим теперь, что, согласно (14), вектор-столбец е может быть пред
ставлен в виде
е — AqI + Aiai + •••+ А^а^,
где числа Ао,. . . , Xq таковы, что
(А0, •••, Ag)* = { d * d ) ~ 1d * a 0.
Следовательно, вектор-столбец
Для “iV-рынка” все входящие в правую часть этой формулы коэффици

енты аю , .. •, a,ik, Ао,. . . , А*;, разумеется, зависят от N.
Предположение отсутствия асимптотического арбитража исключает
возможность (di = di(N))
= °°>
г=1
и, значит, в силу (17), коэффициенты “iV-рынков” должны быть такими,

чтобы
N 2
lim ]T ai0(N) - А0 ( N ) - £ Ak( N) aik(N) < оо. (18)
N
г=1
Это соотношение (как следствие предположения отсутствия асимптотичес
кого арбитража) в теории Л Р Т интерпретируют следующим образом: при
достаточно большом числе N активов, привлекаемых к созданию пор
тфеля ценных бумаг, “большинство” их должно быть таково, 'что
бы меж ду коэффициентами ao( Ai ) , ai ( Ai ) , ... ,ag(Ai) было выполнено
do{ Ai ) ~ Ао + ^ ^ Afcafc(Ai), (19)

i
где все рассматриваемые величины зависят от N и
do{Ai) = Ep(Aj).
При этом существует портфель d = (rfi,. . . , d^v), для которого дисперсия

дохода p(d) является (в силу (11)) достаточно малой, что говорит о том,
что в рассматриваемой многофакторной модели влияние “шумовых” чле
нов С(^г) и отдельных факторов может быть (в предположении от
сутствия асимптотического арбитража) редуцировано диверсифика
цией. Но надо помнить, что все это справедливо лишь при большом JV,
т.е. для “больших” рынков, а для малых рынков расчет (pricing) матема
тического ожидания дохода Ep(Ai) с помощью выражения в правой час
ти формулы (19) может приводить к весьма грубым ошибкам. (По поводу
соответствующих утверждений см. [231], [240], [412]; строгую математи
ческую теорию асимптотического арбитража, основанную на понятии
контигуальности ([250]) см. в [260], [261], [273] и далее раздел 3 в гл. VI.)
§ 2е. Анализ, интерпретация

и пересмотр классической концепции
эффективно функционирующего рынка. I
1. Основной концепцией, на которой зиждется понятие эффективног

рынка, является предположение о том, что цены мгновенно ассимилируют
новую информацию и устанавливаются таким образом, что не дают воз
можности “где-то что-то купить подешевле и в другом месте немедленно
продать подороже” т.е. не создают, как принято говорить, арбитражных
возможностей.
Как мы видели выше, эта концепция рационально устроенного, честно
функционирующего рынка была воплощена в то, что (нормированные) це
ны на таком рынке описываются мартингалами (относительно некоторой
меры, эквивалентной исходной вероятностной мере).
Напомним, что если X = ( Х п)п^о - мартингал относительно фильт
рации (^п)п^о? то E(Xn_|_m |З'п) = Х п. Поэтому оптимальная в средне
квадратическом смысле оценка X n+ m;n величины X n+ m, основанная на
“информации” ^ п, есть просто значение Х п , поскольку Х п+т,п совпадает
СE(^n-fm |^ гг)*
Можно тем самым сказать, что предположение мартингальности цен
( Хп) соответствует тому экономически понятному допущению, что на “хо
рошо организованном” рынке наилучший (по крайней мере в среднеквад
ратическом смысле) прогноз значения цены на “завтра”, “послезавтра” ...
по данным на “сегодняшний” день есть значение цены “сегодня’!
Иначе говоря, прогноз носит тривиальный характер, вроде бы исклю
чая возможность какого-либо предсказания “будущего движения наблю
даемых цен” (JI. Башелье, в сущности, при своей конструкции броуновско
го движения как модели эволюции цен, отправлялся именно от этой идеи
невозможности более хорошего прогноза цен на “завтра” нежели как зна
чение цены “сегодня”)
В то же самое время общеизвестно, что участники рынка (включая и та
ких экспертов, как “фундаменталисты’,’ “техники” “количественные анали
тики” - “fundamentalists” “technicians” “quants” ) не оставляют попы
ток предсказания “будущего движения цен” не оставляют попыток “до
гадки” относительно направления движения и величин будущих значений
цен, относительно того, акции каких компаний и когда покупать или про
давать, . . . ) .
Замечание. “Фундаменталисты” исходят в своих решениях из “гло

бального” состояния экономики в целом, состояния тех или иных ее секто
ров; для них особенно важна информация относительно перспектив раз
вития; они исходят из рациональности действия участников рынка. Пред
ставители же “технического” анализа руководствуются в своих решениях
“локальным” поведением рынка; для них особенно важно “поведение тол
пы” как фактора, существенно влияющего на их решения.
Как отмечается в [385; с. 15-16], в 20-40 годах “фундаменталисты” и
“техники” образовывали две основные группы “аналитиков” финансового
рынка. В 50-х годах к ним добавилась третья группа “quants” - группа
“количественных аналитиков” являющихся последователями JI. Б ателье.
Эта группа более тяготеет к “фундаменталистам’,’ нежели к представите
лям “технического” подхода, для которых, как сказано, более важно эмо
циональное состояние рынка, а не рациональные причины, определяющие
поведение инвесторов на рынке.
2. Вернемся к вопросу о том, как объяснить, на чем же, собственно г

воря, могут быть основаны надежды и попытки предсказания “будущего
движения цен” Начинать, конечно, нужно с анализа эмпирических дан
ных, с объяснения ряда нетривиальных феноменов (типа кластерное™, на
пример) относительно характера движения цен, с выяснения вероятност
но-статистической структуры цен как случайных процессов.
Sn
Пусть Н п = In —— логарифмы (нормированных) цен. Представим Н п
So
в виде Н п = hi f- hn.
Если последовательность (Н п) является мартингалом относительно
фильтрации (#>), то величины (hn) образуют мартингал-разность
(Е(/*„ |З 'п - 1 ) = 0), и, как следствие этого, величины (hn ) оказываются
(в предположении интегрируемости их квадратов) некоррелированными:
E/l^-f-Tn^n = 0, ТП ^ 1, TL ^ 1.
Однако некоррелированность, как известно, еще не означает независи
мости, и совершенно не исключено, что, скажем, и или \hn+ m\
и \hn \окажутся положительно коррелированными. Экспериментальный
анализ многих финансовых данных показывает (не противореча гипотезе
мартингальности цен на эффективном рынке!), что так оно и есть на са
мом деле. И весьма замечательно также то, что этот феномен положитель
ной коррелированное™, приводящий к эффекту кластерное™ (скученнос
ти) величин {hn)nî по группам с большими или малыми их значениями,
“ухватывается” объясняется рядом довольно-таки простых моделей (та
ких, как, например, ARCH, GARCH, моделями стохастической волатиль

ности, . . . ) , ° которых речь будет идти ниже в гл. И. Появляется некоторая
возможность (или, по крайней мере, надежда) уже более нетривиально
го (и, вообще говоря, нелинейного) прогноза, скажем, абсолютных значе
ний |/гп+ ш |. Появляется также возможность получения более детальной
информации о совместных распределениях последовательности (Лп)п^ 1 -
Простейшее предположение о вероятностном характере величин (hn)
состоит в том, что
hn ~ &п£т
где (е п) - независимые стандартные нормально распределенные величины,
Sj\ ~ *Ж(0,1), и<тп - некоторые константы, являющиеся стандартными
отклонениями величин /гп, т. е. о п = +\/Dhn .
Однако эта классическая модель гауссовского случайного блуждания
давно признана неадекватно отражающей реальные данные, статисти
ческий анализ которых “на нормальность” показывает, прежде всего, что
эмпирические плотности распределений величин hn более вытянуты, бо
лее пикообразны в окрестности среднего значения, нежели в нормальном
случае. Этот анализ показывает также, что хвосты распределений вели
чин hn более тяжелые, чем для нормального распределения. (Подробнее
см. гл. IV.)
В финансовой литературе величины <7П, входящие в представление
hn = о пеПчпринято называть волатильностью (изменчивостью), и прин
ципиально важным является тот факт, что волатильность сама по себе
является волатильной. Иначе говоря, а = (о п) является не только
функцией от времени (в простейшем случае константой), но и случайна.
(Подробнее о волатильности см. далее § За в гл. IV.)
С математической точки зрения подобное предположение весьма при
влекательно, поскольку существенно расширяет традиционный класс
{линейных) гауссовских моделей, включая в рассмотрение {нелинейные)
условно-гауссовские модели с
hn ~
где, по-прежнему, (еп) - независимые стандартные нормально распреде

ленные величины, еп ~ .Ж(0,1), но зато ап = сгп{ш) являются ^ п- 1 -из
меримыми неотрицательными случайными величинами. По-другому это
можно выразить так: условное распределение hn относительно З'п-г
Law(hn \& n-i) =

откуда следует, что Ьа™^/гп)-распределение hn есть взвесь (смесь) нор

мальных распределений с усреднением по распределению волатильности
( “случайнбй дисперсии” ) .
Полезно отметить, что в математической статистике хорошо известно,
что смеси распределений с быстро убывающими хвостами могут приво
дить к распределениям с тяжелыми хвостами. Так что, если эксперимен
тально это наблюдается (а это и действительно так для многих финансо
вых показателей), то условно-гауссовские схемы могут рассматриваться
как подходящие вероятностные модели.
Естественно, что при обращении к моделям со стохастической волатиль
ностью, именно, к моделям типа “hn = сгп£п” определяющим фактором
успеха их применения является “правильное” описание эволюции вола
тильности (ап).
Уже первая модель ARCH (Autoregressive Conditional Heteroskedas-
ticity - авторегрессионная условная неоднородность), введенная в 1980 г.
Р. Энглем (R. F. Engle) и предполагающая, что
ап = а 0 + a lhn- 1 н + a qhn-qi
дала возможность “ухватить” упомянутый выше эффект кластерности

(скученности, сгруппированности) реально наблюдаемых данных при ста
тистическом анализе финансовых временных рядов.
Суть этого эмпирического феномена состоит в том, что большие (малые)
значения hn влекут за собой большие (малые) последующие значения, но,
вообще говоря, непредсказуемого знака.
Это, конечно, становится понятным из сделанного в модели ARCH
предположения о структуре о\ как функции предшествующих значений
h ^ - i , •••, -q ' Таким образом, согласно этой модели и в соответствии
с реальными наблюдениями, вслед за большим значением \hn \ следует
ожидать большое значение |/in+i|- Однако, подчеркнем, эта модель
не дает объяснения того, в “какую сторону двинутся цены” т.е. не
дает информации о знаке hn+ 1 . (Отсюда, между прочим, вытекает
следующая рекомендация к практической деятельности на стохастическом
рынке по продаже и покупке - если имеете дело с покупкой, например,
опциона, то надо приобретать одновременно и опцион-колл, и опцион-пут;
ср. с §4е, гл. VI.)
Неудивительно, что A R (7//-модель породила огромное число сходных

моделей, создаваемых для того, чтобы суметь “ухватить” (помимо “клас-
терности” ) и другие обнаруживаемые эффекты. Наиболее известна сре
ди них GARCH-модель (Generalized A RCH ), введенная Т. Во ллере левом
(Т. Bollerslev, [48], 1987), в которой
ап = а0 + <2l^n-l н + a q h n -q + P lan -1 ----- + Рра п - р *
(О разнообразии моделей, обобщающих ARCH, можно судить уже по одно

му только перечислению их наименований - НА R СН, EG ARCH, A GARCH,
NARCH, MARCH, ... .)
Одно из “технических” преимуществ GARCH-моделеи сравнительно
с ARCH состоит в том, что, в то время как для “подгонки” A R C H - m o -
делей к реальным данным приходится брать большие значения q, модель
GARCH позволяет ограничиваться небольшими значениями д и р .
Отметив, что модели ARCH и GARCH объясняют эффект кластернос-
ти, нельзя не упомянуть, что в действительности имеются и другие эмпи
рические феномены, показывающие, что связь цен и волатильности являет
ся на самом деле более тонкой. Так, практики хорошо знают, что когда во
латильность “мала” то цены стремятся к тому, чтобы их рост или падение
длились как можно дольше. Аналогичным образом, если волатильность
“велика”, то цены ведут себя таким образом, что они как бы замедляют
свой рост или падение, стремясь повернуть движение в противоположном
направлении.
Все это говорит о том, что внутренняя (довольно сложная) структу
ра финансового рынка, видимо, дает некоторую надежду на возможность
предсказания если уж и не самого движения цен, то, по крайней мере, на
возможность конструкции достаточно надежных границ их будущего дви
жения. (Эту мысль “оптимисты” часто предваряют словами о том, что
рыночные цены “домнят прошлое” хотя этот субъективный тезис далеко
не бесспорен.)
Довольно подробное рассмотрение ряда вероятностно-статистических
моделей, описывающих эволюцию финансовых временных рядов, будет да
но в дальнейшем (см. гл. II, III). Сейчас же мы остановимся на некоторой
критике и пересмотре предположений о функционировании трейдеров на
“эффективно” организованном рынке.
3. В § 2а говорилось о том, что в концепции эффективного рынка зало

жено то, что все его участники однородны с точки зрения своих целевых
установок, усвоения новой информации, их решения носят рациональный

характер. Однако эти положения вызывают определенную критику, со
стоящую в том, что участники рынка, даже если они и получают всю до
ступную информацию, все же реагируют на нее, интерпретируют ее далеко
не однозначным, не однородным образов; целевые установки участников
рынка могут быть крайне различны; временные интервалы финансовой ак
тивности трейдеров различными - от коротких интервалов для “specula
tors” и “technicians” до длинных периодов для центральных банков; отно
шение участников рынка к размерам риска может быть весьма субъектив
ным.
Достаточно хорошо известно, что люди в своих решениях “нелинейны” :
они менее рискованны, когда ожидают прибыль, и более рискованны, когда
находятся перед возможностью потерь. Наглядной иллюстрацией этого
утверждения является следующая дилемма, сформулированная А. Твер-
ски (A. Tversky, [465]):
а) “Что Вы предпочтете: заведомо иметь 85000$ или попытаться по

лучить больший капитал в 100000$ в игре, где выигрыш имеет ве
роятность 0.85?”
б) “Что Вы предпочтете: заведомо потерять 85000$ или же вступить
в игру, где с вероятностью 0.85 Вы потеряете уже 100000$, но с
вероятностью 0.15 потери сведутся к нулевым?”
Большинство людей в случае а) предпочтут иметь 85 000 $, не стремясь

получить 100000$. Во втором же случае б) большинство людей предпо
чтет вступить в игру, которая дает шанс (в 15%) свести потери до нуля.
При принятии инвесторами решений чрезвычайно важным фактором яв
ляется время. Если Вам предоставляется возможность получения 5000$
сегодня или 5.150$ через месяц, то Вы, скорее всего, предпочтете полу
чить “сегодня” Однако, если первая возможность представляется через
год, а вторая - через 13 месяцев, то большинство предпочтет “13 месяцев”
Иначе говоря, “временные” горизонты инвесторов на рынке могут быть
различными в зависимости от их индивидуальных установок, что, вообще
говоря, не согласуется с моделями “рациональных инвесторов” предпола
гающими (явно или неявно) тождественность их “временных горизонтов”
В § 2а (п. 3) отмечалось, что в понятие эффективного рынка входит и то,
что участники рынка мгновенно корректируют свои решения в зависи
мости от поступившей информации. Однако, все хорошо знают, что так на
самом деле не бывает - людям нужно некоторое время (и разное для раз
ных людей) для осознания поступившей информации и принятия затем того

или иного решения.
4. В книге Дж. Сороса [451] приводится много аргументов в защит
необходимости понимания того, что помимо состояний “равновесия” или
“почти равновесия” рынок может находиться и в состояниях “далеких от
равновесия” что участники рынка неадекватно воспринимают и интерпре
тируют информацию, что их взгляды “по самой своей природе являются
предвзятыми” [451; с. 14]. В состояниях, близкими равновесным, действу
ю т определенные корректирующие механизмы, предотвращающие “слиш
ком разительное расхождение восприятий и реальности” а в состояниях,
далеких от равновесных, “действует рефлексивный механизм двойной об
ратной связи и тенденция к сближению восприятий и реальности не возни
кает, если не происходит значительных изменений в существующих усло
виях . . . ” [451, с. 13].
С этими словами созвучны высказывания Р. Олсена (R.B. Olsen, [2]) -
основателя Research Institute for Applied Economics ( “Olsen & Associates”
Ziirich): “На рынке имеется широкий спектр агентов с разными временными
горизонтами. Эти горизонты меняются от одной минуты для ‘краткосроч
ных’ трейдеров до нескольких лет для центральных банков и корпораций.
Реакция агентов на внешние события зависит от их временных горизонтов.
Поскольку эти горизонты различны и разнятся в миллионы раз, эконо
мические агенты могут принимать существенно разные решения. Все это
приводит к ‘эффекту ряби’ (ripple effect), когда разнородные реакции по
рождают новые события, вызывающие в свою очередь вторичные реакции
участников рынка”
В настоящее время, видимо, рано еще говорить о какой-то стройной эко
номико-математической теории финансового рынка как “большой слож
ной системы” функционирующей не в “классических” условиях равнове
сия, а в тех, которые реально наблюдаемы на рынке. Современное состоя
ние можно определить как период “накопления фактов” “уточнения моде
лей” И в этом смысле первостепенная роль принадлежит новым методам
сбора и хранения статистических данных, их обработки и анализа с приме
нением, естественно, современной вычислительной техники (о чем и пойдет
речь ниже, см. гл. IV), что дает эмпирический материал для анализа раз
личных концепций относительно функционирования рынка ценных бумаг
и коррекции различных положений, заложенных, скажем, в понятие эф
фективного рынка, гипотез относительно характера распределений цен,
динамики их поведения и т. п.
§ 2f. Анализ, интерпретация и пересмотр концепций

эффективно функционирующего рынка. II
1. В настоящем параграфе мы продолжим рассмотрение (на описатель
ном уровне) вопросов, относящихся к предположениям, заложенным в кон
цепции эффективно функционирующего рынка и рационального поведе
ния инвесторов, сосредоточив свое внимание на ряде новых, не обсуждав
шихся ранее, аспектов.
Будучи одним из замечательных достижений, концепция эффективно
го рынка сыграла и продолжает играть доминирующую роль и в финан
совой теории, и в финансовом бизнесе. В этой связи становится ясно, что
четкое выявление и сильных, и слабых сторон этой концепции помогает по
ниманию тех неоклассических концепций (типа “фрактальности” структу
ры рынка), которые мы находим в математико-экономической литературе,
посвященной структурным свойствам и функционированию финансового
рынка.
2. Как мы уже видели, концепция эффективного рынка исходит из пред

положений, что значение цены “сегодня” установилось так, что оно пол
ностью “учло” всю доступную информацию, и изменение цены происхо
дит лишь только в результате “обновления” этой информации, так сказать,
в результате появления “новой” “неожиданной” “непредсказанной” инфор
мации. При этом инвесторы на таком рынке понимают, что цены установи
лись “справедливо” поскольку все участники рынка действуют “коллек
тивно-рационально” и “однородно”
Эти предположения сделали вполне естественной гипотезу случайного
блуждания (предполагающую, что цена есть сумма независимых состав
ляющих) и ее развитие - гипотезу мартингальности (и, как следствие,
то, что прогноз цены на “завтра” есть значение цены “сегодня” ).
Образно говоря, все вышесказанное означает, что “рынок - это мартин
гал” в том смысле, что на таком рынке идет справедливая, честная игра
(в соответствии с обычной интерпретацией понятия “мартингал” ; см. да
лее § § lb, с в гл. II и подробнее, например, [439; гл. VII, § 1]).
Читатель, видимо, уже отметил, что сформулированная выше (§2а)
концепция эффективного рынка, в сущности, просто постулировала, что
“эффективный рынок - это мартингал” (относительно того или иного
потока “информации” и некоторой вероятностной меры). Соответству
ющая же аргументация носила отнюдь не формально-математический
характер, а интуитивно-описательный.
На самом деле утверждение, что “рынок есть мартингал” допускает без

упречное математическое толкование, если отправляться от той гипотезы,
что (по определению) “честно” “рационально” устроенный рынок- это без-
арбитражный рынок. Иначе говоря, это такой рынок, на котором невоз
можен безрисковый доход. (Формальное определение дается в § 2а, гл. V.)
Далее мы увидим, что предположение безарбитражности приводит к то
му, что существует, вообще говоря, целый спектр ( “мартингальных” ) мер,
относительно которых (нормированные) цены являются мартингалами, что
является своеобразной формой того, что у рынка может быть не единствен
ное, а целый спектр устойчивых состояний, что несомненно связано с тем,
что участники рынка имеют разные целевые установки, разные временные
периоды на обработку и усвоение поступившей информации.
То обстоятельство, что на рынке присутствуют инвесторы с разными
интересами и возможностями, является скорее положительным фактором,
а не недостатком, как это может показаться на первый взгляд.
Суть дела здесь состоит в том, что именно диверсификационные свойст
ва рынка обеспечивают его ликвидность (liquidity) - возможность быст
рого превращения активов в средство платежа (например, в деньги), не
обходимую для стабильности рынка. В качестве подтверждения приведем
следующие известные факты (см., например, [386; с. 46-47]).
В день убийства (22.11.1963) президента Дж. Кеннеди рынок мгновенно
отреагировал на создавшуюся неопределенность относительно “перспек
тив на будущее” Проявлением этого явилось то, что в этот день “долго
срочные” (long-term) инвесторы либо просто прекратили свои операции,
либо превратились в “краткосрочных” (short-term) инвесторов. В после
дующие дни биржи были закрыты, и после их открытия “долгосрочные”
инвесторы, руководствующиеся “фундаментальной” информацией, снова
вернулись на рынок.
Хотя полная картина известного финансового краха 19 октября 1987 го
да в США, видимо, не достаточно понята, однако известно, что непосред
ственно перед этим днем “долгосрочные” инвесторы пытались произвести
распродажу активов и становились “краткосрочными’! Причиной этого
явилось ужесточение монетарной политики Федеральной Резервной Сис
темы (Federal Reserve System) и перспектива удорожания недвижимости.
Тем самым, на рынке доминировали краткосрочные операции, и в этом
смысле основной “полезной” информацией стала “техническая” информа
ция, базирующаяся, впрочем, в подобные периоды паники во многом на
слухах и домыслах..
В обоих этих примерах, когда “долгосрочные” инвесторы “выходили”

из игры на рынке, следствием явилось то, что рынок становился неликвид
ным и, в результате, неустойчивым. Все это говорит о том, что для устой
чивости на рынке должны быть инвесторы с разными “инвестиционными
горизонтами” должна иметь место “неоднородность” “дробность” или, как
говорят, “фрактальность” интересов участников рынка.
То, что финансовый рынок обладает “статистической фрактальностью”
(см. определение в § 2с, гл. III), со всей четкостью было отмечено Б. Ман
дельбротом еще в шестидесятых годах, и в последующие годы этому во
просу стало уделяться значительное внимание, что обусловлено такими
обнаруженными факторами, как, например, наличие статистической фрак
тальной структуры в обменных курсах валют, наличие (краткосрочной)
статистической фрактальной структуры в акциях и облигациях.
С точки же зрения понимания того, какие модели эволюции финансовых
индексов являются “правильными’,’ почему “устойчивые” системы должны
иметь “фрактальную” структуру, полезно сопоставление детерминисти
ческих и статистических фрактальных структур. В связи с этим в раз
деле 4, гл. II, мы даем некоторое представление о ряде взаимосвязанных
между собой вопросов, относящихся к нелинейным динамическим сис
темам, хаосу и т. п.
Как уже было сказано выше, математически безупречной теорией, кото
рой мы в настоящей книге следуем, является “ Теория арбитража” В этой
связи следует подчеркнуть, что каждая из концепций эффективности,
безарбитражностщ фрактальности ни в коей мере не заменяет другую.
Они дополняют друг друга, и, например, многие безарбитражные модели
обладают фрактальной структурой, а фрактальные процессы могут быть
(относительно мартингальных мер) мартингалами (и тогда соответствую
щий рынок является безарбитражным), но могут быть и не мартингалами,
как, например, фрактальное броуновское движение (см. § 2с, гл. III).
3. Подобно тому, как в §2а на описательном уровне давалось поняти
эффективного рынка, так и сейчас, в заключение, целесообразно резюми
ровать отличительные особенности рынка с фрактальной структурой (по
терминологии [386] - фрактального рынка):
1) в каждый момент времени на таком рынке цены корректируются ин
весторами в зависимости от той информации, которая существенна
для их инвестиционного горизонта; реакция инвесторов на полу
чаемую информацию может быть и не мгновенной, а осуществлять
ся лишь после соответствующего ее подкрепления;
2) в случае коротких временных горизонтов определяющую роль иг

рает техническая информация и технический анализ, а при уве
личении длины временного горизонта доминирующую роль начи
нает играть фундаментальная информация;
3) цены “складываются” в результате взаимодействия “краткосроч
ных” и “долгосрочных” инвесторов;
4) высокочастотная составляющая в ценах определяется действи
ями “краткосрочных” инвесторов; низкочастотные, гладкие со
ставляющие отражают активность “долгосрочных” инвесторов;
5) рынок начинает терять ликвидность, устойчивость, когда на нем
исчезают инвесторы с разными инвестиционными горизонтами, т. е.
теряется его фрактальность.
4. Как следует из изложенного, в книге рассматриваются, в основ

ном, модели ( “эффективных” ) рынков с отсутствием арбитражных
возможностей.
Примерами таких детально изучаемых далее моделей являются “мо
дель Башелье” (§ 4Ь, гл. III, и § 1а, гл. VIII), “модель Блэка-Мертона-Шо-
улса” (§4Ь, гл. III, и §4с, гл. VII), “модель Кокса-Росса-Рубинштейна”
(§ 1е, гл. И, и § Id, гл. V), в основе которых лежат, соответственно, линейное
броуновское движение, геометрическое броуновское движение и геометри
ческое случайное блуждание.
Из приведенного в п. 3 качественного описания “фрактальных” рынков
представляется весьма правдоподобным, что на них могут возникать ар
битражные возможности.
Простейшими примерами моделей с такими свойствами являются, как
недавно было установлено Роджерсом (L. R. С. Rogers. Arbitrage with frac
tional Brownian motion. Mathematical Finance, 7 (1997), 95-105), модифи
цированные модели Башелье и Блэка-Мертона-Шоулса с заменой в них
броуновского движения на, фрактальное броуновское движение сШ ^
З амечание. Фрактальное броуновское движение с Н Е (0, |) U (|, 1)

не является семимартингалом, [304], и поэтому для него отсутствуют
мартингальные меры; см. подробнее § 2с, гл. III. Это обстоятельство явля
ется косвенным указанием (ср. с утверждение “первой фундаментальной
теоремы” в § 2d, гл. V) на возможность (но не необходимость (!)) возник
новения в этих и подобных моделях арбитража.
3. Цели и задачи финансовой теории,
инженерии и финансово-актуарных
расчетов
§ За. Роль финансовой теории и финансовой

инженерии. Финансовый риск
1. Проведенное в предшествующих разделах описательное изложение

касающееся финансовых структур, финансового рынка, действующего в ус
ловиях неопределенности, достаточно четко выделяет РИСК как одно из
центральных понятий и в финансовой теории, и в теории страхования.
Это понятие является достаточно ёмким, и с содержательной его сторо
ной каждый достаточно хорошо знаком.
Так, риск кредитования связан с теми потерями, которые могут воз
никнуть у кредитора, если получатель кредита не сможет выполнить своих
обязательств.
Операционный риск возможен в результате ошибок при платежных опе
рациях.
Инвестиционный риск связан с неудовлетворительной проработкой де
талей инвестиционного проекта, неудачными решениями, возможными из
менениями экономической, политической ситуаций и т. п.
Финансовая математика и финансовая инженерия (в части оперирова
ния с ценными бумагами) имеет дело, главным образом, с рыночным рис
ком, вызванным неопределенностями в изменениях рыночных цен, процент
ных ставок, неопределенностью в действиях и решениях участников рынка
ит. п.
Резкое увеличение интереса теории финансов к ее математике и инже
нерии (особенно в последние 2-3 десятилетия) требует своего объяснения.
3. Цели и задачи финансовой теории 85
Ответ здесь, пожалуй, весьма прост, и кроется он в радикальных измене

ниях финансового рынка - изменении его структуры, большой изменчи
вости (волатильности) в ценах, появлении весьма изощренных финансовых
инструментов, появлении новых технологических возможностей в анализе
цен и т. п.
Все это предъявило к финансовой теории новые требования и поставило
новые проблемы, для решения которых понадобилось привлечение весьма
“высокой” математики.
2. При первом ознакомлении с финансовой математикой и финансово

инженерией, когда значительный акцент делается на “игровую” сторону
дела ( “инвестор” против “рынка” ), может сложиться впечатление, что ос
новная цель финансовой математики состоит в том, чтобы выработать та
кие рекомендации и создать такие финансовые инструменты, которые да
вали бы возможность инвестору “победить рынок” или, по крайней мере,
“ сильно не проиграть”
Однако, роль теории финансов (включая и финансовую математику),
финансовой инженерии значительно шире - они призваны помогать инвес
торам в решении широкого круга вопросов рационального размещения
финансовых средств с учетом риска, связанного со случайным характе
ром “окружающей экономической среды” и вызванной этим неопределен
ностью как в ценах и объемах торговых сделок, так и в действиях участ
ников рынка.
Важность и полезность методов финансовой математики и финансовой
инженерии также и в том, что их рекомендации и разнообразные финан
совые инновации играют роль “регулятора” в перераспределении средств,
необходимых для лучшего функционирования как отдельных секторов эко
номики, так и всей экономики в целом.
Будучи “большой” и “сложной” системой, рынок ценных бумаг требует
для своего анализа и довольно-таки сложных, далеко продвинутых мате
матических методов, методов статистической обработки данных, числен
ных методов и компьютерных средств. Не удивительно поэтому, что в фи
нансовой литературе используются самые современные результаты сто
хастического анализа (броуновское движение, стохастические диффе
ренциальные уравнения, локальные мартингалы, предсказуемость, . . . ) ,
математической статистики (бутстреп - bootstrap, метод складного но
жа - jackknife, . . . ) , нелинейной динамики (детерминистический хаос,
бифуркации, фракталы), и, конечно, трудно себе представить финансовую
деятельность без современной компьютерной техники.
3. Теория Марковитца - это первая значительная проба сил вероя

ностно-статистических методов с целью минимизации неизбежного эконо
мического и финансового риска путем рационального составления “пор
тфеля ценных бумаг’!
С точки зрения “риска” безусловные фундаментальные экономические
положения говорят о том, что
1) получение #“большого” дохода сопряжено с большим риском
и что при этом
2) риск должен быть “оправданным” “разумным” “ просчитанным”
В связи с тезисом 1) можно сказать, что “большой доход - это компен
сация за риск” и уместно снова напомнить известное выражение “Nothing
ventured, nothing gained” иначе говоря, “Кто не рискует, тот не выигрыва
ет” В связи же со вторым тезисом 2) напомним, что в теории Марковитца
“просчитанность” риска реализовалась в составлении эффективного пор
тфеля ценных бумаг, обеспечивающего максимальный средний доход при
ограничении на величину “риска” измеряемого дисперсией. Еще раз от
метим, что идея диверсификации при создании эффективного портфеля за
няла прочное место в финансовой математике, стала отправным моментом
при создании новых финансовых понятий (хеджирование, например) раз
личных финансовых инструментов (опционы, фьючерсы, . . . , свопы, . . . )
и нашла свое выражение в такой известной фразе, как “Don’t put all your
eggs in one basket”
Средне-дисперсионный анализ ( “mean-variance analysis” ) основывался
на “квадратическом критерии качества”, измеряя риск дисперсией дохо
да от выбранного портфеля ценных бумаг и считая, что исследуемая мо
дель “статична” В современном анализе рассматриваются и более общие
“функции качества” и “функции полезности” в проблематике оптимально
го “инвестирования, потребления, размещения’.’ Важно при этом отметить
новый аспект - динамику во времени, необходимость “последовательного”
“шаг за шагом” принятия решений - на основе лишь прошлой информации,
т. е. без упреждения. “Статика” предусматривала, что мы интересуемся
доходом в момент времени N > 0, а портфель составляется в момент вре
мени п = 0, т.е. является ^-измеримым. “Динамика” же допускает раз
витие во времени, причем значение дохода в любой момент п ^ N опреде
ляется портфелем, составленным по информации до момента времени п —1,
т. е. являющимся 3£п_ i -измеримым, и так “шаг за шагом”
В связи с вышесказанным становится понятным, что динамика соответ
ствующих проблем потребовала привлечения в финансовую математику
идей и методов оптимального стохастического управления, стохасти

ческой оптимизации, динамического программирования, статисти
ческого последовательного анализа и т. п.
Говоря о риске, вызванном разными видами “неопределенностей” раз
ными видами “случайностей” нельзя не остановиться на вопросах страхо
вания “риска” чем занимается “ Теория страхования” или, в несколько
более широком плане, - “ Теория актуарных расчетов”
В следующем параграфе мы даем краткое описание, относящееся к воз
никновению страхования как некоторого механизма компенсации экономи
ческих потерь, к зарождению и роли профессии актуарий. Данный мате
риал не будет использован в последующем изложении. Однако, мы считаем
его включение и целесообразным, и полезным, поскольку он дает представ
ление об области, тесно связанной с финансами. К тому же становится все
более ясной общность и идей, и методов финансовой и актуарной матема
тики.
§ ЗЬ. Страховой бизнес как социальный механизм

компенсации экономических потерь
1. Слово actuarius (актуарий) в Древнем Риме относилось, с одной сто
роны, к тем, кто вел записи актов в Acta Publica в сенате, и, с другой сторо
ны, к офицерам, которые оперировали с военными счетами и вели контроль
за военными поставками.
В его английской версии ( actuary) это слово претерпевало различные
изменения. Сначала так назывались клерки и чиновники-регистраторы,
затем секретари и советники совместных компаний (joint-stock companies)
и, в особенности, страховых компаний. Со временем термин актуарий ста
ли соотносить с теми, кто делает математические вычисления, связан
ные с вероятностями длительности человеческой жизни, дающими
основу расчета контрактов страхования жизни, годовой ренты и т. д.
В современном понимании актуарий - это эксперт в математике стра
хования. Их часто называют социальными математиками, так как они
играют ключевые роли в определении стратегии и политики не только
страховых компаний, но и пенсионных и других фондов; правительствен
ные актуарии ответственны за вопросы национального страхования, госу
дарственных пенсионных и других схем.
Страхование (insurance, assurance) - это социальный механизм, поз
воляющий индивидуумам и организациям компенсировать экономические
потери, вызванные теми или иными неблагоприятными обстоятельствами.
Страхование призвано заменить определенностью ту неопределен

ность в экономической стоимости, которая может быть обусловлена
будущими потерями.
Страхование может быть определено как некоторый социальный ин
струмент, в котором индивидуумы, организации посредством своих вкла
дов редуцируют или исключают определенную долю риска возможных по
терь.
Человечество довольно быстро поняло, что наиболее эффективный спо
соб уменьшения потерь от неопределенностей - это кооперативные устрой
ства, позволяющие распределять стоимость потерь для конкретного инди
видуума между всеми членами сообщества. Индивидуумы довольно быст
ро осознали, что трудно предсказывать время, место, характер событий,
способных отрицательно повлиять на их экономическое состояние. Стра
хование явилось именно тем инструментом, который помогал индивидууму
уменьшить, “смягчить” влияние неопределенности, неизвестности, неуве
ренности и т. п.
Было бы неправильно страхование (и соответствующую ему матема
тику) сводить лишь, скажем, к страхованию жизни и имущества. Стра
хование надо понимать в более широком смысле, а именно, как страхова
ние риска, что включает ситуации, связанные, например, с игрой на рынке
ценных бумаг, с инвестированием не только внутри страны, но и за рубе
жом. Ниже мы увидим, что современное состояние теории страхования
(в обычном понимании значения термина истрахование^) характеризует
ся самым тесным переплетением с теорией финансов. Ярким примером
этого могут служить фьючерсные контракты на перестрахование, выпу
щенные в декабре 1992 года Чикагской торговой палатой.
В страховании не все виды “неопределенностей” не все “риски” подле
жат страхованию. Здесь приняты следующие терминология и классифи
кация, позволяющие обрисовать сферу действия страхования.
2. Все “неопределенности” принято относить к одной из двух групп
чистые и спекулятивные.
Спекулятивная неопределенность - это та, в которой возможен как
финансовый выигрыш, так и финансовый проигрыш (и такие неопределен
ности могут, вообще говоря, и не страховаться).
Чистые неопределенности связаны с возможностью лишь только по
терь (например, от пожара), и многие из них страхуются.
Часто оба эти вида неопределенностей заменяют одним словом риск.
(Отметим, что в теории страхования можно встретить отождествление
риска и чистой неопределенности; с другой стороны, известный популяр

ный финансовый журнал “Risk” посвящен, в основном, спекулятивной
неопределенности.)
Источником риска и вызванных им потерь является опасность, кото
рую в страховании относят к одной из двух групп - физических и мораль
ных опасностей.
К моральным относят опасности, которые связаны с нечестностью, не
добросовестностью, небрежностью, умыслом и т. п. Примерами могут слу
жить кражи, пожары,. . . .
К физическим опасностям относят, например, землетрясения, экономи
ческие циклы, погоду, разные природные явления, типы конструкций и т. п.
С риском можно “бороться” разными способами:
1) Можно риск сознательно избегать, предотвращая его сознательны
ми решениями и действиями, рациональным поведением.
2) Риск можно редуцировать, перекладывая (перемещая) возможные
потери на другие лица или организации.
3) Риск можно стараться редуцировать предсказанием. Статистичес
кие методы - важное оружие актуария в предсказании возможных
потерь. В страховании предсказание и аккумулирование фондов
играют определяющую роль для успешного и гарантированного
функционирования страховых компаний.
Хотя страхование - вполне логичное и во многих отношениях замеча
тельное средство “борьбы” с риском, не все, разумеется, неопределенности
и связанные с ними финансовые потери им охватываются. Чтобы “риск”
подлежал страхованию, он должен удовлетворять определенным требова
ниям. Например, при добровольном личностном страховании
1) должна существовать достаточно большая группа таких “однород
ных” страхуемых участников, что их “характеристики” в прошлом
действенны и в будущем;
2) причины потерь не должны затрагивать сразу большое число стра
хуемых участников (катастрофические события типа войн, ядерно-
го облучения и др. требуют специального рассмотрения);
3) причины и серьезность потерь не должны определяться умышлен
ными действиями страхуемых; эти причины должны быть случай
ными;
4) рассматриваемые опасности должны давать потери, которые легко
идентифицируются ( “потери трудно фальсифицировать” );
5) потенциальные потери, вызванные опасностями, должны быть до

статочно большими ( “нет смысла страховать то, что связано с ма
лыми, легко восполняемыми потерями” );
6) вероятность потерь должна быть достаточно малой (страховое со
бытие должно происходить достаточно редко), с тем чтобы размер
“страховки” был экономически приемлемым;
7) должна быть доступной статистика реальных данных как база для
расчета вероятностей потерь ( “репрезентативность и возможность
статистического оценивания” ).
Эти и другие сходные требования образуют определенный минимум ус
ловий, необходимых для осуществления страхования и выработки соот
ветствующих схем страхования, разнообразие которых объясняется раз
личными факторами такими как, например,
(a) вид страхования,
(b) форма страхования,
(c) способ платежей при страховании,
(d) тип опасностей, являющихся и могущих быть причинами риска и
потерь.
К группе (а) видов страхования относят страхование жизни, собст
венности, ответственности.
К группе (Ь) форм страхования относят добровольное (или коммерчес
кое) и обязательное (или социальное) страхование. Обе эти формы осно
ваны на сходных принципах, но различны по своей философии и организа
ции.
В группе (с) способы платежей (премии, выплаты) определяются кон
трактными условиями и варьируются от (страхового) полиса к полису.
К группе (d) относят упомянутые выше физические и моральные опас
ности.
3. Предмет страхование, его цели и задачи нельзя понять не только бе

знания внутренней структуры страхования, но и без знания соответствую
щей истории.
Можно сказать, что в определенном смысле страхование так же старо,
как и само человеческое общество.
Старейшими известными формами страхования являются так назы
ваемые bottomry и respondencia контракты (на морские перевозки),
обнаруженные в Вавилонских записях, относящихся к периоду 4-3 тысяч
лет до нашей эры.
Bottomry (bottom - дно, днище) - контракт, являющийся по своей сути

закладом, - имел форму займа судовладельцу (например, в виде товара,
требующего доставки в определенное место), который в качестве залога
предлагал не только судно или другую “осязаемую” ценность, но также и
свою жизнь (что означало быть рабом), и жизнь членов семьи. (В случае
respondencia в качестве залога выступал товар.)
Вавилоняне разработали также систему страховых контрактов, в кото
рых поставщик товара в случае его рискованной перевозки соглашался ан
нулировать предоставляемый заем, если перевозчик был бы ограблен, за
хвачен в плен в расчете на выкуп и т. п.
Эта практика была легализована ( “Кодекс Хаммурапи” ) в период цар
ствования Хаммурапи (Hammurabe),когда древневавилонское государст
во достигло своего рассвета (во втором веке до н. э.) и Вавилон был круп
ным торговым центром, через который проходили караванные пути.
Известно, что впоследствии практика этих контрактов перешла через
финикийцев к грекам, римлянам и индусам. Она использовалась в ранних
кодексах Римской цивилизации, законах Византийской империи; она нахо
дит свое отражение и в современных законах о страховании.
Зарождение страхования жизни прослеживается в греческих thiasoi и
егапог, в римских collegia от 600 г. до н.э. до конца Римской империи (го
дом падения Римской империи считается 476 г. н.э.). Первоначально colle
gia (ассоциации, гильдии) зарождались как религиозные группы, но посте
пенно становились все более утилитарными, осуществляя, например, похо
ронные услуги. Через похоронные клубы римляне оплачивали расходы по
похоронам; в клубах имелись также зачатки страхования жизни.
Практика страхования “по премии” идет, видимо, от итальянских горо
дов-республик (Рим, Венеция, Пиза, Флоренция, Генуя), примерно с 1250
года н.э. А первый точно датированный контракт по страхованию был за
ключен в Генуе в 1347 году. Там же был заключен (1430 год) “истинный”
контракт по страхованию жизни, который касался беременных женщин и
рабов.
Контракты “годовой ренты” (annuity) были известны римлянам уже
в первом веке н.э. (Это контракты, в которых страховой компании
платится некоторая сумма, а взамен периодически получаются платежи
в оговоренном интервале времени или в конце жизни. В определенном
смысле эти контракты противоположны контрактам по страхованию
жизни, где, наоборот, страхуемый платит регулярные взносы и получает
оптом некоторую сумму.)
Интересно отметить, что римский закон ( “Palcidian law” ) основывался

на таблице значений ожидаемой продолжительности жизни (нужных при
подсчете годовой ренты и т.п.). В 225 году Ульпиан составил более акку
ратные таблицы, которые использовались в Tuscany вплоть до XVIII века.
Триста лет назад, в 1693 году, Эдмунд Галлей (с именем которого свя
зана известная комета) усовершенствовал актуарные таблицы Ульпиана,
считая, что число смертей в заданной группе людей в заданном интервале
времени детерминировано. В 1756 году Дж. Подсон (Joseph Podson) под
корректировал таблицы Галлея, что дало возможность составить “шкалу
премий по годам’!
С ростом городов и торговли в средневековой Европе гильдии расши
ряли практику защиты их членов от пожаров, кораблекрушений, от напа
дения пиратов; практику помощи при похоронах, болезнях и др. Вслед за
контрактами XIV века в Генуе морские контракты по страхованию быстро
распространились практически во всех морских державах Европы.
Современная история морского страхования - это в значительной сте
пени “история Ллойда” - корпорации страховщиков и страховых брокеров,
образованной в 1689 году на базе кофейного магазина Эдварда Ллойда
(Edward Lloyd), где торговцы, судовладельцы, морские страховщики
собирались для заключения сделок относительно морских перевозок.
В 1774 году эта корпорация была официально утверждена Королевским
указом, а в 1871 году зарегистрирована актом парламента. Возникшая
для нужд морского страхования, в настоящее время корпорация “Lloyd’s”
оперирует почти со всеми видами риска.
С 1974 года “Lloyd’s” издает ежедневную газету с подробностями дви
жения судов (а позднее и самолетов) и публикует информацию об авариях,
катастрофах, кораблекрушениях и т. д.
Еженедельно “Lloyd’s” публикует список судов, загружаемых в Бри
тании и континентальных портах, с окончательными датами принятия гру
зов. Дается также общая информация о ситуации на страховом рынке.
В 1760 году “Lloyd’s” образовал общество по инспектированию и клас
сификации всех океанских судов грузоподъемностью более 100 тонн. Л лой-
довские инспекторы периодически инспектируют и классифицируют суда
согласно состоянию их корпуса, двигателей, спасательных средств и т. п.
Общество дает также технические советы.
Годичная публикация “Lloyd’s Register of British and Foreign Shipping”
дает страховщикам доступ к информации, необходимой для заключения
морских страховых контрактов, даже тогда, когда судно находится за ты
сячи миль вдали.
Большой пожар в Лондоне в 1666 году послужил причиной развития

страхования от пожаров. (Первая страховая компания от пожаров бы
ла образована в 1667 году.) В 1854 году в Англии начинается страхование
рисков от аварий паровых бойлеров; с 1880 года производится страхование
ответственности работодателя, с 1895 года - страхование ответственности
на транспорте, с 1899 года - страхование потерь от столкновений транс
портных средств.
В Америке страховые компании от пожаров были образованы
в Нью-Йорке в 1787 году и в Филадельфии в 1794 году. Почти с
самого начала эти компании стали заниматься вопросами предотвраще
ния и тушения пожаров. Первая компания по страхованию жизни в
Америке была образована в 1759 году.
Большой пожар в Нью-Йорке в 1835 году привлек внимание к необходи
мости иметь резервы для неожиданно больших ( “катастрофических” ) по
терь. Большой пожар в Чикаго в 1871 году продемонстрировал, что разме
ры стоимости страхования от пожаров в современных “плотных” городах
могут быть огромными. Перестрахование (потери покрываются многи
ми компаниями) возникло именно как метод страхования в случае потерь
от пожаров катастрофических размеров и сейчас стало обычным делом
в разных видах страхования.
Из других исторически “первых” современных страховых форм в Аме
рике отметим следующие: страхование от случайных увечий (1864 год),
страхование ответственности за нанесение ущерба (1880 год), страхование
от взломов (1885 год) и др.
В России первое страховое акционерное общество от огня возникло в Си
бири в 1827 году. Первое же общество по страхованию жизни и доходов
было образовано в России в 1835 году ( “Российское общество страхования
капиталов и доходов” ).
В X X столетии мы видим значительное расширение той сферы страхо
вания, которая связана с внутренними перевозками сухопутными или вод
ными путями ( “inland marine” ) и покрывает огромное количество товаров,
включая туристский багаж, срочную почту, посылки, транспорт для пе
ревозки, транзитные товары и даже мосты, туннели и т. п.
Страхование теперь можно получить практически в связи с любым мыс
лимым “страхуемым” риском. Компании типа Lloyd’s страхуют ноги бале
рин, пальцы пианистов, приемы для гостей на открытом воздухе от потерь
в ненастье и т. д.
С конца XIX века стала расти тенденция проникновения государства
в область страхования, особенно в связи с защитой рабочих от болезней.
нетрудоспособности (временной или постоянной), по возрасту или в связи

с увольнением. Пионером в области так называемого социального страхо
вания была, по-видимому, Германия (законы 1883-89 годов).
В середине нашего столетия в страховой практике отмечается тенден
ция к слиянию, консолидации страховых компаний. Так, в США в пери
од 1955-65 гг. такое слияние имело место между страховыми компаниями,
имеющими дело со страхованием жизни и собственности. Появилась новая
форма “слияния” - холдинговая компания - компания, владеющая акци
ями других компаний с филиалами, состоящими не только из страховых
компаний, но и компаний, имеющих дело с банковской системой, компью
терным обеспечением и др. Преимущество таких компаний состоит в раз
нообразии, диверсификации возможностей, которыми они обладают. Для
страховых компаний становится меньше ноша налогов, если они являются
частью холдинговой компании. Холдинговая компания может оперировать
с акциями в других странах, что иногда невозможно для страховых компа
ний. Это дает страховым компаниям большую “подъемную силу” ( “lever
age” ), поскольку они получают возможность оперировать с большими ре
сурсами при меньших инвестициях.
4. Первоначально профессия актуариев была связана, в основном, с

страхованием жизни, но сейчас их деятельность распространяется и на
другие смежные сферы. Чтобы получить некоторое количественное пред
ставление о числе актуариев, занятых в разных компаниях, фирмах, пра
вительственных организациях, . . . , приведем данные по Великобритании
(на 1988 год) по Институту актуариев в Лондоне, основанному в 1848 го
ду, и Факультету актуариев в Эдинбурге, основанному в 1856 году.
В разных странах мира созданы общества актуариев. Существует Me ж-
дународная актуарная ассоциация (IAA - International Actuarial Asso
ciation). Регулярно проводятся Международные конгрессы актуариев
(первый состоялся в Брюсселе в 1895 году).
В США имеется несколько профессиональных организаций, представ
ляющих актуариев. Это, прежде всего, Общество актуариев (Society of
Actuaries), образовавшееся в 1949 году в результате слияния двух актуар
ных организаций. Сама же профессия актуария в 1989 году отметила свое
столетие.
Это общество, насчитывающее более 11 тысяч членов, является основ
ной международной профессиональной организацией актуариев в США и
Канаде, имеющей дело, в основном, со страхованием жизни и здоровья,
пенсионными делами, пособиями.
Вид работы Институт Факультет В сего %
1. Компании по 853 252 1105 60.2

страхованию жизни
2. Компании по 30 2 32 1.7
страхованию
собственности
3. Консультанты 403 65 468 25.5
4. Инвестиционные 60 19 79 4.3
фирмы
5. Правительственные 21 3 24 1.3
организации
6. Индустриальные 65 1 66 3.6
компании
7. Прочие 54 8 62 3.4
Всего 1486 350 1836 100.0
Одно из направлений деятельности Общества - проведение экзаменов и

аттестация на звание ассоциированного членам действительного члена
Общества.
Вторым из основных обществ является Casualty Actuarial Society - об
щество, объединяющее актуариев и специалистов, занимающихся вопро
сами страхования собственности, несчастных случаев (casualty), ком
пенсаций и ответственности.
Эти два общества совместно осуществляют обучение студентов и про
водят экзамены.
Другими организациями актуариев являются: Американская акаде
мия актуариев, Американское общество пенсионных актуариев. Сле
дует упомянуть и Канадский институт актуариев, тесно взаимодейст
вующий с вышеназванными обществами.
Одна из основных задач Американской академии актуариев - подготов
ка информации по страхованию для правительства.
По данным на 1994 год квалификационное звание актуария в Северной
Америке имеют около 18 тысяч человек.
Основным управляющим органом Общества актуариев является Со
вет Общества, состоящий из 30 избранных членов - президента, президен-
та-электа (president-elect), шести вице-президентов, секретаря, казначея,
двух паст-президентов (past-president) и 18 членов.
Вице-президенты ответственны за разные виды активности Общества

такие, как экзамены, научные исследования, связь с общественностью,
“карьерная поддержка” публикации и др. Большую роль в деятельности
Общества играют волонтеры. Около 500 членов Общества принимают
участие в программах обучения и экзаменах.
Существуют две категории членства - ассоциированные члены и дей
ствительные члены. Стать ими можно, только успешно выдержав опре
деленное количество экзаменов, которые принимаются 2 раза в год.
Чтобы стать ассоциированным членом, надо пройти обучение (очное
или заочное) и сдать экзамены. Обычно на это уходит 3-4 года. На сдачу
экзаменов на действительного члена уходит 5-7 лет. Примерно половина
всех членов Общества - это действительные члены.
Общество актуариев а США имеет разнообразные формы поддержки
научных исследований. Оно имеет свой профессиональный журнал, учас
твует в составлении программ конференций, семинаров, симпозиумов. Об
щество публикует отчеты, исследования, книги, таблицы, учебные мате
риалы.
Оно проводит годичное (в конце года) собрание членов и три весенних со
брания. В рамках учебно-образовательной программы Общество достав
ляет своим членам резюме текущей актуарной литературы, материалы об
экзаменах, публикует информацию о возможностях работы для актуари
ев. Общество публикует списки успешно сдавших экзамены на звание ассо
циированного и действительного членов, издает большое число буклетов
о профессии актуария, об экзаменах, учебных курсах, программах; имеет
свои годичные труды; четыре раза в год печатаются сообщения о четырех
“больших” собраниях Общества. Бюллетень “ The Actuary” содержит те
кущую информацию по различным профессиональным вопросам деятель
ности общества, печатает письма редактору, что дает возможность быст
рого обмена мнениями. Издается бюллетень десять раз в год.
Вопрос об экзаменах и членстве решается в Обществе актуариев следу
ющим образом.
Каждый прошедший актуарное обучение может быть допущен к вступ
лению в члены Общества. После сдачи экзаменов по так называемой “про
грамме 100” Совет общества рассматривает заявление о праве быть ассо
циированным членом. В случае его обоснованности сдавший экзамены та
ковым членом и становится. По “программе 100” надо сдать 7 обязатель
ных экзаменов и 6 по выбору. При этом надо получить 155 очков ( “credits” )
по обязательным экзаменам и 45 очков по экзаменам по выбору. (Коли
чество очков за экзамен определяется его сложностью и важностью; шка
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.
5. Невозможно сейчас практику страхования, теорию страхования ра

сматривать изолированно от практики и теории инвестирования и финан
сов, имеющих дело с рынком ценных бумаг.
Можно считать определенным, что производные финансовые инструмен
ты (фьючерсы - futures, опционы - options, свопы - swaps, варранты - war
rants, стрейддлсы - straddles, спрэды - spreads и т.д.) будут играть все
более возрастающую роль в глобальной финансовой системе. Будет, не
сомненно, происходить более активное проникновение финансовых мето
дов расчетов в актуарную науку. В связи с этим актуарные и финансо
вые проблемы, так или иначе связанные с разными формами риска, оправ
данно и целесообразно рассматривать не изолированно, а наоборот, одно
временно, в одном пакете. Об этом свидетельствует также и следующая
классификация периодов развития страховой математики, предложенная
известным швейцарским специалистом в актуарной науке Г. Бюльманом
(Н. Buhlmann).
Первый период ( “страхование первого рода” ) восходит к Э. Галлею, ко
торый, как уже отмечалось выше, в 1693 году составил таблицы страхова
ния жизни, считая, что число смертей в заданной группе людей и в задан
ном интервале времени детерминированно.
Второй период ( “страхование второго рода” ) связан с внедрением веро
ятностной идеологии и вероятностно-статистических методов как в стра
хование жизни, так и в другие виды страхования.
Третий период ( “страхование третьего рода” ) характеризуется актив
ным использованием финансовых инструментов, финансовой инженерии
с целью уменьшения риска страхования.
Математика в страховании второго рода основана на законе больших
чисел, центральной предельной теореме, теории случайных процессов пу-
ассоновского типа. Теория же страхования третьего рода более изощренна
в своих методах: ей требуются стохастическое исчисление, стохастические
дифференциальные уравнения, мартингалы и родственные понятия, а так

же новые статистические методы и, конечно, современная компьютерная
техника и современное программное обеспечение.
Хорошей иллюстрацией высказанной мысли о необходимости и полез
ности комплексного рассмотрения чисто актуарных и чисто финансовых
проблем рынка ценных бумаг служит эффективность применения финансо
вых “опционных” методов в актуарных расчетах, связанных с перестрахо
ванием катастрофических событий [87].
На международном рынке под катастрофическими понимают события,
в которых “потери превышают 5 млн. долларов застрахованной собствен
ности и касаются значительного числа страхователей и застрахованных”
(извлечение из “Property Claims Services” 1993). При этом реальные поте
ри в ряде катастрофических случаев таковы, что ни одна страховая ком
пания не в состоянии (да и не будет) страховать такие случаи. Этим и
объясняется тот факт, что страхование таких событий становится делом
не только коллективным, но и интернациональным.
Вот примеры потерь от некоторых катастрофических событий.
В период с 1970 года до середины 1993 года в среднем каждый год
происходило по 34 катастрофы с годовыми потерями 2.5 млрд. долларов
(2.5 х 109). В большинстве случаев катастрофические события приносили
убыток менее 250 млн. долларов. Однако же, например, потери от урага
на “Andrew” (в августе 1992 года) оценивались в 13.7 млрд. долларов, из
которых страхованием было выплачено лишь около 3 млрд. долларов.
Ураган Hugo (1989 год) принес потери в 4.2 млрд. долларов, а ураган
Iniki, происшедший во втором квартале 1992 года, оценивается как четвер
тый по убыткам ураган с 1949 года.
Учитывая значительность страховых выплат за катастрофические по
следствия (от ураганов, ливней, землетрясений, наводнений), биржа
СВОТ - Chicago Board of Trade - в декабре 1992 года ввела фьючерсные
страховые контракты на катастрофические события как альтернативу
перестрахованию. Эти контракты легко реализуемы (ликвидны), ано
нимны, имеют низкие операционные издержки, а наличие клиринговой
палаты, через которую проходят все перерасчеты, вызывает к ним доверие,
столь важное в подобных делах. При этом оказалось, что расчет рыночной
цены таких фьючерсных контрактов сводится, в сущности, к расче
ту рациональной стоимости “арифметического азиатского опциона-колл”
(см. определение в § 1с). Подробнее об этом см. в [87].
§ Зс. Классический пример актуарных расчетов*

Теорема Лундберга-Крамёра
1. Парадоксальным образом, почти в то же самое время, когда JI. Ба
шелье ввел в своей диссертации “Theorie de la speculation” (1900 г.)
броуновское движение для описания цен акций и тем самым заложил
основы стохастической финансовой математики, в 1903 году Ф. Лунд-
берг (Ph. Lundberg) в Уппсале (Швеция) опубликовал диссертацию
“Approximerad framsrollning av sannolikhetsfunctionen. Atersforsakring
av kollektivrisker” заложившую вероятностные основы актуарной тео
рии риска (второго рода), систематически используя процесс Пуассона,
который вместе с броуновским движением лежит в фундаменте общей
теории случайных процессов.
В 1929 году по инициативе ряда шведских страховых компаний в Сток
гольмском университете была образована профессорская единица по стра
ховой (актуарной) математике. Она была предложена Г. Крамеру, и с это
го времени началась деятельность “ Стокгольмской группы” известной
своими результатами и в актуарной математике, и в общей теории веро
ятностей, статистике и случайных процессах.
Вот как формулируется классический результат теории актуарных рас
четов- “ Фундаментальная теорема теории риска Лундберга-Крамера”
Определим процесс риска (см. рис. 10), скажем, некоторого страхового

бизнеса следующим образом:
Nt
Rt — и + ct — ^ ,
k= 1
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 = Eî (F (0) = 0, ц < оо),
N = {Nt )tô ~ процесс Пуассона,
Nt = £ l ( T * < *),
к
где Т\, Т2 , . . . - моменты поступлений требований к оплате, при

чем (Tfc+i —Tk)kî являются независимыми величинами, имею
щими экспоненциальное распределение с параметром Л:
Р {T k+ 1 - T k ^ t } = e ~ x t.
Ясно, что
ЕRt = и + (с — \p)t = и + pXpt
с коэффициентом р = с/(Хр) — 1, предполагаемым положительным

( “условие положительности чистого дохода” ).
Одна из первых естественных задач, связанных с этой моделью - это
расчет вероятности разорения вообще, Р(т < оо), или вероятности разо
рения Р(т ^ t) до момента времени £, где
г = inf{£: Rt ^ О}.
Т еор ем а Лундберга-Крамера утверждает следующее.
Пусть существует такое R > 0, что выполнено условие
/ eR x(l - F ( x ) ) d x = ~ .
Jo ^
Тогда
Р(т < о о ) < e ~ Ru,
где и - начальный капитал.

Сформулированные в модели Лундберга-Крамера предположения ес

тественным образом можно ослаблять, а саму модель усложнять. Можно,
например, считать, что процесс риска
Nt
R t = u + (ct + o B t ) - ^ 2 £k,
к- 1
где (Bt ) - броуновское движение, a (Nt ) - процесс Кокса (т. е. “считающий

процесс” со случайной интенсивностью; см., например, [250]).
В заключение остановимся кратко на вопросе о характере распре
делений F = F (x) величин выплат. Весьма, правда, условно события,
связанные с выплатами, принято относить к одному из трех типов:
• нормальные,
• экстремальные,
• катастрофические.
Для описания нормальных событий используются распределения
с быстро убывающими “хвостами” (например, экспоненциальное с усло
вием 1 — F (x) ~ е“ ж, х —> оо).
Для описания “экстремальных” событий используют распределения
F — F (x) с “тяжелыми хвостами” например, 1 — F (x) ~ х _ а , х —> оо,
а > 0 (распределение типа Парето) или
1 - F (x ) = exp j —( ^ —-^- ) Р|, х > /i,
(распределение Вейбулла) c p G (0,1).

Отметим, что теорема Лундберга-Крамера относится к нормальному
типу и неприменима к случаю выплат большого размера. (Тогда даже не
определен “коэффициент Лундберга” R. По поводу доказательства теоре
мы Лундберга-Крамера см., например, [439; англ. изд.].)
Глава II. Стохастические модели.
Дискретное время
1. Н еобходи м ы е в ер оя тн остн ы е понятия и н ек отор ы е модели

динамики ры ночны х ц е н ................................................................... 103
§ 1а. Неопределенность и нерегулярность поведения цен,
вероятностное их описание и представление ............................. 103
§ lb. Разложение Дуба. Канонические представления.......................112
§ 1с. Локальные мартингалы, мартингальные преобразования,
обобщенные мартингалы.................................................................119
§ Id. Гауссовские и условно-гауссовские м о д е л и ................................129
§ 1е. Биномиальная модель эволюции цен ...........................................136
§ If. Модели с дискретным вмешательством случая........................... 140
2. Л инейные ст о х а ст и ч е ск и е модели .............................................. 146
§ 2а. Модель скользящего среднего MA(q) ...........................................148
§2Ь. Авторегрессионная модель AR(p) ............................................ 156
§ 2с. Модель авторегрессии и скользящего среднего ARM A(p, q)
и интегральная модель ARIMA(p, d, q ) ........................................ 170
§ 2d. Прогнозирование в линейных м оделях........................................ 175
3. Н елинейные ст о х а ст и ч е ск и е у с л о в н о -г а у с с о в с к и е
м о д е л и .................................................................................................... 188
§3а. Модели ARCH и G A R C H ...............................................................189
§ЗЬ. Модели EG ARCH , TGARCH, HARCH к др ............................... 200
§ Зс. Модели стохастической волатильности ...................................... 207
4. П рилож ение: модели ди н ам ического х а о с а ............................ 216
§ 4а. Нелинейные хаотические модели ................................................. 216
§4Ь. Проблематика различимости “хаотических”
и “стохастических” последовательностей ..................................224
1. Необходимые вероятностные понятия
и некоторые модели
динамики рыночных цен
§ 1а. Неопределенность и нерегулярность

поведения пен, вероятностное
их описание и представление
1. Предположим, что единицей измерения времени является один ден
(п = 0 ,1 ,2 ,...) и
- 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)nô 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 .
Смысл введения этого потока неубывающих <т-подалгебр, входящих в 3 и

называемых также фильтрацией, проясняется следующей интерпретацией:
З п - совокупность событий, наблюдаемых до момента п
(включительно).
По-другому можно сказать, что З п - это доступная наблюдателю
“информация” о состоянии рынка до момента времени п. (В рамках
концепции “эффективного” рынка это может быть, например, одна из трех
а-а л ге б р ^ ,, см. § 2а в гл. I.)
Итак, будем считать, что нашей базовой вероятностной моделью явля
ется фильтрованное вероятностное пространство
( f l , & , ( ^ n ) n ^ O , Р ),
назьшаемое также стохастическим базисом.

Во многих случаях целесообразно расширить понятие стохастического
базиса, считая, что, вместо единственной вероятностной меры Р, зада
но целое семейство & = { Р } вероятностных мер. (Вызвано это тем, что
часто бывает трудно специфицировать какую-то одну конкретную меру Р.)
Пользуясь терминологией статистической теории решений, набор объек
тов (Л, 3 , (З п)п^о 5 £?) можно назвать фильтрованным стохастическим
(статистическим) экспериментом.
2. Если интерпретировать З п как информацию, доступную к момент

времени п, то естественно считать, что
$ л ~ ^-измеримы,
1. Необходимые вероятностные понятия 105
т.е., образно говоря, считать, что значения цен складываются в за

висимости от событий, наблюдаемых на рынке до момента времени п
(включительно).
Исходя из смысла Sn как “цены” (скажем, акции) в момент времени п,
будем предполагать, что Sn > 0, п ^ 0.
Приведем теперь два наиболее распространенных способа представле
ния цен S = (5 п)п^о-
Первый способ - (I), аналогичный формуле “сложных процентов”
( “compound return” ), см. § lb в гл. I, исходит из представления
Sn = SoeHn, (1)
где Н п = ho + h\ + •••+ /in, ho = 0, n ^ 0, причем случайные величины

hn — hn(u) являются ^-измеримыми.
Таким образом, здесь
Hn = In ^ (2)
и “возврат” “отдача” “логарифмическая прибыль” (return)
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
Тогда формула (1) перепишется в виде
Sn = S0 П (1 + ^)> (5)
1$Ск^.п
или, равносильно, в виде
Sn = S0 П (1 + Д Я *) = S be"» П (1 + &Нк) е - АЙК (6)

1< к < п 1< к < п
Представление (5) - это и есть второй способ, (II), представления цен,

аналогичный формуле простых процентов ( “simple return” ).
106 Гл.11. Стохастические модели. Дискретное время
Обозначим 8 (Н )п выражение, стоящее в правой части (6):
Ц Н ) п = ейп Д (1 + Д Я * )е -д ^ . (7)
1<С/с<Сп
Определяемая этим выражением стохастическая последовательность
Ц Н ) = { ё { Н ) п) п^0 , Ц Н ) 0 = 1,
называется стохастической экспонентой, порожденной величиной Н =

(Нп)п^о, Но = 1, или экспонентой Долеан.
Таким образом, можно сказать, что первый способ представления цен
(I - “compound return” ) использует обычную экспоненту:
Sn = S0 e H” ,
второй же способ (II - “simple return” ) для своего описания использует

стохастическую экспоненту:
= S0 S (H )n. (8)
При этом из (2)-(4) следует, что
Н п= (еЛНк ~ !)>
1$С к^.п
что равносильно представлению
Нп = Нп + (еАН к- А Н к - 1 ). (9)
1<С/с$Сп
Понятно также из (3) и (4), что
нп= Y Ц 1 + ДЯ*), ( 10)

1 <Ск^.п
где hn = Д Н п > —1 вследствие предположения Sn > 0.

Полезно отметить, что стохастическая экспонента удовлетворяет сто
хастическому разностному уравнению
A g (H )n = g (H )n- 1 A H n, (11)
что непосредственно следует из (7).

Замечание 1. Представления (1) и (8) даны в случае дискретного вре

мени п = 0 , 1 , . . . . В том же случае, когда цены S = (St)t^о эволюциони
руют в непрерывном времени t ^ 0, обычно предполагается, что процессы
Н = (Ht )t> 0 « H = (Ht) о являются семимартингалами(см. раздел 5
в гл. III).Тогда из формулы Ито (§5с, гл. III; см. также [250; гл. I, §4е])
следует, что
ея * = S ( H ) t ,
где
H t = H t + ~ ( H c )t + Y , ( e AHs - 1 - A H s) (12)
0<s^t
и ё {Н ) = (<g(H)t)t>Q - стохастическая экспонента:
g (H )t = eS t- 2 ( x c)t JJ (1 -f Д Я 5) е " л ^ , (13)

0<s^t
которая удовлетворяет (ср. с (11)) линейному стохастическому дифферен

циальному уравнению
dS(H)t = g (H )t-d H t . (14)
(В формулах (12) и (13) через (Н с) и (Н с) обозначены квадратические ха

рактеристики непрерывных мартингальных составляюпщх у семимартин-
галов Н и Н; см. раздел 5 в гл. III. По поводу стохастических дифференци
альных уравнений для случая, когда Н является броуновским движением,
см. §3е, гл. III.)
Таким образом, для случая непрерывного времени аналогами (1) и (8)
являются, соответственно, представления
St = S0 e Ht (15)
St = S0 g (H )u (16)
где процесс Н = (Ht)tô связан с Н = о формулой (12). Присут

ствующий в (12) ряд абсолютно сходится, поскольку на каждом интерва-
ле [0, t] у семимартингала с вероятностью единица имеется лишь конечное
число “больших” скачков (|ДH s I > I ) и Е 1А Я * |2 < оо. (См. замеча
ние 3, §5Ь, гл. III.) 0<в<*
108 Гл. II. Стохастические модели. Дискретное время
Замечание 2. Из (3) и (4) следует, что
hn = ln(l + hn) (17)
и
hn = e h» - 1. (18)
Понятно, что при малых значениях hn
hn ~ hn, (1^)
при этом
hn — hn — -h n + -Л® + ••• . (20)
3. Остановимся на проблеме описания распределения вероятностей п

следовательностей S = (Sn)n^о, Н = (Н п)п^о-
С точки зрения классической теории вероятностей и далеко продвину
той “статистики нормального распределения” было бы весьма привлека
тельно рассчитывать на то, что последовательность Н — (Нп)п^.о явля
ется гауссовской (нормально распределенной) . Если
Нп — hi + •••+ /гп, n ^ 1, (21)
то свойства такой последовательности полностью определяются двумер

ными распределениями последовательности h = (Л,п)п ^ ь характеризуе
мыми средними
р,п — E/in, n ^ 1,
и ковариациями
Cov(/in, hm) = Еhfihffi E/inE/im, тп^ть ^ 1.
Предположение нормальности существенно упрощает решение многих

вопросов, зависящих от свойств распределений. Так, например, те
орема о нормальной корреляции (см., например, [303; гл. 13]) в яв
ном виде дает формулу для условного математического ожидания
hn.|_i = E(/in_j_i |/ i i , . . . , /гп), являющуюся оптимальной в среднеквад
ратическом смысле оценкой hn+\ по / i i , . . . , hn:
п
hn-f-l — /^n+l 4" ^ ^Q>i(hi /^г)? (22)

г=1
где коэффициенты а* подсчитываются по матрице ковариаций (см. [303;

гл. 13], а также [439; гл. II, § 13]).
Формула (22) особенно проста, если h\, . . . , hn независимы. В этом слу
чае
Cov(/in_j_i, hi )
йг “ Dhi ’
и оценка
hn+i = Еhn + 1 + £ C° v ( p^+ 1M \ hi - Ehi). (23)

1=1 2
Ошибка оценивания
А п.f-i — Е(/г-п_|_i h n-j_i)
определяется по формуле
A n+l = Dhn + l - ± S ^ ± l l M . (24)

i= 1 2
Заметим, что если

1 (*-м)2
- плотность нормального распределения с параметрами (/i,cr2), то

(см. рис. 11)
''Ц+ сг
[ (х) dx = 0.6827.
J/1—СГ
Р и с . 11. График плотности ^ (o ,i)(^ ) стандартного нормального рас

пределения. Площадь заштрихованной части равна примерно 0.6827
Точно так же,
V(h,<t2 )(x ) dx ~ °-90- (25)

*//^/1
и‘—- 1.65<т
В силу гауссовости,
и, согласно (25),
Р{|Лп+1 hn-f-i |^ 1.65л/Ап+1 } « 0.90.
Следовательно, можно утверждать, что с вероятностью, близкой к 0.90,

ожидаемое значение величины hn+\ будет принадлежать доверительному
интервалу
[hn+i — 1 .6 5 ^ /Д п + ъ ^ n + i + 1-65yjA n + i ]•
Отсюда вытекает, что в 90% случаев прогнозируемое значение Sn+i вели

чины рыночной цены SVi+i (по наблюдениям h\, . . . , hn) лежит в интервале
Snehn+1 ~ lQ5\Mn+i, Snehn+i+ 165\/Дп+i
4. Оказывается, однако, что к привлекательной гипотезе “нормально

ти” распределений величин hn, п ^ 1, надо относиться с осторожностью.
Дело в том, что эмпирический анализ многих финансовых данных показы
вает (см. далее гл. IV), что
(а) число выборочных значений, не попадающих в “доверительные” ин-
_ _ _ 1 п
тервалы [ hn —kan,h n + кап] с к = 1,2,3, где hn — — V hi - выборочное
П i=1
среднее и ап - стандартное отклонение,
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),
где 777-2и 777-4 - эмпирические второй и четвертый моменты, значимым обра

зом является положительным (для нормального распределения kurtosis
равен нулю), что означает сильную “вытянутость” пика плотности рас

пределения в окрестности центральных значений:
Рис. 12. Эмпирическая плотность одномерного распределения величин

(hn)n^ 300? подчиняющихся модели H A R C H (16) (см. § ЗЬ). Непрерыв
ная кривая - плотность соответствующего нормального распределения
Я (га, а 2) с т = / 1300 , - ?зоо
Пожалуй, самым сильным (относительно структуры распределений

величин h — (/in)) является, помимо гауссовости, предположение
независимости и одинаковой распределенности
этих величин.
При таких условиях анализ цен Sn = SoeHn, Н п = hi + •••+ /гп, лег
ко проводится обычными методами теории вероятностей, основанными на
этих предположениях. Но, конечно, понятно, что предположение незави
симости значений h = (hn) сразу разрушает надежду (и веру) в то, что
“прошлые данные” могут что-то дать для прогноза “будущих значений”
На самом же деле, в этом отношении ситуация более благоприятна, по
скольку многочисленные исследования временных финансовых рядов по
казывают наличие, как уже отмечалось, негауссовости и зависимости
в значениях (hn), хотя они могут быть и некоррелированными, а зависи
мость - весьма слабой. Проще всего убедиться в наличии зависимости
можно, рассматривая эмпирические корреляции не для величин hn, а для
\hn \или . (В приводимой далее модели стохастической волатильнос
ти ситуация такова, что Соv(hn,h m) = 0 для п ф га, но Соv(/i^,/i^J
и Cov(|/in |, \hm \) значительно отклоняются от нуля; см. §Зс.)
§ 1Ь. Разложение Дуба.

Канонические представления
1. Будем предполагать, что в модели
Sn — $оеНп, Н п = hi + •••+ hn, (1)
величины h n , п ^ 1, имеют конечные абсолютные первые моменты,

E\ hn \< оо, п ^ 1.
Разложение Дуба, о котором пойдет речь дальше, предполагает изу
чение последовательности Н = (Н п) в зависимости от свойств фильт
рации (^ п), т.е. потока “информаций” доступных “наблюдателю”
(на рынке ценных бумаг - в интересующем нас контексте; S'о = { 0 , Л}).
Поскольку E\ hn \ < оо, п ^ 1, то определены условные математичес
кие ожидания E ( h n |З'п-х) и, значит,
Hn = Y , Е(Л* + ' 5 2 [ h k - E(hk (2)

k^.n k^.n
Иначе говоря, если
A „= £ E (fc * | £ fc -i), (3)

k^.n
M n = ' £ [ h k - E { h k \ * k - 1) ] t (4)
k^.n
то для H = (Hn)n^о c H 0 = 0 справедливо разложение Дуба
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;
b) последовательность М — (М п)п^>о с Мо — 0 является мартинга

лом,, т. е. при каждом n ^ 1 выполнено свойство
Е(МП |^ n - i ) = M n_ 1 (Р-п.н.),
при этом величины М п являются ^-измеримыми с Е|МП|< оо при каж

дом п ^ 1.
З ам ечание. Предположим, что наряду с фильтрацией (З'п) задана

подфилътрация (^п)? гДе ^п О и С Для Н — (Н п) можно
написать аналог разложения (5) относительно потока (^ п):
п п
H n = Y , Е(Л* Itffc-i) + (/»fc - Е(Л* Itffc-i)).

fc=l fc=l
Последовательность Д = (Дп) с элементами

п
A n = Y l Е(Л*|0*-1)
*= 1
будет (^ п)-предсказуемой (т.е. Дп - ^ n_ i -измеримы), но М — (М п),

п
м п = ^ { h k -E (h k
fc=1
не будет, вообще говоря, мартингалом относительно потока (^ п),

поскольку h k являются измеримыми относительно но не относитель
но^.
Важно отметить, что если наряду с (5) мы имеем другое разложение
я п = д'п + м ;
с предсказуемой (относительно потока (^ п)) последовательностью Д' =

(Д^, ^ п), Дд = 0, и мартингалом М ' = (М^, ^ п), то Д^ — Дп, М ’п — М п
для всех п ^ 0.
Действительно,
л « + 1 - а ; = (л п+1 - А п) + ( м п+1 - м п) - ( м ; +1 - м ; ) .
Отсюда, беря от обеих частей условное математическое ожидание

Е( • |^п), находим, что Д^+i — А'п = Дп+х — Дп (в силу ^-измеримости
Д'п+1 и Дп+х). Но А '0 = Д0 = 0, и, значит, Д'п = А п и М гп — М п для всех
п ^ 0. Тем самым, разложение (1) с предсказуемой последовательностью
Д = (Дп) является единственным.
Отметим также, что если в рассматриваемой модели Е(hk |З'к-х) — 0?
к ^ 1, то, согласно (2), сама последовательность Н — (Я пУявляется мар
тингалом.
Приведем следующий пример на “разложение Дуба”, хорошо иллюстри
рующий “нетривиальность” этого разложения, несмотря на его простоту.
П ри м ер . Пусть Х п = + •••+ £п, где (£п) - независимые бернулл!

евские величины такие, что
РК„ = ±1) = J .
Рассмотрим разложение Дуба для Н п = |ХП|, п ^ О, X q — 0.

Здесь
hn = А Н п = Д | Х „| = |ХП| - \Хп-г\ = | * n - i +<£n| - I X n -il,
и ясно, что
А М п = hn — Е(hn |З'п-х) — \Хп- г + £п|~ E(|Xn_ i + £п||З'п-х)

= \Хп- г + £п |— E(|Xn_ i + £п||X n_ i )
= ( S g n X n_ i ) £ n ,
где
1, х > 0,
Sgn х — 0, х — 0,
—1, х < 0.
Таким образом, для мартингала М = (M n)nî 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| -
На множестве {о;: X n_ i — г} с г ^ 0 правая часть равна нулю. Если же

г = 0, то правая часть равна единице. Поэтому
п
Е Е ( h i |^ i _ i ) = N { 1 < А: ^ n : = 0},
г= 1
где iV {l ^ к ^ п: X ^ - i = 0} - число тех А:, 1 ^ ^ п, для которых

X * - i - 0.
Если обозначить T n(0) = iV{0 ^ к ^ п — 1: = 0} - число нулей
последовательности ( ^ ) o ^ f c ^ n - i 7 TO находим
l*„|= Е (S g n X * _i)A X * + L„(0 ),

1< к < . п
что есть дискретный аналог известной формулы Танака для модуля

броуновского движения (см. § 5с, гл. III). Между прочим, отсюда видно,
что
ELn (0) = Е|ХП|.
X /2
Поскольку —р: ~ оУ (0,1), то Е|ХП|~ \ —п, и, значит,
у/п \ 7Г
ELn (0) ~ \j ^ n
- известный результат о среднем числе нулей в симметричном случайном

блуждании Бернулли (см., например, [156]).
2. Пусть М = (M n)nî является квадратично интегрируемым ма
тингалом ml < оо, п ^ 1), Мо — 0. Тогда разложение (2), примененное
к Нп = , примет следуюпшй вид:
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)).
С этими обозначениями разложение (6) можно записать в виде

M l = (M )n + m n, (8)
где (предсказуемая) последовательность (М ) = ((М ) п ) п>1 называется
квадратической характеристикой мартингала М (см. также с. 369).
Заметим, что поскольку М — (М п) есть мартингал, то
Е (Д М ^ | ^ _ 1) = Е ((Д М *)2 |^*_1). (9)
Это свойство объясняет, почему квадратическую характеристику (М )
называют также предсказуемой квадратической вариацией (квадратич
но интегрируемого) мартингала М . При этом термин квадратическая ва
риация резервируется для (непредсказуемой, вообще говоря) последова
тельности [М] — ([М ]п)п^>1 со значениями (см. также с. 367)
[М)п = £ ( Д М * ) 2. (10)
3. Предположим сейчас, что последовательность Н — (Н п) сама явля

ется мартингалом и к тому же - квадратично интегрируемым, т. е. пусть
Е(ДН к |& k -i) — |& k -i) = 0и Eh\ < oo, к ^ 1. Тогда
(H)n = J 2 E ( ^ l ^ - i ) . (11)
k<Z.n
Величины E(h\ |^ _ i ) , из которых складывается квадратическая харак

теристика (Н ) п, определяют степень изменчивости (волатильности)
мартингала Н и во многом - его свойства. Например, если с вероятностью
единица (Н )п -» оо, то для квадратично интегрируемого мартингала Н
имеет место усиленный закон больших чисел: прип оо
777Г~ -»■ 0 (Р-п.н.). (12)

\Н)п
(См. [439; гл. VII, §5].)

В дальнейшем набор величин (E(h\ 13 ?k -i ) ) k > 1 будет играть су
щественную роль при анализе временных финансовых рядов S = (Sn)
с Sn = SoeHn.Применительно к этому случаю иследуя принятой в
теории финансовтерминологии, последовательность (Е(h\ \3 ?k -i ) ) k > 1
будем называть стохастической волатильностью. (Подробнее о вола
тильности см. раздел 3.)
Если условные математические ожидания Е(h\ |З'к - 1 ) совпадают с без
условными (например, если (hn) есть последовательность независимых
случайных величин и З'к- 1 — or(h i, . . . , h k - 1 ) - cr-алгебра, порожденная
величинами h i, . . . , hn- i ), то волатильность - это просто набор дисперсий
о\ — Еh\ (предполагается, что Еhk = 0), к ^ 1, которые являются
стандартными мерами разброса (изменчивости) величин hk-
4. При написании разложения Дуба (2) или (5) предполагалось, что

E\hk\ < 0 0 , к ^ 1. Это предположение было нужно, в сущности, лишь
только для того, чтобы были определены условные математические ожи
дания Е(hk |б?к- 1 ), к ^ 1. Тем самым, естественным образом возника
ет идея использовать разложение (2) и в том, более общем, случае, когда
определены и конечны (Р-п.н.) только условные математические ож и
дания Е(hk \3'k-i), без выполнения, вообще говоря, условия E\hk\ < 0 0 .
С этой целью напомним, что если E\hk\ < 0 0 , то условное математи
ческое ожидание Е(hk \6F k - 1 ) определяется по Колмогорову как такая
3 *к- 1 -измеримая случайная величина, которая для любого A Е З'к-г

удовлетворяет условию
[ E(hk \ ^ 1 )d P = [ hk dP. (13)

JA JА
При этом существование такой случайной величины следует из теоремы

Радона-Никодима. См., например, [439; гл. II, §7].
Однако заметим, что предположение E\hk \ < оо вовсе не является не
обходимым для существования < ^ _ 1 -измеримой величины E(hk I& к -1),
удовлетворяющей (13). Например, когда hk ^ 0 (Р-п.н.), эту величину
можно определить и без требования Ehk < оо.
Отсюда возникает идея определения обобщенного условного математи
ческого ожидания, также обозначаемого E(hk |^ _ i ) , следующим обра
зом.
Представим hk в виде
hk — — hk ,
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
min{E(/i+ |^ _ i ) ( a ;) , E{h~ |&к- г)(и )} < оо. (14)
Тогда, по определению, мы полагаем
E(hk I£ f c - i ) M - Е(h i I£ jfe -i)M - E(h - I^ _ i ) M (15)
и называем E(hk |6Pk- i ) обобщенным условным математическим ож и

данием.
Если Е|/г&| < оо, то очевидным образом обобщенное математическое
ожидание совпадает с обычным условным математическим ожиданием.
В том случае, когда E(\hk \|3?k- i ) ( u ) < оо, u; Е fi, свойство (14) выпол
нено очевидным образом и Е(hk |^ _ i ) ( u ;) не только определено, но и ко
нечно для всех w G fi. В этом случае мы говорим, что обобщенное условное
математическое ожидание E(hk |^ k- i ) определено и конечно.
Замечание. Следуя общему духу теории вероятностей, рассматрива

ющей, как правило, выполнение тех или иных свойств не “для каждого
to Е fi” а лишь идля почти всех и Е fi” данное выше определение обоб
щенного условного математического ожидания легко переформулировать
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^\.
5. Остановимся также на соответствующем разложении (или, как б

дет дальше говориться, представлении) в том случае, когда условные ма
тематические ожидания Е(hk |&к- i ) ( “обычные” или обобщенные) не оп
ределены.
В этом случае можно поступить, например, таким образом.
Представим величины hk в виде:
hк — hkl{\hk\ ^ cl) hkl(\hk|> а,),
где а - некоторая константа; обычно полагают а — 1.

Величины hkl{\hk\ ^ а) уже имеют абсолютный первый момент, и, сле
довательно,
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
>1 - предсказуемая последовательность, ( М ^ а^)я>1

мартингал и ( X] hkl{\hk \> а)) --последовательность
последовательность “I
“больших”
Ч ^к^п / п^1
скачков.
Следуя терминологии, принятой в “общей теории случайных процессов”

(см. раздел 5 в гл. III и [250; § 4с, гл. I]), представление (17) будем называть
каноническим представлением Н .
Отметим, что если наряду с (16) имеется другое представление Н вида
Нп Ап + Мп + Е hkI(\hk\> а) (18)
1 <С/с<Стг
с предсказуемой последовательностью (А и мартингалом (М^), то необ

ходимым образом А'п = А ^ а\ М'п — М ^ а).
Иначе говоря, представление вида (18) единственно и совпадает с (17),
что оправдывает название для этого представления как канонического.
§ 1с. Локальные мартингалы, мартингальные

преобразования, обобщенные мартингалы
1. В проведенном выше анализе последовательности Н = (i7n), осно
ванном на разложении Дуба (5) и его обобщении, ключевую роль игра
ют два понятия - “мартингальность” и “предсказуемость” и, соответ
ственно, участвующие в представлении Н = (Нп) мартингал М = (М п)
и предсказуемая последовательность А = (А п).
Это и определяет то, что проводимый далее стохастический анализ час
то называют “мартингальным” или “стохастическим исчислением” подра
зумевая под этим анализ на фильтрованных вероятностных пространст
вах, специализированных выделением на (обычных) вероятностных про
странствах особой структуры - потока сг-алгебр ( ^ п). Именно, с нали
чием этой структуры - “фильтрации” (&п) ~ связаны такие понятия, как
момент остановки, мартингал, предсказуемость, суб- и супермартингалы,
семимартингалы и др.
В современном стохастическом исчислении, пожалуй, более важную
роль играет не понятие мартингала, а понятие локального мартингала.
Замечательным является то обстоятельство, что хотя класс локальных
мартингалов шире класса мартингалов, он сохраняет многие важные
свойства последних. Дадим ряд определений.
Пусть (Г2, (<^n), Р) - стохастический базис, т. е. фильтрованное веро
ятностное пространство, с дискретным временем, п ^ 0.
О пределение 1. Последовательность случайных величин X = (Х „ ),
заданных на стохастическом базисе, назьюается стохастической после
довательностью, если при каждом п ^ 0 величины Х п являются ^ „-и з
меримыми.
Чтобы подчеркнуть это свойство измеримости, стохастические после

довательности записывают в виде X = {Х п, 6РП), включая в обозначение
также и а-алгебры &п, относительно которых измеримы величины Х п.
Определение 2. Стохастическая последовательность
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:
supE(|Xn |/(|Xn |> С )) ->■ 0, оо.

П
В дальнейшем через Ж\л будем обозначать класс всех равномерно ин

тегрируемых мартингалов (UI - от Uniformly Integrable). Класс всех
мартингалов будет обозначаться Ж.
В том случае, когда рассматриваемые мартингалы определены лишь
для п ^ N < оо, понятия мартингала и равномерно интегрируемого мар
тингала, очевидно, совпадают (Ж = Ж\л).
Иногда для Ж\л и Ж используются также обозначения Ж\з\(Е, (^п))
и Ж (Р, (З п)), если надо подчеркнуть, относительно какой меры Р и какого
потока (&п) рассматривается свойство “мартингальности”
Определение 3. Будем называть стохастическую последовательность

х = {х п, &п)п ^ 1 с Е\х п\ < со мартипгал-разностъю, если (Зо — {0 > ^ })
Е(жп |«?n- i ) = 0 (Р-п.н.), п ^ 1.
Ясно, что для такой последовательности х = (х п) соответствующая

“суммарная” последовательность X = (Х П1 3 п) с Х п = Xq +Х\^ \-хп
образует мартингал. И наоборот, с каждым мартингалом X = (Х п, З п)
связьюается мартингал-разность х — (хп, З п) с х п = Д Х П, где Д Х П =
Х п — X n_ i для п ^ 1 и АХ о = Хо для п — 0.
Определение 4. Будем назьюать стохастическую последовательность
X = локальным мартингалом (субмартингалом, супермар
тингалом;), если найдется такая (локализующая) последовательность
('nOfcî марковских моментов (т.е. таких, что {а;: ^ гг} G п ^ 0;
см. также далее определение 1 в § If), что г& ^ Tfc+i (Р-п.н.), | оо
(Р-п.н.), к —> оо, и каждая “ остановленная” последовательность
Х Г* = (Х г,л п ,^ п )
является мартингалом (субмартингалом, супермартингалом).

Замечание 1. В определение локального мартингала часто включают
требование, чтобы последовательность Х Тк была при каждом к ^ 1 не
только мартингалом, ной равномерно интегрируемымм&ртинг&лом (см.,
например, [250]).
Отметим также, что иногда, желая рассматривать и такие последова
тельности X — (Х п, З п), для которых “начальная” случайная величи
на Хо не интегрируема, остановленные последовательности Х Тк опреде
ляют несколько иначе:
х т* = { х ТкАп1(тк > o ) , j g .
Для класса локальных мартингалов используется обозначение Ж\ос или

^1ос(Р, Ш ) .
Из определения 4 следует, что всякий мартингал является локальным
мартингалом и, тем самым,
Ж\ос.
Если X G Ж\ос и семейство случайных величин
Е = { Х т : г - конечный момент остановки}

равномерно интегрируемо (т.е. sup E{\Xr \I(\Xr \^ С )} —» О, С —» о о ) ,

v x tgs /
то X является мартингалом (X Е Ж ) и, более того, мартингалом Леви:
существует интегрируемая ^-измеримая случайная величина Х ^ такая,
что Х п = Е(Хоо |3 п). Тем самым, в этом случае X Е (Подробнее
см. [250; § 1е, гл. I] или [439; §4, гл. VII].)
Определение 5. Будем называть стохастическую последовательность
X = (Х п, З п)п^о обобщенным мартингалом (субмартингалом, супер
мартингалом), если Е|Хо| < оо, для каждого п ^ 1 определены обобщен
ные условные математические ожидания Е{Хп |3'п-\ ) и вьшолнено усло
вие
Е(Хп \&п- 1 ) = Х п - 1 (Р-п.н.)
(выполнены условия Е{Хп |З п-\ ) ^ V n_ i, Е(Хп |3'п-\ ) ^ V n_ i соот
ветственно) .
Замечание 2. Из определения (см. § lb) обобщенного математическо
го ожидания Е(Хп |3 n- i ) и “мартингального” равенства Е(Хп |З п-\ ) =
Х п-\ автоматически следует, что E(|Xn |\3'n- i ) < оо (Р-п.н.). Иначе
говоря, условное математическое ожидание Е(Хп |З п-\ ) не только опре
делено, но и конечно. Тем самым, в определении 5 сразу можно предпола
гать, что Е(|ХП||З п - \ ) < оо (Р-п.н.), п ^ 0.
Определение 6. Будем называть стохастическую последователь
ность х — {х п, З п )п ^ 1 обобщенной мартингал-разностью {субмартин
гал-разностью , супермартингал-разностью), если для каждого п ^ 1
определены обобщенные условные математические ожидания Е(хп |З п- 1 )
и выполнены условия
Ц х п |З п- Х) = 0 (Р-п.н.)
(соответственно, условия Е{хп |З п-\ ) ^ 0, Е(хп |3 n- i ) ^ 0 (Р-п.н.)).

Замечание 3. Как и в предыдущем замечании, в определении обоб
щенной мартингал-разности можно сразу требовать, чтобы выполнялось
условие Е(|жп||З п - i ) < оо (Р-п.н.), п ^ 1.
Определение 7. Пусть М = { М п , З п ) ~~ стохастическая последова

тельность и Y — (Yn , 3 n- i ) - предсказуемая последовательность (Уп -
З п_ 1 -измеримы, п ^ 1, и Yq - ^о-измеримо).
Стохастическая последовательность
Y - M = ( ( Y - M ) n, P n),
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).
Следующая теорема устанавливает, что в случае дискретного времени

объекты, введенные определениями 4, 5 и 7, родственны между собой.
Т еорем а. Пусть X = (Х п, ^ п)п^о ~ стохастическая последова

тельность с Е|Хо| < оо. Следующие условия являются эквивалент
ными:
(a) X - локальный мартингал (обозначение: X Е <М\ос)\
(b) X - обобщенный мартингал (обозначение: X Е GM)\
(c) X есть мартингальное преобразование (обозначение: Х е М Т ),
т. е. X — Y -М с некоторой предсказуемой последовательнос
тью Y — (Уп, З'п—х) и некоторым мартингалом М = (М п,& п).
Д ок а за тел ь ств о. (с)= > (а ). Пусть X Е 1 Т и

гг
X n = X 0 + ^ Y kA M k, (1)
k= 1
где У - предсказуемая последовательность и М - мартингал. Если

\Yk\ ^ С, k ^ 1 , то X , очевидно, мартингал.
В противном случае положим rj = inf{п — 1: \Yn \> j } . Поскольку Yn
- SPn_ i -измеримы, то Tj - моменты остановки, tj t оо, j —> оо, и “останов
ленные” последовательности снова имеют вид ( 1 ) с ограниченными
YkJ = YkI {k ^ Ту}. Следовательно, А" Е ioc*
(a )= > (b ). Пусть X Е <М\ос и (т/с) - его локализующая последователь
ность. Тогда Е|Х пк|< оо и E(|Xn+i| |&п) = Е (| Х ^ 111 &п) на множестве
{г к > п ) Е ^ п. Поэтому E(|ATn+i| I^ n) < оо (Р-п.н.).
Аналогично, на этом же множестве {т^ > п}
Е(Хп + 11§Рп) = Е(Х? + 1 1&п) = X ? = Х п .
Тем самым, X Е G M .
(b )= Ц с ). Пусть X Е G J I. Положим
ЛП(Л) = {ш: E(|Xn+1|I9 п) е [ к , к + 1)}.

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 ^
с предсказуемыми последовательностями (А ^ к^)п^,о и мартингалами

{ М £ к))п> о-
В силу единственности этого разложения (с предсказуемыми последова
тельностями (А^пк^)п^о) нетрудно вывести, что
д ( тк + 1 ) _ д(тк )
**-п/\тк п
Полагая А п — А ^ к^ для п ^ т&, видим, что (Х п — А п)п^о является ло

кальным мартингалом, поскольку “остановленные” последовательности
- 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.
Следует отметить, что в этом случае последовательность А = (А п) яв

ляется возрастающей (точнее, неубывающей), что вытекает из явной фор-
мулы для а !,"*1:
А<п>= £ Е (Д Х ,|^ -,),
г^пЛт*.
и свойства субмартинтальности, Е(ДХ* |^ i - i ) ^ 0.

Отметим также, что разложение вида (2) с предсказуемым процессом
А = (А п) является единственным.
О пределение 8. Если стохастическая последовательность X =

(Х п,бРп) допускает представление в виде Х п = А п + М п с предска
зуемой последовательностью А = (А п, сРп-1 ) и локальным мартингалом
М = (М п, ^ п), то мы говорим, что X допускает обобщенное разложение
Дуба, а последовательность А является компенсатором (или пред
сказуемым компенсатором, или дуально предсказуемой проекцией)
последовательности X .
(Термин “компенсатор” объясняется тем, что А компенсирует X до
локального мартингала.)
3. В заключение приведем один простой, но полезный результат из [251

дающий достаточные условия, при которых локальный мартингал в дей
ствительности есть (просто) мартингал.
Л ем ма. 1) Пусть X = (Х п, ^ п)п^о является локальным мартин

галом с Е|Хо| < оо, таким, что либо
ЕХ~ < оо, п ^ 0, (3)
либо
ЕХ+ < оо, п ^ 0. (4)
Тогда X = (Х п, ^ п)п^о ~~ мартингал.

2) Пусть X = (Х п, <^n)o^nîV ~ локальный мартингал, JV < оо,
Е|Хо| < оо и либо ЕХ^ < оо, либо ЕХ^ < оо. Тогда для всех п ^ N
выполнены условия (3) и (4), и X — (Х п, ^ п) о ~ мартингал.
Доказательство . 1) Покажем, что любое из условий (3) или (4) вле

чет за собой выполнение другого, а значит, Е|ХП|< оо, п ^ 0.
Действительно, если выполнено, скажем, (3), то по лемме Фату

[439; гл. И, §6]
Е Х + = ElimX+ATfc ^ Ш Е Х + ЛТк = lim[EXnATfc + Е Х ~ Атк]

к к к
= ЕХ 0 + Urn Е Х -ЛТк < |ЕХ0|+ £ ЕХ~ < оо.

к i =о
Следовательно, Е|ХП|< оо, п ^ 0.

n -fl n -fl
Далее, поскольку |X(n+1)Arfc| < 22 |Х*|, где Е 22 |Х*| < оо, топ оте-
г=0 г=0
ореме Лебега о мажорируемой сходимости [439; гл. И, § 6 и 7] в результате
предельного перехода (к -* оо) в соотношениях
^ (^т*. А(гг+ \)1{Тк > 0)| ^п) = Х ТкЛп
получаем, что E(Xn+i |&п) = Х п , п ^ 0.

2) Заметим, что если ЕХ^ < оо, то тогда и ЕХ~ < оо, п ^ N. Действи
тельно, поскольку локальный мартингал является обобщенным мартинга
лом, то, значит, Х п = E(Xn+i |^ n), откуда Х ~ ^ Е (Х ~ + 1 |^ п), а потому
и ЕХ~ ^ EXn_|_^ ^ EX n для всех п ^ N 1.
Тем самым, из 1) следует, что X = (X n, ^ n)o^n^ 7V является мартинга
лом.
Аналогично рассматривается и случай ЕХ^- < оо.
Лемма доказана.
С л едствие. Всякий локальный мартингал X = {X n)n^Q, ограни

ченный снизу (infп Х п (и;) ^ С > —оо, Р-п.н.) или ограниченный сверху
(supn Х п (а;) ^ С < оо, P-n.w.), является мартингалом.
4. Утверждение доказанной леммы интересно сравнить с соответству

ющим результатом для случая непрерывного времени.
Если (Г2, Р) - фильтрованное вероятностное пространство
с неубывающим семейством а-алгебр о {&s Q С 5 ^ £), то
стохастический процесс X = (X f)t^о назьшается мартингалом (супер-
мартингалом или субмартингалом), если X* - ^-измеримы, Е|Х*| < оо,
t ^ 0, и Е(Х* | = X s (E(Xt |^ s) ^ X s или E(Xt |^ s) ^ X s), s < t.
Процесс X = (X t)tô назьшается локальным мартингалом, если
можно найти неубывающую последовательность моментов остановки, (ть),
т~к Т 00 (Р-п.н.), таких, что при каждом к “остановленные” процес

сы Х Тк = (XtArkI ( Tk > 0),& t) являются равномерно интегрируемыми
мартингалами.
Те же рассуждения, что и при доказательстве леммы, основанные на
применении леммы Фату и теоремы Лебега о мажорируемой сходимости
[439; гл. II, § б и 7], позволяют доказать справедливость следующих ут
верждений.
I. Всякий локальный мартингал X — (X t )t^ о такой, что
E supX ^ < оо, t ^ О,
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
Е sup \XS\< оо, t ^ О,

s<oo
является равномерно интегрируемым мартингалом.

Полезно обратить внимание на то, что в случае дискретного времени из
ЕХ_Г < оо, п ^ iV, вытекает, что Е ш а х Х “ < оо. В случае же непре-
n^.N
рывного времени из E X f < оо, t ^ Т, не следует, вообще говоря, то, что
Е sup Х ^ < оо. Это обстоятельство и есть, в сущности, основная причина
t^T
того, что результат приведенной выше леммы не переносится автоматичес
ки на случай дискретного времени.
Отметим также, что в утверждении I локальный мартингал может ока
заться действительно “настоящим” супермартингалом, т. е. не быть мар
тингалом.
Вот хорошо известный
П рим ер. Пусть В = (В*, Bf )t ^ 0 - трехмерное броуновское дви

жение,
Rt = yJ(BD* + (В $ ) 2 + (В?)2 и Ro = у/(51)2 + (Б02)2 + ( 5 03)2 = 1.

Известно, что этот процесс, называемый процессом Бесселя порядка 3,

допускает стохастический дифференциал
dRt = § - + dpt , Rо = 1,
с некоторым стандартным броуновским движением /3 = (Pt)t^о (см. § За,

гл. III, и, например, [402]).
По формуле Ито (см. § 3d в гл. III, а также [250], [402])
df{R t ) = f '{ R t )d R t + l- f " { R t)dt
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 '
Стохастический интеграл ( [ -—|г- J является локальным мартин-

\Jо R s ) о
галом (см. [402]), а значит, процесс X = (X t )t> о с X t = — , X о = 1, есть
локальный мартингал, не будучи мартингалом.
Действительно, из свойства автомодельности (см. далее § За в гл. III)
броуновских движений В 1, В 2, В 3 следует, что
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)
где £i, * = 1 , 2 , 3 , - независимые стандартные нормально распределенные

величины, & ~ ^ ( 0 ,1 ) .
В случае же “мартингальности” математическое ожидание EXt должно
было бы быть константой.
§ Id. Гауссовские и условно-гауссовские модели

1. Концепция эффективного рынка обосновывает гипотезу марти
гальности (нормированных) цен, делая тем самым понятие “мартингала”
одним из основных при исследовании динамики эволюции цен как стохас
тических последовательностей или процессов с определенными свойства
ми их распределений. Однако, при проведении конкретных расчетов одно
го лишь знания “мартингальности распределений” слишком мало - нужна
более “тонкая” структура этих распределений, что приводит к необходи
мости детального рассмотрения самых разнообразных вероятностно-ста
тистических моделей с целью выявления тех из них, свойства распределе
ний которых лучше всего согласуются со свойствами эмпирических рас
пределений, построенных по статистическим данным. Именно этой цели
и посвящен, в сущности, весь последующий материал этой главы, в кото
рой представлены модели, позволяющие объяснять те или иные свойства,
обнаруживаемые при анализе “статистического сырья”, в частности, обра
зованного временными финансовыми рядами.
Предположение гауссовости распределений Law(/ii,. . . , hn) величин
h i, . . . , hn является, конечно, наиболее привлекательным и с точки зрения
теоретического анализа, и с точки зрения хорошо развитой “статистики
нормального распределения” Но, как отмечалось выше, приходится кон
статировать (и считаться с этим), что статистическая обработка данных
многих финансовых рядов показывает, что предположение гауссовости не
всегда адекватно отражает истинную картину поведения цен.
Если пытаться искать альтернативу предположению о гауссовости без
условных распределений Law (h i , . . . , hn) последовательности h = (hn)n^ i,
то, имея в виду “разложение Дуба” которое определяется с привлечением
условных математических ожиданий E(/in |^ n_i), вполне естественной
представляется идея считать, что не безусловные, а условные распреде
ления вероятностей Law(hn |^ n- i ) являются гауссовскими:
Law(/in l ^ n - i ) = Jf{lin,Vn) (!)
с некоторыми 8Рп-\-измеримыми fin = ц п{ш) иа% = (о;).1)
Говоря точнее, (1) означает, что (регулярное) условное распределение
P(hn ^ х |З 'п - 1 ) задается формулой (для всех х Е Ши ш 6 fi)
1 ГХ _ ,(у_г,^ п , ( ^ ) 2
Р(hn ^ X I&n- i ) ( u ) = >==: / е 2апМ dy.
у/2 тга2 J - оо
1^Во избежание рассмотрения тривиальных случаев, требующих тем не менее

специальных оговорок, мы будем всюду далее предполагать, что при всех п и ш ве
личины On (ц;) ф 0.
Из регулярности этого условного распределения вытекает (см. [439;

§ 7, гл. II]), что Е(hn |3 n-i)(co) может быть найдено обычным интегриро
ванием (для каждого фиксированного со Е fi):
оо
/ -О О
x d P ( h n < ж | ^ п _х)(а;),
что в рассматриваемом случае приводит к формуле
E(hn \&n- i ) = Ип- (2)
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
Law(en |3 n- i ) = J f (0,1), где 3 o = { 0 ,fl}.
Понятно, что эта последовательность является мартингал-разностью, по

скольку Е(£п |З п - 1 ) = 0. Но, более того, это будет последовательность
независимых случайных величин, имеющих стандартное нормальное рас
пределение *Ж(0,1), поскольку
Law(en |e i , ... ,e n- i ) = (0,1).
В силу сделанного выше предположения ап(со) ^ 0 (п ^ 1, со Е fi)

величины еп,п ^ 1, определяемые формулой еп = (hn —//п)/сгп, образу
ют стандартную гауссовскую последовательность. Следовательно, можно
считать, что рассматриваемые условно-гауссовские (относительно пото

ка (&п) и вероятности Р) последовательности h = (hn)nî представимы
в виде
hn = Рп 4~ (4)
где е = (еп) - последовательность независимых ^„-измеримых случайных
величин, имеющих стандартное нормальное распределение, 0,1). (По
поводу представления последовательности h = ( h n ) n ^ i в общем случае,
т. е. когда ап может обращаться в ноль, см. [303; § 1 , гл. 13].)
Ясно, что более детальное изучение вероятностных свойств последова
тельности h = (hn), а значит, и 5 = (Sn), зависит от конкретизации струк
туры величин ц п и . Именно это и делается в представляемых ниже мо
делях.
Заметим, что с точки зрения распределений последовательности
h — (hn) и желания иметь условную гауссовость целесообразно бы
вает рассмотрение этого свойства в следующем контексте. Пусть (^п) -
подфильтрация (^ п), т.е. Уп С ^ п, С 1 ; например, <£п = ^ n_i.
Предположим, что Law(/in |^ п) = ,Ж(//П,сг^) с р п = E(hn |^ п),
— D(/in |^n). В этом случае распределение Law(hn) также явля
ется смесью гауссовских.
Перейдем теперь к некоторым конкретным (линейным и нелинейным)
гауссовским и условно-гауссовским моделям, в которых для п ^ 1 спе
цифицируются значения р п, ап и должны задаваться начальные условия
(. . . , / l _ i , / i 0 ) И (. . . , £ _ i , £ o ) л л я h vLS.
2 . Авторегрессионная модель AR(p) порядка р. В этой модели предпо

лагается, что
&П = <r(ei , . . . , £ п ) (5)
и
Рп = 4- a.ihn — 1 -f- *** ~h Ophfi—p) (б)

o n = о = Const (о > 0). (7)
Таким образом, здесь
hn — Рп 4“ &п£п — 4" 4" ■** 4" aphn—p -К о£п.

Последовательность h = (/in)nî, называемая авторегрессионной мо
делью (AutoRegressive model) порядка р , требует для своего определения
задания начальных значений / i i - p, . . . , h o . Если эти значения являются
константами, то последовательность (hn)nî будет не только условно-гаус
совской, но и (просто) гауссовской. В § 2Ь будет проведено более детальное
рассмотрение свойств авторегрессионной модели первого порядка (р = 1 ).
3. Модель скользящего среднего MA(q). В этой модели (аббревиа

тура МА означает “Moving Average” ) задаются начальные значения
(e i-q , . . . ,£ _ 1 ,£о) и полагаются
Нп == bo + bien- i + &2£п-2 + •••+ bqen- q , ^

ап = о = Const.
С ледовате льно,
hn = bo + bien- i + &2£п —2 + *** + bqSn —q + <JSn• (9)
4. Модель авторегрессии и скользящего среднего ARM A(p, <?). Полага

ется = cr(£i,. . . , £п), задаются начальные условия ( е . . . , £_i, во),
. . . , /г_х, /го) и считается, что
Нп — (®о hyi—1 "Ь •••~Ь (Lphji—p)

+ (bl^n-l + &2 ^n- 2 + •••+ bqSn-q), (1 0 )
<тп = сг = Const.
Модель такого типа порядка (р, <?) обозначается ARMA(p,q) (AutoRe-

gressive Moving Average) и называется смешанной моделью авторегрес
сии и скользящего среднего порядка (р, д); она реализуется, если
hn — (®о "Ъa\hji— 1 ~h •••~h aphn—p)

+ (bl£n- l + ^2 ^n- 2 + •••+ bqSn-q) + <7Sn. (1 1 )
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)nî 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
где а 0 > 0 , ai ^ 0 , г = 1 , . . . ,р, % = { 0 , и /*1 _ р, . . . , h0 - заданные

начальные константы.
Иначе говоря, условная дисперсия является функцией от значений
h2 h2
п —1 ’ * * * ’ п —р '
Эта модель, введенная (как уже отмечалось в § 2е, гл. I) в 1982 г. Р. Энг-
лем (R.F. Engle, [140]) и названная им ARCH(p) (AutoRegressive Condi
tional Heteroskedastic model - Авторегрессионная модель условной не
однородности), оказалась весьма удачной при объяснении ряда нетриви
альных свойств временных финансовых рядов таких, как, например, эф
фект кластерности (скученности) значений величин hn.
Итак,
hn — &п£т Tl ^ 1? (14:)
где е = (£п) - последовательность независимых нормально распределен

ных случайных величин, еп ~ ^ ( 0 , 1 ), асг^ определяются по формуле (13).
Если вместо (12) имеем
Рп = "Ь 0*1h"n—1 -}-••■-}“ (1^)
а подчиняется условию (13), то (4) принимает форму
hji — oqa\hji—i -j- •••-f- a>phji—<p-f- (JnSn• ( 1 ^)
Эти модели иногда обозначают A R (r)/ ARCH(p).

Положим (считая E < ос)
i'n = h l ~ a l . (17)
Тогда, в силу (13),

р
h2
n = oto + ^ o i i h ^ i + Vn, (18)
i—1
где
E{ vn I& n - 1) = E( h i |& n - 1) - a l = 0,
т.е. последовательность v = (vn) образует мартингал-разность.

Таким образом, ARCH (р)-модель может рассматриваться как авто
регрессионная модель AR(p) для последовательности (h\) с “шумом”
" = М , являющимся мартингал-разностью.
6. Обобщенная авторегрессионная модель условной неоднородност

GARCH(р, q). Успех применения модели A RCH (р) привел к появлению
различных ее обобщений, уточнений, модификаций и т. п.
Приводимая модель GARCH(p,q) (Generalized ARCH - Обобщенная
авторегрессионная модель условной неоднородности), введенная Т. Бол-
лерслевом (Т. Bollerslev, [48]) в 1986 г., является одной из таких разновид
ностей.
Считая, по-прежнему,
Рп ~ E(/in I^ п—i) = О?
вместо (13) будем предполагать, что
р я
°2
п = E(h2
n \ & n -i ) = ( * о + ' ^ a ih l _ i + J 2 ^ 3 (Tl - j ( 19)
г=1 3=1
с ао > 0 , a i,/3j ^ 0 и “начальными” условиями(/ii_p, . . . , /&о),

••• 7 0 о )> которые для простоты можносчитать константами.
Модель GARCH(р, q) - это последовательность h = (hn),
hn = (20)
где (£i, 8 2 , ••.) - последовательность независимых одинаково распределен

ных, <Ж(0,1), случайных величин, а подчиняются соотношениям (19).
Будем обозначать
(21)
i= 1
где L - оператор сдвига (Lth^l _ 1 = см. п. 2 в §2а далее), и
т ° 2
п -1 = 'Е Р з °2
п -г (2 2 )
В этих обозначениях
&п = a o + 0((L)hn_ 1 + ^(L)o^l_ 1.

Если, как и вьппе, положить vn = Ь?п — , то получим
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.
Иначе говоря,
h2
n = a o + {ot(L) + f3(L))ti2l_ 1 + ип —f3(L)vn- i. (23)
Тем самым, GARCH(p,q)-Momm> можно рассматривать как модель ав

торегрессии скользящего среднего, ARM A(max(р, g), д), для последова
тельности (h^) с “шумом” (j'n), который является мартингал-разностью.
В частности, для модели ЛЖ 7#(1) с
hn —®п£ т °п —«о “ЬOiihn _ i
находим, полагая ип = , что
“ а о + Oiihnî + J'n,
где “шум” (^п) образует мартингал-разность.

Разнообразные обобщения ARCH- и СЛЛСЯ-моделей (такие как
EGARCH , AGARCH , STARCH, NARCH, MARCH, HARCH, . . . )
связаны, в конечном счете, с той или иной спецификацией величин сг^ =
Е ( 4 |^n_ i ) как функций, измеримых относительно <7-алгебр ^ n_ i =
cr(si, . . . , Sfi—1).
7. Модель стохастической волатильности. Во всех предыдущих мод

лях источник случайности был одгш. Он задавался гауссовской последо
вательностью независимых величин е = (еп)- Модели стохастической
волатильности включают в себя два источника случайности: е = (еп)
и S = (5П), которые в простейшем случае предполагаются независимыми
и стандартными гауссовскими последовательностями, т. е. состоящими из
независимых, .Ж(0, ^-распределенных случайных величин.
Пусть (ё.п = cr(5i,. . . , 5п). Положим
(24)
где о п являются -измеримыми.

Тогда ясно, что
Law (hn |<gn) = J f (0, o 2
n ), (25)
т.е. ^„-условное распределение hn является гауссовским с параметрами
Положим
(26)
Тогда — еЛп, где Д п - -измеримы. Весьма популярны моде

ли, где последовательность (Дп) является авторегрессионной моделью,
(Дп) 6 AR(p),
Дп — Дп —1 -}-•••-}- ДрДп—р -}- с6п.
Естественным обобщением (24) является схема, в которой
hn — Рп &П&П) (27)
где р,п и а п - ^„-измеримы.

В том случае, когда последовательность е — (еп) в (27) образует нор
мально распределенную стационарную последовательность с Ееп = О,
— 1, а о = (о п) не зависят от е = (£п), соответствующая модель
носит название “модели Тейлора”
На этом закончим здесь краткое обсуждение ряда гауссовских и услов
но-гауссовских моделей, находящих применение в финансовой математике
и финансовой инженерии. Более подробное исследование свойств этих мо
делей будет проведено далее в разделах 2 и 3.
§ 1е. Биномиальная модель эволюции цен

1. В теории вероятностей исключительная роль принадлежит схем
Бернулли - последовательности
8= •••),
состоящей из независимых одинаково распределенных случайных величин,

принимающих всего лишь два значения, скажем, 1 и 0, с вероятностями
Р и<7, P + q = 1.
Именно для этой схемы была получена (Я. Бернулли, “Ars Conjectandi”
1713 г.) первая предельная теорема теории вероятностей - Закон больших
чисел, утверждающий, что для всякого е > О
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,
Закон арксинуса, . . . ) , которые, как оказалось, имеют гораздо более ши

рокую область применений.
В этом смысле вводимая ниже биномиальная модель Кокса-Росса-Ру-
бинштейна (Cox-Ross-Rubinstein), [82], играет в финансовой математике
роль, сходную со схемой Бернулли в классической теории вероятностей
- будучи весьма простой, эта модель дает возможность полного расчета
многих финансовых характеристик, например, справедливых цен опцио
нов, хеджирующих стратегий и др. (см. далее гл. VI).
2. Будем считать, что все финансовые операции происходят
(J5, S)-pbiHKe, состоящем из банковского счета В = (В п)п^о и акции,
цена которой есть S = (Sn)n^Q.
Представим эволюцию В и S в виде
Bn — (1 + Г п ) В п - 1, ( 1)
Sn = (1 + pn)Sn-1 (2)
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,
тогда как ( “рыночная” процентная ставка акции)
Рп ~ &п-измерима,
где {&п)~ фильтрация (поток информации) на данном вероятностном про

странстве (f2, Р).
В биномиальной модели (В , 3)-рынка Кокса-Росса-Рубинштейна
( “CRR-модель” ) предполагается, что
rn = г = Const
и Р — (рп)п^1 есть бернуллиевская последовательность независимых оди

наково распределенных случайных величин p i, р2 , . . . , принимающих два
значения
Ь,
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
Сделанное допущение, что rn = Const, а рп принимают всего лишь два

значения, позволяет с самого начала считать, что исходное вероятностное
пространство есть пространство двоичных последовательностей:
Q = { а , 6}00 или Г2 = { —1,1}°°, или Г2 = {0,1}°°.
Из (2) следует, что

Sn = S0 (5)
к^п
Сопоставляя это выражение с (5) из § 1а, мы видим, что р&совпадает с вве
денными выше величинами h Понятно, что Sn могут быть представлены
также в виде
Sn = S0e Hn = S 0eh' + - +hn,
где hn = ln(l + pk). Ср. с формулами (1) и (10) в § 1а.
3. Остановимся на одном частном случае, когда значения а и Ьтаковы
что
а = А-1 — 1, 6 = А — 1,
где А > 1.
В этом случае
Г ASVi—1 , если рп Ь,
Ьп — { X A6 n_ 1 , ^еслирп
л-1 с = а. ' '
Если определить еп {— ±1) из (3), то Sn можно представить в виде
5 n = S0Aei+- +e» (7)
или, что то же самое,

Sn = S0eh' + - +hn (8)
с hk = e k In А.
Отсюда видно, что в рассматриваемом случае S = (Sn) есть не что иное,

как геометрическое блуждание по множеству
E So = {S o\k :k = 0 , ± l , . . . } .
Если So € Е = {A fc: к — 0, ± 1 , . . . }, то E s0 — Е. В этом случае говорят,

что S = (Sn) есть марковское блуждание по фазовому множеству
Е = {А*:Л = 0 , ± 1 , . . . } .
Рассматриваемая биномиальная модель является дискретным аналогом
геометрического броуновского движения S = (St)t^о? т-е- случайного
процесса, представимого в виде (ср. с (8))
St = S0e<TWt+ifl- <T2/2)t,
где W = (W t)tô ~ стандартный винеровский процесс, или стандартное

броуновское движение (см. §3а, гл. III).
В этой связи естественно напомнить, что соответствующим дискрет
ным аналогом обычного броуновского движения является арифметичес
кое случайное блуждание Sn = 5^-1 + £п с некоторой бернуллиевской
последовательностью £ = (fn)nî-
4. В предшествующем изложении мы начинали с того, что все рассмот

рения происходят на некотором фильтрованном вероятностном простран
стве (f2, (^ n), Р) с некоторой вероятностной мерой. Вообще говоря, во
прос о том, какова вероятностная мера Р, а значит, и значения р = Р (рп = Ь)
и Q — Р(Рп —а), является далеко не простым. В определенном смысле бо
лее реалистичным было бы предположение, что на (Г2, 3*) задана не одна
вероятностная мера Р, а целое семейство вероятностных мер & — { Р},
для которых соответствующие значения р = Р(Рп — Ь) лежат в интерва
ле (0,1).
Затрагивая вопрос о возможных обобщениях рассмотренной биноми
альной модели, отметим, что весьма реалистично было бы также и пред
положение, что величины рп принимают не два значения а и Ь, а значения
из интервала [а, 6], при этом, вообще говоря, распределением вероятнос
тей рп может быть любое распределение на [а, 6]. Именно такая модель
будет рассматриваться в § 1с, гл. V, в связи с теорией расчетов рациональ
ной стоимости опционов на так называемых неполных рынках. В этом же
параграфе будет рассмотрен и невероятностный подход, основанный на
представлении, что рп - “хаотические” величины. (По поводу описания
эволюции цен моделями динамического “хаоса” см. далее § § 4а, Ь.)
§ If. Модели с дискретным вмешательством случая

1. При исследовании последовательностей Н = (Нтг)п^>о часто пре
ставляется удобным их “вложение” в схему с непрерывным временем, что
означает следующее.
Свяжем с исходным стохастическим базисом 38 = (f2, &, (&п)п^о, Р)
следующий базис 38 с непрерывным временем (t ^ 0):
где [t] - целая часть t.

Определим также по стохастической последовательности i f = (Нп, ЗРп)
новую последовательность (с непрерывным временем) Н = (Ht, пола
гая2) ^
Ht = H [t].
Таким образом (см. рис. 13), траектории Ht , t ^ 0, являются кусоч

но-постоянными со скачками A H t = iff —Ht~, происходящими в моменты
t = 1 , 2 , .. ., и непрерывными справа. При этом А Н п = Д Нп = hn.
Рис. 13. Вложение последовательности (Н п ) с дискретным време

нем в схему с непрерывным временем
Понятно, что верно и обратное: заданный на некотором стохастическом

базисе £0 = (f2, ЗР, ( ^ t ) t ^ о? Р) случайный процесс Н = (Ht , <^f ) f ^ o ? тра
ектории которого являются кусочно-постоянными, непрерывными справа
с возможными скачками в моменты t = 1 , 2 , .. ., является, в сущности, про
цессом с дискретным временем рассмотренного выше вида.
2)Как и в случае дискретного времени, запись Н = ( i f f , S 't) подразумевает, что

величины i f f являются ^-изм ерим ы м и при каждом t ^ 0.
2. До сих пор, обсуждал разные модели динамики цен, мы имели д

ло либо (в основном) с моделями, в которых цены S = (Sn) фиксируют
ся в дискретные моменты времени п = 0 , 1 , . . . , либо (как в случае Ба
шелье) с моделями, в которых цены S = (St)t^о описываются непрерыв
ным случайным процессом (броуновским движением, например) с непре
рывным временем t ^ 0.
На самом же деле, статистический анализ (см. гл. IV) эволюции реаль
ных цен S = {St)t^о показывает, что их структура в некотором смысле
является промежуточной.
Более точно, это означает следующее. Согласно многочисленным на
блюдаемым данным, структура траекторий цен S = (St)t^о такова, как
это изображено на приводимом рисунке:
St
So
0 п Т2 ТЗ
Р и с . 14. Процесс с дискретным вмешательством случая
(в моменты T i, Т2 , т з , . . . )
Иначе говоря, записывая St в форме St = SoeHt, мы находим, что тра

ектории (H t)t>о имеют вид
(i)
к> i
где 7i,T2,... - моменты скачков, a hk - величины скачков (А Н Тк =

Н Тк — НТк_ = hk).
Если считать, что все рассмотрения происходят на стохастическом бази
се (f2, 3*, (Sf't)tÔi Р)?тона (случайные) моменты скачков к ^ 1,инаве-
личины hk, k ^ 1, естественно накладьтать некоторые условия “измери
мости” обеспечивающие, по крайней мере, то, что при каждом t ^ 0 вели
чины H t являются ^-измеримыми, т. е. определяются той “информацией”
которая доступна на интервале времени [0, t].
3. С этой целью введем ряд определений, в которых под неотрицател

ной расширенной случайной величиной т = т (и) понимается отображе-
—у R+ = [0, оо].
Определение 1. Говорят, что неотрицательная расширенная случай

ная величина т = т(и)) есть марковский момент, или случайная величи
на, не зависящая от будущего, если для каждого t ^ 0 множество
(2)
Марковские моменты называют также моментами остановки, хотя

иногда этот термин относят лишь к тем марковским моментам г = т(о;),
для которых либо т(ш) < оо при всех ш Е Г2, либо Р(т(о;) < оо) = 1.
Наглядный смысл условия (2) становится вполне ясным, если интерпре
тировать т(ш) как тот момент времени, когда надо принимать некоторое
“решение” (например, купить или продать акции). Поскольку ^ является
сг-алгеброй, то условие (2) равносильно условию {т(ш) > t} Е означа
ющему, что в момент времени t заключение о переносе “решения” на более
поздний момент времени (нежели t) определяется лишь информацией
доступной на [0, £], и не зависит от “будущего” (после момента t).
О пределение 2. Пусть г = г (о;) - момент остановки. Через обо

значается совокупность множеств A Е обладающих тем свойством, что
для каждого t Е М+ = [0, оо)
(3)
Через ^ т _ обозначается а-алгебра, порожденная и всеми множест

вами вида АП {ш: т(ш) < £}, где A Е &t и t Е R+.
Нетрудно убедиться, что является а-алгеброй.

Если интерпретируется как совокупность событий, происшедших
до момента t включительно, то и ^ т _ естественно интерпретировать
как совокупность событий, наблюдаемых на временных интервалах [0, г]
и [0, г), соответственно.
3) Напомним, что согласно традиционным вероятностным определениям, дейст

вительная случайная величина принимает лишь конечные значения, т.е. значения
в Е = ( —оо, оо).
4. Вернемся к представлению (1) процесса Н = (Ht)tô как “пр

цесса с дискретным вмешательством случая” (в моменты 71,72,...);
см. рис. 14. Будем предполагать, что для каждого о; Е Г2 (или Р-почтивсех
a; Е
О < ti(o;) < г2(ш) < ••• ,
причем при каждом k ^ 1 моменты (о;) являются моментами оста

новки, а величины hк = -измеримыми.
Из этих предположений и условий (2) и (3) вытекает, в частности, то, что
процесс Н = {Ht)t>o согласован, или адаптирован, с потоком ( ^ ) о с ь
т. е. при каждом t ^ Овеличины
Д* ~ -измеримы.
Таким образом, в соответствии с принятыми выше (§ 1с) соглашениями,

процесс Н может быть записан в виде Н = (ii*, &t)tô-
Действительнозначный процесс Н = определяемый в (1), есть
частный случай так назьшаемых мультивариантных точечных процес
сов со значениями в фазовом пространстве Е (в рассматриваемом случае
Е = М), [250]. Сам же термин точечный, или считающий, процесс относят
обычно к случаю hn = 1, т. е. к процессу
Nt = J 2 I ( n <*)> <>0. (4)

к
Замечание. Иногда термин “точечный” процесс связывают лишь с по

следовательностью моментов г = (ti, г г , ...), называя “считающим” про
цесс N = {Nt )tôi соответствующий этой последовательности, т.е. про
цесс, заданный формулой (4). Понятно, что между г и N существует вза
имно-однозначное соответствие: N определяется по г и г - по ЛГ, поскольку
rk = inf{t: TV* = /с}.
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.
5. Точечные процессы N = (N t)t^о? определяемые формулой (4), д

пускают другое, эквивалентное, описание, использующее понятие случай
ной замены времени, [250; гл. И, §ЗЬ].
О пределение 3. Будем говорить, что семейство случайных величин

а = заданных на стохастическом базисе 38 = (Г2, («^п)пем? Р) и
принимающих значения в N = {0 ,1 ,. .. } или в N = { 0 , 1 , . . . , оо}, образует
случайную замену времени, если
(i) при каждом t величины at являются моментами остановки (отно
сительно (^п)пем);
(ii) оо = 0;
(iii) каждая из траекторий at (u;), t ^ 0, является возрастающей, непре
рывной справа, со скачками, равными единице.
Свяжем с а — {a t)t^о стохастический базис 38а с непрерывным време

нем:
и ПОЛОЖИМ
г*; = inf{t: at ^ &}, к G N.
Нетрудно показать, что относительно потока с ^t — момен

ты т*; = Tk (и) являются моментами остановки. При этом, если at < оо
для всех t Е N, то
#* = X ^ = X hk-
1 l^kât
Ясно также, что

<*t =X ^ Тк ^
к> 1
т.е. at - это число тех моментов, в которые на интервале [0,£] проис

ходят изменения. Иначе можно сказать, что случайная замена времени
G = (at)tô, построенная по последовательности (т\, 72,...), есть не что
иное, как считающий процесс N = (Nt),
Nt = ' £ ' I ( r k ^ t ) ,
k^l
соответствующий этой последовательности.

Во всех приведенных формулах t играет роль реального ( “физического” )
времени. “Время” же at играет роль операционного времени, показывая
число изменений за “физическое” время t. (К вопросу об операционном
времени при эмпирическом анализе временных финансовых рядов мы вер
немся в § 3d, гл. IV.)
Отметим также, что если
Ot = м>
то = 38, где 38 - рассмотренный выше стохастический базис с дискрет
ным временем ( f i , (& t)t£o, Р) с &t = &[t]-
6. Из § lb следует, что при стохастическом анализе последовательнос
ти Н = (Нп)п^о разложение Луба играет ключевую роль, позволяя вы
делить в Н “мартингальную” и “предсказуемую” составляющие в зави
симости от потока (^п)п^о поступающей информации (в финансовом кон
тексте - информации о состояниях рынка).
Аналогичное разложение (Луба-Мейера) имеет место как для считаю
щего процесса N, так и для мультивариантного точечного процесса Н , яв
ляясь (как и в случае дискретного времени) основным исходным моментом
их стохастического анализа с привлечением понятий “мартингальности” и
“предсказуемости” (см. далее § 5Ь в гл. III и подробнее [250]).
2. Линейные стохастические модели
Эмпирический анализ эволюции финансовых индексов, как, разумеет

ся, и многих других - экономических, социологических, ... - должен на
чинаться, прежде всего, с построения подходящей вероятностно-статисти
ческой (или какой-либо иной) модели, правильный выбор которой являет
ся делом весьма непростым.
В общей Теории временных рядов имеется целый арсенал разнообраз
ных “стандартных” линейных моделей, среди которых в первую очередь
надо назвать такие, как MA(q), AR(p), ARM A(p, у), рассмотренные в § Id.
Эти модели - скользящего среднего порядка q, авторегрессии порядка р,
смешанная модель авторегрессии и скользящего среднего порядка (р, q)
- детально исследуются в теории временных рядов, особенно в предполо
жении их стационарности.
Причины популярности этих моделей кроются, с одной стороны, в их
простоте и, с другой стороны, в том, что уже с небольшим числом пара
метров ими можно хорошо аппроксимировать весьма широкий класс ста
ционарных последовательностей.
Однако, далеко не все временные “эконометрические” ряды являются
стационарными. Анализ показывает, что часто в статистических данных
весьма рельефно вырисовываются следующие три составляющие:
• медленно меняющийся (например, “инфляционный” ) тренд (я),
• периодические или непериодические циклы (у),
• нерегулярная, флуктуирующая ( “ стохастическая” или “хаоти
ческая” ) компонента (z).
При этом в наблюдаемые данные (h) они могут входить весьма разнообраз
ными способами, что условно можно представить как
h = х * у * z,
2. Линейные стохастические модели 147
где в качестве операции композиции “*” могут выступать, например, сло

жение “+ ” умножение “ х ” и т.п.
Теории временных рядов и их применениям, в частности, при анали
зе финансовых данных посвящено довольно-таки много книг, монографий.
(См., например, [62], [193], [202], [211], [212], [351] и [460].)
Ниже мы останавливаемся на некоторых линейных (и затем на нелиней
ных) моделях, преследуя цель дать представление об их структуре, осо
бенностях, свойствах, применяемых в эмпирическом анализе финансовых
данных.
Уместно здесь сказать, что, в конечном счете, одна из важных целей эм
пирического анализа статистических данных по финансовым индексам со
стоит в прогнозировании, предсказании “будущего движения цен” :
Р и с . 16. Область между кривыми 1 и 2 является доверительной об

ластью (с той или иной степенью надежности), в которой будет проис
ходить предполагаемое движение цен в “ будущем”
Насколько же это прогнозирование будет надежно, зависит, разумеется,

от удачного выбора модели, точности оценивания определяющих ее пара
метров и качества экстраполяционного (линейного или нелинейного) оце
нивания.
В этом отношении показателен анализ временных рядов обменных
курсов, приведенный в четвертой главе. Там показывается, как, начиная
с простых линейных гауссовских моделей, приходится их постепенно
корректировать, усложнять, с тем, чтобы получить в конце концов
модель, “ухватывающую” те феномены, которые обнаруживаются при
эмпирическом анализе (скажем, отклонение от гауссовости, эффекты
кластерности и “долгая память” в ценах).
Если принять во внимание схему “h = х * у * z” композиции трех состав
ляющих яг, у и z при образовании цен /i, то следует отметить, что главный
акцент в нашем изложении будет делаться, в первую очередь, на послед

нюю, “флуктуирующую” компоненту z и затем (в случае обменных кур
сов) на периодическую (сезонную) составляющую у.
Мы не будем подробно останавливаться на анализе трендовой составля
ющей #, однако отметим, что именно эта компонента часто определяет “не
стационарный” характер рассматриваемых моделей, классическим при
мером которых являются так называемые модели ARIM A(p,d,q) - сме
шанные модели интегральной авторегрессии и скользящего средне
го ( / - от integrated; d - порядок “интегрирования” ), широко использу
емые и пропагандируемые Дж. Боксом и Дж. Дженкинсом (G.E.P. Box,
G.M. Jenkins; [53]). См. подробнее § 2с.
§ 2а. Модель скользящего среднего MA(q )

1. Во всех рассматриваемых далее моделях (линейных и нелиней
ных) предполагается заданной некоторая “базисная” последовательность
s = (еп), которую в теории временных рядов обычно считают бе
лым шумом (см. рис. 17) и которая идентифицируется с источником
случайности, определяющим стохастический характер исследуемых ве
роятностно- статистических объектов.
При этом (в “I/2-теории” ) говорят, что последовательность е = (еп)
является белым шумом в широком смысле, если Ееп = 0, Ее2 < оо и
—0 (1)
для всех п ф т. (Временной параметр п удобно сейчас считать принима

ющим значения 0, ±1, ± 2 , . . . .)
Иначе говоря, белый шум в широком смысле - это квадратично интегри
руемая последовательность некоррелированных случайных величин с ну
левыми средними.
Если в этом определении добавить еще требование гауссовости (нор
мальности) , то получаемую последовательность е = (еп) называют белым
шумом в узком смысле или белым (гауссовским) шумом, или просто бе
лым шумом, что равносильно тому, что е = (еп) есть последовательность
независимых нормально распределенных, еп ~ Л'(О, сг2), случайных ве
личин. В дальнейшем мы будем считать сг2 = 1. (В этом случае часто
говорят, что е = (еп) - стандартная гауссовская последовательность;
полезно сравнить это понятие с фрактальным гауссовским шумом, также
используемым в статистике финансовых данных; см. § 2d, гл. III.)
Рис. 17. График компьютерной реализации белого шума hn = о е п

с а = 0.1 и еп ~ 1)
2. В модели скользящего среднего MA(q), описывающей эволюции п

следовательности h — (hn) , предполагается следующий способ формиро
вания значений hn по белому шуму в широком смысле е = (еп):
hn — (ц + bi^n -i + ••* + bqen- q) + (2)
где параметр q определяет порядок зависимости от “прошлого” а е п игра

ет роль величин, “обновляющих” информацию, содержащуюся в 3Pn- i =
v {e n- i , e n - 2 , •••); см. рис. 18.
С целью компактности изложения удобно ввести оператор сдвига
“назад” L, действующий на числовых последовательностях х = (х п) по
формуле
L x n — х п—\. (3)
Поскольку L (L xn) = L x n-\ — £ n_ 2 , то через L 2 естественно обозна

чать оператор, действующий по формуле
L Хп — %п —2?
и, вообще, Z/fe:rn = £ П-А; для всех к ^ 0.

Рис. 18. График компьютерной реализации последовательности h — (hn ),

подчиняющейся М А ( 1)-модели с h n = ц + b\en - \ + Ьо£п с параметрами
ц = 1, &i == 1, Ьо = 0.1 и c n ~ o V (0 ,1)
Отметим следующие, хотя и простые, но полезные свойства оператора L

(с, С\, С2 - константы):
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.
С помощью оператора L соотношению (2) можно придать следующую

компактную форму:
Л-П — Ц + Р{Ь)бп, (4)
где
P (L ) = bo + 5iZ/ + ••• + b qL q .
3. Обратимся к вопросу о вероятностных характеристиках послед

вательности /г = (/гп).
Пусть q — 1. В этом случае
Л-П — А4 + ^О^гг + —Ь (5)

и непосредственно находим, что
D/in — 6q + Ь>х
1?
, (6)
Cov(/in, /гп+х) == C o v ( / i?t\n-\-k) — 1. (7)
Последние два свойства означают, что h = (/гп) является последова

тельностью с коррелированными соседними значениями (hn и /in+x), в то
время как корреляция значений hn и hn+k ПРИ к ^ 2 равна нулю.
Заметим, между прочим, что если bob± > 0, то величины hn и /гп+х
положительно коррелированы. Если же bobi < 0, то корреляция
отрицательна. (С такой ситуацией мы встретимся далее в § Зс, гл. IV,
при объяснении эффекта отрицательной коррелированности в случае
обменных курсов.)
Из (6) и (7) следует, что у элементов последовательности h = (hn) сред
нее значение, дисперсия и ковариация не зависят от п. (Это, конечно, опре
деляется предположением, что е — (еп) - белый шум в широком смысле
с Ееп = 0, D6^ = 1 и коэффициенты в (5) не зависят от п.) Тем самым,
последовательность h = (hn) является (просто по определению) стацио
нарной в широком смысле. Если к тому же предположить, что последова
тельность е = (еп) является гауссовской, то последовательность h — (hn)
также будет гауссовской и, следовательно, все ее вероятностные свойства
выражаются лишь в терминах среднего, дисперсии и ковариации. В этом
случае последовательность h = (hn) является стационарной в узком смыс
ле, т. е.
Law(/i^1, . . . , hin) — L a w ^ j+ fc , . . . , hin+k)
для всех п ^ 1, i i , . . . , гп и произвольных к.
4. Пусть (h i, . . . , hn) - некоторая реализация, полученная в результат

наблюдений величин hk в моменты к — 1 , .. ., п и
(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.
В случае измерения качества этой оценки величиной среднеквадрати

ческого отклонения А 2 = Е|Лп - И 2 полезным является следующий кри
терий: при п —Уоо
Д2 о ~ ^ о, (9)
ть
к=1
где R(k) = Cov(/in, hn+k) и h = (hn) - произвольная стационарная в ши

роком смысле последовательность.
В самом деле, пусть, для простоты, (i = Еhn = 0. Тогда
1 /1 \ * 1_ ,
= E ( - V / » fc)/»o
п ' \п ) п
к= 1 4 /с=1 7 к=1
и, значит, в (9) справедлива импликация

С другой стороны,
^ 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
Выберем S > 0 и пусть n(S) таково, что для всех I ^ п(д)
1-1
j E Rw <8.
к=0
Тогда для п ^ п(5)
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
и поскольку п(5) < оо, |R(0)| ^ Const, то

2
lirnE - 5 > * О ,
п
к= 1
что в силу произвольности S > 0 доказывает импликацию < = .
Таким образом, рассматриваемая модель МА( 1) является “эргодичес-
кой” в том смысле, что временные средние hn сходятся (в L2) к среднему
значению р, или, как еще говорят, к среднему по ансамблю. (По поводу
общих понятий “эргодичности” “перемешивания’,’ “эргодических теорем”
см., например, [439; гл. V].)
Важность этого “эргодического” результата со статистической точки
зрения вполне понятна - он обосновывает возможность оценивания сред
него значения по временным средним, построенным по наблюдаемым зна
чениям hi, •••• Понятно, что “эргодичность” играет ключевую роль
в обосновании статистических приемов оценивания по выборкам не только
среднего значения, но и других характеристик, таких как, скажем, момен
ты разных порядков, ковариации и т. п.
5. Напомним, что по ковариации Соv(/in, /гш) определяется корреляци
Согг(/гп, hm) формулой
г (и и \ Cov(/in, Л-ш) / 1 П\
Corr (hn,hm) = . (10)
y/\Jnn Ohm
Из неравенства Коши-Буняковского следует, что |Согг(/гп, /гш)| ^ 1.
В стационарном случае Cov(/in, hn+k) не зависит от п. Обозначая эту
величину R(k) и полагая
p(k) = Corr(hn, hn+k) = , (11)
находим из (7), что в случае модели МА (1)

Г 1, А; = 0,
(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).
6. Обратимся теперь к моделям М А(q):
hn — /i + P (L)en, P{L) — bo + b\L + •••+ bqL q.
Легко находим, что
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
выборочная корреляция (порядка к)
выборочные частичные корреляции и др.

Затем, используя выражения для соответствующих теоретических ха

рактеристик (как, например, (12) и (14)) аппроксимируемых моделей, про
изводится варьирование параметров (таких, как, скажем, Ь* в (12) и (14))
с целью подгонки теоретических характеристик под эмпирические. Нако
нец, на заключительном этапе производится оценка качества подгонки,
основываясь на знании распределений эмпирических характеристик и их
отклонений от теоретических распределений.
7. После моделей MA(q) следующий естественный шаг состоит в рас
смотрении моделей МЛ (оо), т. е. моделей, в которых
оо
hn — /^ И- bjSn—j . (15)
3=0
Разумеется, для сходимости ряда в (15) нужно на коэффициенты налагать

некоторые условия. Если потребовать, чтобы
оо
^ 2 Щ < °°> (!6)

j =о
то ряд в (15) будет сходиться в среднеквадратическом смысле.
В этом предположении
оо
Еhn = ц, Dhn = ^ Ь 2 (17)
i=o
И
оо
= к ^ 0. (18)
j=0
В теории стационарных случайных процессов относительно представ
ления (15) для h = (hn) принято говорить, что hn есть “результат реак
ции физически осуществимого фильтра с импульсной переходной функцией
Ь— (bj), когда на вход подается последовательность е — (£п)”
Весьма замечательно, что в определенном смысле всякая “регулярная”
стационарная (в широком смысле) последовательность h — (hn) может
быть представлена в виде (15) с выполнением свойства (16). По поводу
точной формулировки этого результата, а также всего комплекса проблем,
связанных с разложением Вольда стационарных последовательностей
на сумму “сингулярной” и “регулярной” составляющих (с “регулярной”
составляющей, представимой в виде (15)); см. далее § 2d и, более подробно,
например, [439; гл. VI, §5].
§ 2Ь. Авторегрессионная модель AR(p)
1. В соответствии с определениями из § Id говорят, что последов

тельность h = (hn)n>1 подчиняется авторегрессионной модели (схеме)
AR(p) порядка р, если
h fl ~ Р'П (1)
где
Р>п ~ &о а\Н п —1 Ч" • • • 4 “ CLphn —p. (2 )
Иначе можно сказать, что последовательность h = (hn) подчиняется

разностному уравнению порядка р:
hn — ао + + •••+ aphn—p + cren, (3)
которое с помощью введенного в § 2а оператора L может быть переписано

в следующем виде:
(1 — а\Ь — ... — apLp)hn = ао + о е г (4)
или, в более компактной форме, как
ot(L)hn — wn 5 (5)
где a(L) = 1 — a\L — •••— apLp, wn = ao + a en.

В случае n ^ 1 для полного описания эволюции последовательности
h = (hn) разностным уравнением (3) нужно, как отмечалось в § Id, еще
задать начальные условия (/ii_ p, /^2 -р , •••, ho).
Часто полагают h \ -p = •••= ho = 0. Их можно считать также случай
ными, не зависящими от последовательности значений Е\, 6 2 , . . . . В “эрго-
дических” случаях асимптотическое поведение hn при п —>• оо не зависит
от начальных условий, и в этом смысле их конкретизация не очень-то су
щественна. (Тем не менее, в последующем изложении мы будем четко ого
варивать все предположения относительно начальных условий.)
На следующем рис. 19 приведена компьютерная реализация в авторе
грессионной модели AR(2).
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
2. Рассмотрим сначала подробно простой случай р = 1, где
hn = (6)
Этот случай выделяется из общего класса AR(p)-моделей тем, что в (3) из

“прошлых” величин /гп_ 1 , /гп_ 2 , . . . , hn- p вклад в hn вносит только бли
жайшее (по времени) значение hn-\.
Если е = (en)n>i - последовательность независимых случайных вели
чин, ho не зависит от е = ( s n ) n ^ 1 , т0 последовательность h — {hn)nî
будет классическим примером конструктивно заданной марковской
цепи. Рекуррентным образом из (6) находим
hn — ао(1 + о>\ + •■•+ а™ 1) + a^ho + сг(£п + a i£n—i + •••+ a™ *£i)« (7)
Отсюда видно, что свойства последовательности h = (hn)n^ i существен

ным образом зависят от значений параметра ai, при этом следует разли
чать три случая: |ai| < 1, |ai| = ln|ai| > 1, среди которых случай |ai| = 1
играет своего рода “пограничную” роль, точный смысл которой будет ясен
из последующего изложения.
Из (7) находим, что
— a™E.ho + a o(l + + •••+ а™ *),
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
ЕЛ„ = а?ЕА„ + 00(1 “ ■ 00

1 — а\ 1 — а\
и (если Dho < оо)
<т2(1 — а2п) а2
1 — а2 * 1 — а2 ’
а2„к
“а 1
Соv(/in, hn—k)
1 — а2
В этом случае (|ai| < 1) последовательность h = (hn)n^о при п —> оо

“стационаризуется” Более того, если начальное распределение для ho
является гауссовским,
1 а°
1 — а\ 1 — а\2 )I ’
то h = (hn)n^о образует гауссовскую стационарную (и в широком, и в уз

ком смыслах) последовательность с
Еhn = Dhn = (8)

1 - а\ 1 — а\
и
_ ,_ I \ а 2ак
1
Cov(/in, hn-}-fc) — ~ 2 • (9)
I
Напомним, что стационарность в узком смысле понимается как выполне

ние для всех допустимых т и к свойства
Law (/го, h i, . . . , /гт ) = Law (/г/-, / г х . . . , /гт-ь/е)}

стационарность в широком смысле означает, что
Law (/ij,/ij) — Law^/i^-f-fc ?hj-\-k) •
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)
т.е. корреляция между значениями hn и hn+k убьюает к нулю геометри

ческим образом.
Если сопоставить представление (7) с формулой (2) из предыдущего па
раграфа, то можно заметить, что для каждого фиксированного п значение
hn в модели AR{\) можно интерпретировать как соответствующее значе
ние hn в модели MA(q) с q = п —1. В этом смысле иногда несколько вольно
говорят, что “модель AR( 1) может рассматриваться как модель МЛ(оо)”
В модели AR( 1) случай |«i |= 1 соответствует классическому случай
ному блужданию (ср. с § 2а из гл. I, посвященным гипотезе случайного
блуждания и концепции эффективного рынка). Если, скажем, а\ = 1, то
hn — аоп + ho + о,(б1 + •••+ £п).
Отсюда видим, что

Еhn = аоп + Eho
и
Dhn — а 2п —> оо, п —Уоо.
Случай |«i | > 1 является “ взрывающимся” (в том смысле, например,

что среднее значение Еhn и дисперсия Dhn растут с ростом п, к тому же
экспоненциально быстро).
3. Рассмотрим теперь случай р = 2:
hfi = Oq + a\hn —\ + — 2 + СТ£п• (1 1 )
С помощью введенного ранее оператора L этому разностному уравнению

можно придать следующую форму:
(1 - aiL - a 2 L 2 )/in = ao + сг£п- (12)

Если а 2 = 0, то соответствующее уравнение
(1 Q,\Ij^hri — CLq 4“ &£п (18)
отвечает рассмотренному вьппе случаю AR( 1).

Положим wn = ао + степ. Тогда (13) примет вид:
(1 a\L)hn — wn, (14)
и, естественно, хотелось бы “обратить” это соотношение, с тем, чтобы

иметь возможность находить значения hn по “входному сигналу” (wn).
Опираясь на свойства оператора L (см. п. 2 в § 2а), находим, что
(1 + aiL + a\L2 + •••+ a^Lk)(l - агЬ) = (1 - a f+1L*+1). (15)
Применим к обеим частям соотношения (13) оператор 1 + a\L + a2L 2 4-

•••+ akL k. Тогда, с учетом (15), получим, что
hn = (1 + q,\L + a2L2 + •••+ akL k)wn + ak^^ L k^ hn. (16)
Полагая здесь к = n — 1 и wn — + a en, получаем равенство
hn = (ао + сг£п) + Q>\(o>o + (J€n—i) 4- •••+ a™ 1(tto + ctsi) 4- (17)
в точности совпадающее с ранее найденным представлением (7).

Из (16) с учетом (14) при к — п — 1 видим, что
hn = (1 + a\L + a2L 2 + •••+ а™ 1L n *)(1 *- a\L)hn 4- o^Hq. (18)
Если |ai |< 1 и п достаточно велико, то приближенно
hn ~ (1 4" сь\Ь 4" a\L2 4" •••4" ci™ *L n *)(1 — ciiL)hn. (19)
Тем самым, становится понятным, что “обратный” оператор (1 — a iL )-1

естественным образом должен быть определен как предел (в подходящем
смысле) операторов 1 4- a\L 4- a2L2 4- ••• 4* a™Ln при п —У оо. (Ср. с
алгебраическим представлением (1 — z )~ l = 1 4* г 4* г 2 Н для N1 < 1.)
Эти наводящие соображения могут быть формализованы, например,
следующим образом.
Рассмотрим стационарную последовательность h = (hn):

оо
hn — У"! (20 )
3 =о
(ряд сходится в среднеквадратическом смысле). Нетрудно видеть, что (hn)

является решением разностного уравнения (14). Покажем, что в классе
стационарных решений с конечным вторым моментом это решение яв ляется
единственным.
Пусть h = (hn) - какое-то другое стационарное решение. Тогда из (16)
к
(21)
з=о
и, значит,
при к —> оо.

Отсюда и из (20) следует, что стационарное решение уравнения (13)
(с конечным вторым моментом) существует и единственно.
4. Проведенные рассмотрения показьюают, на каком пути можно пол
чить “обращение” в разностном уравнении (12) с целью получения значе
ний последовательности (hn) по значениям (wn).
Поскольку для любых Ai, А2
(1 - A iL )(l - A2L) = 1 - (Ах + A2)L + \ i \2L 2, (23)
то, определяя Ai и А2 из системы
(24)
1 - o x L - а2Ь2 = (1 - AXL)(1 - A2L). (25)
Понятно из (24), что Ai и Аг - корни квадратного уравнения
А2 — oiA — а2 = О, (26)
то есть,
Oi + \/а\ + 4а2 a i - \/а\ + 4а2
Л1 = j , Л2 = ----------------- .
По-другому можно сказать, что Ai = *, Л2 = z ^ 1, где zi, Z2 - корни

уравнения
1 —a\z — a,2 Z2 = 0, (27)
а алгебраическое выражение 1 — a\z — 0 ,2 z 2 получается соответствующей
заменой L z из операторного выражения 1 —aiL — CI2 L2.
С учетом (25) уравнение (12) перепишется в следующем виде:
(1 - A iL )(l - A2L)hn = wn,
откуда, “умножая” обе части на (1 — А2 Ь ) _ 1 (1 — A1 L )- 1 , находим, что
Лп = (1 - X2L )~ 1(1 - A iL )" 1^ . (28)
Если Ai ф А2 , то чисто формальным образом получаем соотношение
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
(То, что это решехше является единственным стационарным решением

уравнения (12), доказывается так же, как и для уравнения (13).)
5. Перейдем, наконец, к общим моделям AR(p):
hn — Q>o + a\hn—i + •••+ aphn- p 4- <J£n, (33)
или, с wn = ао 4* о е п,
(1 — a\L - a2L 2 - ... — apLp)hn — wn. (34)
Следуя тому же самому методу, который был использован в слу

чаях р = 1 и р = 2, предположим, что найдено “факторизационное”
представление
1 - агЬ - а2Ь2 - . .. - apLp = (1 - A iL )(l - А2Ь) - - - ( 1 - APL) (35)
(с разными А г = 1 ,... ,р).

Если |А»| < 1, г = 1 ,... ,р, то из (34) находим стационарное решение,
единственное в классе решений с конечным вторым моментом, “идущих”
(по времени) из —оо:
hn = ( l - X 1L ) - 1 - - - ( l - X pL ) - 1wn. (36)
Числа A i, Аг,. . . , Ар являются корнями уравнения
Хр - aiAp_1 - ... - ap_ i А - ар = 0 (37)
(ср. с (26)). Равносильным образом, можно сказать, что А* = гг- 1 , где Zi -

корни уравнения 1 — a\z — a2z 2 — •••—apzp = 0 (ср. с (27)).
Стационарное решение h — (hn) мы получаем, если все корни этого
уравнения лежат вне единичного круга.
Чтобы получить представление типа (30) или (32), рассмотрим аналог
разложения (29)
______________ I ______________ _ С1 , , СР (ОО)
(1 — Aijt) • • - (1 — Apz) 1 - А !Z 1 - А pz ’ [ }
где c i , . . . , ср - константы, подлежащие определению.

Умножая в (38) обе части равенства на (1 —Ai z) •••(1 —Xpz ), видим, что
константы c i , . . . , ср должны быть такими, что при всех г
1= 1 > П (39)
i —l
кфг
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)
kî
(Заметим, что с\ + •••+ ср = 1.)

Из (36), (38) и (40) получаем
hn = $ > A i Н + cpXlp )wn- i , (41)

г=о
что обобщает (32) на случай р ^ 2.

Представление (41) дает возможность подсчитывать различные ха
рактеристики последовательности h = (/гп), например, моменты Е/г^,
ковариации, условные математические ожидания Е(hn+k |^п)? Гле —
Сг(. . . , W -i,W o, . . . , щп), и т.п.
В предположении стационарности моменты Еhn = р легко находятся
непосредственно из (33):
(42>
Что же касается ковариаций R(к) = Соv(/in,/in+fc), то из (33) также

можно легко найти, что для к = 1 ,2 ,...
R(k) = aiR(fc - 1) + •••+ apR(k - р). (43)
Если к — 0, то
R(0) = a iR ( l) + •••+ apR(p) + a 2. (44)
Для корреляционных функций р(к), к ^ 0, справедливы те же самые урав

нения (43) и (44), называемые уравнениями Юла-Уолкера (G.U. Yule,
G .Т. Walker; [271]).
6. Один из центральных вопросов статистики авторегрессионных схе

AR(q) состоит в оценивании параметров 9 = (ао, а х ,. . . , ар, а), входящих
в (1) и (2), где сейчас, для определенности, будем считать /го, h - i , ••. из
вестными константами.
Если предполагать, что белый шум в широком смысле е = (еп) являет
ся гауссовским, то основным методом оценивания является метод макси
мального правдоподобия, согласно которому в качестве оценки парамет
ра 9 (по наблюдениям hi, /&2 , •••, hn) берется значение
9п =a,vgm axpe {h i,h 2, . . . , h n)

э
где po(hi, /1 2 , •••, hn) - совместная плотность (гауссовского) вектора

{hi, Л-2, •••, hn).
Общие принципы, связанные с методом максимального правдоподо
бия, проиллюстрируем на примере модели AR{ 1), в которой hn =
ао + aihn- i + о е п, причем а будем считать известным параметром
(а > 0), h o = 0, п > 1.
Поскольку здесь 9 = (ао, ах), то
(hk O'lhk —l)

2а2
Оценка 9 = (ао, ах) определяется, как нетрудно видеть, из условия об

ращения в минимум функции
71
k= 1
Считая ао G Е и ах G 1, видим, что
(45)
Решая эту линейную систему находим оценки ао и ах.

Сосредоточим свое внимание на свойствах оценок a i= cii(h i, . . . , hn),
п ^ 1, параметра ах, считая, для простоты изложения, параметр ао
известным (ао = 0), a о — 1.
В этих предположениях hn = a\hn- i + еп и из (45) находим, что
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
Последовательность M = (M n) является (при любом значении парамет

ра а\) мартингалом, квадратическая характеристика которого
(M )n = ' £ ' h l - v
к=1
Поэтому, если ai - истинное значение неизвестного параметра, то
<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 )„
Если в рассматриваемом случае (ао = 0, а — 1) подсчитать информа

цию Фишера
Г t а21пР01(/1Ь ...,л „ )1
/„(<*.) = Е«,|------------- Щ -----------1.
где Еа1 - математическое ожидание по мере
Pai = Law(/ii, . .. ,h n \9 = ai),

то найдем, что
п
Inifll) = Еa i{M )n = Еа\ ^ ^ —

к—1
Используя вышеприведенные формулы для D h k-i, получаем,

что
п
lal| ^
1-а (
-.2
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,
является более правдоподобной.

В эконометрической литературе, в том числе посвященной финансовым
моделям, круг вопросов, связанных с тем, будет ли \а± |= 1, носит название
“проблемы единичного корня” (unit root).
Приведем (без доказательства, отсылая за подробностями, например,
к [445], [452] и соответствующей литературе, указанной в этих работах)
некоторые результаты относительно предельного распределения отклоне
ний ах — а\.
Т еор ем а 1. При п —> оо
Г ф(я), KI < 1,
limPa i{ v/ / n(ai) (ai - ai) < х ) = < На1(ж), |«i| = 1, (48)
[ Ch(ar), |ai| > 1,
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
где (VT(s))sî - стандартный винеровский процесс (броуновское дви

ж ение; сл<. §3а, гл. III).
Интересно отметить, что при \а\|ф 1 плотности предельных распреде

лений являются симметричными относительно нуля. Однако, плотность
распределения Hai (гг) несимметрична. (Это легко увидеть из того на
блюдения, что Р(И^2(1) — 1 > 0) Ф |.)
Следующий результат показывает, что с помощью случайной норми
ровки отклонения (di — ai), состоящей в том, что вместо информации
Фишера In(ai) используется стохастическая фишеровская информация
(М )п, можно получить лишь только два предельных распределения вмес
то трех в (48).
Т еор ем а 2. При п —> оо
limPai {v /(M )n (oi - ai) ^ x ) = ( |a i |^ j ’ (49)
где (x) - распределение вероятностей случайной величины
W 2( 1) — 1
ai-
W 2(s)ds
а .
Наконец, использование наряду со случайной нормировкой последова

тельных оценок максимального правдоподобия приводит к единственно
му предельному (нормальному) распределению.
Т еор ем а 3. Пусть в > О,
т(в) = in f{n ^ 1: (М )п ^ в } (50)

= (51)
1 Пк~ 1
- последовательная оценка максимального правдоподобия. Тогда при
любом значении а\ Е Ш
Pai { V ( M ) T(e) [ai (т(в)) - ax] < ж} = Ф(ж). (52)
Сопоставим этот результат с утверждением (48).

Если исходным временным параметром является “время” п, то па
раметр в можно рассматривать как “новое”, “операционное” время,
построенное по стохастической фишеровской информации (М ). Заметим,
что тем(большим) временным интервалам, где фишеровская информа
ция мало меняется, в “новом 0-времени” будут соответствовать малые
интервалы, и наоборот. Тем самым, в “новом” “операционном” време
ни приток информации становится как бы равномерным, однородным.
В этом “новом” 0-времени поступающие данные становятся “равноценны
ми” в некотором смысле “одинаково распределенными” для всех значений
параметра ai, что и определило, в конечном счете, то, что предельное
распределение оказалось единственным и нормальным.
С проблематикой “нового” времени мы столкнемся далее в § 3d, гл. IV,
где достаточно подробно будет объяснен смысл перехода к этому времени
с целью “выравнивания” статистических данных обменных курсов валют,
имеющих в своем поведении “географические” компоненты периодического
характера.
7. Дополнительную информацию о свойствах оценок максимальног

правдоподобия можно получить из следующих результатов (см. [258],
[445], [452]).
Во-первых,
sup Ea i\ai — ai \—> 0, n -> oo.
CL$ER
Во-вторых, пусть U (ai) - класс оценок a\, для которых смещение
5a1(®l) -=: Eai (ftl &1) ^ 0, 77- УОО,
И
бЬал .
— — (ai) —» 0, п —у оо.
аа\
(Оценки максимального правдоподобия ai принадлежат классу U(ai) при

KI Ф !•)
Для \ai \ф 1 оценки максимального правдоподобия ai являются асимп
тотически эффективными в классе U(a$ в том смысле, что для всех
ai Е U(a\)
гт— Ea i(M )n (g1 - a i)2
« Eei(M)n(a1 - o 1)2
Для |ai| < 1 ( “стационарный” случай) оценки ai асимптотически эф

фективны также и в обычном смысле: для всех а\ Е U(ai)
lim ^ i.
п u aiai
Последовательные оценки максимального правдоподобия обладают

следующими свойствами асимптотической равномерности: при# —> оо
sup sup|Pa^ v / ( M > ^ [ S i ( T ( 0 ) ) - a i ] ^ ж} _ ф(ж)| _» о,

|ахК1 х
sup sup |Р«1 { у / Щ ^ Ы т т - аг] < х } ~ Ф(х)\ -* 0.

l<r^\ai\^R х
§ 2с. Модель авторегрессии

и скользящего среднего ARMA(p , g)
и интегральная модель ARIMA(p , d, g)
1. Эти модели воплощают в себе черты обеих рассмотренных выше м
делей МЛ (д) и AR(p), давая довольно-таки широкие возможности для по
строения моделей, “хорошо” объясняющих вероятностную природу ста
тистического “сырья”
Как и выше, предполагается заданным фильтрованное вероятност
ное пространство (f2, (^ n), Р), где сейчас удобно считать 3£п =
<т(. . . , £ _ 1 , £сь >^п) Г “белым шумом” (в широком смысле) £ = (sn).
По определению (ср. § Id), последовательность Л = (hn) является
ARM A-моделью, если
hn ~~ Рп “Ь СГ^П5 (1 )
где
Рп — («о + + •■•+ ap/in_p) + (bi£n - i +62^71-2Н hb9sn_ 9). (2)

Без ограничения общности значение а можно полагать известным и рав

ным единице: а = 1. Тогда из (1) и (2) находим, что
hn (tti hfi—i + •••+ o,phn—p)

= do + [en + biSn- i + &2 ^n- 2 + •** + bq€n- q] (3)
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,
где wn = ао + sn, т-е- получаем ЛД(р)-модель. (Ср. с (5) в §2Ь.)

В том же случае, когда р = 0, соотношение (3) принимает вид
(7)
т.е. приходим к МА(<7)-модели. (Ср. с (4) в §2а.)

Формальным обращением из (4) находим, что
(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).
Из (8) получаем, что для стационарного решения
ЕА„ = 1
, — (ai + •••+ dp)> • (Ю)
(Ср. с (42) в § 2b.)

Из (3) нетрудно найти, что ковариация R(k) = Соv(hn,h n+k) л.ля к > q
удовлетворяет соотношениям
R(к) = aiR(fc — 1) Н + apR(k —р) (11)
- тем же самым, что и в случае модели AR(p). (Ср. с (43) в § 2Ь.)

В случае к < q соответствующее представление для R(к) выглядит бо
лее сложно, нежели (11), поскольку надо учитывать также корреляцион
ную зависимость между еп-к и
2. В качестве иллюстрации рассмотрим модель ARM А (1,1), являющ
юся комбинацией моделей AR( 1) и МА( 1):
hn — a\hn—i = ao + £п + fri£n—ь (1 2 )
Будем предполагать |a-i |< 1 ( “стационарность” ). В этом случае
a(L) = 1 - aiL, 0{L) = 1 + Ьг1 (13)
и (8) принимает следующий вид:
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
Отсюда непосредственно находим, что R(fc) = Соv(/in, Лп+А;) удовлетво

ряет следующим соотношениям:
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\),
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
Важно отметить, что при \а±\ < 1 корреляция убьгоает геометричес

ким образом при к -4 оо, что следует иметь в виду при попытках использо
вания моделей A RMA (1,1) (так же как и более общих моделей A RMA (р, q))
при подгонке к конкретным статистическим данным.
3. Рассмотренные выше модели ARM A(p, q) хорошо изучены и успешн

применяются, главным образом, при описании стационарных временных
рядов. В том же случае, когда имеет место пестационарность во времен
ном ряду х = (ггп), иногда простым взятием разностей А х п = х п — х п-1
или разностей Adx n порядка d удается получить “более” стационарную
последовательность Д*х = {А^хп).
РИС. 21. График компьютерной реализации последовательности ж = (х п ),

подчиняющейся ARIMA{0 , 1 , 1)-модели с А хп = р + &i£n—1 + Ь^еп с пара
метрами /х = 1, &i = 1, &о — 0.1; xq = 0
С этим связана следующая терминология: говорят, что последователь

ность х = (х п) является ARIMA(p, d, д)-моделъю, если Д*х = (Д*хп) об
разует д)-модель.
В символической форме это можно представить следующим образом:
AdARIM A(p,d,q) = ARMA(p, q).
Чтобы пояснить смысл этих моделей, рассмотрим их частный случай -

модель ARIMA(0,1,1). Это означает, что Д хп = hn, где (hn) подчиняется
модели МЛ(1), т.е.
А х п = /х + (Ь0 + b ib )en.
Если ввести оператор суммирования (оператор “интегрирования” ) 5,
определяя его формулой 5 = Д- 1 , или, равносильно,
S = 1 + L + L? + •••= (1 ~ L) 1,
то формально можно записать, что
Хп ~
где hn = /х + (bo + bi-L)sn = /х + bo^n + bi£n-i*

Тем самым, х = (х п) можно рассматривать как результат “интегриро

вания” последовательности h = (/in), подчиняющейся модели МА( 1), что
и объясняет происхождение названия
ARIMA = AR + I + M A,
в котором буква I - от “Integrated” (Ср. рис. 18 и 21.)

Как уже отмечалось, эти модели широко используются в теории Бокса
и Дженкинса [53]. Большой материал по применениям этих моделей в ста
тистике финансовых данных см., например, в [351].
§ 2d. Прогнозирование в линейных моделях

1. Во введении к настоящему разделу отмечалось, что построение веро
ятностно-статистических моделей (по “прошлым” данным) представляет
собой не самоцель, а является необходимым для того, чтобы, в конечном
счете, дать прогноз “будущего” движения цен.
В очень редких случаях по “прошлым” данным можно дать безошибоч
ный прогноз. (Такая ситуация присуща, например, так называемым сингу
лярным стационарным последовательностям; см. далее п. 4, и, подробнее,
например, в [439; гл. VI].)
Типичен же, конечно, тот случай, когда, делая тот или иной прогноз, мы
неминуемо будем совершать некоторую ошибку, величина которой опреде
ляет степень риска решений, основанных на полученном прогнозе.
2. В линейных стационарных моделях имеется хорошо разработанная

(и красивая) теория построения оптимальных (в среднеквадратичес
ком смысле) линейных оценок, развитая, главным образом, в работах
А. Н. Колмогорова и Н. Винера.
Как мы видели выше, многие из рассмотренных последовательностей
h — (hn) могут быть представлены в виде одностороннего скользящего
среднего
оо
hn ~ ^ ^ Q>k£n—k (1)
k=О
оо
с Yl \ак\2 < оо и некоторой “базовой” последовательностью е = (£п)>
к=О
являющейся белым шумом в широком смысле. (См. (15) в § 2а для моделей
MA(q), МА( оо); для моделей AR (р) см. (41) в §2Ь; для моделей AR МА(р, q)
см. (8) в § 2с.)
Для изложения результатов относительно экстраполяции таких после

довательностей нам понадобятся некоторые обозначения и понятия.
Если £ = (£п) - стохастическая последовательность, то будем обо
значать 3^ — < r(...,£n_ i ,£ n) - а-алгебру, порожденную “прошлым”
{£*, к < n}, &00_ = V - сг-алгебру, порожденную всеми величинами
£ = (£п); - замкнутое (в L2) линейное многообразие ^£(... , £n_ i ,£ n),
порожденное величинами {£&, к ^ п}, и Н ^ - замкнутое линейное многооб
разие, порожденное всеми величинами £ = (£п), т.е. = «S f^ , к < °°)-
Пусть т ] = 7](а;) - некоторая случайная величина с конечным вторым
моментом, Ет72(и;) < оо. Сформулируем задачу оценивания величины т)по
наблюдениям за последовательностью £.
Здесь наиболее распространены следующие два подхода.
Если наблюдению подлежат значения ( . . . , £n _ i , £п), то в первом подхо
де в качестве оценок берется класс всех ^-измеримы х оценок rjn и среди
них наилучшей (оптимальной) объявляется та оценка г)п, на которой до
стигается минимум среднеквадратичного отклонения:
Е|»? - *?п|2 = inf Е|?7 —г)п \2. (2)

Vn
Хорошо известно, что оптимальная в этом смысле оценка имеет следу
ющий вид:
7Ы = E(V \ $ i), (3)
где Е( •|•) - условное математическое ожидание, являющееся, вообще
говоря, нелинейной функцией от наблюденных значений ( ... ,£n_ i ,£ n).
(Вопросы оптимальной нелинейной фильтрации, экстраполяции и
интерполяции для достаточно широких классов случайных процессов
рассматриваются, например, в [303].)
В другом же подходе, на котором мы сейчас и сосредоточим наше вни
мание, к рассмотрению допускаются лишь линейные оценки, т. е. функции
из образованные (по определению) или конечными линейными комби
нациями величин {£/е, к ^ п}, или же их 1/2-замыкалиями.
По аналогии с (2), наилучшей (оптимальной) линейной оценкой вели
чины 7] объявляется оценка Хп Е такая, что
Е|?7 — An|2 = inf Е|?7 — Ап |2. (4)

л „ея «
При этом для Ап принято следующее обозначение (ср. с (3)):
\п = Е(п\Н*), (5)
где Е( •|•) называют условным математическим ожиданием в широком

смысле.
3. Вернемся к вопросу о (линейном) предсказании значения hn, п ^

в последовательности h = (Лп)? описываемой формулой (1), по той “инфор
мации” которая имеется до момента времени 0. Сравнительно просто эта
задача решается, когда “информацией” считается все “прошлое” порож
денное не h — (hn) го<ссь ^ £ — (^n)п<со •
Действительно,
(в)
поскольку для i ^ 1
Е(е» |Д о) = Ее* (= 0),
что легко следует из ортогональности компонент в “белом шуме” е — (ег).

При этом нетрудно найти и ошибку экстраполяции
П—1
ol = е|/1п-ё (л п|я0£)|2 = ] Г ы 2-
Ас=0
Ясно, ЧТО сг^ < а п+1 и
оо
lima*
п = • . l“ fe|2 (= EhD -
fc=0
Отсюда следует, что с ростом п роль “прошлой информации” =

££(... ,s n_ i,£ o ) в предсказании значений величины hn становится “все
меньше и меньше” и в пределе (п -> оо) в качестве наилучшей ли
нейной оценки надо брать просто математическое ожидание, т. е. 0 в
рассматриваемом случае.
Разумеется, большой интерес представляет задача экстраполяции не

только по бесконечному числу значений {sk, к ^ 0}, но и по некоторому
их конечному числу, скажем, {£&,/ ^ к ^ 0}. Следует, однако, отметить,
что в техническом отношении эта последняя задача сложнее, нежели та,
которая сейчас рассматривается.
Полученное представление
оо
^ {п = £ акеп- к (7)
к=п
решает задачу экстраполяции величин hn по (линейной) “информации”

H q , а не по “информации” H q , содержащейся B i ? ( ...,/i _ i ,/i o ) .
Понятно, конечно, что если предположить, что
Щ = н£, (8)
то, по крайней мере в принципе, из (7) можно получить и соответствую-
^ оо
щую опенку Е(hn |H q ) в виде akhn- k -
к=п
4. В связи со сделанными предположениями (1) и (8), целесообразно н

помнить некоторые общие результаты теории стационарных случайных по
следовательностей.
Пусть £ = (£п) - некоторая стационарная (в широком смысле) последо
вательность.
Каждый элемент rj Е Н(£) может быть представлен в виде суммы двух
ортогональных компонент:
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.
Предложение 1. Всякая невырожденная стационарная в широком

смысле случайная последовательность £ = (£п) допускает, и притом
единственное, разложение
tn = Cn + £t
где £г = (££) - регулярная, a = (££) - сингулярная последователь

ности; при этом £г д ортогональны (Cov(££,f£J = 0 для всея
(См. подробнее [439; гл. VI, §5].)

Введем следующее важное
Определение. Случайная последовательность е = (еп) называется

обновляющей последовательностью для £ = (£п)> если
a) £ = (еп) является белым шумом в широком смысле,
т.е. £еп = О, Е£n£m = 0, п ф т, E|en |2 = 1;
b) И% = я ; для всех п.
Понятен наглядный смысл термина “обновляющий” : в силу ортогональ

ности элементов последовательности е — (еп) величина еп+\ может рас
сматриваться как та ( “новая” ) информация, которая “обновляет” инфор
мацию, содержащуюся в и дает возможность образовать Н^+1. По
скольку Н£ = для всех п, то, тем самым, еп+\ “обновляет” и инфор
мацию в Н^. (Ср. с §2а, гл. I, где рассматривалась гипотеза случайного
блуждания и обсуждалось понятие эффективного рынка.)
Следующее предложение устанавливает связь между введенными выше
понятиями.
Предложение 2. Для того чтобы невырожденная последователь

ность £ = (£п) была регулярной, необходимо и достаточно, чтобы
нашлись такая обновляющая последовательность е = (е п) и числа
оо
о с £ \QkI2 < сю, (Р-п.н.)
к=О
ОО
(9)
А:=0
(Доказательство см., например, в [439; гл. VI, §5].)

Из сформулированных выше предложений 1 и 2 непосредственно выте

кает
П редлож ение 3. Если £ = (£п) - невырожденная стационарная

последовательность, то она допускает разложение Вольда:
оо
^ ^а к ^ п — кч (10)
к =О
оо
где X) а! < оо и е = (еп) - некоторая обновляющая последователь-
к =о
ность (для £г ).
5. Если предполагать, что последовательность h = (hn) допускае

представление (1) с обновляющей (для К) последовательностью е = (£п) 5
то тогда
hn = E(hn |я £ ) = Е(Л„ |t f0£) (= /# > ).
Значит, в силу (6),
оо оо
hn — ^ ^ О'к^п—к — ^ h'n—k') (11)
к=п к=п
где последнее равенство следует из того, что = Н% для всех п.

Формула (11) в принципе решает задачу оптимальной линейной экст
раполяции значений hn по “прошлой” информации {/г^, к ^ 0}. Но, ес
тественно, возникают следующие два вопроса: когда последовательность
h = (hn) допускает представление (1) с обновляющей последовательнос
тью е = (еп) и как находить коэффициенты а к, входящие в (11).
Ответ на первый вопрос содержится в предложении 2 - последователь
ность h = (hn) должна быть регулярной. И здесь работает известный кри
терий Колмогорова: если h — (hn) - стационарная в широком смысле
последовательность со спектральной плотностью / = /(А ) такой,
что
f ln /(A ) d\ > —оо, (12)
J—7Г
то эта последовательность является регулярной. (См., например,
[439; гл. VI, §5].)
2 . Линейные стохастические модели 181
6 . Напомним, что всякая стационарная в широком смысле последова

тельность £ = (£п) с Е£п = 0 допускает спектральное представление
U = Г eiXnz(d\), (13)
J —7Г
где z = z(A ) с Д Е ([—7г, 7г]) является комплекснозначной стохастической

мерой с ортогональными значениями: E z (A i)z(A 2 ) = 0, A i П Д 2 = 0 ;
(см., например, [439; гл. VI, §3]).
При этом ковариационная функция R(n) = Соv (f*+ „,£ *) допускает
представление
R(n) = П eiXn F(dX) (14)
J —7Г
со спектральной мерой F ( А ) = Е|г(Д)|2.

Если существует (неотрицательная) функция / = / ( А) такая, что
F ( A ) = [ /(A ) d\, (15)

JA
то она называется спектральной плотностью. Сама же функция F (А) =

F ( ( —0 0 , А]) называется спектральной функцией.
Таким образом, если относительно исходной последовательности
h — (hn) известно a priori лишь только то, что она является стацио
нарной в широком смысле со спектральной плотностью / = /(А ), удовле
творяющей условию (12), то тогда эта последовательность является регу
лярной, допуская представление (9) с обновляющей последовательностью
£ = (£„)•
7. В интересующих нас линейных моделях, рассмотренных выше, по

следовательность h = (hn) задавалась не спектральным представлением,
а в виде ряда (1), где е = (еп) - некоторая ортонормированная последова
тельность с условиями Ееп = 0 и ЕEiSj = Sjj, где 8ij - символ Кронёкера:
Sij = 1, если i —j, и Sij = 0, если i ф j.
Понятно, что последовательность е = (б:п) является стационарной, ее

корреляционная (= ковариационная) функция
и спектральная плотность
/е(А) = ^ , —7Г< А < 7Г. (17)
(Поскольку R£(n) = J elAn- ~ dA.)
Если hn = Z ак£п-к и коэффициенты a,k таковы, что 52 \ак\2 < °°>

к=0 к=О
тогда, как нетрудно видеть, ковариационная функция последовательности
h = (hn)
Rh( n ) = Г eiXnf h(\)d\, (18)
J —TV
где
Л (Л) = ^ |Ф (е -'Л)|2 (19)
И
оо
Ф(г) = ^ a*z*. (20)
fc= 0
Предположимсейчас, что ряд (20) имеет радиуссходимости г > 1
и we имеет нулей вобласти \z\ ^ 1. В этом предположениивопрос о
значениях коэффициентов a>k в представлении (11) оптимального линейно
го прогноза hn решается следующим образом (см. подробнее, например,
в [439; гл. VI, §6]).
Пусть
^ п( А) _ е “ф ( }
где
оо
Ф„ (г ) = £>***. (22)
к=п
Разложим фп (А) в ряд Фурье:
£п(А) = о ^ п) + а Ц 1е“ *Л + а Ц 2е(_2гЛ) + ••• . (23)
Коэффициенты а^п\ о ^ 1, . .. будут в точности теми, которые определи-

ю т оптимальный линейный прогноз hn величины hn:
оо
hn = Е(hn IH q ) = £ c tp h n -k - (24)
к=п
Таким образом, мы получаем возможность построения прогноза значе
ния hn по прошлым значениям { . . . , Л i , Ло}» если сумеем найти представ
ление (23).
.
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 ].
П ри м ер 1 (модель MA(q)). Пусть
hn = (3(L)en, (25)
где
(3(L) — 6 0 Н“ b\L + •••+ bqL q, (26)
то есть,
Ь"п — ^ ^ Ьк^п—к’ (27)

к =О
Сравнивая это представление с ( 1 ), видим, что аь — Ък для 0 ^ к ^ q и

ak = 0 , к > q.
Следовательно,
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
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
Сравнивая это разложение с (23), находим, что для q = 1 ип = 1
а<1} = в,
0 2 Х) = (—1 ) ' 0 2>
4 Х) = в3>
Тем самым, для модели МЛ(1) прогноз значения hi по ‘‘прошлому”

( . . . , h - i , ho) определяется следующей формулой:
hi = а[ ^ho + о>2 1 + *■* + ^ 1 —к + ***

— 0 (ЛО “ 0 /&—i + 0^h—2 + ■■■+ (—1 )^ *0 ^ ^hi—k + •••)
оо
= £ ( - 1 ) ke k+1h - k.
к=О
Отсюда видно, что наибольший вклад в значение прогноза величины hi

доставляется “ближайшим прошлым” - значением /го, и вклад предшест
вующих значений убывает геометрическим образом (вклад от /г_& входит
с коэффициентом вк, где |0 |< 1 ).
П ри м ер 2 (модель AR(p)). Будем предполагать (ср. с (33) в § 2 Ь), что

для —оо < п < оо
hn — Uihn—i + ■••+ aphn—p + еп, (29)
при этом в факторизационном представлении (35) (§2Ь) значения А* раз

личны, г = 1 ,... ,р, и |А*| < 1 .
В соответствии с (41) из § 2Ь стационарное решение уравнения (29) име

ет вид
оо
hn = M i + ‘ + сРХкр )£п -к , (30)

к =О
т. е. в представлении ( 1 )
= ciA j Н ЬСрАр. (31)
С принципиальной точки зрения прогноз hn величины hn по значениям

{/г*;, к ^ 0} дается формулой (24), где коэффициенты а ^ получаются из
разложения функции фп{\) (см. (21)—(23)) в ряд Фурье с учетом форму
лы (31) для коэффициентов а входящих в определение функции фп (А).
В литературе приведено довольно-таки много разных приемов по отыс
канию удобных для применений формул для прогноза hn (см., например,
[2 1 1 ], где излагаются рекуррентные процедуры отыскания значений hn по
значениям h\,. . . , hn- 1 ).
Мы ограничимся лишь иллюстративным подсчетом прогноза для ста
ционарной модели A R (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<"> = ■
Отсюда нетрудно заключить, что спектральная функция / = / ( А) сущест

вует и задается формулой
(зз)
Сопоставляя (33) с (19), находим, что
1 00
*М - Г з ж =
к =О
.186 Гл. II. Стохастические модели. Дискретное время
Поэтому из (21) следует, что
ап
Фп(х) = вг
И[, значит, (см. (23) и (24))
hfi — 0 /г0, 77- ^ 1,
т.е. для прогнозирования величины hn по {hk-, к ^ 0 } достаточно знать

лишь значение /го, что и неудивительно, если иметь в виду марковский ха
рактер последовательности h = (hn).
П ри м ер 3 (модель ARMA(p, q) с параметрамир — q — 1). В этой мо

дели стационарное решение уравнения ( 1 2 ) с условием ао = 0 из § 2 с опре
деляется формулой
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)
В рассматриваемом случае функция
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
Поэтому, согласно (21) и (22), для z = е ~ гХ получаем
ai+bi , (aiz)n
fZ (\\ — JAn Ql 1 -Qiz _ (ai + Ol
1 + sa±bi . - a.iz - ~ 1 + 612;
ai 1 —ajz
00
= а Г 1 («1 + 6 1) ^ ( - l ) fc(b ^ )fe

и (см. (23))
4 n)= a r 1(« i + b i ) ( - l ) fe^ .
Итак, согласно (24),
hn — a” 1(fli + bi){ho + ( - l ) b i h - i + 6 j/i_ 2 + •••}

OO
= a r 1 ( a i + 6 i ) ^ ( - l ) fe6 ^ n - fc.
k=n
Зам ечание. По поводу формул прогноза для общих моделей

ARM A(p,q), ARIM A(p,d,q) см., например, [211].
3. Нелинейные стохастические
условно-гауссовские модели
Обращение к нелинейным моделям вызвано желанием и необходимос

тью найти объяснение ряда наблюдаемых (в финансовой статистике и
в экономике вообще) феноменов типа “кластерности” цен, их “катастрофи
ческих” изменений, наличие “тяжелых хвостов” в распределениях величин
S
hn = In - 71 , наличие “долгой памяти” в ценах и других присущих им
Sn - 1
свойств, которые нельзя объяснить в рамках линейных моделей.
По поводу же того, какими нелинейными моделями следует пользовать

ся - стохастическими, хаотическими ( “динамический хаос” ) или какими-то
еще - нет единодушного мнения и много сторонников и аргументов в пользу
как тех, так и других подходов.
Не вызывает сомнения, что экономические показатели, к которым отно

сятся и финансовые индексы, носят флуктуационный характер.
Флуктуируют макроэкономические индексы (объем продукции, по

требления, инвестирования, общий уровень цен, процентных ставок,
государственного резерва, . . . ) , дающие представление о состоянии эко
номики “в среднем” “в целом” Флуктуируют и микроэкономические
индексы (текущие цены, объем проданных акций, . . . ) . При этом флук
туации могут носить весьма высокочастотный и крайне нерегулярный
характер, который наблюдается, как хорошо известно, и в стохастичес
ких, и в хаотических моделях, что и объясняет попытки описания такими
моделями флуктуационных эволюций, резких переходов, “катастрофи
ческих” выбросов, сгруппированности (кластерности) значений и т.п.
3. Нелинейные стохастические условно-гауссовские модели 189
Многие экономические показатели имеют “в среднем” трендовый ха

рактер (объем продукции, численность популяций, величина государствен
ных запасов), однако это движение может то убыстряться, то замедляться;
рост может идти как бы циклами (как периодическими, так и непериоди
ческими) .
Таким образом, перед исследователями статистических данных, будь
то в экономике, финансах или других областях науки, естествознания, тех
ники, . . . , возникает далеко не тривиальная задача выбора “правильной”
модели.
Ниже мы даем описание ряда нелинейных стохастических и хаоти
ческих моделей, популярных в финансовой математике и финансовой ста
тистике, не претендуя на их широкий охват, а желая дать как бы “вве
дение” в этот круг вопросов. (По поводу изложения некоторых нелиней
ных моделей можно порекомендовать, например, монографии [193], [2 0 2 ],
[461], [462].)
§3а. Модели ARCH и GARCH

1. Пусть (Л, Р) - исходное вероятностное пространство, е — {en) n^
- последовательность независимых нормально распределенных случайных
величин, еп ~ ^ ( 0 , 1 ), моделирующих “случайность” “неопределенность”
в рассматриваемых далее моделях.
Через З'п обозначаем сг-алгебры cr(î,. . . , £п), = { 0 , О}-
Будем интерпретировать Sn = Sn(uj) как значение цены (скажем, ак
ции, обменного курса) в момент времени п = 0, 1, ... . Время может изме
ряться в годах, месяцах, . . . , минутах, секундах, . . . .
Как уже отмечалось выше (§ Id ), для описания эволюции величин
^ ~ (^п)п^ 1 5
(1)
Р. Энгль, [140], обратился к условно-гауссовской модели, в которой
(2 )
где “волатильности” ап определяются следующим образом:
р
-f- ^ ^ (3)
г— 1
с ао > 0 , oti ^ 0 , ho = ^о(^) ~ случайная величина, не зависящая от

£— (Часто ho считается константой или случайной величиной,
математическое ожидание квадрата которой выбирается из соображений
“стационарности” значений Eh„ , п ^ 0 .)
Из (3) видим, что волатильности о п являются (предсказуемыми) функ
циями от Ь?п_ 1?. . . , h „ _ р. При этом ясно, что большие (малые) значения
h^l_ i приводят к большим (малым) значениям о\. Возникновение же
больших h^ в предположении, что предшествующие h^_ х, . . . , h^_ р были
малыми, происходит за счет появления больших значений еп. Таким
образом, становится понятным, почему рассматриваемые (нелинейные)
модели ( 1 ) - ( 3 ) могут объяснять эффекты типа “кластерности” т.е. груп
пирования значений (hn) в пачки “больших” и пачки “малых” значений.
Эти рассмотрения оправдывают, как уже говорилось выше (§ Id), дан
ное Р. Энглем в [140] название ARCH(p) для этой модели (AutoRegressive
Conditional Heteroskedastic model - Авторегрессионная модель услов
ной неоднородности) , в которой, как мы видим, условная дисперсия (во
латильность) о\ ведет себя весьма неоднородным образом, поскольку за
висит, согласно (3), от “прошлых” значений h^l_ 11h^l_ 2l. . . .
2 . Обратимся к рассмотрению ряда свойств последовательности
h — {hn) n^ i, описываемой ARCH(p)-моделью, ограничившись, для прос
тоты изложения, случаем р — 1. (По поводу подробного изучения свойств
ARCH (р)-моделей и их применений см., например, [193], [2 0 2 ] и [393]; вп. 6 ,
§ Зс, приведен результат о наличии “тяжелых хвостов” в таких моделях.)
Дляр = 1 (см. рис. 22)
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
рекуррентное соотношение (6 ) имеет единственное “стационарное” реше

ние
ЕА* = а° ,п ^ 0 , (8 )
1 — а\
ао
и, таким образом, если взять hq = --------, то Е д л я всех п ^ 1 будет
выражаться формулой ( 8 ). 0,1
Рис. 22. График компьютерной реализации последовательности h = (hn ),

подчиняющейся A R C H (1)-модели с h n = y j а о + а \ ^ п -1 с параметрами
а о = 0.9, a i = 0.2; /&о = 3 и 0 ^ п ^ 100
Далее, простой подсчет показывает, что
Eh* = Ее* Ее* = ЗЕа* = ЗЕ(о;о + сцЛ* _ i ) 2
= 3 (a l + 2a0a 1Eh2
n _ 1 + a ? E ^ _ x)
= 3 a | (l + a i ) + 3 а 2ЕД4 _ (9)
1 — a\
Отсюда, в предположении 0 < a\ < 1 и 3af < 1, находим “стационарное”

решение (ЕЛ* = Const):
c l 4 3 a g (l + a i)
E ft" = (1 - o ri)(l - 3 a f) ' (1 0 )
Из ( 8 ) и (10) следует, что “стационарное” значение коэффициента экс

цесса (kurtosis’a)
K s J 0 L - з= 6а-
( Е A J )2 1 - За? ’
положительность которого говорит о том, что плотность “установивше

гося” распределения величин (hn) в окрестности среднего значения “вытя
нута” вверх (тем сильнее, чем больше а \). Напомним, что для нормального
распределения эксцесс К — 0.
Замечание. Эмпирическое значение К дг коэффициента эксцесса, под

считываемое по значениям h\, /1 2 , •••, Ллг >находится по формуле
1 N / / 1 N \ 2
^ = М 2) - 3’
fc=1 ' ' к= 1 '
где hjsj = ^ ( ^ 1 + •••+ Ллг)- Согласно данным, приведенным в книге

С. Тейлора [460], положительность коэффициента эксцесса для финан
совых индексов является скорее правилом, чем исключением. Случаи
отрицательных значений эксцесса на практике очень редки. О величинах
же эмпирического коэффициента эксцесса ДГдг в случаях его положи
тельности можно судить по следующей таблице, относящейся к ценам на
золото (XAU) и серебро (XAG), обменному курсу британского фунта
по отношению к доллару (USD) и стоимости акций компании General
Motors (по месячным данным):
Т аблица 1
X A U /U SD 1975-82 гг. K N = 8.4
X A G /U S D 1970-74 гг. K N = 8.4
G B P /U SD 1974-82 гг. K n = 5.4
General Motors 1966-76 гг. k N = 4 .2
3. Последовательность h — (hn) с hn = о п£п является при 0 < а\ <

квадратично интегрируемой мартингал-разностью и, тем самым, является
последовательностью с ортогональными значениями:
Cov(/in, hm) = 0 , пф т .
Это свойство не означает, разумеется, независимости величин hn и /im,

поскольку их совместное распределение, Law(/in, /im), не является, как мы
видим, гауссовским при a i > 0 .
О характере зависимости величин hn и /im можно получить представ
ление рассматривая корреляционную зависимость их квадратов ft2 и Ь?ш
или модулей \hn \и \hrn\.
Простой подсчет дает
2
2 2 / а0
Dhn 1 -3 c tf ( l - O j ) '
= <1 2 >
и, значит,
p(l) = Corr(h„,h„_1) = , ' " = a i.
Далее, для к < n
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 ,
что дает в “стационарном” случае простое рекуррентное соотношение для

Соv(h2 n- k ) .
n ,h 2
р{к) =
y/Dh2 n_ k '
n Dh2
р(&) = - 1 ),
откуда
р(/г) = о£. (13)
4. В § Id отмечалось, что ARCH (р)-модели самым тесным образом свя

заны с (общими) авторегрессионными схемами AR(p).
Действительно, пусть имеется AR C H (р)-модель и vn — . Тогда,
если < оо, то последовательность v — (vn) образует (относительно
потока {&п)) мартингал-разность, и из (3) следует, что величины х п — h\
удовлетворяют авторегрессионной модели AR(p):
хп = olq + a\xn- i Н h архп- р + ип, (14)
с “шумом” v — (^п), являющимся мартингал-разностью.

В случае р — 1
хп = + a iT n_i + i/n (15)
и видим, что найденная вьпне формула (13) в точности совпадает с форму

лой ( 1 0 ) из § 2 Ь.
5. A R СН (р)-модели самым тесным образом связаны также с автор

грессионными моделями со случайными коэффициентами, которые ис
пользуются при описании “случайных блужданий в случайных средах’.’
Для пояснения сути дела снова ограничимся значением р = 1 .
Тогда из того, что hn = о пгп и сг^ = ао + a ih ^ _ 1? вытекает, что
hn=-\Д*о+(*\h2
n_1en. (16)
Рассмотрим теперь следующую авторегрессионную модель первого по
рядка со случайными коэффициентами:
х п — B\Tjnx n — 1 + BoSn, (17)
где (г)п) и (бп) - две независимые стандартные гауссовские последователь

ности.
С точки зрения конечномерных распределений последовательность
х = (х п)с xq = 0 (для определенности) устроена так же, как и
последовательность х = (х п) с
Хп = \Jb I + е п, х о = 0, (18)
где е = (еп) - стандартная гауссовская последовательность.

Сопоставление (16) и (18) показывает, что структура образования по
следовательностей h = (hn) и х = (х п) одна и та же. Следовательно, при
B q = о?о и ~ а.\ вероятностные законы последовательностей h = (hn)
и х — (х п) с ho = хо = 0 одни и те же.
6 . Несколько усложним модель A R CH ( 1 ), предполагая, что величин

h = (hn) управляются соотношениями
— А) + Pihn- i + \JotQ + a i еп. (19)
В этом случае говорят, что /i = (Лп) подчиняется ЛД(1)/ЛЛ(7#(1)-мо-

дели или что /i = (ftn) удовлетворяет авторегрессионной схеме AR( 1 )
с ARCH (1)-шумом (л/а 0 + a\h2
n _ l еп) п^ г
Условно-гауссовский характер этой модели дает возможность пред
ставить плотность ре {h i, . . . , hn) совместного распределения P# величин
h i, . . . , hn для заданного значения параметра в = (ао, ol\, /?о, /?1 ) в следу

ющем виде (ho = 0 ):
p o(h i) . .., hn) = (27 г ) n / 2 J J (a o +

k=i
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)
- его квадратическая характеристика. (Ср. с формулой (46) в § 2 Ь.)

Здесь (М )п —> оо (Р-п.н.} и, согласно усиленному закону больших
чисел для квадратично интегрируемых мартингалов [439; гл. VII, §5],
— —> 0 (Р-п.н.). Следовательно, построенные оценки /3\ являются
\-М)п
сильно состоятельными в том смысле, что P#(/?i —> /3) = 1 для значений
0 = (a 0 , ai , А ь А ) , где/3 G Е.
7. Рассмотрим вопрос о предсказании “будущего движения цен” сч

тая, что последовательность h = (hn) подчиняется модели A R C H (р).
Поскольку последовательность h — (hn) является мартингал-разнос
тью, то E(hn+ m |З ' п ) — 0 и, значит, оптимальная в среднеквадратическом
смысле оценка
hn+m = E(hn+m \&п) = Е(Е(hn+m |&п) \&п) = 0 .
Тривиальность этой оценки делает целесообразным рассмотрение вопроса

о предсказании будущих значений нелинейных функций от /in+ m, напри-
мер, величинh2n+Tn, |Лп + т |.
Имеем — a (h i,. . . , hn)):
> € Z = е й + „ Iю = E ( ^ +m4 +m I )
= E[E(an_|.msn+m |S\rljrVn_\) 1 3*n ]
= E[<*+ m | £ j] (24)
откуда ясно, что вопрос предсказания будущих значений +ш сводится

к вопросу предсказания “волатильности” о \_|_ш по результатам прошлых
наблюдений /г-о?h i, . . . , hn.
Поскольку
2 2 2
®п-\-т ^ 0 "Р Oii(7n^_rn_ i£ n^_rn_ 1 ,
то по индукции находим, что
а п+т = а 0 + O(l[o!0 + а 1 сгп + т - 2 £ п + т - 2 ] £ п + т - 1

— ’ •• — т —1 j т
OiО“h OiQ ^ ^ j[J[ ^ l ^ n + j —г+ 1 "P G n j[J[ —i'

j — 1 i—1 i= 1
Отсюда, беря условное математическое ожидание Е( ■|3?%) и учитывая не

зависимость в величинах последовательности (еп), находим, что
т —1
hl+m = al+rn = E(°l+ m I& ) = a 0 + a0 Y ^ «1 + Лп«Г*

3= 1
1 _ ryrn
= a 0- ------ 1
- + a?h 2
n. (25)
1 — ai
Как и следовало ожидать, при т -* оо оценки /г^+ш сходятся (с веро

ятностью единица) к “стационарному” значению Е/г^ = а°
1 — ai
8. Напомним, что для нормального распределения (р, о 2) интервалы

(/i — a, /i + сг) и (/i — 1.65а, /i + 1.65cr) являются (с определенной степе
нью точности) доверительными интервалами с уровнями надежности 6 8 %
и 90% соответственно.
Поскольку
Sn+m = Sne hn+1+- +hn+m (26)
Е[(Л„+, + •••+ Л„+ т )2 1£ * ] = Е(Л*+11.?*) + ••• + Е (^ + т |£„*)
= + стп+т-
то в первом приближении в качестве доверительных интервалов (с уров

нями значимости 6 8 % и 90 %) можно взять интервалы
1+--+<+т , Sne+ ^ <Tn+i+-- + 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.
9. Успех условно-гауссовской модели ARCH(p), давшей объяснение

целому ряду феноменов в поведении финансовых индексов ( “кластер-
ность” “тяжелые хвосты” “вытянутость” плотности распределения вели
чин hn, . . . ) , породила целую лавину различных ее обобщений, преследую
щих цель “ухватить” дать возможные объяснения ряда других эффектов,
обнаруживаемых методами статистического анализа.
Исторически одним из первых обобщений модели ARCH(p) явилась,
как уже отмечалось в § Id, введенная в 1986 г. Т. Боллерслевом (Т. Boller-
slev, [48]) Обобщенная ( Generalized) ARCH-модель, характеризуемая
двумя параметрами р и q и обозначаемая GARCH (р, q).
В этой модели, как и для AR CH (р)-модели, снова берется hn = апе п,

но относительно формирования “волатильности” ап предполагается, что
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)
где а 0 > 0 , a i ^ 0 , (3\ ^ 0 .

Отсюда ясно, что
Eh„ = Qfo + (a?i + P i)E h „_ 1
и “стационарное” значение Eh„ существует при a?i + /?i < 1 и задается

формулой
<2 9 >
Если 3а\ + 2aiPi + /3f < 1, то существует “стационарное” значение
Еh4 = ______________3«р(1 + « х + А ) ,30)

_
(1 - ax - /?i)(l - f3\ - 2ai/3i- 3 a f )

и, тем самым, “стационарный” коэффициент эксцесса
Г - •, ,,,)
~ (Е h i)2 1 - Iff - 2,.п !1, - 3,.,l ' 1 1
Нетрудно найти и “стационарное” значение автокорреляционной функ

ции р(к) (ср. с (13)):
_ a i( l - ai(3i - /3f)
Р{1) 1 - 2 ’ (32)
р{к) = (а х + 0 i ) k~ 1p (l), к > 1. (33)
Наконец, отметим, что формула (25) на случай GARCH (l, 1 )-модели

обобщается следующим образом:
т
hl+m = CTn + m = E(ffn + m l ^ n ) = QO ^ Y + T m 1 ( « Х ^ п +
где 7 = Qfi + (3\.
.
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)
причем £кА ~ ^ ( 0 5 Д)? с - константа и
(4 д )2 = «о(Д) + (а((^ 1)д ) 2 ( Д Д ) + а 1 ( Д ) в ^ _ 1)д). (35)
Будем считать, что заданы начальные условия Н ^ = До, = его

при всех Д > 0 , где (# о, 0 о) ~ пара случайных величин, не зависящая от
гауссовских последовательностей ), А > 0 , состоящих из независимых

случайных величин.
Вложим последовательность ( Я ( Л), = (я£д\ а к д ) *. > 0 в схемУ
с непрерывным временем t ^ 0 , полагая
н \ А) = Н & \ <г 1А ) = 4 а (36)
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
а 0 (А) = а 0 Д, a i(A ) = a \ J у , /?(Д) = 1 - a ^ j ( у ) - f3A
предельным (при А —> 0) процессом (Я, сг) являетсяпроцесс, подчи

няющийся следующим стохастическим дифференциальным уравнениям
(см. §3е, гл. III):
dHt = са\ dt + at dWt(1), (37)
do\ — (ао —(3(Jt) dt + aa t dW^2\ (38)
где (И^1), W ^ ) - два независимых стандартных броуновских движения,

независимых также от начальных значений (Яо, сто) = (H q^\ сг^ ).
§ЗЬ. Модели EGARCH, TGARCH , HARCH и др.

1. В 1976 году Ф. Блэк (F. Black) подметил в поведении финансовы
индексов следующий феномен: отрицательную коррелированность ве
личин /&п_ 1 и а п, проявляющуюся в том, что эмпирическая ковариация
Cov(/in_i,crn) < 0.
Этот эффект, получивший название “leverage effect” (эффект рычага,
или подъемной силы), приводит к тому, что волатильность стремится
к возрастанию после падения цен, т. е. после убывания величин возвра
та. Называемый также “эффектом асимметрии” этот феномен нельзя
объяснить в рамках моделей ARCH , GARCH, поскольку в них волатиль

ность о \, будучи зависимой от квадратов предшествующих величин h?n_^
нечувствительна к знаку величин hn- j и, тем самым, значения hn- j = Д
и hn- j = —Д приводят в GARCH-моделях к одному и тому же значению
будущей волатильности .
Для объяснения обнаруженного Ф. Блэком эффекта Д. Нельсон
(D. В. Nelson, [366]) в 1990 г. предложил так называемую модель
EGARCH (p,q), или Exponential GARCH(p^q), в которой учет “асиммет
рии” осуществлялся тем, что вместо величин h%l_ i = o \ _ ie1
ri_ i ^входящих
в GARCH-модели, вводится линейная комбинация величин £п-г и \ e n - i \ .
Именно, снова считается, что hn = ап£п, но для ап предполагается
выполненным следующее соотношение:
р я
I n a l = a o + ' ^ 2 ° ‘i [ 0 £ n - i + 7 ( k n - » | - \ / У * ) ] + Х ^ 1псг” - : т ^
2= 1 j=1
(Заметим, что у^/тг = E|en_i|.)

Поскольку h n - i — a n - i £ n - i и (Jn - i ^ 0, то знаки у /in _ 2 и e n - i сов
падают, и, следовательно, если £ n ~ i — Д > 0 , то соответствующий вклад
в сг^ определяется величиной А (в + 7 ), но если e n - i = —А < 0, то вклад
будет равен Д (—в + 7 ).
2 . EGARCH-модели являются далеко не единственными, которые, со
храняя основные свойства моделей GARCH, в то же самое время позволя
ю т также “ухватывать” эффект асимметрии. Примером может служить
TGARCH(р, д)-модель ( Т - от Threshold - порог), навеянная пороговыми
моделями типа TAR (Threshold AR):
к
hn — ^ Î {hn—d){ô ^\hn—i *Т •••+ otphn—p), (2 )
2= 1
где d - параметр запаздывания, А \, . . . , Ak - непересекающиеся множества

к
в М такие, что ^ А{ = М.
2=1
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.
(Подробное исследование таких пороговых моделей содержится в моногра

фии [461].)
По определению (см. [399]), последовательность h = (hn) описывается

TGARCH(р, д)-моделью, если hn = сгпе п, где
р я
<yn = a0 + Y l [aihn -i + bihn-i] + [cJan-3 + di an -j] (4)
2= 1 j= 1
и, как обычно, = max(a:, 0), x~ = —min(a;, 0). В этой модели не пред

полагается неотрицательность коэффициентов и, следовательно, неотри
цательность волатильностей ап, хотя, разумеется, смысл а\ как условной
дисперсии Е(h^ № _ х) сохраняет свою силу.
Поскольку
hn = о пеп = (<т+ -<х~)(е+ - е~ ) = [<т+е+ + <т~е~] - [а~е+ + <г+е~],
ТО
ht = [^n^n + CTn^n] и К = [а~£+ + а + е “ ].

Эти соотношения дают возможность переписать представление (4) в сле
дующем виде:
р* р*
<Уп = « о + ^ М е п _г)<7+_; + (5)
2= 1 2= 1
со значениями р* = max(p, д) и функциями a?j(£n_ *) и /3i(en- г)? являющи

мися линейными комбинациями величин £^ -i и 6п-г-
Есть определенная “техническая” сложность изучения таких моделей,
заключающаяся в отсутствии марковского свойства. Однако в простых
случаях, например, для р — q — 1 , можно, тем не менее, провести доста
точно полное исследование свойств этих моделей.
Действительно, при р = q = 1
оп = a0 + [ai ^ - i + M n_i] + [cia+_i + ^ i^ n -i] (6)
или, в эквивалентной форме,
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\.
Если OiQ = 0, то из (7) находим, что
а+ = ( a i ( e „ _ i ) ) + (T+ _ 1 + ( /? i ( e „ _ i ) ) + a ^ _ 1,
= ( a i ( £ n - x ) ) _c 7 n - i + {P i(en -i))~ < T n -v
Отсюда видно, что последовательность (<т+,а“ , £n)nî относительно

потока (&п) является марковской, что дает возможность проводить
исследование ее свойств обычными “марковскими” методами. (Подробнее
см. [399].)
3. Остановимся еще на одном феномене - эффекте “долгой памяти” ил

“сильного последействия’,’ в эволюции цен S = (Sn)nô-
Можно давать разные определения зависимости поведения случайных
последовательностей от “прошлого” Этой цели в теории вероятностей слу
жат различные меры зависимостей, такие как коэффициенты эргодичнос
ти, коэффициенты перемешивания и др.
Например, можно измерять степень пропадания зависимости от прош
лого у действительной стационарной последовательности X = (Х п) тем,
как быстро величина
sup Е \Р(Хп+ т Е А |JYi,. . . , Х п) — P (X n+m £ А )| —> 0

А
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\)nî 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,
C ° r r ( h l - k , h2n ) = <**, а 1 < 1,
а для GARCH( 1 , 1 ) автокорреляционная функция р(&) описывается фор

мулами (32) и (33) из того же §3а, показывающими, что в этих моделях
корреляция убывает геометрическим образом к нулю ( “память быстро за
бывает прошлое” ).
Часто принято говорить, что стационарная (в широком смысле) после

довательность F = (Yn) имеет долгую память, или сильное последей
ствие, если ее автокорреляционная функция р(к) имеет гиперболический
характер убывания к нулю:
p ( k ) ~ c k ~ p, к —> оо , (10)
при некотором р > 0 .

Таким характером убывания автокорреляционной функции обладает,
например, фрактальный гауссовским шум (см. § 2d, гл. Ill) Y = (Yn)nî
со значениями
Yn — Хп Х п—1 ,
где X = ( X t )t^о является фрактальным броуновским движением с пара

метром 0 < И < 1 (см. § 5с). Для этого движения (см. (3) в §5d)
Cov(Xs , X t ) = ^{|*|2И + И 2И - \ t - s \2B} E X2
и (см. (3) в §5d)
Cov(Fn, Yn+k) = у {\к + 1|2И - 2|&|2И + \к- 1|2И}, (11)
где а2 — DFn, и, следовательно, автокорреляционнаяфункция р(к) =

Corr(Fn, Yn+k) имеет при к —> оо гиперболический характер:
р{к) ~ H(2H — 1)кт ~2.
Заметим, что при | < Н < 1
оо
Y ^ p (k ) = оо.
к= 1
При Н = | (обычное броуновское движение) величины Y = (Fn) обра

зуют гауссовский “белый шум” с р(к) = 0 , к ^ 1 .
Если же 0 < Н < то
оо оо
|р(А;)| < оо, ]Г р(А ;) = 0 .
/с=1 fc= l
Замечание. В гл. 7 монографии [2 0 2 ] рассмотрены разнообразные мо

дели процессов с сильным последействием и содержится большой мате
риал относительно применения этих моделей в экономике, биологии, гид
рологии и др. См. также [418].
4. В работах [89], [360] была введена и изучалась новая модель

HARCH(р), относящаяся к семейству ARCH-моделей, в которой характер
убывания автокорреляционной функции для модулей и квадратов величин
hn более медленный, нежели это обычно имеет место для моделей типа
ARCH и GARCH. Этот же эффект долгой памяти свойственен и моделям
FIG ARCH , введенным в [15].
Согласно определению, данному в этих работах, HARCH(p) (Hetero
geneous AutoRegressive Conditional Heteroskedastic) порядка p задается
следующим образом:
где
с ао > 0 , а р > 0 , a j ^ 0 , j = 1 ,... ,р — 1 .

В частности, для р = 1
о2
п = ао + aih:2п - 1,
т.е. HARCH{ 1 ) = ARCH( 1 ).

В случае р = 2
ап — а о + + a 2{h n -i + Л-п-г)2* ( 12 )
Приведем некоторые свойства этой модели.

Прежде всего отметим, что наличие члена (hn- i + hn- г )2 дает возмож
ность также “ухватывать” отмеченные выше эффекты асимметрии.
Далее, если ао + ot\ + < 1, то из (12) следует, что существует “ста
ционарное” значение
( 13 )
1 — a?i — 2 а?2
Аналогичным образом, рассматривая Есг^ и используя то, что

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)
(Отметим, что Ест* = |Е /г^ .)

Найдем теперь значение автокорреляционной функции для (/г2 ).
Пусть R(k) = Е/г2 /г2 _ Л. Тогда для А; = 1 в предположении “стационар-
# ( ! ) = Evhnhn-1 = E < « _ i
= Е(/г2_ ! [ao + otihn_l + a2(hn- i + Л п - г ) 2])
—х Еhji—1 c)f2E/iyl —^
+ 2a2Ehzn_ 1hn- 2 + <x2Eh2
n_xh2
n_ 2.
Тем самым, если a?2 < 1, то
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
= E[ao + cxi^n-i + &2(hn-i + ^ n - 2 ) 2 ] ^ 2 -fc

= aoEhn_k + (c*i + <y2)R(k — 1) + ct2R(k — 2),
где i?(0) = Eh„.

Отсюда ясно, что в стационарном случае автокорреляционная функция

р(к) = Corr(/i^ , h?n_ к) подчиняется уравнению (к ^ 2)
p{k) = А + Вр{к - 1) + Ср{к - 2), (17)
где
a0Ehl (ai + a2)(Ehl)2 (а2 - 1)(Еhi)2

Oh* ’ Dh* Dh i
В § Зе, гл. IV, будет продолжено рассмотрение вопросов “сильного пос

ледействия” применительно к обменным курсам.
§ Зс. Модели стохастической волатильности

1. Эти модели, уже введенные в п. 7, § Id, характеризуются наличие
двух источников случайности е = (еп) и д = (<$п), определяющих поведе
ние последовательности h = (hn) со значениями
hfi — стnS (1)
V
(2)
Обе последовательности е = (еп) и 5 = (<5П) будем предполагать не

зависимыми стандартными гауссовскими; при этом будем говорить, что
h — {hn) подчиняется SV(p) (Stochastic Volatility)-мoдeли, т.е. модели
стохастической волатильности.
Рассмотрим свойства этой модели, предполагая р = 1 и \а\|< 1:
/гп = стп£„, lncr^ = o0 + ax ln cT ^ j + cJ„. (3)
Пусть = a(e1, . . . , e n; J i , . . . , d n), 9*n = a(Jb . .. Ясно, что
E(hn | = crnEen = 0
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)
Тогда, согласно (3), последовательность А = (Д п) удовлетворяет авторе

грессионной схеме -4 Я (1):
А п = °о + а 1 Дп—1 + с$п,
и является стационарной последовательностью. (См. §2Ь.)

В силу (4),
“о
Еh2
n = ЕеЛ” = 6 ! - “! е 2(1_ ^ ,
где для подсчета ЕеЛп мы воспользовались тем, что для случайной вели
чины £ ~ ^ ( 0 ,1 ) и для любого а
Е е ^ -2 ^ 2 = 1.
Аналогичным образом находим, что
Е|Л„| = Е|еп |Еап = ^ Е е 5д п = у ^ е 2(1^Г) е г ^ Ч .
Рассмотрим теперь ковариационные свойства последовательностей

h = (hn) и h 2 = (h*).
Имеем
E/in^n+i = 0
и, вообще, для любого к ^ 1
Ehnhn+k = 0.
Тем самым, последовательность h = (hn) состоит из некоррелированных

случайных величин: если Rh(k) = Еhnhn+k, то
„ ... 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
2an+ c2 2an c~ 3 2an 0 * / --------- \

Co\z(h^l,h ^ _1) = e x- ai - e 1_ai e 1_ai = e 1_ai e 1_ai ( e 1_ai - l j .
Как и следовало ожидать, величины h\ и h^l _ 1 положительно корре-

лированы в случае а\ > 0 и отрицательно коррелированы при ai < 0.
Наряду с полученными формулами
приведем и более общие формулы:
ra0 " ГI гя
\
Ео* = е 2(1-а1) 8 *““1
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
Из этих формул следует, в частности, что “стационарный” коэффициент

эксцесса
(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.
Это соотношение естественно положить в основу построения оценок ап

волатильности о п по формуле:
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*
= 4ЕаЦ - 2Еа * = 2 Е а * = 2ехр| }

L1 — 1 ~ ai J
может оказаться довольно большой.

Естественно, что если величины сг|, к ^ п, являются коррелированны
ми, то можно пытаться при конструировании оценок а\ использовать
не только одно наблюдение но и предшествующие наблюдения
^п- 2 4 •••• При этом, конечно, понятно, что если величины
к ^ п, слабо коррелированы, то прошлые величины •.. надо
учитывать с малыми, убывающими весами. Если же сг|, А: < п, сильно
коррелированы, то значения ti^ _ 2, . . . могут дать существенную
дополнительную информацию (к той, что есть в ) о значениях .
Эта идея приводит к рассмотрению экспоненциально-взвешенных оце
нок
оо
a * = ( l - A ) X ; A * / £ _ fc, 0 < А < 1, (7)
к =О
конструирование которых, как видим, относит момент начала из нуля

в —оо. В этом предположении стационарное решение авторегрессионного
рекуррентного соотношения (2) имеет вид:
оо
Ап = + с Г «^ „-ь (8)
1-01
где ряд сходится в среднем квадратическом. Как показано в § 2Ь, это реше
ние (в классе стационарных решений) является единственным.
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)
которые удобны при отыскании оценок методами статистического анализа

и моделирования.
3. Оперируя сейчас с моделью
( 10)
где Д п = а<э + &1Дтг- i + с$т естественно было бы для оценки величин

А п ( = In сг2) воспользоваться оптимальной в среднеквадратическом смыс
ле оценкой
тпп — Е(ДП |/ i i , . . . , hn).
К сожалению, нелинейность рассматриваемой схемы делает задачу

отыскания т п в явном виде почти безнадежной. Поэтому первое, что само
напрашивается, это необходимость “линеаризовать” рассматриваемую за
дачу и далее воспользоваться теорией “гауссовской линейной фильтрации
Калмана-Бьюси” (см., например, [303]).
Можно поступить, например, так.
Из (10) находим, что
Inh n
2 = lne2 + l n ст2 = E l n 4 + An + (he* - Elne2),
где Elne2 « —1.27, Dine2 = 7г2 / 2 « 4.93. Поэтому, обозначая

x n = In2 hn, получаем следующую линейную систему:
Д71 —^0 “Ь^1^71 —1 “Ь^^71) (П)

(12)
где
= In e l-E ln e l) (13)
с Е£п = 0, D£n = 1 и в качестве (приближенного) значения для ElnsJ;

можно взять приведенное выше значение —1.27.
Таким образом, можно считать, что у нас задана линейная система
(11)—(12), в которой, однако, распределения величин £п не являются
гауссовскими, что не дает возможности непосредственного применения
теории линейной фильтрации Калмана-Бьюси.
Тем не менее, рассмотрим фильтр Калмана-Бьюси так, как если бы ве
личины £п были нормально распределенными, £п ~ 0,1), п ^ 1, и
независимыми от последовательности (5П).
Пусть при этом допущении р п = Е(ДП |жх,. . . , х п) и = D An. Тог
да соответствующая система, определяющая эволюцию величин д п и 7 п,
имеет следующий вид (см., например, [303; теорема 1, § 7, гл. VI]):
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>
При этом ро = ЕДо, 7о = DAo-

Заметим, что если в (11) параметр с большой, то член Д п в х п будет
играть доминирующую роль, и можно надеяться, что в этом случае инте
ресующие нас величины т п хорошо аппроксимируются величинами р п.
4. Отметим, что в том случае, когда в исходной модели (11) неиз

вестны параметры в = (a o ,« i,c ), для отыскания оценок д п параметра
ап по ( /i i ,. . . , hn) часто используется байесовский метод, основанный
на предположении наличия априорного распределения тг(в) для в. Тог
да, в принципе, возможно нахождение апостериорного распределения
7г(0,о п |h i, . . . , из которого затем можно найти апостериорные рас
пределения 7т(в |h i ,. . . , hn) и 7r(an |/ i i , . . . , Лп), дающие возможность
построения оценок вп и 5 П, например, как апостериорных средних или
тех значений, где апостериорные плотности обращаются в максимум.
Подробнее по поводу байесовского подхода см., например, статью [252]
и комментарии к ней на с. 395-417 того же самого выпуска (№ 4, т. 12)
издания Journal of Business and Economic Statistics, 1994.
5. Описание моделей семейства GARCH и моделей “стохастическо

волатильности” давалось в рамках условного подхода. При этом условное
распределение Law(/in \ап) было всегда нормальным, сЖ(0,сг^), где а\
предсказуемым образом зависели от “прошлого5! Один из естественно
возникающих при таком подходе вопросов заключается в следующем:
каковы безусловные распределения Law(/in), L a w (/ii,. . . , hn), п ^ 1?
Чтобы иметь представление о характере возможных здесь результатов,
рассмотрим следующую модель (см. [105]).
Пусть hn = апеп, где снова (еп) - стандартная гауссовская последова
тельность, а
°п ~ аап- 1 + bSn (16)
и ($п) - последовательность неотрицательных независимых устойчивых

случайных величин с индексом устойчивости 0 < а < 1. (Ср. с п. 4 в § 1с
гл. III.) Предполагается, что последовательности (еп) и ( 8 п) независимы.
Если предположить, что 0 ^ а < 1, то последовательными итерациями
из (16) находим, что
оо
= Ь У 2 а кёп-к + lim (17)
Z ' т —+ос
к=О
В силу свойств автомодельности устойчивых распределений
оо уоо ч 1 /а
^ > 4 , - * = ( E a“ fc)
к=О ' к= 0 '
и, в предположениях 0 < а < 1 , 0 ^ а < 1 , уравнение (16) имеет (конечное)

неотрицательное стационарное решение (сг^):
1 /а
an ^ b i ) «1- (18)
Отсюда и из определения (Лп = апеп) заключаем, что стационарное од

номерное распределение Law(hn) является устойчивым с индексом устой
чивости, равным 2 а.
6. В заключение настоящего раздела, посвященного нелинейным стохас

тическим моделям и их свойствам, остановимся на упоминавшемся эффекте
“тяжелых хвостов”, наблюдаемом в этих моделях. (См. также § 2с, гл. IV.)
Рассмотрим A R CH ( 1 )-модель h = (hn)n^о с hn = ^ а о + еп
для п ^ 1 , начальным условием Ло, не зависящим от стандартной гауссов
ской последовательности е — (en)nî, и с ао > 0 , 0 < а\ < 1 .
Оказывается, что при подходящем выборе распределения величины ho
у рассматриваемой модели существует решение, h = (hn)n^ о> являюще
еся строго стационарным процессом, для которого (при достаточно малом
а\ > 0 ) имеет место эффект “тяжелых хвостов” : Р(hn > х) ~ сж- 7 , где
с > 0 , 7 > 0.
Д оказател ьство этих (довольно-такинепростых) результатов см. вне-

давно вышедшей монографии П. Эмбрехта, К. Клюппелберг, Т. Микоша
(P. Embrechts, С. Klueppelberg, Т. Mikosch, “Modelling extremal events for
insurance and finance” Berlin, Springer-Verlag, 1997; теоремы 8.4.9 и 8.4.12),
где можно найти также подробный анализ многих моделей типа ARCH ,
GARCH, . . . и большую литературу, посвященную их изучению.
4. Приложение:
модели динамического хаоса
§ 4а. Нелинейные хаотические модели

1. До сих пор при описании эволюции последовательностей h = (hn
где hn — In " ■■■71 - и Sn - значение “цены” в момент времени п, мы
Sn- 1
исходили из той гипотезы, что эти величины имеют стохастическую
природу, т. е. Sn = Sn (cj), hn = hn (и) являются случайными величинами,
заданными на некотором фильтрованном вероятностном пространстве
(П, (^ n )n ^ i, Р), моделирующими статистическую неопределенность
состояний “природы”
С другой стороны, достаточно хорошо известно, что даже совсем прос
тые нелинейные детерминистические системы типа
%п-{-1 (1 )
или
= %п—1 5 * * * 5%п —к'ч ^) > ( 2)
где А - некоторый параметр, могут порождать (при соответствующих на

чальных условиях) последовательности (жо, ^ 1 , ^2? •••), поведение которых
весьма схоже с поведением стохастических последовательностей.
Это обстоятельство правомерным образом ставит вопрос о том, а не яв
ляются ли многие экономические, в том числе и финансовые, ряды в дейст
вительности не стохастическими, а хаотическими, т. е. описываемыми де
терминистическими нелинейными системами, которые, как известно, мо
гут приводить к эффектам (типа “кластерности” скажем), наблюдаемым
при статистическом анализе финансовых данных (см. гл. IV).
4. Приложение: модели динамического хаоса 217
Отсылая за формальными определениями к специальной и весьма об

ширной литературе (см., например, [59], [71], [104], [198], [378], [379], [383],
[385], [386], [428], [456]), приведем некоторые примеры нелинейных хаоти
ческих систем, чтобы дать представление об их поведении, а также о воз
никающем естественным образом вопросе о том, как определить, порожда
ется данная реализация стохастической или хаотической системой.
С точки зрения прогноза будущего движения цен значительный интерес
представляет вопрос и о том, насколько прогнозируемы нелинейные хао
тические модели. Мы увидим далее, что ситуация здесь не очень-то опти
мистична, и причина кроется в том, что, несмотря на детерминистический
характер, поведение траекторий хаотических систем может сильно изме
няться в зависимости от точности определения значений начальных дан
ных и значений параметра А.
2. П ри м ер 1. Рассмотрим так называемое логистическое отображе
ние
х ^ Т х = Ах(1 — х)
и порождаемую им (одномерную) нелинейную динамическую систему
Хп ~ ^Xfi —\{\ Ж^ — i ) , 77- ^ 1, 0 <С X q <С 1. (3 )
(По-видимому, впервые логистические уравнения (3) появились в моделях

популяционной динамики, учитывающих ограничения на рост численнос
ти популяций.)
Рис. 23а. Случай А = 1

Для значений А ^ 1 решения х п = х п(Х) | 0 при п —> оо при всех

О < xq < 1 (рис. 23а). Таким образом, состояние х ^ = 0 можно в этом
случае рассматривать как то единственное устойчивое состояние, к
которому сходятся значения х п при п —> оо.
Рис. 23Ь. Случай А = 2
Рис. 23с. Случай А = 3
При А = 2 значения х п j* \ (рис. 23Ь). Следовательно, в этом случае

также существует единственное устойчивое состояние (х ^ = |), к ко
торому “притягиваются” значения х п при п —» оо.
4. Приложение: модели динамического хаоса
Рис. 23е. Случай Л = 4

Будем теперь увеличивать значение параметра А. При А < 3 у систе

мы (3) все еще будет только одно устойчивое состояние. Однако, при А = 3
возникает качественно новый эффект - по мере увеличения п появляются
два состояния устойчивости Хоо (рис. 23с), в которых попеременно нахо
дится система.
Такой же характер поведения у системы будет сохраняться и при увели
чении значений параметра А. Но затем, вдруг, при А = 3.4494... с систе
мой начинает происходить нечто новое - у нее появляются четыре состо
яния устойчивости, по которым происходит движение системы (рис. 21d).
При увеличении А у системы начинают появляться все новые и новые
состояния устойчивости: при А = 3.5644... этих состояний 16, при А =
3.5696... их уже 64. А при А = 3.6 число таких состояний становится рав
ным бесконечности, что интерпретируют как потерю системой устой
чивости и переход системы в состояние хаоса.
При этом полностью исчезает периодический характер смены состоя
ний и система начинает совершать блуждание по бесконечному числу со
стояний, прыгая из одного из них в другое. Важно здесь отметить, что хотя
система и является детерминистической, практически невозможно пред
сказать, где окажется система через некоторое время, поскольку ограни
ченная точность в определении значений х п и А может сильно по
влиять на значения прогнозируемых величин.
Р и с . 24. Иллюстрация процесса удвоени я состояний Хоо в логисти

ческой системе при увеличении параметра А | 4
Уже из приведенного краткого описания становится понятным, что зна

чения (Afc) параметра А, где происходит “разветвление” или “бифуркация”
системы, становятся все “ближе и ближе” (рис. 24).
М. Фейгенбаум (М. Feigenbaum) высказал гипотезу и О. Ланфорд
(О. Lanford) доказал, [294], что (для всех параболических систем)
Ак ~ Afc_i
т---------- :----- > F, к -> оо,
Afc+i ~ Afe
где F = 4.669201... - универсальная константа, называемая числом Фей-
гепбаума.
Параметр А = 4 играет для системы (3) особую роль - именно при
этом значении последовательность наблюдений соответствующей (хаоти
ческой) последовательности (х п) напоминает реализацию стохастической
последовательности типа белого шума.
В самом деле, возьмем xq = 0.1 и подсчитаем рекуррентным образом
Ti, Т2 , . . . , тюоо по формуле (3). Подсчитанные по этим 1000 значениям
(эмпирические) среднее значение и стандартное отклонение дают, со
ответственно, значения 0.48887 и 0.35742 (с точностью до пяти знаков).
В следующей таблице 2 приведены значения (эмпирической) корреля
ционной функции р(к), подсчитанной по значениям то, х\, . . . , тюоо-
Т аблица 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
8 0.027 18 0.037 28 -0 .0 0 4 38 0.053
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
Из этой таблицы видно, что величины (т п), порожденные логистичес

ким отображением с А = 4, практически можно считать некоррелиро
ванными, и в этом смысле последовательность (х п) может быть названа
“хаотическим белым шумом”
Интересно отметить, что для системы х п = 4тп_х(1 — T n _ i ) , п ^ 1,

с хо Е (0,1) существует инвариантное распределение Р (т.е. такое,
что Р(Т ~ гА) = Р(И) для любого борелевского множества И из (0,1)),
плотность которого
Р{х ) г 7j М1/2 ’
7Г|т(1 — X)\L' Z
^^ ^)' (^)
Тем самым, если считать начальное значение хо случайной величиной

с плотностью распределения вероятностей р = р (х ), то случайные величи
ны т п, п ^ 1 , будут иметь то же самое распределение, что и xq. Полезно
подчеркнуть, что у получаемой таким способом стохастической динами
ческой системы (х п) вся Случайность” полностью определяется случай
ным начальным значением то, а динамика переходов х п —> х п+\ задается
детерминированным образом согласно соотношениям (3).
В предположении (4) нетрудно найти, что Ехо = |, Etq = |, Dto = |
(= (0.35355 . .. )2) (ср. со значениями 0.48887 и 0.35742, приведенными вы
ше) и
Exqx^ — ExqEx ^ Г 1, если к = 0,
р{к) =
\/Dto Dxk 1 0 , если к ф 0 .
П ри м ер 2 (преобразование Бернулли):
х п = 2тп_1 (mod 1), т 0 Е (0,1).
Инвариантным здесь является равномерное распределение с плотностью

р(х) = 1, т Е (0,1). При этом Ето = |, Etq = Dto = р(&) = 2 -fe,
Л = 0 ,1 ,... .
П ри м ер 3 ( “палаточное” преобразование):
х п == 1 11 2^n -i| , G (0 ,1 ).
Как и в примере 2, инвариантным здесь является равномерное распределе

ние на (0,1). При этом Ето = |, Exq = |, Dto = ^ , р(А;) = 0, А; 7 ^ 0.
П ри м ер 4. Пусть
тг —1 2\/|тп_11, tq Е ( 1,1).
Инвариантным здесь является распределение на (—1,1) с плотностью

р(х) — (1 — т)/2 . При этом Ето = — Etq = Dto = Рисун
ки 25а, b дают представление о поведении последовательностей (т п)п<дг
для т 0 = 0 . 2 и N = 100, N = 1 0 0 0 .
Рис. 25а. График последовательности х — (^п)п^0 с х п = 1 ~ 2 \ /| ^ n -lI?

а:о — 0.2, для 7V = 100
Р и с . 25Ь. График последовательности х = (я п )п ^ о с x n = 1 — 2>/|a:n_i|,

^0 = 0.2, для N — 1000
3. Приведенные примеры нелинейных динамических систем представ

ляют для нас интерес с разных точек зрения. Во-первых, скажем, на при
мере логистической системы, развивающейся “бинарным образом” чет
ко прослеживается идея фрактальности, изложенная в разделе 2, гл. III.
Во-вторых, поведение таких систем, обладающих свойством “хаотичнос
ти’,’ наводит на мысль об их использовании при построении моделей эволю
ции финансовых индексов, особенно в кризисные периоды, которым прису
ща скорее именно “хаотичность”, а не “стохастичность”
§ 4Ь. Проблематика различимости “хаотических”

и “стохастических” последовательностей
1. То обстоятельство, что чисто детерминистические динамически
системы могут проявлять свойства типа “стохастического белого шума’,’
известно довольно-таки давно и не является неожиданным, хотя многие
находят это удивительным. Поэтому тем более становятся интересными
вопросы о том, как различать “стохастические” и “хаотические” после
довательности, можно ли это сделать в принципе, какова же истинная
природа “нерегулярности” финансовых данных - “стохастическая” или
“хаотическая” (Видимо, один из возможных здесь подходов может быть
основан на понятиях “сложности по Колмогорову-Мартин-Лёфу-Успенс-
кому” для индивидуальных реализаций.)
Подход, изложенный ниже, основан на работах [448] и [305], в которых
центральную роль при различении “хаотичности” и “стохастичности” иг
рает функция
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.
Помимо функций С(е) привлекаются к рассмотрению также и функции
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, £).)
Для стохастических последовательностей (х п) типа “белого шума” при

малых е функция
Cm( e ) ~ e Vm, (2)
где “фрактальный” показатель vrn = т. Свойством типа (2) обладают

также и многие детерминистические системы (например, логистическая
система (3) из предыдущего параграфа, [305]). Показатель vm носит также
название корреляционной размерности и тесно связан с хаусдорфовой и
информационной колмогоровской размерностями.
Идея различения “хаотических” и “стохастических” последовательнос
тей в работах [448] и [305] основана на том наблюдении, что корреляцион
ная размерность у таких последовательностей различна. Как будет видно
из дальнейшего, у “стохастических” последовательностей она больше, чем
у “хаотических”
Согласно [305] и [448], в качестве оценок корреляционной размерности
уш естественно взять величины
vm,j —
In £j — ln£j + i
ИЛИ
1 ^л
v m {k) = — Vmj i
3= 1
где £j = cpi, 0 < (p < 1.

Таблица За (данные из [305]) дает для логистической последователь
ности {х п)п^ к с N = 5 900 значения vmj д л я т = 1,2, 3,4,5,10 и Sj = ip?
с (р = 0.9 для ряда значений j.
Таблица За. Значения vmj для логистической системы
''> \ 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
Сравним результаты этой таблицы с теми оценками для vmj , которые

получаются при моделировании гауссовского белого шума с теми же
параметрами, что и для логистического отображения (3) из § 4а (таблица ЗЬ

- по данным из [305]):
Т а б л и ц а ЗЬ. Значения V m j для г а у сс о в с к о г о б е л о г о ш ум а
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 -
Из сопоставления этих таблиц видно, что в случае т = 1 весьма трудно

по значениям корреляционной размерности v i j отличить “хаотичность”
и “стохастичность” Привлечение же больших значений т показывает су
щественное различие в величинах иш^ д л я “хаотического” и “стохасти
ческого” случаев, что может служить достаточно весомым основанием для
утверждения о разной природе образования соответствующих последова
тельностей (т п), хотя с точки зрения их эмпирических средних, дисперсий
и корреляций разницы практически нет.
2. Для иллюстрации проблематики различимости “стохастичности” и
“хаотичности” в финансовых рядах приведем таблицы значений корреля-
5
ционных размерностей для дневных величин hn = In ~ п , п ^ 1, для
Sn- 1
индексов IBM и S&P500 (таблицы 4а, Ь; по 5903 наблюдениям в период вре
мени 2.07.1962-31.12.1985 гг., данные из [305]).
Из сопоставления этих двух таблиц видна, во-первых, однородность
“фрактальной” структуры “корреляционной размерности” индексов IBM
и S&P500. Во-вторых, сравнение данных таблиц 4а, b с таблицами За, b по
казывает, что для этих индексов последовательности (hn) с hn = In
n ,
Sn-1
n ^ 1, ведут себя скорее как стохастический белый шум, хотя, ра
зумеется, это не отвергает гипотезу о том, что близкими свойствами
могут обладать и какие-то другие “хаотические” последовательности с
большой “корреляционной размерностью” (Подробнее о рассматриваемой
проблематике различимости вместе с экономическими комментариями
см. [305].)
3. Остановимся вкратце на еще одном подходе для выявления различий
между “хаотичностью” и “стохастичностью” предложенном в [17].
Т а б л и ц а 4а. Значения для IBM
1 2 3 4 5 10
3 \
20 0.46 0.90 1.31 1.68 2.05 3.63
30 0.83 1.76 2.61 3.44 4.27 8.44
35 0.97 1.93 2.88 3.82 4.79 9.84
40 0.98 1.96 2.94 3.86 4.94 -
Т а б л и ц а 4Ь. Значения для S&P500
1 2 3 4 5 10
20 0.58 1.10 1.58 2.03 2.43 3.93
30 0.93 1.82 2.07 3.49 4.25 6.93
35 0.98 1.94 2.88 3.79 4.75 11.00
40 0.99 1.98 2.92 3.84 4.81 -
Пусть х = (х п) - “хаотическая” последовательность, порожденная не

которой динамической системой с распределением вероятностей F = F (x)
для то, являющимся инвариантным для данной системы.
Пусть теперь х = (х п) - “стохастическая” последовательность, состо
ящая из независимых одинаково распределенных величин с (одномерным)
распределением F = F (x).
Образуем величины
М п = шах(т0, T i , ... , х п) и М п = ш ах(т0,Т 1 , ... , х п)
и пусть Fn (x) = Р(М п ^ x ) ,F n (x) = Р(М п ^ х).
Идея подхода, принятого в [17], основана на том наблюдении, что мак
симум служит хорошей характеристикой, позволяющей улавливать отли
чия “стохастических” последовательностей от “хаотических”
С целью оправдания данного подхода авторы [17] поступают следующим
образом.
В теории предельных теорем для экстремальных значений хорошо
известны необходимые и достаточные условия, при которых величины
ап (М п - Ь п), п ^ 1, имеют (нетривиальное) предельное распределение
для некоторых констант ап > 0 и bni п ^ 1.

Отсылая за подробностями к [124], [156], [187] и [206], приведем некото
рые примеры.
Если F ( x ) = 1 — т “ р, х ^ 1, р > 0, то
Если F (x ) = 1 — (—т ) р, —1 ^ х ^ 0, р > 0, то для х < 0
Р (п 1 /рМ п ^ х) — > ехр (—\х\р).
Если F (x ) = 1 — е“ х, т ^ 0, то для т £ К
Р(М П — Inn ^ т) — » ехр(—е~ х)-
Если F (x ) = Ф(х) - стандартное нормальное распределение, то
Р((21пп ) 1 ^2 {М п — Ьп) ^ х) — > (—е- *), х Е R,
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.
Для примера 4 из §4а F (x ) = 1 —р 2 (х), гдер(х) = (1 —х)/ 2,х G (—1,1),

и при ап = \/n, Ьп — 1 —2/\ /п находим, что
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
G(x) = ехр(—(1 — 2 т)1/ 2).
Имея распределение Fn (х) = (F (x ))n и предельное распределение G (x) ,

естественно было бы сравнить их с соответствующими распределениями
Fn(x) и, если это возможно, с их пределами, скажем, G (x). Как отмеча

ется в работе [17], здесь имеется большая техническая трудность, связан
ная с тем, что для рассмотренных в § 4а примеров отсутствуют удобные
для анализа аналитические выражения для Fn(x). Ввиду этого обстоя
тельства, авторы [17] пошли по пути численного анализа распределений
Fn(x) для больших п и сравнения их с соответствующими распределения-
MaFn (x) = [F (x)]n.
Для динамических систем, рассмотренных в §4а, этот анализ пока
зывает, что, глобальным образом, поведение Fn (x) (для “хаотических”
систем с инвариантным распределением F(:r)) качественно отлича
ется от поведения Fn(x) (для “стохастических” систем, образованных
независимыми одинаково распределенными величинами с одномерным рас
пределением F (x )). Это говорит о том, что для рассматриваемых моделей
максимум является хорошей статистикой в рассматриваемой проблеме
различимости “хаотичности” и “стохастичности” Но, разумеется, это
не исключает того, что может найтись “хаотическая” система вида
X n + l = f ( x m х п- 1ч •••5 х п —к \А) с достаточно большим &, которую будет
трудно отличить от “стохастического белого шума” пусть и по большому,
но конечному числу наблюдений.
Глава III. Стохастические модели.
Непрерывное время
1. Н е г а у с с о в с к и е м одели распределен и й и п р о ц е с с о в .........231
§ 1а. Устойчивые и безгранично делимые распределения.................. 231
§ lb. Процессы Л е в и ................................................................................ 244
§ 1с. Устойчивые процессы ..................................................................... 252
§ Id. Гиперболические распределения и п роцессы ............................. 261
2. М од ел и с о св ой ств а м и са м о п о д о б и я (а в т о м о д е л ь н о ст и ).
Ф р а к т а л ь н о с т ь .....................................................................................270
§ 2а. Статистический феномен автомодельности Х а р с т а .................. 271
§2Ь. Экскурс во фрактальную геом етр и ю .......................................... 274
§ 2с. Статистическая автомодельность.
Фрактальное броуновское движение.............................................277
с сильным последействием ............................................................ 284
3. М одел и , основанн ы е на б р о у н о в ск о м д в и ж е н и и ................... 288
§ За. Броуновское движение и его роль как базисного процесса . . . 288
§ ЗЬ. Броуновское движение: сводка классических результатов . . 293
§ Зс. Стохастический интеграл по броуновскому движению ............306
§ 3d. Процессы и формула Ито .............................................................. 313
§ Зе. Стохастические дифференциальные уравнения .........................320
§ 3f. Прямые и обратные уравнения Колмогорова.
Вероятностное представление реш ений...................................... 329
4. Д иф ф узионны е модели эволю ции процентны х ста в о к ,
сто и м о ст е й акций и о б л и г а ц и й ......................................................336
§4а. Стохастические процентные с т а в к и .............................................336
§ 4Ь. Стандартная диффузионная модель стоимости акций
(геометрическое броуновское движение) и ее обобщения . . . . 344
§ 4с. Диффузионные модели временной структуры
стоимостей семейства облигаций................................................. 350
5. С ем им артингальны е м о д е л и ........................................................... 356
§5а. Семимартингалы и стохастические интегралы .........................356
§5Ь. Разложение Дуба-Мейёра. Компенсаторы.
Квадратическая вариация ............................................................ 365
§ 5с. Формула Ито для семимартингалов. Некоторые обобщения . 372
1. Негауссовские модели
распределений и процессов
§ 1а. Устойчивые и безгранично делимые

распределения
1. В следующей главе будут представ лены результаты статистическог

анализа типов распределений и эволюции таких финансовых индексов, как
обменный курс валют, цены акций и т. п. Из этого анализа будет видно, что
устойчивым распределениям и устойчивым процессам отводится зна
чительная роль как естественным и весьма правдоподобным кандидатам
при построении вероятностных моделей распределений и эволюции финан
совых индексов.
Этим и объясняется, что в данном разделе приводится необходимая для
дальнейшего информация как об этих распределениях и процессах, так и о
более общих - безгранично делимых, без которых описание и рассмотрение
свойств финансовых индексов было бы весьма неполным.
При изложении основных понятий и свойств “устойчивости” и “безгра
ничной делимости” мы будем в определенной степени следовать хроноло
гической схеме - сначала рассматриваем одномерные устойчивые распре
деления, изученные в 20-х годах П. Леви (P. Levy), Дж. Пойа (G. Polya),
А. Я. Хинчиным, затем переходим к одномерным и многомерным безгранич
но делимым распределениям, исследованным в 30-х годах Б. де Финетти
(В. de Finetti), А. Н. Колмогоровым, П. Леви, А. Я. Хинчиным. После это
го в § lb будут приведены основные понятия и свойства, относящиеся к про
цессам Леви и устойчивым процессам.
Отметим, что широко используемыми пособиями по устойчивым и
безгранично делимым распределениям и процессам являются, например,
монографии [156], [188], [418], [484].
232 Гл. III. Стохастические модели. Непрерывное время
2. О пределение 1. Невырожденная случайная величина X называ

ется устойчивой, или имеющей устойчивое распределение, если для
любых двух положительных чисел а и Ьнайдутся положительное число с
и число d такие, что
Law(aXi + ЬХ2 ) = Law (сХ + d), (1)
где Х\ и Х 2 - независимые случайные величины, являющиеся копиями X

(Law(Xi) = Law(X ), i = 1,2). Без ограничения общности все рассмат
риваемые случайные величины предполагаются заданными на одном и том
же вероятностном пространстве (12, S , Р).
Доказывается (см. указанные выше монографии), что существует такое
число а Е (0, 2], не зависящее от а и Ь, что константа с в (1) такова, что
са = аа +Ь а . (2)
Часто используется иное, но равносильное данному,

О пределение 2. Случайная величина X называется устойчивой, ес
ли для всякого п ^ 2 найдутся положительное число Сп и число D n такие,
что
Law(JTi + Х 2 + •••+ Х п) = Law {СпХ + D n), (3)
где Х\, Х 2 , .. •, Х п - независимые копии X .
Если в (3) D n = 0, п ^ 2, т.е.
Law(Xi + Х 2 + •*•+ Хп) = Law{СпХ ), (4)
то X называется строго (strictly) устойчивой величиной.

Весьма замечательно, что в (3) и (4)
Сп = п 1/а
для некоторого 0 < а ^ 2, где, конечно, а - тот же самый параметр, что и

б ( 2 ).
Чтобы подчеркнуть роль и значение этого параметра а, наряду с тер

мином “устойчивость” часто используется термин “а-устойчивость”
Для полноты картины к данным двум определениям целесообразно еще
добавить третье, раскрывающее роль устойчивых распределений как тех
и только тех, которые могут возникать в качестве предельных (при соот
ветствующей нормировке и центрировании) для сумм независимых оди
наково распределенных случайных величин.
1. Негауссовские модели распределений и процессов 233
О пределение 3. Случайная величина X назьюается имеющей устой

чивое распределение (или, попросту, устойчивой), если это распреде
ление имеет область притяжения в том смысле, что найдутся последо
вательности независимых одинаково распределенных случайных величин
Ух, > 2 , . . . , последовательности положительных чисел (dn) и действитель
ных чисел (ап) такие, что
Ух Н b Yn av v
-----------+ an —> X ; (5)
dn
“-Д ” означает сходимость по распределению:
Law + ап^ —> Law(X),
где сходимость законов понимается как слабая сходимость соответствую

щих мер.
Равносильность этого определения первым двум вытекает из следующе
го результата: случайная величина X мож ет быть пределом по рас
пределению величин — --————+ пп, где (Уп) - последовательность
п
независимых одинаково распределенных случайных величин, в том и
только том случае, когда X является устойчивой (в смысле первого
или второго определений). (См. доказательство в [188]; [439; гл. III, §5].)
3. Замечательный результат теории вероятностей (П. Леви, А. Я. Хин
чин) дает следующее представление для характеристической функции
<р(в) = Eeiex
устойчивой случайной величины X :
exp lifiQ — о а \в\а (\ — i(3(Sgn6) tg }> если а ф 1,
{ / 2
ехр^грв - а\в\ [ 1 + i(3-(SgnO) In
где 0 < а < 2, \/3\ < 1, а > 0, р € R.

\л
j> если а = 1,
W
Смысл участвующих здесь четырех параметров (а, /3, сг, р) следующий:

а - индекс устойчивости, или характеристический параметр
(тот же самый, естественно, что в (2) и (4));
/3 - параметр скошенности (skewness) плотности распределения;
а - параметр масштаба (scale);
р - параметр положения (location).
Параметр а “ответственен” за характер убывания хвостов распреде

лений.
Если 0 < а < 2, то
lim х а Р (Х > х) = Са ^ ^ а а , (7)

х—юо 2
lim х ° Р ( Х < - х ) = c J - ^ - a Q, (8)

где
(9)
а = 1.
7Г ’
В случае а = 2 из представления (6) получаем, что
tp{Q) = е ^ - а 2в2 = е ^ в - £ { 2 а 2)^ (10)
т.е. ср(в) - характеристическая функция нормального распределения,

jV{n, 2 а 2), или нормально распределенной случайной величины X с
EX = ц, DX = 2а2.
Хотя в формуле (6) значение параметра (3 не определяется однозначно

(поскольку при а — 2 этот параметр входит в выражение (3 tg 7г, которое
равно нулю), обычно берется /3 = 0.
Понятно, что с точки зрения поведения хвостов распределений случаи
а < 2 и а = 2 сильно отличаются друг от друга, поскольку, скажем, для
fi = 0 и 2сг2 = 1
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)nô 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).)
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)
с параметрами а > О, Ь > 0 и, значит, соответствующая функция распре

деления Fa ,b(x) такова, что
х ^ Ь. (13)
Сравнение с (7) и (8) показывает, что на бесконечности устойчивые рас

пределения ведут себя так же, как и распределения Парето. В этом смысле
“хвостовая” часть устойчивых распределений относится к паретовскому
типу.
Параметр скошенности (асимметрии) (3 £ [—1,1] в (6) характеризует
степень несимметричности распределения. Если (3 = 0, то распределение
симметрично. Когда (3 > 0, распределение скошено сильнее слева, и эта
скошенность тем больше, чем значение (3 ближе к единице. Случай (3 < О
соответствует скошенности справа.
Параметр а играет роль масштабного параметра. В случае нормаль
ного распределения (а = 2) DX = 2а2. Подчеркнем, что дисперсия здесь
равна 2а 2, а не а 2, в отличие от стандартных обозначений. Если же а < 2,
то дисперсия DX не существует.
Параметр р назван параметром положения. Объясняется это тем, что
в случае а > 1 математическое ожидание Е\Х\ < оо и р = EX. В общем
же случае такая интерпретация отсутствует, поскольку ЕХ просто может
быть не определено.
4. Следуя установившейся традиции, устойчивое распределение с пара

метрами а, /3, а и р будем обозначать
Sa (a,f3,n)
и писать X ~ Sa (а, /3, р ) , подразумевая под этим, что X имеет устойчивое

распределение с параметрами а, /3, <т и р.
Отметим, что распределение Sa (а, /3, р) является симметричным в том

и только том случае, когда /3 = /i = 0. (Из вида характеристической функ
ции нетрудно заключить, что в этом случае константа D n в (3) равна ну
лю.) Это распределение симметрично около (произвольного) р тогда и
только тогда, когда /3 = 0.
В симметричном случае (/3 = р = 0) часто используют обозначение
X - SaS.
В этом случае характеристическая функция
<р(в) = е~ етаI*'". (14)
5. Явный вид плотностей устойчивых распределений известен, к сож

лению, лишь только при некоторых значениях параметров. Этими распре
делениями являются:
нормальное, S 2 (<r, 0? /-0 — 2^2), с плотностью
1 (х-м) 2
е ~ 4 °^~; (15)
2 <jy/n
Komu (Cauchy), Si (a, 0,/i), с плотностью
7 г ((т - р)2 + а 2) ’
одностороннее устойчивое распределение с индексом а = 1/2,

S i /2(<r, 1,/i) (называемое также распределением Леви, распределением
Смирнова), на (/i, оо) с плотностью
а 2
\> ) ' ( ^ ^ еХР( - 2( ^ ) | (17)
Отметим два интересных и полезных частных случая в (1 6 )и (1 7 ):

если X ~ Si (а, 0,0), т о для х > 0
Р (Х < х) = i + - arctg - ; (18)

z 7Г а
если X ~ S 1 / 2 (^ 5 1 5 О)? то для х > 0
Р (Х <х) = 2 ( 1 - Ф ^ ^ . (19)
По поводу представлений плотностей устойчивых распределений в виде

рядов см. [156], [225], [418], [484].
6. Предположим сейчас, что Х \, Х г , . . . , Х п - независимые случайные

величины такие, что
Х% S a {( Ji, /? i, / i i ) , 7 = 1 , 2 , . . . , 77..
Хотя эти величины, вообще говоря, разнораспределены, но то, что они

имеют один и тот же индекс устойчивости а, показывает (см. вид харак
теристической функции (6)), что их сумма X = Х\ + •••+ Х п имеет рас
пределение того же самого типа, Sa (<т, /?, /i), с параметрами
а - \а 1 “I Ьа п ) >
f t q f + --. + f l >qg
* ? + ■•■ + *£ ’
f1 — Hi + •••+ t^n •
7. Перейдем теперь к более общему классу так называемых “безгранич

но делимых” распределений, который включает в себя и “устойчивые” рас
пределения.
О пределение 4. Случайная величина X называется безгранично

делимой, а ее распределение вероятностей - безгранично делимым, если
для любого п ^ 1 можно найти такие независимые одинаково распреде
ленные случайные величины X ni , . . . , X nn, что X = Х п\ Н + Х пп.
Содержательный смысл класса безгранично делимых распределений со-

стоит в том, что они и только
ыъко они М(
могут выступать в качестве предельных
п
для распределений сумм ( ^ Х пь ) в схеме серий
4=1 '
Хц
Х 2 1 1Х 22
( 20 )
Х п1, Xji 2 , . . . , Xjiji
состоящих (при каждом п) из последовательностей независимых одинако

во распределенных случайных величин Х п\, Х П2 , . . . , Х пп. При этом, за
метим, может вовсе и не быть никакой связи между величинами в (20) по
разным срокам. (Подробнее см. [188]; [439; гл. III, §5].)
Более же узкий класс - класс устойчивых распределений - возника

ет, когда в (20) все величины Х пь порождаются специальным образом по
средством одной и той же последовательности независимых случайных
величин Y\, Y2 ? ••• (см. конец п. 2):
Xnk = ? r + — ,
Ufi ТЬ
U K n , п>1. (21)
(Отметим, что к классу безгранично делимых относятся гиперболичес

кое и гауссовское\\обратно-гауссовское распределения, рассматриваемые
далее в § Id.)
Определение 4 относилось к скалярному случаю (X G К). Оно непо
средственно переносится и на векторный случай (X G Rd) без каких-либо
принципиальных изменений.
Пусть Р = P(dx) - распределение вероятностей безгранично делимого
случайного вектора X G M.d и
tp{0 ) = Ее*в'х ) = [ Р(dx)

Jmd
- его характеристическая функция; (0, х) - скалярное произведение векто
ров в = (0 1 , . . . , 0 <*)и X = (Ж1 ,...,Ж<*).
В результате усилий Б. де Финетти, затем А. Н. Колмогорова (в случае
Е|Х|2 < оо) и, наконец, П. Леви и А. Я. Хинчина в тридцатых годах была
установлена следующая “ формула Леви-Хинчина” для характеристичес
кой функции вектора X G
^ (0 ) = e x p { * (0 ,J 3 )- ^ ( 0 ,C 0 )
+ [ (е ^ )-1 -г (0 ,х )/(| х К 1 ))^ )}, (22)

JRd J
где В G Rd, С = C(d х d) - симметричная неотрицательно определенная
матрица и ^ = ^(б?т) - положительная мера (называемая мерой Леви)
на Rd, удовлетворяющая условиям: ^ ({0 }) = 0 и
[ (\х\2 А 1) ^(б?т) < оо. (23)
(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.
Примеры.
1. Если X - вырожденная случайная величина, Р (Х = а) = 1,toJ3 = а,
С = 0, v = 0 и
<р(в) = eiea.
2. Если X - случайная величина, имеющая распределение Пуассона

с параметром А, то u(dx) = AIîy(dx) - мера, “сидящая” в точке х = 1,
В — Аи
<р{в) = ех(е “ 1\
3. Если X ~ jV(m , а 2), то В = га, С = а 2, ^ = 0 и
v (0) =
4. Если X - случайная величина, имеющая распределение Коши с п л о т

н о с т ь ю (16), т о
1Р( в )= е * 'л0 -°М .
5. Если X - случайная величина с п л о т н о с т ь ю (17) (одностороннее ус

тойчивое распределение с индексом а = 1/2), то
_ ein0 -(j\0 \l/2 {\-iSzn 0 ) '
8. Представление характеристической функции <р(в) в виде (22

(с использованием “традиционно-канонической” функции “урезания”
h(x) = xl(\x\ ^ 1)) не является единственным. Например, можно
было бы вместо I(\x\ ^ 1) использовать представление с / ( \х\ ^ а), где
а > 0. Но, разумеется, тогда должен измениться и соответствующий
триплет характеристик. Весьма примечательно, что характеристики С
и v при этом не меняются, являясь “внутренними” характеристиками,
не зависящими от выбора функции урезания. Меняется же лишь только
первая характеристика В.
Для точных формулировок введем следующее
Определение 5. Ограниченная функция h = h (x), х Е Rd, с компакт

ным носителем и такая, что h(x) = х в окрестности нуля, будет называться
функцией урезания.
Наряду с (22) для характеристической функции ср(в) имеют место (для

всякой функции урезания h = h(x)) следующие представления:
ip (e )= e x p f[ i ( 9 , B ( h ) ) - l ( e , C e )
2
+ [ (е*(0>*) _ 1 _ г(^) h(x))) v{dx) } , (24)

m d J
где С и v не зависят от выбора h и те же, что и в (22), a B(h) для разных h

пересчитываются следующим образом:
B{h) - B {ti) = f ( h { x ) - h '{ x ) ) v { d x ) . (25)

JRd
Обратим внимание на то, что существование интегралов в правых час
тях (22) и (24) гарантируется условием (23), поскольку функция
е « в’х) - 1 - i ( 9 , h { x ) )
ограничена, а при |ж| -> 0 имеет порядок О ( jх |2).

Если условие (23) усилить, заменив его условием
[ (|ж| Л 1) v(dx) < оо, (26)

JR<*
то тогда в представлении (24) можно положить h(x) = 0:
т = ехр|г(0,Б(О)) - 1(в,С 0 ) + J - 1М < *е)}. (27)
Константа J3(0) в этом представлении носит название “сносовой компо

ненты” (drift) случайной величины X .
Если, с другой стороны, условие (23) усилить, заменив условием
/ (|х|2 Л |аз|) v{dx) < оо, (28)

Juc
то представление (24) будет справедливым с h(x) = х:
<р{в) = е х р | * (0 ,В )- 1 (в ,С в ) + J d{eiie'x) -l-t(0,a;))*/(d®)J. (29)
В этом случае параметр В, называемый центром, на самом деле есть не

что иное, как среднее значение В — EX.
Заметим, что условие Е|Х| < оо эквивалентно условию
\х\ u(dx) < оо.

/ ,®|>i
9. Как уже отмечалось выше, для устойчивых законов явная форма их

распределений известна лишь в трех случаях. Этими распределениями яв
ляются (см. п. 5):
нормальное распределение (а = 2),
распределение Коши (а = 1),
распределение Леви-Смирнова (а = 1/2).
Класс безгранично делимых распределений значительно шире, и к нему
относятся (помимо названных) следующие распределения, хотя установить
это бывает и не просто:
пуассоновское,
Г -распределение,
геометрическое,
отрицательно-биномиальное,
t-распределение (распределение Стьюдента),
F -распределение (распределение Фишера),
логарифмически нормальное,
логистическое,
распределение Парето,
двустороннее экспоненциальное (распределение Лапласа),
гиперболическое,
гауссовское\\обратно-гауссовское...
Но многие известные распределения не являются безгранично дели
мыми: биномиальное, равномерное, всякое невырожденное распреде
ление с конечным носителем, распределения с плотностью / ( т ) вида
/ ( т ) = С е” !*!0, где а > 2.
Одни из упомянутых распределений являются дискретными, другие -
имеют плотности распределений. Для полноты картины и удобства ссы
лок в табл. 5 и 6 приведен их явный вид.
10. Понятие “устойчивых” случайных величин естественным образом
распространяется и на векторный случай (ср. с определениями 1 и 2).
О п р ед ел ен н ее. Случайный вектор
X = ( X b X 2, . . . , X d)
Таблица 5
(д и ск р етн ы е ра спредел ения)
Распределение Вероятности р Параметры
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 ,...
называется устойчивым случайным вектором в Rd, или вектором

с устойчивым d-мерным распределением, если для каждых двух поло
жительных чисел А и В найдутся положительное число С и вектор D e R d
такие, что
L a w ^ X ^ + В Х W ) = Law (С Х + D ), (30)
где Х(2) - независимые копии X .
Можно показать (см., например, [418; с. 58]), что невырожденный слу

чайный вектор X — ( X i , Х 2 , . . . , Xd) является устойчивым в том и только
том случае, когда для каждого п ^ 2 существуют число а £ (0,2] и вектор
D n такие, что
Law (X (1) + Х ™ + ••• + X < n>) = L a w (n 1/aX + D n), (31)
г д е Х ( г) , Х ( 2> , . . . , Х ( п>- независимые копии вектора X .

В том случае, когда D n = 0, т. е.
L aw (X (1) + Х<2> + •••+ X (n)) = Law(n1/QX ), (32)
говорят, что вектор X является “ строго устойчивым случайным векто

ром с индексом а ” или “ строго a -устойчивым случайным вектором’!
Таблица 6
(распределения с плотностью)
Распределение Плотность р = р (х ) Параметры
Р авном ерное на [а, Ь] , а^х^Ъ a, b € R, а < b

о —а
Н орм альное,
в 2<т2 , х е м ц 6 R, а > 0
или га уссовск ое \/27Г<7
х а - 1 е-* //3
Гам м а
а > 0, /3 > 0
(Г-распределение) Г (а )/3 “ ’ Х ^ °
Экспоненциальное
(Г -распределение Ае — х ^ 0 А> 0
с а — 1, /3 = 1/Л)
t -распределение ГЧ^Ф1 ) / х 2 \ - лФ1

п = 1 ,2 ,...
( Ст ьюдент а) v O T (§ ) О + п ) ’ ХGК
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 € ®
Парето аЬа 'b h а > 0, Ь > 0

жо + 1 ’ х ^ ^
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
Зам ечание. Наряду с записью Law(X) = Law(F), означающей сов

падение распределений X и Y, часто используется запись X = Y, где =
означает совпадение случайных элементов X и Y по распределению. За
пись Х п X или Law (Xn) -> Law(X) означает, как уже отмечалось
в п. 2, сходимость по распределению, т. е. слабую сходимость соответству
ющих распределений. (Подробнее см. [439; гл. III].) Если X = (X t )tô
и Y = (Yt)tô два случайных процесса, то запись
{ X t, « > 0 } = {Yt,f > 0 } ,
ИЛИ
Law (X t ,t ^ 0) = Law (У*, < ^ 0),
будет означать совпадение всех конечномерных распределений процессов

X и У, или, как говорят, совпадение процессов X и Y по распределению.
§ 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
(свойство “стационарности” “однородности” приращений);

4) для каждого t ^ 0 и е > 0
limP(\Xs - X t \ > e ) = 0
(свойство “стохастической непрерывности” );

5) траектории для Р-п.в. а; 6 принадлежат простран

ству D d, состоящему из (векторных) функций / = о?
ft = ( / t , f t , ■■■,/?), каждая компонента которых / г = {fl)t> о,
г = 1 , . . . , d, непрерывна справа и имеет пределы слева при t > 0.
Замечание 1. Если в данном определении требовать от процесса

X = (X t)t^о только выполнения свойств 1)—4), то можно показать, что
существует версия (модификация) X ' = (X f' ) ^ 0 процессах = (X t)tô
(т.е. выполнено свойство Р(Х^ ф X t) = 0, t ^ 0), обладающая свойст
вом 5). Тем самым, с точки зрения выполнения свойств 1)-4) процесс
X 7 ничем не отличается от X , но уже имеет некоторое свойство “регу
лярности” траекторий. Именно поэтому в определение процессов Леви
сразу вносится (как видим, без ограничения общности) требование 5) на
свойства траекторий.
Замечание 2. Исходя из смысла условий 1)—5), можно переформули
ровать определение процесса Левитак: это стохастически непрерывный
процесс со стационарными независимыми приращениями, выходящий
из нуля и имеющий траектории, непрерывные справа с левосторон
ними пределами.
Классическим примером такого процесса является d-мерное броунов
ское движение X = ( X 1, X 2, . . . , X d), состоящее из независимых между
собой стандартных броуновских движений Х г = (Х % )^ о> i = 1 , . . . , d.
Имеет смысл дать определение (одномерного) броуновского движения
непосредственно, без вложения его в общую схему процессов Леви.
Определение 2. Непрерывный гауссовский случайный процесс X =
(X t)t^о называется (стандартным) броуновским движениемуит вине-
ровским процессом, если Хо = 0 и
И Г .-О ,
EXSX* = m in(M ).
Из гауссовости и свойств (1) автоматически следует, что такой процесс

является процессом со стационарными независимыми (гауссовскими) при
ращениями. Поскольку
X* — Х 5 ~ <Ж(0, t — s), t ^ 5,
то Е|Х* — X s |3 = 3|i — s |2, и из критерия Колмогорова ([470; (7) в §2Ь])

следует существование непрерывной версии такого процесса. Отсюда вид
но, что винеровский процесс, или броуновское движение, будучи процессом
Леви, имеет дополнительное важное свойство - непрерывность траекто

рий.
2. Процессы Леви X = (X t )t^ о являются процессами с однородны
ми независимыми приращениями, и поэтому их распределения полностью
определяются одномерными распределениями Pt(dx) = P (X t Е dx). (На
помним, что X q = 0.) Из самого определения этих процессов вытекает, что
распределение Pt (dx) является при каждом t безгранично делимым.
Пусть
щ (в ) = Е е ^ ’х<) = [ е^ в’х) Pt(dx) (2)
JRd
- характеристическая функция. Тогда, в соответствии с формулой (22)
из § 1а (ср. также с (24) из того же § 1а),
(pt {6 ) = ехр|г(0, J3t) - ^ (0 ,C te)
+ f (e*(0>x) - 1 - i(e,x)I{\x\ ^ 1)) vt {dx)\, (3)

JRd J
где B t E Rd, Ct - симметричная неотрицательно определенная матрица
порядка dxd vivt (dx) - мера Леви (при каждом t) со свойством (23) из § 1а.
В силу однородности и независимости приращений
<Pt+s{0) = <Pt{0)<Ps{0), (4)

откуда следует, что (ft (в) имеет вид
(pt ( d ) = e x р {Щ в )}. (5)
(Функцию ф — ф(в) назьшают кумулянтой.)

Поскольку триплеты (B t,C t,v t) однозначно определяются по харак
теристической функции, то из (5) можно вывести (см., подробнее, напри
мер, [250; гл. II, 4.19]), что
Bt = t • J3,Ct = t •С, Vt(dx) = t •v(dx), (6)
где В = В i , С = Сi ,v — v\.
Понятно, тем самым, что в (5)
Ф{в) = х { в , в ) - \ { о , с е )
+ [ {ег^в,х^ - 1 - i(d,x)I(\x\ < 1)) I'(dx). (7)

JR<*
3. Представление (5) с кумулянтой ф(в) из (7) является основным

средством изучения аналитических свойств процессов Леви. С точки же
зрения их траекторных свойств важным является так назьюаемое кано
ническое представление (подробнее см. §3а, гл. VI, и [250; гл. II, § 2с]),
обобщающее на случай непрерывного времени рассмотренные в гл. II, § lb
канонические представления для стохастических последовательностей
Я = ( н п)п^о (см. (16) в § lb и §3е в гл. IV).
4. Остановимся на смысловой стороне компонент триплета

(jВ*, С*, щ )г^о- Образно говоря, (B t )tô - это “трендовая составляющая,
ответственная за среднее движение процесса X = (X t )t> о” Компонента
(C t)t^о определяет дисперсию непрерывной гауссовской составляющей
процесса X , а меры Леви (i^t)t^о “ответственны за поведение скач
кообразной компоненты процесса X , показывая, как часто появляются
скачки и какова их величина’!
Эта, несколько вольная, интерпретация должна быть, конечно, подкреп
лена точными утверждениями. Вот одно из них (см. [250; гл. И, 2.21] по
поводу общего случая).
Пусть процесс X = (X t )tô таков, что его “скачки” |ДХ*| ^ 1, t ^ 0,
X q = О и (В г ,С г ,^ )^ о _ е г о т Р™лет- Тогда ЕХ^ < оо,£ ^ 0,иследуюпще
процессы являются мартингалами (см. § 1с в гл. II):
(a) Mf = X f — Bf — Хо, t ^ 0;
(b) Mf - C t , t > 0;
где fit(A) = ^2 I ( A X S G 'A, A X S ф 0) - мера “ скачков” процесса X на

О<s^.t
временном интервале (0, i], g = g(x) - непрерывные функции, равные нулю
в окрестности точки х = 0.
Как уже отмечено выше, классическим примером непрерывного про
цесса Леви является стандартное броуновское движение (с B t = 0, Ct = t,
vt = 0).
Обратимся теперь к примерам разрывных процессов Леви, что заодно
даст лучшее понимание смысла меры Леви v = u(dx).
5. Случал конечной меры Леви i/(M) < оо.

Здес^ классическим является, конечно, процесс Пуассона X = (X t )t^о
с параметром А > 0, т.е. (по определению) процесс Леви с Xq = 0, для
которого X t имеет распределение Пуассона с параметром At:
Р(Xt = к) = 6 Xi^ t)k , к = 0,1,....
В этом случае Bt = At (— ЕX*), Ct = 0 и .мера Леви “сидит” в одной

точке:
v(dx) =
Представление (3) имеет здесь следующий вид:
<pt(0) = е х р |г ’0(А£) + J ( егвх — 1 — i6xl{x ^ 1))
= е х р |г‘0(А£) + J ( ег0х — 1 — i0xl(x = 1)) A ^ ^ d x ) |
= ехр{А£(ег<9 — 1)}. (8)
Весьма примечательно, что, отправляясь от процесса Пуассона, можно по

лучить широкий класс чисто скачкообразных процессов Леви.
Именно, пусть N = (Nt )tô - процесс Пуассона с параметром А > 0 и
£ = (€j)j^ 1 ~ последовательность независимых одинаково распределенных
случайных величин (независимых также от JV), распределение которых
Р(& 6 А ) = ^ , А € 38 (Ш),
где А = i/(R) < оо и ^ ({0 }) = 0.

Образуем процесс X = (Xt)t-ô с Xq = 0и
Nt
= *>°> (9)
3= 1
который может быть записан также в виде
оо
Xt = £ jl ( rj ^ (Ю)
i= i
где 0 < 7i < Т2 < ••• - моменты скачков процесса N = (Nt )t^0.
Прямой подсчет показывает, что
оо
<pt (e) = EeieXt = £ E(eieXt |Nt = к) P(Nt = к)
k=0
= E ( Ee^ ) fc е ~- * £ Г ~ = exp { * / (ei$X - ! ) ^ ( ^ ) } - (11)
Процесс X = (X t )t^ o> образованный согласно (10), назьюается состав

ным (compound) процессом Пуассона. Нетрудно видеть, что этот процесс
является процессом Леви. “Обычный” процесс Пуассона получается, если
положить = 1, j ^ 1.
6. Случай бесконечной меры Леви: i/(M) = оо.
Простейший пример процесса Леви с мерой атакой, что v(M) = оо, мож
но получить следующим образом.
Пусть Л = (Afc)fcî - последовательность положительных чисел,
( 3 = (Pk)kî ~ последовательность чисел /?& Е К \ {0} таких, что
оо
£ < оо. (12)
k=1
Положим
оо
*/(*:) = £ A * /{/9fc}(<fa) (13)
к=1
и обозначим = ( N ^ ) tô, 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^)tô
является процессом Леви с мерой Леви
п
|/»>(* г) = £ а * 1 { л } (Лг) (15)

/с=1
И
<^n)(0) = EeieAr«n) = exp j * J (ei0x - 1 - iftr) i / n)(efe)}- (16)

250 Гл. III. Стохастические модели. Непрерьюное время
Предельный процесс X = (X t)t^ о>
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).
З ам ечание 3. Выполнение здесь свойства 5) из определения 1 выте

кает из того, что Х ( п) являются квадратично-интегрируемыми мартин
галами, для которых в силу неравенства Луба (см. формулу (36) в § ЗЬ,
а также [250; гл. I, 1.43] или [439; гл. VII, § 3]) Е шах — X s \ 2 —> 0 при
п —> ОО.
оо
Зам ечание 4. Поскольку v(R) = А&, ^({0}) = 0 и
к= 1
« оо
/ (ж2 А 1) i/(cte) ^ < оо,
*=1
то мера г/ = v(dx), определенная в (13), удовлетворяет всем условиям,

предъявляемым к мере Леви (см. (22)-(23) из § 1а).
оо
Если Yh АА; = оо, но выполнено условие (12), то получаем пример про-
к- 1
цесса Леви, у которого мера Леви ^ такова, что z/(M) = оо.
Приведем еще один известный “явный” случай процесса Леви с
г/(М) = оо. Мы имеем в виду так называемый Г-процесс (Gamma
process) X = (X t )tô, Укоторого X q = 0 и (гамма-)распределение
вероятностей Р (Xt ^ х) имеет плотность (ср. с табл. 6 в § 1а)
Xt~ 1 e~ x/P
P tix ) = рщ р 7( 0 о о ) (ж). (18)
Отсюда следует, что

<рг(в) = ( 1 - ( в р Г г- (19)
Покажем, что характеристическая функция щ (в) может быть представле
на в виде
оо р-х/Р
Н (ег$х - 1) — - — d x| , (20)
из которого следует, что vt (dx) = t v{dx), где
, , e ~ xl®
v(dx) = / ( 0 ,оо)(я )----------dx. (21 )
Ясно, что здесь 1/(0, оо) = оо, но
I (х 2 Л 1) v(dx) < оо. (22)
Обратимся к доказательству представления (20).

Рассмотрим преобразование Лапласа
ги Г оо
= ехр< —t l dy I eе - %
0 - ух
y x dx
Аналитическое продолжение в комплексную полуплоскость {z = а + гЬ,

а ^ 0} приводит к равенству
ezx pt(dx) = exp (ezx — 1)
из которого, полагая z = г0, получим требуемое представление (20).

7. В связи с “явными” представлениями (10), (14) и (17) некоторы
(скачкообразных) процессов Леви мы получаем способ их моделирования,
основанный на моделировании лишь случайных величин (3k и экспо
ненциально распределенных величин Д* = т* — т^-х (промежутков между
двумя скачками в моменты т*_х и тг процесса Пуассона). В свою очередь,
при моделировании безгранично-делимых случайных величин важное
значение приобретает вопрос об их представимости в виде функций от
“простых’,’ “стандартных” случайных величин. Вот пример, иллюстриру
ющий возникающие здесь возможности: пусть X и Y - две независимые
случайные величины, причем X ^ 0 (и произвольна), a Y имеет экспо
ненциальное распределение. Тогда, как показал Ч. Голди (Ch. Goldie),
произведение X Y является безгранично делимой случайной величиной.
В следующем параграфе мы увидим, как из просто устроенных процес
сов можно их “композицией” получать устойчивые процессы.
§ 1с. Устойчивые процессы
1. Начнем со случая действительного процесса X — (X t)teT с (пр

извольным) параметрическим множеством Т, заданного на некотором ве
роятностном пространстве (fi, Р).
Обобщая определение устойчивого случайного вектора (см. определе
ние 6 в § 1 а), естественным образом приходим к следующему понятию.
О пределение 1. Действительный случайный процесс X = (X t)teT

называется устойчивым, если для любых к ^ 1 и t i , . . . , из Т случай
ные векторы {X tx, . . . , X tk) являются устойчивыми, т. е. все конечномер
ные распределения процесса X являются устойчивыми.
Нетрудно заметить, что если все конечномерные распределения устой

чивы, то из соображений согласованности этих распределений вытекает,
что у них один и тот же индекс устойчивости а. Это объясняет, почему та
кие (устойчивые) процессы именуют а-устойчивымщ когда желают под
черкнуть конкретное значение индекса устойчивости а.
В дальнейшем для нас основной интерес будут представлять те а-ус
тойчивые процессы X = (X t)teT , которые в то же самое время являются
процессами Леви (§ lb). Такие процессы естественно называть “а-устой-
чивыми процессами Леви”
В § 1а (п. 10) приводились два равносильных определения устойчивых
невырожденных случайных векторов (см. формулы (30) и (31) в § 1а). При
менительно к устойчивым (одномерным) процессам X = (X t )t^ о> явля
ющимся в то же время процессами Леви, отмеченная равносильность двух
определений приводит к следующему предложению: невырожденный (см.
далее определение 2) одномерный процесс Леви X = (X t)t^о является
a -устойчивым процессом (a Е (0,2]) тогда и только тогда, когда для
любого а > 0 найдется число D (зависящее, вообще говоря, от а) шатсое,
что
{ X at, t ^ 0 } = { a 1 /QX t + D t } . (1)
Приведем теперь ряд определений, относящихся к многомерным про

цессам X = (X t)t£ о-
О пределение 2. Случайный процесс X = (X t )tô со значениями в

называется вырожденным, если X t = 7 1 (Р-п.н.) для всех t ^ Ос некото
рым вектором 7 Е Rd. В противном случае процесс X называется невы
рожденным.
О пределение 3. Невырожденный случайный процесс X = (X t)t^о со

значениями в Rd назьюается a -устойчивым процессом Леви (а Е (0,2]),
если
1) X есть процесс Леви
и
2) для каждого а > 0 найдется вектор D Е Rd (зависящий, вообще
говоря, от а) такой, что
{ X at, 0} = {a}/a X t + D t , t > 0 }, (2)
Law (Xat, О) = Law {c ^ ^ X t + Dt, 0). (3)
О пределение 4. a -устойчивый процесс Леви X = (X t )tô называется

строго а-устойчивым процессом Леви, если в (2), (3) вектор D = 0, т.е.
{ X at, 0} = { a ^ X t , t > 0}, (4)
Law ( X at , 0) = Law(a1/,aX t, t ^ 0). (5)
Зам ечание 1. Иногда (см., например, [423]), дается такое определение

устойчивости векторного случайного процесса Леви X = (X t )t^ o: Для
любого а > 0 найдутся константа с и вектор D Е IRn такие, что
{ X at, 0} = { c X t + D t , t > 0 }, (6)
Law (Xat, t ^ 0) = Law(cXt + t ^ 0). (7)
(Если D = 0, то говорят о строгой устойчивости.) Весьма замечательно,

что, как и в случае устойчивых величин и векторов, для невырожденных
процессов Леви константа с имеет вид с = а1//а, где а - некоторый уни
версальный, т. е. не зависящий от а, параметр со значениями в (0,2]. Этот
результат, доказательство которого см., например, в [423], объясняет дан
ные выше определения 3 и 4, в которых явно присутствует множитель а1/**.
Замечание 2. Полезно заметить, что условие
Law (X at, t ^ О) = Law(cX*, t ^ 0)
есть не что иное, как свойство автомодельности. Таким образом, a -ус

тойчивые процессы Леви, для которых с = а1/**, являются автомодельны
ми. При этом значение Н = 1 /а носит название показателя (параметра)
Харста. См. подробнее §2с.
Замечание 3. Если процесс X = (X t)t^ о является одновременно
и а-устойчивым (0 < а ^ 2), и удовлетворяющим свойству автомодель
ности
Law (X at, О) = Law (amX t , 0), a > О,
но не является процессом Леви, то формула Н = 1 /а уже не верна. У таких
процессов допустимыми могут быть разные пары (а, И) такие, что
а < 1, 0 < И ^ 1/а,
или
а^1, 0<Н^1.
(См. в [418] следствие 7.1.11 ирис. 7.1.)

2. Поскольку а-устойчивые процессы являются частным случа
ем процессов Леви X = (X t )t^ о? Для характеристических функций
<,p t{ 0 ) = Еег(в'х *) которых имеет место представление (pt(0 ) = ехр{£^(0)}
с кумулянтой яр(в), определяемой формулой (7) из § lb, то естественно
поинтересоваться, каковы J5, С и v для этих (a-устойчивых) процессов.
Особый интерес представляет знание меры Леви v — v(dx), “ответ
ственной” за распределение величин скачков A X t = X t — X t~ процесса
х = № Ьо.
Приведем, следуя изложению [423], основные результаты в этом направ
лении.
Теорема 1. Пусть X = (Xt)tô ~ невырожденный процесс Леви
в с триплетом ( S ,C ,и).
1) Процесс X является 2-устойчивым (процессом Леви) в том
и только том случае, когда v = 0, т. е. в том и только том
случае, когда этот процесс является гауссовским.
2) Процесс X является строго 2 -устойчивым (процессом Леви)
в том и только том случае, когда он является гауссовским
с нулевым средним (В = 0).
Т еор ем а 2. Пусть X = (X t)t^о ~ невырожденный процесс Леви

в Md с триплетом (В, С, v). Пусть 0 < а < 2. Тогда процесс X явля
ется а-устойчивым (процессом Леви) в том и только том случае,
когда С = 0 и мера Леви v имеет следующий вид:
v{A) = [ A (dO Г I A (rO r ~ {1+a) dr, А е \ {0}), (8)

Js JО
с некоторой ненулевой конечной мерой А на S = {х G \х\ = 1}.
Кумулянта ф(в) такого процесса имеет следующую структуру:
ф {0 )= Ц 0 ,В ) + [ A(dO Г ( е « в’г& - l - i ( e , r O l {OA] ( r ) ) r - ( 1+a) dr. (9)

Js Jo
Интересно отметить, что в случае 0 < а < 2 радиальная часть меры JIе-
виимеетвидг- (1-,_а^ г . Если а убывает, т о г - ( 1+ а) убьюаетприО < г < 1
и возрастает при 1 < г < оо. Тем самым, можно сказать, что при о, близ
ких к нулю, в траекториях процесса превалируют большие скачки; если
же а близко к двум, то процесс движется маленькими скачками. Нагляд
но это хорошо иллюстрируется компьютерными рисунками, приведенными
в книге [253].
Т еор ем а 3. Пусть X = (X t)t^о ~ невырожденный процесс Леви
в Rd с триплетом (В, С, и).
1) Пусть a G (0,1). Процесс X является строго а-устойчивым
(процессом Леви) в том и только том случае, когда кумулян
та имеет вид
Ф (0)= [ A( d O / ° ° ( е ^ - г^ - 1 )r ~ ^ +aU r (10)

Js Jo
с некоторой ненулевой конечной мерой Л на 5, т. е. в том
и только том случае, когда С = 0 и исносовая компонента”
(drift) равна нулю (см. (27) в §1а).
2) Пусть a G (1,2). Процесс X является строго а-устойчивым
(процессом Леви) в том и только том случае, когда С — 0
и “центр” (см. (29) в § 1а) равен нулю (т. е. ЕХ = 0), длд,
равносильно, в том и только том случае, когда кумулянта
имеет вид
ф (в )= f A (dO [ ( e i ( e ’ r() - 1 - i ( e , r O ) r ~ (1+Q) dr (11)

Js Jo
с некоторой ненулевой конечной мерой X на S.
3) Пусть а = 1. Процесс X является строго 1-устойчивым (про

цессом Леви) в том и только том случае, когда
ф(в) = i(d,В) +[ A(d£) Г(е«в’г&- 1- i( 6 , r£)J(0,i])r-2rfr (12)
с некоторой конечной мерой А на S и константой В такими,

что
[ х A(d£) = 0 (13)
Js
и Л(5) + |В| > 0.
С л едствие. Пусть X = (X t )t^о есть a -устойчивый процесс Леви

в Если а ф 1, то всегда найдется такая константа 7 G Md,
что центрированный процесс X — (Xt — 7 ^)г^о будет уж е строго
а-устойчивым.
Если же а = 1 и выполнено условие (13), то и сам процесс
X = (X t)t^о является строго 1 -устойчивым.
В случае d = 1 можно явно вычислить интегралы, входящие в пред

ставления кумулянт (9)—(11), и получить (ср. с (6) в § 1а), что для
0< а ^ 2
( гцв - о а \в\а ( l — * 7 ? (S g n 0 )t g ^ ), а ф 1, (14)

№ = { , 2
[ ifiO — о\в\ ^1 + г*/3—(Sgn0) In \в\J, а = 1, (15)
с константами /3, ст и /i такими, что (3 G [—1,1], о > 0, /i G М.

Необходимое и достаточное условие для того, чтобы (ненулевой) а-ус
тойчивый процесс Леви был строгим, состоит в том, что
ц = 0, если а ф 1,
и
/3 = 0, а + |/i| > 0, если а = 1.
3. Обратимся к формулам (2) и (3) в определении а-устойчивого про

цесса. Формула (1) при t = 1 принимает следующий вид:
X a ^ ^ ^ X i+ D a , (16)
где D a - некоторая константа. Имея представления (14), (15) для характе

ристической функции этого процесса находим, что
Г (а - а}/а)ц, а ^ 1 ,
Da — \ 2 (17)
I p - a Qa ln a , а = 1.
4 7Г
4. Как ясно из изложенного выше материала, оперирование с распреде

лениями устойчивых процессов сильно затруднено, поскольку явный вид
устойчивых плотностей известен всего лишь в трех случаях (см. п. 5 в § 1а).
Однако в ряде случаев можно указать, как получать устойчивые про
цессы, например, из броуновского движения с помощью случайной (не за
висящей от этого движения) замени времени.
Приведем один интересный результат в этом направлении, который дает
возможность моделирования симметричных a -устойчивых распределений
с помощью трех независимых случайных величин: равномерно распреде
ленной, гауссовской и экспоненциально распределенной.
Пусть Z = (Zt )t^о - симметричный а-устойчивый процесс Леви с ха
рактеристической функцией
4 >t {Q) = Eei0Zt = e - t|e|“ , (18)
где 0 < а < 2.

Из изложенного ниже будет следовать, что процесс Z может быть реа
лизован в виде
Zt = ВтЬч t ^ 0, (19)
гдеБ = (Bt )t^ o -броуновское движение с EBt = О, ЕВ\ = 2£иТ = (Tt)t^ о

- некоторый неотрицательный неубывающий ^-устойчивый случайный
процесс, носящий название устойчивого субординатора (stable subor-
dinator). О процессе Z, получаемом посредством преобразования (19),
говорят, что он образован из броуновского движения с помощью случайной
замены времени ( субординацией) Т = (Tt)t^о-
Необходимый для представления (19) процесс Т — (Tt )tô строится сле
дующим образом.
Пусть = и ^ \ и )) - неотрицательная устойчивая случайная вели

чина с преобразованием Лапласа
Ee- ^ w = e - A“ , А > О, ( 20 )
где 0 < а < 1.

Заметим, что если С/(а), C/i,. . . , Un - независимые одинаково распреде
ленные случайные величины, то случайная величина
(21)
3-1
имеет то же самое преобразование Лапласа, что и Uâ\ и, значит, £ / ( « ) -

действительно есть устойчивая случайная величина.
Пусть 0 < а < 2. Построим неотрицательный неубывающий — устой
чивый процесс Т = (Tt)t^о таким образом, что Law(Ti) = Law([/(a / 2)).
В силу свойства “автомодельности” (5),
Law(Tt) = Law(f2/ a7i ) = Law(*2 /a E/(a/2)), (22)
и, значит,
Eei0Zt = EeieBrt = Е[Е(е^Вт« \Tt)]
- e-(6»2t2/ a)°'/2 _ e -t\e\a (23)
откуда следует требуемое представление (19).

Пусть р = р(х] а) - плотность распределения вероятностей случайной
величины U = с индексом 0 < а < 1. Согласно [238] и [264], для
этой плотности, сосредоточенной на х ^ 0, известно следующее “явное”
представ ление:
dz,
7Г \1 — a
(24)
где
( 25 )
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)
где а = a(z; а) задается формулой (25), £ и 7? - независимые случайные

величины, £ имеет равномерное распределение на [0 , 7г], а г) - экспоненци
альное распределение с единичным параметром.
Зам ечание. Проверка того, что случайная величина £ имеет плот

ность р(х; а), не представляет трудностей. Действительно, пусть
Случайная величина г]/а(£;а) имеет своею плотностью, очевидно, функ

цию h = h(x). Простая замена переменных тогда показывает, что р(х; а)
есть плотность распределения вероятностей величины £.
Тем самым,
2 -о с
Law(Ti) = Law(E/(«/2)) = Law ( ( ! « * £ > ) • ), (я )
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
Law(Z* — Zs) = Law(Вть ~ B t s) — Law(j 3 7 ^_ 7 is)
- L a w ( v / T t - T s 7 (0,2)) = L a w ( y 7 T 7 7 (0,2))
= Law (jt - s ) 1 /ay/j\ 7 (0,2)j
Это представление для Law(Z* — Zs) показывает, как с помощью модели

рования трех независимых случайных величин £, rj и 7 = 7 (0 , 2 ) можно
получать выборку наблюдений над приращениями Zt —Zs симметричного
а-устойчивого случайного процесса.
Зам ечание. По поводу общих результатов относительно получения

процессов Леви с помощью субординаторов из других (более просто
устроенных) процессов Леви см. [47], [409] и [483].
Процесс Z — (Zt)tô рассматривается в работе [327] для описания по
ведения цен ( “модель Мандельброта-Тейлора” ). Интересно отметить, что
если t рассматривается как реальное “ физическое” время, то 7* можно ин
терпретировать как “ операционное” время (см. § 3d в гл. IV) или как слу
чайное “число переходов” до момента времени t. (Эта несколько вольная
тп
интерпретация навеяна аналогией с суммами £* случайного числа Тп
случайных величин £*, k ^ 1.) к~ 1
Подчеркнем, что при каждом t распределение величины Zt = Вть есть
смесь гауссовских распределений. По-другому можно сказать, что рас
пределение величин Zt является условно-гауссовским. Эти распределе
ния уже рассматривались выше (см. § Id, §3а в гл. II). Далее, в § Id, бу
дут рассмотрены другие модели, основанные на “гиперболических” рас
пределениях, которые также являются условно-гауссовскими и относят
ся к классу безгранично делимых распределений, не будучи устойчивыми.
Все это говорит о том, что поиски “правильного” описания эволюции цен
финансовых индексов идут, в некотором смысле, в направлении обращения
к условно-гауссовским распределениям и процессам.
5. В заключение рассмотрим три случая устойчивых процессов Леви

которые соответствуют тем трем случаям (см. п. 5 в § 1а), где известен яв
ный вид устойчивых плотностей.
П ри м ер 1. Стандартное броуновское движение X = (X t)t^ о в яв

ляется строго 2-устойчивым процессом Леви. Для него вероятностное рас
пределение Pi = Pi (dx) величины Х\ имеет следующий вид:
Pi (dx) = ( 2 тт) dt 2e ^ / 2 dx, х Е Rd, (29)
а характеристическая функция
<pX t iP) = Е е ^ ’х ‘ > = е - ^ 1 2 (30)
и (ср. с (14)) непосредственно видно, что
<Pxat(0) = е а2 ^ 2 = е z l v ^ l 2 = ip ^ X tW )' (31)

П ри м ер 2. Стандартный процесс Коши в является строго 1-устой

чивым процессом Леви с
Pi (dx) = ^ (1 + \х\2 У ^ ~ dx, х Е Rd. (32)
Характеристическая функция
v x t {0) = e ~ tW , (33)
и видно (ср. с (14)), что
v x at{0) = е~ а™ = е ~ * М = <paXt( 6 ). (34)
П ри м ер 3. Для одностороннего строго ^-устойчивого процесса Леви

на (0, оо) имеем
Pi (dx) = (2тг)~~1 /2 1(0 ^оо){х )е 1 /(2 х) х ~ 3/ 2 dx, х Е К, (35)
и
V>Xt(0) = е х р { - * ^ / Й ( 1 - t S g n 0 ) } . (36)
Непосредственно видим, что
<PaXt(0) = exp{ - a t y / Щ (1 - Sgn#)}

= е х р {—£\/|a20| (1 —*Sgn(a2#))} = tpa2 X t(0 ). (37)
Этими примерами, в сущности, и исчерпываются все те известные слу

чаи, когда одномерные распределения для Х \, а значит, и для X t, выража
ются в элементарных функциях.
§ Id. Гиперболические распределения и процессы

1. В 1977 году О. Барндорфф-Нильсен (О. Barndorff-Nielsen) ввел, [21
интересный во многих отношениях класс распределений - так называемые
обобщенные гиперболические распределения. Введение этих распреде
лений мотивировалось целью дать адекватное объяснение некоторым эм
пирическим закономерностям в геологии; впоследствии эти распределе
ния нашли свое применение в геоморфологии, теории турбулентности,----
а также и в финансовой математике.
Обобщенные гиперболические распределения, не будучи устойчивыми,

характеризуются, также как и устойчивые, четырьмя параметрами, име
ющими (см. п. 2) сходный смысл.
Из класса этих распределений мы выделяем два наиболее употреби
тельные:
1) собственно гиперболическое распределение;
2) гауссовское\\обратно-гауссовское распределение.
Следует отметить, что эти распределения являются смесью гауссов
ских. Поэтому они естественным образом относятся к классу моделей,
основанных на смесях гауссовских распределений, на идеях использова
ния условно-гауссовских распределений. Эти распределения являются
и безгранично делимыми, образуя, тем самым, довольно-таки широкий
подкласс класса безгранично делимых распределений. С точки зрения
поведения “хвостов” эти распределения занимают как бы промежуточ
ное положение между устойчивыми распределениями с индексом а < 2
и гауссовскими распределениями (а = 2): их “хвосты” убывают быстрее,
нежели для устойчивых распределений (а < 2), но медленнее, нежели для
гауссовских.
2. Происхождение термина “гиперболический” связано со следующи
обстоятельством.
У нормальной (гауссовской) плотности
1 (g—/ц)2
¥>(*) = -/==— е 2° (!)
\/27г а
график логарифма In (р(х) является параболой. У гиперболического же

распределения его плотность
hi(x) = C i (а,/?, 8 ) exp{ - a y / 8 2 + (х - р ) 2 + /3(х - р )} (2)
такова, что график логарифма In hi (т) является гиперболой
f ( x ) = In Ci (а, /?, J) - ay/ 8 2 + (x - p ) 2 + (3(x - p) (3)
с асимптотами
a(x) = —a\x — p\ + f3(x —p). (4)
В определении (2) предполагается, что четыре параметра (а,/3, р, J),

определяющие гиперболическое распределение, таковы, что
а > 0, 0 ^ Щ < а, р е R, 8^0. (5)

Параметры а и /3 “ответственны” за форму плотности, р - параметр рас

положения, 6 - масштабный параметр. Константа
\/о? — /3^
Ci (а, /3, S) = ------- ^ ^ ^ - , (6 )
2а6К1(5у/ а 2 - (З2 )
где К\{х) - модифицированная функция Бесселя третьего рода с индек

сом 1 (см. [23]).
Для описания гиперболического распределения часто используют
другую параметризацию, полагая
<* = ^(v> + 7), /3 = ^ -7 ), (7)
так что угу = а 2 —(З2.

В этих новых обозначениях плотность hi (х ) = hi (т; а, /3, ^/, J), обозна
чаемая h2 (х) = h2(х ; у?, 7 , J), будет иметь следующий вид:
h2{x) = С2( р , Ъ 6)
Х ехр{ - ^ ^ + 7 ) V s2 + ( x ~ М)2 + \{<Р ~ 7)(х ~ /*)}> (8)
где
С 2 (< р ,1 ,6 ) =
6 х К г(6х)
с х = (^ 7 ) 1^2, о;”1 = + 7 - 1 )* (Такая параметризация используется

в работе [289].)
Из (8 ) видно, что если случайная величина X имеет плотность
h2(x\ р, 7 , /i, £), то величина Y = (X — а)/Ь для а £ К, Ь > О имеет
плотность fr2 (я; fry, 5/Ь, (р — а)/ Ь). Тем самым, гиперболическое
распределение инвариантно относительно сдвига и изменения масштаба.
Из (8 ) видно также, что плотность h2(х) > 0 для всех х £ М, и “хвос
ты” у /&2 (я0 убывают экспоненциально со “скоростью” р при т -» —оо
и “скоростью” 7 при х —Уоо.
Если J —> оо, 8/к -» сг2, р —7 -» 0, то
М ж;¥>>7>/*><*) <р(ж)>
где <^(д) = ^(.г; /и, а 2) - нормальная плотность.

Если S —> 0 , то в пределе получаем распределение Лапласа (несиммет

ричное, если ip ф 7 ) с плотностью
= w - 1 е х р { - 1 (у> + у)\х - ц\ + | (у > ~ 7 )(® “ А»)}-
Если ввести параметры
£ = ( l + V ^ 7 ) - 1/2 ( = +
Х = ( ^ - 7 ) ( ^ + 7 )- 1 ^ ( = ~ £ ) ’
то можно заметить, что их значение не изменится, если от случайной вели

чины X с гиперболической плотностью /12 (т; у?, 7 , ^и, 5) перейти к случай
ной величине Y = X —а, имеющей, согласно сказанному выше, плотность
/1 2 (2 ;; 7 , р — а, £). Параметры £ и х имеют смысл параметров “скошен
ности” (skewness) и “вытянутости” (kurtosis) и служат хорошими показа
телями отклонения от нормальности. (См., подробнее, § 2Ь в гл. IV.)
Отметим, что область значений х и £ есть внутренность треугольника
V = { ( х > £ ) : о ^ |х1 < £ < 1}

(см. рис. 26; J f - нормальное распределение, £ - экспоненциальное, !£ -
распределение Лапласа).
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).
В работах [21]-[23], [25], [26] отмечается, что гиперболическое распре

деление является смесью гауссовских: если случайная величина X имеет
плотность hi (х; а, /3, J), то
Law X = Е'а 2 + /?сг2, сг2), (9)
где Е^ 2 означает усреднение по параметру сг2, имеющему обратно-гауссов

ское распределение с плотностью
* 2<1) = й Ш Ь ехрН ( “1 + ; ) } ' (10)

где а = а 2 — /З2, Ь = ё2.
3. Обратимся теперь к другому представителю класса обобщенных г

перболических распределений, введенных О. Барндорфф-Нильсеном в ра
боте [2 1 ] - так называемому гауссовскому\\обратпно-гауссовскому (GIG -
Gaussian\\Inverse Gaussian) распределению. (Позднее, [22], О. Барндорфф-
Нильсен стал называть эти распределения “нормальными обратно-гаус
совскими распределениями” - normal inverse Gaussian distribution.)
Если следовать условной записи (9), то гауссовское\\обратно-гауссов-
ское распределение Law У случайной величины У определяется следую
щим образом:
Law У = Е"2^ ( м + /Зсг2, сг2), (1 1 )
где усреднение Е" 2 нормального распределения + /Зсг2, сг2) произво

дится по обратно-гауссовскому распределению с плотностью
p"2W=\ /l‘e' ^ ^ exp{ “ Kai+i ) } ’ (12)

где а = а 2 — /З2, Ь = 62. (Параметры а, /3, р и д такие же, как и в (5).)
Интересно отметить, что если W = (W t)t^о ~ стандартное броуновское
движение (винеровский процесс) и
T(t) = in f{s ^ 0 : W s + y/as ^ V b t)
- момент первого достижения процессом (Ws + y/as)s^о уровня V b t, то

Т( 1 ) имеет в точности распределение с плотностью (12). Тем самым, если
В = (Вt) tô - стандартное броуновское движение, не зависящее от

распределение Y совпадает с распределением величины
Вт{ 1) + (м + /Щ 1 ))-
(Ср. с (19) в § 1с.)

Обозначим д(х) = д(х; а , (3, ц, S) плотность GIG-распределения.
Из (11) и (12) находим, что
-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
последнее соотношение показывает, что hi (х) имеет более “тяжелые

ты’’ нежели д(х).
4. Гиперболическое распределение (с плотностью h\(x)) устроен

проще, нежели гауссовское\\обратно-гауссовское (GIG-) распределение
с плотностью д(х). Есть, однако, одно принципиальное обстоятельство,
отдающее (по некоторым свойствам) предпочтение второму из этих
распределений. Дело в следующем.
Пусть У-случайная величина с плотностью д(х) = д(х; а, /3, ^/, J). Про
изводящая функция
ЕеЛУ = exp - yja2 - (/? + А)2 ] + ^ а | . (18)
Отсюда видно, что если Ух, . . . , Ym - независимые GIG-распределенные ве

личины с одними и теми же а и /?, но, вообще говоря, разными pi и <^,
то их сумма Y = Ух + •••+ Ym снова есть GIG-распределенная величина
с теми же самыми а и / ? и с / / = ^ 1 + - - + /im, = Si + •••+ Sm.
Иначе говоря, GIG-распределение замкнуто (в указанном смысле) от
носительно свертки.
Если же X имеет гиперболическое распределение, то, беря для просто
ты /3 = р = 0, находим, что
K â S ) ' ’
Отсюда видно, что указанное выше свойство замкнутости GIG-pacnpe-

деления для гиперболического распределения отсутствует.
Важно отметить, что оба распределения, GIG- и гиперболическое,
являются безгранично делимыми. Для GIG-распределения это видно
непосредственно из (18), а для гиперболического это отмечено в рабо
тах [21]-[23], [25], [26] Из (18) находим также простые выражения для
среднего ЕY и дисперсии Э У :
ЕУ = М+ [1 - ( f )2]1/2 ’
DY = 6
а [ 1 - ( | ) 2] 3 /2 '
Замечание. По поводу использования этих распределений при анали

зе финансовых индексов см. работу Э. Эберлейна (Е. Eberlein) и У. Кел
лера (U. Keller) [127], где приведены впечатляющие результаты статисти
ческой обработки ряда финансовых индексов (см. также § 2Ь в гл. II).
5. Коль скоро гиперболическое распределение является безгранично д

лимым, то можно определить процесс Леви, т.е. процесс с однородными
независимыми приращениями, у которого распределения приращений яв
ляются гиперболическими.
Ограничимся случаем симметричных центрированных плотностей
hi(x) = а ,/? ,ц,6) с параметрами /3 = р = 0. В этом случае
плотность hi (х ) может быть представлена в виде
Л1 w = й Щ HIP{ - “ V 1 + ( ? ) ’ }' (20)
Будем обозначать Z = (Zt)t^о процесс Леви, у которого Z\ имеет рас

пределение с плотностью (20).
Интересно отметить, что, поскольку E|Z* |< оо, Zq = 0 и Z = (Zt) име
ет независимые приращения, этот процесс является мартингалом (отно
сительно естественного потока сг-алгебр (^t), ^ = <j ( Z s , s ^ t)):
E(Zt | ^ ) = Z „ «^5. (21)
(Заметим, что E|Z*|P < оо при всех р ^ 1.)

Пусть <pt(9) = Eexp(iOZt) характеристическая функция гиперболи
ческого процесса Леви Z = (Zt )t^о- Тогда (ср. с формулами (4) и (5) в § lb)
<pt(0) = {<Pi(0)Y • (22)
Из (9) и (10) (с X = Z\) следует, что при /3 — ц = 0
Law Zi = Е ;2^ ( 0 , ст2), (23)
где
P^ ( l, = 2^ M eXp{ " K “ 2:C + ^ ) } ' <24)

Отправляясь от этих представлений в [127] была найдена для ipt (в) следу
ющая “ формула Леви-Хинчина” (ср. с (22) и (29) в § 1а):
где мера Леви v имеет (довольно сложно выражаемую) плотность pv {x)

(по мере Лебега dx)\
1 [°° е* р (—М \/2 у + а 2 )ехр(—|ж|)

M x )-^ X \ J 0 + Y }(S j2 y)) У \Х\ ' (М)
Здесь Ji и Y\ есть функции Бесселя первого и второго рода соответ

ственно.
Основываясь на асимптотических результатах относительно J\ и Y\
(формулы 9.1.7,9 и 9.2.1,2 в [1]), можно показать, что знаменатель
в подынтегральном выражении в (26) асимптотически является константой
при у —» 0 и ведет себя как у -1//2 при у —» оо. Отсюда авторы [127]
заключают, что плотность меры Леви
РЛХ) ~ ~~2 ПРИ х °, (27)
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])
E»z (u>-,A,B) = \A\v(B)
и, следовательно, / i/(dx) = 00 , / v(dx) = 00 для всякого е > 0.

J(0,e] J[-e,0)
2. Модели со свойствами самоподобия
(автомодельности). Фрактальность
При статистическом анализе финансовых временных рядов давно было

подмечено, что многие из них обладают свойствами (статистического) са
моподобия, проявляющимися в том, что, образно говоря, их “части устро
ены так же, как и целое’! Например, если (Sn)n^>о - дневные значения ин
декса S&P500, то эмпирические плотности Д (х) и Д (х ), А; > 1, найденные
по большому ряду величин
гг ^ 1,
соответственно, оказываются такими, что
f i( x ) « kmfk (k mx),
где Ш- некоторая константа, которая (в отличие от ожидаемой, согласно

центральной предельной теореме, величины 1/2) значимым образом боль
ше 1/2.
Понятно, что подобные свойства требуют своего объяснения, и, как ста
нет ясно из дальнейшего, оно может быть дано в рамках общей концепции
(статистической) автомодельности, приведшей не только к таким важ
ным понятиям, как фрактальное броуновское движение, фрактальный
гауссовский шум, но и оказавшей решающее влияние на создание фрак
тальной геометрии (Б. Мандельброт). Концепция автомодельности са
мым тесным образом связана и с такими (невероятностными) понятиями и
теориями, как хаос, нелинейные динамические системы, которым (в свя
зи с их возможными использованиями в финансовой математике) был по
священ раздел 4 гл. II.
2. Модели со свойствами самоподобия. Фрактальность 271
§ 2а. Статистический феномен

автомодельности Харста
1. В 1951 году британский климатолог Г. Харст (Harold Edwin Hurst),
проведший более шестидесяти лет в Египте, участвуя в гидрологических
проектах, связанных с Нилом, опубликовал работу [236], в которой изла
гался (экспериментально им обнаруженный) неожиданный эффект в пове
дении флуктуаций годичной водности Нила и ряда .фугих рек. Суть этого
эффекта в следующем.
Пусть х \, . . . , х п - величины годичных уровней (скажем, Нила в некото
рой его части) за п последовательных лет. “Хорошей” оценкой их среднего
п
значения будет величина \ Х п, где Х п = х к. Отклонение Х к за к по-
к =1
следовательных лет от среднего (эмпирического) значения, подсчитанного
по данным за п лет, есть величина
- - х п,
71
и, следовательно, минимальным и максимальным отклонениями являются

величины
mini Х к Хп | и шах|( х к - ^ х пу
к^.п \ 71 к<п
Обозначим
1Zn = maxi X k Xr min Х к Xn

к ^ .п \ 71 k<n \ 71
- величину “размаха” характеризующую степень отклонения кумулятив

ных величин Xk от их среднего значения ^ Х п за последовательные гг лет.
В своей экспериментальной практике Г. Харст, на самом деле, опериро
вал не с величинами 7£п, а с нормированными величинами Q n = TZn/Sn,
где Sn - эмпирическое стандартное отклонение,
\
вводимое с целью получения статистики, инвариантной относительно за
мены
хк-> с(хк+гп), к^ 1,
что является желательным свойством, поскольку даже среднее значение и

дисперсия величин х^, как правило, являются неизвестными.
Основываясь на большом фактическом материале наблюдений за сто
ками Нила в период 622-1469 гг. (т.е. за 847 лет), Г. Харст обнаружил,
что для больших значений п статистика lZn/Sn “ведет” себя следующим
образом:
'К'п
~ сп И , /1\
— (1)
<>п
где с - некоторая константа, эквивалентность понимается в некотором

подходящем смысле, а параметр Н, называемый теперь показателем Хар-
ста, оказался примерно равным 0.7. (Аналогичный результат Г. Харст
получил и для других рек.) Этот результат был расценен Г. Харстом как
неожиданный, поскольку ожидаемое им значение Н должно было быть
равным 1/2 в силу следующего обстоятельства, проясненного несколько
позже В. Феллеромв [157].
Пустьx i, #2, •••-последовательность независимых одинаково распре
деленных случайных величин с Ехп = 0, Еа;2 = 1. (Именно это и ожида
лось Г. Харстом.) Тогда, как показано В. Феллером, при больших п
Поскольку в рассматриваемом случае асимптотически Sn —» 1 (с вероят

ностью единица), то естественно, что при больших п величины Q n должны
расти (по крайней мере в среднем) как гг1/ 2.
При исследовании статистических свойств последовательности (хп) п^ i
вполне естественно было бы поинтересоваться и структурой эмпирической
функции распределения Law(a;i Н Ьх п), найденной по (большому) чис
лу выборок, скажем, (a:i,. . . , x n), (хп+ \ ,. . . , Х2 п) , . . . . В случае, когда х^
являются отклонениями в уровне реки от некоторого “среднего” значения,
обнаруживается (например, опять же для Нила), что
Law(xi + •••+ х п) « Law(nMx i), (2)
где Н > 1/2.

2. Как же и за счет каких вероятностно-статистических свойств после

довательности (х п) в (2) параметр Н может оказаться отличным от 1/2?
Если обратиться к формуле (4) из § 1а, то одно из объяснений значения
параметра Ш ~ 0.7 могло бы состоять в том, что rci, ••• являются
независимыми устойчивыми случайными величинами с индексом ус
тойчивости а = 1/Н ~ 1.48.
Но есть и другое объяснение, состоящее в том, что свойство (2)
с Н Ф 1/2 может возникнуть даже в случае нормально распределенных
величин Х\,Х2 , . . . , но зависимых! При этом стационарная последова
тельность (х п) непременно должна быть последовательностью с сильным
последействием. (См. далее в § 2с.)
3. Свойства (1) и (2), являющиеся своеобразной формой самоподобия

(автомодельности), наблюдаются также и для многих финансовых индек
сов (с заменой х п на hn). Поэтому неудивительно, что высказанные вы
ше замечания относительно “независимости и устойчивости” величин (х п)
или “зависимости и нормальности” нашли широкое применение в финансо
вой математике, особенно при анализе “фрактальной” структуры “вола
тильности?
Работы Г. Харста и отмеченные наблюдения явились отправными для
Б. Мандельброта, который предложил как в рассматриваемой им моде
ли Харста, так и во многих других вероятностных моделях, в том числе и
в финансовой математике, использовать строго устойчивые процессы (§ 1с)
и фрактальное броуновское движение (§ 2с), обладающие свойствами авто
модельности.
Следует подчеркнуть, что свойствами самоподобия типа (1) и (2) об
ладают самые разнообразные системы с нелинейной динамикой, которые
встречаются в природе (физические, геофизические, биологические, эко
номические, . . . ) . И именно это свойство “самоподобия” играет централь
ную роль во фрактальной геометрищ а ее основатель Б. Мандельброт
назвал свою книгу “ The Fractal Geometry of Nature” [320], подчеркивая
тем самым универсальность понятия автомодельности в Природе.
Нужные нам для дальнейшего определения статистической автомодель
ности и фрактального броуновского движения будут даны в § 2с. Следую
щий же параграф, не связанный непосредственно с финансовой математи
кой и навеянный материалами работ [104], [379], [385], [386], [428], [456],...,
призвал дать общее представление о концепции автомодельности, играю
щей, как уже отмечалось, центральную роль во фрактальной геометрии.
§ 2Ь. Экскурс во фрактальную геометрию

1. Как известно, евклидова геометрия возникла в Древней Греции
результате стремления редуцировать разнообразие наблюдаемых в При
роде форм к некоторым “простым” “чистым” “симметричным” объектам.
Так появились “точки” “линии” “плоскости” трехмерные объекты (сферы,
конусы, цилиндры, . . . ) .
Однако, как указывал Б. Мандельброт (1984 г.): “ Облака - это не сфе
ры, горы - это не конусы, линии берега - это не окружности, и кора
не является гладкой, и молния не распространяется по прямой . . . ”
Созданная им так называемая фрактальная геометрия как раз и призва
на дать описание объектов, форм, явлений, . . . , которые далеки от того,
чтобы быть “простыми” и “симметричными” а наоборот, имеют весьма
сложную структуру, но обладают, тем не менее, рядом свойств типа ав
томодельности, самоподобия, самовоспроизводимости и т. п.
Не преследуя цель дать математическое определение “фрактальной гео
метрии” и ее основного понятия “фрактала”, но желая обратить внима
ние читателя на важность идеи фрактальности вообще и в финансо
вой математике в частности, дадим “определение” лишь на описатель
но-наглядном уровне.
Часто дается такое “рабочее определение” : “ Фрактал - это объект,
части которого устроены так же, как и целое” (Термин фрактал, вве
денный Б. Мандельбротом в 1975 г., [315], происходит, видимо, от латин
ского “fractio (ecclesiastical Lat; feminine) - a breaking, breaking in pieces”
c m . [296]. (Breaking (англ.) - the action of break, fracture - ломать, перело
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.
Польский математик Waclaw Sierpinski (1882-1969) ввел “треугольник Сер-

пинского” (в английской версии называемый также the “Sierpinski Gasket” ) и “ковер
Серпинского” (the “Sierpinski Carpet” ) еще в 1916 году.
2. М одел и с о с в ой ств а м и сам оп од оби я . Ф р а к та л ьн ость 275
А А А
Рис. 2 7 . П осл ед ова тел ьн ы е к он струкц и и треугольника Серпинского
Понятно, что треугольник Серпинского устроен так, что в нем слишком

много пустот, и в этой связи естественным образом возникает вопрос о том,
какова же “размерность” этого объекта.
Его нельзя, строго говоря, называть двумерным из-за большого коли
чества “дыр” в то же самое время он, конечно, не является одномерным.
Этот простой пример показывает, что, видимо, треугольнику Серпин
ского можно приписать некоторую фрактальную, т. е. дробную, размер
ность. (При соответствующем определении эта “размерность” оказыва
ется равной 1.58; см., например, [104], [428], [456].)
Треугольник Серпинского является примером симметричного фрак
тального объекта. В Природе же доминируют, конечно, “несимметрич
ные фракталы” что связано с локальной случайностью их образования.
Это не исключает, тем не менее, глобального детерминизма, в подтверж
дение чего сошлемся на пример получения треугольника Серпинского как
результата действия следующей стохастической процедуры, [386].
Рассмотрим равносторонний треугольник с вершинами А = А (1,2),
В = В ( 3,4) и С — С ( 5, 6), где появление чисел 1, 2 , . . . , 6 станет ясно из
следующего построения.
Выберем в треугольнике произвольным образом точку (а) и затем под
бросим “честным” образом правильный кубик, стороны которого зануме
рованы числами 1 ,2 ,..., 6. Если выпадет, скажем, “5” или “6”, то соеди
ним точку (а) с вершиной С -= С (5 ,6) и пусть (6) есть середина отрезка,
соединяющего эти точки. Затем снова подбросим кубик и в зависимости
от выпавшего результата аналогичным образом получим новую точку (с)

ит. д.
Весьма замечательно, что ( “почти всегда” ) предельное множество так
получаемых точек (Ь), (с ),. .. будет образовывать треугольник Серпинс-
кого ( “черные” точки на рис. 27).
Математикам хорошо известен другой “классический” пример множес
тва с фрактальной структурой - канторово множество, введенное
Г. Кантором (Georg Cantor; 1845-1918) в 1883 году как пример множес
тва особой структуры (совершенное, т.е. замкнутое и без изолированных
точек), являющееся нигде не плотным на числовой прямой и имеющее мощ
ность континуума. Напомним, что это множество есть подмножество от-
ОО £ .
резка [0,1], образованное числами вида ^ где Si — 0 или 2. Геомет-
г—1
рически канторово множество получается из отрезка [0,1] выбрасыванием
его центрального (открытого) интервала (|, |) с последующим выбрасы
ванием из оставшихся отрезков [О, |] и [ f . i ] их центральных подынтерва
лов ( | ,| ) и ( | ,| ) и т .д . Суммарная длина выбрасываемых таким образом
интервалов равна единице, но, тем не менее, оставшееся “редкое” множес
твом имеет, на самом деле, мощность континуума. Самоподобность канто-
рова множества, т. е. то, что его “часть устроена так же, как и целое” ясна
из самой геометрической конструкции этого множества, согласно которой
это множество есть совокупность подмножеств, каждое из которых в “ми
ниатюре” таково же, как и все множество в целом.
Из иных известных объектов со свойствами автомодельности упомянем
треугольник Паскаля (В. Pascal), снежинки Коха (Н. van Koch), кривую
Пеано (G. Реапо), множества Жюлиа (G. Julia); см., например, [379].
2. Говоря выше о “размерности” мы не приводили точного определе

ния (Ф. Хаусдорф - автор “хаусдорфовой размерности” - отмечал, что
проблема “правильного” определения понятия “размерности” является
очень трудной). Отсылая по этому поводу к специальной литературе (см.,
например, [104], [428], [456]), отметим лишь, что идея фрактальной раз
мерности, скажем кривой на плоскости, весьма проста - эта размерность
показывает степень заметания плоскости рассматриваемой кривой. Если
эта кривая есть реализация X = (X t)t^о некоторого процесса, то ее фрак
тальная размерность тем выше, чем больше в (X t )t^0 “высокочастотных”
составляющих.
3. Предположим теперь, что X = (X t )t> о ~ эт0 некоторый стохасти

ческий, случайный процесс. В этом случае естественно давать определе
ние “фрактальной размерности” не для отдельной реализации, а для всей
совокупности реализаций. Эта идея приводит к понятию статистичес

кой фрактальной размерности, определение которой дается в следующем
параграфе.
§ 2с. Статистическая автомодельность.

Фрактальное броуновское движение
1. О пределение 1. Случайный процесс X = (X t)t^о со значениями
в Rd называется автомодельным (самоподобным, self-similar), или удов
летворяющим свойству (статистической) автомодельности, если
для каждого а > 0 можно найти такое Ъ> 0, что
Law(Xat, t ^ 0) = Law(Mft, t ^ 0). (1)
С наглядной точки зрения это означает, что изменение временной шка

лы (t -* at) приводит к тому же самому результату, что и изменение
фазовой шкалы (х —» Ьх).
В § 1с мы видели, что для (ненулевых) строго устойчивых процессов
существует константа Н такая, что b — аш. При этом для строго а-ус
тойчивых процессов
И= - . (2)
а
В случае (общих) устойчивых процессов вместо (1) мы имели (см. (2)
в § 1с) свойство
Law(X at, t ^ 0) = Law(amXt + tD a, 0), (3)
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.
2. Из сказанного следует, что целесообразно и естественно следующее
О пределение 2. Если в определении (1) для любого а > 0 параметр

b = аш, то случайный процесс X = (X t)t^ о будет называться автомо
дельным процессом с показателем Харста Н, или процессом, удовле
творяющим свойству статистической автомодельности с показате
лем Харста Ж Величина Ю) = д называется статистической фрак
тальной размерностью случайного процесса X .
Классическим примером автомодельного процесса является броунов

ское движение X = (X t)t^ о- Напомним, что для этого (гауссовского)
процесса ЕX t = 0, EXsX t = min(s,£). Поэтому
ЕX asX at = min(as,a£) = amin(s,£) = Е(a1^2X s)(a1^2X t )1
и, значит, двумерные распределения Law(Xs , X t) обладают следующим

свойством автомодельности:
Law(Xas, X at) = Law ( a ^ 2X s ,a 1/2X t).
В силу гауссовости отсюда вытекает, что броуновское движение удовле

творяет свойству статистической автомодельности с показателем Харста
Н = 1/2.
Другим примером является строго a -устойчивое движение Леви
X = ( X t)tô, для которого
~ S e ( ( i - a ) 1/ 2,0 ,0 ), a 6 (0,2].
Для этого процесса с однородными независимыми приращениями
X a t - X a a ^ a 4 a (X t - X a),
и, значит, показатель Харста 1 = 1 / а и В = а. При а = 2 мы получаем

броуновское движение.
Подчеркнем, что рассмотренные в этих примерах процессы являются
процессами с независимыми приращениями.
Следующий пример относится к случаю процессов с зависимыми при
ращениями.
3. Фрактальное броуновское движение.
Рассмотрим функцию
A(s, t) = И 2Н + \t\m - It - s|2H, 3, t e R. (4)
Эта функция при 0 < Н ^ 1 является неотрицательно определенной, и, сле

довательно, на некотором вероятностном пространстве (скажем, на про
странстве действительных функций uj = (и^)*ем) существует (см., напри
мер, [439; гл. II, § 9]) гауссовский процесс с нулевым средним и автоковари-
ационной функцией
Соv (X a, X t ) = Â {s,t),
то есть, с
EXsX t = 1 { И 2Ш+ |*|2И - 11 - з|2Ш}. (5)
Отсюда видим, что
EXasX at = am EXsX t = E(a*Xa){awX t ),
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
E|Xt - X s|a ^ c | ^ - S|1+^. (7)
Поэтому, если Н > 1/2, то из (6) сразу следует (при а = 2, /3 = 2Н — 1),

что у рассматриваемого процесса X = (X t)t^о существует непрерывная
модификация. Если жеО < Н ^ 1/2, то в силу гауссовости для всякого
0 < k < Н имеет место оценка
E|Xt - X e|1/ fc< c | « - s | H/fc
с некоторой константой с > 0. Тем самым, снова возможно применение

критерия Колмогорова (с а — 1/А:, /3 = И/Л; — 1).
Таким образом, у рассматриваемого гауссовского процессах = (X t)t^ о
при всех 0 < Н ^ 1 существует непрерывная модификация.
О пределение 3. Непрерывный гауссовский процесс X = (X t)tô с ну
левым средним и ковариационной функцией (5) называется (стандартным)
фрактальным броуновским движением с показателем автомодель
ности Харста 0 < Ш ^ 1. (В дальнейшем для такого процесса будет
часто использоваться обозначение Вш = (Дш(£))г^о-)
Из данного определения следует, что (стандартное) фрактальное бро
уновское движение X = (X t )t^о удовлетворяет следующим свойствам,
которые можно было бы также принять в качестве определения этого про

цесса:
1) Хо = 0, ЕX t = 0 для всех t ^ 0;
2) X имеет стационарные приращения:
Law(Xt+s - X s) = Law(Xt), s ,t^ 0 ;
3) X является гауссовским процессом,
ЕХ% = |*|2И, 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
2) Статья [328] носит название “Fractional Brownian Motion, Fractional Noises

and Applications”, и вместо использованного нами термина “фрактальное (fractal)
броуновское движение” буквально правильнее было бы говорить о “дробном (frac
tional) броуновском движении”. Однако, из соображений благозвучия на русском
языке мы решаемся вместо термина “дробный” употреблять термин “ фрактальный”,
подчеркивая, тем самым, фрактальную природу процесса В ^.
“явное” представление посредством стохастических интегралов по (неко

торому) винеровскому процессу W — {Wt)teR с W q = 0: для 0 < Ш < 1
Вш (t)
+ j \ t - s ) n- l ' 2 dWs j , (8)
где (нормирующая) константа
2 Н Г (| -Н ) (9)
Г (§ + Н )Г ( 2 - 2 Е )
выбрана так, что ЕВ^(1) = 1.
Зам ечание 1. По поводу разных форм представления правой части

в (8) см. статью [328]. В этой статье подробно комментируется также
происхождение термина fractional Brownian motion и его аналогия с
fractional integral (Holmgren-Riemann-Liouville)
f (t - s)m~ 1/2 dWs, (10)

Jo
где Н может быть любым положительным числом (см. также работу Г. Вей
ля [475]).
Зам ечание 2. Почти наверное траектории фрактального броуновско

го движения Вщ удовлетворяют условию Гёльдера с показателем /3 < Ш.
Они также нигде не дифференцируемы и
Bj&(t) — В е ^ о)
lim = оо (Р-п.н.)
t —>to t - t0
в любой точке tо ^ 0.
З ам ечание 3. Если в представлении (8) вместо Н взять гёльдеровскую

функцию Шг, (\Mt — Hs| < c\t — s|a , а > 0) со значениями в (0,1), то по
лучаем случайный процесс, носящий название мулътифракталъного бро
уновского движения. Этот процесс был введен и детально изучен в рабо
те [381].
З амечание 4. В теории случайных процессов хорошо известна роль

семимартингалов как того класса, для которого развита теория сто
хастического исчисления (см. далее раздел 5 и, подробнее, например,
[250], [304]). В этой связи полезно отметить, что фрактальное броуновское
движение Вщ с 0 < Н ^ 1 не является (за исключением И = 1/2, т. е. слу
чая броуновского движения и Н = 1) семимартингалом. Доказательство
этого факта для 1/2 < Н < 1 см. в монографии [304; гл. 4, § 9, пример 2].
Зам ечание 5. В связи с H/S-анализом Харста (т.е. анализом, ос
нованным на исследовании свойств размаха, эмпирического стандартно
го отклоненения и их отношения; см. далее гл. IV, раздел 4) полезно, сле
дуя [328], заметить, что если X = ( X t )t^ о является непрерывным автомо
дельным процессом с параметром Харста Н, Хо = 0 и 7lt = sup X s —
inf X s, to Law(T^) = Law(£H7î), t > 0. В случае броуновского дви-
жения X = В 1 В. Феллер ([157]) нашел точное распределение для 7li.

оо
(Плотность этого распределения имеет вид 8 ^ (—1)к~ 1к2(р(кх), х ^ 0,
к= 1
где <р(х) = (27г)- 1 / 2 ехр(—х 2/2).)
5. Существуют разнообразные обобщения свойства автомодельнос
ти (1). Например, пусть Х (а ) = о - процесс (типа) Орнштейна-
Уленбека с параметром a Е R, т. е. гауссовско-марковский процесс, опре
деляемый формулой
X t( a ) = Г ea ^ - s U w s , 0, (11)
JО
где W = (H^s)sô ~ станДаРтное броуновское движение; см. §3а. (Заметим,
что Х (а ) = (Xt(a))tô 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
Law(X at(a), t Е R) = Law( а ^ 2^ ( а а ) , t E R),
что можно рассматривать как своеобразную форму автомодельности для

семейства процессов {Х (а ), a Е R}.
6. Остановимся на одном принципиально важном методе “статистичес
ких выводов”, основанном на свойствах автомодельности.
Представим себе, что X = (X t)t^о ~ автомодельный процесс с показа
телем автомодельности Н. Пусть Д > 0. Тогда
L a w ( ^ A ) = L a w ( A MX i ) (12)
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)
В обычном статистическом анализе часто, из общих соображений, мож

но считать процесс X автомодельным с некоторым, вообще говоря, неиз
вестным значением параметра Ж Пусть мы сумели каким-то образом по
лучить для Н некоторую “правдоподобную” оценку Ж Тогда для проверки
гипотезы о том, что X действительно является автомодельным с парамет
ром Н, можно поступить так.
Предположим, что по результатам независимых наблюдений над Х\
и Хд мы получили эмпирические плотности Д (х ) и /д (х) для достаточно
многих значений Д. Тогда, если
h ( x ) * А й? а (х А ш) (14)
для широкого диапазона значений а; и А, то можно считать, что мы имеем

достаточно весомое подтверждение справедливости гипотезы об автомо
дельности процесса X с показателем Ж
Разумеется, что если теоретическая плотность Д (т ), зависящая, конеч
но, от Н, известна, то вместо проверки соотношения (14) следовало бы убе
диться в справедливости приближенного “наложения” графиков функций
Д у д (хД и) на график функции Д (т) с подстановкой в эту плотность в ка
честве показателя Харста значения Шили истинного значения этого пара
метра, если оно a priori известно.
7. Для a -устойчивых процессов Леви показатель Харста Н = 1/а, и
следовательно, для таких процессов оценивание Шсводится к оцениванию
параметра а. Для фрактального броуновского движения = (Дш(£))г^о
оценивание параметра Н по дискретным наблюдениям может быть осу
ществлено, например, следующим образом.
Рассмотрим временной интервал [0,1]. Разобьем его на п равных частей,
и пусть Д = 1/п - длина интервала разбиения.
Положим
Z k = i\ B m (k A )-B u((k -l)A )\

Ы в ш;А) =
п
(ср. с (19) в §3а, гл. IV).

Поскольку
то
Е1Л(ВШ;А ) = ^ А Ш.
Отсюда естественным образом напрашивается следующий вывод: в качест

ве оценки для Н надо взять статистику
~ ln[v/* 7 2 i/1 (.BM;A )]

н" = ыд '
(В работе [380] показано, что ч Н с вероятностью единица.)

с сильным последействием
1. Во многих разделах прикладной теории вероятностей броуновск
движение В = (Bt )tô используется в качестве модели, дающей простой
способ получения белого шума.
Если положить
P n = B n - B n_ i , n^l, (1)
то получаемая последовательность 0 = ((3n)nî будет гауссовской после-
довательностью независимых одинаково распределенных случайных вели-
чин с ЕРп = 0, Е/?£ = 1.
В соответствии с § 2а, гл. И, такую последовательность мы называли
белым (гауссовским) шумом и использовали как источник случайности
при образовании разнообразных случайных процессов, как линейных (МА,
A R , ARM А , . . . ) , так и нелинейных (ARCH, GARCH, . . . ) .
В этом смысле обращение к фрактальному броуновскому движению Ве
оказывается полезным для получения как стационарных гауссовских
последовательностей со свойствами сильного последействия ( “long
memory” “persistent system” ), так и последовательностей с быстрой пере
межаемостью ( “relaxationprocesses” “intermittency” “antipersistence” ).
Положим, по аналогии с (1),
f3n = Вш(п) — Вш(п — 1), п ^ 1, (2)

и будем называть последовательность /3 = ((Зп)п^1 фрактальным (гаус
совским) шумом с параметром Харста Н, 0 < Н < 1.
Из формулы (5) из § 2с для ковариационной функции (стандартного) про
цесса Вш следует, что ковариационная функция рш(п) = Cov(/?fc,Afc-fn)
имеет следующий вид:
Я .(п ) = ^ | п + 1 |2 В - 2 | п |2Н + |п - 1 Г } . (3)

Отсюда видно, что при п —» оо
рв(п) ~ Н (2 Н -1 )| п | 2Н- 2. (4)
Тем самым, в случае Н = 1/2 ковариация рш{п) — Одляп ф 0 ,и (f3n)nî

образует (как уже отмечалось выше) гауссовскую последовательность
независимых случайных величин. Если же Ш Ф 1/2, то из (4) мы видим,
что ковариация убывает с ростом п достаточно медленно (как |п|~ (2_2Ш0) ?
что обычно интерпретируется как наличие “долгой памяти” или “сильного
последействия’!
Полезно отметить принципиальную разницу в случаях 0 < Н < 1 / 2 и
1/2 < И < 1.
Если 0 < Н < 1/2, то ковариация отрицательна (рн(^) < 0, п > 0),
оо
при этом |рш(тг)| < оо.
72 — 0
Если же 1/2 < И < 1, токовариация положительна (ре(^) > 0, п ^ 0),

оо
при этом ^ рш(п) — оо.
72 = 0
Положительность ковариации означает, что вслед за положительны

ми (отрицательными) значениями /Зп следует ожидать также положитель
ные (отрицательные) значения. Тем самым, фрактальный гауссовский шум
с 1/2 < Н < 1 может служить подходящей моделью при описании эффек
тов “кластерности” (гл. IV, § Зе), реально наблюдаемых при эмпирическом
5П
анализе величин возврата hn = In — для многих финансовых индексов
*Ьп-1
S Н е
отрицательность же ковариации означает, что вслед за положитель
ными (отрицательными) значениями следуют ожидать отрицательные
(положительные) значения. Такая ситуация сильной перемежаемости
( “вверх-вниз-вверх- . .. ” ) действительно наблюдается при анализе по
ведения волатильности (см., подробнее, разделы 3 и 4 в гл. IV).
2. Последовательность (3 = (/?п) является гауссовской стационарно

последовательностью с корреляционной функцией % (п ), задаваемой фор
мулой (3).
Непосредственно можно убедиться в том, что в спектральном представ
лении
рв {п) = Г eiXnM \ ) d \ (5)

спектральная плотность /е(А ) может быть представлена в виде
[ (cosxX) (sin2 х ~ ш ~ 1dx
/
М Л) = — Too- — -------------------------------
( s in 2 2)1 " dx
Произведя соответствующие вычисления интегралов, можно найти (см.,

подробнее, [418]), что
00 1
/„(А) = *(Н)|е“ - 1|2 £ |А + 2кк\т+1 ’ W 4 (7)
к= —оо
где константа А~(Н) = ( [plr (2 H ]'sin(H7r)) •
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—\.
Ясно, что Еhn — Он D/i2 = 1.

Соответствующую этому случаю последовательность h = (hn), яв
ляющуюся гауссовской последовательностью независимых одинаково рас
предел�

Shiryaev A N - Osnovy Stokhasticheskoy Finansovoy Matematiki T 1-Fazis 1998

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Shiryaev A N - Osnovy Stokhasticheskoy Finansovoy Matematiki T 1-Fazis 1998

Оригинальное название:

Загружено:

Авторское право:

Доступные форматы

серия

Цит. по кн.: Я. Бернулли "О законе больших чисел",

Научное и Издательское Объединение ФАЗИС

Отпечатано в Московской типографии № 2 РАН

ISBN 5-7036-0043-Х ©ФАЗИС, 1998

Глава I. Основные понятия, структуры, инструменты,

1. Финансовые стр у к т у р ы и инструменты ................................ 3

§ 1 с. Рынок производных ценных бумаг. Финансовые инструменты 25

3. П ели и задачи ф и н ансовой тео р и и , инж енерии

1 . Н еобходим ы е в ер оя тн остн ы е понятия и н ек отор ы е модели

4. П рил ож ение: м одели ди н ам и ческого х а о с а ......................... 216

Глава III. С тох а сти ч еск и е м одели. Н епреры вн ое врем я . . . . 230

1 . Н е г а у с с о в с к и е м одели распределен и й и п р о ц е с с о в ......... 231

§ 4с. Диффузионные модели временной структуры

Глава IV . Статистический анализ финансовых да н н ы х 376

1. Эмпирические данные. В ер оятн остн о-стати сти ческ и е

§ Зс. Корреляционные свойства .......................................................... 425

П редметны й у к а з а т е л ь ......................................................................... 481

У казател ь си м вол ов ............................................................................. 488

Глава V . Т еор и я а р б и тр а ж а в ст ох а сти ч еск и х

1. П ор тф ел ь ценных б у м а г на (S , 5 ) - р ы н к е ................................. 493

§ 2c. Мартингальный критерий отсутствия арбитражных

Глава V I. Теория расчетов в стохастических

1 . Р а сч е т ы , связанные с хедж ированием Е в р о п е й ск о го типа

§ 4c. Расчет рациональной стоимости и хеджирующих

Глава V II. Теория арбитража в стохастических

1. П ортфель ценных бум аг в семимартингальных моделях . 787

§ ЗЬ. Конструкция мартингальных мер в диффузионных моделях.

4. А р б и т р а ж , п ол н ота и р а с ч е т ы цены хедж ирования

§ 5а. Модели без арбитражных возмож ностей.................................... 8 8 6

Глава V III. Теория расчетов в стохастических

1. О пционы Е в р о п е й ск о го типа на дифф узионны х

2. Опционы А м ериканского типа на диффузионных

Замысел автора состоял в том, чтобы

• отобрать и изложить тот материал, который необходим и

• привести основные понятия, концепции и результаты стохас­

• дать применения к разнообразным расчетам в стохастической

Не в последнюю очередь имелись в виду и запросы преподавания по спе­

финансовой теории и финансовой инженерии, а также изложить некоторые

Подход к описанию стохастических последовательностей, основанный

“Первая теорема” утверждает (с некоторыми оговорками), что финан­

излагать весь материал только для случая дискретного времени. Одна­

1. Финансовые ст р у к т у р ы и инструменты ............................... 3

§ 1с. Рынок производных ценных бумаг. Финансовые инструменты 25

Согласно современным воззрениям (см., например, [79], [334] и [345]),

§ 1а. Ключевые объекты и структуры

1. Можно выделить следующие ключевые объекты и структуры, с ко

Представленная диаграмма показывает, что в теории и практике финан­

2 . И н д и в и д уу м ы - их финансовая деятельность подчинена решени

gained’.’ В дальнейшем будут описаны те возможности, которые открыва­

3. Финансовый рынок представляет собой совокупность денежных

Х) Обращение к финансовым структурам и финансовой активности в С Ш А будет

К числу основных финансовых инструментов относят ценные бумаги:

Отметим, что весьма часто финансовая инженерия определяется имен­

§ 1Ь. Финансовый рынок

2 . В а л ю т а -к а к деньги других государств (количество ее, состояние

четов в международных экономических связях, для осуществления кото­

3. Ценные металлы (в слитках) - золото, серебро, платина, другие

группы: иридий, осмий, палладий, родий, рутений) - играли ранее (осо­

4. Б анковский сч е т может рассматриваться как ценная бумага, отно

В случае непрерывно начисляемых процентов с “процентной став­

когда г(т ) -* г(оо), т оо.

• привести основные понятия, концепции и результаты стохас

Не в последнюю очередь имелись в виду и запросы преподавания по спе

“Первая теорема” утверждает (с некоторыми оговорками), что финан

излагать весь материал только для случая дискретного времени. Одна

Представленная диаграмма показывает, что в теории и практике финан

gained’.’ В дальнейшем будут описаны те возможности, которые открыва

Отметим, что весьма часто финансовая инженерия определяется имен

четов в международных экономических связях, для осуществления кото

группы: иридий, осмий, палладий, родий, рутений) - играли ранее (осо

В случае непрерывно начисляемых процентов с “процентной став

откуда следует, что по г (га) соответствующий эквивалентный непрерыв

Наряду с объявлением “годовой процентной ставки г ” банк может объ

Облигации весьма популярны в разных странах, и в абсолютном выра

В приведенном описании мы не затрагивали вопрос о структуре ры

2) в Европе купонные выплаты осуществляются обычно раз в год, а в СШ А - че

(mutual funds), пенсионные системы, страховые компании, банки и др., яв

Естественно, что и для “больших’,’ и для “малых” инвесторов важна ин

С точки зрения информации о “глобальном” состоянии экономики наи

• DJIA - Dow Jones Industrial Average (по 30 индустриальным ком

(К истории Dow. В 1883 г. Чарльз Доу (Charles Н. Dow) начал со

вместе с процентным и абсолютным его изменениями в сравнении с про

характер изменений индексов DJIA и S&P500 в течение ряда лет, ука

где W = (И ^ )^ о есть не что иное, как рассмотренное JI. Башелье броунов

что дает представление о росте величины рациональной стоимости опцио

более трудная) проблема возникает также в связи с описанием стохасти

3) Всемирный нефтяной кризис, возникший в связи с политикой нефтяно

Представленная здесь ситуация является типичной в том смысле, что с уве