Диссертация 18-03-13

БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ
На правах рукописи
УДК 519.24
Кузьмина
Анна Викентьевна
Статистическое моделирование
и анализ свойств процессов Леви
Диссертация на соискание ученой степени

кандидата физико-математических наук
по специальности 01.01.05 – теория вероятностей и

математическая статистика
Научный руководитель
доктор физ.-мат. наук, профессор,
Труш Николай Николаевич
Минск, 2013
ОГЛАВЛЕНИЕ
Перечень условный обозначений 4

Введение 5
Общая характеристика работы 7
Глава 1 Обзор литературы по теме исследований 10
Глава 2 Основные определения и вспомогательные математические
результаты 19
2.1 Фильтрованное вероятностное пространство 19
2.2. Классические случайные процессы, используемые в
финансовой математике 20
2.3 Эквивалентная мартингальная мера 21
2.4 Моделирование случайных величин 22
2.5 Оценки моментов распределения 22
Глава 3 Субординаторы: свойства и моделирование 24
3.1 Основные характеристики процессов Леви 24
3.2 Субординаторы: определения и свойства 26
3.2.1 Обратный гауссовский процесс 26
3.2.2 Гамма-процесс 29
3.2.3 Обобщенный обратный гауссовский процесс 32
3.3 Моделирование субординаторов 34
3.3.1 Моделирование обратного гауссовского процесса 34
3.3.2 Моделирование гамма-процесса 37
Глава 4 Анализ свойств и моделирование обобщенных
гиперболических процессов Леви 44
4.1 Обобщенные гиперболические процессы Леви 44
4.1.1 Нормальный обратный гауссовский процесс 44
4.1.2 VG-процесс 46
4.1.3 Гиперболический процесс 49
4.1.4 Обобщенный гиперболический процесс 51
4.2 Моделирование процессов семейства обобщенных
гиперболических процессов 65
4.3 Применение обобщенных гиперболических процессов
при определении стоимости опциона 71
4.3.1 Определение стоимости опциона с помощью 71
2
преобразования Эшера
4.3.2 Определение стоимости опциона с помощью
преобразования Эшера в случае нормального обратного гауссовского
процесса 72
4.3.3 Определение стоимости опциона с помощью
преобразования Эшера в случае VG-процесса 74
Глава 5 Анализ свойств и моделирование устойчивых случайных
процессов 77
5.1 Устойчивые процессы 77
5.1.1 Устойчивые случайные величины и процессы 77
5.1.2. Медленно растущий устойчивый случайный
процесс 79
5.1.3. Процесс CGMY 81
5.2 Моделирование устойчивых процессов Леви 83
5.2.1. Моделирование медленно растущих устойчивых
процессов 83
5.2.2 Моделирование процесса CGMY 84
Заключение 88
Библиографический список 89
3
ПЕРЕЧЕНЬ УСЛОВНЫХ ОБОЗНАЧЕНИЙ
ℝ множество действительных чисел
ℱ -алгебра подмножеств
(ℱ ) поток -алгебр
вероятность, вероятностная мера на ℱ
,ℱ,(ℱ ) , вероятностное пространство или стохастический
базис
пространство элементарных событий
распределение вероятностей CGMY с
параметрами , , ,
гамма-распределение вероятностей с
параметрами ,
гиперболическое распределение вероятностей с
параметрами , , , ℝ
обобщенное обратное гауссовское распределение
вероятностей с параметрами ℝ, ,
обобщенное гиперболическое распределение
вероятностей с параметрами ℝ, , ,
, ℝ
обратное гауссовское распределение
вероятностей с параметрами ,
нормальный закон распределения вероятностей с
математическим ожиданием ℝ и дисперсией
нормальное обратное гауссовское распределение

вероятностей с параметрами , , ,
ℝ
дисперсионное распределение вероятностей или
-распределение
медленно растущее устойчивое распределение с
параметрами , ,
индикаторная функция множества
равенство по распределению
п.н. почти наверное
4
ВВЕДЕНИЕ
Одной из основных проблем финансовой инженерии является

определение рациональной стоимости опциона. Вопрос о рациональной,
справедливой стоимости опциона интересует как покупателя, так и эмитента-
продавца ценной бумаги. Правильность расчета стоимости производных
ценных бумаг, к которым относится и опцион, во многом зависит от моделей,
которые применяются для описания процессов эволюции динамики
стоимости основных ценных бумаг.
Проблеме прогнозируемости динамики финансовых характеристик
(цен акций, индексов), построения моделей эволюции финансовых
характеристик уделяется значительное внимание уже более 100 лет. Впервые
математическая модель описания эволюции цен финансовых инструментов
была представлена в работе Л. Башелье (L. Bachelier, 1900 г.) [1].
Современный период исследований динамики финансовых характеристик
получил начало в 50-е годы прошлого века с появлением работы М. Кендалла
(M. Kendall, 1953 г.) [2]. Автор предлагал описывать динамику логарифмов
отношения финансовых характеристик с помощью случайного блуждания. В
настоящее время моделями, наиболее точно отражающими эволюцию
финансовых характеристик, являются модели, которые базируются на
использовании процессов Леви. Эти модели являются основой методов
формирования стоимостей финансовых производных, проблема
справедливых значений которых всегда будет актуальной и важной.
Целью диссертационной работы является разработка алгоритмических
средств статистического моделирования процессов Леви и анализ свойств
указанных процессов в применении к задачам стохастической финансовой
математики.
В первой главе представлен обзор литературы по теме исследований.
Здесь приведены математические модели описания эволюции цен
финансовых инструментов, указаны их достоинства и недостатки. В этой
главе проводится обзор методов моделирования процессов Леви и
применение процессов Леви в финансовой математике.
Вторая глава содержит основные понятия и результаты теории
случайных процессов стохастической финансовой математики. Здесь
приводятся примеры классических процессов Леви – винеровского процесса
и процесса Пуассона; описывается метод суперпозиции, на основе которого в
диссертации разработаны алгоритмы моделирования случайных процессов в
классе обобщенных гиперболичесих процессов Леви.
В третьей главе рассматриваются процессы Леви с неотрицательными
приращениями – субординаторы. В главе приводится определение объекта
5
исследований – процесса Леви; исследуются свойства таких субординаторов
как обратный гауссовский процесс, гамма-процесс, которые являются
частными случаями обобщенного обратного гауссовского процесса. Также
осуществляется моделирование обратного гауссовского процесса, гамма-
процесса различными алгоритмами и проводится сравнение эффективности
алгоритмов моделирования распределений, которым подчиняются
приращения указанных процессов.
В четвертой главе исследуется семейство обобщенных
гиперболических процессов Леви, к которому относятся гиперболический
процесс, нормальный обратный гауссовский процесс, VG-процесс. Эти
процессы используются в моделях управления риском и моделях
определения стоимостей производных финансовых инструментов. Также
находятся выражения для семиинвариантов, моментов, коэффициентов
асимметрии, эксцесса гиперболического процесса, нормального обратного
гауссовского процесса, VG-процесса, обобщенного гиперболического
процесса. Предлагается новый алгоритм моделирования обобщенного
гиперболического процесса и его частных случаев: гиперболического
процесса, нормального обратного гауссовского процесса, VG-процесса.
Проводится сравнение эффективности алгоритмов моделирования указанных
процессов Леви. Кроме того, рассматривается применение процессов Леви в
финансовой математике. Исследуются условия, которым должны
удовлетворять параметры нормального обратного гауссовского процесса и
VG-процесса, позволяющие применить преобразование Эшера в задаче
нахождения стоимости опциона.
В пятой главе рассматриваются устойчивые случайные процессы
применяемые в финансовой математике: медленно растущий устойчивый
процесс и процесс CGMY, приводятся их свойства и алгоритмы
моделирования. Доказана теорема о представлении процесса CGMY как
разности двух медленно растущих устойчивых процессов, на основе которой
получен новый алгоритм моделирования процесса CGMY. Проводится
сравнение эффективности алгоритма моделирования процесса CGMY с
использованием винеровского процесса с помощью случайной замены
времени неотрицательным неубывающим -устойчивым процессом Леви
и предлагаемого алгоритма моделирования процесса CGMY как разности
двух медленно растущих устойчивых процессов.
6
ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ
Связь работы с крупными научными программами (проектами) и
темами
Исследования проводились на кафедре теории вероятностей и
математической статистики факультета прикладной математики и
информатики учреждения «Белорусский государственный университет» в
соответствии с заданиями научных программ, выполняемых в рамках
 государственной программы фундаментальных исследований
«Исследование математических моделей и их применение к анализу систем,
структур и процессов в природе и обществе» («Математические модели»,
2006–2010 гг.);
 государственной программы научных исследований
«Междисциплинарные научные исследования, новые зарождающиеся
технологии как основа устойчивого инновационного развития» (ГПНИ
”Конвергенция“, 2011-2015 гг.);
 научно-исследовательской работы кафедры теории вероятностей и
математической статистики «Вероятностно-статистический анализ
временных рядов» (2011-2015 гг.).
Цель и задачи исследования
математики. Для достижения поставленной цели требуется решить
следующие основные задачи:
1. Вычислить семиинварианты рассматриваемых случайных величин,
процессов Леви и найти выражения для их моментов, коэффициентов
асимметрии, эксцесса.
2. Разработать эффективные алгоритмы моделирования обобщенных
гиперболических процессов Леви, устойчивых процессов Леви. Для класса
обобщенных гиперболических процессов Леви определить условия,
позволяющие применить преобразование Эшера в задаче нахождения
стоимости опциона.
3. Провести сравнение различных алгоритмов моделирования
процессов Леви как разработанных соискателем, так и известных.
Разработать программно-инструментальные средства в среде MATLAB для
организации и проведения статистических экспериментов по определению
эффективности предлагаемых алгоритмов моделирования.
7
Объект исследования – процессы Леви и случайные распределения,
которым подчиняются приращения процессов Леви.
Предмет исследования – алгоритмы статистического моделирования
процессов Леви, моменты случайных величин и процессов Леви.
Положения, выносимые на защиту
1. Выражения для семиинвариантов, моментов, коэффициентов
асимметрии, эксцесса нормального обратного гауссовского процесса, VG-
процесса, гиперболического процесса, обобщенного гиперболического
процесса, полученные с использованием семиинвариантного подхода.
2. Алгоритмы моделирования процессов Леви в классе обобщенных
гиперболических процессов, основанные на использовании случайных
величин с обобщенным гиперболическим распределением, что позволяет
уменьшить время при сохранении точности моделирования; сравнение
предлагаемых и ранее известных алгоритмов моделирования процессов Леви
в классе обобщенных гиперболических процессов. Условия, полученные для
класса обобщенных гиперболических процессов Леви, позволяющие
применить преобразования Эшера в задаче нахождения стоимости опциона.
3. Алгоритм моделирования процесса CGMY, основанный на
представлении этого процесса в виде разности двух медленно растущих
устойчивых случайных процессов, что позволяет уменьшить время при
сохранении точности моделирования; сравнение предлагаемого и ранее
известного алгоритма моделирования процесса CGMY.
Личный вклад соискателя
Все основные результаты, изложенные в диссертационной работе,
получены автором самостоятельно. Роль научного руководителя Труша Н.Н.
состояла в определении цели диссертационной работы, постановке задач,
рассматриваемых в работе, обсуждении методов решения задач, анализе
полученных соискателем результатов, формировании структуры
диссертации.
Апробация результатов диссертации
Основные результаты диссертации были представлены и обсуждались
на заседаниях научного семинара кафедры теории вероятностей и
математической статистики БГУ, научных конференциях студентов и
аспирантов Белорусского государственного университета, на крупных
Республиканских и Международных конференциях, в том числе на
Международной научной конференции “Теория вероятностей,
математическая статистика и их приложения” (22-25 февраля 2010 года, г.
Минск), 67-ой научной конференции студентов и аспирантов БГУ (17-20 мая
8
2010 года, г. Минск), 6-ой Международной научной конференции “Computer
algebra systems in teaching and research“ (2-5 февраля 2011 года, Poland,
Siedlce), 9-ой Международной научной конференции “Computer data analysis
and modeling: complex stochastic data and systems” (7-11 сентября 2010 года, г.
Минск), Республиканской научной конференции студентов и аспирантов
Республики Беларусь “НИРС-2011” (18 октября 2011 года, г. Минск),
Международном конгрессе по информатике “Информационные системы и
технологии” (31 октября-1 ноября 2011 года, г. Минск), Международной
научной конференции “XI Белорусская математическая конференция” (4-9
ноября 2012 года, г. Минск).
Опубликованность результатов диссертации
Результаты диссертационной работы опубликованы в 11 научных
работах. Из них 4 статьи в научных журналах в соответствии с пунктом 18
Положения о присуждении ученых степеней и присвоении ученых званий в
Республике Беларусь (общим объемом 2,5 авторских листа), 5 статей в
сборниках материалов научных конференций, 2 тезисов докладов на научных
конференциях.
Структура и объем диссертации
Диссертационная работа состоит из перечня условных обозначений,
введения, общей характеристики работы, пяти глав, заключения,
библиографического списка. Полный объем диссертации составляет 96
страниц, в том числе 14 рисунков на 5 страницах, 13 таблиц на 5 страницах.
Библиографический список содержит 79 наименований, включая
собственные публикации автора.
9
ГЛАВА 1
ОБЗОР ЛИТЕРАТУРЫ ПО ТЕМЕ ИССЛЕДОВАНИЙ
Проблема построения моделей, описывающих динамику цен основных

финансовых инструментов, является предметом многочисленных
исследований теоретико-вероятностного и статистического характера.
Первой математической моделью описания эволюции цен финансовых
инструментов была линейная модель Л. Башелье (L. Bachelier, 1900 г.) [1],
представленная в его работе “Theorie de la speculation”. Л. Башелье
предложил описывать движение цен акций и других финансовых индексов на
парижском рынке ценных бумаг случайным процессом следующего
вида:
, (1.1)
где – стандартный винеровский процесс (броуновское движение),
приращения которого подчиняются нормальному (гауссовскому)
распределению, , , , ℝ, .
Существенным недостатком линейной модели Л. Башелье (1.1) является тот
факт, что величины (цены акций) принимают отрицательные значения.
Идеи Л. Башелье получили развитие в работе М. Кендалла (M. Kendall,
1953 г.) [2]. М. Кендалл провел эмпирический анализ цен акций, цен на
пшеницу на Чикагском рынке, цен на хлопок на Нью-Йоркской торговой
бирже и пришел к выводу, что логарифмы цен ведут себя как
случайное блуждание, т. е. если , то
, , (1.2)
где – сумма независимых одинаково распределенных
случайных величин.
С появлением работы М. Кендалла возрастает интерес к более
углубленному изучению динамики финансовых инструментов. Г. Робертс (H.
Roberts, 1959 г.) в своей работе “Stock-market “patterns” and financial analysis”
[3] и М. Осборн (M. Osborne, 1959 г.) в работе “Brownian Motion in the Stock
Market” [4] делают акцент на том факте, что не сами цены, а их логарифмы
подчиняются броуновскому движению.
Важный вклад в построение модели цен был сделан в 1965 году
П. Самуэльсеном (P. Samuelson, 1965 г.) [5], который предложил описывать
динамику цен акций геометрическим броуновским движением:
, . (1.3)
Процесс называется экономическим броуновским движением или
геометрическим броуновским движением, ℝ, .
10
Мартингальный подход к описанию динамики движения цен
основан на разложении Дж. Дуба [6], в соответствии с которым
последовательность из (1.2) изучается в зависимости от свойств
фильтрации (ℱ ) . Предполагается, что стохастические колебания рынка
описываются фильтрованным вероятностным пространством
,ℱ, (ℱ ) , и , . Так как , , то определены
условные математические ожидания ℱ , тогда ℱ
ℱ , где –ℱ -измеримы, т.е. последовательность
является предсказуемой, а – ℱ -измеримы. Последовательность
является мартингал-разностью, т.е. и ℱ , .
Традиционными моделями динамики движения цен, основанными на
разложении Дуба, являются следующие модели [6]: линейная
авторегрессионная модель AR (autoregressive model), линейная модель
скользящего среднего MA (moving averages model), линейная модель
авторегрессии и скользящего среднего ARMA (autoregressive moving averages
model), нелинейная авторегрессионная модель условной однородности ARCH
(autoregressive honditional heteroskedastiсity model), нелинейная обобщенная
авторегрессионная модель условной однородности GARCH (generalized
autoregressive conditional heteroscedastic model), бинарная CRR-модель (Cox,
Ross, Rubinstein model), модель Блэка-Шоулса и др. В этих моделях в
качестве «носителя» случайности используется последовательность
независимых нормально распределенных случайных величин.
Линейные модели типа AR, MA, ARMA являлись основными
моделями описывающими динамику цен в 1970-е годы, для которых
характерны большие временнее интервалы (год, квартал, месяц).
Логарифмические доходности в таких моделях представлялись как
,
где и – ℱ измеримы, – стандартные нормально распределенные
независимые случайные величины, . В случае:
– AR(p)-модели: , ;
– MA(q)-модели: , ;
– ARMA(p,q)-модели: ,
;
В 1980-е годы основной интерес был связан с нелинейными моделями:
– ARCH(p)-модели: , ;
– GARCH(p,q)-модели: , ;
11
– бинарная CRR-модель: , где принимает одно из двух
возможных значений, .
В 1990-е годы основное внимание уделяется анализу данных,
описываемых случайными процессами “тиковой” структуры
,
где – тики, – индикаторная функция множества ,
и процессами с непрерывными траекториями.
В 1973 году при расчетах стоимостей опционов Ф. Блэком и М.
Шоулсом (F. Black, M. Scholes, 1973 г.) [7], и Р. Мертоном (R. Merton, 1973
г.) [8], была рассмотрена модель эволюции цен, которая получила
впоследствии название стандартной диффузионной (B,S)-модели Блэка-
Мертона-Шоулса или стандартного диффузионного (B,S)-рынка. В 1997
работа Ф. Блэком и М. Шоулса была отмечена Нобелевской премией. В
модели Блэка-Мертона-Шоулса рассматриваемый финансовый рынок
состоит из банковского счета с постоянной процентной ставкой
, и акции , подчиняющихся следующим уравнениям
соответственно:
, (1.4)
, (1.5)
где – стандартный винеровский процесс заданный на некотором
вероятностном пространстве ,ℱ, , ℝ, . Стохастическое
дифференциальное уравнение (1.5) имеет единственное решение
.
В работе [7] была выведена формула вычисления рациональной
стоимости стандартного Европейского опциона-колл с моментом исполнения
и ценой исполнения получившая название формулы Блэка-Шоулса [9,
10].
Теорема. [9] В модели (1.4)-(1.5) рациональная стоимость
стандартного Европейского опциона-колл с функцией выплаты
определяется формулой
, (1.6)
В частности, при и
и ~ при .
12
Будучи одной из самых популярных моделей динамики цен
финансовых инструментов стандартная диффузионная (B,S)-модели Блэка-
Мертона-Шоулса обладает существенными недостатками. Во-первых, данная
модель сильно упрощает действительность [9]:
1. в модели имеется предположение о постоянных процентной ставке
(которая в действительности колеблется), коэффициентах волатильности
и роста (на самом деле, они изменяются во времени);
2. в модели предполагается отсутствие операционных издержек,
выплаты дивидендов; наличие возможности продавать/покупать, класть
на/снимать с банковского счета любую сумму.
Во-вторых, модель Блэка-Мертона-Шоулса описывает реальные финансовые
данные не достаточно точно. Распределение логарифмических доходностей
финансовых активов (акций, индексов) не соответствует нормальному
распределению: они ассиметричны и имеют больший, чем у нормального
распределения эксцесс [11].
В качестве третьего недостатка (B,S)-модели следует отметить отсутствие
объяснения смайл-эффекта [9], суть которого заключается в том, что
предполагаемая волатильность (где – момент исполнения, а
– цена исполнения стандартного Европейского опциона-колл с функцией
выплаты , цена акции управляется уравнением
(1.5)) получаемая как решение уравнения
(где – реальная стоимость Европейского опциона-колл на

финансовом рынке, – теоретическая стоимость Европейского
опциона-колл определяемая формулой Блэка-Шоулса (1.6)) при
фиксированном меняется с изменением и представляет собой
выпуклую вниз функцию.
Для объяснения смайл-эффекта в 1994 году Б. Дюпири (B. Dupire, 1994
г.) [12], а также Е. Дерман и И. Кани (E. Derman, I. Kani, 1994 г.) [13]
предложили рассматривать как некоторую функцию, зависящую от
состояния и времени : . Таким образом, стохастическое
дифференциальное уравнение (1.5) имеет вид:
.
Согласно выше изложенному материалу, следует, что достижения
финансовой математики ХХ века связаны с нормальным (гауссовским)
распределением, которому подчиняются приращения винеровского процесса.
В этот период в моделях финансовой математики также активно
используется распределение Пуассона. Например, пуассоновский процесс,
приращения которого подчиняются пуассоновскому распределению,
используется в модели разорения для описания процесса числа исков, а
13
составной процесс Пуассона используется в этой модели в качестве процесса
совокупного иска [14].
В конце 1990-х – начале 2000-х годов доминирующее место в описании
динамики цен основных финансовых инструментов занимает класс
процессов Леви, к которым относится и броуновское движение. Различают
экспоненциальную интегральную броуновскую модель
(1.7)
и экспоненциальную броуновскую модель с заменой времени
, (1.8)
где – стандартный винеровский процесс, – процесс
замены времени, ℝ, .
В качестве процессов наиболее точно описывающих динамику
логарифмических доходностей цен были предложены процессы
Леви. В 1990 году в работе [15] был представлен процесс Леви,
распределение приращений которого соответствует VG-распределению. Этот
процесс Леви получил название VG-процесса или дисперсионного гамма-
процесса. Д.Б. Мадан, П.П. Карр и Е.С. Чанг (D. B. Madan, P. P. Carr, E. C.
Chang, 1998 г.) вывели формулу для определения стоимости европейского
опциона-колл в случае, когда изменение цены акции задается
трехпараметрическим VG-процессом [16]. Формулы для вычисления
стоимости американского опциона в случае, когда изменение цены акции
задается VG-процессом, приведены в [17]. Гиперболический процесс был
введен в рассмотрение в работе [18] в 1995 году. Применение
гиперболического процесса как процесса, который управляет ценами акций,
изучалось в работах [18, 19]. В 1995 году был предложен нормальный
обратный гауссовский процесс [20]. Гиперболический процесс, нормальный
обратный гауссовский процесс, VG-процесс принадлежат классу
обобщенных гиперболических процессов, приращения которых имеют
обобщенное гиперболическое распределение [21]. Подробное изучение
класса обобщенных гиперболических распределений и процессов было
проведено К. Праусе (K. Prause) в 1999 году [22] и Э. Эберлейном (E.
Eberlein) в 2001 году [23]. Обобщенное гиперболическое распределение
является смесью (взвесью) гауссовских распределений [9, 24]. В работах [24,
25] вводится определение многомерной смеси (взвеси) гауссовских
распределений, рассматривается многомерный обобщенный
гиперболический процесс, который рекомендуется использовать в качестве
процесса описывающего динамику цен акций (индексов) [25].
14
Наряду с распределениями из класса обобщенных гиперболических
распределений в моделях ценообразования опционов используются
распределения принадлежащие классу медленно растущих устойчивых
распределений. Класс медленно растущих устойчивых распределений был
предложен Твиди (M. C. K. Tweedie, 1984) [26]. В общем случае медленно
растущее устойчивое распределение обладает шестью параметрами.
Медленно растущие устойчивые распределения являются безгранично
делимыми. Свойства медленно растущих устойчивых распределений
исследованы в работах [11, 27-30]. Применение медленно растущих
устойчивых распределений в моделях ценообразования опционов
обсуждается в работах [11, 30, 31].
В качестве частных случаев медленно растущих устойчивых
распределений выделяют VG-распределение, двустороннее гамма-
распределение, распределение CGMY (P. Carr, H. Geman, D. H. Madan,
M.Yor) [32]. VG-распределение является частным случаем распределения
CGMY [11]. Процесс CGMY и соответствующая модель динамики движения
цен акций представлены в работе [32]. Процесс CGMY был получен из VG-
процесса путем введения дополнительного параметра, который способствует
более адекватному описанию реальных финансовых данных по сравнению с
VG-процессом. Обобщенный VG-процесс вводится в рассмотрение в работе
[33]. Распределение Мейкснера и процесс Мейкснера были введены в работе
[34]. Как и все распределения, рассмотренные выше, распределение
Мейкснера является безгранично делимым. Применение процесса Мейкснера
рассматривается в работе [35].
Заменяя в (1.7), (1.8) броуновское движение на процессы
Леви получаем экспоненциальную интегральную модель Леви и
экспоненциальную модель Леви с заменой времени [9, 11]. Эти модели
учитывают такие особенности распределения логарифмических доходностей
финансовых активов как ассиметрия, эксцесс и наличие тяжелых хвостов
распределений. Основным недостатком экспоненциальных моделей Леви
является предположение о постоянной волатильности , которая в
действительности изменяется во времени и имеет кластерный характер.
О. Барндорфф-Нильсен и Н. Шепард (O. E. Barndorff-Nielsen, N.
Shephard) в 2001 году предложили BNS модель или Black-Scholes-SV модель
[36], стохастическая природа волатильности в которой описывается
процессом Орнштейна-Уленбека, следующего вида:
, (1.9)
15
,
где – процесс Леви, являющийся субординатором, –
процесс Орнштейна-Уленбека, – стандартный винеровский
процесс, , . Процесс Леви называют основным
управляющим процессом Леви (background driving Levy process, BDLP). О.
Барндорфф-Нильсен [37] исследовал модель (1.8) в случаях, когда в качестве
основных управляющих процессов Леви используется гамма- и обратный
гауссовкий процессы Леви.
Второй подход в описании стохастичной природы волатильности
состоит в представлении изменения времени как стохастического изменения.
Соответствующая модель называемая моделью Леви со стохастической
волатильностью (Levy SV Market Model) была предложена П. Карром, Г.
Геманом, Д. Маданом, М. Йором (Р. Carr, H. Geman, D. H. Madan, M. Yor)
[38]:
, (1.10)
где – процесс Леви, – процесс стохастического бизнес –
времени, , . Процесс является либо CIR процессом [39],
либо процессом Орнштейна-Уленбека, управляемым субординатором.
Модель Леви со стохастической волатильностью (1.10) обеспечивает
лучшее соответствие данным по сравнению с моделью (1.9) [11].
Одновременно с развитием моделей динамики цен основных
финансовых инструментов, базирующися на процессах Леви, идет
исследование GARCH моделей, которые учитывают кластерный характер
волатильности. Значимыми в эволюции GARCH моделей являются работы
Дж.-С. Дуана (J.-C. Duan, 1995, 2004) [40, 41], С. Менна и С. Рачева (C. Menn
and S. T. Rachev, 2005a) [42]. У. Ким, С. Рачев, М. Бианчи, Ф. Фабози (Y. S.
Kim, S. T. Rachev, M. L. Bianchi, F. J. Fabozzi) [43] в 2008 году разработали
новую GARCH модель, которая сочетает в себе как кластерный характер
волатильности, так и безгранично делимые распределения, на которых
основаны процессы Леви.
математики.
В рассматриваемых моделях (1.1), (1.3)-(1.5), (1.8)-(1.10) для получения
описания динамики цен основных финансовых инструментов требуется
моделировать входящие в эти модели процессы Леви. Моделирование
процессов Леви может быть основано на их аппроксимации составным
процессом Пуассона. Однако, в частных случаях в зависимости от типа
моделируемого процесса Леви можно использовать другие методы.
16
Например, алгоритмы моделирования винеровского, гамма- и обратного
гауссовского процессов Леви основаны на моделировании приращений этих
процессов как случайных величин с нормальным, гамма- и обратным
гауссовским распределением соответственно [11, 30, 44]. Гамма- и обратный
гауссовский процессы являются частными случаями обобщенного обратного
гауссовского процесса. Обобщенное обратное гауссовское распределение
является трехпараметрическим распределением, которое было введено в
рассмотрение Гудом И.Дж. (Good I. J., 1953) [45]. Обобщенное обратное
гауссовское распределение является безгранично делимым [11, 30]. Важными
частными случаями обобщенного обратного гауссовского распределения
являются обратное гауссовское распределение и гамма-распределение. В
работе [46] предложено использовать обобщенный обратный гауссовский
процесс для описания процесса совокупного иска в модели управления
риском. На основе обобщенного обратного гауссовского распределения
строится обобщенное гиперболическое распределение [22, 23], которому
подчиняются приращения обобщенного гиперболического процесса. В [6, 23]
показано, что обобщенный гиперболический процесс можно представить
через обобщенный обратный гауссовский процесс и стандартный
винеровский процесс. В силу такого представления в работе [47] предложен
алгоритм обобщенного гиперболического процесса, в котором требуется
смоделировать обобщенный обратный гауссовский процесс и стандартный
винеровский процесс. Моделирование частных случаев обобщенного
гиперболического процесса – нормального обратного гауссовского процесса
и VG-процесса – основано на моделировании обратного гауссовского
процесса и стандартного винеровского процесса; гамма-процесса и
стандартного винеровского процесса соответственно [11, 30]. Другой способ
моделирования VG-процесса состоит в моделировании этого процесса как
разности двух независимых гамма-процессов [11]. Для моделирования
медленно растущих процессов Леви применяют метод, который был
разработан Дж. Росинским (J. Rosinski, 2002) [48].
Маданом Д.Б. и др. [49] показано, что процесс CGMY может быть
образован из винеровского процесса с помощью случайной замены времени
устойчивым субординатором независимым от винеровского процесса. Таким
образом, для моделирования процесса CGMY необходимо смоделировать два
вспомогательных процесса: винеровский процесс и процесс, который
является устойчивым субординатором.
В диссертационной работе рассматриваются обобщенное обратное
гауссовское распределение (частные случаи: обратное гауссовское
распределение, гамма-распределение), обобщенное гиперболическое
17
распределение (частные случаи: гиперболическое распределение, нормальное
обратное гауссовское распределение, VG-распределение), медленно
растущие устойчивые распределение (одностороннее медленно растущее
распределение, CGMY распределение). Исследуются свойства указанных
распределений, проводится моделирование случайных величин с
перечисленными распределениями.
В диссертации предлагаются эффективные алгоритмы моделирования
примеров процессов Леви:
 алгоритмы моделирования процессов Леви в классе обобщенных
гиперболических процессов с использованием случаных величин с
обобщенным гиперболическим распределением;
 алгоритм моделирования процесса CGMY как разности двух
медленно растущих устойчивых случайных процессов.
Также проводится сравнительный анализ эффективности известных и
предлагаемых алгоритмов моделирования процессов Леви и существующих
алгоритмов моделирования распределений, которым подчиняются
приращения процессов Леви. Кроме того, исследуются свойства этих
распределений и свойства рассматриваемых процессов Леви.
Выводы. В главе приведен обзор литературы, в которой
рассматриваются
 проблема построения моделей, описывающих динамику цен
основных финансовых инструментов,
 применяемые в этих моделях процессы Леви,
 моделирование процессов Леви.
Также определены основные направления исследований по рассматриваемой
тематике.
18
ГЛАВА 2
ОСНОВНЫЕ ОПРЕДЕЛЕНИЯ И ВСПОМОГАТЕЛЬНЫЕ
МАТЕМАТИЧЕСКИЕ РЕЗУЛЬТАТЫ
В этой главе приводятся основные понятия и результаты

математического аппарата теории финансов, сформулированные в работах
Ширяева А. Н. (1999) [9], Schoutens W. (2003) [11], Jacod J., Shiryaev A. (2003)
[50], Cont R., Tankov P. (2004) [30], а также методы статистического
моделирования, описанные в работах Харина Ю. С., Малюгина В. И.,
Абрамовича М. С. (2008) [51] и Харина Ю. С., Малюгина В. И., Кирлицы В.
П. (1997) [52].
2.1 Фильтрованное вероятностное пространство

В качестве базовой вероятностной модели рассматривают
фильтрованное вероятностное пространство ,ℱ,(ℱ ) , [9, 11],
называемое также стохастическим базисом, где пространство элементарных
событий (состояний рынка, в рассматриваемом контексте) обозначают как
; ℱ – -алгебра подмножеств (совокупность событий, наблюдаемых на
рынке); – вероятность, вероятностная мера на ℱ; F (ℱ ) – поток
-алгебр таких, что
ℱ ℱ … ℱ … ℱ,
где – знак включения.
Предполагается, что фильтрованное вероятностное пространство
,ℱ,(ℱ ) , удовлетворяет так называемым обычным условиям [11,
51]
1) ℱ является -полной, т.е. для каждого ℱс , имеем
ℱ;
2) ℱ содержит все -нулевые множества из , т.е. известно какие
события могут произойти, а какие нет;
3) F непрерывна справа, т.е. ℱ ℱ , где – знак пересечения.
Введенный поток F (ℱ ) неубывающих -подалгебр, входящих в ℱ и

называемых фильтрацией, интерпретируется следующим образом:
19
ℱ – совокупность событий, наблюдаемых до момента (включительно),
т.е. ℱ – это доступная наблюдателю «информация» о состоянии рынка до
момента времени .
Пусть – рыночная цена акции, обменный курс двух валют или
какой-либо другой финансовый индекс. В силу интерпретации ℱ как
информации, доступной к моменту времени , являются ℱ -
измеримыми, т.е. считают, что значения цен образовываются в зависимости
от событий, наблюдаемых на рынке до момента времени . В
диссертационной работе представлены модели, динамика цен акции
(индекса) в которых описывается непрерывным процессом. Поскольку в
большинстве моделей стоимость акции (индекса) выражается через
экспоненциальную зависимость от некоторого случайного процесса, то
предпочтительнее иметь дело не с величинами , а с величинами ,
интерпретируемыми как логарифмические доходности. Другое основание в
пользу рассмотрения логарифмических доходностей отражает тот факт, что
логарифмические доходности за период времени длиной являются
суммой логарифмических доходностей за периодов длины :
2.2 Классические случайные процессы, используемые в

финансовой математике
Процессы Леви основаны на понятии безграничной делимости
распределения. Пусть задано вероятностное пространство ℱ .
Классическим примером процесса Леви является винеровский процесс.
Определение 2.1. [11] Случайный процесс , заданный на
вероятностном пространстве ℱ со значениями в ℝ, называется
(стандартным) винеровским процессом или броуновским движением, если
выполнены следующие условия:
1) ;
20
2) имеет независимые приращения: для любого и любого
набора точек , таких, что , величины
являются независимыми;
3) для любых имеет стационарные нормально
распределенные приращения
~ .
Важным свойством винеровского процесса является то, что этот процесс
имеет непрерывные траектории, т.е. является непрерывной по
функцией [9].
вероятностном пространстве ℱ со значениями в ℝ, называется
процессом Пуассона с параметром , если выполнены следующие
условия:
1) ;
2) имеет распределение Пуассона с параметром :
, .
2.3 Эквивалентная мартингальная мера

Пусть ,ℱ, (ℱ ) , – фильтрованное вероятностное
пространство.
Определение 2.3. [9] Стохастическая последовательность
является мартингалом, если при каждом и (P-п.н.) для всех
ℱ )= .
Чтобы подчеркнуть относительно какой меры и какого потока -алгебр
ℱ стохастическая последовательность является мартингалом,
используют обозначение , ℱ .
Определение 2.4. [9] Мера , определенная на ,ℱ , является
абсолютно непрерывной относительно меры , (обозначение: ) если
для всякого ℱ такого, что , следует также :
.
Определение 2.5. [9] Меры и , заданные на одном и том же
измеримом пространстве ,ℱ , называются эквивалентными, если
и . Обозначаются эквивалентные меры следующим образом: .
21
Пусть – процесс Леви на фильтрованном вероятностном
пространстве ,ℱ, (ℱ ),
и процесс цен акции имеет вид:
,
где , – заданная процентная ставка.
Определение 2.6. [11] Мера , определенная на ,ℱ , называется
эквивалентной мартингальной мерой, если выполнены следующие условия:
1) мера и мера имеют одинаковые нулевые множества, т.е. и
являются эквивалентными мерами,
2) дисконтированный процесс цены акции является
мартингалом на мере .
2.4 Моделирование случайных величин

Алгоритмы моделирования случайных величин с равномерным
распределением, нормальным распределением, экспоненциальным
распределением, гамма-распределением, которые используются при
моделировании процессов Леви, реализованы в таких программных пакетах
как STATISTICA, MATHEMATICA, MATLAB и другие.
Рассмотрим моделирование непрерывной случайной величины
методом суперпозиции [52], на основе которого построен предлагаемый
алгоритм моделирования процессов Леви в классе обобщенных
гиперболических процессов. В основе данного метода находится формула
полной вероятности для плотностей. Пусть имеются две случайные величины
и , заданные на одном и том же вероятностном пространстве. Пусть
– функция распределения ; – условная плотность
распределения при условии . Тогда безусловная плотность
распределения
. (2.1)
Моделирующий алгоритм заключается в следующей последовательности

шагов.
Алгоритм 2.1. Моделирование непрерывной случайной величины
методом суперпозиции.
1) Определяем случайную величину так, чтобы имело место (2.1).
2) Генерируем . Пусть – реализация .
3) Генерируем при условии . Получаем – реализацию .
22
2.5 Оценки моментов распределения
Пусть случайная величина имеет математическое ожидание ,
дисперсию , асимметрию и эксцесс
,
,
, (2.2)
,
а – выборка объема случайной величины . Тогда
, (2.3)
– несмещенные и состоятельные оценки математического ожидания и

дисперсии соответственно, а
являются состоятельными оценками асимметрии и эксцесса соответственно

[53].
В главе 3 методом моментов строятся оценки параметров моделируемых
распределений, состоятельность которых подтверждается следующей
леммой.
Лемма 2.1. [54] Пусть функция непрерывна в точке ; пусть
последовательности случайных величин и , сходятся по
вероятности соответственно к числам и . Тогда последовательность
.
Выводы. В главе приведены следующие понятия и результаты
математического аппарата теории стохастической финансовой математики и
статистического моделирования:
1) Определения фильтрованного вероятностного пространства,
эквивалентной мартингальной меры, классических примерорв процессов
Леви: винеровского процесса, пуассоновского процесса.
2) Моделирование непрерывной случайной величины методом
суперпозиции, на котором построен предлагаемый в главе 4 алгоритм
моделирования процессов Леви из семейства обобщенных гиперболических
процессов.
23
3) Оценки моментов случайных распределений, используемые в главе
3 при построении оценок параметров моделируемых распределений.
24
ГЛАВА 3
СУБОРДИНАТОРЫ: СВОЙСТВА И МОДЕЛИРОВАНИЕ
Как было отмечено в главе 1 к числу процессов Леви относятся

следующие процессы: обобщенный обратный гауссовский процесс, обратный
гауссовский процесс, гамма-процесс, обобщенный гиперболический процесс,
гиперболический процесс, нормальный обратный гауссовский процесс, VG-
процесс, медленно растущий устойчивый процесс, процесс CGMY. В этой
главе излагается теоретические основы процессов Леви. Исследуются
процессы Леви, субординаторы, на основе которых строятся обобщенные
гиперболические процессы Леви (рассматриваемые в главе 4),
непосредственно описывающие динамику логарифмических доходностей цен
в экспоненциальной модели Леви с заменой времени (глава 1).
Проводится моделирование обобщенных обратных гауссовских процессов и
сравнительный анализ эффективности алгоритмов моделирования
распределений, которым подчиняются приращения указанных процессов.
3.1 Основные характеристики процессов Леви

вероятностном пространстве ℱ со значениями в ℝ такой, что
, называется процессом Леви, если выполнены следующие условия:
1) имеет независимые приращения: для любого и любого
набора точек , таких, что , величины
являются независимыми;
2) для любых имеет стационарные приращения
;
3) обладает свойством стохастической непрерывности, т.е. для
каждого и
25
.
Поскольку процессы Леви являются процессами со стационарными

независимыми приращениями, их распределения полностью определяются
распределениями [9]. Из самого определения процессов
Леви следует, что распределение является при каждом безгранично
делимым.
Пусть
– характеристическая функция, а
– характеристическая экспонента, называемая также кумулянтой [11]. Тогда

в силу независимости и стационарности приращений процессов Леви имеем:
Таким образом, распределение задается распределением .

Характеристическая экспонента представима в виде
формулы Леви-Хинчина [11, 31, 55], которая сформулирована в утверждении
3.1.
Утверждение 3.1. Пусть – процесс Леви на некотором
фильтрованном вероятностном ,ℱ,(ℱ ) , . Тогда
характеристическая функция этого процесса представима в виде:
,
где
, (3.1)
ℝ, , – положительная мера на ℝ, называемая мерой Леви,

удовлетворяющая условиям:
и .
26
Представление (3.1) называется формулой Леви-Хинчина, триплет
характеристик Леви определятся единственным образом. Из
представления (3.1) следует, что в общем случае процесс Леви состоит из
линейной детерминистской составляющей, винеровской составляющей с
дисперсией и скачкообразной составляющей.
3.2 Субординаторы: определения и свойства

Среди процессов Леви выделяют неотрицательные неубывающие
процессы, т.е. процессы, имеющие только положительные приращения.
Такие процессы Леви называют субординаторами. Эти процессы играют роль
замены времени в теории обобщенных гиперболических процессов Леви.
Субординаторами являются обратный гауссовский процесс, гамма-процесс,
обобщенный обратный гауссовский процесс [6, 11, 23, 30, 56].
3.2.1 Обратный гауссовский процесс

Рассмотрим обратный гауссовский процесс, приращения которого
имеют обратное гауссовское распределение.
Определение 3.2. [11, 30] Случайная величина , заданная на
вероятностном пространстве ℱ , имеет обратное гауссовское
распределение с параметрами , , если ее плотность распределения имеет
вид
, (3.2)
где , , .
Случайную величину с обратным гауссовским распределением будем
обозначать . Графики плотностей обратного гауссовского
распределения изображены на рисунке 3.1.
a=5 b=5
a = 10
a =20
b=2
b =0.9
Рисунок 3.1 – Графики плотностей обратного гауссовского распределения
27
Характеристическая функция обратного гауссовского распределения
имеет вид [11]
(3.3)
Моменты обратного гауссовского распределения представлены в

таблице 3.1 [11, 30].
Таблица 3.1 – Моменты обратного гауссовского распределения
математическое
ожидание
дисперсия
асимметрия
эксцесс
Вычислим моменты обратного гауссовского распределения используя
семиинвариантный подход, согласно которого математическое ожидание,
дисперсия, асимметрия и эксцесс случайной величины определяются
следующими выражениями соответственно:
,
,
,
,
,
,
,
,
где семиинвариант -го порядка случайной величины
, – характеристическая функция случайной величины .

Семиинварианты случайной величины с учетом (3.3)
имеют вид
, ,
Тогда математическое ожидание, дисперсия, асимметрия и эксцесс

случайной величины вычислются как
,
,
28
,
.
Для плотности линейного преобразования случайной величины с
обратным гауссовским распределением справедливо следующее утверждение
Утверждение 3.2. Пусть случайная величина имеет обратное
гауссовское распределение с параметрами , , т.е. , тогда для
любых , ℝ плотность случайной величины имеет обратное
гауссовское распределение с плотностью
.
В случае, когда плотность случайной величины имеет обратное
гауссовское распределение с плотностью
,
т.е. случайная величина имеет обратное гауссовское распределение с
параметрами , : .
Доказательство. Пусть , – функции распределения
случайных величин , , , ℝ соответственно; , –
плотности случайных величин , соответственно. Для функций
распределения случайных величин , выполнено [57]
Для плотностей случайных величин , имеем
, . (3.4)
Используя (3.2) и (3.4) получаем
.
В случае, когда имеем
29
. Утверждение доказано.
Триплет характеристик Леви обратного гауссовского
распределения имеет вид [11, 30]:
где , – плотность стандартного

нормального распределения.
Определение 3.3. [11, 30] Случайный процесс с параметрами
, заданный на вероятностном пространстве ℱ со значениями в ℝ
такой, что , называется обратным гауссовским процессом, если
1) имеет независимые приращения;
2) для любых
;
3) для каждого и
3.2.2 Гамма-процесс
Рассмотрим обратный гамма-процесс, приращения которого имеют
обратное Г-распределение (гамма-распределение).
Определение 3.4. [11, 23, 30] Случайная величина , заданная на
вероятностном пространстве ℱ , имеет Г-распределение с
параметрами , , если ее плотность распределения имеет вид
(3.5)
где – гамма-функция, , – параметр формы,
30
– параметр масштаба. В этом случае будем обозначать . Графики
плотностей гамма-распределения изображены на рисунке 3.2.
a=5 b=5
a = 10 b=2
a =30 b =0.9
Рисунок 3.2 – Графики плотностей гамма-распределения
Характеристическая функция гамма-распределения имеет следующий

вид [11, 30]
. (3.6)
Гамма-распределение обладает моментами представленными в таблице
3.2 [11, 30].
Таблица 3.2 – Моменты гамма-распределения
ожидание
дисперсия
эксцесс
Вычислим моменты гамма-распределения используя
семиинвариантный подход (глава 3 п. 3.2.1). Для случайной величины
с учетом (3.6) имеем:
Тогда выражения для математического ожидания, дисперсии, асимметрии и

эксцесса случайной величины имеют вид:
,
,
,
.
31
Следующее утверждение будет использоваться при моделировании
случайной величины с гамма-распределением.
Утверждение 3.3. Пусть случайная величина имеет гамма-
распределение с параметрами , , т.е. , тогда для любых ,
ℝ плотность случайной величины имеет гамма-распределение с
плотностью
.
В случае, когда плотность случайной величины имеет гамма-
распределение с плотностью
,
т.е. случайная величина имеет гамма-распределение с параметрами
: .
Доказательство. Используя (3.4) и (3.5) получаем
В случае, когда имеем
Утверждение доказано.
Триплет характеристик Леви гамма-распределения имеет
вид [11, 30]:
.
, заданный на вероятностном пространстве ℱ со значениями в ℝ
такой, что , называется гамма-процессом, если выполнены следующие
условия:
;
3.2.3 Обобщенный обратный гауссовский процесс

32
Рассмотрим обобщенный обратный гауссовский процесс, приращения
которого подчиняются обобщенному обратному гауссовскому
распределению.
Определение 3.6. [11, 30, 23] Случайная величина , заданная на
вероятностном пространстве ℱ , имеет обобщенное обратное
гауссовское распределение с параметрами ℝ, , , если ее
плотность распределения имеет вид
(3.7)
где
– модифицированная функция Бесселя 3-го рода, ,
,
,
.
Введем обозначение случайной величины с обобщенным обратным

гауссовским распределением: . Графики плотностей
обобщенного обратного гауссовского распределения изображены на рисунке
3.3.
Характеристическая функция обобщенного обратного гауссовского
распределения имеет вид [11, 30, 23]
. (3.8)
Обобщенное обратное гауссовское распределение является

безгранично делимым [11, 56].
Моменты случайной величины с обобщенным обратным гауссовским
распределением заданы в таблице 3.3 [11, 30].
Таблица 3.3 – Моменты обобщенного обратного гауссовского распределения
ожидание
дисперсия
33
α = 0.5
b = 0.9
α = 10
b=2
α = 20
b = 10
 = -2
=0
 = 10
Рисунок 3.3 – Графики плотностей обобщенного обратного гауссовского

Моменты более высокого порядка обобщенного обратного
гауссовского распределения также могут вычислены, но из-за сложного и
громоздкого вида они указываются в явном виде только для частных случаев
обобщенного обратного гауссовского распределения. Важными частными
случаями обобщенного обратного гауссовского распределением являются
следующие распределения [11, 30].
1) При получаем – обратное гауссовское
распределение.
2) При , имеем – гамма-
ℝ, , , заданный на вероятностном пространстве ℱ со
значениями в ℝ такой, что , называется обобщенным обратным
гауссовским процессом, если выполнены следующие условия:
34
;
3.3 Моделирование субординаторов

В этом разделе приводятся алгоритмы моделирования процессов Леви,
рассмотренных в разделе 3.2, а также алгоритмы моделирования случайных
величин, распределения которых соответствуют распределениям
приращений этих процессов.
3.3.1 Моделирование обратного гауссовского процесса

Моделирование обратного гауссовского процесса основано на
моделировании случайных величин с обратным гауссовским
распределением. Алгоритм моделирования случайной величины с обратным
гауссовским распределением состоит из следующей последовательности
шагов [11, 30, 2-А].
Алгоритм 3.1. Моделирование случайной величины с обратным
гауссовским распределением , , .
0) Задаем значения параметров , .
1) Генерируем стандартную нормально распределенную случайную
величину ~ .
2) Положим .
3) Положим .
4) Генерируем стандартную равномерно распределенную случайную
величину ~ .
5) Если , то – случайное число с обратным гауссовским
распределением, иначе случайным числом с обратным гауссовским
распределением является величина .
Применим критерий Колмогорова-Смирнова [58] для проверки
соответствия распределения смоделированных по алгоритму 3.1 случайных
величин обратному гауссовскому распределению. На практике критерий
Колмогорова-Смирнова применяется, когда число случайных величин
[58]. Моделируем случайных величин по алгоритму 3.1.
В результате проверки нулевой гипотезы , где –
эмпирическая функция распределения случайной величины
представленной выборкой , – теоретическая функция
обратного гауссовского распределения, , получаем, что
35
,
где , , значит, на уровне значимости гипотеза

принимается, т.е. гипотеза соответствия смоделированных случайных
величин обратному гауссовскому распределению не
отвергается. Значения функции обратного гауссовского распределения
вычисляем как
где – плотность обратного гауссовского распределения задаваемая

формулой (3.2), , .
Применяя метод моментов [59] получим, что оценки параметров , ,
обратного гауссовского распределения имеют вид:
, (3.9)
где , определены в (2.3). В силу леммы 2.1 оценки (3.9) являются

состоятельными оценками параметров , . Среднее значение и среднее
квадратичное отклонение M = 500 погрешностей оценок , параметров
, для T (T = 100, T = 1000, T = 10000) случайных величин с обратным
гауссовским распределением представлены в таблице 3.4. Согласно
результатам, представленным в таблице 3.4 получаем, что чем больше
значения параметров , , тем больше случайных величин необходимо
моделировать для получения меньшей погрешности моделирования. Так, при
моделировании случайных чисел с обратным гауссовским распределением с
параметрами , в количестве T=100 имеем среднюю
абсолютную погрешность параметра равную 0.0683, параметра равную
0.0754, а при моделировании случайных чисел с обратным гауссовским
распределением с параметрами , даже в количестве T=1000
средняя абсолютную погрешность параметров превосходит указанные
значения и составляет 0.9074 для параметра и для параметра – 0.7254.
36
Таблица 3.4 – Средняя абсолютная погрешность и среднее квадратичное отклонение
погрешности случайных величин с обратным гауссовским распределением
= 0.5, = 0.4
T 100 1000 10000
M 500 500 500
средняя абсолютная погрешность 0.0327
0.0683 0.0152
параметра a
среднее квадратичное отклонение 0.0255
0.0490 0.0092
погрешности параметра a
средняя абсолютная погрешность 0.0361
0.0754 0.0153
параметра b
среднее квадратичное отклонение 0.0272
0.0575 0.0095
погрешности параметра b
= 5, =4
средняя абсолютная погрешность 0.2040 0.0954 0.0064
среднее квадратичное отклонение 0.1587 0.0748 0.0271
= 50, = 40
Обратный гауссовский процесс моделируется в моменты
времени с малым временным шагом .
Алгоритм 3.2. [11, 7-А, 8-А] Моделирование обратного гауссовского
процесса с параметрами , .
0) Задаем параметры , , временной шаг .
1) Генерируем независимые случайные числа с обратным гауссовским
распределением с параметрами , (алгоритм 3.1).
2) Генерируем процесс с параметрами
, .
Траектории обобщенного гауссовского процесса представлены на
рисунке 3.4
37
b  0.4
b  10
b  50
Рисунок 3.4 – Траектории обратного гауссовского процесса
3.3.2 Моделирование гамма-процесса

Алгоритмы моделирования случайных величин с гамма-
распределением приведены в [11, 30, 44, 60, 2-А, 3-А, 8-A].
Для моделирования случайных величин с гамма-распределением с
параметрами , используется генератор Джонка (Johnk’s generator)
[11, 30, 44, 2-А, 3-А, 8-А].
Алгоритм 3.3 Моделирование случайной величины с гамма-
распределением , , .
1) Генерируем независимые равномерно распределенные случайные
числа , ~ .
2) Положим и .
3) Если , то переходим на шаг 4, иначе – на шаг 1.
4) Генерируем экспоненциально распределенную случайную величину
~ .
5) Вычисляем случайное число с гамма-распределением с
параметрами , .
Моделирование случайной величины с гамма-распределением с
параметрами , осуществляется генератором Беста (Best's generator)
[11, 30, 2-А, 3-А, 8-А]. В этом случае алгоритм моделирования содержит
следующую последовательность шагов.
Алгоритм 3.4. Моделирование случайной величины с гамма-
1) Положим .
2) Генерируем независимые случайные числа , ~ .
3) Положим , и .
4) Если , то переходим на шаг 2, иначе – на шаг 5.
5) Положим .
38
6) Если , то переходим на шаг 2, иначе случайное
число с гамма-распределением – .
В [60] предлагается алгоритм моделирования случайной величины с
гамма-распределением с параметрами , .
Алгоритм 3.5 Моделирование случайной величины с гамма-
0) Задаем значения параметров моделирования , .
1) Положим .
2) Генерируем случайное число ~ .
3) Положим .
4) Если , то переходим на шаг 3.
5) Генерируем случайное число ~ .
6) Если или , тогда
случайное гамма-распределенное число . Иначе переходим на шаг 2.
Проверка соответствия распределений смоделированных по
алгоритмам 3.2-3.5 случайных величин гамма-распределению
осуществляется с помощью критерия Колмогорова-Смирнова [58].
Моделируем случайных величин с помощью алгоритма
3.5. В результате проверки нулевой гипотезы , где –
эмпирическая функция распределения случайной величины
представленной выборкой , – теоретическая функция
гамма-распределения, , получаем, что
,
где , , значит, на уровне значимости гипотеза
принимается, т.е. гипотеза соответствия смоделированных случайных
величин гамма-распределению не отвергается. Значения
функции гамма-распределения вычисляем как
,
где – плотность гамма-распределения задаваемая формулой (3.5),

, , .
Оценки параметров , гамма-распределения полученные методом
моментов [59] имеют вид:
, (3.10)
где , определены в (2.3). В силу леммы 2.1 оценки (3.10) являются

состоятельными оценками параметров , . Средние значения и средние
39
квадратичные отклонения погрешностей оценок , параметров ,
случайных величин с гамма-распределением моделируемых по алгоритмам
3.2-3.5 практически не отличаются, т.е. точность моделирования не зависит
от выбранного для моделирования алгоритма, однако, более
предпочтительным является алгоритм 3.5, так как он позволяет моделировать
случайные величины и для , и для . Среднее значение и среднее
квадратичное отклонение M = 500 погрешностей оценок , параметров
, для T (T = 100, T = 1000, T = 10000) случайных величин с гамма-
распределением представлены в таблице 3.5. Из таблицы 3.5 следует, что чем
больше значения параметров , , тем больше случайных величин
необходимо моделировать для повышения точности моделирования.
Таблица 3.5 – Средняя абсолютная погрешность и среднее квадратичное отклонение
погрешности случайных величин с гамма-распределением
Алгоритм 3.3
= 0.05, =1
T 100 1000 10000
M 500 500 500
средняя абсолютная погрешность
0.0165 0.0077 0.0032
среднее квадратичное отклонение
0.0002 0.00004 0.00001
1.0178 0.3968 0.1290
1.0211 0.1174 0.0293
=0. 5, =1
0.0936 0.0294 0.0100
Продолжение таблицы 3.5
0.0747 0.0216 0.0074
0.4545 0.1386 0.0450
0.3974 0.1038 0.0343
= 5, =1
T 100 1000 10000
M 500 500 500
0.6117 0.1852 0.0638
40
0.1260 0.0391 0.0132
0.1120 0.0303 0.0099
= 50, =1
4.0001 1.8022 0.5901
2.9981 1.4126 0.4854
0.1584 0.0711 0.0215
0.1302 1.4006 0.0204
= 0.05, =1
T 100 1000 10000
M 500 500 500
0.0153 0.0077 0.0024
0.0129 0.0057 0.0019
0.9620 0.4053 0.0575
1.0305 0.3255 0.0444
= 0.5, =1
0.0688 0.0299 0.0100
0.0531 0.0224 0.0078
0.3292 0.1362 0.0237
0.2689 0.1023 0.0181
Продолжение таблицы 3.5
= 5, =1
0.4390 0.1866 0.0583
0.3536 0.1488 0.0451
0.1843 0.0781 0.0260
0.1485 0.0613 0.0125
= 50, =1
3.9930 1.7524 0.6066
41
3.1703 1.3728 0.4612
0.1603 0.0708 0.0244
0.1284 0.0269 0.0091
Моделирование гамма-процесса с параметрами ,
основано на моделировании случайных величин с гамма-распределением.
Гамма-процесс моделируется в моменты времени
с малым временным шагом . Так как значение моделируемого
процесса имеет гамма-распределение с параметром формы , то в
алгоритме 3.3 временной шаг выбирается таким образом, чтобы ,
а в алгоритме 3.4 выбирается так, чтобы .
Алгоритм 3.6. [11, 3-А, 8-А] Моделирование гамма-процесса с
0) Задаем значения параметров , . Выбираем временной
шаг таким образом, чтобы величина была меньше 1.
1) Используя генератор Джонка генерируем независимые гамма –
распределенные случайные числа с параметрами
(алгоритм 3.3).
, .
3) В силу утверждения 3.3 процесс с параметрами
получаем из процесса с параметрами :

0) Задаем значения параметров , . Выбираем временной шаг
таким образом, чтобы величина была меньше 1.
1) Используя генератор Беста генерируем независимые гамма-
распределенные случайные числа с параметрами
(алгоритм 3.4).
, .
42
3) В силу утверждения 3.3 процесс с параметрами ,
получаем из процесса с параметрами :
0) Задаем значения параметров , . Выбираем временной шаг
.
1) Генерируем независимые гамма-распределенные случайные числа
с параметрами (алгоритм 3.5).
, .
3) В силу утверждения 3.3 процесс с параметрами
получаем из процесса с параметрами , :
Траектории гамма-процесса представлены на рисунке 3.5
at  0.2 b  0.5
at  0.1 b2
at  0.05
b  10
Рисунок 3.5 – Траектории гамма-процесса
Выводы. В главе получены следующие основные результаты:

1) Найден явный вид плотностей распределения линейного
преобразования случайных величин, имеющих обратное гауссовское
распределение и гамма-распределение.
2) Проведено сравнение эффективности алгоритмов моделирования
обратного гауссовского распределения и гамма-распределения. Как при
моделировании обратного гауссовского распределения (алгоритм 3.1), так и
при моделировании гамма-распределения (алгоритмы 3.3-3.5) получаем, что
чем больше значения параметров , , тем больше случайных величин
необходимо моделировать для получения меньшей погрешности
моделирования.
3) Проведено моделирование обратного гаусовского процесса и
гамма-процесса в системе MATLAB® 7.6.0 (R2008a). Траектории
43
моделируемых процессов представлены на рисунке 3.4 и рисунке 3.5.
44
ГЛАВА 4
АНАЛИЗ СВОЙСТВ И МОДЕЛИРОВАНИЕ ОБОБЩЕННЫХ
ГИПЕРБОЛИЧЕСКИХ ПРОЦЕССОВ ЛЕВИ
В главе 4 рассматривается класс обобщенных гиперболических

процессов Леви [6, 9, 11, 23, 30, 47], содержащий гиперболический процесс,
нормальный обратный гауссовский процесс, VG-процесс. Эти процессы
используются в моделях управления риском и моделях определения
стоимостей производных финансовых инструментов. По сравнению с
винеровским процессом, который используется в модели Блэка-Шоулза
определения стоимостей опционов, обобщенные гиперболические процессы
Леви позволяют достичь лучшего соответствия финансовым данным. Эти
процессы учитывают такие важные характеристики финансовых данных как
асимметрия, эксцесс, наличие тяжелых хвостов в распределении.
4.1 Обобщенные гиперболические процессы Леви

4.1.1 Нормальный обратный гауссовский процесс
Определение 4.1. [11, 30, 20, 23] Случайная величина , заданная на
вероятностном пространстве ℱ , имеет нормальное обратное
гауссовское распределение с параметрами , , , , если ее плотность
распределения имеет вид
, (4.1)
где – модифицированная функция Бесселя 3-го рода с индексом 1,

, , , , ℝ, . Случайную величину с нормальным
обратным гауссовским распределением будем обозначать .
Графики плотностей нормального обратного гауссовского распределения
представлены на рисунке 4.1.
Моменты нормального обратного гауссовского распределения
представлены в таблице 4.1 [11, 30].
Характеристическая функция нормального обратного гауссовского
распределения имеет вид [11, 20, 30]:
. (4.2)
45
β = -0.3
α = 10
β=0
α=5
β = 0.3
α= 0.5
δ = 10 µ = 15
δ = 30 µ = 10
δ = 70 µ = 5
Рисунок 4.1 – Графики плотностей нормального обратного гауссовского

Таблица 4.1 – Моменты нормального обратного гауссовского распределения

с параметрами , , ,
ожидание
дисперсия
эксцесс
Триплет характеристик Леви нормального обратного

гауссовского распределения имеет вид [11, 31, 20]:
где – модифицированная функция Бесселя 3-го рода с индексом 1,

.
Определение 4.2. [11, 20, 23, 30] Случайный процесс с
параметрами , , , заданный на вероятностном пространстве ℱ
46
со значениями в ℝ такой, что , называется нормальным обратным
гауссовским процессом, если выполнены следующие условия:
2) для любых , имеет стационарные с нормальным
обратным гауссовским распределением приращения
;
каждого и
4.1.2 VG-процесс
Определение 4.3. [11, 15, 30] Случайная величина имеет VG-
распределение с параметрами , , , если ее плотность распределения
имеет вид
, ℝ (4.3)
где – гамма-функция, ,а , , ℝ. Случайную величину с

VG-распределением будем обозначать .
Триплет Леви характеристик VG-распределения имеет вид [11, 16, 31]:
где параметры , , VG-распределения заданы в (4.6).
Характеристическая функция VG-распределения имеет вид [11, 16, 31]:

(4.4)
Моменты VG-распределения с параметрами , , приведены в

таблице 4.2 [11, 16, 30].
Таблица 4.2 – Моменты VG-распределения с параметрами , ,
ожидание
47
дисперсия
эксцесс
Определение 4.4. [11, 15, 30] Случайный процесс с

п.н .
со значениями в ℝ такой, что V0  0 называется VG-процессом, если
2) для любых , имеет стационарные с VG-
распределением приращения
;
каждого и
.
VG-процесс можно определить двумя способами [11, 16, 4-А, 5-А, 6-А,
8-А]. Первый состоит в использовании стандартного винеровского процесса
и гамма-процесса с параметрами и , а
именно
,
где – стандартный винеровский процесс в случайные моменты

времени , – гамма-процесс, , , ℝ.
Второй способ определения VG-процесса заключается в
представлении как разности двух независимых гамма-процессов с
параметрами , и с параметрами , , то есть
.
Теорема 4.1. [6-А] Характеристическая функция VG-процесса
с параметрами , , имеет вид:
. (4.5)
48
Доказательство. В силу рекуррентного правила для математических
ожиданий [9] характеристическую функцию дисперсионного
гамма-процесса можно представить как
где – гамма-процесс, – стандартный винеровский

процесс в случайные моменты времени .
Таким образом, имеем
,
где .
Подставляя в выражение для и производя замену переменных

, получаем (4.5). Теорема доказана.
Теорема 4.2. [6-А] Параметры , , , VG-процесса

связаны с параметрами , , VG-процесса следующими
соотношениями
,
,
(4.6)
Доказательство. В силу независимости гамма-процессов ,

характеристическая функция дисперсионного гамма-процесса
представима в виде произведения характеристических функций
гамма-процессов ,
49
, (4.7)
где
, .
Из (4.4) и (4.7) получаем следующие соотношения

,
, (4.8)
Решая (4.8) относительно и получаем (4.6). Теорема доказана.

Моменты VG-распределения с параметрами , , приведены в
таблице 4.3 [11, 30].
Таблица 4.3 – Моменты VG-распределения с параметрами , ,
ожидание
дисперсия
эксцесс
4.1.3 Гиперболический процесс

Определение 4.5. [11, 18, 19, 30] Случайная величина , заданная на
вероятностном пространстве (, ℱ ,) , имеет гиперболическое
распределение с параметрами , , , , если ее плотность распределения
имеет вид
. (4.9)
Случайную величину с гиперболическим распределением будем обозначать

. На рисунке 4.2 изображены графики плотностей гиперболического
50
α = 10 β = -0.7
β=0
α=5
β = 0.7
α= 0.5
HYP(1,  ,20,50)
δ = 10
µ = 15
δ = 20
µ = 10
δ = 30
µ = 5
HYP(5,4,  ,15) HYP(0.4,0.3,15,  )

Рисунок 4.2 – Графики плотностей гиперболического распределения
Характеристическая функция гиперболического распределения имеет

вид [11, 19, 21]:
. (4.10)
Математическое ожидание и дисперсия гиперболического

распределения представлены таблице 4.4 [11, 19, 21].
Определение 4.6. [11, 19, 30] Случайный процесс с
со значениями в ℝ такой, что , называется гиперболическим
процессом, если выполнены следующие условия:
2) для любых , имеет стационарные с гиперболическим
51
каждого и
.
Таблица 4.4 – Моменты гиперболического распределения
математичес- 
K2   2   2 
кое
ожидание
  
 2

  2 K1   2   2 

 2

K2   2   2 
 2  K 3   2   2 K 22   2   2   
дисперсия
 
 2
 2   2K  2   2    2  K  2   2
 1  1


K12   2   2   
4.1.4 Обобщенный гиперболический процесс
Рассмотрим обобщенное гиперболическое распределение, которому
посвящено значительное число работ [6, 9, 11, 21, 23, 30, 47, 1-А, 8-А].
Для описания обобщенного гиперболического распределения
используют несколько вариантов параметризации.
Определение 4.7 (Параметризация A). [6, 9, 11, 21, 23, 47] Случайная
величина , заданная на вероятностном пространстве ℱ , имеет
обобщенное гиперболическое распределение с параметрами , , , , ,
если ее плотность распределения имеет вид
, (4.11)
где ,
– модифицированная функция Бесселя 3-го рода, , ℝ,

если
если ,
если .
Случайную величину с обобщенным гиперболическим распределением
обозначим как .
Определение 4.8. (Параметризация B). Случайная величина ,
заданная на вероятностном пространстве ℱ , имеет обобщенное
гиперболическое распределение с параметрами , , , , , если ее
52
,(4.12)
где ,
, . (4.13)
Определение 4.9. (Параметризация C). Случайная величина ,
,(4.14)
где ,
, . (4.15)
Определение 4.10. (Параметризация D). Случайная величина ,
, (4.16)
где ,
где
, . (4.17)
53
Теорема 4.3. [11-A] Для обобщенного гиперболического
распределения параметризации плотностей распределения (A-D)
эквивалентны.
Доказательство. Эквивалентность A, B. Из (4.13) выражаем и :
, . (4.18)
Подставляя выражения (4.17) для и в (4.10) получаем (4.11).

Эквивалентность B, C. Из (4.15) находим и :
, . (4.19)
Эквивалентность C, D. Используя (4.13), (4.15), (4.17) выражаем , через
, :
, . (4.20)
Эквивалентность D, А. Подставляя в (4.16) выражения (4.17) получаем (4.11).
Теорема доказана.
Параметр  характеризует определенный подкласс из семейства
обобщенных гиперболических распределений. Параметр  является
коэффициентом формы, , , – коэффициентами асимметрии, масштаба
и положения соответственно. Параметр положения не влияет на вид
плотности обобщенного гиперболического распределения, а лишь изменяет
ее положение. В случае, когда , обобщенное гиперболическое
распределение является симметричным. Параметры и имеют смысл
параметров асимметрии и эксцесса, причем множество точек ,  
принадлежит области ,   : 0      1. Увеличение значения параметра 
как и уменьшение значений параметров  или приводит к увеличению
значения эксцесса.
Определение 4.11. [24] Пусть – случайный вектор, который, для
заданного случайного вектора , имеет -мерное нормальное
распределение с ковариационной матрицей и вектором математического
ожидания , где – симметричная положительно определенная
матрица, определитель которой равен 1, а и – векторы размерности .
Пусть подчиняется некоторому распределению с функцией распределения
заданной на . Распределение случайного вектора называют
54
смесью гауссовских распределений (normal variance-mean mixture) с
параметром расположения ℝ , параметром сноса ℝ и
симметричной положительно определенной матрицей .
Плотность случайного вектора X имеет вид [24]:
, (4.21)
а характеристическая функция случайного вектора X представима как [24]
, (4.22)
где – производящая функция распределения , т.е. ,

символ T
обозначает операцию транспонирования.
Примером смеси гауссовских распределений является -мерное обобщенное
гиперболическое распределение, которое представляет собой смесь -
мерных гауссовских распределений с параметром расположения ,
параметром сноса и симметричной положительно определенной
матрицей . Причем распределению в -мерном обобщенном
гиперболическом распределении соответствует обобщенное обратное
гауссовское распределение с параметрами , , . Плотность
-мерного обобщенного гиперболического распределения имеет вид [24]:
где – модифицированная функция Бесселя 3-го рода, .

В данной работе рассматривается одномерное ( ) обобщенное
гиперболическое распределение, плотность которого имеет следующий вид
[11]:
, (4.23)
55
N
где fy   , y ( x) – плотность нормального распределения с математическим
f GIG ( y)
ожиданием , дисперсией ,  , ,  2   2 – плотность обобщенного
обратного гауссовского распределения с параметрами , , .

На рисунке 4.3 изображены графики плотностей обобщенного
гиперболического распределения.
=1
0
 = 15
=0
=5
 = -10
 = 0.5
GH ( ,2,1,40,20) GH (2,  ,0,40,50)
=5
=0
 = 15
 = -1.5
 = 30
 = 1.5
GH (2,2,  ,20,50) GH (0.5,3,2,  ,20)
=5
=0
 = -5
GH (0.5,3,2,50,  )
Рисунок 4.3 – Графики плотностей обобщенного гиперболического
56
Теорема 4.4. Характеристическая функция обобщенного
гиперболического распределения задается в параметризации A следующим
выражением
, (4.24)
где – модифицированная функция Бесселя 3-го рода, .
Доказательство. Поскольку обобщенное гиперболическое распределение
является смесью нормального распределения с математическим ожиданием
, дисперсией , т.е. , и обобщенного обратного
гауссовского распределения с параметрами , , , т.е.
[24], то из (4.22) при получаем:

, (4.25)
где – производящая функция случайной величины ,

. Согласно определению производящей функции
,
где – характеристическая функция случайной величины
с обобщенным обратным гауссовским распределением
, задаваемая (3.8), . Тогда имеем
. (4.26)
Подставляя (4.26) в (4.25) получаем (4.24). Теорема доказана.

Обобщенное гиперболическое распределение обладает следующими
моментами, представленными в таблице 4.5 [11, 30, 24]. Поскольку моменты
более высокого порядка обобщенного гиперболического распределения
имеют сложный и громоздкий вид, то их обычно не они указывают.
57
Таблица 4.5 – Моменты обобщенного гиперболического распределения
математичес-
кое ожидание   ( 2  2 ) 1/2 K 1 (  2   2 )/(K  (  2   2 ))
 K 1 (  2  2 ) 2  K (  2  2 ) K  2 2 2 
1 (    ) 
дисперсия  
2
 2 2   2  
   2  2 K  (  2  2 )     K  (  2  2 ) K 2
(   2
  2
) 

 
Мера Леви обобщенного гиперболического распределения имеет вид

[11]:
где – функция Бесселя 1-го рода, – гамма-
функция, , – функция Бесселя 2-го рода.
Важным свойством обобщенного гиперболического распределения,

доказанным в работе [56] является то, что это распределение является
безгранично делимым. В силу свойства безграничной делимости
обобщенного гиперболического распределения можно определить
обобщенный гиперболический процесс.
Определение 4.12. [11, 30] Случайный процесс с
параметрами , , , , заданный на вероятностном пространстве
ℱ со значениями в ℝ такой, что , называется обобщенным
гиперболическим процессом, если выполнены следующие условия:
2) для любых имеет стационарные с гиперболическим
;
каждого и
58
.
В работе [61] для нахождения моментов -мерного, , случайного

процесса применяется семиинвариантный подход. Применим этот подход в
случае при для вычисления математического ожидания и дисперсии
обобщенного гиперболического процесса.
Теорема 4.5. Математическое ожидание и дисперсия обобщенного
гиперболического процесса с параметрами , , , ,
задаются следующими выражениями:
, (4.27)
. (4.28)
Доказательство. В силу свойства безграничной делимости обобщенного

гиперболического распределения характеристическая функция
распределения имеет вид:
, (4.29)
где задано в (4.24).

В силу семиинвариантного подхода математическое ожидание обобщенного
гиперболического процесса связано с семиинвариантом первого
порядка следующим образом
В силу равенств (4.24), (4.29) получаем:
59
.
Взяв производные с учетом следующих свойств модифицированной функции

Бесселя 3-го рода:
(4.30)
,
получим
Дисперсию обобщенного гиперболического процесса находим как
В силу равенств (4.24), (4.29) имеем:
60
.
Взяв производные с учетом выражений (4.30) получим дисперсию

обобщенного гиперболического процесса (4.28). Теорема доказана.
Важными частными случаями обобщенного гиперболического
процесса являются следующие процессы [11, 23, 30].
1) Если , то получаем нормальный обратный гауссовский
процесс с параметрами , , , .
2) При , получаем VG-процесс с параметрами
, .
3) Если , то имеем гиперболический процесс с
параметрами , , , .
Следствие 4.1. Математическое ожидание и дисперсия нормального
обратного гауссовского процесса с параметрами , , имеют
вид:
,
Доказательство. Так как, при нормальный обратный гауссовский

процесс является частным случаем обобщенного гиперболического процесса,
то доказательство представления первых двух моментов следует из теоремы
4.5. дисперсии. Доказательство выражений для асимметрии и эксцесса
нормального обратного гауссовского процесса проводится по аналогии с
доказательством выражений для асимметрии и эксцесса случайных величин
(глава 3 пункт 3.2.1). Причем, семиинварианты обратного гауссовского
процесса имеют вид:
, ,
, .
61
Следствие 4.2. Математическое ожидание, дисперсия, асимметрия и
эксцесс VG-процесса c параметрами , , имеют вид:
.
Доказательство следствия 4.2 проводится по аналогии с доказательством
выражений для математического ожидания, дисперсии, асимметрии и
эксцесса случайных величин (глава 3 пункт 3.2.1). Причем, семиинварианты
VG-процесса имеют вид:
, ,
, .
Следствие 4.3. Математическое ожидание и дисперсия

гиперболического процесса c параметрами , , , имеет вид
(4.27), (4.28) при .
В [6, 23] показано, что обобщенный гиперболический процесс
можно представить через обобщенный обратный гауссовский
процесс и стандартный винеровский процесс. А именно, пусть –
обобщенный обратный гауссовский процесс с параметрами , ,

, – стандартный винеровский процесс независимый от
, тогда процесс такой, что
является обобщенным гиперболическим процессом с параметрами , , ,

, .
Теорема 4.6. [9-А] Автокорреляционная функция обобщенного
гиперболического процесса с параметрами , , , , при
имеет вид:
62
, (4.31)
– модифицированная функция Бесселя 3-го рода, .

Доказательство. Математическое ожидание и дисперсия обобщенного
гиперболического процесса определяются следующими
соотношениями соответственно:
,
,
где – обобщенный обратный гауссовский процесс, –
стандартный винеровский процесс.
Представим ковариационную функцию обобщенного гиперболического
процесса в виде
(4.32)
где . Математическое ожидание и дисперсия

заданы в (4.27), (4.28).
Рассмотрим случай t  s. Тогда
63

EH t2   2t 2 

K 1 t  2   2 
2 
 K t  2   2
  2 
K 2 t  2   2    

 t  2   2 K t  2   2
 
 2
  2  
 K t  2   2
  
  1
K 2 t  2   2    

 
K  1 t  2   2  
 ,
2
 t  t

   
 2   2 K  t  2   2  

2

 2 2 K  1 2 2
s  
2  2 
 K s  2   2 
K 21 s  2   2    
EH   s
s
 s  2   2 K s  2   2
  
 2
  2  
 K s  2   2
 


K 2 s  2   2    

  s  s

K  1 s  2   2  
 ,
2
(4.33)

   
 2   2 K  s  2   2 


В силу определения обобщенного гиперболического процесса и

так как имеем
,
тогда
E H t  H s   EH t2 s   2 t  s  
2 2
 
K  1 t  s   2   2
2


 t  s 2  2   2 K t  s 2  2   2
 



 t  s    t  s 
 2 2
2

K  1 t  s   2   2   .

2
(4.34)

   
 2   2 K  t  s   2   2
2



Подставляя выражения (4.33), (4.34) в (4.32) получаем автокорреляционную

функцию обобщенного гиперболического процесса для .
Аналогично рассматривается случай . Тогда для любых имеем
(4.31). Теорема доказана.
Следствие 4.4. [9-А] Автокорреляционная функция нормального
обратного гауссовского процесса с параметрами , , , при
имеет вид:
2
    2 t 2 2 2 2

  2
t 1
 
  
 t    2
2 2 2
s   
 s   
 2
t  s 2 2
 
 t  s   , t  s,
  2   2 3 / 2 2    2   2
    
2
   
2 2
 
EN t N s   
2
1    2t 2 2  
2 2
  2 s    2 s 2 2    2 s  t 2  2
 2   2  t    2  s     s  t  , t  s.
   
2 3/ 2 2 
     2
     2
   2
  2
 
64
Доказательство. Так как нормальный обратный гауссовский процесс является
частным случаем обобщенного гиперболического процесса при , то
доказательство следствия 1 вытекает из теоремы 4.5.
Следствие 4.5. [9-А] Автокорреляционная функция VG-процесса
с параметрами , , при имеет вид:
 
s  2    2  t    2 , t  s,
EVt N s   2
 
t      s     , t  s.
2 2
Следствие 4.6. [9-А] Автокорреляционная функция гиперболического

процесса с параметрами , , , имеет вид (4.31) при ,
.
Доказательство. Доказательство следствия 4.3 получаем из доказательства
теоремы 4.1. Полагая параметр обобщенного гиперболического процесса
равным 1, получаем гиперболический процесс .
Параметр положения ℝ не влияет на свойство безграничной
делимости распределения. Обозначим через H  H t t 0 ,  0 (u ) , M 0 (u )
0 0
обобщенный гиперболический процесс, характеристическую функцию,

производящую функцию с параметром расположения   0 , а через
H  H t t 0 ,  (u ) , M (u ) обобщенный гиперболический процесс,
характеристическую функцию, производящую функцию с параметром   0
соответственно. Тогда
 (u ) = eiu 0 (u ) .
Для производящих функций получаем аналогичное соотношение:
M (u )  eu M 0 (u ) .
В терминах случайных процессов имеем
H t  H t0  t .
В силу выше изложенного для упрощения вычислений параметр
расположения часто полагают равным нулю.
4.2 Моделирование процессов семейства обобщенных

гиперболических процессов
В разделе рассматривается моделирование обобщенного
гиперболического процесса и его частных случаев. В силу представления
плотности обобщенного гиперболического распределения в виде (4.23)
65
предлагается использовать метод суперпозиции [52] для моделирования
процессов принадлежащих к семейству обобщенных гиперболических
процессов.
Согласно соотношения (4.23) случайная величина с
обобщенным гиперболическим распределением представляет собой
случайную величину с нормальным рапределением с параметрами ,
, т.е. , где – случайная величина с
обобщенным обратным распределением с параметрами .
Предлагаемый алгоритм моделирования обобщенного
гиперболического процесса состоит из следующих этапов.
Алгоритм 4.1. [8-А] Моделирование обобщенного гиперболического
процесса с параметрами , , , , с использованием
случайных величин с обобщенным гиперболическим распределением.
0) Задаем значения параметров , , , , , временной шаг .
1) Генерируем независимые случайные числа с обобщенным
обратным гауссовским распределением с параметрами
[62]:
, k  1.
2) Генерируем независимые случайные числа с обобщенным
гиперболическим распределением как случайные числа с
нормальным распределением с параметрами , , т.е.
, k  1.
3) Генерируем обобщенный гиперболический процесс X   X t t 0 с
параметрами , , , , следующим образом:
, , k  1.
Алгоритм 4.1 предоставляет возможность моделирования обобщенного
гиперболического процесса, нормального обратного гауссовского процесса,
VG-процесса, гиперболического процесса задавая соответствующие этим
процессам значения параметра .
Рассмотрим основанный на алгоритме 4.1 алгоритм моделирования
нормального обратного гауссовского процесса с использованием случайных
величин с нормальным обратным гауссовским распределением. В силу
соотношения (4.23) случайная величина 
с нормальным
обратным гауссовским распределением представляет собой случайную
величину с нормальным рапределением с параметрами , , т.е.
, где , где – случайная величина с обратным
гауссовским распределением с параметрами .
66
Алгоритм 4.2. [7-А, 8-А] Моделирование нормального обратного
гауссовского процесса с параметрами , , , с
использованием случайных величин с нормальным обратным гауссовским
распределением.
0) Задаем значения параметров , , , , временной шаг .
2) Генерируем независимые случайные числа с обратным гауссовским
распределением с параметрами (алгоритм 3.1):
, k  1.
3) Генерируем независимые случайные числа с нормальным обратным
гауссовским распределением как случайные числа с нормальным
распределением с параметрами , , т.е.
, k  1.
2) Генерируем нормальный обратный гауссовский процесс с
параметрами , , , следующим образом:
, , .
Приведем алгоритм моделирования нормального обратного
гауссовского процесса описанный в [11], в котором используется обратный
гауссовский и стандартный винеровский процессы.
Алгоритм моделирования нормального обратного гауссовского процесса
может быть описан следующим образом.
Алгоритм 4.3. [11, 8-А] Моделирование нормального обратного
гауссовского процесса с параметрами , , , с
использованием обратного гауссовского и стандартного винеровского
процесса.
0) Задаем значения параметров , , , , временной шаг .
1) Генерируем обратный гауссовский процесс с параметрами
и (алгоритм 3.2).
2) Генерируем стандартный винеровский процесс .
3) Нормальный обратный гауссовский процесс с
параметрами , , , моделируем как
.
67
Траектории нормального обратного гауссовского процесса представлены на рисунке 4.4.
β=5
 = 15
β = 15
=5
β = -5
 = 10
NIG ( ,0.1,0.5) NIG (10,  ,0.5)
δt = 1
δt = 0.5
δt = 10
NIG (0.5,0.4, t )
Рисунок 4.4 – Траектории нормального обратного гауссовского процесса
Существует несколько способов моделирования VG-процесса [11, 5-А,
6-А, 8-А]. Первый способ моделирования предполагает использование
стандартного винеровского процесса и гамма-процесса. Второй способ
моделирования заключается в представлении VG-процесса как разности двух
независимых гамма-процессов. В данной работе предлагается алгоритм
моделирования VG-процесса, который основан на моделировании случайных
величин с VG-распределением. В силу соотношения (4.23) случайная
величина  с VG-распределением представляет собой случайную
величину с параметрами нормального распределения , , т.е.
 ~ N ( ,  2 ) , где – случайная величина с гамма-
распределением с параметрами , .
Алгоритм 4.4. [6-А, 8-А] Моделирование VG-процесса c
параметрами , , , с использованием случайных величин с VG-
распределением.
0) Задаем значения параметров , , , временной шаг .
68
1) Генерируем независимые случайные числа с гамма-распределением
с параметрами a  t / , b  1 / (алгоритм 3.3-3.5)
 k ~ (t / ,1 / ) , k  1 .
3) Генерируем независимые случайные числа с VG-распределением
как случайные числа с нормальным распределением с параметрами
E k  t k , D k   2 t k :
 k ~ N (t k  t , 2 t k ) , k  1 .
3) Генерируем VG-процесс с параметрами , , ,
следующим образом:
V0  0 , , k  1.
Приведем алгоритм моделирования VG-процесса, в котором
используются стандартный винеровский процесс и гамма-процесс.
Алгоритм 4.5. [11, 6-А, 8-А] Моделирование VG-процесса c
параметрами , , с помощью стандартного винеровского процесса и
гамма-процесса.
1) Генерируем гамма-процесс с параметрами , .

2) Генерируем стандартный винеровский процесс [11].
a. Генерируем стандартные нормально распределенные
случайные числа .
b. Полагаем .
c. .
3) VG-процесс с параметрами , , моделируем как
.
Приведем алгоритм моделирования VG-процесса как разности двух
независимых гамма-процессов.
Алгоритм 4.6. [11, 6-А, 8-А] Моделирование VG-процесса c
параметрами , , как разности двух независимых гамма-процессов.
1) Генерируем гамма-процесс G1  Gt1 t 0 с параметрами ,
(алгоритм 3.6-3.8).
2) Генерируем гамма-процесс G 2  Gt2 t 0 с параметрами ,
(алгоритм 3.6-3.8).
3) VG-процесс с параметрами , , получаем как
.
69
Алгоритмы 4.1-4.6 моделирования процессов из семейства
обобщенных гиперболических процессов реализованы в системе MATLAB®
7.6.0 (R2008a), шаг моделирования равен 0.01 , параметр положения
полагается равным 0. Погрешности оценок первых двух моментов
моделируемых алгоритмами 1-4 процессов представлены в таблице 4.6.
Таблица 4.6 – Погрешности оценок математического ожидания и
дисперсии обобщенных гиперболических процессов
погрешность оценки погрешность оценки
нормальный обратный гауссовский
мат. ожидания дисперсии
процесс N  N t t 0 с параметрами
Алгоритм 4.2 0.002 0.036
  0.5,   0.3,   0.1
Алгоритм 4.3 0.026 0.01
VG-процесс V  Vt t0 с Алгоритм 4.4 0.04 0.012
параметрами   0.2,   1,   1 Алгоритм 4.5 0.038 0.045
VG-процесс V  Vt   t 0
с
Алгоритм 4.6 0.028 0.016
параметрами a  1 , b1  10 , b2  5
Согласно полученных результатов, представленных в таблице 4.6,
погрешности оценок первых двух моментов моделируемых различными
алгоритмами процессов отличаются незначительно. Преимущество
алгоритма 4.1 заключается в его универсальности: с помощью этого
алгоритма возможно моделирование любого процесса в классе обобщенных
гиперболических процессов задавая соответствующие этим процессам
значения параметра  . Кроме того из алгоритма 4.1 можно получить
алгоритмы моделирования частных случаев обобщенного гиперболического
процесса (алгоритм 4.4, алгоритм 4.2). Моделирование обобщенного
гиперболического процесса с помощью алгоритма 4.1 основано на
моделировании случайных величин с обобщенным гиперболическим
распределением и не требует моделирования никаких вспомогательных
процессов. Аналогичный результат имеем и для частных случаев
обобщенного гиперболического процесса: алгоритм 4.2 позволяет
моделировать нормальный обратный гауссовский процесс используя
случайные величины с нормальным обратным гауссовским распределением в
отличии от алгоритма 4.3, в котором для моделирования указанного процесса
необходимо предварительно смоделировать обратный гауссовский процесс и
стандартный винеровский процесс; моделирование VG-процесса алгоритмом
4.4 основано на моделировании случайных величин с VG-распределением и
отсутствует необходимость моделировать другие процессы как в алгоритмах
4.5, 4.6.
Траектории VG-процесса изображены на рисунке 4.5.
70
σt1/2 = 15
ν/t = 0.5
σt1/2 = 5
ν/t = 1
σt1/2 = 0.5
ν/t = 1.5
VG ( t ,0.2,1) VG (1, / t ,1)
θt = 1.5
θt = 1
θt = 0.5
VG (1,0.2, t )
Рисунок 4.5 – Траектории VG-процесса
4.3 Применение обобщенных гиперболических процессов

при определении стоимости опциона
Пусть ( ,ℱ,(ℱ t ) t 0 , ) – фильтрованное вероятностное пространство
удовлетворяющее обычным условиям.
Пусть X  X t t  0 – процесс Леви на этом вероятностном пространстве
( ,ℱ,(ℱ t ) t 0 , ) и процесс цен акции имеет вид:
S t  S 0 exp(rt ) exp( X t ) , (4.35)
где S 0  0 , r – заданная процентная ставка.
4.3.1 Определение стоимости опциона с помощью преобразования

Эшера
В работе [63] при определении цены опциона-колл для нахождения
эквивалентной меры мартингала было предложено использовать
преобразование Эшера. Изучение преобразования Эшера для процессов Леви
проводится в работе [64].
Определение 4.13 [64]. Пусть X  X t t  0 – процесс Леви на некотором
фильтрованном вероятностном пространстве ( ,ℱ,(ℱ t ) t 0 , ) .
71
Преобразованием Эшера называют замену меры
на локально
~
d
эквивалентную меру ~ с процессом плотности Z t  t  0 вида
d ℱ
exp(u X t ) , (4.36)
Zt  t
M (u )
где u  R, M (u )  E[exp(uX 1 )] – производящая функция случайной величины X 1 .
Преобразование Эшера используется при определении стоимости опциона
финансового актива (акции), изменение цены которого задается моделью
(4.35). Условия существования преобразования Эшера (4.36)
сформулированы в следующей лемме.
Лемма 4.1 [64]. Пусть процесс изменения цены акции задается (4.35),
случайная величина X 1 имеет производящую функцию M (u ) на некотором
интервале , ℝ с и существует действительное число
такое, что
(4.37)
Тогда исходная вероятностная мера  локально эквивалентна мере ~ такой,
что дисконтированная цена акции exp(rt ) S t  S 0 exp( X t ) является мартингалом
на ~ . Процесс плотности перехода к мере ~ задается преобразованием Эшера
(4.36).
Утверждения следующей леммы используются при вычислении
стоимости опциона акции, изменение цены которой описывается моделью
(4.35).
Лемма 4.2 [64]. Пусть Z  Z t t 0 – процесс плотности. Адаптированный
процесс X  X t t 0 является мартингалом на мере ~ тогда и только тогда,
когда процесс X t Z t t 0 является мартингалом на мере  .
Пусть далее Z t  0 для t  0 , тогда если Y является интегрируемой на мере ~ и
ℱ t - измеримой случайной величиной, то при t  T
 Z
E ~ [Y | ℱ t ]  E  Y T ℱ t  . (4.38)
 Zt 
Рассмотрим модель стоимости акции (4.35). Обозначим функцию
выплат опциона через  (x) , а через V (t ), t  0 цену опциона. Пусть T – дата
исполнения опциона. В соответствии с фундаментальной теоремой теории
расчетов финансовых активов [65] значение цены опциона V (t ) в момент
времени t вычисляют как условное математическое ожидание на
эквивалентной мартингальной мере ~ дисконтированной функции выплат:
V (t )  E ~ [exp(r (T  t )) ( S T ) | ℱ t ]
Воспользовавшись соотношением (4.38), имеем
72
 Z    S Z 
V (t )  exp( r (T  t )) E   ( S T ) T ℱ t   exp( r (T  t )) E    S t T  T ℱ t 
 Zt    St  Zt 
Учитывая, что St , S T определены в (4.35), а Z t , Z T – в (4.36), получаем, что
 exp(u ( X T  X t )) 
V (t )  exp(r (T  t )) E P   S t exp(r (T  t )) exp( X T  X t )  ℱt  .
 M (u ) T t 
В силу стационарности и независимости приращений процесса Леви имеем
 exp(uX T t ) 
V (t )  exp(r (T  t )) EP   St exp(r (T  t )  X T t  ℱt  .
 M (u ) T t


Эшера в случае нормального обратного гауссовского процесса
В лемме 4.1 из работы [64] предполагается существование
действительного числа на некотором интервале , ℝ с
такого, что выполнено соотношение (4.37). В работе [64] приводится
пример, который демонстрирует, что не для всех значений параметров
процесса Леви и любого значения выполняется соотношение
(4.37). Определим значения и условия на значения параметров
нормального обратного гауссовского процесса, для которых выполнено
соотношение (4.37).
Производящая функция нормального обратного гауссовского распределения
, связанная с характеристической функцией (4.2) соотношением
, имеет вид:
. (4.39)
Теорема 4.7. Если параметры  ,  ,  ,   0 нормального обратного

1
гауссовского распределения удовлетворяют условиям   ,       ,
2
  0 , то существует единственная точка ,     ,    
такая, что выполнено равенство (4.37).
Доказательство. Областью определения функции (4.39) является отрезок
    ,    , тогда интервалом (a, b) , на котором существует
производящая функция нормального обратного гауссовского распределения,
является интервал     ,   . Из условия b  a  1 , где
b     , a     получаем, что параметр  может принимать значения
1
 .
2
73
Найдем значение u  (a, b  1) такое, что выполнено (4.37). Из (4.37), (4.39)
имеем уравнение

exp   2   2  exp   2   2 .  
(4.40)

exp   2  (   u ) 2  

exp   2  (   u  1) 2 
Решая (4.40) относительно получаем, что . Теорема доказана.
Пример 4.1. Рассмотрим нормальные обратные гауссовские
распределения с параметрами   1 ,   0.1 ,   0.005 ,   0.001 в первом
случае и   1 ,   0.1 ,   0.005 ,   0 во втором случае. Область
определения функции (4.39) в обоих случаях представлена отрезком
    ,      0.9,1.1, а интервалом , на котором существует
производящая функция нормального обратного гауссовского распределения,
является интервал  0.9,1.1 . Но в первом случае в области определения
производящей функции нормального обратного гауссовского распределения
не существует точек u , u  1 таких, чтобы выполнялось равенство (4.37). Во
1
втором случае существует точка u      0.4 принадлежащая интервалу
2
 0.9,1.1 и точка u  1  0.6 также принадлежащая интервалу  0.9,1.1
такие, что M (u )  M (u  1)  1.000645 , т.е. равенство (4.37) выполнено. Данный
пример проиллюстрирован на рисунке 4.6.
NIG (1,0.1,0.005,0.001) NIG (1,0.1,0.005,0)

Рисунок 4.6 – Производящие функции нормального обратного
гауссовского распределения
Пример 4.2. Рассмотрим нормальные обратные гауссовские
распределения с параметрами   0.3 ,   0.1 ,   0.005 ,   0 . Тогда
производящая функция нормального обратного гауссовского распределения
не определена, так как не определено значение подкоренного выражения
 2  (   u ) 2 производящей функции (4.39). Кроме того, нарушается условие
леммы 4.1 b  a  1 , где b     , a     .
74
Эшера в случае VG-процесса
Производящая функция VG-распределения в силу соотношения
, где характеристическая функция VG-распределения
задается в (4.4), имеет вид:
(4.41)
Теорема 4.8. Если параметры  ,  ,  VG-распределения принимают
значения   0 ,   ℝ, или , то существует
точка
 1 ,   2 2  2 2 ,
u 2  
u  2   ,    
 2    4  2  2  4  2 
 
2 2 1
такая, что выполнено равенство (4.37), причем  2  .
4
   2
Если   2k  1, k  1,2,... или   1 /( 2k  1), k  1,2,... , то
  2 2    2 2  2 2 

u   , 2   2   2  2 , 2   2 
   4
      4
    4
  
  
  2 2   1

  2  2 ,  и u   2  .
   4
    2
 
Доказательство. В случае, когда   2k , k  1,2,... (  1 / 2k , k  1,2,...) ,
область определения функции (4.41) – интервал
  2 2  2 2 
   ,    2  . В силу требования b  a  1 и условия
  2
 4 2
   2
 4
  
 
 2 2  2 2
u  1 a, b  , где a   2
 4
 2
, b   2
 4
 2 , имеем ограничение
       
2 2 1
  . Из (4.37) и (4.41) имеем уравнение
4 2 2
  
(4.42)
 1
Решая (4.42) относительно получаем u    .
2 2
Если   2k  1, k  1,2,... (  1 /( 2k  1), k  1,2,...) , то областью
определения функции (4.41) является совокупность интервалов
 2   2 2 
  ,     2        2 ,     2  
 2  4  2    2  4  2  2  4  2 

75
  2 2 

  2  ,   . Значение определяем из (4.42). Теорема
   4
 2
 
 
доказана.
Пример 4.3. Рассмотрим VG-распределение с параметрами   0.1 ,
  2 ,   0.01 . В этом случае область определения производящей функции
(4.41) VG-распределения является интервал
  
  2   4  22 , 2   4  22    0.1,0.1. Тогда не выполнятся
2 2
        

 2 2  2 2
требование леммы 4.1 b  a  1 , где a   2  4  2 , b   2  4  2 .
       
Пример 4.4. Рассмотрим VG-распределение с параметрами   10 ,
  2 ,   0 . Областью определения производящей функции (4.41) VG-
распределения является интервал
  
  2   4  22 ,  2   4  22    9.05,11.05. Выполняется условие
2 2
        

теоремы 4.8 2 2 1 и существует точка u     1  0.5

 
 4  2 2 2 2
принадлежащая интервалу  9.05,11 .05 и точка u  1  1.5 также
принадлежащая интервалу  9.05,11 .05 такие, что M (u )  M (u  1)  0.9963 ,
т.е. равенство (4.37) выполнено. Пример 4.4 проиллюстрирован на рисунке 4.7.
VG (0.1,2,0.01)
Рисунок 4.7 – Производящая функция VG-распределения
Выводы. В главе получены следующие основные результаты:

1) Исследованы свойства семейства обобщенных гиперболических
процессов. В частности найден явный вид характеристической функции VG-
процесса, выведены соотношения связывающие различные виды
параметризации VG-процесса. Доказана эквивалентность видов
параметризации обобщенного гиперболического распределения, найден
76
явный вид характеристической функции обобщенного гиперболического
распределения. Получены выражения для моментов обобщенного
гиперболического процесса и его частных случаев: нормального обратного
гауссовского процесса, VG-процесса, гиперболического процесса.
2) Предложены новые основанные на методе суперпозиции алгоритмы
для моделирования процессов в семействе обобщенных гиперболических
процессов: обобщенного гиперболического процесса, нормального обратного
гауссовского процесса и VG-процесса. Преимуществом предложенных
алгоритмов является тот факт, что моделирование обобщенных
гиперболических процессов проводится с помощью случайных величин с
обобщенным гиперболическим распределением и не требует моделирования
никаких вспомогательных процессов.
3) Определены области допустимых значений параметров
обобщенных гиперболических процессов, при которых допускается
использование преобразования Эшера для определения стоимости опциона, в
случаях, когда для описания логарифмических доходностей финансовых
активов в экспоненциальной модели Леви используется нормальный
обратный гауссовский процесс и VG-процесс.
77
ГЛАВА 5
АНАЛИЗ СВОЙСТВ И МОДЕЛИРОВАНИЕ УСТОЙЧИВЫХ

СЛУЧАЙНЫХ ПРОЦЕССОВ
В главе рассматриваются устойчивые случайные процессы, которые

стали востребованы в финансовой математике в последнее десятилетие.
Приводятся свойства и алгоритмы моделирования медленно растущего
устойчивого процесса и процесса CGMY [11, 49].
5.1 Устойчивые процессы
5.1.1 Устойчивые случайные величины и процессы
Рассмотрим случайную величину X и последовательность
независимых одинаково распределенных случайных величин X 1 , X 2 ... ,
заданные на вероятностном пространстве (, ℱ ,) . Пусть FX (x) – функция
распределения, x  ℝ, f X (x) – плотность распределения, x  ℝ,  X (t ) –
характеристическая функция t ℝ случайной величины X , а FXi (x) –
функция распределения, x  ℝ, f X i (x) – плотность распределения, x  ℝ,

 Xi (u ) – характеристическая функция u  ℝ случайной величины X i , i  1,2,...
, причем FX ( x)  FX i ( x) , f X ( x)  f X i ( x) ,  X (t )   X i (t ) , x  ℝ, t ℝ, i  1,2,... .

Определение 5.1. [66] Случайная величина X , ее функция
распределения FX (x) , x  ℝ, плотность распределения f X (x) , x  ℝ,
характеристическая функция  X (u ) , u  ℝ, называются устойчивыми
(устойчивыми в широком смысле), если для каждого m , m  1,2,... ,
существуют такие постоянные cm  0 ,  m ℝ, что
m d
 X i cm X   m , (5.1)
i 1
 x m 
FX1 * ... * FX m ( x)  FX   , (5.2)
c
 m 
 x m 
f X1 * ... * f X m ( x)  f X   , (5.3)
c
 m 
m
  Xi (u )   X (cmu ) exp{iu} , (5.4)
i 1
78
где x  ℝ, u  ℝ, * обозначает свертку.
Определение 5.2. [66] Говорят, что случайная величина X , ее функция
распределения FX (x) , x  ℝ, плотность распределения f X (x) , x  ℝ,
характеристическая функция  X (u ) , u  ℝ, имеют строго устойчивое
распределение (устойчивое в узком смысле), если в соотношениях (5.1)-(5.4)
m  0.
В работе [66] отмечено, что постоянные cm , m  1,2,... в равенствах (5.1)-(5.4)
имеют вид cm  m , где   0,2 .
1/ 
Логарифм характеристической функция устойчивой случайной

величины X имеет следующий вид [75]:
    
   u 1  i  sign ( u )tg  iu , если   1,
2 
ln  X (u )   (5.5)
   u 1  i 2 sign(u ) ln u   iu , если   1,
   
где   0,2 ,    1,1 ,   0 ,   ℝ, u  ℝ.

Класс устойчивых распределений является четырехпараметрическим
семейством с характеристическим показателем  , параметром асимметрии
 , параметром масштаба  и параметром положения  . Случайную
величину, логарифм характеристической функции которой имеет вид (5.5),
будем обозначать как X ~ S (  ,  ,  ) .
Определение 5.3 [66] Говорят, что действительные случайные
величины X 1 ,..., X n (n  1) имеют совместное симметричное устойчивое
распределение с характеристическим показателем  или действительный
случайный вектор X   X 1 ,..., X n  является  -устойчивым, если все
линейные комбинации a1 X  ...  an X n , где ak  ℝ, k  1, n , являются
симметричными  -устойчивыми,   0,2 , случайными величинами, а их
совместная характеристическая функция представима в виде
 
 X (u )  E expi X , t   exp  t , x dX ( x)   0,2

 Sn ,
где, t  (t1 ,..., tn ) ℝ n , X (x) – симметричная конечная мера на единичной

S n  x 
ℝ : x  1, называемая спектральной мерой случайного
n
сфере
вектора X .
79
Рассмотрим случайный процесс X   X t tZ с конечномерными
распределениями
F ( x1 ,..., xn ; t1 ,...., tn )  P{ X t1  x1 ,..., X t n  xn } ,
x j  ℝ, t j ℤ, j  1, n , n  1,2,... , удовлетворяющими условиям Колмогорова
[57]
F ( x1 ,..., xk 1 ,, xk 1 ,..., xn ; t1 ,..., tk 1 , tk , tk 1 ,..., tn ) 
 F ( x1 ,..., xk 1 , xk 1 ,..., xn ; t1 ,..., tk 1 , tk 1 ,..., tn ) ,
F ( x1 ,..., xn ; t1 ,..., tn )  F ( xi1 ,..., xin ; ti1 ,..., tin ) ,
где x j  ℝ, t j ℤ, j  1, n , n  1,2,... , а (i1 ,..., in ) – произвольная перестановка
индексов (1,..., n) .
Определение 5.4. [66] Случайный процесс X   X t tZ , называется  -
устойчивым случайным процессом, если его конечномерные распределения
F ( x1 ,..., xn ; t1 ,..., tn ) , x j  ℝ, t j ℤ, j  1, n , n  1,2,... , имеют совместное  -
устойчивое распределение.
5.1.2 Медленно растущий устойчивый случайный процесс

Определение 5.5. [11, 30] Случайная величина , заданная на
вероятностном пространстве ℱ , имеет медленно растущее
устойчивое распределение с параметрами , , , если ее
характеристическая функция имеет вид
, (5.6)
где , , .
Случайную величину с медленно растущим устойчивым распределением
будем обозначать .
Медленно растущее устойчивое распределение обладает
характеристиками, представленными в таблице 5.1.
Мера Леви медленно растущего устойчивого распределения имеет вид
[11]:
80
Таблица 5.1 – Моменты медленно растущего устойчивого распределения
ожидание
дисперсия
эксцесс
.
Первая составляющая триплета Леви имеет вид [11]:
.
Частными случаями медленно растущего устойчивого распределения

являются следующие распределения [11].
1) При получаем – обратное гауссовское
2) При имеем – гамма-распределение.
Определение 5.6. [11] Случайный процесс с параметрами ,
, заданный на вероятностном пространстве ,ℱ, со значениями в ℝ
такой, что , называется медленно растущим устойчивым процессом,
если выполнены следующие условия:
2) для любых имеет стационарные приращения с
медленно растущим устойчивым распределением с параметрами ,
,
;
каждого и
Обратный гауссовский процесс при и гамма-процесс при

являются частными случаями медленно растущего устойчивого процесса.
5.1.3 Процесс CGMY

Определение 5.7. [11, 49] Случайная величина X , заданная на
вероятностном пространстве (, ℱ , ) , имеет распределение CGMY с
параметрами C , G , , , если ее характеристическая функция имеет вид
81
 XCGMY (u; C , G, M , Y )  exp(C(Y )(( M  iu )Y  M Y  (G  iu )Y  GY )) , (5.7)
где ( x ) – гамма-функция, x  0 , , , , . Случайную величину

с CGMY распределением будем обозначать
Распределение CGMY обладает следующими характеристиками
представленными в таблице 5.2 [11, 49].
Таблица 5.2 – Моменты распределения CGMY

ожидание
дисперсия
эксцесс
Мера Леви распределения CGMY имеет вид [11]:
(5.8)
Первый параметр триплета Леви имеет вид:

, , , заданный на вероятностном пространстве ,ℱ, со
значениями в ℝ такой, что , называется процессом CGMY, если
2) для любых имеет стационарные приращения с
медленно растущим устойчивым распределением с параметрами , ,
,
;
каждого и
82
Теорема 5.1.[10-A] Пусть – процесс CGMY с параметрами
, , , , заданный на вероятностном пространстве ,ℱ,
, с мерой Леви (5.8), а и – медленно растущие

устойчивые независимые процессы Леви с параметрами , ,
и , , соответственно такие, что их меры Леви имеют вид
и . (5.9)
Тогда процесс CGMY может быть представлен в виде

. (5.10)
Доказательство. Представление процесса CGMY как разности двух медленно
растущих устойчивых процессов следует из вида характеристической
функции процесса CGMY.
Рассмотрим характеристическую функцию CGMY процесса [32]
.
Из (5.9) и (5.6) имеем следующие соотношения для параметров процесса
, , . Аналогичные соотношения
получаем для процесса : , , . Тогда
характеристическую функцию процесса CGMY можно переписать в

виде
83
Таким образом, характеристическая функция процесса CGMY
представима в виде произведения характеристических функций медленно
растущих устойчивых процессов и
Откуда и следует (5.10). Теорема доказана.

Частным случаем CGMY распределения, когда параметр ,
является VG –распределение.
5.2 Моделирование устойчивых процессов Леви

В разделе приведены алгоритмы и осуществляется моделирование
медленно растущих устойчивых процессов, процесса CGMY.
5.2.1 Моделирование медленно растущих устойчивых процессов

Рассмотрим алгоритм моделирования медленно растущего устойчивого
процесса с параметрами , , .
Алгоритм 5.1. [11, 48] Моделирование медленно растущего

устойчивого процесса
1) Генерируем последовательности , ,
независимых экспоненциально распределенных случайных величин с

параметром 1.
2) Генерируем последовательности , , независимых
равномерно распределенных на отрезке случайных величин.
3) Аппроксимируем траектории медленно растущего устойчивого
процесса величинами
, .
При моделировании медленно растущего устойчивого процесса алгоритмом

5.1 рекомендуется выбирать значение приближенно равное 10000 [11, 48].
На рисунке 5.1 изображены траектории медленно растущего устойчивого
процесса.
84
 t = 0.001 b = 0.8
 t = 0.01 b = 3.2
 t = 0.1 b=2
Y = 0.7
Y = 0.3
Y = 0.1
Рисунок 5.1 – Траектории медленно растущего устойчивого процесса
5.2.2 Моделирование процесса CGMY

Процесс CGMY с параметрами , , , может быть
образован из винеровского процесса с помощью случайной замены времени
неотрицательным неубывающим -устойчивым процессом Леви [67],
который называют устойчивым субординатором, т. е.
,
где – стандартный винеровский процесс в случайные моменты
времени , – -устойчивый процесс Леви, независимый от
винеровского процесса, . Следовательно, алгоритм моделирования
процесса CGMY состоит из следующей последовательности шагов.
Алгоритм 5.2. [67] Моделирование процесса CGMY с использованием
винеровского процесса и случайной замены времени неотрицательным
неубывающим -устойчивым процессом.
1) Положим шаг моделирования равным , .
2) Положим , .
3) Генерируем -устойчивый процесс Леви .
85
a. Положим , , .
b. Генерируем моменты появления скачков как

,
где , – независимые равномерно распределенные
на отрезке случайные числа, .

d. Генерируем величины скачков как
где – независимые равномерно распределенные на отрезке

случайные числа, .
e. Генерируем следующим образом
,
где , – независимые равномерно распределенные на отрезке
случайные числа, ,а
где – функция Эрмита с параметром [68], для которой

справедливо представление
– вырожденная
гипергеометрическая функция, .
3) Генерируем процесс CGMY следующим образом:
, , ,
где – стандартные нормальные случайные числа.
86
Предлагаемый алгоритм моделирования процесса CGMY как разности
двух медленно растущих устойчивых процессов основан на теореме 5.1 и
состоит из следующей последовательности шагов.
Алгоритм 5.3. [10-А] Моделирование процесса CGMY как разности
двух медленно растущих устойчивых процессов.
1) Генерируем медленно растущий процесс с параметрами
, , (алгоритм 5.1).
2) Генерируем медленно растущий процесс с параметрами
, , (алгоритм 5.1).
3) Процесс CGMY с параметрами , , ,
получаем как
.
Моделирование процесса CGMY осуществляется в системе MATLAB®

7.6.0 (R2008a). При моделировании процесса CGMY с параметрами ,
, , , и временным шагом как
винеровского процесса с помощью случайной замены времени -
устойчивым субординатором (алгоритм 5.2) стандартное отклонение
составляет 0.0241, а при моделировании этого процесса как разности двух
медленно растущих устойчивых процессов (алгоритм 5.3) при ,
стандартное отклонение составляет 0.0238. Преимущество способа
моделирования процесса CGMY как разности двух медленно растущих
устойчивых процессов относительно способа моделирования этого процесса
как винеровского процесса с помощью случайной замены времени -
устойчивым субординатором заключается в затрачиваемом на
моделирование процесса CGMY времени. При моделировании процесса
CGMY алгоритмом 5.3 затрачивается значительно меньше времени, чем при
моделировании этого процесса алгоритмом 5.2. Например, при
моделировании алгоритмом 5.3 процесса CGMY с параметрами
, , , и временным шагом состоящего из
значений потребуется 11 сек., а при моделировании такого же
процесса CGMY алгоритмом 5.2 – 302 сек. Подобные временные затраты на
моделирование процесса CGMY как винеровского процесса с помощью
случайной замены времени -устойчивым субординатором отмечаются в
работе [67]. Траектории процесса CGMY представлены на рисунке 5.2.
87
G = 10
G =5
Ct = 0.001
Ct = 0.1 G = 0.5
Ct = 0.01
M =
0.5
Y = 0.9
Y = 0.1
M =1
Y = 0.5
M = 15
Рисунок 5.2 – Траектории процесса CGMY
Выводы. В главе 5 получены следующие основные результаты:

1) Доказано представление процесса CGMY как разности двух
медленно растущих случайных процессов (теорема 5.1).
2) Предлагается алгоритм моделирования процесса CGMY как
разности двух медленно растущих устойчивых процессов, достоинство
которого заключается в значительно меньших временных затратах по
сравнению с моделированием этого процесса как винеровского процесса с
помощью случайной замены времени -устойчивым субординатором.
88
ЗАКЛЮЧЕНИЕ
Основные научные результаты диссертации

В диссертационной работе проведено исследование свойств некоторых
процессов Леви: вычислены семиинварианты, моменты, коэффициенты
асимметрии, эксцесса с использованием семиинвариантного подхода.
В работе предложены новые алгоритмы моделирования процессов
Леви и проведено сравнение предлагаемых и ранее используемых
алгоритмов, в результате которого выявлены преимущества предлагаемых
алгоритмов по сравнению с имеющимися.
В диссертации представлены следующие основные научные
результаты:
1. Выражения для семиинвариантов, моментов, коэффициентов
асимметрии, эксцесса нормального обратного гауссовского процесса, VG-
процесса, гиперболического процесса, обобщенного гиперболического
процесса, полученные с использованием семиинвариантного подхода [6-А,
9-А].
2. Алгоритмы моделирования процессов Леви в классе обобщенных
гиперболических процессов, основанные на использовании случайных
величин с обобщенным гиперболическим распределением, что позволяет
уменьшить время при сохранении точности моделирования; сравнение
предлагаемых и ранее известных алгоритмов моделирования процессов Леви
в классе обобщенных гиперболических процессов. Условия, полученные для
класса обобщенных гиперболических процессов Леви, позволяющие
применить преобразования Эшера в задаче нахождения стоимости опциона
[1-А, 2-А, 7-А, 8-А].
3. Алгоритм моделирования процесса CGMY, основанный на
представлении этого процесса в виде разности двух медленно растущих
устойчивых случайных процессов, что позволяет уменьшить время при
сохранении точности моделирования; сравнение предлагаемого и ранее
известного алгоритма моделирования процесса CGMY [10-А].
Рекомендации по практическому использованию результатов
диссертации
Полученные результаты могут быть использованы при статистическом
анализе и прогнозировании реальных данных в финансах, а также в учебном
процессе при чтении специальных курсов по финансовой математике на
математических факультетах университетов.
89
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
Список используемых источников
1. Bachelier, L. Theorie de la speculation / L. Bachelier // Annales de
l’Ecole Normale Superieure. – 1900. – Vol. 17– P. 21–86.
2. Kendall, M.G. The analysis of economic time-series / M.G. Kendall //
J. of the royal statistical society. Part 1. Prices. – 1953. – Vol. 96. – P. 11– 25.
3. Roberts, H.V. Stock-market “patterns” and financial analysis:
metodological suggestions / H.V. Roberts // J. of Finance. – 1959. – Vol. 14. – P.
1-10.
4. Osborne, M.F.M. Brownian motion in the stock market / M.F.M.
Osborne // Operations Research. – 1959. – Vol. 7. – 145-173.
5. Samuelson, P.A. Rational theory of warrant pricing / P.A. Samuelson //
Industrial management review. – 1965. – Vol. 6, № 6. – P.13-31.
6. Ширяев, А.Н. Финансовые инновации в стохастической экономике /
А.Н. Ширяев // Экономика и мат. методы. – 2009. – Т. 45, №1. – С. 87-94.
7. Black, F. The pricing of options and corporate liabilities / F. Black, M.
Scholes // J. of political economy. – 1973. – Vol. 81, №3. – P. 637-659.
8. Merton, R.C. Theory of rational option pricing / R.C. Merton // Bell
Journal of Economics and Management Science. – 1973. – №4. – P. 141-183.
9. Ширяев, А.Н. Основы стохастической финансовой математики: в 2
т. / А.Н. Ширяев. – Москва: ФАЗИС,1998. – 2 т.
10. Медведев, Г.А. Математические основы финансовой экономики:
учеб. пособие / Г.А. Медведев. – Минск: БГУ, 2011. – 303 с.
11. Schoutens, W. Levy processes in finance / W. Schoutens. – Bognor
Regis: John Wiley & Sons Ltd, 2003. – 196 s.
12. Dupire, B. Pricing with a smile / B. Dupire // RISK-magazine. – 1994. –
Vol. 7, №1. – P. 18-20.
13. Derman, E. Riding on a Smile / E. Derman, I. Kani. // Risk. – 1994. –
Vol. 7, № 2. – P. 32-39.
14. Медведев, Г.А. Математические модели финансовых рисков: учеб.
пособие: в 2 ч. / Г. А. Медведев. – Минск: БГУ, 2001. – Ч. 2. – 293 с.
15. Madan, D.B. The VG model for share market returns / D.B. Madan,
E. Seneta. // J. of Business [Electronic resource]. – 1990. – Vol. 63, № 4. – Mode
of access:
http://finance.martinsewell.com/stylized-facts/distribution/MadanSeneta1990.pdf.
– Date of access: 28.01.2013.
90
16. Madan, D.B. The variance gamma process and option pricing / D.B.
Madan, P.P. Carr, E.C. Chang // European finance preview. – 1998. – Vol. 2, № 1.
– P. 79-105.
17. Hirsa, A. Pricing American option under variance gamma / A. Hirsa,
D.B. Madan // J. of Computational Finance. – 2003. – Vol. 7, №2. – P. 63-80.
18. Eberlein, E. Hyperbolic distributions in finance / E. Eberlein,
U. Keller // Bernoulli [Electronic resource]. – 1995. – Vol. 1, № 3. – Mode of
access:
http://projecteuclid.org/DPubS?
service=UI&version=1.0&verb=Display&handle=euclid.bj/1193667819. – Date of
access: 28.01.2013.
19. Bibby, B.M. Hyperbolic processes in finance / B.M. Bibby, M. Sørensen
// Handbook of Heavy Tailed Distributions in Finance. / Rachev, S. T. (Ed.). –
North Holland: Elsevier Science, 2003. – P. 211–248.
20. Barndorff-Nielsen, O.E. Normal Inverse Gaussian distributions and
stochastic volatility modeling / O.E. Barndorff-Nielsen // Scandinavian j. of
statistics [Electronic resource]. – 1995. – Vol. 24 – Mode of access:
http://onlinelibrary.wiley.com/doi/10.1111/1467-9469.00045/pdf. – Date of access:
28.01.2013.
21. Barndorff-Nielsen, O.E. Hyperbolic distributions and distributions on
hyperbolae / O.E. Barndorff-Nielsen // Scandinavian j. of statistics [Electronic
resource]. – 1978. – №5. – Mode of access:
http://www.jstor.org/discover/10.2307/4615705?
uid=3737704&uid=2&uid=4&sid=21101726046663. – Date of access: 28.01.2013.
22. Prause, K. The Generalized hyperbolic model: estimation, financial
derivatives and risk measures PhD. Thesis / K. Prause. – Freiburg: University of
Freiburg, 1999. – 160 s.
23. Eberlein, E. Application of generalized hyperbolic Levy motions to
finance / E. Eberlein // Levy processes: Theory and Applications / O.E. Barndorff-
Nielsen (ed.). – Boston: Birkhauser, 2001. – P. 319–336.
24. Barndorff-Nielsen, O. E. Normal variance-mean mixtures and z
distributions / O. E. Barndorff-Nielsen, J. Kent, M. Sørensen // International
Statistical Review/Revue Internationale de Statistique. – 1982. – Vol. 50, № 2. – P.
145-159.
25. Luciano, E. A generalized normal mean-variance mixture for return
processes in finance / E. Luciado, P. Semeraro // International j. of theoretical and
applied finance (IJTAF). – 2010. – Vol. 13, № 3. – P. 415-440.
91
26. Tweedie, M.C.K. An index which distinguishes between some important
exponential families / M.C.K. Tweedie // Statistics Applications and new
directions: Proc. Indian statistical institute Golden Jubilee international conference
ed. J. Ghosh and J. Roy. – Kolkata, 1984. – P. 579-604.
27. Sztonyk, P. Estimates of tempered stable densities / P. Sztonyk // J. of
theoretical probability [Electronic resource]. – 2010. – Vol. 23, № 1. – Mode of
access:
http://arxiv.org/pdf/0804.0113.pdf. – Date of access: 28.01.2013.
28. The modified tempered stable distribution, Garch models and option
pricing / Y.S. Kim [et al.] // Probability and mathematics statistics. – 2009. – Vol.
29, № 1. – P. 91-117.
29. Tempered infinitely divisible distributions and processes / M.L. Bianchi
[et al.] // Theory of probability and its applications. – 2011. – Vol. 55, №1. – P.
2-26.
30. Cont, R. Financial modeling with jump processes. / R. Cont, P. Tankov.
–Chapman and Hall CRC Press, 2004. – 528 p.
31. Tempered stable distributions and processes in finance: numerical
analysis / M.L. Bianchi [et al.] // Mathematical and statistical methods for
actuarial sciences and finance [Electronic resource]. – 2010. – Mode of access:
https://statistik.ets.kit.edu/download/doc_secure1/SymposiumBRKF.pdf. – Date of
access: 28.01.2013.
32. The fine structure of asset returns: empirical investigation / P. Carr [et
al.] // J. of Business. – 2004. – Vol. 75. – P. 305-332.
33. Marfe, R. A generalized variance gamma process for financial
applications / R. Marfe // Quantitative finance. – 2012. – Vol. 12, № 1. – P. 75-87.
34. Schoutens, W. The Mexner process in finance / W. Schoutens //
EURANDOM Report 2001-002 [Electronic resource]. – 2001. – Mode of access:
http://alexandria.tue.nl/repository/books/548458.pdf. – Date of access: 28.01.2013.
35. Schoutens, W. Meixner process: theory and applications in finance / W.
Schoutens // EURANDOM Report 2002-004 [Electronic resource]. – 2002. –
Mode of access:
https://perswww.kuleuven.be/~u0009713/004wsreport.pdf. – Date of access:
28.01.2013.
36. Barndorff-Nielsen, O.E. Non-Gaussian Ornstein-Uhlenbeck-based
models and some of their uses in financial economics / O. E. Barndorff-Nielsen, N.
Shephard // J. of the Royal Statistical Society [Electronic resource]. – 2001. – Vol.
B, № 63. –Mode of access:
92
http://www.ww.w.long-memory.com/volatility/Barndorff-
NielsenShephard2001.pdf . – Date of access: 28.01.2013.
37. Barndorff-Nielsen, O. E. and Shephard, N. Modeling by Levy processes
for financial econometrics / Barndorff-Nielsen O. E., Shephard N. // Theory and
Applications [Electronic resource]. – 2000. –Mode of access:
http://webdoc.gwdg.de/ebook/e/2002/maphysto/publications/mps-rr/2000/16.pdf. –
Date of access: 28.01.2013.
38. Stochastic volatility for Lévy processes / P. Carr [et al.] // Mathematical
Finance [Electronic resource]. – 2001. – Vol. 13, № 3. – Mode of access:
http://basepub.dauphine.fr/bitstream/handle/123456789/1392/Stochastic_Volatility
_Mathematical_Finance.pdf?sequence=2. – Date of access: 28.01.2013.
39. Cox, J. A theory of the term structure of interest rates / J. Cox, J.
Ingersoll, S. Ross // Econometrica [Electronic resource]. – 1985. – Vol. 53. –
Mode of access:
http://210.34.5.45/cn/FEshuo/A%20Theory%20of%20the%20Term%20Structure
%20of%20Interest%20Rates1985.pdf. – Date of access: 28.01.2013.
40. Duan, J.-C. The GARCH option pricing model / J.-C. Duan //
Mathematical finance [Electronic resource]. – 1995. – Vol. 5, № 1. – Mode of
access:
http://pages.stern.nyu.edu/~rengle/B303352/Duan.pdf. – Date of access:
28.01.2013.
41. Duan, J.-C. Option valuation with co-integrated asset prices / J.-C. Duan,
S.R. Pliska // J. of economic dynamics and control. – 2004. – Vol. 28, № 4. – P.
727-754.
42. Menn, C. A GARCH option pricing model with -stable innovations /
C. Menn, S.T. Rachev // European journal of operational research. – 2005a. – Vol.
163. – P. 201-209.
43. Financial market models with Levy processes and time-varying volatility
/ Y. S. Kim [et al.] // J. of Banking and Finance [Electronic resource]. – 2008. –
Vol. 32 № 7. – Mode of access:
http://www.fbv.kit.edu/symposium/11th/Paper/19MathematicalFinance/Shin
%20Kim.pdf. – Date of access: 28.01.2013.
44. Devroye, L. 1986 Non-uniform random variables generation. / L.
Devroye. [Electronic resource]. – New York: Springer-Verlag, 1986. – Mode of
access:
http://www.eirene.de/Devroye.pdf. – Date of access: 28.01.2013.
93
45. Good, I. J. The population frequencies of species and the estimation of
population parameters / I. J. Good // Biometrika [Electronic resource]. – 1953. –
Vol.40, № 3/4. – Mode of access:
http://www.ling.upenn.edu/courses/cogs502/GoodTuring1953.pdf. – Date of
access: 28.01.2013.
46. Morales, M. Risk theory with the generalized inverse Gaussian Levy
process / M. Morales // Astin bulletin. – 2003. – Vol. 34, № 2. – P. 361-377.
47. Adolat, M.T. The generalized hyperbolic process / M.T. Adolat, K.M.
Aludaat // Brazilian j. of probability and statistics [Electronic resource]. – 2008. –
Vol. 22, № 1. – Mode of access:
http://www.redeabe.org.br/bjpspublishedpapers_volume22_1_pp001-008.pdf. –
Date of access: 28.01.2013.
48.Rosinski, J. Tempered stable and related processes / J. Rosinski //
Miniproceedings of 2nd MaPhySto Conference on Levy processes: Theory and
applications, Aarhus, 21-25 January 2002. / Aarhus University; ed. O. E.
Barndorff-Nielsen – Aarhus, 2002. – P. 215-220.
49. Madan, D.B. CGMY and Mexner subordinators are absolutely
continuous with respect to one side stable subordinators / D.B. Madan, M. Yor //
arXiv:math/0601173v2 [math.PR] [Electronic resource]. – 2006. – Mode of access:
http://arxiv.org/pdf/math/0601173v2.pdf. – Date of access: 28.01.2013.
50. Jacod, J. Limit theorems for stochastic processes / J. Jacod, A. Shiryaev.
– 2nd ed. – Berlin: Springer-Verlag, 2003. – 661 p.
51. Харин, Ю. С. Математические и компьютерные основы
статистического анализа данных и моделирования: учеб. пособие / Ю.С.
Харин, В.И. Малюгин, М.С. Абрамович. – Минск: Изд-во БГУ, 2008. – 455 с.
52. Основы имитационного и статистического моделирования / Ю.С.
Харин [и др.]. – Минск: Дизайн ПРО, 1997. – 288 с.
53. Бочаров, П.П. Теория вероятностей. Математическая статистика /
П.П. Бочаров, А.В. Печинкин. – М.: ФИЗМАТЛИТ, 2005. – 296 c.
54. Тутубалин, В.Н. Теория вероятностей и случайных процессов. /
В.Н. Тутубалин. – М.: МГУ, 1992. – 395 с.
55. Protter, Ph. Stochastic integration and differential equations / Ph. Protter.
– 2nd ed. – New York: Springer-Verlag, 2004. – 415 p.
56. Barndorff-Nielsen, O.E. Infinite divisibility of the hyperbolic and
generalized inverse Gaussian distributions / O.E. Barndorff-Nielsen, C. Halgreen //
Probability theory and related fields [Electronic resource]. – 1977. – Vol. 38, №4.
– Mode of access:
94
http://bfi.cl/papers/Barndorff-Nielsen%20Halgreen%201977%20-%20Infinite
%20divisibility%20of%20the%20hyperbolic%20and%20generalized%20inverse
%20gaussian%20distributions.pdf. – Date of access: 28.01.2013.
57. Ширяев, А. Н. Вероятность / А. Н. Ширяев. – М.: Наука, 1980. – 576
с.
58. Кобзарь, А.И. Прикладная математическая статистика / А.И.
Кобзарь. –М.: ФИЗМАТЛИТ, 2006. – 816 с.
59. Крамер, Г. Математические методы статистики / Г. М. Крамер – М.:
Мир, 1975. – 540 с.
60. Marsaglia, G. A simple method for generating gamma variables / G.
Marsaglia, W.W. Tsang // ACM Transactions on Mathematical Software. – 2000. –
V. 26, №. 3. – P. 363-372.
61. Труш, Н.Н. Асимптотические методы статистического анализа
временных рядов / Н.Н. Труш. – Минск: БГУ, 1999. – 218 с.
62. Gerhard, D. Random variate generation by numerical inversion when
only the density is known / D. Gerhard, W. Hörmann, J. Leydold // ACM
Transactions on Modeling and Computer Simulation [Electronic resource]. – 2010.
– Vol.20 №4. – Mode of access: http://epub.wu.ac.at/162/1/document.pdf. – Date
of access: 28.01.2013.
63. Gerber, H. U. Option pricing by Esscher transforms / H. U. Gerber, E.
S.W.Shiu // Transactions of society of actuaries. – 1994. – Vol. 46. – P. 99-191.
64. Raible, S. Lévy processes in finance: Theory, numerics, and empirical
facts: diss. PhD thesis: 01.04.2000 / S. Raible [Electronic resource]. – Freiburg,
2000. – Mode of access:
http://bfi.cl/papers/Raible%202000%20-%20Levy%20processes%20in%20fixed
%20income.pdf. – Date of access: 28.01.2013.
65. Delbaen, F. A general version of the fundamental theorem of asset
pricing / F. Delbaen, W. Schachermayer // Mathematische Annalen. – 1994. – Vol.
300, №3 – P.463-520.
66. Труш, Н. Н. Статистический анализ оценок спектральных
плотностей устойчивых случайных процессов / Н. Н. Труш, Т. В. Соболева. –
Минск, БГУ, 2008. – 68 с.
67. Poirot, J. Monte Carlo option pricing for tempered stable (CGMY)
processes / J. Poirot, P. Tankov // Asia-Pacific Financial Market. – 2006. – Vol.
13. № 4. – P. 327.
68. Lebedev, N. Special functions & their applications / N. Lebedev. –
Dover publications, 1972. – 336 p.
95
Список публикаций соискателя
1-A. Труш, Н. Н. Моделирование обобщенного гиперболического
процесса / Н. Н. Труш, А. В. Кузьмина // Вестн. ГрГу им. Я. Купалы. Сер. 2,
Мат., физ., информат., вычислит. техника и управление. – 2011. – №3 – С. 89-
96.
2-A. Kuzmina, A. V. Variance gamma and normal inverse Gaussian
random variables simulation and their parameters estimation / A. V. Kuzmina //
Computer algebra systems in teaching and research: Proceedings CASTR 2011,
Siedlce, Poland, 2-5 February 2011. – Siedlce, 2011. – P. 123-127.
3-A. Кузьмина, А.В. Моделирование гамма-процесса и оценка его
параметров / А. В. Кузьмина // Теория вероятностей, математическая
статистика и их приложения: Материалы Междунар. конф., Минск, 22-25
февраля 2010 г. / РИВШ; редкол. Н. Н. Труш [и др.]. – Минск, 2010. – С. 179-
186.
4-A. Кузьмина, А.В. Оценка параметров дисперсионного гамма –
процесса / А. В. Кузьмина // 67-ая научно-практическая конференция
студентов и аспирантов Белорус. гос. ун-та: сб. работ, Минск, 17-20 мая 2010
г.: в 3 ч. / Белорус. гос. ун-т; редкол.: С. А. Мазаник [и др.]. – Минск, 2011. –
Ч.1. – C. 44-47.
5-A. Kuzmina, A.V. Variance gamma process simulation and its
parameters estimation / A. V. Kuzmina // Computer data analysis and modeling:
complex stochastic data and systems: proc. of the ninth intern. conf., Minsk, Sept.
7-11, 2010.: in 2 vol. / Belorussian State University; editors: S. Aivazian [et. al]. –
Minsk, 2010. – Vol. 1. – P. 242-245.
6-A. Кузьмина, А. В. Моделироване дисперсионного гамма-процесса /
А. В. Кузьмина // Вес. нац. акад. навук Беларуси. Сер. фiз.-мат. навук. – 2011.
– №1. – С. 70-74.
7-A. Кузьмина, А.В. Моделирование нормального обратного
гауссовского процесса и оценивание его параметров / А. В. Кузьмина //
Вестн. Белорус. гос. ун-та. Сер. 1, Физ., мат., информат. – 2011. – № 2. – C.
133-138.
8-A. Кузьмина, А.В. Моделирование процессов Леви / А. В.
Кузьмина // Международный конгресс по информатике: информационные
системы и технологии: материалы Междунар. научн. конгресса, Минск, – 31
октября-3 ноября 2011 г.: в 2 ч. / Беларус. гос. ун-т, редкол.: С. В. Абламейко
[и др.]. – Минск, 2011. – Ч. 1. – С. 86-91.
9-A. Кузьмина, А.В. Ковариационные функции обобщенных
гиперболических процессов / А. В. Кузьмина // НИРС-2011: сб. тезисов
96
докладов Респ. науч. конф. студентов и аспирантов высших учебных
заведений Республики Беларусь, Минск, 18 октября, 2011 г. / Белорус. гос.
ун-т; редкол.: С. В. Абламейко [и др.]. – Минск, 2011. – С. 64.
10-A. Труш, Н. Н. Моделирование процесса CGMY / Н. Н. Труш, А.В.
Кузьмина // Вестн. Белорус. гос. ун-та. Сер. 1, Физ., матем., информат. –
2012. – № 2. – C. 102-105.
11-A. Kuzmina, A. V. Parametrizations equivalence of generalized
hyperbolic distribution / A. V. Kuzmina // XI Белорусская математическая
конференция: материалы междунар. Научн. конф., Минск, 4-9 ноября 2012 г.:
в 4 ч. / Институт математики НАН Беларуси, Белорус. гос. ун-т; редкол.: С.Г.
Красовский, В.В. Лепин. – Минск, 2012. – Ч. 4. – С. 39-40.
97

Диссертация 18-03-13

Загружено:

Сведения о документе

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

Диссертация 18-03-13

Загружено:

Авторское право:

Доступные форматы

БЕЛОРУССКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

Диссертация на соискание ученой степени

по специальности 01.01.05 – теория вероятностей и

Перечень условный обозначений 4

нормальное обратное гауссовское распределение

Одной из основных проблем финансовой инженерии является

Проблема построения моделей, описывающих динамику цен основных

(где – реальная стоимость Европейского опциона-колл на

В этой главе приводятся основные понятия и результаты

2.1 Фильтрованное вероятностное пространство

Введенный поток F (ℱ ) неубывающих -подалгебр, входящих в ℱ и

2.2 Классические случайные процессы, используемые в

набора точек , таких, что , величины

2.3 Эквивалентная мартингальная мера

2.4 Моделирование случайных величин

Моделирующий алгоритм заключается в следующей последовательности

– несмещенные и состоятельные оценки математического ожидания и

являются состоятельными оценками асимметрии и эксцесса соответственно

СУБОРДИНАТОРЫ: СВОЙСТВА И МОДЕЛИРОВАНИЕ

Как было отмечено в главе 1 к числу процессов Леви относятся

3.1 Основные характеристики процессов Леви

набора точек , таких, что , величины

Поскольку процессы Леви являются процессами со стационарными

– характеристическая экспонента, называемая также кумулянтой [11]. Тогда

Таким образом, распределение задается распределением .

ℝ, , – положительная мера на ℝ, называемая мерой Леви,

3.2 Субординаторы: определения и свойства

3.2.1 Обратный гауссовский процесс

Рисунок 3.1 – Графики плотностей обратного гауссовского распределения

Моменты обратного гауссовского распределения представлены в

, – характеристическая функция случайной величины .

Тогда математическое ожидание, дисперсия, асимметрия и эксцесс

Для плотностей случайных величин , имеем

Используя (3.2) и (3.4) получаем

где , – плотность стандартного

где – гамма-функция, , – параметр формы,

Рисунок 3.2 – Графики плотностей гамма-распределения

Характеристическая функция гамма-распределения имеет следующий

Тогда выражения для математического ожидания, дисперсии, асимметрии и

В случае, когда имеем

3.2.3 Обобщенный обратный гауссовский процесс

– модифицированная функция Бесселя 3-го рода, ,

Введем обозначение случайной величины с обобщенным обратным

Обобщенное обратное гауссовское распределение является

Рисунок 3.3 – Графики плотностей обобщенного обратного гауссовского

3.3 Моделирование субординаторов

3.3.1 Моделирование обратного гауссовского процесса

где , , значит, на уровне значимости гипотеза

где – плотность обратного гауссовского распределения задаваемая

где , определены в (2.3). В силу леммы 2.1 оценки (3.9) являются

Рисунок 3.4 – Траектории обратного гауссовского процесса

3.3.2 Моделирование гамма-процесса

где – плотность гамма-распределения задаваемая формулой (3.5),

где , определены в (2.3). В силу леммы 2.1 оценки (3.10) являются

Алгоритм 3.7. [11, 3-А, 8-А] Моделирование гамма-процесса с

Выводы. В главе получены следующие основные результаты:

В главе 4 рассматривается класс обобщенных гиперболических

4.1 Обобщенные гиперболические процессы Леви

где – модифицированная функция Бесселя 3-го рода с индексом 1,

Рисунок 4.1 – Графики плотностей нормального обратного гауссовского

Таблица 4.1 – Моменты нормального обратного гауссовского распределения

Триплет характеристик Леви нормального обратного

где – модифицированная функция Бесселя 3-го рода с индексом 1,

где – гамма-функция, ,а , , ℝ. Случайную величину с