Ito-prosessit. Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma. S ysteemianalyysin. Laboratorio

Samankaltaiset tiedostot
Johdannaisanalyysi. Contingent Claims Analysis Juha Leino S ysteemianalyysin. Laboratorio

Jatkuvan ajan dynaaminen optimointi

Wiener-prosessi: Tarkastellaan seuraavanlaista stokastista prosessia

OPTIMAALINEN INVESTOINTIPÄÄTÖS

Projektin arvon määritys

LUKU 3. Ulkoinen derivaatta. dx i 1. dx i 2. ω i1,i 2,...,i k

Lisää satunnaisuutta ja mahdollisuus keskeyttää projekti

Investointimahdollisuudet ja niiden ajoitus

Projektin arvon aleneminen

= X s + IE[X t X s ] = 0, s ja sitä, että ehdollinen odotusarvo on tavallinen odotusarvo silloin, kun satunnaismuuttuja

Ilkka Mellin Todennäköisyyslaskenta. Osa 2: Satunnaismuuttujat ja todennäköisyysjakaumat. Momenttiemäfunktio ja karakteristinen funktio

Päätöspuut pitkän aikavälin investointilaskelmissa

8. Muita stokastisia malleja 8.1 Epölineaariset mallit ARCH ja GARCH

Diskreettiaikainen dynaaminen optimointi

MS-A0202 Differentiaali- ja integraalilaskenta 2 (SCI) Luento 4: Ketjusäännöt ja lineaarinen approksimointi

Johdatus todennäköisyyslaskentaan Momenttiemäfunktio ja karakteristinen funktio. TKK (c) Ilkka Mellin (2005) 1

2. Viikko. CDH: luvut (s ). Matematiikka on fysiikan kieli ja differentiaaliyhtälöt sen yleisin murre.

Investointimahdollisuudet ja investoinnin ajoittaminen

Esteet, hyppyprosessit ja dynaaminen ohjelmointi

6 Variaatiolaskennan perusteet

Ratkaisu: Ensimmäinen suunta. Olkoon f : R n R m jatkuva eli kaikilla ε > 0 on olemassa sellainen δ > 0, että. kun x a < δ. Nyt kaikilla j = 1,...

IV. TASAINEN SUPPENEMINEN. f(x) = lim. jokaista ε > 0 ja x A kohti n ε,x N s.e. n n

Estimointi. Vilkkumaa / Kuusinen 1

6. Sovelluksia stokastiselle integroinnille

MS-A0107 Differentiaali- ja integraalilaskenta 1 (CHEM)

VI. TAYLORIN KAAVA JA SARJAT. VI.1. Taylorin polynomi ja Taylorin kaava

Dynaamiset regressiomallit

Luento 8: Epälineaarinen optimointi

Kuva 3.1: Näyte Gaussisesta valkoisest kohinasta ε t N(0, 1) Aika t

Osa 2: Otokset, otosjakaumat ja estimointi

Yksisuuntainen varianssianalyysi (jatkoa) Heliövaara 1

4.0.2 Kuinka hyvä ennuste on?

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 4: Ketjusäännöt ja lineaarinen approksimointi

Antti Rasila. Kevät Matematiikan ja systeemianalyysin laitos Aalto-yliopisto. Antti Rasila (Aalto-yliopisto) MS-A0204 Kevät / 16

MS-A0207 Differentiaali- ja integraalilaskenta 2 Luento 5: Gradientti ja suunnattu derivaatta. Vektoriarvoiset funktiot. Taylor-approksimaatio.

Sovellettu todennäköisyyslaskenta B

H7 Malliratkaisut - Tehtävä 1

Black Scholes-hinnoittelumallin robustisuus ja tyylitellyt tosiseikat

MATEMATIIKAN JA TILASTOTIETEEN LAITOS

Harha mallin arvioinnissa

Johdatus tilastotieteeseen Estimointi. TKK (c) Ilkka Mellin (2005) 1

Investointistrategioista kilpailluilla markkinoilla

Ilkka Mellin Tilastolliset menetelmät Osa 2: Otokset, otosjakaumat ja estimointi Estimointi

Projektin keskeyttäminen, uudelleen käynnistäminen ja hylkääminen

Maximum likelihood-estimointi Alkeet

Sovellettu todennäköisyyslaskenta B

6.2.3 Spektrikertymäfunktio

Talousmatematiikan perusteet: Luento 17. Integraalin sovelluksia kassavirta-analyysissa Integraalin sovelluksia todennäköisyyslaskennassa

MS-A0305 Differentiaali- ja integraalilaskenta 3 Luento 3: Vektorikentät

Satunnaismuuttujien muunnokset ja niiden jakaumat

Estimointi populaation tuntemattoman parametrin arviointia otossuureen avulla Otossuure satunnaisotoksen avulla määritelty funktio

Valintahetket ja pysäytetyt martingaalit

6. Differentiaaliyhtälösysteemien laadullista teoriaa.

Oletetaan, että virhetermit eivät korreloi toistensa eikä faktorin f kanssa. Toisin sanoen

5. Stokastinen integrointi

Rahoitusriskit ja johdannaiset Matti Estola. luento 10 Binomipuut ja optioiden hinnoittelu

x n e x dx = n( e x ) nx n 1 ( e x ) = x n e x + ni n 1 x 4 e x dx = x 4 e x +4( x 3 e x +3( x 2 e x +2( xe x e x ))) = e x

Luento 8: Epälineaarinen optimointi

Yksisuuntainen varianssianalyysi (jatkoa) Kuusinen/Heliövaara 1

Matematiikka B1 - avoin yliopisto

Estimointi. Estimointi. Estimointi: Mitä opimme? 2/4. Estimointi: Mitä opimme? 1/4. Estimointi: Mitä opimme? 3/4. Estimointi: Mitä opimme?

MATEMATIIKAN PERUSKURSSI II kevät 2018 Ratkaisut 1. välikokeen preppaustehtäviin. 1. a) Muodostetaan osasummien jono. S n =

x 4 e 2x dx Γ(r) = x r 1 e x dx (1)

MS-C1340 Lineaarialgebra ja differentiaaliyhtälöt

k S P[ X µ kσ] 1 k 2.

1 Di erentiaaliyhtälöt

Black ja Scholes ilman Gaussia

Talousmatematiikan perusteet

min x x2 2 x 1 + x 2 1 = 0 (1) 2x1 1, h = f = 4x 2 2x1 + v = 0 4x 2 + v = 0 min x x3 2 x1 = ± v/3 = ±a x 2 = ± v/3 = ±a, a > 0 0 6x 2

Ennustaminen ARMA malleilla ja Kalmanin suodin

Johdatus todennäköisyyslaskentaan Normaalijakaumasta johdettuja jakaumia. TKK (c) Ilkka Mellin (2005) 1

HY, MTL / Matemaattisten tieteiden kandiohjelma Todennäköisyyslaskenta IIb, syksy 2017 Harjoitus 1 Ratkaisuehdotuksia

Sovellettu todennäköisyyslaskenta B

Tilastotieteen kertaus. Kuusinen/Heliövaara 1

tilastotieteen kertaus

2. Uskottavuus ja informaatio

Selvästi. F (a) F (y) < r x d aina, kun a y < δ. Kolmioepäyhtälön nojalla x F (y) x F (a) + F (a) F (y) < d + r x d = r x

Reaalioptioden käsitteen esittely yksinkertaisen esimerkin avulla

Harjoitus 2: Matlab - Statistical Toolbox

Lause 4.2. Lineearinen pienimmän keskineliövirheen estimaattoi on lineaarinen projektio.

Johdatus todennäköisyyslaskentaan Satunnaismuuttujien muunnokset ja niiden jakaumat. TKK (c) Ilkka Mellin (2004) 1

805324A (805679S) Aikasarja-analyysi Harjoitus 4 (2016)

Matematiikan tukikurssi

3. Teoriaharjoitukset

Probabilistiset mallit (osa 2) Matemaattisen mallinnuksen kurssi Kevät 2002, luento 10, osa 2 Jorma Merikoski Tampereen yliopisto

Mat Investointiteoria Laskuharjoitus 3/2008, Ratkaisut

Keskipisteen lisääminen 2 k -faktorikokeeseen (ks. Montgomery 9-6)

9. Tila-avaruusmallit

Lisää Diskreettejä jakaumia Lisää Jatkuvia jakaumia Normaalijakaumasta johdettuja jakaumia

805324A (805679S) Aikasarja-analyysi Harjoitus 3 (2016)

a) Mikä on integraalifunktio ja miten derivaatta liittyy siihen? Anna esimerkki = 16 3 =

Differentiaali- ja integraalilaskenta 3 Ratkaisut viikko 3

MS-A0502 Todennäköisyyslaskennan ja tilastotieteen peruskurssi

Odotusarvoparien vertailu. Vilkkumaa / Kuusinen 1

Harjoitus 7: NCSS - Tilastollinen analyysi

Normaalijakaumasta johdettuja jakaumia

4. Martingaalit ja lokaalit martingaalit

Tilastollisia peruskäsitteitä ja Monte Carlo

Tilastollinen aineisto Luottamusväli

9. laskuharjoituskierros, vko 12-13, ratkaisut

Transkriptio:

Ito-prosessit Määritelmä Geometrinen Brownin liike Keskiarvoon palautuvat prosessit Iton lemma Optimointiopin seminaari - Syksy 2000 / 1

Ito-prosessit Brownin liikkeen yleistys (Ito prosessi) x(t) : dx = a(x,t)dt+b(x,t)dz dz Wiener-prosessin inkrementti a(x,t) trendikerroin (drift rate), E(dx)=a(x,t)dt b(x,t) 2 varianssikerroin, V(dx)=b(x,t) 2 dt Optimointiopin seminaari - Syksy 2000 / 2

Geometrinen Brownin liike dx = α x dt + σ x dz α määrää trendin ja σ varianssin 12000 10000 8000 6000 4000 2000 0 1 51 101 151 201 251 301 351 401 451 Aika (kk) Optimointiopin seminaari - Syksy 2000 / 3

Geometrinen Brownin liike E[x(t)] = x 0 e α t ja V[x(t)] = x 0 e 2α t (e σ 2 t - 1), eli kasvavat eksponentiaalisesti Esim. x(t) tuotto, tuoton nykyarvon odotusarvo E rt rt [ x( t) e dt] = E[ x( t)] e dt = x0 /( r α 0 0 ) Mallinnetaan mm. arvopapereiden hintoja, korkoja yms. Optimointiopin seminaari - Syksy 2000 / 4

Keskiarvoon palautuvat prosessit dx =η (x*-x) dt+σ dz (nk. Ornstein-Uhlenbeck prosessi) η kuvaa palautumisnopeutta ja x* normaalitasoa 1.6 1.4 1.2 Jos x(0)=x 0 niin E[x(t)]=x*+(x 0 -x*)e -η t V[x(t)]=σ 2 /(2η) (1- e -2η t ) 1 0.8 0.6 Aika (kk) Optimointiopin seminaari - Syksy 2000 / 5

Keskiarvoon palautuvat prosessit Ornstein-Uhlenbeck saadaan erään AR(1) prosessin raja-arvona kun t 0 Sovittamalla dataan malli x t -x t-1 =a+bx t +ε t saadaan estimaatit x*:lle η:lle ja σ:lle Yleistyksiä mm. a(x,t)= η x(x*-x) ja/tai b(x,t)= σ x Mallinnetaan mm. raaka-aineiden hintoja Optimointiopin seminaari - Syksy 2000 / 6

Pohdintoja Millä prosessilla mallintaa ilmiöitä esim. raakaaineiden hintoja? Mallin estimointi tilastollisilla testaamalla (unit root tests) ongelmana datan vähyys Muut kriteerit mallin valinnassa intuitio ja teoreettiset argumentit helppokäyttöisyys (geometrinen Brownin liike) Optimointiopin seminaari - Syksy 2000 / 7

Iton lemma Olkoon x(t) Ito-prosessi ja funktio F(x,t) kahdesti differentioituva Mikä on F:n differentiaali? Vastaus Iton lemma: df=f t dt +F x dx +1/2 F xx (dx) 2 Voidaan differentioida ja integroida Ito-prosessien funktioita! Optimointiopin seminaari - Syksy 2000 / 8

Iton lemma Esim. optio kuparikaivokseen investoimiseen option arvo riippuu kuparin hinnasta, joka noudattaa Ito-prosessia Iton lemmalla saadaan stokastinen prosessi option arvolle Lemma yleistyy myös funktioille, jotka riippuvat useista Ito-prosesseista, F(x 1,...,x m, t), dx i =a i (x 1,...,x m )dt+b i (x 1,...,x m )dz i df = Ft dt + Fx dxi + 1/ 2 F dx dx i i i j i j x x i j Optimointiopin seminaari - Syksy 2000 / 9

Iton lemma Intuitiivinen perustelu Taylorin kehitelmällä: df=f t dt +F x dx +1/2 F xx (dx) 2 +1/6 F xxx (dx) 3 +... (dx) 2 = b(x,t) 2 dt + dt:n korkeampia potensseja siis kehitelmän kolmas termi on huomioitava df=[f t dt+a(x,t) F x +1/2 b(x,t) 2 F xx ]dt+b(x,t) F x dz Optimointiopin seminaari - Syksy 2000 / 10

Geometrinen Brownin liike (jatkoa) x noudattaa geom. Brownin liikettä Millaista prosessia F(x,t)=log(x) noudattaa? Nyt F t = 0, F x =1/x ja F xx =-1/x 2 Iton lemma df=1/x dx - 1/(2 x 2 ) (dx) 2 = (α -1/2 σ 2 )dt+σ dz, eli kyseessä on Brownin liike (trendillä) Optimointiopin seminaari - Syksy 2000 / 11

Esimerkki x(t) geom. Brownin liike, F(x)=x θ, lasketaan F:n nykyarvon odotusarvo, eli Iton lemma => df = α Fdt+σ Fdz, missä α = (θα +1/2 θ(1-θ)σ 2 ) ja σ = θσ, saadaan E E[ 0 F( x( t)) e dt] rt rt θ [ F( x( t)) e dt] = E[ F( x( t))] e dt = x0 /( r α 0 0 rt *) Optimointiopin seminaari - Syksy 2000 / 12

Kotitehtävä x (t) ja y(t) noudattavat geometrista Brownin liikettä: dx=α x xdt+σ x xdz x, dy=α y ydt+σ y ydz y ja E[dz x dz y ]=ρdt F(x,y)=log(x,y), laske df Optimointiopin seminaari - Syksy 2000 / 13