UNIVERSITATEA DIN CRAIOVA

FACULTATEA DE STIINT
E

DEPARTAMENTUL DE MATEMATICA
MASTER MATEMATICI APLICATE

LUCRARE DE DISERTAT
IE

Coordonator
Lect. Univ. Dr. Monica Rosiu
Absolvent
Ileana Sandu

CRAIOVA
-2016-

UNIVERSITATEA DIN CRAIOVA

FACULTATEA DE STIINT
E

DEPARTAMENTUL DE MATEMATICA
MASTER MATEMATICI APLICATE

Modele ale pietelor de capital

multiperiodice

Coordonator
Lect. Univ. Dr. Monica Rosiu
Absolvent
Ileana Sandu

CRAIOVA
-2016-

Cuprins
Introducere

Preliminarii

Specificatii ale modelelor, filtr

ari si procese stochastice
2.1 Structurile informatiei . . . . . . . . . . . . . . . . . .
2.2 Modele de procese stochastice pentru preturile activelor
2.3 Strategii de tranzactionare . . . . . . . . . . . . . . . .
2.4 Procese de valoare si procese de castig . . . . . . . . .
2.5 Strategii care se autofinanteaza . . . . . . . . . . . . .

. . . . . .
financiare
. . . . . .
. . . . . .
. . . . . .

.
.
.
.
.

.
.
.
.
.

.
.
.
.
.

8
9
12
15
16
18

Medii conditionate si martingale

20

Consideratii economice

24

Modelul binomial

35

Bibliografie

50

Introducere
Lucrarea intitulata Modele ale pietelor de capital multiperiodice si propune sa prezinte n detaliu caracteristicile unor modele care pot fi utilizate cu succes
n piata financiara. Argumentul pentru sustinerea acestei afirmatii este de fapt si cea
mai importanta particularitate de care dispun acestea: sunt realistice.
Excluzand capitolul Preliminarii, unde sunt prezentate notiuni necesare ntelegerii
terminologiei utilizate, teza este alcatuita din patru mari sectiuni, iar sursa bibliografica principala pentru elaborarea sa o reprezinta [7].
Prima parte ofera detalii despre specificatiile unui model precum strategii de tranzactionare, procese stochastice dar si informatii referitoare la modul n care se structureaza si transmit informatiile.
La fel ca si n cazul modelelor cu perioada unica, modelul multiperiodic al pietelor
de capital nu va avea oportunitati de arbitraj decat daca exista o masura a probabilitatii de risc neutru. Cu toate acestea, n cazul modelelor multiperiodice, aceste
masuri sunt definite sub forma de martingale, acestea fiind la randul lor definite de
medii conditionate. Scopul capitolului Medii conditionate si martingale este acela
de a introduce aceste doua concepte din teoria probabilitatii.
Al treilea capitol prezinta cateva consideratii economice cu privire la relatia dintre
modelele cu o singura perioada si cele multiperiodice.
Ultimul capitol, Modelul binomial de determinare a pretului unui activ, prezinta
un instrument util pentru a ntelege teoria stabilirii pretului si probabilitatea asociata.
Un instrument financiar derivat este un contract de transfer al unui risc, a carui valoare
depinde de valoarea unui activ de baza. Activul de baza poate fi un bun, o rata de
dobanda, o actiune, un indice bursier, o deviza sau orice alt instrument tranzactionabil

stabilit ntre cele doua parti contractante.

Un instrument derivat este un instrument financiar care ndeplineste simultan
urmatoarele conditii:
a) Valoarea sa depinde de valoarea unui activ de baza;
b) Nu necesita o investitie neta initiala sau presupune o investitie initiala mai mica
decat cea necesara pentru alte active cu raspuns similar la modificarile pietei;
c) Este decontat la o data ulterioara.

Preliminarii
Pentru a ntelege mai bine notiunile si rezultatele cuprinse n aceasta lucrare, vom
reaminti cateva notiuni si conceptele fundamentale de teoria probabilitatilor si procese
stochastice.
Consideram spatiul probelor sau al rezultatelor unui experiment, iar un element
din l notam cu . O submultime a lui o vom numi eveniment. In general,
structura lui nu este importanta, nsa n cazul n care dorim crearea unei variabile
aleatoare care verifica o lege data, atunci este importanta cunoasterea spatiului mai
precis cunoasterea evenimentelor elementare.
Fie un experiment cu spatiul probelor . Pentru fiecare eveniment A din ,
presupunem ca este definit un numar P (A) care satisface urmatoarele trei axiome:
Axioma 1
0 6 P (A) 6 1
Axioma 2
P () = 1
Axioma 3
Pentru orice sir de evenimente (Ai )iN disjuncte doua cate doua,

P ( Ai ) =
i=1

X
P (Ai ).
i=1

Numarul P (A) se numeste probabilitatea evenimentului A. Functia de multime P

: P () [0, 1], care asociaza fiecarui eveniment A din , probabilitatea sa P (A) si
satisface axiomele de mai sus se numeste functie de probabilitate sau probabilitate.
Un eveniment A se numeste nul daca P (A) = 0. Se observa ca, evenimentul
imposibil este nul, nsa evenimentele nule nu sunt necesar imposibile.
Astfel, Axioma 1 afirma ca probabilitatea ca rezultatul experimentului sa fie un
rezultat din A este un numar ntre 0 si 1. Axioma 2 afirma ca sigur rezultatul va fi
3

din spatiul probelor . Axioma 2 se mai numeste normalizare. Axioma 3 afirma ca,
pentru orice sir de evenimente disjuncte doua cate doua, probabilitatea ca cel putin
unul din aceste evenimente sa aiba loc este suma probabilitatilor lor.
Definitia 1.1. O algebra pe este o familie A de submultimi din , care este
nchisa la complementara sa si la reuniuni numarabile. Astfel A
/ P ( ) este o
algebra pe daca are urmatoarele proprietati:
a) Daca A A, atunci Ac A .

b) Daca (An )n>1 este un sir de multimi din A, atunci An A.

n=1

Perechea (, A) se numeste spatiu masurabil.

Fie X o multime arbitrara si E P(X) o familie de submultimi ale multimii X.
Intersectia tuturor algebrelor din X care contin familia E este o algebra n X
care confamilia E. Ea se noteaza cu (E) si se numeste algebra generata de familia
E. Ea este cea mai mica algebra din X care contine familia E .
Definitia 1.2.
O functie f : R se numeste masurabila n raport cu spatiul
masurabil (, A) daca pentru orice multime Borel B B(R), rezulta ca f 1 (B) A.
Definitia 1.3.
O variabila aleatoare este o functie X : (, A) (R,B(R))

masurabila. In general, A = P ().

Numim variabila aleatoare discreta o functie X : R, care satisface urmatoarele
conditii:
(i) X are o multime cel mult numarabila de valori, {xi |i N } ;
(ii) Pentru orice i N, {X = xi } A.
Functia (masa) de probabilitate pentru o variabila aleatoare discreta X este
p : R [0, 1], p(x) = P (X = x).
Functia de repartitie cumulativa F : R [0, 1] pentru o variabila aleatoare X este
definita prin
F (x) = P (X 6 x), x R.
Daca X este o variabila aleatoare discreta, atunci
X
X
F (x) =
P (X = y) =
p(y), x R.
y6x

y6x

Media variabilei aleatoare X, notata cu M [X], este

X
M [X] =
X()P ().

Fie X o variabila aleatoare discreta, {xi |i N} multimea valorilor distincte ale

lui X si Ai = { |X() = xi }, pentru orice i N. Media variabilei X este data
de urmatoarea formula
X
X
M [X] =
xi P (X = xi ) =
xp(x),
i

x:p(x)>0

Varianta (dispersia) unei variabile aleatoare X, notata cu V ar(X), este definita

prin
V ar(X) = E[(X E(X))2 ].
X E(X) se numeste deviatia de la medie, deci varianta este media patratului
deviatiei.
O formula alternativa pentru V ar(X) este
V ar(X) = E[X 2 ] (E[X])2 .
Exemplul 1.1. Variabila aleatoare Bernoulli X : R, X(H) = 1, X(T ) = 0
are functia masa de probabilitate p : R [0, 1], p(0) = 1 p , p(1) = p, unde p [0, 1]
si p(x) = 0, pentru x R\{0, 1}. Functia de repartitie a variabilei aleatoare Bernoulli
este

x<0
0,
1 p, 0 6 x < 1 .
F (x) =

1,
x>1
Se spune ca X are repartitia Bernoulli, notata uneori cu Bern(p). Media lui X este
E[X] = 1 P (X = 1) + 0 P (X = 0) = p. V ar(X) = p p2 = p(1 p) = pq.
In modelarea matematica a activelor financiare, informatiile din piata la un moment
dat sunt interpretate drept submultimi, cu caracteristici speciale, ale lui P (). Aceste
submultimi sunt generate de istoricul pietei financiare considerate.
O variabila aleatoare X este continua daca exista o functie f : R [0, ), cu
proprietatea ca
Z
(6.1.)
P (X B) = f (x)dx.
B

pentru orice multime B R masurabila Lebesgue-Stieltjes. Functia f se numeste

functia densitate de probabilitate a variabilei aleatoare X.
Daca variabila aleatoare X are functia densitate de probabilitate f , atunci, din
definitie, functia de repartitie cumulativa F : R R este
Za
F (a) = P (X 6 a) =

f (x)dx,

pentru orice a R.
Daca variabila aleatoare continua X are functia de repartitie cumulativa F , atunci,
din teorema fundamentala a calcului integral, rezulta ca functia densitate de probabilitate f este egala cu derivata functiei de repartitie cumulativa, adica
F 0 (a) = f (a), a R.
Valoarea medie a lui X este
Z
M [X] =

xf (x)dx.

daca aceasta integrala exista.

Probabilitatea evenimentului A conditionata de evenimentul B se noteaza P (A|B)
si daca P (B) > 0, atunci
P (A B)
P (A|B) =
.
P (B)
Probabilitatile conditionate satisfac toate proprietatile probabilitatilor obisnuite.
Daca X si Y sunt variabile aleatoare discrete comune, atunci functia masa de probabilitate a lui X conditionata de Y = y, pentru toate valorile lui y, cu proprietatea
ca P (Y = y) > 0, prin
pX|Y (x |y) = P (X = x |Y = y)
=

p(x, y)
.
pY (y)

Media lui X conditionata de Y = y, pentru toate valorile y astfel ncat pY (y) > 0,
prin
X
M [X |Y = y] =
xP (X = x |Y = y}
x

X
xpX|Y (x |y) .
x

Analog, daca X si Y sunt continue comune cu o functie densitate de probabilitate

comuna f (x, y), atunci functia densitate de probabilitate a lui X conditionata de Y=y
este definita, pentru toate valorile y astfel ncat fY (y) > 0, prin
fX|Y (x |y) =

f (x, y)
.
fY (y)

Definim media lui X conditionata de Y = y, prin

Z
E[X |Y = y] =

xfX|Y (x |y)

cu conditia ca fY (y) > 0.

Putem defini varianta (dispersia) lui X conditionata de Y=y prin
V ar(X | Y ) = E[(X E[X | Y ])2 | Y ].
Exista o relatie foarte folositoare ntre Var(X), varianta neconditionata a lui X si
V ar(X | Y ) varianta lui X conditionata de Y, care se poate aplica pentru a calcula
Var(X), si anume:
V ar(X) = E[V ar(X | Y )] + V ar(E[X | Y ]).

Specificatii ale modelelor, filtr

ari si
procese stochastice
Modelele multiperiodice ale pietelor de active financiare sunt mult mai realistice
decat modelele cu o singura perioada. De fapt, acestea sunt folosite n industria
financiara datorita caracterului practic.
Modelul multiperiodic contine urmatoarele elemente de baza:
T + 1 momente de tranzactionare: t = 0, 1, ..., T
Un spatiu proba finit cu K < elemente:
= {1 , 2 , ..., K }
O masura de probabilitate P pe cu P () > 0 pentru toate
O filtrare F = {Ft ; t = 0, 1, ..., T } care este un submodel care specifica cum
informatiile despre preturile activelor financiare sunt dezvaluite investitorilor.
Un proces de cont bancar B = {Bt ; t = 0, 1, ..., T } unde B este un proces stochastic cu B0 = 1 si Bt () > 0 pentru toti t si . Aici Bt ar trebui sa fie
considerat ca valoarea la momentul t a unui cont de economii cand $1 este depozitat la momentul 0. De obicei, B este un proces crescator, deci cantitatea
(probabil aleatorie) rt (Bt Bt1 )/Bt1 > 0; t = 1, ..., T ar trebui considerata
dobanda aferenta intervalului de timp (t 1; t).
N procese de active financiare riscante Sn = {Sn (t); t = 0, 1, ..., T } unde Sn este
un proces stochastic nenegativ pentru fiecare n = 1, 2, ..., N . Aici Sn (t) ar trebui
considerat ca pretul la momentul t al activului financiar riscant n, de exemplu,
pretul unei actiuni din stocul unei anumite corporatii.

Retinem ca modelul multiperiodic al pietei activelor financiare are doua implementari noi nempartasite cu modelul uniperiodic: submodelul informatiei si submodelele procedeului stochastic al preturilor pe care le vom descrie n continuare.

2.1

Structurile informatiei

Este important sa avem o idee clara despre cum informatia referitoare la preturile
activelor financiare le este dezvaluita investitorilor. Acest lucru se realizeaza prin
submultimile spatiului proba .
Consideram la momentul t = 0 ca orice situatie este posibila. Unele situatii
pot fi mai probabile decat altele, dar niciuna nu este exclusa. In acelasi timp, la momentul t = T (se va presupune mereu) investitorii vor nvata valoarea reala situatiei
(deci si valoarea reala fiecarei variabile aleatoare). Acest lucru se ntampla deoarece, odata cu trecerea timpului, investitorii sunt capabili sa deduca situatia reala,
observand informatia n timp ce se dezvaluie, deoarece se va presupune ca exista o
corespondenta bijectiva ntre fiecare sir posibil de informatie si fiecare situatie.
Ce se ntampla cu informatia n momentele intermediare, si anume, cand 0 < t < T ?
Cum modelam evolutia informatiei? Noua informatie, observata de-a lungul unei
perioade de timp, permite investitorilor sa excluda anumite situatii ca fiind imposibile. Prin urmare, se poate vizualiza evolutia informatiei ca un sir aleator {At } de
submultimi ale lui unde A0 = , At = {} pentru si A0 A1 ...
AT 1 AT . Investitorii stiu la momentul t ca pentru o submultime At situatia reala
este un At , dar nu sunt siguri care este aceasta. Unele situatii At pot fi mai
probabile decat altele, dar niciuna nu este exclusa. Pe de alta parte, fiecare situatie
Act (complementul lui At ) este exclusa de investitori la momentul t. Investitorii
stiu ca situatia reala a lumii nu este n exteriorul lui At . Din punct de vedere logic,
ntr-o perioada ulterioara, submultimea relevanta A(t+1) care descrie informatia pentru
investitori trebuie sa fie, n schimb, o submultime a lui At . Asadar, sirul de submultimi
{At } ce li se dezvaluie investitorilor trebuie sa ndeplineasca relatia At+1 At pentru
toti t.
Retinem ca exista K siruri posibile de submultimi de informatii {At }. La momentul
t = 0 investitorii sunt constienti de toate aceste siruri, dar ei nu stiu care dintre
acestea se va desfasura. Selectam arbitrar un astfel de sir {At }, un moment s < T , si
consideram reuniunea tuturor sirurilor {At } care coincid cu {At } pana la momentul
s, mpreuna cu {At } nsasi. In particular, consideram toate submultimile As+1 la

10

momentul s + 1 n sirurile din aceasta reuniune. Daca As atunci trebuie sa existe

cel putin o submultime As+1 continandu-l pe (daca niciunul dintre sirurile ce coincid
cu {At } de-a lungul momentului s nu sfarseste n situatia , atunci nu ar fi trebuit
sa fie n As de la bun nceput). Prin urmare, reuniunea tuturor submultimilor As+1
care pot, eventual, sa-i urmeze lui As trebuie sa fie egala cu As . In plus, aceasta
familie, {As+1 } de submultimi trebuie sa se excluda reciproc (sa zicem ca daca este
inclus n doua submultimi distincte, atunci ar exista doua sau mai multe siruri diferite
{At } corespunzatoare situatiei , fiind o contradictie). De aici, familia {As+1 } de
submultimi care poate sa-i urmeze lui As constituie o partitie a lui As , fiind o familie
de submultimi disjuncte a caror suma este egala cu As .
In particular, considerand s = 0, observam ca familia {A1 } a tuturor submultimilor
posibile la momentul t = 1 constituie o partitie a lui . Aceasta partitie este notata
P1 . In plus, familia {A2 } a tuturor submultimilor posibile la momentul t = 2 constituie, de asemenea, o partitie a lui , notata P2 ; cu proprietatea ca fiecare A P1
sa fie egala cu reuniunea unuia, sau mai multor elemente ale lui P2 . Prin urmare,
structura informatiei este descrisa complet de un sir P0 , P1 , ..., PT de partitii ale lui
, cu P0 {}, PT {{1 }, ..., {K }} si fiecare A Pt este egala cu reuniunea
unor elemente din Pt+1 , pentru orice t < T . Acest sir {Pt } de partitii este alcatuit
doar din familia sirurilor de informatie posibile {At }. Reciproc, considerand un sir Pt
de partitii precum mai sus, exista o familie unica de siruri de informatie posibile {A1 }
corespunzatoare.
Exista cateva modalitati bune pentru a vizualiza structura informatiei. Sirul de
partitii poate fi descris printr-un sir de imagini ale spatiului proba, cate o imagine
pentru fiecare moment descriind partitia corespunzatoare. Alternativ, sirul de partitii
poate fi descris cu o diagrama cunoscuta sub numele de arbore, unde fiecarui nod i
corespunde un element At al partitiei la momentul t, si exista cate un arc ce merge
catre fiecare nod corespunzator unui At+1 At . Deci, va exista cate un drum de la
nodul n momentul t = 0 (adica A0 = ) la fiecare nod t = T (adica AT = , pentru
fiecare situatie ) iar fiecare astfel de drum va indica un posibil sir de informatie {At }.
Exemplul 2.2.
t = 1 este

Pentru K = 8 si T = 3, presupunem ca patitia la momentul

P = {{1 , 2 , 3 , 4 }, {5 , 6 , 7 , 8 }}

Atunci, pentru partitia t = 2 am putea considera

P = {{1 , 2 }, {3 , 4 }, {5 , 6 }, {7 , 8 }}

11

sau
P = {{1 }, {2 , 3 , 4 }, {5 , 6 , 7 , 8 }},
dar nu putem lua
P = {{1 , 2 , 3 }, {3 , 4 }, {5 , 6 }, {7 , 8 }}
deoarece doua dintre aceste submultimi nu sunt disjuncte, si nici nu putem alege
P = {{1 , 2 }, {3 , 4 5 }, {6 , 7 , 8 }}
deoarece nicio reuniune a acestor submultimi nu este egala cu {5 , 6 , 7 , 8 }.
In concluzie, submodelul structurii informatiei poate fi structurat ntr-un sir de
partitii, fiecare partitie succesiva devenind mai fina. Acesta poate fi organizat precum
un arbore, nsa exista nca o metoda de a descrie submodelul.
O familie F de submultimi ale lui se numeste algebra pe daca
(a)

(b)

F F F c = \F F

(c)

F si G F F G F

Retinem ca daca F este o algebra, ea trebuie sa contina multimea vida = c . De

asemenea, F G = (F c Gc ), atunci daca F este o algebra ce contine F si G, atunci
F trebuie sa contina intersectia F G. Prin urmare, o algebra pe este o familie de
submultimi din ce este stabila n raport cu o multime finita de operatii.
Considerand o algebra pe , notata Ft , putem ntotdeauna sa gasim o familie
unica {Fn } de submultimi Fn astfel ncat:
(a)

fiecare Fn Ft

(b)

submultimile {Fn } sunt disjuncte, iar

(c)

reuniunea de submultimi {Fn } este egala cu

Cu alte cuvinte, algebrei Ft i corespunde o partitie a lui , aceasta fiind unica.

Reciproc, cu o partitie putem efectua o serie de operatii simple (complemente,
intersectie, reuniune si asa mai departe), generand cat mai multe submultimi posibile.
Obtinem astfel o algebra unica.

12

Deci, exista o corespondenta bijectiva ntre partitiile lui si algebrele pe , submodelul structurii informatiei putand fi organizat ntr-un sir {F1 } de algebre. Scriem
F = {Ft ; t = 0, 1, ..., T } unde F este o filtrare. Observam ca F0 = {, } si FT contin
toate submultimile lui . Deoarece fiecare submultime din partitia de la momentul t
este egala cu reuniunea unora dintre submultimile la momentul (t+1), trebuie sa avem
Ft Ft+1 , adica fiecare submultime din Ft trebuie sa fie un element al lui Ft+1 . Se
poate spune deci ca filtrarea noastra este un sir de algebre.
Exemplul 2.2 (continuare) Partitiei la momentul t = 1 i corespunde algebra
F1 = {, , {1 , 2 , 3 , 4 }, {5 , 6 , 7 , 8 }}.
Partitiei la momentul t = 2 pe care am ales-o precedent i corespunde algebra
F2 ={, , {1 , 2 }, {3 , 4 }, {5 , 6 }, {7 , 8 }, {1 , 2 , 3 , 4 },
{5 , 6 , 7 , 8 }, {1 , 2 , 5 , 6 }, {1 , 2 , 7 , 8 }, {3 , 4 , 5 , 6 },
{3 , 4 , 7 , 8 }, {1 , 2 , 3 , 4 , 5 , 6 }, {1 , 2 , 3 , 4 , 7 , 8 },
{1 , 2 , 5 , 6 , 7 , 8 }, {3 , 4 , 5 , 6 , 7 , 8 }}.

2.2

Modele de procese stochastice pentru preturile

activelor financiare

Un proces stochastic Sn este o functie cu valori reale Sn (t, ). Prin urmare, domeniul este {0, 1, ..., T } . Pentru fiecare fix, functia Sn (t, ) este o
variabila aleatoare.
In scopuri practice, avem nevoie ca modelul procesului stochastic pentru preturile
activelor financiare sa fie n concordanta cu structura informatiei. In particular,
informatia disponibila investitorilor n orice moment trebuie sa includa detalii despre preturile activelor financiare curente si trecute. Acest lucru se realizeaza prin
introducerea conceptului de masurabilitate al variabilelor aleatoare.
Variabila aleatoare X este masurabila n raport cu algebra F daca functia
X() este constanta pe orice submultime din partitia corespunzatoare lui F . Echivalent, pentru orice numar real x, submultimea { , X() = x} este un element al
algebrei F .
Exemplul 2.3. Cu F1 = {{1 , 2 , 3 , 4 }, {5 , 6 , 7 , 8 }} la fel ca n exemplul

13

2.2, presupunem
(
6, = 1 , 2 , 3 sau 4
X() =
8. = 5 , 6 , 7 sau 8
si
(
1, = 1 , 3 , 5 sau 7
Y () =
0. = 2 , 4 , 6 sau 8
Atunci X este masurabila n raport cu F1 , iar Y nu.
Un proces stochastic Sn = {Sn (t); t = 0, 1, ..., T } este adaptat filtrarii F = {Ft ; t =
0, 1, ..., T } daca variabila aleatoare Sn (t) este masurabila n raport cu Ft pentru fiecare
t = 0, 1, ..., T . Se va presupune ca pretul celui de-al n-lea activ financiar este un proces
stochastic adaptat Sn pentru n = 1, ..., N , si la fel pentru procesul de cont bancar B.
Deci, cum necesitatea adaptarii proceselor stochastice ne asigura ca toti investitorii
au cunostiinte depline asupra preturilor curente si trecute? Investitorii stiu la momentul t ca situatia reala apartine unei submultimi particulare a partitiei momentului
t, Pt . Pretul la momentul t al fiecarui activ financiar Sn (t) trebuie sa fie constant
pe aceasta submultime pentru ca investitorii sa poata sa si dea seama care sunt cu
adevarat valorile activelor financiare la momentul t. In plus, din moment ce partitiile
formeaza un sir crescator de multimi, investitorii pot intui submultimile observate n
partitiile anterioare, deci pot sa deduca mai devreme preturile reale ale acestora.
In concluzie, modelul pietei activelor financiare este alcatuit din procese de active
financiare ce sunt adaptate filtrarii, cu scopul ca investitorii sa aiba cunostiinte depline
asupra preturilor curente si trecute. Cu toate ca informatia si submodelele activelor
financiare pot fi specificate simultan, filtrarea este de obicei mentionata numai dupa
ce a fost indicat modelul procesului stochastic.
Desi informatia si submodelele activelor submodelului pot fi specificate simultan,
n practica, filtrarea este deseori specificata numai dupa ce se specifica submodelul
procesului stochastic al activelor.
Pornind de la o precizare a proceselor stochastice, putem adesea sa mentionam
doua sau mai multe filtrari ncat preturile activelor sa fie adaptate. Totusi, unele
dintre aceste filtrari pot fi inadmisibile, deoarece pot fi n concordanta cu faptul ca
permit investitorilor sa privesca n viitor. Spre exemplu, daca preturile la momentul
t + 1 sunt Ft masurabile, atunci investitorii stiu la momentul t care vor fi preturile
la momentul t + 1. Cu toate acestea, exista ntotdeauna o filtrare care corespunde
studierii preturilor pe masura ce timpul trece, dar fara a nvata mai mult. Derivarea
unei astfel de filtrari este ilustrata n urmatorul exemplu.

14

Exemplul 2.4. Consideram un investitor care urmareste un activ si care stie ca

acesta va evolua n modul urmator:
K
1
2
3
4

t=0
S0 = 5
S0 = 5
S0 = 5
S0 = 5

t=1
S1 = 8
S1 = 8
S1 = 4
S1 = 4

t=2
S2 = 9
S2 = 6
S2 = 6
S2 = 3

Aici N = 1, deci folosim conventia ca atunci cand N = 1 indicele poate sugera

momentul, n loc sa identifice activul riscant. In plus, T = 2 si K = 4, deci procesul
stochastic S este specificat pentru fiecare (t, ).
La momentul t = 0, tot ce investitorul observa este S0 = 5, cu alte cuvinte,
investitorul nu are niciun indiciu despre situatia adevarata, deci F0 = {, }. Dar, la
momentul t = 1 investitorul observa ca S1 = 8 sau S1 = 4. In primul caz, acesta deduce
ca situatia reala trebuie sa fie 1 sau 2 , iar n ultimul caz trebuie sa fie ori 3 ori 4 .
Prin urmare, partitia relevanta este {1 , 2 } {3 , 4 } si algebra corespunzatoare
F1 = {, , {1 , 2 }, {3 , 4 }}.
La momentul t = 2 investitorul observa S2 si astfel deduce situatia reala (acesta
face diferenta dintre 2 si 3 , amintindu-si de S1 ). De aici rezulta ca partitia relevanta
este 1 2 3 4 , iar F2 este familia tuturor submultimilor lui . Retinem ca
procesul stochastic S este adaptat filtrarii.
O filtrare construita asemenea modelului ilustrat n exemplul 3.3 se spune ca este
generata de procesul stochastic. Filtrarea care rezulta este cea mai bruta posibila,
adica algebrele au cele mai putine submultimi astfel ncat procesul stochastic sa fie
adaptat.
Totusi, exista o alta metoda folositoare de a construi modelul pietei activelor.
Putem ncepe cu un submodel de filtrare, probabil bazat pe varietatea rapoartelor
de informatie. In continuare, adaugam modele de procese stochastice ale preturilor
activelor, asigurandu-ne ca procesele sunt adaptate sa garanteze cunostiinte adecvate
investitorilor cu privire la preturile curente si trecute. Acest fapt este ilustrat n
urmatorul exemplu.
Exemplul 2.5. Presupunem, cu K = 4, N = 1 si T = 2, la momentul t = 1,
un studiu de piata care va fi efectuat astfel ncat sa fie ori favorabil (corespunzator
submultimii {1 , 3 }) ori nefavorabil {2 , 4 }. In ambele situatii, activul riscant va

15

lua una din doua valori diferite. Prin urmare, partitia relevanta la momentul t = 1 este
1 2 3 4 , iar algebra corespunzatoare F1 este familia tuturor submultimilor
lui . Retinem ca procesul riscant definit n exemplul 2.4 este adaptat acestei filtrari,
deci consecvent cu submodelul informatiei. Dar, din moment ce investitorii pot face
diferenta dintre 1 si 2 si dintre 3 si 4 la momentul t = 1 prin observarea raportului
de piata acestia nvata mai multe informatii decat prin observarea procesului de pret.
De fapt, investitorii pot acum privi n viitor deoarece la momentul t = 1 ei stiu care
vor fi preturile la t = 2. Filtrarile din exemplele 2.4 si 2.5 sunt diferite, cu toate ca
precesele de pret sunt aceleasi. Aceasta flexibilitate a modelului este motivul pentru
care recurgem la efortul de a avea submodele de filtrari pentru structura informatiei.

2.3

Strategii de tranzactionare

O strategie de tranzactionare H = (H0 , H1 , ..., HN ) este un vector de procese stochastice Hn = {Hn (t); t = 1, 2, ..., T }, n = 0, 1, ..., N . Observam ca Hn (0) nu este
specificat, asta deoarece pentru n > 1, Hn (t) ar trebui interpretat drept numarul de
unitati pe care investitorul le detine (adica le duce mai departe) de la momentul t 1
la momentul t, ntrucat H0 (t)Bt1 reprezinta suma de bani plasata n contul bancar
la momentul t 1. Observam, de asemenea ca Hn (t) poate fi negativ; acest lucru
corespunde mprumutului de bani de la banca (n situatia n care n = 0) sau vanzarii
activului n (n situatiile n care n > 1).
Poate parea ciudat sa modelam strategia de tranzactionare a unui investitor ca un
proces stochastic, dar dupa ce ne reamintim ca procesul stochastic este putin mai mult
decat o functie cu valori reale n functie de timp si stare, acest lucru ncepe sa aiba
sens. O strategie de tranzactionare ar trebui sa fie o regula (o functie) care specifica
pozitia investitorului pentru fiecare activ la orice moment si orice situatie reala. In
plus, aceasta regula ar trebui sa lase investitorul sa-si aleaga o pozitie fata de active,
bazata pe toate informatiile disponibile, dar nu ar trebui sa permita, de exemplu, ca
investitorul sa priveasca n viitor. Prin urmare, strategiile de tranzactionare trebuie
sa fie legate de submodelul filtrarii pentru structura informatiei n modul potrivit,
astfel ncat investitorul sa poata fundamenta pozitia de tranzactionare pe informatiile
disponibile, si nimic mai mult. Acest lucru se realizeaza prin introducerea conceptului
de previzibilitate.
Un proces stochastic Hn este declarat previzibil n raport cu filtrarea F daca fiecare
variabila aleatoare Hn (t) este masurabila n raport cu Ft1 pentru toti t = 1, 2, ..., T .

16

Dat fiind ca Ft1 F , asta nseamna ca toate procesele stochastice previzibile sunt
adaptate.
In tot ceea ce urmeaza, se va presupune ca fiecare componenta a unei strategii de
tranzactionare H este un proces stochastic previzibil.Intrucat pozitia de tranzactionare
Hn (t) stabilita de investitor la momentul t 1 este constanta pe submultimea ce se
observa la momentul t 1 al partitiei Pt1 , investitorul poate lua n considerare toate
informatiile disponibile la acel moment de timp, dar nimic mai mult.
Exemplul 2.2 (continuare) Dat fiind Hn (1) F0 , pozitia n activul n purtata
mai departe de la momentul t = 0 la t = 1 trebuie sa fie aceeasi pentru toti . La
momentul t = 1 comerciantul poate modifica aceasta pozitie n functie de informatiile
disponibile, daca constata ca starea reala {1 , 2 , 3 , 4 }. In consecinta, investitorul poate alege o valoare pentru Hn (2, ) daca {1 , 2 , 3 , 4 } si o a doua
valoare pentru Hn (2, ) daca
/ {1 , 2 , 3 , 4 }. Cu alte cuvinte, noua pozitie a
investitorului la momentul t = 1 poate fi n conformitate cu orice regula Hn (2) unde
Hn (2) F1 . In concluzie, printr-o metoda similara, la momentul t = 2 investitorul nvata informatiile corespunzatoare lui F2 ; investitorul poate lua o noua pozitie
n conformitate cu orice regula Hn (3), unde Hn (3) F2 ; iar aceasta regula va avea
proprietatea ca Hn (3, 1 ) = Hn (3, 2 ), ..., si Hn (3, 7 ) = Hn (3, 8 ).

2.4

Procese de valoare si procese de c

astig

Procesul de valoare V = {Vt ; t = 0, 1, ..., T } este un proces stochastic care se

defineste prin

Vt =

N
P

Hn (1)Sn (0), t = 0
H
(1)B
+

0
0
n=1

H0 (t)Bt +
Hn (t)Sn (t), t > 1
n=1

Prin urmare, V0 este valoarea initiala a portofoliului, iar pentru t > 1, Vt este
valoarea la momentul t a portofoliului nainte ca orice tranzactie sa fie efectuata la
acelasi moment. Observam ca V este un proces stochastic adaptat (daca am cunoaste
Pt , atunci am sti Ht ,Bt si Sn (t), caz n care l cunoastem si pe Vt ).

17

Notam cu
Sn (t) Sn (t) Sn (t 1)
modificarile valorii procesului stochastic Sn ntre momentele t1 si t. Deci,Hn (t)Sn (t)
reprezinta castigul sau pierderea dintr-o singura perioada, datorita dreptului de proprietate pentru unitatile Hn (t) ale activului n ntre momentele t 1 si t. In mod
similar,
t
X
Hn (u)Sn (u)
u=1

reprezinta castigul sau pierderea cumulata de-a lungul momentului t datorita investitiei
n activul n. Aceasta suma este un exemplu pentru ceea ce se numeste integral
a
stochastica (discreta), aceasta fiind suma ponderata a valorilor unui proces stochastic
(Hn ), unde ponderea este data de schimbarile dintr-o singura perioada ale unui alt
proces stochastic. In concluzie,
Gt

t
X
u=1

H0 (u)Bu +

N X
t
X

Hn (u)Sn (u), t > 1

n=1 u=1

defineste procesul de castig si reprezinta castigul sau pierderea cumulata de-a lungul
momentului t al portofoliului. Astfel, G este integrala stochastica a strategiei de
tranzactionare, n raport cu procesul de pret. Observam ca G = {Gt ; t = 1, ..., T } este
un proces stochastic adaptat.
Exemplul 2.3 (continuare) Presupunem Bt = (1 + r)t , unde r > 0 este o constanta. Atunci pentru procesul de valoare avem V0 = H0 (1) + 5H1 (1)
(
(1 + r)H0 (1) + 8H1 (1), = 1 , 2
V1 =
(1 + r)H0 (1) + 4H1 (1), = 3 , 4
si

(1 + r) H0 (2) + 9H1 (2),

V2 = (1 + r)2 H0 (2) + 6H1 (2),

(1 + r)2 H0 (2) + 3H1 (2),

Procesul de castig este dat de relatia
(
rH0 (1) + 3H1 (1),
G1 =
rH0 (1) H1 (1),

= 1
= 2 , 3
= 4

= 1 , 2
= 3 , 4

18

si

rH0 (1) + 3H1 (1) + r(1 + r)H0 (2) + H1 (2), = 1

rH (1) + 3H (1) + r(1 + r)H (2) 2H (2), =

0
1
0
1
2
G2 =

rH0 (1) 3H1 (1) + r(1 + r)H0 (2) + 2H1 (2), = 3

rH0 (1) 3H1 (1) + r(1 + r)H0 (2) H1 (2),

= 4

2.5

Strategii care se autofinanteaz

a

Asa cum am mentionat mai devreme, pentru t > 1 cantitatea Vt reprezinta valoarea
la momentul t a portofoliului, nainte ca orice tranzactie sa aiba loc la acel moment.
Intre timp,
N
X
H0 (t + 1)Bt +
Hn (t + 1)Sn (t), t > 1
n=1

reprezinta valorea portofoliului la momentului t, adica nainte ca portofoliul sa fie

dus mai departe la momentul t + 1. In general, aceste doua valori ale portofoliului
pot fi diferite, ceea ce nseamna ca la momentul t o suma de bani este adaugata sau
retrasa din portofoliu. Totusi, n multe situatii, banii nu pot fi adaugati sau retrasi
din portofoliu la alte momente n afara de t = 0 si t = T , determinand astfel conceptul
de strategii de tranzactionare care se autofinanteaza.
O strategie de tranzactionare H spunem ca se autofinanteaza daca
(2.1)

Vt = H0 (t + 1)Bt +

N
X

Hn (t + 1)Sn (t), t = 1, ..., T 1

n=1

Cu alte cuvinte, valorile portofoliului la momentul t, imediat dupa si nainte de orice

tranzactie de la momentul t sunt egale. Se subntelege ca daca nu se adauga sau nu se
retrage nicio suma de bani din portofoliu ntre momentele t = 0 si t = T , atunci orice
schimbare n valoarea portofoliului trebuie sa fie datorata unui castig sau unei pierderi
n investitii. Acest concept nu este relevant modelelor cu o singura perioada. In plus,
prin niste calcule simple de contabilitate se poate arata ca:
(2.2)

O strategie de tranzactionare H se autofinanteaza daca si numai daca:

Vt = V0 + Gt ,

t = 1, 2, ..., T.

19

Exemplul 2.4 (continuare) Pentru ca strategia de tranzactionare H sa se autofinanteze, ea trebuie sa aiba la momentul t = 1
V1 = (1 + r)H0 (1) + 8H1 (1) = (1 + r)H0 (2) + H1 (2)
n starile 1 si 2 , iar
V1 = (1 + r)H0 (1) + 4H1 (1) = (1 + r)H0 (2) + 4H1 (2)
n starile 3 si 4 . In mod echivalent, folosind Vt = V0 + Gt pentru t = 1 si t = 2
obtinem V1 = V2 [G2 G1 ]. Calculand pentru 1 obtinem
V1 =(1 + r)2 H0 (2) + 9H1 (2) [r(1 + r)H0 (2) + 2H1 (2)]
=(1 + r)H0 (2) + 8H1 (2)
care este asemenea cu ecuatia de autofinantare (2.1). In mod similar putem proceda
pentru 2 . Pentru 3 evaluam
V1 =(1 + r)2 H0 (2) + 6H1 (2) [r(1 + r)H0 (2) + 2H1 (2)]
=(1 + r)H0 (2) + 4H1 (2)
care este la fel ca precedentul.
Prin calcule simple se pot verifica usor urmatoarele doua afirmatii:
(2.3)

(2.4)

Vt = Vt /Bt ,

t = 0, 1, ..., T.

O strategie de tranzactionare se autofinanteaza daca si numai daca:

Vt = V0 + Gt

t = 1, 2, ..., T.

Medii conditionate si martingale

La fel ca si n cazul modelelor cu perioada unica, modelul multiperiodic al pietei
activelor financiare nu va avea oportunitati de arbitraj decat daca exista o masura
a probabilitatii de risc neutru. Cu toate acestea, n cazul modelelor multiperiodice,
aceste masuri sunt definite sub forma de martingale, acestea fiind la randul lor definite
de medii conditionate. Scopul acestui capitol este acela de a introduce aceste doua
concepte din teoria probabilitatii.
In teoria elementara a probabilitatilor, unde asa cum presupunem, spatiul de proba
este finit, media conditionata a variabilei aleatoare discreta Y n raport cu evenimentul dat A, este notata E[Y |A] si se defineste n termenii distributiei probabilitatii
conditionata P {Y = y|A} prin
X
yP {Y = y|A}.
E[Y |A] =
y

Intrucat P {Y = y|A} = P {Y = y, A}/P {A} din Legea lui Bayes, rezulta ca

X
X
E[Y |A] =
yP {Y () = y, A}/P {A} =
Y ()P /P {A}
y

Astfel, n exemplul 2.4, unde P {} = 1/4 pentru toti , avem P {S2 = 9|S1 =
8} = P {S2 = 6|S1 = 8} = (1/4)(1/4 + 1/4) = 1/2, deci E[S2 |S1 = 8] = 7.5. In mod
similar E[S2 |S1 = 4] = 4.5.
Atunci cand se lucreaza cu procese stochastice definite pe un spatiu de probabilitate
filtrat, este adesea convenabil sa utilizam E[Y |F ] ca o sinteza a tuturor mediilor
conditionate de forma E[Y |A] n timp ce evenimentul A traverseaza algebra F . Ideea
este ca E[Y |F ] se defineste prin
E[Y |F ]1A = E[Y |A],

oricare A P

unde P este partitia lui ce corespunde lui F . Astfel, E[Y |F ] va fi o variabila

20

21

aleatoare, masurabila n raport cu F . In cazul exemplului 2.4

(
7.5, 1 si 2
E[S2 |F1 ] =
4.5, 3 si 4
Deoarece E[Y |F ] este o variabila aleatoare, putem sa i calculam media:
h
i
hX
i X
E E[Y |F ] =E
E[Y |F ]1A =
P {A} E[Y |A]
AP

P {A}

Y () P {}/P {A}

AP

AP

X X

Y () P {} = EY

AP A

O usoara generalizare a acesteia este

(3.1)

h
i
Daca F1 F2 , atunci E E[Y |F2 ]|F1 = E[Y |F1 ].

In exemplul 2.4 E[E[S2 |F1 ] = 7.5/2 + 4.5/2 = 6 = ES2 .

Daca variabila aleatoare X F , atunci putem scrie
X
(3.2)
X=
xA 1A ,
AP

unde xA este un scalar si P este partitia corespunzatoare lui F . Prin urmare,

X
X
E[XY |F ] =
E[XY |A] 1A =
E[xA Y |A] 1A
AP

AP

xA E[Y |A] 1A = X E[Y |F ]

AP

Intr-un mod similar, se poate verifica urmatoarea generalizare

(3.3)

Cunoscand variabilele aleatoare X1 , X2 , Y1 , si Y2 cu X1 , X2 F , avem

E[X1 Y1 + X2 Y2 |F ] = X1 E[Y1 |F ] + X2 E[Y2 |F ].

Daca Y este o constanta, evident E[Y |F ] = Y . Considerand Y = 1 si folosind

(3.3), rezulta ca
(3.4)

Daca X F , atunci E[X|F ] = X

In cazul exemplului 2.4, de pilda, E[S1 S2 |F1 ] = S1 E[S2 |F1 ] si E[S1 |F1 ] = S1 .

22

Luand A F , rezulta 1A F , deci E[Y 1A |F ] = 1A E[Y |F ] conform (3.3). Prin

urmare, conform ecuatiei (3.1) avem
E[1A E[Y |F ]] = E[Y 1A ], toti A F
Se pare ca aceasta ecuatie ofera o definitie alternativa a expresiei E[Y |F ], una care se
generalizeaza la spatii de probabilitate unde nu este finit. In particular, presupunem
ca X F satisface
E[1A X] = E[Y 1A ], toti A F

(3.5)

Considerand X, precum n 3.2, rezulta ca E[1a X] = xA P {A} unde A P, partitia

corespunzatoare lui F . Intre timp, considerand acelasi A P avem
X
X
E[Y 1A ] =
Y ()P {} = P {A}
Y ()P {}/P {A} = P {A}E[Y |A]
A

Prin urmare, (3.5) implica

xA = E[Y |A], oricare A P
deci X = E[Y |F ]. Aceasta caracterizare a lui E[Y |F ] este prezentata pe scurt n
ceea ce urmeza.
(3.6)

Considerand o variabila aleatoare Y, media conditionata E[Y |F ]

este unica variabila aleatoare pentru care:
(a) E[Y |F ] F
(b) E[E[Y |F ]|1A ] = E[Y 1A ], toti A F

Vom reveni acum la discutia despre martingale. Consideram un spatiu de probabilitate

filtrat mpreuna cu un proces stochastic adaptat Z = {Zt ; t = 0, 1, ..., T }. Procesul Z
se spune ca este o martingala daca
E[Zt+s |Ft ] = Zt , oricare s, t > 0
Exemplul 3.6.
Consideram o moneda cu P (H)= p, unde 0 < p < 1. Fie
Nt nr. situatiilor n care rezultatul aruncarii este H dupa t aruncari independente,
Zt Nt pt, si
Ft algebra corespunzatoare observatiilor facute n urma celor t aruncari.

23

Este usor de vazut ca E[Nt ] = pt. In plus, Z este o martingala, deoarece

E[Zt+s |Ft ] = E[Nt+s p(t + s)|Ft ]
= E[Nt+s Nt + Nt |Ft ] p(t + s)
= E[Nt+s Nt |Ft ] + E[Nt |Ft ] pt ps
= E[Ns ] + Nt pt ps
= Nt pt = Zt
Aici am folosit faptul de la sine nteles ca aruncarile t + 1, t + 2, ..., t + s ale monedei
sunt independente de primele t aruncari, n acest caz numarul asteptat de H vazut
n timpul aruncarilor t + 1, t + 2, ..., t + s, conditionat de observatiile facute asupra
primelor t aruncari, este egal cu numarul presupus de H observat de-a lungul a s
aruncari.
Martingalele sunt des folosite ca modele n jocurile de noroc, unde Zt reprezinta
miza celui care pariaza dupa t ture ale jocului.
Incheiem aceasta discutie prin a mentiona doua modele de procese care sunt strans
legate de martingale. Un proces stochastic adaptat Z = {Zt ; t = 0, 1, ..., T } se spune
ca este o supermartingala daca
E[Zt+s |Ft ] 6 Zt , oricare s, t > 0.
O supermartingala seamana cu o martingala, exceptand faptul ca media conditionata a viitoarei valori va fi mai mica sau egala cu valoarea curenta. Toate martingalele
sunt supermartingale, dar nu si invers.
Pe de alta parte, un proces stochastic adaptat Z = {Zt ; t = 0, 1, ..., T } se spune ca
este o submartingala daca
E[Zt+s |Ft ] > Zt , oricare s, t > 0.
Deci, Z este o submartingala daca si numai daca Z este o supermartingala. De
asemenea, Z este o martingala daca si numai daca este n acelasi timp o submartingala
si o supermartingala.

Consideratii economice
Revenim la modelul pietei activelor financiare si la dezvoltarea unei relatii care sa
fie similara cu cea de la modelele cu o singura perioada: nu exista o oportunitate de
arbitraj daca si numai daca exista o masura de probabilitate de risc neutru. Acest lucru
si alte concepte economice dezvoltate pentru modelele uniperioadice raman valabile
ntr-o maniera destul de similara si pentru modele multiperiodice; doar detaliile facand
diferenta.
O oportunitate de arbitraj, n cazul unei piete de valori multiperiodice este o strategie de tranzactionare H astfel ncat:
a) V0 = 0;
b) VT > 0;
c) EVT > 0;
d) H se autofinanteaza.
Ca si n cazul modelelor cu perioada unica, existenta unei oportunitati de arbitraj
nu este n concordanta cu echilibrul economic. Prezenta unei posibilitati de a obtine o
cantitate pozitiva de bani pornind de la capital 0, fara riscul de a pierde vreun ban ar
avea consecinte asupra pietei care ar ntrerupe structurile fundamentale a preturilor
activelor.
Avand n vedere (2.3), observam ca:
(4.1)

Strategia de tranzactionare autofinantata H este o oportunitate de arbitraj

daca si numai daca
a) V0 = 0
b) VT > 0
c) EVT > 0
24

25

Iar datorita lui (2.4), avem

(4.2)

Strategia de tranzactionare autofinantata H este o oportunitate de arbitraj

daca si numai daca
a) GT > 0
b) EGT > 0.

Exemplul 2.4 (continuare) Daca Bt = 1 pentru t = 0, 1, 2, atunci nu exista

oportunitati de arbitraj. Daca investitorul are orice pozitie n activul riscant la momentul t = 1, atunci exista ntotdeauna posibilitateaca ca pretul sa mearga n directia
unei pierderi. Daca orice pozitie este luata n activul riscant la momentul t = 0, atunci
exista posibilitatea sa ajunga n rosu la momentul t = 1 care nu garanteaza ca se
mai poate recupera n perioada urmatoare.
Pe de alta parte, sa presupunem Bt = (1 + r)t cu scalarul r > 12, 5 procente.
Consideram strategie de tranzactionare unde ncepem cu 0 dolari si nu vom face nimic
la momentul t = 0 sau la momentul t = 1 daca S1 = 4, dar daca S1 = 8, atunci la
momentul t = 1 vom vinde (adica H1 (2) = 1) si vom investi cei 8 dolari ncasati
n contul bancar (adica H0 (2) = 8/(1 + r)). Atunci la momentul t = 2 valoarea
portofoliului este
(
(1 + r)2 H0 (2) + 9H1 (2) = 8(1 + r) 9 > 0, = 1
V2 =
(1 + r)2 H0 (2) + 6H1 (2) = 8(1 + r) 6 > 0, = 2
Prin urmare, aceasta strategie de tranzactionare este o oportunitate de arbitraj.
La fel ca la modelele cu o singura perioada, nu exista oportunitati de arbitraj daca
si numai daca exista masura de probabilitate de risc neutru.
Dar, n timp ce probabilitatile de risc neutru sunt definite n functie de mediile
obisnuite pentru modelele cu o singura perioada, acestea sunt definite n functie de
martingale pentru modele multiperiodice.
Probabilitatea de risc neutru (numita si o masura martingala) este o masura de
probabilitate Q astfel ncat:
1) Q() > 0, pentru orice n si
2) Procesul de pret redus Sn este o martingala peste Q pentru fiecare n = 1, 2, ..., N

26

Cu alte cuvinte, conform definitiei martingalei, masura de probabilitate de risc

neutru Q trebuie sa ndeplineasca
EQ [Sn (t + s)|Ft ] = Sn (t), t, s > 0
deci,
(4.3)

EQ [Bt Sn (t + s)/Bt+s |Ft ] = Sn (t), t, s > 0.

Exemplul 2.4 (continuare) Presupunem ca Bt = (1 + r)t , unde r > 0 este o

constanta. Dorim sa calculam o masura martingala, daca exista. Pentru aceasta vom
utiliza (4.3) pentru diferite valori ale lui s si t obtinand ecuatiile urmatoare:
t = 0, s = 1 : 5(1 + r) = 8[Q(1 ) + Q(2 )] + 4[Q(3 ) + Q(4 )]
t = 0, s = 2 : 5(1 + r)2 = 9Q(1 ) + 6Q(2 ) + 6Q(3 ) + 3Q(4 )
t = 1, s = 1 : 8(1 + r) = [9Q(1 ) + 6Q(2 )]/[Q(1 ) + Q(2 )]
t = 1, s = 1 : 4(1 + r) = [6Q(3 ) + 3Q(4 )]/[Q(3 ) + Q(4 )]
Luand oricare trei dintre aceste ecuatii mpreuna cu ecuatia Q(1 ) + ... + Q(4 ) = 1
putem afla cele patru necunoscute:






1 + 5r
2 + 8r
1 + 5r
1 8r
Q(1 ) =
Q(2 ) =
4
3
4
3






3 5r
1 + 4r
3 5r
2 4r
Q(3 ) =
Q(4 ) =
4
3
4
3
Observam ca toate acestea sunt strict pozitive si, prin urmare, avem o masura de
probabilitate valida, daca 0 6 r < 1/8. Pe de alta parte, daca r > 1/8, atunci Q(2 )
nu este strict pozitiv, caz n care nu exista o masura martingala.
Daca r < 1/8, atunci nu vom gasi nici o situatie n care pretul redus n perioada
urmatoare sa fie strict mai mare decat pretul redus actual decat daca exista o sansa ca
pretul redus n perioada urmatoare sa fie mai mic. Nu putem gasi nici o situatie unde
pretul redus la momentul urmator sa fie strict mai mic decat pretul redus curent decat
daca exista o posibilitate ca pretul redus la momentul viitor sa fie strict mai mare.
De aceea, n orice situatie exista riscul ca o pozitie diferita de pozitia initiala n
domeniul activului astfel ncat sa piarda bani n perioada imediat urmatoare, si deci,
nu exista oportunitati de arbitraj.

27

Pe de alta parte, pentru r > 1/8, daca S1 = 8 la momentul t = 1, atunci S2 (1 ) 6

S1 (1 ) si S2 (2 ) < S1 (2 ). Aici avem o situatie n care pretul redus n perioada
urmatoare poate fi strict mai mic decat pretul actual fara a exista nici un risc ca
n perioada urmatoare pretul redus sa fie strict mai mare. Desigur, acum exista o
oportunitate de arbitraj, asa cum a fost descris mai devreme.
Acum, vom da rezultatul principal al acestei sectiuni.
(4.4)

Nu exista oportunitati de arbitraj daca si numai daca exista o masura

martingala Q.

Demonstratia acesteia este asemanatoare cu rezultatul corespunzator modelelor cu

o singura perioada. Pentru a explica de ce existenta masurii martingala implica ca nu
exista oportunitati de arbitraj, vom oferi, n primul rand, un rezultat util n general:
(4.5)

Daca Z este o martingala si H este un proces previzibil, atunci

Gt

t
X

Hu Zu

u=1

este de asemenea o martingala.

Demonstratie :

Fie s, t > 0 arbitrar. Atunci

E[Gt+s |Ft ] = E[Gt+s Gt + Gt |Ft ]

= E[Ht+1 Zt+1 + ... + Ht+s Zt+s |Ft ] + Gt
= E[E[Ht+1 Zt+1 |Ft ]|Ft ] + E[E[Ht+2 Zt+2 |Ft+1 ]|Ft ] + ...
+ E[E[Ht+s Zt+s |Ft+s1 ]|Ft ] + Gt
= E[Ht+1 E[Zt+1 |Ft ]|Ft ] + E[Ht+2 E[Zt+2 |Ft+1 ]|Ft ] + ...
+ E[Ht+s E[Zt+s |Ft+s1 ]|Ft ] + Gt
= E[Ht+1 0|Ft ] + ... + E[Ht+s 0|Ft ] + Gt
= Gt
unde din ultima egalitate rezulta ca Z este o martingala. Prin urmare, G este o
martingala.

Rezulta, n mod direct, din (2.4) si (4.5) urmatorul rezultat foarte important:
(4.6)

Daca Q este masura martingala si H este o strategie de tranzactionare

cu autofinantare, atunci V , procesul valorii cu pret redus corespunzator lui H, este o martingala peste Q.

28

Demonstratie :
Putem folosi (4.6) pentru a arata rapid existenta masurii martingala Q care implica
ca nu exista oportunitati de arbitraj. Presupunem ca H este o strategie arbitrara de
tranzactionare cu autofinantare cu VT > 0 si EVT > 0. Acestea implica EQ VT > 0.
Intrucat, din (4.6), V este o martingala peste Q, rezulta ca V = EQ V > 0. Din
0
T
(4.1), H nu poate fi o oportunitate de arbitraj, nici alte strategii de tranzactionare nu
pot fi oportunitati de arbitraj, din alegerea arbitrara a lui H.
Se poate arata reciproca lui (4.4), n mai multe moduri, cum ar fi prin utlizarea extinderii unei teoreme despre separarea hiperplanurilor, argumentul fiind folosit
pentru modelele cu o singura perioada. Totusi, este mult mai usor sa ne bazam pe
ceea ce stim pentru modelele cu o singura perioada, si anume, rezultatul pentru o
singura perioada analog lui (4.4). In particular, stiind ca nu exista oportunitati de
arbitraj pentru modelul multiperiodic, se poate construi un model cu o singura perioada si probabilitati conditionate compatibile cu riscul neutru. Masura martingala
Q poate fi apoi calculata din aceste probabilitati conditionate prin multiplicarea lor
mpreuna, n conformitate cu structura informatica modelului multiperiodic. Cu alte
cuvinte, masura martingala pentru modelul multiperiodic este construita prin lipirea
mpreuna a diverselor modele cu o singura perioada.
Mai precis, exista un model de baza cu o singura perioada corespunzator fiecarui
nod neterminal din structura arborescenta a submodelului informatiei, adica fiecarui
A Pt (submultime a lui Pt ) pentru fiecare t < T . Pretul redus moment 0 cu
o singura perioada a activului riscant n este Sn (t, ), A, care este constant pe
A. Spatiul esantion cu o singura perioada corespondent contine cate o stare pentru
fiecare celula A0 A care este un membru al partitiei Pt+1 . In cele din urma, preturile
reduse la momentul 1 pentru acest model cu o singura perioada sunt date de valorile
Sn (t + 1, ) pentru A.
Daca orice model fundamental cu o singura perioada are o oportunitate de arbitraj
n sensul uniperioadic, atunci modelul multiperiodic trebuie sa aiba o oportunitate
de arbitraj n sens multiperiodic. Pentru a vedea acest lucru, presupunem ca exista
b pentru modelul cu o singura perioada corespunzatoare
o oportunitate de arbitraj H
b 1 S1 (t + 1) +
lui A Pt pentru t < T . Asta nseamna ca avem castigul redus H
b N S (t + 1) este nenegativ si nu este identic cu 0 pe evenimentul A. Acum
... + H
N

29

construim o strategie de tranzactionare multiperiodica

bn,

b
b N S (t),
H1 S1 (t) ... H
N
Hn (s, ) =
b 1 S (t + 1) + ... + H
b N S (t + 1),

1
N

0,

H luand
s = t + 1, A, n = 1, .., N
s = t + 1, A, n = 0
s = t + 1, A, n = 0
n caz contrar

H este o strategie de tranzactionare cu autofinantare care ncepe cu bani zero si nu

face nimic decat daca evenimentul A are loc la momentul t, caz n care la momentul
b n este luata de al n-lea activ riscant, n timp ce pozitia n contul bancar
t pozitia H
este aleasa n modul autofinantare. Ulterior, nici o pozitie nu este luata n oricare
dintre activele riscante; orice valoare diferita de zero a portofoliului se reflecta printr-o
b este o oportunitate de arbitraj pentru modelul
pozitie ntr-un cont bancar. Daca H
cu o singura perioada, atunci aceasta pozitie ulterioara n contul bancar va fi, de fapt,
pozitiva pentru orice si strict pozitiva pentru cel putin o situatie A. In
particular, conform lui H vom avea V0 = 0, VT > 0 si VT () > 0 pentru cel putin o
stare , adica H va fi o oportunitate de arbitraj.

Cu alte cuvinte, observam ca
(4.7)

Daca modelul multiperiodic nu are oportunitati de arbitraj, atunci nici

unul dintre modelele fundamentale cu o singura prioada nu au oportunitati
de arbitraj, n cazul uniperiodic.

Prin urmare, avand n vedere ceea ce stim pentru modelele cu o singura perioada,
corespunzatoare fiecarui model fundamental cu o singura perioada este o masura de
probabilitate cu risc neutru. De exemplu, corespunzator fiecarui A Pt pentru
t < T exista o masura de probabilitate notata Q(t, A) pe spatiul test cu o singura
perioada. Aceasta masura de probabilitate ofera o cantitate pozitiva pentru fiecare
celula A0 A n partitia Pt+1 , suma probabilitatilor pe aceste celule este 1 si satisface
EQ(t,A) Sn (t + 1) = 0 pentru n = 1, ..., N .
Observam ca Q(t, A) da nastere unei probabilitati pentru fiecare ramura n arborele
de informatii care se desprinde din nodul corespunzator lui (t, A). Aceste probabilitati
ar trebui sa fie gandite ca probabilitati conditionate cu risc neutru, dat fiind evenimentul A la momentul t. Deci, ncepand cu o familie de masuri de probabilitate cu
risc neutru Q(t, A) pentru orice A Ft si t < T , se poate construi o masura de probabilitate Q pentru ntreg modelul multiperiodic procedand astfel: Q() este aleasa
egala cu produsul probabilitatilor conditionate de a lungul traseului de la nodul t = 0

30

P
la nodul corespunzator lui (T, ). Evident, Q() = 1. In plus, Q() > 0 pentru
fiecare , deoarece toate probabilitatile conditionate cu risc neutru sunt strict
pozitive.
Ramane sa explicam de ce masura de probabilitate Q, care a fost construita, este
de fapt masura martingala. Intrucat, EQ(t,A) Sn (t + 1) = 0 pentru n = 1, 2, ..., N ,
A Pt si t < T , rezulta:
(4.8)

EQ [Sn (t + 1)|Ft ] = 0 pentru n = 1, ..., N si t < T

Luam arbitrar s, t > 0 si n:

EQ [Sn (t + s)|Ft ] = EQ [Sn (t + s) + ... + Sn (t + 1) + Sn (t)|Ft ]
= EQ [EQ [Sn (t + s)|Ft+s1 ]|Ft ] + ...
+ EQ [EQ [Sn (t + 1)|Ft ]|Ft ] + Sn (t)
= EQ [0|Ft ] + ... + EQ [0|Ft ] + Sn (t)
= Sn (t)
unde ultima egalitate rezulta din (4.8). De aici, Sn este o martingala dat fiind Q,
asadar Q este o masura de probabilitate cu risc neutru.
Explicatia anterioara a principiului fundamental (4.4) poate fi un pic abstracta,
dar devine transparenta daca ne uitam la imaginea unui arbore de informatii pentru
un model multiperiodic simplu.
Exemplul 2.4 (continuare) Presupunem Bt = (1+r)t , unde r este o constanta
ca mai nainte. Privind la nodul ce corespunde lui t = 0 (din care pornesc doua
ramuri aferente lui {1 , 2 } si respectiv {3 , 4 }) se vede ca masura de probabilitate
conditionata Q(0, ) poate fi obtinuta prin rezolvarea ecuatiei 5 = p8/(1 + r) + (1
p)4/(1 + r). Astfel p, probabilitatea conditionata asociata cu ramura {1 , 2 } este
(1 + 5r)/4, n cazul n care probabilitatea conditionata asociata cu o alta ramura
este (3 5r)/4. Analog, se pot analiza nodul (1, {1 , 2 }) si n cele din urma nodul
(1, {3 , 4 }) pentru a obtine (2 + 8r)/3, (1 8r)/3, (1 + 4r)/3, si (2 4r)/3 pentru
probabilitatile conditionate asociate cu ramurile principale n nodurile (2, 1 ), (2, 2 ),
(2, 3 ), si respectiv, (2, 4 ). Observam ca toate aceste probabilitati conditionate sunt
strict pozitive cand 0 6 r < 1/8, n conformitate cu observatiile noastre anterioare ca
oportunitatile de arbitraj vor exita cand r > 1/8. In plus, vedem ca aceste probabilitati
conditionate sunt unice, adica alte alegeri nu vor produce probabilitati cu risc neutru

31

pentru modelele de baza cu o singura perioada. De aceea, nmultirea probabilitatilor

conditionate de-a lungul celor patru traiectorii duc la cele patru stari n , obtinand
rapid aceeasi masura martingala Q care a fost calculata mai devreme n mod diferit.
Intr-adevar, recunoastem acum expresiile anterioare pentru Q() ca fiind pur si simplu
produse ale probabilitatilor conditionate adecvate.
Masurile martingala pot fi definite n functie de procesele de returnare n loc de
procese de pret. Am vazut mai sus ca o masura de probabilitate strict pozitiva Q este
masura martingala daca si numai daca (4.8) este satisfacuta.
Intrucat, Sn (t + 1) = Sn (t)Rn (t + 1), (4.8) este adevarata daca si numai daca
Sn (t)EQ [Rn (t + 1)|Ft ] = 0, oricare ar fi n si t < T . Dar Sn (t) = 0 implica Rn (t +
1) = 0 prin definirea procesului de returnare, astfel ncat aceasta ultima afirmatie este
adevarata daca si numai daca:
EQ [Rn (t + 1)|Ft ] = 0 pentru orice n si t < T

(4.9)

adica, daca si numai daca Rn este o martingala peste Q pentru orice n. Pe scurt, avem
Propozitia 4.1. Masura probabilitatii strict pozitive Q este masura martingala dac
a

si numai daca Rn este o martingala peste Q pentru n = 1, 2, .., N .

Demonstratie :
Cerinta corespunzatoare din punct de vedere al procesului de returnare Rn nu este
atat de buna. Nu este greu sa verificam ca:
!
R
(t
+
1)

R
(t
+
1)
n
0
Sn (t + 1) = Sn (t)
1 + R0 (t + 1)
astfel ncat daca toate procesele de pret sunt strict pozitive, atunci (4.8) este la fel ca
#
"
(4.10)

EQ

Rn (t+1)R0 (t+1)
|Ft
1+R0 (t+1)

= 0 pentru orice n si t < T .

Desigur, putem sti imediat ca acest lucru este echivalent cu (4.9), n vederea expresiei din sectiunea 3.2 [7] pentru Rn n functie de Rn .
Acum, sa presupunem ca unele dintre active platesc dividende. Pentru a verifica daca exista oportunitati de arbitraj, ceea ce conteaza cu adevarat sunt procesele de returnare ale activelor, deci (4.1) ramane adevarata. Cu alte cuvinte, nu

32

exista oportunitati de arbitraj daca si numai daca (4.9) (sau (4.10)) este ndeplinita,
unde, acum, procesele de returnare sunt definite n functie de procesele dividendelor
ca n sectiunea 3.2: Rn (t + 1) = [Sn (t + 1) + Dn (t + 1)]/Sn (t) si Rn (t + 1) =
[Sn (t + 1) + Dn (t + 1)/Bt+1 ]/Sn (t). Prin urmare, (4.9) poate fi rescris ca:
(4.11)

EQ [Sn (t + 1) + Dn (t + 1)/Bt+1 |Ft ] = Sn (t), pentru orice n si t < T .

Acest lucru are sens: daca investitorul achizitioneaza o unitate din activul n la
momentul t, atunci valoarea medie a acestei investitii n perioada urmatoare este egala
cu valoarea la momentul t.
Folosind (4.11) si o proprietate fundamentala a mediilor conditionate este usor de
vazut ca:
EQ [Sn (t + 2) + Dn (t + 2)/Bt+2 + Dn (t + 1)/Bt+1 |Ft ] =
= EQ [EQ [Sn (t + 2) + Dn (t + 2)/Bt+2 |Ft+1 ] + Dn (t + 1)/Bt+1 |Ft ] =
= EQ [Sn (t + 1) + Dn (t + 1)/Bt+1 |Ft ] = Sn (t).

Generalizand acest argument, avem:
Propozitia 4.2. Daca Q este o masura de probabilitate cu risc neutru, atunci pentru
fiecare activ riscant si fiecare t, s > 0
Sn (t) = EQ [Dn (t + 1)/Bt+1 + ... + Dn (t + s)/Bt+s + Sn (t + s)|Ft ].
Astfel, pretul redus la momentul t este egal cu valoarea medie conditionata platii
dividendelor de la momentul t + s plus pretul redus la momentul t + s.
Intorcandu-ne spre un alt subiect care este analog cu o notiune introdusa pentru
modelele cu o singura perioada, o masura liniara de stabilire a preturilor este un
vector nenegativ = (1 , ..., k ) astfel ncat pentru fiecare strategie de tranzactionare
cu autofinantare H avem
X
V0 =
= ()VT ().

Daca Q este o masura de probabilitate cu risc neutru, atunci n mod clar este, de
asemenea si o masura liniara de stabilire a preturilor. Invers, orice masura liniara de
stabilire a preturilor strict pozitiva trebuie sa fie o masura de probabilitate cu risc

33

neutru. Pentru a vedea acest lucru, luam mai ntai orice strategie de tranzactionare
cu H1 = ... = HN = 0 de unde deducem ca 1 + ... + k = 1. In continuare, n arbitrar,
t < T , si un eveniment A Ft = 1, si consideram strategia de tranzactionare cu
autofinantare care ncepe la momentul t = 0 cu un dolar n contul bancar si nu
face tranzactii daca nu are loc evenimentul A la momentul t, caz n care toti banii
sunt transferati ntr-o pozitie long a activului n pentru o perioada, dupa care sunt
transferati imediat napoi n contul bancar, unde raman pana la momentul T . Contul
bancar egal cu Bt la momentul t, deci daca activul n are valoarea Sn (t)1A (unde 1A
este functia identitate sau indicator pentru evenimentul A, prin urmare 1A () =1 daca
A, ntrucat 1A () =0 daca
/ A), aceasta strategie presupunand la momentul

t achizitionarea a Bt /Sn (t) = 1/Sn unitati din activul n daca evenimentul A are loc.
Din moment ce, toti banii sunt transferati napoi n contul bancar la momentul t + 1,
castigul acestei strategii de tranzactioanre va fi
GT = (1A /Sn (t))Sn (t + 1) = 1A Rn (t + 1).
Acum, strategia de tranzactionare este de autofinantare, deci (2.4) este ndeplinita.
Astfel, daca este o masura liniara de stabilire a preturilor, rezulta ca
X
()GT () = 0.

Acest lucru este adevarat pentru fiecare A Ft , deci luand Q() = () rezulta din
(4.9), (4.1), si expresia noastra pentru GT , faptul ca Q este o masura de probabilitate
cu risc neutru. In concluzie,
Propozitia 4.3. Vectorul este o masura liniara de stabilire a preturilor daca si
numai daca este o masura de probabilitate pe , n raport cu care toate procesele de
pret redus sunt martingale.
Ca si n cazul modelelor cu o singura perioada, legea pretului unic este verificata
b si H,

pentru modelul multiperiodic, daca nu exista doua strategii de tranzactionare, H

astfel ncat VbT () = VT () pentru orice , dar Vb0 6= V0 . Evident, existenta masurii
liniare de stabilire a preturilor implica faptul ca legea pretului unic este verificata.

34

Notatii:
W = {X RK : X = G

pentru unele strategii de tranzactionare H}

W = {Y RK : X Y = 0 pentru orice X W}
A = {X RK : X > 0, X 6= 0}
P = {X RK : X1 + ... + XK = 1, X > 0} si
P+ = {X P : X1 > 0, ..., XK > 0}.
Apoi, la fel ca si la modelele cu o singura perioada, P W este multimea tuturor
masurilor liniare de stabilire a preturilor si M P+ W este multimea tuturor
masurilor de probabilitate cu risc neutru. Mai mult decat atat, principiul fundamental
(4.4) este acelasi lucru cu a spune ca WA = daca si numai daca M 6= . Observam
ca M este o multime convexa a carei nchidere este egala cu P W .

Modelul binomial
Modelul binomial de determinare a pretului unui activ este un instrument puternic
pentru a ntelege teoria pretului si probabilitatea. Pentru moment consideram cel mai
simplu model binomial, cel cu o singura perioada.
Pentru modelul general cu o perioada, numim nceputul perioadei momentul zero
si sfarsitul perioadei momentul unu. La momentul zero, avem un stoc al carui pret
unitar (pret pe unitate) l notam cu S0 , o valoare pozitiva cunoscuta la momentul
zero. La momentul unu, pretul unitar va fi una din cele doua valori pozitive, pe care
le notam cu S1 (H) si S1 (T ), H si T nsemnand cap si pajura. Astfel, ne imaginam ca
aruncam o moneda si ceea ce cade determina pretul la momentul unu. Nu presupunem
ca moneda este corecta (adica probabilitatea sa cada cap nu este 1/2). Presupunem
numai ca probabilitatea sa cada cap, pe care o notam cu p, este strict pozitiva si
probabilitatea sa cada pajura, pe care o notam cu q = 1 p, este de asemenea (strict)
pozitiva.
Rezultatul aruncarii monedei si deci valoarea pe care o va lua pretul unitar al
stocului la momentul unu este cunoscuta la momentul unu dar nu si la momentul zero.
Orice cantitate necunoscuta la momentul zero se va numi aleatoare deoarece depinde
de experimentul aleator al aruncarii monedei. Introducem doua numere pozitive
(5.1)

u=

S1 (H)
S1 (T )
,d=
.
S0
S0

Presupunem ca d < u: daca d > u, putem obtine d < u prin renotarea fetelor
monedei. Daca d = u, pretul stocului la momentul unu nu este aleator si modelul nu
este interesant. Ne referim la u ca la factorul superior si la d ca la factorul inferior.
Intuitiv este folositor sa gandim despre u ca fiind mai mare decat 1 si despre d ca fiind
mai mic decat 1 si de aici numele anterioare, dar matematica pe care o dezvoltam aici
nu impune aceste inegalitati.
Introducem o rata a dobanzii r. Un dolar investit pe piata monetara la momentul
zero, va produce 1 + r dolari la momentul unu. Reciproc, un dolar mprumutat de
35

36

pe piata monetara la momentul zero va duce la un debit de 1 + r la momentul unu.

In particular, rata dobanzii pentru mprumut este aceeasi ca pentru investitie. Este
aproape ntotdeauna adevarat ca r > 0 si acest caz trebuie retinut. Totusi matematica
folosita aici cere numai ca r > 1.
O caracteristica esentiala a unei piete eficiente este ca daca o strategie de comert
poate transforma nimic n ceva, atunci poate duce de asemenea la riscul de a pierde.
Altfel, ar fi un arbitraj. Mai clar, definim arbitrajul ca fiind o strategie care ncepe
cu nici un ban, are probabilitatea zero de a pierde bani si are o probabilitate ( strict)
pozitiva de a face bani. Un model matematic care admite arbitrajul nu poate fi folositor
pentru analiza. In acest model, bogatia poate fi obtinuta din nimic si ntrebarile pe
care acest model ar vrea sa le rezolve ar avea raspunsuri paradoxale. Pietele reale
expun uneori arbitrajul, dar acesta este n mod necesar trecator; cand cineva descopera
arbitrajul, comertul ia locuri care l nlocuiesc.
In modelul binomial cu o perioada, pentru a evita arbitrajul, trebuie sa presupunem:
(5.2)

0<d<1+r <u

Inegalitatea d > 0 rezulta din ipoteza de pozitivitate a preturilor unitare ale stocului.
Asa cum vom explica, celelalte doua inegalitati din (5.2) rezulta din absenta arbitrajului. Daca d > 1 + r, cineva ar putea ncepe cu nimic si la momentul zero ar mprumuta
de pe piata monetara cu scopul de a cumpara un stoc. Chiar n cel mai rau caz, T ,
al aruncarii monedei, stocul la mometul unu va valora suficient pentru a plati debitul
de pe piata monetara si are sansa de a valora chiar mai mult, deoarece u > d > 1 + r.
Aceasta exprima un arbitraj. Pe de alta parte, daca u 6 1 + r, cineva ar putea vinde
stocul si ar investi venitul n piata monetara. Chiar n cel mai bun caz, H, costul
nlocuirii lui la momentul unu va fi mai mic sau egal cu valoarea investitiei de pe piata
monetara si deoarece d < u 6 1 + r exista sansa ca costul nlocuirii stocului sa fie
mai mica decat valoarea investitiei pe piata monetara. Aceasta, din nou, exprima un
arbitraj.
Am demonstrat n paragraful precedent ca daca nu exista arbitraj, atunci (5.2)
este adevarata. Reciproca este, de asemenea adevarata. Daca (5.2) este adevarata,
atunci nu exista arbitraj. In general, d = u1 si acesta va fi cazul n multe din exemplele
noastre. Totusi, pentru a avea sens modelul binomial, este suficient sa presupunem
(5.2) adevarata.
Binenteles, miscarile pretului stocului sunt mult mai complicate decat cele indicate
de modelul binomial. Insa consideram acest model din trei motive. Primul, prin acest

37

model, este clarificat conceptul de pret arbitrat si relatia lui cu pretul cu risc neutru.
In al doilea rand, acest model este folosit n practica deoarece, cu un numar suficient
de perioade, da o aproximare rezonabil de buna, maleabila computational, a modelelor
continue n timp. In final, n interiorul modelului binomial, se poate dezvolta teoria
mediilor conditionate si a martingalelor, care este esenta modelelor continue n timp.
Sa consideram o optiune call (de cumparare) europeana, care confera posesorului
dreptul, dar nu si obligatia sa cumpere unitatea de stoc la momentul unu pentru
pretul fix (strike) K. Cazul interesant, pe care l vom considera este cand S1 (T ) <
K < S1 (H). Daca obtinem T la aruncarea monedei, optiunea expira fara profit. Daca
obtinem H, optiunea poate fi exercitata si da un profit de S1 (H) K. In concluzie,
optiunea la momentul unu valoreaza (S1 K)+ , unde notatia (...)+ indica faptul
ca luam maximul dintre zero si expresia dintre paranteze. Folosim obiceiul de la
probabilitati de a omite argumentul variabilei aleatoare S1 . Intrebarea fundamentala
legata de pretul optiunii este cat ar valora optiunea la momentul zero, nainte de a sti
rezultatul aruncarii monedei.
Reproducerea derivatei financiare va impune:


1
1
(5.3)
X0 + 0
S1 (H) S0 =
V1 (H),
1+r
1+r

(5.4)

X0 + 0

1
S1 (T ) S0
1+r


=

1
V1 (T ).
1+r

Un mod de a rezolva acest sistem de doua ecuatii cu doua necunoscute este de a o

nmulti pe prima cu un numar pe si pe a doua cu qe = 1 pe si apoi, adunandu-le,
obtinem:


1
1
(5.5)
X0 + 0
[e
pS1 (H) + qeS1 (T )] S0 =
[e
pV1 (H) + qeV1 (T )] .
1+r
1+r
Daca alegem pe astfel ncat
(5.6)

S0 =

1
[e
pS1 (H) + qeS1 (T )] ,
1+r

atunci factorul cu care este nmultit 0 n (5.5) este 0 si obtinem o formula simpla
pentru X0
(5.7)

X0 =

1
[e
pV1 (H) + qeV1 (T )] .
1+r

38

Pentru a determina pe pe , nlocuim (5.1) n (5.6), atunci S0 devine

S0 =

1
S0
[e
puS0 + (1 pe)dS0 ] =
[(u d) pe + d] .
1+r
1+r

Impartind relatia obtinuta prin S0 obtinem

(1.1.8)

pe =

1+rd
u1r
si qe =
.
ud
ud

Putem obtine pe 0 , scazand (5.4) din (5.3) si deducem formula delta - protectiei
(delta-hedging formula)
(5.8)

0 =

V1 (H) V1 (T )
.
S1 (H) S1 (T )

Teorema 5.1. (Replica modelului binomial N -periodic) Fie un model binomial N periodic, cu 0 < d < 1 + r < u si cu
(5.9)

pe =

u1r
1+rd
, qe =
ud
ud

Fie VN o variabila aleatoare (o derivata cu plata la momentul N ) depinzand de primele N aruncari ale monedei 1 2 ...N . Definim recursiv, n timp, sirul de variabile
aleatoare VN 1 , VN 2 , ..., V0 prin
(5.10)

Vn (1 2 ...n ) =

1
[e
pVn+1 (1 2 ...n H) + qeVn+1 (1 2 ...n T )] ,
1+r

astfel ncat, fiecare Vn depinde de primele n aruncari 1 2 ...n , unde n ia valori de la

continuare, definim
0 la N 1. In
(5.11)

n (1 2 ...n ) =

Vn+1 (1 2 ...n H) Vn+1 (1 2 ...n T )

Sn+1 (1 2 ...n H) Sn+1 (1 2 ...n T )

unde, din nou, n ia valori de la 0 la N 1. Daca luam X0 = V0 si definim recursiv,

n timp, portofoliul valorilor X1 , X2 ,..., XN prin ( 5.14), atunci vom avea
(5.12)

XN (1 2 ...N ) = VN (1 2 ...N ) , pentru orice 1 2 ...N .

Demonstratie :
(5.13)

Aratam prin inductie matematica dupa n ca

XN (1 2 ...N ) = VN (1 2 ...N ) , pentru orice 1 2 ...N ,

unde n ia valori de la 0 la N . Cazul n = 0 este adevarat, din definitia lui X0 ca fiind

V0 . Vrem sa demonstram cazul n = N .

39

Pentru pasul de inductie, presupunem ca (5.13) este adevarata pentru un n < N

si demonstram ca este adevarata si pentru n + 1. Fie 1 2 ...n n+1 arbitrar fixate
si presupunem ca ipoteza de inductie ca (5.13) este adevarata pentru cazul particular
1 2 ...n pe care l-am fixat. Nu stim daca n+1 = H sau n+1 = T , asa ca vom
considera ambele cazuri. Mai ntai, folosim
(5.14)

Xn+1 = n Sn+1 + (1 + r)(Xn n Sn ).

pentru a calcula Xn+1 (1 2 ...n H) si obtinem

Xn+1 (1 2 ...n H) = n (1 2 ...n ) uSn (1 2 ...n )
+ (1 + r) (Xn (1 2 ...n ) n (1 2 ...n ) Sn (1 2 ...n )) .
Pentru a simplifica notatia, eliminam argumentul 1 2 ...n si scriem ecuatia n forma
simpla
(5.15)

Xn+1 (H) = n uSn + (1 + r) (Xn n Sn ) .

Similar, daca eliminam argumentele n (5.11), obtinem:

n =

Vn+1 (H) Vn+1 (T )

.
Sn+1 (H) Sn+1 (T )

Inlocuind n n (5.15) si folosind ipoteza de inductie (5.13) si definitia (5.10) a lui Vn ,

obtinem
Xn+1 (H) = (1 + r) Xn + n Sn (u (1 + r))
(Vn+1 (H) Vn+1 (T )) (u (1 + r))
ud
= (1 + r) Vn + qeVn+1 (H) qeVn+1 (T )

= (1 + r) Vn +

= peVn+1 (H) + qeVn+1 (T ) + qeVn+1 (H) qeVn+1 (T )

= Vn+1 (H) .
Reintroducand argumentul 1 2 ...n , putem scrie
Xn+1 (1 2 ...n H) = Vn+1 (1 2 ...n H) .
Un argument similar arata ca
Xn+1 (1 2 ...n T ) = Vn+1 (1 2 ...n T ) .

40

In consecinta, indiferent daca n+1 = H sau n+1 = T , avem

Xn+1 (1 2 ...n n+1 ) = Vn+1 (1 2 ...n n+1 ) .
Cum 1 2 ...n n+1 este arbitrar, pasul de inductie este complet.

Modelul binomial este un model simplu, dar foarte important pentru pretul unui
activ riscant. Acesta este frecvent utilizat de catre practicieni, de exemplu, pentru a
determina pretul diferitelor optiuni stoc.
Astfel modelul binomial este legat de procesul Nt (introdus n exemplul 3.6) reprezentand numarul de H dupa t aruncari independente ale monedei. Procesul Nt , n
schimb, este bazat pe ceea ce numim proces Bernoulli.
Procesul stochastic {Xt ; t = 1, 2, ...} se spune ca este un proces Bernoulli cu parametrul p daca variabilele aleatoare X1 , X2 , ... sunt independente si P (Xt = 1) =
1 P (Xt = 0) = p pentru orice t. De aceea, ar trebui sa ne gandim la un sir de
aruncari ale monedei unde evenimentul {Xt = 1} nseamna ca rezultatul aruncarii la
timpul t este H. Spatiul proba cuprinde toate sirurile de forma
= (0, 1, 0, 0, 1, 1, ..)
fiecare oferind, n mod evident, nregistrarea unui sir de aruncari.
Procesul Bernoulli este caracterizat de un numar infinit de aruncari ale monedei,
astfel ncat vectorul are un numar infinit de componente si spatiul proba are un
numar infinit de stari. Cu toate acestea, modelul nostru, al pietei de active are un
numar finit de T perioade, astfel ncat pentru scopurile noastre este suficient sa luam
n considerare un proces Bernoulli modificat, care corespunde doar unor T aruncari.
Acum, fiecare stare va avea T componente, fiecare fiind fie 0 sau 1. Exista 2T vectori
ca acesta, si spatiul esantion pentru procesul nostru Bernoulli modificat care va avea
exact unul din fiecare.
Indiferent daca este standard sau modificat, Xt () va lua valoarea 1 sau 0 deoarece
componenta t a lui este 1 sau 0. In plus, Ft va fi algebra corespunzatoare
observatiilor dupa primele t aruncari, adica Pt va fi partitia formata din 2t celule,
una pentru fiecare sir de t aruncari. Masura de probabilitate este data de P () =
pn (1 p)T n , unde este orice stare corespunzatoare a n aruncari H si T n
aruncari T .
Procesul {Nt ; t = 1, 2, ...} este definit n termenii procesului Bernoulli (sau procesului Bernoulli modificat) prin
Nt () = X1 () + ... + Xt ()

41

De aceea, variabila aleatoare Nt trebuie sa fie gandita ca numarul de H n primele

t aruncari (sau ca numarul urcarilor realizate de catre activ n timpul primelor t
perioade).
Intrucat, E[Xt ] = p si var(Xt ) = p(1 p), rezulta ca, pentru orice t,
E[Nt ] = tp
si
var(Nt ) = tp(1 p).
In plus, nu este greu sa aratam ca
(5.16)

Pentru orice t = 1, 2, ...

P (Nt = n) =

t
n

pn (1 p)tn , n = 0, 1, ..., t.

Aceasta se numeste repartitia probabilitatii binomiale, si

 
t
t!
=
n!(t n)!
n
se numeste coeficientul binomial.
Acum, suntem gata pentru a defini modelul binomial al pretului activului. Acest
model este caracterizat de patru parametri: p, d, u si S0 , unde 0 < p < 1, 0 < d <
1 < u, si desigur S0 > 0. Pretul activului la momentul t este dat prin
St = S0 uNt dtNt , t = 1, 2, ..., T.
Prin urmare, la fiecare perioada exista doua posibilitati: fie dupa aruncarea monedei avem H cu probabilitatea p si pretul creste cu factorul u sau, cu probabilitatea
1 p, obtinem T si pretul scade cu factorul d.
In plus, din (5.16), distributia probabilitatii lui St este data prin
 
t n
n tn
(5.17)
P (St = S0 u d ) =
p (1 p)tn , n = 0, 1, ..., t.
n
Cu 2T elemente n spatiul proba, arborele informational se nchide cu 2T noduri.
In particular, exista 2T posibile cai de esantionare pentru procesul de evaluare a
activului.
Dupa cum se poate vedea din (5.17), la momentul t procesul de evaluare St poate
lua doar o singura valoare din t + 1 valori posibile, desi exista 2t posibile cai de
esantionare de lungime t.

42

O caracteristica avantajoasa modelului binomial al pretului activului este ca acest

proces de returnare este dat pur si simplu de
(5.18)

R1 (t) = uXt d1Xt 1, t = 1, 2, ..., T

Cu alte cuvinte, fie R1 = u 1 cu probabilitatea p sau R1 = d 1 cu probabilitatea

1p. In particular, valoarea procesului de returnare este independenta de pretul curent
al activului, o caracteristica care este adesea de dorit, atunci cand sunt modelate active
cum ar fi stocurile obisnuite.
Cum ramane cu masura martingalei? Presupunand ca rata dobanzii este constanta
astfel ncat R0 (t) = r pentru orice t, din (4.10) si (5.18) trebuie sa avem
"
#
"
#
u1r
d1r
q
+ (1 q)
=0
1+r
1+r
unde q este probabilitatea conditionata ca urmatoarea miscare sa fie o urcare data
de informatia Ft la orice moment t. Prin urmare,
q=

1+rd
ud

pentru orice Ft si t. Din moment ce avem nevoie de q < 1, ne dam seama ca va exista
o masura a martingalei daca si numai daca u > 1 + r. In acest caz, masura martingalei
este data prin
Q() = q n (1 q)T n
unde este orice stare care corespunde lui n urcari si lui T n coborari.
Rezulta ca distributia probabilitatii lui St n raport cu masura probabilitatii cu risc
neutru este data pentru toti t prin
 
t n
n tn
(5.19)
Q(St = S0 u d ) =
q (1 q)tn , n = 0, 1, ..., t.
n
Modelul binomial se preteaza la unele calcule utile, precum distributia probabilitatii pentru valoarea maxima obtinuta de procesul activului pe parcursul celor T
perioade. Vom deriva acest lucru pentru cazul special n care d = u1 conducand
astfel simplificarea St = S0 u2Nt t .
Definim YT = max{St : t = 0, 1, ..., T }, si observam ca aceasta variabila aleatoare
va lua T + 1 valori S0 , S0 u, .., S0 uT . Scopul nostru este de a calcula P {YT > S0 ui }
pentru i = 1, 2, ..., T .

43

Fixam i si observam ca St > S0 ui daca si numai daca 2Nt t > i, deci P {YT > S0 ui }
este la fel ca P {2Nt t > i pentru unii t}. Vom calcula ultima probabilitate cu
ceva ce se numeste principiul reflexiei. Ideea este de a defini timpul primei treceri
i min{t : 2Nt t = i}, unde = daca 2Nt t < i pentru orice t 6 T , si
consideram toate traiectoriile test pentru care i 6 T . Exista trei evenimente care se
exclud reciproc. Daca i este egal cu una din valorile T, T 2, T 4, ..., atunci este
posibil sa avem 2NT T = i, deci i 6 T . In al doilea rand, putem avea i < T si
2NT T > i. In al treilea rand, avem i < T si 2NT T < i. Prin urmare,
P {YT > S0 ui } = P {2Nt t > i pentru unii t}
= P {eveniment 1} + P {eveniment 2} + P {eveniment 3}
Prima probabilitate este

P {eveniment 1} = P {NT = (T + i)/2} =


(T +i)/2
(1 p)(T i)/2
T +i p
T
2

cand T + i este un numar par, ntrucat P {eveniment 1} = 0, n caz contrar. A doua

probabilitate este usoara deoarece daca 2NT T > i, atunci automat i < T . Prin
urmare,
P {eveniment 2} = P {NT > (T + i)/2} =
T  
X
T n
=
p (1 p)T n
n
n=n
unde n reprezinta cel mai mic numar ntreg mai mare strict decat (T + i)/2 (aceasta
suma este considerata a fi egala cu zero daca n > T ). Este mai dificil sa calculam
a treia probabilitate, si de aceea vom utiliza pincipiul reflexiei. Ideea este ca fiecare
traiectorie test n evenimentul 2 este asociata cu o unica traiectorie test din evenimentul
3. Acestea coincid pana la momentul i , si apoi fiecare este imaginea n oglinda a
celeilalte fata de nivelul i. De aici, si numarul traiectoriilor test n cele doua evenimente
este egal cu toate ca probabilitatile celor doua evenimente nu sunt egale, cu exceptia
cazului p = 1/2.
Pentru a termina calculul lui P {eveniment 3} trebuie sa facem unele calcule de
contabilitate. Consideram traiectorie test arbitrara din evenimentul 2, si sa presupunem ca este de asa natura ncat NT = n(> n ). Aceasta are loc cu o probabilitate


pn (1 p)T n si exista Tn traiectorii test cu NT = n. Partenerul acestei traiectorii se
termina cu NT = T + i n, o distanta simetrica sub nivelul (T + i)/2 . Probabilitatea

44

acestei traiectorii test partener este pT +in (1 p)ni . Din moment ce exista
traiectorii test n evenimentul 3 cu NT = T + i n, rezulta ca
 
T
P {{eveniment 3} {NT = T + i n}} =
pT +in (1 p)ni
n
caz n care

T
n

T  
X
T T +in
P {eveniment 3} =
p
(1 p)ni .
n
n=n

Deci, n final, avem

(5.20)

P {YT > S0 u } =

T
T +i
2

p(T +i)/2 (1 p)(T i)/2

T  h
i
X
T
n
T n
T +in
ni
p (1 p)
+p
(1 p)
+
n
n=n

unde primul termen din partea dreapta este zero, atunci cand T + i este un numar
impar iar n indica cel mai mic ntreg strict mai mare decat (T + i)/2.
In principiu, avem distributia probabilitatii pentru pretul maxim al activului din
timpul celor T perioade. Mai general, aceste formule pot fi, de asemenea folosite pentru
pretul maxim al activului din timpul primelor t perioade, cand t < T . Din moment
ce, {YT > S0 ui } este acelasi cu evenimentul {Ti 6 t}, avem, de asemenea, distributia
probabilitatii pentru primul moment de trecere catre nivelul pretului activului S0 ui .
Formule similare pot fi derivate pentru distributiile probabilitatii pretului minim
al activului si primele momente de trecere la nivelele de pret mai mici decat S0 .
In continuare, consideram urmatorul model cu trei perioade: S0 = 4, u = 2 si
d = 1/2.
Teorema 5.2. ( Proprietati fundamentale ale mediilor conditionate) Fie N un numar
ntreg pozitiv, X si Y variabile aleatoare care depind de primele N aruncari ale monedei. Fie 0 6 n 6 N . Urmatoarele proprietati sunt adevarate.
(i) Liniaritatea mediilor conditionate. Pentru orice constante c1 si c2 ,
En [c1 X + c2 X] = c1 En [X] + c2 En [X].

45

(ii) Se da afara ceea ce este cunoscut. Daca X depinde numai de primele n aruncari
ale monedei, atunci
En [XY ] = XEn [Y ].
(iii) Conditionare iterata. Daca 0 6 n 6 m 6 N , atunci
En [Em [X]] = En [X].
particular, E[Em [X]] = EX.
In
(iv) Independenta. Daca X depinde numai de aruncarile de la n + 1 la N , atunci
En [X] = EX.
(v) Inegalitatea lui Jensen conditionata. Daca (x) este o functie convexa de variabil
a
x, atunci
En [(X)] > (En [X]).
Ilustram cele patru proprietati ale teoremei folosind probabilitatile p = 32 , q = 13 . A
cincea proprietate, inegalitatea lui Jensen conditionata, rezulta din liniaritatea mediilor conditionate la fel cum rezulta inegalitatea lui Jensen pentru medii din liniaritatea
mediilor.
Exemplul 5.7. (Liniaritatea mediilor conditionate). Daca p =
E1 [S2 ](H) =

2
3

si q = 13 , atunci

2
1
16 + 4 = 12,
3
3

2
1
4
32 + 8 + 2 = 18,
9
9
9
si, n consecinta E1 [S2 ](H) + E1 [S3 ](H) = 12 + 18 = 30. Dar, de asemenea
E1 [S3 ](H) =

4
2
2
1
E1 [S2 + S3 ](H) = (16 + 32) + (16 + 8) + (4 + 8) + (4 + 2) = 30.
9
9
9
9
Un calcul similar arata ca
E1 [S2 + S3 ](T ) = 7.50 = E1 [S2 ](T ) + E1 [S3 ](T ).
In concluzie, indiferent de rezultatul primei aruncari a monedei,
E1 [S2 + S3 ] = E1 [S2 ] + E1 [S3 ].

46

Exemplul 5.8. (Se da afara ceea ce este cunoscut). Reamintim ca

E1 [S2 ](H) =

2
1
16 + 4 = 12.
3
3

Daca vrem sa estimam produsul S1 S2 bazat pe informatia de la momentul unu, putem

da afara factorul S1 , cum se vede din urmatorul calcul:
2
1
128 + 32 = 96 = 8 12 = S1 (H)E1 [S2 ](H).
3
3

E1 [S1 S2 ](H) =
Un calcul similar arata ca

E1 [S1 S2 ](T ) = 6 = S1 (T )E1 [S2 ](T ).

In concluzie, indiferent de rezultatul primei aruncari a monedei,
E1 [S1 S2 ] = 6 = S1 E1 [S2 ].

Exemplul 5.9.
(Conditionare iterata) Mai ntai, estimam pe S3 bazat pe
informatia de la momentul doi:
E2 [S3 ](HH) =

2
1
32 + 8 = 24,
3
3

1
2
8 + 2 = 6,
3
3
2
1
E2 [S3 ](T H) = 8 + 2 = 6,
3
3
2
1 1
E2 [S3 ](T T ) = 2 + = 1.50.
3
3 2
Bazandu-ne pe informatia de la momentul unu, deducem ca
E2 [S3 ](HT ) =

2
1
E1 [E2 [S3 ]](H) = E2 [S3 ](HH) + E2 [S3 ](HT )
3
3
2
1
24 + 6 = 18,
3
3
2
1
E1 [E2 [S3 ]](T ) = E2 [S3 ](T H) + E2 [S3 ](T T )
3
3
=

47

2
1
6 + 1.50 = 4.50.
3
3
Exprimand direct pe S3 bazat pe informatia de la momentul unu obtinem:
=

E1 [S3 ](H) =
E1 [S3 ](T ) =

4
2
2
1
32 + 8 + 8 + = 18,
9
9
9
9

4
2
2
1 1
9 + 2 + 2 + = 4.50.
9
9
9
9 2

In concluzie, indiferent de rezultatul primei aruncarii a monedei, obtinem

E1 [E2 [S3 ]] = E1 [S3 ].

Exemplul 5.10. (Independenta). Raportul SS12 ia valorile 2 sau 12 , daca rezultatul

celei de a doua aruncari a monedei este H, respectiv T . In particular, SS12 nu depinde
de prima aruncare a monedei. Calculam
 
S2
2 S2 (HH) 1 S2 (HT )
E1
(H) =
+
S1
3 S1 (H)
3 S1 (H)
1 1
3
2
2+ = ,
3
3 2
2
 
S2
2 S2 (T H) 1 S2 (T T )
E1
(T ) =
+
S1
3 S1 (T )
3 S1 (T )
=

2
1 1
3
2+ = .
3
3 2
2

h i

Observam ca E1 SS12 nu depinde de prima aruncare a monedei (deci, nu este aleatoare)

si, de fapt, este egala cu
 
S2
2
1 1
3
E1
= 2+ = .
S1
3
3 2
2

Definitia 5.3. Consideram modelul binomial de determinare a pretului unui activ.

Fie M0 , M1 , ..., MN un sir de variabile aleatoare, cu fiecare Mn depinzand numai de
primele n aruncari ale monedei ( si M0 constant). Un astfel de sir de variabile aleatoare
se numeste proces stochastic adaptat.

48

(i) Daca
(5.21)

Mn = En [Mn+1 ], n = 0, 1, ..., N 1,

spunem ca acest proces este o martingala.

(ii) Daca
Mn 6 En [Mn+1 ], n = 0, 1, ..., N 1,
spunem ca procesul este o submartingala (chiar daca poate avea o tendinta de
crestere);
(iii) Daca
Mn > En [Mn+1 ], n = 0, 1, ..., N 1,
spunem ca procesul este o supermartingala (chiar daca poate avea o tendinta de
descrestere).
Observatia 5.4. Proprietatea martingalei din (5.21) este o conditie un pas nainte.
Totusi, ea implica o conditie similara pentru orice numar de pasi. Intr-adevar, daca
M0 , M1 , ..., MN este o martingala si n 6 N 2, atunci proprietatea martingalei (5.21)
implica
Mn+1 = En+1 [Mn+2 ].
Aplicand, n ambii membri, media conditionata bazata pe informatia de la momentul
n si folosind proprietatea conditionarii iterate (iii) din Teorema 5.2, obtinem
En [Mn+1 ] = En [En+1 [Mn+2 ]] = En [Mn+2 ].
Membrul stang este Mn , din proprietatea martingalei (5.21) si astfel avem proprietatea
doi pasi nainte
Mn = En [Mn+2 ].
Repetand acest argument, putem arata ca pentru 0 6 n 6 m 6 N ,
(5.22)

Mn = En [Mm ].

O putem numi versiunea pasi multipli nainte a proprietatii martingalei.

Observatia 5.5.
Media unei martingale este constanta n timp, adica daca
M0 , M1 , ..., MN este o martingala, atunci
(5.23)

M0 = EMn , n = 0, 1, ..., N.

49

Intr-adevar, daca M0 , M1 , ..., MN este o martingala, putem aplica media ambilor membri din (5.23), folosind Teorema 5.2(iii) si obtinem EMn = E[Mn+1 ] pentru orice n.
Rezulta ca
EM0 = EM1 = EM2 = ... = EMN 1 = EMN .
Dar, M0 nu este aleatoare, deci M0 = EM0 si rezulta (5.23).
Pentru o martingala, egalitatea din (5.23) trebuie sa fie adevarata pentru toate
sirurile posibile de aruncari ale monedei. Procesul pretului stocului din figura 2.3.1
[8] ar fi o martingala daca probabilitatea unei cresteri ar fi pe = 13 si probabilitatea
unei scaderi ar fi qe = 23 , deoarece n fiecare nod al copacului din figura 2.3.2 [8], pretul
stocului ar fi atunci media ponderata, cu ponderile pe si qe, a celor doua preturi posibile
ale stocului. De exemplu,
1
2
S1 (T ) = 2 = S2 (T H) + S2 (T T ).
3
3
O ecuatie similara ar fi verificata n toate celelalte noduri ale copacului si, deci procesul
stocului este o martingala pentru aceste probabilitati.
O martingala nu are tendinta sa creasca sau sa scada deoarece media valorilor
sale din perioada urmatoare este ntotdeauna valoarea la momentul curent. Preturile
stocului au o tendinta de crestere si ntr-adevar ar trebui sa creasca n medie mai mult
decat piata monetara n scopul de a compensa investitorul pentru riscul asimilat. In
Figura 2.3.1 [8] alegerile mai realiste p si q sunt p = 23 si q = 13 . Cu aceste alegeri,
obtinem
3
En [Sn+1 ] = Sn
2
n fiecare nod al copacului (adica, n medie, pretul stocului n perioada urmatoare este
cu 50% mai mare decat pretul curent al stocului). Aceasta rata de crestere excede
dobanda de 25% pe care am folosit-o n acest model. In particular, cu p = 32 , q = 13
1
si r = 14 , obtinem 1+r
= 54 , astfel ca pretul cu discount al stocului la momentul n este


4 n
Sn . Calculam
5
" 
#  
 n
 n
n+1
n+1
4
4
4
4 3
4
En
Sn+1 =
En [Sn+1 ] =
Sn >
Sn .
5
5
5
5 2
5
Pretul cu discount al stocului n cazul probabilitatilor actuale p =
submartingala. Acesta este cazul tipic n pietele reale.

2
3

, q =

1
3

este o

Bibliografie
[1] Buchanan, R., An undergraduate introduction to financial Mathematics, World
Scientific Publishing Co. Pte. Ltd. , 2006.
[2] Halmos, P., Measure Theory, Springer -Verlag New-York, 1971
[3] Heunis, A., Notes on Stochastic Calculus, University of Waterloo, 2008.
[4] Hunt, P. , Kennedy,J., Financial Derivatives in Theory and Practice, Wiley, 2004
[5] Kessler, P., Rosiu, M., Introducere n teoria masurii, Ed. Universitaria, Craiova,
2002
[6] Kessler, P., Rosiu, M., Exercitii si probleme de teoria masurii, Ed. Universitaria,
Craiova, 2003
[7] Pliska, S.R., Introduction to Mathematical Finance: Discrete Time Models, Blackwell, 1997
[8] Shreve, S.E., Stochastic calculus and Finance I, II: Binomial Model, Springer,
2004
[9] Williams, D., Probability with Martingales, Cambridge university Press, 1991
[10] Wilmott,P.,Hawison,S.,Dewyanne,J., The Mathematics of Financial Derivatives,
The Press Syndicate of University of Cambridge, 1995.

50