Documente Academic
Documente Profesional
Documente Cultură
MONICA ROŞIU
INTRODUCERE
Prin decernarea in 1990 a premiului Nobel in Economie lui Harry Markowitz,
William Sharpe si Merton Miller, Comitetul Premiului Nobel a adus in atenţie
faptul ca in ultimii 40 de ani s-a impus necesitatea unei noi discipline stiinţifice
si anume ”teoria finanţelor”. De la aceasta teorie se asteapta sa explice cum
funcţioneaza pieţele financiare, cum sa le facem mai eficiente si cum pot ele
fi echilibrate. Ea explica si intensifica rolul important pe care il joaca aceste
pieţe in alocarea capitalului si reducerea riscului pentru a facilita activitatea
economica. Fara a restrange aplicatiile sale in aspectele practice ale comerţului
si echilibrului, teoria finanţelor a devenit mai matematizata, in sensul ca prob-
lemele din finanţe au condus la cercetare in matematica.
Teza de doctorat Portofolio Selection a lui Harry Markowitz din 1952 a
pus bazele teoriei matematice a finanţelor. Markowitz a dezvoltat o noţiune
de medie a veniturilor si covariaţie pentru stocuri care i-a permis sa cuantifice
conceptul de ”diversificare” intr-o piaţa. El a aratat cum sa se calculeze media
veniturilor si variaţia pentru un portofoliu dat si a argumentat ca investitorii ar
trebui sa ţina numai acele portofolii care au o variaţie minima pentru o medie
a veniturilor data. Desi limbajul financiar implica acum calculul stochastic,
managementul riscului intr-o maniera cuantificabila este tema de baza a teoriei
moderne si a practicii finanţelor cantitative.
In 1969, Robert Merton a introdus calculul stochastic in studiul finanţelor.
Merton a fost motivat de dorinţa de a inţelege cum sunt fixate preţurile in
pieţele financiare, aceasta fiind intrebarea economica clasica a ”echilibrului” si
in articolele lui a folosit instrumentele calculului stochastic pentru a investiga
aceasta problema. In acelasi timp cu studiul lui Merton si sub indrumarea sa,
Fischer Black si Myron Scholes au dezvoltat celebra formula de determinare
a preţului unei opţiuni. Aceasta lucrare a primit Premiul Nobel in economie
in 1997. Ea da o solutie unei importante probleme practice, aceea de a gasi
un preţ corect pentru o optiune call Europeana ( European call option) (
adica dreptul de a cumpara o parte dintr-un anumit stoc la un pret si intr-
un moment specificat). In perioada 1979-1983, Harrison, Kreps si Pliska au
1
folosit teoria generala a proceselor stochastice continue in timp, pentru a pune
o baza teoretica solida formulei Black-Scholes de determinare a pretului unei
optiuni si ca rezultat au demonstrat cum se stabilesc preturile a numeroase
alte ”derivate financiare”.
Multe din dezvoltarile teoretice din finante si-au gasit aplicatii imediate
in pietele financiare. Pentru a intelege cum sunt aplicate sa vedem care este
rolul institutiilor financiare. O functie principala a unei institutii financiare
nationale este sa actioneze ca un intermediar de reducere a riscului printre
clientii angajati in productie.
De exemplu, industria asigurarilor aduna prime de la mai multi clienti
si trebuie sa plateasca numai la cativa care au pierderi. Dar riscul creste in
situatiile in care nu este disponibila asigurarea. De exemplu, ca o protectie im-
potriva cresterii costurilor cu combustibilulul o linie aeriana vrea sa cumpere
o asigurare ”security”, scrisa sau nu, a carei valoare va creste daca pretul
petrolului va creste. Dar cine vrea sa vanda o astfel de asigurare? Rolul unei
institutii financiare este sa schiteze, sa modeleze, o astfel de asigurare, sa de-
termine un pret corect pentru ea si sa o vanda liniilor aeriene. Asigurarea
( contractul) astfel vanduta este de obicei ”derivata” (adica valoarea sa este
bazata pe valoarea altor asigurari). ”Corect” in acest context inseamna ca
institutia financiara castiga suficient din vanzarea asigurarii, ca sa-i permita
sa investeasca in alte asigurari a caror relatie cu pretul petrolului este ast-
fel incat, daca pretul petrolului creste, firma poate plati obligatia cresuta la
liniile aeriene. O piata ”eficienta” este una in care asigurarile care protejeaza
impotriva riscurilor sunt larg raspandite la preturi ”corecte”.
O opţiune dă dreptul, dar nu obligaţia de a cumpăra sau de a vinde o
anumită cantitate de active suport ı̂n condiţii specificate. O opţiune Call este
cea care dă dreptul de a cumpăra, iar opţiunea Put este cea care dă dreptul de a
vinde un activ suport. Ambele tipuri de opţiuni vor avea un preţ de exercitare
şi un timp de exercitare sau data scadentă. În plus, există două condiţii
standard ı̂n care opţiunile funcţionează: opţiunile europene pot fi exercitate
numai la scadentă, ı̂n timp ce opţiunile americane pot fi exercitate ı̂n orice
moment până la data scadentă. Astfel, de exemplu, o opţiune Call europeană
cu preţul de exercitare K şi timpul de exercitare t ı̂i conferă titularului dreptul
de a cumpăra la momentul t o parte a activului suport pentru preţul K, ı̂n timp
ce o opţiune Call americană oferă titularului dreptul de a efectua cumpărarea
ı̂n orice moment ı̂nainte sau la data scadentă t.
O condiţie prealabilă pentru o piaţă puternică a opţiunilor este o modali-
tate eficientă de calculare, cel puţin aproximativ, a valorii lor; acest lucru a fost
realizat pentru opţiunile Call (de tip american sau european) de faimoasa for-
mulă Black-Scholes. Formula presupune că preţurile activului suport urmează
2
o mişcare geometrică Browniană. Aceasta ı̂nseamnă că dacă S(y) este preţul
activului suport la momentul y atunci, pentru orice preţ după momentul y,
dintre preţul la un moment viitor t+y şi preţul la momentul y are o distribuţie
lognormală cu media şi varianţa tµ şi respectiv tσ 2 . Adică,
S(t + y)
log
S(y)
va fi o variabilă aleatoare normală cu media tµ şi varianţa tσ 2 . Black şi Scholes
au arătat, presupunând că preţurile urmează o mişcare geometrică Browniană,
că există un preţ unic pentru o opţiune Call care nu permite unui comerciant
idealizat - care poate face tranzacţii instantaneu fără costuri de tranzacţie -
să urmeze o strategie care să aibă ca rezultat un profit sigur ı̂n toate cazurile.
Adică, nu va exista un anumit profit (adică nici un arbitraj) dacă şi numai dacă
preţul opţiunii este dat de formula Black-Scholes. În plus, acest preţ depinde
doar de parametrul varianţă σ al mişcării geometrice Browniane (precum şi de
rata dobânzii predominantă, preţul suport al activului şi condiţiile opţiunii)
şi nu de parametrul µ. Deoarece parametrul σ este o măsură a volatilităţii
activului, se numeşte adesea parametrul de volatilitate.
Un investitor cu risc neutru este cel care apreciază o investiţie numai prin
valoarea actuală aşteptată a câştigului său. Dacă un astfel de investitor mod-
elează o opţiune printr-o mişcare geometrică Browniană care transformă toate
investiţiile care implică cumpărarea şi vânzarea activului corect, atunci eval-
uarea de către investitor a unei opţiuni de cumpărare pe acest activ va fi
exact aşa cum este dată de formula Black-Scholes. Din acest motiv, evaluarea
Black-Scholes este denumită adesea o evaluare neutră din punctul de vedere
al riscului.
Formula Black-Scholes de determinare a pretului unei optiuni furnizeaza
pentru prima data o metoda teoretica de evaluare corecta a asigurarilor de
protectie la risc. Daca o banca de investitii ofera o derivata financiara la un
pret care este mai mare decat pretul corect ea poate fi sublicitata iar daca ofera
asigurarea la un pret mai mic dacat pretul corect atunci apare riscul pierderilor
substantiale. Aceasta face banca refractara la a oferi multe derivate financiare
care ar contribui la eficienta pietei. In particular, banca vrea sa ofere derivate
al caror pret poate fi determinat in avans. Mai mult daca banca vinde o
astfel de derivata trebuie pusa urmatoarea intrebare: cum poate gestiona riscul
asociat cu noua ei pozitie? Teoria matematica dezvoltata de formula Black-
Scholes furnizeaza atat solutii pentru problema determinarii pretului cat si
pentru problema protectiei. Aceasta teorie este subiectul cursului.
Cursul prezinta cateva aplicatii financiare in contextul modelului binomial
discret in timp. El trateaza cateva concepte fundamentale, incluzand martin-
3
galele, procesele Markov, schimbarea masurii si determinarea pretului cu risc
neutru. Cursul prezinta modelul binomial al pretului activelor. Desi aceste
modele sunt interesante prin ele insele, aici sunt folosite, in principal, pen-
tru introducerea intr-un cadru simplu a conceptelor necesare pentru teoria
continua in timp.
Capitolul I, ”Modelul binomial al pretului nearbitrat”, prezinta metoda
nearbitrata de determinare a pretului optiunii intr-un model binomial. Matem-
atica este simpla, insa nu si conceptul profund al pretului cu risc neutru.
Capitolul II, ”Teoria probabilitatii pe spatiul monedei”, formalizeaza rezul-
tatele capitolului I, folosind notiunile de martingala si proces Markov. In
acest capitol se prezinta formula pretului cu risc neutru pentru derivatele eu-
ropene. Capitolul III, ”Preturi”, discuta schimbarea masurii asociata cu pretul
derivatei europene cu risc neutru, din nou ca un exercitiu de incalzire pentru
schimbarea masurii in modelele continue in timp. O aplicatie interesanta dez-
voltata aici este a rezolva problema investitiei optime intr-un model binomial.
Ideile din capitolele I si III sunt esentiale pentru intelegerea metodologiei fi-
nantelor moderne cantitative.
4
Rezultatul aruncarii monedei si deci valoarea pe care o va lua pretul uni-
tar 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. In-
troducem doua numere pozitive
S1 (H) S1 (T )
u= ,d= . (1.1.1)
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 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 ( interest rate). Un dolar investit pe piata
monetara la momentul zero, va produce 1 + r dolari la momentul unu. Re-
ciproc, un dolar imprumutat de pe piata monetara la momentul zero va duce
la un debit de 1 + r la momentul unu. In particular, rata dobanzii pentru im-
prumut este aceeasi ca pentru investitie. Este aproape intotdeauna 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 in 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 incepe 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 intrebarile pe care acest model ar vrea sa le
rezolve ar avea raspunsuri paradoxale. Pietele reale expun uneori arbitrajul
dar acesta este in mod necesar trecator; cand cineva descopera arbitrajul,
comertul ia locuri care il inlocuiesc.
In modelul binomial cu o perioada, pentru a evita arbitrajul, trebuie sa
presupunem:
0<d<1+r <u (1.1.2)
Inegalitatea d > 0 rezulta din ipoteza de pozitivitate a preturilor unitare ale
stocului. Asa cum vom explica, celelalte doua inegalitati din (1.1.2) rezulta
din absenta arbitrajului. Daca d ≥ 1 + r, cineva ar putea incepe cu nimic si la
momentul zero ar imprumuta de pe piata monetara cu scopul de a cumpara un
stoc. Chiar in cel mai rau caz, T , al aruncarii monedei, stocul la mometul unu
5
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 ≤ 1 + r, cineva ar putea vinde stocul si ar investi
venitul in piata monetara. Chiar in cel mai bun caz, H, costul inlocuirii lui
la momentul unu va fi mai mic sau egal cu valoarea investitiei de pe piata
monetara si deoarece d < u ≤ 1 + r exista sansa ca costul inlocuirii stocului sa
fie mai mica decat valoarea investitiei pe piata monetara. Aceasta, din nou,
exprima un arbitraj.
Am demonstrat in paragraful precedent ca daca nu exista arbitraj, atunci
(1.1.2) este adevarata. Reciproca este de asemenea adevarata. Daca (1.1.2)
este adevarata, atunci nu exista arbitraj. In general, d = u1 si acesta va fi cazul
in multe din exemplele noastre. Totusi, pentru a avea sens modelul binomial,
este suficient sa presupunem (1.1.2) adevarat.
Bineinteles, miscarile pretului stocului sunt mult mai complicate decat cele
indicate de modelul binomial. Insa consideram acest model din trei motive.
Primul, prin acest model, este clarificat conceptul de pret arbitrat si relatia lui
cu pretul cu risc neutru. In al doilea rand, acest model este folosit in practica
deoarece, cu un numar suficient de perioade, da o aproximare rezonabil de
buna, maleabila computational, a modelelor continue in timp. In final, in
interiorul modelului binomial, se poate dezvolta teoria mediilor conditionate
si a martingalelor, care este esenta modelelor continue in timp.
Sa consideram o optiune call ( de cumparare) Europeana, care confera pos-
esorului dreptul dar nu si obligatia sa cumpere unitatea de stoc la momentul
unu pentru pretul fix (strike) K. Cazul interesant, pe care il vom considera
este cand S1 (T ) < K < S1 (H). Daca obtinem T la aruncarea monedei, op-
tiunea 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, inainte de a sti rezultatul
aruncarii monedei.
Teoria de arbitrare a pretului reproduce optiunea prin comercializarea ei
in pietele monetare si de marfa. Ilustram acest lucru printr-un exemplu si apoi
ne intoarcem la modelul binomial general cu o perioada.
6
unitati de stoc la momentul zero. Deoarece pretul unei unitati de stoc este 4, la
momentul zero, trebuie sa folosim suma initiala X0 = 1.20 si sa imprumutam
in plus 0.80 ( ne trebuie 4 × 12 = 2). Aceasta ne lasa cu suma X0 − ∆0 S0 =
−0.80 ( adica un debit de 0.80 pe piata monetara). La momentul unu, vom
avea un debit de 1 pe piata monetara (1+r)(X0 −∆0 S0 ) = −1. Pe de alta parte,
la momentul unu, stocul nostru va avea valoarea 12 S1 (H) = 4 sau 12 S1 (T ) = 1.
In particular, la momentul unu, daca rezultatul aruncarii monedei este H,
valoarea portofoliului de stoc si a contului de pe piata monetara va fi
1
X1 (H) = S1 (H) + (1 + r)(X0 − ∆0 S0 ) = 3;
2
daca rezultatul aruncarii monedei este T , valoarea portofoliului de stoc si a
contului de pe piata monetara va fi
1
X1 (T ) = S1 (T ) + (1 + r)(X0 − ∆0 S0 ) = 0.
2
In fiecare caz, valoarea portofoliului este aceeasi cu valoarea optiunii la mo-
mentul unu, care este (S1 (H) − 5)+ = 3 sau (S1 (T ) − 5)+ = 0. Am reprodus
optiunea prin comercializarea ei pe pietele de marfa si monetara.
Suma initiala 1.20 necesara inceperii portofoliului descris mai sus este pre-
tul fara arbitraj al optiunii la momentul zero. Daca optiunea se poate vinde
cu mai mult, sa zicem cu 1.21, atunci vanzatorul poate investi excesul de 0.01
in piata monetara si sa foloseasca suma ramasa pentru a repeta optiunea. La
momentul unu, vanzatorul va putea sa plateasca optiunea, indiferent de rezul-
tatul aruncarii monedei si inca sa aiba 0.0125 rezultati din investitia in piata
monetara a excesului de 0.01((1 + r)0.01 = 0.0125). Acesta este un arbitraj,
deoarece vanzatorul optiunii nu are nevoie de bani initial si fara riscul de a
pierde are 0.0125 la momentul unu. Pe de alta parte, daca cineva ar putea
cumpara optiunea de mai sus cu mai putin de 1.20, sa zicem 1.19, atunci ar
putea cumpara optiunea si sa inceapa reversul strategiei de repetare de mai
sus. In particular, vinde o jumatate de stoc, care genereaza un venit de 2.
Foloseste 1.19 pentru a cumpara optiunea, pune 0.80 pe piata monetara si
intr-un cont separat al pietei monetare pune ceea ce a ramas 0.01. La momen-
tul unu, daca rezultatul este H, este nevoie de 4 pentru a inlocui jumatate de
stoc. Optiunea cumparata la momentul zero valoreaza 3 si cei 0.80 investiti
in piata monetara la momentul zero au crescut la 1. La momentul unu, daca
rezultatul este T , este nevoie de 1 pentru a inlocui jumatate de stoc. Optiunea
nu aduce profit, dar cei 0.80 investiti in piata monetara la momentul zero au
crescut la 1. In fiecare caz, cumparatorul optiunii are un venit net 0 la mo-
mentul unu, plus contul separat de pe piata monetara, in care a investit 0.01
7
la momentul zero. Din nou, este un arbitraj. Am demonstrat ca exista un
arbitraj daca pretul optiunii la momentul zero nu este 1.20. Daca la momentul
zero, pretul optiunii este 1.20, atunci nu exista arbitraj.
Argumentul din exemplul de mai sus depinde de cateva ipoteze. Princi-
palele sunt:
- stocul poate fi divizat in parti pentru vanzare sau cumparare,
- rata dobanzii pentru a investi este aceeasi cu rata dobanzii pentru a
imprumuta,
- pretul de cumparare al stocului este acelasi cu pretul de vanzare ( exista
zero bid-ask spread),
- in orice moment, pretul stocului poate lua numai doua valori posibile in
urmatoarea perioada.
Toate aceste ipoteze, exceptand-o pe ultima apar in formula Black-Scholes-
Merton. Prima ipoteza este satisfacuta in practica deoarece determinarea
pretului optiunii si protectia (hedging) implica multe optiuni. Daca am fi
considerat 100 de optiuni in loc de o optiune, in Exemplul 1.1.1, am fi cumparat
∆0 = 50 de unitati de stoc in loc de ∆0 = 12 dintr-o unitate de stoc. A
doua ipoteza este adevarata pentru multe institutii. A treia ipoteza nu este
satisfacuta in practica. Uneori diferenta de pret dintre cerere si oferta poate fi
ignorata deoarece nu au loc multe tranzactii. In alte situatii, aceasta departare
a modelului de realitate devine o problema serioasa. In modelul Black-Scholes-
Merton, a patra ipoteza este inlocuita cu ipoteza ca pretul stocului este o
miscare Browniana geometrica. Din nou, departarea modelului de realitate
poate fi semnificativa in unele situatii, dar in alte situatii modelul lucreaza
remarcabil.
In modelul general cu o perioada, definim o derivata financiara ca fiind
un instrument financiar care plateste la momentul unu, o suma V1 (H), daca
rezulta H la aruncarea monedei si plateste o suma posibil diferita V1 (T ), daca
rezulta T . O optiune call (apel) Europeana este un tip particular de derivata
financiara. O alta derivata financiara este o optiune put Europeana (put) care
plateste la momentul unu (K − S1 )+ ,unde K este o constanta. O a treia
derivata financiara este un contract forward, a carui valoare la momentul unu
este S1 − K.
Pentru a determina pretul V0 , la momentul zero, al unei derivate financiare,
o reproducem ca in Exemplul 1.1.1. Presupunem ca la momentul zero, incepem
cu suma X0 si cumparam ∆0 unitati de stoc, ramanand cu suma X0 − ∆0 S0 .
La momentul unu, valoarea portofoliului nostru de stoc si a contului de pe
piata monetara este
8
Dorim sa alegem X0 si ∆0 astfel incat X1 (H) = V1 (H) si X1 (T ) = V1 (T ). (
V1 (H) si V1 (T ) sunt cantitati date si reprezinta sumele pe care derivata le va
plati in functie de rezultatul aruncarii monedei. La momentul unu, stim ca
sunt doua posibilitati V1 (H) si V1 (T ), insa nu stim care dintre cele doua se va
realiza). Reproducerea derivatei financiare va impune:
1 1
X0 + ∆0 S1 (H) − S0 = V1 (H), (1.1.3)
1+r 1+r
1 1
X0 + ∆0 S1 (T ) − S0 = V1 (T ). (1.1.4)
1+r 1+r
Un mod, de a rezolva acest sistem de doua ecuatii cu doua necunoscute, este
de a o inmulti pe prima cu un numar pe si pe a doua cu qe = 1 − pe si apoi
adunandu-le obtinem:
1 1
X0 + ∆0 pS1 (H) + qeS1 (T )] − S0 =
[e [e
pV1 (H) + qeV1 (T )] .
1+r 1+r
(1.1.5)
Daca alegem pe astfel incat
1
S0 = [e
pS1 (H) + qeS1 (T )] , (1.1.6)
1+r
atunci factorul cu care este inmultit ∆0 in (1.1.5) este 0 si obtinem o formula
simpla pentru X0
1
X0 = [e
pV1 (H) + qeV1 (T )] . (1.1.7)
1+r
Pentru a determina pe pe , inlocuim (1.1.1) in (1.1.6), atunci S0 devine
1 S0
S0 = puS0 + (1 − pe)dS0 ] =
[e [(u − d) pe + d] .
1+r 1+r
Impartind relatia obtinuta prin S0 obtinem
1+r−d u−1−r
pe = si qe = . (1.1.8)
u−d u−d
Putem obtine pe ∆0 , scazand (1.1.4) din (1.1.3) si deducem formula delta -
protectiei ( delta-hedging formula)
V1 (H) − V1 (T )
∆0 = . (1.1.9)
S1 (H) − S1 (T )
In concluzie, daca un agent incepe cu suma X0 data de (1.1.7) si la momentul
zero cumpara ∆0 unitati de stoc, date de (1.1.9), atunci la momentul unu,
9
daca rezultatul este H, agentul va avea un portofoliu care va valora V1 (H) si
daca va rezulta T , portofoliul va valora V1 (T ). Agentul a protejat o pozitie
short ( vanzare) a derivatei financiare. Derivata care la momentul unu plateste
V1 ar trebui sa aiba la momentul zero pretul
1
V0 = [e
pV1 (H) + qeV1 (T )] . (1.1.10)
1+r
acest pret permite vamzatorului sa-si protejeze pozitia short. Acest pret nu
introduce un arbitraj, pe cand orice alt pret la momentul zero introduce un
arbitraj.
Desi am determinat pretul fara arbitraj al unei derivate, punand o protectie
pentru o pozitie short, se poate considera si o protectie pentru o pozitie long
( cumparare). Un agent cu o pozitie long detine un activ care are o anumita
valoare si vrea sa fixeze o limita pentru a se proteja impotriva scaderii valorii
activului. Acesta este modul in care practicienii gandesc despre protectie.
Numarul de unitati din stocul de baza detinut de o pozitie long este opusul
numarului determinat prin formula (1.1.9).
Numerele pe si qe, date de (1.1.8), sunt ambele pozitive, asa cum rezulta
din conditia de nearbitraj (1.1.2) si suma lor este 1. Din acest motiv, le
putem considera ca fiind probabilitatea sa rezulte H, respectiv T , la aruncarea
monedei. Ele se numesc probabilitati cu risc neutru si nu sunt probabilitatile
reale pe care le-am notat cu p si q. In cazul probabilitatilor reale p si q, rata
medie de crestere a valorii stocului este de obicei mai mare decat rata de
crestere a investitiei in piata monetara; altfel nimeni nu si-ar asuma riscul
asociat cu investitia in stoc. Astfel, p si q ar trebui sa satisfaca conditia
1
S0 < [e
pS1 (H) + qeS1 (T )] ,
1+r
unde pe si qe satisfac (1.1.6). Daca rata medie de crestere a stocului ar fi exact
aceeasi cu rata de crestere a investitiei in piata monetara, atunci investitorii
trebuie sa fie neutri la risc - adica ei nu cer compensatie nici pentru asumarea
riscului, nici nu sunt dispusi sa plateasca mai mult pentru el. Acesta nu este
cazul si deci pe si qe nu pot fi probabilitatile reale. Ele sunt numai numere care
ne ajuta la rezolvarea sistemului format din ecuatiile (1.1.3) si (1.1.4), in cele
doua necunoscute X0 si ∆0 . De fapt, deoarece ele sunt alese sa faca rata medie
de crestere a stocului sa apara egala cu rata de crestere a contului de pe piata
monetara, ele fac rata medie de crestere a oricarui portofoliu de stoc si cont
de pe piata monetara sa apara egala cu rata de crestere a pietei monetare.
Daca vrem sa construim un portofoliu a carui valoare la momentul unu sa fie
V1 , atunci valoarea sa la momentul zero trebuie sa fie data de (1.1.7) si astfel
10
rata medie de crestere cu risc neutru este rata de crestere a investitiei pe piata
monetara.
Ecuatia (1.1.10), pentru pretul V0 al derivatei, la momentul zero, este for-
mula pretului cu risc neutru pentru modelul binomial cu o perioada. Nu tre-
buie sa ne ingrijoram pentru faptul ca probabilitatile reale nu apar in aceasta
ecuatie. Noi am construit o protectie pentru o pozitie short a derivatei si
aceasta protectie este valabila indiferent daca stocul creste sau scade. Proba-
bilitatile miscarilor de crestere sau scadere sunt irelevante. Ceea ce conteaza
sunt marimile celor doua miscari posibile, adica valorile lui u si d. In modelul
binomial, preturile derivatelor financiare depind de multimea drumurilor posi-
bile ale pretului stocului si nu de probabilitatea acestor drumuri. Analogia
pentru modelele continue in timp este ca preturile derivatei financiare depind
de volatilitatea stocurilor si nu de ratele medii de crestere.
11
La expirare, pentru o optiune call cu pretul fixat K si momentul in care
expira este doi, se plateste V2 = (S2 − K)+ , unde V2 si S2 depind de prima
si a doua aruncare. Vrem sa determinam pretul fara arbitraj pentru aceasta
optiune la momentul zero. Presupunem ca un agent vinde optiunea la momen-
tul zero pentru V0 dolari, unde V0 trebuie inca determinat. Apoi, cumpara
∆0 unitati de stoc, investind V0 − ∆0 S0 dolari in piata monetara pentru a
finanta aceasta. (Cantitatea V0 − ∆0 S0 apare negativa, astfel ca agentul de
fapt imprumuta ∆0 S0 − V0 dolari de pe piata monetara). La momentul unu,
agentul are un portofoliu (excluzand pozitia short in optiune) in valoare de
X1 = ∆0 S1 + (1 + r)(V0 − ∆0 S0 ). (1.2.1)
X1 (T ) = ∆0 S1 (T ) + (1 + r)(V0 − ∆0 S0 ). (1.2.3)
Dupa prima aruncare, agentul are un portofoliu in valoare de X1 dolari si
poate reajusta protectia. Presupunem ca decide sa cumpere ∆1 unitati de
stoc, unde este permis ca ∆1 sa depinda de prima aruncare, deoarece agentul
stie rezultatul acestei aruncari atunci cand alege ∆1 . Agentul investeste ceea
ce i-a ramas, X0 − ∆1 S1 , in piata monetara. In urmatoarea perioada, averea
sa va fi data de membrul drept al urmatoarei ecuatii si ea trebuie sa fie V2 .
Deci
V2 = ∆1 S2 + (1 + r)(X1 − ∆1 S1 ). (1.2.4)
Desi nu indicam in notatie, S2 si V2 depind de rezultatul primelor doua arun-
cari. Considerand toate cele patru rezultate posibile, putem scrie (1.2.4) ca
patru ecuatii:
12
∆1 (H) si ∆1 (T ), incepem cu ultimele doua ecuatii (1.2.7) si (1.2.8). Scazand
ecuatia (1.2.8) din (1.2.7), obtinem formula delta -protectie
V2 (T H) − V2 (T T )
∆1 (T ) = (1.2.9)
S2 (T H) − S2 (T T )
V2 (HH) − V2 (HT )
∆1 (H) = (1.2.12)
S2 (HH) − S2 (HT )
si X1 (H) = V1 (H), unde V1 (H) este pretul optiunii la momentul unu, daca la
prima aruncare se obtine H si este definit de
1
V1 (H) = [e
pV2 (HH) + qeV2 (HT )] . (1.2.13)
1+r
Aceasta este din nou o formula echivalenta cu (1.1.10), plasata dupa o pe-
rioada. In final introducem valorile X1 (H) = V1 (H) si X1 (T ) = V1 (T ) in cele
doua ecuatii implicite din (1.2.1). Solutia acestor ecuatii pentru ∆0 si V0 este
aceeasi ca solutia din (1.1.3) si (1.1.4) si rezulta, din nou, (1.1.9) si (1.1.10).
Recapituland, avem trei procese stochastice (∆0 , ∆1 ), (X0 , X1 , X2 ) si (V0 , V1 , V2 ).
Prin proces stochastic intelegem un sir de variabile aleatoare indexate in timp.
13
Aceste cantitati sunt aleatoare deoarece depind de rezultatul aruncarii mon-
edei; intr-adevar indicele fiecarei variabile arata numarul de aruncari de care
depinde. Daca incepem cu o avere initiala X0 si specificam valorile pentru
∆0 , ∆1 (H) si ∆1 (T ), atunci putem calcula valoarea portofoliului care contine
numarul de parti din stoc indicate de aceste specificatii si le putem finanta
imprumutand sau investind in piata monetara atat cat este necesar. Intr-
adevar, valoarea acestui portofoliu este definita recursiv, incepand cu X0 , prin
intermediul ecuatiei averii ( wealth equation)
Xn+1 = ∆n Sn+1 + (1 + r)(Xn − ∆n Sn ). (1.2.14)
Aceasta se poate considera o ecuatie conditionata; ea defineste variabile aleatoare
si valorile acestor variabile aleatoare nu se stiu pana nu se cunosc rezultatele
aruncarii monedei. Totusi, aceasta ecuatie, ne permite sa calculam, deja la
momentul zero, valoarea pe care portofoliul o va avea in orice moment succesiv,
pentru orice rezultat al aruncarii monedei.
Pentru o derivata care expira la momentul doi, variabila aleatoare V2 este
specificata intr-un mod care este dependent de rezultatul aruncarii monedei
(de exemplu, daca rezultatul este ω1 ω2 , pretul stocului la momentul doi
este S2 (ω1 ω2 ) si atunci pentru optiunea call Europeana avem V2 (ω1 ω2 ) =
(S2 (ω1 ω2 ) − K)+ ). Vrem sa determinam o valoare a lui X0 si valorile lui ∆0 ,
∆1 (H) si ∆1 (T ) astfel incat X2 obtinut aplicand recursiv (1.2.14) sa satisfaca
S2 (ω1 ω2 ) = V2 (ω1 ω2 ), indiferent de valorile lui ω1 si ω2 . Formula de mai sus
ne spune cum sa determinam aceasta valoare. Notam cu V0 valoarea lui X0
care ne permite sa obtinem rezultatul de mai sus si definim V1 (H) si V1 (T ) ca
fiind valorile lui X1 (H) si X1 (T ) date de (1.2.14), cand X0 si ∆0 sunt alese
conform indicatiilor de mai sus. In general, folosim simbolurile ∆n si Xn pen-
tru a reprezenta numarul de unitati de stoc detinute de portofoliu si respectiv
valorile corespunzatoare ale portofoliului, indiferent de cum sunt alese averea
initiala X0 si ∆n . Cand X0 si ∆n sunt alese pentru a reproduce o derivata,
folosim simbolul Vn in loc de Xn si il numim pretul fara arbitraj al derivatei
la momentul n.
Modelul care rezulta dintr-o optiune call Europeana care expira la momen-
tul doi persista indiferent de numarul de perioade si de definitia platii finale
a derivatei financiare. ( In acest moment, totusi, consideram numai plati care
se fac la un moment specificat; nu se pot plati mai devreme).
14
Fie VN o variabila aleatoare ( o derivata cu plata la momentul N ) depinzand
de primele N aruncari ale monedei ω1 ω2 ...ωN . Definim recursiv, in timp, sirul
de variabile aleatoare VN −1 , VN −2 , ..., V0 prin
1
Vn (ω1 ω2 ...ωn ) = [e
pVn+1 (ω1 ω2 ...ωn H) + qeVn+1 (ω1 ω2 ...ωn T )] , (1.2.16)
1+r
astfel incat, fiecare Vn depinde de primele n aruncari ω1 ω2 ...ωn , unde n ia
valori de la 0 la N − 1. In continuare, definim
Vn+1 (ω1 ω2 ...ωn H) − Vn+1 (ω1 ω2 ...ωn T )
∆n (ω1 ω2 ...ωn ) = (1.2.17)
Sn+1 (ω1 ω2 ...ωn H) − Sn+1 (ω1 ω2 ...ωn T )
unde, din nou, n ia valori de la 0 la N − 1. Daca luam X0 = V0 si definim,
recursiv in timp, portofoliul valorilor X1 , X2 ,..., XN prin ( 1.2.14), atunci
vom avea
XN (ω1 ω2 ...ωN ) = VN (ω1 ω2 ...ωN ) , pentru orice ω1 ω2 ...ωN . (1.2.18)
15
Similar, daca eliminam argumentele in (1.2.17), obtinem:
16
1.3 Concluzii
Acest capitol considera un model binomial multiperiodic. La fiecare perioada
in acest model, aruncam o moneda al carei rezultat determina daca pretul
stocului se schimba cu un factor u sau cu un factor d, unde 0 < d < u. In
plus, exista un cont pe piata monetara cu dobanda, pe perioada, egala cu r.
Aceasta este dobanda aplicata atat investitiei cat si imprumutului.
Arbitrajul este o strategie de comert care incepe cu zero capital si care face
comert pe piata stocului si pe piata monetara, astfel incat probabilitatea sa
faca bani este pozitiva si nu exista riscul de a pierde bani. Modelul binomial
multiperiodic nu admite arbitraj daca si numai daca
17
Numerele pe si qe, din formula (1.2.16), sunt probabilitatile cu risc neutru date
de
1+r−d u−1−r
pe = , qe = . (1.2.15)
u−d u−d
Aceste probabilitati cu risc neutru sunt pozitive, din (1.1.2) si suma lor este 1.
Ele au proprietatea ca, in orice moment, pretul stocului este media ponderata
cu discount a celor doua preturi posibile de la momentul urmator:
1
Sn (ω1 ω2 ...ωn ) = [e
pSn+1 (ω1 ω2 ...ωn H) + qeSn+1 (ω1 ω2 ...ωn T )] .
1+r
Cu alte cuvinte, cu probabilitatile de risc neutru, rata medie a venitului pen-
tru stoc este r, aceeasi cu dobanda a venitului din piata monetara. Deci,
daca aceste probabilitati ar guverna aruncarea monedei ( in realitate, nu este
aceasta situatie), atunci un agent care face tranzactii cu contul de pe piata
monetara si cu stocul ar avea doua posibilitati si ambele ar determina aceeasi
rata medie a venitului. In consecinta, nu conteaza cat investeste, rata medie
a venitului va fi de asemenea r. In particular, daca este momentul N − 1 si
vrea ca valoarea portofoliului sau sa fie VN (ω1 ω2 ...ωN ) la momentul N , atunci
la momentul N − 1 valoarea portofoliului sau trebuie sa fie
1
[e
pVN (ω1 ω2 ...ωn H) + qeVN (ω1 ω2 ...ωn T )] .
1+r
Acesta este membrul drept al lui (1.2.16) cu n = N − 1 si aplicarea repetata
a acestui argument da (1.2.16) pentru toate valorile lui n.
Explicatia lui (1.2.16) de mai sus a fost data intr-o conditie contrara re-
alitatii si anume faptul ca pe si qe guverneaza aruncarea monedei. Ne putem
intreba daca un astfel de argument poate duce la o concluzie reala. Raspunsul
este da, din urmatorul motiv. Cand protejam o pozitie short intr-o derivata,
vrem ca protectia sa ne dea un portofoliu care sa fie in concordanta cu plata
derivatei indiferent de aruncarea monedei. Cu alte cuvinte, protectia trebuie
sa lucreze pe toate drumurile parcurse de pretul stocului. Daca un drum este
posibil ( adica are probabilitate pozitiva) vrem ca protectia sa lucreze de-a
lungul acestui drum. Valoarea exacta a probabilitatii este irelevanta. Gasim
aceste protectii rezolvand un sistem de ecuatii de-a lungul drumurilor, un sis-
tem de forma (1.2.2)-(1.2.3), (1.2.5)-(1.2.8). Nu exista probabilitati in acest
sistem. Introducerea probabilitatilor cu risc neutru ne permite sa argumentam
ca mai sus si sa gasim o solutie sistemului. Introducerea oricaror alte proba-
bilitati nu ar permite un astfel de argument, deoarece numai probabilitatile cu
risc neutru ne permit sa sustinem ca rata medie a venitului pentru portofoliul
sau este r indiferent de cum investeste agentul. Probabilitatile cu risc neutru
18
dau o simplificare a rezolvarii sistemului de ecuatii. Probabilitatile reale nu
sunt de ajutor in rezolvarea sistemului. In cazul probabilitatilor reale rata
medie a venitului pentru un portofoliu depinde de portofoliu si cand incercam
sa rezolvam sistemul de ecuatii nu stim ce portofoliu ar trebui sa folosim.
Alternativ, se poate explica (1.2.16) fara a recurge la orice discutie despre
probabilitate. Aceasta a fost metoda folosita in demonstratia Teoremei 1.2.2.
Numerele pe si qe au fost folosite in acea demonstratie, dar nu au fost considerate
ca probabilitati, ci doar ca numere definite de formula (1.2.15).
1.4 Observaţii
Determinarea pretului nearbitrat apare implicit in lucrarile lui Black si Sc-
holes [5], dar prima sa dezvoltare explicita este data de Merton [34], care
a inceput cu axioma de nearbitraj si a obtinut un numar surprinzator de
concluzii. Determinarea pretului nearbitrat a fost dezvoltata in intregime in
modele continue in timp de Harrison si Kreps [17] si Harrison si Pliska [18].
Acesti autori au introdus martingalele si determinarea pretului cu risc neutru.
Modelul binomial este datorat lui Cox, Ross, Rubinstein [11]. Modelul bino-
mial este folositor prin el insusi si asa cum Cox si altii au demonstrat, formula
Black -Scholes se paote obtine ca limita a modelului binomial.
19
= {HHH, HHT, HT H, HT T }
are, asa cum este indicat, descrieri atat in cuvinte cat si cu simboluri. De-
terminam probabilitatea unui eveniment insumand probabilitatile elementelor
din eveniment. adica,
P (Prima aruncare este H) = P (HHH) + P (HHT ) + P (HT H) + P (HT T )
= (p3 + p2 q) + (p2 q + pq 2 )
= p2 (p + q) + (pq(p + q)
= p2 + pq
= p(p + q)
= p.
Astfel, matematica este in concordanta cu intuitia noastra.
Cu modelele matematice, este usor sa inlocuim intuitia matematica, insa
aceasta poate duce la probleme. Ar trebui insa sa verificam ca matematica
si intuitia noastra concorda; altfel sau intuitia noastra este gresita sau mod-
elul nostru este inadecvat. Daca intuitia noastra si modelul matematic nu
concorda, ar trebui sa cautam o reconciliere inainte de a continua. In cazul
(2.1.3), construim un modelin care probabilitatea sa obtinem H la fiecare
aruncare este p. Propunem sa facem acest lucru definind probabilitatile el-
ementelor din Ω prin(2.1.2) si apoi definim probabilitatea unui eveniment (
submultime a lui Ω) ca fiind suma probabilitatilor elementelor evenimentului.
Aceste definitii ne conduc la calculul (2.1.3) si este necesar sa facem acest cal-
culpentru a verifica raspunsul asteptat. Altfel, ar trebui sa regandim modelul
matematicpentru aruncarea monedei.
Generalizam situatia descrisa mai sus, mai intai permitand lui Ω sa fie
orice multime finita si in al doilea rand permitand ca unele elemente din Ω sa
aiba probabilitatea zero. Aceste generalizari conduc la urmatoarea definitie.
20
Asa cum s-a mentionat mai inainte, acesta este un model pentru un eveni-
ment aleator. Multimea Ω este multimea tuturor rezultatelor posibile ale
experimentului, P (ω) este probabilitatea ca rezultatul particular ω sa se in-
tample si P (A) este probabilitatea ca rezultattul care se intampla sa fie din
multimea A. Daca P (A) = 0, atunci rezultatul experimentului nu este din A;
daca P (A) = 1, atunci rezultatul este sigur din A. Din (2.1.4), rezulta ecuatia
P (Ω) = 1. (2.1.6)
adica, rezultatul este sigur din Ω. Deoarece P (ω) poate fi zero pentru unele
valori ale lui ω, permitem sa fie in Ω chiar cateva rezultate ale experimentului
care nu se intampla. Este clar din (2.1.5) ca daca A si B sunt submultimi
disjuncte ale lui Ω, atunci
P (A ∪ B) = P (A) + P (B).
21
Am scris argumentele lui S0 , S1 , S2 si S3 ca ω1 ω2 ω3 , chiar daca unele din
aceste variabile nu depind de toate aruncarile monedei. In particular, S0 nu
este de fapt variabila deoarece ia valoarea 4, indiferent de rezultatul aruncarii
monedei; o astfel de variabila se numeste variabila aleatoare degenerata.
Cu simboluri,
X(HHH) = 3,
X(HHT ) = X(HT H) = X(T HH) = 2,
X(HT T ) = X(T HT ) = X(T T H) = 1,
X(T T T ) = 0,
Y (T T T ) = 3,
Y (T T H) = Y (T HT ) = Y (HT T ) = 2
Y (T HH) = Y (HT H) = Y (HHT ) = 1
Y (HHH) = 0.
Nu este necesar sa cunoastem probabilitatile diferitelor rezultate pentru a speci-
fica aceste variabile aleatoare. Totusi, daca am specificat o masura de prob-
abilitate pe Ω, putem determina distributiile lui X si Y . De exemplu, daca
22
specificam masura de probabilitate Pe pentru care probabilitatea sa rezulte H la
fiecare aruncare este 12 si probabilitatea fiecarui element din Ω este 18 , atunci
1
Pe {ω ∈ Ω; X(ω) = 0} = Pe {T T T } = ,
8
3
Pe {ω ∈ Ω; X(ω) = 1} = Pe {HT T, T HT, T T H} = ,
8
3
Pe {ω ∈ Ω; X(ω) = 2} = Pe {HHT, HT H, T HH} = ,
8
1
Pe {ω ∈ Ω; X(ω) = 3} = Pe {HHH} = .
8
Simplificam notatia P {ω ∈ Ω; X(ω) = j} la notatia P {X = j}. Este folosi-
e e
tor sa reamintim totusi ca notatia Pe {X = j} se refera la probabilitatea unei
submultimi a lui Ω, multimea elementelor ω pentru care X(ω) = j. Prin Pe,
probabilitatile ca X sa ia cele patru valori 0,1,2 si 3 sunt
1 3
Pe {X = 0} = , Pe {X = 1} = ,
8 8
3 1
Pe {X = 2} = , Pe {X = 3} = .
8 8
Acest tabel de probabilitati unde X ia toate valorile ei reprezinta distributia lui
X prin Pe.
Variabila aleatoare Y este diferita de X deoarece numara pe T si nu pe H.
Totusi, prin Pe, distributia lui Y este aceeasi cu distributia lui X:
1 3
Pe {Y = 0} = , Pe {Y = 1} = ,
8 8
3 1
Pe {Y = 2} = , Pe {Y = 3} = .
8 8
Ideea este ca variabila aleatoare este o functie definita pe Ω, in timp ce dis-
tributia sa este un tabel de probabilitati cu care variabila aleatoare ia diferite
valori. O variabila aleatoare nu este o distributie.
23
12 8
P {X = 2} = , P {X = 3} = .
27 27
Variabila aleatoare X are o distributie prin P diferita de cea prin Pe. Este
aceeasi variabila aleatoare, care determina numarul total de H, indiferent de
masura de probabilitate folosita pentru a determina distributia sa. Aceasta
este situatia pe care o intalnim mai tarziu cand consideram pretul unui activ
in cazul masurii de probabilitate reala si al masurii de probabilitate cu risc
neutru.
Desi intamplator au aceeasi distributie prin Pe, variabilele aleatoare X si
Y au diferite distributii prin P . Intr-adevar,
8 12
P {Y = 0} = , P {Y = 1} = ,
27 27
6 1
P {Y = 2} = , P {Y = 3} = .
27 27
Definiţia 9 Fie X o variabila aleatore definita pe un spatiu de probabilitate
finit (Ω, P ). Media ( sau valoarea medie) a lui X este prin definitie
X
EX = X(ω)P (ω).
ω∈Ω
Cand calculam media folosind masura de probabilitate cu risc neutru Pe, folosim
notatia X
EX
e = X(ω)Pe(ω).
ω∈Ω
Variatia lui X este h i
V ar(X) = E (X − EX)2 .
E(c1 X + c2 Y ) = c1 EX + c2 EY.
24
Demonstraţie. Demonstram mai intai ca o functie convexa este maximul
tuturor functiilor liniare care se afla sub ea; adica pentru orice x ∈ R,
ϕ(x) = max {l(x); l este liniara si l(y) ≤ ϕ(y) pentru orice y ∈ R} . (2.2.1)
Deoarece consideram numai functii liniare care se afla sub ϕ, este clar ca
Deoarece inegalitatea este adevarata pentru orice functie liniara l care se afla
sub ϕ, in membrul drept al inegalitatii putem lua maximul peste toate aceste
functii de tip l si obtinem
E [ϕ(X)] ≥ max {l(EX); l este liniara si l(y) ≤ ϕ(y) pentru orice y ∈ R} = ϕ(EX).
E X 2 ≥ (EX)2 .
1+r−d u−1−r
pe = si qe = . (2.3.1)
u−d u−d
25
Este usor de verificat ca aceste probabilitati satisfac ecuatia
peu + qed
= 1. (2.3.2)
1+r
In consecinta, in fiecare moment n si pentru orice sir de aruncari ω1 ω2 ...ωn ,
obtinem
1
Sn (ω1 ω2 ...ωn ) = [e
pSn+1 (ω1 ω2 ...ωn H) + qeSn+1 (ω1 ω2 ...ωn T )] (2.3.3)
1+r
( adica, pretul stocului la momentul n este media ponderata cu discount a
celor doua preturi posibile de la momentul n + 1, unde pe si qe sunt ponderile
folosite). Pentru a simplifica notatia, definim
E
en [Sn+1 ](ω1 ω2 ...ωn ) = peSn+1 (ω1 ω2 ...ωn H) + qeSn+1 (ω1 ω2 ...ωn T ) (2.3.4)
26
Media conditionata E en [X], bazata pe ceea ce stim la momentul zero, este
o variabila aleatoare in sensul ca valoarea sa depinde de primele n aruncari
ale monedei, pe care nu le stim pana la momentul n. De exemplu, in Figura
2.3.1 si folosind pe = qe = 12 obtinem
E
e1 [S3 ](H) = 12.50 si E
e1 [S3 ](T ) = 3.125,
deci E
e1 [S3 ] este o variabila aleatoare.
E
eN [X] = X.
En [XY ] = XEn [Y ].
27
(iii) Conditionare iterata. Daca 0 ≤ n ≤ m ≤ N , atunci
(v) Inegalitatea lui Jensen conditionata. Daca ϕ(x) este o functie convexa de
variabila x, atunci
En [ϕ(X)] ≥ ϕ(En [X]).
2.4 Martingale
In modelul binomial din Capitolul 1, alegem probabilitatile cu risc neutru pe
si qe astfel incat in orice moment n si pentru orice sir de aruncari ale monedei
ω1 ...ωn este adevarata (2.3.3). In functie de notatia, introdusa in Sectiunea 2.3,
pentru media conditionata, acest fapt poate fi scris ca (2.3.5). Daca impartim
ambii membri di (2.3.5) prin (1 + r)n , obtinem ecuatia
Sn Sn+1
= En
e . (2.4.1)
(1 + r)n (1 + r)n+1
1
In acest model, nu conteaza daca scriem termenul (1+r) n+1 in interiorul sau
28
conditie se numesc martingale. Dam o definitie formala a martingalei in cazul
probabilitatilor reale p si q; definitia martingalei in cazul probabilitatilor cu
risc neutru pe si qe este obtinuta inlocuind En cu E
en in (2.4.2).
(i) Daca
Mn = En [Mn+1 ], n = 0, 1, ..., N − 1, (2.4.2)
spunem ca acest proces este o martingala.
(ii) Daca
Mn ≤ En [Mn+1 ], n = 0, 1, ..., N − 1,
spunem ca procesul este o submartingala ( chiar daca poate avea o tend-
inta 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).
Mn = En [Mn+2 ].
29
Repetand acest argument, putem arata ca pentru 0 ≤ n ≤ m ≤ N ,
Mn = En [Mm ]. (2.4.3)
3
En [Sn+1 ] = Sn
2
in fiecare nod al copacului ( adica, in medie, pretul stocului in perioada ur-
matoare este cu 50% mai mare decat pretul curent al stocului). Aceasta rata
30
de crestere excede dobanda de 25% pe care am folosit-o in acest model. In
particular, cu p = 23 , q = 31 si r = 14 , obtinem 1+r
1
= 45 , astfel ca pretul cu
n
discount al stocului la momentul n este 45 Sn . Calculam
" #
4 n+1 4 n+1
n n
4 4 3 4
En Sn+1 = En [Sn+1 ] = · · · Sn ≥ Sn .
5 5 5 5 2 5
Dam doua demonstratii ale acestei teoreme, una elementara care nu de-
pinde de Teorema 2.3.2 si alta mai profunda care depinde de Teorema 2.3.2.
A doua demonstratie va fi adaptata mai tarziu la modele continue in timp.
Observati ca in Teorema 2.4.4 stocul nu plateste dividente. Pentru un stoc
care plateste dividente, situatia este descrisa in Exercitiul 2.10.
Demonstraţie. Fie n si ω1 ...ωn date. Atunci
Sn+1
Een (ω1 ...ωn )
(1 + r)n+1
1 1
= · [e
pSn+1 (ω1 ω...ωn H) + qeSn+1 (ω1 ...ωn T )]
(1 + r)n 1 + r
31
1 1
= · [e
puSn (ω1 ...ωn ) + qedSn (ω1 ...ωn )]
(1 + r)n 1 + r
Sn (ω1 ...ωn ) peu + qed
= ·
(1 + r)n 1+r
Sn (ω1 ...ωn )
= .
(1 + r)n
32
portofoliu pe care il foloseste. In particular, deoarece in general, un stoc are
o rata medie de crestere mai mare decat piata monetara, investitorul poate
realiza o rata de crestere mai mare decat dobanda cumparand unitati de stoc
( taking long positions in the stock). Intr-adevar, imprumutand de pe piata
monetara, investitorul poate obtine o rata medie de crestere, arbitrar de mare.
Desigur, astfel de de pozitii sunt de asemenea extrem de riscante.
Pe de alta parte, daca vrem sa stim rata medie de crestere a averii investi-
torului in cazul probabilitatilor cu risc neutru, portofoliul pe care il utilizeaza
investitorul este relevant. In cazul probabilitatilor cu risc neutru, rata medie
de crestere a stocului este egala cu dobanda. Indiferent de cum imparte in-
vestitorul averea sa intre stoc si contul de pe piata monetara, el va obtine o
rata medie de crestere egala cu dobanda. Desi unele procese portofoliu sunt
mai riscante decat altele in cazul masurii cu risc neutru, toate au aceeasi rata
medie de crestere. Enuntam acest rezultat ca o teorema, a carei demonstratie
este data intr-un mod pe care il vom generaliza mai tarziu la modelele continue
in timp.
Demonstraţie. Calculam
Xn+1 ∆n Sn+1 Xn − ∆n Sn
En
e = En
e +
(1 + r)n+1 (1 + r)n+1 (1 + r)n
∆n Sn+1 Xn − ∆n Sn
= Ene + En
e ( liniaritatea)
(1 + r)n+1 (1 + r)n
Sn+1 Xn − ∆n Sn
= ∆n En
e + ( se scoate afara ce este cunoscut)
(1 + r)n+1 (1 + r)n
Sn Xn − ∆n Sn
= ∆n n
+ ( teorema 2.4.4)
(1 + r) (1 + r)n
Xn
= .
(1 + r)n
33
Corolarul 19 In conditiile din teorema 2.4.5, este adevarata relatia
e Xn
E = X0 , n = 0, 1, ..., N. (2.4.8)
(1 + r)n
Demonstraţie. Corolarul rezulta din faptul ca (valoarea asteptata) media
martingalei nu se schimba in timp si deci trebuie sa fie intotdeauna egala cu
valorea la momentul zero a martingalei ( vezi Observatia 2.4.3). Aplicand
Xn
aceasta observatie Pe-martingalei (1+r) n , n = 0, 1, ..., N , obtinem (2.4.8).
Teorema 2.4.5 si corolarul ei au doua consecinte importante. Prima este
aceea ca nu exista arbitraj in modelul binomial. Daca ar exista un arbitraj,
am putea incepe cu X0 si sa gasim un proces portofoliu al carui proces avere
X1 , X2 ,...,XN satisface XN (ω) ≥ 0 pentru orice sir de aruncari ω si XN (ω) > 0
pentru cel putin un sir de aruncari ω. Dar atunci EX e 0 = 0 si E e XN N > 0,
(1+r)
care contrazice Corolarul 2.4.6.
In general, daca putem gasi o masura cu risc neutru intr-un model ( adica
o masura care este in acord cu masura probabilitate reala in raport cu care
preturile cu discount ale tuturor activelor primare sunt martingale), atunci nu
exista arbitraj. Aceasta este numita uneori Teorema fundamentala a pretului
activului. Esenta demonstratiei ei este continuta in urmatorul paragraf : in
cazul masurii cu risc neutru, procesul averii cu discount are o medie constanta,
deci nu poate incepe de la zero si mai tarziu sa existe probabilitatea pozitiva
ca averea sa sa fie strict pozitiva decat daca exista o probabilitate pozitiva
ca averea sa fie si strict negativa. Prima teorema fundamentala a pretului
activelor se va dovedi utila pentru a elimina arbitrajul din modelele ulterioare
siva conduce la conditia de nearbitraj Heath-Jarrow-Morton.
Cealalta consecinta a Teoremei 2.4.5 este urmatoarea versiune a formulei
pretului cu risc neutru. Fie VN o variabila aleatoare ( derivata financiara care
plateste la momentul N ) care depinde de primele N aruncari ale monedei.
Stim din teorema 1.2.2 din Capitolul 1 ca exista o valoare initiala X0 si un
proces portofoliu repetat ∆0 , ∆1 ,...,∆N −1 care genereaza un proces avere
X1 , ...,XN care satisface conditia Xn = VN , indiferent de rezultatul aruncarii
Xn
monedei. Deoarece (1+r) n , n = 0, 1, ..., N , este o martingala, proprietatea ”
pasilor multipli” din Observatia 2.4.2 implica
Xn XN VN
= En = En . (2.4.9)
(1 + r)n (1 + r)N (1 + r)N
Conform Definitiei 1.2.3 din Capitolul 1, definim pretul unei derivate financiare
la momentul n ca fiind Xn si notam acest pret cu Vn . Astfel, (2.4.9) poate fi
rescris ca
Vn VN
= En
e (2.4.10)
(1 + r)n (1 + r)N
34
sau, echivalent,
VN
Vn = E
en . (2.4.11)
(1 + r)N −n
In concluzie, putem enunta urmatoarea teorema.
35
Definim
Vn+1 (ω1 ω2 ...ωn H) − Vn+1 (ω1 ω2 ...ωn T )
∆n (ω1 ...ωn ) = , (2.4.15)
Sn+1 (ω1 ω2 ...ωn H) − Sn+1 (ω1 ω2 ...ωn T )
cand n ia valori cuprinse intre 0 si N −1. Daca consideram X0 = V0 si definim
recursiv in timp portofoliul valorilor X1 , X2 , ..., XN prin
atunci
Xn (ω1 ...ωn ) = Vn (ω1 ...ωn ) (2.4.17)
pentru orice n si ω1 ...ωn .
VN = CN . (2.4.19)
36
valoarea la momentul n a fluxurilor viitoare de bani, incluzand plata Cn care
trebuie facuta la momentul n.
Demonstraţie. ( teoremei 2.4.8): Demonstram (2.4.17) prin inductie dupa
n. Ipoteza de inductie este Xn (ω1 ...ωn ) = Vn (ω1 ...ωn ) pentru n ∈ {0, 1, ..., N − 1}
si pentru orice ω1 ...ωn . Trebuie sa demonstram ca
37
u−1−r
= (Vn+1 (H) − Vn+1 (T )) + peVn+1 (H) + qeVn+1 (T )
u−d
= (Vn+1 (H) − Vn+1 (T )) qe + peVn+1 (H) + qeVn+1 (T )
= (e
p + qe)Vn+1 (H) = Vn+1 (H).
38
Exemplul 23 ( Pretul stocului). In modelul binomial, pretul stocului la mo-
mentul n + 1 este dat in functie de pretul stocului la momentul n prin formula
uSn (ω1 ...ωn ), daca ωn+1 = H,
Sn+1 (ω1 ...ωn ωn+1 ) =
dSn (ω1 ...ωn ), daca ωn+1 = T.
Deci,
En [f (Sn+1 )](ω1 ...ωn ) = pf (uSn (ω1 ...ωn )) + qf (dSn (ω1 ...ωn )),
39
Proprietatea martingalei este cazul special al lui (2.5.1) cu f (x) = x si
g(x) = x. Pentru ca un proces sa fie Markov, este necesar ca oricarei functii f
sa-i corespunda o functie g astfel incat (2.5.1) sa fie adevarata. Nu orice mar-
ringala este markov. pe de alta parte, chiar daca consideram functia f (x) = x,
proprietatea Markov cere numai ca En [Mn+1 )] = g(Mn ) pentru o functie g;
nu cere ca functia g sa fie data de g(x) = x. Nu orice proces Markov este o
martingala. Intr-adevar, exemplul 2.5.2 arata ca pretul stocului este proces
Markov in cazul masurilor reala si cu risc neutru
40
protestant din Franţa Catolică şi pentru un anumit pret calcula probabilitatea
pariurilor ı̂n toate tipurile de jocuri de noroc. Deşi De Moivre, descoperitorul
curbei normale, şi-a trait viata la cafenea, el era un matematician cu abilităti
recunoscute. El a fost membru al Royal Society şi a fost raportat a fi un
prieten intim al lui Isaac Newton.
Karl Pearson imaginându-l pe De Moivre la locul de muncă la Slaughter’s
Coffee House:
”Mi-l imaginez pe De Moivre lucrand la o masă murdară din cafenea, cu un
jucător ruinat lângă el şi pe Isaac Newton mergând prin multime spre coltul
lui pentru a-şi scoate afara prietenul. Ar fi o imagine grozavă pentru un artist
inspirat.”
41
subgraficului ei este egală cu 1. Ea determină probabilitătile lui X astfel: aria
subgraficului functiei densitate de probabilitate ı̂ntre punctele a şi b este egală
cu probabilitatea ca X să fie ı̂ntre a şi b.
µ = [E] si σ = SD(X).
Functia densitate de probabilitate normala este o curbă de densitate ı̂n
formă de clopot care este simetrică ı̂n raport cu valoarea µ. Variabilitatea sa
se măsoară cu σ. Cu cât este mai mare σ, cu atât este mai mare variabilitatea
ı̂n această curbă. Figura 1.2 prezintă trei functii diferite de densitate de prob-
abilitate normală. Remarcam cum curbele se aplatizează odată cu creşterea
lui σ.
Deoarece functia densitate de probabilitate a unei variabile aleatoare nor-
male X este simetrică ı̂n raport cu valoarea ei medie µ, rezultă că probabilitatea
ca X sa de o parte sau alta a lui µ este aceeasi. Adica
42
Putem detrmina probabilitătile referitoare la o variabilă aleatoare nor-
mală arbitrară cu ajutorul probabilitătilor despre variabila aleatoare normală
standard . În acest sens, vom prezenta următoarea regulă empirica utilă de
aproximare pentru probabilitătile normale.
Regula de aproximare
O variabilă aleatoare normală cu media µ şi deviatia standard σ va fi
Între µ - σ şi µ + σ cu probabilitatea aproximativă 0,68
Între µ - 2σ şi µ + 2σ cu probabilitatea aproximativă 0,95
Între µ - 3σ şi µ + 3σ cu probabilitatea aproximativă 0,997
Această regulă de aproximare este ilustrată ı̂n Fig. 1.4. De multe ori ne
permite să obtinem o imgine rapidă pentru un set de date.
Exemplul 24
43
coloana din stanga pentru a găsi linia cu eticheta 1.2 şi apoi căutând in linia
de sus pentru a găsi coloana cu eticheta 0.02. Valoarea care este atât pe linia
etichetata cu 1.2, cât şi ı̂n coloana etichetată 0.02 este probabilitatea dorită.
Deoarece această valoare este 0,8888, vputem scrie
P {Z ≤ 2} + P {Z > 2} = 1
sau
P {Z > x} = 1 − P {Z ≤ x}
În timp ce tabelul 1.1 specifică P {Z < x} numai pentru valorile pozitive ale
lui x, acesta poate fi utilizat chiar şi atunci când x este negativ. Probabilitătile
pentru x negativ sunt obtinute din tabel folosind simetria in raport cu zero a
curbei normale standard. De exemplu, să presupunem că vrem să calculăm
probabilitatea ca Z să fie mai mică de -2. Prin simetrie (vezi Fig. 1.5), aceasta
este aceeaşi cu probabilitatea ca Z să fie mai mare de 2. Aşadar
44
Fie a pozitiv si consideram P {|Z| > a},probabilitatea ca variabila aleatoare
standard sa fie in valoare absoluta mai mare decat a. Deci
= 2P {Z > a}
unde in ultima egalitate am folosit simetria curbei de densitate a variabilei
aleatoare normale standard.
Un alt rezultat uşor de stabilit este acela ca pentru orice valoare pozitivă
a
4 Miscarea Browniană
Mişcarea Browniană, numită astfel după numele celui care a studiat-o pentru
prima dată şi anume botanistul englez Robert Brown, este un proces stochastic
de importanţă majoră ı̂n teoria probabilităţilor, având aplicaţii multiple ı̂n
fizică, economie şi ı̂n diverse domenii ale ştiinţelor sociale.
Robert Brown ı̂n 1827 a observat mişcarea neregulată a unei particule mici
care este scufundata total intr-un lichid sau gaz. Prima explicaţie a acestei
mişcari a fost dată de Albert Einstein În 1905, care a demonstrat matematic ca
mişcarea Browniană ar putea fi explicată presupunând că particula scufundata
a fost supusa continuu unui bombardament de către moleculele din mediul in-
conjurator. Astfel el a constatat că particula are o mişcare ı̂ntâmplătoare,
haotică, iar fiecare ciocnire cu moleculele de lichid determină o mişcare aprox-
imativ neglijabilă, ı̂nsă care face ca traiectoria particulei să nu mai poată fi
descrisă cu precizie. In 1900, Louis Bachelier a studiat mişcarea Browniană
din punct de vedere matematic raportându-se la teoria bursei de valori, iar
ı̂n 1905 Albert Einstein a folosit mişcarea Browniană pentru a verifica teo-
ria moleculară a căldurii. Ei au conjecturat multe din proprietăţile mişcării
Browniene, dar a durat mult timp pana cand s-a putut demonstra existenta
procesului cu proprietatile specificate. O definitie concisa din punct de vedere
matematic si o clarificare a proprietatilor miscarii Browniene, au fost date
de matematicianul american Norbert Wiener intr-o serie de lucrari incepand
din 1918 (din acest motiv miscarea Browniana este numita uneori si proces
Wiener). In 1951, Monroe David Donsker a dat o demonstratie completa a
convergentei drumurilor aleatoare catre miscarea Browniana.
Miscarea Browniana a fost introdusa independent, in 1900, de matemati-
cianul francez Bachelier, care a folosit-o in disertaţia sa de doctorat pentru a
45
modela mişcarea preţurilor stocurilor şi mărfurilor. Cu toate acestea, mişcarea
Browniana pare să aibă două defecte majore atunci când este folosită pentru
modelarea preţurilor stocurilor sau mărfurilor. În primul rând, deoarece preţul
unui stoc este o variabilă aleatoare normală, poate deveni teoretic negativ. Al
doilea, nu pare total rezonabila presupunerea că o diferenţă de preţ pe un
interval de lungime fixă are aceeaşi repartitie normală indiferent de preţul de
la inceputul intervalului.
46
Demonstraţie. Pentru a demonstra ca X(t) este continuă, trebuie să
arătăm că
lim (X(t + h) − X(t)) = 0
h→0
Deoarece variabila aleatoare X(t + h) − X(t) are media µh şi varianţa hσ 2 ,
converge cand h → 0 la o variabilă aleatoare cu media 0 si varianta 0. Adică,
converge la constanta 0, ceea ce demonstreaza continuitatea.
Deşi X(t) este, cu probabilitatea 1, o funcţie continuă de t, ea posedă
urmatoarea proprietate uimitoare.
Propoziţia 28 X(t) nu este derivabila, in nici un punct din domeniul lui t.
2
Demonstraţie. Observam că X(t+h)−X(t)
h are media µ si varianta σh .Deoarece
varianţa acestui raport converge la infinit cand h → 0, rezuta că raportul nu
converge.
47
Prin urmare, daca X(0) este valoarea procesului la momentul 0, atunci val-
oarea sa dupa n schimbari este
√
X(n∆) = X(0) + σ ∆(X1 + X2 + ... + Xn ).
Prin urmare,
t/∆
√ X
E[X(t) − X(0)] = E σ ∆ Xi
i=1
t/∆
√ X
= σ ∆ E [Xi ]
i=1
√ t µ√
σ ∆ ∆
∆σ
= µt.
În plus,
t/∆
√ X
V ar(X(t) − X(0)) = V ar σ ∆ Xi
i=1
t/∆
X
2
=σ ∆ V ar (Xi ) din independenta
i=1
48
h i
= σ 2 t 1 − (2p − 1)2 .
În consecinţă, in timp ce ∆ devine din ce in ce mai mic, X(t) − X(0) converge
la o variabilă aleatoare normală cu media µt şi varianta tσ 2 . În plus, deoarece
schimbările succesive ale procesului sunt independente şi fiecare are aceeaşi
probabilitate de a fi o creştere, rezultă că X(t+y)−X(y) are aceeaşi distribuţie
ca si X(t) − X(0) şi este, În plus, independenta de schimbarile procesului
anterioare momentului y. Prin urmare, rezultă că, in timp ce ∆ tinde la 0,
familia valorilor procesului de-a lungul timpului devine un proces de mişcare
Browniană cu parametrul de tendinta µ şi parametrul de varianţă σ 2 .
Un rezultat important despre mişcarea Browniană este că, condiţionată de
valoarea procesului la momentul t, distribuţia comuna a valorilor procesului
până la momentul t nu depinde de valoarea parametrului de tendinta µ. Acest
rezultatul se demonstreaza prin utilizarea proceselor de aproximare.
49
Un proces folosit adesea pentru a modela preţul unei garanţii pe măsură
ce evoluează in timp este procesul miscarii Browniene geometrice.
S(t) = eX(t) , t ≥ 0.
Observaţia 32 1.
50
3. Dacă S(0) = s, atunci putem scrie
S(t) = seX(t) , t ≥ 0
si
1 µ√
p= 1+ ∆ .
2 σ
51
Cand ∆ tinde la 0, modelul precedent devine mişcare Browniană geometrică.
În consecinţă, mişcarea Browniană geometrică poate fi aproximată printr-un
proces relativ simplu, care merge in sus sau in jos, prin factori fixati la mo-
mente uniform distanţate.
P (M (t) ≥ y|X(t) = x)
P (M (t) ≥ y, x ≤ X(t) ≤ x + h)
52
cu care procesul se modifica la momentul t este cuprinsa Între x−y şi x+h−y.
Deoarece repartitia acestei modificări suplimentare este simetrică in raport cu
0 (deoarece µ =0 şi repartitia unei variabile aleatoare normale este simetrică in
raport cu media sa), rezultă că probabilitatea ca modificarea suplimentară să
fie Între −(x + h − y) şi −(x − y) este aceeasi cu probabilitatea ca modificarea
suplimentara să fie intre x − y şi x + h − y. Prin urmare,
P (x ≤ X(t) ≤ x + h|Ty ≤ t)
= P (x − y ≤ X(t) − y ≤ x + h − y|Ty ≤ t)
= P (−(x + h − y) ≤ X(t) − y ≤ −(x − y)|Ty ≤ t).
Din ecuatia (1), obtinem
P (M (t) ≥ y, x ≤ X(t) ≤ x + h)
P (2y − x − h ≤ X(t) ≤ 2y − x)
=
P (x ≤ X(t) ≤ x + h)
fX(t) (2y − x)h
≈ , pentru h mic
fX(t )(x)h
unde fX(t) , functia densitate a lui X(t), este functia densitate a unei vari-
abile aleatoare normale cu media 0 si varianta tσ 2 . Luand h → 0 in relatia
precedenta, obtinem
P (M (t) ≥ y|X(t) = x)
fX(t) (2y − x)
=
fX(t) (x)
2
e−(2y−x)2/2tσ
=
e−x2/2tσ2
53
2
= e−2y(y−x)/tσ .
Corolarul 34 Pentru y ≥ 0
2yµ/σ 2 µt + y y − µt
P (M (t) ≥ y) = e Φ √ +Φ √ .
σ t σ t
Demonstraţie. Utilizand condiţionarea de X(t) şi Teorema 33, obtinem
P (M (t) ≥ y)
Z∞
= P (M (t) ≥ y|X(t) = x)fX(t) (x)dx
−∞
Zy
= P (M (t) ≥ y|X(t) = x)fX(t) (x)dx
−∞
Z∞
+ P (M (t) ≥ y|X(t) = x)fX(t) (x)dx
y
Zy Z∞
−2y(y−x)/tσ 2
= e fX(t) (x)dx + fX(t) (x)dx.
−∞ y
Folosind faptul că fX(t) este funcţia de densitate a unei variabile aleatoare
normale cu media µt şi varianta tσ 2 , obtinem
P (M (t) ≥ y)
Zy 2 2
2 e−(x−µt) /2tσ )
= e−2y(y−x)/tσ √ dx + P (X(t) > y)
2πtσ 2
−∞
1 2 2 2 2 2
=√ e−2y /tσ e−µ t /2tσ
2πtσ
Zy
1 2
× exp − x − 2µtx − 4yx dx + P (X(t) > y)
2tσ 2
−∞
54
1 2 2 2 2
=√ e−(4y +µ t )/2tσ
2πtσ
Zy
1
x2 − 2x(µt + 2y) dx + P (X(t) > y).
× exp −
2tσ 2
−∞
Deoarece
x2 − 2x(µt + 2y) = (x − (µt + 2y))2 − (µt + 2y)2
rezulta ca
P (M (t) ≥ y)
2 +µ2 t2 −(µt+2y)2 )/2tσ 2 1
= e−(4y √
2πtσ
Zy
2 /2tσ 2
× e−(x−µt−2y) + P (X(t) > y).
−∞
55
În plus, aşa cum s-a menţionat anterior, rezultă din continuitatea lui dru-
murilor miscarii Browniene, pentru y > 0, ca procesul ar fi luat valoarea y
la momentul t dacă şi numai dacă maximul procesului la momentul t este cel
puţin y. Adica,
Ty ≤ t ⇔ M (t) ≥ y.
Deci, din Corolarul 34, rezulta ca
P (Ty ≤ t)
2 µt + y y − µt
= e2yµ/σ Φ √ +Φ √ .
σ t σ t
Dacă notam cu Mµ,σ (t) o variabilă aleatoare cu repartitia valorii maxime până
la momentul t al unui proces de miscare Browniana care incepe la 0 şi are
parametrul de tendinta µ şi parametrul de varianţă σ 2 , atunci repartitia lui
Mµ,σ (t) este data de Corolarul 34. Să presupunem că vrem sa determinam
repartitia lui
M ∗ (t) = min X(v).
0≤v≤t
56
Teorema 35 Fie W o variabilă aleatorie a cărei valoare este determinată de
istoria mişcării Browniene până la momentul t. Adică valoarea lui W este
determinata de o cunoaştere a valorilor lui X(s), 0 ≤ s ≤ t. Atunci,
2 2
h 2
i
Eµ [W ] = e−µ t/2σ E0 W eµX(t)/σ .
Z∞
1 2 2
= E0 [W |X(t) = x] √ e−(x−µt) /2tσ dx (2)
2πtσ
−∞
Z∞
1 2 2 2 2
= E0 [W |X(t) = x] √ e−x /2tσ e(2µx−µ t)/2σ dx.
2πtσ
−∞
unde a doua egalitate rezulta din Teorema 30, care afirma ca, dat fiind X(t) =
x, repartitia conditionata a procesului pana la momentul t, (si astfel repartitia
conditionata a lui W) este aceeasi pentru toate valorile lui µ. Definim
2 t/2σ2 2 2 t)/2σ 2
Y = e−µ eµX(t)/σ = e(2µX(t)−µ
atunci
Z∞ Z∞
1 2 2
E0 [W Y ] = E0 [W Y |X(t) = x] √ e−x /2tσ dx.
2πtσ
−∞ −∞
2 t)/2σ 2
Deoarece X(t) = x, variabila aleatoare Y este egala cu constanta e(2µx−µ
si deci egalitatea precedenta devine
E0 [W Y ]
Z∞
2 t)/2σ 2 1 2 2
= e(2µx−µ E0 [W |X(t) = x] √ e−x /2tσ dx
2πtσ
−∞
= Eµ [W ]
unde, in egalitatea finala, am folosit (2).
57
5 Evaluarea cu media utilitatii
În acest capitol observăm că, ı̂n multe situa21bii, considerentele de arbitraj nu
duc la un cost unic. Arătăm importan21ba, ı̂n astfel de cazuri, a func21biei
de utilitate a investitorului, precum 219i a estimărilor acestuia asupra proba-
bilită21bile rezultatelor posibile ale investi21biei.
58
valorile 1, ..., n este aleasă ı̂n funcţie de probabilităţile p1 , ..., pn ; dacă valoarea
i este aleasă, vom primi consecinţa Ci . Cu toate acestea, deoarece Ci este
echivalent cu obţinerea consecinţei C cu probabilitatea u(Ci ) sau consecinţa
c cu probabilitatea 1 − u(Ci ), ı̂nseamnă că rezultatul experimentului cu două
etape este echivalent cu un experiment ı̂n care se obţine consecinţa C sau c,
C fiind obţinută cu probabilitatea
n
X
pi u(Ci ).
i=1
şi pe a doua dacă inegalitatea este inversată, unde u este funcţia de utilitate
a investitorului. Deoarece posibilele returnări monetare dintr-o investiţie con-
stituie adesea o mulţime infinită, este convenabil să ară tăm la cerinţa ca u(x)
să fie ı̂ntre 0 şi 1.
Deoarece funcţia de utilitate a unui investitor este specifică fiecărui investi-
tor, o proprietate generală presupusă de obicei funcţiilor de utilitate este aceea
că u(x) este o funcţie crescătoare de x. În plus, o caracteristică (dar nu univer-
sală) pentru majoritatea investitorilor este că, dacă se aşteaptă să primească
59
x, atunci extra utilitatea câştigată, dacă li se dă o sumă suplimentară ∆, este
descrescătoare ı̂n x; adică pentru ∆ > 0 fixat, funcţia lor de utilitate satisface
u(x + ∆) − u(x)
u00 (x) ≤ 0.
Adică o funcţie este concavă dacă şi numai dacă a doua derivată este nepoz-
itivă. Figura 2 reprezintă graficul unei funcţii concave, o funcţie concavă are
proprietatea ca segmentul de linie care uneşte oricare două dintre punctele ei
se află ı̂ntotdeauna sub graficul funcţiei.
Un investitor cu o funcţie de utilitate concavă este considerat ca fiind opo-
nent riscului. Această terminologie este folosită datorită inegalităţii lui Jensen
care afirmă că dacă u este o funcţie concavă, atunci pentru orice variabilă
aleatoare X,
E[u(X)] ≤ u(E[X]).
Prin urmare, luând X ca fiind returnarea unei investiţii, rezultă din inegal-
itatea lui Jensen că orice investitor cu o funcţie de utilitate concavă, ar prefera
unei anumite returnări E[X] primirea unei returnări aleatorii cu această me-
die.
Demonstraţie. Formula de dezvoltare ı̂n serie Taylor a lui U (x) ı̂n jurul lui
µ = E[X] dă, pentru o anumită valoare a lui τ ı̂ntre x şi µ, că
În consecinţă,
U (X) ≤ U (µ) + U 0 (µ)(X − µ).
60
Acum, luăm media ı̂n ambele părţi pentru a obţine rezultatul:
u(x) = log(x);
Wn = Xn Wn−1 , n ≤ 1.
Wn = Xn Wn−1
= Xn Xn−1 Wn−2
= Xn Xn−1 Xn−2 Wn−3
..
.
= Xn Xn−1 ...X1 W0 .
61
Fie Rn rata returnării (pe investiţie) din n investiţii, atunci
Wn
= W0 .
(1 + Rn )n
sau
Wn
(1 + Rn )n = = X1 ...Xn .
W0
Aplicând logaritmul obţinem că
Pn
i=1 log(Xi )
log(1 + Rn ) = .
n
Dacă Xi sunt independenţi cu o repartiţie comună, atunci rezultă dintr-
o teoremă de probabilitate cunoscută drept legea tare a numerelor mari, că
media valorilor log(Xi ), i = 1, ..., n converge la E[log(Xi )] când n tinde la ∞.
În consecinţa,
log(1 + Rn ) → E[log(X)] , n → ∞.
Prin urmare, dacă cineva are o anumită alegere ı̂n ceea ce priveşte investiţia
- adică o alegere ı̂n ceea ce priveşte probabilităţile factorilor de multiplicare
Xi - atunci rata de returnare pe termen lung este maximizată prin alegerea
investiţiei care produce cea mai mare valoare a lui E[log(X)].
Mai mult, deoarece Wn = W0 X1 ...Xn , rezultă că
n
X
log(Wn ) = log(W0 ) + log(Xi ).
i=1
Aşadar,
E[log(Wn )] = log(W0 ) + nE[log(X)]
care arată că maximizarea E[log(X)] este echivalentă cu maximizarea mediei
log a averii finale.
Exemplul de mai jos arată cât de mult ar trebui un investitor cu utilitatea
log să investească ı̂ntr-un pariu favorabil.
62
Demonstraţie. Presupunem că suma αx este investită, unde 0 ≤ α ≤ 1.
Atunci averea finală a investitorului, notată X, va fi fie x + αx, fie x − αx cu
probabilităţile p şi respectiv 1 − p. Prin urmare, utilitatea aşteptată a averii
finale este
plog((1 + α)x) + (1 − p)log((1 − α)x)
= plog(1 + α) + plog(x) + (1 − p)log(1 − α) + (1 − p)log(x)
= log(x) + plog(1 + α) + (1 − p)log(1 − α).
Pentru a găsi valoarea optimă a lui α, diferenţiem
plog(1 + α) + (1 − p)log(1 − α)
pentru a obţine
d p 1−p
(plog(1 + α) + (1 − p)log(1 − α)) = − .
dα 1+α 1−α
Luând aceasta egală cu 0 obţinem
p − αp = 1 − p + α − αp sau α = 2p − 1.
63
+(1 − p)log(1 + r) + (1 − p)log(1 − α).
Prin urmare, din nou, fracţia optimă de investit a averii sale nu depinde de
valoarea acelei averi. Diferenţiând ecuaţia anterioară obţinem
d p(1 − r) 1−p
(utilitatea asteptata) = − .
dα 1 + r + α − αr 1 − α
Luând aceasta egală cu 0, rezultă că valoarea optimă a lui α este dată de
p(1 − r) − (1 − p)(1 + r) 2p − 1 − r
α= = .
1−r 1−r
De exemplu, dacă p = 0.6 şi r = 0.5 atunci, deşi dobânda aşteptată a returnării
investiţiei este de 20% (ı̂n timp ce banca plăteşte doar 5%), fracţia optimă de
bani care trebuie investită este
0.15
α= ≈ 0.158.
0.95
Adică investitorul ar trebui să investească aproximativ 15.8% din capitalul său
şi să pună restul la bancă.
O altă funcţie de utilitate frecvent folosită este funcţia de utilitate exponenţială
64
Fie X şi Y două variabilele aleatoare. Spunem că X domină stochastic Y
(echivalent cu X este stochastic mai mare decat Y ), notat cu X ≥st Y , dacă
pentru toate valorile t
P (X > t) ≥ P (Y > t).
Adică X ≥st Y dacă pentru orice constantă t, probabilitatea ca X > t este
cel puţin egală cu probabilitatea ca Y > t.
Propoziţia 40 X ≥st Y dacă şi numai dacă E[h(X)] ≥ E[h(Y )] pentru toate
funcţiile crescătoare h.
Z∞ ZX Z∞
I(t)dt = I(t)dt + I(t)dt = X.
0 0 X
Prin urmare,
∞
Z∞ Z∞
Z
E[X] = E I(t)dt = E[I(t)]dt = P (X > t)dt.
0 0 0
65
Lema 42 Dacă X ≥st Y , atunci E[X] ≥ E[Y ].
Prin urmare, rezultatul este adevărat când variabilele aleatoare sunt neneg-
ative.
Pentru a putea demonstra rezultatul ı̂n general, observăm că orice număr
a poate fi exprimat ca diferenţa dintre părţile sale pozitive şi negative:
a = a+ − a−
unde
a+ = max(a, 0), a− = max(−a, 0).
Într-adevăr, dacă a ≥ 0, atunci a+ = a şi a− = 0, iar dacă a < 0, atunci
a+ = 0 şi a− = −a.
Deci, presupunem că X ≥st Y şi exprimăm X şi Y ca diferenţa dintre
părţile lor pozitive şi negative
X = X + − X −; Y = Y + − Y −.
P (X + > t) = P (X > t)
66
Prin urmare, X + ≥st Y + şi X − ≤st Y − . Cum toate aceste variabile
aleatoare sunt nenegative, avem că E[X + ] ≥ E[Y + ] şi că E[X − ] ≤ E[Y − ].
Rezultatul se obţine deoarece
Dar E[ht (X)] = P (X > t) şi E[ht (Y )] = P (Y > t), arătând astfel că X ≥st Y .
67
găsit astfel de variabile aleatoare. Atunci, deoarece Y 0 > t implică că X 0 > t,
rezultă că
P (Y 0 > t) ≤ P (X 0 > t)
care, deoarce P (X 0 > t) = P (X > t) şi P (Y 0 > t) = P (Y > t), demonstrează
că X ≥st Y . Această abordare de a stabili că una dintre variabile aleatoare
este stochastic mai mare decât alta se numeşte cuplare.
Totuşi nu este uşor să verificăm direct faptul că precedenta este o funcţie
crescătoare de λ pentru orice j. O soluţie mai uşoară este obţinută prin
cuplare.
Fie X1 şi X2 variabile aleatoare Poisson independente cu xi având media
λi , i = 1, 2. Atunci folosind faptul că suma variabilelor aleatoare Poisson
independente este de asemenea independentă, rezultă că X1 + X2 este de
asemenea Poisson cu media λ1 + λ2 . Deoarece X1 + X2 ≥ X1 , rezultă ceea ce
aveam de demonstrat.
Se pare că dacă X ≥st Y , atunci este ı̂ntotdeauna posibil să se găsească
variabile aleatoare X 0 şi Y 0 astfel ı̂ncât X 0 are aceeaşi distribuţie ca X, Y 0 are
aceeaşi distribuţie ca Y , şi X 0 ≥ Y 0 . Dăm o demonstraţie a acestui rezultat
când X şi Y sunt variabile aleatoare continue. Începem cu o lemă.
P (F −1 (U ) ≤ x) = P (F (F −1 (U )) ≤ F (x))
68
= P (U ≤ F (x))
= F (x).
Deoarece F este crescătoare, precedenta arată că G−1 (u) ≤ F −1 (u). Acum, fie
U o variabilă aleatoare uniformă (0,1) şi luăm X 0−1 (U ) şi Y 0−1 (U ). Precedenta
ne dă că X 0 ≥ Y 0 şi rezultatul se obţine din Lema 44.
Următorul rezultat este util şi uşor de demonstrat printr-un argument de
cuplare.
69
6.3 Ordonarea raportului functiilor densitate
Presupunem că variabilele aleatoare X şi Y sunt variabile aleatoare continue,
cu X având funcţia de densitate f şi Y având funcţia de densitate g. Spunem
că X este ı̂n probabilitate mai mare decât Y dacă fg(x)(x)
este crescătoare ı̂n x,
acolo unde f (x) sau g(x) este mai mare decât 0.
Similar, dacă X şi Y sunt variabile aleatoare discrete, spunem că X este ı̂n
probabilitate mai mare decât Y dacă PP (X=x)
(Y =y) este crescătoare ı̂n x pe domeniul
unde P (X = x) sau P (Y = y) este mai mare decât 0.
Arătăm că ordonarea raportului probabilităţilor este mai puternic decât
ordonarea stochastică.
Propoziţia 47 Dacă X este ı̂n probabilitate mai mare decât Y , atunci X este
stochastic mai mare decât Y .
cu f . Deoarece
ft (x) etx
= R ty
f (x) e f (y)dy
70
este crescătoare ı̂n x când t > 0 şi descrescătoare când t < 0, rezultă că
variabila aleatoare Xt având funcţia de densitate ft este ı̂n probabilitate (şi
prin urmare stochastic) mai mare decât X când t > 0 şi ı̂n probabilitate (şi
prin urmare stochastic) mai mică când t < 0.
Z∞
= max u((x − β)y + βw)f (x)dx.
0≤y≤w
−∞
unde
0
h(y, x) = u ((x − β)y + βw)(x − β).
71
Luând derivata anterioară egală cu 0 rezultă că valoarea maximă a lui y
notată yf este astfel ı̂ncât
Z∞
h(yf , x)f (x)dx = 0. (3)
0
h(y, x) ≤ 0 daca x ≤ β
h(y, x) ≥ 0 daca x ≥ β
x ≤ β ⇒ (x − β)y + βw ↓ y
Cazul 2: x≥β
x ≥ β ⇒ (x − β)y + βw ↑ y
72
Exemplul 50 Presupunem că funcţia utilă este
x, daca x ≤ 100
u(x) =
100, daca x > 100
unde
P (X2 = 3) = P (X2 = 0) = 1/2
atunci este uşor să verificăm că X1 este stochastic mai mare decât X2 . Mai
departe, presupunem că averea iniţială este w = 30 şi că dobânda este r = 0.
Deoarece funcţia de utilitate este netedă la valori de 100 sau mai mari, suma
optimă de a investi ı̂n problema cu factor X1 nu poate depaşi 70/3 deoarece,
investind mai mult de 70/3 ar produce aceeaşi valoare de utilitate (de 100)
ca investind 70/3 dacă X1 = 4 şi o utilitate mai mică decât X1 = 0. Pe de
altă parte, este uşor să verificăm că suma optimă de investit ı̂n problema cu
factor X2 este 30. Deci, având un factor de returnare a investiţiei stochastic
mai mare nu implică ı̂n mod necesar o investiţie mai mare.
Teorema 51 Dacă f şi g sunt funcţii de densitate ale unor variabile aleatoare
nenegative, pentru care fg(x)
(x)
este crescătoare ı̂n x, atunci yf ≥ yg . Aceasta este
când f este ı̂n probabilitate mai mare decât g, atunci suma optimă de investit
când factorul multiplicativ are densitatea f este mai mare decât atunci când
are densitatea g.
Demonstraţie. Din ecuaţia (1), suma optimă de investit când X are den-
sitatea g, şi anume yg , satisface
Z∞
h(yg , x)g(x)dx = 0.
0
f (x)
Vrem să arătăm că dacă g(x) ↑ x, atunci yf ≥ yg , unde yf este astfel ı̂ncât
Z∞
h(yf , x)f (x)dx = 0.
0
73
Deoarece h(y, x) este descrescătoare ı̂n y (Lema 49), rezultă că inegalitatea
yf ≥ yg este echivalentă cu inegalitatea
Z∞ Z∞
h(yg , x)f (x)dx ≥ h(yf , x)f (x)dx.
0 0
Acum,
Z∞ Zβ Z∞
h(yg , x)f (x)dx = h(yg , x)f (x)dx + h(yg , x)f (x)dx.
0 0 β
Zβ Zβ
f (β)
h(yg , x)f (x)dx ≥ h(yg , x)g(x)dx.
g(β)
0 0
f (x) f (β)
Dacă x ≥ β, atunci g(x) ≥ g(β) şi din Lema 49, h(yg , x) ≥ 0. Prin urmare,
Z∞ Z∞
f (β)
h(yg , x)f (x)dx ≥ h(yg , x)g(x)dx.
g(β)
β β
74
6.5 Dominanţa stochastica de ordinul doi
În timp ce pentru ca X să domine stochastic Y , este necesar ca E[h(X)] ≥
E[h(Y )] pentru toate funcţiile crescătoare h, deseori suntem interesaţi de
condiţiile ı̂n care inegalitatea anterioară nu necesită toate funcţiile crescătoare
h, ci doar acele funcţii crescătoare care sunt şi concave.
Adică, suntem interesaţi, când o avere finală a lui X este ı̂ntotdeauna
preferabilă unei averi finale ale lui Y , cu condiţia ca investitorul să aibă o
funcţie de utilitate concavă, crescătoare.
Deoarece ha (x) este o linie dreaptă crescătoare care devine netedă atunci
când atinge a, ha (x) este o funcţie crescătoare, concavă. Scriind
ha (X) = a − (a − ha (X))
75
Z∞
=a− P (X < a − t)dt
0
Za
=a− P (X < y)dy.
−∞
De mai sus rezultă că dacă X domină stochastic de ordinul doi Y , atunci
Za Za
P (X < y)dy ≤ P (Y < y)dy pentru orice a. ((4))
−∞ −∞
76
Demonstraţie. Fie X şi Y independente cu aceeaşi distribuţie şi pre-
supunem f (x) şi g(x) două funcţii crescătoare ı̂n x. Atunci f (X) − f (Y )
şi g(X) − g(Y ) au acelaşi semn (amândouă vor fi nenegative daca X ≥ Y şi
nepozitive dacă X ≤ Y ). În consecinţă,
sau echivalent,
Deoarece X şi Y au aceeaşi distribuţie, E[f (Y )g(Y )] = E[f (X)g(X)] şi E[f (Y )] =
E[f (X)], E[g(Y )] = E[g(X)].
În consecinţă, inegalitatea anterioară implică
77
0
≤ h(x) + h (x)(cx − x)
00
unde inegalitatea rezultă deoarece h este concavă, implică h (w) ≤ 0.
Deoarece rezultatul anterior este valabil pentru toţi x, rezultă că
0
h(cX) ≤ h(X) + (c − 1)Xh (X).
78
Demonstraţie. Fie h o funcţie crescătoare concavă. Trebuie să arătăm că
Xn Xn
E[h( Xi )] ≥ E[h( Yi )].
i=1 i=1
Pentru a verifica aceasta, pentru orice x, definim funcţia hx (a) prin hx (a) =
h(x + a) şi observăm că hx este o funcţie concavă crescătoare. Atunci, avem
că
n n−1
" ! # " ! #
X X
E h Xi |Xn = x = E h x + Xi |Xn = x
i=1 i=1
n−1
" !#
X
=E h x+ Xi din independenta
i=1
n−1
" !#
X
= E hx Xi
i=1
n−1
" !#
X
≥ E hx Yi din ipoteza de inductie
i=1
n−1
" !#
X
=E h x+ Yi
i=1
n−1
" ! #
X
=E h x+ Yi |Xn = x din independenta
i=1
79
n−1
" ! #
X
= E h Xn + Yi |Xn = x .
i=1
Prin urmare,
n n−1
" ! # " ! #
X X
E h Xi |Xn ≥ E h Xn + Yi |Xn
i=1 i=1
Aşadar,
n
X n−1
X
Xi ≥icv Yi + Xn .
i=1 i=1
Completăm demonstraţia arătând că
n
X n
X
Yi + Xn ≥icv Yi .
i=1 i=1
80
7 Modele de optimizare
În acest capitol vom studia probleme de optimizare care implică investiţii ce se
fac o singură dată, nefiind neapărat legate de mişcarea la bursă. Introducem
o problemă de optimizare deterministă, unde obiectivul este să determinăm
un algoritm eficient pentru găsirea strategiei optime de investiţie atunci când
o sumă fixă de bani va fi investită integral ı̂n n proiecte, fiecare având pro-
pria funcţie de profit. Vom prezinta un algoritm de programare dinamic care
poate fi ı̂ntotdeauna folosit ca să rezolve problema precedentă. De asemenea,
vom oferi un algoritm mai eficient care poate fi folosit atunci când funcţiile
de profit ale proiectului sunt concave şi vom analiza cazul special cunoscut
drept problema rucsacului, unde investiţiile sunt realizate cumpărând numere
ı̂ntregi de acţiuni, fiecare profit fiind o funcţie liniară de numărul de acţiuni
cumpărate. Vom analiza modele ı̂n care probabilitatea este un factor cheie:
un model al jocurilor de noroc, care are o probabilitate de câştig necunoscută
şi un model de investiţie cu alocare secvenţială unde numărul de oportunităţi
de investiţie este o cantitate aleatoare.
81
Determinarea lui Vn (m) şi a sumelor optime investite ı̂ncepe cu găsirea
valorilor Vj (x) pentru x = 1, ..., m, ı̂ncepând pentru j = 1, apoi pentru j = 2
şi continuând până la j = n.
Cum profitul maxim când x trebuie investit ı̂n proiectul 1 este f1 (x), avem:
V1 (x) = f1 (x)
Acum să presupunem că x trebuie să fie investit ı̂n proiectele 1 şi 2. Dacă
investim y ı̂n proiectul 2, atunci totalul x−y este disponibil pentru a fi investit
ı̂n proiectul 1.
Deoarece cel mai bun profit obţinut din x − y disponibil spre a fi investit
ı̂n proiectul 1 este V1 (x − y), rezultă că maximul sumei profiturilor posibile
când suma y este investită ı̂n proiectul 2 este f2 (y) + V1 (x − y).
Cum maximul sumei profiturilor posibile este obţinut maximizând relatia
anterioara peste valorile lui y, obţinem
În general, presupunem că x trebuie să fie investit ı̂n proiectele 1, ..., j.
Dacă investim y ı̂n proiectul j, atunci un total de x − y este disponibil spre a fi
investit ı̂n proiectele 1, ..., j − 1. Pentru că cel mai bun profit obtinut din x − y
disponibil spre a fi investit ı̂n proiectele 1, ..., j − 1 este Vj−1 (x − y) rezultă că
maximul sumei profiturilor posibile când suma y este investită ı̂n proiectul j
este fj (y) + Vj−1 (x − y). Cum maximul sumei profiturilor posibile este obţinut
maximizând relatia anterioara peste valorile lui y, observăm că
Dacă notăm cu yj (x) valoarea (sau o valoare, dacă sunt mai multe) lui
y care maximizează partea dreaptă a ecuaţiei precedente, atunci yj (x) este
valoarea optimă care trebuie investită ı̂n proiectul j când avem x investit ı̂n
proiectele 1, ..., j.
Valoarea lui Vn (m) poate fi obţinută acum, aflând mai ı̂ntâi V1 (x), apoi
V2 (x), V3 (x), ..., Vn−1 (x) şi ı̂n final Vn (m).
Suma optimă care trebuie investită ı̂n proiectul n ar fi dată de yn (m), suma
optimă care trebuie investită ı̂n proiectul n − 1 ar fi yn−1 (m − yn (m)) şi aşa
mai departe.
Această abordare a soluţiei - care implică n decizii secvenţiale şi apoi o
analizează determinând decizia optimă finală, apoi decizia optimă precedentă
(celei finale), şi aşa mai departe - este numită programare dinamică.
82
Exemplul 59 Presupunem că sunt disponibile 3 proiecte de investiţii cu următoarele
funcţii profit:
10x
f1 (x) = , x = 0, 1, ...,
1+x
√
f2 (x) = x, x = 0, 1, ....,
f3 (x) = 10(1 − e−x ), x = 0, 1, ...,
Vrem să ne maximizăm profitul când nvestim 5. Acum
10x
V1 (x) = f1 (x) = , y1 (x) = x.
1+x
Deoarece
√ 10(x − y)
V2 (x) = max {f2 (y) + V1 (x − y)} = max { y + }
06y6x 06y6x 1+x−y
obţinem
10
V2 (1) = max{ , 1} = 5, y2 (1) = 0,
2
20 √ 20
V2 (2) = max{ , 1 + 5, 2} = , y2 (2) = 0,
3 3
30 20 √ √ 23
V2 (3) = max{ , 1 + , 2 + 5, 3} = , y2 (3) = 1,
4 3 3
40 30 √ 20 √ √
V2 (4) = max{ , 1 + , 2 + , 3 + 5, 4} = 8.5, y2 (4) = 1,
5 4 3
50 √ √ 20 √ √
V2 (5) = max{ , 1 + 8, 2 + 7.5, 3 + , 4 + 5, 5} = 9, y2 (5) = 1.
6 3
În continuare, avem
V3 (x) = max {f3 (y) + V2 (x − y)} = max {10(1 − e−y ) + V2 (x − y)}
06y6x 06y6x
Folosind
1−e−1 = 0, 632, 1−e−2 = 0, 865, 1−e−3 = 0, 950, 1−e−4 = 0, 982, 1−e−5 = 0, 993
obţinem
23 20
V3 (5) = max{9, 6.32 + 8.5, 8.65 + , 9.50 + , 9.82 + 5, 9.93} = 16.32,
3 3
y3 (5) = 2.
Deci, suma maximă a profiturilor din investiţia celor 5 este 16.32; suma op-
timă care poate fi investită ı̂n proiectul 3 este y3 (5) = 2; suma optimă care
poate fi investită ı̂n proiectul 2 este y2 (3) = 1; şi suma optimă carepoate fi
investită ı̂n proiectul 1 este y1 (2) = 2.
83
REFERENCES
[1] Baxter, M., Rennie, A., Financial Calculus: An Introduction to Option
Pricing, Cambridge University Press, 1996.
[2] Chung, Kai Lai, Elementary Probability Theory: With Stochastic Pro-
cesses and an Introduction to Mathematical Finance, Springer, 2003.
[3] Hunt, P., Kennedy, J., Financial Derivatives in Theory and Practice,
Wiley, 2004.
[5] Roşiu, M., Kessler, P., Introducere ı̂n Teoria Măsurii, Editura Universi-
taria Craiova, 2006.
[10] Tudor, C., Elemente de teoria proceselor stocastice cu aplicaţii ı̂n finanţe,
Academia de Studii Economice, Bucureşti, 1999.
84