MATEMATICI FINANCIARE

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.

1 Modelul binomial al pretului nearbitrat

1.1 Modelul binomial cu o perioada
Modelul binomial de determinare a pretului unui activ este un instrument
puternic pentru a intelege teoria pretului si probabilitatea. In acest capitol,
introducem acest instrument pentru primul scop si al doilea scop il studiem
in capitolul II. In aceasta sectiune consideram cel mai simplu model binomial,
cel cu o singura perioada. Acesta este generalizat in sectiunea urmatoare la
modelul binomial multiperiodic mult mai realistic.
Pentru modelul general cu o perioada din Fig 1.1.1 ( vezi curs), numim
inceputul perioadei momentul zero si sfarsitul perioadei momentul unu. La
momentul zero, avem un stoc al carui pret unitar ( pret pe unitate) il 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 insemnand 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.

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.

Exemplul 1 Pentru modelul particular cu o perioada din Figura 1.1.2 ( vezi

curs), fie S0 = 4, u = 2, d = 21 si r = 14 . Atunci S1 (H) = 8 si S1 (T ) = 2.
Presupunem ca pretul fix al optiunii call Europene este K = 5. Presupunem
in continuare ca incepem cu o suma initiala X0 = 1.20 si cumparam ∆0 = 12

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

X1 = ∆0 S1 + (1 + r)(X0 − ∆0 S0 ) = (1 + r)X0 + ∆0 (S1 − (1 + r)S0 ).

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.

1.2 Modelul binomial multiperiodic

Extindem ideile din Sectiunea 1.1. la perioade multiple. Aruncam o moneda
in mod repetat si de cate ori obtinem H, pretul stocului creste cu factorul u
iar de cate ori obtinem T , pretul stocului se reduce cu factorul d. In plus,
exista un item in piata monetara cu o rata a dobanzii constanta r. Singura
ipoteza pe care o facem despre acesti parametri este conditia nearbitrajului
(1.1.2) ( vezi curs). Fig. 1.2.1. Modelul 3 -periodic general.
Notam cu S0 > 0 pretul initial al stocului. Notam cu S1 (H) = uS0 pretul
stocului la momentul unu, daca la prima aruncare rezulta H si cu S1 (T ) = dS0 ,
daca la prima aruncare rezulta T . Dupa a doua aruncare, pretul poate fi:

S2 (HH) = uS1 (H) = u2 S0 , S2 (HT ) = dS1 (H) = dS0 ,

S2 (T H) = uS1 (T ) = udS0 , S2 (T T ) = dS1 (T ) = d20 S0 .

dupa trei aruncari, exista 8 siruri posibile, desi nu toate dau preturi diferite
ale stocului la momentul trei. Vezi Fig. 1.2.2.

Exemplul 2 Consideram modelul particular cu trei perioade cu S0 = 4, u = 2

si d = 21 . ”Pomul” binomial al preturilor posibile ale stocului este reprezentat
in Fig. 1.2.2. Fig.1.2.2. Un model trei - periodic particular .

Sa revenim la modelul binomial general cu trei perioade din Fig 1.2.1 si

sa consideram o optiune call Europeana, care confera dreptul de a cumpara o
unitate de stoc pentru K dolari, la momentul doi. Dupa discutarea acestei
optiuni, vom extinde analiza la o derivata europeana arbitrara care expira la
momentul N ≥ 2.

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)

Desi nu indicam in notatie, S1 si deci X1 depind de rezultatul aruncarii primei

monede. Astfel, exista de fapt doua ecuatii implicite in (1.2.1):

X1 (H) = ∆0 S1 (H) + (1 + r)(V0 − ∆0 S0 ) (1.2.2)

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:

V2 (HH) = ∆1 (H)S2 (HH) + (1 + r)(X1 (H) − ∆1 (H)S1 (H)) (1.2.5)

V2 (HT ) = ∆1 (H)S2 (HT ) + (1 + r)(X1 (H) − ∆1 (H)S1 (H)) (1.2.6)

V2 (T H) = ∆1 (T )S2 (T H) + (1 + r)(X1 (T ) − ∆1 (T )S1 (T )) (1.2.7)
V2 (T T ) = ∆1 (T )S2 (T T ) + (1 + r)(X1 (T ) − ∆1 (T )S1 (T )). (1.2.8)
Avem acum un sistem de 6 ecuatii, doua reprezentand pe (1.2.1) si patru
reprezentand pe (1.2.4), in cele sase necunoscute V0 , ∆0 , ∆1 (H), ∆1 (T ),
X1 (H) si X1 (T ). Pentru a rezolva acest sistem si deci pentru a determina
pretul fara arbitraj V0 al optiunii la momentul zero precum si portofoliul ∆0 ,

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 )

si inlocuind ∆1 (T ) in (1.2.7) si (1.2.8), obtinem

1
X1 (T ) = [e
pV2 (T H) + qeV2 (T T )] (1.2.10)
1+r
unde pe si qe sunt probabilitatile cu risc neutru date de (1.1.8). Putem ob-
tine (1.2.10) si inmultind (1.2.7) cu pe, inmultind (1.2.8) cu qe si adunandu-le.
Deoarece
peS2 (T H) + qeS2 (T T ) = (1 + r)S1 (T ),
toti termenii care contin pe ∆1 (T ) sunt eliminati si ceea ce ramane este relatia
(1.2.10). Ecuatia (1.2.10) da valoarea pe care portofoliul ar trebui sa o aiba la
momentul unu daca stocul scade intre momentul zero si unu. Definim aceasta
valoare ca fiind pretul optiunii la momentul unu, daca la prima aruncare se
obtine T si il notam cu V1 (T ). Deci am demonstrat ca
1
V1 (T ) = [e
pV2 (T H) + qeV2 (T T )]
1+r
care este o alta forma a formulei pretului cu risc neutru. Aceasta formula
este echivalenta formulei (1.1.10), dar plasata dupa o perioada. Primele doua
ecuatii (1.2.5) si (1.2.6), conduc intr-un mod similar, la formula

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).

Teorema 3 ( Replica modelului binomial N -periodic) Fie un model binomial

N -periodic, cu 0 < d < 1 + r < u si cu
1+r−d u−1−r
pe = , qe = (1.2.15)
u−d u−d

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)

Definiţia 4 Pentru n = 1, 2, ..., N , variabila aleatoare Vn (ω1 ω2 ...ωn ) din Teo-

rema 1.2.2 este prin definitie pretul derivatei la momentul n daca rezultatele
la primele aruncari ale monedei sunt ω1 ω2 ...ωn . Pretul derivatei la momentul
zero este prin definitie V0 .

Demonstraţie. ( teoremei ) Demonstram prin inductie matematica dupa n

ca
XN (ω1 ω2 ...ωN ) = VN (ω1 ω2 ...ωN ) , pentru orice ω1 ω2 ...ωN , (1.2.19)
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 .
Pentru pasul de inductie, presupunem ca (1.2.19) este adevarata pentru
un n < N si demonstram ca este adevarata si pentru n + 1. Fie ω1 ω2 ...ωn ωn+1
arbitrar fixate si presupunem ca ipoteza de inductie ca (1.2.19) este adevarata
pentru cazul particular ω1 ω2 ...ωn pe care l-am fixat. Nu stim daca ωn+1 = H
sau ωn+1 = T , asa ca consideram ambele cazuri. Mai intai, folosim (1.2.14)
pentru a calcula Xn+1 (ω1 ω2 ...ωn H) si obtinem
Xn+1 (ω1 ω2 ...ωn H) = ∆n (ω1 ω2 ...ωn ) uSn (ω1 ω2 ...ωn )
+ (1 + r) (Xn (ω1 ω2 ...ωn ) − ∆n (ω1 ω2 ...ωn ) Sn (ω1 ω2 ...ωn )) .
Pentru a simplifica notatia, eliminam argumentul ω1 ω2 ...ωn si scriem ecuatia
in forma simpla
Xn+1 (H) = ∆n uSn + (1 + r) (Xn − ∆n Sn ) . (1.2.20)

15
Similar, daca eliminam argumentele in (1.2.17), obtinem:

Vn+1 (H) − Vn+1 (T )

∆n = .
Sn+1 (H) − Sn+1 (T )

Inlocuind ∆n in (1.2.20) si folosind ipoteza de inductie (1.2.19) si definitia

(1.2.16) a lui Vn , obtinem

Xn+1 (H) = (1 + r) Xn + ∆n Sn (u − (1 + r))

(Vn+1 (H) − Vn+1 (T )) (u − (1 + r))

= (1 + r) Vn +
u−d
= (1 + r) Vn + qeVn+1 (H) − qeVn+1 (T )
= peVn+1 (H) + qeVn+1 (T ) + qeVn+1 (H) − qeVn+1 (T )
= Vn+1 (H) .
Reintroducand argumentul ω1 ω2 ...ωn , putem scrie

Xn+1 (ω1 ω2 ...ωn H) = Vn+1 (ω1 ω2 ...ωn H) .

Un argument similar, arata ca

Xn+1 (ω1 ω2 ...ωn T ) = Vn+1 (ω1 ω2 ...ωn T ) .

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

Xn+1 (ω1 ω2 ...ωn ωn+1 ) = Vn+1 (ω1 ω2 ...ωn ωn+1 ) .

Cum ω1 ω2 ...ωn ωn+1 este arbitrar, pasul de inductie este complet.

Modelul binomial multiperiodic din aceasta sectiune se numeste complet
deoarece orice derivata financiara poate fi reprodusa prin comercializarea ei
in piata monetara. Intr-o piata completa, orice derivata are un unic pret care
evita arbitrajul si acesta este pretul din definitia (1.2.3).
Teorema 1.2.2 se aplica asa numitelor optiuni dependente de drum ca si
derivatelor a caror plata depinde numai de pretul final al stocului. Vom ilustra
cazul studiat printr-un exemplu.

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

0 < d < 1 + r < u. (1.1.2)

Vom impune intotdeauna aceasta conditie.

O derivata financiara plateste la momentul N cand expira , in functie de
rezultatele aruncarii monedei in primele N perioade. Metoda, teoriei de deter-
minare a pretului nearbitrat, de asociere a unui pret derivatei poate fi inteleasa
in doua moduri. Mai intai, se pune intrebarea, cum se asociaza un pret astfel
incat comercializand derivata , stocul de baza si in piata monetara sa nu apara
un arbitraj. Aceasta conditie de nearbitraj, determina unic pretul, in orice mo-
ment. In al doilea rand, in orice moment n anterior momentului de expirare
N , se poate imagina vanzarea derivatei pentru un pret si folosirea venitului din
acesta vanzare pentru a forma un portofoliu, apoi se tranzactioneaza stocul si
activul de pe piata monetara din momentul n si pana in momentul de expi-
rare N . Acest portofoliu protejeaza pozitia short a derivatei, daca valoarea sa
la momentul N coincide cu plata derivatei, indiferent de rezultatul aruncarii
monedei intre momentele n si N . Suma pentru care derivata trebuie sa fie
vanduta la momentul n, in scopul de a construi aceasta protectie a pozitiei
short este aceeasi cu pretul nearbitrat obtinut cu prima metoda.
Pretul nearbitrat al derivatei care plateste VN la momentul N , poate fi
calculat recursiv, in timp, cu formula
1
Vn (ω1 ω2 ...ωn ) = [e
pVn+1 (ω1 ω2 ...ωn H) + qeVn+1 (ω1 ω2 ...ωn T )] (1.2.16)
1+r
Numarul unitatilor de stoc pe care ar trebui sa le aiba un portofoliu care
protejeaza o pozitie scurta a derivatei este dat de

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 )

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.

2 Teoria probabilitatii pe spatiul monedei

2.1 Spatii de probabilitate finite
Un spatiu de probabilitate finit este folosit pentru a modela o situatie in care
se desfasoara un experiment aleator cu un numar finit de rezultate posibile. In
contextul modelului binomial, am aruncat o moneda de un numar finit de ori.
Daca, de exemplu, aruncam moneda de trei ori, multimea rezultatelor posibile
este

Ω = {HHH, HHT, HT H, HT T, T HH, T HT, T T H, T T T } . (2.1.1)

Presupunem ca la fiecare aruncare probabilitatea sa obtinem H ( reala sau cu

risc neutru) este p si probabilitatea sa obtinem T este q = 1 − p. Presupunem
ca aruncarile sunt independente si astfel probabilitatile elementelor individuale
ω ( siruri de trei aruncari ω = ω1 ω2 ω3 ) din Ω suntţ
Submultimile lui Ω sunt numite evenimente si acestea pot fi descrise atat
in cuvinte cat si cu simboluri. De exemplu, evenimentul

”Prima aruncare este H” = {ω ∈ Ω; ω1 = H}

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.

Definiţia 5 Un spatiu de probabilitate finit este un spatiu Ω si o masura de

probabilitate P . Spatiul Ω este o multime finita, nevida si masura de proba-
blitate P este o functie care asociaza fiecarui element ω din Ω un numar din
[0, 1], astfel incat X
P (ω) = 1. (2.1.4)
ω∈Ω
Un eveniment este o submultime a lui Ω si definim probabilitatea unui eveni-
ment A ca fiind X
P (A) = P (ω). (2.1.5)
ω∈A

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).

2.2 Variabile aleatoare, repartitii si medii

Un experiment aleator genereaza, in general, date numerice. Aceasta da
nastere la conceptul de variabila aleatoare.

Definiţia 6 Fie (Ω, P ) un spatiu de probabilitate finit. O variabila aleatoare

este o functie definita pe Ω cu valori reale.) Uneori permitem ca variabila
aleatoare sa ia valorile +∞ si −∞.)

Exemplul 7 (Preturile stocului) Reamintim spatiul Ω a trei aruncari ale mon-

edei independente (2.1.1). Ca in Figura 1.2.2 din Capitolul 1, definim preturile
stocului prin formulele

S0 (ω1 ω2 ω3 ) = 4, pentru orice ω1 ω2 ω3 ∈ Ω,


8, daca ω1 = H,
S1 (ω1 ω2 ω3 ) =
2, daca ω1 = T,

 16, daca ω1 = ω2 = H,
S2 (ω1 ω2 ω3 ) = 4, daca ω1 6= ω2 ,
1, daca ω1 = ω2 = T,



 32, daca ω1 = ω2 = ω3 = H,
8, daca exista doi H si un T,

S3 (ω1 ω2 ω3 ) =

 2, daca exista un H si doi T,
0.50, daca ω1 = ω2 = ω3 = T.


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.

Este uzual sa scriem argumentul variabilelor aleatoare ca ω, chiar daca

ω este un sir ω = ω1 ω2 ω3 . Vom folosi aceste doua notatii. Este chiar mai
comun sa scriem variabilele aleatoare fara nici un argument; vom folosi aceasta
practica, scriind de exemplu S3 , in loc de S3 (ω1 ω2 ω3 ) sau S3 (ω).
Conform Definitiei 2.2.1, o variabila aleatoare este o functie care aplica
un spatiu Ω pe multimea numerelor reale. Distributia unei variabile aleatoare
este o specificare a probabilitatilor cu care variabila aleatoare ia diferite val-
ori. O variabila aleatoare nu este o distributie si o distributie nu este o vari-
abila aleatoare. Acesta va fi un punct important cand vom schimba masura,
deoarece masura va schimba distributiile variabilelor aleatoare dar nu si vari-
abilele aleatoare . Facem clara aceasta distinctie cu urmatorul exemplu.

Exemplul 8 Aruncam o moneda de trei ori, deci multimea rezultatelor posi-

bile este

Ω = {HHH, HHT, HT H, HT T, T HH, T HT, T T H, T T T } .

Definim variabilele aleatoare

X = Numarul total de H, Y = Numarul total de T .

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.

Mai mult, presupunem ca alegem o masura de probabilitate P pentru Ω

astfel incat 32 este probabilitatea sa rezulte H la fiecare aruncare si 13 proba-
bilitatea sa rezulte T . Atunci
1 6
P {X = 0} = , P {X = 1} = ,
27 27

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 .

Din definitie rezulta ca media este liniara: daca X si Y sunt variabile

aleatoare si c1 si c2 sunt constante, atunci

E(c1 X + c2 Y ) = c1 EX + c2 EY.

In particular, daca l(x) = ax + b este o functie liniara de o variabila x (

a si b constante), atunci E [l(X)] = l(EX). Pentru functii convexe rezulta
urmatoarea inegalitate.

Teorema 10 ( Inegalitatea lui Jensen). Fie X o variabila aleatoare pe un

spatiu de probabilitate finit si fie ϕ(x) o functie convexa de o variabila x.
Atunci
E [ϕ(X)] ≥ ϕ(EX).

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

ϕ(x) ≥ max {l(x); l este liniara si l(y) ≤ ϕ(y) pentru orice y ∈ R} .

Pentru a demonstra inegalitatea opusa, fie x un punct arbitrar din R. Deoarece

ϕ este convexa, exista o functie liniara l care se afla sub ϕ si pentru crae
ϕ(x) = l(x) ( l este tangenta in punctul x la graficul functiei ϕ). Functia l se
numeste linia suport a lui ϕ in x ( vezi Fig 2.2.1). Deci

ϕ(x) ≤ max {l(x); l este liniara si l(y) ≤ ϕ(y) pentru orice y ∈ R} .

Asadar am demonstrat (2.2.1).

Fie l o functie liniara care se afla sub ϕ. Atunci

E [ϕ(X)] ≥ E[l(X)] = l(EX).

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).

O consecinta a inegalitatii lui Jensen este ca

E X 2 ≥ (EX)2 .
 

Putem obtine aceasta consecinta a inegalitatii lui Jensen din formula

0 ≤ E (X − EX)2 = E[X 2 − 2XEX + (EX)2 ] = E[X 2 ] − (EX)2 .

 

2.3 Medii conditionate

In modelul binomial din Capitolul I, alegem probabilitatile cu risc neutru pe si
qe conform formulei (1.1.8), pe care o repetam aici:

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)

deci putem scrie (2.3.3) ca

1 e
Sn = En [Sn+1 ], (2.3.5)
1+r
si numim E en [Sn+1 ] media conditionata a lui Sn+1 bazata pe informatia de la
momentul n. Media conditionata poate fi privita ca o estimare a valorii lui
Sn+1 bazata pe cunoasterea primelor n aruncari ale monedei.
De exemplu, in Figura 2.3.1 si folosind probabilitatile cu risc neutru pe =
qe = 12 , avem E e1 [S2 ](H) = 10 si E
e1 [S2 ](T ) = 2.50. Cand scriem simplu E
e1 [S2 ]
fara sa specificam daca rezultatul la prima aruncare este H sau T , avem o
cantitate a carei valoare, necunoscuta la momentul zero, va fi determinata
prin experimentul aleator al aruncarii monedei. Conform Definitiei 2.2.1, o
astfel de cantitate este o variabila aleatoare.
Mai general, daca X este o variabila aleatoare care depinde de primele N
aruncari ale monedei, putem estima pe X in functie de informatia disponibila
la un moment anterior n ≤ N . Urmatoarea definitie generalizeaza (2.3.4).

Definiţia 11 Fie n astfel incat 1 ≤ n ≤ N si ω1 ω2 ...ωn date, fixate. Exista

2N −n continuari posibile ωn+1 ...ωN ale sirului fixat ω1 ω2 ...ωn . Notam cu #H
(ωn+1 ...ωN ) numarul de H din continuarea ωn+1 ...ωN si cu #T (ωn+1 ...ωN )
numarul de T . Definim
X
Een [X](ω1 ω2 ...ωn ) = pe#H(ωn+1 ...ωN ) qe#T (ωn+1 ...ωN ) X(ω1 ...ωn ωn+1 ...ωN )
ωn+1 ...ωN
(2.3.6)
si numim Een [X] media conditionata a lui X bazata pe informatia de la mo-
mentul n.

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.

Definiţia 12 continuare 2.3.2 Cele doua cazuri extreme de conditionare sunt

E
e0 [X], media conditionata a lui X bazata pe nici o informatie, pe care o
definim prin
Ee0 [X] = EX, (2.3.7)
si E
eN [X], media conditionata a lui X bazata pe cunoasterea a toate cele N
aruncari ale monedei, definita prin

E
eN [X] = X.

Mediile conditionate de mai sus au fost calculate folosind probabilitatile cu

risc neutru pe si qe. Aceasta este indicat prin folosireaein notatia E
en . Desigur,
mediile conditionate pot fi calculate folosind probabilitatile reale p si q si
acestea for fi notate cu En .
Privite ca variabile aleatoare, mediile conditionate au cinci proprietati
fundamentale. Acestea sunt date in urmatoarea teorema. le enuntam pen-
tru mediile conditionate calculate pentru probabilitatile reale si rezultatele
analoage sunt valabile pentru mediile conditionate calculate pentru probabil-
itatile cu risc neutru.

Teorema 13 ( Proprietati fundamentale ale mediilor conditionate) Fie N un

numar intreg pozitiv, X si Y variabile aleatoare care depind de primele N
aruncari ale monedei. Fie 0 ≤ n ≤ 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].

(ii) Se da afara ceea ce este cunoscut. Daca X depinde numai de primele n

aruncari ale monedei, atunci

En [XY ] = XEn [Y ].

27
(iii) Conditionare iterata. Daca 0 ≤ n ≤ m ≤ N , atunci

En [Em [X]] = En [X].

In particular, E[Em [X]] = EX.

(iv) Independenta. Daca X depinde numai de aruncarile de la n + 1 la N ,

atunci
En [X] = EX.

(v) Inegalitatea lui Jensen conditionata. Daca ϕ(x) este o functie convexa de
variabila x, atunci
En [ϕ(X)] ≥ ϕ(En [X]).

Demonstratia Teoremei 2.3.2 este in appendix. Ilustram cele patru propri-

etati ale teoremei cu exemple bazate pe Figura 2.3.1 folosind probabilitatile
p = 23 , 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 ( vezi demonstratia Teoremei
2.2.5).

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

exteriorul mediei conditionate deoarece este constant ( vezi Teorema 2.3.2(i)).

1
In modelele cu dobanda variabila, ar conta cum scriem termenul (1+r) n+1 ; vom

folosi practica scrierii acestui termen in interiorul mediei conditionate deoarece

acesta este modul in care ar fi scris in modelele cu dobanda variabila.
Ecuatia (2.4.1) exprima cheia faptului ca in cazul masurii cu risc neutru,
pentru un stoc care nu plateste dividente, cea mai buna estimare, bazata pe in-
formatia de la momentul n, a valorii pretului stocului cu discount la momentul
n + 1, este pretul stocului cu discount la momentul n. Probabilitatile cu risc
neutru sunt alese pentru a accentua acest fapt. Procesele care satisfac aceasta

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).

Definiţia 14 Consideram modelul binomial de determinare a pretului unui

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

(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).

Observaţia 15 Proprietatea martingalei din (2.4.2) este o conditie ”un pas

inainte”. Totusi, ea implica o conditie similara pentru orice numar de pasi.
Intr-adevar, daca M0 , M1 , ..., MN este o martingala si n ≤ N − 2, atunci
proprietatea martingalei (2.4.2) implica

Mn+1 = En+1 [Mn+2 ].

Aplicand, in ambii membri, media conditionata bazata pe informatia de la

momentul n si folosind proprietatea conditionarii iterate (iii) din Teorema
2.3.2, obtinem

En [Mn+1 ] = En [En+1 [Mn+2 ]] = En [Mn+2 ].

Membrul stang este Mn , din proprietatea martingalei (2.4.2) si astfel avem

proprietatea ”doi pasi inainte”

Mn = En [Mn+2 ].

29
Repetand acest argument, putem arata ca pentru 0 ≤ n ≤ m ≤ N ,

Mn = En [Mm ]. (2.4.3)

O putem numi versiunea ” pasi multipli inainte” a proprietatii martingalei.

Observaţia 16 Media unei martingale este constanta in timp, adica daca

M0 , M1 , ..., MN este o martingala, atunci

M0 = EMn , n = 0, 1, ..., N. (2.4.4)

Intr-adevar, daca M0 , M1 , ..., MN este o martingala, putem aplica media am-

bilor membri din (2.4.2), folosind Teorema 2.3.2(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 (2.4.4).

Pentru o martingala, egalitatea din (2.4.2) trebuie sa fie adevarata pentru

toate sirurile posibile de aruncari ale monedei. Procesul pretului stocului din
Figura 2.3.1 ar fi o martingala daca probabilitatea unei cresteri ar fi pe = 31
si probabilitatea unei scaderi ar fi qe = 23 , deoarece in fiecare nod al copacului
din Figura 2.3.2, 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 in toate celelalte noduri ale copacului si deci
procesul stocului este o martingala pentru aceste probabilitati.
O martingala nu are tendinta sa creasca sau sa cada deoarece media val-
orilor sale din perioada urmatoare este intotdeauna valoarea la momentul
curent. Preturile stocului au o tendinta de crestere si intr-adevar ar trebui
sa creasca in medie mai mult decat piata monetara in scopul de a compensa
investitorul pentru riscul asimilat. In Figura 2.3.1 alegerile mai realiste p si q
sunt p = 23 si q = 31 . Cu aceste alegeri, obtinem

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

Pretul cu discount al stocului in cazul probabilitatilor actuale p = 32 , q = 13

este o submartingala. Acesta este cazul tipic in pietele reale.
Pe de alta parte, probabilitatile cu risc neutru, sunt alese sa faca pretul
cu discount al stocului sa fie o martingala. In Figura 2.3.1 cu pe = qe = 12 , se
poate verifica ca ecuatia martingalei
"  #  
n+1
4 4 n
Een Sn+1 = Sn (2.4.5)
5 5

este adevarata in fiecare nod. Urmatoarea teorema arata ca acest exemplu

este reprezentativ.

Teorema 17 Consideram modelul binomial general cu 0 < d < 1 + r < u.

Fie probabilitatile cu risc neutru
1+r−d u−1−r
pe = si qe = .
u−d u−d
In cazul masurii cu risc neutru, pretul cu discount al stocului este o martingala,
adica, ecuatia (2.4.1) este adevarata in orice moment n si pentru orice sir de
aruncari ale monedei.

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

Demonstraţie. Observam ca SSn+1 n

depinde numai de a n + 1 - a aruncare a
monedei. Folosind proprietatile indicate din Teorema 2.3.2, calculam
   
Sn+1 Sn Sn+1
En
e = En
e ·
(1 + r)n+1 (1 + r)n+1 Sn
 
Sn 1 Sn+1
= En
e · (se scoate afara ce este cunoscut)
(1 + r)n (1 + r)1 Sn
Sn 1 e Sn+1
= n
· E ( independenta)
(1 + r) 1 + r Sn
Sn peu + qed
= n
·
(1 + r) 1+r
Sn
= .
(1 + r)n

Intr-un model binomial cu N aruncari ale monedei, ne imaginam un in-

vestitor care la momentul n are ∆n unitati de stoc si le pastreaza pana la
momentul n + 1, cand are ∆n+1 unitati. Reechilibrarea portofoliului la fiecare
pas este finantata investind sau imprumutand , cat este necesar, din piata
monetara. ” Variabila portofoliului” ∆n poate depinde de primele n aruncari
ale monedei si ∆n+1 poate depinde de primele n + 1 aruncari ale monedei.
Cu alte cuvinte, procesul portofoliu ∆0 , ∆1 ,...,∆N −1 este adaptat, in sensul
definitiei 2.4.1. Daca investitorul incepe cu averea initiala X0 si Xn reprezinta
averea sa in fiecare moment n, atunci evolutia averii sale este guvernata de
ecuatia averii ( 1.2.14) din Capitolul 1, pe care o reamintim aici:

Xn+1 = ∆n Sn+1 + (1 + r)(Xn − ∆n Sn ), n = 0, 1, ..., N − 1. (2.4.6)

Observam ca fiecare Xn depinde numai de primele aruncari ale monedei ( adica

procesul averii este adaptat).
Putem investiga rata medie de crestere a averii unui investitor. Daca discu-
tam despre media in cazul probabilitatilor reale, raspunsul depinde de procesul

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.

Teorema 18 Consideram modelul binomial cu N perioade. Fie ∆0 , ∆1 ,...,∆N −1 un

proces portofoliu adaptat, X0 un numar real si procesul averii X1 ...XN generat
Xn
recursiv de (2.4.6). Atunci procesul averii cu discount (1+r) n , n = 0, 1, ..., N ,
este o martingala in cazul masurii cu risc neutru; adica
 
Xn Xn+1
= En
e , n = 0, 1, ..., N − 1. (2.4.7)
(1 + r)n (1 + r)n+1

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.

Teorema 20 ( Formula pretului cu risc neutru). Consideram un model bi-

nomial N -periodic cu 0 < d < 1 + r < u si cu masura probabilitate cu risc
neutru Pe. Fie VN o variabila aleatoare ( o derivata financiara care plateste
la momentul N ) depinzand de aruncarile monedei. Atunci, pentru n cuprins
intre 0 si N , pretul derivatei financiare la momentul n este dat de formula
pretului cu risc neutru ( 2.4.11). Mai mult, pretul cu discount al derivatei
financiare este o martingala pentru Pe; adica
 
Vn Vn+1
= En
e , n = 0, 1, ..., N − 1. (2.4.12)
(1 + r)n (1 + r)n+1
Variabila aleatoare Vn definita de (2.4.11) este aceeasi cu variabila aleatoare
Vn definita in Teorema 1.2.2.

Pasii ramasi nedemonstrati in demonstratia Teoremei 2.4.7 sunt pusi in

evidenta in Exercitiul 2.8. Observam ca alegem masura cu risc neutru pentru
a face o martingala pretul stocului cu discount. Conform teoremei 2.4.7, o
consecinta a acestui fapt este ca preturile derivatei cu discount pentru masura
cu risc neutru sunt de asemenea martingale.
Pana acum, am discutat numai despre derivate care platesc o singura data.
Multe derivate, ca dividentele pe actiuni sau schimbarile dobanzii, fac o serie
de plati. Pentru o astfel de derivata financiara exista urmatoarea formula a
pretului si protectiei.

Teorema 21 ( Evaluarea fluxului de bani) Consideram un model binomial

N -periodic cu 0 < d < 1 + r < u si cu masura probabilitate cu risc neutru
Pe. Fie C0 , C1 , ..., CN un sir de variabile aleatoare astfel incat fiecare Cn de-
pinde de ω1 ...ωn . Pretul la momentul n al derivatei financiare care face platile
Cn , ..., CN la momentele n, ..., N este
" N #
X C k
Vn = E
en , n = 0, 1, ..., N. (2.4.13)
(1 + r)k−n
k=n

Procesul pretului Vn , n = 0, 1, ..., N,satisface

1
Cn (ω1 ...ωn ) = Vn (ω1 ...ωn )− [e
pVn+1 (ω1 ω2 ...ωn H) + qeVn+1 (ω1 ω2 ...ωn T )] .
1+r
(2.4.14)

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

Xn+1 = ∆n Sn+1 + (1 + r)(Xn − Cn − ∆n Sn ), (2.4.16)

atunci
Xn (ω1 ...ωn ) = Vn (ω1 ...ωn ) (2.4.17)
pentru orice n si ω1 ...ωn .

In teorema 2.4.8, Vn este valoarea neta la h momentul i n a sirului de plati

Ck
Cn , ..., CN . Acesta este chiar suma valorii En (1+r)k−n a fiecarei plati Ck care
e
trebuie facuta la momentele k = n, k = n + 1, ...,k = N . Observam ca este
inclusa si plata la momentul n. Aceasta plata Cn depinde numai de primele n
aruncari ale monedei si deci poate fi scoasa in afara mediei conditionate E en ,
adica,
" N #
X C k
V n = Cn + Een , n = 0, 1, ..., N − 1. (2.4.18)
(1 + r)k−n
k=n+1

In cazul n = N , (2.4.13) se reduce la

VN = CN . (2.4.19)

Consideram un agent in pozitia short al carui flux de bani este reprezentat de

C0 , ..., Cn ( adica un agent care trebuie sa faca plata Cn in fiecare moment n).
(Permitem ca aceste plati sa fie atat pozitive cat si negative. Daca o plata este
negativa, agentul care este cumparator de fapt primeste bani). Presupunem
ca agentul in pozitia short investeste in stoc si in contul de pe piata monetara,
astfel incat, la momentul n, inainte de a face plata Cn , valoarea portofoliului
sau este Xn . Apoi el face plata Cn . Presupunem ca el ia o pozitie ∆n din stoc.
Aceasta va determina ca valoarea portofoliului sau la momentul n + 1 inainte
de a face plata Cn+1 sa fie Xn+1 , data de (2.4.16). Daca acest agent incepe cu
X0 = V0 si alege pozitiile din stoc ∆n date de (2.4.15), atunci este adevarata
(2.4.17) si ,in particular, XN = VN = CN ( vezi (2.4.17) si (2.4.19)). Atunci,
la momentul N el face plata finala CN si ramane cu 0. El a protejat perfect
pozitia short in fluxul de bani. Aceasta este justificarea faptului ca numim Vn

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

Xn+1 (ω1 ...ωn H) = Vn+1 (ω1 ...ωn H), (2.4.20)

Xn+1 (ω1 ...ωn T ) = Vn+1 (ω1 ...ωn T ) (2.4.21)

Demonstram (2.4.20); analog se poate demonstra (2.4.21).
Din (2.4.18) si conditionarea iterata ( Teorema 2.3.2 (iii)), rezulta ca
" " N ##
1 X C k
Vn = Cn + E en E
en+1
1+r
k=n+1
(1 + r)k−(n+1)
 
1
= Cn + E
en Vn+1 ,
1+r
unde am folosit (2.4.13) pentru n inlocuit cu n + 1. Cu alte cuvinte, pentru
orice ω1 ...ωn , rezulta ca

Vn (ω1 ...ωn ) − Cn (ω1 ...ωn )

1
= [e
pVn+1 (ω1 ω2 ...ωn H) + qeVn+1 (ω1 ω2 ...ωn T )] .
1+r
Deoarece, in continuare, ω1 ω2 ...ωn vor fi fixate, vom elimina aceste simboluri.
De exemplu, ultima ecuatie va fi scrisa simplu
1
V n − Cn = [e
pVn+1 (H) + qeVn+1 (T )] .
1+r
Calculam

Xn+1 (H) = ∆n Sn+1 (H) + (1 + r)(Xn − Cn − ∆n Sn )

Vn+1 (H) − Vn+1 (T )

= (Sn+1 (H) − (1 + r)Sn )
Sn+1 (H) − Sn+1 (T )
+(1 + r)(Vn − Cn )
Vn+1 (H) − Vn+1 (T )
= (uSn − (1 + r)Sn )
(u − d)Sn
+e
pVn+1 (H) + qeVn+1 (T )

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).

2.5 Procese Markov

In Sectiunea 1.3, am observat cum calculele din algoritmul prezentat in Teo-
rema 1.2.2 de determinare a pretului derivatei financiare poate fi substantial
redus daca ne gandim la informatia necesara pentru a trece de la o perioada
la alta. In Exemplul 1.3.1 din Sectiunea 1.3, pretul stocului a fost relevant
dar nu si drumul urmat pentru a obtine pretul curent.In exemplul 1.3.2 din
Sectiunea 1.3, au fost relevante pretul stocului si valoarea lui maxima pana la
momentul curent. In aceasta sectiune, formalizam procedura de determinare
a ceea ce este relevant si ceea ce nu este relevant.

Definiţia 22 Consideram modelul binomial de determinare a pretului unui

activ. Fie X0 , X0 , ..., XN un proces adaptat. Daca, pentru orice n cuprins
intre 0 si N − 1 si pentru orice functie f (x), exista o functie g(x) ( care
depinde de n si f ) astfel incat

En [f (Xn+1 )] = g(Xn ), (2.5.1)

spunem ca X0 , X0 , ..., XN este un proces Markov.

Prin definitie, En [f (Xn+1 )] este variabila; depinde de primele n aruncari

ale monedei. Proprietatea Markov arata ca aceasta dependenta de aruncar-
ile monedei se realizeaza prin intermediul lui Xn ( adica informatia legata de
aruncarile monedei de care avem nevoie pentru a evalua En [f (Xn+1 )] este in-
globata in Xn ). Nu suntem interesati sa determinam o formula pentru functia
g asa cum suntem interesati de existenta lui g, deoarece numai existenta sa ne
arata ca daca plata derivatei financiare este aleatoare numai in functie de XN ,
atunci exista o versiune a algoritmului de determinare al pretului derivatei in
care nu este necesar sa stocam informatia legata de drum ( vezi Teorema 2.5.8).
In exemplele din aceasta sectiune, vom dezvolta o metoda de determinare a
functiei g.

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 )),

si membrul drept depinde de ω1 ...ωn numai prin intermediul valorii functiei

Sn (ω1 ...ωn ). Daca omitem aruncarile monedei ω1 ...ωn , putem rescrie ecuatia
anterioara astfel
En [f (Sn+1 )] = g(Sn ),
unde functia g(x) de variabila x este definita de g(x) = pf (ux) + qf (dx).
Aceasta demonstreaza ca procesul pretului stocului este un proces Markov.
Intr-adevar, procesul pretului stocului este Markov in cazul masurii probabili-
tate reale or cu risc neutru. Pentru a determina pretul Vn la momentul n al
derivatei financiare a carei plata la momentul N este o functie vN de pretul
stocului SN ( adica VN = vN (SN )), folosim formula pretului cu risc neutru
(2.4.12), care se reduce la
1 e
Vn = En [Vn+1 ], n = 0, 1, ..., N − 1.
1+r
Dar VN = vN (SN ) si procesul pretului stocului este Markov, deci
1 e
VN −1 = EN −1 [vN (SN )] = vN −1 (SN −1 )
1+r
pentru o functie vN −1 . Similar,
1 e
VN −2 = EN −2 [vN −1 (SN −1 )] = vN −2 (SN −2 )
1+r
pentru o functie vN −2 . In general, Vn = vn (Sn ) pentru o functie vn . Mai mult,
putem calcula aceste functii recursiv cu algoritmul
1
vn (s) = pvn+1 (us) + qevn+1 (ds)], n = N − 1, N − 1, ..., 0.
[e (2.5.2)
1+r
Acest algoritm lucreaza in modelul binomial pentru orice derivata financiara a
carei plata la momentul N este o functienumai de pretul stocului la momentul
N . In particular, avem acelasi algoritm pentru optiuni put si optiuni call.
Singura diferenta este in formula pentru vN (s). Pentru call, avem vN (s) =
(s − K)+ ; pentru put, avem vN (s) = (K − s)+ .

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

3 Variabile aleatoare normale

In acest capitol vom introduce variabilele aleatoare continue, care sunt vari-
abile aleatoare care pot lua orice valoare dintr-un interval. Arătăm cum sunt
determinate probabilităţile lor dintr-o curbă asociată cunoscută sub numele
de funcţie densitate de probabilitate. Vom studia un tip special de variabilă,
cunoscută sub numele de variabilă aleatoare normală.
Este introdusă variabila aleatoare normală standard şi prezentam un tabel
care ne permite să calculăm probabilităţile acelei variabile. Arătăm cum
orice variabilă aleatoare normală poate fi transformată ı̂ntr-una standard,
permiţându-ne să determinăm probabilităţile sale. Prezentăm proprietatea
de aditivitate a variabilelor aleatoare normale.
În acest capitol prezentăm şi studiem distributia normală. Atât din punct
de vedere teoretic, cât şi din punct de vedere aplicat, această distribuţie este,
fără ı̂ndoială, cea mai importantă din toate statisticile.
Distributia normală este dintr-o clasă de distribuţii care se numesc con-
tinue. Distributiile continue sunt introduse in sectiunea 1.2. În sec. 1.3 definim
ce se ı̂nelege printr-o distribuţie normală şi prezentăm o regulă de aproximare
cu privire la probabilităţile sale. În sec. 1.4, considerăm distribuţia nor-
mală standard, care este o distribuţie normală având media 0 şi varianta 1, şi
arătăm cum să determinam probabilităţile acesteia folosind un tabel. În sec.
1.5 arătăm cum orice variabilă aleatoare normală poate fi transformată ı̂ntr-o
variabila aleatoare normala standard şi folosim această transformare pentru
a determina probabilităţile respectivei variabile. Proprietatea de aditivitate
a variabilelor aleatoare normale este discutată ı̂n sec. 1.6, iar ı̂n sec. 1.7
considerăm percentilele lor. Distribuţia normală a fost introdusă de matem-
aticianul francez Abraham De Moivre ı̂n 1733.
Abraham De Moivre a lucrat ı̂n primii ani ai secolului al XVIII-lea, intr-un
magazin de pariuri ı̂ntunecat şi agitat din Long Acres, Londra, cunoscut sub
numele de Slaughter’s Coffee House. Abraham De Moivre a fost un refugiat

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.”

3.1 Variabile aleatoare continue

În timp ce valorile posibile ale unei variabile aleatoare discrete pot fi scrise
ca un sir de valori izolate, o variabilă aleatoare continuă este una al cărei set
de valori posibile este un interval. Adică, o variabilă aleatoare continuă este
capabilă să ia orice valoare dintr-un anumit interval. De exemplu, astfel de
variabile precum timpul necesar pentru a finaliza un experiment ştiintific şi
greutatea unui individ sunt de obicei considerate variabile aleatoare continue.
Fiecare variabilă continuă aleatoare X are o curbă asociată cu ea. Această
curbă, cunoscută formal ca functia densitate de probabilitate, poate fi uti-
lizată pentru a obtine probabilităti asociate variabilei aleatoare. Aceasta se
realizează după cum urmează. Consideram orice două puncte a şi b, unde a
este mai mic decât b. Probabilitatea ca X să ia o valoare care se află ı̂ntre a
şi b este egală cu aria subgraficului functiei situat intre a şi b.
Adica,

P {a ≤ X ≤ b} = aria subgraficului functiei densitate situat intre a si b

Deoarece X trebuie să ia o valoare, rezultă că aria totală a subgraficului

functiei densitate trebuie să fie egală cu 1. De asemenea, ı̂ntrucât aria sub-
graficului functiei densitate de probabilitate ı̂ntre punctele a şi b este aceeaşi
indiferent dacă punctele finale a şi b sunt ele ı̂nsele incluse, rezulta ca

P {a ≤ X ≤ b} = P {a < X < b}.

Adică, probabilitatea ca o variabilă aleatoare continuă să fie situată ı̂ntr-un
anumit interval este aceeaşi indiferent dacă includem sau nu inludem capetele
intervalului. Curba de densitate de probabilitate a unei variabile aleatoare X
este o curbă care nu coboara sub axa x şi are proprietatea că aria totală a

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.

3.2 Variabile aleatoare normale

Cel mai important tip de variabilă aleatoare este variabila aleatoare normală.
Functia densitate de probabilitate a unei variabile aleatoare normale X este
determinată de doi parametri: valoarea medie şi abaterea standard a lui X.
Notăm aceste valori cu µ şi respectiv σ. Adică

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

P {X < µ} = P {X > µ} = 1/2

Nu toate curbele de densitate simetrice ı̂n formă de clopot sunt normale.
Curbele de densitate normale sunt specificate de o anumită formulă: Înăltimea
curbei de corespunzatoare punctului x de pe abscisă este
1 2 2
√ e−(x−µ) /2σ
2πσ
Deşi nu vom folosi ı̂n mod direct această formulă, este interesant sa ob-
servam că implică două dintre celebrele constante ale matematicii: 3c0 (aria
cercului de raza 1) şi e (care este baza logaritmului natural). De asemenea,
observam că această formulă este complet specificată de valoarea medie µ şi
de abaterea standard σ.
O variabilă aleatoare normală având valoarea medie 0 şi devierea standard
1 se numeşte o variabilă aleatoare normală standard, iar curba de densitate
a sa se numeşte curba normală standard. Figura 1.3 prezintă curba normală
standard. În acest text vom folosi litera Z pentru a reprezenta o variabilă
aleatoare normală standard.

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

Scorurile pentru partea verbală a Scholastic Aptitude Test (SAT) sunt

distribuite ı̂n mod normal cu un scor mediu de 504. Dacă abaterea standard
a unui scor este 84, atunci putem concluziona că aproximativ 68 la sută din
toate scorurile sunt cuprinse ı̂ntre 504 - 84 şi 504 + 84. Adică, aproximativ 68
la sută dintre scoruri sunt cuprinse ı̂ntre 420 şi 588. De asemenea, aproximativ
95 la sută dintre acestea sunt cuprinse ı̂ntre 504 - 168 = 336 şi 504 + 168 =
672; şi aproximativ 99,7 la sută sunt cuprinse ı̂ntre 252 şi 756.
Folosind simetria curbei normale in raport cu valoarea µ, putem obtine alte
rezultate din regula de aproximare. De exemplu, ı̂ntrucât aria dintre µ şi µ +
σ este aceeaşi ca cea dintre µ - σ şi µ, din această regulă rezultă că o variabilă
normală aleatorie va fi ı̂ntre µ şi µ + σ cu o probabilitate aproximativă 0,68
/ 2 = 0,34 .

3.3 Probabilităti asociate cu o variabilă aleatoare normală stan-

dard
Fie Z o variabilă aleatoare normală standard. Adică Z, este o variabilă aleatoare
normală cu media 0 şi abaterea standard 1. Probabilitatea ca Z să fie ı̂ntre
două numere a şi b este egală cu aria subgraficului functiei densitate a vari-
abilei aleatoare normale standard situat intre a şi b. Aceste arii s-au calculat
şi exista tabele care ne permit să găsim aceste probabilităti. Un astfel de tabel
este Tabelul 1.1.
Pentru fiecare valoare pozitiva a lui x, tabelul 1.1 specifică probabilitatea ca
Z să fie mai mică decât x. De exemplu, să presupunem că vrem să determinăm
P {Z ¡1.22}. Pentru a face acest lucru, mai ı̂ntâi trebuie să găsim intrarea ı̂n
tabel corespunzătoare lui x = 1.22. Acest lucru se face căutând mai ı̂ntâi in

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 < 1.22} = 0.8888

De asemenea, putem folosi Tabelul 1.1 pentru a determina probabilitatea
ca Z sa fie mai mare decat x. De exemplu, să presupunem că vrem să deter-
minăm probabilitatea ca Z să fie mai mare de 2. Pentru a realiza acest lucru,
observăm că Z este mai mic sau egal cu 2 sau Z este mai mare de 2, deci

P {Z ≤ 2} + P {Z > 2} = 1
sau

P {Z > 2} = 1 − P {Z ≤ 2} = 1 − 0.9772 = 0.0228

Cu alte cuvinte, probabilitatea ca Z să fie mai mare decât x poate fi obt-
inută scăzând din 1 probabilitatea ca Z să fie mai mică decât x. Adică pentru
orice x

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

P {Z < −2} = 1 − P {Z > −2} = 1 − P {Z < 2} = 1 − 0.9772 = 0.0028

Figura 1.5 P {Z < −2} = P {Z > 2}

În general, pentru orice valoare a lui x

P {Z < −x} = P {Z > x} = 1 − P {Z < x}

Putem determina probabilitatea ca Z să se găsească ı̂ntre a şi b, pentru a
¡b, determinând probabilitatea ca Z să fie mai mică decât si apoi scăzând din
aceasta probabilitatea ca Z să fie mai mică decât a. (Vezi Fig. 1.3.)
Figura 1.3 P {a < Z < b} = P {Z < b} − P {Z < a}.

44
 Fie a pozitiv si consideram P {|Z| > a},probabilitatea ca variabila aleatoare
standard sa fie in valoare absoluta mai mare decat a. Deci

P {|Z| > a} = P {Z > a} + P {Z < −a}

= 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

P {−a < Z < a} = 2P {Z < a} − 1

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.

Exemplul 25 Probabilitatea ca un stoc care se vinde in prezent cu 20 dolari

sa scada la 15 dolari (o pierdere de 25%) intr-o lună poate sa nu fie egala cu
probabilitatea ca un stoc care se vinde in prezent cu 10 dolari să scadă la 5
dolari (o pierdere de 50%) intr-o lună.

O mişcare Browniană este o familie de variabile aleatoare X(t), t ≥ 0 care

indeplinesc anumite proprietăţi pe care le vom prezenta. Consideram un proces
care evoluează in timp. Parametrul t reprezintă timpul, şi X(t) este interpretat
ca stadiul actual al procesului la momentul t. In continuare vom da o definiţie
formală.

Definiţia 26 Familia variabilelor aleatoare X(t), t ≥ 0 se numeste o miscare

Browniana cu parametrul de tendinta µ şi parametrul de varianta σ 2 dacă
urmatoarele propozitii sunt adevarate:

(a) X(0) este o constantă data.

(b) Pentru orice y şi t numere pozitive, variabila aleatoare X(t + y) − X(y)
este independenta de valorile procesului până la momentul y şi are o distribuţie
normală cu media µt medie şi varianta tσ 2 .
Ipoteza (b) spune că, pentru orice istorie a procesului până la momentul
prezent y, variaţia valorii procesului de-a lungul urmatoarelor t unitati de
timp este o variabila aleatoare normală, cu media µt medie şi varianţa tσ 2 .
Deoarece orice valoare viitoare X(t + y) este egală cu valoarea actuală X(y)
plus diferenta X(t + y) − X(y), presupunerea implică faptul că numai valoarea
actuală a procesului, şi nici o valoare anterioara, determină probabilităţi despre
valorile viitoare.
O proprietate importantă a mişcării Browniene este urmatoarea

Propoziţia 27 X(t) este, cu probabilitatea 1, o funcţie continuă de t.

Desi acesta este un rezultat matematic profund, nu este greu de inţeles de

ce ar putea fi adevărat.

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.

4.1 Miscarea Browniană ca o limită de modele simple

Fie ∆ o creştere mică de timp, şi consideram un proces astfel √ incât la fiecare
unitate de timp ∆ valoarea procesului,
√ fie creşte cu suma σ ∆ cu probabili-
tatea p sau scade cu suma σ ∆ cu probabilitatea 1 − p, unde
1 µ√ 
p= 1+ ∆
2 σ
şi modificările succesive ale valorii sunt independente.
Astfel, se presupune că valorile procesului se schimba numai la momente
care sunt multipli intregi de ∆, şi că, la fiecare
√ punct de schimbare valoarea
procesului, fie creşte sau descreşte cu suma σ ∆, schimbarea fiind o creştere
√
cu probabilitatea p = 12 1 + σµ ∆ .
Pe masura ce il luam pe ∆ din ce in ce mai mic, astfel incat apar mai
multe modificări şi mai frecvente (deşi prin sume care devin din ce În ce mai
mici), procesul devine o mişcare browniană cu parametrul de tendinta µ şi
parametrul de varianta σ 2 .
Propoziţia 29 Mişcarea Browniană poate fi aproximată printr-un proces rel-
ativ simplu, care creşte sau scade cu o sumă fixă la momente specificate in
mod regulat.
Demonstraţie. Pentru a verifica că modelul precedent devine mişcare
Browniană in timp ce ∆ devine din ce in ce mai mic, consideram

1, daca schimbarea de la momentul i∆ este o creştere
Xi =
−1, daca schimbarea de la momentul i∆ este o descreştere

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 ).

Deoarece sunt n = t/∆ schimbari in timpul t, aceasta implica

t/∆
√ X
X(t) − X(0) = σ ∆ Xi .
i=1

Deoarece Xi , i = 1, ..., t/∆ sunt independente şi in timp ce ∆ tinde la 0 exista

t/∆
P
din ce in ce mai multi termeni in suma Xi , teorema limita centrala afirma
i=1
că această sumă converge la o variabilă aleatoare normală. Prin urmare, in
timp ce ∆ tinde la 0, valoarea după cum se duce la 0, valoarea procesului la
momentul t devine o variabilă aleatoare normală. Pentru a calcula media şi
varianţa acesteia, observam mai intâi ca
µ√
E[Xi ] = 1(p) − 1(1 − p) = 2p − 1 = ∆
σ
si
V ar(Xi ) = E Xi2 − (E [Xi ])2 = 1 − (2p − 1)2 .
 

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 .

Deoarece p → 1/2 cand ∆ → 0, obtinem ca

V ar(X(t) − X(0)) → tσ 2 cand ∆ → 0.

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.

Teorema 30 Dat fiind faptul că X(t) = x, legea de probabilitate condiţionată

a familiei preturilor X(y), 0 ≤ y ≤ t, este aceeaşi pentru toate valorile lui µ.

Demonstraţie. Fie s = X(0) preţul la momentul 0. Acum, consideram

modelul de aproximare in care preţul se schimbă √ la fiecare ∆ unităţi de timp
cu o suma egala, in valoare absolută, cu c = σ ∆,si observam că c nu depinde
pe µ. Până la momentul t, ar fi fost t/∆ schimbari. Prin urmare, având in
vedere că preţul a crescut de la momentul 0 până la momentul t cu suma x−s,
t
rezultă că, dintre cele t/∆ schimbări, au existat un total de 2∆ + x−s
2c schimbări
t x−s
pozitive şi un total de 2∆ − 2c schimbări negative. Deoarece fiecare schimbare
este, in mod independent, o schimbare pozitivă cu aceeaşi probabilitate p, si
t
deoarece există un total de 2∆ + x−s
2c schimbari pozitive din cele t/∆ schimbari,
rezulta ca toate alegerile posibile de schimbari care au fost pozitive au aceeasi
probabilitate. (Adica, daca o monedă având probabilitatea p este aruncata
de m ori, atunci având În vedere că a rezultat ”cap” de k ori, submultimea
de k incercări in care a rezultat cap poate fi oricare din cele Cm k submultimi

de dimensiune k, cu aceeasi probabilitate). Astfel, chiar dacă p depinde de

µ, distribuţia condiţionată a istoriei preţurilor până la momentul t, având in
vedere că X (t) =x, nu depinde de µ. (Totusi, aceasta depinde de σ deoarece
c, marimea unei schimbări, depinde de σ, şi deci, dacă σ se schimba, atunci
se schimba si numarul de schimbari din t/∆ care ar fi trebuit sa fie pozitive
pentru S(t) = x.Luand ∆ sa tinda la 0, obtinem rezultatul cerut.

49
 Un proces folosit adesea pentru a modela preţul unei garanţii pe măsură
ce evoluează in timp este procesul miscarii Browniene geometrice.

4.2 Miscarea Browniana geometrica

Definiţia 31 Fie X(t), t ≥ 0 un proces de miscare Browniana cu parametrul
de tendinta µ si parametrul de varianta σ 2 si fie

S(t) = eX(t) , t ≥ 0.

Procesul S(t), t ≥ 0 este un proces de miscare Browniana geometrica cu parametrul

de tendinta µ si parametrul de varianta σ 2 .

Fie S(t), t ≥ 0 un proces de miscare Browniana geometrica cu parametrul

de tendinta µ si parametrul de varianta σ 2 . Deoarece log(S(t)), t ≥ 0 este o
miscare Browniana si
 
S(t + y)
log(S(t + y)) − log(S(y)) = log
S(y)

rezulta din definitia miscarii Browniene ca pentru orice y ≥ 0 si t ≥ 0

 
S(t + y)
log
S(y)

este independent de valorile procesului pana la momentul t si are o repartitie

normala cu media µt si varianta tσ 2 .
Când este utilizata pentru a modela preţul unei garanţii in timp, procesul
de mişcare Browniana geometrica nu posedă niciunul dintre defectele proce-
sului de mişcare Browniana. Deoarece este logaritmul preţului stocului care
este presupus a fi o variabilă aleatoare normală, modelul nu permite preţuri
negative ale stocurilor. În plus, pentru că sunt rapoarte si nu diferenţe de
preţuri la momente care difera printr-o perioadă fixă de timp, care au aceeaşi
repartitie, mişcarea Browniană geometrică considera ipoteza mai rezonabila că
probabilitatea procentului si nu a modulului schimbarii pretului nu depinde
de pretul curent.

Observaţia 32 1.

2. Când mişcarea Browniană geometrică este utilizată pentru a modela

preţul unei garanţii in timp, σ se numeste parametrul de volatilitate.

50
 3. Dacă S(0) = s, atunci putem scrie

S(t) = seX(t) , t ≥ 0

unde X(t), t ≥ 0, este un proces de mişcare Browniană cu X(0) = 0.

4. Dacă X este o variabilă aleatoare normală, atunci se poate arăta că

E[eX] = exp{E[X] + V ar(X)/2}

Prin urmare, dacă S(t), t ≥ 0, este un proces geometric de mişcare Brow-

niană cu parametrul de tendinta µ şi volatilitatea σ având S(0) = s
atunci
2 2
E[S(t)] = seµt+tσ /2 = se(µ+σ /2)t .
Astfel, in mişcarea Browniană geometrica, preţul preconizat al unei garanţii
creşte cu rata µ + σ 2 /2. Ca urmare, µ + σ 2 /2 se numeşte rata mişcării
Browniene geometrice. În consecinţă, o mişcare Browniană geometrica
cu parametrul de rată µr şi volatilitatea σ are parametrul de tendintă
µr − σ 2 /2.

4.2.1 Miscarea Browniana geometrica ca o limita de modele simple

Fie S(t), t ≥ 0 un proces de mişcare Browniană geometrica cu parametrul
de tendinta µ şi parametrul de volatilitate σ. Deoarece X(t) = log(S(t)),
t ≥ 0, este mişcare Browniană, putem folosi procesul său de aproximare pentru
a obţine un proces de aproximare pentru mişcarea Browniană geometrică.
Deoarece
S(y + ∆)
= eX(y+∆)−X(y) ,
S(y)
obtinem
S(y + ∆) = S(y)eX(y+∆)−X(y) .
Din egalitate de mai sus rezultă că putem aproxima miscarea Browniană
geometrica cu un model pentru preţul unei garanţii in care modificările pre-
tului apar numai in momente care sunt multipli intregi ai lui ∆. În plus, ori
de câte ori apare o modificare, preţul garanţiei este inmulţit cu factorul u cu
probabilitatea p sau cu factorul d cu probabilitatea 1 − p, unde
√ √
u = eσ ∆
, d = e−σ ∆

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.

4.3 Variabila maximă

Fie X(v), v ≥ 0, un proces de mişcare Browniană cu parametrul de tendintă µ
şi parametrul de varianţă σ 2 . Presupunem că X(0) = 0, astfel incât procesul
incepe de la starea 0. Definim

M (t) = max X(v)

0≤v≤t

ca fiind valoarea maximă a mişcării Browniene până la momentul t. Vom

determina mai intâi repartitia condiţionată, de valoarea lui X(t), a lui M (t),
) şi apoi o folosim pentru a obţine repartitia necondiţionată a lui M (t).

Teorema 33 Pentru y > x

2
P (M (t) ≥ y|X(t) = x) = e−2y(y−x)/tσ , y ≥ 0.

Demonstraţie. Deoarece X(0) = 0, rezultă că M (t) ≥ 0, deci rezultatul

este adevărat când y = 0 (deoarece ambele părţi sunt egale cu 1 În acest caz).
Deci, să presupunem că y > 0. Din Teorema 30, observam că

P (M (t) ≥ y|X(t) = x)

nu depinde de valoarea lui µ. Deci, să luăm µ = 0. Notam cu Ty primul

moment in care mişcarea Browniană ia valoarea y, şi din proprietatea de con-
tinuitate mscarii Browniene rezulta că evenimentul ca M (t) ≥ y este echivalent
cu evenimentul ca Ty ≤ t. (Deoarece inainte ca procesul sa depaseasca val-
oarea pozitiva y trebuie, prin continuitate, să treacă mai intâi prin această
valoare.) Fie h un număr mic pozitiv pentru care y > x + h. Atunci

P (M (t) ≥ y, x ≤ X(t) ≤ x + h)

= P (Ty ≤ t, x ≤ X(t) ≤ x + h) (1)

= P (x ≤ X(t) ≤ x + h|Ty ≤ t)P (Ty ≤ t)
Daca Ty ≤ t, evenimentul x ≤ X(t) ≤ x + h va avea loc dacă, după ce ia
valoarea y, suma suplimentară

X(t) − X(Ty ) = X(t) − y

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|Ty ≤ t)P (Ty ≤ t)

= P (2y − x − h ≤ X(t) ≤ 2y − x, Ty ≤ t)
= P (2y − x − h ≤ X(t) ≤ 2y − x).
Ultima ecuaţie rezulta deoarece ipoteza y > x + h implica 2y − x − h > y,
şi din continuitatea mişcării Browniene, 2y − x − h ≤ X(t) implică faptul că
Ty ≤ t.Prin urmare,

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 .

Fie Z variabila aleatoare normala standard. Definim

Φ(x) = 1 − Φ(x) = P (Z > x).

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).
−∞

Fie Z variabila aleatoare normala standard. Folosind schimbarea de variabila

x − µt − 2y √
w= √ , dx = σ tdw,
σ t
rezulta
P (M (t) ≥ y)
−µt−y
√
σ t
Z
2yµ/σ 2 1 2 /2
=e √ e−w dw
2π
−∞
 
X(t) − µt y − µt
+P √ > √
σ t σ t
   
2yµ/σ 2 −µt − y y − µt
=e P Z< √ +P Z > √
σ t σ t
   
2yµ/σ 2 µt + y y − µt
=e P Z> √ +P Z > √ .
σ t σ t

In demonstratia teoremei 33 am notat cu Ty primul moment la care mişcarea

Browniana este egală cu y. Adica

∞, daca X(t) 6= y, pentru orice t ≥ 0
Ty = .
min(t : X(t) = y), altf el

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

Folosind faptul ca −X(v), v ≥ 0 este un proces de miscare Browniana cu

parametrul de tendinta -µ si parametrul de varianta σ 2 ,obtinem, pentru y > 0,
P (M ∗ (t) ≤ −y)
 
= P min X(v) ≤ −y
0≤v≤t
 
= P − max − X(v) ≤ −y
0≤v≤t
 
= P max − X(v) ≥ y
0≤v≤t
   
−2yµ/σ 2 y − µt µt + y
=e Φ √ +Φ √ ,
σ t σ t
unde in egalitatea finala am folosit Corolarul 34.

4.4 Teorema Cameron-Martin

Pentru un proces de mişcare Browniana cu parametrul de varianta σ 2 ,notam
cu Eµ media luata in ipoteza ca parametrul de tendinta este µ. Astfel, de
exemplu, E0 ar insemna că media este luata in ipoteza ca parametrul de
tendinta al procesului de miscare Browniana este 0. Următorul rezultat este
cunoscut sub numele de teorema Cameron-Martin. (Este un caz special al
unui rezultat mai general, cunoscut sub numele de teorema lui Girsanov.)

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 .

Demonstraţie. W conditionat de X(t),este o variabila aleatoare cu media

µt si varianta tσ 2 . Asadar,
Z∞
1 2 2
Eµ [W ] = Eµ [W |X(t) = x] √ e−(x−µt) /2tσ dx
2πtσ
−∞

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.

5.1 Evaluarea investiţiilor prin media utilitatii

Presupunem că trebuie să alegem una dintre cele două posibile investiţii,
fiecare dintre aceastea putând avea n consecinţe notate c1 ,..., cn . Presupunem
că dacă este aleasă prima investiţie, atunci consecinţa i va rezulta cu probabili-
tatea pi (i = 1, ..., n), iar dacă este aleasăP
a doua, atunci
P consecinţa i va rezulta
cu probabilitatea qi (i = 1, ..., n), unde ni=1 pi = ni=1 qi = 1. Următoarea
abordare poate fi folosită pentru a determina care investiţie trebuie aleasă.
Începem prin a atribui valori numerice diferitelor consecinţe după cum
urmează. Mai ı̂ntâi, identificăm cea mai puţin şi cea mai mult dorită consecinţă,
numită c şi respectiv C; dăm consecinţei c valoarea 0 şi consecinţei C val-
oarea 1. Considerăm oricare dintre celelalte n − 2 consecinţe, notate Ci . Pen-
tru a evalua această consecinţă, ne imaginăm că ni se dă posibilitatea de a
alege ı̂ntre a primi Ci sau să participăm la un experiment aleatoriu din care
câştigăm consecinţa C cu probabilitatea u sau consecinţa c cu probabilitatea
1 − u. Evident, alegerea va depinde de valoarea lui u. Dacă u = 1, atunci
experimentul va avea ca rezultat sigur, consecinţa C; deoarece C este cea mai
dorită consecinţa, vom prefera ı̂n mod clar experimentul ı̂n locul consecinţei
Ci . Pe de altă parte, dacă u = 0, atunci experimentul va rezulta ı̂n cea mai
puţin dorită consecinţă şi anume c, deci ı̂n acest caz vom prefera ı̂n mod clar
consecinţa Ci ı̂n locul experimentului. Acum, deoarece u descreşte de la 1
la 0, pare rezonabil ca alegerea noastră să treacă ı̂ntr-un anumit punct de la
experiment la o anumită returnare a lui Ci , şi ı̂n acel punct critic de schim-
bare vom fi indiferenţi la ce alternativă vom alege. Luăm probabilitatea de
indiferenţă u ca valoarea consecinţei Ci . Cu alte cuvinte, valoarea lui Ci este
probabilitatea u astfel ı̂ncât să fim indiferenţi ı̂ntre a primi consecinţa Ci sau
să participăm la un experiment care returnează consecinţa C cu probabilitatea
u sau consecinţa c cu probabilitatea 1 − u. Numim această probabilitate de
indiferenţă, utilitatea consecinţei Ci şi o notăm ca u(Ci ).
Pentru a determina care investiţie este superioară, trebuie să le evaluăm
pe fiecare ı̂n parte. Considerăm prima, al cărei rezultat este consecinţa Ci cu
probabilitatea pi (i = 1, ..., n). Ne putem gândi că rezultatul acestei investiţii
este determinat de un experiment ı̂n două etape. În prima etapă, una dintre

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

Similar, rezultatul alegerii celei de a doua investiţie este echivalent cu a

lua parte la un experiment ı̂n care se obţine consecinţa C sau c, cu C fiind
obţinut cu probabilitatea
Xn
qi u(Ci ).
i=1
Deoarece C este mai dorit decât c, rezultă că prima investiţie este mai
preferată decât a doua dacă
n
X n
X
pi u(Ci ) > qi u(Ci ).
i=1 i=1

Cu alte cuvinte, valoarea unei investiţii poate fi măsurată prin valoarea

aşteptată a utilităţii consecinţei sale, iar investiţia cu cea mai mare utilitate
aşteptată este cea mai preferată.
În multe investiţii, consecinţele corespund cu obţinerea unei anumite sume
de bani. În acest caz, pentru investitor consecinţa este reprezentată de suma
de dolari, astfel u(x) este utilitatea investitorului de a primi suma x. Numim
u(x) o funcţie de utilitate. Astfel, dacă un investitor trebuie să aleagă ı̂ntre
două investiţii, dintre care prima returnează o sumă X şi a doua o sumă Y ,
atunci investitorul ar trebui să o aleagă pe prima dacă

E[u(X)] > E[u(Y )]

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)

este descrescătoare ı̂n x.

f ig.2
O funcţie de utilitate care satisface această condiţie, se numeşte funcţie
concavă. Se poate arăta că, condiţia de concavitate este egală cu

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.

Propoziţia 36 (Inegalitatea lui Jensen) Dacă U este concavă atunci

E[U (X)] ≤ U (E[X])

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

U (x) = U (µ) + U 0 (µ)(x − µ) + U 00 (τ )(x − µ)2 /2.

Dar U fiind concavă, rezultă că U 00 ≤ 0,

U (x) ≤ U (µ) + U 0 (µ)(x − µ).

În consecinţă,
U (X) ≤ U (µ) + U 0 (µ)(X − µ).

60
Acum, luăm media ı̂n ambele părţi pentru a obţine rezultatul:

E[U (X)] ≤ U (µ) + U 0 (µ)E[X − µ] = U (µ).

Un investitor cu o funcţie de utilitate liniară

u(x) = a + bx, b > 0,

este considerat ca fiind cu risc neutru sau risc-indiferent. Pentru o astfel de

funcţie de utilitate,
E[u(X)] = a + bE[X]
şi astfel rezultă că un investitor cu risc neutru va evalua o investiţie numai
prin returnarea aşteptată.
O funcţie de utilitate obişnuită este funcţia de utilitate log

u(x) = log(x);

vezi Figura 3. Deoarece log(x) este o funcţie concavă, un investitor cu funcţie

de utilitate log, respinge riscul. Aceasta este o funcţie utilitate importantă
deoarece poate fi demonstrat matematic ı̂ntr-o varietate de situaţii că un in-
vestitor care se confruntă cu un şir infinit de investiţii poate maximiza cota de
returnare pe termen lung prin adoptarea unei funcţii de utilitate logaritmică
şi apoi maximizarea utilităţii aşteptate ı̂n fiecare perioadă.
f ig.3
Pentru a ı̂nţelege de ce aceasta este adevărată, presupunem că rezul-
tatul fiecărei investiţii este de a multiplica averea investitorului cu o valoare
aleatoare X. Adică, dacă Wn reprezintă averea investitorului dupa a n-a
investiţie şi dacă Xn este al n-lea factor de multiplicare, atunci

Wn = Xn Wn−1 , n ≤ 1.

Cu W0 reprezentând averea iniţială a investitorului, precedenta implică

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.

Exemplul 37 Un investitor cu capitalul x poate investi orice sumă ı̂ntre 0 şi

x; dacă y este investit, atunci y este câştigat sau pierdut, cu probabilităţile p
şi respectiv 1 − p. Dacă p > 1/2, cât ar trebui să fie investit de un investitor
care are o funcţie de utilitate log?

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.

Aşadar, investitorul ar trebui să investească ı̂ntotdeauna 100(2p − 1) procente

din averea sa. De exemplu, dacă probabilitatea de a câştiga este 0.6, atunci
investitorul ar trebui să investească 20% din averea sa; dacă este 0.7 ar trebui
să investească 40%. (Atunci când p ≤ 1/2 este uşor de verificat că suma
optimă de investit este 0.)
Următorul exemplu adaugă un factor de timp la cel anterior.

Exemplul 38 Să presupunem ı̂n Exemplul 1. că, ı̂n timp ce investiţia αx

trebuie achitată imediat, plata 2αx (dacă are loc) nu are loc decât dupa ce a
trecut o perioadă. Să presupunem, de asemenea, că orice sumă care nu este
investită poate fi pusă ı̂ntr-o bancă pentru a câştiga dobânda r pe perioadă.
Acum, cât ar trebui să investească?

Demonstraţie. Un investitor care investeşte αx şi plasează restul (1 − α)x

ı̂n banca, va avea după o perioadă (1 + r)(1 − α)x ı̂n bancă, iar investiţia va
valora fie 2αx (cu probabilitatea p), fie 0 (cu probabilitatea 1 − p). Aşadar,
valoarea aşteptată a utilităţii averii sale este

plog((1 + r)(1 − α)x + 2αx) + (1 − p)log((1 + r)(1 − α)x)

= log(x) + plog(1 + r − α − αr)

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

u(x) = 1 − e−bx , b > 0.

Exponenţiala este, de asemenea, o funcţie de utilitate care respinge riscul

(Figura 4).

6 Relatii de ordine stochastice

6.1 Dominanţa stochastică de primul ordin
În această capitol introducem relaţii de ordine stochastice. Aceste relaţii pot
fi utile pentru a determina care dintre clasele de investiţii este cea mai bună
fără a specifica complet funcţia de utilitate a investitorului. De exemplu, dacă
câştigul dintr-o investiţie este mai mare decât câştigul dintr-o altă investiţie, ı̂n
sensul dominanţei stochastice de primul ordin, atunci prima investiţie trebuie
să fie preferată pentru orice funcţie de utilitate crescătoare; ı̂n timp ce dacă
primul câştig este mai mare ı̂n sensul dominanţei stochastice de ordinul doi,
atunci prima investiţie trebuie să fie preferată atât timp cât funcţia de utilitate
este concavă şi crescătoare.

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.

Observaţia 39 Deoarece probabilitatea este ˆintodeauna o funcţie continuă

pe evenimente, o definiţie echivalentă ar fi aceea că X ≥st Y dacă P (X ≥
t) ≥ P (Y ≥ t) pentru toţi t.

Propoziţia următoare ne dă o condiţie echivalentă.

Propoziţia 40 X ≥st Y dacă şi numai dacă E[h(X)] ≥ E[h(Y )] pentru toate
funcţiile crescătoare h.

Pentru demonstraţie se folosesc două leme.

Lema 41 Dacă X este o variabilă aleatoare nenegativă, atunci

Z ∞
E[X] = P (X > t)dt.
0

Demonstraţie. Pentru t > 0, definim variabila aleatoare I(t) prin


1, daca t < X
I(t) =
0, daca t ≥ da
Avem,

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 ].

Demonstraţie. Presupunem mai ı̂ntâi că X şi Y sunt variabile aleatoare

nenegative. Din Lema 41 şi definiţia dominanţei stochastice avem
Z∞ Z∞
E[X] = P (X > t)dt ≥ P (Y > t)dt = E[Y ].
0 0

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 −.

Avem, pentru orice t ≥ 0,

P (X + > t) = P (X > t)

≥ P (Y > t) ( deoarece X ≥st Y )

= P (Y + > t).
şi
P (X − > t) = P (−X > t)
= P (X < −t)
≤ P (Y < −t) ( deoarece X ≥st Y )
= P (−Y > t)
= P (Y − > 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

E[X] = E[X + ] − E[X − ] ≥ E[Y + ] − E[Y − ] = E[Y ].

Acum putem demonstra Propoziţia 40.

Demonstraţie. Presupunem că X ≥st Y şi că h este o funcţie crescătoare.
Pentru a arăta că E[h(X)] ≥ E[h(Y )], arătăm mai ı̂ntâi că h(X) ≥st h(Y ).
Acum, pentru orice t, deoarece h este crescătoare, rezultă că există o anumită
valoare - notată cu h−1 (t) astfel ı̂ncât evenimentul h(X) > t este echivalent
fie cu evenimentul X ≥ h−1 (t), fie cu evenimentul X > h−1 (t). (Dacă există
o valoare unică y astfel ı̂ncât h(y) = t, atunci cazul din urmă este reţinut şi
y = h−1 (t).) Presupunând ultimul caz, avem

P (h(X) > t) = P (X > h−1 (t))

≥ P (Y > h−1 (t))

= P (h(Y ) > t).
Deoarece un argument similar ar fi valabil dacă h(X) > t ar fi echivalent
cu X ≥ h−1 (t), rezultă că h(X) ≥st h(Y ). Lema 42 ne spune că E[h(X)] ≥
E[h(Y )].
Reciproc, presupunem că E[h(X)] ≥ E[h(Y )] pentru toate funcţiile crescătoare
h. Pentru t fixat, definim funcţia ht ca

0, daca x ≤ t
ht (x) =
1, daca x > t

Atunci ht (x) este crescătoare, şi deci

E[ht (X)] ≥ E[ht (Y )].

Dar E[ht (X)] = P (X > t) şi E[ht (Y )] = P (Y > t), arătând astfel că X ≥st Y .

6.2 Dominanţa stochastică si cuplajul

O modalitate de a arăta că X ≥st Y este să găsim variabile aleatoare X 0 şi Y 0
astfel ı̂ncât X 0 să aibă aceeaşi distribuţie ca X şi Y 0 să aibă aceeaşi distribuţie
ca Y , astfel ı̂ncât ı̂ntotdeauna este cazul X 0 ≥ Y 0 . Să presupunem că am

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.

Exemplul 43 O variabilă aleatoare Poisson este stochastic crescătoare ı̂n me-

die. Adică o variabilă aleatoare Poisson cu media λ1 + λ2 este stochastic mai
mare decât o variabilă aleatoare cu media λ1 atunci când λi > 0, i = 1, 2.

Demonstraţie. Pentru o variabilă aleatoare Poisson X cu media λ,

∞ −λ i
X e λ
P (X ≥ j) = .
i!
i=j

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.

Lema 44 Dacă F este o funcţie continuă de distribuţie şi U o variabilă

aleatoare uniformă (0, 1), atunci variabila aleatoare F −1 (U ) are funcţia de
distribuţie F , unde F −1 (u) este definită ca fiind acea valoare astfel ı̂ncât
F (F −1 (u)) = u.

Demonstraţie. Deoarece o funcţie de distribuţie este crescătoare, rezultă

că inegalitaţile a ≤ x şi F (a) ≤ F (x) sunt echivalente. Prin urmare,

P (F −1 (U ) ≤ x) = P (F (F −1 (U )) ≤ F (x))

68
 = P (U ≤ F (x))
= F (x).

Propoziţia 45 Dacă X ≥st Y , atunci există variabilele aleatoare X 0 având

aceeaşi distribuţie ca X şi Y 0 având aceeaşi distribuţie ca Y , astfel ı̂ncât X 0 ≥
Y 0.

Demonstraţie. Presupunem că X şi Y sunt continue, cu funcţiile de

distribuţie F şi G, şi că X ≥st Y . Deoarece X ≥st Y inseamnă că F (x) ≤ G(x)
pentru toti x, rezultă că

F (G−1 (u)) ≤ G(G−1 (u)) = u = F (F −1 (u)).

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.

Teorema 46 Fie X1 , . . . , Xn şi Y1 , . . . , Yn vectori de variabile aleatoare in-

dependente şi presupunem că Xi ≥st Yi pentru fiecare i = 1, . . . , n. Arătăm
că g(X1 , . . . , Xn ) ≥st g(Y1 , . . . , Yn ) pentru orice g(x1 , . . . , xn ) crescătoare in
fiecare componentă.

Demonstraţie. Fie g(x1 , . . . , xn ) o funcţie crescătoare. Fie Fi funcţia de

distribuţie a lui Xi şi fie Gi funcţia de distribuţie a lui Yi , pentru i = 1, . . . , n.
Fie U1 , . . . , Un variabile aleatoare independente, uniforme (0,1) şi luăm

Xi0 = Fi−1 (Ui ), Yi0 = G−1

i (Ui ), i = 1, . . . , n.

Deoarece Xi0 ≥ Yi0 pentru orice i, rezultă că

g(X10 , . . . , Xn0 ) ≥ g(Y10 , . . . , Yn0 ).

Rezultatul se obţine deoarece g(X10 , . . . , Xn0 ) are aceeaşi distribuţie ca g(X1 , . . . , Xn )

şi g(Y10 , . . . , Yn0 ) are aceeaşi distribuţie ca g(Y1 , . . . , Yn ).

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 .

Demonstraţie. Presupunem că X şi Y au funcţiile densitate de probabili-

tate f şi g şi presupunem că fg(x)
(x)
↑ x. Pentru orice a, este nevoie să arătăm
că Z Z
f (x)dx ≥ g(x)dx.
x>a x>a

(Integralele precedente trebuie interpretate ca sume când X şi Y sunt variabile

aleatoare discrete). Există două cazuri:

Cazul 1 : f (a) ≥ g(a)

Dacă x > a atunci fg(x)
(x)
≥ f (a)
g(a) ≥ 1. Prin urmare, f (x) ≥ g(x) când x ≥ a,
ceea ce ne dă rezultatul.

Cazul 2 : f (a) < g(a)

Dacă x ≤ a atunci fg(x)(x)
≤ fg(a)
(a) R
< 1, de unde rezultă că x≤a f (x)dx <
R
x≤a g(x)dx, ceea ce implică rezultatul, prin scăderea ambelor părţi ale ine-
galităţii din 1.

Exemplul 48 Fie X o variabilă aleatoare cu funcţia densitate f (x). Funcţia

densitate ft dată de
ft (x) = Cetx f (x)
unde C −1 = ety f (y)dy, este denumită ca fiind o densitate ı̂nclinată ı̂n raport
R

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.

6.4 O problemă de investiţie cu o singură perioadă

Considerăm o situaţie ı̂n care cineva are o avere iniţială w şi trebuie să se
decidă la o sumă y, 0 ≤ y ≤ w, pentru a investi. Presupunem că o investiţie
de mărimea y returnează suma yX + (1 + r)(w − y) la sfârşitul unei perioade,
unde X este o variabilă aleatoare nenegativă având o distribuţe cunoscută şi r
este o dobândă specificată câştigată de suma neinvestită. Mai mult decât atât,
presupunem că, pentru o funcţie de utilitate concavă, crescătoare u, obiectivul
este de a maximiza utilitatea aşteptată a averii la sfârşitul perioadei. Adică,
cu β = 1 + r, obiectivul este de a găsi

M = max E[u(yX + β(w − y))].

0≤y≤w

Acum, presupunem că X este o variabilă aleatoare continuă având funcţia

de densitate f . Atunci

M = max E[u((X − β)y + βw)]

0≤y≤w

Z∞
= max u((x − β)y + βw)f (x)dx.
0≤y≤w
−∞

Diferenţierea termenului din interiorul maximului implică

Z∞
d
u((x − β)y + βw)f (x)dx
dy
0
Z∞
0
= u ((x − β)y + βw)(x − β)f (x)dx
0
Z∞
= h(y, x)f (x)dx
0

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

Următoarele proprietăţi ale lui h(y, x) vor fi necesare ı̂n continuare.

Lema 49 Pentru x fixat, h(y, x) este descrescătoare ı̂n y. În plus,

h(y, x) ≤ 0 daca x ≤ β

h(y, x) ≥ 0 daca x ≥ β

Demonstraţie. Cazul 1: x≤β

h(x, y) ↓ y rezultă ı̂n acest caz din următorul şir de implicaţii:

x ≤ β ⇒ (x − β)y + βw ↓ y

⇒ u0 ((x − β)y + βw) ↑ y (deoarece u este concav) ⇒ u0 (v) ↓ v)

0
⇒ h(y, x) = (x − β)u ((x − β)y + βw) ↓ y.
0
De asemenea, h(y, x) ≤ 0 deoarece x − β ≤ 0 şi u ≥ 0 (deoarece u este
crescatoare).

Cazul 2: x≥β

x ≥ β ⇒ (x − β)y + βw ↑ y

⇒ u0 ((x − β)y + βw) ↓ y (deoarece u0 (v) ↓ v)

0
⇒ h(y, x) = (x − β)u ((x − β)y + βw) ↓ y.
În plus, h(y, x) fiind produsul a doi factori nenegativi este nenegativ.
Acum, considerăm două scenarii pentru un investitor cu o valoare initială
w: unul ı̂n care variabila aleatoare de multiplicare este X1 şi cel de al doilea
ı̂n care variabila aleatoare este X2 , unde X1 are funcţia de densitate f şi X2
are funcţia de densitate g. În ce condiţii pentru f şi g suma optimă investită
ı̂n primul scenariu, ar fi ı̂ntotdeauna cel puţin la fel de mare ca suma op-
timă investită ı̂n al doilea scenariu pentru orice funcţie de utilitate concavă,
crescătoare? Adică când yf ≥ yg ? Deşi s-ar putea ghici iniţial că ar fi suficient
ca X1 să fie stochastic mai mare decât X2 , aceasta nu este adevărată aşa cum
va fi demonstrat ı̂n exemplul următor.

72
Exemplul 50 Presupunem că funcţia utilă este

x, daca x ≤ 100
u(x) =
100, daca x > 100

Dacă presupunem că

P (X1 = 4) = P (X1 = 0) = 1/2

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

Astfel, este suficient să arătăm că

Z∞
h(yg , 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

Dacă x ≤ β, atunci fg(x)

(x)
≤ fg(β)
(β)
şi obţinem f (x) ≤ fg(β)
(β)
g(x).
De asemenea, dacă x ≤ β, atunci din Lema 49, h(yg , x) ≤ 0. Prin urmare,

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

Astfel, din (2) şi (3), obţinem

Z∞ Z∞
f (β)
h(yg , x)f (x)dx ≥ h(yg , x)g(x)dx = 0
g(β)
0 0

şi rezultatul este demontrat.

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.

Definiţia 52 Spunem că X domină de ordinul doi Y , notat cu X ≥icv Y ,

dacă
E[h(X)] ≥ E[h(Y )]
pentru toate funcţiile h care sunt crescătoare şi concave.

Observaţia 53 1. Notaţia X ≥icv Y este folosită deoarece terminologia X

care domină de ordinul doi Y este echivalentă cu faptul ca X este stochastic
mai mare decât Y ı̂n sens crescător, concav.
2. Dacă X are media E[X], atunci rezultă din inegalitatea lui Jensen că
variabila aleatoare constantă E[X] domină de ordinul doi X.

Pentru o valoare specificată a lui a, fie funcţia ha definită ca:


x, daca x ≤ a
ha (x) =
a, daca x > a

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))

obţinem aplicând Lema 41 variabilei aleatoare nenegative a − ha (X), că

E[ha (X)] = a − E[a − ha (X)]

Z∞
=a− P (a − ha (X) > t)dt
0
Z∞
=a− P (ha (X) < a − t)dt
0

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))
−∞ −∞

De fapt, se poate demonstra că rezultatul anterior este o condiţie suficientă

pentru X ≥icv Y . Aceasta este următoarea teoremă.
Teorema 54 X domină stochastic de ordinul doi Y dacă şi numai dacă (4)
este adevarată.
Deşi rezultatul anterior ne dă o condiţie necesară şi suficientă pentru ca o
variabilă aleatoare să domine de ordinul doi altă variabilă aleatoare, nu o vom
folosi pentru dominanţa de ordinul doi a variabilelor aleatoare normale.

6.5.1 Variabile aleatoare normale

În acest subcapitol se va face referire la a arăta că o variabilă aleatoare normală
creşte ı̂n medie şi descreşte ı̂n varianţa sa ı̂n sens de dominare stochastică de
ordinul doi. Adică următoarea teoremă este adevărată.
Teorema 55 Dacă Xi , i = 1, 2 sunt variabile aleatoare normale cu mediile
µi şi varianţele σi2 , atunci
µ1 ≥ µ2 , σ1 ≤ σ2 ⇒ X1 ≥icv X2 .
Pentru a demonstra teorema anterioară, mai ı̂ntâi demonstrăm propoziţia
următoare. Aceasta afirmă că orice două funcţii crescătoare de o variabilă
aleatoare X au o corelaţie nenegativă.
Propoziţia 56 Dacă f (x) şi g(x) sunt două funcţii crescătoare ı̂n x, atunci
pentru orice variabilă aleatoare X
E[f (X)g(X)] ≥ E[f (X)]E[g(X)].
Dacă una dintre funcţiile f sau g este crescătoare şi cealaltă este descrescătoare,
atunci
E[f (X)g(X)] ≤ E[f (X)]E[g(X)].

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,

(f (X) − f (Y ))(g(X) − g(Y )) ≥ 0

sau echivalent,

f (X)g(X) + f (Y )g(Y ) ≥ f (X)g(Y ) + f (Y )g(X).

Luând mediile, rezultă

E[f (X)g(X)] + E[f (Y )g(Y )] ≥ E[f (X)g(Y )] + E[f (Y )g(X)].

Deoarece X şi Y sunt independente, rezultatul anterior implică

E[f (X)g(X)] + E[f (Y )g(Y )] ≥ E[f (X)]E[g(Y )] + E[f (Y )]E[g(X)].

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

2E[f (X)g(X)] ≥ 2E[f (X)]E[g(X)]

ceea ce este rezultatul dorit.

De asemenea, când f este descrescătoare şi g crescătoare, rezultatul ante-
rior implică
E[−f (X)g(X)] ≥ E[−f (X)]E[g(X)].
Înmulţind ambele părţi cu −1 obţinem că

E[f (X)g(X)] ≤ E[f (X)]E[g(X)]

ceea ce ı̂ncheie demonstraţia.

De asemenea, avem nevoie de lema următoare.

Lema 57 Dacă E[X] = 0 şi c ≥ 1 este o constantă, atunci X ≥icv cX.

Demonstraţie. Fie h o funcţie crescătoare, concavă şi fie c ≥ 1. Dezvoltarea

ı̂n serie Tylor a lui h(cx) ı̂n jurul lui x ne dă că pentru un w cuprins ı̂ntre x
şi cx,
0 00
h(cx) = h(x) + h (x)(cx − x) + h (w)(cx − x)2 /2!

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).

Luând mediile rezultă

0
E[h(cX)] = E[h(X)] + (c − 1)E[Xh (X)]
0
≤ E[h(X)] + (c − 1)E[X]E[h (X)]
= E[h(X)]
unde a doua inegalitate este dată de Propoziţia 56 deoarece f (x) = x este
0
o funcţie crescătoare şi deoarece h este convacă, h (x) este o funcţie de-
screscătoare ı̂n x, şi inegalitatea finală rezultă deoarece E[X] = 0.
Acum putem demonstra Teorema 55.
Demonstraţie. Presupunem că µ1 ≥ µ2 şi σ1 ≤ σ2 . Fie Z o variabilă
aleatoare normală cu media 0 şi varianţa 1. Cu c = σσ21 ≥ 1, rezultă din Lema
57 că σ1 Z ≥icv = cσ1 Z = σ2 Z. Acum, fie h(x) o funcţie concavă şi crescătoare
ı̂n x. Atunci,
E[h(µ1 + σ1 Z)] ≥ E[h(µ2 + σ1 Z)]
≥ E[h(µ2 + σ2 Z)]
(deoarece µ1 ≥ µ2 şi h este crescătoare) unde inegalitatea finală rezultă
deoarece g(x) = h(µ2 + x) este o funcţie concavă şi crescătoare ı̂n x, si
σ1 Z ≥icv σ2 Z. Rezultatul se obţine deoarece µi +σi Z este o variabilă aleatoare
normală cu media µi şi varianţa σi2 .

6.5.2 Mai multe despre dominanţa de ordinul doi

Un rezultat util despre dominanţa de ordinul doi este că dacă X1 , . . . , Xn c si
Y1 , . . . , Yn sunt vectori aleatori independenţi, atunci dacă Xi domină stochastic
de ordinul doi Yi pentru orice i, suma lui Xi domină stochastic de ordinul doi
suma lui Yi .

Teorema 58 Fie X1 , . . . , Xn şi Y1 , . . . , Yn doi vectori de n variabile indepen-

dente. Dacă Xi ≥icv Yi pentru fiecare i = 1, . . . , n, atunci
n
X n
X
Xi ≥icv Yi .
i=1 i=1

78
 Demonstraţie. Fie h o funcţie crescătoare concavă. Trebuie să arătăm că
Xn Xn
E[h( Xi )] ≥ E[h( Yi )].
i=1 i=1

Demonstraţia se face prin inducţie după n. Deoarece rezultatul este adevărat

pentru n = 1, presupunem că este adevărat oricând vectorii aleatorii sunt
de mărimea n − 1. Luăm doi vectori de variabile aleatoare independente:
X1 , . . . , Xn şi Y1 , . . . , Yn . În plus, presupunem fără pierderea generalităţii
că aceşti vectori sunt independenţi unul de celălalt. (Este ”fără pierderea
generalităţii” deoarece, presupunând că cei doi P vectori sunt independenţi unul
faţă de celălalt, nu afectează valorile lui E[h( ni=1 Xi )] şi E[h( ni=1 Yi )], şi
P
astfel o demonstraţie care presupune independenţa vectorului este suficientă
pentru a demonstra rezultatul.)
Pentru a ı̂ncepe, arătăm că
n
X n−1
X
Xi ≥icv Yi + Xn .
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

şi din aceasta rezultă că

n n−1
" !# " !#
X X
E h Xi ≥ E h Xn + Yi .
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

Pentru asta, observăm că

n−1 n−1
" ! #
X X
E h Yi + Xn | Yi = y
i=1 i=1
n
X n−1
X
= E[hy (Xn )] ≥ E[hy (Yn )] = Eh Yi | Yi = y
i=1 i=1
unde inegalitatea este dată de faptul că hy este o funcţie crescătoare, concavă
şi egalităţile sunt date de independenţa variabilelor aleatoare. Dar rezultatul
anterior arată că
n−1
" ! n−1 # " n
! n−1 #
X X X X
E h Yi + Xn | Yi ≥ E h Yi | Yi .
i=1 i=1 i=1 i=1

Luând media rezultă că

n−1 n
" !# " !#
X X
E h Yi + Xn ≥E h Yi .
i=1 i=1

Prin urmare, n−1

P Pn
i=1 Yi + Xn ≥icv i=1 Yi , şi demonstraţia este completă.
Modele de optimizare

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.

7.1 Modelul de optimizare determinist

Să presupunem că avem m dolari de investit ı̂n n proiecte şi investind x ı̂n
proiectul i obţinem profitul fi (x), i = 1, .., n.
Problema constă ı̂n determinarea valorilor ı̂ntregi pe care să le investim
ı̂n fiecare proiect pentru a maximiza suma profiturilor. Dacă notam cu xi
suma investită ı̂n proiectul i, atunci problema noastră (din punct de vedere
matematic) este

să alegem intregi nenegati x1 , ..., xn

n
X
astf el ı̂ncât xi = m,
i=1
n
X
să max imizeze fi (xi )
i=1

7.1.1 Un model de soluţie generală bazat pe programarea dinamică

Pentru rezolvarea problemei precedente notăm cu Vi suma maximă a prof-
iturilor când avem un total x de investit ı̂n proiectele 1, ..., j. Cu această
notaţie, Vn (m) reprezintă valoarea maximă a problemei din secţiunea 2.

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

V2 (x) = max {f2 (y) + V1 (x − y)}

06y6x

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

Vj (x) = max {fj (y) + Vj−1 (x − y)}

06y6x

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.

[4] Pliska, S.R., Introduction to Mathematical Finance: Discrete Time Mod-

els, Blackwell, 1997.

[5] Roşiu, M., Kessler, P., Introducere ı̂n Teoria Măsurii, Editura Universi-
taria Craiova, 2006.

[6] Ross, S.M., An Elementary Introduction to Mathematical Finance, Third

Edition, Cambridge University Press, 2011.

[7] Ross, S.M., Introductory statistics, Academic Press, 2010.

[8] Roberts, A.J., Elementary Calculus of Financial Mathematics,Society for

Industrial and Applied Mathematics.

[9] Shreve, S.E., Stochastic calculus and Finance I: Binomial Model,

Springer, 2004.

[10] Tudor, C., Elemente de teoria proceselor stocastice cu aplicaţii ı̂n finanţe,
Academia de Studii Economice, Bucureşti, 1999.

84