Sunteți pe pagina 1din 156

PROCESE STOCHASTICE

Notă introductivă

Cursul îşi propune să acopere un minim de noţiuni necesare înţelegerii modelelor matematice dezvoltate pe piaţa de capital. Materialul este structurat în patru capitole. Primul capitol are ca obiectiv o trecere în revistă a unor noţiuni fundamentale din teoria probabilităţilor la care se fac referiri pe parcusul cursului. Capitolul doi tratează aspecte legate de mişcarea browniană punând accent pe caracterul markovian al acesteia. Capitolul trei este o introducere în calculul stochastic, care ocupă un loc central atât în formularea matematică a problemelor de pe piaţa obligaţiunilor, acţiunilor, contractelor futures, opţiunilor cât şi în rezolvarea lor. In capitolul patru sunt prezentate prin intermediul elementelor de calcul stochastic o serie de rezultate asociate mişcării browniene. Noţiunile teoretice abordate sunt însoţite de aplicaţii din domeniul financiar. Cursul include şi o secţiune de exerciţii şi proiecte ce urmează a fi discutate în cadrul orelor de seminar.

CUPRINS

Pag.

Capitolul 1 - Noţiuni preliminare

4

1.1. Spaţiu de selecţie

4

1.2. Noţiunea de

σ -algebră

4

1.3. Noţiunea de măsură

6

1.4. Noţiunea de probabilitate

8

1.5. Valoarea medie a unei variabile aleatoare

9

1.6. Integrabilitate uniformă

11

1.7. Independenţă

11

1.8. Probabilităţi echivalente

12

1.9. Variabile aleatoare gaussiene

13

1.10. Tipuri de convergenţă

14

1.11. Proces stochastic

17

1.12. Medie condiţionată

19

1.13. Martingale

26

1.14. Timp de oprire

29

1.15. Proces Markov

36

Capitolul 2 - Mişcarea Browniană

38

2.1. Construcţia unei mişcări browniene

39

2.2. Mers aleatoriu

42

2.3. Proprietăţi ale mişcării browniene

44

2.4. Traiectoriile unei mişcări browniene

49

2.5. Proprietatea de martingal

50

2.6. Timp de lovire

52

2.7. Mişcarea browniană multidimensională

54

2.8. Integrala Weiner

55

2.9. Mişcarea browniană geometrică

59

2

Capitolul 3 – Calcul Stochastic

65

3.1. Integrala stochastică

65

3.2. Ecuaţii diferenţiale stochastice

79

3.3. Exemple de porcese Itô

89

Capitolul 4 – Probleme asociate mişcării browniene

103

4.1. Regula de schimbare a probabilităţii

103

4.2. Timp de lovire

112

4.3.Alte probleme asociate mişcării browniene

124

Exerciţii

137

Dicţionar de termeni financiari

142

3

Capitolul 1

Noţiuni preliminare

Capitolul cuprinde noţiuni fundamentale din teoria probabilităţilor ce urmează a fi utilizate pe parcursul cursului: probabilitate, proces stochastic, martingal, timp de oprire.

1.1. Spaţiu de selecţie

Definiţia 1. Fie mulţimea tuturor rezultatelor posibile ale unui experiment aleator oarecare. Elementele mulţimii le numim evenimente elementare iar mulţimea o numim spaţiu de evenimente elementare sau spaţiu de selecţie.

1.2. Noţiunea de σ -algebră

Definiţia 2. Fie o mulţime nevidă. Familia

A

de submulţimi din

se

numeşte algebră, dacă sunt verificate următoarele axiome:

1. A A implică A A , unde A reprezintă complementara mulţimii A , mai

precis, {ω ∈ Ω , ω A};

2. A, B A implică A B A

Observaţie. 1. Din definiţia 2 şi din faptul că Ω = A A rezultă Ω ∈ A . Prin

urmare şi φ A , deoarece φ = Ω ; 2. Cum A B = A B şi A, B A rezultă

A B A .

Definiţia 3. Familia F de submulţimi din se numeşte σ -algebră sau câmp

sau corp borelian de evenimente dacă verifică următoarele axiome:

1. φ F

2. Ω ∈ F

3. Α ∈ F implică

Α ∈ F

4. pentru orice Α , Α

1

2

, Α

3

,

F rezultă

4

U

i

= 1

A F

i

şi

I

i

= 1

A

i

F .

Observaţie. F reprezintă mulţimea evenimentelor asociate experimentului aleator sau altfel spus, F conţine toate submulţimile lui . Exemple de σ -algebre. Fie un spaţiu arbitrar de evenimente elementare.

Cea mai “săracăσ -algebră a spaţiului este submulţimea {φ, } iar cea mai

“bogatăσ -algebră conţine toate submulţimile spaţiului .

Considerăm experimentul clasic ce constă în aruncarea de două ori a unei

monede perfecte. In acest caz, spaţiul de evenimente elementare este mulţimea

Ω = {HH , HT ,TH ,TT} şi folosind definiţia este uşor de verificat că mulţimea F

formată din toate submulţimile spaţiului

sunt σ -algebre.

σ -algebra poate fi interpretată ca informaţia pe care o avem la un anumit

moment, ne spune ce evenimente cunoaştem. In exemplul nostru F este σ -algebra în

care ştim toate rezultatele obţinute în urma aruncării monedei, în timp ce G este

σ -algebra în care ştim numai rezultatul primei aruncări. Presupunem că moneda a fost

aruncată de două ori dar nu cunoaştem rezultatul aruncării, ştim numai dacă rezultatul se

află sau nu în G . De exemplu, se spune că rezultatul aruncării nu este φ dar este în .

şi mulţimea G

= {φ, ,{HH , HT}{, TH ,TT}}

Mai mult se poate spune că rezultatul aruncării nu se află în {HH , HT} dar se află în

{TH ,TT} , cu alte cuvinte ştim doar că rezultatul primei aruncări este T dar nu ştim

nimic despre rezultatul celei de-a doua aruncări. Se spune că σ -algebra G conţine

informaţia până la momentul unu. Analog, putem spune că F conţine informaţia

completă. σ -algebra trivială {φ, } nu conţine informaţii, faptul că rezultatul aruncării

este φ sau se află în nu ne spune nimic despre eveniment.

este σ -algebra (algebra) generată

de mulţimea A . Această familie reprezintă un caz particular al familiilor generate de

} este o partiţie numărabilă a lui adică

partiţii, altfel spus, dacă

A ⊆Ω atunci familia

A =

{

A

1

,

A

2

,

F A ={A, A,φ,}

,

A

n

,

Dacă

A

1

,

A

2

,

,

A

n

,

sunt submulţimi nevide ale lui cu proprietăţile:

Ω= ∪

A

1

A

2

∪ ∪

D

n

, D i

∩ =φ

D

j

, i

j , i, j 1 ,

atunci familia formată din mulţimile reprezentate ca reuniuni finite numărabile de

elemente ale partiţiei şi mulţimea vidă este o σ -algebră.

Propoziţia 1. Orice intersecţie de σ -algebre este o σ -algebră.

5

Observaţie. Afirmaţia nu este adevărată pentru reuniunea de σ -algebre. Mai precis, o reuniune de σ -algebre nu este o întotdeauna o σ -algebră.

două σ -algebre astfel încât G F ( A G implică

Definiţia 4. Fie F

şi G

A F ), atunci G este o sub-σ -algebră a σ -algebreiF .

Definiţia 5. σ -algebra generată de familia de mulţimi F tuturor σ -algebrelor ce conţin F .

este intersecţia

Definiţia 6. Dacă

F şi F sunt două σ -algebre, notăm prin

1

2

F F

1

2

,

σ -algebra generată de familia

ce conţin σ - algebrele

F F

1

2

F .

2

F şi

1

şi reprezintă intersecţia tuturor σ -algebrelor

Propoziţia 2. Fie F o familie de submulţimi ale lui . Atunci există o

σ -algebră minimală, sau altfel spus σ -algebra generată de familia de mulţimi F ,

notată σ (F ), ce conţine toate mulţimile din care este formată familia F .

1.3. Noţiunea de măsură

Definiţia 7. Spaţiul înzestrat cu o σ -algebră F de submulţimi ale lui se

numeşte spaţiu măsurabil sau câmp (borelian) de evenimente şi se notează prin (,F ).

Definiţia 8.

Fie (,F ) şi (E,E ) două spaţii măsurabile. O funcţie

pe cu valori în E este (F,E )- măsurabilă, sau simplu măsurabilă, dacă f

pentru orice A din E, , unde

f

1

()

A

def

{

= ∈Ω

ω

f

()

ω

A}

.

f definită

1

( )F

A

Definiţia 9. Fie (,F ) un spaţiu măsurabil. Se numeşte variabilă aleatoare

reală o funcţie măsurabilă X

definită pe cu valori în R. Altfel spus o funcţie X

pentru care

X

1

( )F

A

oricare ar fi

A

din

B

R

, unde

B

R reprezintă σ - algebra

mulţimilor boreliene din R . Faptul că X este măsurabilă poate fi exprimat şi prin

{ω, X (ω) a}F , pentru orice a real.

Observaţie. Fie G = {φ, ,{HH , HT},{TH ,TT}}. Presupunem că pentru fiecare

eveniment din G ştim dacă acesta are loc sau nu. Atunci dacă variabila aleatoare X

este G -măsurabilă putem calcula valoarea lui X .

6

Revenind la exemplul aruncării monedei de două ori considerăm X numărul de

apariţii ale evenimentului {H} în cele două aruncări. In aceste condiţii X este

. Atunci rezultatul

experimentului este:

F - măsurabilă dar nu este G -măsurabilă. Fie A

a

= ω ∈ Ω , ω

X

{

(

)

a}

{

{

HH HT TH

,

,

HH

}

φ

 

,

dacă

a

0

}

,

dacă

0

<

a

1

,

dacă

1

<

a

2

 

,

dacă

2

<

a

Dacă a = 2 se observă că evenimentul asociat este {HH}. Cum F conţine toate

submulţimile lui rezultă că evenimentul {HH}F . Se observă că pentru orice

valoare a lui a , evenimentul

A a aparţine lui F , deci X este măsurabilă în raport cu

σ -algebra F . Dar, {HH}G , rezultă că există cel puţin o valoare a lui a pentru care

evenimentul

σ -algebra G .

a nu aparţine lui G şi prin urmare X nu este măsurabilă în raport cu

A

Propoziţia 3. Dacă X este o variabilă aleatoare reală G -măsurabilă şi f

este

o funcţie boreliană atunci f (X ) este G -măsurabilă.

Definiţia 10. σ -algebra generată de o variabilă aleatoare X definită pe

(A) , unde

(,F ), notată prin σ (X ), este mulţimea părţilor lui , de forma X

A B

1

R . σ (X ) este inclusă în F .

(X

{X

t ,

1

t

t

Observaţie. O variabilă aleatoare reală X este F măsurabilă dacă σ (X ) F .

Definiţia 11. σ -algebra generată de o familie de variabile aleatoare

) , este intersecţia σ -algebrelor ce conţin familia

[ T])

0,

, notată prin σ

(X

t

,

t

T

(A)}

pentru orice t din [0,T ] şi

AB

R

.

7

1.4. Noţiunea de probabilitate

Definiţia

12.

O

probabilitate

σ -algebra

următoarele axiome:

F de

submulţimi

1.

2.

P() = 1 P(φ) = 0

din

3.

P

U

= 1

n

A

n

 =

n

=

1

(

P A

n

)

, pentru

A

1

pe

cu

,

A

2

,

(,F )

valori

este

în

o

aplicaţie

pe

[0,1], care verifică

P

definită

intervalul

din F , disjuncte două câte două.

Notaţie: Fie

A

din F , atunci putem scrie

(

P A

funcţie definită pe prin

1

A

(ω) = 1

dacă ω A şi

)

=

1

A

dP =

A

(ω) = 0

1

A

dP

, unde

dacă ω A .

1

A

este o

Din definiţia probabilităţii putem obţine o serie de proprietăţi, cum ar fi:

1. P(A)+ P(A)= 1 , pentru orice A

din F

( A reprezintă complementara mulţimii

2.

A );

dacă

A B

B A = B A ;

atunci P(A) P(B) şi P(B) = P(A)(+ P B A), unde

3. dacă

A

n

este un şir crescător (respectiv descrescător) de mulţimi din F

şi

A =

U

n

A

n

,

(respectiv

()

P A

(

= lim P A

n

)

.

A =

I

n

A

n

)

atunci

A

aparţine

σ -algebrei

F

şi

4. teorema clasei monotone: dacă

C

1

C

C

∩ ∈C

2

) şi F

şi Q sunt două probabilităţi pe spaţiul

dintr-o

atunci

este σ -algebra generată de C , atunci P = Q în raport cu

P

probabilistic (,F, P) astfel încât P(A) = Q(A) pentru orice mulţime A

familie

de mulţimi închise la intersecţii finite (dacă

C

C ,C

1

2

F .

Definiţia 13. Spunem despre o mulţime A că este neglijabilă dacă P(A) = 0 .

Definiţia 14. Spunem că o proprietate este adevărată aproape sigur dacă este adevărată cu excepţia unei mulţimi neglijabile.

Definiţia 15. Un spaţiu (,F, P) este complet dacă conţine toate mulţimile A

astfel încât inf{P(B): B F , A B}= 0 .

8

Definiţia 16. Fie

X

o variabilă aleatoare definită pe spaţiul probabilistic

(,F , P). Legea de probabilitate a variabilei aleatoare

X

este probabilitatea

P

X

definită pe (

Definiţia 17. Funcţia de repartiţie a variabilei aleatoare crescătoare definită pe R prin F(x) = P(X x).

R,B

R

)

prin P

X

(A)

=

P{

X

(

)

A}

=

P(X

A)

ω; ω

, pentru orice A din

X

B

R

.

este o funcţie

Definiţia 18. Densitatea unei variabile aleatoare X , notată f (x), este derivata

funcţiei de repartiţie în condiţiile în care această derivată există. Putem scrie

P

(

X

A

)

=

A

f

()

x dx .

Definiţia 19. Dacă două variabile aleatoare au aceeaşi lege de probabilitate sau aceeaşi funcţie de repartiţie sau aceeaşi densitate spunem că sunt egale în lege. Altfel spus, dacă X şi Y sunt două variabile aleatoare pentru care are loc relaţia P(X a)(= P Y a), pentru orice a din R atunci X şi Y au aceeaţi lege de

probabilitate. Notăm X

în lege

=

Y

.

1.5. Valoarea medie a unei variabile aleatoare

Definiţia 20. Valoarea medie a unei variabile aleatoare X , notată E(X ), este

cantitatea

XdP

=

R

xdP

X

(

)

x , în condiţiile în care acestă integrală există.

Observaţie. Există variabile aleatoare pentru care valoarea medie nu poate fi

calculată. Altfel spus, integrala

XdP nu are sens.

Definiţia 21. Spunem că variabila aleatoare X

este integrabilă dacă

X
X

are

media finită ( E X Notaţie: Notăm cu
media finită (
E
X
Notaţie: Notăm cu

<∞

).

L

1

()

mulţimea variabilelor aleatoare integrabile.

Definiţia 22. Analog, media unei funcţii boreliane Φ , cu Φ(X ) integrabilă,

este cantitatea

E

(

Φ

(

X

))

= Φ

()

X dP

= Φ

R

(

)

x dP

X

(

x

)

.

Dacă variabila aleatoare X admite o densitate f atunci au loc relaţiile:

(

E X

)

=

R

xf

()

x dx

şi

E

(

Φ

9

(

X

))

= Φ

R

(

)

x f

(

x

)

dx .

Cunoaştem legea de probabilitate a variabilei aleatoare X dacă pentru orice funcţie boreliană mărginită Φ cunoaştem valoarea medie E(Φ(X )). Dacă X şi Y sunt

este o funcţie boreliană mărginită atunci egalitatea

două variabile aleatoare şi

Φ

E(Φ(X )) = E(Φ()Y ) implică egalitatea în lege a variabilelor aleatoare X şi Y .

Observaţie. Egalitatea în lege nu implică egalitatea aproape sigură. De exemplu, dacă X este o variabilă gaussiană a cărei valoare medie este 0, atunci are loc egalitatea

în lege

dar nu şi egalitatea aproape sigură. Pentru a avea egalitate în lege este

suficient ca egalitatea E(Φ(X )) = E(Φ(Y )) să fie verificată pentru o clasă suficient de

X

=−

X

mare de funcţii, cum ar fi funcţiile de forma

e λ

x

, unde λ R .

funcţia

Definiţia 23. Funcţia caracteristică a unei variabile aleatoare reale

( )

ψ t

=

(

E e

itX

)

=

e

R

itx

P

X

(

dx

)

este

(transformata Fourier a legii de probabilitate a

X

lui X ) . Dacă variabila aleatoare X admite o densitate f (x) atunci funcţia sa caracteristică este

dată de expresia

R

e

itx

(

)

f x dx . Funcţia caracteristică descrie legea de probabilitate a unei

variabilei aleatoare . Dacă transformata Fourier ψ

aparţine spaţiului

L

1

(dx)

atunci

densitatea asociată în mod unic este dată de formula f (x)

1

= 2

π

−∞

e

itx

(t)dt .

φ

Legea unei variabile aleatoare poate fi descrisă şi de transformata Laplace

()

def E e λ

(

X

)

Ψ λ =

. Pentru a cunoaşte legea de probabilitate a unei perechi de variabile

(X ,Y ) este suficient să cunoaştem valoarea medie E(exp(λX + µY )) pentru orice

pereche (λ, µ).

(

N m,σ

(

E e

λ

X

)

Exemplu. X este o variabilă gaussiană a cărei lege de probabilitate este

dacă şi numai dacă transformata Laplace este dată de expresia

2

)

= exp

λ

m

+

2

λσ

2

2

.

Proprietăţi ale mediei unei variabile aleatoare:

1. E(aX + bY ) = aE()X

+ bE(Y ) pentru oricare două constante reale a şi b ;

10

2. Dacă

X şi Y sunt două variabile aleatoare astfel încât

atunci E(X ) E()Y ;

X Y

aproape sigur

3. Inegalitatea lui Jensen: dacă X este o variabilă aleatoare şi dacă Φ este o

funcţie convexă astfel încât Φ(X ) este integrabilă atunci E(Φ(X )) ≥ Φ(E()X ).

1.6. Integrabilitate uniformă

Definiţia

integrabilă dacă

24.

sup

i

O familie ∫ X dP → i X ≥a i
O
familie
X
dP →
i
X
≥a
i

de

variabile

aleatoare

(X

0 pentru a tinzând la .

Dacă există o variabilă aleatoare Y din L

1

(P)

astfel încât

i ∈ i , X i
i
i ,
X i

I

)

Y

i atunci familia de variabile aleatoare (X

i ,

i

I

) este uniform integrabilă.

este

uniform

, pentru orice

1.7. Independenţă

Definiţia 25. Două sub-σ -algebre

F şi F sunt independente dacă are loc

1

2

egalitatea P(A B) = P()()A P B , pentru orice A şi B din

Pentru ca două σ -algebre

loc relaţia P(A B) = P()()A P B

F

1

şi respectiv

F .

2

F

1

şi

F

2

să fie independente este necesar şi suficient să aibă

C i este o

pentru orice A din

C 1 şi B din C , unde

2

familie de mulţimi închise la intersecţie cu

(

σ C

i

)

=F .

i

Definiţia 26. O variabilă aleatoare X şi o sub-σ -algebră G sunt independente

dacă σ (X ), σ -algebra generată de X

aleatoare

independente dacă şi numai dacă are loc egalitatea P{A (X x)}= P()(A P X x)

şi G sunt independente.

X

Propoziţia

4.

O

variabilă

şi o sub-σ -algebră G sunt

pentru orice x din R şi orice A din G .

Observaţie.

Două

variabile

aleatoare

X şi Y sunt independente dacă

σ -algebrele generate σ (X ) şi respectiv σ (Y )sunt independente.

Exemplu. Considerăm experimentul aruncării de două ori a unei monede

şi

perfecte

şi

definim

σ -algebrele:

{

F =φ

1

,

,{HH , HT}{, TH ,TT}}

{

F = φ

2

,

,{HH ,TH}{, HT ,TT}}

.

Deoarece

(

P HH

)

(

= P HT

)

(

= P TH

)

()

= P TT

=

1

4

rezultă F şi

1

F

2

sunt independente.

11

Propoziţia 5. Două variabile aleatoare X şi Y sunt independente dacă şi numai

dacă are loc egalitatea P{(X x)(Y y)}= P(X x)P(Y y) pentru orice x şi y

din R .

Proprietăţi:

1. dacă variabilele aleatoare X şi Y sunt independente atunci E(XY ) = E(X )()E Y .

Reciproca nu este adevărată;

2. dacă variabilele aleatoare X şi Y sunt independente atunci f (X ) şi g(Y ) sunt

independente;

3. dacă variabile aleatoare X şi Y sunt independente atunci media E(ϕ(X ,Y )) este

dată de relaţia: E(ϕ(X ,Y )) = E( f (X )) = E(g(Y )), unde f (x) = E(ϕ()x,Y ) şi

g()y = E(ϕ(X , y)).

Propoziţia 6. Două variabile aleatoare X şi Y sunt independente dacă şi numai

dacă este verificată egalitatea E( f (X )g(Y )) = E( f (X ))E(g(Y )) pentru orice funcţii f

şi g boreliene mărginite.

P

1

Definiţia 27. O familie de sub-σ -algebre (

F ,

i

i

N

) este independentă dacă

A  =

I

≤≤ i

n

i

1

i

≤≤

n

(

P A

i

)

, pentru orice

A

i

din

F i şi pentru orice n .

1.8. Probabilităţi echivalente

Definiţia 28. Două probabilităţi P şi Q definite pe acelaşi spaţiu (,F ) sunt

echivalente dacă are loc relaţia: P(A) = 0 Q(A) = 0 .

Dacă P şi Q sunt două probabilităţi echivalente atunci o proprietate adevărată

P -aproape sigur este adevărată Q -aproape sigur.

Propoziţia 7. Dacă P şi Q sunt două probabilităţi echivalente există o variabilă

numită densitate Radon-

aleatoare Y , strict pozitivă, F -măsurabilă, cu

E

P

(Y ) = 1

Nikodym, astfel încât dQ = YdP , sau altfel scris

Q

(

A

)

=

A

YdP . Reciproc, dacă Y este o

variabilă aleatoare strict pozitivă, F -măsurabilă, pentru care E

E

E

Q

Q

()Z

()Z

=

=

E

E

P

P

(ZY )

(ZY )

se poate obţine în urma calculului următor:

P

, atunci relaţia

defineşte o probabilitate Q , echivalentă cu probabilitatea P . Relaţia

(Y ) = 1

12

E

Q

()

Z

=

ZdQ

=

Z

dQ

dP

dP =

ZYdP = E

P

(

ZY

)

.

o variabilă aleatoare

repartizată Bernoulli definită prin: P(X = 1) = p , P(X = 0) = 1 p . Fie

Y = λX + µ(1 X ) o variabilă aleatoare a cărei valoare medie este 1 pentru

λp + µ(1 p) = 1 , λ , µ > 0 . Fie dQ = YdP atunci Q(X ) = λp . In raport cu

este o variabilă aleatoare cu o repartiţie Bernoulli de parametru

probabilitatea Q ,