布朗运动 Brownian Motion:定义在概率测度空间 ( Ω , F , P ) (\Omega,\,\mathcal{F},\,\mathbb{P}) (Ω,F,P) 上的实值随机过程 { B t } t ∈ T \{B_t\}_{t\in T} {Bt}t∈T 称为布朗运动,若满足:
第三点正态分布可以被弱化为:
此时称为 Wiener 过程,可以证明 Wierner 过程和布朗运动是等价的。
(可以考虑把 t − s t-s t−s 分成无限多小段,然后用中心极限定理)
① t → B t ( ω ) t\to B_t(\omega) t→Bt(ω) 是连续但处处不可微的函数;
② 布朗运动具有无限变差和有限二次变差,即对于任意时间区间 [ 0 , t ] [0,\,t] [0,t] 和样本路径 ω \omega ω ,都有:
P − lim max ∣ Δ t i ∣ → 0 ∑ i = 0 n [ B t i + 1 ( ω ) − B t i ( ω ) ] 2 = t P − lim max ∣ Δ t i ∣ → 0 ∑ i = 0 n ∣ B t i + 1 ( ω ) − B t i ( ω ) ∣ = ∞ \begin{align} \mathbb{P}-\lim\limits_{\max|\Delta t_i|\to 0} \sum\limits_{i=0}^n\left[ B_{t_{i+1}}(\omega) - B_{t_{i}}(\omega) \right]^2=t \\ \mathbb{P}-\lim\limits_{\max|\Delta t_i|\to 0} \sum\limits_{i=0}^n\left| B_{t_{i+1}}(\omega) - B_{t_{i}}(\omega) \right|=\infty \\ \end{align} P−max∣Δti∣→0limi=0∑n[Bti+1(ω)−Bti(ω)]2=tP−max∣Δti∣→0limi=0∑n∣Bti+1(ω)−Bti(ω)∣=∞
其中 0 = t 0 < t 1 < ⋯ < t n = t 0=t_0
证明在我的另一个专门讲 随机过程 布朗运动 的博客里有~
有两种方法可以产生布朗运动:
Approach 1:令 { ξ i } \{\xi_i\} {ξi} 为一列独立同分布的、具有 0 均值和单位标准差的随机变量。记 S n = ∑ i = 0 n ξ i S_n=\sum\limits_{i=0}^{n}\xi_i Sn=i=0∑nξi ,则由中心极限定理可知, S n n ∼ dist N ( 0 , 1 ) \frac{S_n}{\sqrt{n}}\stackrel{\text{dist}}{\sim}N(0,\,1) nSn∼distN(0,1) 。对于 ∀ t > 0 \forall t>0 ∀t>0 ,令:
B n ( t ) = S [ n t ] t → dist N ( 0 , t ) B_n(t)=\frac{S_{[nt]}}{\sqrt{t}} \stackrel{\text{dist}}{\to}N(0,\,t) Bn(t)=tS[nt]→distN(0,t)
该方法比较繁琐,对于每个时刻需要采样更多的 ξ i \xi_i ξi ,且得到的图像的时刻是离散的 。
Approach 2:令 { Z m } m = 0 ∞ \{Z_m\}_{m=0}^{\infty} {Zm}m=0∞ 是独立同分布的、服从标准正态分布的随机变量序列。令:
B ( t ) = t π Z 0 + 2 π ∑ m = 1 ∞ sin m t m Z m → dist N ( 0 , t ) B(t)=\frac{t}{\sqrt{\pi}}Z_0+\sqrt{\frac{2}{\pi}}\sum\limits_{m=1}^{\infty}\frac{\sin{mt}}{m}Z_m \stackrel{\text{dist}}{\to}N(0,\,t) B(t)=πtZ0+π2m=1∑∞msinmtZm→distN(0,t)
该方法生成的图像是连续的,对 { Z m } m = 0 ∞ \{Z_m\}_{m=0}^{\infty} {Zm}m=0∞ 的一次采样相当于选择了一个样本路径 ω \omega ω 。要证明其为标准布朗运动, 只需要验证其是否服从正态分布。我们用特征函数来验证:
Θ B ( s ) = E [ e − s B ( t ) ] = E [ e − s t π Z 0 ] ⋅ ∏ m = 1 ∞ E [ e − s 2 π sin m t m Z m ] \Theta_B(s)=E[\mathrm{e}^{-sB(t)}]=E[\mathrm{e}^{-\frac{st}{\sqrt{\pi}}Z_0}] \cdot \prod_{m=1}^{\infty}E[\mathrm{e}^{-s\sqrt{\frac{2}{\pi}}\frac{\sin{mt}}{m}Z_m}] ΘB(s)=E[e−sB(t)]=E[e−πstZ0]⋅m=1∏∞E[e−sπ2msinmtZm]
正态分布的特征函数为:
Θ N ( s ) = e − s μ − 1 2 s 2 σ 2 \Theta_N(s)=\mathrm{e}^{-s\mu-\frac{1}{2}s^2\sigma^2 } ΘN(s)=e−sμ−21s2σ2
则:
E [ e − s t π Z 0 ] = e − s 2 π t 2 2 E[\mathrm{e}^{-\frac{st}{\sqrt{\pi}}Z_0}]=\mathrm{e}^{-\frac{s^2}{\pi}\frac{t^2}{2}} E[e−πstZ0]=e−πs22t2
E [ e − s 2 π sin m t m Z m ] = e − s 2 π sin 2 m t m 2 E[\mathrm{e}^{-s\sqrt{\frac{2}{\pi}}\frac{\sin{mt}}{m}Z_m}]=\mathrm{e}^{-\frac{s^2}{\pi}\frac{\sin^2{mt}}{m^2}} E[e−sπ2msinmtZm]=e−πs2m2sin2mt
则:
Θ B ( s ) = e − s 2 π t 2 2 − ∑ m = 1 ∞ s 2 π sin 2 m t m 2 = e − s 2 π ( t 2 2 + ∑ m = 1 ∞ sin 2 m t m 2 ) \Theta_B(s)= \mathrm{e}^{-\frac{s^2}{\pi}\frac{t^2}{2}-\sum\limits_{m=1}^{\infty}\frac{s^2}{\pi}\frac{\sin^2{mt}}{m^2}} =\mathrm{e}^{-\frac{s^2}{\pi}(\frac{t^2}{2}+\sum\limits_{m=1}^{\infty}\frac{\sin^2{mt}}{m^2})} ΘB(s)=e−πs22t2−m=1∑∞πs2m2sin2mt=e−πs2(2t2+m=1∑∞m2sin2mt)
已知级数:
∑ m = 1 ∞ sin 2 m t m 2 = π t 2 − t 2 2 , t ∈ [ 0 , π ] \sum\limits_{m=1}^{\infty}\frac{\sin^2{mt}}{m^2}=\frac{\pi t}{2}-\frac{t^2}{2},\quad t\in [0,\,\pi] m=1∑∞m2sin2mt=2πt−2t2,t∈[0,π]
因此:
Θ B ( s ) = e − 1 2 s 2 t \Theta_B(s)=e^{-\frac{1}{2}s^2t} ΘB(s)=e−21s2t
即 B ( t ) ∼ N ( 0 , t ) B(t)\sim N(0,\,t) B(t)∼N(0,t) ,证毕。
带漂移的布朗运动: x t = x + μ t + σ B t x_t=x+\mu t+\sigma B_t xt=x+μt+σBt ,有:
P { x t ≤ y ∣ x 0 = x } = P { B t ≤ y − x − μ t σ ∣ B 0 = 0 } = Φ ( y − x − μ t σ t ) P\{x_t\leq y\,|\,x_0=x\}=P\{B_t\leq \frac{y-x-\mu t}{\sigma}\,|\,B_0=0\}=\Phi(\frac{y-x-\mu t}{\sigma\sqrt{t}}) P{xt≤y∣x0=x}=P{Bt≤σy−x−μt∣B0=0}=Φ(σty−x−μt)
还满足以下性质:
其中:
E [ ( x t − x ) 2 ] = E [ μ 2 t 2 + σ 2 B t 2 + 2 μ t σ B t ] = σ 2 t + μ 2 t 2 E\left[ (x_t-x)^2 \right]=E[\mu^2t^2+\sigma^2B_t^2+2\mu t\sigma B_t]=\sigma^2t+\mu^2t^2 E[(xt−x)2]=E[μ2t2+σ2Bt2+2μtσBt]=σ2t+μ2t2
止盈止亏问题 Gambler’s Ruin Problem:刚开始时手上持有一些股票,股票初始价格为 x 0 = x ∈ ( a , b ) x_0=x\in (a,\,b) x0=x∈(a,b) ,当价格上升到 b b b 或下降到 a a a 时就平仓。
若股票价格服从带漂移的布朗运动,则记平仓随机停时为:
τ a b = inf { t ≥ 0 , s.t. x t = a or b } \tau_{ab}=\inf \{ t\geq 0,\,\text{s.t.}\, x_t=a\text{ or }b\} τab=inf{t≥0,s.t.xt=a or b}
止盈概率:我们想要计算赚钱的概率,即价格在到达 a 之前首先到达 b 的概率:
f ( x ) = P { x τ a b = b ∣ x 0 = x } f(x)=P\{x_{\tau_{ab}}=b\,|\,x_0=x\} f(x)=P{xτab=b∣x0=x}
对于一段很小的时间 Δ \Delta Δ ,首先到达 b 的概率几乎不变:
f ( x + Δ x ) = P { x τ a b = b ∣ x Δ = x + Δ x } f(x+\Delta x)=P\{x_{\tau_{ab}}=b\,|\,x_{\Delta}=x+\Delta x\} f(x+Δx)=P{xτab=b∣xΔ=x+Δx}
则:
$$
\begin{align}
f(x)=&, E[f(x+\Delta x),|,x_0=x] \
=&, E[f(x)+f’(x)\Delta x+\frac{1}{2}f’'(x)(\Delta x)^2+o(\Delta x)^2,|,x_0=x]
\end{align}
KaTeX parse error: Can't use function '$' in math mode at position 15: 由带漂移的布朗运动性质得,$̲E[\Delta x]=E[x…
f(x)=f(x)+f’(x)\mu\Delta+\frac{1}{2}f’‘(x)\sigma^2\Delta+o(\Delta)
KaTeX parse error: Can't use function '$' in math mode at position 7: 得到关于 $̲f(\cdot)$ 的常微分方…
\left{
\begin{array}{ll}
f’(x)\mu+\frac{1}{2}f’'(x)\sigma^2=0 & x\in(a,,b) \
f(a)=0,\quad f(b)=1
\end{array}
\right.
解得: 解得: 解得:
f(x)=\frac{\mathrm{e}^{-\frac{2\mu x}{\sigma2}}-\mathrm{e}{-\frac{2\mu a}{\sigma2}}}{\mathrm{e}{-\frac{2\mu b}{\sigma2}}-\mathrm{e}{-\frac{2\mu a}{\sigma^2}}} ,\in,(0,,1)
$$
我们可以观察到:
持有时间 Holding time:记退出时间为 V ( x ) V(x) V(x) ,用跟上面一样的技巧得到:
V ( x ) = E [ τ a b ∣ x 0 = x ] V ( x + Δ x ) = E [ τ a b − Δ ∣ x + Δ x ] \begin{align} V(x)=&\,E[\tau_{ab}\,|\,x_0=x] \\ V(x+\Delta x)=&\,E[\tau_{ab}-\Delta\,|\,x+\Delta x] \\ \end{align} V(x)=V(x+Δx)=E[τab∣x0=x]E[τab−Δ∣x+Δx]
有:
V ( x ) = Δ + E [ V ( x + Δ x ) ∣ x 0 = x ] = V ( x ) + ( 1 + V ′ ( x ) μ ) Δ + 1 2 V ′ ′ ( x ) σ 2 Δ + o ( Δ ) \begin{align} V(x)=&\,\Delta+E[V(x+\Delta x)\,|\,x_0=x] \\ =&\,V(x)+(1+V'(x)\mu)\Delta+\frac{1}{2}V''(x)\sigma^2\Delta +o(\Delta) \end{align} V(x)==Δ+E[V(x+Δx)∣x0=x]V(x)+(1+V′(x)μ)Δ+21V′′(x)σ2Δ+o(Δ)
得到 关于 V ( ⋅ ) V(\cdot) V(⋅) 的 ODE:
{ μ V ′ ( x ) + 1 2 σ 2 V ′ ′ ( x ) + 1 = 0 x ∈ ( a , b ) V ( a ) = 0 , V ( b ) = 0 \left\{ \begin{array}{ll} \mu V'(x)+\frac{1}{2}\sigma^2V''(x)+1=0 & x\in(a,\,b) \\ V(a)=0,\quad V(b)=0 \end{array} \right. {μV′(x)+21σ2V′′(x)+1=0V(a)=0,V(b)=0x∈(a,b)
解得:
V ( x ) = 1 m u ( f ( x ) ( b − a ) − x + a ) V(x)=\frac{1}{mu}(f(x)(b-a)-x+a) V(x)=mu1(f(x)(b−a)−x+a)
我们可以观察到,当 a → 0 a\to 0 a→0 , μ = 0 \mu =0 μ=0 , V ( x ) = x ( b − x ) σ 2 V(x)=\frac{x(b-x)}{\sigma^2} V(x)=σ2x(b−x) ,最大值为 x = b 2 x=\frac{b}{2} x=2b 时取到。
几何布朗运动:满足:
x t = x 0 e ( μ − 1 2 σ 2 ) t + σ B t x_t=x_0\mathrm{e}^{(\mu-\frac{1}{2}\sigma^2)t+\sigma B_t} xt=x0e(μ−21σ2)t+σBt
此时有:
有:
$$
\begin{align}
E[x_t]=x_0\mathrm{e}{(\mu-\frac{1}{2}\sigma2)t}E[e^{\sigma B_t}]
\end{align}
使用正态分布的特征函数进行计算,得到: 使用正态分布的特征函数进行计算,得到: 使用正态分布的特征函数进行计算,得到:
E[x_t]=x_0\mathrm{e}{(\mu-\frac{1}{2}\sigma2)t} \times \mathrm{e}{\frac{1}{2}\sigma2t}=x_0\mathrm{e}^{\mu t}
$$
因此 μ \mu μ 的含义为 x t x_t xt 的连续时间增长率。方差的计算方法类似,也需要使用特征函数进行计算。
可以将 ln x t \ln{x_t} lnxt 看作带漂移的布朗运动,代入上边的公式,可以得到:
P { x τ A , B = B ∣ x 0 } = x 0 1 − 2 μ / σ 2 − A 1 − 2 μ / σ 2 B 1 − 2 μ / σ 2 − A 1 − 2 μ / σ 2 P\{x_{\tau_{A,B}}=B\,|\,x_0\}=\frac{x_0^{1-2\mu/\sigma^2}-A^{1-2\mu/\sigma^2}}{B^{1-2\mu/\sigma^2}-A^{1-2\mu/\sigma^2}} P{xτA,B=B∣x0}=B1−2μ/σ2−A1−2μ/σ2x01−2μ/σ2−A1−2μ/σ2
我们假定股票价格 { S t } \{S_t\} {St} 服从以下几何布朗运动:
S t = S 0 exp { ( μ − 1 2 σ 2 ) t + σ B t } S_t=S_0\exp\left\{ \left(\mu-\frac{1}{2}\sigma^2 \right)t+\sigma B_t \right\} St=S0exp{(μ−21σ2)t+σBt}
改写为:
S t = S 0 exp { ( r − 1 2 σ 2 ) t + σ ( B t + μ − r σ t ) } S_t=S_0\exp\left\{ \left(r-\frac{1}{2}\sigma^2 \right)t+\sigma\left(B_t+\frac{\mu-r}{\sigma}t\right) \right\} St=S0exp{(r−21σ2)t+σ(Bt+σμ−rt)}
令 B t ∗ = B t + μ − r σ t B_t^*=B_t+\frac{\mu-r}{\sigma}t Bt∗=Bt+σμ−rt ,考虑以下概率测度变换:
ξ t ≡ d Q d P = exp { − μ − r σ B t − 1 2 ( μ − r σ ) 2 t } \xi_t\equiv \frac{d\,\mathbb{Q}}{d\,\mathbb{P}}=\exp\left\{ -\frac{\mu-r}{\sigma}B_t-\frac{1}{2}\left( \frac{\mu-r}{\sigma} \right)^2t \right\} ξt≡dPdQ=exp{−σμ−rBt−21(σμ−r)2t}
可以算出来 E P [ ξ t ] = 1 E_{\mathbb{P}}[\xi_t]=1 EP[ξt]=1 且 ξ t > 0 \xi_t >0 ξt>0 。
在风险中性概率测度 Q \mathbb{Q} Q 下有:
E Q [ e − s B t ∗ ] = E P [ ξ t e − s B t ∗ ] = e − ( μ − r σ ) t ( s + 1 2 μ − r σ ) E P [ e − ( μ − r σ + s ) B t ] = e 1 2 s 2 t \begin{align} \mathbb{E_Q}[\mathrm{e}^{-sB^*_t}] =&\,\mathbb{E_P}[\xi_t\mathrm{e}^{-sB^*_t}] \\ =&\, \mathrm{e}^{-\left( \frac{\mu-r}{\sigma} \right)t\left( s+\frac{1}{2}\frac{\mu-r}{\sigma} \right)}\mathbb{E_P}[\mathrm{e}^{-\left( \frac{\mu-r}{\sigma}+s \right)B_t}] \\ =&\, \mathrm{e}^{\frac{1}{2}s^2t} \end{align} EQ[e−sBt∗]===EP[ξte−sBt∗]e−(σμ−r)t(s+21σμ−r)EP[e−(σμ−r+s)Bt]e21s2t
因此 B t ∗ B^*_t Bt∗ 在风险中性概率测度 Q \mathbb{Q} Q 下服从标准布朗运动,股票价格可以写成:
S t = S 0 exp { ( r − 1 2 σ 2 ) t + σ B t ∗ } S_t=S_0\exp\left\{ \left(r-\frac{1}{2}\sigma^2 \right)t+\sigma B_t^* \right\} St=S0exp{(r−21σ2)t+σBt∗}
考虑在该股票上的欧式看涨期权(无 dividend),根据无套利理论,期权的定价为风险中性概率测度下未来期望收益的贴现值,即:
C 0 = e − r T E Q [ ( S T − X ) + ] C_0=\mathrm{e}^{-rT}\mathbb{E_Q}[(S_T-X)^+] C0=e−rTEQ[(ST−X)+]
其中:
我们有
S t = S 0 e ( r − 1 2 σ 2 ) t + σ B t ∗ = S 0 e ( r − 1 2 σ 2 ) t + σ t Z > X ⇒ Z > ln X / S 0 − ( r − 1 2 σ 2 ) t σ t = − d 2 \begin{aligned} &\,S_t=S_0\mathrm{e}^{(r-\frac{1}{2}\sigma^2)t+\sigma B_t^*}=S_0\mathrm{e}^{(r-\frac{1}{2}\sigma^2)t+\sigma\sqrt{t}Z}>X \\ \Rightarrow &\, Z>\frac{\ln{X/S_0}-(r-\frac{1}{2}\sigma^2)t}{\sigma\sqrt{t}}=-d_2 \end{aligned} ⇒St=S0e(r−21σ2)t+σBt∗=S0e(r−21σ2)t+σtZ>XZ>σtlnX/S0−(r−21σ2)t=−d2
其中 Z ∼ N ( 0 , 1 ) Z\sim N(0,\,1) Z∼N(0,1) , f ( x ) f(x) f(x) 为标准正态分布的概率密度函数,则:
C 0 = e − r t E Q [ ( S t − X ) + ] = e − r t ∫ − d 2 ∞ ( S t − X ) f ( z ) d z = e − r t ∫ − d 2 ∞ S t f ( z ) d z − X e − r t N ( d 2 ) \begin{aligned} C_0=&\,\mathrm{e}^{-rt}\mathbb{E_Q}\left[ (S_t-X)^+ \right] \\ =&\,\mathrm{e}^{-rt}\int_{-d2}^{\infty}(S_t-X)f(z)dz \\ =&\,\mathrm{e}^{-rt}\int_{-d2}^{\infty}S_tf(z)dz-X\mathrm{e}^{-rt}N(d_2) \end{aligned} C0===e−rtEQ[(St−X)+]e−rt∫−d2∞(St−X)f(z)dze−rt∫−d2∞Stf(z)dz−Xe−rtN(d2)
其中 N ( ⋅ ) N(\cdot) N(⋅) 为标准正态分布的分布函数。上式右边第一项可变为:
e − r t ∫ − d 2 ∞ S t f ( z ) d z = S 0 e − r t ∫ − d 2 ∞ 1 2 π e ( r − 1 2 σ 2 ) t + σ t z e − 1 2 z 2 d z = S 0 ∫ − d 2 ∞ 1 2 π e − 1 2 ( z − σ t ) 2 d z \begin{aligned} &\,\mathrm{e}^{-rt}\int_{-d2}^{\infty}S_tf(z)dz \\ =&\,S_0\mathrm{e}^{-rt}\int_{-d2}^{\infty}\frac{1}{\sqrt{2\pi}}\mathrm{e}^{(r-\frac{1}{2}\sigma^2)t+\sigma\sqrt{t}z}\mathrm{e}^{-\frac{1}{2}z^2}dz \\ =&\,S_0\int_{-d2}^{\infty}\frac{1}{\sqrt{2\pi}}\mathrm{e}^{-\frac{1}{2}(z-\sigma\sqrt{t})^2}dz \end{aligned} ==e−rt∫−d2∞Stf(z)dzS0e−rt∫−d2∞2π1e(r−21σ2)t+σtze−21z2dzS0∫−d2∞2π1e−21(z−σt)2dz
令 d 1 = d 2 + σ t = ln S 0 / X − ( r + 1 2 σ 2 ) t σ t d_1=d_2+\sigma\sqrt{t}=\frac{\ln{S_0/X}-(r+\frac{1}{2}\sigma^2)t}{\sigma\sqrt{t}} d1=d2+σt=σtlnS0/X−(r+21σ2)t , u = z − σ t u=z-\sigma\sqrt{t} u=z−σt ,则:
= S 0 ∫ − d 1 ∞ 1 2 π e − 1 2 u 2 d u = S 0 N ( d 1 ) =S_0\int_{-d1}^{\infty}\frac{1}{\sqrt{2\pi}}\mathrm{e}^{-\frac{1}{2}u^2}du=S_0N(d_1) =S0∫−d1∞2π1e−21u2du=S0N(d1)
所以该公式的解析解为:
C 0 = e − r T E Q [ ( S T − X ) + ] = S 0 N ( d 1 ) − X e − r T N ( d 2 ) \begin{align} C_0=&\,\mathrm{e}^{-rT}\mathbb{E_Q}[(S_T-X)^+] \\ =&\,S_0N(d_1)-X\mathrm{e}^{-rT}N(d_2) \end{align} C0==e−rTEQ[(ST−X)+]S0N(d1)−Xe−rTN(d2)
其中:( d 1 d_1 d1 对应+, d 2 d_2 d2 对应-)
d 1 , 2 = ln S 0 / X + ( r ± σ 2 / 2 ) T σ T d_{1,\,2}=\frac{\ln{S_0/X}+(r\pm \sigma^2/2)T}{\sigma\sqrt{T}} d1,2=σTlnS0/X+(r±σ2/2)T
同样地,可以得到欧式看跌期权的定价为:
P 0 = e − r T E Q [ ( X − S T ) + ] = X e − r T N ( − d 2 ) − S 0 N ( − d 1 ) \begin{align} P_0=&\,\mathrm{e}^{-rT}\mathbb{E_Q}[(X-S_T)^+] \\ =&\,X\mathrm{e}^{-rT}N(-d_2)-S_0N(-d_1) \end{align} P0==e−rTEQ[(X−ST)+]Xe−rTN(−d2)−S0N(−d1)
由正态分布的性质可得, N ( d i ) + N ( − d i ) = 1 N(d_i)+N(-d_i)=1 N(di)+N(−di)=1 ,因此有 Put-Call Parity:
P 0 + S 0 = C 0 + X e − r T P_0+S_0=C_0+X\mathrm{e}^{-rT} P0+S0=C0+Xe−rT
P 0 + S 0 − D e − r τ = C 0 + X e − r T P_0+S_0-D\mathrm{e}^{-r\tau}=C_0+X\mathrm{e}^{-rT} P0+S0−De−rτ=C0+Xe−rT
S 0 − X ≤ C 0 − P 0 ≤ S 0 − X e − r T S_0-X\leq C_0-P_0\leq S_0-X\mathrm{e}^{-rT} S0−X≤C0−P0≤S0−Xe−rT