- •Случайные события
- •Стохастический мир
- •Случайные величины
- •Совместная и условная вероятности
- •Зависимость и независимость
- •Характеристическая функция
- •Модель аддитивного блуждания
- •Случайные процессы
- •Стохастические уравнения
- •Уравнение Ито
- •Остановка перед восхождением
- •Лемма Ито
- •Точные решения
- •Простые стохастические модели
- •Представление решений
- •Автокорреляция и спектр
- •Порождающий процесс Винера
- •Средние значения
- •Динамическое уравнение для средних
- •Процесс Феллера
- •Логистическое уравнение
- •Вероятности
- •Марковские плотности вероятности
- •Граничные условия
- •Стохастические интегралы
- •Площадь под траекторией Винера
- •Интегралы Ито
- •Интегрирование стохастических уравнений
- •Единственность решений
- •Метод последовательных приближений
- •Системы уравнений
- •Скоррелированные блуждания
- •Системы стохастических уравнений
- •Стохастический осциллятор
- •Линейные многомерные модели
- •Многомерие помогает одномерию
- •Как решать стохастические задачи?
- •Стохастическая природа
- •Теория броуновского движения
- •Стохастический осциллятор
- •Дрожание земной оси
- •Электронный шум
- •Хищники и их жертвы
- •Стохастическое общество
- •Финансовые рынки
- •Эмпирические закономерности
- •Диверсификация
- •Портфель на всю жизнь
- •Опционы
- •Кривая доходности
- •Компьютерное моделирование
- •Статистики
- •Случайные числа
- •Моделирование стохастических процессов
- •Ошибки вычислений и ускорение сходимости
- •Вычисление средних
- •R: Стохастический справочник
- •Основные соотношения теории
- •Системы уравнений с одинаковым шумом
- •M: Математические приложения
- •H: Помощь
- •C: Примечания
- •Рекомендуемая литература
Глава 6
Системы уравнений
Одномерные стохастические уравнения позволяют описывать только сравнительно простые системы. Даже для обычного физического осциллятора необходимо решать систему из двух уравнений первого порядка. Реальность в общем случае многомерна. Она да¼т нам множество примеров достаточно сложных, но исключительно интересных случайных процессов.
Как и в одномерном случае, мы начн¼м с дискретных процессов, обобщение которых на непрерывный случай привед¼т нас к системе стохасти- ческих дифференциальных уравнений. Фактически, эта глава повторяет большинство результатов предыдущих глав. Для тех, кто уверенно владеет тензорной и матричной алгеброй, соответствующие обобщения служат лишь способом повторения уже известного материала. После вывода основных многомерных уравнений будут рассмотрены решения некоторых задач.
151
152 |
Глава 6. |
6.1Скоррелированные блуждания
Прекрасным примером скоррелированных блужданий является фи-
нансовый рынок. На н¼м одновременно изменяются во времени цены тысяч финансовых активов. Их динамика образует n-мерный случайный
процесс x(t) = fx1(t); :::; xn(t)g. Иногда эти активы можно рассматривать независимым образом, однако в большинстве сво¼м они тесно связаны. Подобная связь обычно возникает за сч¼т внешних синхронизирующих факторов новостийного или макроэкономического характера. Например, цены акций компаний из одного сектора экономики ежедневно изменяются достаточно синхронно. Ещ¼ более жесткая связь возникает на рынке деривативов. В этом случае, хотя цена фьючерса или опциона испытывает случайные колебания, она, тем не менее, тесно связана с другой стохастической величиной финансовым активом, лежащим в основе дериватива. В конечном сч¼те, финансовый рынок должен описываться единой, и достаточно большой системой стохастических дифференциальных уравнений.
Рассмотрим сначала два случайных дискретных процесса, накопленные изменения которых равны:
xt = (1) + (2) + ::: + (t) = pt |
|
yt = (1) + (2) + ::: + (t) = pt: |
(6.1) |
Несколько тяжеловесная функциональная запись номера изменения позволит нам не путаться при описании множества процессов. Мы по-прежнему
считаем, что каждое изменение (i) не зависит от предыдущего и являет- p
ся гауссовым. Аналогично для (i). Поэтому суммы равны t, умножен-
ному на гауссову случайную величину, которую для первого процесса мы обозначили через , а для второго через . Однако теперь дополни-
тельно предположим, что на каждом этапе изменения процессы скоррелированы друг с другом:
h (i) (j)i = ij; h (i) (j)i = h (i) (j)i = ij; (6.2)
ãäå ij символ Кронекера, равный единице при i = j и нулю в противном случае. Это очень похоже на фондовый рынок, на котором ежедневные изменения цен двух акций скоррелированы h (1) (1)i = , но
изменения последовательных дней, как для одной бумаги h (1) (2)i, так и попарно h (1) (2)i, практически равны нулю.
Процессы (6.1) со свойствами изменений (6.2) будем называть скоррелированными дискретными винеровскими блужданиями .
Системы уравнений |
153 |
Аналогично одномерному процессу можно вычислить различные соотношения между средними. Так, пусть в момент времени s мы знаем значение xs. Да¼т ли эта информация возможность предсказать yt â íåêî- торый последующий момент t > s? Найд¼м корреляционный коэффициент между xs è yt. Для этого разобь¼м время на два интервала [1; :::; s]
è [s + 1; :::; t]:
xs = p |
|
|
|
|
|
|
|
||
s |
|
|
|
||||||
|
= p |
|
+ 0p |
|
|
|
|
||
y |
s |
t |
|
s: |
|||||
t |
|
|
|
|
|
|
|
|
Величины и пропорциональны накопленным первым s изменениям каждого из процессов. Среднее их произведения тоже равно :
p p
h i s s = (1) + ::: + (s) (1) + ::: + (s) = s ;
так как при перемножении скобок после усреднения выживут только s пар с одинаковыми индексами. Накопленные изменения 0 второго про-
цесса не зависят от предыстории и не скоррелированы ни с , ни с . Поэтому ковариация равна:
cov(yt; xs) = hytxsi = ( ps + 0pt s) ps = s :
Это означает, что в линейной регрессионной модели возникает следующая связь между случайными величинами:
yt |
|
s xs |
|
|
|||||||||
p |
|
= |
p |
|
p |
|
p |
|
+ p |
|
|
=> yt = xs + ; |
|
t |
t |
s |
t |
||||||||||
s |
где, как и раньше, ошибка предсказания модели (случайный шум нашего незнания развития процесса после момента времени s).
По отдельности каждый из процессов это обычное винеровское дискретное блуждание с начальным значением, равным нулю. Если мы знаем ys в момент времени s, то прогноз его в момент t равен yt = ys +
(ñì. ñòð. 36). Если нам известно только начальное значение y0 = 0, то лучшим прогнозом yt будет ноль. В случае, когда процесс xt
îò yt, знание xs нам не поможет для прогноза yt. Однако для скоррелиро- ванных процессов это не так. Если > 0 и xs находится в положительной области, то и yt вероятнее будет находиться там же. Хотя этот прогноз не зависит от того, совпадают ли моменты времени t = s или t s, и величина его ошибки увеличивается со временем t s.
154 |
|
|
|
|
|
|
|
|
|
|
Глава 6. |
Чтобы при помощи компьютера смоделировать скоррелированные |
|||||||||||
блуждания, нам необходимо уметь генерить случайные гауссовы числа c |
|||||||||||
корреляционным коэффициентом между ними. Для этого проще всего |
|||||||||||
взять две нескоррелированные величины "1 è "2 и вычислить следующую |
|||||||||||
их линейную комбинацию (см. стр. 33): |
|
|
|
||||||||
= |
"1 |
|
|
|
|
|
|
= ; |
2 = 2 = 1: |
||
= "1 + 1 2 "2 |
|
|
=> |
|
|||||||
|
случайных величин |
|
è |
|
легко проверить прямым вычислени- |
||||||
Свойства |
p |
|
|
|
|
"i2 |
|
|
|
||
ем, используя соотношения |
"i |
= 0, |
= 1 è |
"1 "2 |
= 0. |
||||||
Ниже на каждом из |
рисунков приведены реализации блуждания двух |
||||||||||
|
|
|
|
|
|
|
|
|
|||
скоррелированных случайных процессов: |
|
|
|||||||||
12 |
|
|
|
|
|
|
|
15 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
=0.9 |
|
|
|
|
|
|
|
|
=-0.9 |
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
0 |
|
100 |
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
100 |
|
|
|
|
|
|
-6 |
|
|
|
|
|
|
|
-20 |
|
|
|
В первом случае коэффициент корреляции достаточно высок = 0:9. Во |
|||||||||||
втором он такой же по модулю, но отрицательный = 0:9. |
|||||||||||
Запишем i-тый стохастический процесс в функциональном виде для |
|||||||||||
индекса времени t: |
|
|
|
|
|
|
|
|
|
|
|
|
xi(t) = i(1) + ::: + i(t) = ipt: |
(6.3) |
|||||||||
Фактически i(k) можно считать не функцией, а просто способом раз- |
|||||||||||
личения гауссовых чисел. Величины (k), (k) относятся к одному мо- |
|||||||||||
менту времени и равны изменению -го и -го процесса. |
|||||||||||
От скоррелированных величин i при помощи матрицы S можно пе- |
|||||||||||
рейти к нескоррелированным "i: i = Sij "j (ñì. x1.6 ñòð. 30). Â ýòîì |
|||||||||||
случае: |
|
|
|
|
|
|
|
|
|
|
|
|
t |
|
|
|
t |
Sij"j(k) = Sij"j pt = S pt; |
|||||
|
xi(t) = |
i(k) = |
k=1 |
||||||||
|
=1 |
|
|
|
|
|
|
|
|
||
|
Xk |
|
|
X |
|
|
|
|
|
|
|
где использованы смешанные обозначения для суммы по k в явном виде |
|||||||||||
и суммы по j в результате его повторения. |
|
|
|||||||||
Случайные величины "j(k) |
j-того процесса в момент времени k не |
||||||||||
зависят друг от друга. Поэтому мы, как обычно, заменяем их нà итоговое |
|||||||||||
суммарное случайное изменение "j, умноженное на фактор pt. |
Системы уравнений |
155 |
В непрерывном пределе мы будем рассматривать m независимых
винеровских блужданий W(t) = (W1(t); :::; Wm(t)), каждое из которых определяется суммой бесконечно большого числа N ! 1 гауссовых
изменений, каждое из которых происходит за бесконечно малое время
t ! 0:
p p p
W (t) = " (1) + ::: + " (N) |
t = " N t ! " t: |
Изменения этих процессов W являются шумом для динамических пе-
ременных x = (x1; :::; xn) той или иной системы. Например, вектор x может представлять собой цены различных инструментов на финансовом рынке или координаты, задающие положение броуновской частицы в тр¼хмерном пространстве.
Обратим внимание на то, что в общем случае количество m порождающих (см. x2.8, ñòð. 72) процессов Винера может быть отлично от числа n интересующих нас случайных функций x. Обычно предполагается, что m 6 n. Например, возможна ситуация, когда один и тот же одномерный шум m = 1 оказывает воздействие на n переменных состояния системы.
Однако чаще у каждой переменной состояния свой шум, и, следовательно, m = n.
Многомерное винеровское блуждание с произвольными сносами и волатильностями можно записать в следующем виде:
xi(t) = i t + iW (t):
По повторяющемуся индексу происходит суммирование, которое пере- мешивает при помощи матрицы i независимые винеровские процессы W (t). В общем случае i = 1; :::; n, а = 1; :::; m. Если n = m и матрица i является диагональной, то xi(t) являются нескоррелированными. Иначе i задают не только волатильности процессов, но и коэффициенты их корреляции.
Аналогично одномерному случаю стохастическое уравнение, которому удовлетворяет этот процесс, имеет вид:
dxi = i dt + i W ;
или в матричных обозначениях:
dx = dt + W;
ãäå = ( 1; ::::; n) вектор сноса, определяющий детерминированную составляющую изменения случайных функций x(t).