Processing math: 12%

반응형

[금융수학] 9. 조건부 기댓값



표본공간 (Ω,F,P)에 F가측 확률변수 X가 주어져 있고, AF는 양의 확률을 갖는 사건이라 하자. E(X|A)E(X|A)=1P(A)AXdP=E(1AX)P(A)라고 정의하고 '사건 A에 대한 X의 조건부 기댓값(conditional expectation)'이라고 한다. 이 조건부 기댓값의 정의에서 X=1B이면 E(X|A)=P(AB)P(A)이고 이것을 E(B|A)로 나타낸다. 


양의 확률을 갖고 배반사건(동시에 일어나지 않는 사건)들 A1,...,An들이 주어져있고, Ω=A1An와 같이 부분집합들로 분할되어 있다고 하자. FA1,...,An으로 생성되는 σ체라고 하면 F0F의 부분 σ체 이다. 이때 새로운 확률변수 E(X|F0)를 다음과 같이 정의한다.E(X|F0)(ω)=E(X|Ai),ωAiE(X|F0)=ni=1E(X|Ai)1Ai이고 이때 E(X|F0)F0에 대해 가측이고, 또한 임의의 BF0에 대해 다음이 성립한다.BE(X|F0)dP=BXdP*참고ΩE(X|F0)dP=Ω(ni=1E(X|Ai)1Ai)dP=ni=1E(X|Ai)P(Ai)=ni=1E(1AiX)P(Ai)P(Ai)=ni=1E(1AiX)=ni=1AiXdP=ΩXdP(일반적인 부분 \sigma-체에 대해 고려하자. 이 경우는 충분히 작은 부분집합 A\in\mathcal{F}_{0}위에서 함수 E(X|\mathcal{F}_{0})의 값을 정의하더라도 A에 포함되는 더 작은 부분집합 B\in\mathcal{F}_{0}위에서 다시 세밀하게 정의해야 하는데 이때\frac{1}{P(B)}\int_{B}{E(X|\mathcal{F}_{0})dP}=\frac{1}{P(B)}\int_{B}{XdP}=E(X|B)이어야 한다. 즉 A=B\cup(A-B)일 때 BA-B위에서의 X의 평균인 E(X|B)E(X|A-B)의 평균값이 E(X|A)가 되어야 한다. 만약 C\in\mathcal{F}_{0}이고 C\subset B인 또다른 부분집합이 존재하면 이 과정을 반복해야 하고, 따라서 E(X|\mathcal{F}_{0})를 추상적으로 정의할 수 밖에 없다. 


다음은 조건부 기댓값의 정의이다. 


표본공간 (\Omega,\,\mathcal{F},\,P)에 정의된 \mathcal{F}-가측 확률변수 X와 부분 \sigma-\mathcal{F}_{0}\subset\mathcal{F}에 대해 가측 확률변수 Y가 존재해서 임의의 A\in\mathcal{F}_{0}에 대해\int_{A}{YdP}=\int_{A}{XdP}가 성립하면 Y\mathcal{F}_{0}에 대한 X의 조건부 기댓값이라 하고, YE(X|\mathcal{F}_{0})로 나타낸다. 이때 조건부 기댓값 Y는 유일하다. 

Y의 유일성의 증명: X=X^{+}-X^{-}\,(X^{+}=\max\{X,\,0\},\,X^{-}=\max\{-X,\,0\})로 나타낼 수 있고, \mathcal{F}_{0}A\in\mathcal{F}_{0}에 대해 \displaystyle Q(A)=\int_{A}{X^{+}dP}라 하자. QP|_{\mathcal{F}_{0}}에 대해 절대연속이므로 라돈-니코딤 정리에 의해 \mathcal{F}_{0}-가측 확률변수 Y^{+}가 존재해서 다음이 성립하고\int_{A}{X^{+}dP}=Q(A)=\int_{A}{Y^{+}dP},\,A\in\mathcal{F}_{0}또한 X^{-}에 대해서도 \mathcal{F}_{0}-가측 확률변수 Y^{-}가 존재해서 다음이 성립한다.\int_{A}{X^{-}dP}=\int_{A}{Y^{-}dP},\,A\in\mathcal{F}_{0}Y=Y^{+}-Y^{-}라고 하면 Y\mathcal{F}_{0}-가측이고\int_{A}{XdP}=\int_{A}{YdP}유일성을 보이기 위해 모든 A\in\mathcal{F}_{0}에 대해 \mathcal{F}_{0}-가측 확률변수 Y_{1},\,Y_{2}가 존재해서 다음이 성립한다고 하자.\int_{A}{YdP}=\int_{A}{Y_{1}dP}=\int_{A}{Y_{2}dP}그러면 모든 A\in\mathcal{F}_{0}에 대해 \displaystyle\int_{A}{(Y_{1}-Y_{2})dP}=0이므로 확률 0인 부분집합을 제외하면 Y_{1}-Y_{2}=0, 즉 Y_{1}=Y_{2}이다.  


다음은 조건부 기댓값이 갖는 성질이다. 

\mathcal{G}\mathcal{H}\mathcal{F}의 부분 \sigma-체라 하자. 그러면 다음의 성질이 성립한다. 

(i) E(aX+bY|\mathcal{G})=aE(X|\mathcal{G})+bE(Y|\mathcal{G})

(ii) E(E(X|\mathcal{G}))=E(X) 

(iii) X\mathcal{G}-가측이면, E(XY|\mathcal{G})=XE(Y|\mathcal{G})(tower property) 

(iv) X\mathcal{G}가 서로 독립이면 E(X|\mathcal{G})=E(X) 

(v) \mathcal{H}\subset\mathcal{G}이면 E(E(X|\mathcal{G})|\mathcal{H})=E(X|\mathcal{H})이고 따라서 \mathcal{H}=\mathcal{G}일 때 조건부기댓값은 사영(projection), 즉 E(E(X|\mathcal{G})|\mathcal{G})=E(X|\mathcal{G})

(vi) X\geq0이면 E(X|\mathcal{G})\geq0  

증명: 

(i) 임의의 A\in\mathcal{G}에 대해\begin{align*}\int_{A}{(aE(X|\mathcal{G})+bE(Y|\mathcal{G}))dP}&=a\int_{A}{E(X|\mathcal{G})dP}+b\int_{A}{E(Y|\mathcal{G})dP}\\&=a\int_{A}{XdP}+b\int_{A}{YdP}\\&=\int_{A}{(aX+bY)dP}\end{align*}가 성립함을 이용한다.

(ii) 조건부기댓값의 정의에서 A=\Omega인 경우이다.

(iii) A\in\mathcal{G}이고 X=\mathbf{1}_{A}일 때 임의의 B\in\mathcal{G}에 대해\int_{B}{\mathbf{1}_{A}E(Y|\mathcal{G})dP}=\int_{A\cap B}{E(Y|\mathcal{G})dP}=\int_{A\cap B}{YdP}=\int_{B}{\mathbf{1}_{A}YdP}이고 따라서 \mathbf{1}_{A}E(Y|\mathcal{G})=E(\mathbf{1}_{A}Y|\mathcal{G})이다. 이 결과와 임의의 확률변수 X\geq0로 수렴하는 단순함수열이 존재함을 이용하여 일반적인 결과를 얻을 수 있다.     

(iv) X\mathcal{G}가 서로 독립이므로 X의 치역을 0=a_{0}<a_{1}<a_{2}<\cdots로 분할하면 임의의 A\in\mathcal{G}에 대해 P(X^{-1}[[a_{i},\,a_{i+1}]\cap A])=P(X^{-1}[[a_{i},\,a_{i+1}]])P(A)이고 따라서 다음이 성립한다.\begin{align*}\int_{A}{XdP}&=\lim_{n\,\rightarrow\,\infty}{\sum_{i}^{n}a_{i}P(X^{-1}[a_{i},\,a_{i+1}]\cap A)}\\&=\lim_{n\,\rightarrow\,\infty}{\sum_{i=1}^{n}a_{i}P(X^{-1}[a_{i},\,a_{i+1}])P(A)}\\&=E(X)P(A)\\&=\int_{A}{E(X)dP}\end{align*}(v) 임의의 B\in\mathcal{G}에 대하여 \displaystyle\in_{B}{E(X|\mathcal{G})dP}=\int_{B}{XdP}이고 임의의 B\in\mathcal{H}에 대하여 \displaystyle\int_{B}{E(X|\mathcal{H})dP}=\int_{B}{XdP}이므로 \mathcal{H}\subset\mathcal{G}이면 임의의 B\in\mathcal{H}에 대하여\int_{B}{E(X|\mathcal{G})dP}=\int_{B}{E(X|\mathcal{H})dP}이고 조건부기댓값의 정의에 의해 E(E(X|\mathcal{G})|\mathcal{H})=E(X|\mathcal{H})이다. 

(vi) 임의의 n에 대하여 \displaystyle A_{n}=\left\{\omega\,|\,E(X|\mathcal{G})(\omega)\leq-\frac{1}{n}\right\}이라 하면 A_{n}\subset A_{n+1}이므로 A_{n}은 단조증가열이고A=\bigcup_{n=1}^{\infty}{A_{n}}=\{\omega\,|\,E(X|\mathcal{G})<0\}이다. X\geq0이면 A_{n}\in\mathcal{G}이므로0\leq\int_{A_{n}}{XdP}=\int_{A_{n}}{E(X|\mathcal{G})dP}\leq-\frac{1}{n}P(A_{n})이고 P(A_{n})=0이므로 따라서 P(A)=0이다.


조건부 기댓값에 대한 젠센 부등식. 표본공간 (\Omega,\,\mathcal{F},\,P)위에 적분가능한 확률변수 X:\Omega\,\rightarrow\,\mathbb{R}가 정의되고, \mathcal{G}\mathcal{F}의 부분 \sigma-체일 때, \phi:\mathbb{R}\,\rightarrow\,\mathbb{R}가 볼록함수이고, \phi\circ X가 적분가능하면 다음의 부등식이 성립한다.\phi(E(X|\mathcal{G}))\leq E(\phi(X)|\mathcal{G})오목함수의 경우는 부등호의 방향이 반대이다. 

증명: 각 x_{0}에 대해\phi(x_{0})=\sup\{ax_{0}+b\,|\,ay+b\leq\phi(y)\,y\in\mathbb{R}\}이고, aX+b\leq\phi(X)이므로aE(X|\mathcal{G})+b=E(aX+b|\mathcal{G})\leq E(\phi(X)|\mathcal{G})이고, 위의 부등식의 좌변에 최소상계를 취하면 \phi(E(X|\mathcal{G}))가 된다. 


따름정리. \mathcal{G}\mathcal{F}의 부분 \sigma-체일 때 |X|^{p}가 적분가능하면, 임의의 1\leq p<\infty에 대해 다음의 부등식이 성립한다.\|E(X|\mathcal{G})\|_{p}\leq\|X\|_{p}즉 선형변환E(\cdot|\mathcal{G}):L^{p}(\Omega,\,\mathcal{F})\,\rightarrow\,L^{p}(\Omega,\,\mathcal{G})(\subset L^{p}(\Omega,\,\mathcal{F}))는 노름이 1이고 따라서 연속이다.

증명: \phi(x)=|x|^{p}라 하면 \phi는 볼록함수이고, 젠센 부등식에 의해 |E(X|\mathcal{G})|^{p}\leq E(|X|^{p}|\mathcal{G})을 얻고, 다음의 부등식을 얻는데E(|E(X|\mathcal{G})|^{p})\leq E(E(|X|^{p}|\mathcal{G}))=E(|X|^{p})위 부등식의 양변에 \displaystyle\frac{1}{p}제곱을 취하면 된다. 그러면 선형변환 E(\cdot|\mathcal{G})의 노름은 1 이하이고, E(1|\mathcal{G})=1이므로 따라서 이 선형변환의 노름은 1이다. 


\mathcal{G}\mathcal{F}의 부분 \sigma-체일때 L^{2}(\Omega,\,\mathcal{G})L^{2}(\Omega,\,\mathcal{F})의 부분공간이고, 여기서 X,\,Y\in L^{2}(\Omega,\,\mathcal{F})의 내적을 E(XY)라 하자. 선형변환E(\cdot|\mathcal{G}):L^{2}(\Omega,\,\mathcal{F})\,\rightarrow\,L^{2}(\Omega,\,\mathcal{G})(\subset L^{2}(\Omega,\,\mathcal{F}))L^{2}(\Omega,\,\mathcal{G})공간으로의 직교사영(orthogonal projection)이다.     

증명: E(X|\mathcal{G})X-E(X|\mathcal{G})가 서로 수직임을 보이자.\begin{align*}E(E(X|\mathcal{G})(X-E(X|\mathcal{G})))&=E(E(X|\mathcal{G})X)-E(E(X|\mathcal{G})E(X|\mathcal{G}))\\&=E(E(X|\mathcal{G})X)-E(E(E(X|\mathcal{G})X|\mathcal{G}))\\&=E(E(X|\mathcal{G})X)-E(E(X|\mathcal{G})X)\\&=0\end{align*}E(X|\mathcal{G})\mathcal{G}에 대해 가측이라는 사실과 조건부기댓값의 성질 (iii)에 의해E(X|\mathcal{G})E(X|\mathcal{G})=E(E(X|\mathcal{G})X|\mathcal{G})이를 이용해 위의 식을 얻었고, 마지막 식은 성질 (ii)에 의해 성립한다. 


표본공간 (\Omega,\,\mathcal{F},\,P)가 다음과 같다고 하자.\begin{align*}\Omega&=\{\omega_{1},\,\omega_{2},\,\omega_{3}\},\,\mathcal{F}=\sigma(\{\omega_{1}\},\,\{\omega_{2}\},\,\{\omega_{3}\})\\&P(\{\omega_{1}\})=P(\{\omega_{2}\})=P(\{\omega_{3}\})=\frac{1}{3}\end{align*}이때X(\omega_{1})=x_{1},\,X(\omega_{2})=x_{2},\,X(\omega_{3})=x_{3},\,\mathcal{G}=\sigma(\{\omega_{1}\},\,\{\omega_{2},\,\omega_{3}\})라 하면E(X|\mathcal{G})(\omega)=\begin{cases}x_{1}&\,\omega\in\{\omega_{1}\} \\ \displaystyle\frac{1}{2}(x_{2}+x_{3})&\,\omega\in\{\omega_{2},\,\omega_{3}\}\end{cases}이고X(\omega)-E(X|\mathcal{G})(\omega)=\begin{cases}0&\,\omega=\omega_{1}\\ \displaystyle\frac{1}{2}(x_{2}-x_{3})&\,\omega=\omega_{2}\\ \displaystyle\frac{1}{2}(-x_{2}+x_{3})&\,\omega=\omega_{3}\end{cases}그러면 E(X|\mathcal{G})(X-E(X|\mathcal{G}))=0이므로 그 기댓값도 0이다. 

*E(X^{2})<\infty일 때 L^{2}(\Omega,\,\mathcal{F},\,P)에서의 최소제곱법의 관점에서 조건부기댓값을 보면 다음이 성립한다.E((X-E(X|\mathcal{G}))^{2})=\inf_{Y\in L^{2}(\Omega,\,\mathcal{G},\,P)}E((X-Y)^{2})이것은 E(X|\mathcal{G})\mathcal{G}에 의한 정보를 토대로 한 최상의 예측이라고 할 수 있다.


표본공간 (\Omega,\,\mathcal{F},\,P)\mathcal{F}-가측 확률변수 X,\,Y가 정의되어있고, X는 적분가능하다고 하자. 이때 Y에 대한 X의 조건부기댓값 E(X|Y)E(X|Y)=E(X|\sigma(Y))라고 정의한다. 따라서 E(X|Y)=E(X|\sigma(Y))\sigma(Y)에 대해 가측이고, 임의의 구간 [a,\,b]\subset\mathbb{R}에 대해 다음이 성립한다.\int_{\{\omega\,|\,a\leq Y(\omega)\leq b\}}{E(X|Y)dP}=\int_{\{\omega\,|\,a\leq Y(\omega)\leq b\}}{XdP}위의 조건들을 만족되었을 때 E(X|Y)Y의 함수이다. 즉 적당한 가측함수 f:\mathbb{R}\,\rightarrow\,\mathbb{R}가 존재해서 E(X|Y)=f\circ Y이다. 


참고자료:

금융수학의 방법론, 최건호, 경문사    

반응형
Posted by skywalker222