Processing math: 13%

반응형

[금융수학] 11. 브라운운동, 마팅게일



다음과 같은 성질을 갖는 확률과정을 브라운 운동이라고 한다.

(i) X0=0이고 t0에 대해 Xt는 연속이다.

(ii) 0st에 대해 증분 XtXs는 기댓값이 0이고 분산이 ts인 정규분포를 따른다.

(iii) 0t1<t2<<t2n1<t2n에 대해 확률변수Xt2Xt1,...,Xt2nXt2n1은 서로 독립이다. 


{Wt}t0가 브라운 운동일 때 임의의 a0에 대해 Bt=Wt+aWa라고 하면 {Bt}t0도 브라운 운동이다.  

증명: k1에 대해Δtk=(tk+a)(tk1+a)=tktk1,Jk=Ik+Wa라고 하면P(Bt1I1,...,BtnIn)=P(WaR,Wt1+aJ1,...,Wtn+aJn)=J1Jnp(Δt1,Wa,x1)p(Δt2,x1,x2)p(Δtn,xn1,xn)dxndx1=J1Jnp(Δt1,0,x1Wa)p(Δtn,xn1Wa,xnWa)dxndx1=I1Inp(Δt1,0,y1)p(Δt2,y1,y2)p(Δtn,yn1,yn)dyndy1이고 이것은 브라운 운동의 확률과 같다.


브라운 운동 {Wt}t0에 대해 다음의 성질이 성립한다.

(i) E(WtWs)=min

(ii) E((W_{t}-W_{s})^{2})=|t-s|

증명: 

(i) s\leq t라고 하자. 그러면 다음에 의해 성립한다.\begin{align*}E(W_{t}W_{s})&={\int_{-\infty}^{\infty}{\int_{-\infty}^{\infty}{xyp(s,\,0,\,x)p(t-s,\,x,\,y)dx}}dy}\\&=\int_{-\infty}^{\infty}{xp(s,\,0,\,x)\left(\int_{-\infty}^{\infty}{yp(t-s,\,x,\,y)dy}\right)dx}\\&=\int_{-\infty}^{\infty}{xp(s,\,0,\,x)xdx}\\&=s\end{align*}(ii) 항등식 (W_{t}-W_{s})^{2}=W_{t}^{2}-2W_{t}W_{s}+W_{s}^{2}로부터 다음이 성립한다.E((W_{t}-W_{s})^{2})=t-2\min\{t,\,s\}+s=|t-s|브라운 운동 \{W_{t}\}_{t\geq0}에 대해 다음과 같이 정의되는 확률과정 X_{t}를 브라운 다리(Brownian bridge)라고 한다.X_{t}=W_{t}-tW_{1}브라운 운동 \{W_{t}\}_{t\geq0}에 대해 다음이 성립한다.

(i) n이 홀수이면 E(W_{t}^{n})=0

(ii) E(W_{t}^{2})=t, E(W_{t}^{4})=3t^{2}


구간 [0,\,T]의 분할 0=t_{0}<t_{1}<\cdots<t_{n}=T가 있고, \displaystyle\lim_{n\,\rightarrow\,\infty}{\max_{i}\Delta t_{i}}=0이면 브라운 운동의 2차변동(quadratic variation)은 다음과 같다.\lim_{n\,\rightarrow\,\infty}{\sum_{i=0}^{n-1}{\{W(t_{i+1}-W(t_{i}))\}^{2}}}=T증명: \Delta W_{i}=W(t_{i+1})-W(t_{i}), \Delta t_{i}=t_{i+1}-t_{i}라고 하자. i\neq j이면 (\Delta W_{i})^{2}(\Delta W_{j})^{2}는 서로 독립이므로E((\Delta W_{i})^{2}(\Delta W_{j})^{2})=E((\Delta W_{i})^{2})E((\Delta W_{j})^{2})이고E((\Delta W_{i})^{4})=3(\Delta t_{i})^{2},\,E((\Delta W_{i})^{2})=\Delta t_{i}다음에 의해 성립한다\begin{align*}&E\left(\left|\sum_{i=0}^{n-1}{\{W(t_{i+1})-W(t_{i})\}^{2}}-T\right|^{2}\right)\\&=E\left(\left|\sum_{i=0}^{n-1}{(\Delta W_{i})^{2}}-T\right|^{2}\right)\\&=\sum_{i=0}^{n-1}{\sum_{j=0}^{n-1}{E((\Delta W_{i})^{2}(\Delta W_{j})^{2})}}-2T\sum_{i=0}^{n-1}{E((\Delta W_{i})^{2})}+T^{2}\\&=\sum_{i=0}^{n-1}{E((\Delta W_{i})^{4})}+2\sum_{i<j}{E((\Delta W_{i})^{2}(\Delta W_{j})^{2})}-2T\sum_{i=0}^{n-1}{E((\Delta W_{i})^{2})}+T^{2}\\&=\sum_{i=0}^{n-1}{3(\Delta t_{i})^{2}}+2\sum_{i<j}{\Delta t_{i}\Delta t_{j}}-2T\sum_{i=0}^{n-1}{\Delta t_{i}}+T^{2}\\&=2\sum_{i=0}^{n-1}{(\Delta t_{i})^{2}}+\left(\sum_{i=0}^{n-1}{\Delta t_{i}}\right)^{2}-2T\sum_{i=0}^{n-1}{\Delta t_{i}}+T^{2}\\&=2\sum_{i=0}^{n-1}{(\Delta t_{i})^{2}}+T^{2}-2T^{2}+T^{2}\\&\leq\left(\max_{i}\Delta t_{i}\right)\sum_{i=0}^{n-1}{\Delta t_{i}}\\&=\left(\max_{i}{\Delta t_{i}}\right)T\,\rightarrow\,0\end{align*}브라운 운동의 1차변분은 다음과 같이 발산한다.\lim_{n\,\rightarrow\,\infty}{\sum_{i=0}^{n-1}{|W(t_{i+1})-W(t_{i})|}}=\infty증명: 확률 1인 집합 \Omega_{1}을 이루는 연속인 각각의 표본경로 \omega에 대해C_{n}=\max_{1\leq i\leq n}{|W(t_{i+1})-W(t_{i})|}라 하면 \omega는 컴팩트 집합 [0,\,T]에서 균등연속이므로 \displaystyle\lim_{n\,\rightarrow\,\infty}{C_{n}}=0이고\sum_{i=0}^{n-1}{|W(t_{i+1})-W(t_{i})|^{2}}\leq C_{n}\sum_{i=0}^{n-1}{|W(t_{i+1})-W(t_{i})|}이다. 위 부등식의 좌변은 확률 1인 집합 \Omega_{2}에 속하는 거의 모든 \omega에 대해 T로 수렴하므로 확률 1인 집합 \Omega_{1}\cap\Omega_{2}\omega에 대해 \displaystyle\sum_{i=0}^{n-1}{|W(t_{i+1})-W(t_{i})|}는 무한히 커져야 한다.


실수 \theta에 대해 등식 E(e^{\theta W_{t}})=e^{\frac{1}{2}\theta^{2}t}가 성립한다.

증명: 먼저 E(e^{W_{t}})=e^{\frac{1}{2}t}를 보이자.\begin{align*}E(e^{W_{t}})&=\frac{1}{\sqrt{2\pi t}}\int_{-\infty}^{\infty}{e^{x}e^{-\frac{x^{2}}{2t}}dx}\\&=\frac{1}{\sqrt{2\pi t}}\int_{-\infty}^{\infty}{e^{\frac{(x-t)^{2}-t^{2}}{2t}}dx}\\&=e^{\frac{t}{2}}\frac{1}{\sqrt{2\pi t}}\int_{-\infty}^{\infty}{e^{-\frac{y^{2}}{2t}}dy}\\&=e^{\frac{1}{2}t}\end{align*}다음으로 \theta W_{t}W_{\theta^{2}t}가 같은 분포를 가짐을 이용해 다음의 결과를 얻는다.E(e^{\theta W_{t}})=E(e^{W_{\theta^{2}t}})=e^{\frac{1}{2}\theta^{2}t}이 결과로부터 L_{t}=e^{-\frac{1}{2}\theta^{2}t-\theta W_{t}}일 때 E(L_{t})=e^{-\frac{1}{2}\theta^{2}t}E(e^{-\theta W_{t}})=1이고, 기하 브라운 운동을 하는 주가 \displaystyle S_{t}=S_{0}e^{\left(\mu-\frac{1}{2}\sigma^{2}\right)t+\sigma W_{t}}에 대해 E(S_{t})=S_{0}e^{\mu t}이다. 


실수 \theta에 대해 등식 E(e^{i\theta W_{u}})=e^{-\frac{1}{2}\theta^{2}u}가 성립한다.

증명: 정규분포의 확률밀도함수의 푸리에 변환은 정규분포의 밀도함수이므로\begin{align*}E(e^{iW_{u}})&=\int_{-\infty}^{\infty}{\frac{1}{\sqrt{2\pi u}}e^{-\frac{x^{2}}{2u}}e^{ix}dx}\\&=\int_{-\infty}^{\infty}{\frac{1}{\sqrt{2\pi}}e^{-\frac{y^{2}}{2}}e^{i\sqrt{u}y}dy}\\&=e^{-\frac{(-\sqrt{u})^{2}}{2}}=e^{-\frac{u}{2}}\end{align*}이고 \theta W_{u}W_{\theta^{2}u}는 같은 확률분포를 가지므로 다음의 등식을 얻는다.E(e^{i\theta W_{u}})=E(e^{iW_{\theta^{2}u}})=e^{-\frac{1}{2}\theta^{2}u}실수 \theta에 대해 다음의 등식이 성립한다.(1)\,E(W_{t}e^{\theta W_{t}})=\theta te^{\frac{1}{2}\theta^{2}t},\,(2)\,E(W_{t}^{2}e^{\theta W_{t}})=(t+\theta^{2}t^{2})e^{\frac{1}{2}\theta^{2}t}증명:   

(1): 다음의 등식으로부터 성립한다.\begin{align*}E(W_{t}e^{\theta W_{t}})&=\frac{1}{\sqrt{2\pi t}}\int_{-\infty}^{\infty}{xe^{\theta x}e^{-\frac{x^{2}}{2t}}dx}\\&=\frac{1}{\sqrt{2\pi t}}\int_{-\infty}^{\infty}{xe^{-\frac{(x-\theta t)^{2}-\theta^{2}t^{2}}{2t}}dx}\\&=e^{\frac{1}{2}\theta^{2}t}\frac{1}{\sqrt{2\pi t}}\int_{-\infty}^{\infty}{(y+\theta t)e^{-\frac{y^{2}}{2t}}dx}\\&=e^{\frac{1}{2}\theta^{2}t}(0+\theta t)\end{align*}(2): 다음의 등식으로부터 성립한다.\begin{align*}E(W_{t}^{2}e^{\theta W_{t}})&=\frac{1}{\sqrt{2\pi t}}\int_{-\infty}^{\infty}{x^{2}e^{\theta x}e^{-\frac{x^{2}}{2t}}dx}\\&=\frac{1}{\sqrt{2\pi t}}\int_{-\infty}^{\infty}{x^{2}e^{-\frac{(x-\theta t)^{2}-\theta^{2}t^{2}}{2t}}dx}\\&=e^{\frac{1}{2}\theta^{2}t}\frac{1}{\sqrt{2\pi t}}\int_{-\infty}^{\infty}{(y+\theta t)^{2}e^{-\frac{y^{2}}{2t}}dy}\\&=e^{\frac{1}{2}\theta^{2}t}(t+0+\theta^{2}t^{2})\end{align*}W_{t}=y일 때 W_{\frac{t}{2}}의 확률밀도함수 f(x)는 다음과 같다.f(x)=\frac{1}{\sqrt{2\pi\left(\frac{1}{4}t\right)}}e^{-\frac{\left(x-\frac{1}{2}y\right)^{2}}{2\left(\frac{t}{4}\right)}}즉 평균이 \displaystyle\frac{1}{2}y이고 분산이 \displaystyle\frac{1}{4}t인 정규분포의 밀도함수이다. 또한 0\leq s<t일 때 \displaystyle E(W_{s}|W_{t})=\frac{s}{t}W_{t}, 즉 \displaystyle E(W_{s}|W_{t}=y)=\frac{s}{t}y이다.  


\{W_{t}\}_{t\geq0}가 브라운 운동일 때 실수 \theta에 대하여 0\leq s<t이면 다음의 등식을 얻는다.E(e^{\theta W_{t}}|\mathcal{F}_{s})=e^{\frac{1}{2}\theta^{2}(t-s)}e^{\theta W_{s}}따라서 L_{t}=e^{-\frac{1}{2}\theta^{2}t-\theta W_{t}}라고 하면 E(L_{t}|\mathcal{F}_{s})=L_{s}, 즉 L_{t}는 마팅게일이다.

증명: W_{t}-W_{s}\mathcal{F}_{s}에 대해 독립이므로E(e^{\theta(W_{t}-W_{s})}|\mathcal{F}_{s})=E(e^{\theta(W_{t}-W_{s})})=E(e^{\theta W_{t-s}})=e^{\frac{1}{2}\theta^{2}(t-s)}이고 따라서 다음이 성립한다.E(e^{\theta W_{t}-\frac{1}{2}\theta^{2}t}|\mathcal{F}_{s})=e^{-\frac{1}{2}\theta^{2}t}E(e^{\theta W_{t}}|\mathcal{F}_{s})=e^{-\frac{1}{2}\theta^{2}s}e^{\theta W_{s}}다음의 확률과정들은 마팅게일이다.

(i) 브라운 운동 \{W_{t}\}_{t\geq0}는 마팅게일이다.

(ii) \{W_{t}^{2}-t\}_{t\geq0}는 마팅게일이다.

(iii) \{e^{W_{t}-\frac{1}{2}t}\}_{t\geq0}는 마팅게일이다.

(iv) \{e^{\frac{1}{2}}\cos W_{t}\}_{t\geq0}는 마팅게일이다.

증명: 0\leq s<t라 하자. 

(i) W_{t}-W_{s}\mathcal{F}_{s}와 독립이므로 다음에 의해 성립한다.\begin{align*}E(W_{t}|\mathcal{F}_{s})&=E(W_{t}-W_{s}+W_{s}|\mathcal{F}_{s})\\&=E(W_{t}-W_{s}|\mathcal{F}_{s})+E(W_{s}|\mathcal{F}_{s})\\&=E(W_{t}-W_{s})+W_{s}\\&=W_{s}\end{align*}(ii) 다음에 의해 성립한다.\begin{align*}E(W_{t}^{2}|\mathcal{F}_{s})&=E((W_{t}-W_{s})^{2}+2W_{s}W_{t}-W_{s}^{2}|\mathcal{F}_{s})\\&=E((W_{t}-W_{s})^{2}|\mathcal{F}_{s})+2W_{s}E(W_{t}|\mathcal{F}_{s})-E(W_{s}^{2}|\mathcal{F}_{s})\\&=E((W_{t}-W_{s})^{2})+2W_{s}^{2}-W_{s}^{2}\\&=E(W_{t-s}^{2})+W_{s}^{2}\\&=t-s+W_{s}^{2}\end{align*}(iii), (iv)는 생략


확률변수 \{X_{\lambda}\,|\,\lambda\in\Lambda\}로 주어지는 \sigma-\sigma(\{X_{\lambda}\,|\,\lambda\in\Lambda\})는 각각의 \sigma-체 \sigma(X_{\lambda}) 모두를 포함하는 최소의 \sigma-체로 정의한다. 


확률과정 \{X_{t}\}_{t\geq0}과 이로부터 생성되는 여과 \mathcal{F}_{t}=\sigma(\{X_{s}\,|\,0\leq s\leq t\})가 정의되었다고 하자. X_{t}가 브라운 운동이라는 것은 다음의 조건들이 성립하는 것과 동치이다.

(i) 확률 1로서 W_{0}=0이다.

(ii) 확률 1로서 표본경로 t\,\mapsto\,W_{t}는 연속이다.

(iii) \{\mathcal{F}_{t}\}_{t\geq0}에 대하여 \{X_{t}\}_{t\geq0}는 마팅게일이다.

(iv) \{\mathcal{F}_{t}\}_{t\geq0}에 대하여 \{X_{t}^{2}-t\}_{t\geq0} 는 마팅게일이다. 


참고자료:

금융수학의 방법론, 최건호, 경문사    

반응형
Posted by skywalker222