Risikoneutrale Wahrscheinlichkeit
|
|
- Laura Michel
- vor 5 Jahren
- Abrufe
Transkript
1 Risikoneutrale Wahrscheinlichkeit M. Gruber Rev.3 Zusammenfassung Diskontierter Aktienpreisprozess, Risiko-Marktpreis, Risikoneutralität; Verschiebung des Erwartungswerts einer Zufallsvariablen, Verschiebung der Erwartungswerte eines Prozesses, Girsanov- Theorem. Wir folgen [1], 4.5., und
2 Diskontierter Aktienpreisprozess Sei ds(t) = α(t)s(t) dt + σ(t)s(t) db(t) ein Aktienpreisprozess auf [, T]. Lösungsprozess: (S(t)) t T mit S(t) = S()e t (α(s) (1/2)σ(s) 2 ) ds+ t σ(s) db(s). (S(t)) t T ist i.a. kein Martingal. Sei (R(t)) t T ein adaptierter Zinsratenprozess. Sei D(t) = e t R(s) ds der Diskontprozess. Es ist dd(t) = R(t)D(t) dt. (D(t)S(t)) t T ist der diskontierte Aktienpreisprozess. Es ist D(t)S(t) = S()e t (α(s) R(s) (1/2)σ(s) 2 ) ds+ t σ(s) db(s) und d(d(t)s(t)) = D(t)S(t)(α(t) R(t)) dt + D(t)S(t)σ(t) db(t). 1
3 Risiko-Marktpreis Mit ist Θ(t) = α(t) R(t) σ(t) d(d(t)s(t)) = D(t)S(t)σ(t)Θ(t) dt + D(t)S(t)σ(t) db(t)). Θ(t) = α(t) R(t) σ(t) nennt man den Risiko-Marktpreis (market price of risk). Ein positiver Risiko-Marktpreis muss nicht bedeuten, dass Arbitragemöglichkeit besteht. Vielmehr zeigt er an, wie der Markt das Schwankungsrisiko der Aktie im Vergleich zum Zinsratenprozess bewertet. 2
4 Risikoneutralität Man kann bezüglich (Θ(t)) t T zu einem Wahrscheinlichkeitsmaÿ P und einem Prozess ( B(t)) t T übergehen, sodass ( B(t)) t T eine Brownsche Bewegung bezüglich P ist und d(d(t)s(t)) = σ(t)d(t)s(t) d B(t) gilt ( Girsanov-Theorem). (D(t)S(t)) t T ist dann ein P-Martingal. P ist das risikoneutrale Wahrscheinlichkeitsmaÿ d B(t) = db(t) + Θ(t) dt. und ds(t) = R(t)S(t) dt + σ(t)s(t) d B(t). [1]: If α(t) > R(t), then the change of measure puts more probability on the paths with lower return so that the overall mean rate of return is reduced from α(t) to R(t). 3
5 Visualisierung der Risikoneutralität Abbildung 1: Links sieht man Pfade eines Itô-Prozesses mit negativer Tendenz. Rechts zeigt die Farbintensität das Wahrscheinlichkeitsgewicht derselben Pfade unter dem risikoneutralen Wahrscheinlichkeitsmaÿ P. Das Nicht-Martingal wird zu einem Martingal. Quelle: 4
6 Verschiebung des Erwartungswerts einer ZVn Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Eine Zufallsvariable Z auf (Ω, F, P), die P-fast sicher positive Werte hat und für die E Z = 1 gilt, vermittelt eine Transformation des Wahrscheinlichkeitsraums (Ω, F, P) in einen Wahrscheinlichkeitsraum (Ω, F, P). Das neue Wahrscheinlichkeitsmaÿ P ist deniert durch P(A) = E 1 A Z für A F. (1) Zufallsvariablen Y auf (Ω, F, P) sind auch Zufallsvariablen auf (Ω, F, P), haben aber im neuen Wahrscheinlichkeitsraum i.a. einen anderen Erwartungswert EY, nämlich EY = E YZ. (2) 5
7 Beispiel 1. Sei X N(,1) bezüglich (Ω, F, P) und Z = e θx θ2 /2. Sei Y = X + θ. Es ist Y N(θ,1) auf (Ω, F, P), aber Y N(,1) auf (Ω, F, P). Beweis 1. Tatsächlich ist E Z = 1: E Z = 1 2π e θx θ2 /2 e x2 /2 dx = 1 2π e (x+θ)2 /2 dx = 1 2π e x2 /2 dx = Die momenterzeugende Funktion φ(u) von Y auf (Ω, F, P) ist φ(u) = Ee uy = E e u(x+θ) e θx θ2 /2 = e uθ θ2 /2 E e (u θ)x = e uθ θ2 /2 e (u θ)2 /2 = e u2 /2. 6
8 Verschiebung der Erwartungswerte eines Prozesses Sei (Ω, F, P) ein Wahrscheinlichkeitsraum mit Filtration (F(t)) t T beliebige Zufallsvariable mit P-fast sicher positiven Werten und E Z = 1. und Z eine Betrachte Z(t) = E(Z F(t)). (Z(t)) t T ist ein Martingal, denn für s t T ist E(Z(t) F(s)) = E(E(Z F(t)) F(s)) = E(Z F(s)) = Z(s). Für alle t [, T] ist somit E Z(t) = E E(Z F(t)) = E Z = 1. Sei im Folgenden P das mit Hilfe von Z erzeugte Wahrscheinlichkeitsmaÿ wie in (1). 7
9 Lemma 1. Für jede F(t)-messbare Zufallsvariable Y gilt EY = E YZ(t). Beweis EY = E YZ = E E(YZ F(t)) = E(Y E(Z F(t)) = E YZ(t). Lemma 2. Für jede F(t)-messbare Zufallsvariablen Y und s t T gilt E(Y F(s)) = 1 Z(s) E(YZ(t) F(s)). (3) Beweis Sei L die linke und R die rechte Seite von (3). L und R sind F(s)-messbar. Es ist zu zeigen, dass E1 A L = E1 A R für alle A F(s) gilt. Es ist E1A L = E1 AE(Y F(s)) = E E(1A Y F(s)) = E1 A Y = E 1 A YZ(t). und E1 A R = ( ) 1 E 1 A Z(s) E(YZ(t) F(s)) = E (1 A E(YZ(t) F(s))) = E (E(1 A YZ(t) F(s))) = E 1 A YZ(t). 8
10 Lemma 3. Gegeben sei (Ω, F, P) mit Filtration (F(t)) t T und Brownscher Bewegung (B(t)) t T. Sei (Θ(t)) t T ein an die Filtration adaptierter Prozess. Sei Z(t) = e t Θ(u) db(u) 1 2 t Θ(u) 2 du und sei die Integrabilitätsbedingung E T Θ(u)2 Z(u) 2 du < erfüllt. Dann ist (Z(t)) t T ein P-Martingal. Beweis Es ist Z(t) = e X(t) mit X(t) = t Θ(u) db(u) 1 2 t Θ(u)2 du. Mit Itô-Kalkül erhält man dz(t) = Z(t) dx(t)+ 1 2 Z(t) (dx(t))2 = Z(t)Θ(t) db(t) 1 2 Z(t)Θ(t)2 dt+ 1 2 Z(t)Θ(t)2 dt = Z(t)Θ(t) db(t). Es ist also Z(t) = t Z(s)Θ(s) db(s) und (Z(t)) t T ein P-Martingal. Bemerkung 1. Mit Z = Z(T) ist also Z(t) = E(Z F(t)) für alle t. 9
11 Lemma 4. Es seien die Voraussetzungen von Lemma 3 erfüllt. Für t T sei B(t) = B(t) + t Θ(u) du. Dann ist ( B(t)Z(t)) t T ein P-Martingal. Beweis Im Beweis von Lamma 3 haben wir gesehen, dass dz(t) = Z(t)Θ(t) db(t) ist. Auÿerdem ist d B(t) = db(t) + Θ(t) dt. Aus beidem folgt d B(t)dZ(t) = Z(t)Θ(t) dt. Nun kann man d( B(t)Z(t)) berechnen: d( B(t)Z(t)) = B(t) dz(t) + Z(t) d B(t) + d B(t)dZ(t) = B(t)Z(t)Θ(t) db(t) + Z(t) db(t) + Z(t)Θ(t) dt Θ(t)Z(t) dt = ( B(t)Θ(t) + 1)Z(t) db(t). Es ist also B(t)Z(t) = t ( B(s)Θ(s) + 1)Z(s) db(s). und ( B(t)Z(t)) t T ein P-Martingal. 1
12 Lemma 5. Es seien die Voraussetzungen von Lemma 4 erfüllt. Ferner sei Z = Z(T) und P das mittels Z transformierte P, d.h. P(A) = E 1 A Z für alle A F. Dann ist ( B(t)) t T ein P-Martingal. Beweis E( B(t) F(s)) = 1 Z(s) E( B(t)Z(t) F(s)) (mit Lemma 2) = 1 Z(s) B(s)Z(s) (mit Lemma 4) = B(s). 11
13 Satz 1. [Girsanov-Theorem] Gegeben sei (Ω, F, P) mit Filtration (F(t)) t T und Brownscher Bewegung (B(t)) t T, Sei (Θ(t)) t T ein an die Filtration adaptierter Prozess. Sei Z(t) = e t Θ(u) db(u) 1 2 t Θ(u) 2 du und sei die Integrabilitätsbedingung E T Θ(u)2 Z(u) 2 du < erfüllt. Sei Z = Z(T) und P das mittels Z transformierte P: P(A) = E 1 A Z für alle A F. Für t T sei B(t) = B(t) + t Θ(u) du. Dann ist ( B(t)) t T eine Brownsche Bewegung auf (Ω, F, P). 12
14 Beweis Nach Lévy ist ein Martingal mit stetigen Pfaden, Anfangswert und quadratischer Variation t zur Zeit t eine Brownsche Bewegung. Wir weisen diese Eigenschaften nach. 1. Die neuen Pfade sind die Summe der alten Pfade plus Pfade, die aus einer deterministischen Integration hervorgehen. Damit sind sie stetig. 2. Anfangswert: B()) = B() =. 3. Quadratische Variation: (db(t)) 2 = (db(t) + Θ(t) dt) 2 = dt. 4. ( B(t)) t T ist ein P-Martingal ( Lemma 5). 13
15 Literatur [1] Steven E. Shreve. Stochastic Calculus for Finance II. Springer,
Itô-Integation. M. Gruber Zusammenfassung
Itô-Integation M. Gruber 15. 5 215 Zusammenfassung Itô-Integral für elementare Integranden, Martingaleigenschaft des Itô-Integrals, Itô-Isometrie, Quadratische Variation des Itô-Integrals, Itô-Integration
MehrOrnstein-Uhlenbeck-Prozesse
Ornstein-Uhlenbeck-Prozesse M. Gruber 3. 4 214 Zusammenfassung Der Ornstein-Uhlenbeck-Prozess (oft abgekürzt OU-Prozess) ist ein spezieller stochastischer Prozess, der nach den beiden niederländischen
MehrStochastische Integration Stochastische Differentialgleichungen Stochastische Partielle Differentialgleichungen. Dominic Breit
Dominic Breit 14.12.213 Outline 1 Stochastische Integration 2 3 Brwonsche Bewegung (1) Eine Brownsche Bewegung W = (W t ) t [,T ] über einem Wahrscheinlichkeitsraum (Ω, F, P) ist ein zeitstetiger stochastischer
MehrBrownsche Bewegung. M. Gruber. 20. März 2015, Rev.1. Zusammenfassung
Brownsche Bewegung M. Gruber 20. März 2015, Rev.1 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrBrownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung
Brownsche Bewegung M. Gruber SS 2016, KW 11 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
MehrDas Black-Scholes Modell
Vathani Arumugathas Das Black-Scholes Modell 1 Das Black-Scholes Modell Vathani Arumugathas Seminar zu Finanzmarktmodellen in der Lebensversicherung, Universität zu Köln 10. Juni 016 Inhaltsverzeichnis
MehrSchwache Lösungen von SDEs und das lokale Martingalproblem
Inhalt Schwache Lösungen von SDEs und das lokale Martingalproblem Christin Strampe February 16, 211 Christin Strampe () SDEs und das lokale Martingalproblem February 16, 211 1 / 24 Inhalt Motivation Schwache
MehrDie Stochastische Integralgleichung X(t) = a + t
Die Stochastische Integralgleichung X(t) = a + µ(s, X(s))ds + σ(s, X(s))dW (s) Simon Keller 4.12.26 1 Mathematische Grundlagen und Herleitung 1.1 Normalverteilung Eine normalverteilte Zufallsvariable X
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
MehrVorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
Univ. Leipzig Mathematisches Institut Vertretung Professur Stochastische Prozesse Max v. Renesse email: mrenesse@math.tu-berlin.de Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
MehrBrownsche Bewegung: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
MehrDie Bewertung von amerikanischen Basketoptionen
Die Bewertung von amerikanischen Basketoptionen Seminararbeit von Henning Katerkamp 0. April 010 1 Inhaltsverzeichnis 1 Einführung 3 Bewertung des Perpetual Put mit der sogenannten Beibel/Lerche - Methode
MehrKapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten
Kapitel 4 Stochastische Grundlagen An dieser Stelle möchte ich auf einige stochastische Grundlagen eingehen, die bisher im Kapitel 3 Anwendung gefunden haben und im Folgenden Anwendung finden werden. Grundproblem
MehrEin-Faktor-Zinsmodelle
Ein-Faktor-Zinsmodelle M. Gruber 14. 05 2014 Zusammenfassung Beispiel mit Realdaten (Euro Libor overnight, Euribor 3 weeks), Vasicek-Modell mit Simulation, Cox-Ingersoll-Ross-Modell mit Simulation, Hull-White-Modell.
MehrWie Derivate die Finanzwelt veränderten
Franz Reiter 16. Dezember 2016 Aufbau Grundlagen Exotische Optionen Capital Asset Pricing Model Black-Scholes-Formel Derivat Derivat ist ausgestelltes Recht zum Kauf bzw. Verkauf von bestimmten Basiswerten
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
MehrA Kurzskript: Stochastische Majorisierung und Testtheorie
A Kurzskript: Stochastische Majorisierung und Testtheorie A.1 Stochastische Majorisierung Denition A.1 (stochastisch gröÿer) Seien Q und P zwei W'Maÿe auf (R, B). Dann heiÿt Q stochastisch gröÿer als P
MehrSeminar Bewertungsmethoden in der Personenversicherungsmathematik
Seminar Bewertungsmethoden in der Personenversicherungsmathematik Zinsratentheorie in der Versicherung II Vitali Müller Mathematisches Institut der Universität zu Köln Sommersemester 2010 Betreuung: Prof
MehrEinführung in Stochastische Prozesse und Zeitreihenanalyse Vorlesung, 2017S, 2.0h 24.November 2017 Hubalek/Scherrer
Name: Mat.Nr.: Bitte keinen Rotstift oder Bleistift verwenden! 105.59 Einführung in Stochastische Prozesse und Zeitreihenanalyse Vorlesung, 2017S, 2.0h 24.November 2017 Hubalek/Scherrer (Dauer 90 Minuten,
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
MehrKAPITEL 1. Martingale
KAPITEL 1 Martingale 1.1. Stochastische Prozesse Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Das heißt, Ω ist eine Menge, F ist eine σ-algebra auf Ω, und P ein Wahrscheinlichkeitsmaß auf (Ω, F ). Zuerst
Mehr7 Der Satz von Girsanov
7 Der Satz von Girsanov Der Satz von Girsanov wird uns eine neue Perspektive auf die Rolle des Drifts liefern. Die Prozesse Brownsche Bewegung B t, Brownsche Bewegung mit Drift X t = B t + µt haben wir
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
MehrEuler-Approximation. Leonie van de Sandt. TU Dortmund Prof. Dr. Christine Müller. 5. Juni 2012
Euler-Approximation Leonie van de Sandt TU Dortmund Prof. Dr. Christine Müller 5. Juni 2012 Leonie van de Sandt (TU Dortmund) Euler-Approximation 5. Juni 2012 1 / 26 Inhaltsverzeichnis 1 Einleitung Leonie
MehrEinige parametrische Familien für stochastische Prozesse
Einige parametrische Familien für stochastische Prozesse Seminar: Grundlagen der und Statistik von dynamischen Systemen 26. November 2014 Inhaltsverzeichnis 1 Einleitung 2 3 4 5 Einleitung Ziel des Vortrages:
MehrÜbungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016
Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]
Mehr1 Bedingte Erwartungswerte
Die folgenden Regeln sind das alltägliche Handwerkszeug für den Umgang mit bedingten Erwartungen und werden in diesem Abschnitt, allerdings ohne Beweise, zitiert. Es ist durchaus eine lohnenswerte Übung,
MehrStoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
MehrStochastische Prozesse
Albert-Ludwigs-Universität Freiburg Vorlesungsskript Stochastische Prozesse apl. Prof. Dr. Stefan Tappe Wintersemester 2017/18 Abteilung für Mathematische Stochastik Inhaltsverzeichnis 1 Grundlegende
Mehr2 Das Marktmodell C1(WS08/09) [2] 1
2 Das Marktmodell 2.1 Ein allgemeines Finanzmarktmodell 2.2 Aufsteigende Systeme von σ-algebren und adaptierte Prozesse 2.3 Elementare Handelsstrategien im Finanzmarktmodell 2.4 Die σ-algebra der previsiblen
Mehr8 Die quadratische Variation, und die Integration bzgl. stetiger Semimartingale
8 Die quadratische Variation, und die Integration bzgl. stetiger Semimartingale 8.1 Der quadratische Variationsprozess eines stetigen, lokalen Martingals 8.3 Die quadratische Variation einer reellen Brownschen
Mehr4 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale
4 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale 4.2 Filtrationen und kanonische Filtrationen 4.3 Supermartingale, Martingale bzw. Submartingale bzgl. der Filtrationen (A t ) t I 4.4 Gleichgradig
Mehr2 Martingale in stetiger Zeit
2 Martingale in stetiger Zeit Ziel dieses Abschnitts ist es die wichtigsten Resultate für Martingale aus diskreter Zeit in stetige Zeit zu übertragen. Wie zu erwarten ist treten in stetiger Zeit einige
MehrSeminar: Finanzmathematik. Bewertung von Barriere Optionen im Black-Scholes Modell sowie die Symmetrie von P. Carr
Seminar: Finanzmathematik Bewertung von Barriere Optionen im Black-Scholes Modell sowie die Symmetrie von P. Carr Deniz Atug 4. April 2010 Zusammenfassung Die vorliegende Arbeit gibt eine Einführung in
MehrZufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011
Zufällige stabile Prozesse und stabile stochastische Integrale Stochastikseminar, Dezember 2011 2 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile
Mehr5 Optimale erwartungstreue Schätzer
33 5 Optimale erwartungstreue Schätzer 5.1 Definition Seien X 1,..., X n reelle Zufallsvariablen, T T (X 1,..., X n ) reellwertige Statistik. T heißt linear : c 1,..., c n R mit T n c j X j 5.2 Satz Seien
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
MehrStochastische Prozesse Gliederung zur Vorlesung im Sommersemester 2006
Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 26 Markus Reiß Universität Heidelberg reiss@statlab.uni-heidelberg.de VORLÄUFIGE FASSUNG: 28. Juli 26 Inhaltsverzeichnis 1 Der Poissonprozess
MehrDas Black-Scholes-Merton Modell
Agenda Lehrstuhl für Volkswirtschaftstheorie Westfälische Wilhelms-Universität Münster May 12, 2006 Teil I Agenda 2 Zur Erinnerung Das Lemma von Ito Die vereinfachten Annahmen an den Finanzmarkt Teil II
MehrVarianz und Kovarianz
KAPITEL 9 Varianz und Kovarianz 9.1. Varianz Definition 9.1.1. Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und X : Ω eine Zufallsvariable. Wir benutzen die Notation (1) X L 1, falls E[ X ]
MehrVollständige Märkte. Mathias Krämer Mathematisches Institut - Universität zu Köln
Vollständige Märkte Mathias Krämer Mathematisches Institut - Universität zu Köln 13.05.2016 Gliederung Vorstellung Grundlagen Grundlegende Denitionen Preise von bedingten Claims Bedingte Claims Preise
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
MehrLemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig,
Lemma 23 Die (paarweise verschiedenen) Ereignisse A 1,..., A n sind genau dann unabhängig, wenn für alle (s 1,..., s n ) {0, 1} n gilt, dass wobei A 0 i = Āi und A 1 i = A i. Pr[A s 1 1... Asn n ] = Pr[A
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrPunktetabelle (wird von den Korrektoren beschriftet)
Probability and Statistics FS 2018 Prüfung 13.08.2018 Dauer: 180 Minuten Name: Legi-Nummer: Diese Prüfung enthält 12 Seiten (zusammen mit dem Deckblatt) und 10 Aufgaben. Das Formelblatt wird separat verteilt.
MehrPortfoliotheorie, Risikomanagenient und die Bewertung von Derivaten
Jürgen Kremer Portfoliotheorie, Risikomanagenient und die Bewertung von Derivaten Zweite, vollständig überarbeitete und erweiterte Auflage 45J Springer Inhaltsverzeichnis Teill Ein-Perioden- Wertpapiermärkte
MehrSeminarvortrag. Euler-Approximation. Marian Verkely TU Dortmund
Seminarvortrag Euler-Approximation Marian Verkely TU Dortmund 03.12.14 1 / 33 Inhaltsverzeichnis 1 Motivation 2 Simulierte Prozesse 3 Euler-Approximation 4 Vasicek-Prozess: Vergleich analytische Lösung
MehrVerschiedene stochastische Prozesse. Ann-Kathrin Ru ger 27. Mai 2013 Institut fu r Stochastik
Verschiedene stochastische Prozesse Ann-Kathrin Ru ger 27. Mai 2013 Institut fu r Stochastik Seite 2 Verschiedene stochastische Prozesse Ann-Kathrin Rüger 27. Mai 2013 Inhalt Stochastische Prozesse Grenzüberschreitende
Mehr70 Wichtige kontinuierliche Verteilungen
70 Wichtige kontinuierliche Verteilungen 70. Motivation Zufallsvariablen sind nicht immer diskret, sie können oft auch jede beliebige reelle Zahl in einem Intervall [c, d] einnehmen. Beispiele für solche
MehrA. STOCHASTISCHE PROZESSE UND STOPPZEITEN 109
A. STOCHASTISCHE PROZESSE UND STOPPZEITEN 19 A. Stochastische Prozesse und Stoppzeiten In dieser Vorlesung arbeiten wir immer auf einem Massraum (Ω, F), der gross genug ist, um alle definierten Objekte
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag studienbegleitende Klausur Finanzmathematik I Aufgabe (7 Punkte) Vorgelegt sei ein Wahrscheinlichkeitsraum (Ω, F, P) und
MehrBewertung von exotischen Optionen im CRR-Modell
Seminararbeit Bewertung von exotischen Optionen im CRR-Modell Stefanie Tiemann 08.06.2010 Inhaltsverzeichnis Einführung 1 1 Asiatische Optionen 3 2 Lookback Optionen 7 3 zweiseitige knock-out Barriere
Mehr7 Poisson-Punktprozesse
Poisson-Punktprozesse sind natürliche Modelle für zufällige Konfigurationen von Punkten im Raum Wie der Name sagt, spielt die Poisson-Verteilung eine entscheidende Rolle Wir werden also mit der Definition
MehrProf. Dr. Georg Schlüchtermann Ludwig-Maximilians Universität München und Hochschule München
Finanzmärkte und Mathematik tik Prof. Dr. Georg Schlüchtermann Ludwig-Maximilians Universität München und Hochschule München Inhalt Bewertung von Finanzprodukten Welche mathematischen Modelle werden verwendet?
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrInhaltsverzeichnis. Teil I
Inhaltsverzeichnis Teil I Ein-Perioden-Wertpapiermärkte 3 1.1 Ein-Perioden-Modelle 4 1.2 Portfolios 7 1.3 Optionen und Forward-Kontrakte 9 1.3.1 Optionen 10 1.3.2 Forward-Kontrakte 12 1.4 Die Bewertung
Mehr8 Martingale und Stoppzeiten
8 Martingale und Stozeiten Definition Sei I eine beliebige Indexmenge und (Ω, A, P ) ein Wahrscheinlichkeitsraum. a) Eine Familie von Zufallsvariablen (X t ) t I auf (Ω, A, P ) heißt stochastischer Prozess
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
MehrZur Bewertung von Exchange-Optionen
Masterarbeit Thema: Zur Bewertung von Exchange-Optionen von: Tobias Ontrup im Fachbereich Mathematik an der Westfälischen Wilhelms-Universität Münster Betreuer: PD Dr. Volkert Paulsen Plagiatserklärung
MehrBlack-Scholes Modell
Universität zu Köln Mathematisch-Naturwissenschaftliche Fakultät Seminar Bewertungsmethoden in der Personenversicherungsmathematik Black-Scholes Modell Referenten: Prof. Dr. Hanspeter Schmidli Dr. Julia
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
MehrStochastic Processes in Risk and Finance
Stochastic Processes in Risk and Finance M. Gruber SS 2, Version. Inhaltsverzeichnis Normalverteilung und Zentraler Grenzwertsatz 3. Die Normalverteilung...................................... 3.. Die Standardnormalverteilung
MehrBrownsche Bewegung Seminar - Weiche Materie
Brownsche Bewegung Seminar - Weiche Materie Simon Schnyder 11. Februar 2008 Übersicht Abbildung: 3 Realisationen des Weges eines Brownschen Teilchens mit gl. Startort Struktur des Vortrags Brownsches Teilchen
Mehr7.1.1 Zusammenhang zwischen der w.e. Funktion und den Momenten Da G X (s) := Pr[X = k] s k = E[s X ], k Pr[X = k] = E[X].
7.1.1 Zusammenhang zwischen der w.e. Funktion und den Momenten Da G X (s) := gilt G X(1) = Pr[X = k] s k = E[s X ], k=0 k Pr[X = k] = E[X]. k=1 DWT 7.1 Einführung 182/476 Beispiel 73 Sei X binomialverteilt
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
Mehrwf = w 0 +E( x) Die Definition des Angebotspreises p a = wf w 0 ergibt daher: p a = E( x)
Satz: Im Fall dass die Nutzenfunktion des Entscheidungsträgers linear bezüglich des End-Vermögens ist, stimmt der Angebotspreis einer Lotterie mit deren Erwartungswert E( x) überein Da U linear ist, gilt:
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
Mehr10 Die Feynman-Kac-Formel und das Dirichlet-Problem
Die Feynman-Kac-Formel und das Dirichlet-Problem Die Feynman-Kac-Formel (nach dem Physiker und Nobelpreisträger Richard Feynman und dem Mathematiker Mark Kac) stellt den angekündigten Zusammenhang zwischen
MehrSeminar in Statistik - FS Nonparametric Bayes. Handout verfasst von. Ivo Francioni und Philippe Muller
Seminar in Statistik - FS 2008 Nonparametric Bayes Handout verfasst von Ivo Francioni und Philippe Muller Zürich, 17. März 2008 1 EINLEITUNG 1 1 Einleitung Bis jetzt haben wir in der Bayes schen Statistik
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 240/476 c Ernst W. Mayr
1.4.4 Laplace-Prinzip in kontinuierlichen Wahrscheinlichkeitsräumen Das folgende Beispiel zeigt, dass im kontinuierlichen Fall die Bedeutung von gleichwahrscheinlich nicht immer ganz klar sein muss. Bertrand
MehrStochastic Processes SS 2010 Prof. Anton Wakolbinger. Klausur am 16. Juli 2010
Stochastic Processes SS 2010 Prof. Anton Wakolbinger Klausur am 16. Juli 2010 Vor- und Nachname: Matrikelnummer: Studiengang: Tutor(in): In der Klausur können 100 Punkte erreicht werden. Die Gesamtpunktezahl
MehrErwartungswert. j=1. Beweis. Wegen der Voraussetzung nimmt die Zufallsvariable X nur endlich
Erwartungswert Naiv stellt man sich unter dem Erwartungswert einer Zufallsvariablen X Folgendes vor. Man führt das Experiment n-mal durch und bestimmt den Mittelwert (arithmetisches Mittel) der dabei für
MehrShort Rate Modelle. Simon Dettmer Betreut von: Dr. Zoran Nikolić & Dr. Tamino Meyhöfer
Seminar: Finanzmarktmodelle in der Lebensversicherung Universität zu Köln SS 2016 Short Rate Modelle Simon Dettmer 17.06.2016 Betreut von: Dr. Zoran Nikolić & Dr. Tamino Meyhöfer Motivation: Prämienberechnung
MehrKlausur,,Einführung in die W theorie
Institut für angewandte Mathematik Wintersemester 017/18 Andreas Eberle, Maximilian Fels Klausur,,Einführung in die W theorie Bitte diese Felder in Druckschrift ausfüllen Name: Matrikelnr.: Vorname: Studiengang:
MehrSeminar Differentialgleichungen Die stochastische Herleitung der Black-Scholes-Gleichung. Christopher Boortz
Seminar Differentialgleichungen Die stochastische Herleitung der Black-Scholes-Gleichung Christopher Boortz Sommersemester 25 Inhaltsverzeichnis 1 Einleitung 3 2 Stochastische Grundbegriffe 4 1 Stochastische
MehrExistenz von Gleichgewichtspreisen in zeitstetigen Finanzmarktmodellen. Kai Knipping, Matrikel:
Existenz von Gleichgewichtspreisen in zeitstetigen Finanzmarktmodellen Kai Knipping, Matrikel: 34393 13.7.21 1 Contents 1 Das Modell 3 1.1 Annahmen............................... 3 1.2 Der Finanzmarkt...........................
MehrMessbare Vektorräume
Messbare Vektorräume Hans-Jörg Starkloff TU Bergakademie Freiberg Westsächsische Hochschule Zwickau Dezember 2010 / Januar 2011 Hans-Jörg Starkloff Messbare Vektorräume 1 1. Definition Geg. X linearer
MehrMartingal-Maße. Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Manuel Müller Mathematisches Institut
Martingal-Maße Manuel Müller 29.04.2016 Mathematisches Institut Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Seite 2 Martingal-Maße 29.04.2016 Inhaltsverzeichnis
MehrParameterschätzung. Kapitel 14. Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum),
Kapitel 14 Parameterschätzung Modell Es sei {P θ θ Θ}, Θ R m eine Familie von Verteilungen auf χ (sog. Stichprobenraum), = ( 1,..., n ) sei eine Realisierung der Zufallsstichprobe X = (X 1,..., X n ) zu
MehrTECHNISCHE UNIVERSITÄT BERLIN BACHELORARBEIT. Theorie und Simulation einer zweidimensionalen stochastischen Differentialgleichung.
TECHNISCHE UNIVERSITÄT BERLIN Fakultät II Institut für Mathematik BACHELORARBEIT im Studiengang Mathematik über das Thema Theorie und Simulation einer zweidimensionalen stochastischen Differentialgleichung
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrDifferentialgeometrie I (Kurventheorie) SS 2013
Differentialgeometrie I (Kurventheorie) SS 2013 Lektion 6 5. Juni 2013 c Daria Apushkinskaya 2013 () Kurventheorie: Lektion 6 5. Juni 2013 1 / 23 8. Fundamentalsatz der lokalen Kurventheorie (Fortsetzung)
MehrKapitel II. Brownsche Bewegung. Literatur: Karatzas, Shreve (1999, Chap. 2).
Kapitel II Brownsche Bewegung Literatur: Karatzas, Shreve (1999, Chap. 2). Gegeben: Wahrscheinlichkeitsraum (Ω, A, P) mit Filtration F = (F t ) t I, wobei I = [0, [. Definition 1. W = (W t ) t I Brownsche
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
Mehr11 Stochastisches Integral und Itô-Formel
11 Stochastisches Integral und Itô-Formel Im diskreten Finanzmodell bei selbstfinanzierender Strategie ϑ = {ϑ n n=,...,n mit Anfangswert V gilt : Ṽ n ϑ = V + n ϑ T j S j. j=1 Dieser diskontierte Wertprozess
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrDynamische Portfolio-Optimierung mit partieller Information und beschränktem Ausfallrisiko
1 / 36 Dynamische Portfolio-Optimierung mit partieller Information und beschränktem Ausfallrisiko Ralf Wunderlich Brandenburgische Technische Universität Cottbus gemeinsam mit Jörn Sass (TU Kaiserslautern)
Mehr1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe
1.2 Summen von Zufallsvariablen aus einer Zufallsstichprobe Nachdem eine Stichprobe X 1,..., X n gezogen wurde berechnen wir gewöhnlich irgendwelchen Wert damit. Sei dies T = T (X 1,..., X n, wobei T auch
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrStochastik Aufgaben zum Üben: Teil 2
Prof. Dr. Z. Kabluchko Wintersemester 205/206 Hendrik Flasche Januar 206 Aufgabe Stochastik Aufgaben zum Üben: Teil 2 Es sei X eine Zufallsvariable mit Dichte f X (y) = cy 5 I y>. Bestimmen Sie c, P[2
MehrStrassen Type Theorems Proseminar Stochastik
Strassen Type Theorems Proseminar Stochastik Cecelie Hector Universität Hamburg Fachbereich Mathematik SoSe 2004 Vortrag am 25.06.04 Definition (a). Ein topologischer Raum E heißt polnisch, wenn es eine
Mehr