Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 2006

Save this PDF as:
 WORD  PNG  TXT  JPG

Größe: px
Ab Seite anzeigen:

Download "Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 2006"

Transkript

1 Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 26 Markus Reiß Universität Heidelberg VORLÄUFIGE FASSUNG: 28. Juli 26 Inhaltsverzeichnis 1 Der Poissonprozess 1 2 Allgemeine Theorie stochastischer Prozesse Grundbegriffe Der Konsistenzsatz von Kolmogorov Stetige Pfade Ergodentheorie Stationäre und ergodische Prozesse Ergodensätze Die Struktur der invarianten Maße Ergänzungen Invarianzprinzip und Brownsche Bewegung Konvergenz im Raum stetiger Funktionen Das Invarianzprinzip von Donsker Der empirische Prozess Martingale in stetiger Zeit Martingale und lokale Martingale Stetige Martingale und quadratische Variation Das Itô-Integral Konstruktion Die Itô-Formel Martingaldarstellungssätze Anwendungen in der Finanzmathematik 14 I

2 1 Der Poissonprozess Literatur. Krengel [12], Billingsley [2], Grimmet/Stirzacker [8], Durrett [5]. 1.1 Definition. Es seien (S k ) k 1 nichtnegative Zufallsvariablen auf (Ω, F, P) mit S k (ω) S k+1 (ω) für alle k 1, ω Ω. Dann heißt N = (N t, t ) mit N t := k 1 1 {Sk t}, t, Zählprozess mit Sprungzeiten (S k ). 1.2 Definition. Ein Zählprozess N heißt Poissonprozess der Intensität λ >, falls (a) P(N t+h N t = 1) = λh + o(h) für h ; (b) P(N t+h N t = ) = 1 λh + o(h) für h ; (c) die Zuwächse (N ti N ti 1 ) 1 i n sind unabhängig für = t < t 1 < < t n ; (d) die Zuwächse sind stationär: N t N s d = Nt s für alle t s. 1.3 Satz. Für einen Zählprozess N mit Sprungzeiten (S k ) sind äquivalent: (a) N ist Poissonprozess; (b) N erfüllt Bedingungen (c),(d) an einen Poissonprozess, und es gilt N t Poiss(λt) für alle t > ; (c) T 1 := S 1, T k := S k S k 1, k 2, sind unabhängige Exp(λ)-verteilte Zufallsvariablen; (d) N t Poiss(λt) für alle t > und die bedingte Dichte von (S 1,..., S n ) gegeben {N t = n} ist gegeben durch f(x 1,..., x n ) = n! t n 1 { x1 x n t}. (1.1) (e) N erfüllt Bedingung (c) an einen Poissonprozess und E[N 1 ] = λ, sowie (1.1) gibt die bedingte Dichte von (S 1,..., S n ) gegeben {N t = n} an. 2 Allgemeine Theorie stochastischer Prozesse Literatur. Bauer [1], Gänssler/Stute [7], Billingsley [2], Klenke [11]. 1

3 2.1 Grundbegriffe 2.1 Definition. Eine Familie X = (X t, t T ) von Zufallsvariablen auf einem Wahrscheinlichkeitsraum (Ω, F, P) heißt stochastischer Prozess. Bei T = N spricht man von diskreter Zeit, bei T = R + = [, ) von stetiger Zeit. Sind alle X t (S, S )-wertig, so heißt (S, S ) Zustandsraum von X. Für jedes feste ω Ω heißt die Abbildung t X t (ω) Pfad, Trajektorie oder Realisierung von X. 2.2 Lemma. Ist (X t, t T ) ein stochastischer Prozess mit Zustandsraum (S, S ), so ist X : Ω S T mit X(ω)(t) := Xt (ω) eine (S T, S T )-wertige Zufallsvariable. 2.3 Definition. Für einen stochastischen Prozess (X t, t T ) heißen die Verteilungen der Zufallsvektoren (X t1,..., X tn ) mit n 1, t 1,..., t n T endlich-dimensionale Verteilungen von X. Man schreibt P t1,...,t n = P (Xt 1,...,Xtn). 2.4 Lemma. Die endlich-dimensionalen Verteilungen (P t1,...,t n ) eines stochastischen Prozesses mit Zustandsraum (S, S ) erfüllen folgende Konsistenzbedingung: I J T mit I, J endlich A S I : P J (π 1 J,I (A)) = P I(A), (2.1) wobei π J,I : S J S I die Koordinatenprojektion von S J auf S I bezeichnet. 2.5 Definition. Zwei Prozesse (X t, t T ), (Y t, t T ) auf (Ω, F, P) heißen (a) ununterscheidbar, falls P( t T : X t = Y t ) = 1; (b) Versionen voneinander, falls t T : P(X t = Y t ) = Definition. Ein Prozess X heißt stochastisch stetig, falls aus t n t stets X tn X t in stochastischer Konvergenz folgt. 2.2 Der Konsistenzsatz von Kolmogorov 2.7 Definition. Ein System C P(Ω) von Teilmengen von Ω heißt kompaktes Mengensystem, falls es zu jeder Folge (C n ) in C mit n 1 C n = ein n N gibt mit n n C n =. Ein Inhalt µ : A R + auf einer Algebra A über Ω ist eine additive Mengenfunktion. µ heißt kompakt approximierbar, falls A A, ε > C C, C A : µ(a \ C) < ε. 2.8 Satz. Ein kompakt approximierbarer Inhalt auf einer Algebra ist bereits σ-additiv, also ein Prämaß. 2.9 Definition. Ein vollständiger separabler metrischer Raum heißt polnisch und wird kanonisch mit seiner Borel-σ-Algebra versehen. 2

4 2.1 Lemma. Es sei (S, S ) polnisch und T eine nichtleere Menge. Außerdem bezeichne π I : S T S I für I T die Koordinatenprojektion. Dann sind C := t T D := I T I endl. π 1 {t} ({K S K kompakt}) = t T{K t S T \{t} K t S kompakt}, π 1 I ({K S I K kompakt}) = kompakte Mengensysteme über S T. I T I endl. {K I S T \I K I S I kompakt} 2.11 Satz (Konsistenzsatz). Es sei (S, S ) ein polnischer Raum und T eine nichtleere Menge. Für jede endliche Teilmenge I T sei ein Wahrscheinlichkeitsmaß P I auf (S I, S I ) gegeben, so dass (P I ) I die Konsistenzbedingung (2.1) erfüllt. Dann existiert ein eindeutig bestimmtes Wahrscheinlichkeitsmaß P auf (S T, S T ), so dass P(π 1 I (B)) = P I (B) gilt für alle I und B S I Korollar. Zu einer vorgegebenen konsistenten Familie von Wahrscheinlichkeitsmaßen P I auf (S I, S I ) existiert ein stochastischer Prozess mit endlich-dimensionalen Verteilungen (P I ) Korollar. Für eine Familie (P t ) t T von Wahrscheinlichkeitsmaßen auf einem polnischen Raum (S, S ) existiert das Produktmaß t T P t auf (S T, S T ). 2.3 Stetige Pfade 2.14 Lemma. Ist (S, S ) ein Messraum und T eine nichtleere Menge, so existiert zu jedem B S T eine abzählbare Menge I T derart, dass x S T, y B : ( x(t) = y(t) für alle t I ) x B Korollar. Ist (S, S ) ein mindestens zweielementiger metrischer Raum mit beliebiger σ-algebra, so liegt die Menge C(R +, S) der stetigen Funktionen von R + nach S nicht in S R Definition. Ein Prozess (Y t, t ) heißt stetige Version (oder stetige Modifikation) eines Prozesses (X t, t ), falls Y eine Version von X ist und alle Pfade t Y t (ω) stetig sind Satz. Ein Prozess (X t, t ) besitzt eine stetige Version, falls: (a) X ist stochastisch stetig; (b) es gibt eine Nullmenge N und eine abzählbare dichte Teilmenge D R +, so dass für alle ω N C der eingeschränkte Pfad D t X t (ω) gleichmäßig auf D [, T ] stetig ist für jedes T > (Separabilität) Satz (Stetigkeitssatz von Kolmogorov & Chentsov). Ein reellwertiger Prozess (X t, t ) erlaubt eine stetige Version, sofern es Konstanten α >, β >, C > gibt mit s, t : E[ X s X t α ] C s t 1+β. 3

5 3 Ergodentheorie Literatur. Shiryayev [16], Karlin/Taylor [1], Klenke [11], Petersen [14], Da Prato/Zabczyk [4]. 3.1 Stationäre und ergodische Prozesse 3.1 Definition. Ein stochastischer Prozess (X t, t T ) mit T {N, Z, R +, R} heißt stationär, falls (X t1,..., X tn ) d = (X t1 +s,..., X tn+s) gilt für alle n 1, t 1,, t n T und s T. 3.2 Definition. Eine messbare Abbildung T : Ω Ω auf einem Wahrscheinlichkeitsraum (Ω, F, P) heißt maßerhaltend, falls P(T 1 (A)) = P(A) für alle A F gilt. 3.3 Lemma. (a) Jeder reellwertige stationäre Prozess (X n, n ) induziert eine maßerhaltende Transformation T auf (R N, B N R, P X ) gemäß T ((x, x 1, x 2,...)) = (x 1, x 2, ) (Linksshift). (b) Für eine Zufallsvariable Y und eine maßerhaltende Abbildung T auf (Ω, F, P) bildet X n (ω) := Y (T n (ω)), n, (T := Id) einen stationären Prozess. 3.4 Definition. Ein Ereignis A heißt (fast) invariant bezüglich einer maßerhaltenden Transformation T auf (Ω, F, P), falls P(T 1 (A) A) = gilt. Die σ- Algebra (!) aller (fast) invarianten Ereignisse wird mit I T bezeichnet. T heißt ergodisch, falls I T trivial ist, d.h. P(A) {, 1} für alle A I T gilt. 3.5 Lemma. Für eine maßerhaltende Transformation T gilt: (a) Eine Zufallsvariable Y ist genau dann I T -messbar, wenn sie T -invariant ist, d.h. Y T = Y P-f.s. gilt. Insbesondere ist T ergodisch genau dann, wenn jede beschränkte und T -invariante Zufallsvariable P-f.s. konstant ist. (b) Für jedes Ereignis A I T gibt es ein strikt invariantes Ereignis B (d.h. T 1 (B) = B) mit P(A B) =. 3.2 Ergodensätze 3.6 Lemma (Maximallemma, maximaler Ergodensatz). Es seien X L 1 und T maßerhaltend auf (Ω, F, P). Mit den Bezeichnungen S n := n 1 i= X T i, S := und M n := max{s,..., S n } gilt E[X1 {Mn>}]. 3.7 Satz (Birkhoffscher oder individueller Ergodensatz). Es seien X L 1 und T maßerhaltend auf (Ω, F, P). Dann gilt n 1 1 lim X T i = E[X I T ] P-f.s. und in L 1. n n i= 4

6 Ist T sogar ergodisch, so gilt n 1 1 lim X T i = E[X] P-f.s. und in L 1. n n i= 3.8 Satz (L p -Version). Es seien X L p, p 1, und T maßerhaltend auf (Ω, F, P). Dann gilt n 1 1 lim X T i = E[X I T ] P-f.s. und in L p. n n i= 3.9 Korollar. Es sei (X n, n ) ein ergodischer Prozess in L 1 (d.h. X ist stationär, X n L 1 und der assoziierte Linksshift auf (R N, B N R, PX ) ist ergodisch). Dann gilt n 1 1 lim X i = E[X 1 ] P-f.s. und in L 1. n n i= Insbesondere gilt das starke Gesetz der großen Zahlen für unabhängige, identisch verteilte Zufallsvariablen (X n ) in L Korollar. Eine maßerhaltende Abbildung T auf (Ω, F, P) ist genau dann ergodisch, wenn A, B F : n 1 1 lim P(A T i (B)) = P(A) P(B). n n i= 3.3 Die Struktur der invarianten Maße 3.11 Definition. Es sei T : Ω Ω messbar auf (Ω, F ). Jedes Wahrscheinlichkeitsmaß µ auf F mit µ(t 1 (A)) = µ(a) für alle A F heißt invariant bezüglich T. Ist T sogar ergodisch auf (Ω, F, µ), so wird auch µ ergodisch genannt. Die Menge aller invarianten Wahrscheinlichkeitsmaße bezüglich T wird mit M T bezeichnet Lemma. M T ist konvex Satz. Je zwei verschiedene, bezüglich T ergodische Maße sind singulär Satz. Die ergodischen Maße bezüglich T bilden genau die Extremalpunkte der konvexen Menge M T Korollar. Besitzt T genau ein invariantes Wahrscheinlichkeitsmaß, so ist dieses ergodisch. 5

7 3.4 Ergänzungen 3.16 Definition. Eine maßerhaltende Abbildung T auf (Ω, F, P) heißt mischend, falls A, B F : lim P(A T n (B)) = P(A) P(B) n gilt. Sie heißt gleichmäßig, stark oder α-mischend, wenn α n := sup P(A T n (B)) P(A B) n. A,B F 3.17 Satz (ZGWS unter Mischung). Ist T stark mischend mit Koeffizienten α n = O(n 5 ) und X L 12 auf (Ω, F, P), so gilt ( n 1 1 lim Var n X T i) = n i= i n 1 1 (X T i E[X]) d N(, σ 2 ). n i= E[X (X T i )] =: σ 2 ; 3.18 Definition. Eine Familie (T t ) t messbarer Abbildungen T t : Ω Ω auf (Ω, F, P) heißt Fluss, falls (a) s, t : T s T t = T s+t (Halbgruppeneigenschaft); (b) (ω, t) T t (ω) ist (F B R +, F )-messbar. (T t ) heißt maßerhaltend, falls P(Tt 1 (B)) = P(B) für alle t, B F gilt Definition. Ein Ereignis A mit P(Tt 1 (A) A) = für alle t > heißt (fast) invariant bezüglich (T t ), und I T bezeichnet die σ-algebra (!) aller bezüglich (T t ) (fast) invarianten Mengen. 3.2 Satz (Ergodensatz in stetiger Zeit). Es seien (T t ) ein maßerhaltender Fluss und X L p, p 1, auf (Ω, F, P). Dann gilt 1 lim t t X T s ds = E[X I T ] P-f.s. und in L p. 4 Invarianzprinzip und Brownsche Bewegung Literatur. Billinsley [3], Klenke [11], Gänssler/Stute [7], Karatzas/Shreve [9]. 4.1 Konvergenz im Raum stetiger Funktionen 4.1 Definition. Wir setzen C([, T ]) := {f : [, T ] R f stetig}, f := sup t f(t) und versehen den normierten Raum (C([, T ]), ) mit seiner Borel-σ-Algebra B C. 4.2 Satz. (C([, T ]), ) ist ein Banachraum, d.h. ein vollständiger normierter Vektorraum. 6

8 4.3 Lemma. Es gilt B C = σ(π t, t [, T ]) mit den Projektionen π t : C([, T ]) R, π t (f) = f(t). 4.4 Korollar. (a) Jeder Prozess (X t, t T ) mit stetigen Pfaden kann als C([, T ])- wertige Zufallsvariable angesehen werden. (b) Ein Wahrscheinlichkeitsmaß P auf B C ist bereits durch seine endlichdimensionalen Verteilungen P(πt 1 1,...,t n (B n )), n 1, B n B R n, π t1,...,t n (f) = (f(t 1 ),..., f(t n )), eindeutig bestimmt. 4.5 Satz. Eine Folge (µ n ) n 1 von Wahrscheinlichkeitsmaßen auf B C konvergiert genau dann schwach gegen ein Wahrscheinlichkeitsmaß µ, wenn alle endlich-dimensionalen Verteilungen von (µ n ) gegen die von µ konvergieren und die Folge (µ n ) n 1 straff ist. 4.6 Definition. Für f C([, T ]) und δ > wird der Stetigkeitsmodul definiert als ω δ (f) := max{ f(s) f(t) s, t [, T ], s t δ}. 4.7 Satz (Arzelà-Ascoli). Eine Teilmenge A C([, T ]) ist genau dann relativ kompakt, wenn (a) sup f A f() < (gleichmäßige Beschränktheit) sowie (b) lim δ sup f A ω δ (f) = (gleichgradige Stetigkeit). 4.8 Korollar. Eine Folge (µ n ) n 1 von Wahrscheinlichkeitsmaßen auf B C ist genau dann straff, wenn (a) lim R sup n µ n ({ f() > R}) = sowie (b) lim δ lim sup n µ n ({ω δ (f) ε}) = für alle ε >. 4.9 Lemma. Eine Folge (µ n ) n 1 von Wahrscheinlichkeitsmaßen auf B C ist bereits dann straff, wenn (a) lim R sup n µ n ({ f() > R}) = sowie (b ) lim δ lim sup n sup t [,T δ] δ 1 µ n ({max s [t,t+δ] f(s) f(t) ε}) = für alle ε >. 4.1 Satz. Es sei (X (n) t, t T ) eine Folge stetiger Prozesse mit Verteilungen µ n auf B C. Hinreichend für Bedingung (b ) im obigen Lemma ist dann: (b ) α, β >, K > n 1, s, t [, T ] : E[ X (n) s 7 X (n) t α ] K s t 1+β.

9 4.2 Das Invarianzprinzip von Donsker 4.11 Satz (Donsker, Funktionaler ZGWS). Es sei (X k ) eine Folge unabhängiger, identisch verteilter Zufallsvariablen in L 2 mit E[X k ] =, Var(X k ) = 1. Setze S n := n k=1 X k sowie Y (n) t := 1 ( S n nt + (nt nt )X nt +1 ), t [, 1]. Dann gilt Y (n) d B mit einer Brownschen Bewegung (Bt, t 1) und Konvergenz in Verteilung auf (C([, 1]), B C ) Lemma. Mit den Bezeichnungen aus dem Satz gilt für alle λ >, N N ( P max S i λ ) ( N P S N (λ 2) ) N. 1 i N 4.13 Korollar. Die Brownsche Bewegung existiert (auf dem Intervall [, 1]) Satz (Spiegelungsprinzip). Es sei (X k ) eine Folge unabhängiger, identisch verteilter Zufallsvariablen in L 2 mit E[X k ] =, Var(X k ) = 1. Setze S n := n k=1 X k, M n := 1 n max 1 i n S i. Dann folgt M n d B1 mit B 1 N(, 1). Ebenso gilt für die Brownsche Bewegung B: max t T B t d = BT. 4.3 Der empirische Prozess 4.15 Definition. Es seien X 1,..., X n unabhängige, identisch verteilte Zufallsvariablen mit Verteilungsfunktion F auf R. Dann bezeichnet F n (x) := 1 n 1 n {Xk x}, x R, k=1 die empirische Verteilungsfunktion. Für jedes n 1 heißt Y (n) (x) := n(f n (x) F (x)), x R, empirischer Prozess bei n Beobachtungen oder Realisierungen Lemma. Für jedes x R und n gilt Y (n) (x) d N(, F (x)(1 F (x))) Satz. Es seien (X k ) k 1 unabhängige U([, 1])-verteilte Zufallsvariablen sowie Ỹ (n) die lineare Interpolation des zugehörigen empirischen Prozesses Y (n) an den Punkten (X k ) 1 k n mit Ỹ (n) () = Ỹ (n) (1) =. Dann gilt Ỹ (n) d B in (C([, 1]), B C ), wobei (B x, x 1) eine Brownsche Brücke ist Korollar (Kolmogorov-Smirnov). Es seien X 1,..., X n unabhängige, identisch verteilte Zufallsvariablen mit stetiger Verteilungsfunktion F sowie T n =:= d n sup x R F n (x) F (x). Dann gilt T n max t 1 B (t) mit einer Brownschen Brücke B. 8

10 5 Martingale in stetiger Zeit Literatur. Karatzas/Shreve [9], Revuz/Yor [15], Klenke [11], Øksendal [13]. 5.1 Martingale und lokale Martingale 5.1 Definition. Eine Familie (F t ) t von σ-algebren mit F s F t für s t heißt Filtration. Das Tupel (Ω, F, P, (F t )) mit einem Wahrscheinlichkeitsraum (Ω, F, P) und einer Filtration (F t ), die F t F für alle t erfüllt, heißt filtrierter Wahrscheinlichkeitsraum. Ein Prozess (X t, t ) auf (Ω, F, P, (F t )) heißt adaptiert, wenn X t F t -messbar ist für alle t. Eine Zufallsvariable τ : Ω [, ] heißt Stoppzeit bezüglich (F t ), falls {τ t} F t für alle t gilt. Mit F τ := {A F A {τ t} F t für alle t } wird die σ-algebra der τ-vergangenheit bezeichnet. 5.2 Lemma. Es sei X ein stetiger Prozess und F R abgeschlossen. Dann ist τ F := inf{t X t F } eine Stoppzeit bezüglich der kanonischen Filtration (F X t ). 5.3 Definition. Ein (F t )-adaptierter Prozess X heißt Martingal (bzw. Submartingal, Supermartingal), falls (a) X t L 1, t, und (b) E[X t F s ] = X s P-f.s. für alle s t gilt (bzw für Submartingal, für Supermartingal). 5.4 Definition. Ein Prozess (X t, t ) heißt progressiv messbar bezüglich (F t ) t, falls für jedes T die Abbildung (t, ω) X t (ω) auf [, T ] Ω bezüglich der Produkt-σ-Algebra B [,T ] F T messbar ist. 5.5 Satz. Jeder adaptierte rechtsstetige oder linksstetige Prozess ist progressiv messbar. 5.6 Satz. Ist τ eine endliche Stoppzeit und X progressiv messbar, so ist X τ eine F τ -messbare Zufallsvariable. 5.7 Satz. (a) Ist (X t, t ) ein Martingal, ϕ eine konvexe Funktion und ϕ(x t ) L 1, t, dann ist (ϕ(x t ), t ) ein Submartingal. Insbesondere ist für ein L 2 -Martingal X der Prozess (X 2 t, t ) ein Submartingal. (b) Es sei (X t, t ) ein Submartingal mit rechtsstetigen Pfaden. Dann gilt: (i) P(sup u t X u α) 1 α E[X t ] für alle α >, t. (ii) E[sup u t X u p ] (p/(p 1)) p E[ X t p ] für alle p > 1, t (Doobsche Martingalungleichung). 9

11 (iii) Wenn sup t<t E[ X t ] endlich ist für T (, ], so existiert lim t T X t P-f.s. und liegt in L 1. (iv) Sind σ τ beschränkte Stoppzeiten, so gilt E[X τ F σ ] X σ P-f.s. sowie Gleichheit für Martingale X. 5.8 Definition. (X t, t ) heißt lokales Martingal bezüglich (F t ), falls es (F t )-Stoppzeiten τ n gibt mit τ n P-f.s. derart, dass die gestoppten Prozesse Xt τn := X t τn, t, (F t )-Martingale sind für alle n 1. (τ n ) n 1 wird lokalisierende Folge von Stoppzeiten genannt. 5.9 Definition. Ein Prozess X der Form X t (ω) = ξ (ω)1 {} (t) + ξ i (ω)1 (ti,t i+1 ](t), t, ω Ω, i= mit = t < t 1 < und t i sowie F ti -messbaren, beschränkten Zufallsvariablen ξ i heißt einfacher Prozess. Für einen solchen einfachen Prozess X und einen weiteren Prozess Y definiert man (X Y ) t := ξ i (Y t ti+1 Y t ti ), t. i= 5.1 Satz. Ist M ein Martingal (bzw. lokales Martingal) und X einfach, so ist X M wiederum ein Martingal (bzw. lokales Martingal). 5.2 Stetige Martingale und quadratische Variation 5.11 Definition. Im folgenden sei stets ein filtrierter Wahrscheinlichkeitsraum (Ω, F, P, (F t )) fest vorgegeben. Mit Mc 2 werde die Menge aller stetiger (F t )- Martingale (M t, t ) mit M = und M t L 2, t, bezeichnet. Setze für M Mc 2 M M 2 c := 2 n ( M n L 2 1). n= Lemma. M 2 c ist ein Vektorraum und d(m, N) := M N M 2 c eine Metrik auf M 2 c, sofern ununterscheidbare Martingale identifiziert werden Satz. (M 2 c, d) ist ein vollständiger metrischer Raum Satz. Ist M M 2 c von endlicher Variation auf [, T ], so ist M P-f.s. konstant auf [, T ] Korollar. Jedes nicht-triviale (d.h. nicht P-f.s. konstante) stetige Martingal besitzt unbeschränkte Variation, ist also insbesondere nicht differenzierbar Definition. Für eine Partition Π = { = t < t 1 < < t m = T } von [, T ] und einen Prozess (X t, t ) setze V 2 t,π(x) := m (X t ti X t ti 1 ) 2, t [, T ]. i=1 1

12 Falls es einen Prozess ( X t, t ) gibt, so dass für T > und alle Folgen von Partitionen (Π n ) mit Π n gilt V 2 T,Π n (X) P X T für n, so heißt X quadratischer Variationsprozess von X Satz. Jedes beschränkte und stetige Martingal M besitzt einen quadratischen Variationsprozess M. Dieser ist (bis auf Ununterscheidbarkeit) eindeutig charakterisiert als einziger Prozess mit stetigen, monoton wachsenden Pfaden, so dass M = und (M 2 t M t, t ) ein Martingal ist Korollar. Zu jedem stetigen lokalen Martingal M existiert ein quadratischer Variationsprozess M, der (bis auf Ununterscheidbarkeit) eindeutig charakterisiert ist als einziger stetiger, monoton wachsender Prozess, so dass M = und (M 2 t M t, t ) ein lokales Martingal ist. 6 Das Itô-Integral Literatur. Karatzas/Shreve [9], Revuz/Yor [15], Klenke [11], Øksendal [13]. 6.1 Konstruktion 6.1 Definition. Mit L werde die Menge der einfachen Prozesse bezeichnet. Für ein Martingal M Mc 2 sei L M die Menge aller progressiv messbaren Prozesse (X t, t ) mit [ T > : X 2 T ] M,T := E Xt 2 d M t <. Für X L M setze X LM := n 1 2 n ( X M,n 1). 6.2 Satz. (L M, d M ) mit d M (X, Y ) := X Y LM ist ein vollständiger metrischer Raum (bei Identifizierung von Prozessen X, Y mit X Y LM = ). 6.3 Satz. Für M M 2 c und einfache Prozesse X L besitzt das Integral X s dm s := (X M) t folgende Eigenschaften: (a) X s dm s Mc 2, insbesondere also X s dm s =, E[ X u dm u F s ] = s X u dm u für s t. (b) X s dm s t = X2 s d M s, insbesondere also E[( X s dm s ) 2 ] = E[ X2 s d M s ] (Itô-Isometrie) und X s dm s M 2 c = X LM. (c) Für α R und X, Y L gilt (αx s + Y s ) dm s = α X s dm s + Y s dm s, t. 6.4 Korollar. Die Abbildung X X s dm s ist eine lineare und isometrische Abbildung vom Unterraum L L M der einfachen Prozesse nach M 2 c. Diese kann in eindeutiger Weise (bis auf Ununterscheidbarkeit) stetig auf den Abschluss L L M fortgesetzt werden. 11

13 6.5 Satz. Zu jedem beschränkten, progressiv messbaren Prozess X und T > existiert eine Folge (X (m) ) einfacher Prozesse mit [ T lim E m 6.6 Satz. Es gilt L = L M. (X (m) t ] X t ) 2 dt =. 6.7 Definition. Für X L M ist das Itô-Integral definiert als eindeutiger Grenzwert von Integralen über einfache Prozesse X (m) mit lim m X X (m) LM = : X s dm s := lim m X (m) s dm s (Konvergenz in M 2 c ). 6.8 Satz. Für M M 2 c und X L M besitzt das Itô-Integral folgende Eigenschaften: (a) X s dm s Mc 2, insbesondere also X s dm s =, E[ X u dm u F s ] = s X u dm u für s t. (b) X s dm s t = X2 s d M s, insbesondere also E[( X s dm s ) 2 ] = E[ X2 s d M s ] (Itô-Isometrie) und X s dm s M 2 c = X LM. (c) Für α R und X, Y L M t Y s dm s, t. gilt (αx s + Y s ) dm s = α X s dm s Korollar. Für die Brownsche Bewegung B und X, Y L B gilt [ ] [( )( )] [ E X s db s =, E X s db s Y s db s = E ] X s Y s ds. 6.1 Definition. Für ein stetiges lokales Martingal M mit M = sei L M,loc die Menge der progressiv messbaren Prozesse X mit P( T X2 t d M t < ) = 1 für alle T >. Ist (σ n ) eine lokalisierende Folge von Stoppzeiten für M und ρ n := inf{t X2 s d M s n} n, so setze τ n := σ n ρ n und definiere das erweiterte Itô-Integral X s dm s := lim n X τn s dm τn s Satz. Das erweiterte Itô-Integral ist wohldefiniert, linear im Integranden und ein stetiges lokales Martingal mit quadratischer Variation X s dm s t = X2 s d M s, t. 6.2 Die Itô-Formel 6.12 Definition. Ein stetiges Semimartingal (X t, t ) bezüglich (F t ) ist ein Prozess, der sich schreiben lässt als X t = M t + A t, t, 12

14 mit einem stetigen lokalen (F t )-Martingal M mit M = und einem (F t )- adaptierten stetigen Prozess A, der Pfade von endlicher Variation besitzt. Man setzt Y s dx s := Y s dm s + Y s da s, t, sofern Y L M,loc und für alle ω, t das Stieltjes-Integral Y s(ω) da s (ω) wohldefiniert ist Lemma. Für ein stetiges Semimartingal X = M + A gilt X t = M t Satz. Für stetige Semimartingale X und Y gilt die Formel der partiellen Integration: X t Y t = X Y + X s dy s + insbesondere auch X 2 t = X X s dx s + X t. Y s dx s + X, Y t, t, 6.15 Satz (Itô-Formel). Ist X ein stetiges Semimartingal und f C 2 (R), so ist f(x) ein stetiges Semimartingal, und es gilt: f(x t ) = f(x ) + f (X s ) dx s f (X s ) d X s, t Satz (mehrdimensionale Itô-Formel). Ist X = (X 1,..., X d ) ein Vektor von d stetigen Semimartingalen und f C 2 (R d ), so gilt: f(x t ) = f(x ) + d i=1 f x i (X s ) dx i s d i,j=1 2 f x i x j (X s ) d X i, X j s Korollar. Ist X ein stetiges Semimartingal und f C 2 (R 2 ), so gilt: f f(x t, t) = f(x, )+ x (X s, s) dx s f f (X 2 x 2 s, s) d X s + t (X s, s) ds. 6.3 Martingaldarstellungssätze 6.18 Satz (Lévy). Für einen Prozess B sind äquivalent: (a) B ist eine Brownsche Bewegung. (b) B ist ein stetiges lokales Martingal mit B = und B t = t, t Satz. Es sei M ein stetiges lokales Martingal, dessen quadratische Variation P-f.s. absolut stetig ist. Dann existiert (möglicherweise auf einem erweiterten Wahrscheinlichkeitsraum) eine Brownsche Bewegung B und ein Prozess X L B,loc, so dass M t = M + X s db s, t. 13

15 6.2 Satz. Es sei B eine Brownsche Bewegung mit kanonischer Filtration (Ft B ). Dann ist jedes (Ft B )-Martingal M darstellbar als M t = M + H s db s P-f.s., t, mit einer Konstanten M und einem Prozess H L B,loc. Insbesondere besitzt M also eine stetige Version mit absolut-stetiger quadratischer Variation Satz. Ist M ein stetiges lokales Martingal mit M = und M =, so ist τ t := inf{s M s > t}, t, eine Stoppzeit bezüglich der um Nullmengen vervollständigten Filtration. Der Prozess B t := M τt ist eine Brownsche Bewegung, und es gilt M t = B M t. 7 Anwendungen in der Finanzmathematik Literatur. Elliot/Kopp [6], Karatzas/Shreve [9], Øksendal [13] In einem einfachen Modell eines Finanzmarkts gibt es zwei Anlagemöglichkeiten: (a) eine risikolose Anlage (Anleihe) mit deterministischem Wert S t = e rt zur Zeit t ; (b) eine risikobehaftete Anlage (Aktie), deren Wert St 1 zur Zeit t durch ein stetiges Semimartingal modelliert wird, das an die verfügbaren Informationen F t zur Zeit t adaptiert ist. Der Wert eines Portfolios zur Zeit t, bestehend aus Ht Aktien, ist gegeben durch Anleihen und H 1 t V t = H t S t + H 1 t S 1 t, t (Vermögensprozess). Eine selbstfinanzierende Anlagestrategie ist ein (F t )-adaptierter Prozess (H t, H 1 t, t ), so dass dv t = H t ds t + H 1 t ds 1 t, t. Dabei wird vorausgesetzt, dass die zugehörigen Integrale wohldefiniert sind. Führe diskontierte Größen ein: S t := 1, S1 t = e rt S 1 t, Ṽ t = e rt V t. Bei selbstfinanzierender Strategie gilt Ṽt = V + H1 ud S u. 1 Eine europäische Calloption gibt dem Besitzer das Recht, zum Fälligkeitstermin (maturity) T > eine Aktie zum Ausübungspreis (strike) K > zu kaufen. Ihr Wert zur Zeit T ist also C T := (ST 1 K)+ := max(st 1 K, ). Betrachte das Black-Scholes-Modell: ds 1 t = µs 1 t dt + σs 1 t db t, t. 14

16 Bezeichnet C t = C(St 1, t) den fairen Preis der Option zur Zeit t [, T ] und C t = e rt C t, so gilt C t = C + C( S S u, 1 u) d S u 1 mit dem fairen Preis zur Zeit t = (Black-Scholes-Formel) C = S 1 Φ(y) Ke rt Φ(y σ T ), wobei y := log(s1 /K)+T (r+σ2 /2) σ und Φ die Verteilungsfunktion von N(, 1) bezeichnet. T Literatur [1] Bauer, H. (22) Wahrscheinlichkeitstheorie, 5. Auflage, de Gruyter. [2] Billingsley, P. (1986) Probability and Measure, 2nd Edition, Wiley. [3] Billingsley, P. (1999) Convergence of Probability Measures, 2nd Edition, Wiley. [4] Da Prato, G. and Zabczyk, J. (1996) Ergodicity for Infinite Dimensional Systems, Cambridge University Press. [5] Durrett, R. (1999) Essentials of Stochastic Processes, Springer. [6] Elliot, R.J. and Kopp, P.E. (1999) Mathematics of Financial Markets, Springer. [7] Gänssler, P. und Stute, W. (1977) Wahrscheinlichkeitstheorie, Springer. [8] Grimmet, G. and Stirzacker, D. (21) Probability and Random Processes, 3rd Edition, Oxford University Press. [9] Karatzas, I. and Shreve, S.E. (1999) Brownian Motion and Stochastic Calculus, 2nd Edition, Springer. [1] Karlin, S. and Taylor, H.M. (1975) A First Course in Stochastic Processes, 2nd Edition, Academic Press. [11] Klenke, A. (26) Wahrscheinlichkeitstheorie, Springer. [12] Krengel, U. (23) Einführung in die Wahrscheinlichkeitstheorie und Statistik, 7. Auflage, Vieweg. [13] Øksendal, B. (22) Stochastic Differential Equations, 5th Edition, Springer. [14] Petersen, K. (1989) Ergodic Theory, Cambridge University Press. [15] Revuz, D. and Yor, M. (1999) Continuous Martingales and Brownian Motion, 3rd Edition, Springer. [16] Shiryayev, A.N. (1984) Probability, Springer. 15

1 Stochastische Prozesse in stetiger Zeit

1 Stochastische Prozesse in stetiger Zeit 1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.

Mehr

3 Markov-Eigenschaft der Brownschen Bewegung

3 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

Mehr

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele

Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele Kapitel 6 Martingale In der Statistik modellieren Martingale z.b. Glücksspiele oder Handelsstrategien in Finanzmärkten und sind ein grundlegendes Hilfsmittel für die statistische Inferenz stochastischer

Mehr

Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik

Vorlesung 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

Mehr

Kapitel 6 Martingale

Kapitel 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

Mehr

Stochastische Analysis

Stochastische Analysis Stochastische Analysis SS1 von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 6. Mai 21 Inhaltsverzeichnis 1 Motivation / Einführung 4 1.1 Motivation anhand

Mehr

Angewandte Stochastik

Angewandte Stochastik Angewandte Stochastik Dr. C.J. Luchsinger 17 Crash Course Brownsche Bewegung (stetige Zeit, stetiger Zustandsraum); Pricing & Hedging von Optionen in stetiger Zeit Literatur Kapitel 17 * Uszczapowski:

Mehr

Brownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm

Brownsche 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

Mehr

Finanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/

Finanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/ Finanzmathematik - Wintersemester 2007/08 http://code.google.com/p/mitgetexed/ Stand: 4. November 2007 Inhaltsverzeichnis 1 Motivation und erste Begriffe 2 2 Endliche Finanzmärkte 4 3 Das Cox-Ross-Rubinstein-Modell

Mehr

Amerikanischen Optionen

Amerikanischen Optionen Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.

Mehr

Terminologie Stochastischer Prozesse

Terminologie Stochastischer Prozesse Terminologie Stochastischer Prozesse Nikolai Nowaczyk 2014-03-31 Dieses Script ist die Ausarbeitung zum einem Vortrag, gehalten im Seminar zur Wahrscheinlichkeitstheorie im SS 14 an der Uni Regensburg.

Mehr

Stochastik I. Vorlesungsmitschrift

Stochastik I. Vorlesungsmitschrift Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................

Mehr

Martingal-Maße. Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Manuel Müller Mathematisches Institut

Martingal-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

Mehr

2 Brownsche Bewegung. Wahrscheinlichkeitstheorie III Teil Der Wienerraum

2 Brownsche Bewegung. Wahrscheinlichkeitstheorie III Teil Der Wienerraum 8 Wahrscheinlichkeitstheorie III Teil 3 Brownsche Bewegung Wir haben die Brownsche Bewegung bereits als Grenzwert reskalierter Irrfahrten in der VL WTH II kennengelernt siehe dazu Abschnitt 5.. In diesem

Mehr

Schwach ergodische Prozesse

Schwach ergodische Prozesse Schwach ergodische Prozesse Von der Fakultät für Naturwissenschaften der Universität Duisburg-Essen (Standort Duisburg) zur Erlangung des akademischen Grades eines Doktors der Naturwissenschaften genehmigte

Mehr

Exkurs: Polnische Räume

Exkurs: Polnische Räume Ein normaler Hausdorff-Raum mit abzählbarer Basis kann auf viele Weisen metrisiert werden; man kann insbesondere eine einmal gewonnene Metrik in vielerlei Weise abändern, ohne die von ihr erzeugte Topologie

Mehr

8 Verteilungsfunktionen und Dichten

8 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

Mehr

3. Modelle in stetiger Zeit, Black Scholes

3. Modelle in stetiger Zeit, Black Scholes 3. Modelle in stetiger Zeit, Black Scholes Nach einführenden Bemerkungen werden kurz die Brownsche Bewegung und Martingale in stetiger Zeit besprochen. Dann folgen die Entwicklung des stochastischen Integrals

Mehr

Mengensysteme, Wahrscheinlichkeitsmaße

Mengensysteme, Wahrscheinlichkeitsmaße Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen

Mehr

7. Die Brownsche Bewegung

7. Die Brownsche Bewegung 7. DIE BROWNSCHE BEWEGUNG 7 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen

Mehr

Grundlagen der Stochastischen Analysis. Egbert Dettweiler

Grundlagen der Stochastischen Analysis. Egbert Dettweiler Grundlagen der Stochastischen Analysis Egbert Dettweiler Vorwort Der erste Teil des vorliegenden Manuskripts ist im wesentlichen eine Vorlesungsausarbeitung einer im Sommersemester 23 an der Universität

Mehr

Zusammenfassung der Lebesgue-Integrationstheorie

Zusammenfassung der Lebesgue-Integrationstheorie Zusammenfassung der Lebesgue-Integrationstheorie Das Lebesguesche Integral verallgemeinert das Riemannsche Integral. Seine Vorteile liegen für unsere Anwendungen vor allem bei den wichtigen Konvergenzsätzen,

Mehr

Absolute Stetigkeit von Maßen

Absolute Stetigkeit von Maßen Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches

Mehr

Brownsche Bewegung. M. Gruber. 19. März Zusammenfassung

Brownsche 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

Mehr

4 Fehlerabschätzungen und Konvergenz der FEM

4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und

Mehr

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83

9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x

Mehr

11 Stochastisches Integral und Itô-Formel

11 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

Mehr

30 Metriken und Normen

30 Metriken und Normen 31 Metriken und Normen 153 30 Metriken und Normen Lernziele: Konzepte: Metriken, Normen, Skalarprodukte, Konvergenz von Folgen Frage: Versuchen Sie, möglichst viele verschiedene Konvergenzbegriffe für

Mehr

Stochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada

Stochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?

Mehr

Prof. Dr. Thilo Meyer-Brandis. Finanzmathematik 1 WS 2012/13

Prof. Dr. Thilo Meyer-Brandis. Finanzmathematik 1 WS 2012/13 Prof. Dr. Thilo Meyer-Brandis Finanzmathematik 1 WS 2012/13 Dieses Skript gibt den Inhalt der Vorlesung Finanzmathematik I: Eine Einführung in diskreter Zeit wieder und basiert auf dem Buch Stochastic

Mehr

Jan Kallsen. Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik

Jan Kallsen. Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik Jan Kallsen Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik AU zu Kiel, WS 13/14, Stand 10. Februar 2014 Inhaltsverzeichnis 1 Mathematische Hilfsmittel 4 1.1 Absolutstetigkeit

Mehr

Solvency II und die Standardformel

Solvency II und die Standardformel Fakultät Mathematik und Naturwissenschaften Institut für Mathematische Stochastik Solvency II und die Standardformel Festkolloquium 20 Jahre (neue) Versicherungsmathematik an der TU Dresden Sebastian Fuchs

Mehr

Finanzmathematik. Absichern und Bewerten von Optionen. Arnold Janssen / Klaus Janßen

Finanzmathematik. Absichern und Bewerten von Optionen. Arnold Janssen / Klaus Janßen Finanzmathematik Absichern und Bewerten von Optionen Arnold Janssen / Klaus Janßen Universität Düsseldorf 27.09.2012 Rohstoffe, Devisen, Aktien, Kredite,... haben Preise, die im Laufe der Zeit zufällig

Mehr

Lebesgue-Integral und L p -Räume

Lebesgue-Integral und L p -Räume Lebesgue-Integral und L p -Räume Seminar Integraltransformationen, WS 2012/13 1 Treppenfunktionen Grundlage jedes Integralbegriffs ist das geometrisch definierte Integral von Treppenfunktionen. Für A R

Mehr

Übungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016

Übungen 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 ]

Mehr

Induktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010

Induktive Limiten. Arpad Pinter, Tobias Wöhrer. 30. Jänner 2010 Induktive Limiten Arpad Pinter, Tobias Wöhrer 30. Jänner 2010 1 Inhaltsverzeichnis 1 Induktiver Limes von Mengen 2 2 Induktiver Limes von Vektorräumen 4 3 Lokalkonvexe topologische Vektorräumen 7 4 Induktiver

Mehr

II. Bewertung von Derivaten in diskreter Zeit

II. Bewertung von Derivaten in diskreter Zeit II. Bewertung von Derivaten in diskreter Zeit 2.1. Wahrscheinlichkeitstheoretische Grundlagen 2.1.1. Bedingte Erwartungswerte Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Für A, B F mit P(B) > 0 ist die

Mehr

Vollständiger Raum, Banachraum

Vollständiger Raum, Banachraum Grundbegriffe beschränkte Menge Cauchyfolge Vollständiger Raum, Banachraum Kriterium für die Vollständigkeit Präkompakte Menge Kompakte Menge Entropiezahl Eigenschaften kompakter und präkompakter Mengen

Mehr

Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die

Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die Satz 2.8.3: Sei Q eine Intensitätsmatrix. Dann hat die Rückwärtsgleichung P (t) = QP (t), P (0) = E eine minimale nicht negative Lösung (P (t) : t 0). Die Lösung bildet eine Matrix Halbgruppe, d.h. P (s)p

Mehr

Stochastische Analysis. Karl-Theodor Sturm

Stochastische Analysis. Karl-Theodor Sturm Stochastische Analysis Karl-Theodor Sturm Literatur: I. Karatzas, S. Shreve: Brownian Motion and Stochastic Calculus. 2nd ed. Springer 91 D. Revuz, M. Yor: Continuous Martingales and Brownian Motion,

Mehr

Itô s Lemma. Sandro Grunert. SS 09 Seminar Finanzmathematik Technische Universität Chemnitz. Kiyosi Itô

Itô s Lemma. Sandro Grunert. SS 09 Seminar Finanzmathematik Technische Universität Chemnitz. Kiyosi Itô Itô s Lemma Sandro Grunert SS 9 Seminar Finanzmathematik Technische Universität Chemnitz Kiyosi Itô Quelle: www.math.ru/history/people/portrait/99.thumb.jpg. Kurzbiographie: Itô wurde am 7. September 1915

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag 8. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe Hedging Amerikanischer Optionen Wir sind in einem arbitragefreien

Mehr

Vorlesung. Funktionen/Abbildungen 1

Vorlesung. Funktionen/Abbildungen 1 Vorlesung Funktionen/Abbildungen 1 1 Grundlagen Hinweis: In dieser Vorlesung werden Funktionen und Abbildungen synonym verwendet. In der Schule wird eine Funktion häufig als eindeutige Zuordnung definiert.

Mehr

Wahrscheinlichkeitstheorie 2 & 3. Prof. Dr. Barbara Gentz mitgeschrieben von Arthur Sinulis 30. Januar 2015

Wahrscheinlichkeitstheorie 2 & 3. Prof. Dr. Barbara Gentz mitgeschrieben von Arthur Sinulis 30. Januar 2015 Wahrscheinlichkeitstheorie 2 & 3 Prof. Dr. Barbara Gentz mitgeschrieben von Arthur Sinulis 3. Januar 215 Inhaltsverzeichnis. Bedingte Erwartungswerte 4 1. Martingale, Stoppzeiten und Filtrierungen 9 1.1.

Mehr

III Stochastische Analysis und Finanzmathematik

III Stochastische Analysis und Finanzmathematik III Stochastische Analysis und Finanzmathematik Ziel dieses Kapitels ist es, eine Einführung in die stochastischen Grundlagen von Finanzmärkten zu geben. Es werden zunächst Modelle in diskreter Zeit behandelt,

Mehr

Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban

Institut 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

Mehr

Klausur zur Höheren Mathematik IV

Klausur zur Höheren Mathematik IV Düll Höhere Mathematik IV 8. 1. 1 Klausur zur Höheren Mathematik IV für Fachrichtung: kyb Bitte beachten Sie die folgenden Hinweise: Bearbeitungszeit: 1 Minuten Erlaubte Hilfsmittel: 1 eigenhändig beschriebene

Mehr

Asymptotische Stochastik (SS 2010)

Asymptotische Stochastik (SS 2010) Institut für Stochastik PD. Dr. Dieter Kadelka Daniel Gentner Asymptotische Stochastik (SS 2010) Lösungen zu Übungsblatt 4 Aufgabe 1 (lokaler Grenzwertsatz von de Moivre und Laplace und eine Verallgemeinerung)

Mehr

3 Bedingte Erwartungen und Wahrscheinlichkeiten (Version November 2011)

3 Bedingte Erwartungen und Wahrscheinlichkeiten (Version November 2011) 3 Bedingte Erwartungen und Wahrscheinlichkeiten (Version November 2011) 3.1 Definition der bedingten Erwartung und grundlegende Eigenschaften Erinnerung: Sei (Ω, F, P) ein Wahrscheinlichkeitsraum und (

Mehr

Stochastik. 1. Wahrscheinlichkeitsräume

Stochastik. 1. Wahrscheinlichkeitsräume Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.

Mehr

STOCHASTISCHE PROZESSE. Vorlesungsskript

STOCHASTISCHE PROZESSE. Vorlesungsskript STOCHASTISCHE PROZESSE II: Martingale und Brownsche Bewegung Wolfgang König Vorlesungsskript Universität Leipzig Wintersemester 2005/6 Inhaltsverzeichnis 1 Theorie der Martingale 3 1.1 Definition und

Mehr

3 Das n-dimensionale Integral

3 Das n-dimensionale Integral 3 Das n-dimensionale Integral Ziel: Wir wollen die Integrationstheorie für f : D R n R entwickeln. Wir wollen den Inhalt (beziehungsweise das Maß ) M einer Punktmenge des R n definieren für eine möglichst

Mehr

Martingale und Brownsche Bewegung

Martingale und Brownsche Bewegung Martingale und Brownsche Bewegung Martin G. Riedler Institute for Stochastics, Johannes Kepler University 44 Linz, Austria martin.riedler@jku.at 2 Die vorliegenden Unterlagen sind ein Skriptum zur Vorlesung

Mehr

Markov-Prozesse mit stetigem Zustands- und Parameterraum

Markov-Prozesse mit stetigem Zustands- und Parameterraum Kapitel 8 Markov-Prozesse mit stetigem Zustands- und Parameterraum Markov-Prozesse mit stetigem Zustandsraum S R (bzw. mehrdimensional S R p und in stetiger Zeit, insbesondere sogenannte Diffusionsprozesse

Mehr

Optimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme

Optimale Steuerung, Prof.Dr. L. Blank 1. II Linear-quadratische elliptische Steuerungsprobleme Optimale Steuerung, Prof.Dr. L. Blank 1 II Linear-quadratische elliptische Steuerungsprobleme Zuerst: Zusammenstellung einiger Begriffe und Aussagen aus der Funktionalanalysis (FA), um dann etwas über

Mehr

Stochastische Eingangsprüfung, 17.05.2008

Stochastische Eingangsprüfung, 17.05.2008 Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)

Mehr

Monte Carlo Methoden in Kreditrisiko-Management

Monte Carlo Methoden in Kreditrisiko-Management Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen

Mehr

Extremwertverteilungen

Extremwertverteilungen Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen

Mehr

Kapitel 16 SATZ VON FUBINI UND DIE TRANSFORMATIONSFORMEL

Kapitel 16 SATZ VON FUBINI UND DIE TRANSFORMATIONSFORMEL Kapitel 16 SAT VON FUBINI UND DIE TRANSFORMATIONSFORMEL Im folgenden sind X und Y metrische Räume, oder allgemeiner topologische Hausdor räume, und sind Radon-Integrale auf X bzw. Y. Fassung vom 24. Januar

Mehr

Bachelorarbeit: Ein diskretes Modell für Finanzmärkte

Bachelorarbeit: Ein diskretes Modell für Finanzmärkte Bachelorarbeit: Ein diskretes Modell für Finanzmärkte Die Finanzmathematik ist momentan eine der wichtigsten Anwendungender. Hier soll ein grundlegendes Modell erörtert werden, das auf der Entwicklung

Mehr

4 Messbare Funktionen

4 Messbare Funktionen 4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und

Mehr

4 Fehlerabschätzungen und Konvergenz der FEM

4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 4 Fehlerabschätzungen und Konvergenz der FEM 153 Es sei V der Lösungsraum und V N V ein endlich dimensionaler Unterraum. Weiters sei u V die exakte Lösung und

Mehr

Kapitel 4: Stationäre Prozesse

Kapitel 4: Stationäre Prozesse Kapitel 4: Statioäre Prozesse M. Scheutzow Jauary 6, 2010 4.1 Maßerhaltede Trasformatioe I diesem Kapitel führe wir zuächst de Begriff der maßerhaltede Trasformatio auf eiem Wahrscheilichkeitsraum ei ud

Mehr

Einführung in die Statistik

Einführung in die Statistik Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in

Mehr

Lösungsvorschlag zur Übungsklausur zur Analysis I

Lösungsvorschlag zur Übungsklausur zur Analysis I Prof. Dr. H. Garcke, Dr. H. Farshbaf-Shaker, D. Depner WS 8/9 NWF I - Mathematik 9..9 Universität Regensburg Lösungsvorschlag zur Übungsklausur zur Analysis I Frage 1 Vervollständigen Sie die folgenden

Mehr

Geometrische Mannigfaltigkeiten

Geometrische Mannigfaltigkeiten Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie

Mehr

Fondsgebundene Lebensversicherungsverträge mit garantierten Auszahlungen

Fondsgebundene Lebensversicherungsverträge mit garantierten Auszahlungen Günther Sieghartsleitner Fondsgebundene Lebensversicherungsverträge mit garantierten Auszahlungen Diplomarbeit Technische Mathematik Studienzweig Operations Research, Statistik, Finanz- und Versicherungsmathematik

Mehr

Gaußsche Prozesse - ein funktionalanalytischer Zugang

Gaußsche Prozesse - ein funktionalanalytischer Zugang Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Gaußsche Prozesse - ein funktionalanalytischer Zugang Bachelorarbeit in Wirtschaftsmathematik vorgelegt von Clemens Kraus am 31. Mai

Mehr

Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME

Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Analysis II (FS 2015): ZUSAMMENHÄNGENDE METRISCHE RÄUME Dietmar A. Salamon ETH-Zürich 23. Februar 2015 1 Topologische Grundbegriffe Sei (X, d) ein metrischer Raum, d.h. X ist eine Menge und d : X X R ist

Mehr

Finanzmathematik. Jürgen Dippon. 28. März 2011. Vorlesung WS 2010/11

Finanzmathematik. Jürgen Dippon. 28. März 2011. Vorlesung WS 2010/11 Finanzmathematik Vorlesung WS 21/11 Jürgen Dippon 28. März 211 Inhaltsverzeichnis 1 Einführung 3 1.1 Grundbegrie................................... 4 1.2 Put-Call-Parität.................................

Mehr

Einführung in die Algebra

Einführung in die Algebra Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv

Mehr

Einführung in die Funktionalanalysis

Einführung in die Funktionalanalysis Einführung in die Funktionalanalysis Bernhard Gsell Skriptum zur Vorlesung gelesen von Prof. Wolfgang Woess 21. August 2014 Dies ist die Umsetzung meiner Vorlesungsmitschrift zu Einführung in die Funktionalanalysis,

Mehr

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =

Beispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) = Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.

Mehr

Höhere Mathematik für Physiker II

Höhere Mathematik für Physiker II Universität Heidelberg Sommersemester 2013 Wiederholungsblatt Übungen zur Vorlesung Höhere Mathematik für Physiker II Prof Dr Anna Marciniak-Czochra Dipl Math Alexandra Köthe Fragen Machen Sie sich bei

Mehr

Beweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.

Beweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457. Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf

Mehr

Die Black-Scholes-Gleichung

Die Black-Scholes-Gleichung Die Black-Scholes-Gleichung Franziska Merk 22.06.2012 Outline Optionen 1 Optionen 2 3 Optionen Eine Kaufoption ist ein Recht, eine Aktie zu einem heute (t=0) festgelegten Preis E an einem zukünftigen Zeitpunkt

Mehr

BONUS MALUS SYSTEME UND MARKOV KETTEN

BONUS MALUS SYSTEME UND MARKOV KETTEN Fakultät Mathematik und Naturwissenschaften, Fachrichtung Mathematik, Institut für Mathematische Stochastik BONUS MALUS SYSTEME UND MARKOV KETTEN Klaus D. Schmidt Ringvorlesung TU Dresden Fakultät MN,

Mehr

Optionspreisbestimmung nach Cox-Ross-Rubinstein

Optionspreisbestimmung nach Cox-Ross-Rubinstein Optionspreisbestimmung nach Cox-Ross-Rubinstein Michael Beer 8. Mai 000 Inhaltsverzeichnis Einführung und Problembeschreibung. Was sind Optionen?.............................. Modellspezifikation..............................3

Mehr

Schwache Konvergenz. Kapitel 8

Schwache Konvergenz. Kapitel 8 Im Hinblick auf die funktionalen Grenzwertsätze wird in diesem Kapitel die Theorie der schwachen Konvergenz endlicher Maße auf separablen metrischen, vorallem polnischen Räumen entwickelt. In dieser Situation

Mehr

x, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω

x, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω 5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,

Mehr

Kapitel 5 KONVERGENZ

Kapitel 5 KONVERGENZ Kapitel 5 KONVERGENZ Fassung vom 21. April 2002 Claude Portenier ANALYSIS 75 5.1 Metrische Räume 5.1 Metrische Räume DEFINITION 1 Sei X eine Menge. Eine Abbildung d : X X! R + heißt Metrik oder Distanz

Mehr

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013

Reelle Analysis. Vorlesungsskript. Enno Lenzmann, Universität Basel. 7. November 2013 Reelle Analysis Vorlesungsskript Enno Lenzmann, Universität Basel 7. November 2013 6 L p -Räume Mit Hilfe der Masstheorie können wir nun die sog. L p -Räume einführen. Diese Räume sind wichtig in vielen

Mehr

Diskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel

Diskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel Seminarbeitrag Diskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel Sven Wiesinger 8. Juni 2004 1. Einleitung Historisches. Bei dem Versuch, eine Theorie der Spekulation zu entwickeln,

Mehr

Lehrstuhl IV Stochastik & Analysis. Stochastik II. Wahrscheinlichkeitstheorie I. Skriptum nach einer Vorlesung von Hans-Peter Scheffler

Lehrstuhl IV Stochastik & Analysis. Stochastik II. Wahrscheinlichkeitstheorie I. Skriptum nach einer Vorlesung von Hans-Peter Scheffler Fachschaft Mathematik Uni Dortmund Lehrstuhl IV Stochastik & Analysis Stochastik II Wahrscheinlichkeitstheorie I Skriptum nach einer Vorlesung von Hans-Peter Scheffler Letzte Änderung: 26. November 2002

Mehr

ist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1).

ist reelles lineares Funktional. x(t) ϕ(t) dt ist reelles lineares Funktional für alle ϕ L 2 (0, 1). Kapitel 4 Stetige lineare Funktionale 4.1 Der Satz von Hahn - Banach Definition 4.1. Sei X ein linearer normierter Raum über dem Körper K (R oder C). Ein linearer Operator f : X K heißt (reelles oder komplexes)

Mehr

α + x x 1 F c y + x 1 F (y) c z + x 1 F (z) für alle y, z M. Dies folgt aus

α + x x 1 F c y + x 1 F (y) c z + x 1 F (z) für alle y, z M. Dies folgt aus 4. Dualräume und schwache Topologien Den Begriff des Dualraums hatten wir bereits in Kapitel 2 definiert. Der Dualraum X eines Banachraums X ist X = B(X, C). X ist mit der Abbildungsnorm F = sup x =1 F

Mehr

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s

klar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen

Mehr

35 Stetige lineare Abbildungen

35 Stetige lineare Abbildungen 171 35 Stetige lineare Abbildungen Lernziele: Konzepte: Lineare Operatoren und ihre Normen Resultate: Abschätzungen für Matrizennormen Kompetenzen: Abschätzung von Operatornormen 35.1 Lineare Abbildungen.

Mehr

Maße auf Produkträumen

Maße auf Produkträumen Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge

Mehr

Vorlesungsskript Stochastische Analysis mit Finanzmathematik

Vorlesungsskript Stochastische Analysis mit Finanzmathematik Vorlesungsskript Stochastische Analysis mit Finanzmathematik Christoph Kühn Wintersemester 4/5 letzte Aktualisierung:. April 17 1 Inhaltsverzeichnis 1 Eine Motivation 1 Allgemeine Theorie stochastischer

Mehr

Unabhängige Zufallsvariablen

Unabhängige Zufallsvariablen Kapitel 9 Unabhängige Zufallsvariablen Die Unabhängigkeit von Zufallsvariablen wird auf die Unabhängigkeit von Ereignissen zurückgeführt. Im Folgenden sei Ω, A, P ) ein Wahrscheinlichkeitsraum. Definition

Mehr

2 Zufallsvariable, Verteilungen, Erwartungswert

2 Zufallsvariable, Verteilungen, Erwartungswert 2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments

Mehr

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik

Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Präsenzübungsaufgaben zur Vorlesung Elementare Sachversicherungsmathematik Dozent: Volker Krätschmer Fakultät für Mathematik, Universität Duisburg-Essen, WS 2012/13 1. Präsenzübung Aufgabe T 1 Sei (Z 1,...,

Mehr

Data Mining: Einige Grundlagen aus der Stochastik

Data Mining: Einige Grundlagen aus der Stochastik Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener

Mehr

Stochastische Analysis

Stochastische Analysis PD Dr. Jürgen Dippon, Universität Stuttgart Stochastische Analysis Stuttgart, Wintersemester 211/212 Version: 15. Februar 212 Für Hinweise auf Druckfehler und Kommentare jeder Art bin ich dankbar. 1 Viel

Mehr

Einführung in die Finanzmathematik Vorlesung an der TU Darmstadt WS 2004/2005

Einführung in die Finanzmathematik Vorlesung an der TU Darmstadt WS 2004/2005 Einführung in die Finanzmathematik Vorlesung an der TU Darmstadt WS 2004/2005 Jakob Creutzig TU Darmstadt, AG 9 9. Februar 2005 Inhaltsverzeichnis 1 Finanzderivate 2 2 Ein-Perioden-Modellierung 8 3 Prozesse

Mehr

Varianz und Kovarianz

Varianz 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 ]

Mehr

HANDOUT #1 KONVERGENZ VON W-MASSEN, VERTEILUNGEN UND ZUFALLSVARIABLEN

HANDOUT #1 KONVERGENZ VON W-MASSEN, VERTEILUNGEN UND ZUFALLSVARIABLEN HANDOUT #1 KONVERGENZ VON W-MASSEN, VERTEILUNGEN UND ZUFALLSVARIABLEN FOLKMAR BORNEMANN Die Vielfalt der Konvergenzberiffe für W-Maße, Verteilungen und Zufallsvariablen (wie vage, schwache, stochastische

Mehr

Diplomarbeit. Arbitragefreies Bewerten von Schadenversicherungen. von Ingmar Schiltz

Diplomarbeit. Arbitragefreies Bewerten von Schadenversicherungen. von Ingmar Schiltz Diplomarbeit Arbitragefreies Bewerten von Schadenversicherungen von Ingmar Schiltz Universität Siegen Fachbereich Mathematik Juni 2005 ARBITRAGEFREIES BEWERTEN VON SCHADENVERSICHERUNGEN 2 Betreuer und

Mehr

Statistische Thermodynamik I Lösungen zur Serie 1

Statistische Thermodynamik I Lösungen zur Serie 1 Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen

Mehr