Numerik von PDEs - Bepreisung von amerikanischen Optionen. Andreas Peterseil

Größe: px
Ab Seite anzeigen:

Download "Numerik von PDEs - Bepreisung von amerikanischen Optionen. Andreas Peterseil"

Transkript

1 Numerik von PDEs - Bepreisung von amerikanischen Optionen Andreas Peterseil 9. Februar 01

2 Inhaltsverzeichnis 1 Black-Scholes-Gleichung Begriffsbildungen und Sätze Europäische Call- und Put Optionen Herleitung der Black-Scholes-Gleichung Randbedingungen für die Black-Scholes-Gleichung Preisprozesse der amerikanischen Call/Put-Option Numerische Verfahren zur Lösung der Black-Scholes-Gleichung 10.1 Äquivalenz zur Wärmeleitungsgleichung Grundlagen von Differenzenverfahren Diskretisierung Explizites Verfahren Implizite Verfahren Konsistenz und Stabilität Konsistenz Stabilität Konvergenz Numerische Berechnung des Preises für amerikanische Optionen Das Hindernisproblem Diskretisierung des Hindernisproblems Berechnung amerikanischer Optionen Finite Differenzen Verfahren

3 Abkürzungen Auf einem filtriertem Wahrscheinlichkeitsraum (Ω,F,(F t ) t 0,P) seien: P = {(X t ) t 0 : (X t ) t 0 ist ein progressiv messbarer stochastischer Prozess} L T = {X P : [0,T] X s(ω) dλ(s) < f.s.} Ploc [0,T] = {X P : [0,T] X s(ω) dλ(s) < f.s.} Es sei nun S ein Ito-Prozess mit Driftkoeffizient µ und Diffusionskoeffizient σ. M T (S) = {X P : [0,T] X s(ω)µ(s,ω) dλ(s) <, [0,T] X s(ω)σ(s,ω) dλ(s) < f.s.}

4 Kapitel 1 Black-Scholes-Gleichung 1.1 Begriffsbildungen und Sätze Zuerst definieren wir einige Begriffe, die in dieser Seminararbeit benötigt werden. Zunächst sei an ein paar Begriffe aus der Vorlesung Einführung in Stochastische Prozesse erinnert. Im weiteren Verlauf sei (Ω,F,(F t ) t 0,P) ein filtrierter Wahrscheinlichkeitsraum, wobei (F t ) t 0 eine vollständige, rechtsstetige Filtrierung bezüglich einer Brownschen Bewegung (W t ) t 0 darauf ist Definition. Es sei ξ(t) t 0 ein stochastischer Prozess. Dann heißt ξ(t) t 0 Ito-Prozess, wenn a L T und b Ploc [0,T] T > 0 existieren, sodass ξ(t) = ξ(0)+ t 0 a(s)ds+ t 0 b(s) dw(s) f.s. (1.1) t 0 gilt. Dabei heißen a und b Ito-Koeffizienten von ξ. Genauer ist a der Driftkoeffizient von ξ und b der Diffusionskoeffizient von ξ. Eine Beziehung in der Form von (1.1) wird im Folgenden kurz durch dξ(t) = a(t)dt+b(t)dw(t) ausgedrückt Satz (Ito-Formel). Es sei ξ(t) ein Ito-Prozess, mit Driftkoeffizient a und Diffusionskoeffizient b. Weiters sei F(t,x) : R + R R eine Funktion mit stetigen partiellen Ableitungen F t, F x und F xx. Dann ist auch F(t,ξ(t)) t 0 ein Ito Prozess und es gilt df(t,ξ(t)) = (F t (t,ξ(t))+a(t)f x (t,ξ(t))+ 1 F xx(t,ξ(t))b(t) ) dt+f x (t,ξ(t))b(t)dw(t). (1.) Weiters werden wir auch noch einige finanzmathematische Begriffe benötigen Definition. S(t) t [0,T] sei ein N-dimensionaler adaptierter stochastischer Prozess auf dem eingangs erwähnten filtriertem Wahrscheinlichkeitsraum. 3

5 1. Ein N-dimensionaler, bezüglich (F t ) t [0,T] adaptierter stochastischer Prozess H(t) t [0,T] heißt Handelsstrategie.. Der Portfoliowert V H (t) t [0,T] zur Handelsstrategie H(t) t [0,T] is definiert durch V H (t) = N H j (t)s j (t) (1.3) j=1 3. Es sei zusätzlich (S j t) t 0 ein Ito-Prozess mit Driftkoeffizientem µ j und Diffusionskoeffizientem σ j. Die Handelsstrategie H(t) t [0,T] heißt selbstfinanzierend wenn H j M T (S j ) und die Gleichung erfüllt ist. dv H (t) = N H j (t)ds j (t) (1.4) j=1 Gleichung (1.4) bedeutet, dass V H (t) = V H (0)+ N [ t H j (s)µ j (s)ds+ j=1 0 t 0 ] H j (s)σ j (s)dw(s) gilt. Grundlegend ist das Konzept der Arbitragefreiheit, welches durch folgende Definition spezifiziert wird Definition. Eine selbstfinanzierende Handelsstratgie H(t) t [0,T] heißt Arbitragemöglichkeit wenn V H (0) = 0 V H (T) 0 f.s. P(V H (T) > 0) > 0 gilt. Ein Markt S(t) t [0,T] heißt arbitragefrei, wenn es keine Arbitragemöglichkeit gibt. Im folgenden ist S(t) t 0 ein eindimensionaler adaptierter Prozess. Die Grundlage dieser Seminararbeit bildet die Annahme, dass die Aktienkursentwicklung in der Zeit einer geometrischen Brownschen Bewegung folgt. Genauer gesagt basieren unsere Überlegungen darauf, dass der Aktienkursverlauf S(t) (t 0) Lösung der stochastischen Differentialgleichung ds(t) = µs(t)dt + σs(t)dw(t) (1.5) ist. Dabei ist (1.5) eine Kurzschreibweise für S(t) = S(0)+ t 0 µs(s)ds+ t 0 σs(s)dw(s) Die Lösung für den Anfangswert S 0 der stochastischen Differentialgleichung in (1.5) ist gegeben durch ( S(t) = S 0 e µ σ ) t+σw(t) (1.6) 4

6 wie sich leicht mit Hilfe der Ito-Formel (die Ito-Koeffizienten von W(t) t 0 sind offensichtlich) verifizieren lässt. WeitersseinebendemAktienpreismitPreisprozessS(t) t 0 einrisikolosesassetmitpreisprozessb(t) t 0, charakterisiert durch db(t) = r(t)b(t)dt (1.7) gegeben. Dieses kann zum Beispiel als Bankkontoeinheit interpretiert werden. Die nächste Folgerung(siehe[B, 97]) aus der Arbitragefreiheit eines Marktes werden wir für die Herleitung der Black-Scholes Gleichung brauchen Satz. Es sei k(t) t [0,T] ein adaptierter Prozess und H(t) t [0,T] eine selbstfinanzierende Handelsstrategie, sodass für den Portfoliowert V H gilt dv H (t) = k(t)v H (t)dt (1.8) Dann muss k(t) = r(t) für alle t gelten oder es gibt eine Arbitragemöglichkeit. Nun können wir uns mit der Herleitung der sogenannten Black-Scholes-Gleichung, welche eine partielle Differentialgleichung darstellt, beschäftigen. 1. Europäische Call- und Put Optionen 1..1 Definition. Eine europäische Kaufoption (European call option), mit Ausübungspreis (strike price) K und mit Fälligkeit T ( R + ) (maturity), auf das zugrunde liegende Wertpapier S t 0, ist ein Vertrag, der dem Käufer das Recht, aber nicht die Pflicht, gibt das Wertpapier S zum Zeitpunkt T zum Preis K zu kaufen. Die europäische Kaufoption ist also zum Zeitpunkt T genau dann etwas wert, wenn der Aktienpreis S T zum Zeitpunkt T größer ist als der Ausübungspreis K. In diesem Fall beträgt der Wert genau die Differenz S T K. Im anderen Fall, also S t K, ist die Option wertlos, da ja nicht ausgeübt werden muss. Insgesamt beträgt also die Auszahlung zum Zeitpunk T genau (S T K) + := max{s T K,0}. 1.. Definition. Eine europäische Verkaufsoption (European put option), mit Ausübungspreis (strike price) K und mit Fälligkeit T ( R + ) (maturity), auf das zugrunde liegende Wertpapier S t 0 ist ein Vertrag, der dem Käufer das Recht, aber nicht die Pflicht, gibt das Wertpapier S zum Zeitpunkt T zum Preis K zu verkaufen. Analog zur europäischen Kaufoption erhalten wir für die Auszahlung einer Europäischen Verkaufsoption zum Zeitpunkt T genau (K S T ) +. Wir wollen nun eine partielle Differentialgleichung (PDE), nämlich die Black-Scholes Gleichung, für den arbitragefreien Preisprozess einer europäischen Call- und Put-Option im, durch die jederzeit handelbare Option, erweiterten Finanzmarktmodell herleiten. Zusammenfassend stellen wir folgende Grundannahmen an den Markt (siehe [GJ, 5/53]): Der Markt ist arbitragefrei. Der Wertpapierpreisprozess wird durch (1.5) beschrieben. Die Zinsrate r(t), siehe (1.7), ist konstant. Also r(t) = r R. Diese Zinsrate gilt sowohl für Geldeinlagen als auch für Kredite. 5

7 Es erfolgen keine Dividendenzahlungen auf den Basiswert. Der Markt ist friktionslos (keine Transaktionskosten, Gebühren, usw.) und liquide. Der Basiswert kann kontinuierlich gehandelt werden, ist beliebig teilbar und auch Leerverkäufe sind erlaubt. Alle betrachteten stochastischen Prozesse sind stetig Herleitung der Black-Scholes-Gleichung Wir gehen bei der Herleitung wie in [D, 46 ff] vor. Es sei nun F(t,S) die Auszahlung einer Option abhängig vom Zeitpunkt t und vom Aktienpreis zum Zeitpunkt t. Setzen wir für F(t,S) voraus, dass es die Voraussetzungen der Ito-Formel erfüllt, erhalten wir mit Hilfe von (1.) df = ( F t +µs F S + 1 ) σ S F S dt+σs F dw. (1.9) S NundefinierenwireineHandelsstrategie(H B,H S,H V )imerweitertenfinanzmarktmodell(b t 0,S t 0,F t 0 ) durch ( ) ( H B (t),h S (t),h F (t) := β(t), F(t,S(t)) ), 1, (1.10) S wobei mit β(t) erreicht werden soll, dass diese Handelsstrategie selbstfinanzierend wird. Mit dieser selbstfinanzierenden Handelsstrategie erhalten wir für den Portfoliowert V H (t) dv H (t) = dv(t,s(t))+ F(t,S(t)) ds(t) + β(t)db(t) (1.11) S Mit Hilfe von (1.9),(1.5) und (1.7) erhalten wir somit ( F dv H = t +µs F S F S µs } {{ } =0 ( F = t + 1 σ S F S βrb + 1 ) σ S F S βrb ( dt+ σs F ) S +σs F dw = S } {{ } =0 ) dt = 1 ( F V H (t) t + 1 σ S F S βrb ) V H (t)dt Also fällt für V H insbesondere der Diffusionsterm weg. Weiters lässt sich nun aufgrund der vorausgesetzten Arbitragefreiheit Satz anwenden und wir erhalten, wegen der vorausgesetzten konstanten Zinsrate r ( F V H r = t + 1 ) σ S F S βrb. (1.1) Andererseits erhalten wir für V H r nach Definition von V H V H r = rf +r F S +rβb. (1.13) S Durch Kombination von (1.1) und (1.13) erhalten wir für F die Black Scholes Gleichung F t (t,s)+ 1 σ S F S (t,s)+r F (t,s)s rf(t,s) = 0. (1.14) S 6

8 1.. Randbedingungen für die Black-Scholes-Gleichung Nun wollen wir auch Randbedingungen für (1.14) für die speziellen Fälle einer europäischen Call- und europäischen Put-Option herleiten. Der Preisprozess einer Call-Option sei mit C(t, S) bezeichnet, jener der Put-Option mit P(t,S). Offensichtlich ist die Randbedingung zum Zeitpunkt T C(T,S) = (S K) + P(T,S) = (K S) + (1.15) (1.16) GibteseinenZeitpunktt,sodassS(t ) = 0gilt,folgt,daS(t)einergeometrischenBrownschenBewegung folgt, dass S(t) = 0 für t t (vgl. (1.6)). Insbesondere muss aus Arbitragegründen C(t,0) = 0 (1.17) gelten. Weiters ist es plausibel, dass für große S der Wert einer Put-Option sehr gering sein wird. Dies motiviert die Randbedingung P(t,S) = 0 für S (1.18) Aufgrund der Call-Put-Parität S+P C = Ke r(t t) (siehe z.b. [GJ, 1]) ergeben sich außerdem noch die Randbedingungen P(t,0) = Ke r(t t) S C(t,S) Ke r(t t) für S Zusammenfassend erhalten wir also nun für den Wert einer europäischen Option das Randwertproblem: Black-Scholes-Gleichung für europäische Optionen ( F t (t,s)+ 1 σ S F S (t,s)+r F (t,s)s rf(t,s) = 0 S (1.19) mit den Randbedingungen europäische Put-Option europäische Call-Option F(T,S) = (K S) + F(T,S) = (S K) + F(t,0) = Ke r(t t) F(t,0) = 0 F(t,S) = 0 für S S C(t,S) Ke r(t t) für S 1.3 Preisprozesse der amerikanischen Call/Put-Option Definition. Eine amerikanische Kaufoption (American call option), mit Ausübungspreis (strike price) K und mit Fälligkeit T ( R + ) (maturity), auf das zugrunde liegende Wertpapier S t 0 ist ein Vertrag, der dem Käufer das Recht, aber nicht die Pflicht, gibt das Wertpapier S zu einem beliebigen Zeitpunkt t [0,T] zum Preis K zu kaufen. 7

9 Somit ergibt sich zu jedem Zeitpunkt t [0,T] die Auszahlung (S t K) +. Analog gibt es auch amerikanische Verkaufsoptionen Definition. Eine amerikanische Verkaufsoption (American put option), mit Ausübungspreis (strike price) K und mit Fälligkeit T ( R + ) (maturity), auf das zugrunde liegende Wertpapier S t 0 ist ein Vertrag, der dem Käufer das Recht, aber nicht die Pflicht, gibt das Wertpapier S zu einem beliebigen Zeitpunkt t [0,T] zum Preis K zu verkaufen. Hier ergibt sich die Auszahlung (K S t ) + zum Zeitpunkt t [0,T]. Offensichtlich muss der Wert einer amerikanischen Option zum Zeitpunkt t, größer gleich der Auszahlung zum Zeitpunkt t sein, da sonst, wegen der sofortigen Ausübungsmöglichkeit unmittelbar eine Arbitragemöglichkeit gegeben wäre. Insbesondere müssen, wegen der frühzeitigen Möglichkeit zur Ausübung, die Gedankengänge bei der Herleitung von (1.14) adaptiert werden, um eine PDE für den Preisprozess einer amerikanische Option zu erhalten. Auch hier orientieren wir uns bei der Herleitung des freien Randwertsproblems für amerikanische Optionen an [D], aber auch an [S] und [GJ]. Wir betrachten nun eine amerikanische Put-Option mit Wert P(t,S) zum Zeitpunkt t [0,T]. Ziel ist es nun ein sogenanntes freies Randwertproblem für den Wert P(t, S) herzuleiten. Amerikanische Call- Optionen können ähnlich behandelt werden. Wir betrachten den Wert P(t, S) der Put-Option zu einem festen Zeitpunkt t. Leicht einzusehen ist, dass, wie bereits bemerkt, die Ungleichung P(t,S) (K S) + (1.0) gelten muss. Im Fall S K ist das offensichtlich. Wenn S < K K S > 0 gilt, so würde mit der Ungleichung P(t, S) < (K S) eine Arbitragemöglichkeit zum Zeitpunkt t gegeben sein. Wird nämlich zum Zeitpunkt t eine Put-Option gekauft und diese sofort ausgegeübt bleibt insgesamt ein Gewinn von P +K S > 0. Weiters erhält man durch analoge Überlegungen wie in (1.18) die Randbedingung P(t,S) 0 für S. (1.1) Nun wollen wir herleiten, dass es zu jedem Zeitpunkt t einen Preis S f (t) gibt, sodass sich die Ausübung im Fall S S f (t) lohnt und für S > S f (t) nicht lohnt. Dazu betrachten wir den Wert eines Portfolios, bestehend aus einer Put-Option und einer Aktie, vor und nach dem Ausüben. Wenn sich der Wert verringert, hat sich das Ausüben nicht gelohnt. Wenn dies nicht der Fall ist lohnt sich das Ausüben. Im Fall S K (K S) + = 0 findet keine Ausübung statt, da der Marktpreis des Assets den Strike Price übersteigt. Es sei also im Folgenden S < K. Wir betrachten den Portfoliowert π = P +S. Wenn P > (K S) + gilt folgt π > (K S) + + S = K vor der Ausübung. Nach der Ausübung gilt π = (K S) + +S = K S +S = K. Also lohnt sich die Ausübung nicht. Sobald P = K S gilt lohnt sich die Ausübung, denn dann ist der Porfoliowert vor und nach der Ausübung gleich K. Im Fall S = 0 muss aus Arbitragegründen P(t,S) = K zum Zeitpunkt t gelten. Somit ist die Menge {0 S < K : P(t,S)+S = K} nicht leer. Aufgrund der Stetigkeit von P(t,S) (der Preis soll (klassische) Lösung einer PDE werden) und da für S = K die Gleichung P(t,S)+S = K, aufgrund der Positivität von P, nicht erfüllt sein kann, hat diese Menge insbesondere ein Maximum S f (t). Für S f (t) gilt insbesondere auch P(t,S) = (K S) + = (K S) S S f (1.) P(t,S) erfüllt (1.14) S > S f, (1.3) wobei im letzten Fall die Option gehalten wird, und P(t,S) aufgrund gleicher Argumente wie bei der Herleitung von (1.14), ebendiese PDE erfüllen soll. Weiters wollen wir auch die Stetigkeit von P S (t,s) 8

10 an der Stelle S = S f (t) voraussetzen (kann auch mittels Arbitrageargumenten gefolgert werden, siehe z.b. Abschnitt 7.4. in [C]). Hiermit folgt aufgrund von P S (t,s) = 1 für S < S f(t) die Forderung P S (t,s f(t)) = 1. (1.4) Zusammenfassend ergibt sich also mit Hilfe von (1.0),(1.1),(1.),(1.3),(1.4) und da der Wert zum Fälligkeitszeitpunkt T gleich der Auszahlung sein muss, für den Preisprozess P(t, S) einer amerikanische Put-Option das folgende freie Randwertproblem freies Randwertproblem für die amerikanische Put-Option P t (t,s)+ 1 σ P P S (t,s)+r P (t,s)s rp(t,s) = 0 S für P(t,S) = K S P(T,S) = (K S) + P(t,S) 0 für S P S (t,s f(t)) = 1. S > S f(t) für S S f (t) (Endbedingung) Da wir in unserem Modell gefordert haben, dass keine Dividenenzahlung erfolgt, ist eine analoge Modellierung von amerikanischen Call-Optionen nicht unbedingt sinnvoll, da sich eine vorzeitige Ausübung nicht lohnt (siehe [S, 95]), und somit der Wert gleich jenem einer europäischen Kaufoption ist. Ein kontinuierliches Dividendenmodell lässt sich durchaus in den Black-Scholes-Rahmen einbauen. Der zugrundeliegende Aktienpreisprozess S(t) t 0 würde für δ > 0 ds(t) = (µ δ)s(t)dt+σdw(t) erfüllen. Hierbei modelliert das δ den kontinuierlichen Fluss von Dividendenzahlungen (siehe [S, 78]). Dies führt auf das freie Randwertproblem (man beachte den Einfluss von δ in der Differentialgleichung): freies Randwertproblem für die amerikanische Call-Option C t (t,s)+ 1 σ C C S(t,S)+(r δ) C(t,S)S rc(t,s) = 0 S für C(t,S) = S K C(T,S) = (S K) + C(t,0) = 0 P S (t,s f(t)) = 1. S < S f(t) für S S f (t) (Endbedingung) Insbesondere ist also neben der Funktion P(t,S) bzw. C(t,S) auch der freie Randwert S f (t) gesucht. 9

11 Kapitel Numerische Verfahren zur Lösung der Black-Scholes-Gleichung Ziel dieser Seminararbeit ist es, den Preis einer amerikanischen Option zu berechnen. Um dem Ziel näher zu kommen, beschäftigten wir uns zunächst mit der numerischen Lösung der Black-Scholes-Gleichung..1 Äquivalenz zur Wärmeleitungsgleichung Zuerst wollen wir noch die Äquivalenz von der Black-Scholes Gleichung zur Wärmeleitungsgleichung y τ = y xx (.1) herleiten, um von einer Lösung von (.1) auf eine Lösung von (1.14) schließen zu können. Die Methoden in diesem Kapitel können zwar grundsätzlich auch für die Black-Scholes-Gleichung verwendet werden, allerdings lassen sich diese für die äquivalente Gleichung (.1) wesentlich einfacher durchführen. Um der Übersicht zu dienen wollen wir diese Äquivalenz in Schritten herleiten..1.1 Satz. Ausgehend von (1.14) seien mit K R + Φ : R (0,T σ ) (0,T) R +, α und β definiert durch Φ(x,τ) := ( T τ ) ( ) σ,kex ) =: Φ 1 (x,τ),φ (x,τ) Dann löst y, definiert auf R (0,T σ ) genau dann α := r σ 1 β := r σ. y τ +y xx +αy x +βy = 0 (.) wenn y Φ 1 (1.14) löst. Beweis. Es sei V eine Lösung von (1.14). Definiere y auf R (0,T σ ) durch ( y(x,τ) := V Φ(x,τ) = V T τ σ,kex). 10

12 Dann gilt y τ (x,τ)+y xx (x,τ)+αy x (x,τ)+βy(x,τ) = = ( V t Φ(x,τ) ) ( (VS σ + Φ(x,τ) ) Ke x) +α ( V S Φ(x,τ) ) Ke x +β ( V Φ(x,τ) ) = x = ( V t Φ(x,τ) ) σ +( V SS Φ(x,τ) ) (Ke x ) +(1+α) ( V S Φ(x,τ) ) Ke x +β ( V Φ(x,τ) ) = = ( (Vt σ Φ(x,τ) ) + σ ( VSS Φ(x,τ) ) (Ke x ) +r ( V S Φ(x,τ) ) Ke x r ( V Φ(x,τ) )) = } {{ } =0 =0. Sei nun umgekehrt y Lösung von (.). Für V auf (0,T) R +, definiert durch ( V(t,S) := y ln S ) K, σ (T t) = y Φ 1 (t,s) folgt 0 = y τ +y xx +αy x +βy = ( V Φ) τ +(V Φ) xx +α(v Φ) x +β(v Φ) = = ( ) σ V t Φ+ σ (V SS Φ)Φ +r(v S Φ)Φ r(v Φ). Die letzte Gleichheit folgt hier vollkommen analog zum ersten Teil des Beweises. Da Φ R (0,T σ bijektiv auf (0,T) R + abbildet erfüllt V auch (1.14). ) Mit dem nächsten Theorem sehen wir die Äquivalenz zur Wärmeleitungsgleichung (.1)..1. Satz. Ausgehend von (.) seien mit Ψ : R (0,T σ ) R, γ und δ definiert durch Ψ(x,τ) := e γx+δτ γ := α δ := β α 4. Dann löst y, definiert auf R (0,T σ ) genau dann y τ = y xx (.3) wenn y Ψ (.) löst. Beweis. Es sei y Lösung von (.1). Dann sei V definiert durch V(x,τ) := Ψ(x,τ)y(x,τ) Dann gilt (Ψ 1 bezeichnet den Kehrwert von Ψ 0) 0 =Ψ0 = Ψ ( y xx y τ ) = Ψ ( δψ 1 V Ψ 1 V τ +γ Ψ 1 V γψ 1 V x +Ψ 1 V xx ) = =δv V τ +γ V γv x +V xx = V τ +(γ +δ)v γv x +V xx = = V τ +V xx +αv x +βv. Also ist (.) erfüllt. Ist andererseits (.) durch V erfüllt folgt, mit y := Ψ 1 V, 0 = Ψ 1 0 =Ψ 1( V τ +V xx +αv x +βv ) = =Ψ 1( y τ Ψ yψδ +γ Ψy +γψy x +Ψy xx +αγψy +αψy x +βψy ) = = y τ yδ +γ y +γy x +y xx +αγy +αy x +βy = =y xx y τ +y( δ +γ γ +δ +γ ) +y x (γ γ) = y xx y τ. } {{ } } {{ } =0 =0 11

13 Somit löst y (.1). Bemerkung. Aus den letzten beiden Resultaten folgt, ausgehend von einer Lösung y von (.1), dass γ := σ r σ δ := 8rσ +(σ r) 4σ 4 ( V(S,t) := e γ ln S K +δ(t t)σ / y ln S ) K,(T t)σ / eine Lösung von (1.14) ist. Auch die im freien Randwertproblem für amerikanische Call-Optionen auftretende Differentialgleichung ist äquivalent zur Wärmeleitungsgleichung wie man mittels einer ähnlichen Transformation einsehen kann. Details hierzu sind in [S, 78] zu finden.. Grundlagen von Differenzenverfahren Zur Approximation der Lösung y von (.1) verwenden wir das Verfahren der finiten Differenzen. Hierzu werden Ableitungen durch Differenzenquotienten zur Schrittweite h > 0 angenähert. Dies kann zum Beispiel für eine Funkltion g durch g (x) g(x+h) g(x) h oder g (x) g(x) g(x h) h passieren. Ausgehend von den Approximationen in (.4) kann auch eine Approximation für die zweite Ableitung hergeleitet werden. (.4) g (x) g (x+h) g (x) h g(x+h) g(x) h g(x) g(x h) h h = g(x+h) g(x)+g(x h) h Daraus können nun Approximation für y τ (x,τ) und y xx (x,τ) gewonnen werden. y s τ(x,τ) := y(x,τ +s) y(x,τ) s oder η s τ(x,τ) := y(x,τ) y(x,τ s) s y h xx(x,τ) := y(x+h,τ) y(x,τ)+y(x h,τ) h (.6) Als unmittelbare Folgerung aus dem Satz von Taylor ergibt sich (.5)..1 Satz. Für Ω R offen sei y C 4 (Ω) und [x h,x+h] [t s,t+s] Ω. Dann gilt yττ yτ(x,τ) y s {x} [τ,τ+s] τ (x,τ) s also yτ s = y τ +O(s). Analog gilt ητ s = y τ +O(s) und yxx h = y xx +O(h ). 1

14 Nun wollen wir ein Gitter definieren, auf dessen Punkten wir die Lösung für (.1) approximieren. Prinzipiell suchen wir die Lösung definiert auf R (0,α). Da wir aber nur endlich viele Gitterpunkte haben können, müssen wir uns auf ein Intervall [a, b] für x einschränken. Hierzu seien Randbedingungen y(a,t) = f 1 (t), y(b,t) = f (t) t (0,α) gegeben. Für m,k N sei definiert h := (b a) m s := α k. Dann erhalten wir als Bezeichnungen für unser Gitter τ j := js x i := a+ih y ij := y(x i,τ j ) für j = 0,1,...,k für i = 0,1,...,m MitI mk := {1,...,m 1} {0,...,k 1}suchenwirnunaufdemGitter(x i,τ j ) (i,j) Imk eineapproximation für y..3 Diskretisierung Ausgehend von der Gleichung y τ = y xx ergibt sich nun auf Basis von Satz..1, mit beiden Möglichkeiten in (.5) und (.6), dass gilt y s τ(x i,τ j ) = y h xx(x i,τ j )+O(s+h ) (i,j) {1,...,m 1} {0,...,k 1} (.7) y s τ(x i,τ j ) = η s τ(x i,τ j+1 ) = y h xx(x i,τ j+1 )+O(s+h ) (i,j) {1,...,m 1} {0,...,k 1}. (.8) Durch Multiplikation von (.8) mit θ [0,1], von (.7) mit 1 θ und anschließender Addition der beiden Gleichungen erhält man y i,j+1 y ij s = 1 θ h (y i+1,j y ij +y i 1,j )+ θ h (y i+1,j+1 y ij +y i 1,j+1 )+O(s+h ). (.9) 13

15 Dies motiviert die Gleichung w i,j+1 w ij s = 1 θ h (w i+1,j w ij +w i 1,j )+ θ h (w i+1,j+1 w ij +w i 1,j+1 ), (.10) welche von den Näherungen w ij für y ij erfüllt werden sollen. Mit λ := s h folgen also die Gleichungen λθw i+1,j+1 +(λθ +1)w i,j+1 λθw i 1,j+1 = i {1,...,m 1} (.11) = λ(1 θ)w i+1,j ( λ(1 θ) 1 ) w ij +λ(1 θ)w i 1,j j {0,...,k 1} (.1) Aus den Randbedingungen ergibt sich w j 0 = f 1(τ j ), w j m = f (τ j ), 1 j k w 0 i = y 0 (x i ), 0 i m. Weiters ergeben sich aus (.1) mit den Bezeichnungen w j := (w 1j,...,w m 1,j ) T, sowie A := B := λθ +1 λθ λθ λθ +1 λθ λθ λθ λθ +1 d j := λ(1 θ)w 0j +λθw 0,j λ(1 θ)w mj +λθw m,j+1 λ(1 θ)+1 λ(1 θ) λ(1 θ) λ(1 θ)+1 λ(1 θ) λ(1 θ) λ(1 θ) λ(1 θ)+1 die Gleichungssysteme Aw j+1 = Bw j +d j für 0 j k 1 und w 0 i = y 0 (x i ) für 0 i m (.13) Bemerkung. Das Gleichungssystem in.13 hat eine eindeutige Lösung w j+1. Dies folgt daraus, dass A eine strikt diagonaldominante und somit reguläre Matrix ist (siehe [P, 4])..3.1 Explizites Verfahren Für θ = 0 ist die Matrix A in (.13) die Einheitsmatrix und somit können ausgehend von w 0 alle Vektoren w j rekursiv mittels Matrixmultiplikation berechnet werden. Deswegen nennt man das Differenzenverfahren mit θ = 0 explizites Verfahren. Da hier kein Gleichungssystem gelöst werden muss, erfolgt die Berechnungen der Näherungswerte sehr effizient..3. Implizite Verfahren Für θ > 0 erhalten wir implizite Differenzenverfahren. Der Name rührt daher, dass hier in jedem Schritt zurrekursivenberechnungdesvektors w j+1 einlineares Gleichungssystemgelöst werdenmuss. Fürθ = 1 heißt das Verfahren (voll) implizit und für θ = 1 spricht man vom Crank-Nicolson-Verfahren. 14

16 Beispiel. Betrachte das Randwertproblem y τ = y xx auf [0,1], y(x,0) = sinπx, y(0,τ) = y(1,τ) = 0. Die exakte Lösung ist y(x,τ) = e πτ sinπx. Es gilt y(0.,0.5) Mit Hilfe von Matlab erhält man mit dem expliziten Verfahren als Approximationen beispielsweise h s λ i j x i τ j y ij Die erste Wahl der Schrittweite von s liefert einen vernünftigen Wert,wohingegen die zweite Wahl der Schrittweiten offensichtlich zu einem Desaster führt. Dies führt uns auf den Begriff der Stabilität..4 Konsistenz und Stabilität.4.1 Konsistenz Ziel ist es nun zu untersuchen, ob eine gute Lösung zu erwarten ist, beziehungsweise gegebenenfalls Bedingungen für die Schrittweiten h, s anzugeben, unter denen eine gute Lösung zu erwarten ist. Hierfür benötigen wir die Eigenschaften Konsistenz und Stablitität eines solchen Differenzenverfahrens..4.1 Definition. Ein Differenzenverfahren aus dem letzten Abschnitt heißt konsistent von der Ordnung O(s a +h b ) mit a,b > 0, wenn es eine Konstante C > 0 gibt, sodass für hinreichend kleine s,h > 0 gilt wobei max L h,s (y i,j ) C(s a +h b ) (.14) i,j L h,s (y i,j ) = y i,j+1 y ij s 1 θ h (y i+1,j y ij +y i 1,j ) θ h (y i+1,j+1 y ij +y i 1,j+1 ) (.15) Bemerkung. Die Konsistenz ist eine Kenngröße dafür, wie schnell das Residuum, welches durch Einsetzen der exakten Lösung in.10 entsteht, gegen 0 geht, wenn s,h gegen 0 gehen. Wir haben im vorigen Abschnitt schon ein Resultat der Konsistenz des Differenzenverfahrens hergeleitet. Wir erhielten (.9) auf Basis von Satz..1. Zusammenfassend erhalten wir also folgenden Satz..4. Satz. Es sei y wie im letzten Abschnitt und zusätzlich y C 4. Dann ist das diskutierte Differenzenverfahren konsistent von der Ordnung O(s+h ) für alle s,h > 0 und θ [0,1]. Für den Fall θ = 1 lässt sich die Konsistenzordnung noch verbesseren. Dies begründet auch den eigenen Namen des Verfahrens für θ = Satz. Für die Lösung y der Wärmeleitungsgleichung (.1) gelte y C 4. Dann ist das Crank- Nicholson Verfahren konsistent mit der Ordnung O(s +h ). Beweis. Nach dem Satz von Taylor gilt: 15

17 1 s (y(x i,τ j +s) y(x i,τ j )) = y t (x i,τ j )+ s y tt(x i,τ j )+O(s ) und y xx (x i,τ j+1 ) y xx (x i,τ j ) = sy xxt (x i,t j )+O(s ). Damit und wieder mit dem Satz von Taylor folgt: 1 h (y(x i +h,τ j ) y(x i,τ j )+y(x i h,τ j )+y(x i +h,τ j+1 ) y(x i,τ j+1 )+y(x i h,τ j+1 )) = 1 ( yxx (x i,τ j )+O(h )+y xx (x i,τ j+1 )+O(h ) ) = y xx (x i,τ j )+ 1 (y xx(x i,τ j+1 ) y xx (x i,τ j ))+O(h ) = y xx (x i,τ j )+ 1 sy xxt(x i,τ j )+O(s +h ) Insgesamt erhalten wir also für das Residuum L h,s (y i,j ) = y t (x i,τ j )+ s y tt(x i,τ j ) y xx (x i,τ j ) s y xxt(x i,τ j )+O(s +h ) = y t (x i,τ j ) y xx (x i,τ j ) + s ) yt y xx } {{ } ( } {{ } (x t i,τ j )+O(s +h ) = O(s +h ). =0 =0.4. Stabilität Weiters wollen wir nun untersuchen wie sich Rundungsfehler im zuvor beschriebenen Algorithmus fortpflanzen können. Hierzu sei an.13 erinnert und die Vektoren w j für j = 0...k 1 bezeichnen die exakten Lösungen für dieses lineare Gleichungssystem. Bei der Realisation des Algorithmus zur Lösung von.13 werden aber gerundete Werte w j berechnet und als Näherung verwendet. Die Fehlervektoren e j seien durch e j := w j w j definiert. Mit einem Residuum r j werden dann von den gerundeten Werten w j folgende Gleichungen erfüllt Aw j+1 = Bw j +d j +r j j = 0...k 1. (.16) Es ergibt sich für den Fehler e j die Rekursion Ae j+1 = Aw j+1 Aw j+1 = Bw j +d j +r j Bw j d j = Be j +r j (.17) e j+1 = A 1 Be j +A 1 r j. (.18) Wir betrachten den idealisierten Fall, dass r j = 0 j 0. Es entsteht also nur ein Fehler bei bei der Auswertung des Anfangswertes. Nach.18 ergibt sich mit C := A 1 B die Fortpflanzung des Fehlers durch e j = C j e 0. Für ein sogenanntes stabiles Verhalten sollte also ein abklingendes Verhalten dieses Fehlers gegeben sein. Gibt es eine Abbildungsnorm, sodass C < 1 folgt 0 limsup j und somit lim e j R n = limsup j j e j R n = 0. C j e 0 R n limsup j C j e 0 R n = 0 Mit ρ(m) := max{ λ λ C ist Eigenwert von M} und aufgrund des Satzes 16

18 .4.4 Satz ([P, 113]). Für jede Matrix M R n n oder M C n n gilt für den zugehörigen Spektralradius ρ(m) ρ(m) = inf{ M ist Operatornorm, die von einer Norm auf C n induziert wird}. (.19) ist die Existenz einer solchen Abbildungsnorm äquivalent zu ρ(c) < 1. Gilt andererseits ρ(c) 1, so gibt es ein λ C mit λ 1 und ein x C N 1 \{0} sodass Cx = λx. Dann folgt aber, da C ausschließlich reelle Einträge hat, 0 < x λ j x = λ j x = C j x = C j (Rx+iIx) = C j Rx+iC j Ix C j Rx + C j Ix. (.0) Somit können nicht C j Rx und C j Ix für j gegen 0 konvergieren. Insbesondere gibt es ein y R N 1 (nämlich z.b. entweder Rx oder Ix), sodass C j y nicht gegen 0 konvergiert. Also kann es, um wieder Bezug zu unserem Differenzverfahren herzustellen, passieren dass der Fehler, welcher durch die Auswertung des Anfangswertes ensteht, nicht abklingt, ja womöglich sogar explodiert. Diese Überlegungen motivieren folgende Definition:.4.5 Definition. Das Differenzenverfahren in.13 heißt stabil, wenn gilt. ρ(a 1 B) < 1 (.1) Motiviert durch diese Definition der Stabilität wollen wir nun die Eigenwerte von speziellen Tridiagonalmatrizen, deren Struktur z.b. die Matrizen A, B in.13 haben, untersuchen..4.6 Satz. Es sei a R, b 0 und sgn b = sgn c. Die Matrix M R n n, definiert durch a b 0. M := c a b, 0 c a hat genau die Eigenwerte ( ) c kπ µ k = a+b b cos, k = 1,...,n (.) n+1 mit zugehörigen Eigenvektoren ( (c )1 v k = sin kπ ( c ) b n+1, sin kπ ( c )n b n+1,..., sin nkπ ). (.3) b n+1 17

19 Beweis. Zunächst zeigen wir (Mv k ) l = (µ k v k ) l für l n 1. Mit dem Additionstheorem (x,y R) folgt sinxcosx = sin(x y)+sin(x+y) (.4) (Mv k ) l = cvl 1 k +avl k +bvl+1 k ( c = c sin b)l 1 (l 1)kπ ( c l +a sin b) lkπ ( c = c b)l 1 ( c l c = b b) b c = ( b n+1 ( sin (l 1)kπ +sin (l+1)kπ n+1 n+1 lkπ sin n+1 cos kπ ( c n+1 +a b ) (c b cos kπ n+1 +a b ( c n+1 +b b ) +a )l+1 ) l sin lkπ n+1 ) l sin lkπ n+1 = (µ kv k ) l. sin (l+1)kπ n+1 ( c b) l sin lkπ n+1 Somit bleibt die Gleichheit (Mv k ) l = (µ k v k ) l für l = 1 und l = n zu zeigen. Es folgt wieder mit Hilfe von (.4) und (µ k v k ) 1 = ( a+ bccos kπ n+1 ) (c )1 sin kπ ( c )1 n+1 = a sin kπ kπ +csin b n+1 n+1 cos kπ n+1 b ( c = a sin b)1 kπ n+1 +bc kπ sin b n+1 = avk 1 +bv k = (Mv k ) 1 (µ k v k ) n = ( a+ kπ bccos n+1 ) (c b )n sin nkπ ( c )n n+1 = a sin nkπ ( c )n 1 b n+1 +c sin (n 1)kπ b n+1 = cv k n 1 +av k n = (Mv k ) n Also folgt insgesamt Mv k = µ k v k. Weiters bildet der Kosinus das Intervall (0,π) bijektiv auf ( 1,1) abbildet und wir erhalten tatsächlich n verschiedene Eigenwerte. Somit kann die Matrix M auch höchstens die Eigenwerte (µ k ) k {1,...,n} haben. Das letzte Resultat ist Grundlage für den nächsten Satz, in welchem wir Bedingungen formulieren unter denen das von uns diskutierte Differenzenverfahren stabil im Sinne von (.1) ist..4.7 Satz. Das Differenzenverfahren aus.13 ist stabil, wenn für λ := s h und θ gilt 0 < λ < 1 4θ für 0 θ < 1 (.5) λ > 0 für 1 θ 1 (.6) Beweis. Es sei zuerst θ > 0. Die Matrizen A,B R m 1 m 1 aus.13 stehen offensichtlich in der Beziehung θb +(1 θ)a = I B = 1 θ I (1 θ) A. θ 18

Kevin Caldwell. 18.April 2012

Kevin Caldwell. 18.April 2012 im Rahmen des Proseminars Numerische Lineare Algebra von Prof.Dr.Sven Beuchler 18.April 2012 Gliederung 1 2 3 Mathematische Beschreibung von naturwissenschaftlich-technischen Problemstellungen führt häufig

Mehr

Analytische Methoden und die Black-Scholes Modelle

Analytische Methoden und die Black-Scholes Modelle Analytische Methoden und die Black-Scholes Modelle Diplomverteidigung Universität Rostock Institut für Mathematik 20.01.2011 Agenda 1 Das Ornstein-Uhlenbeck Volatilitätsmodell 2 in L 2 (R 2 ) 3 4 Problem

Mehr

Optionsbewertung. Christof Heuer und Fabian Lenz. 2. Februar 2009

Optionsbewertung. Christof Heuer und Fabian Lenz. 2. Februar 2009 nach Black-Scholes mit sprüngen 2. Februar 2009 nach Black-Scholes mit sprüngen Inhaltsverzeichnis 1 Einleitung Optionsarten Modellannahmen 2 Aktienmodell Beispiele für e ohne Sprung 3 nach Black-Scholes

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

Optimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz

Optimale Steuerung. Sequentielle Quadratische Programmierung. Kevin Sieg. 14. Juli 2010. Fachbereich für Mathematik und Statistik Universität Konstanz Optimale Steuerung Kevin Sieg Fachbereich für Mathematik und Statistik Universität Konstanz 14. Juli 2010 1 / 29 Aufgabenstellung 1 Aufgabenstellung Aufgabenstellung 2 Die zusammengesetzte Trapezregel

Mehr

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung

Definition 3.1: Ein Differentialgleichungssystem 1. Ordnung Kapitel 3 Dynamische Systeme Definition 31: Ein Differentialgleichungssystem 1 Ordnung = f(t, y) ; y R N ; f : R R N R N heißt namisches System auf dem Phasenraum R N Der Parameter t wird die Zeit genannt

Mehr

Optimalitätskriterien

Optimalitätskriterien Kapitel 4 Optimalitätskriterien Als Optimalitätskriterien bezeichnet man notwendige oder hinreichende Bedingungen dafür, dass ein x 0 Ω R n Lösung eines Optimierungsproblems ist. Diese Kriterien besitzen

Mehr

34 5. FINANZMATHEMATIK

34 5. FINANZMATHEMATIK 34 5. FINANZMATHEMATIK 5. Finanzmathematik 5.1. Ein einführendes Beispiel Betrachten wir eine ganz einfache Situation. Wir haben einen Markt, wo es nur erlaubt ist, heute und in einem Monat zu handeln.

Mehr

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler

Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Kommentierte Musterlösung zur Klausur HM I für Naturwissenschaftler Wintersemester 3/4 (.3.4). (a) Für z = + i und z = 3 4i berechne man z z und z z. Die Ergebnisse sind in kartesischer Form anzugeben.

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

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

3.2 Black-Scholes Analyse

3.2 Black-Scholes Analyse 3.. BLACK-SCHOLES ANALYSE 39 3. Black-Scholes Analyse Allgemeine Vorüberlegungen Eine Aktie ist eine Anlage ähnlich einem Kredit. Der Anleger bekommt eine Verzinsung, da Kapital ein Arbeitsfaktor ist.

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

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013

Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Finanzmarktökonometrie: Einführung in die Optionsbewertung Sommersemester 2013 Walter Sanddorf-Köhle Foliensatz Nr. 3 1 / 46 Ein Einperiodenmodell Beispiel 5 Betrachtet wird nun ein Wertpapiermarkt mit

Mehr

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik

Höhere Mathematik 3. Apl. Prof. Dr. Norbert Knarr. Wintersemester 2015/16. FB Mathematik Höhere Mathematik 3 Apl. Prof. Dr. Norbert Knarr FB Mathematik Wintersemester 2015/16 4. Homogene lineare Dierentialgleichungen 4.1. Grundbegrie 4.1.1. Denition. Es sei J R ein Intervall und a 0 ; : :

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

Einleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären.

Einleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. Einleitung Das Ein-Perioden-Modell ist das einfachste Modell, um die Idee der Preisgebung von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. naive Idee der Optionspreisbestimmung: Erwartungswertprinzip

Mehr

Stabilität mittels Ljapunov Funktion

Stabilität mittels Ljapunov Funktion Stabilität mittels Ljapunov Funktion Definition Eine C 1 Funktion V : D R, D R, heißt eine Ljapunov Funktion auf K r (0) D für f(y), falls gilt: 1) V(0) = 0, V(y) > 0 für y 0 2) V,f(y) 0 ( y, y r) Gilt

Mehr

Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung

Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung Lösung des Hedging-Problems mittels Stochastischer Dynamischer Optimierung Ausarbeitung zum Vortrag im Seminar Stochastische Dynamische Optimierung vom 18.01.2008 Datum : 18.01.2008 Verfasser: Martin Schymalla

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

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

Elemente der Analysis II

Elemente der Analysis II Elemente der Analysis II Kapitel 3: Lineare Abbildungen und Gleichungssysteme Informationen zur Vorlesung: http://www.mathematik.uni-trier.de/ wengenroth/ J. Wengenroth () 15. Mai 2009 1 / 35 3.1 Beispiel

Mehr

Nichtlineare Optimierung ohne Nebenbedingungen

Nichtlineare Optimierung ohne Nebenbedingungen Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt

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

18 Höhere Ableitungen und Taylorformel

18 Höhere Ableitungen und Taylorformel 8 HÖHERE ABLEITUNGEN UND TAYLORFORMEL 98 8 Höhere Ableitungen und Taylorformel Definition. Sei f : D R eine Funktion, a D. Falls f in einer Umgebung von a (geschnitten mit D) differenzierbar und f in a

Mehr

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009

Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Übungen zur Ingenieur-Mathematik III WS 2009/10 Blatt 10 21.12.2009 Aufgabe 35: Thema: Singulärwertzerlegung und assoziierte Unterräume Sei A eine m n Matrix mit Rang r und A = UDV T ihre Singulärwertzerlegung.

Mehr

Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik

Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik Money out of nothing? - Prinzipien und Grundlagen der Finanzmathematik Francesca Biagini Mathematisches Institut, LMU biagini@math.lmu.de Münchner Wissenschaftstage im Jahr der Mathematik 21. Oktober 28

Mehr

Bewertung von Forwards, Futures und Optionen

Bewertung von Forwards, Futures und Optionen Bewertung von Forwards, Futures und Optionen Olaf Leidinger 24. Juni 2009 Olaf Leidinger Futures und Optionen 2 24. Juni 2009 1 / 19 Überblick 1 Kurze Wiederholung Anleihen, Terminkontrakte 2 Ein einfaches

Mehr

Modulabschlussklausur Analysis II

Modulabschlussklausur Analysis II Modulabschlussklausur Analysis II. Juli 015 Bearbeitungszeit: 150 min Aufgabe 1 [5/10 Punkte] Es sei a R und f a : R 3 R mit f a (x, y, z) = x cos(y) + z 3 sin(y) + a 3 + (z + ay a y) cos(x) a) Bestimmen

Mehr

Bewertung von europäischen und amerikanischen Optionen

Bewertung von europäischen und amerikanischen Optionen Bewertung von europäischen und amerikanischen en 1. Vortrag - Einführung Technische Universität Berlin Institut für Mathematik 8. November 2007 Inhaltsverzeichnis 1 Definitionen amerikanische / europäische

Mehr

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also

2 3 x3 17. x k dx = x k x k+1 k +1. Mit jeder weiteren partiellen Integration reduziert sich der Grad des Faktors x n, induktiv erhalten wir also Universität Konstanz Fachbereich Mathematik und Statistik Repetitorium Analysis 0 Dr DK Huynh Blatt 8 Aufgabe 6 Bestimmen Sie (a) (x + x 7x+)dx (c) (f) x n exp(x)dx (n N fest) sin (x)dx (g) (b) (d) ln(x)dx

Mehr

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist.

Matrizennorm. Definition 1. Sei A M r,s (R). Dann heißt A := sup die Matrixnorm. Wir wissen zunächst nicht, ob A eine reelle Zahl ist. Matrizennorm Es seien r,s N Mit M r,s (R bezeichnen wir die Menge der reellen r s- Matrizen (also der linearen Abbildungen R s R r, und setze M s (R := M s,s (R (also die Menge der linearen Abbildungen

Mehr

Skalare Differentialgleichungen

Skalare Differentialgleichungen Kapitel 2 Skalare Differentialgleichungen 2.1 Skalare lineare Differentialgleichungen 2.2 Bernoulli und Riccati Differentialgleichungen 2.3 Differentialgleichungen mit getrennten Variablen 2.4 Exakte Differentialgleichungen

Mehr

Newton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme

Newton-Verfahren zur gleichungsbeschränkten Optimierung. 1 Gleichungsbeschränkte Optimierungsprobleme Newton-Verfahren zur gleichungsbeschränkten Optimierung Armin Farmani Anosheh (afarmani@mail.uni-mannheim.de) 3.Mai 2016 1 Gleichungsbeschränkte Optimierungsprobleme Einleitung In diesem Vortrag geht es

Mehr

FB IV Mathematik Universität Trier. Präsentation von Nadja Wecker

FB IV Mathematik Universität Trier. Präsentation von Nadja Wecker FB IV Mathematik Universität Trier Präsentation von Nadja Wecker 1) Einführung Beispiele 2) Mathematische Darstellung 3) Numerischer Fluss für Diffusionsgleichung 4) Konvergenz 5) CFL-Bedingung 6) Zusammenfassung

Mehr

5 Eigenwerte und die Jordansche Normalform

5 Eigenwerte und die Jordansche Normalform Mathematik für Physiker II, SS Mittwoch 8.6 $Id: jordan.tex,v.6 /6/7 8:5:3 hk Exp hk $ 5 Eigenwerte und die Jordansche Normalform 5.4 Die Jordansche Normalform Wir hatten bereits erwähnt, dass eine n n

Mehr

ε δ Definition der Stetigkeit.

ε δ Definition der Stetigkeit. ε δ Definition der Stetigkeit. Beweis a) b): Annahme: ε > 0 : δ > 0 : x δ D : x δ x 0 < δ f (x δ f (x 0 ) ε Die Wahl δ = 1 n (n N) generiert eine Folge (x n) n N, x n D mit x n x 0 < 1 n f (x n ) f (x

Mehr

Das Black-Scholes Marktmodell

Das Black-Scholes Marktmodell Das Black-Scholes Marktmodell Andreas Eichler Institut für Finanzmathematik Johannes Kepler Universität Linz 8. April 2011 1 / 14 Gliederung 1 Einleitung Fortgeschrittene Finanzmathematik einfach erklärt

Mehr

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt

x 2 2x + = 3 + Es gibt genau ein x R mit ax + b = 0, denn es gilt - 17 - Die Frage ist hier also: Für welche x R gilt x = x + 1? Das ist eine quadratische Gleichung für x. Es gilt x = x + 1 x x 3 = 0, und man kann quadratische Ergänzung machen:... ( ) ( ) x x + = 3 +

Mehr

Seminararbeit für das SE Reine Mathematik- Graphentheorie

Seminararbeit für das SE Reine Mathematik- Graphentheorie Seminararbeit für das SE Reine Mathematik- Graphentheorie Der binäre Rang, der symplektische Graph, die Spektralzerlegung und rationale Funktionen Vortrag am 24.01.2012 Heike Farkas 0410052 Inhaltsverzeichnis

Mehr

Charakteristikenmethode im Beispiel

Charakteristikenmethode im Beispiel Charakteristikenmethode im Wir betrachten die PDE in drei Variablen xu x + yu y + (x + y )u z = 0. Das charakteristische System lautet dann ẋ = x ẏ = y ż = x + y und besitzt die allgemeine Lösung x(t)

Mehr

Teil II. Nichtlineare Optimierung

Teil II. Nichtlineare Optimierung Teil II Nichtlineare Optimierung 60 Kapitel 1 Einleitung In diesem Abschnitt wird die Optimierung von Funktionen min {f(x)} x Ω betrachtet, wobei Ω R n eine abgeschlossene Menge und f : Ω R eine gegebene

Mehr

3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper

3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper 32 Andreas Gathmann 3. Die Eigenschaften der reellen Zahlen II: Geordnete Körper Wir haben bisher von den reellen Zahlen nur die Körpereigenschaften, also die Eigenschaften der vier Grundrechenarten ausgenutzt

Mehr

Notationen. Burkhard Weiss Futures & Optionen Folie 2

Notationen. Burkhard Weiss Futures & Optionen Folie 2 Optionspreismodelle Notationen S t : X: T: t: S T : r: C: P: c: p: s: aktueller Aktienkurs Ausübungspreis (Rest-)laufzeit der Option Bewertungszeitpunkt Aktienkurs bei Verfall risikofreier Zinssatz Preis

Mehr

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema

Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema Division Für diesen Abschnitt setzen wir voraus, dass der Koeffizientenring ein Körper ist. Betrachte das Schema 2x 4 + x 3 + x + 3 div x 2 + x 1 = 2x 2 x + 3 (2x 4 + 2x 3 2x 2 ) x 3 + 2x 2 + x + 3 ( x

Mehr

Rekursionen (Teschl/Teschl 8.1-8.2)

Rekursionen (Teschl/Teschl 8.1-8.2) Rekursionen (Teschl/Teschl 8.1-8.2) Eine Rekursion kter Ordnung für k N ist eine Folge x 1, x 2, x 3,... deniert durch eine Rekursionsvorschrift x n = f n (x n 1,..., x n k ) für n > k, d. h. jedes Folgenglied

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

17. Penalty- und Barriere-Methoden

17. Penalty- und Barriere-Methoden H.J. Oberle Optimierung SoSe 01 17. Penalty- und Barriere-Methoden Penalty- und Barriere Methoden gehören zu den ältesten Ansätzen zur Lösung allgemeiner restringierter Optimierungsaufgaben. Die grundlegende

Mehr

Serie 13: Online Test

Serie 13: Online Test D-ERDW, D-HEST, D-USYS Mathematik I HS 3 Dr. Ana Cannas Serie 3: Online Test Einsendeschluss: 3. Januar 4 Bei allen Aufgaben ist genau eine Antwort richtig. Lösens des Tests eine Formelsammlung verwenden.

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

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

Einführung in die Vektor- und Matrizenrechnung. Matrizen

Einführung in die Vektor- und Matrizenrechnung. Matrizen Einführung in die Vektor- und Matrizenrechnung Matrizen Definition einer Matrix Unter einer (reellen) m x n Matrix A versteht man ein rechteckiges Schema aus reellen Zahlen, die wie folgt angeordnet sind:

Mehr

Technische Universität Dortmund Fakultät für Mathematik Lehrstuhl für angewandte Mathematik und Numerik Prof. Dr. Stefan Turek Dr.

Technische Universität Dortmund Fakultät für Mathematik Lehrstuhl für angewandte Mathematik und Numerik Prof. Dr. Stefan Turek Dr. Technische Universität Dortmund Fakultät für Mathematik Lehrstuhl für angewandte Mathematik und Numerik Prof. Dr. Stefan Turek Dr. Thomas Hübner Ausarbeitung zum WiMa-Praktikum WS 2013/14 Thema: Finite-Dierenzen

Mehr

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u.

u + v = v + u. u + (v + w) = (u + v) + w. 0 V + v = v + 0 V = v v + u = u + v = 0 V. t (u + v) = t u + t v, (t + s) u = t u + s u. Universität Stuttgart Fachbereich Mathematik Prof. Dr. C. Hesse PD Dr. P. H. Lesky Dipl. Math. D. Zimmermann Msc. J. Köllner FAQ 3 Höhere Mathematik I 4..03 el, kyb, mecha, phys Vektorräume Vektorräume

Mehr

Eigenwerte und Eigenvektoren von Matrizen

Eigenwerte und Eigenvektoren von Matrizen Eigenwerte und Eigenvektoren von Matrizen Das Eigenwertproblem Sei A eine quadratische Matrix vom Typ m,m. Die Aufgabe, eine Zahl λ und einen dazugehörigen Vektor x zu finden, damit Ax = λx ist, nennt

Mehr

Seminar Finanzmathematik

Seminar Finanzmathematik Seminar Finanzmathematik Simulationen zur Black-Scholes Formel von Christian Schmitz Übersicht Zufallszahlen am Computer Optionspreis als Erwartungswert Aktienkurse simulieren Black-Scholes Formel Theorie

Mehr

Lösungen zum 3. Aufgabenblatt

Lösungen zum 3. Aufgabenblatt SS, Lineare Algebra Die Lösungen wurden erstellt von: Isabel Voigt, Vanessa Lamm und Matthias Rehder Hinweis: Eine Liste der zur Bearbeitung verwendeten Literatur ist unter www.mathematiwelt.com aufrufbar.

Mehr

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen?

Entscheidungsbäume. Definition Entscheidungsbaum. Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Entscheidungsbäume Frage: Gibt es einen Sortieralgorithmus mit o(n log n) Vergleichen? Definition Entscheidungsbaum Sei T ein Binärbaum und A = {a 1,..., a n } eine zu sortierenden Menge. T ist ein Entscheidungsbaum

Mehr

Ü b u n g s b l a t t 11

Ü b u n g s b l a t t 11 Mathe für Physiker I Wintersemester 0/04 Walter Oevel 8. 1. 004 Ü b u n g s b l a t t 11 Abgabe von Aufgaben am 15.1.004 in der Übung. Aufgabe 91*: (Differentialgleichungen, Separation. 10 Bonuspunkte

Mehr

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu

(λ Ri I A+BR)v Ri = 0. Lässt sich umstellen zu Herleitung der oppenecker-formel (Wiederholung) Für ein System ẋ Ax + Bu (B habe Höchstrang) wird eine Zustandsregelung u x angesetzt. Der geschlossene egelkreis gehorcht der Zustands-Dgl. ẋ (A B)x. Die

Mehr

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen.

13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. 13. Lineare DGL höherer Ordnung. Eine DGL heißt von n-ter Ordnung, wenn Ableitungen y, y, y,... bis zur n-ten Ableitung y (n) darin vorkommen. Sie heißt linear, wenn sie die Form y (n) + a n 1 y (n 1)

Mehr

Numerische Ableitung

Numerische Ableitung Numerische Ableitung Die Ableitung kann angenähert werden durch den Differentenquotient: f (x) f(x + h) f(x) h oder f(x + h) f(x h) 2h für h > 0, aber h 0. Beim numerischen Rechnen ist folgendes zu beachten:

Mehr

Bestimmung einer ersten

Bestimmung einer ersten Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,

Mehr

Quantitative BWL 2. Teil: Finanzwirtschaft

Quantitative BWL 2. Teil: Finanzwirtschaft Quantitative BWL 2. Teil: Finanzwirtschaft Mag. Tomáš Sedliačik Lehrstuhl für Finanzdienstleistungen Universität Wien 1 Themenübersicht 1. Portfoliotheorie und Portfoliomodelle i. Grundbegriffe: Rendite,

Mehr

Mathematische Ökologie

Mathematische Ökologie Mathematische Ökologie Eine Zusammenfassung von Bernhard Kabelka zur Vorlesung von Prof. Länger im WS 2002/03 Version 1.04, 15. März 2004 Es sei ausdrücklich betont, dass (1) dieses Essay ohne das Wissen

Mehr

Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen

Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Optimierung für Wirtschaftsinformatiker: Analytische Optimierung ohne Nebenbedingungen Dr. Nico Düvelmeyer Freitag, 1. Juli 2011 1: 1 [1,1] Inhaltsübersicht für heute 1 Einführung und Wiederholung Beispiel

Mehr

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011

Mathematik für Informatiker II. Beispiellösungen zur Probeklausur. Aufgabe 1. Aufgabe 2 (5+5 Punkte) Christoph Eisinger Sommersemester 2011 Mathematik für Informatiker II Christoph Eisinger Sommersemester 211 Beispiellösungen zur Probeklausur Aufgabe 1 Gegeben sind die Polynome f, g, h K[x]. Zu zeigen: Es gibt genau dann Polynome h 1 und h

Mehr

Lineare Gleichungssysteme

Lineare Gleichungssysteme Brückenkurs Mathematik TU Dresden 2015 Lineare Gleichungssysteme Schwerpunkte: Modellbildung geometrische Interpretation Lösungsmethoden Prof. Dr. F. Schuricht TU Dresden, Fachbereich Mathematik auf der

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

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt

Rekursionen. Georg Anegg 25. November 2009. Methoden und Techniken an Beispielen erklärt Methoden und Techniken an Beispielen erklärt Georg Anegg 5. November 009 Beispiel. Die Folge {a n } sei wie folgt definiert (a, d, q R, q ): a 0 a, a n+ a n q + d (n 0) Man bestimme eine explizite Darstellung

Mehr

Semidiskretisierung der PDA-Systeme

Semidiskretisierung der PDA-Systeme Kapitel 4 Semidisretisierung der PDA-Systeme Eine Möglicheit zur numerischen Behandlung von Anfangsrandwertproblemen partieller Differentialgleichungen ist die Linienmethode method of lines, MOL, vgl.

Mehr

Optionen, Futures und andere Derivate. John C. Hull. Fachliche Betreuung der deutschen Übersetzung durch Dr. Wolfgang Mader und Dr.

Optionen, Futures und andere Derivate. John C. Hull. Fachliche Betreuung der deutschen Übersetzung durch Dr. Wolfgang Mader und Dr. Optionen, Futures und andere Derivate 9., aktualisierte Aulage John C. Hull Fachliche Betreuung der deutschen Übersetzung durch Dr. Wolfgang Mader und Dr. Marc Wagner 11 Eigenschaften von Aktienoptionen

Mehr

Berechnung von Eigenwerten und Eigenvektoren

Berechnung von Eigenwerten und Eigenvektoren Kapitel 5 Berechnung von Eigenwerten und Eigenvektoren 5.1 Einführung Bemerkung 5.1 Aufgabenstellung. Diese Kapitel behandelt numerische Verfahren zur Lösung des Eigenwertproblems. Gegeben sei A R n n.

Mehr

TECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität

TECHNISCHE UNIVERSITÄT MÜNCHEN. Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Prof. Dr. Friedrich Roesler Ralf Franken, PhD Max Lein Lineare Algebra 1 WS 26/7 en Blatt 4 13.11.26 Abzählbarkeit, Injektivität, Sürjektivität und Bijektivität

Mehr

Kapitel 15: Differentialgleichungen

Kapitel 15: Differentialgleichungen FernUNI Hagen WS 00/03 Kapitel 15: Differentialgleichungen Differentialgleichungen = Gleichungen die Beziehungen zwischen einer Funktion und mindestens einer ihrer Ableitungen herstellen. Kommen bei vielen

Mehr

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen

Austausch- bzw. Übergangsprozesse und Gleichgewichtsverteilungen Austausch- bzw. Übergangsrozesse und Gleichgewichtsverteilungen Wir betrachten ein System mit verschiedenen Zuständen, zwischen denen ein Austausch stattfinden kann. Etwa soziale Schichten in einer Gesellschaft:

Mehr

Ergänzungen zur Analysis I

Ergänzungen zur Analysis I 537. Ergänzungsstunde Logik, Mengen Ergänzungen zur Analysis I Die Behauptungen in Satz 0.2 über die Verknüpfung von Mengen werden auf die entsprechenden Regelnfür die Verknüpfung von Aussagen zurückgeführt.

Mehr

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum

Fachschaft Mathematik und Informatik (FIM) LA I VORKURS. Herbstsemester 2015. gehalten von Harald Baum Fachschaft Mathematik und Informatik (FIM) LA I VORKURS Herbstsemester 2015 gehalten von Harald Baum 2. September 2015 Inhaltsverzeichnis 1. Stichpunkte zur Linearen Algebra I 2. Körper 3. Vektorräume

Mehr

Seminar Finanzmathematik

Seminar Finanzmathematik Seminar Finanzmathematik Simulationen zur Black-Scholes Formel Seite 1 von 24 Zufallszahlen am Computer 3 Gleichverteilte Zufallszahlen 3 Weitere Verteilungen 3 Quadratische Verteilung 4 Normalverteilung

Mehr

Blatt 1. 1 Einführung. Programmierpraktikum Computational Finance. WS 2014/ 2015 Prof. Dr. Thomas Gerstner Marco Noll

Blatt 1. 1 Einführung. Programmierpraktikum Computational Finance. WS 2014/ 2015 Prof. Dr. Thomas Gerstner Marco Noll Programmierpraktikum Computational Finance WS 2014/ 2015 Prof. Dr. Thomas Gerstner Marco Noll Programmierpraktikum Computational Finance Blatt 1 1 Einführung Finanzderivate sind Wertpapiere, deren Wert

Mehr

Einführung. Vita Rutka. Universität Konstanz Fachbereich Mathematik & Statistik AG Numerik SS 2009

Einführung. Vita Rutka. Universität Konstanz Fachbereich Mathematik & Statistik AG Numerik SS 2009 Einführung Vita Rutka Universität Konstanz Fachbereich Mathematik & Statistik AG Numerik SS 2009 Was ist FEM? Die Finite-Elemente-Methode (FEM) ist ein numerisches Verfahren zur näherungsweisen Lösung,

Mehr

76 10. WEITERE ASPEKTE

76 10. WEITERE ASPEKTE 76 10. WEITERE ASPEKTE 10. Weitere Aspekte 10.1. Aktien mit Dividendenzahlungen Betrachten wir das Black Scholes-Modell. Falls die Aktie nun Dividenden bezahlt, wird der Wert der Aktie um den Wert der

Mehr

Optionspreistheorie von Black & Scholes

Optionspreistheorie von Black & Scholes Optionspreistheorie von Black & Scholes Vortrag zum Seminar Econophysics Maximilian Eichberger 20. November 2007 Zusammenfassung Nach einer kurzen Erläuterung zu den Grundbegriffen und -prinzipien des

Mehr

Vorbemerkungen zur Optionsscheinbewertung

Vorbemerkungen zur Optionsscheinbewertung Vorbeerkungen zur Optionsscheinbewertung Matthias Groncki 24. Septeber 2009 Einleitung Wir wollen uns it den Grundlagen der Optionsscheinbewertung beschäftigen. Dazu stellen wir als erstes einige Vorraussetzungen

Mehr

DIPLOMARBEIT. Konstruktion B Spline basierter monotoner Mehrgitterverfahren zur Bewertung Amerikanischer Optionen

DIPLOMARBEIT. Konstruktion B Spline basierter monotoner Mehrgitterverfahren zur Bewertung Amerikanischer Optionen DIPLOMARBEIT Konstruktion B Spline basierter monotoner Mehrgitterverfahren zur Bewertung Amerikanischer Optionen Angefertigt am Institut für Angewandte Mathematik Vorgelegt der Mathematisch Naturwissenschaftlichen

Mehr

Universität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW

Universität Bonn, Institut für Angewandte Mathematik. WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW Universität Bonn, Institut für Angewandte Mathematik Dr. Antje Kiesel WS 2012/2013 Prüfung Angewandte Mathematik und Statistik - Agrarwiss. /ELW 08.03.2013 Matrikelnummer Platz Name Vorname 1 2 3 4 5 6

Mehr

Moderne Monte Carlo Methoden für Anwendungen in Finanz- und Versicherungsmathematik

Moderne Monte Carlo Methoden für Anwendungen in Finanz- und Versicherungsmathematik Fraunhofer ITWM Kaiserslautern, 4..009 Moderne Monte Carlo Methoden für Anwendungen in Finanz- und Versicherungsmathematik Ralf Korn (TU Kaiserslautern & Fraunhofer ITWM) 0. Einige praktische Probleme

Mehr

Einführung in die Optionspreisbewertung

Einführung in die Optionspreisbewertung Einführung in die Optionspreisbewertung Bonn, Juni 2011 MAF BN SS 2011 Huong Nguyen Gliederung Einführung Definition der Parameter Zwei Komponente zur Ermittlung der Optionsprämie Callwert-Kurve Wirkungen

Mehr

Internationale Finanzierung 7. Optionen

Internationale Finanzierung 7. Optionen Übersicht Kapitel 7: 7.1. Einführung 7.2. Der Wert einer Option 7.3. Regeln für Optionspreise auf einem arbitragefreien Markt 7.3.1. Regeln für Calls 7.3.2. Regeln für Puts 7.3.3. Die Put Call Parität

Mehr

Mathematikaufgaben zur Vorbereitung auf das Studium

Mathematikaufgaben zur Vorbereitung auf das Studium Hochschule für Technik und Wirtschaft Dresden (FH) Fachbereich Informatik/Mathematik Mathematikaufgaben zur Vorbereitung auf das Studium Studiengänge Informatik Medieninformatik Wirtschaftsinformatik Wirtschaftsingenieurwesen

Mehr

Finanzmanagement 5. Optionen

Finanzmanagement 5. Optionen Übersicht Kapitel 5: 5.1. Einführung 5.2. Der Wert einer Option 5.3. Regeln für Optionspreise auf einem arbitragefreien Markt 5.3.1. Regeln für Calls 5.3.2. Regeln für Puts 5.3.3. Die Put Call Parität

Mehr

Derivatebewertung im Binomialmodell

Derivatebewertung im Binomialmodell Derivatebewertung im Binomialmodell Roland Stamm 27. Juni 2013 Roland Stamm 1 / 24 Agenda 1 Einleitung 2 Binomialmodell mit einer Periode 3 Binomialmodell mit mehreren Perioden 4 Kritische Würdigung und

Mehr

Numerik von Optionsgeschäften unter Zuhilfenahme der Kombinationstechnik

Numerik von Optionsgeschäften unter Zuhilfenahme der Kombinationstechnik Numerik von Optionsgeschäften unter Zuhilfenahme der Kombinationstechnik DIPLOMARBEIT zur Erlangung des akademischen Grades Diplom Wirtschaftsmathematiker FRIEDRICH-SCHILLER-UNIVERSITÄT JENA Fakultät für

Mehr

Komplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01

Komplexe Zahlen. Kapitel 1. 1.1 Definitionen 18.4.01 Kapitel Komplexe Zahlen Motivation: die Gleichung x = hat offensichtlich keine reellen Lösungen, da x 0 für jedes reelle x gilt Um auch diese Gleichung lösen zu können, muß man neue Zahlen einführen: die

Mehr

Dierentialgleichungen 2. Ordnung

Dierentialgleichungen 2. Ordnung Dierentialgleichungen 2. Ordnung haben die allgemeine Form x = F (x, x, t. Wir beschränken uns hier auf zwei Spezialfälle, in denen sich eine Lösung analytisch bestimmen lässt: 1. reduzible Dierentialgleichungen:

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

Optionen, Futures und andere Derivate Das Übungsbuch. John C. Hull

Optionen, Futures und andere Derivate Das Übungsbuch. John C. Hull Optionen, Futures und andere Derivate Das Übungsbuch 9., aktualisierte Aulage John C. Hull Fachliche Betreuung der deutschen Übersetzung durch Dr. Wolfgang Mader und Dr. Marc Wagner Praktische Fragestellungen

Mehr

Betreuer: Lars Grüne. Dornbirn, 12. März 2015

Betreuer: Lars Grüne. Dornbirn, 12. März 2015 Betreuer: Lars Grüne Universität Bayreuth Dornbirn, 12. März 2015 Motivation Hedging im diskretisierten Black-Scholes-Modell: Portfolio (solid), Bank (dashed) 110 120 130 140 150 160 170 Portfolio (solid),

Mehr

00. Einiges zum Vektorraum R n

00. Einiges zum Vektorraum R n 00. Einiges zum Vektorraum R n In diesem einleitenden Kapitel werden die in der LV Einführung in die mathematischen Methoden erwähnten Konzepte über Vektoren (im R 2 und R 3 ) im Rahmen des n-dimensionalen

Mehr

1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0.

1 Ordnung muß sein. 1.1 Angeordnete Körper. 1.2 Folgerungen aus den Anordnungsaxiomen. ( c) (b a) > 0. Somit a c b c > 0. 1 Ordnung uß sein 1.1 Angeordnete Körper Wir nehen einal an, daß es in eine Körper Eleente gibt, die wir positiv nennen. Welche Eigenschaften sollen diese haben? O1) Wenn x und y positiv sind, dann auch

Mehr