Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
|
|
- Kristina Holst
- vor 7 Jahren
- Abrufe
Transkript
1 Univ. Leipzig Mathematisches Institut Vertretung Professur Stochastische Prozesse Max v. Renesse Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik Inhalt Die stochastische Analysis ist die Theorie von zufälligen Prozesse in stetiger Zeit. Hierbei steht besonders die Brownsche Bewegung als Standardmodell der Physik (Ausbreitung von Wärme/Diffusion) oder der Finanzmathematik (Aktienkurse) im Mittelpunkt. In der Vorlesung werden die Grundlagen des Ito-Kalküls sorgfältig erarbeitet und Anwendungen hiervon im Handel und der Bewertung von derivativen Finanzinstrumenten (Optionen) besprochen. Diese Vorlesung setzt die sowohl die Vorlesung Finanzmathematik I von Herrn Prof. Dr. Frey sowie meine Vorlesung Stochastische Prozesse aus dem vergangenen Wintersemester fort. Umfang: 4 SWS Vorlesung + freiwillige Präsenz-Übung (2 SWS). Erforderliche Vorkenntnisse: Wahrscheinlichkeitstheorie I oder Maßtheorie oder Stoch. Prozesse oder Finanzmathematik I. Literatur: Karatzas, Ioannis; Shreve, Steven E. Brownian motion and stochastic calculus. Springer-Verlag, New York, Shreve, Steven E. Stochastic calculus for finance. II. Continuous-time models. Springer Finance. New York, Revuz, Daniel; Yor, Marc Continuous martingales and Brownian motion. Springer-Verlag, Berlin, Ort und Zeit: Vorlesung: Montag Felix-Klein-Hoersaal, Dienstag SE 114. Übung: Dienstag , SE 114
2 Liste der Präsenz-Übungsaufgaben für die VL Stochastische Analysis & Zeitstetige Finanzmathematik (Stand ) 1. Gegeben sie der Wahrscheinlichkeitsraum (Ω, F, P) := ([0, 1], B([0, 1]), dx). Geben Sie jeweils ein Beispiel einer Folge von reellen Zufallsvariablen (X n ) n auf (Ω, F, P) an, welche P-stochastisch, aber nicht P-fast sicher gegen X = 0, bzw. P-fast sicher, aber nicht in L 1 (Ω, P) gegen X = 0, bzw. in L 1 (Ω, P), aber nicht P-fast sicher gegen 0, bzw. in L 1 (Ω, P), aber nicht in L 2 (Ω, P) gegen 0 konvergiert. 2. Zeigen Sie, dass jede einelementige Menge Φ = {X} mit X L 1 (Ω, F, P) auf einem W-Raum (Ω, F, P) gleichgradig integrierbar ist. 3. Es sei Ω := {ω : {0,,, N} Z ω(0) = 0, ω(i) ω(i + 1) = 1} die Menge aller zulässigen Pfade einer Irrfahrt auf Z, versehen mit der Potenzmenge 2 Ω =: F als σ-algebra. Für i {0,, N} sei X i : Ω Z mit X i (ω) = ω(i). Bestimmen Sie explizit F 0, F 1 und F 2 für F i := σ(x j, j i). Bestimmen Sie explizit σ(x 2 ). 4. Zeigen Sie: Falls ein Prozess (X t ) auf einem filtrierten Wahrscheinlichkeitsraum (Ω, (F t ) t 0, F, P ) ein (F t )-Martingal ist und eine weitere Filtrierung gegeben (G t ) t 0 mit Ft X G t F t für alle t und = σ(x s, s t), so ist (X t ) auch ein (G t )-Martingal. F X t 5. Zeigen Sie: Falls (X t ) ein (F t )-Martingal ist, die Filtrierung (F t ) vollständig und (Y t ) eine Modifikation von (X t ), dann ist (Y t ) ebenfalls ein (F t )-Martingal. 6. Es sei (X t ) t 0 ein nichtnegatives Supermartingal auf einem filtriertem W-Raum (Ω, (F t ) t 0, P), so dass ein X existiert, so dass (X t ) t [0, ] ein (F t ) t [0, ] -Submartingal ist. Zeigen Sie, dass die Menge (X t ) t 0 gleichgradig integrierbar ist. 7. Benutzen Sie den Konvergenzsatz von Vitali für den Beweis der folgenden Aussage: Für ein nichtnegatives Martingal der Form X t = E(X F t ) mit X L 1 (Ω, P ) gilt X t X in L 1 (Ω, P). 8. Zeigen Sie: Eine nichtnegative Zufallsvariable T auf einem filtrierten W-Raum (Ω, (F t ) t 0, P) ist genau dann eine schwache (F t ) t 0 -Stoppzeit wenn T eine (F t ) t 0 -Stoppzeit ist. 9. Zeigen Sie: Eine nichtnegative Zufallsvariable T auf einem filtrierten W-Raum (Ω, (F t ) t 0, P) ist genau dann eine (F t ) t 0 -Stoppzeit wenn {T < t} F t für alle t Welche der folgenden Aussagen sind richtig bzw. falsch (Begründung)? Falls X ein Martingal, so sind auch X und X 2 Submartingale. Falls X ein Submartingal ist, so ist auch X 2 ein Submartingal. Falls X ein nichtnegatives Submartingal, so ist auch X 2 ein Submartingal. Falls X ein nichtnegatives Submartingal, so sind auch X 0 und (X 0) Submartingale.
3 11. Zeigen Sie: Falls eine Folge (X n t ) t 0, n N, von pfadweise stetigen Prozessen auf einem W-Raum (Ω, F, P) gegen einen Prozess (X t ) lokal gleichmäßig P-stochastisch konvergiert, dann sind auch P-fast alle Pfade von (X t ) stetig. 12. Zeigen Sie durch Polarisation: Der Kovariationsprozess ( M, N t ) t 0 zweier auf einem filtrierten W-Raum definierter Martingale ist eindeutig bestimmt als der H t -adaptierte, in 0-startende Prozess (A t ) t von beschränkter Variation, so dass (M t N t A t ) t 0 ein (lokales) (H t )-Martingal ist mit H t := σ(m s, N s, s t). 13. Zeigen Sie,dass das Produkt ( M, N t ) t 0 zweier auf einem filtrierten W-Raum definierter stochastisch unabhängiger Martingale wieder ein (H t )-Martingal ist, wobei H t = σ(m s, N s, s t). Folgern sie hieraus, dass M, N 0 fast-sicher für zwei stochastisch unabhängige Semimartingale. 14. Folgern sie aus dem Gesetz der großen Zahlen (GGZ), dass für eine Standard-Brownsche Bewegung (B t ) n lim (B) = lim (B t n n (i+1) B t n i ) 2 = t fast sicher. T t n n i=0 15. Zeigen Sie durch Approximation und Anwendung von Cauchy-Schwarz, dass A, M 0 falls A stetig von beschränkter Variation und M stetig von endlicher quadratischer Variation ist. 16. Zeigen Sie, dass der Wert einer Option in einem Einperioden-Binomialmodell (Cox-Ross-Rubinstein- Modell) für einen Finanzmarkt mit einem festverzinslichen Wertpapier B und einem risikobehafteten Wertpapier S nicht von den Sprungwahrscheinlichkeiten p ]0, 1[ und q = 1 p abhängt. 17. Geben Sie ein Beispiel für eine Option in einem 1-Perioden Baummodell für einen Finanzmarkt mit einem festverzinslichen Wertpapier B und einem risikobehafteten Wertpapier S mit drei Sprunghöhen, die nicht durch ein selbstfinanzierendes Portfolio repliziert werden kann. 18. Es seit ds = αsdt + σsdw ein Black-Scholes Modell fuer eine Aktienkursentwicklung, mit W einer Standard-Brownschen Bewegung. Stellen Sie die formale stochastische Differentialgleichung fuer U = ln S auf. Lösen Sie mit diesem Ansatz die Differentialgleichung für S und überprüfen Sie Ihre Lösung durch eine Rechnung. 19. Zeigen Sie im Black-Scholes Modell: Eine Portfoliostrategie Π t = (η t, β t ) ist selbstfinanzierend genau dann, wenn d X = ηd S, wobei Xt = e rt X t und S t = e rt S t. 20. Lösen Sie die stochastische Differentialgleichung dz = (αz + α )dt + (σz + σ )dw schrittweise wie folgt: Bestimmen Sie die formale Differentialgleichung für X = S 1 mit ds = αsdt + σsdw Bestimmen Sie die formale Differentialgleichung für H = ZX. 21. Zeigen Sie analog zur Vorlesung die folgende zweidimensionale Version der Lévy-Charakterisierung der Brownschen Bewegung. Zwei Prozesse X 1, X 2 mit Start in Null sind genau dann zwei unabhängige Brownschen Bewegungen, wenn sie stetige Martingale sind mit Kovarianz d X i, X j = δ ij dt. 22. Berechnen Sie die Semimartingal-Zerlegung der Prozesse X, X 2, X 3, wobei X t := t 0 f(σ)dw σ mit einer stetigen beschränkten reellen Funktion f und einer Brownschen Bewegung W. Berechnen Sie den qaudratischen Variationsprozess X 3 von X 3.
4 23. Es sei p(t, x) := 1 1 t exp( x2 ) für t [0, 1[ und p(t, x) := 0, falls t = 1, x R. Zeigen Sie, 2(1 t) dass M t := p(t, B t ), mit einer Brownschen Bewegung (B t ), ein Martingal ist. 24. Zeigen Sie: Für zwei Standard-Brownsche Bewegungen B 1, B 2 und eine reelle Funktion ρ mit ρ(t) ] 1, 1[ gilt d B 1, B 2 t = ρ(t)dt genau dann, wenn W 1 und W 2, definiert durch W 1 (t) = B t und B 2 (t) = t ρ 0 sdw 1 (s)+ t 0 1 ρ2 (s)dw 2 (s), zwei unabhängige Brownsche Bewegungen sind. 25. Bestimmen Sie durch Vewendung der Risikoneutralen Methode explizit den Preis in t = 0 der Option f((s. )) = (S 2 T S T ) + im Black-Scholes Modell. 26. Die gemeinsame Verteilung der Brownschen Bewegung und ihrem pfadweisen Maximum (W t, M t ) mit M t := max s [0,t] W s hat die Dichte f(w, m) = 2(2m w) t e (2m w)2 2t auf der Menge {(w, m) 2πt R 2 m > 0, w m}. Zu ρ R, berechnen Sie die Dichte von ( W t, M t ) mit W t = W t + ρ t und M t := max s [0,t] Ws mithilfe einer geeigneten Girsanov-Transformation. 27. Bestimmen Sie durch Vewendung der Risikoneutralen Methode explizit den Preis in t = 0 der Option f((s. )) = (S 2 T S T ) + im Black-Scholes Modell, wobei S t := max s [0,t] S s. 28. Zeigen Sie mit dem Lemma von Fatou: Ein nichtnegatives, stetiges lokales Martingal ist ein Supermartingal. (Allgemeiner: Jedes nach unten beschränkte, stetige lokale Martingal ist ein Supermartingal.) 29. Zeigen Sie im Multidimensionalen BS Modell, dass im vollständigen Fall die Hedging-Strategie für die Replikation einer (hinreichend integrierbaren) Option eindeutig ist. Gilt dieselbe Aussage auch im unvollständigen Fall? 30. Zeigen Sie im Multidimensionalen BS Modell, dass die Menge der erreichbaren Optionen T A = {F L 2 (Ω, F T, P) (η t ) = ((η (1) t,, η (m) t ) t ) vorhersagb., s.d. F = c+ 0 abgeschlossen in L 2 (Ω, F T, P) ist. m i=1 η (i) s S s (i) P-f.s.} 31. Zeigen Sie im Multidimensionalen BS Modell, dass im vollständigen Fall die Hedging-Strategie für die Replikation einer (hinreichend integrierbaren) Option eindeutig ist. Gilt dieselbe Aussage auch im unvollständigen Fall? 32. Zeigen Sie im multidmensionalen Black-Scholes Modell, dass im Arbitrage-freien Fall der Preis einer erreichbaren, d.h. replizierbaren Option in t = 0 gegeben ist durch v(0) = E Q [e rt F (S. )], wobei Q irgend ein äquivalentes Martingalmaß ist. 33. Beweisen Sie den Ito-schen Darstellungssatz für eine d-dimensionale Brown sche Bewegung. 34. Leiten eine parabolische Differentialgleichung ab für h C 2 ([0, T ] R m ; R) ab, so dass in der Situation des mehrdimensionalen Black-Scholes-Modelles gilt d(e rt h(t, S t )) = m i=1 ξ(i) (i) t d S t für geeignetes ξ t = (ξ (1) t,, ξ (m) t ). 35. Zeigen Sie: Ein stetiger Prozess (X t ) auf einem filtrierten W-Raum (Ω, (F t ), P) mit E( X t ) < ist ein (F t )-Martingal genau dann wenn für alle beschränkten (F t )-Stoppzeiten τ gilt E[X τ ] = E[X 0 ]. 36. Es sei (X t ) eine Standard-Brownsche Bewegung und (F t ) = (F X t ) die zugehörige (vervollständigte) Filtrierung. Ferner sei M t := W ln( 1 ), für t [0, 1[. 1 t
5 Zeigen Sie, dass M t ein lokales (G t )-Martingal ist mit G t = F ln( 1 1 t ). Es sei τ := inf{t 0 M t 1}. Zeigen Sie, dass τ < 1 fast sicher. Es sei N t := Mt τ = M τ t, t [0, 1]. Zeigen Sie, dass (N t ) lediglich ein lokales (H t )-Martingal ist mit H t = F τ t, t [0, 1] (Hinweis: Benutzen Sie die vorausgehende Aufgabe.)
Brownsche Bewegung. M. Gruber. 20. März 2015, Rev.1. Zusammenfassung
Brownsche Bewegung M. Gruber 20. März 2015, Rev.1 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrBrownsche Bewegung. M. Gruber SS 2016, KW 11. Zusammenfassung
Brownsche Bewegung M. Gruber SS 2016, KW 11 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
MehrItô-Integation. M. Gruber Zusammenfassung
Itô-Integation M. Gruber 15. 5 215 Zusammenfassung Itô-Integral für elementare Integranden, Martingaleigenschaft des Itô-Integrals, Itô-Isometrie, Quadratische Variation des Itô-Integrals, Itô-Integration
Mehr8 Die quadratische Variation, und die Integration bzgl. stetiger Semimartingale
8 Die quadratische Variation, und die Integration bzgl. stetiger Semimartingale 8.1 Der quadratische Variationsprozess eines stetigen, lokalen Martingals 8.3 Die quadratische Variation einer reellen Brownschen
MehrStochastische Integration Stochastische Differentialgleichungen Stochastische Partielle Differentialgleichungen. Dominic Breit
Dominic Breit 14.12.213 Outline 1 Stochastische Integration 2 3 Brwonsche Bewegung (1) Eine Brownsche Bewegung W = (W t ) t [,T ] über einem Wahrscheinlichkeitsraum (Ω, F, P) ist ein zeitstetiger stochastischer
Mehr2 Martingale in stetiger Zeit
2 Martingale in stetiger Zeit Ziel dieses Abschnitts ist es die wichtigsten Resultate für Martingale aus diskreter Zeit in stetige Zeit zu übertragen. Wie zu erwarten ist treten in stetiger Zeit einige
Mehr7. 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
MehrSchwache Lösungen von SDEs und das lokale Martingalproblem
Inhalt Schwache Lösungen von SDEs und das lokale Martingalproblem Christin Strampe February 16, 211 Christin Strampe () SDEs und das lokale Martingalproblem February 16, 211 1 / 24 Inhalt Motivation Schwache
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 2 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
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag studienbegleitende Klausur Finanzmathematik I Aufgabe (7 Punkte) Vorgelegt sei ein Wahrscheinlichkeitsraum (Ω, F, P) und
MehrKapitel 7. Martingale 1
Kapitel 7 Martingale 1 7.1 Definition: a) (Ω, F) sei ein messbarer Raum. Eine Filtration (oder Filtrierung) ist eine aufsteigende Folge F = (F n ) n N von Teil-σ-Algebren von F, d.h. F n F n+1 F für n
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
MehrVorstellung des Lehrangebots - Bereich F: Stochastik
Vorstellung des Lehrangebots - Bereich F: Stochastik Andreas Eberle Institut für angewandte Mathematik Juli 2013 Stochastikvorlesungen im Bachelor I Einführung in die Wahrscheinlichkeitstheorie (WiSem)
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 003/004 Universität Karlsruhe 05. 04. 004 Prof. Dr. G. Last Klausur zur Vorlesung Stochastik II Dauer: 90 Minuten Name: Vorname: Matrikelnummer: Diese Klausur hat
MehrBrownsche Bewegung: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
MehrKapitel 6 Martingale
Kapitel 6 Martingale Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse
Mehr11 Stochastisches Integral und Itô-Formel
11 Stochastisches Integral und Itô-Formel Im diskreten Finanzmodell bei selbstfinanzierender Strategie ϑ = {ϑ n n=,...,n mit Anfangswert V gilt : Ṽ n ϑ = V + n ϑ T j S j. j=1 Dieser diskontierte Wertprozess
MehrA. STOCHASTISCHE PROZESSE UND STOPPZEITEN 109
A. STOCHASTISCHE PROZESSE UND STOPPZEITEN 19 A. Stochastische Prozesse und Stoppzeiten In dieser Vorlesung arbeiten wir immer auf einem Massraum (Ω, F), der gross genug ist, um alle definierten Objekte
MehrAbgabetermin: 5. Mai 2017, Uhr
Übungsblatt Nr. 1 26. April 2017 1. Sei F k, k K, eine Familie von σ-algebren, wobei K eine beliebige Menge ist. Zeigen Sie, daß F d = k K F k ebenfalls eine σ-algebra ist! Beweisen Sie, daß die Vereinigung
Mehr1.3 Zufallsvariablen
1.3 Zufallsvariablen Beispiel Irrfahrt zwischen drei Zuständen Start in G bei t = 0, Zeithorizont T N Grundraum σ-algebra Ω = {ω = (ω 0, ω 1,..., ω T ) {G, R, B} T +1, ω 0 = G} Wahrscheinlichkeitsmaß P
MehrDas Black-Scholes Modell
Vathani Arumugathas Das Black-Scholes Modell 1 Das Black-Scholes Modell Vathani Arumugathas Seminar zu Finanzmarktmodellen in der Lebensversicherung, Universität zu Köln 10. Juni 016 Inhaltsverzeichnis
Mehr4 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale
4 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale 4.2 Filtrationen und kanonische Filtrationen 4.3 Supermartingale, Martingale bzw. Submartingale bzgl. der Filtrationen (A t ) t I 4.4 Gleichgradig
MehrMartingal-Maße. Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Manuel Müller Mathematisches Institut
Martingal-Maße Manuel Müller 29.04.2016 Mathematisches Institut Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Seite 2 Martingal-Maße 29.04.2016 Inhaltsverzeichnis
MehrStochastische Prozesse
Albert-Ludwigs-Universität Freiburg Vorlesungsskript Stochastische Prozesse apl. Prof. Dr. Stefan Tappe Wintersemester 2017/18 Abteilung für Mathematische Stochastik Inhaltsverzeichnis 1 Grundlegende
MehrKonvergenz gegen einen Prozess mit unabhängigen Zuwächsen - Anwendungen
Konvergenz gegen einen rozess mit unabhängigen Zuwächsen - Anwendungen Saskia F. Glaffig 20.07.17 "Wiederholung" Definition (vgl. Jacod, Shiryaev, I.3.26: oissonprozess). Ein erweiterter oissonprozess
Mehr2 Das Marktmodell C1(WS08/09) [2] 1
2 Das Marktmodell 2.1 Ein allgemeines Finanzmarktmodell 2.2 Aufsteigende Systeme von σ-algebren und adaptierte Prozesse 2.3 Elementare Handelsstrategien im Finanzmarktmodell 2.4 Die σ-algebra der previsiblen
MehrKapitel II. Brownsche Bewegung. Literatur: Karatzas, Shreve (1999, Chap. 2).
Kapitel II Brownsche Bewegung Literatur: Karatzas, Shreve (1999, Chap. 2). Gegeben: Wahrscheinlichkeitsraum (Ω, A, P) mit Filtration F = (F t ) t I, wobei I = [0, [. Definition 1. W = (W t ) t I Brownsche
MehrItô 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
MehrKAPITEL 1. Martingale
KAPITEL 1 Martingale 1.1. Stochastische Prozesse Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Das heißt, Ω ist eine Menge, F ist eine σ-algebra auf Ω, und P ein Wahrscheinlichkeitsmaß auf (Ω, F ). Zuerst
MehrVorlesungsskript: Martingale
Vorlesungsskript: Martingale von Steffen Dereich Fachbereich Mathematik und Informatik Philipps-Universität Marburg Version vom 25. Februar 2010 Inhaltsverzeichnis 4 Martingale 2 4.1 Einführung.......................................
MehrRisikoneutrale Wahrscheinlichkeit
Risikoneutrale Wahrscheinlichkeit M. Gruber 11. 6 214 Rev.3 Zusammenfassung Diskontierter Aktienpreisprozess, Risiko-Marktpreis, Risikoneutralität; Verschiebung des Erwartungswerts einer Zufallsvariablen,
Mehr3 Markov-Eigenschaft der Brownschen Bewegung
Man verifiziert 2.) für P n = Q n, und somit gilt: jede Teilfolge von (P n ) n N besitzt eine konvergente Teilfolge. Betrachte nun die endlich-dimensionalen Randverteilungen der Maße P n. Dazu sei π t1,...,t
MehrBrownsche Bewegung. Satz von Donsker. Bernd Barth Universität Ulm
Brownsche Bewegung Satz von Donsker Bernd Barth Universität Ulm 31.05.2010 Page 2 Brownsche Bewegung 31.05.2010 Inhalt Einführung Straffheit Konvergenz Konstruktion einer zufälligen Funktion Brownsche
MehrDie Bewertung von amerikanischen Basketoptionen
Die Bewertung von amerikanischen Basketoptionen Seminararbeit von Henning Katerkamp 0. April 010 1 Inhaltsverzeichnis 1 Einführung 3 Bewertung des Perpetual Put mit der sogenannten Beibel/Lerche - Methode
Mehr1. Übungsblatt. Markus Reiß Kursusvorlesung Stochastische Prozesse Sommersemester 2006
Sommersemester 26 1. Übungsblatt 1. Zeige: Ist X Poisson(s)- und Y Poisson(t)-verteilt und sind X und Y unabhängig, so ist X + Y Poisson(t + s)-verteilt (t, s > ). Das heißt, es gilt die Eigenschaft einer
MehrKapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten
Kapitel 4 Stochastische Grundlagen An dieser Stelle möchte ich auf einige stochastische Grundlagen eingehen, die bisher im Kapitel 3 Anwendung gefunden haben und im Folgenden Anwendung finden werden. Grundproblem
MehrStoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
MehrStochastische 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
MehrStochastische Analysis. Karl-Theodor Sturm
Stochastische Analysis Karl-Theodor Sturm 2 Literatur: I. Karatzas, S. Shreve: Brownian Motion and Stochastic Calculus. 2nd ed. Springer 91 D. Revuz, M. Yor: Continuous Martingales and Brownian Motion,
MehrDie Stochastische Integralgleichung X(t) = a + t
Die Stochastische Integralgleichung X(t) = a + µ(s, X(s))ds + σ(s, X(s))dW (s) Simon Keller 4.12.26 1 Mathematische Grundlagen und Herleitung 1.1 Normalverteilung Eine normalverteilte Zufallsvariable X
MehrEinführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge zu Übungsblatt 4
TUM, Zentrum Mathematik Lehrstuhl für Mathematische Physik WS 3/4 Prof. Dr. Silke Rolles Thomas Höfelsauer Felizitas Weidner Tutoraufgaben: Einführung in die Wahrscheinlichkeitstheorie Lösungsvorschläge
MehrTerminologie 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.
Mehr9 Die Ito-Formel und ihre Anwendungen
9 Die Ito-Formel und ihre Anwendungen 9.1 Die eindimensionale Ito-Formel 9. Die Formel der partiellen Integration 9.3 Die quadratische Variaton eines stetigen Semimartingals 9.4 Die eindimensionale Ito-Formel
Mehr1 Bedingte Erwartungswerte
Die folgenden Regeln sind das alltägliche Handwerkszeug für den Umgang mit bedingten Erwartungen und werden in diesem Abschnitt, allerdings ohne Beweise, zitiert. Es ist durchaus eine lohnenswerte Übung,
MehrWahrscheinlichkeits theorie
Achim Klenke Wahrscheinlichkeits theorie Mit 34 Abbildungen 4y Springer 1 Grundlagen der Maßtheorie 1 1.1 Mengensysteme 1 1.2 Mengenfunktionen 11 1.3 Fortsetzung von Maßen 17 1.4 Messbare Abbildungen 33
MehrStochastische Prozesse Gliederung zur Vorlesung im Sommersemester 2006
Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 26 Markus Reiß Universität Heidelberg reiss@statlab.uni-heidelberg.de VORLÄUFIGE FASSUNG: 28. Juli 26 Inhaltsverzeichnis 1 Der Poissonprozess
MehrEinführung in Stochastische Prozesse und Zeitreihenanalyse Vorlesung, 2017S, 2.0h 24.November 2017 Hubalek/Scherrer
Name: Mat.Nr.: Bitte keinen Rotstift oder Bleistift verwenden! 105.59 Einführung in Stochastische Prozesse und Zeitreihenanalyse Vorlesung, 2017S, 2.0h 24.November 2017 Hubalek/Scherrer (Dauer 90 Minuten,
Mehr13 Mehrdimensionale Zufallsvariablen Zufallsvektoren
3 Mehrdimensionale Zufallsvariablen Zufallsvektoren Bisher haben wir uns ausschließlich mit Zufallsexperimenten beschäftigt, bei denen die Beobachtung eines einzigen Merkmals im Vordergrund stand. In diesem
MehrUniversität Leipzig, SoSo 2013
Vorlesung Wahrscheinlichkeitstheorie I Universität Leipzig, SoSo 2013 Prof. Dr. Max v. Renesse renesse@uni-leipzig.de Sprechstunde: Di 13.15-14.45, A 337 Übungen: Mo 11.15 -- 12.45 A 314 K. Zimmermann
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrWahrscheinlichkeitstheorie
Achim Klenke Wahrscheinlichkeitstheorie 3., überarbeitete und ergänzte Auflage ~ Springer Spektrum Inhaltsverzeichnis 1 Grundlagen der Maßtheorie. 1.1 Mengensysteme. 1.2 Mengenfunktionen, 12 1.3 Fortsetzung
MehrStochastische Analysis
Stochastische Analysis Vorlesung SS 22 Jürgen Dippon Mathematisches Institut A Universität Stuttgart Homepage der Vorlesung: www.mathematik.uni-stuttgart.de/matha/lst3/dippon/sa Version vom 17. Juni 23
MehrTECHNISCHE UNIVERSITÄT BERLIN BACHELORARBEIT. Theorie und Simulation einer zweidimensionalen stochastischen Differentialgleichung.
TECHNISCHE UNIVERSITÄT BERLIN Fakultät II Institut für Mathematik BACHELORARBEIT im Studiengang Mathematik über das Thema Theorie und Simulation einer zweidimensionalen stochastischen Differentialgleichung
MehrKapitel 5: Markovketten
Kapitel 5: Markovketten Definition 5.1 Bezeichnungen Bsp. 5.1 Definition 5.2 Eine Fam. (X i ) i I von ZV en X i : Ω E auf (Ω, F, P) mit Werten im messb. Raum (E, E) heißt Stochastischer Prozess. E Zustandsraum
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrSchwache Konvergenz. Ivan Lecei. 18. Juni Institut für Stochastik
Institut für Stochastik 18. Juni 2013 Inhalt 1 2 3 4 5 Nach ZGWS konvergiert für n F n (x) = P{ X 1+...+X n np npq x} gegen F(x) = 1 2π x e 1 2 u2 du, wenn die X i unabhängig und bernoulliverteilt sind
Mehr10. Periodische Funktionen, Fourier Reihen
H.J. Oberle Analysis II SoSe 212 1. Periodische Funktionen, Fourier Reihen Jean Baptiste Joseph Fourier: Joseph Fourier wurde am 21.3.1768 bei Auxerre (Burgund) geboren und starb am 16.5.183 in Paris.
Mehr1. Übungsblatt zu Stochastische Prozesse
1. Übungsblatt zu Stochastische Prozesse Aufgabe 1: Es sei (X n ) n N0 ein stochastischer Prozess mit abzählbarem Zustandsraum E. Man zeige: (X n ) n N0 ist genau dann eine Markov-Kette, wenn für alle
MehrStochastische Analysis
Marcel Ortgiese Stochastische Analysis Version vom 29. Januar 215 Vorlesungsmanuskript WiSe 214/215 Westfälische Wilhelms-Universität Münster Inhaltsverzeichnis Einleitung 1.1 Motivation....................................
MehrMaximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung Eigenschaften von stochastischen Ordnungen Kleine Generatoren
Universität Hamburg Fachbereich Mathematik Schwerpunkt Mathematische Statistik und Stochastische Prozesse Bundesstr. 55 D-20146 Hamburg Maximale Generatoren Integral Stochastischer Ordnungen - Fortsetzung
MehrLösung zur Klausur zur Analysis II
Otto von Guericke Universität Magdeburg 9.7.4 Fakultät für Mathematik Lösung zur Klausur zur Analysis II Vorlesung von Prof. L. Tobiska, Sommersemester 4 Bitte benutzen Sie für jede Aufgabe ein eigenes
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 2009 UNIVERSITÄT KARLSRUHE Blatt 9 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 40: Es sei (X t ) t 0 ein
MehrFakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen. Statistik II
Statistik II 1. Ergänzungen zur Wahrscheinlichkeitstheorie Fakultät Verkehrswissenschaften Friedrich List Professur für Ökonometrie und Statistik, insb. im Verkehrswesen Statistik II 1. Ergänzungen zur
MehrMathematik für Physiker, Informatiker und Ingenieure
Mathematik für Physiker, Informatiker und Ingenieure Folien zu Kapitel IV SS 2010 G. Dirr INSTITUT FÜR MATHEMATIK UNIVERSITÄT WÜRZBURG dirr@mathematik.uni-wuerzburg.de http://www2.mathematik.uni-wuerzburg.de
MehrKlausur zu,,einführung in die Wahrscheinlichkeitstheorie
Institut für angewandte Mathematik Wintersemester 2009/10 Andreas Eberle, Matthias Erbar, Bernhard Hader Klausur zu,,einführung in die Wahrscheinlichkeitstheorie Bitte diese Felder in Druckschrift ausfüllen
MehrKlausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 24/25 Universität Karlsruhe 7. März 25 Priv-Doz. Dr. D. Kadelka Klausur zur Vorlesung Stochastik II Dauer: 9 Minuten Name: Vorname: Matrikelnummer: Diese Klausur
MehrVerschiedene stochastische Prozesse. Ann-Kathrin Ru ger 27. Mai 2013 Institut fu r Stochastik
Verschiedene stochastische Prozesse Ann-Kathrin Ru ger 27. Mai 2013 Institut fu r Stochastik Seite 2 Verschiedene stochastische Prozesse Ann-Kathrin Rüger 27. Mai 2013 Inhalt Stochastische Prozesse Grenzüberschreitende
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
MehrStochastische Finanzmathematik I
Notizen zu der Vorlesung Stochastische Finanzmathemati I 1 Zum Ein-perioden-Modell 1.1 Beispiel: Zwei-wertiges Modell: π 0 = 1, S 0 =, { b Wahrs. p S 1 = a Wahrs. 1 p Arbitrage frei: Es gibt p 0, 1) mit
MehrStochastik 2. Beispielaufgaben. Institut für Stochastik WS 2006/07 Universität Karlsruhe Prof. Dr. N. Bäuerle Blatt 0 Dipl.-Math. oec. A.
Institut für Stochastik WS 2006/07 Universität Karlsruhe Prof. Dr. N. Bäuerle Blatt 0 Dipl.-Math. oec. A. Mundt Übungen zur Vorlesung Stochastik 2 Beispielaufgaben Hinweis: Zu diesem Aufgaben werden in
Mehr2 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
MehrMartingale 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
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrStochastische 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,
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
MehrSeminar Gewöhnliche Differentialgleichungen
Seminar Gewöhnliche Differentialgleichungen Dynamische Systeme I 1 Einleitung 1.1 Nichtlineare Systeme In den vorigen Vorträgen haben wir uns mit linearen Differentialgleichungen beschäftigt. Nun werden
Mehr32 Die Diffusionsgleichung
32 Die Diffusionsgleichung 32.1 Motivation (Wärmeleitungsgleichung) Sei Ω R 3 ein ebiet. Wir betrachten Wärmeleitung in Ω und eine Funktion u = u(t, x), wobei t [0, T ] und x Ω, die die Temperaturverteilung
MehrJan Kallsen. Einführung in die zeitdiskrete Finanzmathematik
Jan Kallsen Einführung in die zeitdiskrete Finanzmathematik 22. Juli 2005 Inhaltsverzeichnis 0 Mathematische Hilfsmittel 3 0.1 Absolutstetigkeit und Äquivalenz....................... 3 0.2 Bedingte Erwartung..............................
MehrSchwache Konvergenz von Wahrscheinlichkeitsmaßen
Schwache Konvergenz von Wahrscheinlichkeitsmaßen 6. Juli 2010 Inhaltsverzeichnis 1 Definition 2 3 Lindeberg-Bedingung Interpretation Definition Motivation (Konvergenz von Wahrscheinlichkeitsmaßen) Sind
MehrDWT 1.4 Rechnen mit kontinuierlichen Zufallsvariablen 234/467 Ernst W. Mayr
1.4.2 Kontinuierliche Zufallsvariablen als Grenzwerte diskreter Zufallsvariablen Sei X eine kontinuierliche Zufallsvariable. Wir können aus X leicht eine diskrete Zufallsvariable konstruieren, indem wir
MehrWahrscheinlichkeit & Statistik Musterlösung Serie 7
ETH Zürich FS 4 D-MATH Koordinator Prof. Dr. J. Teichmann Mayra Bermúdez C. Wahrscheinlichkeit & Statistik Musterlösung Serie 7. a) P[t < T t + h T > t] λ(t) lim h h P[{t < T t + h} {T > t}] lim h P[T
Mehr13 Grenzwertsätze Das Gesetz der großen Zahlen
13 Grenzwertsätze 13.1 Das Gesetz der großen Zahlen Der Erwartungswert einer zufälligen Variablen X ist in der Praxis meist nicht bekannt. Um ihn zu bestimmen, sammelt man Beobachtungen X 1,X 2,...,X n
Mehr1 Verbandstheorie. Aufgabensammlung. Höhere Mathematik für Physiker III Wintersemester 2014
Aufgabensammlung Höhere Mathematik für Physiker III Wintersemester 2014 1 Verbandstheorie 1. Aufgabe: (a) Sei f C(R) eine stetige Funktion. Wenn Rf(x)φ(x)dx = 0 für alle Testfunktionen φ Cc (R) gilt, dann
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrSeminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie. Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze
Seminar: Gegenbeispiele in der Wahrscheinlichkeitstheorie - Ausarbeitung zum Seminarthema: Zentraler Grenzwertsatz und diverse Grenzwertsätze Klaus Kuchler 0. Januar 03 Zentraler Grenzwertsatz. Grundlagen,
MehrWahrscheinlichkeitstheorie 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.
MehrStochastische Prozesse Stoffzusammenfassung
Stochastische Prozesse Stoffzusammenfassung Joachim Breitner 7. August 2018 Diese Zusammefassung ist natürlich alles andere als vollständig und zu knapp, um immer alle Aussagen mit Voraussetzungen korrekt
Mehr3. Übungsblatt - Lösungsskizzen. so, dass f tatsächlich eine Wahrscheinlichkeitsdichte
Einführung in die Wahrscheinlichkeitstheorie und Statistik Prof. Dr. Jan Johannes Sandra Schluttenhofer Wintersemester 208/9 3. Übungsblatt - Lösungsskizzen Aufgabe 9 Stetige Verteilungen, 4 =.5 +.5 +
MehrStochastische Analysis. Karl-Theodor Sturm
Stochastische Analysis Karl-Theodor Sturm 2 Literatur: I. Karatzas, S. Shreve: Brownian Motion and Stochastic Calculus. 2nd ed. Springer 91 D. Revuz, M. Yor: Continuous Martingales and Brownian Motion,
MehrWeihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird.
Weihnachtsaufgaben Diese Aufgaben dienen dazu die in der Vorlesung und den Übungen eingeführten Begriffe zu verstehen und zu vertiefen, die Bearbeitung ist freiwillig Das Blatt wurde von den Übungsleitern
MehrSeminar: Finanzmathematik. Portfoliooptimierung im vollständigen Finanzmarktmodell. Katharina Hasow
Seminar: Finanzmathematik Portfoliooptimierung im vollständigen Finanzmarktmodell Katharina Hasow 11. Mai 2010 1 Inhaltsverzeichnis 1 Einführung 1 1.1 Nutzenfunktion............................ 1 1.2 Formulierung
MehrKlausur,,Einführung in die W theorie
Institut für angewandte Mathematik Wintersemester 017/18 Andreas Eberle, Maximilian Fels Klausur,,Einführung in die W theorie Bitte diese Felder in Druckschrift ausfüllen Name: Matrikelnr.: Vorname: Studiengang:
MehrMathematische Ökonometrie
Mathematische Ökonometrie Ansgar Steland Fakultät für Mathematik Ruhr-Universität Bochum, Germany ansgar.steland@ruhr-uni-bochum.de Skriptum zur LV im SoSe 2005. Diese erste Rohversion erhebt keinen Anspruch
MehrScheinklausur zur Vorlesung Stochastik II
Institut für Mathematische Stochastik WS 2007/2008 Universität Karlsruhe 25. 02. 2008 Dr. B. Klar Scheinklausur zur Vorlesung Stochastik II Muster-Lösung Dauer: 90 Minuten Name: Vorname: Matrikelnummer:
MehrKlausur Höhere Mathematik I für die Fachrichtung Physik
Karlsruher Institut für Technologie (KIT Institut für Analysis Prof. Dr. Tobias Lamm Dr. Patrick Breuning WS /3 4.3.3 Klausur Höhere Mathematik I für die Fachrichtung Physik Aufgabe ((4+3+3 Punkte a Welche
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrSeite 1. sin 2 x dx. b) Berechnen Sie das Integral. e (t s)2 ds. (Nur Leibniz-Formel) c) Differenzieren Sie die Funktion f(t) = t. d dx ln(x + x3 ) dx
Seite Aufgabe : a Berechnen Sie das Integral b Berechnen Sie das Integral +x x+x dx. π sin x dx. c Differenzieren Sie die Funktion ft = t e t s ds. Nur Leibniz-Formel a + x x + x dx = d dx lnx + x dx =
Mehr