Martingal-Maße. Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Manuel Müller Mathematisches Institut
|
|
- Karl Julius Frei
- vor 7 Jahren
- Abrufe
Transkript
1 Martingal-Maße Manuel Müller Mathematisches Institut Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied)
2 Seite 2 Martingal-Maße Inhaltsverzeichnis Ausgangssituation Idee und Ziel von Martingalen Martingale 1. Fundamentalsatz der Finanzmathematik Beispiel zum FTAP1
3 Seite 3 Ausgangssituation Martingal-Maße Überblick Ausgangssituation Idee und Ziel von Martingalen Martingale 1. Fundamentalsatz der Finanzmathematik Beispiel zum FTAP1
4 Seite 4 Ausgangssituation Martingal-Maße Ausgangssituation Kurze Wiederholung der wichtigsten Definitionen und Annahmen: ) (, F, Q) bezeichnet einen Wahrscheinlichkeitsraum versehen mit einer Filtrierung (F t ) t={0,...,t }, wobei T 2 N für einen festen Zeithorizont (Zahl der Handelsperioden) steht. ) Ein Finanzmarkt mit d + 1 Anlagegütern und Zeithorizont T ist ein (F t )-adaptierter Prozess S t =(S 0 t, S1 t,...,sd t ) t={0,...,t } mit Werten in R d+1. ) Eine Handelsstrategie ist ein vorhersehbarer R d+1 -wertiger Prozess =( 0, )=( 0 t, 1 t,..., d t ) t={1,...,t }.
5 Seite 5 Ausgangssituation Martingal-Maße Ausgangssituation ) Eine Handelsstrategie heißt selbstfinanzierend, wenn t S t = t+1 S t für t = 1,...,T 1. ) Der diskontierte Wertprozess V =(V t ) t={0,...,t } für eine selbstfinanzierende Handelsstrategie ist gegeben durch: V 0 = 1 X 0 und V t = t X t für t = 1,...,T und X i t = Si t S 0 t für t = 0,...,T, i = 0,...,d. ) Eine selbstfinanzierende Handelsstrategie heißt Arbitrage, wenn V 0 ( ) apple 0 apple V T ( ), Q-fast sicher, und P(V T ( ) > 0) > 0.
6 Seite 6 Idee und Ziel von Martingalen Martingal-Maße Überblick Ausgangssituation Idee und Ziel von Martingalen Martingale 1. Fundamentalsatz der Finanzmathematik Beispiel zum FTAP1
7 Seite 7 Idee und Ziel von Martingalen Martingal-Maße Idee und Ziel von Martingalen Zur Untersuchung von Finanzmärkten auf Arbitragefreiheit betrachten wir häufig andere Wahrscheinlichkeitsmaße auf (, F) als Q. ) Arbitragefreiheit einer Handelsstrategie hängt nur von den Nullmengen unter dem Maß Q ab. ) Ersetzt man Q durch ein Maß P mit gleichen Nullmengen, so sind im neuen Marktmodell die Arbitragen die gleichen wie im alten. ) Dann ist P äquivalent zu Q (P Q) Gibt es besondere äquivalente Maße, unter denen die Arbitragefreiheit leicht ersichtlich ist?
8 Seite 8 Martingale Martingal-Maße Überblick Ausgangssituation Idee und Ziel von Martingalen Martingale 1. Fundamentalsatz der Finanzmathematik Beispiel zum FTAP1
9 Seite 9 Martingale Martingal-Maße Q-Martingale Es sei (, F, F t, Q) ein filtrierter Wahrscheinlichkeitsraum. Ein stochastischer Prozess M =(M t ) t={0,...,t } heißt Q-Martingal in diskreter Zeit, wenn folgende Bedingungen erfüllt sind: (1) M t ist messbar bezüglich F t 8 t (adaptiert) (2) E Q [ M t ] < 1 8 t (M t 2 L 1, integrierbar) (3) E Q [M t F s ]=M s 8 0 apple s apple t apple T (innovativ) ) Der bedingte Erwartungswert einer Beobachtung ist gleich dem Wert der vorigen Beobachtung. ) Ein Martingal kann als faires Spiel betrachtet werden.
10 Seite 10 Martingale Martingal-Maße Martingal-Maß und EMM Ein Wahrscheinlichkeitsmaß P auf (, F) im filtrierten Raum (, F, F t, Q) heißt Martingal-Maß, wenn der diskontierte Preisprozess Xt i für jedes i = 1,...,d ein (d-dimensionales) P-Martingal ist. Es muss also gelten: ) E P [X i t ] < 1 und E P[X i t F s]=x i s, 0 apple s apple t apple T Ist das Martingal-Maß P zu Q äquivalent (P Q), so heißt es ein zu Q äquivalentes Martingal-Maß (EMM). Die Menge aller äquivalenten Martingal-Maße bezeichnen wir mit P.
11 Seite 11 Martingale Martingal-Maße Arbitragefreiheit Arbitragefreiheit einer Handelsstrategie hängt nur von den Nullmengen unter dem Maß Q ab. Zwei Wahrscheinlichkeitsmaße Q und P auf (, F) heißen äquivalent, falls sie dieselben Nullmengen haben, d.h. falls für alle A 2Fgilt P(A) =0, Q(A) =0. (Q P) ) Ersetzt man Q durch ein Maß P mit gleichen Nullmengen, so sind im neuen Marktmodell die Arbitragen die gleichen wie im alten. Ist P zusätzlich ein Martingal-Maß, so lässt sich die Arbitragefreiheit eines Finanzmarktes mithilfe des 1. Fundamentalsatzes der Finanzmathematik charakterisieren.
12 Seite Fundamentalsatz der Finanzmathematik Martingal-Maße Überblick Ausgangssituation Idee und Ziel von Martingalen Martingale 1. Fundamentalsatz der Finanzmathematik Beispiel zum FTAP1
13 Seite Fundamentalsatz der Finanzmathematik Martingal-Maße Fundamentalsatz der Finanzmathematik (FTAP1) Mithilfe von äquivalenten Martingal-Maßen können wir die dynamische Version des 1. Fundamentalsatzes der Finanzmathematik einführen: Folgende Aussagen sind für einen Finanzmarkt auf (, F, F t, Q) äquivalent: (1) Der Finanzmarkt ist arbitragefrei (2) Der Finanzmarkt besitzt mindestens ein Q-äquivalentes Martingal-Maß P (P 6= 0)
14 Seite Fundamentalsatz der Finanzmathematik Martingal-Maße Fundamentalsatz der Finanzmathematik Beweisidee: (1) ) (2) : arbitragefrei ) EMM existiert Jedes Mehr-Perioden Modell kann als T Ein-Perioden Modelle aufgefasst werden. Dieses ist genau dann arbitragefrei, wenn alle T Ein-Perioden Modelle arbitragefrei sind. Idee ist nun, durch iteratives Anwenden des FTAP1 im Ein-Perioden Modell ein Wahrscheinlichkeitsmaß P T,...,P 1 =: P 2Pzu konstruieren. Dann zeigt man: E P [Xt i F t d.h (Xt i ) ist ein Martingal unter P. 1] =... = E Pt [X i t F t 1] =X i t 1,
15 Seite Fundamentalsatz der Finanzmathematik Martingal-Maße Fundamentalsatz der Finanzmathematik Beweis: (2) ) (1) : EMM existiert ) arbitragefrei Zum Beweis der Implikation nutzen wir Doob s System Theorem.
16 Seite Fundamentalsatz der Finanzmathematik Martingal-Maße Doob s System Theorem (Doob s System Theorem). Für ein Wahrscheinlichkeitsmaß Q auf (, F) sind folgende Aussagen äquivalent: (1) Q ist ein Martingal-Maß. (2) Für jede selbstfinanzierende Handelsstrategie =( 0, ) mit beschränktem ist der Wertprozess V ( ) ein Q-Martingal. (3) Für jede selbstfinanzierende Handelsstrategie =( 0, ) mit E Q [(V T ( )) ] < 1 ist V ( ) ein Q-Martingal. (4) Für jede selbstfinanzierende Handelsstrategie =( 0, ) mit V T ( ) 0, Q-fast sicher, gilt E Q [V T ( )] = V 0 ( ).
17 Seite Fundamentalsatz der Finanzmathematik Martingal-Maße Fundamentalsatz der Finanzmathematik Beweis: (2) ) (1) : EMM existiert ) arbitragefrei Ersetzt man Q durch ein EMM P, so ändern wir nichts an der Menge der Arbitragen. Es genügt also zu zeigen, dass es keine Handelsstrategie gibt, die unter P eine Arbitrage ist. Sei eine selbstfinanzierende Handelsstrategie mit V 0 ( ) apple 0 apple V T ( ), P-fast sicher. (Doob s System Theorem (4)) ) E P [V T ( )] = V 0 ( ) apple 0. Aus der Nichtnegativität von V T ( ) folgt, dass V T ( ) =0, P-fast sicher. ) ist keine Arbitrage.
18 Seite 18 Beispiel zum FTAP1 Martingal-Maße Überblick Ausgangssituation Idee und Ziel von Martingalen Martingale 1. Fundamentalsatz der Finanzmathematik Beispiel zum FTAP1
19 Seite 19 Beispiel zum FTAP1 Martingal-Maße Beispiel zum FTAP1 Sei ={! 1,! 2,! 3 } und sei (, P( ), Q) ein Wahrscheinlichkeitsraum mit der Filtrierung {{;, }, P( )}. Weiter sei S t =(St 0, S1 t, S2 t ) ein Finanzmarkt mit Anfangspreisen S 0 =(S0 0, S1 0, S2 0 )=(1, 15, 28) und Zeithorizont T = 1. S 0 bezeichne die risikolose Anlage mit konstantem Preisprozess in! und der Zinssatz sei r = 20%. Zu T = 1 seien die Preise durch folgende Matrix gegeben: S 1 1 (! 1 ) S1 1(! 2) S1 1(! 3) S1 2(! 1) S1 2(! 2) S1 2(! = 3) ) Ist der Finanzmarkt arbitragefrei?
20 Seite 20 Beispiel zum FTAP1 Martingal-Maße Beispiel Lösung: Um zu bestimmen ob der Finanzmarkt arbitragefrei ist, genügt es die Menge der EMM P 2Pvon Q zu bestimmen (FTAP1). Die EMM ergeben sich als Lösungen der linearen Gleichungen: E P [X1 k F 0]=X 0, E P [ Sk 1 ]= Sk S1 0 0 S0 0 = S0 k, k = 0, 1, 2. (1) p 1 S 0 1 (! 1) S 0 1 (2) p 1 S 1 1 (! 1) S 0 1 (3) p 1 S 2 1 (! 1) S p 2 S 0 1 (! 2) S p 2 S 1 1 (! 2) S p 2 S 2 1 (! 2) S p 3 S 0 1 (! 3) S p 3 S 1 1 (! 3) S p 3 S 2 1 (! 3) S 0 1 = S 0 0 = S 1 0 = S 2 0
21 Seite 21 Beispiel zum FTAP1 Martingal-Maße Beispiel (1) p 1 + p 2 + p 3 = 1 (2) 30p p p 3 = 15 (3) 10p p p 3 = 28 (1) p 1 + p 2 + p 3 = 1 (2) 20p 2 20p 3 = 15 (3) +20p p 3 = 18 (1) p 1 + p 2 + p 3 = 1 ) p 1 = 1 4 (2) 20p 2 20p 3 = 15 ) p 2 = (3) +30p 3 = 3 ) p 3 = 1 10 ) LGS hat eindeutige Lösung P =(p 1, p 2, p 3 ) T =( 1 4, 13 ) P6= 0, Markt arbitragefrei. 20, 1 10 )T, p i > 0.
22 Seite 22 Beispiel zum FTAP1 Martingal-Maße Ende Vielen Dank für Ihre Aufmerksamkeit!!!
Finanzmathematik in diskreter Zeit
Finanzmathematik in diskreter Zeit Version vom: 27. Mai 2017 Prof. Dr. Thorsten Schmidt 1 1 Universität Freiburg. www.stochastik.uni-freiburg.de/schmidt Vorwort Dieses Skriptum ist aus einer Vorlesung
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
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
MehrEinleitung. 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
MehrLösungen zur 1. Klausur Diskrete Stochastische Finanzmathematik ( , SoSe 2014) am , Zeit: 10-12, Raum: W
Prof. Dr. Dietmar Pfeifer Institut für Mathematik Lösungen zur. Klausur Diskrete Stochastische Finanzmathematik (5..862, SoSe 24 am 5.8.24, Zeit: - 2, Raum: W--6 Name:... Matr.-Nr.:... Geb.-Datum:... Studiengang:...
MehrBewertung von amerikanischen Optionen im CRR Modell. Seminararbeit von Nadja Amedsin
Bewertung von amerikanischen Optionen im CRR Modell Seminararbeit von Nadja Amedsin 22.05.10 i Inhaltsverzeichnis 1 Einführung 1 2 Amerikanischer Claim 1 2.1 Beispiele................................ 2
MehrInhaltsverzeichnis. Teil I
Inhaltsverzeichnis Teil I Ein-Perioden-Wertpapiermärkte 3 1.1 Ein-Perioden-Modelle 4 1.2 Portfolios 7 1.3 Optionen und Forward-Kontrakte 9 1.3.1 Optionen 10 1.3.2 Forward-Kontrakte 12 1.4 Die Bewertung
MehrPortfoliotheorie, Risikomanagenient und die Bewertung von Derivaten
Jürgen Kremer Portfoliotheorie, Risikomanagenient und die Bewertung von Derivaten Zweite, vollständig überarbeitete und erweiterte Auflage 45J Springer Inhaltsverzeichnis Teill Ein-Perioden- Wertpapiermärkte
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,
MehrInhaltsverzeichnis. 2 Portfoliotheorie Rendite und Risiko Die erwartete Rendite... 74
1 Ein-Perioden-Wertpapiermärkte........................... 1 1.1 Portfolios............................................... 5 1.2 Optionen und Forward-Kontrakte......................... 8 1.2.1 Optionen.........................................
MehrVorlesung. Finanzmathematik I. Steffen Dereich und Marcel Ortgiese. Westfälische Wilhelms-Universität Münster WS2013/14. Version: 31.01.
Vorlesung Finanzmathematik I Steffen Dereich und Marcel Ortgiese Westfälische Wilhelms-Universität Münster WS2013/14 Version: 31.01.2014 Inhaltsverzeichnis 1. Einführung 1 1.1. Das Finanzmarktmodell...........................
MehrFinanzmathematik - 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
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
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
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
MehrÜbungen zur Vorlesung Finanzmathematik. Wintersemester 2014/15
Übungen zur Vorlesung Finanzmathematik Wintersemester 2014/15 PD Dr. V. Paulsen Blatt 7 25.11.2014 Aufgabe 1: Ruinwahrscheinlichkeit beim Roulette Sei S n = n X i, n N 0 eine Irrfahrt in Z, die aus dem
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
MehrEinführung in die Diskrete Finanzmathematik
Springer-Lehrbuch Einführung in die Diskrete Finanzmathematik Bearbeitet von Jürgen Kremer 1. Auflage 2005. Taschenbuch. XVI, 500 S. Paperback ISBN 978 3 540 25394 5 Format (B x L): 15,5 x 23,5 cm Gewicht:
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..............................
MehrProf. Dr. Thilo Meyer-Brandis. Finanzmathematik 1 WS 2012/13
Prof. Dr. Thilo Meyer-Brandis Finanzmathematik 1 WS 2012/13 Dieses Skript gibt den Inhalt der Vorlesung Finanzmathematik I: Eine Einführung in diskreter Zeit wieder und basiert auf dem Buch Stochastic
MehrEinführung und Grundlagen
Kapitel 1 Einführung und Grundlagen Generelle Notation: Ω, A, P sei ein W-Raum im Hintergrund nie weiter spezifiziert Die betrachteten Zufallsvariablen seien auf Ω definiert, zb X : Ω, A M, A, wobei M,
Mehr1 Stochastische Prozesse in stetiger Zeit
1 Stochastische Prozesse in stetiger Zeit 1.1 Grundlagen Wir betrachten zufällige Prozesse, definiert auf einem Wahrscheinlichkeitsraum (Ω, F, P), welche Werte in einen fest gewählten Zustandsraum annehmen.
MehrSkript. Finanzmathematik I. Max v. Renesse Aufgezeichnet von Tobias Weihrauch. Wintersemester 2012/13 Universität Leipzig. Version vom 4.
Skript Finanzmathematik I Max v. Renesse Aufgezeichnet von Tobias Weihrauch Wintersemester 2012/13 Universität Leipzig Version vom 4. März 2013 INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Einführung Der
MehrII. Bewertung von Derivaten in diskreter Zeit
II. Bewertung von Derivaten in diskreter Zeit 2.1. Wahrscheinlichkeitstheoretische Grundlagen 2.1.1. Bedingte Erwartungswerte Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Für A, B F mit P(B) > 0 ist die
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
MehrVorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
Univ. Leipzig Mathematisches Institut Vertretung Professur Stochastische Prozesse Max v. Renesse email: mrenesse@math.tu-berlin.de Vorlesung im SoSe 2010 Stochastische Analysis & Zeitstetige Finanzmathematik
MehrIII 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,
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
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
MehrFinanzmarktökonometrie: 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
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrMonte-Carlo-Methoden für amerikanische Optionen
Stefan Kremsner Monte-Carlo-Methoden für amerikanische Optionen Longstaff-Schwartz, Dualität und Policy-Iteration MASTERARBEIT zur Erlangung des akademischen Grades Diplom-Ingenieur Masterstudium Finanz-
MehrBewertung von Derivaten in einem Finanzmarkt mit restringierten Handelsstrategien
Bewertung von Derivaten in einem Finanzmarkt mit restringierten Handelsstrategien am 14. Mai 2013 als Diplomarbeit vorgelegt von André Fuhrken Betreuer: Privatdozent Dr. Volkert Paulsen Institut für Mathematische
MehrNicht-rekombinierbare Binomialbäume und ihre Anwendung in der Finanzmathematik
Nicht-rekombinierbare Binomialbäume und ihre Anwendung in der Finanzmathematik Masterarbeit am Lehrstuhl für angewandte Mathematik der Universität Bayreuth bei Prof. Dr. Lars Grüne von Michaela Baumann,
MehrEin Dualitätsansatz zur Bewertung von amerikanischen Optionen
Fachbereich 10 (Mathematik und Informatik) Ein Dualitätsansatz zur Bewertung von amerikanischen Optionen Diplomarbeit in Finanzmathematik bei Herrn PD Dr. Volkert Paulsen am Institut für Mathematische
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.......................................
MehrGrundbegriffe der Wahrscheinlichkeitstheorie. Karin Haenelt
Grundbegriffe der Wahrscheinlichkeitstheorie Karin Haenelt 1 Inhalt Wahrscheinlichkeitsraum Bedingte Wahrscheinlichkeit Abhängige und unabhängige Ereignisse Stochastischer Prozess Markow-Kette 2 Wahrscheinlichkeitsraum
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
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
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.
MehrMartingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele
Kapitel 6 Martingale In der Statistik modellieren Martingale z.b. Glücksspiele oder Handelsstrategien in Finanzmärkten und sind ein grundlegendes Hilfsmittel für die statistische Inferenz stochastischer
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
MehrHHL - Handelshochschule Leipzig Leipzig Graduate School of Management
HHL - Handelshochschule Leipzig Leipzig Graduate School of Management Lehrstuhl für Finanzmangement und Banken Bemerkungen zu Löfflers Miles-Ezzell s WACC yields Arbitrage Prof. Dr. Bernhard Schwetzler
MehrKapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 2. Wahrscheinlichkeit
Teil I: Wahrscheinlichkeitstheorie 1 Kapitel 2. Wahrscheinlichkeit (wird heute behandelt) Kapitel 3: Bedingte Wahrscheinlichkeit Kapitel 4: Zufallsvariablen Kapitel 5: Erwartungswerte, Varianz, Kovarianz
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
MehrBewertung 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
Mehr2 Zufallsvariable und Verteilungsfunktionen
8 2 Zufallsvariable und Verteilungsfunktionen Häufig ist es so, dass den Ausgängen eines Zufallexperiments, d.h. den Elementen der Ereignisalgebra, eine Zahl zugeordnet wird. Das wollen wir etwas mathematischer
MehrD-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler. Lösungen Serie 10
D-MAVT Lineare Algebra I HS 2017 Prof. Dr. N. Hungerbühler Lösungen Serie 10 1. Für a 1 : 1 1 0, a 2 : 1 1, a 3 : 1 1 1, b : 2 2 2 1 und A : (a 1, a 2, a 3 ) gelten welche der folgenden Aussagen? (a) det(a)
MehrAusgewählte Lösungen zu den Übungsblättern 4-5
Fakultät für Luft- und Raumfahrttechnik Institut für Mathematik und Rechneranwendung Vorlesung: Lineare Algebra (ME), Prof. Dr. J. Gwinner Ausgewählte en zu den Übungsblättern -5 Aufgabe, Lineare Unabhängigkeit
MehrAmerikanischen Optionen
Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.
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
MehrStrassen Type Theorems Proseminar Stochastik
Strassen Type Theorems Proseminar Stochastik Cecelie Hector Universität Hamburg Fachbereich Mathematik SoSe 2004 Vortrag am 25.06.04 Definition (a). Ein topologischer Raum E heißt polnisch, wenn es eine
Mehr1. EINFÜHRUNG INS STATE-PRICING 1
1. EINFÜHRUNG INS STATE-PRICING 1 1. Einführung ins State-Pricing In diesem Kapitel betrachten wir eine Periode. Das heisst, wir können nur zu den Zeitpunkten 0 und 1 handeln. Im weiteren arbeiten wir
MehrI Grundbegriffe 1 1 Wahrscheinlichkeitsräume Bedingte Wahrscheinlichkeiten und Unabhängigkeit Reellwertige Zufallsvariablen...
Inhaltsverzeichnis I Grundbegriffe 1 1 Wahrscheinlichkeitsräume......................... 1 2 Bedingte Wahrscheinlichkeiten und Unabhängigkeit........... 7 3 Reellwertige Zufallsvariablen........................
MehrHumboldt Universiät zu Berlin 25. Januar 2017 Institut für Mathematik Prof. Dr. Dirk Becherer. Übungen zur Vorlesung Stochastische Finanzmathematik I
Humboldt Universiät zu Berlin 25. Januar 2017 Serie 1 1) Gegeben sei ein Finanzmarkt bestehend aus einer risikofreien Anlage und zwei Aktien. Die risikofreie Anlage habe einen Zinssatz von 0.4, d.h. π
MehrUnabhängigkeit KAPITEL 4
KAPITEL 4 Unabhängigkeit 4.1. Unabhängigkeit von Ereignissen Wir stellen uns vor, dass zwei Personen jeweils eine Münze werfen. In vielen Fällen kann man annehmen, dass die eine Münze die andere nicht
MehrProf. Dr. Elmar Grosse-Klönne Institut für Mathematik
Prof. Dr. Elmar Grosse-Klönne Institut für Mathematik Lineare Algebra Analytische Geometrie I* Übungsaufgaben, Blatt Musterlösungen Aufgabe. Es seien A, B, C Teilmengen einer Menge X. Zeige: i A B C =
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
MehrSignifikanztests Optimalitätstheorie
Kapitel Signifikanztests Optimalitätstheorie Randomisierte Tests In einem statistischen Modell M, A, P ϑ sei ein Testproblem gegeben: H : ϑ Θ gegen H : ϑ Θ ; wobei also durch Θ Θ Θ eine Zerlegung des Parameterbereichs
MehrÜbungen zu bedingten Erwartungswerten. Tutorium Stochastische Prozesse 13. Dezember 2016
Übungen zu bedingten Erwartungswerten Tutorium Stochastische Prozesse 13. Dezember 2016 Bedingter Erwartungswert Definition Sei X eine reellwertige Zufallsvariable auf (Ω, A, P), so dass E[ X ]
MehrKapitel II Kontinuierliche Wahrscheinlichkeitsräume
Kapitel II Kontinuierliche Wahrscheinlichkeitsräume 1. Einführung 1.1 Motivation Interpretation der Poisson-Verteilung als Grenzwert der Binomialverteilung. DWT 1.1 Motivation 211/476 Beispiel 85 Wir betrachten
MehrMathematische Grundlagen I Logik und Algebra
Logik und Algebra Dr. Tim Haga 21. Oktober 2016 1 Aussagenlogik Erste Begriffe Logische Operatoren Disjunktive und Konjunktive Normalformen Logisches Schließen Dr. Tim Haga 1 / 21 Präliminarien Letzte
MehrEigenwerte und Diagonalisierung
Eigenwerte und Diagonalisierung Wir wissen von früher: Seien V und W K-Vektorräume mit dim V = n, dim W = m und sei F : V W linear. Werden Basen A bzw. B in V bzw. W gewählt, dann hat F eine darstellende
MehrFinal Exam. Friday June 4, 2008, 12:30, Magnus-HS
Stochastic Processes Summer Semester 2008 Final Exam Friday June 4, 2008, 12:30, Magnus-HS Name: Matrikelnummer: Vorname: Studienrichtung: Whenever appropriate give short arguments for your results. In
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
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
MehrFinanzmathematik. Inhalt: Martin Keller-Ressel Satz: Martin Haubold 17. November 2014
Finanzmathematik Inhalt: Martin Keller-Ressel Satz: Martin Haubold 17. November 2014 Inhaltsverzeichnis 0 Einführung und Motivation 1 0.1 Zentrale Fragestellungen der Finanzmathematik.............. 1 0.2
MehrSTOCHASTISCHE UNABHÄNGIGKEIT. Annika Pohlmann Philipp Oel Wilhelm Dück
STOCHASTISCHE UNABHÄNGIGKEIT Annika Pohlmann Philipp Oel Wilhelm Dück 1 GLIEDERUNG 1) Bedingte Wahrscheinlichkeiten 2) Unabhängigkeit für mehr als zwei Ereignisse 3) Unabhängigkeit für Zufallsvariable
MehrVorlesungsskript Finanzmathematik in stetiger Zeit
Vorlesungsskript Finanzmathematik in stetiger Zeit Christoph Kühn Sommersemester 27 letzte Aktualisierung: 9. Februar 217 1 Inhaltsverzeichnis 1 Modellierung von Finanzmärkten 3 1.1 Das allgemeine stochastische
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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
MehrBrownsche Bewegung. M. Gruber. 20. März 2015, Rev.1. Zusammenfassung
Brownsche Bewegung M. Gruber 20. März 2015, Rev.1 Zusammenfassung Stochastische Prozesse, Pfade; Definition der Brownschen Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit;
MehrFinanzmathematik. Absichern und Bewerten von Optionen. Arnold Janssen / Klaus Janßen
Finanzmathematik Absichern und Bewerten von Optionen Arnold Janssen / Klaus Janßen Universität Düsseldorf 27.09.2012 Rohstoffe, Devisen, Aktien, Kredite,... haben Preise, die im Laufe der Zeit zufällig
MehrFinanzwirtschaft. Teil II: Bewertung. Zinssätze und Renten
Zinssätze und Renten 1 Finanzwirtschaft Teil II: Bewertung Zinssätze und Renten Agenda Zinssätze und Renten 2 Effektivzinsen Spot-Zinsen Forward-Zinsen Bewertung Kennziffern Zusammenfassung Zinssätze und
Mehr1 A dp = P(A B). (1.3)
Markov-etten Seminar Stochastik vom 4-500 Version Oktober 00 Markus Penz Vorbemerkungen zu bedingten Wahrscheinlichkeiten Sei (Ω, F,P) ein Wahrscheinlichkeitsraum und X : Ω R eine F-messbare sowie integrierbare
MehrFinite Elemente Methode für elliptische Differentialgleichungen
Finite Elemente Methode für elliptische Differentialgleichungen Michael Pokojovy 8. Oktober 2007 Das Ritzsche Verfahren Sei R n ein beschränktes offenes Gebiet mit abschnittsweise glattem Rand S. Betrachte
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
MehrUniversität Lepizig. Modellunabhängige Bewertung von Optionen mithilfe des optimalen Transports
Universität Leipzig Fakultät für Mathematik und Informatik Mathematisches Institut Modellunabhängige Bewertung von Optionen mithilfe des optimalen Transports Diplomarbeit vorgelegt durch: Florian Schleu
MehrDer Metropolis-Hastings Algorithmus
Der Algorithmus Michael Höhle Department of Statistics University of Munich Numerical Methods for Bayesian Inference WiSe2006/07 Course 30 October 2006 Markov-Chain Monte-Carlo Verfahren Übersicht 1 Einführung
MehrKAPITEL 1: ENDLICHE KÖRPER 1 ALLGEMEINES 2 GLEICHUNGEN ÜBER EINEM ENDLICHEN KÖRPER
RUPRECHT-KARLS-UNIVERSITÄT HEIDELBERG MATHEMATISCHES INSTITUT SEMINAR: QUADRATISCHE FORMEN ÜBER DEN RATIONALEN ZAHLEN SOMMERSEMESTER 2007 DOZENT: PROF. DR. KAY WINGBERG ASSISTENT: JOHANNES BARTELS KAPITEL
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;
MehrExtremalpunkte und der Satz von Krein-Milman. 1 Lokalkonvexe topologische Vektorräume
Extremalpunkte und der Satz von Krein-Milman Seminar zu ausgewählten Kapiteln der Banachraumtheorie Vortrag von Michael Hoffmann 1 Lokalkonvexe topologische Vektorräume Im folgenden betrachten wir stets
MehrLineare Algebra I (WS 13/14)
Lineare Algebra I (WS 13/14) Alexander Lytchak Nach einer Vorlage von Bernhard Hanke 29.11.2013 Alexander Lytchak 1 / 13 Wiederholung Der Rang einer linearen Abbildung ist gleich dem Spaltenrang der darstellenden
MehrDualitätssätze der linearen Optimierung
Kapitel 9 Dualitätssätze der linearen Optimierung Sei z = c T x min! Ax = b 9.1 x 0 mit c, x R n, b R m, A R m n ein lineares Programm. Definition 9.1 Duales lineares Programm. Das lineare Programm z =
Mehrtun, sondern nur mit der Reaktion auf verschiedene Anfangswerte.
2.3 Stabilität Eine wichtige Rolle spielt das Stabilitätsverhalten dynamischer Systeme. Wie üblich sei Φ die Fundamentalmatrix des linearen Systems ẋ = A(t)x + u. Im weiteren sei t fixiert, später wird
MehrDivision 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
Mehr6 Polynomielle Gleichungen und Polynomfunktionen
6 Polynomielle Gleichungen und Polynomfunktionen Lineare Gleichungen Eine lineare Gleichung in einer Variablen ist eine Gleichung der Form ax + b = cx + d mit festen Zahlen a und c mit a c. Dies kann man
MehrDie Bewertung von Derivaten in zeitdiskreten Modellen
Die Bewertung von Derivaten in zeitdiskreten Modellen Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science Westfälische Wilhelms-Universität Münster Fachbereich Mathematik und Informatik
MehrWahrscheinlichkeitsrechnung und Statistik
3. Vorlesung - 21.10.2016 Bedingte Wahrscheinlichkeit In einer Urne sind 2 grüne und 3 blaue Kugeln. 2 Kugeln werden ohne Zürücklegen gezogen. Welches ist die Wahrscheinlichkeit, dass : a) man eine grüne
MehrThemen des Bachelorseminars zur Finanz- und Versicherungsmathematik
Themen des Bachelorseminars zur Finanz- und Versicherungsmathematik 1. Das mehrdimensionale Cox-Ross-Rubinstein Modell Ein CRR Modell für d Aktien kann dadurch spezifiziert werden, dass der Preisprozeß
MehrZeitstetige Markov-Prozesse: Einführung und Beispiele
Zeitstetige Markov-Prozesse: Einführung und Beispiele Simone Wielart 08.12.10 Inhalt Q-Matrizen und ihre Exponentiale Inhalt Q-Matrizen und ihre Exponentiale Zeitstetige stochastische Prozesse Inhalt Q-Matrizen
Mehr8 Verteilungsfunktionen und Dichten
8 Verteilungsfunktionen und Dichten 8.1 Satz und Definition (Dichten) Eine Funktion f : R R heißt Dichtefunktion, kurz Dichte, wenn sie (Riemann-) integrierbar ist mit f(t) 0 für alle t R und Setzt man
MehrKAPITEL 5. Erwartungswert
KAPITEL 5 Erwartungswert Wir betrachten einen diskreten Wahrscheinlichkeitsraum (Ω, P) und eine Zufallsvariable X : Ω R auf diesem Wahrscheinlichkeitsraum. Die Grundmenge Ω hat also nur endlich oder abzählbar
MehrMathematik für Naturwissenschaftler II SS 2010
Mathematik für Naturwissenschaftler II SS 2010 Lektion 12 8. Juni 2010 Kapitel 10. Lineare Gleichungssysteme (Fortsetzung) Umformung auf obere Dreiecksgestalt Determinantenberechnung mit dem Gauß-Verfahren
MehrArbitrage Free Pricing
Beim CAPM wurde gezeigt, dass man Finanztitel basierend auf der Verteilung ihres künftigen Preises bewerten kann. Dabei haben wir [unter der Annahme gewisser Präferenzen des Es] den Preis eines Finanztitels
MehrEinführung in die Finanzmathematik: Diskrete Modelle Skriptum zur Vorlesung (Teile Kainhofer)
Einführung in die Finanzmathematik: Diskrete Modelle Skriptum zur Vorlesung (Teile Kainhofer) Reinhold Kainhofer FAM, TU Wien Mai 2007 Inhaltsverzeichnis 1 Das Ein-Perioden-Modell 1 1.1 Definitionen............................................
Mehr7 Bedingte Erwartungswerte und Bedingte Verteilungen
7 edingte Erwartungswerte und edingte Verteilungen Sei (Ω,, P ein W Raum, (Ω, ein Messraum, Y : Ω Ω sei (, -messbar und nehme die Werte y 1,..., y n Ω an. Y 1 (y k {ω Ω Y (ω y k } : k Ω 1 + + n und σ(y
MehrEuler-Approximation. Leonie van de Sandt. TU Dortmund Prof. Dr. Christine Müller. 5. Juni 2012
Euler-Approximation Leonie van de Sandt TU Dortmund Prof. Dr. Christine Müller 5. Juni 2012 Leonie van de Sandt (TU Dortmund) Euler-Approximation 5. Juni 2012 1 / 26 Inhaltsverzeichnis 1 Einleitung Leonie
MehrAlgebraische Kurven. Holger Grzeschik
Algebraische Kurven Holger Grzeschik 29.04.2004 Inhaltsübersicht 1.Einführung in die Theorie algebraischer Kurven 2.Mathematische Wiederholung Gruppen, Ringe, Körper 3.Allgemeine affine Kurven 4.Singuläre
MehrOptionspreisbestimmung nach Cox-Ross-Rubinstein
Optionspreisbestimmung nach Cox-Ross-Rubinstein Michael Beer 8. Mai 000 Inhaltsverzeichnis Einführung und Problembeschreibung. Was sind Optionen?.............................. Modellspezifikation..............................3
Mehr