4 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale
|
|
- Ingrid Peters
- vor 5 Jahren
- Abrufe
Transkript
1 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 integrierbare Familien von Zufallsvariablen 4.5 Die gleichgradig integrierbaren Martingale (E A t (X)) t I 4.6 Supermartingale, Martingale bzw. Submartingale bzgl. der Filtration (A S t ) t I 4.7 Funktionen von Submartingalen 4.8 Konvexe Funktionen von Submartingalen 4.10 Kriterium für eine (Super-, Sub-,) Martingalfolge 4.14 Rechnen mit gleichgradig integrierbaren Familien 4.15 Die Sätze von Fatou und Lebesgue für gleichgradige integrierbare Folgen 4.17 Für geeignete ϕ gilt: sup E(ϕ Y ) < Y gleichgradig integrierbar Y Y 4.18 Bedingung für die Äquivalenz von p-konvergenz und stochastischer Konvergenz 4.20 Äquivalenzen zur gleichgradigen Integrierbarkeit von Y n p bei stochastisch konvergenten Folgen Y n 4.21 Stoppzeiten zu Filtrationen (A t ) t I 4.22 Die σ-algebra A τ der Ereignisse vor τ 4.23 Die erste Eintrittszeit in eine offene Menge ist für rechtsseitig stetige Prozesse eine schwache Stoppzeit 4.27 Die erste Eintrittszeit in eine abgeschlossene Menge ist für stetige Prozesse eine Stoppzeit 4.29 Progressive Messbarkeit gewisser Prozesse 4.30 Äquivalente Bedingungen zur Martingaleigenschaft bei stetiger Zeit 4.31 Optional Sampling Theorem für beschränkte Stoppzeiten bei stetiger Zeit 4.32 Der gestoppte Prozess (X τ t ) t [0, [ 4.33 Maximalungleichungen für Martingale bei stetiger Zeit 4.34 Rechtsseitig stetige Martingale mit sup t [0, [ E( X t ) < sind f.s. konvergent 4.35 Charakterisierung der 1 -konvergenten, rechtsseitig stetigen Martingale 4.36 Für p > 1 sind p -beschränkte, rechtsseitig stetige Martingale p -konvergent 4.37 E( X p ) = lim E( X t p ) für geeignete Martingale 4.38 Optional Sampling Theorem für rechtsseitig stetige p -beschränkte Martingale C5(WS08/09) [4] 1
2 Finanzmathematik I Die Martingaltheorie erlaubt eine simultane Behandlung verschiedenartiger Konzepte; sie ist unentbehrlich für die moderne Stochastik. Auch in der modernen Finanzmathematik spielt sie eine entscheidende Rolle. So besagt der sogenannte Hauptsatz der Preistheorie für zeitlich diskrete Finanzmärkte: Ein Finanzmarkt ist genau dann arbitragefrei, wenn die zeitliche Entwicklung der diskontierten Finanzanlagen bzgl. eines zum Ausgangsmaß äquivalenten W-Maßes ein Martingal bildet. Die Martingaltheorie beruht auf dem Begriff des bedingten Erwartungswertes. Der Übersichtlichkeit halber stellen wir daher die wichtigsten Eigenschaften der bedingten Erwartungswerte aus 3 noch einmal zusammen. Wir betrachten immer einen festen W-Raum (Ω, A, P ) und eine Sub-σ-Algebra A 0 A. Es bezeichnet E(X A 0 ) bzw. E A 0(X) einen bedingten Erwartungswert von X gegeben A 0 für eine P -integrierbare Zufallsvariable X : Ω R (siehe 3.3). Nach 3 gilt (E1) (E2) X A 0 -messbar X = E A 0(X) P -f.s.; E A 0(αX + βy ) = αe A 0(X) + βe A 0(Y ) P -f.s.; (E3) X Y P -f.s. E A 0(X) E A 0(Y ) P -f.s.; (E4) E A 0(X 0 X) = X 0 E A 0(X) P -f.s. für A 0 -messbares X 0 ; (E5) ϕ(e A 0(X)) E A 0(ϕ X) P -f.s., falls ϕ : R R konvex; (E6) E A 0(E A 1(X)) = E A 0(X) P -f.s. falls A 0 A 1 ; (E7) E(X) = E A 0(X) P -f.s., falls X unabhängig von A 0. In (E1) (E7) werden die jeweils betrachteten Funktionen X, Y, X 0 X, ϕ X als P -integrierbar vorausgesetzt. Das folgende Beispiel soll zur Veranschaulichung des Konzepts der Martingale dienen (siehe 4.3 und 4.10). 4.1 Beispiel zur Motivation des Martingalbegriffs Es seien X n : Ω { 1, 1}, n N, P -unabhängige Zufallsvariable. Für ein p [0, 1] sei P {X n = 1} = p für alle n N. Es wird dabei (X n ) n N als ein Spiel z. B. gegen eine Spielbank interpretiert und es bedeutet X n = 1 bzw. 1 Gewinn oder Verlust im n-ten Spiel. Es gilt (1) E(X n ) = 2p 1 für alle n N. Der Spieler legt nun vor jedem neuen Spiel fest, welchen Betrag er in Abhängigkeit von den bisherigen Spielausgängen setzen will. Er wählt also eine Funktion b n : { 1, 1} n [0, [, n N, wobei b n (X 1 (ω),..., X n (ω)) seinen Einsatz im (n + 1)-ten Spiel angibt, wenn die Spielausgänge der ersten n-spiele durch X 1 (ω),..., X n (ω) gegeben sind. Die erste Runde werde mit dem Einsatz 1 gespielt. Bezeichnet S n den Gesamtgewinn des Spielers nach n-runden, so gilt (2) S 1 = X 1,..., S n+1 = S n + b n (X 1,..., X n )X n+1. [4] 2 C5(WS08/09)
3 Setze Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale (3) A n := σ(x 1,..., X n ) = A σ ( n i=1 X 1 i (B(R)), n N. Dann erhält man (a) A n A σ-algebren mit A m A n für m < n, (b) S n ist A n -messbar und P -integrierbar. Dabei folgt (b) induktiv mit Hilfe von (2) und (3) unter Berücksichtigung der Beschränktheit von b n (beachte, dass der Definitionsbereich von b n endlich ist). Wir zeigen nun, dass P -f.s. gilt (i) E An (S n+1 ) S n, falls p < 1/2; (ii) E An (S n+1 ) = S n, falls p = 1/2; (iii) E An (S n+1 ) S n, falls p > 1/2. Beweis. Da S n und b n (X 1,..., X n ) A n -messbar und X n+1 unabhängig von A n = σ(x 1,..., X n ) ist, erhält man P -f.s. E An (S n+1 ) (2) = E2, E4 = E1, E7 = (1) E An (S n ) + b n (X 1,..., X n )E An (X n+1 ) S n + b n (X 1,..., X n )E(X n+1 ) S n + b n (X 1,..., X n )(2p 1). Hieraus folgt (i) (iii) unter Berücksichtigung von b n 0. Ein Spiel mit der Eigenschaft (ii) ist fair; im Sinne der späteren Definition liegt hier ein Martingal vor. Bei (i) liegt eine Begünstigung der Spielbank, bei (iii) eine des Spielers vor. Im Falle (i) werden wir von einem Super- im Falle (iii) von einem Submartingal sprechen. Im Beispiel 4.1 beschreibt A n die Gesamtheit aller beobachtbaren Spielergebnisse bis zum Zeitpunt n einschließlich. Im Allgemeinen wird A t in der folgenden Definition die Gesamtheit aller beobachtbaren Ergebnisse bis zum Zeitpunkt t beschreiben. 4.2 Filtrationen und kanonische Filtrationen Sei = I R und seien A t A σ-algebren für t I. Dann heißt (A t ) t I eine Filtration in A oder ein aufsteigendes System von σ-algebren, wenn gilt t, u I t < u A t A u. Sind S t : Ω R d A-messbar für t I, so heißt A S t := σ(s r : r t, r I) = A σ ( I r t S 1 r (B(R d ))), t I, die kanonische Filtration zu S t, t I. C5(WS08/09) [4] 3
4 Finanzmathematik I Da S t als A, B(R d )-messbar vorausgesetzt sind, gilt A S t A und somit ist AS t, t I, eine Filtration in A. Es ist A S t - nach Übungaufgabe 12(ii) - die kleinste σ-algebra bzgl. derer alle S r, r t messbar sind. Im Beispiel 4.1 ist I := N und A t σ(x 1,..., X t ) für t N. Die Eigenschaften (i) (iii) in 4.1 werden wir nun als Definition eines Supermartingals, bzw. Martingals, bzw. Submartingals verwenden (siehe auch 4.10). Grundsätzlich sei in diesem Paragraphen I R vorausgesetzt. 4.3 Supermartingale, Martingale bzw. Submartingale bzgl. der Filtration (A t ) t I Sei (Ω, A, P ) ein W-Raum. Seien S t : Ω R, t I, und sei (A t ) t I eine Filtration in A. Es sei S t A t -messbar für t I, man sagt hierzu (S t ) t I ist zu (A t ) t I adaptiert. Sind S t, t I, P -integrierbar, dann heißt (i) (S t ) t I, ein Supermartingal bzgl. (A t ) t I, wenn für alle t, u I mit t < u eine der äquivalenten Bedingungen gilt (α) E A t (S u ) S t P -f.s.; (β) S u dp S t dp für alle A A t. A A (ii) (S t ) t I ein Martingal bzgl. (A t ) t I, wenn in (α) bzw. (β) = statt steht. (iii) (S t ) t I, ein Submartingal bzgl. (A t ) t I, wenn in (α) bzw. (β) statt steht. Beweis. Zu (i)(α) (i)(β): Für A A t gilt A S udp = A EA t (S u )dp (α) A S tdp. (i)(β) (i)(α) Für alle A A t gilt A EA t (S u )dp = A S udp A S tdp. (β) Da E A t (S u ), S t A t -messbar sind, folgt E A t (S u ) S t P -f.s.. Aus 4.10 wird folgen, dass (S n ) n N aus Beispiel 4.1 (i) (iii) ein Supermartingal bzw. Martingal, bzw. Submartingal zur Filtration A n = σ(x 1,..., X n ), n N, in A ist. Aus der Definition 4.3 folgt unmittelbar mit A := Ω A t : Ist (S t ) t I ein Supermartingal bzw. Martingal bzw. Submartingal, so gilt für t < u, dass E(S t ) E(S u ) bzw. E(S t ) = E(S u ) bzw. E(S t ) E(S u ) ist. [4] 4 C5(WS08/09)
5 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale 4.4 Gleichgradig integrierbare Familien von Zufallsvariablen Eine Familie Y von A-messbaren Funktionen Y : Ω R heißt gleichgradig integrierbar, falls eine der folgenden äquivalenten drei Bedingungen erfüllt ist: (i) Y dp sup Y Y Y c (ii) a) sup Y Y (iii) c 0; Y dp <, b) A A k sup Y Y a) sup Y dp <, Y Y A k Y dp k 0; b) ( ε > 0)( δ > 0)(A A P (A) δ) sup Y Y Y dp ε. A Beweis. Siehe Übungsaufgabe Die gleichgradig integrierbaren Martingale (E A t (X)) t I Sei (A t ) t I eine Filtration in A und X : Ω R P -integrierbar. Dann ist (E A t (X)) t I ein gleichgradig integrierbares Martingal bzgl. (A t ) t I. Beweis. Es ist E A t (X) wegen A t A u A t -messbar und P -integrierbar. Für t, u I mit t < u folgt E A t (E Au (X)) = E6 EA t (X). Also ist (E A t (X)) t I ein Martingal bzgl. (A t ) t I. Zum Beweis der gleichgradigen Integrierbarkeit setze Y t := E A t (X) für t I. Sei ε > 0. Nach 4.4 reicht es ein c = c(ɛ) zu finden mit (1) sup t I Y t dp ε. Y t c Nun gilt (für (3) beachte man, dass Y t = E A t (X) A t -messbar ist) (2) Y t = E A t (X) E A t ( X ), 3.7(i) (3) { Y t c} A t für alle c R, t I. Somit folgt für alle c R, t I, Y t dp Y t c (2) Y t c E A t ( X )dp = (3) Daher ist (1) gezeigt, wenn wir ein c(ε) finden mit (4) sup X dp ε. t I Y t c(ε) Y t c X dp. C5(WS08/09) [4] 5
6 Finanzmathematik I Nach 4.4 (beachte, dass 4.4 (ii) mit Y = {X} gilt) gibt es für ε > 0 ein δ(ε) > 0 mit (5) (A A P (A) δ(ε)) X dp ε. A Wir zeigen, es gibt ein c(ε) mit (6) P { Y t c(ε)} δ(ε) für alle t I. (6) folgt aus der für alle c > 0, t I, gültigen Beziehung P { Y t c} 1 1 c Yt dp c E A t ( X )dp = 1 c X dp (2) mit c(ε) := (1 + X dp )/δ(ε). Also gilt (6) und daher mit (5) auch (4). Ist I = [0, T ], so sind alle Martingale (X t ) t [0,T ] bzgl. (A t ) t [0,T ] von der Form X t = E A t (X) mit X := X T L 1. Ist (X t ) t [0, [ ein gleichgradig integrierbares und rechtsseitig stetiges Martingal, dann ist wiederum X t = E(X A t ) für ein X L 1 (siehe Satz 4.35). 4.6 Supermartingale, Martingale bzw. Submartingale bzgl. der Filtration (A S t ) t I Sei (S t ) t I ein Supermartingal bzgl. (A t ) t I. Dann gilt: (S t ) t I ist ein Supermartingal bzgl. der kanonischen Filtration (A S t ) t I. Entsprechendes gilt für Martingale und Submartingale. Beweis. Es ist S t A S t -messbar für t I. Da ferner S s A s -messbar ist und A s A t für s t gilt, folgt (1) A S t = σ(s s : s t) A t. Seien nun t, u I mit t < u gegeben. Dann ist E A t (S u ) S t, und es folgt daher 4.3 E AS t (S u ) (1) = E6 EAS t (E A t (S u )) E AS t (S t ) = S t. E3 E1 Somit ist (S t ) t I ein Supermartingal bzgl. (A S t ) t I. Der Beweis für Martingale und Submartingale verläuft analog. Man nennt (S t ) t I ein Supermartingal, wenn es ein Supermartingal bzgl. der kanonischen Filtration ist. Entsprechende Bezeichnungen benutzt man für Martingale und Submartingale. 4.7 Funktionen von Submartingalen Seien (S t ) t I, (R t ) t I Submartingale bzgl. (A t ) t I. Dann gilt (i) (αs t + βr t ) t I ist ein Submartingal bzgl. (A t ) t I für α, β 0; (ii) (S t R t ) t I ist ein Submartingal bzgl. (A t ) t I. [4] 6 C5(WS08/09)
7 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale Beweis. (i) Es ist αs t + βr t A t -messbar und es gilt für t < u E A t (αs u + βr u ) = E2 αe A t (S u ) + βe A t (R u ) αs t + βr t P -f.s.. (ii) Es ist S t R t A t -messbar, und es gilt für t u E A t (S u R u ) E A t (S u ) E A t (R u ) S t R t E3 P -f.s Konvexe Funktionen von Submartingalen Sei (S t ) t I ein Submartingal bzgl. (A t ) t I. Sei ϕ : R R konvex, so dass ϕ S t P -integrierbar für alle t I ist. Dann gilt (i) Ist ϕ monoton nicht fallend, so ist (ϕ S t ) t I ein Submartingal bzgl. (A t ) t I. (ii) Ist (S t ) t I sogar ein Martingal, so ist (ϕ S t ) t I ein Submartingal (auf die Monotonie in (i) kann also verzichtet werden). Beweis. Es ist ϕ S t A t -messbar für jedes t I, da eine konvexe Funktion stetig und somit Borel-messbar ist. Seien nun t < u mit t, u I gegeben. Dann folgt P -f.s. E A t (ϕ S u ) ϕ E A t (S u ) E5 4.3(iii) ϕ S t ; hierbei folgt das letzte für (i) aus der Monotonie von ϕ; bei (ii) gilt hier sogar =. 4.9 Korollar Sei (S t ) t I ein Martingal bzgl. (A t ) t I. Dann gilt (S + t ) t I, (S t ) t I, ( S t ) t I und (S 2 t ) t I (für S t L 2 ) sind Submartingale bzgl. (A t ) t I. Beweis. Wende 4.8 (ii) an auf die konvexen Funktionen ϕ(x) = x +, x, x und x 2. Im Folgenden werden wir zunächst den Fall T := N betrachten Kriterium für eine (Super-, Sub-,) Martingalfolge Seien S n L 1, n N, bzgl. der Filtration (A n ) n N adaptiert. Dann ist (S n ) n N ein Supermartingal bzgl. (A n ) n N, falls gilt: (B) E An (S n+1 ) S n P -f.s. für alle n N. Gilt in (B) die Beziehung bzw. = an Stelle von, so ist (S n ) n N ein Submartingal bzw. Martingal bzgl. (A n ) n N. Beweis. Es ist zu zeigen E An (S n+m ) S n P -f.s. für alle n, m N. C5(WS08/09) [4] 7
8 Finanzmathematik I Für m = 1 folgt dieses aus (B). Der allgemeine Fall ergibt sich induktiv, denn es gilt wegen A n A n+m E An (S n+m+1 ) = E6 E An (E A n+m (S n+m+1 )) (B), E3 E An (S n+m ). Der Beweis für Submartingale und Martingale verläuft analog Beispiel Es sei X n, n N, eine Folge unabhängiger Zufallsvariabler mit Erwartungswert 0. Dann ist S n := n X i, n N, ein Martingal. i=1 Beweis. Nach 4.10 ist E(S n+1 σ(s 1,..., S n )) = S n P -f.s. für alle n N zu zeigen. Nun gilt wegen S n+1 = X n+1 + S n und der Unabhängigkeit von X n+1 und σ(x 1,..., X n ) = σ(s 1,..., S n ) : E(S n+1 σ(s 1,..., S n )) = E1,E2 = E7 E(X n+1 σ(s 1,..., S n )) + S n E(X n+1 ) + S n = S n Also ist S n, n N, ein Martingal bzgl. der kanonischen Filtration. P -f.s. Um zu erkennen, welche Martingale p -konvergent sind (siehe z.b & 4.36), benötigen wir noch einige Ergebnisse über gleichgradig integrierbare Familien von Zufallsvariablen. Nach 4.4 sind gleichgradig integrierbare Familien stets automatisch beschränkte Teilmengen von L 1. Für X, Y L 1, α, β R schreiben wir Y := { Y : Y Y} L 1, 4.12 αx + βy := {αx + βy : X X, Y Y}, X Y : ( X X )( Y Y) X Y. Aus (4.4) ergibt sich unmittelbar 4.13 { Y gleichgradig integrierbar Y gleichgradig integrierbar; X Y Y gleichgradig integrierbar X gleichgradig integrierbar Rechnen mit gleichgradig integrierbaren Familien Seien α, β R. Dann gilt (i) Y L 1 endlich Y gleichgradig integrierbar. (ii) X, Y gleichgradig integrierbar αx + βy gleichgradig integrierbar. (iii) X Y Y gleichgradig integrierbar X gleichgradig integrierbar. [4] 8 C5(WS08/09)
9 Beweis. (i) Für Y L 1 gilt nach dem Satz von Lebesgue Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale A A k A k Y dp k 0, denn Y Y 1 Ak 0. Daher ist jedes endliche Y L 1 gleichgradig integrierbar nach 4.4 (ii). (ii) folgt aus 4.4 (ii), da für alle A A gilt: sup αx + βy dp α sup X X,Y Y X X A sup X X A A X dp + β sup Y dp. Y Y A (iii) folgt ebenfalls aus 4.4 (ii), da X Y und somit für alle A A gilt X dp sup Y dp. Y Y A 4.15 Die Sätze von Fatou und Lebesgue für gleichgradig integrierbare Folgen Sei {Y n : n N} gleichgradig integrierbar und Y : Ω R A-messbar. Dann gilt (i) E(limY n ) lime(y n ) < ; (ii) (iii) (iv) E(limY n ) lime(y n ) > ; Y n Y P -f.s. (Y L 1 E(Y n ) E(Y )); Y n Y stochastisch (Y L 1 E(Y n ) E(Y )). Beweis. Siehe Übungsaufgaben 26 und 27. Das folgende Beispiel zeigt u. a., dass 4.15 eine echte Verschärfung des Satzes von Lebesgue ist, da es gleichgradige integrierbare {Y n : n N} gibt für die jedoch sup Y n nicht P -integrierbar ist Beispiel Es gibt Y n : Ω R (i) (ii) (iii) A-messbar mit {Y n : n N} ist gleichgradig integrierbar. sup Y n dp = = lim Y n dp. n N Y n 0 stochastisch. Beweis. Sei Ω := [0, 1[, A die Borel-σ-Algebra von [0, 1[ und P das Lebesgue-Maß auf A. Sei Y 2 ν +k := ν1 [ k 2 ν, k+1 2 ν [ für k = 0,..., 2ν 1, ν N 0. Dann ist sup Y n = = limy n, und somit gilt (ii). (i) folgt aus (beachte ν/2 ν µ/2 µ für ν < µ) n N C5(WS08/09) [4] 9
10 Finanzmathematik I sup n N Y n ν Y n dp ν/2 ν. Ferner konvergiert Y n stochastisch gegen 0 für n, wegen P { Y n ε} 2 ν für n 2 ν. Das folgende Ergebnis erlaubt es in vielen Fällen, auf einfache Art, die gleichgradige Integrierbarkeit nachzuweisen. In der Regel wählt man ϕ(t) = t p mit geeignetem p > 1 oder ϕ(t) = t ln(1 + t) Für geeignete ϕ gilt: sup E(ϕ Y ) < Y gleichgradig integrierbar Y Y Sei ϕ : [0, [ [0, [ Borel-messbar mit lim ϕ(t)/t =. Sei Y eine Familie A-messbarer Funktionen Y : Ω R. Dann gilt: sup Y Y ϕ Y dp < Y gleichgradig integrierbar. Beweis. Siehe Übungsaufgabe 28. Aus 4.17 erhält man z. B. für p > 1 und A-messbaren Y n : Ω R, n N : Yn p dp < {Y n : n N} ist gleichgradig integrierbar. sup n N Im Beweis von 4.18 benutzen wir mehrfach folgende einfache Ungleichung für reelle Zahlen x R und p 1 x ± y p (2 x ) p + (2 y ) p = 2 p x p + 2 p y p Bedingung für die Äquivalenz von p -Konvergenz und stochastischer Konvergenz Es seien p 1 und Y n, Y L p. Dann gilt: (i) (ii) { Y n p : n N} gleichgradig integrierbar { Y n Y p : n N} gleichgradig integrierbar. Y n Y p 0 Y n Y P -stochastisch und { Y n p : n N} ist gleichgradig integrierbar. Beweis. (i) Sei { Y n p : n N} gleichgradig integrierbar. Wegen Y n Y p 2 p Y n p + 2 p Y p, n N, ist dann { Y n Y p : n N} gleichgradig integrierbar nach 4.14 (i) - (iii). wende mit Y Y n an Stelle von Y n an. [4] 10 C5(WS08/09)
11 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale (ii) Es konvergiert Y n Y P -stochastisch nach der Markoff-Ungleichung (MK) Nach (i) reicht es noch zu zeigen 1 P { Y n Y ε} ε (MK) p Yn Y p dp 0. (1) { Y n Y p : n N} ist gleichgradig integrierbar. Wegen E( Y n Y p ) = Y n Y p p 0 gilt (2) sup E( Y n Y p ) < n N und sup E( Y n Y p 1 A ) 0. Sei nun ε > 0, dann gibt es ein n(ε) mit A A (3) Y n Y p dp < ε für n n(ε) und alle A A. A Da nach 4.14 (i) auch { Y n Y p : n < n(ε)} gleichgradig integrierbar ist, gibt es nach 4.4 ein δ(ε) mit (4) A Y n Y p dp < ε für A A mit P (A) < δ(ε) und n < n(ε). Aus (2), (3) und (4) folgt (1) nach 4.4 : Aus der Voraussetzung folgt Y n Y p 0 stochastisch. Y n Y p gleichgradig integrierbar. Nach 4.15 (iv) gilt dann Aus 4.18 (ii) folgt insbesondere für p 1 : Y n Y p p = Y n Y p dp 0 dp = 0. Nach (i) ist auch 4.19 Y n Y P -stochastisch und { Y n p : n N} gleichgradig integrierbar Y L p Y n Y p 0. Beweis. Es sind Y n L p für n N und Y n Y P -f.s. für eine Teilfolge N 1 N. Aus dem Lemma von Fatou folgt Y p dp lim Yn p dp sup Yn p dp <. n N 1 n N 4.4 Also ist auch Y L p. Somit folgt die Aussage aus 4.18 (ii). Als Zusammenfassung der letzten Sätze ergibt sich: C5(WS08/09) [4] 11
12 Finanzmathematik I 4.20 Äquivalenzen zur gleichgradigen Integrierbarkeit von Y n p bei stochastisch konvergenten Folgen Y n Seien Y n L p, n N, und Y n Y P -stochastisch. Dann sind für p 1 äquivalent: (i) (ii) (iii) Y L p Y n Y p 0; { Y n p : n N} ist gleichgradig integrierbar; Y L p E( Y n p ) E( Y p ). Beweis. (ii) (i) nach (i) (ii) nach 4.18 (ii). (ii) (iii) nach 4.15 (iv), da auch Y n p Y p P -stochastisch. (iii) (ii). Setze Z n := Y n p und Z := Y p. Es konvergiert Z n stochastisch gegen Z L 1 und (1) Zn dp ZdP <. Zu zeigen ist: (Z n ) n N ist gleichgradig stetig. Es reicht hierzu zu zeigen: (2) (Zn Z)dP ZdP, denn aus (2) folgt Z n Z Z 1 0. Nach 4.18 (ii) ist somit {Z n Z : n N} und daher nach 4.14 (iii) auch {Z n : n N} gleichgradig integrierbar. Da Z n Z Z stochastisch, folgt nach dem Satz von Lebesgue (oder 4.15 (iv)) (3) (Zn Z)dP ZdP. Da nach (1) gilt (4) (Zn + Z)dP 2 ZdP, folgt aus Z n Z + Z n Z = Z n + Z (5) (Zn Z)dP + (Z n Z)dP 2 ZdP. Aus (5) und (3) folgt dann (2). Im Folgenden sei weiter I R. Wir setzen dann I := I { }. [4] 12 C5(WS08/09)
13 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale 4.21 Stoppzeiten zu Filtrationen (A t ) t I. Es sei (A t ) t I eine Filtration in A. Dann heißt τ : Ω I eine Stoppzeit zu (A t ) t I, falls gilt (I) {ω : τ(ω) t} A t für alle t I. Ist I abzählbar, so ist diese Bedingung äquivalent zu (II) {ω : τ(ω) = t} A t für alle t I. Beweis. Wir zeigen zunächst: Falls τ Stoppzeit zu (A t ) t I ist, gilt für t I folgendes: (1) {ω : τ(ω) < t} A t ; (2) {ω : τ(ω) = t} A t. Zu (1): Sei r I und r < t. Dann gilt (3) {ω : τ(ω) r} A r A t. Ist {ω : τ(ω) < t} =, so gibt es s n I mit s n s n+1 < t und I s < t s s n für ein n. Zum Nachweis hierfür setze s 0 := sup{s I : s < t}. Ist s 0 I und s 0 < t, so ist die Behauptung mit s n = s 0 klar. Andernfalls gibt es (t >) s n I mit s n s 0 und s n < s 0. Ist dann s < t mit s I, so ist s < s 0 und die Behauptung folgt. Somit ist {ω : τ(ω) < t} = da A t eine σ-algebra ist. s I s<t {ω : τ(ω) s}) = {ω : τ(ω) s n } A t, n=1 (3) Zu (2): {ω : τ(ω) = t} = {ω : τ(ω) t} \ {ω : τ(ω) < t} A t. (1) Ist nun I abzählbar und gilt {ω : τ(ω) = s} A s für s I, so ist τ Stoppzeit, da für t I gilt: {ω : τ(ω) t} = {ω : τ(ω) = s} A t. Beachte hierzu A s A t für I s t und {s I : s t} ist abzählbar. s I s t Interpretation für den Fall I = N und A S t : Es wird τ(ω) als der vom Zufall ω abhängige Zeitpunkt interpretiert, an dem der Prozess (S n ) n N z. B. ein Spiel bei dem S n (ω) den Gesamtgewinn nach n Spielen beschreiben möge beendet (= gestoppt) werden soll. Die Bedingung (II) besagt dann, dass τ(ω) = n aus den Werten von S 1 (ω),..., S n (ω), d. h. aus dem Verlauf des Spieles bis zum Zeitpunkt n erkennbar sein soll. Der Spieler soll also nicht in die Zukunft sehen können, d. h. zum Zeitpunkt n noch nicht die Werte von S n+1 (ω),... kennen. Bezeichnet S n (ω) andererseits den Preis einer bestimmten Aktie zum Zeitpunkt n und τ(ω) den Zeitpunkt an dem man die Aktie verkaufen will, so kann die Entscheidung für den Aktienverkauf zum Zeitpunkt n ebenfalls nur von den Werten S 1 (ω),..., S n (ω) und nicht von S n+1 (ω), S n+2 (ω)... abhängen. τ ist also eine Stoppzeit zu (A S n) n N. Dies heißt also {ω : τ(ω) = n} = {ω : (S 1 (ω),..., S n (ω)) B} mit einer Borel-Menge B. C5(WS08/09) [4] 13
14 Finanzmathematik I Es kann jedoch durchaus sinnvoll sein eine größere σ-algebra A n als A S n zu wählen. So könnte in A n etwa die Wertentwicklung anderer Aktien oder die Wirtschaftsentwicklung bis zum Zeitpunkt n einbezogen werden. Für jede Filtration (A t ) t I in A gilt: (1) t 0 I und τ t 0 τ Stoppzeit zu (A t ) t I. (2) τ 1, τ 2 Stoppzeiten zu (A t ) t I τ 1 τ 2 (:= min{τ 1, τ 2 }), τ 1 τ 2 (:= max{τ 1, τ 2 }) Stoppzeiten zu (A t ) t I. (3) Ist I = N und sind τ 1, τ 2 Stoppzeiten zu (A t ) t N, so ist auch τ 1 + τ 2 Stoppzeit zu (A t ) t N. Der Beweis von (1) (3) erfolgt in Übungsaufgabe Die σ-algebra A τ der Ereignisse vor τ Sei τ : Ω I eine Stoppzeit zu (A t ) t I. Dann ist mit A := A σ ( t I A t ) (i) (ii) A τ := {A A : A {τ t} A t für alle t I} eine σ-algebra und heißt σ-algebra der Ereignisse vor τ. Ist I = [0, [, so ist τ A τ -messbar. Es ist A τ = A t0 für τ t 0 I, und sind τ 1, τ 2 Stoppzeiten zu (A t ) t I, so gilt τ 1 τ 2 A τ1 A τ2. Beweis. (i) Ω A τ, da Ω A sowie τ Stoppzeit und somit Ω {τ t} = {τ t} A t für alle t I ist. Wegen ( A n ) {τ t} = (A n {τ t}) ist A n A τ falls n=1 n=1 n=1 alle A n A τ sind. Ist A A τ, so ist A A und somit Ω \ A A sowie (Ω \ A) {τ t} = {τ t} \ (A {τ t}) A t für alle t I, d. h. Ω \ A A τ. Somit ist A τ eine σ-algebra. Sei nun I = [0, [. Für c [0, [ gilt dann {τ c} A c A und {τ c} {τ t} A t c A t. Also ist τ A τ -messbar. (ii) Ist τ t 0, so gilt A A τ A A A {τ t} A t für alle t I A A t0. Also A τ = A t0. Sei A A τ1 und t I. Zu zeigen ist A {τ 2 t} A t. Wegen τ 1 τ 2 ist {τ 2 t} {τ 1 t}, und daher gilt (1) A {τ 2 t} = A {τ 1 t} {τ 2 t}. Da A A τ1 ist, ist A {τ 1 t} A t. Da τ 2 Stoppzeit ist, ist {τ 2 t} A t. Nach (1) folgt daher A {τ 2 t} A t. Ist τ, so ist offenbar A τ auch in diesem Fall nicht. = A. Die Bezeichnungen widersprechen einander also Der Nachweis, dass gewisse Abbildungen τ : Ω [0, ] Stoppzeiten sind, ist teilweise recht schwierig. (Während z. B. im diskreten Fall I = N alle erste Eintrittszeiten in Borel-Mengen Stoppzeiten sind, ist dies für I = [0, [ nicht notwendigerweise der Fall.) [4] 14 C5(WS08/09)
15 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale Ein Prozess (X t ) t [0, [ heißt rechtsseitig stetig (stetig), wenn für alle ω Ω gilt ist rechtsseitig stetig (stetig). [0, [ t X t (ω) Wir definieren für B R d die erste Eintrittszeit in die Menge B für einen R d -wertigen Prozess (X t ) t 0 : τ B (ω) := inf{t [0, [: X t (ω) B} dann gilt: A B τ B τ A Die erste Eintrittszeit in eine offene Menge ist für rechtsseitig stetige Prozesse eine schwache Stoppzeit Sei O R d offen und (X t ) t [0, [ ein zu (A t ) t [0, [ adaptierter, rechtsseitig stetiger Prozess mit Werten im R d. Dann ist τ O eine schwache Stoppzeit, d.h. für alle t 0 gilt {ω Ω : τ O (ω) < t} A t. Beweis. Zu 0 s < t mit X s (ω) O gibt es, da t X t (ω) rechtsseitig stetig und O offen ist, ein r Q + mit s r < t und X r (ω) O. Die Behauptung folgt daher aus und der Abzählbarkeit von Q +. {τ O < t} = Q + r<t {ω : X r(ω) O} A t Ist τ eine Stoppzeit, so ist τ eine schwache Stoppzeit siehe (1) von Die Umkehrung gilt jedoch i.a. nicht. So ist z.b. τ O i.a. keine Stoppzeit. Rechtsseitig stetige Filtrationen ermöglichen jedoch diesen Schluss Rechtsseitig stetige Filtrationen Eine Filtration (A t ) t [0, [ heißt rechtsseitig stetig, wenn für alle t 0 gilt A t = s>t A s. Setzt man A + t := A t, so ist eine Filtration also genau dann rechtsseitig stetig, s>t wenn A + t = A t für alle t 0 gilt. Ist (A t ) t [0, [ eine Filtration, so ist (A + t ) t [0, [ rechtsseitig stetig: Zunächst ist offensichtlich (A + t ) t [0, [ eine Filtration mit s>t A+ s = A u = A u = A + s>t u>s u>t t. C5(WS08/09) [4] 15
16 Finanzmathematik I 4.25 Für rechtsseitig stetige Filtrationen sind schwache Stoppzeiten auch Stoppzeiten Es sei (A t ) t [0, [ eine Filtration. Für τ : Ω [0, ] sind äquivalent: (i) {τ < t} A t für alle t [0, [; (ii) {τ t} A + t für alle t [0, [. Für rechtsseitig stetige Filtrationen sind schwache Stoppzeiten und Stoppzeiten also dasselbe. Beweis. (i) (ii) Für alle m N gilt: und somit ist {τ t} = n m {τ < t + 1/n} A t+1/m {τ t} m N A t+1/m = A + t. (ii) (i) Für t > 0 gilt nämlich {τ q} A + q A t für q < t und somit {τ < t} = {τ q} A t. Q + q<t Aus 4.23 und 4.25 ergibt sich somit das folgende Korollar Korollar Es sei (A t ) t [0, [ eine rechtsseitig stetige Filtration und (X t ) t [0, [ ein rechtsseitig stetiger, adaptierter Prozess mit Werten im R d. Ist O R d eine offene Menge, dann ist τ O eine Stoppzeit. Der folgende Satz zeigt, dass für stetige Prozesse eine analoge Aussage wie in 4.26 auch für abgeschlossene Mengen sogar ohne rechtsseitige Stetigkeit der Filtration gilt Die erste Eintrittszeit in eine abgeschlossene Menge ist für stetige Prozesse eine Stoppzeit Sei (A t ) t [0, [ eine Filtration. Sei A R d abgeschlossen und (X t ) t [0, [ ein zu (A t ) t [0, [ adaptierter, stetiger Prozess mit Werten im R d. Dann ist τ A eine Stoppzeit. Beweis. Sei A. Für n N setze O n := x A {y R d x y < 1/n}. Dann gilt, wenn On c den Abschluss von O n bezeichnet, nach Übungsaufgabe 30, da A abgeschlossen ist (1) O n offen, O c n+1 O n für alle n N. [4] 16 C5(WS08/09)
17 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale (2) A = n=1 O n = n=1 O c n. Da für jedes n N die Menge O n nach (1) offen ist, ist τ n := τ On eine schwache Stoppzeit nach Es gilt, da O n, offensichtlich (3) τ 1 τ 2... τ n... τ A. Setze σ := sup τ n. Dann gilt σ τ A. Wir zeigen σ = τ A und hierzu n N (4) τ A σ. Sei also ω Ω mit o.b.d.a. σ(ω) < gegeben. Aus τ k (ω) σ(ω) folgt mit der linksseitigen Stetigkeit von t X t (ω) (5) X τk (ω)(ω) X σ(ω) (ω). Wir zeigen (6) y 0 := X σ(ω) (ω) A. Hieraus folgt dann sofort (4). Zu (6): Sei n N beliebig aber fest gewählt. Wir zeigen y 0 O n. Hieraus folgt (6) mit (2). Zu n existiert nach (5) ein k N mit k > 2n + 1 und X τk (ω)(ω) y 0 < 2n 1. Nun ist X τk (ω)(ω) Ok c, denn zu τ k(ω) gibt es s m mit s m τ k (ω) für m und X sm (ω) O k Ok c. Da Oc k abgeschlossen und der Prozess rechtsseitig stetig ist, folgt daher X τk (ω)(ω) Ok c( O k 1 ). Also existiert nach Definition von O k 1 ein x 0 A mit (1) (7) X τk (ω)(ω) x 0 < k 1 1 Somit gilt x 0 y 0 y 0 X τk (ω)(ω) + X τk (ω)(ω) x 0 < 2n 1 k 1 1 n 1. Da x 0 A ist, folgt hieraus y 0 O n. Es bleibt für t 0 z.z. (8) {τ A t} A t. Für t = 0 folgt dies, da auf Grund der rechtsseitigen Stetigkeit von (X t ) t 0 und der Abgeschlossenheit von A gilt, dass Zum Nachweis von (8) für t > 0 zeigen wir {τ A = 0} = {X 0 A} A 0 ist. (9) {τ A t} = n=1 {τ n < t}. Hieraus folgt (8), da alle τ n schwache Stoppzeiten sind. Zu (9): folgt, da τ A = sup τ n ist. Sei nun umgekehrt τ A (ω) t. Ist τ A (ω) = 0, n N so ist τ n (ω) = 0 und daher τ n (ω) < t wegen t > 0. Ist aber 0 < τ A (ω) t, so ist wegen der rechtsseitigen Stetigkeit X τa (ω)(ω) A O n für jedes n N. Also gibt es wegen der linksseitigen Stetigkeit von t X t (ω) ein s n < τ A (ω) mit X sn (ω) O n, d.h. τ n (ω) < t. C5(WS08/09) [4] 17
18 Finanzmathematik I Satz 4.23 und 4.27 werden häufig auf (A t ) t 0 = (A X t ) t 0 angewandt. Im Folgenden wollen wir Bedingungen angeben, die garantieren, dass für einen adaptierten Prozess (X t ) t 0 gilt, dass X τ A τ -messbar für jede Stoppzeit τ ist Progressive Messbarkeit Es sei (A t ) t [0, [ eine Filtration und (X t ) t [0, [ ein Prozess mit Werten im R d. Dann heißt (X) t [0, [ progressiv messbar, wenn für alle t [0, [ gilt, die Abbildung [0, t] Ω (u, ω) X u (ω) R d ist B([0, t]) A t -messbar. Hierbei ist B([0, t]) die Borel-σ-Algebra über [0, t] und B([0, t]) A t die Produkt-σ-Algebra von B([0, t]) und A t. Ein progressiv-messbarer Prozess ist natürlich insbesondere adaptiert. Es gilt nämlich für t [0, [: {ω : X t (ω) B} = ({(u, ω) : 0 u t, X u (ω) B}) t A t, da nach Stochastik I ein Schnitt einer Produkt-messbaren Menge messbar ist. Wir werden in 6.3 sehen, dass previsible Prozesse progressiv messbar sind. Es sei X eine A := A σ ( t 0 A t )-messbare Abbildung mit Werten in R d. Dann gilt mit X τ definiert durch X τ (ω) := X τ(ω) (ω) für ω Ω : 4.29 Progressive Messbarkeit gewisser Prozesse Es sei (A t ) t [0, [ eine Filtration. Es sei (X t ) t [0, [ ein R d -wertiger Prozess und τ eine Stoppzeit. Dann gilt: (i) Ist (X t ) t [0, [ ein adaptierter und rechtsseitig oder linksseitig stetiger Prozess, so ist (X t ) t [0, [ progressiv messbar. (ii) Ist (X t ) t [0, [ progressiv messbar, so ist X τ A τ -messbar; insbesondere ist also (X t ) t [0, [ adaptiert. Hierbei sei X A -messbar gewählt. Beweis. (i) Wir betrachten nur den rechtsseitig stetigen Fall, da sich der linksseitig stetige Fall analog behandeln lässt. Für t = 0 bedeutet die Bedingung der progressiven Messbarkeit die A 0 -Messbarkeit von X 0. Sei daher t > 0 beliebig aber fest gewählt. Für n N und 0 s t setze { Xs n Xtk/2 n(ω), falls s [t (ω) = k 1 2 n, t 2 k n [ für 1 k 2 n, X t (ω), falls s = t. Da (X t ) t 0 rechtsseitig stetig ist, folgt X n s (ω) X s (ω) auf [0, t] Ω. Es reicht also zu zeigen, dass die Abbildung (s, ω) X n s (ω) B([0, t]) A t -messbar ist. Dies folgt aus der A t -Messbarkeit von X s für s t und der folgenden Gleichung: [4] 18 C5(WS08/09)
19 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale {(s, ω) : 0 s t, Xs n (ω) B} = [ 2n k 1 k=1 [t 2 n, t 2 k n [ {X kt (ω) B}] ({t} {X 2 n t B}). (ii) Es reicht zu zeigen, dass für jedes t > 0 und jede Borel-Menge B gilt: (1) {ω : X τ (ω) B} {ω : τ(ω) t} A t. Denn, da τ Stoppzeit ist, folgt (2) {τ = } A, und somit (3) {ω : X τ (ω) B} = ({ω : X τ (ω) B} {τ n}) ({X B} {τ = }) A. n=1 (1), (2) Aus (1) und (3) folgt {X τ B} A τ. Zu (1): Setzt man ψ(ω) := X τ(ω) (ω) für ω {τ t}, so reicht es, wegen A t {τ t} A t, zu zeigen (4) ψ ist A t {τ t}-messbar, denn dann gilt Nun ist {ω : X τ (ω) B} {τ t} = {ω {τ t} ψ(ω) B} A t {τ t} A t. (5) ψ = ϕ 2 ϕ 1, wobei (6) { ϕ 1 (ω) := (τ(ω), ω) [0, t] Ω für ω {τ t}, ϕ 2 (s, ω) := X s (ω) für (s, ω) [0, t] Ω. Da (X t ) t [0, [ progressiv messbar ist, ist ϕ 2 eine B([0, t]) A t -messbare Abbildung. Zum Nachweis von (4) reicht es daher zu zeigen: (7) ϕ 1 ist A t {τ t}, B([0, t]) A t -messbar. Zum Nachweis von (7) ist, wegen der Definition von ϕ 1 in (6), zu zeigen: (8) {τ t} ω τ(ω) ist A t {τ t}, B([0, t])-messbar. Sei hierzu s t. Da τ Stoppzeit ist, folgt (8) aus {ω : τ(ω) s} = {ω : τ(ω) s} {ω : τ(ω) t} A s {τ t} A t {τ t} Äquivalente Bedingungen zur Martingaleigenschaft bei stetiger Zeit Es sei X t L 1, t [0, [ bzgl. der Filtration (A t ) t [0, [ adaptiert und [0, [ t X t sei rechtsseitig stetig. Dann sind die folgenden Aussagen äquivalent. (i) (X t ) t [0, [ ist ein Martingal bzgl. (A t ) t [0, [. (ii) Für je zwei beschränkte Stoppzeiten σ τ ist X τ L 1, und X σ = E Aσ (X τ ). (iii) Für jede beschränkte Stoppzeit τ ist X τ L 1 und E(X 0 ) = E(X τ ). Eine entsprechende Äquivalenz von (i) und (ii) gilt auch für Submartingale. C5(WS08/09) [4] 19
20 Finanzmathematik I Beweis. Wir zeigen (ii) (iii) (i) (ii) (ii) (iii) durch Integration von (ii) mit σ 0.. (iii) (i) Sei s < t und A A s. Es ist zu zeigen (1) A X sdp = A X tdp. Betrachte die Stoppzeiten σ := s1 A + t1 A, τ := t. Dann gilt nach Voraussetzung E(X σ ) = E(X 0 ) = E(X t ), somit erhalten wir A X sdp + A X tdp = E(X σ ) = E(X t ) = A X tdp + A X tdp. Hieraus folgt (1). (i) (ii) Es reicht z.z. ist σ eine Stoppzeit mit σ N N, so folgt (2) X σ = E Aσ (X N ). Denn aus (2) folgt für zwei Stoppzeiten σ τ N auch X τ = (2) E Aτ (X N ) und somit ist X τ L 1, und es gilt E Aσ (X τ ) = E Aσ (E Aτ (X N )) = 4.22(ii) EAσ (X N ) = (2) X σ. Nach 4.29 ist X σ insbesondere A σ -messbar. Es bleibt für (2) also zu zeigen (3) A X σdp = A X NdP für A A σ. Setze σ n (ω) := inf{ 2 k n : k N 0 σ(ω) 2 k n }. Dann gilt σ n (ω) σ(ω) und aus der rechtsseitigen Stetigkeit von (X t ) t 0 folgt (4) X σn(ω)(ω) X σ(ω) (ω) für alle ω Ω. Es gilt ferner σ n ist eine Stoppzeit, wegen {σ n = 2 k n } = { k 1 2 n < σ 2 k n } A k/2 n und einer Modifikation von 4.21 (II). Daher ist nach 4.22(ii) wegen σ σ n (5) A σ A σn. Wir zeigen später (6) X σn = E(X N A σn ). Nach 4.5 ist dann {X σn : n N} gleichgradig integrierbar. Also folgt mit (4) nach 4.15 (iii), dass (7) A X σ n dp A X σdp und daher insbesondere für A A σ A σn (5) A X NdP = A E(X N A σn )dp = A X σ n dp (7) (6) A X σdp. Also gilt (3). Zu (6): Da σ N N ist, nimmt σ n nach Definition nur Werte 2 k n für k k 0 mit geeignetem k 0 N 0 und k 0 /2 n N N an. Also gilt, da σ n Stoppzeit ist, für A A σn A = A {σ n = 2 k n } mit A {σ n = 2 k n } A k/2 n 0 k k 0 [4] 20 C5(WS08/09)
21 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale Somit erhalten wir für A A σn. A X σ n dp = A {σ n= k k k 2 n } X k/2 ndp = 0 (i) = A {σ n= k k k 2 n } X NdP = X N dp 0 A und somit ist (6) und daher (2) bewiesen. k k 0 A {σ n= k 2 n } E(X N A k/2 n)dp 4.31 Optional Sampling Theorem für beschränkte Stoppzeiten bei stetiger Zeit Sei (X t ) t [0, [ ein rechtsseitig stetiges Martingal bzgl. (A t ) t [0, [. Ferner seien (τ t ) t [0, [ beschränkte Stoppzeiten zu (A t ) t [0, [ mit τ s τ t für s t. Dann ist (X τt ) t [0, [ ein Martingal bzgl. (A τt ) t [0, [. Beweis. Nach 4.22 (ii) gilt A τs A τt für s < t. Also ist (A τt ) t [0, [ eine Filtration. Nach 4.29 (i) + (ii) sind die X τt A τt -messbar. Die Martingaleigenschaft folgt somit aus 4.30 (i) (ii) Der gestoppte Prozess (X τ t ) t [0, [ Sei (X t ) t [0, [ ein rechtsseitig stetiges Martingal bzgl. (A t ) t [0, [. Ferner sei τ eine Stoppzeit zu (A t ) t [0, [. Dann ist (X τ t ) t [0, [ ein Martingal bzgl. (A τ t ) t [0, [. Beweis. Wende Satz 4.31 an auf die beschränkten Stoppzeiten τ t := τ t. Den Beweis der wichtigen Sätze 4.33, 4.34 findet man z.b. in Karatzas-Shreve, Brownian Motion and Stochastic Calculus, Springer Verlag Maximalungleichungen für Martingale bei stetiger Zeit (i) Sei p 1 und (X t ) t [0, [ ein rechtsseitig stetiges Martingal bzgl. (A t ) t [0, [. Dann gilt für alle t 0 und α > 0 (1) P { sup X s α} 1 α 0 s t p Xt p dp und (2) P {sup X s α} 1 α s 0 p sup Xt p dp. t 0 (ii) Sei p > 1 und (X t ) t [0, [ ein rechtsseitig stetiges Martingal bzgl. (A t ) t [0, [. Dann gilt für alle t 0 sup X s p dp ( p p 1 )p X t p dp. 0 s t C5(WS08/09) [4] 21
22 Finanzmathematik I Mit Hilfe der Maximalungleichungen werden wir später zeigen können, dass stochastische Integralprozesse rechtsseitig stetig bzw. stetig sind Rechtsseitig stetige Martingale mit sup konvergent t [0, [ E( X t ) < sind f.s. Sei (X t ) t [0, [ ein rechtsseitig stetiges Martingal bzgl. (A t ) t [0, [ mit E( X t ) <. Dann gibt es eine A -messbare P -integrierbare Funktion sup t [0, [ X : Ω R mit X t X P -f.s.. Unter den Bedingungen im Satz 4.34 muss das Martingal nicht 1 -konvergent sein. Es gelten jedoch folgende Äquivalenzen: 4.35 Charakterisierung der 1 -konvergenten, rechtsseitig stetigen Martingale Sei (X t ) t [0, [ ein rechtsseitig stetiges Martingal bzgl. (A t ) t [0, [. Dann sind äquivalent: (i) (ii) (iii) X t X 1 0 für ein A -messbares X L 1. {X t : t [0, [} ist gleichgradig integrierbar. X L 1 mit X t = E A t (X) P -f.s. für jedes t [0, [. Gelten diese Aussagen, so folgt für die A -messbare Funktion X L 1 aus (i): X t X P -f.s. und X t = E A t (X ) P -f.s. für jedes t [0, [. Beweis. (iii) (ii) nach 4.5. (ii) (i) Aus (ii) folgt insbesondere sup E( X t ) <. Nach 4.34 gibt es daher eine t 0 A -messbare P -integrierbare Funktion X mit X t P -f.s.. Ist nun t n, n N eine Folge mit t n, so folgt (1) X tn X aus (ii) folgt P -f.s.. X (2) {X tn : n N} ist gleichgradig integrierbar. Also gilt nach 4.20, dass X tn X 1 0. Da t n eine beliebige gegen konvergente Folge war, ergibt sich X t X 1 0. (i) (iii) Sei t 0 [0, [, dann gilt für t t 0 X t0 E A t 0 X 1 = E A t 0 X t E A t 0 X 1 3.7(ii) X t X 1 0. [4] 22 C5(WS08/09)
23 Also ist X t0 = E A t 0 X P -f.s. Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale Zum Zusatz: Da aus (ii) insbesondere sup E( X t ) < folgt, gilt X t X P -f.s. t 0 nach 4.34 für eine A -messbare, integrierbare Funktion X. Also gilt insbesondere X n X P -f.s., und es gibt nach (i) eine Teilfolge X n X P -f.s. mit X N 1 aus (i). Hieraus folgt X = X P -f.s.. Also gilt X t X P -f.s.. Wie in (i) (iii) gezeigt ist, gilt mit dieser Funktion X, dass X t = E A t X ist Für p > 1 sind p -beschränkte, rechtsseitig stetige Martingale p -konvergent Sei (X t ) t [0, [ ein rechtsseitig stetiges Martingal bzgl. (A t ) t [0, [. Es sei p > 1 und X t p <. Dann ist {X t : t 0} gleichgradig integrierbar und mit X aus sup t gilt: sup X t L p und X t X p 0 sowie X L p. t 0 Beweis. Aus 4.33 (ii) folgt mit t : (1) sup X t p dp = lim sup X t p dp ( p t 0 t 0 s t p 1 )p sup t 0 E( X t p ) <. Also ist sup X t L p L 1 und somit (X t ) t 0 gleichgradig integrierbar nach 4.14 (iii). t 0 Nach 4.35 gilt daher für eine A -messbare Funktion X, dass X t X P -f.s.. Mit t n folgt X tn X p 0 mit X L p nach 4.20, da { X tn p : n N} nach (1), wegen 4.14 (iii), gleichgradig integrierbar ist. Also gilt X t X p 0 mit X L p E( X p ) = lim E( X t p ) für geeignete Martingale Sei (X t ) t [0, [ ein rechtsseitig stetiges Martingal bzgl. (A t ) t [0, [ mit sup t [0, [ X t p < für p > 1 oder gleichgradig integrierbarem {X t : t [0, [} für p = 1. Dann gilt mit A -messbarem X aus 4.35: E( X p ) = lim E( X t p ) mit X L p. Beweis. Nach 4.35 bzw gilt X t X p 0 mit X X t p X p X t X p folgt die Behauptung. L p. Wegen C5(WS08/09) [4] 23
24 Finanzmathematik I 4.38 Optional Sampling Theorem für rechtsseitig stetige p -beschränkte Martingale Sei (X t ) t [0, [ ein rechtsseitig stetiges Martingal bzgl. (A t ) t [0, [ mit X t p < für p > 1 oder gleichgradig integrierbarem {X t : t 0} für sup t [0, [ p = 1. Dann gilt mit dem A -messbarem X aus 4.35: (i) Sind σ, τ zwei Stoppzeiten mit σ τ, so ist X σ = E Aσ (X τ ) mit X τ L 1. (ii) Sei = I [0, [ und {τ i : i I} ein aufsteigendes System von Stoppzeiten. Dann ist (X τi ) i I ein Martingal bzgl. (A τi ) i I und { X τi p : i I} ist gleichgradig integrierbar. Beweis. (i) Da, aus sup t [0, [ X t p < für p > 1, die gleichgradige Integrierbarkeit von {X t : t 0} nach 4.36 folgt, reicht es (i) für ein gleichgradig integrierbares Martingal zu beweisen. Für ein solches gilt nach 4.35 (1) X t X Es reicht z.z. für eine Stoppzeit τ gilt P -f.s., X t X 1 0 mit X t = E A t X. (2) X τ = E(X A τ ), denn aus (2) folgt wegen σ τ und somit A σ A τ X σ = (2) E(X A σ ) = E6 E(E(X A τ ) A σ ) = (2) E(X τ A σ ). Zu (2): Nach 4.30 gilt mit den beschränkten Stoppzeiten σ := τ n und τ := n (3) X τ n = E(X n A τ n ) = (1) E(E(X A n ) A τ n ) = E6 E(X A τ n ). Da nach (1) gilt X τ n X τ P -f.s., und da {E(X A τ n ) : n N} nach 4.5 gleichgradig integrierbar ist, folgt mit (3) nach 4.20: (4) E(X A τ n ) X τ in der 1 -Norm,X τ L 1. Wir zeigen für u 0 gilt: (5) A {τ u} A τ u für A A τ. Hierzu zeigen wir, dass für zwei Stoppzeiten σ, τ gilt: ( ) A σ A τ = A σ τ. folgt aus 4.22 (ii). Sei A A σ, A A τ sowie t 0. Dann gilt A A und A {σ t} A t, A {τ t} A t. Also ist A {σ τ t} = {A {σ t}) (A {τ t}) A t, d.h. A A σ τ. (5) folgt nun aus ( ), da A {τ u} A τ und A {τ u} A u sind. 4.22(i) [4] 24 C5(WS08/09)
25 Aus (4) und (5) folgt nun (2): Es ist für n 0 N X τ dp = lim (4) und somit A {τ < } A {τ n 0 } X τ dp = Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale = (5) A {τ < } n 0 A {τ n 0 } A {τ n 0 } X dp E(X A τ n )dp X dp wegenx τ, X L 1. Wegen X τ dp = dp, folgt insgesamt A {τ = } A {τ= }X X τ dp = X dp für A A τ, A A d.h. X τ = E(X A τ )P -f.s.. (ii) Da für i < j nach Voraussetzung τ i τ j gilt, ist nach (i) X τi = E(X τj A τi ) mit X τj L 1 Also ist (X τi ) i I ein Martingal bzgl. (A τi ) i I (benutze auch 4.29). Eine erneute Anwendung von (i) auf σ := τ i und τ := liefert X τi = E(X A τi ). Nach 3.7 (i) gilt, da X L p nach 4.37 ist: X τi p = E(X A τi ) p E( X p A τi ). 3.7 Also sind X τi L p, und { X τi p : i I} ist, wegen 4.14 (iii) und 4.5, gleichgradig integrierbar Korollar Sei (X t ) t [0, [ ein rechtsseitig stetiges Martingal bzgl. (A t ) t [0, [ mit X t L p für t 0 und ein p 1. (i) Sei I [0, [ und {τ i : i I} ein aufsteigendes System von Stoppzeiten mit sup τ i T <. Dann ist (X τi ) i I ein Martingal bzgl. (A τi ) i I und i I { X τi p : i I} ist gleichgradig integrierbar. (ii) Sei τ eine Stoppzeit. Dann ist X τ := (X τ t ) t [0, [ ein Martingal bzgl. (A t ) t [0, [ mit X τ t L p. Ist τ beschränkt, dann ist { X τ t p : t [0, [} gleichgradig integrierbar. Beweis. (i) Es gilt Xt T := X t T = E(X T A t ) für t 0 mit X T L p.somit ist (Xt T ) t [0, [ ein rechtsseitig stetiges Martingal mit sup Xt T p X T p <. Für t [0, [ 3.7 (iii) p = 1 ist dieses Martingal gleichgradig integrierbar nach 4.5. Daher sind die Voraussetzungen von 4.38 (ii) erfüllt, und somit ist (Xτ T i ) i I ein Martingal bzgl. (A τi ) i I und { Xτ T i p ; i I} ist gleichgradig integrierbar. Da τ i T = τ i und somit Xτ T i = X τi ist, folgt die Behauptung. (ii) Wende (i) an auf I := [0, T ] mit beliebigem T > 0 und τ t := τ t für t I. Da T beliebig ist, folgt nach (i), dass (X τ t ) t [0, [ ein Martingal bzgl. (A τ t ) t [0, [ mit X τ t L p ist. C5(WS08/09) [4] 25
26 Finanzmathematik I Zu zeigen bleibt, dass (X τ t ) t [0, [ auch ein Martingal bzgl. (A t ) t [0, [ ist. Sei also s < t, dann ist zu zeigen (1) X τ s dp = X τ t dp für A A s. A A Es gilt: (2) X τ s dp = X τ t dp für B A τ s. B B { u s Da A A s ist, gilt A {τ > s} A s und somit (A {τ > s}) {τ u} = A u s < u Also ist B := A {τ > s} A τ A s = A τ s. Aus (2) folgt somit (3) X τ s dp = X τ t dp. A {τ >s} A {τ >s} Hieraus erhalten wir wegen s < t und somit X τ s = X τ t auf {τ s} wie folgt (1): X τ s dp = X τ s dp + X τ t dp (3) A A {τ s} A {τ >s} = A X τ t dp. Sei τ T undτ t := τ t. Dann folgt, wegen τ t T, die gleichgradige Integrierbarkeit von { X τ t p : t [0, [} aus (i). Der erste Teil von (ii) stellt eine Verschärfung des Satzes 4.32 dar. [4] 26 C5(WS08/09)
Vorlesungsskript: 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.......................................
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
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
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
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.
Mehr4 Messbare Funktionen
4 Messbare Funktionen 4.1 Definitionen und Eigenschaften Definition 4.1. Seien X eine beliebige nichtleere Menge, M P(X) eine σ-algebra in X und µ ein Maß auf M. Das Paar (X, M) heißt messbarer Raum und
MehrZufallsvariable, Verteilung, Verteilungsfunktion
Kapitel 5 Zufallsvariable, Verteilung, Verteilungsfunktion 5.1 Zufallsvariable Sei (Ω, A, P ) ein beliebiger Wahrscheinlichkeitsraum. Häufig interessiert nicht ω selbst, sondern eine Kennzahl X(ω), d.h.
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 ]
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.
Mehr20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen
20 Gleichmäßige Konvergenz für Folgen und Reihen von Funktionen 20.1 Folgen und Reihen von Funktionen 20.3 Die Supremumsnorm 20.4 Gleichmäßige Konvergenz von Folgen und Reihen von Funktionen 20.7 Das Cauchy-Kriterium
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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
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:
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
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,
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
Mehr8 Martingale und Stoppzeiten
8 Martingale und Stozeiten Definition Sei I eine beliebige Indexmenge und (Ω, A, P ) ein Wahrscheinlichkeitsraum. a) Eine Familie von Zufallsvariablen (X t ) t I auf (Ω, A, P ) heißt stochastischer Prozess
MehrFinanzmathematik I Lösungvorschläge für Übungsblatt 1
Finanzmathematik I Lösungvorschläge für Übungsblatt 1 J. Widenmann ufgabe 1: Zu zeigen ist, dass Q die Definition Ü.1.1.2 erfüllt. Zunächst bemerken wir, dass Q wegen der nnahme f 0 Werte in R + annimmt.
MehrErwartungswert als Integral
Erwartungswert als Integral Anton Klimovsky Gemischte ZVen, allgemeine ZVen, Erwartungswert für allgemeine ZVen, Lebesgue-Integral bzgl. WMaß, Eigenschaften des Integrals, Lebesgue-Maß, Lebesgue-Integral
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
MehrMeßbare Funktionen. bilden die Grundlage der Integrationstheorie. Definition 24.1 :
24 Meßbare Funktionen bilden die Grundlage der Integrationstheorie. Definition 24. : Sei X eine beliebige Menge, Y ein topologischer Raum, λ ein Maß auf X. f : X Y heißt λ-messbar, falls f (Ω) λ-messbar
Mehr1 Konvergenz im p ten Mittel
Konvergenz im p ten Mittel 1 1 Konvergenz im p ten Mittel In diesem Paragraphen werden zunächst in Abschnitt 1.1 die L p Räume eingeführt. Diese erweisen sich als vollständige, lineare Räume über R. In
Mehr10 Kriterien für absolute Konvergenz von Reihen
10 Kriterien für absolute Konvergenz von Reihen 10.1 Majoranten- und Minorantenkriterium 10.3 Wurzelkriterium 10.4 Quotientenkriterium 10.9 Riemannscher Umordnungssatz 10.10 Äquivalenzen zur absoluten
MehrKapitel III. Stetige Funktionen. 14 Stetigkeit und Rechenregeln für stetige Funktionen. 15 Hauptsätze über stetige Funktionen
Kapitel III Stetige Funktionen 14 Stetigkeit und Rechenregeln für stetige Funktionen 15 Hauptsätze über stetige Funktionen 16 Konvergenz von Funktionen 17 Logarithmus und allgemeine Potenz C 1 14 Stetigkeit
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
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........................
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
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
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
Mehreine reelle oder komplexe Folge ist, kann man daraus eine neue Folge {s n } n=0 konstruieren durch s n = a 0 + a a n, a k.
Analysis, Woche 7 Reihen I 7. Folgen aus Folgen Wenn a n eine reelle oder komplexe Folge ist, kann man daraus eine neue Folge s n konstruieren durch s n = a 0 + a + + a n, oder netter geschrieben s n =
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.
Mehr30 Die Gammafunktion und die Stirlingsche Formel
3 Die Gammafunktion und die Stirlingsche Formel 35 Charakterisierung der Gammafunktion 36 Darstellung der Gammafunktion 38 Beziehung zwischen der Gammafunktion und der Zetafunktion 3 Stirlingsche Formel
MehrListe wichtiger Stammfunktionen
Liste wichtiger Stammfunktionen Funktion Stammfunktion x n, x ln(x) n R \ { } n + xn+ ln( x ) x ln(x) x a x, a > sin(x) cos(x) sin 2 (x) cos 2 (x) x 2 x 2 a x ln(a) cos(x) sin(x) (x sin(x) cos(x)) 2 (x
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
MehrStochastische Prozesse
Stochastische Prozesse Prof. Dr. H.R. Lerche Abteilung für Mathematische Stochastik Universität Freiburg März 2014 Inhaltsverzeichnis 1 Martingale 1 1.1 Definitionen und Eigenschaften..........................
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
MehrTopologische Grundbegriffe I. 1 Offene und Abgeschlossene Mengen
Topologische Grundbegriffe I Vortrag zum Proseminar Analysis, 26.04.2010 Nina Neidhardt und Simon Langer Im Folgenden soll gezeigt werden, dass topologische Konzepte, die uns schon für die Reellen Zahlen
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
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
MehrLösungen Klausur. k k (n + 1) n. für alle n N. Lösung: IA: Für n = 1 ist 1. k k + (n + 1) n+1. k k = k=1. k=1 kk = 1 1 = 1 2 = 2 1.
Lösungen Klausur Aufgabe (3 Punkte) Zeigen Sie, dass n k k (n + ) n k für alle n N. IA: Für n ist k kk 2 2. IV: Es gilt n k kk (n + ) n für ein n N. IS: Wir haben n+ k k k n k k + (n + ) n+ k IV (n + )
MehrMusterlösung Analysis 3 - Maßtherorie
Musterlösung Analysis 3 - Maßtherorie 10. März 2011 Aufgabe 1: Zum Aufwärmen (i) Zeige, dass die Mengensysteme {, X} und P(X) σ-algebren sind. Es sind jeweils nur die Charakteristika nachzuweisen. (1)
Mehr15 Hauptsätze über stetige Funktionen
15 Hauptsätze über stetige Funktionen 15.1 Extremalsatz von Weierstraß 15.2 Zwischenwertsatz für stetige Funktionen 15.3 Nullstellensatz von Bolzano 15.5 Stetige Funktionen sind intervalltreu 15.6 Umkehrfunktionen
MehrKlausur zur Vorlesung Stochastik II
Institut für Stochastik WS 007/008 Universität Karlsruhe. 0. 008 r. B. Klar Klausur zur Vorlesung Stochastik II Muster-Lösung auer: 90 Minuten Name: Vorname: Matrikelnummer: iese Klausur hat bestanden,
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
MehrSerie 2 Lösungsvorschläge
D-Math Mass und Integral FS 214 Prof. Dr. D. A. Salamon Serie 2 Lösungsvorschläge 1. Seien folgende Mengen gegeben: und für a, b R R := [, ] := R {, }, (a, ] := (a, ) { }, [, b) := (, b) { }. Wir nennen
Mehr8. Formelsammlung. Pr[ ] = 0. 0 Pr[A] 1. Pr[Ā] = 1 Pr[A] A B = Pr[A] Pr[B] DWT 8.1 Gesetze zum Rechnen mit Ereignissen 203/467 Ernst W.
8. Formelsammlung 8.1 Gesetze zum Rechnen mit Ereignissen Im Folgenden seien A und B, sowie A 1,..., A n Ereignisse. Die Notation A B steht für A B und zugleich A B = (disjunkte Vereinigung). A 1... A
MehrFerienkurs Analysis 1, SoSe Unendliche Reihen. Florian Beye August 15, 2008
Ferienkurs Analysis 1, SoSe 2008 Unendliche Reihen Florian Beye August 15, 2008 1 Reihen und deren Konvergenz Definition 1.1. Eine reelle bzw. komplexe Reihe ist eine unendliche Summe über die Glieder
MehrLösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie. Tobias Ried
Lösung zu den Übungsaufgaben zur Lebesgueschen Integrationstheorie Tobias Ried. März 2 2 Aufgabe (Messbarkeit der Komposition zweier Abbildungen). Seien (X, A), (Y, B) und (Z, C) Messräume und f : (X,
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
MehrWichtige Klassen reeller Funktionen
0 Wichtige Klassen reeller Funktionen Monotone Funktionen sind i.a. unstetig, aber man kann etwas über das Grenzwertverhalten aussagen, wenn man nur einseitige Grenzwerte betrachtet. Definition 0. : Sei
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
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
MehrA. Maß- und Integrationstheorie
A. Maß- und Integrationstheorie Im folgenden sind einige Ergebnisse aus der Maß- und Integrationstheorie zusammengestellt, die wir im Laufe der Vorlesung brauchen werden. Für die Beweise der Sätze sei
MehrAnalyis I -Metrische Räume - eine Einführung in die Topologie
Analyis I -Metrische Räume - eine Einführung in die Topologie E = E isolierter Punkte x 1 x 2 x 3 E ist abgeschlossen U ɛ (x) x innerer Punkt Ω Häufungspunkte Ω Metrik Metrische Räume Definition Sei X
MehrTU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig (1 + ρ)
TU Darmstadt FB Mathematik, AG 9 WS 2004/2005 Jakob Creutzig 9..04 Lösungsvorschläge zum 3. Aufgabenblatt der Vorlesung,,Einführung in die Finanzmathematik Gruppenübungen Aufgabe : Es sei Ω = {, +} n,
MehrMaße auf Produkträumen
Maße auf Produkträumen Es seien (, Ω 1 ) und (X 2, Ω 2 ) zwei Meßräume. Wir wollen uns zuerst überlegen, wie wir ausgehend davon eine geeignete σ-algebra auf X 2 definieren können. Wir betrachten die Menge
Mehr2.6 Der Satz von Fubini
1 2.6 Der Satz von Fubini Unser Ziel ist der Beweis des folgenden Ergebnisses. 6.1. Satz von Fubini Sei f : R n+m R integrierbar. Dann gibt es eine Nullmenge N R m, so dass gilt: 1. Für alle y R m \ N
MehrDefinition 3.1. Sei A X. Unter einer offenen Überdeckung von A versteht man eine Familie (U i ) i I offener Mengen U i X mit U i
3 Kompaktheit In der Analysis I zeigt man, dass stetige Funktionen f : [a, b] R auf abgeschlossenen, beschränkten Intervallen [a, b] gleichmäßig stetig und beschränkt sind und dass sie ihr Supremum und
MehrErwartungswert und Varianz von Zufallsvariablen
Kapitel 7 Erwartungswert und Varianz von Zufallsvariablen Im Folgenden sei (Ω, A, P ) ein Wahrscheinlichkeitsraum. Der Erwartungswert von X ist ein Lebesgue-Integral (allerdings allgemeiner als in Analysis
MehrMetrische äußere Maße, Borel-Maße
Metrische äußere Maße, Borel-Maße Zum einen haben wir mit dem Fortsetzungssatz gesehen, dass man mit einem äußeren Maß (auf P(X) ) stets eine σ-algebra und ein Maß auf dieser bekommt. Liegt nun ein metrischer
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
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,
MehrZusammenfassung Analysis 2
Zusammenfassung Analysis 2 1.2 Metrische Räume Die Grundlage metrischer Räume bildet der Begriff des Abstandes (Metrik). Definition 1.1 Ein metrischer Raum ist ein Paar (X, d), bestehend aus einer Menge
MehrVorlesungen Analysis von B. Bank
Vorlesungen Analysis von B. Bank vom 23.4.2002 und 26.4.2002 Zunächst noch zur Stetigkeit von Funktionen f : D(f) C, wobei D(f) C. (Der Text schliesst unmittelbar an die Vorlesung vom 19.4.2002 an.) Auf
MehrCauchy-Folgen und Kompaktheit. 1 Cauchy-Folgen und Beschränktheit
Vortrag zum Seminar zur Analysis, 10.05.2010 Michael Engeländer, Jonathan Fell Dieser Vortrag stellt als erstes einige Sätze zu Cauchy-Folgen auf allgemeinen metrischen Räumen vor. Speziell wird auch das
MehrAufgaben zu Kapitel 0
Aufgaben zu Kapitel 0 0.1. Seien A und B zwei Mengen. Wie kann man paarweise disjunkte Mengen A 1, A 2 und A 3 so wählen, dass A 1 A 2 A 3 = A B gilt? 0.2. Seien E ein Menge und A eine Teilmengen von E.
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
MehrBeweis. Bauer (4. Auflage, 1991), S , Hoffmann-Jørgensen, Vol. I, S. 457.
Exkurs A: Bedingte Erwartungswerte, bedingte Verteilungen (Ω, A, P ) sei W-Raum, X : Ω IR P-quasiintegrierbar, F A Unter - σ- Algebra. E(X F) = E P (X F) (Version des) bedingter Erwartungswert von X unterf
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
MehrStetigkeit von Funktionen
9 Stetigkeit von Funktionen Definition 9.1 : Sei D R oder C und f : D R, C. f stetig in a D : ε > 0 δ > 0 mit f(z) f(a) < ε für alle z D, z a < δ. f stetig auf D : f stetig in jedem Punkt a D. f(a) ε a
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
Mehr23 Konvexe Funktionen und Ungleichungen
23 Konvexe Funktionen und Ungleichungen 231 Konvexe Funktionen 232 Kriterien für Konvexität 233 Streng konvexe Funktionen 235 Wendepunkte 237 Ungleichung von Jensen 2310 Höldersche Ungleichung 2311 Minkowskische
Mehrx, y 2 f(x)g(x) dµ(x). Es ist leicht nachzuprüfen, dass die x 2 setzen. Dann liefert (5.1) n=1 x ny n bzw. f, g = Ω
5. Hilberträume Definition 5.1. Sei H ein komplexer Vektorraum. Eine Abbildung, : H H C heißt Skalarprodukt (oder inneres Produkt) auf H, wenn für alle x, y, z H, α C 1) x, x 0 und x, x = 0 x = 0; ) x,
Mehr34 Äquivalenz von Normen; Stetigkeit und Kompaktheit in endlich-dimensionalen
34 Äquivalenz von Normen; Stetigkeit und Kompaktheit in endlich-dimensionalen R-Vektorräumen 34.1 Äquivalenz von Normen 34.3 Stetigkeit und Normen linearer Abbildungen 34.4 Äquivalente Normen sind gegeneinander
Mehr7 Der Satz von Girsanov
7 Der Satz von Girsanov Der Satz von Girsanov wird uns eine neue Perspektive auf die Rolle des Drifts liefern. Die Prozesse Brownsche Bewegung B t, Brownsche Bewegung mit Drift X t = B t + µt haben wir
MehrSatz von Rellich-Kondrachov
Satz von Rellich-Kondrachov Xaver Hellauer LMU Munich, Germany Haslach, 17. Februar 2012 Xaver Hellauer Satz von Rellich-Kondrachov 1/13 Satz von Rellich Kondrachov Sei j : (X, X ) (Y, Y ) eine stetige
MehrKommutativität. De Morgansche Regeln
1. Formale Logik Proposition 1.1. Die logischen Elementarverknüpfungen gehorchen folgenden Äquivalenzen: (1.1) (1.2) p p p p p p Idempotenz (1.3) (1.4) p q q p p q q p Kommutativität (1.5) (1.6) (p q)
MehrSchwache Konvergenz von W-Verteilungen auf der Zahlengeraden
Kapitel 5 Schwache Konvergenz von W-Verteilungen auf er Zahlengeraen 5.1 Schwache Konvergenz bzw. Verteilungskonvergenz Bezeichne W(, B 1 ie Menge aller W-Verteilungen auf (, B 1. Definition 5.1 (Schwache
MehrFolgen und Reihen. 1 Konvergenz
Folgen und Reihen Man betrachte viele Zahlen hintereinander geschrieben. Solche Folgen von Zahlen können durch nummeriert werden. Es entsteht eine Zuordnung der natürlichen Zahlen zu den Gliedern der Folge.
MehrFinanzmathematik 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
MehrTECHNISCHE UNIVERSITÄT MÜNCHEN
Prof. Dr. D. Castrigiano Dr. M. Prähofer Zentralübung 38. Einschränkung eines Maßes TECHNISCHE UNIVERSITÄT MÜNCHEN Zentrum Mathematik Mathematik für Physiker 4 (Analysis 3) http://www.ma.tum.de/hm/ma9204
Mehr12. Trennungssätze für konvexe Mengen 83
12. Trennungssätze für konvexe Mengen 83 C_1 C_2 a Abbildung 12.4. Trennung konvexer Mengen durch eine Hyperebene mit Normalenvektor a Dann ist int(c) nicht leer (warum?) und [als Minkowski-Summe von C
MehrGesetze der großen Zahlen
Kapitel 0 Gesetze der großen Zahlen 0. Einführung Im ersten Kapitel wurde auf eine Erfahrungstatsache im Umgang mit zufälligen Erscheinungen aufmerksam gemacht, die man gewöhnlich als empirisches Gesetz
MehrEinführung in die Stochastik 6. Übungsblatt
Einführung in die Stochastik 6. Übungsblatt Fachbereich Mathematik SS M. Kohler 3. Mai A. Fromkorth D. Furer Gruppen und Hausübung Aufgabe (a) Die Wahrscheinlichkeit, dass eine S Bahn Verspätung hat, betrage.3.
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
MehrFerienkurs in Maß- und Integrationstheorie
Zentrum Mathematik Technische Universität München Dipl. Math. Wolfgang Erb WS 9/ Übungsblatt Ferienkurs in Maß- und Integrationstheorie Aufgabe. (σ-algebren Sei eine Menge und A eine σ-algebra in. Seien
MehrNicht-kooperative Spiele
Kapitel 1 Nicht-kooperative Spiele 1.1 Zwei-Personen-Spiele Definition 1: Ein Zwei-Personen-Spiel Γ besteht aus einem Paar nichtleerer Mengen S T zwei reellwertigen Funktionen φ 1 φ 2 auf dem kartesischen
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 Analysis
Stochastische Analysis Martin Keller-Ressel 23. März 215 Inhaltsverzeichnis 1 Stochastische Prozesse in stetiger Zeit 1 1.1 Grundlagen.................................. 1 1.2 Gleichheit von stochastischen
Mehra 0, a 1, a 2, a 3,... Dabei stehen die drei Pünktchen für unendlich oft so weiter.
7 Folgen 30 7 Folgen Wir betrachten nun (unendliche) Folgen von Zahlen a 0, a, a 2, a 3,.... Dabei stehen die drei Pünktchen für unendlich oft so weiter. Bezeichnung Wir bezeichnen mit N die Menge der
MehrStochastische Analysis
PD Dr. Jürgen Dippon, Universität Stuttgart Stochastische Analysis Stuttgart, Wintersemester 211/212 Version: 15. Februar 212 Für Hinweise auf Druckfehler und Kommentare jeder Art bin ich dankbar. 1 Viel
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:
MehrFraktale Geometrie. 9: Metrische äußere Maße II. Universität Regensburg Sommersemester Daniel Heiß:
Universität Regensburg Sommersemester 013 Daniel Heiß: 9: Metrische äußere Maße II I Das mehrdimensionale Lebesguemaß 1.1 Definition (i) Für reelle Zahlen a b, c d ist ein Rechteck im R die Menge R = a,
Mehr11 Dezimalbruchdarstellung reeller Zahlen; Mächtigkeitsvergleich von Mengen
11 Dezimalbruchdarstellung reeller Zahlen; Mächtigkeitsvergleich von Mengen 11.1 g-adische Entwicklung von Zahlen aus [0, 1[ 11.2 g-adische Entwicklung reeller Zahlen 11.3 g-adische Entwicklung nicht-negativer
MehrEindimensionale Stochastische Differentialgleichungen Mit Verallgemeinerter Drift Bzgl. Stetiger Lokaler Martingale DISSERTATION
Eindimensionale Stochastische Differentialgleichungen Mit Verallgemeinerter Drift Bzgl. Stetiger Lokaler Martingale DISSERTATION zur Erlangung des akademischen Grades doctor rerum naturalium (Dr. rer.
MehrImplizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen
Kapitel XII Implizite Funktionen, der Umkehrsatz und Extrema unter Nebenbedingungen 53 Implizite Funktionen und allgemeine partielle Differenzierbarkeit 54 Der Umkehrsatz 55 Lokale Extrema unter Nebenbedingungen,
MehrÜbungsblatt 2 - Analysis 2, Prof. G. Hemion
Tutor: Martin Friesen, martin.friesen@gmx.de Übungsblatt 2 - Analysis 2, Prof. G. Hemion Um die hier gestellten Aufgaben zu lösen brauchen wir ein wenig Kentnisse über das Infimum bzw. Supremum einer Menge.
Mehr%./ # , 0112
# %&!%()( +,(! %./! ! %./ # + + 34, ! 5 6 6 (. 6 7 86 9 6! %./ # + +7 : ;< 4?9==;9? ;< >4?9==;9? ;< Α Β 9 Β %!! ;:;=9== Universität Potsdam Institut für Mathematik Diplomarbeit Über Waldidentitäten
MehrKapitel V. Folgen und Konvergenz. V.1 Konvergenz von Zahlenfolgen
Kapitel V Folgen und Konvergenz V.1 Konvergenz von Zahlenfolgen Wir erinnern an den Begriff der Folge, den wir schon im Kapitel III verwenden. Eine Folge (a n ) n=1 AN in A ist eine Abbildung a ( ) : N
Mehrheißt Exponentialreihe. Die durch = exp(1) = e (Eulersche Zahl). n! + R m+1(x) R m+1 (x) = n! m m + 2
9 DIE EXPONENTIALREIHE 48 absolut konvergent. Beweis. Wegen x n+ n! n + )!x n = x n + < 2 für n 2 x folgt dies aus dem Quotientenkriterium 8.9). Definition. Die Reihe x n heißt Exponentialreihe. Die durch
Mehr