Kapitel 6 Martingale
|
|
- Eike Schreiber
- vor 7 Jahren
- Abrufe
Transkript
1 Kapitel 6 Martingale
2 Martingale spielen eine große Rolle in der Finanzmathematik, und sind zudem ein wichtiges Hilfsmittel für die statistische Inferenz stochastischer Prozesse, insbesondere auch für Zählprozesse (siehe Kapitel 7). Sei X = (Ω, A, P, {X t, t N}) ein SP bzw. eine Folge von Zufallsvariablen. Mit F X t = σ(x t, X t 1,..., X 1 ) = σ(x s, s t) bezeichnen wir die t-vergangenheit von X. Ist {Z t, t N} ein weiterer SP, etwa eine Folge von Kovariablen zu {X t, t N}, dann bezeichnet F X,Z t = σ(x s, Z s, s t) die t-vergangenheit von X und Z. In beiden Fällen bilden die F t eine aufsteigende Folge von σ-algebren F 1... F t F t+1... A Sommersemester
3 Definition: Filtration Eine aufsteigende Folge von σ-algebren F 1... F t F t+1... A heißt Filtration. bezeichnet. Die t-vergangenheit von X wird auch als natürliche Filtration Definition: Adaptiert Ein stochastischer Prozess X = {X t, t N} mit Werten in (S, S) heißt adaptiert zur Filtration F = {F t, t N}, falls für jedes t N gilt σ(x t ) F t, d.h. X t ist F t -S-messbar. Interpretiert bedeutet dies: X t trägt nicht mehr Information als F t. Der stochastische Prozess X ist stets zur natürlichen Filtration adaptiert. Sommersemester
4 Definition: Martingal X = {X t, t N} heißt Martingal bezüglich einer Filtration F = {F t, t N} : 1. E X t <, t N 2. X ist adaptiert zu F. 3. E(X t+1 F t ) = X t Oft wird auch ohne direkten Bezug auf F definiert: X heißt Martingal : Es existiert eine Filtration F = {F t, t N}, so dass X Martingal bezüglich F ist. Bemerkung: Wesentlich ist Eigenschaft 3. Häufig wird diese im Fall der natürlichen Filtration auch geschrieben als E(X t+1 X t,..., X 1 ) = X t. Exkurs zu bedingten Erwartungswerten. Sommersemester
5 Folgerungen aus der Martingaleigenschaft: 1. E(X t+k F t ) = X t 2. E(X 1 ) = E(X 2 ) =... = E(X t ) Äquivalente Definition über Martingaldifferenzen (Zuwächse): Eine Folge = { t, t N}, für die E( t+1 F t ) = 0 gilt, heißt Martingaldifferenzfolge. Mit X t = t ist dann {X t, t N} ein Martingal. äquivalent schreiben als Die natürliche Filtration lässt sich dann F X t = σ( t, t 1,..., 1 ). Sommersemester
6 Definition: Semimartingale X = {X t, t N} heißt Sub- bzw. Supermartingal bezüglich der Filtration F : 1. E X t <, t N 2. X ist adaptiert zu F. 3. E(X t+1 F t ) X t (Submartingal) bzw. E(X t+1 F t ) X t (Supermartingal). X heißt Semimartingal, wenn X entweder ein Sub- oder Supermartingal ist. Beispiele: (a) Irrfarten: Sei { t, t N} eine i.i.d. Folge mit E( t ) = µ und X t = t bzw. X t+1 = X t + t+1. E(X t+1 X 1,..., X t ) = E(X t + t+1 X t, t,..., 1 ) = X t + E( t+1 ) = X t + µ; Sommersemester
7 {X t } Martingal für µ = 0 {X t } Submartingal für µ 0 {X t } Supermartingal für µ 0 (b) Score-Funktion im Logit-Modell für binäre Markov-Ketten Logit-Modell: P (Y t = 1 X t, Y t 1 ) = h(x tβ + αy t 1 ) = π t Score-Funktion für Beobachtungen Y 0, Y 1,..., Y t : S t (β, α) = t Z s (Y s π s ), }{{} Z s = (X s, Y s 1 ), s N. = s (β,α) s=1 Es gilt: da E(Y s F s 1 ) = π s. E( s (β, α) Y 1,..., Y s 1 ; X s,..., X 1 ) = 0, }{{} F s 1 Sommersemester
8 { t (β, α), t N} bildet Martingaldifferenzfolge, {S t (β, α), t N} Martingal. Diese Eigenschaft bildet die Grundlage für asymptotische Likelihoodtheorie bei abhängigen Beobachtungen Y 1,..., Y t,..., da Versionen des starken Gesetzes großer Zahlen und zentrale Grenzwertsätze für Martingale existieren. Gesetz der großen Zahl für Martingaldifferenzfolgen: Sei { t, t N} eine Martingaldifferenzfolge mit E( 2 t) < und t=1 1 t 2E( 2 t F t 1 ) <, dann gilt lim t 1 t t s=1 1 s = lim t t X t = 0 f.s. Sommersemester
9 Definition: Stoppzeit Sei {F t } eine Filtration. Eine Zufallsvariable τ mit Werten in {0, 1, 2,..., + } heißt Stoppzeit : {τ t} = {ω : τ(ω) t} F t für alle t bzw. äquivalent {τ = t} F t bzw. {τ t} F t. Damit hängt die Entscheidung, ob das Ereignis {τ = t} eintritt, nur von der Vorgeschichte, aber nicht von der Zukunft ab. Definition: Spielsystem Eine Folge von Zufallsvariablen {X t, t N} heißt Spielsystem, wenn gilt X t+1 = X t + W t+1 t+1, X 1 = W 1 1. mit t X t W t unabhängige Zufallsvariable mit E( t ) = 0 (Ergebnis des t-ten Spiels). kumulierter Spielgewinn nach dem t-ten Spiel. Einsatz im t-ten Spiel. Sommersemester
10 Die Spieleinsätze W t 0 können in Abhängigkeit vom bisherigen Spielverlauf gewählt werden, d.h. W t ist vorhersagbar: W t = g t (X t 1,..., X 1 ) W t ist F X t 1-messbar. Dabei ist g t eine deterministische, messbare Funktion. Es sei E W s s < für alle s. Der Prozess X = {X t, t N} der kumulierten Spielgewinne bildet ein Martingal. Martingal-Transformation: Allgemein bezeichnet man einen basierend auf einer Martingaldifferenzfolge t und einem vorhersagbaren Prozess W t definierten Prozess als Martingaltransformation W. X t+1 = X t + W t+1 t+1 = t+1 s=1 W s s Für E( 2 t) < und E(W 2 t ) < ist W ein Martingal. Sommersemester
11 Verdopplungssystem beim Roulette 1. Setze auf Rot. Beginne mit dem Einsatz 1 und verdopple nach jedem Spiel den Einsatz. 2. Verdopple solange, bis zum ersten Mal Rot erscheint. Dies entspricht dem Spielsystem t = { +1, Rot erscheint Gewinn 1, Schwarz erscheint Verlust In Phase 1 des Verdopplungssystems ist W t = 2 t 1, t = 1, 2,... X t = t 1 t. Die kumulierten Spielgewinne nach einer festen Anzahl von Spielen bilden ein Martingal mit E(X t ) = 0. Sommersemester
12 Einführung der Stoppzeit τ τ(ω) := min t ( t (ω) = 1). Die Stoppzeit τ ist geometrisch verteilt: P (τ = t) = 1 2t, t = 1, 2,... P (τ < ) = 1 Gewinn im Verdopplungssystem: { τ 1 τ, für τ < X τ = undefiniert, für τ = (P (τ = ) = 0) Für ω {ω : τ(ω) < } gilt X τ(ω) (ω) = τ(ω) τ(ω) 1 = 1 und damit P (X τ = 1) = 1. Sommersemester
13 Mit dem Verdopplungssystem kann man also das Spiel so steuern, dass man mit Wahrscheinlichkeit 1 den Betrag 1 gewinnt. Casinos begrenzen daher die Anzahl der Verdopplungen. Optional Stopping Theorem Sei {X t } ein Martingal und τ eine Stoppzeit. Es gelte eine der folgenden Bedingungen 1. τ ist beschränkt (τ(ω) k für alle ω Ω). 2. {X t } ist beschränkt ( X t (ω) k für alle ω Ω). 3. E(τ) < und {X t X t 1 } ist beschränkt. Dann gilt E(X τ ) = E(X 1 ). Beim Spielsystem Verdoppeln sind alle drei Bedingungen verletzt: τ ist nicht beschränkt. {X t } und {X t X t 1 } = {±2 t 1 } sind nicht beschränkt. Die möglichen Verluste des Spielers sind jedoch auch unbeschränkt! Sommersemester
14 Martingale in der Finanzmarkttheorie: {B t,...} Sparbuch mit fester Zinsrate r. {S j t, t = 0, 1, 2,..., T } Aktien mit zufälligem Wert (Preis) S j t, j = 1,..., k. Definition: Eine Handelsstrategie ist ein vorhersagbarer (θ t F t 1 ) Prozess θ = {θ t, t = 1, 2,..., T } mit Komponenten θ j t, j = 0, 1,..., k. Eine Handelsstrategie {θ t } heißt selbstfinanzierend : θ ts t = θ t+1s t t. Eine Handelsstrategie birgt eine Arbitragemöglichkeit, falls es ein θ Θ gibt, so dass für den Vermögensprozess V t (θ) = θ ts t gilt: V 0 (θ) = 0 (f.s.), V T (θ) 0 (f.s.) und P {V T (θ) > 0} > 0 ( E(V T (θ)) > 0). Satz: Für einen (endlichen) Markt, d.h. eine Menge von Aktien und selbstfinanzierenden Handelsstrategien, gilt: M(S, Θ) ist arbitragefrei (es gibt keine Handelsstrategie mit Arbitragemöglichkeit) Es existiert ein zu P äquivalentes W-Maß Q, so dass der deflationierte Vermögensprozess ein Martingal bezüglich Q ist. Ṽ t (θ) = θ t St B t Sommersemester
15 Doob-Meyer-Zerlegung für Submartingale Sei X = {X t, t N} ein Submartingal, d.h. E(X t+1 F t ) X t. Ziel ist die Zerlegung von X t in einen vorhersagbaren, wachsenden Trend A t und Rauschen ( = Martingal M t ). Setze: und definiere dann rekursiv M 1 = X 1, A 1 = 0, A t = A t 1 + E(X t F t 1 ) X t 1 = t E(X s X s 1 F s 1 ), s=2 M t = X t A t. Sommersemester
16 Dann gilt die Doob-Meyer-Zerlegung X t = A t + M t, wobei {M t } ein Martingal und der Kompensatorprozess {A t } wachsend und vorhersagbar ist, d.h. A t ist F t 1 -messbar für alle t. Beispiel: Diskrete Irrfahrt mit p > q. Für die Zuwächse gilt Damit ergeben sich A t = E(Z t ) = p q = E(X t X t 1 F t 1 ). t E(X s X s 1 F s 1 ) = (t 1)(p q) s=2 M t = X t (t 1)(p q). Sommersemester
17 6.2 Martingale in stetiger Zeit 6.2 Martingale in stetiger Zeit Die Menge von σ-algebren F = {F t, t 0} heißt Filtration, falls gilt F s F t, für 0 s t. X = {X t, t 0} heißt adaptiert zur Filtration {F t, t 0}, falls gilt σ(x t ) F t, t 0. Definition: Martingal X = {X t, t 0} heißt Martingal bezüglich der Filtration F = {F t, t 0} : 1. E X t < für t X ist adaptiert zur Filtration F. 3. E(X t F s ) = X s für 0 s < t. Sommersemester
18 X heißt Sub- bzw. Supermartingal, wenn anstelle von Martingale in stetiger Zeit E(X t F s ) X s bzw. E(X t F s ) X s gelten. Bemerkungen: Die natürliche Filtration ergibt sich wieder als die von {X s, s t} erzeugte σ-algebra. Falls zusätzlich ein Kovariablen-Prozess {Z t, t R + } vorliegt, wird dieser in die Definition der Filtration einbezogen. Im Fall der natürlichen Filtration schreibt man 3. auch als für alle t 1 <... < t n, n 2. E(X tn X tn 1,..., X t1 ) = X tn 1 Sommersemester
19 Beispiele: 6.2 Martingale in stetiger Zeit Der Wiener-Prozess ist ein Martingal (bzgl. der natürlichen Filtration F W ): E(W tn W tn 1,..., W t1 ) = E(W tn W tn 1...) + E(W tn 1 W tn 1,..., W t1 ) = E(W tn W tn 1 W tn 1 W tn 2,..., W t2 W t1, W t1 ) + W tn 1 unabh. Zuwächse = E(W tn W tn 1 ) + W tn 1 = W tn 1 für 0 < t 1 < < t n. Der Poisson-Prozess ist ein Submartingal (bzgl. der natürlichen Filtration F N ): E(N t F N s ) = E(N t N s F N s ) + E(N s F N s ) = E(N t N s ) + N s = λ (t s) +N }{{} s N s für s < t. >0 Der kompensierte Poisson-Prozess N t λt ist ein Martingal. Sommersemester
20 Martingaltransformation bzgl. eines Wiener Prozesses W : 6.2 Martingale in stetiger Zeit Für eine Partition 0 = t 0 < t 1 < t 2 <... < t n 1 < t n bildet i W = W ti W ti 1, i = 1,..., n eine Martingaldifferenzfolge bzgl F W t. Die Martingaltransformation W W mit W = (W ti, i = 1,..., n) ( W W ) k = k W ti 1 (W ti W ti 1 ) i=1 ergibt ein Martingal. Sommersemester
21 6.2 Martingale in stetiger Zeit Sei {F t } eine Filtration. Die σ Algebra F + t = σ ( F s ) s>t erlaubt einen infinitesimalen Blick in die Zukunft, und ( ) = σ F s F t s<t umfasst alle Ereignisse bis unmittelbar vor t. Übliche Bedingungen an eine Filtration: 1. F t ist rechtsstetig : F t = F + t für alle t 2. F ist vollständig : Für C B A mit P (B) = 0 folgt C F 0 A (und P (C) = 0). Im weiteren werden die üblichen Bedingungen vorausgesetzt. Sommersemester
22 6.2 Martingale in stetiger Zeit Die natürliche Filtration F t = σ(x s, s t) ist rechtsstetig, wenn die Pfade von X rechtsstetig sind. Definition: Vorhersagbar Ein Prozess A = {A t, t 0} heißt vorhersagbar (bezüglich der Filtration {F t }) : für alle t 0 gilt 1. A t ist F t -messbar, und 2. A t ist F t -messbar. Bedingung 2. ist erfüllt, falls gilt A t = g t (A s, s < t) mit einer messbaren, deterministischen Funktion g t. Hinreichend für die Vorhersagbarkeit ist, dass A linksseitig stetige Pfade besitzt. Sommersemester
23 6.2 Martingale in stetiger Zeit Doob-Meyer-Zerlegung: Sei {N t, t R + } ein rechtsstetiges, nichtnegatives Submartingal oder ein beschränktes Submartingal, und {F t } eine Filtration, die die üblichen Bedingungen erfüllt. Dann existieren ein vorhersagbarer Prozess {A t, t R + } und ein Martingal {M t, t R + }, so dass N t = A t + M t für alle t gilt. Der Prozess A = {A t } heißt Kompensator von N. Beispiele: (a) Homogener Poisson-Prozess: M t = N t λt ist ein Martingal. Der Kompensator A t = λt ist in diesem Fall sogar deterministisch. Sommersemester
24 6.2 Martingale in stetiger Zeit (b) Inhomogener Poisson-Prozess: Mit Λ(t) = t 0 λ(u)du gilt E(N(t) Λ(t) F s ) = E(N(t) N(s) + N(s) Λ(t) F s ) = Λ(t) Λ(s) + N(s) Λ(t) = N(s) Λ(s), d.h. M(t) = N(t) Λ(t) ist ein Martingal. Somit ergibt sich die Doob-Meyer- Zerlegung N(t) = Λ(t) + M(t), und die kumulierte Rate Λ(t) ist der Kompensator. Sommersemester
Martingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele
Kapitel 6 Martingale In der Statistik modellieren Martingale z.b. Glücksspiele oder Handelsstrategien in Finanzmärkten und sind ein grundlegendes Hilfsmittel für die statistische Inferenz stochastischer
MehrKAPITEL 1. Martingale
KAPITEL 1 Martingale 1.1. Stochastische Prozesse Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Das heißt, Ω ist eine Menge, F ist eine σ-algebra auf Ω, und P ein Wahrscheinlichkeitsmaß auf (Ω, F ). Zuerst
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
Mehr2 Martingale in stetiger Zeit
2 Martingale in stetiger Zeit Ziel dieses Abschnitts ist es die wichtigsten Resultate für Martingale aus diskreter Zeit in stetige Zeit zu übertragen. Wie zu erwarten ist treten in stetiger Zeit einige
MehrStochastische Prozesse
Albert-Ludwigs-Universität Freiburg Vorlesungsskript Stochastische Prozesse apl. Prof. Dr. Stefan Tappe Wintersemester 2017/18 Abteilung für Mathematische Stochastik Inhaltsverzeichnis 1 Grundlegende
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 ]
MehrHawkes Prozesse Grundlagen
Hawkes Prozesse Grundlagen Im Folgenden sei (Ω, F, F, P) eine stochastische Basis. Das heißt F = (F t ) t ist eine rechtsstetige Filtration mit F t F für alle t und P ein Wahrscheinlichkeitsmaß auf dem
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.
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
MehrKapitel 7 Punkt- und Zählprozesse
Kapitel 7 Punkt- und Zählprozesse Grundlage für den modernen Zugang zu Verweildauer-und Ereignisanalyse. Poisson-Prozesse, Erneuerungs-, Markov-, Semi-Markov-Prozesse sind Spezialfälle. Wir betrachten
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
Mehr4 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale
4 Gleichgradige Integrierbarkeit, Stoppzeiten und Martingale 4.2 Filtrationen und kanonische Filtrationen 4.3 Supermartingale, Martingale bzw. Submartingale bzgl. der Filtrationen (A t ) t I 4.4 Gleichgradig
Mehr8 Die quadratische Variation, und die Integration bzgl. stetiger Semimartingale
8 Die quadratische Variation, und die Integration bzgl. stetiger Semimartingale 8.1 Der quadratische Variationsprozess eines stetigen, lokalen Martingals 8.3 Die quadratische Variation einer reellen Brownschen
MehrStoppzeiten und Charakteristische Funktionen. Tutorium Stochastische Prozesse 15. November 2016
Stoppzeiten und Charakteristische Funktionen Tutorium Stochastische Prozesse 15. November 2016 Inhalte des heutigen Tutoriums Im heutigen Tutorium besprechen wir: (1) Eindeutigkeit von Maßen ohne schnittstabilen
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,
MehrKapitel 5 Erneuerungs- und Semi-Markov-Prozesse
Kapitel 5 Erneuerungs- und Semi-Markov-Prozesse Definition: Erneuerungsprozess Sei {T n, n N} eine Folge unabhängiger, nichtnegativer Zufallsvariablen mit Verteilungsfunktion F, mit F () < 1. Dann heißt
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
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.
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
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
MehrDiplomarbeit. Lebenszeit-Modelle zur Analyse der Ermüdung von gradierten Materialien
Universität Kassel Fachbereich Mathematik Diplomarbeit Lebenszeit-Modelle zur Analyse der Ermüdung von gradierten Materialien Eingereicht von: Alexander Stepper Betreuende Gutachterin: Zweitgutachterin:
MehrStochastische Prozesse Stoffzusammenfassung
Stochastische Prozesse Stoffzusammenfassung Joachim Breitner 7. August 2018 Diese Zusammefassung ist natürlich alles andere als vollständig und zu knapp, um immer alle Aussagen mit Voraussetzungen korrekt
MehrBrownsche Bewegung: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
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
Mehr2 Halbgruppen von Übergangswahrscheinlichkeiten. Markov-Prozesse
2 Halbgruppen von Übergangswahrscheinlichkeiten Markov-Prozesse Im Folgenden sei (X, B) ein (polnischer) Messraum und T = [0, ) oder T = N 0 Definition 21 Eine Familie (P t ) t T von (X, B) mit Übergangswahrscheinlichkeiten
MehrStochastik-Praktikum
Stochastik-Praktikum Simulation stochastischer Prozesse Peter Frentrup Humboldt-Universität zu Berlin 27. November 2017 (Humboldt-Universität zu Berlin) Zufallszahlen und Monte Carlo 27. November 2017
MehrAbgabetermin: 5. Mai 2017, Uhr
Übungsblatt Nr. 1 26. April 2017 1. Sei F k, k K, eine Familie von σ-algebren, wobei K eine beliebige Menge ist. Zeigen Sie, daß F d = k K F k ebenfalls eine σ-algebra ist! Beweisen Sie, daß die Vereinigung
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
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
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrDer Poissonprozess. Kapitel 5
spielt in der stochastischen Modellierung eine fundamentale Rolle Grund ist seine verteilungsfreie Charakterisierung durch wenige qualitative Eigenschaften, die in zahlreichen Anwendungsbeispielen plausibel
MehrItô-Integation. M. Gruber Zusammenfassung
Itô-Integation M. Gruber 15. 5 215 Zusammenfassung Itô-Integral für elementare Integranden, Martingaleigenschaft des Itô-Integrals, Itô-Isometrie, Quadratische Variation des Itô-Integrals, Itô-Integration
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,
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
Mehr3 Bedingte Erwartungswerte
3 Bedingte Erwartungswerte 3.3 Existenz und Eindeutigkeit des bedingten Erwartungswertes E A 0(X) 3.6 Konvexitätsungleichung für bedingte Erwartungswerte 3.9 Konvergenzsätze von Levi, Fatou und Lebesgue
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:
Mehr7. Die Brownsche Bewegung
7. DIE BROWNSCHE BEWEGUNG 2 5 5 50 00 50 200 250 0 5 20 Abbildung 7.: Pfad einer Brownschen Bewegung 7. Die Brownsche Bewegung Definition 7.. Ein cadlag stochastischer Prozess {W t } mit W 0 = 0, unabhängigen
Mehr2 Zufallsvariable, Verteilungen, Erwartungswert
2 Zufallsvariable, Verteilungen, Erwartungswert Bisher: Zufallsexperimente beschrieben durch W-Räume (Ω, A, P) Häufig interessiert nur eine zufällige Größe X = X(ω), die vom Ergebnis ω des Zufallsexperiments
MehrKapitel 7. Martingale 1
Kapitel 7 Martingale 1 7.1 Definition: a) (Ω, F) sei ein messbarer Raum. Eine Filtration (oder Filtrierung) ist eine aufsteigende Folge F = (F n ) n N von Teil-σ-Algebren von F, d.h. F n F n+1 F für n
MehrKaplan-Meier und Nelson-Aalen Schätzer II Konsistenz und Vertrauensintervall
Kaplan-Meier und Nelson-Aalen Schätzer II Konsistenz und Vertrauensintervall Christian Reichlin Michael Stadelmann 29. Mai 26 Statistik-Seminar bei Frau Prof. Dr. Sara van de Geer, Herrn Dr. Prof. Barbour,
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
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
Mehr1. Übungsblatt. Markus Reiß Kursusvorlesung Stochastische Prozesse Sommersemester 2006
Sommersemester 26 1. Übungsblatt 1. Zeige: Ist X Poisson(s)- und Y Poisson(t)-verteilt und sind X und Y unabhängig, so ist X + Y Poisson(t + s)-verteilt (t, s > ). Das heißt, es gilt die Eigenschaft einer
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........................
MehrWichtige Definitionen und Aussagen
Wichtige Definitionen und Aussagen Zufallsexperiment, Ergebnis, Ereignis: Unter einem Zufallsexperiment verstehen wir einen Vorgang, dessen Ausgänge sich nicht vorhersagen lassen Die möglichen Ausgänge
MehrGrundlagen der Wahrscheinlichkeitstheorie
Priv.-Doz. Dr. H. Steinacker Wintersemester 2013/2014 Grundlagen der Wahrscheinlichkeitstheorie betrachte Wiederholungen eines Experimentes, gleicher Vorbereitung (z.b. Würfeln, Dart werfen, Doppelspaltexperiment,...)
MehrStochastische Integration Stochastische Differentialgleichungen Stochastische Partielle Differentialgleichungen. Dominic Breit
Dominic Breit 14.12.213 Outline 1 Stochastische Integration 2 3 Brwonsche Bewegung (1) Eine Brownsche Bewegung W = (W t ) t [,T ] über einem Wahrscheinlichkeitsraum (Ω, F, P) ist ein zeitstetiger stochastischer
MehrStochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten
Kapitel 2 Stochastische Unabhängigkeit, bedingte Wahrscheinlichkeiten 2.1 Stochastische Unabhängigkeit von Ereignissen Gegeben sei ein W-Raum (Ω, C, P. Der Begriff der stochastischen Unabhängigkeit von
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;
MehrStochastik Wiederholung von Teil 1
Stochastik Wiederholung von Teil 1 Andrej Depperschmidt Sommersemester 2016 Wahrscheinlichkeitsraum Definition Das Tripple (Ω, A, P) heißt Wahrscheinlichkeitsraum, falls gilt: (i) A ist eine σ-algebra,
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.......................................
MehrKapitel 2 Grundbegriffe der allgemeinen Theorie stochastischer Prozesse
Kapitel 2 Grundbegriffe der allgemeinen Theorie stochastischer Prozesse 2.1 Definitionen stochastische Prozesse 2.1 Definitionen stochastische Prozesse 2.1.1 Klassische Definition: als Familien von Zufallsvariablen
MehrErneuerungs- und Semi-Markov-Prozesse
Kapitel 5 Erneuerungs- und Semi-Markov-Prozesse Für den Poisson-Prozess und (reguläre) diskrete Markov-Prozesse impliziert die Markov-Eigenschaft, dass die Zwischenzeiten bzw. Verweildauern exponentialverteilt
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;
MehrMartingal-Maße. Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Manuel Müller Mathematisches Institut
Martingal-Maße Manuel Müller 29.04.2016 Mathematisches Institut Stochastic Finance: An Introduction in Discrete Time (Hans Föllmer, Alexander Schied) Seite 2 Martingal-Maße 29.04.2016 Inhaltsverzeichnis
Mehr5 MARTINGALE 64. k = j k=1
5 MRTINGLE 64 5 Martingale 5.1 Bedingte Erwartungswerte Im Folgenden sei stets Z eine Zufallsvariable in R mit E[ Z < oder Z 0 f.s. Falls ein Ereignis mit P() > 0 ist, so erklärt man durch E[Z := 1 P()
Mehr2 Das Marktmodell C1(WS08/09) [2] 1
2 Das Marktmodell 2.1 Ein allgemeines Finanzmarktmodell 2.2 Aufsteigende Systeme von σ-algebren und adaptierte Prozesse 2.3 Elementare Handelsstrategien im Finanzmarktmodell 2.4 Die σ-algebra der previsiblen
MehrKapitel 6. Suffiziente Statistiken. 6.1 Vorbetrachtungen
Kapitel 6 Suffiziente Statistiken In diesem Kapitel untersuchen wir einen weiteren statistischen Begriff, der eng mit Likelihoodfunktionen zusammenhängt und mit der Frage nach eventuell möglicher Datenreduktion
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
MehrWahrscheinlichkeitstheorie und Statistik
Wahrscheinlichkeitstheorie und Statistik Definitionen und Sätze Prof. Dr. Christoph Karg Studiengang Informatik Hochschule Aalen Sommersemester 2018 2.5.2018 Diskrete Wahrscheinlichkeitsräume Diskreter
MehrPunktetabelle (wird von den Korrektoren beschriftet)
Probability and Statistics FS 2018 Prüfung 13.08.2018 Dauer: 180 Minuten Name: Legi-Nummer: Diese Prüfung enthält 12 Seiten (zusammen mit dem Deckblatt) und 10 Aufgaben. Das Formelblatt wird separat verteilt.
MehrVorlesungsskript Stochastische Analysis mit Finanzmathematik
Vorlesungsskript Stochastische Analysis mit Finanzmathematik Christoph Kühn Wintersemester 4/5 letzte Aktualisierung:. April 17 1 Inhaltsverzeichnis 1 Eine Motivation 1 Allgemeine Theorie stochastischer
MehrStatistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen
Statistische Analyseverfahren Abschnitt 2: Zufallsvektoren und mehrdimensionale Verteilungen Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik Oktober 2018 Prof. Dr. Hans-Jörg
MehrSkript. Martingale. Prof. Dr. Zakhar Kabluchko. Universität Münster Institut für Mathematische Stochastik
Skript Martingale Prof. Dr. Zakhar Kabluchko Universität Münster Institut für Mathematische Stochastik Inhaltsverzeichnis Vorwort 2 Literatur 2 1. Stochastische Prozesse 3 2. Filtrationen 3 3. Martingale
MehrStudienbegleitende Prüfung Stochastik 2
Universität Karlsruhe (TH) Institut für Stochastik Prof. Dr. N. Bäuerle Name: Vorname: Matr.-Nr.: Studienbegleitende Prüfung Stochastik 2 27. März 2007 Diese Klausur hat bestanden, wer mindestens 20 Punkte
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
MehrBrownsche Bewegung. M. Gruber. 19. März Zusammenfassung
Brownsche Bewegung M. Gruber 19. März 2014 Zusammenfassung Stochastische Prozesse, Pfade; Brownsche Bewegung; Eigenschaften der Brownschen Bewegung: Kovarianz, Stationarität, Selbstähnlichkeit, quadratische
MehrKapitel 6. Irrfahrten und Bernoullischemata
Kapitel 6 Irrfahrten und Bernoullischemata Ausgangspunkt dieses Kapitels ist das in den Abschnitten 2.5 und 3.3 vorgestellte mathematische Modell des mehrmals Werfens einer Münze. Die dort definierten
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
Mehr7.4 Charakteristische Funktionen
7.4 Charakteristische Funktionen Def. 25 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
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
MehrOLS-Schätzung: asymptotische Eigenschaften
OLS-Schätzung: asymptotische Eigenschaften Stichwörter: Konvergenz in Wahrscheinlichkeit Konvergenz in Verteilung Konsistenz asymptotische Verteilungen nicht-normalverteilte Störgrößen zufällige Regressoren
MehrWichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung
Wichtige Begriffe und Sätze aus der Wahrscheinlichkeitsrechnung Version: 22. September 2015 Evelina Erlacher 1 Mengen Es sei Ω eine Menge (die Universalmenge ) und A, B seien Teilmengen von Ω. Dann schreiben
MehrGaußsche Felder und Simulation
3 2 data_2d_1.dat data_2d_2.dat data_2d_64.dat data_2d_128.dat 1-1 -2-3 1 2 3 4 5 6 7 Gaußsche Felder und Simulation Benedikt Jahn, Aaron Spettl 4. November 28 Institut für Stochastik, Seminar Zufällige
MehrInhaltsverzeichnis. Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: Autor: René Pecher
Dozent: Andreas Nestke Lehrfach: Mathe 3 Thema: Wahrscheinlichkeitstheorie Datum: 24.01.2011 Autor: René Pecher Inhaltsverzeichnis 1 Permutation 1 1.1 ohne Wiederholungen........................... 1 1.2
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
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
MehrKapitel 1 Einführung und Beispiele
Kapitel 1 Einführung und Beispiele 1.1 Einführende Beispiele und erste Definition 1.1 Einführende Beispiele und erste Definition Rein zeitliche Beispiele: IFO Geschäftsklima Index Zeit: diskret; Zustandsraum:
MehrReelle Zufallsvariablen
Kapitel 3 eelle Zufallsvariablen 3. Verteilungsfunktionen esultat aus der Maßtheorie: Zwischen der Menge aller W-Maße auf B, nennen wir sie W B ), und der Menge aller Verteilungsfunktionen auf, nennen
MehrWahrscheinlichkeitsrechnung und Statistik
8. Vorlesung - 2017 Bemerkung: Sei X = (X 1,..., X n ) Zufallsvektor. Der n dimensionale Vektor ( ) E(X ) = E(X 1 ),..., E(X n ) ist der Erwartungswert des Zufallsvektors X. Beispiel: Seien X, Y N (0,
MehrStochastik. 1. Wahrscheinlichkeitsräume
Stochastik 1. Wahrscheinlichkeitsräume Ein Zufallsexperiment ist ein beliebig oft und gleichartig wiederholbarer Vorgang mit mindestens zwei verschiedenen Ergebnissen, bei dem der Ausgang ungewiß ist.
MehrWahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen
Wahrscheinlichkeitstheorie Kapitel V - Stetige Verteilungen Georg Bol georg.bol@statistik.uni-karlsruhe.de Markus Höchstötter hoechstoetter@statistik.uni-karlsruhe.de Stetige Verteilungen Definition: Sei
MehrStochastik 2. Beispielaufgaben. Institut für Stochastik WS 2006/07 Universität Karlsruhe Prof. Dr. N. Bäuerle Blatt 0 Dipl.-Math. oec. A.
Institut für Stochastik WS 2006/07 Universität Karlsruhe Prof. Dr. N. Bäuerle Blatt 0 Dipl.-Math. oec. A. Mundt Übungen zur Vorlesung Stochastik 2 Beispielaufgaben Hinweis: Zu diesem Aufgaben werden in
Mehr1. Übungsblatt zu Stochastische Prozesse
1. Übungsblatt zu Stochastische Prozesse Aufgabe 1: Es sei (X n ) n N0 ein stochastischer Prozess mit abzählbarem Zustandsraum E. Man zeige: (X n ) n N0 ist genau dann eine Markov-Kette, wenn für alle
MehrStochastische Prozesse
INSTITUT FÜR STOCHASTIK SS 29 UNIVERSITÄT KARLSRUHE Blatt 6 Priv.-Doz. Dr. D. Kadelka Dipl.-Math. W. Lao Übungen zur Vorlesung Stochastische Prozesse Musterlösungen Aufgabe 27: Sei X eine R + -wertige
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
MehrVorlesungsskript Stochastische Analysis mit Finanzmathematik
Vorlesungsskript Stochastische Analysis mit Finanzmathematik Christoph Kühn Wintersemester 4/5 letzte Aktualisierung: 1. Dezember 17 1 Inhaltsverzeichnis 1 Eine Motivation 1 Allgemeines zu stochastischen
MehrWahrscheinlichkeitstheorie II
Wahrscheinlichkeitstheorie II Vorlesung vo 24.04. Christian Wiesel V5-09...2.3 Martingale, Stoppzeiten und Filtrierungen Stochastische Prozesse und -Algebren Stoppzeiten Martingale.3a Martingale in diskreter
MehrBem. 6 Die charakterische Funktion existiert.
4.4 Charakteristische Funktionen Def. 2.14 Sei X Zufallsvariable mit Verteilungsfunktion F X und Dichte f X (falls X stetig) oder Wkt.funktion p i (falls X diskret). Die Funktion φ X (t) := Ee itx = eitx
MehrBinomialverteilung. Häufigkeit, mit der Ereignis A bei n unabhängigen Versuchen eintritt. Träger von X : X = {0, 1, 2,..., n}.
Binomialverteilung Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder nicht. X = Häufigkeit, mit
MehrSeminar: Finanzmathematik. Portfoliooptimierung im vollständigen Finanzmarktmodell. Katharina Hasow
Seminar: Finanzmathematik Portfoliooptimierung im vollständigen Finanzmarktmodell Katharina Hasow 11. Mai 2010 1 Inhaltsverzeichnis 1 Einführung 1 1.1 Nutzenfunktion............................ 1 1.2 Formulierung
MehrSimulation von Zufallsvariablen und Punktprozessen
Simulation von Zufallsvariablen und Punktprozessen 09.11.2009 Inhaltsverzeichnis 1 Einleitung 2 Pseudozufallszahlen 3 Punktprozesse Zufallszahlen Definition (Duden): Eine Zufallszahl ist eine Zahl, die
Mehr4. Verteilungen von Funktionen von Zufallsvariablen
4. Verteilungen von Funktionen von Zufallsvariablen Allgemeine Problemstellung: Gegeben sei die gemeinsame Verteilung der ZV en X 1,..., X n (d.h. bekannt seien f X1,...,X n bzw. F X1,...,X n ) Wir betrachten
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
MehrKapitel II - Wahrscheinlichkeitsraum
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel II - Wahrscheinlichkeitsraum Markus Höchstötter Lehrstuhl für Statistik, Ökonometrie
MehrKapitel II - Wahrscheinlichkeitsraum
Institut für Volkswirtschaftslehre (ECON) Lehrstuhl für Ökonometrie und Statistik Kapitel II - Wahrscheinlichkeitsraum Wahrscheinlichkeitstheorie Prof. Dr. W.-D. Heller Hartwig Senska Carlo Siebenschuh
Mehr1.3 Wiederholung der Konvergenzkonzepte
1.3 Wiederholung der Konvergenzkonzepte Wir erlauben nun, dass der Stichprobenumfang n unendlich groß wird und untersuchen das Verhalten von Stichprobengrößen für diesen Fall. Dies liefert uns nützliche
MehrSchwache Lösungen von SDEs und das lokale Martingalproblem
Inhalt Schwache Lösungen von SDEs und das lokale Martingalproblem Christin Strampe February 16, 211 Christin Strampe () SDEs und das lokale Martingalproblem February 16, 211 1 / 24 Inhalt Motivation Schwache
MehrVollständige Märkte. Mathias Krämer Mathematisches Institut - Universität zu Köln
Vollständige Märkte Mathias Krämer Mathematisches Institut - Universität zu Köln 13.05.2016 Gliederung Vorstellung Grundlagen Grundlegende Denitionen Preise von bedingten Claims Bedingte Claims Preise
Mehr