Kapitel 4. Stochastische Grundlagen. 4.1 Filtrationen und Stoppzeiten
|
|
- Wilhelmine Kneller
- vor 6 Jahren
- Abrufe
Transkript
1 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 ist die Ordnung von Zufallsvariablen in der Zeit. Die Darstellung orientiert sich an Elliott and Kopp (1999). 4.1 Filtrationen und Stoppzeiten Sei (Ω, F,P) ein Wahrscheinlichkeitsraum und der Zeitparameter t sei in [0,T] oder [0, ], namentlich T. Das übliche Modell für mit der Zeit zunehmende Information ist die Definition 1: Filtration IF = (F t,t T ). Wobei F t eine aufsteigende Folge von Unter-σ-Algebren F t F ist 1. Weitere Annahmen: a) IF ist vollständig, d. h. jede Null-Menge in F gehört auch zu F 0 (also zu jeder F t ). b) IF ist rechts-stetig, d. h. F t = s>t F s. 1 F t stellt die Menge der Ereignisse dar, die in t beurteilt werden kann, im Sinne von ist eingetreten/ist nicht eingetreten. F t ist somit die Menge von Mengen, denen in t 0 t eine Eintrittswahrscheinlichkeit für t zugewiesen werden kann. 47
2 48 KAPITEL 4. STOCHASTISCHE GRUNDLAGEN X t 1 2/3 1/3 1/3 1/3 1/3 t 1 t 2 t 3 t Abbildung 4.1: Zustände eines stochastischen Prozesses und deren Wahrscheinlichkeit Bemerkung: 1. F t stellt die Geschichte eines Prozesses bis zum Zeitpunkt t dar. Wenn ein Ereignis (eine Menge) A F F t -messbar ist, also A F t, dann hängt es nur davon ab, was bis zum Zeitpunkt t passiert. Z. B. ist das Ereignis Der DAX liegt bis zum unter 5000 nicht messbar für t = (Ω, F t,p) sei wieder ein W-Raum. Beispiel: Man betrachte einen stochastischen Prozess, der drei Pfade zu drei Zeitpunkten realisieren kann, wie in Abbildung 4.1 dargestellt. Der Grundraum Ω ist die Menge von drei Elementen ω 1, ω 2,ω 3, die die Pfade beschreiben. Wir wollen hier das Maß P betrachten, das jedem ω dieselbe Wahrscheinlichkeit, also P(ω i ) = 1/3, i=1,2,3, zuweist. Wir wollen die zufälligen Ausprägungen des Prozesses zu den Zeitpunkte t 1, t 2 und t 3 mit X 1, X 2 und X 3 bezeichnen. Die möglichen Ausprägungen sind hier X 1 = x 11, X 2 {x 21,x 22 } und X 3 {x 31,x 32, x 33 }. Der Prozess wird messbar bezüglich der Filtration: F 1 = {{X 1 = x 11 }, }
3 4.1. FILTRATIONEN UND STOPPZEITEN 49 F 2 = {{X 1 = x 11 }, {X }{{} 1 = x 11,X 2 = x 21 }, {X }{{} 1 = x 11,X 2 = x 22 }, } = F }{{} 1 Ω {ω 1,ω 2 } {ω 3 } {{ω 1,ω 2 }, {ω 3 }} F 3 = {{X 1 = x 11 },...,{X }{{} 1 = x 11,X 2 = x 21,X 3 = x 32 },...} = F }{{} 2 {{ω 1 }, {ω 2 }}. Ω {ω 2 } Die zusätzliche Information, die im Zeitpunkt t 2 nun vorliegt, führt z. B. zu einer veränderten Prognose für die Ausprägung des Prozesses im Zeitpunt t 3. So ist z. B. ( 1 E(X 3 F 2 ) = I {X2 =x 21 } 2 x ) 2 x 32 + I {X2 =x 22 }x 33. Häufig schreibt man auch E(X 3 X 2 ), wenn die σ-algebra F 2 wie hier die kleinste ist, die X 2 messbar macht. Man nennt F 2 die von X 2 erzeugte σ-algebra, bzw. σ{x 2 }. In Worten besagt obige Darstellung, dass wenn X 2 den Wert x 21 angenommen hat, für X 3 nur noch x 31 und x 32 (mit gleicher Wahrscheinlichkeit) in Frage kommen. Wenn X 2 den Wert x 22 angenommen hat, kommt für X 3 nur noch x 33 in Frage. Dies unterscheidet sich von EX 3 = 1 3 x x x 33, insbesondere ist das Erste eine Zufallsvariable, das Zweite nicht. Was man in der Finanzstochastik darübr hinaus häufig braucht, ist ein Zufallsmechanismus auf den t s. Definition 2: Eine Zufallsvariable T auf Ω mit Werten in T heißt Stoppzeit, falls t 0 gilt {ω : T(ω) t} = {T t} F t. Bemerkung: Der Wertebereich von T ist T, die dazugehörige σ-algebra ist die Borel sche. Bemerkung: Das Ereignis {T t} hängt nur von dem ab, was bis zum Zeitpunkt t passiert. Beispiel: T := Das erste Mal, dass der Wechselkurs EUR/USD > 1, 5 ist. - Der Wertebereich ist in T (F 0 ist heute). - Die Frage Ist T t? kann in t beantwortet werden, also kann ihr aus heutiger
4 50 KAPITEL 4. STOCHASTISCHE GRUNDLAGEN Sicht eine Wahrscheinlichkeit, nämlich P({ω : T(ω) t}) zugewiesen werden, d. h. sie ist F t -messbar. Gegenbeispiel: T := Der DAX wird immer unter 7000 bleiben kann in (keinem) Punkt t beantwortet werden, es kann kein Maß zugewiesen werden, außerdem bilde T nicht nach T ab. T := Das letzte Mal vor einem Datum (in der Zukunft), dass ein anderes Ereignis eintreten wird ( Das letzte Mal vor 2010, dass der DAX über 5000 liegt ) kann vor 2010 nicht beantwortet werden, also ist es nicht F t -messbar für t < Grundlegende Eigenschaften: 1. T(ω) t ω Ω ist Stoppzeit. (Bew.: {T t} = Ω F t ) 2. Falls T Stoppzeit ist, dann sind auch T + s mit s IR + Stoppzeit. (Übung) 3. Falls T und S Stoppzeiten sind, dann auch T S (min(t, S)) und T S (max(t, S)) Stoppzeiten. Beweis: Wegen 1. und der Abgeschlossenheit von σ-algebren gegen Schnitte und Komplemente gilt {T S t} = {T t} {S t} = {{T t} c {S t} c } c F t und {T S t} = {T t} {S t} F t. Definition: Sei T eine Stoppzeit bezüglich {F t }. Dann ist die σ-algebra F T die Menge der Ereignisse, die bis zur Zeit T passieren, d. h. A F, so dass A {T t} F t t. (Sowohl A tritt ein, als auch {T t}, jeweils symbolisiert durch Mengen von ω s, die in Ω enthalten sind.) Übung: Zeige, dass F T eine σ-algebra ist.
5 4.2. STOCHASTISCHE PROZESSE 51 Man kann sich F T nicht sequentiell erzeugt vorstellen: Falls T(ω 1 ) = s 1, so folgt nicht F T = F s1. Theorem Seien S und T Stoppzeiten 2. Wenn S T, dann F S F T. Beweis: Sei B F S B {T t} S T = B {S t} {T t} }{{}}{{} F tweil B F S F tweil T Stoppzeit F t weil F t σ-algebra B F T 4.2 Stochastische Prozesse Definition: Ein stetiger stochastischer Prozess X nimmt Werte im Maßraum (E, E) an und ist eine Familie von Zufallsvariablen {X t } auf (Ω, F,P) mit Index t und Werten in (E, E). Beispiel: Für jedes ω gibt es einen Ölpreisverlauf (Pfad) in T. Für jedes t stellt X t (ω) eine mögliche Realisation des Ölpreises im Punkt t dar. Äquivalenz von Prozessen Wie bei (endlich multivariaten) reelwertigen Zufallsvariablen, kann man sich die Frage nach der Gleichheit zweier stochastischer Prozesse stellen. Wir wollen hier differenzierter von der Äquivalenz von stochastischen Prozessen sprechen und drei verschieden starke Definitionen auflisten. 2 T ist hier zu unterscheiden von T als rechter Grenze von T.
6 52 KAPITEL 4. STOCHASTISCHE GRUNDLAGEN Sei E = IR und E = B, die Borel sche σ-algebra auf IR. Wähle die finit-dimensionale Fraktion X t1,...,x tn,t i T und A IR n. Dann ist Φ X X t1,...,x tn (A) = P({ω Ω (X t1 (ω),...,x tn (ω)) A}) die n-dimensionale Wahrscheinlichkeitsverteilung auf der Familie {t 1,...,t n }. Definition: X,Y seien stochastische Prozesse und es gelte Φ X t 1,...,t n (A) = Φ Y t 1,...,t n (A) {t 1,...,t n }. Dann sind X und Y äquivalent, oder auch haben dieselbe Verteilung. Das ist nicht sehr stark, da wir uns auf (endliche) abzählbare Teilmengen des T beschränken. Stärker ist: Definition: X, Y seien stochastische Prozesse auf (Ω, F, P) mit Werten in (E, E). X und Y heißen ununterscheidbar (engl indistinguishable ) falls für fast alle ω Ω gilt X t (ω) = Y t (ω) t T. Definition: X,Y wie in der letzten Definition. Gilt X t = Y t f.s. t so nennt man Y Modifikation von X. Die beiden Definitionen unterscheiden sich in den Nullmengen. Im letzten Fall darf die Nullmenge von t abhängen, im ersten Fall nicht. Bei abzählbarer Zeitmenge (Indexmenge) unterscheiden sich die Definitionen nicht. Martingale Eine wichtige Familie von stochastischen Prozessen stellen die Martingale dar. Für eine umfassende Darstellung, die im Rahmen dieser Einführung nicht angemessen ist, siehe z. B. Musiela and Rutkowski (1997).
7 4.2. STOCHASTISCHE PROZESSE 53 Definition: Sei {F t },t 0, eine Filtration auf dem messbaren Raum (Ω, F) und sei {X t } ein stochastischer Prozess auf (Ω, F) mit Werten in (E, E). Dann heißt X adaptiert an {F t } falls X t F t -messbar ist t. Definition: Sei (Ω, F,P) ein W-Raum mit Filtration {F t }, t [0, ]. Ein reelwertiger adaptierter stoch. Prozess {M t } heißt Supermartingal (Submartingal) bzgl. der Filtration {F t } wenn a) E[ M t ] < t b) E[M t F s ] M s für s t (E[M t F s ] M s ) Falls E[M t F s ] = M s für s t nennt man {M t } Martingal. Bemerkung: E[M t ] = E[M 0 ] wegen E[M t ] = E[E[M t F 0 ]] = E[M 0 ]. Beispiel: Brown sche Bewegung Eine Standard Brown sche Bewegung {B t }, t 0 ist ein reelwertiger stochastischer Prozess mit stetigem Pfad und stationären, normalverteilten, unabhängigen Inkrementen, d. h.: a) B 0 = 0 f.s. b) t B t (ω) ist stetig für fast alle ω Ω. c) Für t > s ist B t B s Gauß-Variable mit Erwartungswert 0 und Varianz t s und ist unabhängig von F s = σ{b u : u s}. Theorem Sei {B t } Standard Brown sche Bewegung bzgl. der Filtration {F t }. Dann gilt: 1. {B t } ist F t -Martingal 2. {B 2 t t} ist F t -Martingal σ2 σbt ( 3. {e 2 t) } ist F t -Martingal
8 54 KAPITEL 4. STOCHASTISCHE GRUNDLAGEN Beweis: Die Bedingung a) aus der Martingaldefinition wird hier nicht untersucht. 1. B t = B s + B t B s, E[B t B s F s ] = 0, da B t B s unabhängig von F s und E = 0 ist. Somit gilt E[B t F s ] = B s. 2. Übung 3. Bemerkung: Falls Z N(0, 1), d. h. mit Dichte f(z) = 1 2π e z2 2 und λ IR, dann ist die Moment-erzeugende Funktion Ee λz = 1 2π IR eλz e z 2 λ 2 dz = e 2 2. (Siehe z. B. Johnson et al. (1994).) Nun ist für s < t E[e σbt σ2 t 2 F s ] = e σbs σ2 t 2 E[e σ(b t B s) F s ] = e σbs σ2 t 2 E[e σ(b t B s) ] da B t B s N(0,t s) gilt = e σbs σ2 t σ 2 e 2 (t s) 2 = e σbs σ2 s 2.
1 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.
MehrMartingale. Kapitel 6. 6.1 Martingale in diskreter Zeit. 6.1.1 Definition und Beispiele
Kapitel 6 Martingale In der Statistik modellieren Martingale z.b. Glücksspiele oder Handelsstrategien in Finanzmärkten und sind ein grundlegendes Hilfsmittel für die statistische Inferenz stochastischer
MehrStochastische Prozesse Gliederung zur Vorlesung im Sommersemester 2006
Stochastische Prozesse Gliederung zur Vorlesung im Sommersemester 26 Markus Reiß Universität Heidelberg reiss@statlab.uni-heidelberg.de VORLÄUFIGE FASSUNG: 28. Juli 26 Inhaltsverzeichnis 1 Der Poissonprozess
MehrEinleitung. Das Ein-Perioden-Modell ist das einfachste. von derivaten Finanzinstrumenten (hier: Optionen) zu erklären.
Einleitung Das Ein-Perioden-Modell ist das einfachste Modell, um die Idee der Preisgebung von derivaten Finanzinstrumenten (hier: Optionen) zu erklären. naive Idee der Optionspreisbestimmung: Erwartungswertprinzip
MehrStochastische Eingangsprüfung, 17.05.2008
Stochastische Eingangsprüfung, 17.5.8 Wir gehen stets von einem Wahrscheinlichkeitsraum (Ω, A, P) aus. Aufgabe 1 ( Punkte) Sei X : Ω [, ) eine integrierbare Zufallsvariable mit XdP = 1. Sei Q : A R, Q(A)
MehrData Mining: Einige Grundlagen aus der Stochastik
Data Mining: Einige Grundlagen aus der Stochastik Hagen Knaf Studiengang Angewandte Mathematik Hochschule RheinMain 21. Oktober 2015 Vorwort Das vorliegende Skript enthält eine Zusammenfassung verschiedener
Mehr9.2. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83
9.. DER SATZ ÜBER IMPLIZITE FUNKTIONEN 83 Die Grundfrage bei der Anwendung des Satzes über implizite Funktionen betrifft immer die folgende Situation: Wir haben eine Funktion f : V W und eine Stelle x
MehrEinführung in die Statistik
Einführung in die Statistik Dr. C.J. Luchsinger 2 Zufallsgrössen Literatur Kapitel 2 * Statistik in Cartoons: Kapitel 4 * Krengel: 3.1 und 3.2 in 3 und (Honours Program) 10 sowie 11.1, 11.2 und 11.3 in
MehrJan Kallsen. Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik
Jan Kallsen Mathematical Finance Eine Einführung in die zeitdiskrete Finanzmathematik AU zu Kiel, WS 13/14, Stand 10. Februar 2014 Inhaltsverzeichnis 1 Mathematische Hilfsmittel 4 1.1 Absolutstetigkeit
MehrEinführung in die Finanzmathematik Vorlesung an der TU Darmstadt WS 2004/2005
Einführung in die Finanzmathematik Vorlesung an der TU Darmstadt WS 2004/2005 Jakob Creutzig TU Darmstadt, AG 9 9. Februar 2005 Inhaltsverzeichnis 1 Finanzderivate 2 2 Ein-Perioden-Modellierung 8 3 Prozesse
MehrFinanzmathematik - Wintersemester 2007/08. http://code.google.com/p/mitgetexed/
Finanzmathematik - Wintersemester 2007/08 http://code.google.com/p/mitgetexed/ Stand: 4. November 2007 Inhaltsverzeichnis 1 Motivation und erste Begriffe 2 2 Endliche Finanzmärkte 4 3 Das Cox-Ross-Rubinstein-Modell
MehrAbsolute Stetigkeit von Maßen
Absolute Stetigkeit von Maßen Definition. Seien µ und ν Maße auf (X, Ω). Dann heißt ν absolut stetig bezüglich µ (kurz ν µ ), wenn für alle A Ω mit µ(a) = 0 auch gilt dass ν(a) = 0. Lemma. Sei ν ein endliches
MehrGrundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt!
Grundlagen der Inferenzstatistik: Was Ihnen nicht erspart bleibt! 1 Einführung 2 Wahrscheinlichkeiten kurz gefasst 3 Zufallsvariablen und Verteilungen 4 Theoretische Verteilungen (Wahrscheinlichkeitsfunktion)
MehrOptionspreisbestimmung nach Cox-Ross-Rubinstein
Optionspreisbestimmung nach Cox-Ross-Rubinstein Michael Beer 8. Mai 000 Inhaltsverzeichnis Einführung und Problembeschreibung. Was sind Optionen?.............................. Modellspezifikation..............................3
Mehr3. Modelle in stetiger Zeit, Black Scholes
3. Modelle in stetiger Zeit, Black Scholes Nach einführenden Bemerkungen werden kurz die Brownsche Bewegung und Martingale in stetiger Zeit besprochen. Dann folgen die Entwicklung des stochastischen Integrals
MehrAmerikanischen Optionen
Die Bewertung von Amerikanischen Optionen im Mehrperiodenmodell Universität-Gesamthochschule Paderborn Fachbereich 17 Seminar Finanzmathematik SS 2001 Referentin: Christiane Becker-Funke Dozent: Prof.
MehrGrundlagen der Stochastischen Analysis. Egbert Dettweiler
Grundlagen der Stochastischen Analysis Egbert Dettweiler Vorwort Der erste Teil des vorliegenden Manuskripts ist im wesentlichen eine Vorlesungsausarbeitung einer im Sommersemester 23 an der Universität
MehrBeispiel 48. 4.3.2 Zusammengesetzte Zufallsvariablen
4.3.2 Zusammengesetzte Zufallsvariablen Beispiel 48 Ein Würfel werde zweimal geworfen. X bzw. Y bezeichne die Augenzahl im ersten bzw. zweiten Wurf. Sei Z := X + Y die Summe der gewürfelten Augenzahlen.
MehrVorlesung. Finanzmathematik I. Steffen Dereich und Marcel Ortgiese. Westfälische Wilhelms-Universität Münster WS2013/14. Version: 31.01.
Vorlesung Finanzmathematik I Steffen Dereich und Marcel Ortgiese Westfälische Wilhelms-Universität Münster WS2013/14 Version: 31.01.2014 Inhaltsverzeichnis 1. Einführung 1 1.1. Das Finanzmarktmodell...........................
MehrSTOCHASTISCHE PROZESSE. Vorlesungsskript
STOCHASTISCHE PROZESSE II: Martingale und Brownsche Bewegung Wolfgang König Vorlesungsskript Universität Leipzig Wintersemester 2005/6 Inhaltsverzeichnis 1 Theorie der Martingale 3 1.1 Definition und
MehrBewertung von Derivaten im Black-Scholes Modell
Bewertung von Derivaten im Black-Scholes Modell Bachelorarbeit Westfälische Wilhelms-Universität Münster Fachbereich Mathematik und Informatik Institut für Mathematische Statistik Betreuung: PD Dr. Volkert
MehrMengensysteme, Wahrscheinlichkeitsmaße
Kapitel 1 Mengensysteme, Wahrscheinlichkeitsmaße Der Großteil der folgenden fundamentalen Begriffe sind schon aus der Vorlesung Stochastische Modellbildung bekannt: Definition 1.1 Eine Familie A von Teilmengen
MehrKapitel 3. Zufallsvariable. Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion. Erwartungswert, Varianz und Standardabweichung
Kapitel 3 Zufallsvariable Josef Leydold c 2006 Mathematische Methoden III Zufallsvariable 1 / 43 Lernziele Diskrete und stetige Zufallsvariable Wahrscheinlichkeitsfunktion, Dichte und Verteilungsfunktion
Mehrklar. Um die zweite Bedingung zu zeigen, betrachte u i U i mit u i = 0. Das mittlere -Zeichen liefert s
Nachtrag zur allgemeinen Vektorraum-Theorie. 1.5.15. Direkte Summen. Sei V ein Vektorraum, seien U 1,..., U t Unterräume, wir schreiben V = U 1 U 2 U t = t i=1 U i falls die folgenden beiden Bedingungen
MehrTEILWEISE ASYNCHRONE ALGORITHMEN
TEILWEISE ASYNCHRONE ALGORITHMEN FRANK LANGBEIN Literatur: D. Berseas, J. Tsitsilis: Parallel and distributed computatoin, pp. 48 489 URI: http://www.langbein.org/research/parallel/ Modell teilweiser asynchroner
MehrMonte Carlo Methoden in Kreditrisiko-Management
Monte Carlo Methoden in Kreditrisiko-Management P Kreditportfolio bestehend aus m Krediten; Verlustfunktion L = n i=1 L i; Die Verluste L i sind unabhängig bedingt durch einen Vektor Z von ökonomischen
MehrExtremwertverteilungen
Seminar Statistik Institut für Stochastik 12. Februar 2009 Gliederung 1 Grenzwertwahrscheinlichkeiten 2 3 MDA Fréchet MDA Weibull MDA Gumbel 4 5 6 Darstellung von multivariaten, max-stabilen Verteilungsfunktionen
MehrKlassische Risikomodelle
Klassische Risikomodelle Kathrin Sachernegg 15. Jänner 2008 1 Inhaltsverzeichnis 1 Einführung 3 1.1 Begriffserklärung.................................. 3 2 Individuelles Risikomodell 3 2.1 Geschlossenes
MehrEinführung in die Computerlinguistik Statistische Grundlagen
Statistik 1 Sommer 2015 Einführung in die Computerlinguistik Statistische Grundlagen Laura Heinrich-Heine-Universität Düsseldorf Sommersemester 2015 Statistik 2 Sommer 2015 Überblick 1. Diskrete Wahrscheinlichkeitsräume
MehrFondsgebundene Lebensversicherungsverträge mit garantierten Auszahlungen
Günther Sieghartsleitner Fondsgebundene Lebensversicherungsverträge mit garantierten Auszahlungen Diplomarbeit Technische Mathematik Studienzweig Operations Research, Statistik, Finanz- und Versicherungsmathematik
MehrFüllmenge. Füllmenge. Füllmenge. Füllmenge. Mean = 500,0029 Std. Dev. = 3,96016 N = 10.000. 485,00 490,00 495,00 500,00 505,00 510,00 515,00 Füllmenge
2.4 Stetige Zufallsvariable Beispiel. Abfüllung von 500 Gramm Packungen einer bestimmten Ware auf einer automatischen Abfüllanlage. Die Zufallsvariable X beschreibe die Füllmenge einer zufällig ausgewählten
MehrInstitut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban
Institut für Stochastik Prof. Dr. N. Bäuerle Dipl.-Math. S. Urban Lösungsvorschlag 8. Übungsblatt zur Vorlesung Finanzmathematik I Aufgabe Hedging Amerikanischer Optionen Wir sind in einem arbitragefreien
MehrDifferentialgleichungen in der Wirtschaftsmathematik
Differentialgleichungen in der Wirtschaftsmathematik Skript zur Vorlesung im Wintersemester 21/11 an der TU Dortmund PD Dr. Flavius Guiaş 2. Februar 211 Inhaltsverzeichnis 1 Bedingter Erwartungswert 3
Mehr$ % + 0 sonst. " p für X =1 $
31 617 Spezielle Verteilungen 6171 Bernoulli Verteilung Wir beschreiben zunächst drei diskrete Verteilungen und beginnen mit einem Zufallsexperiment, indem wir uns für das Eintreffen eines bestimmten Ereignisses
MehrBeispiel 11.2. Wenn p ein Polynom vom Grad größer gleich 1 ist, ist q : C Ĉ definiert durch q (z) =
Funktionentheorie, Woche Funktionen und Polstellen. Meromorphe Funktionen Definition.. Sei U C offen und sei f : U gilt, nennt man f meromorph auf U: Ĉ eine Funktion. Wenn folgendes. P := f hat keine Häufungspunkte;.
MehrII. Bewertung von Derivaten in diskreter Zeit
II. Bewertung von Derivaten in diskreter Zeit 2.1. Wahrscheinlichkeitstheoretische Grundlagen 2.1.1. Bedingte Erwartungswerte Sei (Ω, F, P) ein Wahrscheinlichkeitsraum. Für A, B F mit P(B) > 0 ist die
MehrDiskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel
Seminarbeitrag Diskrete Stochastik der Finanzmärkte. Einführung und Anwendungsbeispiel Sven Wiesinger 8. Juni 2004 1. Einleitung Historisches. Bei dem Versuch, eine Theorie der Spekulation zu entwickeln,
MehrCodierungstheorie Rudolf Scharlau, SoSe 2006 9
Codierungstheorie Rudolf Scharlau, SoSe 2006 9 2 Optimale Codes Optimalität bezieht sich auf eine gegebene Quelle, d.h. eine Wahrscheinlichkeitsverteilung auf den Symbolen s 1,..., s q des Quellalphabets
MehrAngewandte Stochastik
Angewandte Stochastik Dr. C.J. Luchsinger 17 Crash Course Brownsche Bewegung (stetige Zeit, stetiger Zustandsraum); Pricing & Hedging von Optionen in stetiger Zeit Literatur Kapitel 17 * Uszczapowski:
MehrDiplomarbeit. Arbitragefreies Bewerten von Schadenversicherungen. von Ingmar Schiltz
Diplomarbeit Arbitragefreies Bewerten von Schadenversicherungen von Ingmar Schiltz Universität Siegen Fachbereich Mathematik Juni 2005 ARBITRAGEFREIES BEWERTEN VON SCHADENVERSICHERUNGEN 2 Betreuer und
Mehrgeben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Gehen wir einmal davon aus, dass die von uns angenommenen
geben. Die Wahrscheinlichkeit von 100% ist hier demnach nur der Vollständigkeit halber aufgeführt. Gehen wir einmal davon aus, dass die von uns angenommenen 70% im Beispiel exakt berechnet sind. Was würde
MehrEin möglicher Unterrichtsgang
Ein möglicher Unterrichtsgang. Wiederholung: Bernoulli Experiment und Binomialverteilung Da der sichere Umgang mit der Binomialverteilung, auch der Umgang mit dem GTR und den Diagrammen, eine notwendige
MehrStatistische Thermodynamik I Lösungen zur Serie 1
Statistische Thermodynamik I Lösungen zur Serie Zufallsvariablen, Wahrscheinlichkeitsverteilungen 4. März 2. Zwei Lektoren lesen ein Buch. Lektor A findet 2 Druckfehler, Lektor B nur 5. Von den gefundenen
MehrMartingalmaße und Bewertung europäischer Optionen in diskreten unvollständigen Finanzmärkten
Martingalmaße und Bewertung europäischer Optionen in diskreten unvollständigen Finanzmärkten Von der Fakultät für Mathematik und Naturwissenschaften der Carl von Ossietzky Universität Oldenburg zur Erlangung
MehrNeue Ansätze für die Sicherheit der Random-Oracle-Methodik
Neue Ansätze für die Sicherheit der Random-Oracle-Methodik Inauguraldissertation zur Erlangung des akademischen Grades Doktor der Naturwissenschaften (Dr. rer. nat.) eingereicht beim Fachbereich Mathematik
MehrAlgorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015. Vorlesung 5, Donnerstag, 20.
Algorithmen und Datenstrukturen (ESE) Entwurf, Analyse und Umsetzung von Algorithmen (IEMS) WS 2014 / 2015 Vorlesung 5, Donnerstag, 20. November 2014 (Wie baut man eine Hash Map, Universelles Hashing)
MehrHochschule Rhein-Main. Sommersemester 2015
n Vorlesung Hochschule Rhein-Main Sommersemester 2015 Dr. Roland Stamm 18. Mai 2015 n Erinnerung Eine Option ist das Recht (aber nicht die Verpflichtung) ein Produkt S in der Zukunft zu einem heute festgelegten
MehrNichtlineare Optimierung ohne Nebenbedingungen
Kapitel 2 Nichtlineare Optimierung ohne Nebenbedingungen In diesem Abschnitt sollen im wesentlichen Verfahren zur Bestimmung des Minimums von nichtglatten Funktionen in einer Variablen im Detail vorgestellt
MehrBrückenkurs Mathematik, THM Friedberg, 15 19.9.2014
egelsammlung mb2014 THM Friedberg von 6 16.08.2014 15:04 Brückenkurs Mathematik, THM Friedberg, 15 19.9.2014 Sammlung von Rechenregeln, extrahiert aus dem Lehrbuch: Erhard Cramer, Johanna Neslehová: Vorkurs
MehrGüte von Tests. die Wahrscheinlichkeit für den Fehler 2. Art bei der Testentscheidung, nämlich. falsch ist. Darauf haben wir bereits im Kapitel über
Güte von s Grundlegendes zum Konzept der Güte Ableitung der Gütefunktion des Gauss im Einstichprobenproblem Grafische Darstellung der Gütefunktionen des Gauss im Einstichprobenproblem Ableitung der Gütefunktion
MehrÜbungen zur Mathematik für Pharmazeuten
Blatt 1 Aufgabe 1. Wir betrachten den Ereignisraum Ω = {(i,j) 1 i,j 6} zum Zufallsexperiment des zweimaligem Würfelns. Sei A Ω das Ereignis Pasch, und B Ω das Ereignis, daß der erste Wurf eine gerade Augenzahl
MehrStochastische Analysis. Zufallsmatrizen. Roland Speicher Queen s University Kingston, Kanada
Stochastische Analysis für Zufallsmatrizen Roland Speicher Queen s University Kingston, Kanada Was ist eine Zufallsmatrix? Zufallsmatrix = Matrix mit zufälligen Einträgen A : Ω M N (C) Was ist eine Zufallsmatrix?
MehrGeometrische Mannigfaltigkeiten
Geometrische Mannigfaltigkeiten Thilo Kuessner Abstract Kurzfassung der Vorlesung: Definitionen, Beispiele und Sätze, keine Beweise. Definition 1. Ein topologischer Raum ist eine Menge X mit einer Familie
MehrTheoretische Informatik
Theoretische Informatik Einheit 1 Mathematische Methodik 1. Problemlösen 2. Beweistechniken 3. Wichtige Grundbegriffe Methodik des Problemlösens Klärung der Voraussetzungen Welche Begriffe sind zum Verständnis
MehrSprechen wir über Zahlen (Karl-Heinz Wolff)
Sprechen wir über Zahlen (Karl-Heinz Wolff) Die Überschrift ist insoweit irreführend, als der Autor ja schreibt und nicht mit dem Leser spricht. Was Mathematik im allgemeinen und Zahlen im besonderen betrifft,
MehrMaterialien zur Vorlesung. Rendite und Risiko
Materialien zur Vorlesung Rendite und Risiko Burkhard Erke Quellen: Brealey/Myers, Kap. 7 Mai 2006 Lernziele Langfristige Rendite von Finanzanlagen: Empirie Aktienindizes Messung von Durchschnittsrenditen
MehrStatistische Methoden
Statistische Methoden Dr. C.J. Luchsinger 3 Grundlagen der Statistik Literatur Kapitel 3: Lindgren: Kapitel 7 3.1 Überblick Die Statistik ist ein ausuferndes Wissensgebiet. Man könnte problemlos 20 Semester
MehrFinanzmathematik Vorlesung WS 2010/11
1. Einführung Finanzmathematik Vorlesung WS 21/11 Jürgen Dippon Institut für Stochastik und Anwendungen Universität Stuttgart Die klassische Finanzmathematik beschäftigt sich in erster Linie mit grundlegenden
MehrDie Black-Scholes-Gleichung
Die Black-Scholes-Gleichung Franziska Merk 22.06.2012 Outline Optionen 1 Optionen 2 3 Optionen Eine Kaufoption ist ein Recht, eine Aktie zu einem heute (t=0) festgelegten Preis E an einem zukünftigen Zeitpunkt
MehrAnalyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse
Analyse von Zeitreihen in der Umweltphysik und Geophysik Stochastische Prozesse Yannik Behr Gliederung 1 Stochastische Prozesse Stochastische Prozesse Ein stochastischer Prozess ist ein Phänomen, dessen
MehrAusarbeitung des Seminarvortrags zum Thema
Ausarbeitung des Seminarvortrags zum Thema Anlagepreisbewegung zum Seminar Finanzmathematische Modelle und Simulationen bei Raphael Kruse und Prof. Dr. Wolf-Jürgen Beyn von Imke Meyer im W9/10 Anlagepreisbewegung
MehrZusammenfassung. 1 Wir betrachten die folgende Signatur F = {+,,, 0, 1} sodass. 3 Wir betrachten die Gleichungen E. 4 Dann gilt E 1 + x 1
Zusammenfassung Zusammenfassung der letzten LV Einführung in die Theoretische Informatik Woche 7 Harald Zankl Institut für Informatik @ UIBK Wintersemester 2014/2015 1 Wir betrachten die folgende Signatur
MehrMultivariate Statistik
Hermann Singer Multivariate Statistik 1 Auflage 15 Oktober 2012 Seite: 12 KAPITEL 1 FALLSTUDIEN Abbildung 12: Logistische Regression: Geschätzte Wahrscheinlichkeit für schlechte und gute Kredite (rot/blau)
MehrNumerische Methoden der Finanzmathematik
Numerische Methoden der Finanzmathematik Lars Grüne Mathematisches Institut Fakultät für Mathematik und Physik Universität Bayreuth 95440 Bayreuth lars.gruene@uni-bayreuth.de www.math.uni-bayreuth.de/
Mehr(Lineare) stochastische Optimierung
(Lineare) stochastische Optimierung Bsp: Aus zwei Sorten Rohöl wird Benzin und Heizöl erzeugt. Die Produktivität sowie der Mindestbedarf (pro Woche) und die Kosten sind in folgender Tabelle angegeben:
MehrZur Bewertung von Basket Optionen
Westfälische Wilhelms-Universität Münster Fachbereich Mathematik und Informatik Institut für Mathematische Statistik Zur Bewertung von Basket Optionen Bachelorarbeit August 2 Leo Bronstein MatrikelNummer
Mehrw a is die Anzahl der Vorkommen von a in w Beispiel: abba a = 2
1 2 Notation für Wörter Grundlagen der Theoretischen Informatik Till Mossakowski Fakultät für Informatik Otto-von-Guericke Universität Magdeburg w a is die Anzahl der Vorkommen von a in w Beispiel: abba
MehrEinführung und Beispiele
Kapitel 1 Einführung und Beispiele Inhalt: Anwendungsbeispiele erste Definition eines stochastischen Prozesses einige spezielle stochastische Prozesse Ziel: Aufzeigen der Vielfalt stochastischer Prozesse
MehrProf. Dr. Thilo Meyer-Brandis. Finanzmathematik 1 WS 2012/13
Prof. Dr. Thilo Meyer-Brandis Finanzmathematik 1 WS 2012/13 Dieses Skript gibt den Inhalt der Vorlesung Finanzmathematik I: Eine Einführung in diskreter Zeit wieder und basiert auf dem Buch Stochastic
MehrWahrscheinlichkeitstheorie. Zapper und
Diskrete Wahrscheinlichkeitsräume Slide 1 Wahrscheinlichkeitstheorie die Wissenschaft der Zapper und Zocker Diskrete Wahrscheinlichkeitsräume Slide 2 Münzwürfe, Zufallsbits Elementarereignisse mit Wahrscheinlichkeiten
MehrSchwach ergodische Prozesse
Schwach ergodische Prozesse Von der Fakultät für Naturwissenschaften der Universität Duisburg-Essen (Standort Duisburg) zur Erlangung des akademischen Grades eines Doktors der Naturwissenschaften genehmigte
Mehr3.2 Black-Scholes Analyse
3.. BLACK-SCHOLES ANALYSE 39 3. Black-Scholes Analyse Allgemeine Vorüberlegungen Eine Aktie ist eine Anlage ähnlich einem Kredit. Der Anleger bekommt eine Verzinsung, da Kapital ein Arbeitsfaktor ist.
Mehr3. Das Relationale Datenmodell
3. Das Relationale Datenmodell Das Relationale Datenmodell geht zurück auf Codd (1970): E. F. Codd: A Relational Model of Data for Large Shared Data Banks. Comm. of the ACM 13(6): 377-387(1970) DBMS wie
MehrFinanzmathematik. Vorlesung SS 2005. Jürgen Dippon Institut für Stochastik und Anwendungen Universität Stuttgart
Finanzmathematik Vorlesung SS 2005 Jürgen Dippon Institut für Stochastik und Anwendungen Universität Stuttgart Homepage der Vorlesung: www.isa.uni-stuttgart.de/lehre/fm Version vom 29. Juli 2005 J. Dippon
MehrÜbungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006
1 3.34 1.1 Angabe Übungsrunde 7, Gruppe 2 LVA 107.369, Übungsrunde 7, Gruppe 2, 28.11. Markus Nemetz, markus.nemetz@tuwien.ac.at, TU Wien, 11/2006 U sei auf dem Intervall (0, 1) uniform verteilt. Zeigen
MehrSkript. Finanzmathematik I. Max v. Renesse Aufgezeichnet von Tobias Weihrauch. Wintersemester 2012/13 Universität Leipzig. Version vom 4.
Skript Finanzmathematik I Max v. Renesse Aufgezeichnet von Tobias Weihrauch Wintersemester 2012/13 Universität Leipzig Version vom 4. März 2013 INHALTSVERZEICHNIS 1 Inhaltsverzeichnis 1 Einführung Der
MehrGeometrische Brownsche Bewegung und Brownsche Brücke
Geometrische Brownsche Bewegung und Brownsche Brücke Korinna Griesing Dozentin: Prof. Dr. Christine Müller 17. April 2012 Korinna Griesing 1 (26) Inhalt Motivation Statistische Methoden Geometrische Brownsche
MehrFinanzmathematik. Jürgen Dippon. 28. März 2011. Vorlesung WS 2010/11
Finanzmathematik Vorlesung WS 21/11 Jürgen Dippon 28. März 211 Inhaltsverzeichnis 1 Einführung 3 1.1 Grundbegrie................................... 4 1.2 Put-Call-Parität.................................
MehrMartingal-Pricing-Theorie
Seminararbeit Martingal-Pricing-Theorie von: Christina Riedel I Inhaltsverzeichnis Abbildungsverzeichnis... III Abkürzungsverzeichnis... IV 1. Einleitung... 1 2. Martingale... 1 2.1. Stochastische Grundlagen...
Mehr2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen
4. Datenanalyse und Modellbildung Deskriptive Statistik 2-1 2. Deskriptive Statistik 2.1. Häufigkeitstabellen, Histogramme, empirische Verteilungsfunktionen Für die Auswertung einer Messreihe, die in Form
MehrSoSe 2004 Mareen Hofmann, Sonja Lange
Einführung in die Finanzmathematik Grundlagen SoSe 2004 Mareen Hofmann, Sonja Lange Inhaltsverzeichnis 1 Einleitung 2 2 Finanzmärkte und Instrumente 2 2.1 Finanzmärkte............................. 2 2.2
MehrRisikomanagement: Hintergrund und Ziele
Risikomanagement: Hintergrund und Ziele Beispiel 1 Anfangskapital V 0 = 100 Spiel: man verliert oder gewinnt 50 mit Wahrsch. jeweils 1/2. Kapital nach dem Spiel V 1 = { 150 mit Wahrsch. 1/2 50 mit Wahrsch.
Mehr1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem P( ) = 0.
1.5 Folgerungen aus dem Kolmogoroff- Axiomensystem Folg. 2 Sei (Ω, E, P) W.-raum. Seien A, B,A 1,...,A n Ereignisse. Es gelten die folgenden Aussagen: 1. P(A) = 1 P(A). 2. Für das unmögliche Ereignis gilt:
MehrEinführung in die Algebra
Prof. Dr. H. Brenner Osnabrück SS 2009 Einführung in die Algebra Vorlesung 13 Einheiten Definition 13.1. Ein Element u in einem Ring R heißt Einheit, wenn es ein Element v R gibt mit uv = vu = 1. DasElementv
Mehr13.5 Der zentrale Grenzwertsatz
13.5 Der zentrale Grenzwertsatz Satz 56 (Der Zentrale Grenzwertsatz Es seien X 1,...,X n (n N unabhängige, identisch verteilte zufällige Variablen mit µ := EX i ; σ 2 := VarX i. Wir definieren für alle
MehrMotivation. Finanzmathematik in diskreter Zeit
Moivaion Finanzmahemaik in diskreer Zei Eine Hinführung zu akuellen Forschungsergebnissen Alber-Ludwigs-Universiä Freiburg Prof. Dr. Thorsen Schmid Abeilung für Mahemaische Sochasik Freiburg, 22. April
MehrVorlesung Theoretische Informatik
Vorlesung Theoretische Informatik Automaten und Formale Sprachen Hochschule Reutlingen Fakultät für Informatik Masterstudiengang Wirtschaftsinformatik überarbeitet von F. Laux (Stand: 09.06.2010) Sommersemester
MehrRUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG
Die Poisson-Verteilung Jianmin Lu RUPRECHTS-KARLS-UNIVERSITÄT HEIDELBERG Ausarbeitung zum Vortrag im Seminar Stochastik (Wintersemester 2008/09, Leitung PD Dr. Gudrun Thäter) Zusammenfassung: In der Wahrscheinlichkeitstheorie
MehrBachelor-Arbeit. Bewerten von Rainbow-Optionen: Ein Dualitätsansatz. Rolf Waeber 14. Juli 2006
Bachelor-Arbeit Bewerten von Rainbow-Optionen: Ein Dualitätsansatz Rolf Waeber 14. Juli 2006 Bachelor-Arbeit am Departement Mathematik der Eidgenössischen Technischen Hochschule Zürich Betreuer: Prof.
MehrDas GARCH Modell zur Modellierung von Finanzmarktzeitreihen. Seminararbeit von Frauke Heuermann Juni 2010
Das GARCH Modell zur Modellierung von Finanzmarktzeitreihen Seminararbeit von Frauke Heuermann Juni 2010 i Inhaltsverzeichnis 0 Einleitung 1 1 Der ARCH-Prozess 1 1.1 Das ARCH(1)-Modell........................
MehrGaußsche Prozesse - ein funktionalanalytischer Zugang
Universität Ulm Fakultät für Mathematik und Wirtschaftswissenschaften Gaußsche Prozesse - ein funktionalanalytischer Zugang Bachelorarbeit in Wirtschaftsmathematik vorgelegt von Clemens Kraus am 31. Mai
MehrFixpunktsemantik logischer Programme Pascal Hitzler Juli 1997 Kurzuberblick im Rahmen der Vorlesung Einfuhrung in Prolog von T. Cornell im Sommersemester 1997 an der Universitat Tubingen. Beweise sind
Mehr5.Unsicherheit. 5.1WahrscheinlichkeitundRisiko
1 5.Unsicherheit Bisher sind wir von vollständiger Planungssicherheit seitens der Entscheidungsträger ausgegangen. Dies trifft in vielen Fällen natürlich nicht den Kern eines Entscheidungsproblems.Wennz.B.eineEntscheidungfürdenKaufvonAktiengetroffen
MehrRisiko und Versicherung - Übung
Sommer 2009 Risiko und Versicherung - Übung Entscheidungstheoretische Grundlagen Renate Bodenstaff Vera Brinkmann r.bodenstaff@uni-hohenheim.de vera.brinkmann@uni-hohenheim.de https://insurance.uni-hohenheim.de
MehrMultinomiale logistische Regression
Multinomiale logistische Regression Die multinomiale logistische Regression dient zur Schätzung von Gruppenzugehörigkeiten bzw. einer entsprechenden Wahrscheinlichkeit hierfür, wobei als abhänginge Variable
MehrTechnische Universität München. Zentrum Mathematik. Optionen. Lebensversicherungsverträgen
Technische Universität München Zentrum Mathematik Optionen in Lebensversicherungsverträgen Diplomarbeit von Johannes Haas Themenstellerin: Prof. Dr. Claudia Klüppelberg Betreuer: Stephan Reulein Abgabetermin:
MehrUntersuchungen zur Kellystrategie für Wetten und Investitionen
Untersuchungen zur Kellystrategie für Wetten und Investitionen Inaugural-Dissertation zur Erlangung des Doktorgrades der Mathematisch-Naturwissenschaftlichen Fakultät der Universität zu Köln vorgelegt
MehrBestimmung einer ersten
Kapitel 6 Bestimmung einer ersten zulässigen Basislösung Ein Problem, was man für die Durchführung der Simplexmethode lösen muss, ist die Bestimmung einer ersten zulässigen Basislösung. Wie gut das geht,
MehrBeurteilung der biometrischen Verhältnisse in einem Bestand. Dr. Richard Herrmann, Köln
Beurteilung der biometrischen Verhältnisse in einem Bestand Dr. Richard Herrmann, Köln Beurteilung der biometrischen Verhältnisse in einem Bestand 1 Fragestellung Methoden.1 Vergleich der Anzahlen. Vergleich
Mehr