Einige parametrische Familien für stochastische Prozesse
|
|
- Christel Lorentz
- vor 6 Jahren
- Abrufe
Transkript
1 Technische Universität Dortmund Fakultät Statistik Seminar: Grundlagen der Simulation und Statistik von dynamischen Systemen Einige parametrische Familien für stochastische Prozesse Ausarbeitung Dozentin: Prof. Dr. Christine Müller Verfasser: Stefan H. Meinke 15. Mai 2012
2 Inhaltsverzeichnis Inhaltsverzeichnis 1 Einleitung 3 2 Statistische Methoden Mean-Reverting-Prozess Vasicek- und Ornstein-Uhlenbeck-Prozess Explizite Lösung der SDE nach Vasicek und Ornstein-Uhlenbeck Black-Scholes-Merton-Modell Cox-Ingersoll-Ross-Modell Modellfamilie nach Chan-Karolyi-Longstaff-Sanders Modellierungsmöglichkeiten Modellierung eines Ornstein-Uhlenbeck-Prozzeses Anwendung des Vasicek-Prozesses als Finanzierungsmodell Modellierung des Cox-Ingersoll-Ross-Modells Zusammenfassung 14 5 Zusätzliche Anmerkungen 15 Literaturverzeichnis 16 A R-Code 16 2
3 1 Einleitung 1 Einleitung Stochastische Differentialgleichungen haben Anwendungsmöglichkeiten in Bereichen wie dem Finanzwesen oder der Beobachtung von biologischen Phänomenen. Da sich jedoch beispielsweise die Preisbildung auf den Ölmarkt anders verhalten könnte als ein Finanzierungsmodell, reicht ein einziges Modell nicht aus, um alle Anwendungsmöglichkeiten geeignet zu modellieren. Im Rahmen dieser Ausarbeitung werden daher unterschiedliche parametrische Modelle vorgestellt, die in vielen Kontexten bereits erfolgreich eingesetzt werden. Hierbei handelt es sich um den Prozess nach Vasicek oder im Speziellen Ornstein-Uhlenbeck, das Black-Scholes-Merton- Modell und das Cox-Ingersoll-Ross-Modell. Diese haben gemeinsam, dass sie der Klasse der Mean-Reverting-Prozesse angehören. Ferner geben Chan, Karolyi, Longstaff und Sanders eine stochastische Differentialgleichung an, um alle vorgestellten Prozesse zu einer Modellfamilie zusammenzufassen. Dazu werden im zweiten Kapitel die im Vorfeld genannten stochastischen Prozesse beschrieben und deren explizite Lösung hergeleitet sowie einzelne Momente und zugrundeliegende Verteilungen angegeben. Eine anschließende Beispielsimulation ausgewählter Prozesse im dritten Kapitel soll den Einfluss der Parameter auf den Verlauf einer Trajektorie feststellen. Abschließend werden die zentralen Ergebnisse im vierten Kapitel zusammengefasst. 2 Statistische Methoden In diesem Abschnitt werden die nach Iacus (2008) expliziten Lösungen zu einigen bekannten stochastischen Differentialgleichungen (SDE) mit der allgemeinen Form dx t = b(x t )dt + σ(x t )dw t mit t 0 vorgestellt, wobei es sich bei W t um eine Brownsche Bewegung oder Wiener Prozess W : [0, ) Ω R zum Zeitpunkt t handelt und ω b(x t (ω)) bzw. ω σ(x t (ω)) messbare stochastische Prozesse sind. Ferner werden zu jedem Prozess die ersten beiden Momente, 3
4 2 Statistische Methoden Kovarianz und die bedingte Übergangsdichte von X t in Abhängigkeit des Startwerts X 0 = x 0 angegeben. 2.1 Mean-Reverting-Prozess Sei (X t ) t 0 ein stochastischer Prozess. Weiterhin existiere eine explizite Lösung zu der SDE dx t = b(x t )dt + σ(x t )dw t, t 0 mit Startpunkt X 0 = x 0 und es gelte b(x) = β + αx = ( α)( β α x), x I, α R, β R σ(x) > 0 für alle x I, wobei I den Zustandsraum des Prozesses bezeichne. Dann wird der stochastische Prozess auch Mean-Reverting-Prozess genannt. Hierbei gibt α (Mean-Reversion-Force) an, wie schnell der Prozess zu β (Mean-Reversion-Level) gezogen wird (vgl. Schulmerich, 2008). α 2.2 Vasicek- und Ornstein-Uhlenbeck-Prozess Der Vasicek-Prozess ist nach Iacus (2008) ein stochastischer Prozess und ist über eine SDE dargestellt. Er kann für b(x t ) = θ 1 θ 2 X t und σ(x t ) = θ 3 aus der allgemeinen SDE für stochastische Prozesse abgeleitet werden. Somit lautet die SDE für den Vasicek Prozess dx t = (θ 1 θ 2 X t )dt + θ 3 dw t mit t 0, wobei X 0 = x 0 den Startpunkt bezeichne und θ 3 R + und θ 1, θ 2 R wählbare Parameter sind. Ist θ 2 > 0, dann handelt es sich um einen Mean-Reverting-Prozess. Zudem gilt für den Vasicek-Prozess, dass für alle t 0 die Varianz endlich ist. Die SDE heißt im Speziellen Ornstein-Uhlenbeck-Prozess, falls für θ 1 der Wert 0 festgelegt wird. 4
5 2 Statistische Methoden 2.3 Explizite Lösung der SDE nach Vasicek und Ornstein-Uhlenbeck Mittels Itôs Lemma und der Funktion f(t, x) = xe θ 2t ist es laut Iacus (2008) möglich eine explizite Lösung der SDE zu erhalten. Da die Funktion f(t, x) zweimal stetig differenzierbar ist, gilt für die partiellen Ableitungen f t (t, x) = θ 2 f(t, x), f x (t, x) = e θ 2t und f xx (t, x) = 0. Dann ist X t e θ 2t = f(t, X t ) = f(0, X 0 ) + = x 0 + t 0 θ 2 X u e θ 2u du + = x 0 + θ 1 θ 2 (e θ 2t 1) + θ 3 t 0 t 0 t 0 θ 2 X u e θ 2u du + t 0 e θ 2u dx u e θ 2u {(θ 1 θ 2 X u )du + θ 3 dw u } e θ 2u dw u. Durch Umformung der Gleichung nach X t lautet die explizite Lösung der SDE X t = θ 1 + (x 0 θ t 1 )e θ2t + θ 3 e θ 2t e θ2u dw u. θ 2 θ 2 0 Für den Fall θ 2 > 0 ist der Prozess ergodisch und es gilt für die Zufallsvariable X t, dass X t N( θ 1 θ 2, θ2 3 2θ 2 ) ist mit Kovarianz Cov(X t, X s ) = θ 2 3e θ 2 t s /2θ 2 für alle t, s 0. Zudem ist es möglich, abhängig vom Startpunkt X 0 = x 0 den bedingten Erwartungswert bzw. die bedingte Varianz über die bedingte Übergangsdichte p θ(t, X t X 0 = x 0 ) für ein t 0 zu formulieren. Somit gilt für den bedingten Erwartungswert, der bedingten Varianz und der bedingten Kovarianz m(t, x) = E θ (X t X 0 = x 0 ) = θ 1 θ 2 + (x 0 θ 1 θ 2 )e θ 2t v(t, x) = V ar θ (X t X 0 = x 0 ) = θ2 3(1 e 2θ 2t ) 2θ 2 Cov θ (X s, X t X 0 = x 0 ) = θ2 3 2θ 2 e θ 2(s+t) (e 2θ 2(s t) 1). 5
6 2 Statistische Methoden 2.4 Black-Scholes-Merton-Modell Das Black-Scholes-Merton-Modell bezeichnet nach Iacus (2008) eine geometrische Brownsche Bewegung und hat seinen Namen durch die Einführung im Finanzkontext bekommen. Der Prozess liefert eine Lösung zur SDE dx t = θ 1 X t dt + θ 3 X t dw t mit Startpunkt X 0 = x 0 und freien Parametern θ 1 R und θ 3 R +. Der Parameter θ 1 wird als constant interest rate und θ 3 als Volatilität interpretiert. Die explizite Lösung der SDE lautet X t = x 0 e (θ θ2 3 )t+θ 3W t. Die bedingte Dichte ist log-normalverteilt. Der logarithmisch transformierte Erwartungswert und logarithmisch transformierte Varianz sind µ = log(x 0 ) + (θ θ2 3)t σ 2 = θ3t. 2 Durch Einsetzen der Werte ist Erwartungswert und Varianz gegeben durch m(t, x 0 ) = e µ+ 1 2 σ2 = x 0 e θ 1t v(t, x 0 ) = e 2µ+σ2 (e σ2 1) = x 2 0e 2θ1t (e θ2 3 t 1). Somit lautet die bedingte Dichte p θ (t, y x 0 ) = = 1 yσ µ)2 exp{ (log(y) } 2π 2σ 2 1 exp{ (log(y) (log(x 0) + (θ θ2 3)t)) 2 }. yθ 3 2πt 2θ3t 2 6
7 2 Statistische Methoden 2.5 Cox-Ingersoll-Ross-Modell Das Cox-Ingersoll-Ross-Modell (CIR) ist ein dritter parametrischer Ansatz zur Modellierung eines stochastischen Prozesses. Er findet unter anderem Anwendung in der Erklärung von biologischen Phänomenen und im Finanzwesen. Der CIR Prozess ist nach Iacus (2008) die Lösung zu der SDE dx t = (θ 1 θ 2 X t )dt + θ 3 X t dw t und t 0 mit Startpunkt X 0 = x 0 > 0 und freien Parametern θ 1, θ 2, θ 3 R +. Die Besonderheit ist, dass der Prozess für 2θ 1 > θ 2 3 strikt positiv und ansonsten lediglich nicht-negative Werte annehmen kann. Die explizite Lösung der SDE lautet X t = θ 1 + (x 0 θ t 1 )e θ2t + θ 3 e θ 2t e θ 2u X u dw u. θ 2 θ 2 0 Weiterhin ist der Prozess für 2θ 1 > θ3 2 stationär und die bedingte Übergangsdichte liegt in expliziter Form vor. Mittels einer Transformation Y t = 2cX t und c = 2θ 2 /(θ3(1 2 e θ2t )) hat der Prozess die bedingte Dichte Y t Y 0 = y 0 und ist χ 2 (ν, λ)-verteilt mit ν = 4θ 1 /θ3 2 Freiheitsgraden und Nichtzentralitätsparameter λ = y 0 e θ2t. Anschließend kann die bedingte Dichte der ursprünglichen Verteilung X t X 0 = x 0 daraus abgeleitet werden und lautet p θ (t, y x 0 ) = ce (u+v) ( u v )q/2 I q (2 uv) mit u = cx 0 e θ 2t, v = cy und q = 2θ 1 /θ Ferner bezeichne I q (.) die Bessel-Funktion erster Gattung mit I q (x) = ( x 1 k=0 2 )2k+q k! Γ(k + q + 1) und x R, wobei Γ(.) die Gammafunktion ist. Der Erwartungswert und die Varianz der bedingten Dichte im Cox-Ingersoll-Ross-Modell lauten 7
8 2 Statistische Methoden m(t, x 0 ) = θ 1 θ 2 + (x 0 θ 1 θ 2 )e θ 2t v(t, x 0 ) = x 0 θ 2 3(e θ 2t e 2θ 2t ) θ 2 + θ 1θ 2 3(1 e 2θ2t ) 2θ 2 2 Zudem ist die Kovarianzfunktion für s, t 0 gegeben durch θ3 2 Cov(X s, X t ) = x 0 (e θ2t e θ2(t+s) ) + θ 1θ3 2 (e θ2(t s) e θ2(t+s) ). θ 2 2θ Modellfamilie nach Chan-Karolyi-Longstaff-Sanders Die Modellfamilie nach Chan, Karolyi, Longstaff und Sanders (CKLS) liefert eine Möglichkeit die bisher vorgestellten drei parametrischen SDE zu einer Klasse zusammenzufassen. Der CKLS Prozess liefert laut Iacus (2008) eine Lösung der SDE dx t = (θ 1 + θ 2 X t )dt + θ 3 X θ 4 t dw t. Nachfolgend kann in Tabelle 1 nachvollzogen werden, für welche Belegung von θ 1, θ 2, θ 3 und θ 4 die entsprechende spezielle SDE abgeleitet werden kann. Für das CKLS Modell ist es möglich eine explizite Übergangsdichte anzugegeben, falls θ 1 = 0 oder θ 4 = 1 ist. Zudem nimmt es 2 für θ 1, θ 2 > 0 und θ 4 > 1 Werte im Intervall (0, + ) an. Der Wertebereich für θ 2 3 ist in allen Fällen im positiven reellen Bereich. Tabelle 1: Überblick für die Wahl der Parameter, um von dem CKLS-Prozess zu einem speziellen Prozess überzugehen Prozess θ 1 θ 2 θ 3 θ 4 Vasicek R R R + 0 Ornstein-Uhlenbeck 0 R R + 0 Black-Scholes-Merton 0 R R Cox-Ingersoll-Ross R + R + R + 2 8
9 3 Modellierungsmöglichkeiten 3 Modellierungsmöglichkeiten Alle nachfolgenden Berechnungen und Abbildungen entstammen der freien Statistiksoftware R (R Development Core Team, 2012). Der Programmcode zur Simulation des Ornstein-Uhlenbeck- Prozesses richtet sich nach Iacus (2008). 3.1 Modellierung eines Ornstein-Uhlenbeck-Prozzeses Da der Ornstein-Uhlenbeck-Prozess (OU-Prozess) ein Spezialfall des stochastischen Modells nach Vasicek ist, sind wegen θ 1 = 0 lediglich Startwert und zwei Parameter frei wählbar. Nachfolgend wird untersucht, welchen Einfluss der Startwert X(0) sowie θ 2 und θ 3 auf den X θ 3 = 6 θ 3 = 2 θ 3 = Zeit Abbildung 1: Simulation des Ornstein-Uhlenbeck-Proesses mit Startwert X(0) = 5 sowie Parameter θ 1 = 0, θ 2 = 3 und θ 3 {0, 2, 6} Verlauf des stochastischen Prozesses haben. Als Ausgangspunkt der Untersuchung dient die initiale Parameterbelegung θ 2 = 3, θ 3 = 2 und X(0) = 5. In Abbildung 1 sind drei Trajektorien des OU-Prozesses abgebildet, welche sich lediglich im 9
10 3 Modellierungsmöglichkeiten Parameter θ 3 unterscheiden. Der Startwert X(0) und θ 2 bleiben unverändert. Es fällt auf, dass unabhängig vom Wert für θ 3 die Funktionswerte kleiner werden und gegen den Wert 0 konvergieren. Einzig der Verlauf der Trajektorien schwankt umso mehr, je größer der Wert für θ 3 gewählt ist. Da mittels des Itô-Integrals im hinteren Teil der expliziten Lösung der SDE ein Wiener Prozess modelliert wird, bestimmt der Parameter θ 3 den Einfluss des Zufalls. In der Literatur ist dieser Parameter ein Maß für die Volatilität im Modell. Die Konvergenz liegt darin begründet, dass es sich bei diesem Prozess um einen Mean-Reverting-Prozess handelt, der somit gegen den für den OU-Prozess festen Wert θ 1 = 0 strebt. Zur Feststellung des Einflusses von θ 2 werden für unveränderte Startwerte X(0) und Parameter θ 3 Trajektorien mit unterschiedlichen Werten für θ 2 dargestellt. Diese sind in Abbildung 2 zu sehen. Es ist zu beobachten, dass die Struktur der einzelnen Trajektorien gleich bleibt. X θ 2 = 1 θ 2 = 3 θ 2 = Zeit Abbildung 2: Simulation des Ornstein-Uhlenbeck-Proesses mit Startwert X(0) = 5 sowie Parameter θ 1 = 0, θ 3 = 2 und θ 2 {1, 3, 6} Der einzige Unterschied zwischen den Verläufen ist, dass der Prozess umso schneller gegen 0 konvergiert, je größer der Wert für θ 2 ist. Der Parameter gibt somit den Drift oder die Geschwindigkeit an, mit dem der Prozess zum stationären Punkt konvergiert. Zuletzt wird der Verlauf der Trajektorie mit unterschiedlichen Startwerten X(0) betrachtet. 10
11 3 Modellierungsmöglichkeiten Eine Darstellung der drei Prozesse ist in Abbildung 3 zu sehen. Es fällt auf, dass auch bei einem negativen Startwert der Prozess gegen den Wert 0 konvergiert und nur durch Drift und Volatilität gestört wird. X X(0) = 5 X(0) = 0 X(0) = Zeit Abbildung 3: Simulation des Ornstein-Uhlenbeck-Proesses mit Parameter θ 1 = 0, θ 2 = 3 und θ 3 = 2 sowie Startwert X(0) { 5, 0, 5} 3.2 Anwendung des Vasicek-Prozesses als Finanzierungsmodell Ein aus dem Finanzwesen bekanntes Modell richtet sich nach dem Vasicek-Prozess. Dieser stochastische Prozess liefert eine explizite Lösung der SDE dx t = θ(µ X t )dt + σdw t mit Startwert X 0 = x 0. Er entsteht durch die Umparametrisierung µ = θ 1 /θ 2, θ = θ 2 und σ = θ 3. Die explizite Lösung zu der SDE lautet analog zum Vasicek-Prozess t X t = µ + (x 0 µ)e θt + σe θt e θu dw u. 0 11
12 3 Modellierungsmöglichkeiten Der Parameter θ hat den gleichen Einfluss auf das Modell wie θ 2 im OU-Prozess. Er gibt den Drift an und ist ein Maß dafür, wie schnell der Prozess seinen stationären Punkt erreicht. Zudem gibt σ ebenso wie θ 3 aus dem vorherigen Modell die Volatilität an, mit der der Prozess stört wird. Um nachzuvollziehen welchen Einfluss µ auf den stochastischen Prozess hat, werden den übrigen Parametern die festen Werte θ = 3 und σ = 2 zugewiesen und µ variabel gehalten. Die entsprechenden Trajektorien für µ { 5, 0, 5} sind in Abbildung 4 zu sehen. Zu erkennen ist, dass bei identischen Startwerten die Trajektorie in Richtung des Wertes von µ konvergiert und ab dem stationären Punkt lediglich zufällig um diesen Wert schwankt. Dieser Verlauf ist X µ = 5 µ = 0 µ = Zeit Abbildung 4: Simulation eines mathematischen Finanzmodells mit Parameter θ = 3 und σ = 2 sowie Startpunkt X(0) = 0 und µ = {5, 0, 5} anschaulich anhand der Prozessgleichung zu erklären. Liegt für einen Zeitpunkt t der Wert von X t unter dem von µ, dann ist des Ergebnis von (µ X t ) positiv. Somit neigt der Prozess dazu, für X t+1 einen größeren Wert anzunehmen. Analog tendiert der Prozess für X t > µ dazu im nächsten Zeitpunkt einen kleineren Wert anzunehmen. Für den Fall X t µ ist der deterministische Werte der SDE nahe bei 0. Der weitere Verlauf hängt somit nur noch vom stochastischen Integral ab. 12
13 3 Modellierungsmöglichkeiten 3.3 Modellierung des Cox-Ingersoll-Ross-Modells Da die Parameter θ 1, θ 2 und θ 3 im Modell nach Cox-Ingersoll-Ross (CIR) einen ähnlichen Einfluss auf den Prozess haben wie beim Vasicek-Prozess, wird im Folgenden auf die spezielle Struktur und Eigenschaft des Prozesses eingegangen. In Abbildung 5 sind Trajektorien für den Vasicek- und den CIR-Prozess jeweils mit Startwert X(0) = 5 und Parameter θ 1 = 0, θ 2 = 3 und θ 3 = 2 zu sehen. Die Graphen haben gemeinsam, dass sowohl der deterministische Anteil der Differentialgleichung als auch die Zufallszahlen zur Erstellung des Wiener Prozesses identisch sind. Einzig die Auswertung des stochastischen Integrals von Schritt t zu t + 1 ist unterschiedlich. Während die Zuwächse Vasicek-Prozess unabhängig sind, ergeben sich die Zuwächse für den Zeitpunkt X t+1 im CIR-Modell aus dem X Ornstein Uhlenbeck Cox Ingersoll Ross Zeit Abbildung 5: Vergleich zwischen dem Ornstein-Uhlenbeck-Prozess und dem Cox-Ingersoll-Ross- Modell mit festgelegten Parametern θ 1 = 0, θ 2 = 3 und θ 3 = 2 sowie Startpunkt X(0) = 5 Wiener Prozess gewichtet mit X t, wobei X t der Wert des Prozesses zum Zeitpunkt t ist. Durch diese Tatsache ist es nachvollziehbar, dass bei gleicher Parametereinstellung beide Graphen gegen den Wert 0 konvergieren, aber der Prozess im CIR-Modell einen unruhigeren Verlauf als der Vasicek-Prozess hat. 13
14 4 Zusammenfassung Ferner hat der CIR-Prozess laut Methodenbeschreibung die Besonderheit keine negative Werte anzunehmen. Diese Eigenschaft eignet sich laut Krah (2005) beispielsweise bei der Modellierung von Zinsstrukturen, da in diesem Bereich keine negativen Werte auftreten dürfen. Ist zudem die Bedingung 2θ 1 > θ3 2 erfüllt, ist der Prozess sogar stets positiv. Dies ist dadurch zu erklären, dass das stochastische Integral für X t gegen 0 kaum noch Einfluss auf den stochastischen Prozess hat. Somit bekommt der Prozess durch θ 1 einen positiven Drift und tendiert dazu größere Werte anzunehmen. Auf Implementationsebene ist zu betonen, dass die Erstellung des Programmcodes zur Erstellung eines CIR-Prozess insoweit Schwierigkeiten bereitet, dass bei großer Schrittweite negative Werte entstehen. Jedoch ist diese Ungenauigkeit zu beheben, wenn die Schrittweite kleiner gewählt wird. 4 Zusammenfassung Das Ziel dieses Berichtes ist es einen Überblick über verschiedene parametrische Modelle zu geben. Hierbei werden im ersten Schritt verschiedene Modellzustände gewählt, um deren Einfluss auf den Prozess festzustellen. Daraufhin können einzelne Modelle gegenübergestellt und Gemeinsamkeiten bzw. Unterschiede erkannt werden. Die wichtigsten Resultate werden nun abschließend festgehalten. Der Ornstein-Uhlenbeck-Prozess hat neben dem Startpunkt X(0) zwei weitere Parameter und ist ein Spezialfall des Vasicek-Prozesses mit drei freien Parametern. Dieser spezielle Prozess hat für jede Parametereinstellung seine stationäre Phase im Punkt 0. Die beiden Parameter steuern zum einen die Konvergenzgeschwindigkeit und zum anderen den Einfluss der unabhängigen Zuwächse, die über den Wiener Prozess simuliert werden. Ferner kann der Vasicek-Prozess durch Umparametrisierung als finanzmathematisches Modell aufgefasst werden. Hierbei kann, neben der Konvergenzgeschwindigkeit und der Steuerung des Einflusses von Zufall, auch der Punkt bestimmt werden, zu dem die Trajektorie konvergiert. Ein drittes vorgestelltes Modell ist das nach Cox, Ingersoll und Ross (kurz: CIR-Modell). Dieser Prozess unterscheidet sich gegenüber den anderen insoweit, dass die Zuwächse aus dem Wiener 14
15 5 Zusätzliche Anmerkungen Prozess noch mit der Wurzel des Prozesswertes aus dem Zeitpunkt davor gewichtet werden. Somit ist es wahrscheinlicher, dass die Zuwächse im CIR-Modell tendenziell größer sind als bei den anderen Modellen. Zudem bleibt der Prozess nicht-negativ und sogar stets positiv, falls der festgelegte Wert eines entsprechenden Parameters positiv ist. Alle Prozess haben die Gemeinsamkeit, dass es sich hierbei um einen sogenannten Mean- Reverting-Prozesse handelt, da vor Generierung des Prozesses bereits bekannt ist, zu welchem stationären Punkt sie konvergieren. Ein letzter Prozess ist das Black-Scholes-Merton-Modell. Dieses Modell wird in dieser Ausarbeitung lediglich theoretisch vorgestellt, da es identisch mit der geometrischen Brownschen Bewegung ist und bereits in einem früheren Bericht besprochen wurde. 5 Zusätzliche Anmerkungen Als Grundlage dieser Ausarbeitung diente mir der Abschnitt über einige parametrische Familien von stochastischen Prozessen aus Iacus (2008). Dadurch, dass ich mich mit der vorliegenden Literatur intensiv beschäftigt habe, sind mir Fehler in der Beschreibung und Implementierung einiger Prozesse aufgefallen. Daher habe ich folgende Korrekturvorschläge: S.45: Parameter σ fehlt in Programmcode zur Simulation des OU-Prozesses S.47: Additiver Term θ 1 /θ 2 fehlt vor expliziten Lösung des CIR-Modells S.49: Tabelle 1.4: OU-Prozess hat festen Parameter θ 1 = 0 S.49: Tabelle 1.4: CIR-Modell hat freie Parameter θ 1, θ 2 R + 15
16 Literaturverzeichnis Literaturverzeichnis [1] Iacus, S.M. (2008): Simulation and Inference for Stochastic Differential Equations. With R Examples, Springer, New York. [2] Krah, S. (2005): Verfahren zur Erklärung und Verfahren zur Schätzung von Zinsstrukturen, GRIN Verlag, Diplomarbeit. [3] R Development Core Team (2012): R - A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria, R package version , URL [4] Schulmerich, M. (2008): Statistische Verfahren für Diffusionsprozesse mit Anwendung auf stochastische Zinsmodelle der Finanzmathematik, GRIN Verlag, Diplomarbeit. A R-Code ## Brownsche Bewegung: BM <- function(x=0,t0=0,t=1,n=1000){ if(t <= t0){stop("wrong times")} dt <- (T-t0)/N t <- seq(t0,t,length=n+1) X <- ts(cumsum(c(x,rnorm(n)*sqrt(dt))),start=t0,deltat=dt) return(x) } ## Ornstein-Uhlenbeck-Prozess: Ornstein <- function(x_0,theta,seed,num){ 16
17 A R-Code if(seed){ set.seed(num) } W <- BM() # Beownsche Bewegung t <- time(w) # Zeitpunkt N <- length(t) # Anzahl Zeitpunkte X <- numeric(n) X[1] <- x_0 # Startpunkt # Stochastisches Integral über Ito-Summe: ito.sum <- c(0,sapply(2:n,function(x){exp(theta*t[x-1])*(w[x] - W[x-1])})) } # Berechnung des Prozesses über die explizite Lösung: X <- sapply(1:n,function(x){x[1]*exp(-theta[2]*t[x]) + theta[3]*exp(-theta[2]*t[x])*sum(ito.sum[1:x])}) X <- ts(x,start=start(w),deltat=deltat(w)) ## Finanzmathematisches Modell: FiMa <- function(x_0,mu,theta,sigma,seed,num){ if(seed){ set.seed(num) } W <- BM() t <- time(w) N <- length(t) X <- numeric(n) X[1] <- x_0 ito.sum <- c(0,sapply(2:n,function(x){exp(theta*t[x-1])*(w[x] - W[x-1])})) # Explizite Lösung des Modells: X <- sapply(1:n,function(x){mu + (X[1] - mu)*exp(-theta*t[x]) + sigma*exp(-theta*t[x])*sum(ito.sum[1:x])}) 17
18 A R-Code } X <- ts(x,start=start(w),deltat=deltat(w)) ## Cox-Ingersoll-Ross-Modell: CIR <- function(x_0,theta,seed=f,num){ if(seed){ set.seed(num) } W <- BM() t <- time(w) # Zeit N <- length(t) # Anzahl Zeitpunkte X <- numeric(n) X[1] <- x_0 # Startpunkt ito.sum <- 0 for(i in 2:N){ # Stochastisches Integral über Ito-Summe: ito.sum <- ito.sum + exp(theta[2]*t[i-1])*sqrt(x[i-1])*(w[i] - W[i-1]) # Deterministische Wert: determ <- theta[1]/theta[2] + (X[1] - theta[1]/theta[2])*exp(-theta[2]*t[i]) } # Deterministischer Wert + Vorfaktor*Ito-Summe: X[i] <- determ + theta[3]*exp(-theta[2]*t[i])*ito.sum } ts(x,start=start(w),deltat=deltat(w)) ## Darstellung der Ergebnisse: par(cex=1.3) 18
19 A R-Code ## OU-Prozess mit variablen Parameter theta_3: plot(ornstein(5,c(0,3,6),num=321,seed=t),col="red",ylab="x",xlab="zeit", + cex=1.3) lines(ornstein(5,c(0,3,2),num=321,seed=t),col="green") lines(ornstein(5,c(0,3,0),num=321,seed=t),col="blue") legend("topright",legend=c(expression(theta[3] == 6), + expression(theta[3] == 2 * phantom(0)), + expression(theta[3] == 0)),col=c("red","green","blue"),lwd=2) ## OU-Prozess mit variablen Parameter theta_2: plot(ornstein(5,c(0,6,2),num=321,seed=t),col="blue",ylab="x",xlab="zeit", + ylim=c(0,8)) lines(ornstein(5,c(0,3,2),num=321,seed=t),col="green") lines(ornstein(5,c(0,1,2),num=321,seed=t),col="red") legend("topright",legend=c(expression(theta[2] == 1), + expression(theta[2] == 3 * phantom(0)),expression(theta[2] == 6)), + col=c("red","green","blue"),lwd=2) ## OU-Prozess mit variablen Startwert X(0): plot(ornstein(-5,c(0,3,2),num=321,seed=t),col="blue",ylab="x",xlab="zeit", + ylim=c(-6,6)) lines(ornstein(0,c(0,3,2),num=321,seed=t),col="green") lines(ornstein(5,c(0,3,2),num=321,seed=t),col="red") legend("topright",legend=c("x(0) = 5","X(0) = 0","X(0) = -5"), + col=c("red","green","blue"),lwd=2) ## Finanzmathematisches Modell mit variablen Parameter mu: plot(fima(0,mu=5,theta=3,sigma=2,num=321,seed=t),col="red",ylab="x", + xlab="zeit",ylim=c(-6,6)) lines(fima(0,mu=0,theta=3,sigma=2,num=321,seed=t),col="green") 19
20 A R-Code lines(fima(0,mu=-5,theta=3,sigma=2,num=321,seed=t),col="blue") legend(0.6,3.7,legend=c(expression(mu == 5 * phantom(0) * phantom(0)), + expression(mu == 0),expression(mu == -5)), + col=c("red","green","blue"),lwd=2) ## Vergleich zwischen OU-Prozess und CIR-Prozess: plot(ornstein(5,c(0,3,2),num=321,seed=t),col="blue",ylab="x",xlab="zeit", + ylim=c(0,7)) lines(cir(5,c(0,3,2),seed=t,num=321),col="red") legend("topright",legend=c("ornstein-uhlenbeck","cox-ingersoll-ross"), + col=c("blue","red"),lwd=2) 20
Einige parametrische Familien für stochastische Prozesse
Einige parametrische Familien für stochastische Prozesse Seminar: Grundlagen der und Statistik von dynamischen Systemen 26. November 2014 Inhaltsverzeichnis 1 Einleitung 2 3 4 5 Einleitung Ziel des Vortrages:
MehrEuler-Approximation. Leonie van de Sandt. TU Dortmund Prof. Dr. Christine Müller. 5. Juni 2012
Euler-Approximation Leonie van de Sandt TU Dortmund Prof. Dr. Christine Müller 5. Juni 2012 Leonie van de Sandt (TU Dortmund) Euler-Approximation 5. Juni 2012 1 / 26 Inhaltsverzeichnis 1 Einleitung Leonie
MehrSeminarvortrag. Euler-Approximation. Marian Verkely TU Dortmund
Seminarvortrag Euler-Approximation Marian Verkely TU Dortmund 03.12.14 1 / 33 Inhaltsverzeichnis 1 Motivation 2 Simulierte Prozesse 3 Euler-Approximation 4 Vasicek-Prozess: Vergleich analytische Lösung
MehrPseude-Likelihood-Methode
Pseude-Likelihood-Methode Seminar: Grundlagen der Simulation und Statistik von dynamischen Systemen Andrei Durtca Technische Universität Dortmund 12. Januar 2015 Inhaltsverzeichnis 1 Einleitung 2 Pseude-Likelihood-Methode
MehrSeminar-Bericht. Euler-Approximation. Grundlagen der Simulation und Statistik von dynamischen Systemen Autor: Marian Verkely.
Seminar-Bericht Euler-Approximation Grundlagen der Simulation und Statistik von dynamischen Systemen 19.11.2014 Autor: Marian Verkely Dozent: Prof. Dr. Christine Müller Inhaltsverzeichnis 1 Einleitung
MehrGeometrische Brownsche Bewegung und Brownsche Brücke
Seminar: Grundlagen der Simulation und Statistik von dynamischen Systemen SoSe 2012 Geometrische Brownsche Bewegung und Brownsche Brücke Korinna Griesing 10. April 2012 Dozentin: Prof. Dr. Christine Müller
MehrOrnstein-Uhlenbeck-Prozesse
Ornstein-Uhlenbeck-Prozesse M. Gruber 3. 4 214 Zusammenfassung Der Ornstein-Uhlenbeck-Prozess (oft abgekürzt OU-Prozess) ist ein spezieller stochastischer Prozess, der nach den beiden niederländischen
MehrMaximum-Likelihood-Schätzung für das Black-Scholes-Mertonund das Cox-Ingersoll-Ross-Modell
Maximum-Likelihood-Schätzung für das Black-Scholes-Mertonund das Cox-Ingersoll-Ross-Modell Vortrag im Seminar Grundlagen der Simulation und Statistik von dynamischen Systemen Philipp Aschersleben Fakultät
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
MehrDiffusionsprozesse und lineare stochastische DGL
Diffusionsprozesse und lineare stochastische DGL Michele Bieber TU Dortmund - Fakultät Statistik 15. Mai 2012 Inhaltsverzeichnis 1 Einleitung 2 Diffusionsprozesse Stochastische DGL eines Diffusionsprozesses
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
MehrGeneralisierte Momentenmethode
Im Rahmen des Seminars Grundlagen der Simulation und Statistik von dynamischen Systemen Generalisierte Momentenmethode Sebastian Szugat 26. Juni 2012 Prof. Dr. Christine Müller Inhaltsverzeichnis Inhaltsverzeichnis
MehrStochastik Praktikum Simulation stochastischer Prozesse
Stochastik Praktikum Simulation stochastischer Humboldt-Universität zu Berlin 15.10.2010 Übersicht 1 Brownsche Bewegung und Diffusionsprozesse 2 Brownsche Brücke 3 Ornstein Uhlenbeck 4 Zusammengesetzte
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
MehrEin-Faktor-Zinsmodelle
Ein-Faktor-Zinsmodelle M. Gruber 14. 05 2014 Zusammenfassung Beispiel mit Realdaten (Euro Libor overnight, Euribor 3 weeks), Vasicek-Modell mit Simulation, Cox-Ingersoll-Ross-Modell mit Simulation, Hull-White-Modell.
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
MehrEinführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen
Einführung in die Stochastik für Informatiker Übungsaufgaben mit Lösungen David Geier und Sven Middelberg RWTH Aachen, Sommersemester 27 Inhaltsverzeichnis Information 2 Aufgabe 4 Aufgabe 2 6 4 Aufgabe
MehrEinführung in Stochastische Prozesse und Zeitreihenanalyse Vorlesung, 2017S, 2.0h 24.November 2017 Hubalek/Scherrer
Name: Mat.Nr.: Bitte keinen Rotstift oder Bleistift verwenden! 105.59 Einführung in Stochastische Prozesse und Zeitreihenanalyse Vorlesung, 2017S, 2.0h 24.November 2017 Hubalek/Scherrer (Dauer 90 Minuten,
Mehr67 Zufallsvariable, Erwartungswert, Varianz
67 Zufallsvariable, Erwartungswert, Varianz 67.1 Motivation Oft möchte man dem Resultat eines Zufallsexperiments eine reelle Zahl zuordnen. Der Gewinn bei einem Glücksspiel ist ein Beispiel hierfür. In
MehrBiostatistik, Sommer 2017
1/51 Biostatistik, Sommer 2017 Wahrscheinlichkeitstheorie: Verteilungen, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 8. Vorlesung: 09.06.2017 2/51 Inhalt 1 Verteilungen Normalverteilung Normalapproximation
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
MehrStatistik für Ingenieure Vorlesung 6
Statistik für Ingenieure Vorlesung 6 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 05. Dezember 2017 3.4.3 Stetige Gleichverteilung Parameter: Intervall [a, b] R. Zufallsgröße
MehrZufallsvariablen [random variable]
Zufallsvariablen [random variable] Eine Zufallsvariable (Zufallsgröße) X beschreibt (kodiert) die Versuchsausgänge ω Ω mit Hilfe von Zahlen, d.h. X ist eine Funktion X : Ω R ω X(ω) Zufallsvariablen werden
MehrFokker-Planck Gleichung
Fokker-Planck Gleichung Max Haardt WWU Münster 21. November 2008 Inhalt 1 Einleitung Langevin Gleichung Fokker-Planck Gleichung 2 Herleitung Mastergleichung Kramers-Moyal Entwicklung Fokker-Planck Gleichung
MehrLösung Semesterendprüfung
MAE4 Mathematik: Analysis für Ingenieure 4 Frühlingssemester 26 Dr. Christoph Kirsch ZHAW Winterthur Aufgabe : Lösung Semesterendprüfung Wir betrachten die Ergebnismenge Ω : {, 2,, 4, 5, 6} 2 6 2 6 Elemente,
MehrStochastik I. Vorlesungsmitschrift
Stochastik I Vorlesungsmitschrift Ulrich Horst Institut für Mathematik Humboldt-Universität zu Berlin Inhaltsverzeichnis 1 Grundbegriffe 1 1.1 Wahrscheinlichkeitsräume..................................
MehrStatistik I für Betriebswirte Vorlesung 4
Statistik I für Betriebswirte Vorlesung 4 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 25. April 2016 Prof. Dr. Hans-Jörg Starkloff Statistik I für Betriebswirte Vorlesung
MehrMaximum-Likelihood-Schätzung für das Black-Scholes-Merton-Modell und das Cox-Ingersoll-Ross-Modell
Seminar: Grundlagen der Simulation und Statistik von dynamischen Systemen SS 2012 Maximum-Likelihood-Schätzung für das Black-Scholes-Merton-Modell und das Cox-Ingersoll-Ross-Modell Thema 10 Philipp Probst
Mehr4 Absolutstetige Verteilungen und Zufallsvariablen 215/1
4 Absolutstetige Verteilungen und Zufallsvariablen 215/1 23. Bemerkung Integralbegriffe für Funktionen f : R d R (i) Lebesgue-Integral (Vorlesung Analysis IV). Spezialfall: (ii) Uneigentliches Riemann-Integral
MehrMehrdimensionale Zufallsvariablen
Mehrdimensionale Zufallsvariablen Im Folgenden Beschränkung auf den diskreten Fall und zweidimensionale Zufallsvariablen. Vorstellung: Auswerten eines mehrdimensionalen Merkmals ( ) X Ỹ also z.b. ω Ω,
MehrChi-Quadrat-Verteilung
Chi-Quadrat-Verteilung Wikipedia http://de.wikipedia.org/wiki/chi-quadrat-verteilung 1 von 7 6/18/2009 6:13 PM Chi-Quadrat-Verteilung aus Wikipedia, der freien Enzyklopädie Die Chi-Quadrat-Verteilung ist
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
MehrVerteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen. Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung
Verteilungen eindimensionaler stetiger Zufallsvariablen Stetige Verteilungen Chi-Quadrat-Verteilung Studentverteilung Fisher-Verteilung Typisierung der stetigen theoretischen Verteilungen Bibliografie:
MehrGrundbegriffe der Stochastik II
Grundbegriffe der Stochastik II Henrik Gebauer 6. Oktober 9 Zusammenfassung Dieser Vortrag dient der Wiederholung zentraler Begriffe der kontinuierlichen Stochastik. Wahrscheinlichkeitsverteilungen Sei
MehrStatistik I für Betriebswirte Vorlesung 3
Statistik I für Betriebswirte Vorlesung 3 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 15. April 2019 Dr. Andreas Wünsche Statistik I für Betriebswirte Vorlesung 3 Version: 1. April
MehrKonfidenzbereiche. Kapitel Grundlagen. Wir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus,
Kapitel 4 Konfidenzbereiche 4.1 Grundlagen Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden
MehrWirtschaftsmathematik
Einführung in einige Teilbereiche der Wintersemester 206 Prof. Dr. Stefan Etschberger HSA Unabhängigkeit von Ereignissen A, B unabhängig: Eintreten von A liefert keine Information über P(B). Formal: P(A
MehrWahrscheinlichkeitsrechnung und Statistik
5. Vorlesung Verteilungsfunktion (VF) Definition 9 Die Verteilungsfunktion (VF) einer Zufallsgröße X ist F : R R definiert als F (x) := P({ω Ω : X (ω) x}) = P( X x ) für jedes x R. Satz 9 - Eigenschaften
MehrVERTEILUNGEN VON FUNKTIONEN EINER ZUFALLSVARIABLEN
KAPITEL 15 VETEILUNGEN VON FUNKTIONEN EINE ZUFALLSVAIABLEN In diesem Kapitel geht es darum, die Verteilungen für gewisse Funktionen von Zufallsvariablen zu bestimmen. Wir werden uns auf den Fall absolut
MehrWir gehen wieder von einem allgemeinen (parametrischen) statistischen Modell aus, (
Kapitel 4 Konfidenzbereiche Wir gehen wieder von einem allgemeinen parametrischen statistischen Modell aus, M, A, P ϑ ; sei eine Funktion des Parameters gegeben, die einen interessierenden Teil-Parameter
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
MehrKalibrierung eines ökonomischen Szenariengenerators. Albert Meeser und Wiebke Burdag
Kalibrierung eines ökonomischen Szenariengenerators Albert Meeser und Wiebke Burdag Übersicht Einführung Vasicek Modell Black Scholes mit Vasicek Optimierungsalgorithmen Implementierung Ergebnisse der
MehrMusterlösung zur Klausur im Fach Fortgeschrittene Statistik am Gesamtpunktzahl: 60
WESTFÄLISCHE WILHELMS - UNIVERSITÄT MÜNSTER Wirtschaftswissenschaftliche Faktultät Prof. Dr. Bernd Wilfling Professur für VWL, insbesondere Empirische Wirtschaftsforschung Musterlösung zur Klausur im Fach
MehrDiffusionsprozesse und lineare stochastische Differentialgleichungen
Diffusionsprozesse und lineare stochastische Differentialgleichungen Michele Bieber Projektbericht im Rahmen des Seminars Grundlagen der Simulation und Statistik von dynamischen Systemen Sommersemester
MehrNikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen
Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen IGEL Verlag Nikolay Kachakliev Volatilitätsprodukte Eigenschaften, Arten und Bewertungen 1.Auflage 2009 ISBN: 978 3 86815 358
MehrStatistik Klausur Sommersemester 2013 Hamburg, BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN!
Statistik 2 1. Klausur Sommersemester 2013 Hamburg, 26.07.2013 A BITTE LESERLICH IN DRUCKBUCHSTABEN AUSFÜLLEN! Nachname:............................................................................ Vorname:.............................................................................
MehrWahrscheinlichkeit und Statistik: Zusammenfassung
HSR Hochschule für Technik Rapperswil Wahrscheinlichkeit und Statistik: Zusammenfassung beinhaltet Teile des Skripts von Herrn Hardy von Lukas Wilhelm lwilhelm.net 12. Januar 2007 Inhaltsverzeichnis 1
MehrZufallsvariablen. Diskret. Stetig. Verteilung der Stichprobenkennzahlen. Binomial Hypergeometrisch Poisson. Normal Lognormal Exponential
Zufallsvariablen Diskret Binomial Hypergeometrisch Poisson Stetig Normal Lognormal Exponential Verteilung der Stichprobenkennzahlen Stetige Zufallsvariable Verteilungsfunktion: Dichtefunktion: Integralrechnung:
MehrEinführung in die statistische Testtheorie
1 Seminar Simulation und Bildanalyse mit Java von Benjamin Burr und Philipp Orth 2 Inhalt 1. Ein erstes Beispiel 2. 3. Die Gütefunktion 4. Gleichmäßig beste Tests (UMP-Tests) 1 Einführendes Beispiel 3
MehrWahrscheinlichkeitsfunktion. Binomialverteilung. Binomialverteilung. Wahrscheinlichkeitshistogramme
Binomialverteilung Wahrscheinlichkeitsfunktion Konstruktionsprinzip: Ein Zufallsexperiment wird n mal unabhängig durchgeführt. Wir interessieren uns jeweils nur, ob ein bestimmtes Ereignis A eintritt oder
MehrPunkte 2 und 3 genau gleich für stetige Verteilungen. zl uniform verteilte Zz. in (0,1)
220 6.1 Stetige Verteilungen: Einleitung Repetition diskrete Verteilungen: 1. Verteilung gegeben durch die P X = x für alle mögl. Werte x (=0,1,2,... f. Zähldaten) 2. oder: durch (theoretische) kumulative
MehrStatistics, Data Analysis, and Simulation SS 2017
Statistics, Data Analysis, and Simulation SS 2017 08.128.730 Statistik, Datenanalyse und Simulation Dr. Michael O. Distler Mainz, 4. Mai 2017 Dr. Michael O. Distler
Mehr7. Stochastische Prozesse und Zeitreihenmodelle
7. Stochastische Prozesse und Zeitreihenmodelle Regelmäßigkeiten in der Entwicklung einer Zeitreihe, um auf zukünftige Entwicklung zu schließen Verwendung zu Prognosezwecken Univariate Zeitreihenanalyse
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
MehrWeihnachtsaufgaben. a) Welche Urnenmodelle gibt es? Stelle zu jedem Modell ein konkretes Beispiel auf, welches durch dieses Modell beschrieben wird.
Weihnachtsaufgaben Diese Aufgaben dienen dazu die in der Vorlesung und den Übungen eingeführten Begriffe zu verstehen und zu vertiefen, die Bearbeitung ist freiwillig Das Blatt wurde von den Übungsleitern
MehrZufällige stabile Prozesse und stabile stochastische Integrale. Stochastikseminar, Dezember 2011
Zufällige stabile Prozesse und stabile stochastische Integrale Stochastikseminar, Dezember 2011 2 Stabile Prozesse Dezember 2011 Stabile stochastische Prozesse - Definition Stabile Integrale α-stabile
MehrÜbungsklausur zur Vorlesung Wahrscheinlichkeit und Regression Thema: Wahrscheinlichkeit. Übungsklausur Wahrscheinlichkeit und Regression
Übungsklausur Wahrscheinlichkeit und Regression 1. Welche der folgenden Aussagen treffen auf ein Zufallsexperiment zu? a) Ein Zufallsexperiment ist ein empirisches Phänomen, das in stochastischen Modellen
MehrKapitel VII - Funktion und Transformation von Zufallsvariablen
Universität Karlsruhe (TH) Institut für Statistik und Mathematische Wirtschaftstheorie Wahrscheinlichkeitstheorie Kapitel VII - Funktion und Transformation von Zufallsvariablen Markus Höchstötter Lehrstuhl
MehrPrüfungsvorbereitungskurs Höhere Mathematik 3
Prüfungsvorbereitungskurs Höhere Mathematik 3 Stochastik Marco Boßle Jörg Hörner Mathematik Online Frühjahr 2011 PV-Kurs HM 3 Stochastik 1-1 Zusammenfassung Wahrscheinlichkeitsraum (WR): Menge der Elementarereignisse
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
MehrHöhere Mathematik I: Klausur Prof Dr. Irene Bouw
Höhere Mathematik I: Klausur Prof Dr. Irene Bouw Es gibt 5 Punkte pro Teilaufgabe, also insgesamt 85 Punkte. Die Klausureinsicht findet am Montag, den 5..8 ab : Uhr im H3 statt. Aufgabe. (a) Lösen Sie
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
Mehr3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit
3. Gemeinsame und bedingte Verteilung, stochastische Unabhängigkeit Lernziele dieses Kapitels: Mehrdimensionale Zufallsvariablen (Zufallsvektoren) (Verteilung, Kenngrößen) Abhängigkeitsstrukturen Multivariate
MehrGegenbeispiele in der Wahrscheinlichkeitstheorie
Gegenbeispiele in der Wahrscheinlichkeitstheorie Mathias Schaefer Universität Ulm 26. November 212 1 / 38 Übersicht 1 Normalverteilung Definition Eigenschaften Gegenbeispiele 2 Momentenproblem Definition
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;
MehrZeitreihenanalyse. Seminar Finanzmathematik. Andreas Dienst SS Einleitung - Begrüßung - Motivation - Inhaltsangabe. 2.
Seminar Finanzmathematik - Begrüßung - Motivation - Inhaltsangabe 3. Zusammen - fassung Zeitreihenanalyse Andreas Dienst SS 2006 Zeitreihen: Definition und Motivation - Begrüßung - Motivation - Inhaltsangabe
Mehr5. Spezielle stetige Verteilungen
5. Spezielle stetige Verteilungen 5.1 Stetige Gleichverteilung Eine Zufallsvariable X folgt einer stetigen Gleichverteilung mit den Parametern a und b, wenn für die Dichtefunktion von X gilt: f x = 1 für
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: Eine Einführung
Brownsche Bewegung: Eine Einführung Batu Güneysu Institut für Mathematik Humboldt-Universität zu Berlin Greifswald, 18.04.2018 Batu Güneysu Brownsche Bewegung: Eine Einführung 1 / 14 Wir fixieren m N und
MehrKapitel 6. 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
Mehr2 Stationarität. Strikte Stationarität
2 Stationarität. Strikte Stationarität Die in 1 benutzten Begriffe sind noch zu präzisieren : Definition 2.1. a) Ein stochastischer Prozess {X t } t T heißt strikt stationär, falls für je endlich viele
MehrMusterlösung zu Serie 8
Dr. Markus Kalisch Statistik I für Biol./Pharm. Wiss./HST) FS 15 Musterlösung zu Serie 8 1. a) Damit fx) eine Dichte ist, muss die Fläche des Dreiecks gleich 1 sein. Es muss also gelten c = 1. Daraus folgt
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
Mehr3.4 Bayes-Verfahren Begrifflicher Hintergrund. Satz 3.22 (allgemeines Theorem von Bayes)
3.4 Bayes-Verfahren 203 3.4.1 Begrifflicher Hintergrund Satz 3.22 (allgemeines Theorem von Bayes) Seien X und U zwei Zufallsvariablen mit gemeinsamer Wahrscheinlichkeitsfunktion f X,U ( ) bzw. Dichte f
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
Mehr1.4 Stichproben aus einer Normalverteilung
1.4 Stichproben aus einer Normalverteilung Die Normalverteilung ist wohl das am stärksten verbreitete Modell. Stichproben daraus führen zu nützlichen Eigenschaften der Statistiken und ergeben bekannte
MehrMathematik für Biologen
Mathematik für Biologen Prof. Dr. Rüdiger W. Braun Heinrich-Heine-Universität Düsseldorf 1. Dezember 21 1 Integralrechnung Flächeninhalt Stammfunktion Rechenregeln 2 Dichten von Erwartungswert und Varianz
MehrSerie 13. Analysis D-BAUG Dr. Cornelia Busch FS 2016
Analysis D-BAUG Dr. Cornelia Busch FS 2016 Serie 13 1. Prüfungsaufgabe 4, Winter 2014. Bestimmen Sie die Funktion, für die gilt: An jeder Stelle des Definitionsbereichs ist die Steigung des Graphen der
MehrStatistik für Ingenieure Vorlesung 3
Statistik für Ingenieure Vorlesung 3 Prof. Dr. Hans-Jörg Starkloff TU Bergakademie Freiberg Institut für Stochastik 14. November 2017 3. Zufallsgrößen 3.1 Zufallsgrößen und ihre Verteilung Häufig sind
MehrTU DORTMUND Sommersemester 2018
Fakultät Statistik. April 08 Blatt Aufgabe.: Wir betrachten das Zufallsexperiment gleichzeitiges Werfen zweier nicht unterscheidbarer Würfel. Sei A das Ereignis, dass die Augensumme beider Würfel ungerade
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 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
MehrBiostatistik, Winter 2011/12
Biostatistik, Winter 2011/12 Wahrscheinlichkeitstheorie:, Kenngrößen Prof. Dr. Achim Klenke http://www.aklenke.de 7. Vorlesung: 09.12.2011 1/58 Inhalt 1 2 Kenngrößen von Lagemaße 2/58 mit Dichte Normalverteilung
MehrBrownsche Bewegung Seminar - Weiche Materie
Brownsche Bewegung Seminar - Weiche Materie Simon Schnyder 11. Februar 2008 Übersicht Abbildung: 3 Realisationen des Weges eines Brownschen Teilchens mit gl. Startort Struktur des Vortrags Brownsches Teilchen
MehrVorlesung 7b. Der Zentrale Grenzwertsatz
Vorlesung 7b Der Zentrale Grenzwertsatz 1 Zentraler Grenzwertsatz (Tschebyscheff) Die standardisierte Summe von unabhängigen, identisch verteilten R-wertigen Zufallsvariablen konvergiert in Verteilung
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;
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
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
Mehr4. Gemeinsame Verteilung und Grenzwertsätze
4. Gemeinsame Verteilung und Grenzwertsätze Häufig in der Praxis: Man muss mehrere (n) ZV en gleichzeitig betrachten (vgl. Statistik I, Kapitel 6) Zunächst Vereinfachung: Betrachte n = 2 Zufallsvariablen
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
Mehrf(x) = P (X = x) = 0, sonst heißt Poisson-verteilt mit Parameter (oder Rate) λ > 0, kurz X P o(λ). Es gilt x x! 1 Wahrscheinlichkeitsrechnung 212
1.6.2 Poisson Verteilung Eine weitere wichtige diskrete Verteilung ist die Poisson-Verteilung. Sie modelliert die Anzahl (eher seltener) Ereignisse in einem Zeitintervall (Unfälle, Todesfälle; Sozialkontakte,
MehrÜbungsblatt 9 (25. bis 29. Juni)
Statistik 2 Dr. Andrea Beccarini Dipl.-Vw. Dipl.-Kffr. Heike Bornewasser-Hermes Sommersemester 2012 Übungsblatt 9 (25. bis 29. Juni) Stetiges Verteilungsmodell und Gemeinsame Verteilung Stetiges Verteilungsmodell
MehrDas (multiple) Bestimmtheitsmaß R 2. Beispiel: Ausgaben in Abhängigkeit vom Einkommen (I) Parameterschätzer im einfachen linearen Regressionsmodell
1 Lineare Regression Parameterschätzung 13 Im einfachen linearen Regressionsmodell sind also neben σ ) insbesondere β 1 und β Parameter, deren Schätzung für die Quantifizierung des linearen Zusammenhangs
Mehr5 Zufallsvariablen, Grundbegriffe
II. Zufallsvariablen 5 Zufallsvariablen, Grundbegriffe Def. 12 Es seien (Ω 1, E 1,P 1 ) und (Ω 2, E 2,P 2 ) Wahrscheinlichkeitsräume. Eine Abbildung X : Ω 1 Ω 2 heißt E 1 E 2 meßbar, falls für alle Ereignisse
MehrTeil VIII. Zentraler Grenzwertsatz und Vertrauensintervalle. Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle. Lernziele. Typische Situation
Woche 6: Zentraler Grenzwertsatz und Vertrauensintervalle Patric Müller ETHZ Teil VIII Zentraler Grenzwertsatz und Vertrauensintervalle WBL 17/19, 29.05.2017 Wahrscheinlichkeit
MehrDie Fakultät. Thomas Peters Thomas Mathe-Seiten 13. September 2003
Die Fakultät Thomas Peters Thomas Mathe-Seiten www.mathe-seiten.de 3. September 2003 Dieser Artikel gibt die Definition der klassischen Fakultät und führt von dort aus zunächst zu der Anwendung in Taylor-Reihen
MehrSeminar stochastische Geometrie. 25. Januar Faserprozesse im R 2. Simona Renner. Faserprozesse. Kenngrößen Intensität Richtungsrose
Seminar stochastische Geometrie 25. Januar 2010 Contents 1 2 3 4 5 Definitionen Faser: glatte Kurve endlicher Länge in der Ebene Faser γ ist das Bild der Kurve γ(t) = (γ 1 (t), γ 2 (t)) mit (i) γ : [0,
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........................
Mehr