Лемма Ито - Википедия - Itôs lemma

В математика, Лемма Ито является личность используется в Исчисление Ито найти дифференциал зависящей от времени функции случайный процесс. Он служит аналогом стохастического исчисления Правило цепи. Его можно эвристически вывести, сформировав Серия Тейлор разложение функции до ее вторых производных и сохранение членов до первого порядка по приращению времени и второго порядка по Винеровский процесс приращение. В лемма широко используется в математические финансы, и его наиболее известное применение - получение Уравнение Блэка – Шоулза для значений опций.

Неформальное происхождение

Формальное доказательство леммы опирается на предел последовательности случайных величин. Этот подход здесь не представлен, поскольку он включает в себя ряд технических деталей. Вместо этого мы даем набросок того, как можно вывести лемму Ито, расширяя ряд Тейлора и применяя правила стохастического исчисления.

Предполагать $Икс т$ является Ито дрейфово-диффузионный процесс что удовлетворяет стохастическое дифференциальное уравнение

{ displaystyle dX_ {t} = mu _ {t} , dt + sigma _ {t} , dB_ {t},}

куда $B т$ это Винеровский процесс. Если $ж (т, Икс)$ является дважды дифференцируемой скалярной функцией, ее разложение по Серия Тейлор является

{ displaystyle df = { frac { partial f} { partial t}} , dt + { frac { partial f} { partial x}} , dx + { frac {1} {2}} { frac { partial ^ {2} f} { partial x ^ {2}}} , dx ^ {2} + cdots.}

Подстановка $Икс т$ за $Икс$ и поэтому $μ т dt + σ т дБ т$ за $dx$ дает

{ displaystyle df = { frac { partial f} { partial t}} , dt + { frac { partial f} { partial x}} ( mu _ {t} , dt + sigma _ { t} , dB_ {t}) + { frac {1} {2}} { frac { partial ^ {2} f} { partial x ^ {2}}} left ( mu _ {t } ^ {2} , dt ^ {2} +2 mu _ {t} sigma _ {t} , dt , dB_ {t} + sigma _ {t} ^ {2} , dB_ { t} ^ {2} right) + cdots.}

В пределе $dt \to 0$ , условия $dt 2$ и $dt дБ т$ стремятся к нулю быстрее, чем $дБ 2$ , который $О (dt)$ . Установка $dt 2$ и $dt дБ т$ слагаемые до нуля, подставив $dt$ за $дБ 2$ (из-за квадратичной дисперсии Винеровский процесс ), и собирая $dt$ и $дБ$ условиях, получаем

{ displaystyle df = left ({ frac { partial f} { partial t}} + mu _ {t} { frac { partial f} { partial x}} + { frac { sigma _ {t} ^ {2}} {2}} { frac { partial ^ {2} f} { partial x ^ {2}}} right) dt + sigma _ {t} { frac { частичный f} { partial x}} , дБ_ {t}}

как требуется.

Математическая формулировка леммы Ито

В следующих подразделах мы обсудим версии леммы Ито для различных типов случайных процессов.

Дрейфово-диффузионные процессы Ито (причастен: Кунита – Ватанабэ)

В простейшей форме лемма Ито утверждает следующее: для Ито дрейфово-диффузионный процесс

{ displaystyle dX_ {t} = mu _ {t} , dt + sigma _ {t} , dB_ {t}}

и любой дважды дифференцируемый скалярная функция $ж (т, Икс)$ двух вещественных переменных $т$ и $Икс$ , надо

{ displaystyle df (t, X_ {t}) = left ({ frac { partial f} { partial t}} + mu _ {t} { frac { partial f} { partial x} } + { frac { sigma _ {t} ^ {2}} {2}} { frac { partial ^ {2} f} { partial x ^ {2}}} right) dt + sigma _ {t} { frac { partial f} { partial x}} , дБ_ {t}.}

Отсюда сразу следует, что $ж (т, Икс т)$ сам по себе является дрейфово-диффузионным процессом Ито.

В более высоких измерениях, если ${ displaystyle mathbf {X} _ {t} = (X_ {t} ^ {1}, X_ {t} ^ {2}, ldots, X_ {t} ^ {n}) ^ {T}}$ вектор процессов Ито такой, что

{ displaystyle d mathbf {X} _ {t} = { boldsymbol { mu}} _ {t} , dt + mathbf {G} _ {t} , d mathbf {B} _ {t} }

для вектора ${ displaystyle { boldsymbol { mu}} _ {t}}$ и матрица ${ displaystyle mathbf {G} _ {t}}$ , Лемма Ито утверждает, что

{ displaystyle { begin {align} df (t, mathbf {X} _ {t}) & = { frac { partial f} { partial t}} , dt + left ( nabla _ { mathbf {X}} f right) ^ {T} , d mathbf {X} _ {t} + { frac {1} {2}} left (d mathbf {X} _ {t} справа) ^ {T} left (H _ { mathbf {X}} f right) , d mathbf {X} _ {t}, & = left {{ frac { partial f} { partial t}} + left ( nabla _ { mathbf {X}} f right) ^ {T} { boldsymbol { mu}} _ {t} + { frac {1} {2} } operatorname {Tr} left [ mathbf {G} _ {t} ^ {T} left (H _ { mathbf {X}} f right) mathbf {G} _ {t} right] right } dt + left ( nabla _ { mathbf {X}} f right) ^ {T} mathbf {G} _ {t} , d mathbf {B} _ {t} end {выровнено }}}

куда $\nabla Икс ж$ это градиент из $ж$ w.r.t. $Икс$ , $ЧАС Икс ж$ это Матрица Гессе из $ж$ w.r.t. $Икс$ , и $Тр$ - оператор трассировки.

Пуассоновские скачковые процессы

Мы также можем определять функции на разрывных случайных процессах.

Позволять $час$ быть интенсивностью прыжка. В Пуассоновский процесс модель для скачков состоит в том, что вероятность одного скачка в интервале $[т, т + Δ т]$ является $час Δ т$ плюс условия более высокого порядка. $час$ может быть константой, детерминированной функцией времени или случайным процессом. Вероятность выживания $п s (т)$ вероятность того, что скачка не произошло в интервале $[0, т]$ . Изменение вероятности выживания равно

{ Displaystyle dp_ {s} (t) = - p_ {s} (t) h (t) , dt.}

Так

{ displaystyle p_ {s} (t) = exp left (- int _ {0} ^ {t} h (u) , du right).}

Позволять $S (т)$ - прерывный случайный процесс. Написать ${ Displaystyle S (т ^ {-})}$ для стоимости S как мы приближаемся т слева. Написать ${ displaystyle d_ {j} S (t)}$ для не бесконечно малого изменения в $S (т)$ в результате прыжка. потом

{ displaystyle d_ {j} S (t) = lim _ { Delta t to 0} (S (t + Delta t) -S (t ^ {-}))}

Позволять z - величина скачка и пусть ${ displaystyle eta (S (t ^ {-}), z)}$ быть распределение из z. Ожидаемая величина скачка составляет

{ Displaystyle Е [d_ {j} S (t)] = час (S (t ^ {-})) , dt int _ {z} z eta (S (t ^ {-}), z) , dz.}

Определять ${ Displaystyle dJ_ {S} (т)}$ , а компенсируемый процесс и мартингейл, так как

{ Displaystyle dJ_ {S} (t) = d_ {j} S (t) -E [d_ {j} S (t)] = S (t) -S (t ^ {-}) - left (h (S (t ^ {-})) int _ {z} z eta left (S (t ^ {-}), z right) , dz right) , dt.}

потом

{ Displaystyle d_ {j} S (t) = E [d_ {j} S (t)] + dJ_ {S} (t) = h (S (t ^ {-})) left ( int _ { z} z eta (S (t ^ {-}), z) , dz right) dt + dJ_ {S} (t).}

Рассмотрим функцию ${ Displaystyle г (S (т), т)}$ процесса прыжка $dS (т)$ . Если $S (т)$ прыгает мимо $Δ s$ тогда $грамм (т)$ прыгает мимо $Δ грамм$ . $Δ грамм$ взят из распределения ${ displaystyle eta _ {g} ()}$ что может зависеть от ${ Displaystyle г (т ^ {-})}$ , dg и ${ Displaystyle S (т ^ {-})}$ . Прыжковая часть ${ displaystyle g}$ является

{ displaystyle g (t) -g (t ^ {-}) = h (t) , dt int _ { Delta g} , Delta g eta _ {g} ( cdot) , d Delta g + dJ_ {g} (t).}

Если ${ displaystyle S}$ содержит части сноса, диффузии и скачка, то лемма Ито для ${ Displaystyle г (S (т), т)}$ является

{ displaystyle dg (t) = left ({ frac { partial g} { partial t}} + mu { frac { partial g} { partial S}} + { frac { sigma ^ {2}} {2}} { frac { partial ^ {2} g} { partial S ^ {2}}} + h (t) int _ { Delta g} left ( Delta g eta _ {g} ( cdot) , d { Delta} g right) , right) dt + { frac { partial g} { partial S}} sigma , dW (t) + dJ_ {g} (t).}

Лемма Ито для процесса, который является суммой процесса дрейфа-диффузии и процесса скачка, представляет собой просто сумму леммы Ито для отдельных частей.

Непрерывные семимартингалы

Лемму Ито можно применить и к общим $d$ -размерный семимартингалы, которые не обязательно должны быть непрерывными. В общем, семимартингал - это càdlàg процесса, и в формулу необходимо добавить дополнительный член, чтобы гарантировать, что скачки процесса правильно задаются леммой Ито. Для любого процесса кадлага. $Y т$ , левый предел в $т$ обозначается $Y t-$ , который является непрерывным слева процессом. Скачки записываются как $Δ Y т = Y т - Y t-$ . Тогда лемма Ито утверждает, что если $Икс = (Икс 1, Икс 2, ..., Икс d)$ это $d$ -мерный семимартингал и ж - дважды непрерывно дифференцируемая вещественнозначная функция на $р d$ тогда ж(Икс) - семимартингал, а

{ displaystyle { begin {align} f (X_ {t}) & = f (X_ {0}) + sum _ {i = 1} ^ {d} int _ {0} ^ {t} f_ { i} (X_ {s -}) , dX_ {s} ^ {i} + { frac {1} {2}} sum _ {i, j = 1} ^ {d} int _ {0} ^ {t} f_ {i, j} (X_ {s -}) , d [X ^ {i}, X ^ {j}] _ {s} & qquad + sum _ {s leq t} left ( Delta f (X_ {s}) - sum _ {i = 1} ^ {d} f_ {i} (X_ {s -}) , Delta X_ {s} ^ {i} - { frac {1} {2}} sum _ {i, j = 1} ^ {d} f_ {i, j} (X_ {s -}) , Delta X_ {s} ^ {i} , Delta X_ {s} ^ {j} right). End {выравнивается}}}

Это отличается от формулы для непрерывных полумартингалов дополнительным членом, суммирующим по скачкам Икс, что обеспечивает переход правой части в момент времени $т$ есть Δж(Икс_т).

Множественные прерывистые скачковые процессы

^{[нужна цитата ]}Существует также версия этого для дважды непрерывно дифференцируемой в пространстве один раз во времени функции f, вычисленной в (потенциально разных) прерывистых полумартингалах, которую можно записать следующим образом:

{ displaystyle { begin {align} f (t, X_ {t} ^ {1}, ldots, X_ {t} ^ {d}) = {} & f (0, X_ {0} ^ {1}, ldots, X_ {0} ^ {d}) + int _ {0} ^ {t} { dot {f}} ({s _ {-}}, X_ {s _ {-}} ^ {1}, ldots, X_ {s _ {-}} ^ {d}) d {s} & {} + sum _ {i = 1} ^ {d} int _ {0} ^ {t} f_ {i } ({s _ {-}}, X_ {s _ {-}} ^ {1}, ldots, X_ {s _ {-}} ^ {d}) , dX_ {s} ^ {(c, i)} & {} + { frac {1} {2}} sum _ {i_ {1}, ldots, i_ {d} = 1} ^ {d} int _ {0} ^ {t} f_ {i_ {1}, ldots, i_ {d}} ({s _ {-}}, X_ {s _ {-}} ^ {1}, ldots, X_ {s _ {-}} ^ {d}) , dX_ {s} ^ {(c, i_ {1})} cdots X_ {s} ^ {(c, i_ {d})} & {} + sum _ {0

~~куда ${ displaystyle X ^ {c, i}}$ обозначает непрерывную часть яый полумартингейл.~~

Примеры

Геометрическое броуновское движение
Говорят, что процесс S следует геометрическое броуновское движение с постоянной волатильностью σ и постоянный дрейф μ если он удовлетворяет стохастическое дифференциальное уравнение $dS = S (σдБ + μdt)$ , для броуновского движения B. Применяя лемму Ито с ж(S) = журнал (S) дает
${ displaystyle { begin {align} d log (S_ {t}) & = f ^ { prime} (S_ {t}) , dS_ {t} + { frac {1} {2}} f ^ { prime prime} (S_ {t}) S_ {t} ^ {2} sigma ^ {2} , dt & = { frac {1} {S_ {t}}} left ( sigma S_ {t} , dB_ {t} + mu S_ {t} , dt right) - { frac {1} {2}} sigma ^ {2} , dt & = sigma , dB_ {t} + left ( mu - { tfrac { sigma ^ {2}} {2}} right) , dt. end {выравнивается}}}$
Следует, что
${ displaystyle log (S_ {t}) = log (S_ {0}) + sigma B_ {t} + left ( mu - { tfrac { sigma ^ {2}} {2}} справа) t,}$
возведение в степень дает выражение для S,
${ Displaystyle S_ {t} = S_ {0} exp left ( sigma B_ {t} + left ( mu - { tfrac { sigma ^ {2}} {2}} right) t верно).}$
Срок коррекции $- .mw-parser-output .sr-only{border:0;clip:rect(0,0,0,0);height:1px;margin:-1px;overflow:hidden;padding:0;position:absolute;width:1px;white-space:nowrap} σ 2 / 2$ соответствует разнице между медианой и средним значением логнормальное распределение или, что эквивалентно для этого распределения, среднее геометрическое и среднее арифметическое, при этом медиана (среднее геометрическое) будет ниже. Это связано с AM – GM неравенство, и соответствует выпуклому вниз логарифму, поэтому поправочный член можно соответственно интерпретировать как коррекция выпуклости. Это бесконечно малая версия того факта, что годовая доходность меньше средней доходности, при этом разница пропорциональна дисперсии. Видеть геометрические моменты логнормального распределения для дальнейшего обсуждения.
Тот же фактор $σ 2 / 2$ появляется в d₁ и d₂ вспомогательные переменные Формула Блэка – Шоулза, и может быть интерпретированный как следствие леммы Ито.
Показательная величина Далеана-Даде
В Показательная величина Далеана-Даде (или стохастическая экспонента) непрерывного семимартингала Икс можно определить как решение СДУ $dY = Y dX$ с начальным условием $Y 0 = 1$ . Иногда его обозначают как $Ɛ (Икс)$ Применяя лемму Ито с ж(Y) = журнал (Y) дает
${ displaystyle { begin {align} d log (Y) & = { frac {1} {Y}} , dY - { frac {1} {2Y ^ {2}}} , d [Y ] [6pt] & = dX - { tfrac {1} {2}} , d [X]. End {align}}}$
Возведение в степень дает решение
${ displaystyle Y_ {t} = exp left (X_ {t} -X_ {0} - { tfrac {1} {2}} [X] _ {t} right).}$
Формула Блэка – Шоулза
Лемма Ито может быть использована для вывода Уравнение Блэка – Шоулза для вариант.^[1] Предположим, что цена акции следует за геометрическое броуновское движение задается стохастическим дифференциальным уравнением $dS = S (σдБ + μ dt)$ . Тогда, если стоимость опциона во время $т$ является ж(т, S_т) Лемма Ито дает
${ displaystyle df (t, S_ {t}) = left ({ frac { partial f} { partial t}} + { frac {1} {2}} left (S_ {t} sigma right) ^ {2} { frac { partial ^ {2} f} { partial S ^ {2}}} right) , dt + { frac { partial f} { partial S}} , dS_ {t}.}$
Период, термин $\partial ж / \partial S dS$ представляет изменение стоимости во времени dt торговой стратегии, состоящей из удержания суммы $\partial ж / \partial S$ на складе. Если следовать этой торговой стратегии и предполагается, что любые имеющиеся денежные средства будут расти безрисковыми темпами р, то итоговое значение V этого портфеля удовлетворяет SDE
${ displaystyle dV_ {t} = r left (V_ {t} - { frac { partial f} { partial S}} S_ {t} right) , dt + { frac { partial f} { partial S}} , dS_ {t}.}$
Эта стратегия повторяет вариант, если V = ж(т,S). Объединение этих уравнений дает знаменитое уравнение Блэка – Шоулза
${ displaystyle { frac { partial f} { partial t}} + { frac { sigma ^ {2} S ^ {2}} {2}} { frac { partial ^ {2} f} { partial S ^ {2}}} + rS { frac { partial f} { partial S}} - rf = 0.}$
Правило продукта для процессов Itô
Позволять ${ displaystyle mathbf {X} _ {t}}$ быть двумерным процессом Ито с SDE:
${ displaystyle d mathbf {X} _ {t} = d { begin {pmatrix} X_ {t} ^ {1} X_ {t} ^ {2} end {pmatrix}} = { begin { pmatrix} mu _ {t} ^ {1} mu _ {t} ^ {2} end {pmatrix}} dt + { begin {pmatrix} sigma _ {t} ^ {1} сигма _ {t} ^ {2} end {pmatrix}} , дБ_ {t}}$
Тогда мы можем использовать многомерную форму леммы Ито, чтобы найти выражение для ${ displaystyle d (X_ {t} ^ {1} X_ {t} ^ {2})}$ .
У нас есть ${ displaystyle mu _ {t} = { begin {pmatrix} mu _ {t} ^ {1} mu _ {t} ^ {2} end {pmatrix}}}$ и ${ Displaystyle mathbf {G} = { begin {pmatrix} sigma _ {t} ^ {1} sigma _ {t} ^ {2} end {pmatrix}}}$ .
Мы установили ${ displaystyle f (t, mathbf {X} _ {t}) = X_ {t} ^ {1} X_ {t} ^ {2}}$ и обратите внимание, что ${ displaystyle { frac { partial f} { partial t}} = 0, ( nabla _ { mathbf {X}} f) ^ {T} = (X_ {t} ^ {2} X_ {t} ^ {1})}$ и ${ displaystyle H _ { mathbf {X}} f = { begin {pmatrix} 0 & 1 1 & 0 end {pmatrix}}}$
Подстановка этих значений в многомерную версию леммы дает нам:
${ displaystyle { begin {align} d (X_ {t} ^ {1} X_ {t} ^ {2}) & = df (t, mathbf {X} _ {t}) & = 0 cdot dt + (X_ {t} ^ {2} X_ {t} ^ {1}) , d mathbf {X} _ {t} + { frac {1} {2}} (dX_ {t} ^ {1} dX_ {t} ^ {2}) { begin {pmatrix} 0 & 1 1 & 0 end {pmatrix}} { begin {pmatrix} dX_ {t} ^ {1} dX_ {t } ^ {2} end {pmatrix}} & = X_ {t} ^ {2} , dX_ {t} ^ {1} + X_ {t} ^ {1} dX_ {t} ^ {2} + dX_ {t} ^ {1} , dX_ {t} ^ {2} end {align}}}$
Это обобщение теории Лейбница. правило продукта в процессы Ито, которые недифференцируемы.
Далее, использование второй формы многомерной версии выше дает нам
${ displaystyle { begin {align} d (X_ {t} ^ {1} X_ {t} ^ {2}) & = left {0+ (X_ {t} ^ {2} X_ {t } ^ {1}) { begin {pmatrix} mu _ {t} ^ {1} mu _ {t} ^ {2} end {pmatrix}} + { frac {1} {2} } operatorname {Tr} left [( sigma _ {t} ^ {1} sigma _ {t} ^ {2}) { begin {pmatrix} 0 & 1 1 & 0 end {pmatrix}} { begin {pmatrix} sigma _ {t} ^ {1} sigma _ {t} ^ {2} end {pmatrix}} right] right } , dt + (X_ {t} ^ { 2} sigma _ {t} ^ {1} + X_ {t} ^ {1} sigma _ {t} ^ {2}) , дБ_ {t} [5pt] & = left (X_ { t} ^ {2} mu _ {t} ^ {1} + X_ {t} ^ {1} mu _ {t} ^ {2} + sigma _ {t} ^ {1} sigma _ { t} ^ {2} right) , dt + (X_ {t} ^ {2} sigma _ {t} ^ {1} + X_ {t} ^ {1} sigma _ {t} ^ {2} ) , дБ_ {т} конец {выровнено}}}$
Итак, мы видим, что продукт ${ Displaystyle X_ {t} ^ {1} X_ {t} ^ {2}}$ сам по себе Ито дрейфово-диффузионный процесс.
Смотрите также

Винеровский процесс
Исчисление Ито
Формула Фейнмана – Каца
Примечания

^ Маллиарис, А. Г. (1982). Стохастические методы в экономике и финансах. Нью-Йорк: Северная Голландия. С. 220–223. ISBN 0-444-86201-3.
Рекомендации

Киёси Ито (1944). Стохастический интеграл. Proc. Императорский акад. Токио 20, 519–524. Это статья с формулой Ито; В сети
Киёси Ито (1951). О стохастических дифференциальных уравнениях. Мемуары, Американское математическое общество 4, 1–51. В сети
Бернт Эксендал (2000). Стохастические дифференциальные уравнения. Введение в приложения, Издание 5-е, исправленное 2-е издание. Springer. ISBN 3-540-63720-6. Разделы 4.1 и 4.2.
Филип Э. Проттер (2005). Стохастическое интегрирование и дифференциальные уравнения, 2-е изд. Springer. ISBN 3-662-10061-4. Раздел 2.7.
внешняя ссылка

Вывод, Профессор Тайер Уоткинс
Неофициальное доказательство, optiontutor

[1] Маллиарис, А. Г. (1982). Стохастические методы в экономике и финансах. Нью-Йорк: Северная Голландия. С. 220–223. ISBN 0-444-86201-3.

[1]