Professional Documents
Culture Documents
Ważniejsze Wydarzenia W Teorii Procesów Stochastycznych: Dzinie
Ważniejsze Wydarzenia W Teorii Procesów Stochastycznych: Dzinie
J. Zabczyk (Warszawa)
n=1
jeeli tylko
E.
78
J. Z a b c z y k
Najczciej rozpatruje si zmienne losowe przyjmujce wartoci w zbiorze E skoczonym lub w przestrzeni euklidesowej E = Rd . Wany jest przypadek, gdy E jest przestrzeni Banacha, w szczeglnoci przestrzeni C[0, T ]
rzeczywistych funkcji cigych okrelonych na przedziale [0, T ]. Caki (Lebesguea) ze zmiennych losowych
X()P(d)
79
80
J. Z a b c z y k
Sdy te wygodnie jest wypowiada w jzyku procesw stochastycznych. Zilustrujmy to na przykadzie. Niech X(t), t [0, 1], oznacza cen okrelonej
akcji po czasie t od otwarcia giedy. Poniewa moliwe s rne przebiegi,
wic powinnimy mie na uwadze nie jedn funkcj X(t), t [0, 1], ale ca
rodzin X(t, ), t [0, 1], , potencjalnie moliwych funkcji, przy czym
przedzia [0, 1] odpowiada czasowi otwarcia giedy, na przykad 8 godzinom.
Celem matematycznego opisu byoby przyporzdkowanie stwierdzeniom A
typu:
A:
gdzie
ai bi , i = 1, . . . , n,
prawdopodobiestw ich zajcia, czyli pewnych liczb z przedziau [0, 1], w sposb niesprzeczny i odzwierciedlajcy rzeczywisty stan rzeczy.
Zamy, e (, F, P) jest przestrzeni probabilistyczn i X(t), t [0, 1],
to rzeczywiste zmienne losowe. Wtedy zbir
{ : X(t1 , ) [a1 , b1 ], . . . , X(tn , ) [an , bn ]}
P { : X(t1 , ) [a1 , b1 ], . . . , X(tn , ) [an , bn ]} ,
ktra jest prawdopodobiestwem zajcia A, jest dobrze okrelona. Wymaganie, by rodzina F bya -ciaem, odpowiada daniu, by operacje logiczne
na stwierdzeniach zbiorach z F nie wyprowadzay poza F.
L. Bachelier wprowadzi nastpujce postulaty, ktre powinien spenia
proces cen akcji:
i) cigo trajektorii: dla dowolnego , funkcje X(t, ), t [0, 1] s
cige,
ii) niezaleno przyrostw: dla dowolnych t0 = 0 < t1 < . . . < tn 1
i dowolnych ai bi , i = 1, . . . , n, n = 1, 2, . . .
P { : X(ti , ) X(ti1 , ) [ai , bi ], i = 1, 2, . . . , n}
n
Y
P { : X(ti , ) X(ti1 , ) [ai , bi ]}
=
i=1
= P { : X(h, ) X(0, ) [a, b]} .
Twierdzenie (P. Levy). Zamy, e X(t), t [0, 1], jest procesem stochastycznym speniajcym warunki i), ii), iii). Istniej wtedy stae 0
i m R takie, e:
i) albo = 0 i P({ : X(t + h, ) X(t, ) = mh, t + h 1}) = 1,
81
R (xmh)2
1
2h
P { : X(t + h, ) X(t, ) a} =
e
dx.
2h
82
J. Z a b c z y k
a1 , . . . , am , m = 1, 2, . . .
{ : fk () ak ,
m
Y
k = 1, . . . , m} =
{ : fk () ak }
k=1
Zauwamy, e trjka ([0, 1[, B([0, 1[), ) jest przykadem przestrzeni probabilistycznej i e w tej przestrzeni funkcje f1 , . . . s, z denicji, niezalenymi
zmiennymi losowymi o rozkadzie kada.
Na przykad niech, dla ustalonej liczby naturalnej m, bdzie miar
1
tak, e {k} = m
, k = 0, 1, 2, . . . , m 1. Dla dowolnej liczby [0, 1[
niech fn () oznacza n-ty wspczynnik rozwinicia wzgldem potg m1 :
+
X
fn ()
=
.
mn
n=1
B(, +).
+
X
2
W (t, ) = f1 ()t +
fn+1 ()
sin nt,
n
n=1
t [0, 1],
[0, 1[,
83
4. Martyngay. Martyngay wraz z procesami Markowa stanowi najwaniejsz klas procesw stochastycznych. Precyzyjna denicja martyngau
pojawia si w pracy [38] J. Ville w 1939, jednake najwaniejsze twierdzenia teorii martyngaw s dzieem J. L. Dooba [11]. Martyngay stanowi
wany pomost pomidzy teori prawdopodobiestwa a klasyczn analiz.
Niech T bdzie podzbiorem przedziau [0, +), a Ft F, t T rosnc
rodzin -cia: Ft Fs dla t s, t, s T. Mwimy, e proces X jest
adaptowany, gdy dla dowolnego t T zmienna X(t) jest Ft mierzalna. Niech
X(t), t RT, bdzie procesem adaptowanym o wartociach rzeczywistych
takim, e |X(t, )|P(d) < +, t T. Proces X(t), t T, nazywa
84
J. Z a b c z y k
X(s, )P(d) =
X(t, )P(d),
(odpowiednio , ).
Niech u bdzie funkcj rzeczywist, a W (t), t [0, +) = T, rzeczywistym procesem Wienera. Niech Ft , t 0, bdzie najmniejszym -ciaem,
wzgldem ktrego zmienne W (s), s t, s mierzalne. Proces
X(t) = u W (t) , t 0,
t+
E|X | < +.
Na przykad funkcja u(x) = |x|1d2 , x 6= 0, u(0) = + jest nadharmoniczna w Rd , d 3, i przez proste uoglnienie wczeniejszej uwagi o funkcjach wklsych, proces X(t) = u(a + W (t)), t 0, dla dowolnego a 6= 0,
jest nadmartyngaem. Warunki twierdzenia s spenione i dlatego istnieje
granica
1
lim
= X .
t+ |a + W (t)|d2
Nietrudno zauway, e X = 0 z prawdopodobiestwem 1. Otrzymujemy wic nastpujcy rezultat. W przestrzeniach euklidesowych o wymiarze
3, trajektorie procesu Wienera uciekaj do nieskoczonoci. W wymiarach
d = 1 i d = 2 nie ma dodatnich funkcji nadharmonicznych rnych od staej. Std mona wywnioskowa, e z prawdopodobiestwem 1 trajektorie
procesu Wienera na prostej i na paszczynie tworz zbir gsty.
Drugie twierdzenie dotyczy tak zwanych maksymalnych nierwnoci
Dooba.
Twierdzenie (J. L. Doob). Jeeli proces X(t), t [0, T ], jest prawostronnie cigym martyngaem, to dla dowolnego p > 1
1/p
1/p
p
E sup |X(t)|p
sup E |X(t)|p
.
p 1 t[0,T ]
t[0,T ]
85
Z twierdzenia tego wynika atwo nastpujca klasyczna nierwno Hardyego. Dla dowolnej funkcji f L1 [0, 1], i p > 1,
!1/p
!1/p
p
R1 1 R1
R1
p
p
f (u)du dt
|f (u)| du
.
1t
p1
0
f (),1
R
X(t, ) =
1
1t f (u)du, t < 1
t
t, s 0,
E.
t 0,
x E.
Wraz z potokiem (P t ) deniuje si indukcyjnie prawdopodobiestwa przejcia w chwilach 0 t1 < t2 < . . . < tn przez zbiory 1 , . . . , n wzorem
P t1 ,t2 ,...,tn (x, 1 , . . . , n ) =
86
J. Z a b c z y k
Odpowiednikiem trajektorii potoku deterministycznego jest proces Markowa. Jest to taka rodzina zmiennych losowych X(t), t 0, zadanych na
pewnej przestrzeni (, F, P), e
i) X(0, ) = x,
ii) P { : X(ti , ) i , i = 1, 2, . . . , n} = P t1 ,...,tn (x, 1 , . . . , n ).
Dziki umiejtnemu zastosowaniu teorii zbiorw analitycznych i pojemnoci Choqueta stao si moliwe sformuowanie gitkiej denicji wasnoci
Markowa. Ukoronowaniem rozwoju teorii oglnych procesw Markowa s
monograe Dynkina [13] z 1959 oraz Blumenthala i Getoora [2] z 1968 roku.
Teoria procesw Markowa jest cile powizana z teori potencjau.
Przedmiotem bada teorii potencjau s klasyczne funkcje harmoniczne
i nadharmoniczne, w tym potencjay miar oraz rne aspekty zagadnienia Dirichleta. W chwili obecnej istnieje rozwinita teoria potencjau dla
rnych uoglnie klasycznego operatora Laplacea .
Potencjaem V nazywa si liniowe odwzorowanie z przestrzeni CK (E)
funkcji cigych o nonikach zwartych w przestrze C(E) funkcji cigych,
ktre funkcjom nieujemnym przyporzdkowuje funkcje nieujemne. Mwimy,
e potencja V spenia zasad maksimum, gdy z tego, e funkcja g = V
osiga maksimum w jakim punkcie x, wynika, e (x) 0. Przykadem
potencjau V jest potencja newtonowski w wymiarze d 3:
(2)
V (x) = Cd
(y)
dy,
|x y|d2
Rd
x Rd .
Oglniej, jeeli (P t ) jest stochastycznym potokiem, to, przy spenieniu naturalnych zaoe, wzr
+
(3)
V (x) =
R
0
P t (x, dy)(y),
xE
deniuje potencja speniajcy zasad maksimum. Gdy (P t ) odpowiada procesowi Wienera, otrzymujemy potencja newtonowski. Okazuje si, e zachodzi i twierdzenie odwrotne nalece do Hunta [19].
Twierdzenie (G. A. Hunt). Dla kadego potencjau V speniajcego zasad maksimum na przestrzeni lokalnie zwartej E istnieje funkcja przejcia
(P t ) taka, e potencja dany jest wzorem (3).
Dziki probabilistycznej teorii potencjau rne klasyczne wyniki dotyczce funkcji harmonicznych i ich granicznego zachowania uzyskay gbsze
wyjanienie.
6. Rwnania Komogorowa. W pracy [24] z 1931 roku Komogorow
udowodni, e jeeli prawdopodobiestwa przejcia P t (x, ) maj dostatecz-
87
pt (x, y)dy,
B(Rd ),
t 0,
x, y Rd ,
pt (x, y)(y)dy,
t > 0,
Rd
x Rd .
u(0, x) = (x),
x Rd ,
t > 0,
Rd
Mona wic powiedzie, e procesy Markowa s opisywane przez trjk charakterystyk, (Q(x), F (x), (x, ), x Rd ).
7. Rwnania stochastyczne. Problem konstrukcji procesu Markowa
z zadanymi charakterystykami postawi K. Ito na pocztku lat czterdziestych. Rozwiza je, przy pewnych dodatkowych zaoeniach, wprowadzajc
tak zwane rwnania stochastyczne, ktrych rozwinita teoria pojawia si
w 1951 roku w jego pracy [20]. Podamy konstrukcj Ito w przypadku, gdy
(x, ) 0, x Rd . Ponisze twierdzenie jest bardzo szczeglnym przypadkiem teorii Ito.
> 0, x Rd , F jest odwzoTwierdzenie. Zamy, e Q(x) = Q
rowaniem lipschitzowskim, (x, ) = 0, x Rd , i e W (t), t 0 jest dwymiarowym procesem Wienera na przestrzeni probabilistycznej (, F, P).
88
J. Z a b c z y k
X(t, ) = x +
Rt
1/2 W (t, ),
F (X(s, ))ds + Q
t 0,
Rt
0
F (X(s, ))ds +
Rt
ktre mona otrzyma metod kolejnych przyblie. Specjalnej uwagi wymaga wystpujca po prawej stronie caka wzgldem procesu Wienera W .
Poniewa trajektorie procesu W nie maj ograniczonej wariacji i trajektorie rozwizania X s zaledwie h
olderowskie z wykadnikiem < 12 , to caki
tej nie moemy zdeniowa jako klasycznej caki Stieltjesa. Tym niemniej,
z prawdopodobiestwem 1 istniej granice
X
lim
Q1/2 (X(tni , )) W (tni+1 , ) W (tni , )
n
tn
t
i
89
Jeden z gwnych wynikw teorii mwi, e przy bardzo sabych ograniczeniach na wektor X, odwracalno macierzy gwarantuje istnienie gstoci
rozkadu zmiennej X. Jeeli dodatkowo
\
(det X )1
Lp (),
p>1
90
J. Z a b c z y k
x Rn .
rozpinaj przestrze Rn .
Jedna z wersji twierdzenia Hormandera, udowodniona przez Malliavina,
mwi
Twierdzenie. Jeeli wspczynniki rwnania (6) s klasy C i speniaj warunek H
ormandera, to rwnanie Komogorowa (4) ma rozwizanie
podstawowe klasy C .
9. Caka stochastyczna i matematyka nansowa. W poowie lat
siedemdziesitych zakoczona zostaa budowa teorii caki stochastycznej
(7)
Rt
(s)dX(s),
s ]ti , ti+1 ],
ti +.
91
Naturalnie jest wtedy zdeniowa cak stochastyczn, dla t ]tk , tk+1 ], wzorem:
Rt
X
(s)dX(s) =
(ti )(X(ti+1 ) X(ti )) + (tk )(X(t) X(tk )).
ik1
K. Bichteler i C. Dellacherie [9] udowodnili, e operator cakowania, traktowany jako biliniowa operacja, daje si rozszerzy na produkt przestrzeni
procesw prognozowalnych i przestrzeni semimartyngaw X, i e uzyskane rozszerzenie jest w pewnym sensie maksymalne.
W poowie lat siedemdziesitych zaczy si rwnie pojawia prace
wiadczce o tym, e wyranowana teoria cakowania stochastycznego moe
sta si podstawowym narzdziem matematyki nansowej. Pogld ten w dojrzay sposb zaprezentowaa praca [18]. Koronnym osigniciem tej teorii
jest tak zwane zasadnicze twierdzenie o wycenie akcji autorstwa Delbaena
i Schachermayera [10].
Niech X(t) = (X 1 (t), . . . , X d (t)), t [0, T ] bdzie procesem cen akcji,
okrelonych na przestrzeni probabilistycznej (, F, P), na ktrej zadana jest
rosnca rodzina -cia Ft F. Dla kadego t 0, Ft jest rodzin tych zdarze, ktre mog zaj do chwili t. Zakada si, e proces X jest adaptowalny.
Agent giedowy z kapitaem wyjciowym x 0 moe w chwili pocztkowej
t = 0 cz swego kapitau umieci w banku, a za reszt kupi rnego
rodzaju akcje. Niech 0 (0), 1 (0), . . . , d (0) oznacza odpowiednio wielko
kapitau umieszczonego w banku i ilo zakupionych akcji odpowiednio rodzaju 1, . . . , d. Zauwamy, e
0 (0) + 1 (0)X 1 (0) + . . . + d (0)X d (0) = x.
Zamy, e bank przyjmuje wkady na procent zerowy i e w kadym momencie agent moe spienia posiadane akcje i kupowa za nie inne i poycza z konta bankowego na nansowanie transakcji. Niech 1 (t), . . . , d (t)
oznacza liczb akcji, ktre ma on w chwili t. Zamy, e strategia inwestowania (t), t 0, jest przedziaami staa:
(s) = (ti ),
s ]ti , ti+1 ],
ti +,
ktry bdzie niezmienny na ]ti , ti+1 ]. Przyrost kapitau na przedziale [0, t],
spowodowany ruchem cen i sposobem inwestowania, rwna si, gdy t
]tk , tk+1 ]:
X
(ti )(X(ti+1 ) X(ti )) + (tk )(X(t) X(tk )),
ik1
92
J. Z a b c z y k
Oznacza to, e przez samo kupowanie i sprzedawanie akcji mona si wzbogaci nie ponoszc przy tym ryzyka.
Zasadnicze twierdzenie o wycenie akcji mwi [10], e przy odpowiednich
zaoeniach, rynek nie dopuszcza arbitrau wtedy i tylko wtedy, gdy istnieje
rwnowana mierze P taka, e proces cen X(t), t [0, T ], jest na
miara P
przestrzeni (, F, (Ft ), P) martyngaem. Twierdzenie to ma wiele wanych
zastosowa.
10. Miary i procesy gaussowskie. Miary i procesy gaussowskie pojawiaj si w olbrzymiej iloci zagadnie teoretycznych i praktycznych. Zgodnie z denicj miara gaussowaka na R1 jest albo skoncentrowana w jednym
(xm)2
1
e 2q , x R1 , z pewpunkcie, powiedzmy m R1 , albo ma gsto 2q
nym m R1 , q > 0 . Miara probabilistyczna na przestrzeni Banacha E jest
gaussowska, gdy dowolny cigy funkcjona liniowy f na E, traktowany jako
zmienna losowa na przestrzeni probabilistycznej (E, B(E), ), ma rozkad
gaussowski. Jeeli miara na Rd jest gaussowska, to dla pewnego > 0,
e|x| dx < +.
Rd
Twierdzenie, e analogiczny fakt jest prawdziwy dla dowolnych miar gaussowskich na przestrzeniach Banacha, zostao udowodnione przez X. Fernique
[16]. Stanowi ono jeden z larw teorii procesw stochastycznych.
Stochastyczny proces X(t), t 0, o wartociach rzeczywistych nazywa
si gaussowski, gdy dla dowolnych 0 t1 < . . . < td , d = 1, 2, . . ., wektorowe
zmienne losowe X(t1 ), . . . , X(td ) maj rozkady gaussowskie. Jednym z
centralnych zagadnie teorii procesw gaussowskich, postawionym jeszcze
przez Komogorowa w 1950 r., byo podanie warunkw koniecznych i dostatecznych na istnienie cigej wersji X procesu X w terminach funkcji:
m(t) = EX(t), q(t, s) = E(X(t) m(t))(X(s) m(s)), t, s 0.
93
R p
Wynik ten by istotnym krokiem w rozwizaniu problemu istnienia cigych wersji w przypadku oglnym.
11. Warunkowe wartoci oczekiwane i momenty zatrzymania.
W dowodach twierdze uywa si czsto dwu poj teorii, o ktrych dotychczas nie byo mowy: warunkowe wartoci oczekiwane i momenty zatrzymania. Swobodne operowanie nimi wymaga wprawy i intuicji probabilistycznej
i dlatego nie byy one uywane w tym artykule. Ich denicje nie s jednak
skomplikowane i zostan teraz podane.
Niech (, F, P) bdzie przestrzeni probabilistyczn, G pewnym -ciaem zawartym w F, a X zmienn losow o wartociach rzeczywistych i skoczonej wartoci oczekiwanej. Warunkow wartoci oczekiwan zmiennej X
wzgldem -ciaa G jest zmienna losowa Y , mierzalna wzgldem -ciaa G
taka, e dla dowolnego zdarzenia A G:
(8)
X()P(d) =
Y ()P(d).
(9)
E(X|G)() =
X()P(d)
Ai
P(Ai )
, Ai , i = 1, . . . , N.
94
J. Z a b c z y k
E(X|Ft ) = E(X|Fs ).
Zmienna losowa o wartociach w zbiorze [0, +] nazywa si momentem zatrzymania wzgldem -cia Ft , t 0, wtedy i tylko wtedy, gdy dla
dowolnego t 0,
(11)
{ : () t} Ft .
W szczeglnoci, jeeli X jest procesem Wienera na R1 takim, e dla dowolnego t 0, zmienna X(t) jest Ft mierzalna, to tak zwany pierwszy moment
dotarcia X do zbioru domknitego F :
(12)
() = inf{t 0 : X(t, ) F },
95
[24] A. K o l m o g o r o f f, Uber
die analytischen Methoden in der Wahrscheinlichkeitsrechnung, Math. Ann. 104 (1931), 415458.
[25] H. L e b e s g u e, Integral, longeur, air, Ann. Math. (3), VII (1902), 231359.
[26] P. L e v y, Processus stochastiques et mouvement brownian, GauthierVillars, Paris,
1948.
[27] F. L u n d b e r g, Zur Theorie der R
uckversicherung, Verhandl. Kongr. Versicherungsmath. Wien, 1909.
[28] P. M a l l i a v i n, Stochastic calculus of variation and hypo-elliptic operators, Proc.
Int. Symp. Stoch. Di. Eqns, Kyoto, 1976, KinokunigenWiley, 1978.
[29] P. A. M e y e r, Un cours sur les integrales stochastiques, LNiM 511, 1976, 245400.
[30] D. M u m f o r d, The dawning of the age of stochasticity, Mathematics, Frontiers
and Perspectives, 2000.
[31] O. N i k o d y m, Sur une generalisation des integrales de M. J. Radon, Fund. Math.
15 (1930), 131179.
[32] D. N u a l a r t, The Malliavin Calculus and Related Topics, Springer, 1995.
[33] R. E. A. C. P a l e y and N. W i e n e r, Fourier transforms in the complex domain,
Colloq. Publ. Amer. Math. Soc., 1934.
[34] S. S a k s, Zarys Teorii Caki, Warszawa, 1930, Theorie de lintegral, WarszawaLww, 1933, Theory of the Integral, Warszawa-Lww 1937, Monograe Matematyczne
No 7.
[35] E. E. S l u c k y, Alcuni proposizioni sulla theoria degli funzioni aleatorie, Giorn. Inst.
Ital. Attuari, 8 (1937), 183199.
[36] M. R. S m o l u c h o w s k i, Zarys kinetycznej teorji ruchw Browna i roztworw
mtnych, Rozprawy i Sprawozdania z Posiedze Wydziau Matematyczno-Przyrodniczego Akademii Umiejtnoci, Krakw, A46 (1906), 257-282. Niemiecki przekad
w Annalen der Physik 4, 21 (1906), 756780.
[37] H. S t e i n h a u s, Les probabilites denombrables et leur rapport `
a la theorie de la
mesure, Fund. Math. 4 (1922), 286310.
[38] J. V i l l e, Etude critique de la notion de collectif, Paris 1939.
[39] N. W i e n e r, Dierential spaces, J. Math. Phys., Math. Inst. Tech. 2 (1923), 131
174.
[40] J. Z a b c z y k, Pocztki procesw stochastycznych, Sprawozdanie z 5 Konferencji
z Historii Matematyki, Dziwnw, Maj 610, 1991.