• 検索結果がありません。

修 士 論 文 無限次元確率解析 と その金利モデルへの応用

N/A
N/A
Protected

Academic year: 2024

シェア "修 士 論 文 無限次元確率解析 と その金利モデルへの応用"

Copied!
106
0
0

読み込み中.... (全文を見る)

全文

誤差があるため、確率偏微分方程式を扱うことができません。ここで HJM モデルに戻ります。上で述べたように、(0,2) はヒルベルト空間の確率微分方程式として扱うことができます。ムシエラ以降、理論はこの方向に発展しました。

確率論

確率空間と期待値

さらに、収束を次の意味でも定義します。 νnが弱くνに収束するときは、νn→νweakと表される。

マルチンゲールと Wiener 過程

確率空間 (Ω, F, P) {Ft}t≥0 の場合、フィルターと呼ばれます。 (Ω,F,P,{Ft}t≥0) は、フィルターされた確率空間とも呼ばれます。

R d - 値確率変数に対する確率解析

確率積分

になります。この場合、ξ∈ M2T(R) の場合、ジェンセンの不等式より ξ2 は非負の連続下位マルチンゲールになります。さらに、次のような分解が可能であることがわかります。ただし、M = {Mt}t∈[0,T] は連続マーチンゲールであり、A = {At}t∈[0,T] は A0= 0 の {Ft} 互換の連続増加過程です。この分解により、ξ の二次変分 hhξii を一意に決定できます。

基本的な道具

Wt} は値 Rd を持つウィーナー過程です。 T≧0を任意に設定します。さらに、λ∈L2(P,Rd) は、{Ft}t≥0 の (Ω,F,Q) に関する Rd 値のウィーナー過程です。ただし、Q は以下を満たす。

確率微分方程式

1.4) で係数に制約を追加することにより、SDE 解はマルコフ特性を持ちます。つまり、R 値の確率過程 {ξt}t≥0 が次の SDE を満たすと仮定します。

Bochner 積分

Wiener 過程

次に、Wiener G 値プロセスを定義します。その間に、。このことから、Wt {Ft}- は共分散演算子 Q を使用した Winer プロセスであることがわかります。

確率積分

したがって、確率積分は、CONS がどのように取られるかに関係なく決定されます。確率積分 Mt(Φ) には次の性質があります。

基本的な道具

まず It^io の公式を示したいと思います。この目的のために、1 つの補題を与えます。この事実を利用して、It^io の公式を示します。

確率偏微分方程式

示す必要があるのは、∀ψ∈G hψ,WftiG について、Q 上のウィナー過程であるということです。0||ψ+λs||2Gds であるため、これは P 上のマルチンゲールです。したがって、それが示されました。

Malliavin 解析

  • Itˆo-Wiener カオス分解
  • Malliavin 微分
  • 連鎖律
  • 微分作用素 D t と Clark-Ocone Formula
  • mild solution と Malliavin 微分

POL(F) に対して定義されたマリアビン微分 D は、L2(F,P;F) 上の閉じた演算子です。 D∗ についてコメントしてみましょう。 D∗ は D の共役演算子であるため、 .

HJM Model

記号の導入

債券価格過程の算出

無裁定債券価格と期間構造

0λ(s)ds が Rd 値のウィーナー過程であるような確率測度 Q が存在します。このような Q は、リスク中立確率尺度と呼ばれます。次に、(3.13) と (3.14) から、Q は固有の等価マーチンゲール測度です。

スポットレートモデル

Vasicek モデル

実際のスポットレートの動きを見てみると、平均的なβレベルが存在し、スポットレートはこのレベルを中心にβレベルに戻る形で推移していることがわかります。この特性は平均回帰と呼ばれ、この平均回帰を備えた単純なモデルは Vasick モデル [34] であり、次の式で与えられます。これらは、回帰率、平均回帰率、ボラティリティと呼ばれる正の定数です。

Cox-Ingersoll-Ross モデル

Hull-White モデル

3.51)。つまり、このモデルはβtを適切に定めることにより、任意の項構造の曲線を表現することができる。ただし、現在観察されている利回り曲線と一致するはずです。この目的のために、次のステートメント 3.51) を使用して、観察された初期収量曲線と一致するような βt の条件を与えます。ここで、f(0, t) は初期順曲線です。

Musiela の記号

仮定4.1より。スポット レート rt = ft(0) = δ0(ft) は明確に定義されています。スポット レートが定義されると、通常の数学的な金融議論と同様に、リスクのない預金を計算できます。スポット レートが ft(0) で定義されるのと同様に、ロング レートは χ の右端の値になります。として指定します。つまり、χ= [0, xmax] の場合は lt=ft(xmax)、χ=R+ の場合は lt=ft(∞) となります。

抽象 HJM モデル

ドリフト条件と無裁定

0λsds が (Ω,F,Q) 上の G についての柱状ウィーナー過程であるような、P と同等のマルチンゲール測度 Q が存在します。この場合、 、仮定から Q 上の Pe(t, T) は {Ft}t≥0 のマーチンゲールになります。したがって、定理 3.5 より、裁定なし戦略が存在します。だからこそ示されたのです。

ロングレート

ロングレートが本当に上がるモデルもあります。 1 因子 HJM モデルでは、σ(x) =σ0(x+ 1)−12 となります。ただし、σ0 は正の定数です。この場合、最後に有界収束定理を使用しました。以上より、lt=l0+2σ0tとなり、確かに増加しています。

F の具体的な例

なるしたがって ||δx||Hω∗ ≤C であり、δx は Hω 上で連続です。また、Ixについてもδxと同様に次のようにすることができます。

抽象 HJM モデルに従う場合の債券ポートフォリオのヘッジ戦略

債券価格のモデル

初期条件 Pe0∈F を固定します。この場合、割引債券価格は Pet=StPe0+ となります。割引債券価格がプラスになるための十分条件は次のとおりです。

取引戦略

満たすため。この場合、ある定数 X0 ∈R が存在する場合、戦略 {φt}t≥0 は自己資金調達になります。任意の戦略 {φt}t≥0 について、ϕt=φt+ψtBtδ0 とします。この場合、{ϕt}t≥0 は自己資金で賄われます。ただし、ψt=X0+Rtである。

ヘッジ戦略の一意性

債券オプションに対するヘッジ戦略

まず、Yt,T が、任意の x≥0 に対して Tx+T⊥ −t から Tx⊥ までの強力なランダム演算子であることを示します。ここで、{Yt,T}T≧tが成り立ちます。これから、m ≥ n、f ∈F の場合、ミンコフスキーの不等式により、 です。

問題設定

この章全体を通じて、特に明記されていない限り、(Ω,F,P) を完全な確率空間、{Wt} を d 次元の標準ウィーナー過程、{Ft} をウィーナー過程と右連続 F0 から構成されるフィルター処理とします。 F のすべての P ヌル集合が含まれます。また、F =F∞:=∨t∈R+Ft とします。また、Musiela のシンボルが踏襲されていると想定されます。つまり、現時点を t、満期を T とすると、現時点から満期までの時間は x = T − t、債券価格は Pt(x) :=P(t, t+x)、先物価格は ft(x) :=f(t, t+x) (t, x≥0) とします。

状態空間に対する仮定

定義 4.12 に従って、Hω を定義できます。仮定 5.4.1 は 4.13 にもなり、定理 4.15 から仮定 5.4.4 と合わせて適用されます。したがって、あとは条件 5.4.3 が満たされるかどうかを検討するだけです。

ガウス・マルコフ HJM モデルに対する不変測度

X を分離可能なバナハ空間とする。次に、(X,B(X)) 上の測定 µ に次のことが適用されます。H を割り切れるヒルベルト空間とします。 κ;H →C を (H,B(H)) の確率測度 ν の特性関数とします。現在、。

参照

関連したドキュメント

らす損傷として知られている。本稿では, LET( 線エネルギー付与 ) が小さく,DNA の二重鎖にランダム にできた 1 本鎖切断 (ssb:

配列により問題の選択肢数・解答番号・得点を設定し、 rand 関数で選択肢数分の乱数 を生成する。そして解答番号と一致したら得点を与えるようにし最後に合計得点を表示

本講演では, 1995 年の電力自由化開始以来, 段階的

Professor Vladimir Mazalov (Institute of Applied Mathematical Research, Karelian Research Centre, Russian Academy of Sciences).

AI planningにおいて,目的関数値の下界を得る手 法として delete relaxation

待ち行列理論は0偲の中でもよく知られた理論であ  

ためしに、 Fig.2 の場合と同様のことをステップ数 24 の random walk で試みた $(Fig.4)$ 。 最大サンプル数は $2^{26}$ と大変多くとっている。図の直線 $k$ の傾きは

1 に結果を示す.PCA ありモデルの結果より,分 散の増幅率が 1.7 以下であれば,Rastrigin 関数におい