Náhodné procesy, modelovanie cien akcií

:: Stochastický vývoj finančných veličín ::

:: Wienerov proces a Brownov pohyb ::

:: Cvičenia (1) ::

  1. Nakreslite do jedného grafu niekoľko realizácií Wienerovho procesu.
    Ukážka výstupu:
    cv-1-2

  2. Nakreslite do jedného grafu niekoľko realizácií Brownovho pohybu so zvolenými parametrami. Do toho istého grafu zakreslite strednú hodnotu tohto procesu.
    Ukážka výstupu:
    cv-1-3

  3. Priraďte procesy
    • x1(t)=w(t)
    • x2(t)=3*w(t)
    • x3(t)=5+2*t+w(t)
    • x4(t)=5+2*t+0.5*w(t)
    • x5(t)=5-3*t+w(t)
    k ich realizáciám na grafe:
    cv-1-1

  4. Definujme proces m(t)=max(w(s), sleqt), t. j. maximum Wienerovho procesu na intervale [0,t]. Zobrazte do jedného grafu trajektóriu Wienerovho procesu a trajektóriu procesu m(t) (počítaného z tejto realizácie Wienerovho procesu).
    Ukážka výstupu:
    cv-1-4

:: Geometrický Brownov pohyb ::

:: Modelovanie cien akcií pomocou geometrického Brownovho pohybu ::

:: Black-Scholesov model a Monte Carlo simulácie ::

:: Cvičenie (2) ::

  1. Zopakujte simulácie viackrát a zakreslite ich do jedného grafu.

    Ukážka výstupu (zmenšili sme interval zobrazený na y-ovej osi, aby vynikla konvergencia, a nie veľké odchýlky na začiatku):
    black-scholes

  2. Ako presné sú hodnoty získané z 10000 simulácií? Nakreslite ich histogram.

    Ukážka výstupu (200x sme zopakovali výpočet s N=10000):
    black-scholes

    Vyskúšajte pre iné N.
Poznámka:
Existujú metódy na zmenšenie variancie odhadu ceny pomocou simulácií. Jednoduchý úvod do týchto metód je v knihe [R. Seydel: Tools for computational finance. Springer 2006] v kapitole 3.5.4 - Variance reduction. Podrobnejšie sa touto témou zaoberá kniha [P. Glassermann: Monte Carlo Methods in Financial Engineering. Springer, 2004] v kapitole 4 (Variance reduction techniques).

:: Ďalšie príklady na precvičenie ::

  1. Prírastky a ich rozdelenie
    1. Definujme proces {Y(t), tgeq0}, ktorého prírastky Y(t+dt) - Y(t) majú strednú hodnotu (dt)2 a disperziu dt. Ďalej od procesu Y(t) požadujeme, aby pre každé delenie 0 = t0 leq t1 leq ... leq  tn boli prírastky Yti+1 - Yti nezávislé náhodné premenné. Ukážte, že tieto predpoklady vedú k sporu, t. j. takýto proces neexistuje.
    2. Definujme proces {Y(t), tgeq0}, ktorého prírastky Y(t+dt) - Y(t) majú nulovú strednú hodnotu a konštantnú nenulovú disperziu. Ďalej od procesu Y(t) požadujeme, aby pre každé delenie 0 = t0 leq t1 leq ... leq  tn boli prírastky Yti+1 - Yti nezávislé náhodné premenné. Ukážte, že tieto predpoklady vedú k sporu, t. j. takýto proces neexistuje.
    3. Definujme proces {Y(t), tgeq0}, ktorého prírastky Y(t+dt) - Y(t) majú nulovú strednú hodnotou a disperziu (dt)2. Ďalej od procesu Y(t) požadujeme, aby pre každé delenie 0 = t0 leq t1 leq ... leq  tn boli prírastky Yti+1 - Yti nezávislé náhodné premenné. Ukážte, že tieto predpoklady vedú k sporu, t. j. takýto proces neexistuje.

    Návod: Prednáška, slajdy Additive property of the Brownian motion - mean a Additive property of the Brownian motion - variance.

  2. Z prednášky:
    prednaska-1
    Spravíme podobný obrázok pre varianciu a tiež pre strednú hodnotu:
    • Zvoľte si delenie intervalu [0,1] a vytvorte maticu, v ktorej budú hodnoty 1000 trajektórií Wienerovho procesu v týchto bodoch.
      Ukážka výstupu:
      prednaska-1-1
    • Vypočítajte výberový priemer a disperziu trajektórií v každom čase a zakreslite ich do grafu spolu s presnými hodnotami strednej hodnoty a disperzie.
      Ukážka výstupu:
      prednaska-1-2

  3. Označme tM čas, v ktorom nadobudol Wienerov proces maximum na časovom intervale [0,1]:
    pr2a
    Spravte simulácie a zobrazte histogram náhodnej premennej tM.

    Ukážka výstupu:
    pr2b

  4. V cvičení (1)/4 sme definovali proces m, najvyššiu hodnotu Wienerovho procesu, ktorú doteraz dosiahol. Definujte teraz proces X, ktorý vyjadruje vzdialenosť aktuálnej hodnoty Wienerovho procesu od doteraz dosiahnutého maxima:
    pr3
    Doplňte do takéhoto grafu priebeh procesu X.

  5. Pripomeňme si definíciu a základné vlastnosti lognormálneho rozdelenia:
    • Náhodná premenná X má lognormálne rozdelenie, ak jej logaritmus ln(X) má normálne rozdelenie logN-1 .
    • Hustota náhodnej premennej X s lognormálnym rozdelením je
      logN-2
    • Stredná hodnota a disperzia náhodnej premennej X s lognormálnym rozdelením je
      logN-3


    Predpokladajme, že cena akcie sa riadi geometrickým Brownovym pohybom s parametrami mi = 0.30, sigma = 0.25 a že dnešná cena akcie je 150 USD.
    1. Nakreslite hustotu rozdelenia ceny akcie o mesiac. Ako konrolu porovnajte s histogramom vygenerovaných hodnôt ceny akcie v tomto čase.
      1mesiac
    2. Aká je pravdepodobnosť, že o mesiac bude cena akcie menšia ako 140 USD?
      1mesiac
    3. Nakreslite hustotu rozdelenia štvrťročného výnosu. Aká je stredná hodnota tohto výnosu? Aká je pravdepodobnosť, že bude záporný?
      1mesiac

  6. Čo si myslíte, čo je na obrázku na obale tejto knihy?
    oksendal
    Vytvorte podobný obrázok.


Cvičenia z finančných derivátov, 2011
Beáta Stehlíková, FMFI UK Bratislava


E-mail: stehlikova@pc2.iam.fmph.uniba.sk
Web: http://pc2.iam.fmph.uniba.sk/institute/stehlikova/

Valid HTML 4.01 Transitional Valid CSS!