You are on page 1of 112

Z¶rzavaros bevezetés a sztochasztikus analízisbe

közgazdászok számára 1

Medvegyev Péter

2008. április 14.

1
A jelenlegi anyag viszonylag hosszú id® alatt született. Vagy tíz éve egy pár oldalas el®adásjegyzetként
látta meg a napvilágot, majd évr®l évre b®vült. Ezt a verziót többé-kevésbé véglegesnek gondolom.
Tartalomjegyzék

1. Sztochasztikus folyamatok 5
1.1. Wiener-folyamatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1.1. A Wiener-folyamatok nem korlátosak . . . . . . . . . . . . . . . . . . . . . 7
1.1.2. A Wiener-folyamatok trajektóriáinak megfordítása . . . . . . . . . . . . . . 9
1.1.3. A Wiener-folyamatok nem deriválhatóak . . . . . . . . . . . . . . . . . . . . 10
1.2. Poisson- és Lévy-folyamatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.1. Poisson-folyamat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.2.2. Lévy-folyamatok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.2.3. Bolyongások, kompenzált Lévy-folyamatok . . . . . . . . . . . . . . . . . . 15
1.2.4. Markov-láncok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.3. A tökéletes véletlen: martingálok . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.3.1. Filtráció és martingálok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.3.2. Exponenciális martingálok . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.3.3. Függetlenség, korrelálatlanság, martingálok . . . . . . . . . . . . . . . . . . 22
1.3.4. Lokális martingálok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

2. Sztochasztikus integrálás 27
2.1. Korlátos változású folyamatok szerinti integrálás . . . . . . . . . . . . . . . . . . . 27
2.1.1. Riemann-integrál . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.1.2. NewtonLeibniz-szabály . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.3. Stieltjes-integrálás . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.1.4. Korlátos változású függvények . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.1.5. Sztochasztikus Stieltjes-integrálás . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2. Itô-féle sztochasztikus integrál . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.2.1. Kvadratikus variáció . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
2.2.2. Martingálok kvadratikus variációja, kompenzátorok . . . . . . . . . . . . . 42
2.2.3. Martingálok szerinti Itô-integrálás . . . . . . . . . . . . . . . . . . . . . . . 44
2.2.4. Sztochasztikus integrálok kvadratikus variációja . . . . . . . . . . . . . . . 48
2.2.5. Asszociativitási szabály . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2.6. Lokális martingálok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2.7. Szemimartingálok . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3. Itô-formula 54
3.1. Itô-formula mint a NewtonLeibniz-szabály általánosítása . . . . . . . . . . . . . . 54
3.1.1. Másodrend¶ közelítések, kvadratikus variáció . . . . . . . . . . . . . . . . . 54
3.1.2. Itô-formula alkalmazása várható értékek kiszámolására . . . . . . . . . . . . 56
3.1.3. Itô-formula id®t®l függ® transzformációs függvény esetén . . . . . . . . . . . 59
3.1.4. Lineáris sztochasztikus dierenciálegyenletek . . . . . . . . . . . . . . . . . 60
3.2. FeynmanKac-formula . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
3.2.1. Parciális és sztochasztikus dierenciálegyenletek . . . . . . . . . . . . . . . 62
3.2.2. A derivatív árazás alapképlete . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.2.3. Példák . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

1
TARTALOMJEGYZÉK 2

4. Girszanov-formula 70
4.1. Mértékcsere megadása s¶r¶ségfüggvénnyel . . . . . . . . . . . . . . . . . . . . . . . 70
4.2. Girszanov-formula Wiener-folyamatok esetén . . . . . . . . . . . . . . . . . . . . . 72
4.3. Girszanov-formula lokális martingálokra . . . . . . . . . . . . . . . . . . . . . . . . 77

5. Kvadratikus variáció és arbitrázs 81


5.1. A BlackScholes-formula . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
5.1.1. Az árazási képlet levezetése parciális dierenciálegyenlettel . . . . . . . . . 81
5.1.2. Az árazási formula levezetése mértékcserével . . . . . . . . . . . . . . . . . . 83
5.1.3. A nincsen arbitrázs elv . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.1.4. A piac teljessége . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
5.2. Frakcionális Wiener-folyamat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
5.2.1. Itô-lemma frakcionális Wiener-folyamat esetén . . . . . . . . . . . . . . . . 90
5.2.2. BlackScholes-modell frakcionális Wiener-folyamat esetén . . . . . . . . . . 91

6. Függelék: A feltételes várható érték 93


6.1. Valószín¶ségi változók várható értéke . . . . . . . . . . . . . . . . . . . . . . . . . . 93
6.2. Regressziós függvény . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
6.3. Feltételes várható érték . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102

7. Ellen®rz® feladatok 107


TARTALOMJEGYZÉK 3

A sztochasztikus analízis, más néven sztochasztikus kalkulus célja a klasszikus dierenciálszámí-


tás kiterjesztése sztochasztikus folyamatokra. Az elmélet alapgondolatai igen egyszer¶ek, de az
egyszer¶ alapötletek technikai megvalósítása nagyon körülményes és nehézkes. A gyelmes olvasó
alább több helyen is joggal nehezményezheti a matematikai pontosság teljes hiányát. Integrá-
lokat véges összegekkel helyettesítünk, nem teszünk különbséget a konvergenciafogalmak között,
az integrálok mögé bederiválunk, az integrálok sorrendjét minden megfontolás nélkül felcseréljük,
általában nem teszünk különbséget lokális martingál és martingál között stb. Ezek súlyos ma-
tematikai hibák, és az alább bemutatott állítások jelent®s része a megfogalmazás pontatlansága
miatt matematikailag nem is igaz, de a probléma szabad szemmel remélhet®leg azért nem látható.
Azt gondolom, hogy egy bevezet® pénzügyi matematikai kurzus során a precizitás magasabb foka
inkább káros, mint hasznos lenne. Minden heurisztikus megközelítés nagy hibája, hogy amennyi-
ben az érdekl®d® olvasó mégis meg akarja érteni a pontos gondolatmenetet bajba kerülhet, ugyanis
a heurisztikus gondolatmenet durván hibás lehet. Miként ismert minden nehéz problémának van
egy világos és egyszer¶, de hibás magyarázata. Határozottan jelezni szeretném, hogy az alábbi
bizonyítások egyikébe sem szabad túlságosan belegondolni. Az elmélet pontos bemutatása na-
gyon messze vezetne, és meg vagyok gy®z®dve arról, hogy már a tényleges utazás el®készítése is
meghaladná a rendelkezésre álló id®keretet. A tételek pontos alakja, illetve a bizonyítások meg-
találhatóak a Valószín¶ségszámítás és a Sztochasztikus analízis cím¶ könyveimben. Önkritikusan
megjegyzem, hogy remélem a hozzáért® olvasó nem fogja a fejemre olvasni az alább leírtakat,
és elfogadja azt a véleményemet, hogy egy átlagos matematikai felkészültséggel rendelkez® köz-
gazdász hallgató számára a sztochasztikus analízis tárgyalásakor a matematikailag közelít®leg is
precíz stílus teljesen lehetetlen. Ugyanakkor azt gondolom, hogy az itt leírtak megértése segítheti
az érdekl®d® olvasót a pontos matematikai elmélet megértésében és megemésztésében, ugyanis ha
heurisztikusan is, de azért a helyes irányba orientálja az olvasót. Másképpen fogalmazva remélem
azért kárt nem teszek avval, hogy a matematika tényeit némiképpen lazán interpretálom és idézem.

A pénzügyi matematika kulcs eszköze az Itô-formula. A pénzügyi könyvekben legtöbbször idézett


alakjában a formula meglep®en, talán túlzottan is bonyolult, számomra legalábbis nagyon nehe-
zen megjegyezhet®. Valójában azonban, a tárgyalás során szándékosan mell®zött nem csekély apró
technikai problémáktól eltekintve, a formula igen egyszer¶en igazolható, de ami jóval fontosabb a
tartalma könnyen megérthet® és megjegyezhet®. A formula megértésének kulcsa, mint általában
a matematikában, a megfelel® néz®pont megválasztása. Ha hajlandók vagyunk az absztrakciós
létrán egy kicsit feljebb mászni és hajlandók vagyunk a sztochasztikus analízis bizonyos álta-
lános kérdéseit megfontolni, akkor az egyébként homályos kép azonnal kitisztul. Vagy legalábbis
remélem, hogy kitisztul. Az Itô-formula számos olvasattal rendelkezik: Az alábbiakban a Newton
Leibniz-szabály általánosításaként tárgyaljuk. Az általánosítás oka, hogy a tiszta véletlen hatására
kialakuló folyamatok által befutott pályák, matematikailag igen komplexek. A pénzügyi matema-
tika kiindulópontja, hogy a kiélezett piaci verseny hatására a pénzügyi eszközök áralakulását leíró
ábrák helyes matematikai absztrakcióját olyan folyamatok alkotják, amelyek a szokásos zikai
szemlélettel ellentétben nem rendelkeznek véges úthosszal, csak a folyamat úgynevezett kvadra-
tikus variációja, négyzetes megváltozása véges .
1 A négyzetes megváltozás pozitivitása két kö-
vetkezménnyel bír: egyrészt a NewtonLeibniz-formulában megjelenik az Itô-formulában szerepl®
nevezetes másodrend¶ korrekciós tag, másrészt a folyamatokban nincsen arbitrázs. Az arbitrázs
hiánya, mint alapvet® pénzügyi feltétel a piaci folyamatok hatékonyságát jellemz®, közgazdasági,
pénzügyi észrevétel. A piacon azért nincsen arbitrázs, mert a piac az információt azonnal és töké-
letesen feldolgozza. Ami a hatékony információfeldolgozás után megmarad az tökéletesen véletlen,
fehér zaj, amib®l, a tökéletes véletlen deníciója miatt, nem lehet pénzt csinálni. Matematikailag
a tökéletes véletlen által indukált mozgás annyira bonyolult, hogy csak a folyamat kvadratikus
variációja lesz véges. Másképpen fogalmazva, ha nincs kvadratikus variáció, akkor van arbitrázs,
és akkor befektetéselemzés mint önálló tevékenység szükségtelen és értelmetlen. Némiképpen el-
túlozva: a befektetéselemz®k azért kapják a zetésüket, hogy a pénzügyi életben kezeljék azokat

1A kvadratikus variáció, illetve a négyzetes megváltozás azonos fogalmak. A kvadratikus variáció az angol
terminológia közvetlen átvétele, a négyzetes megváltozás már az 1.0-ás magyarított verzió. V.ö.: fájl, állomány.
TARTALOMJEGYZÉK 4

a komplikációkat, amelyeket a kvadratikus variáció pozitivitása okoz. Nincs kvadratikus variáció,


2
nincs állás, és lehet menni a híd alá aludni . A befektetéselemz®k kenyéradó gazdája a kvadra-
tikus variáció! Bár alább közvetlenül nem jelenik meg, a háttérben egy nagyon jól megértett és
tisztázott matematikaipénzügyi állítás húzódik meg: az eszközárazás alaptétele. Az eszközárazás
alaptétele szerint egyrészt ha valamely piacon nincsen lehet®ség arbitrázsra, akkor az alapul vett
folyamat úgynevezett szemimartingál, másrészt a piacon pontosan akkor nincsen arbitrázs, ha al-
kalmas valószín¶ség, az úgynevezett kockázatmentes valószín¶ség mellett, az alapfolyamat lokális
3
martingál . Minden, nem azonosan konstans, lokális martingál kvadratikus variációja pozitív. A
szemimartingálnak nevezett folyamatosztály tagjai deníció szerint két folyamat összegére bont-
hatóak: az egyik folyamat teljes megváltozása véges, a másik tag pedig lokális martingál, így a
4
négyzetes megváltozása véges . Az Itô-formula talán legjobb olvasata, hogy a szemimartingálok
osztálya zárt a kétszer folytonosan deriválható függvényekkel való transzformációra nézve. Az
Itô-formula megadja, hogy miként módosul az eredeti szemimartingál említett két komponense
a formulában szerepl® függvénytranszformáció hatására: Ha valamely lokális martingált belete-
szünk egy kétszer folytonosan deriválható függvénybe, akkor a transzformált folyamat felbontását
magadó Itô-formulában szerepl® Itô-féle sztochasztikus integrál a transzformáció során kapott
szemimartingál lokális martingál része, miközben a formulában szerepl® másodrend¶ korrekciós
tag teljes megváltozása véges.

2 Vegyük észre, hogy bár Budapest sok szép híddal rendelkezik, a hidak alatt legfeljebb egy évfolyamnyi befek-
tetéselemz® férne el. Mivel a legtöbb befektetéselemz®nek van állása ezért az empirikus tapasztalat azt mutatja,
hogy a kvadratikus variáció a gyakorlatban is pozitív. Vagy talán mégse? Lehet, hogy a matematika és a pénzügyi
gyakorlat kölcsönhatása bonyolultabb? Annyi azonban igaznak t¶nik, hogy a kvadratikus variáció megértése nem
rontja az álláshoz jutás esélyeit. Azért ez is valami.
3 Bizonyos szempontból a sztochasztikus analízis megértésének kulcsa a borzalmas terminológia elfogadása és
tudomásulvétele. Sajnos szinte minden tudományra és áltudományra jellemz® a nagykép¶ terminólógiai használata.
Azért legyünk ®szinték: a short call opcióra való hivatkozás legalább annyira pofátlan blabla mint a szemimartingál.
Általános szabályként elmondható, hogy egy terület annál kevésbé tudományos minnél zavarosabb és nagykép¶bb a
terminológiája. A sztochasztikus analízis azonban ez alól kivétel. A borzalmas terminológia egyik oka, hogy a terület
igencsak nem rég, és meglehet®sen váratlanul, került ki a világ vezet® matematikusainak egy sz¶k szektájának keze
közül. Az alapító atyák nem igazán számítottak arra, hogy valaha ezekkel a fogalmakkal a sz¶k szektatagokon kívül
bárki is foglalkozni fog.
4 Hogy ez mit jelent az alábbiakból remélem világos lesz. Sajnos a terminológia történelmileg alakult ki, így
nem tökéletes. Jobb lenne, ha a teljes megváltozás helyett els®rend¶ megváltozást írhatnánk, vagyis azt mond-
hatnánk, hogy minden szemimartingál két folyamat összegére bontható: az els®nek az els®rend¶, a másodiknak a
másodrend¶ megváltozása véges. Vigyázni kell azonban, nem minden folyamat, amelynek a négyzetes megváltozása
véges lesz lokális martingál. A szemimartingálok felbontásában a kvadratikus variációval rendelkez® tagnak lokális
martingálnak kell lenni.
1. fejezet

Sztochasztikus folyamatok

Ebben az els® fejezetben röviden áttekintjük a sztochasztikus folyamatok elméletének néhány


alapfogalmát. Bevezetjük a Wiener és Poisson-folyamatokat és a martingálokat.

Sztochasztikus folyamaton mindig kétváltozós függvényt értünk. Az egyik változó, amit általában
t vagy s jelöl, az id®; a másik, amit általában ω jelöl, véletlen, ismeretlen paraméter, amely
a lehetséges értékeit egy (Ω, A, P) valószín¶ségi mez®b®l veszi fel. Bizonyos szempontból nagyon
zavaró, de ugyanakkor igen indokolt konvenció, hogy az ω argumentumot általában elhagyjuk. Ha a
képletet a szövegkörnyezetb®l kiragadjuk, nem világos, hogy egyszer¶ skalárról, vagy valószín¶ségi
változóról van-e szó. A folyamatot úgy célszer¶ elképzelni, hogy a t = 0 id®pontban kiválasztásra
kerül az ω véletlen kimenetel értéke, és ami meggyelhet®, az az ω rögzítése mellett keletkez®
t→
7 ξ (t, ω) úgynevezett trajektória , vagyis a folyamat realizációja az ω kimenetel megvalósulása
esetén .
1 A sztochasztikus analízis nehézségei abból származnak, hogy az érdekes esetekben a
t 7→ ξ (t, ω) trajektóriák igen széls®séges matematikai tulajdonságokkal rendelkeznek. Általában
durván nem folytonosak, tele vannak szakadásokkal, kisebb nagyobb ugrásokkal.

A sztochasztikus folyamatok általános elmélete, vagyis amikor ugrásokat és szakadásokat is meg-


engedünk igen nehéz, így az alábbiakban csak a folytonos sztochasztikus folyamatok elméletével
foglalkozunk. Folytonosságon azt értjük, hogy feltételezzük, hogy a trajektóriák folytonos függvé-
nyek. A folytonosság igen szigorú megkötés, a pénzügyi tapasztalat azt mutatja, hogy a legtöbb
meggyelt sztochasztikus folyamat nem folytonos. Pontosabban a folytonos folyamatok számos, a
pénzügyi gyakorlatban meggyelt jelenséget nem megfelel®en modelleznek. Ennek ellenére a ma-
tematikai tárgyalás egyszer¶sége céljából a folytonosság feltételét alább lényegében mindig meg
fogjuk követelni .
2

1.1. Wiener-folyamatok
A leghíresebb
3 folytonos sztochasztikus folyamat a Wiener-folyamat , pontosabban a Wiener-
folyamat típusú folyamatok családja.

1 Természetesen a meggyel® nem tudja, hogy melyik ω kimenetel lett kiválasztva. A trajektória meggyelése
során az id® el®rehaladtával egyre több információhoz jutunk és az ω kimenetelt egyre pontosabban meg tudjuk
becsülni. Talán a legszerencsésebb példa a következ®: Tegyük fel, hogy a [0, 1] szakasz egy pontját a t = 0
id®pontban kiválasztjuk. Tegyük fel, hogy a kapott számot bináris formában írjuk fel, és hogy az id® múlását
diszkrét id®pontokkal ábrázoljuk. Tegyük fel továbbá, hogy az id® el®rehaladtával minden id®pontban megtudjuk
a a t=0 id®pontban kiválasztott szám egy újabb bináris számjegyét. Természetesen az id® múlásával egyre többet
tudunk meg a számról, de minden id®pontban az új számjegy meglepetés lesz számunkra. Ez a modell ekvivalens
avval hogy minden id®pontban egy fej vagy írás játékkal egy újabb számjegyet írunk a korábbi számjegyek mögé.
2 Ett®l azonban a matematikai tárgyalás nem lesz sokkal egyszer¶bb, ugyanis a folytonos sztochasztikus folyama-
tok általában nem deriválhatóak, és alább némi túlzással nem deriválható függvényekre akarunk dierenciálszámítást
csinálni.
3A folyamat méltán híres. A Wiener-folyamat a matematikusok, és reméljük a pénzügyesek egyik kedvence.

5
1.1. WIENER-FOLYAMATOK 6

1.1 Deníció.
Valamely {w (t, ω)}t≥0 sztochasztikus folyamat Wiener-folyamat, ha teljesíti az alábbi öt feltételt:

1. w (0) ≡ 0,
2. a w növekményei függetlenek ,
4

3. a w stacionárius növekmény¶, vagyis a w (t + h) − w (t) növekmény eloszlása csak a h-tól


függ és nem függ a t-t®l,

4. tetsz®leges 0≤s<t értékekre


5


w (t) − w (s) ∼

= N 0, t − s ,

5. a w folytonos abban az értelemben, hogy minden ω kimenetelre a t 7→ w (t, ω) trajektória


folytonos.

Más szavakkal, a [0, ∞) id®intervallumon értelmezett w folytonos trajektóriájú, független és sta-


cionárius növekmény¶ folyamatot Wiener-folyamatnak mondjuk, ha minden
√ t id®pontban a w (t)
eloszlása N 0, t .
Mivel a Wiener-folyamatok összes véges dimenziós eloszlása normális, ezért a Wiener-folyamatok
6
Gauss-folyamatok . Érdemes hangsúlyozni, hogy a Wiener-folyamatokat deniáló feltételek szo-
rosan összefüggnek, és nem azonos súlyúak. Például a negyedik feltétel szerint a növekmények
7
eloszlása normális. Megmutatható , hogy ez következik a trajektóriák folytonosságából, illetve a
8
növekmények függetlenségéb®l . A szórásra tett feltétel, a normalizáló konstanstól
9 eltekintve, a
stacionaritás feltételével azonos. Ugyancsak hangsúlyozni kell, hogy a Wiener-folyamat elnevezés
pontatlan. Helyesebb lenne Wiener-típusú folyamatokról beszélni. A Wiener-folyamat fogalma
emlékeztet az eloszlás, például a normális eloszlás fogalmára. Számos különböz® valószín¶ségi
változó létezik amely normális eloszlású. Ha ξ standard normális eloszlású, akkor az η $ −ξ is
standard normális eloszlású és triviálisan a {ξ = η} esemény valószín¶sége nulla. Hasonlóan, ha
w Wiener-folyamat, akkor az u $ −w folyamat is Wiener-folyamat, és annak a valószín¶sége,
hogy valamely t id®pontban w (t) = u (t) ismételten nulla. Két folyamat akkor különböz®, ha
a folyamatot megadó kétváltozós függvények különböz®ek. Természetesen két függvény triviá-
lisan különböz®, ha az értelmezési tartományuk különböz®. Számos olyan matematikai konst-
rukció létezik, amely segítségével Wiener-folyamat készíthet®. A különböz® konstrukciókban a
folyamatot hordozó (Ω, A, P) terek általában különböz®ek, így természetszerüleg a folyamatok is
különböz®ek. A sztochasztikus analízis talán legszebb állításai azok, amelyek valamely bonyolult
konstrukció eredményér®l azt állítják, hogy a folyamat Wiener-folyamat, vagy folyamatok széles
osztályára megadják azokat a további feltételeket, amelyek garantálják, hogy a folyamatosztály
elemei Wiener-típusú folyamatok lesznek.

4 Vagyis ha t1 < t2 < · · · < tn tetsz®leges id®pont sorozat, akkor a ∆w (tk ) $ w (tk ) − w (tk−1 ) növekmények
függetlenek. Megjegyezzük, hogy a ξ és az η valószín¶ségi változókat függetlennek mondjuk, ha tetsz®leges A ⊆ R
és B ⊆ R esemény esetén az {ω : ξ (ω) ∈ A} és az {ω : η (ω) ∈ B} események függetlenek, vagyis P (ξ ∈ A, η ∈ B) =
P (ξ ∈ A) P (η ∈ B). A feltétel úgy is fogalmazható, hogy az együttes eloszlásfüggvény a peremeloszlások szorzatára
bontható.
5A ∼= egyenl®ségen azt értjük, hogy a két oldal eloszlása azonos.
6 Gauss-folyamaton olyan ξ (t, ω) sztochasztikus folyamatot értünk, amelyre tetsz®leges (tk ) véges számú id®pont
esetén a (ξ (tk )) véletlen vektor normális eloszlású.
7 Viszonylagosan nehéz tételr®l van szó. Az irodalomban szokás jelezni, hogy az állítás a centrális határeloszlás-
tételb®l következik. Ez igaz, de az összefüggés nem jön ki a centrális határeloszlás-tétel elemi alakjából.
8 Ez is mutatja, hogy a trajektóriák folytonosságára tett feltétel igen szigorú. A pénzügyi adatsorok esetén széles
körben meggyelt vastag farok jelenség nehezen illeszthet® össze a folytonossági feltétellel.
9 Vagyis
√ √
hogy a szórás éppen t-vel és mondjuk nem 2 t-vel n®.
1.1. WIENER-FOLYAMATOK 7

1.1.1. A Wiener-folyamatok nem korlátosak


Fontos, hogy viszonylagosan pontos képünk legyen a Wiener-folyamatok legalapvet®bb kvalitatív
tulajdonságairól.

El®ször vizsgáljuk meg a folyamat globális


10 tulajdonságait. A normális eloszlás legalapvet®bb

tulajdonságai miatt tetsz®leges t-re a folyamat nagy valószín¶séggel a ±3 t parabola által leírt
tartományban ingadozik. A normális eloszlás jórészt középen ingadozik és bár el®fordulhatnak

nagyon nagy értékek is, annak a valószín¶sége hogy egy adott t-re a ±3 t parabolán kívül találjuk
megunkat nagyon kicsi
11 . Ha úgy tetszik tetsz®leges id®pontban a parabolán kívüli meggyelések
el®fordulása gyakorlati szempontból elhanyagolható. Másképpen fogalmazva nem követünk el
nagy hibát, ha minden véges és x id®pontban az eloszlás tartóját korlátosnak képzeljük el.

A trajektóriák globális viselkedését leíró pontos állítást az úgynevezett iterált logaritmusok


12
tétele tartalmazza, amely szerint
   
w (t) w (t)
P lim inf √ = −1 = P lim sup √ = 1 = 1.
t→∞ 2t ln ln t t→∞ 2t ln ln t
Emlékeztetünk, hogy deníció szerint valamely függvény vagy sorozat limesz inferiorja, illetve
limesz szuperiorja a torlódási pontok közül a legkisebbet, illetve a legnagyobbat jelenti. Például
az  
n 1
an $ (−1) 1+
n
sorozat limesz szuperiorja 1 a limesz inferiorja −1. Vegyük észre, hogy a sorozat, illetve a függvény
értékei egy id® után a limesz szuperior és a limesz inferior által el®írt szakasz tetsz®legesen kicsi,
de azért pozitív sugarú, környezetében fog ingadozni. Az imént említett (an ) sorozat esetén a
sorozat tagjai elég nagy n indexre az (−1 − ε, 1 + ε) szakaszon belül fognak elhelyezkedni. Vagyis
a sorozat a végtelenben lényegében a limesz superior és a limesz inferior között ingadozik. A
torlódási pont tulajdonság miatt tetsz®legesen kicsi ε > 0 megengedett hiba esetén a sorozat tagjai,
vagy függvény esetén a függvény értékei egy id® után a limesz inferior, illetve a limesz szuperior köré
írt ε széles környezetbe végtelen sokszor visszatérnek. Ugyanakkor mondjuk a limesz szuperiort
deniáló maximalitási megkötés miatt a limesz szuperiornál nagyobb érték már nem rendelkezik
evvel a tulajdonsággal. Vagyis egy id® után a sorozat minden értéke a limesz szuperiornál egy
tetsz®legesen kicsivel nagyobb, de azért rögzített, érték alatt fog elhelyezkedni. Természetesen
az ε csökkenésével esetlegesen egyre ritkábban fog a sorozat a limesz szuperior, illetve a limesz
inferior közelébe visszatérni, illetve egyre kés®bbi id®pontoktól kezdve fog a kifejezés a két érték
által meghatározott sávban elhelyezkedni, de egy id® után a sorozat ingadozása ε pontosággal a
limesz inferior és a limesz szuperior között lesz.

Az iterált logaritmusok tétele szerint tetsz®leges


√ ε > 0 esetén a trajektóriák a végtelenben egy

valószín¶séggel
13 a − 2t ln ln t − ε
2t ln ln t√+ ε görbék által leírt tartományban tartózkodnak
és
amely tartománynak a korábban említett ±3 t parabola egy durva bár igen szemléletes és
√ √
praktikus közelítése. Kicsi t értékekre a ±3 t tartomány b®vebb mint a ± 2t ln ln t pontok

által megadott tartomány, de nagyon nagy t értékekre ± 2t ln ln t pontok által leírt tartomány

b®vebb mint a ±3 t pontok által leírt parabola. A két görbe a
  
9
t = exp exp ∼ 1, 2 × 1039
2
10 Miként alább látni fogjuk a folyamat lokális és globális tulajdonságai szorosan összefüggnek.
11 A 3 konstansnak nincsen jelent®sége. Egyszer¶en a statisztikában szokásos három szigma szabályra utalunk. De
bárki gondolhat a négy vagy akár hét szigma szabályra is. Az alábbikban a lényeg az, hogy tetsz®leges, elegend®en

nagy a-ra a ±a t parabola nagy valószín¶séggel tartalmazza a trajektórákat, ugyanakkor a trajektóriák ebb®l a
parabolából elegend®en hosszú id® alatt id®nként egy valószín¶séggel kilépnek.
12 Az iterált logaritmusok elnevezés a képletben szerepl® ln ln kifejezés indokolja. Vagyis venni kell a t logaritmu-
sának logarimusát. Már maga a logaritmus függvény is elképeszt®en lassan n®. (Ugyanis az exponenciális függvény
elképeszt®en gyorsan n®.) Az iterált logarimus függvény, elég nagy t értékekre "szabad szemmel nézve" nem n®,
szinte állandó.
13 Az egy valószín¶séggel kitétel azt jelenti, hogy azok a trajektóriák, amelyekre a feltétel nem teljesül nulla
valószín¶séggel következnek be.
1.1. WIENER-FOLYAMATOK 8

pontban metszi egymást.


2
Miközben véges id®horizonton a trajektóriák lényegében egy x korlát alatt maradnak
14 végtelen
id®horizonton a trajektóriák korlátlanok. Ha a kimenetelek valamely
√ A halmazán a w trajektóriái
korlátosak lennének, akkor a w (t) / t ∼= N (0, 1) eloszlású változók sorozata az A halmazon nul-
lához tartana
15 , vagyis elég nagy t-re az A valószín¶ség közel nulla lenne, ami csak úgy lehetséges,
ha az A valószín¶sége már eredend®en nulla. Némiképpen pontosabban érvelve vegyük észre, hogy
A = ∪n An , ahol az An halmaz azokból a kimenetelekb®l áll, amelyekre az n természetes szám
a trajektória abszolút értékének egy fels® korlátja, ugyanis az A halmaz a korlátos trajektóriák
halmaza és minden korláthoz van olyan n természetes szám, amely nagyobb nála. Nyilván az
összes n-re az An nem lehet nulla valószín¶ség¶, ugyanis akkor az egész A halmaz valószín¶sége
is nulla lenne, mi pedig feltettük, hogy az A valószín¶sége pozitív. Legyen δ tetsz®leges. Ha a t

elég nagy, akkor n/ t ≤ δ. Ilyenkor
 
w (t)
0 < P (An ) ≤ P √ ≤ δ = P (|N (0, 1)| ≤ δ) .

t
A jobb oldalon álló valószín¶ség a δ alkalmas megválasztásával tetsz®legesen kicsi lehet, ami lehe-
tetlen,ugyanis a bal oldalon egy x pozitív szám van. Az így kapott ellentmondás miatt a P (A)
valószín¶ség nulla
16 . Mivel egy igen fontos észrevételr®l van szó közvetlenül is kimondjuk:

1.2 Állítás.
Egy valószín¶séggel a Wiener-folyamatok trajektóriái nem korlátosak.

Az, hogy a w trajektóriái nem korlátosak csak a nem korlátossággal kapcsolatos megfontolások
egyik fele. Mivel minden Wiener-folyamat szimmetrikus, például a felülr®l való nem korlátoságból
következik, hogy a trajektóriák sem alulról sem felülr®l nem korlátosak, vagyis az id® el®reha-
ladtával egy valószín¶séggel minden trajektória egyre nagyobb pozitív és egyre nagyobb abszolút
érték¶ negatív számot is felvehet.

Összefoglalva: nem követünk el nagy hibát, ha globálisan úgy képzeljük el, hogy valamely
√ w
Wiener-folyamat t 7→ w (t) trajektóriái nagy valószín¶séggel ±3 t parabola által megadott tar-
tományban bolyonganak miközben az id® el®rehaladtával végtelen sokszor kilépnek a parabola
által megadott tartományból
17 Alul is meg felül is. A trajektóriák az id® el®rehaladtával szét-
spricelnek, egyre nagyobb hullámokat alkotva bolyonganak a plusz és a mínusz végtelen értékek

között. Az id® el®rehaladtával a ±3 t parabolából való kilépések nagysága és ennek megfelel®en

id®tartama egyre nagyobb lehet. A folyamat küÍs® burkolóját a
√ ±3 t parabolától egyre távo-
lodó ± 2t ln ln t görbék adják meg. Tetsz®leges ε>0 szám esetén bizonyos id® eltelte után
18 a
trajektóriák az
 √ √ 
− 2t ln ln t − ε, + 2t ln ln t + ε
intervallumon belül helyezkednek el.

14 Természetesen a feltételezett folytonosság miatt minden trajektória minden véges szakaszon önmagában kor-
látos. Természetesen az egyes trajetóriák fels® korlátjainak a halmaza nem korlátos. Vagyis egy adott szakaszon,
persze esetlegesen igen kicsi valószín¶séggel, akár mekkora nagy fels® korlát el®fordulhat. Az el®z® paragrafus szerint
nagy valószín¶séggel", gyakorlati szempontból" a trajektóriák véges id®tartományon egyenletesen" is korlátosak.
15 Ugyanis az A halmazon a számláló korlátos, a nevez® pedig végtelenbe tart.
16 A pontos indoklást az iterált logarimusok tételével is elvégezhetjük. Vegyük észre, hogy az iterált logaritmusok
tételében szerepl® hányados limesz szuperiorja 1, vagyis a hányados egyik torlódási pontja, nevezetesen a legnagyobb,
éppen az 1, vagyis a számláló végtelen sokszor megegyezik" a nevez®vel, miközben a nevez® a plusz végtelenhez tart.
A Wiener-folyamat szimmetrikus, így ugyanez igaz a mínusz végtelen oldalon is. Vagyis a trajektóriák alkalmas
sorozaton a plusz végtelenbe és valamely másik alkalmasan választott sorozaton pedig a mínusz végtelenhez tartanak.
17 A Wiener-folyamatok trajektóriái nagy valószín¶séggel a parabolán belül haladnak. És minden rögzített t
esetén praktikusan" fel is tehetjük, hogy a parabolán belül van. Ugyanakkor végtelen sokszor megkisérelve egy
kicsi, de azért pozitív valószín¶ség¶ eseményt végtelen számú bekövetkezést kapunk. Közgazdaságilag fogalmazva,
egy forint nem túl nagy érték, de nagyon sok egy forintos nagyon nagy érték. Mindegy, hogy forint, dollár vagy
euró. Csak sok legyen bel®le! Másképpen, aki a kicsit nem becsüli, a nagyot nem érdemli.
18 Az utolsó kilépési id® nagysága trajektória függ® és nyilván függ az ε számtól.
1.1. WIENER-FOLYAMATOK 9

A Wiener-folyamat korlátlanságának egy gyakran használt és idézett következménye az úgyneve-


zett duplázási stratégia véges id® alatt való befejez®dése. Tegyük fel, hogy fej vagy írás játékot
játszunk és a kumulált nyereményt vizsgáljuk. Ha duplázva tesszük meg a téteket, akkor az n-edik
lépés után a megtett tétek összege

1 + 2 + 4 + . . . + 2n = 2n+1 − 1.

Ha az (n + 1)-edik lépésben bejön a várva várt eredmény, akkor mivel az utolsó tét 2n volt, a
n+1
nyeremény a játék szabályai szerint ennek duplája 2 lesz, és így a nettó nyereményünk

2n+1 − 2n+1 − 1 = 1


lesz. Annak a valószín¶sége, hogy az n-edik lépésben bejön a kívánt érték éppen 2−n . Így tehát
annak a valószín¶sége, hogy valamikor nyerünk

1 1 1
+ + + . . . = 1,
2 4 8
vagyis egy valószín¶séggel a duplázási stratégiához szükséges lépések száma véges. A fej vagy írás
játék nettó eredményét megadó folyamat nagyon hasonlít egy Wiener-folyamatra. Valójában a
Wiener-folyamat a faj vagy írás játék folytonos változata. Legyen a > 0 egy el®re megadott
nyereségi szint. Vezessük be a következ® értéket

τ a $ min {t : w (t) ≥ a} . (1.1)

Egy adott ω kimenetel esetén τ a (ω) az els® olyan id®pont, amikor az a nyeremény, az ω kimenetel
megvalósulása esetén, már a zsebünkben van. Mivel a Wiener-folyamat trajektóriái nem korlá-
tosak, ezért egy valószín¶séggel el®bb vagy utóbb mindig be tudjuk gy¶jteni az a nyereményt.
Vagyis a Wiener-folyamat korlátlansága miatt a τa egy valószín¶séggel mindig véges. Másképpen
fogalmazva, ha tetsz®leges sokáig tudunk játszani, akkor mindig nyerhetünk. Ez a modern ma-
tematikai pénzügyek nyelvén kifejezve azt jelenti, hogy korlátlan er®forrással rendelkezve mindig
van arbitrázs stratégia. Másképpen fogalmazva az arbitrázs lehetetlensége csak akkor értelmes, ha
hozzátesszük, hogy véges er®forrás esetén nincsen arbitrázs. Az isteneket semmi sem korlátozza,
így számukra van arbitrázs. Következésképpen számukra a pénz is érdektelen. Nem emlékszem rá,
hogy valahol arról olvastam volna, hogy Zeusz a t®zsdei monItôrokat gyelte volna. Az arbitrázs,
vagyis a könnyen való meggazdagodás vágya az emberi er®források sz¶kös voltának bizonyítéka
19 .

1.1.2. A Wiener-folyamatok trajektóriáinak megfordítása


Miként említettük, nem csak egy Wiener-folyamat van. Ezt a legegyszer¶bben úgy láthatjuk be,
ha meggondoljuk, hogy ha a w Wiener-folyamat, akkor az u $ −w is Wiener folyamat. Ugyanis
kielégíti a folyamatosztályt deniáló feltételeket. Sokkal érdekesebb a következ® példa:

1.3 Példa.
Ha w Wiener-folyamat, akkor az u (t) $ tw (1/t) folyamat is Wiener-folyamat.

Ahhoz, hogy valami Wiener-folyamat legyen a folyamatnak teljesíteni kell a Wiener-folyamatot


mint folyamatosztályt deniáló feltételeket. A példában gondot jelent, hogy a t=0 id®pontban
az u nincsen deniálva, így az u nem is lehet szigorú értelemben Wiener-folyamat. Ugyanakkor
a példa értelemszer¶en úgy értend®, hogy a t = 0 id®pontra az u folyamatot a határértékével
terjesztjük ki
20 . Els® lépésben tehát meg kell mutatni, hogy

 
1
lim u (t) $ lim tw = 0.
t&0 t&0 t
19 Az arbitrázs hiánya elv tehát a mikroökonómiában tárgyalt sz¶kösségi elv sajátos megjelenése a pénzügyi
elméletben.
20 Valahogy úgy, ahogy a
sin x
függvényt az x=0 pontban az 1 értékkel deniálva folytonos függvényhez jutunk.
x
1.1. WIENER-FOLYAMATOK 10

Vegyük észre, hogy a határérték tulajdonképpen értelmetlen, ugyanis adott t mellett a w (1/t) az Ω
téren értelmezett függvény
21 , és függvények körében a határérték az elemi analízisben lényegében
nincsen deniálva. Másképpen fogalmazva, ha függvények határértékér®l beszélünk, akkor mindig
meg kell mondani, hogy hogyan értjük a határértéket, ugyanis szemben a számokkal, illetve a véges
dimenziós vektorokkal, a határérték a függvények körében nem egyértelm¶en deniált fogalom.
Ebben a konkrét esetben a határérték úgy értend®, hogy az Ω egy olyan részhalmazán, amely
valószín¶sége 1 a határérték létezik és értéke éppen 0. Ennek oka a következ®: Ha t $ 1/n, akkor

 
1 w (n)
u (t) = u $ .
n n

A w (n) eloszlása N (0, n) , és a w (n) tekinthet® n darab független N (0, 1) eloszlású valószín¶ségi
változó összegének. Másképpen

  Pn
1 w (n) ∼ k=1 N (0, 1)
u $ = ,
n n n

ahol az összegben szerepl® tagok függetlenek. A nagy számok er®s törvénye szerint
22 a kifejezés a
közösN (0, 1) eloszlás várható értékéhez, vagyis nullához tart. Másképpen fogalmazva, ha u (0) $
0, u folyamat folytonos lesz, vagyis a t = 0 id®pontban megadott deníció miatt az u
akkor az
minden t ≥ 0 id®pontban automatikusan folytonos. Tetsz®leges t-re az u (t) eloszlása

r !
∼ 1 ∼  √
u (t) = tN 0, = N 0, t ,
t

és az egyes id®szakokban a növekmények a w megfelel® tulajdonsága miatt nyilván függetlenek


maradnak, így az u-ra a Wiener-folyamatot deniáló tulajdonságok teljesülnek. Következésképpen
az u Wiener-folyamat. Triviálisan az u és a w különböz® folyamatok. Az u (t, ω) $ tw (1/t, ω)
folyamat felfogható úgy mintha a w folyamatot id®ben visszafelé, a t = ∞ id®pontból vissza-
felé haladva, gyelnénk meg. Ez alapján a Wiener-folyamat tulajdonság független az id®tengely
irányától
23 .
2

1.1.3. A Wiener-folyamatok nem deriválhatóak


Az el®z® pontban szerepl® példa szerint a Wiener-folyamatok a végtelenben hasonlóan viselked-
nek mint a t=0 pontban. Mivel a folyamat a stacionárius növekmények feltétele miatt az id®
tengely mentén eltolható, ezért bármely id®pont után kvalitatíve ugyan úgy ingadozik mint a nulla
id®pont után. Mivel a végtelenben össze-vissza ingadozik, ezért a megfordított, visszafelé olva-
sott folyamat a nulla id®pontot követ® tetsz®leges id®szakaszon ingadozik vadul. Mindegy, hogy
a folyamatot távolról és hosszú ideig nézzük, vagy egészen közelr®l és rövid ideig. Minkét esetben
a z¶rzavart látjuk. A z¶rzavar egészében és részleteiben is z¶rzavar. Ez a lényege a következ®
méltán ünnepelt észrevételnek.

1.4 Állítás. (PaleyWienerZygmund )


A Wiener-folyamat trajektóriái nem deriválhatóak.

21 Adott t-re a az ω 7→ w (t, ω) függvényr®l van szó.


22 A nagy számok er®s törvénye szerint független, azonos eloszlással rendelkez® változók számtani átlaga egy nulla
valószín¶ség¶ eseményt®l eltekintve a közös eloszlás várható értékéhez tart. A véges határértékhez való konvergencia
szükséges és elegend® feltétele annak, hogy a közös eloszlásnak legyen várható értéke.
23 Egy véletlen jelsorozatot elölr®l olvasni pontosan annyira értelmes dolog mint visszafelé olvasni. A kígyó a
fejét®l a farkáig pontosan olyan véletlen mint a farkától a fejéig. Természetesen a megjegyzés egy kicsit sántit,
ugyanis a ténylegesen visszafelé meggyelt t 7→ w (1/t) folyamat nem Wiener-folyamat. A t normalizáló szorzó
szerepe is fontos, vagyis ha a kígyót visszafelé gyeljük meg, akkor a meggyelés során egy a t = 0 id®pontban
elhelyezett tölcséren át kell préselni.
1.1. WIENER-FOLYAMATOK 11

A Wiener-folyamat matematikailag legizgalmasabb tulajdonsága, hogy a folyamat trajektóriái


egyetlen id®pontban sem deriválhatóak. Ennek indoklása céljából egy tetsz®leges t0 id®pontban
írjuk fel a dierenciahányadost:

∆w w (h + t0 ) − w (t0 )
$ .
∆t0 h
A deníciók alapján evidens, hogy tetsz®leges t0 ≥ 0 id®pont esetén a v (h) $ w (h + t0 ) − w (t0 )
folyamat szintén Wiener-folyamat. Ezt úgy interpretálhatjuk, hogy a Wiener-folyamat tulajdonság
független attól, hogy a folyamatot mikor és hol kezdjük el meggyelni. A különbségi hányados

 
∆w v (h) 1
$ $ sv $ u (s)
∆t0 h s

módon írható, ahol értelemszer¶en s $ 1/h. Mivel a v Wiener-folyamat, ezért az u (s) az el®z®
példa szerint szintén Wiener-folyamat. Ha h → 0, akkor s → ∞, így a dierenciahányados
határértéke az egyes kimenetelekre Wiener-folyamatként szétspriccel.
2
Az állítás fontos következménye, hogy az úgynevezett fehér zaj folytonos id®horizont esetén nem
tekinthet® valós érték¶ sztochasztikus folyamatnak. A fehér zaj intuitív szinten a folytonosan
beérkez® apró, nulla várható értékkel rendelkez® független lökésekb®l álló folyamat. A fehér zajt
leginkább a rosszul beállított rádió sistergéseként, vagy a rosszul beállított televizó képerny®jén
megjelen® pontok kavalkádjaként képzelhetjük el. A zaj azért fehér, mert nincsen benne informá-
ció és ezért nincsen szine. Hangsúlyozzuk, hogy a fehér zajnak az egyes id®pontokban felvett
értékei és nem a folyamat növekményei függetlenek. Mivel a fehér zaj egyes értékei függetlenek, a
fehér zaj integrálja, a független tagokból álló részösszegek folyamata, a lökések kumulált összege
független növekmény¶ kellene, hogy legyen. Ha ugyanis az I1 és I2 id®intervallumok metszete
üres, akkor az I1 -ben bekövetkez® hatások összege független lesz az I2 -ben bekövetkez® hatások
összegét®l. Mivel a lökések relatíve egyenl® és kicsi értékek, ezért az integrálfolyamatnak folyto-
nosnak kellene lenni, vagyis az apró lökésekb®l álló fehér zaj integrálfolyamata Wiener-folyamat.
De a Wiener-folyamatoknak nincsen deriváltja, így a folytonos id®paraméter¶ fehér zaj, mint
közönséges sztochasztikus folyamat értelmetlen. A sztochasztikus analízis célja éppen az, hogy az
intuitíve világos fehér zaj fogalmát matematikailag precíz módon kezelje. Ezen az úton az els®
lépés az, hogy megértsük, hogy a vállakozás miért is nem olyan egyszer¶.

Ezen a ponton érdemes egy lozóai kérdést is felvetni. Miért mondják a matematikusok, hogy a
fehér zaj fogalma értelmetlen, miközben a fehér zajt valóságként hallhatjuk és láthatjuk. Elment
ezeknek az esze? Az ellentmondásra a válasz természetesen a modell és a valóság nyilvánvaló
különböz®ségében rejlik. A sztochasztikus analízis a valóságos folyamatok egy képe. Hasonlóan,
ahogyan a fénykép nem azonos a fényképen szerepl® személlyel, a sztochasztikus analízis is csak
bizonyos szempontokból tükrözi a mögöttes meggyeléseket, folyamatokat. Számtalan statisztikai
vizsgálat létezik, amelyek azt igazolják, hogy a ténylegesesen meggyelt árfolyammozgások nem
írhatók le a matematikai pénzügyek egyenleteivel
24 . Nyilván nem! Miért olyan meglep® ez? A
két dolog mindjárt az elején szétvállik. Miközben a fehér zaj tapinthatóan, halhatóan létezik,
a fehér zaj matematikai modelljében a fehér zaj nem értelmezhet®. Csak az integrálját tudjuk
deniálni! Természetesen a modellt és a tényleges tapasztalatokat mindig össze kell mérni, a
kett®t tapasztalati úton kalibrálni kell. A közgazdaságtan egyik alapvet® problémája, hogy ezt
nem végzi el rutinszer¶en. Bár életünk párja nem azonos a róla készített esküv®i fényképpel, ennek
ellenére érdemes az esküv®i fotókat eltenni és id®nként el®venni. Miért? Hogy tudjuk, hogy mikor
és miért tévedtünk!
24 Az eloszlások farka vastag, a volatiltás klaszterez®dik, bla, bla, bla....
1.2. POISSON- ÉS LÉVY-FOLYAMATOK 12

1.2. Poisson- és Lévy-folyamatok


Természetesen Wiener-folyamaton kívül számos más típusú sztochasztikus folyamat létezik. Álta-
lában mi csak folytonos trajektóriával rendelekz® folyamatokat tárgyalunk, de röviden érdemes a
nem folytonos folyamatokat is megvizsgálni. A nem folytonos sztochasztikus folyamatok közül a
legfontosabbak a Poisson-folyamatok.

1.2.1. Poisson-folyamat
A Wiener-folyamat mellett a sztochasztikus folyamatok másik királya a Poisson-folyamat. A
Wiener-folyamat sok kis, önmagában jelentéktelen, gyakran, a matematikai absztrakció szerint
folyamatosan, bekövetkez® innitezimális hatású esemény eredményeként, ered®jeként létrejöv®
viselkedési forma modellezésére szolgál
25 . Ezzel szemben a Poisson-folyamat az R+ félegyenes
mint id®tengely mentén ritkán, egymástól függetlenül bekövetkez® események számát adja meg.
A kés®bbiek szempontjából érdemes hangsúlyozni, hogy ha a π (t, ω) folyamat Poisson-folyamat,
akkor a t 7→ π (t, ω) trajektóriáik monoton n®nek és nem folytonosak. Az, hogy az események
ritkán következnek be, a következ®t jelenti: elegend®en kicsi szakaszon már csak legfeljebb egy
esemény következhet be, vagyis az események bekövetkezésének id®pontjai nem torlódhatnak. En-
nek következtében a különböz® ω ∈ Ω véletlen kimenetelekre megadható egy (In (ω)), pozitív
számokból álló, természetesen ω -tól függ®, számsorozat, amely elemei a különböz® események kö-
zött eltelt, pozitív hosszúságú id®tartamokat adják meg. Az ω kimenetel realizációja esetén az els®
esemény az I1 (ω) > 0 id®pontban következik be, a második esemény I2 (ω) > 0 id®pont múlva,
vagyis az I1 (ω) + I2 (ω) id®pontban stb. A Poisson-folyamat fontos tulajdonsága, hogy a Wiener-
folyamathoz hasonlóan független és stacionárius növekmény¶. A stacionaritás feltétele azt jelenti,
hogy az id®tengely bármely azonos hosszúságú részén a folyamat által számlált események azonos
eséllyel következhetnek be, és mivel a folyamat független növekmény¶, ezért az egyes diszjunkt
id®szakaszokon a számlálandó események egymástól függetlenül következhetnek be. Hasonlóan a
Wiener-folyamathoz a Poisson-folyamat mint valószín¶ségszámítási jelenség független attól, hogy
az id®tengely mely pontját tekintjük indulópontnak, vagyis mikor kezdjük el a folyamat mögötti
események számolását. Ennek megfelel®en a Poisson-folyamat egy olyan ritka jelenségsorozat ese-
ményeit számlálja, amely eseményeket egy struktúráját nem változtató rendszer generál, nyilván
ritkán és véletlenszer¶en
26 .

Ha dt egy elegend®en kicsi id®hossz, akkor a ritkasági feltétel miatt egy dt hosszú id®szakaszon
csak egyetlen esemény következhet be. Legyen λdt közelít®leg annak a valószín¶sége, hogy a
számlálandó események valamelyike egy dt hosszú szakaszon bekövetkezik. Ha λ nagy, akkor
az adott rögzített dt hosszú szakaszon az esemény bekövetkezésének valószín¶sége nagy, így a
számlálandó események gyakran következnek be, ha λ kicsi akkor ritkán. Másképpen, ha a λ nagy,
akkor átlagban két esemény között kevés id® van, ha kicsi, akkor az átlagos várakozási id® hosszú.

25 Ez a feltétel nyilván nem mindig teljesül. A szokásos példa a következ®: Ha egy stadionba összegy¶jtünk
100 ezer embert majd hozzátesszük a világ legnehezebb emberét, az átlagos súly nem fog változni. Ha azonban
ezt a jövedelmekkel tesszük, könnyen elképzelhet®, hogy a világ leggazdagabb emberének nagyobb lesz a vagyona,
vagy akár a jövedelme, mint a stadionban lev® emberek összes vagyona, illetve jövedelme. F®leg, ha az afrikai
éjben a stationban éppen Ghána és Kamerun csapata játszik. A példából világos, hogy vannak esetek, amikor az
átlagtól való eltérést a rendszer bünteti. Ez például a testmagasság esetén így van. Ilyenkor a Wiener-folyamat
jól használható. Vannak azonban esetek, amikor a gy®ztes mindent visz. Ez a társadalmi különbségek esetén
igen gyakori. Gondoljunk csak arra, hogy a divat" milyen igazságtalan" tud lenni. A divatos könyvet mindenki
olvassa, az író dúsgazdag. A költ®k pedig gyakran nyomorognak. Valamely versenyszám gy®ztese a gy®ztes, a
második helyezete a vesztes. Ha az átlagtól való eltérést a rendszer nem bünteti, ha az átlag körüli szórás nagyon
nagy, akkor Wiener-folyamat valószín¶leg használhatatlan modellje a vizsgált jelenségnek.
26 Példaként szokás a balesetek, földrengések, cs®d események számát hozni. De szokás valamely telefonközpontba
beérkez® hívások számát is említeni. Ez utóbbi példa esetlegesen sántíthat. Ha mindenkinek van telefonja és
mindenki éjjel-nappal telefonál, nehéz a ritkasági feltételt komolyan venni. És valóban, számos statisztikai vizsgálat
ismert, amely azt mutatja, hogy a Poisson-folyamatra jellemz® exponenciális várakozási id® például a telefonhívások
közötti id®tartamokra nem jellemz®. Meg vagyunk lepve? Nem igazán. A Poisson-eloszlás ritka" események
számáról szól, mi pedig éjjel nappal, a metróban, az utcán, tetsz®leges percdíj esetén folyamatosan csevegünk. Még
mondja valaki, hogy a marketing nem, komoly dolog.
1.2. POISSON- ÉS LÉVY-FOLYAMATOK 13

A λ tehát az esemény bekövetkezésének intenzitását adja meg: a s¶r¶n bekövetkez®, intenzíven


jelentkez® események λ paramétere nagy, a ritkán bekövetkez®ké kicsi.

Ha egy 0<T <∞ hosszú szakaszt dt hosszú kis szakaszokra bontjuk, akkor N $ T /dt darab
kis részintervallumunk lesz. Mivel az egyes dt hosszú részintervallumokon az egyes események
bekövetkezése egymástól független, a T hosszú id®szak alatt

 N
N λT
(1 − λdt) = 1− ≈ exp (−λT )
N
annak a valószín¶sége, hogy a T hosszú id®tartam alatt nem következik be az esemény. A valószín¶-
séget megadó szorzat felírásakor természetesen felhasználtuk, hogy az egyes dt hosszú résszakaszo-
kon a bekövetkezés, pontosabban a be nem következés, valószín¶sége minden résszakaszon azonos.
Ez éppen a stacionaritás feltétele. A szorzat felírásakor felhasználtuk még, hogy a számlálandó
esemény be nem következése az egyes részintervallumokon a többi részintervallumtól függetlenül
nem történik meg. Másképpen, ha ξ jelöli azt a valószín¶ségi változót, hogy mennyi id® múlva jön
a következ® esemény, akkor
P (ξ > T ) = exp (−λT ) .
Ebb®l következ®en az események bekövetkezése között eltelt id®t megadó ω 7→ In (ω) valószín¶-
ségi változók eloszlása exponenciális, és az eloszlás paramétere
27 λ. Némiképpen általánosabban:
annak a valószín¶sége, hogy egy T k esemény
hosszú szakaszon pontosan következik be
 
N k N −k
Pk (T ) = (λdt) (1 − λdt) ,
k
N

ahol N $ T /dt a dt hosszú szakaszok száma. Az
k binomiális együttható képletét beírva

k  N −k
N! (λT ) λT
Pk (T ) = 1− .
k! (N − k)! N k N

Ha N nagy és k kicsi
28 , akkor

k  N −k
(λT ) λT N!
Pk (T ) = 1− =
k! N N k (N − k)!
k  N −k
(λT ) λT N (N − 1) · · · (N − k + 1)
= 1− ≈
k! N Nk
k
(λT )
≈ exp (−λT ) ,
k!
vagyis egy T hosszú id®szak alatt bekövetkez® események száma Poisson-eloszlást követ λT para-
méterrel. Ez indokolja, hogy a folyamatot Poisson-folyamatnak hívjuk. A Poisson-eloszlás várható
értékének képlete szerint egy T hosszú id®szakasz alatt bekövetkez® események számának várható
értéke λT . Ez tulajdonképpen nem meglep®, ugyanis az exponenciális várakozási id® miatt két
esemény között átlag 1/λ hosszú id®intervallum gyelhet® meg, vagyis egységnyi id® alatt átlag λ
esemény következik be, így T id® hosszú alatt átlagosan λT darab esemény gyelhet® meg.

Összefoglalva: A Poisson-folyamat a valószín¶ségszámítás két fontos eloszlását kapcsolja össze.


Az események közötti id® hossza exponenciális eloszlású, valamely adott id®szak alatt bekövetkez®
események száma viszont Poisson eloszlású. Az eloszlások paraméterei a következ®k: Ha λ az
események bekövetkezésének intenzitása, akkor a két esemény közötti várható id®tartam hossza
1/λ, ugyanis az exponenciális eloszlás várható értéke 1/λ. Ennek megfelel®en egy x T id®szak

27 Emlékeztetünk arra, hogy a ξ változó exponenciális eloszlású, ha P (ξ < x) = 1 − exp (−λx) . Ebb®l P (ξ ≥ x) =
exp (−λx) . Az exponenciális eloszlás várható értéke 1/λ, vagyis ha a λ intenzitási paraméter nagy, akkor az egyes
események között eltelt id® várható értéke, 1/λ, kicsi.
28 Vagyis ha rögzített k mellett dt → 0.
1.2. POISSON- ÉS LÉVY-FOLYAMATOK 14

alatt λT esemény következik be átlagosan, így az események számát megadó Poisson-eloszlás vár-
ható értéke λT . Ha átlagban két percenként változik az ár legalább egy forinttal, akkor egy óra
alatt átlagban 30 egy forintnál nagyobb árváltozást gyelhetünk meg. Ha átlagban két percen-
ként változik az ár, akkor a két árváltozás közötti id® átlagos hossza 2 perc. Ilyenkor, mivel az
exponenciális eloszlás várható értéke 1/λ a λ = 1/2. Ebb®l következ®en 60 perc alatti események
várható száma 60 ∗ 1/2 = 30.

1.2.2. Lévy-folyamatok
A Poisson- és a Wiener-folyamatok egy b®vebb folyamatosztály, a Lévy-folyamatok osztályának
alapvet® reprezentánsai. Valamely ζ (t, ω) folyamatot Lévy-folyamatnak, pontosabban Lévy-típusú
folyamatnak mondunk, ha

1. ζ (0) = 0,
2. a ζ (t) stacionárius és független növekmény¶,
3. a ζ (t) trajektóriái regulárisak abban az értelemben, hogy jobbról folytonosak és rendelkeznek
bal oldali véges határértékkel.

A korábbiakban nem szerepl®, így magyarázatra szoruló megkötés a harmadik. A feltétel szerint
valamely t 7→ ζ (t, ω) trajektória meggyelése esetén egy t0 id®pontban két dolog lehetséges: vagy a
trajektória a t0 id®pontban folytonos, vagy a trajektória ugrik. Az ugrás deníció szerint a szakadás
egy igen speciális esete, amikor az adott pontban a két különböz® oldalról vett határérték létezik
és véges, de a két határérték nem egyezik meg
29 . A feltétel szerint a trajektória értéke minden
id®pontban megegyezik a trajektória jobb oldali határértékével. A Wiener-folyamat folytonos
Lévy-folyamat. Nem egyszer¶ igazolni, de megmutatható a fordított implikáció is, vagyis minden
folytonos Lévy-folyamat Wiener-folyamat. Az állítás igazolása abból áll, hogy meg kell mutatni,
hogy ha a folyamat trajektóriái folytonosak, akkor a folyamat értéke minden id®pontban normális
eloszlású
30 . A trajektóriákra tett regularitási feltétel miatt a Lévy-folyamatok mindegyike három
fajta folyamat lineáris kombinációjára bontható. A három bázisfolyamat a következ®:

1. lineáris trend,
2. Wiener-folyamat, illetve egy
3. tiszta ugrófolyamat.

A lineáris trend oka, hogy a Lévy-folyamatokat deniáló feltételek között nem szerepel, hogy a
növekmények várható értéke nulla legyen
31 , következésképpen el®fordulhat, hogy a növekmények
várható értéke az id®vel arányosan n®, illetve csökken. A folyamat folytonos részét a Wiener-
folyamat reprezentálja. A folyamat ugrásainak szerkezete, a trajektóriákra tett feltételek miatt,
igen speciális. Ha a > 0, akkor a folyamat α-nál nagyobb ugrásai nem torlódhatnak, ugyanis ha
torlódnának, akkor a trajektóriákra tett regularitási feltételek az ugrások torlódási pontjában nem
teljesülnének, ugyanis a torlódási pontban a folyamat valamelyik határértékének, vagyis vagy a
jobb, vagy a bal oldali határértéknek, az a pozitivitása miatt, végtelennek kellene lenni. Ebb®l
következ®en az a > 0 értéknél nagyobb abszolut érték¶ ugrások ritkák
32 , így az
a-nál nagyobb
nagyságú ugrások száma Poisson-folyamatot alkot. (a − da, a + da) sza-
Ebb®l következ®en az
kaszba es® ugrásokat megadó részfolyamat jól közelíthet® egy alkalmas λ (a) paraméter¶ a · π (t, ω)
Poisson-folyamattal, ahol a π természetesen az ugrásokat számláló Poisson-folyamat és λ (a) pedig
az a körüli ugrások id®ben való bekövetkezésénk intenzitásától függ®, a Poisson-folyamat tárgyalá-
sakor említett konstans. Ebb®l következ®en egy lineáris trendt®l eltekintve minden Lévy-folyamat
egy Wiener-folyamat és esetlegesen végtelen sok különböz® λ (a) paraméter¶ Poisson-folyamat vég-
telen súlyozott összegeként képzelend® el
33 . A folyamat ugrásainak intenzitását megadó összefüg-
gést vagyis az a 7→ λ (a) hozzárendelést a folyamat spektumának mondjuk. A spektrum elnevezést

29 Másképpen fogalmazva az oszcilláló, illetve a végtelenbe tartó határértékeket deníció szerint kizárjuk.
30 Ez, miként korábban már említettük a centrális határeloszlás-tétel egy igen éles verziójából következik.
31 S®t, elképzelhet®, hogy a várható érték végtelen, vagy esetlegesen nem is létezik!
32 Miként írtuk a ritkaság azt jelenti, hogy az egyes bekövetkezési id®pontok nem torlódhatnak.
33 Az állítás csak heurisztikusan igaz, elképzelhet®, hogy a folyamat ugrásaiból álló sorozat az id®ben való bekö-
vetkezés sorrendjében konvergens, de nem abszolút konvergens, így ha az ugrásokat a bekövetkezésükt®l eltér®en
1.2. POISSON- ÉS LÉVY-FOLYAMATOK 15

az indokolja, hogy miként a fény spektruma megadja a fénysugár felbontását különböz® rezgés¶
tiszta fénysugarakra, egy Lévy-folyamat a 7→ λ (a) spektruma a folyamat felbontását adja meg
λ (a) intenzitású tiszta ugró folyamatokra. Természetesen konkrét Lévy-folyamat esetén a spekt-
rum a folyamat közvetlen meggyelése alapján kiszámolható, s®t kiszámolandó, ugyanis a folya-
mat ugrásaira vonatkozó legalapvet®bb információkat éppen a spektrum tartalmazza. A spektrum
meggyelése az egyes ugrásokhoz tartozó Poisson-típusú részfolyamatok meggyelését jelenti. Ez
indokolja azt, hogy a Wiener-folyamatok mellett a Poisson-folyamatokat tekintjük a sztochasztikus
folyamatok másik alaptípusának. Valószín¶ségszámítási értelemben a Lévy-folyamatokat a lineáris
komponens, a Wiener-komponens együtthatója, illetve a spektrálfüggvény jellemzi. A három ob-
jektumot együttesen a folyamat karakterisztikájának szokás nevezni. Lévy-folyamat esetén csak a
karakterisztika bír valószín¶ségszámítási jelent®séggel. Ténylegesen maga a ζ Lévy-folyamat nem
gyelhet® meg, csak a folyamat valamely, véletlenszer¶en választott realizációja. A meggyelt
realizáció alapján várhatóan
34 reprodukálható a karakterisztika. Valamely folyamattal kapcsolat-
ban csak azok a matematikai formulák bírnak valószín¶ségszámítási jelent®séggel, tartalommal,
amelyek statisztikailag meggyelhet® adatokra épülnek. Lévy-folyamatok esetén ez azt jelenti,
hogy a valószín¶ségszámítási szempontból releváns formulák adatként egyedül a karakterisztikát
tartalmazhatják.

A gyelmes olvasónak feltünhetett, hogy a Lévy-folyamatok értékét a trajektória jobb oldali határ-
értékével deniáltuk. Miért a jobb és miért nem a bal oldali határértéket vettük? A kérdés pontos
tisztázása igen messze vezetne, de a két féle folytonosság közötti eltérés heurisztikusan megérthet®.
Az id®tengely nem szimmetrikus! Az id®, a számegyenes szokásos ábrázolásában, balról jobbra
halad. Az ugrások id®pontjában a jobb oldali határérték, balról jobbra haladva soha sem látható
el®re, a bal oldali, legalábbis innitezimálisan, azonban el®relátható. Ennek megfelel®en a balról
folytonos folyamatokat, így a folytonosakat is, el®rejelezhet®nek mondjuk, a jobbról folytonosakat
pedig kockázatosnak. Az ugrásokat is tartalmazó Lévy-folyamatok kockázatosak. A kockázatos-
ságuk abból ered, hogy a folyamat nagysága tetsz®leges id®pontban még innitezimálisan sem
jelezhet® el®re. A két folyamatosztály közötti eltérésre a sztochasztikus integrálás tárgyalásakor
hallgatólagosan kés®bb vissza fogunk térni
35 .

1.2.3. Bolyongások, kompenzált Lévy-folyamatok


A Lévy-folyamatok esetén a növekmények várható értékére nem tettünk megkötést. Többek között
az is el®fordulhat, hogy a növekmények eloszlásának nincsen várható értéke. Tegyük fel, hogy az
egységnyi id®tartományhoz tartozó növekmény várható értéke létezik, és az egységnyi id® alatti
növekmény várható értékét jelölje M . Ha ξ (t, ω) jelöli a Lévy-folyamatot, akkor az η (t, ω) $
ξ (t, ω) − tM folyamat szintén Lévy-folyamat, de az η növekményeinek várható értéke már nulla.
A t 7→ tM lineáris függvényt a ξ folyamat trendjének, vagy kompenzátorának mondjuk. A nulla
várható értékkel rendelkez® Lévy-folyamatokat bolyongásnak
36 mondjuk. Ha a ξ Lévy-folyamat és
a folyamatnak létezik kompenzátora, akkor az η kompenzált folyamat bolyongás. A kompenzáció
elnevezés oka a következ®: Ha a ξ Lévy-folyamat valamilyen  játék nyereményét írja le, akkor
a nyereményfolyamatot két felé bonthatjuk: A t 7→ tM trend biztos nyereménynek tekinthet®, a
ξ (t, ω) − tM bolyongás rész pedig a játék véletlen része. Az η bolyongás nyilván fair játék, az η
átcsoportosítjuk, vagyis el®bb nagyság szerint, aztán id® szerint rendezzük ®ket, akkor nem kapunk konvergens
konstrukciót. A felmerül® probléma heurisztikusan igen nehezen áttekinthet® és érzékelhet®, így csak mint érde-
kességet jelezzük. A kérdés összefügg a kés®bb tárgyalt kvadratikus variációval. Minden Lévy-folyamat négyzetes
megváltozása véges, de a teljes megváltozása nem feltétlenül. A heurisztikusan vázolt felbontás csak akkor m¶ködik,
ha a kvadratikus variáció mellett a teljes megváltozás is véges. Ha csak a négyzetes megváltozás véges, akkor a
lineáris trend egy részével az ugrásokat kompenzálni kell. Az ugró rész és a lineáris trend viszonya igen szövevényes,
következésképpen matematikailag varázslatosan szép, az alkalmazások szempontjából azonban másodlagos.
34 Mint általában a statisztikában, most is csak remélhetjük, hogy a realizáció elég reprezentatív. Az meg már
lozóai kérdés, hogy mit kezdünk azokkal a tulajdonságokkal, ami a konkrét meggyelt realizációban nem gyelhet®
meg, ugyanis az adott tulajdonságot a véletlen trajektória nem reprezentálja. Például ha a spektrum egy része a
konkrétan meggyelt trajektóriában nem jelentkezik, akkor a nem jelentkez® ugrások most léteznek vagy sem?
35 A sztochasztikus integrálás során az integrátor kockázatos, az integrandus el®rejelezhet®.
36 A bolyongás fogalma az irodalomban csak részben jól deniált. Szokás bolyongásról csak diszkrét id®horizonton
beszélni.
1.2. POISSON- ÉS LÉVY-FOLYAMATOK 16

várható értéke minden id®pontban nulla, a kompenzált η esetén valódi, korrekt szerencsejátékkról
van szó. A ξ játék azonban csak akkor fair, ha a játékban való részvételért kompenzáció jár.
Ésszer¶ feltételek mellett csak akkor vehetünk részt a játékban egy t hosszú id®szakon keresztül,
ha kizetjük, vagy megkapjuk a tM részvételi díjat. Ha ξ (t, ω) valamilyen biztositási esemény
során keletkez® kár folyamata, akkor a tM tekinthet® a ξ (t, ω) véletlenszer¶en jelentkez® kár
elleni biztosításért járó biztosítási díjnak.

1.2.4. Markov-láncok
Az olvasónak talán felt¶nt a Poisson és az exponenciális eloszlás kitüntetett szerepe. Valóban,
folytonos id®horizonton három ismert eloszlásé a f®szerep: normális, exponenciális és Poisson.
Igazándiból azonban a Poisson eloszlás pusztán egy másik arca az exponenciális eloszlásnak. Va-
lójában a valószín¶ségszámításban két központi jelent®ség¶ eloszlás létezik: A normális és az
exponenciális. Némi egyszer¶sítéssel és er®s túlzással a normális eloszlás a pozitív és negatív ér-
tékeket egyaránt felvev® változók eloszlása, az exponenciális a pusztán pozitív értékeket felvev®
változók standard modellje
37 . A leginkább kézenfekv®en pozitív értékeket felvev® változó az eltelt
id® hossza. A várakozási id®k standard modellje az exponenciális eloszlás, a Poisson-eloszlás pedig
úgy kerül a képbe, hogy ha bizonyos egymást követ® események közötti id®tartamokat azonos para-
méter¶ és független exponenciális eloszlású változók sorozata írja le, akkor egy x id®tartam alatt
bekövetkez® események száma Poisson-eloszlású. Vagyis ha valamilyen események bekövetkezését
számolom, akkor a természetes eloszlás a Poisson, ha id® hosszakat mérek, akkor a természetes ke-
ret az exponenciális eloszlás. De miért éppen az exponenciális eloszlás? Van-e erre valami hasonló,
általános elv mint a centrális határeloszlás tétele, amelyre hivatkozva indokolni szokás a normális
eloszlást. Az exponenciális eloszlás fontosságát az adja, hogy homogén Markov-folyamatok esetén
az egyes állapotokban való várakozás id®tartama mindig exponenciális eloszlású
38 .

Bár a kés®bbi tárgyalás szempontjából nem bír jelent®s szereppel röviden, néhány sor erejéig
mégis foglalkozzunk a Markov-folyamatokkal. A Lévy-folyamatok bár széles körben használhatóak
nem minden sztochasztikus jelenség leírására alkalmasak. Tulajdonképpen a különböz® alkalmazá-
sokban a legtermészetesebben jelentkez® osztály nem a matematikai pénzügyekben kézenfekv®en
jelentkez® Wiener-folyamatok és az alább bevezetett martingálok, illetve szemimartingálok. Ezek
az osztályok viszonylag kés®n kerültek a matematika vizsgálatok homlokterébe. A leginkább ké-
zenfekv®, leginkább természetes osztály a Markov-láncok osztálya.
39

Hogy konkrét példáról beszéljünk induljunk ki abból, hogy adott kötvények egy halmaza. A
kötvények nem feltétlenül kereskedettek, de mindegyik valamilyen rating kategóriába tartozik.
Az egyszer¶ség kedvéért a rating osztályok száma legyen N. Mivel a rating kategória a kötvény
zet®képességének valószín¶ségét reprezentálja, ha valamely kötvény egy alacsonyabb kategóriába
kerül, akkor az ára csökken. A kötvényekb®l álló portfolió értékének dinamikáját nyilvánvalóan
az összetételének megváltozása adja meg. Ha nagyon sok kötvény kerül alacsonyabb kategóriába,
akkor a portfolió értéke csökken, ha a kötvények besorolása átlagban n®, akkor a portfolió értéke
feltehet®en növekszik. Tegyük fel, hogy a rating besorolás tökéletesen fedi a kötvény tényleges
helyzetét. Ebb®l következ®en csak új információ hatására változik a besorolás. Feltételezzük,
hogy valaminek történni kell, valamilyen új információ kell ahhoz, hogy egy kötvényt átsoroljuk
az egyik kategóriából a másikba. Idáig a dolog igen emlékeztet a bolyongásra, illetve a Lévy-
folyamatokra. Van azonban egy további feltétel: Az új információ beérkezésének módja és hatása
egyedül az aktuális rating kategória függvénye. Más paraméter¶ folyamatok lökik ki az egyes
osztályokban szerepl® kötvényeket az aktuális állapotukból. Ugyanakkor az azonos kategóriában

37 Természetesen minden ilyen általános kijelentés triviálisan hamis és ostobán leegyszer¶sít®. Gondoljunk arra,
hogy a részvények árát általában lognormális eloszlással modellezzük. Ugyanakkor a hozamok eloszlása a matema-
tikai pénzügyek standard feltételei szerint normális. Az exponenciális és a normális eloszlás kitüntetett szerepér®l
szóló állítás csak egy durva és gyakran hibás, de azért id®nként jól használható irányt¶nek tekinthet®. Mégis merre
van észak? Hát ott ahol a fák mohásak.
38 A várakozási id®t leíró eloszlás paramétere függhez az állapottól, amelyben a rendszer várakozik és az expo-
nenciális eloszlás lehet elfajuló is, vagyis a paramétere lehet nulla vagy végtelen is.
39 A Markov-láncok elmélete számtalan alkalmazással rendelkezik.
1.3. A TÖKÉLETES VÉLETLEN: MARTINGÁLOK 17

lev® kötvényekre azonos er®k hatnak. Továbbá a változás hatása is más és más lesz az egyes
kategóriákban. Ennek megfelel®en a múlt nem igazán hat a jöv®re
40 , de a jelen igen. Valamely
folyamatot Markov-folyamatnak mondunk, ha a jöv® el®rejelzése független a múlttól, de azért
a jöv® függhet a jelent®l. Másképpen a jöv® csak a jelenen keresztül függ a múlttól. Ennek
megfelel®en a Lévy-folyamatok nyilván Markov folyamatok. A jöv® állapot függ a növekményt®l
és a jelen állapottól. Ha t > s, akkor

X (t) = X (s) + X (t) − X (s) .

Az X (t)−X (s) növekmény a Lévy-folyamatot deniáló függetlenségi feltétel miatt a múlt alapján
nem becsülhet® meg. De az X (t) értéke szempontjából az X (s) értéke fontos. Egy fej-vagy írás
játékban egy adott id®szak alatti becs®dölés valószín¶sége függ attól, hogy mennyi pénzünk volt
a játék kezdete el®tt!

A rating osztályokra visszatérve vegyük észre, hogy a Markov-folyamatok korábban idézett tu-
lajdonsága alapján az egyes kategóriákban való tartózkodás ideje exponenciális eloszlású, vagyis
minden rating osztályban a kötvények egy exponenciális eloszlású várakozási id® szerint pihen-
nek. Az egyes osztályokhoz tartozó λi intenzitási paraméterek nem feltétlenül azonosak. Az egyes
osztályokból való kilöködést generáló folyamat hasonló a Poisson-folyamatoknál tárgyalt folya-
matokhoz. Ha azonban az ugrást kiváltó ok bekövetkezik, akkor szemben a Poisson-folyamattal
nem pusztán húzunk egy vonalat, na még egy ugrást láttunk. Ha ezt tennénk, akkor N darab
Poisson-folyamatunk lenne. A rating osztályok közötti mozgást megadó Markov-lánc az N darab
kilöködési folyamat összekapcsolásából áll. Megnézzük, hogy az ugrást követ®en hova lépett a
kötvény, mi lett az új rating osztály. Vagyis minden állapot esetén a λi paraméter mellett azt is
meggyeljük, hogy mi az új állapot eloszlása, hova lépett az egyed. A folyamat m¶ködése tehát
a következ®: Várakozás, majd egy új állapotba való ugrás, majd megint várakozás, majd megint
ugrás stb. A lényeges feltétel, hogy mint a várakozás id®tartamának eloszlása, mind a lehetséges
új állapotok eloszlása csak az éppen aktuális állapottól függ és független attól, hogy milyen úton
jutott el az adott kötvény a megfelel® rating osztályba.

Látható, hogy a modell paraméterei általában könnyen meggyelhet®ek és ez a Markov-láncokat


a gyakorlati alkalmazások szempontjából kiemelked®en fontossá teszik. Mi azonban csak azért
tárgyaltuk röviden a Markov-láncokat, hogy jelezzük, hogy az alább tárgyalt martingálelméleten
kívül más fejezetei is vannak a sztochasztkus folyamatok elméletének
41 .

1.3. A tökéletes véletlen: martingálok


A bolyongások a fair véletlen folyamatok egy speciális osztályát alkotják. A martingál fogalma
a bolyongás fogalmának leheletnom általánosítása. Heurisztikusan a martingálokat a fair sze-
rencsejátékokkal szokás azonosítani, de a két fogalom azonosítása csak azért nem megfelel®, mert
nem tudjuk, hogy mit jelent a fair szerencsejáték kifejezés. Egy szerencsejáték pontosan akkor
fair, ha a játék kumulált nyereménye martingált alkot! Egy másik deníció, hogy egy játék fair, ha
a játékban való részvételért nem jár kompenzáció. OK, de mi a kompenzáció deníciója, milyen
folyamatokat tekinthetünk kompenzációnak? Egy további deníció szerint egy játék fair, ha az
eredménye tökéletesen véletlen. De mikor lesz egy sorozat eredménye teljesen, vagy tökéletesen
véletlen? A martingál deníciója a sztochasztikus folyamatok elméletének egyik nagy eredménye.
Igen, a matematika tételekr®l és fogalmakról szól! A tételek mellett igen fontosak, ha nem fon-
tosabbak, a megfelel® jó deníciók, fogalmak meghatározása. A valószín¶ségszámítás, illetve a
sztochasztikus folyamatok egyik célja a tökéletes véletlen, a tovább nem bontható atomisztiku-
san strukturálatlan véletlen, a fehér zaj deniálása. Mikor tekintsünk egy (ξ k ) sorozatot teljesen
véletlennek, fehér zajnak? Egyrészr®l nyilván olyan deníciót akarunk, amely közel áll a fogalom

40 Ez az a feltétel, miszerint a rating osztály mindent tartalmaz, amit érdemes a kötvényr®l tudni.
41 Valójában miként jeleztük többr®l van szó. Az alkalmazások többsége a Markov-láncokra és nem a martingá-
lelméletre épül. A sztochasztikus analízis és a pénzügyi matematika a sztochasztikus folyamatok alkalmazásának
csak egy igen divatos töredéke.
1.3. A TÖKÉLETES VÉLETLEN: MARTINGÁLOK 18

köznapi értelmezéséhez, másrészt olyan fogalmat szeretnénk, amellyel azért könny¶ számolni. Ha
a (ξ k ) sorozat tagjai csak korrelálatlanok, akkor a matematikai tapasztalat azt mutatja, hogy a
(ξ k ) sorozat matematikailag túl általános42 . A korrelálatlanság túl enyhe megkötés. A matemati-
kai tapasztalat, hangsúlyozom a tapasztalat, azt mutatja, hogy a korrelálatlan sorozatokkal nehéz
dolgozni, így a korrelálatlan sorozatok praktikus
43 okokból nem tekinthet®ek a véletlen sorozat
megfelel® modelljének. Kolmogorov egyik alapvet® hozzájárulása a valószín¶ségszámításhoz az
volt, hogy megmutatta, hogy ha a (ξ k ) sorozat tagjai függetlenek, akkor a (ξ k ) sorozattal könny¶
dolgozni, vagyis elegáns módon beláthatóak olyan tételek, amelyeket a tökéletesen véletlen so-
rozatoktól heurisztikusan elvárunk.

A függetlenség fogalmát a bevezet® valószín¶ségszámítási kurzusokon természeti törvényként, a


priori kategóriaként szokás bevezetni. Úgy szokás tenni, mintha a függetlenség a tér és id® ka-
tegóriájával azonos szinten lev® alapkategóriája lenne a szemléletünknek. Az események szintjén
ez talán így is van, de a változók esetén a deníció nagyon szép és elegáns, de nem feltétlenül és
megkérd®jelezhetetlenül azonos a függetlenség intuitív fogalmával
44 . Emlékeztetünk, hogy való-
szín¶ségi változók egy (ξ k ) sorozatának tagjait függetlennek mondunk, ha bárhogyan is választunk
k1 , k2 , . . . , kn indexeket és A1 , . . . , An ⊆ R halmazokat, akkor
  
P ξ k1 ∈ A1 , . . . , ξ kn ∈ An = P ξ k1 ∈ A1 · · · P ξ kn ∈ An .

Vagyis valószín¶ségi változók akkor függetlenek, ha az együttes eloszlásuk a peremeloszlások szor-


zataként írható fel. A függetlenség deníciója szerint az összes valószín¶ségi változó segítségével
megfogalmazható események valószín¶sége azonos a különálló valószín¶ségek szorzatával! A vál-
tozók függetlenségének denícióját visszavezettük az általuk megfogalmazható események függet-
lenségére. A deníció egyszer¶, szemléletes és elegáns. A függetlenség legel®ny®sebb tulajdonsága,
hogy ha a ξ és az η változók függetlenek és f és g 45 függvények akkor az
tetsz®leges f (ξ) és a g (η)
változók függetlenek lesznek. Függetlenségb®l következik a korrelálatlanság, így

M (f (ξ) g (η)) = M (f (ξ)) M (g (η)) .

Speciálisan tetsz®leges s és t számok esetén

M (exp (itξ + isη)) = M (exp (itξ) exp (isη)) = M (exp (itξ)) M (exp (isη)) ,

ahol
exp (ix) $ cos x + i sin x.
Ezt úgy szokás kifejezni, hogy az együttes eloszlás karakterisztikus függvénye a karakterisztikus
függvénye szorzataként írható fel. Ez a tulajdonság ráadásul jellemzi is a független változókat,
vagyis két változó pontosan akkor független, ha az együttes eloszlásúk karakterisztikus függvé-
nye szorzat alakba írható. A függetlenséggel kapcsolatos tételek zöme nem túl meglep® módon a
karakterisztikus függvény segítségével indokolható a legegyszer¶bben. A klasszikus valószín¶ség-
számítás tételei a matematikai gondolkodás remekm¶vei. Sajnos ebb®l még nem következik, hogy

42 A statisztika a véletlen sorozatot a korrelálatlan sorozattal azonosítja. A függetlenség nem mérhet®", statisz-
tikailag nem verikálható", az adatok alapján nem ellen®rizhet® fogalom. A valószín¶ségszámítás a korrelálatlan
sorozatokat csak akkor tekinti tökéletesen véletlennek", ha a sorozat tagjainak eloszlása normális. Ilyenkor azonban
a korrelálatlanságból következik a függetlenség.
43 A paraktikus szó tartalma most a bels® matematikai építkezés praktikus aspektusaira vonatkozik.
44 Hangsúlyozni kell, hogy a matematika egyik célja, hogy pontosítsa és rögzítse az intuitív fogalmak tartalmát.
Evvel felbecsülhetetlen szolgálatot tesz az emberi gondolkodásnak, de azt azonban látni kell, hogy a fogalomalkotás
is történelmi folyamat és nem mindig sikerül els®re a legjobb matematikai modellt megtalálni a köznyelvben szerepl®
valamilyen intuitív tartalomra. Egy matematikai modell, fogalom jóságát a mikroökonómiában ismert elv írja le: A
modellnek egyszerre kell egyszer¶nek és az intutívnek lenni. A két szempont gyakran egyszerre csak egymás rovására
érvényesíthet®. A matematikai által használt fogalmak megalkotása hasonló a számítógépes metaforák" készítéhez.
Egy jó számítógépes metafora" elegáns, egyszer¶ és intuitív. És a mögöttes kód általában igen bonyolult.
45 Én is tudom, hogy csak Borel-mérhet®ek lehetnek, de ez a Borel-blabla az amit az olvasó nyugodtan gyelmen
kívül hagyhat. Egy közgazdász szerintem nem képes egy nem Borel-mérhet® függvényt elképzelni. Ha az olvasó az
egyetem befejezése helyett még mindig vágyik a matematikai pontosságra, akkor legyenek az f és g folytonosak.
Evvel az állítás precíz lesz.
1.3. A TÖKÉLETES VÉLETLEN: MARTINGÁLOK 19

megtaláltuk a tökéletes véletlen denícióját. A független valószín¶ségi változókból álló soroza-


tok sajnos bizonyos dolgokat nem tudnak
46 . Az egyik legnagyobb és leginkább kézenfekv® gond,
hogy a független tagokból álló sorozatok nem alkotnak lineáris teret. Az lineáris kombináció a
legtermészetesebb matematikai m¶velet, amely minden korlátozás nélkül való végrehajthatósága
minden lényeges matematikai fogalom esetén alapkövetelmény. Bármilyen ésszer¶ matematikai
fogalmat is deniálunk nagyon jó oka kell lenni annak, ha nem akarjuk a területen a lineáris al-
gebra eszközeit használni. A sztochasztikus folyamatok elméletét megalapító Doob érdeme, hogy a
független, nulla várható érték¶ sorozat fogalmát felcserélte a martingál fogalmával
47 . A martingál
a bolyongás fogalmának továbbfejlesztése. Ha a bolyongás a Windows 2000, akkor a martingál
a Windows XP
48 . Két változó függetlensége szimmetrikus fogalom. Egyik sem magyarázható a
másikkal. Az id®ben alakuló folyamatok esetén a függetlenség némiképpen túl er®s megkötés. Ha
valamely sztochasztikus folyamat független növekmény¶, akkor a növekmény független a múlttól,
vagyis a múltból nem tudunk a jöv®ben bekövetkez® megváltozásra következtetni. De ez fordítva
is igaz. A változás ismerete nem hordoz információt a múltról. De a múlt és a jöv® nem teljesen
szimmetrikus!

1.3.1. Filtráció és martingálok


A martingál deníciója a következ®: Legyen adva egy (Ω, A, P) valószín¶ségi mez®. Legyen T
a lehetséges id®pontok halmaza. Az A eseménytér mellett legyenek még adva az Ft , t ∈ T ese-
ményterek, amelyek a t id®pontig bekövetkezett eseményeket tartalmazzák. Az Ft interpretációja
miatt, ha s < t a T két lehetséges id®pontja, akkor Fs ⊆ Ft , vagyis has < t, akkor minden
az s id®pontig meggyelhet® esemény meggyelhet® a t id®pontig is. Az (Ft )t∈T matematikai
struktúrát ltrációnak mondjuk.

Az (Ω, A, P) mez® mellett az (Ft ) ltrációt is a modell alapadatának tekintjük. A T id®halmazon


értelmezett ξ (t) folyamatot az (Ω, A,P, (Ft )) alapadatok mellett martingálnak mondjuk, ha az
alábbi tulajdonságok teljesülnek:

1. A ξ (t) trajektóriái jobbról folytonosak és rendelkeznek bal oldali határértékkel.


2. Minden t∈T esetén létezik az M (ξ (t)) várható érték és ha s < t, akkor M (ξ (t) | Fs ) = ξ (s).
Az els® tulajdonság diszkrét id®pontokból álló T esetén természetesen semmitmondó, folytonos
id®horizont esetén a korábban elmondottaknak megfelel®en azt jelenti, hogy a martingálok kocká-
zatos folyamatok. Rendelkezhetnek ugrásokkal, de az ugrásokat még innitezimálisan sem lehet
el®relátni, ugyanakkor a folyamatnak az ugrásokon kívül más típusú szakadásai nem lehetnek. A
második tulajdonság szerint a folyamat statisztikailag el®rejelezhetetlen, vagyis a ξ (t) érték leg-
jobb becslését
49 az Fs alapján a ξ (s) adja. A folyamat martingál, ha a múltja alapján a jöv®jét
nem lehet el®rejelezni.

Egy folyamat tökéletesen véletlen, ha a múltja nem szolgáltat információt a jöv®jére nézve. A
legtöbb amit a múltból a jöv®re nézve kiolvashatunk az a jelen állapot.

Nem rossz deníciója a tökéletes véletlennek, jobb, és valljuk meg heurisztikusan is jobb és

46 A tökéletesen véletlen sorozatoktól elvárjuk, hogy az ellenük folytatot stratégiai játék eredménye is tökéletesen
véletlen legyen. Bolyongás ellen végrehajtott stratégiai játék nyereménye csak martingál, folytonos esetben csak
lokális martingál, és nem bolyongás.
47 Némi zavart okozhat, hogy a bolyongást most azonosítjuk a független, nulla várható érték¶ sorozattal. A bolyon-
gás tulajdonképpen független, nulla várható értékkel rendelkez® sorozatból, a fehér zajból, képzett sor részletösszeg
sorozata. A martingál a bolyongásnak felel meg, a véletlen sorozatnak, a fehér zajnak a martingáldierencia so-
rozat felel meg. Diszkrét id®ábrázolás esetén a martingál és a martingáldierencia ekvivalens ábrázolási formák.
Folytonos id®paraméter esetén azonban a martingál, illetve a bolyongás értelmes fogalmak, a fehér zaj, vagyis a
folytonosan képzett növekményekb®l álló folyamat, vagyis a deriváltakból álló folyamat matematikailag nehezen
értelmezhet®.
48 Ha tetszik a lokális martingál pedig a Vista.
49 Természetesen még most is körbeforog a deníció, ugyanis a becslés szót a feltételes várható értékkel deniáljuk.
A feltételes várható érték legegyszer¶bb tulajdonságait a függelékben röviden össze fogjuk foglalni.
1.3. A TÖKÉLETES VÉLETLEN: MARTINGÁLOK 20

világosabb, mint a korábbi bolyongásra épített megközelítés!


50

Ezen a ponton érdemes egy további fontos lozóai megjegyzést tenni. A Kolmogorov-féle való-
szín¶ségszámítási modellnek van egy alapvet® hibája. A hiba a teljes valószin¶ségszámítás hibája,
mondhatnánk az általunk is használt teljes matematikai modell gyenge pontja. Mikor is tekintünk
egy sorozatot véletlennek? Ha adott valószín¶ségi változók egy meghatározott tulajdonságokkal
rendelkez® diszkrét vagy folytonos idej¶ folyamata. OK, de mit is jelent ez? Hát diszkrét id®-
ábrázolás esetén ez azt jelenti, hogy minden ω esetén adott egy (ξ k (ω)) számsorozat. Minden ω
esetén! Valójában azonban ilyen nincsen! Egy részvény árának alakulása csak egyszer gyelhet®
meg. Mi van a többi ω esetén való realizációval? Reméljük, hogy azok is olyanok mint a meggyelt.
De mit jelent az, hogy olyanok mint a meggyelt sorozat? A Lévy-folyamatok esetén bevezetett
stacionárius és független növekmény feltétele éppen azt szolgálja, hogy biztosítsa, hogy a külön-
böz® ω kimenetelek esetén meggyelt konkrét sorozatok, realizációk nagyon hasonlóak legyenek,
vagy legalábbis a különböz® lehetséges sorozatok hosszútávú átlagos tulajdonságai stabilan visel-
kedjenek
51 . Na de egy sorozat, hangsúlyozom egyetlen sorozat mikor tekinthet® véletlennek? Az
általunk vizsgált egy darab részvény, egyetlen realizációja mikor tekinthet® véletlen sorozatnak? A
kérdés többek között Kolmogorovot is izgatta. Nem véletlenül. Az általa és számos más matemati-
kus
52 által talált válasz a következ®: Tegyük fel, hogy adott (an ) számok egy sorozata. Ha tetszik
az (an ) sorozat lehet 0 és 1 jelek egy végtelen sorozata. Ha a sorozat nem véletlen, akkor van benne
valami szabályszer¶ség. De mikor mondjuk, hogy egy sorozatban van valamilyen szabály? Ak-
kor mondjuk, hogy egy sorozatban van szabály, ha megadható egy olyan eljárás, amely rövidebb,
egyszer¶bb mint az eredeti és amelyet alkalmazva reprodukálni tudjuk a sorozatot. Egy sorozat
véletlen, ha nincsen benne szabály. Némiképpen pontosabban fogalmazva, ha egy sorozatban van
szabály, akkor írható egy olyan számítógépes
53 program, amely el®rejelzi a sorozat tagjait54 . A
program hossza tekinthet® a sorozat komplexitásának mértékének. Ha a lehetséges legrövidebb
program n sorból áll, akkor a sorozat komplexitása n. Ha a legrövidebb program, hossza, amely
a sorozat els® n tagjából el®rejelzi a sorozat (n + 1)-edik tagját az n növekedésével arányosan n®,
akkor a sorozat véletlen. Vegyük észre, hogy éppen err®l van szó a részvények áralakulásának
el®rejelzése esetén is. Nincs olyan x hosszú, el®re rögzített számítógépes program, amely a már
ismert adatokból az adatsor következ® tagját megadja. A martingál deníciója a véletlen soro-
zatok éppen ezen tulajdonságát ragadja meg. Nincs olyan statisztikai módszer, amely alapján a
múltból a jöv® el®rejelezhet® lenne. Másképpen fogalmazva a sorozat komplexitása a sorozatban
lev® információ nagyságának mértéke, bármit is jelentsen az információ szó. Ha a sorozat véletlen,
akkor a sorozat minden tagja meglepetés, vagyis a sorozat információtartalma nem tömöríthet®.
A martingál olyan sztochasztikus folyamat, amely meggyeléséb®l származó információtartalom
nem tömöríthet®.

Már jeleztük, de nyomatékosan hangsúlyozni kell, hogy a martingál a bolyongáshoz hasonlóan ku-
mulált fogalom, vagyis véletlen lökések összege. A fehér zaj intuitív fogalma a folyamatosan
megjelen® lökések folyamata; a bolyongás, illetve a martingál ezek integrálja. A gond csak az,
hogy folytonos id®ábrázolás esetén az integrálfolyamat létezik, de nem létezik a deriváltfolyamat
55 .
Folytonos id®ábrázolás esetén a fehér zaj értelmetlen fogalom. Ha azonban a ξ martingál és az

50 Persze hátra van a feketeleves, az M (ξ (t) | Fs ) feltételes várható érték. A lozóai duma igen fontos, de a
végén, a függelékben egy kis matematika is lesz azért.
51 Véletlengenerátorokkal való egyszer¶ játszadozással könny¶ belátni, hogy az egyes ω kimenetelek melletti tra-
jektóriák igencsak különböz®ek lehetnek. Egyik alapvet®en n®, a másik alapvet®en csökken stb.
52 A kérdés nyilván visszamegy a tudományos gondolkodás kezdetéig. A komplexitás fogalmát Kolmogorovtól
függetlenül deniáló Chaintin szerint a kérdéssel már Leibniz is foglalkozott. A Leibniz által adott válasz éppen a
KolmogorovChaitin-féle komplexitás deníciója: akkor mondjuk, hogy rendelkezésünkre áll egy természeti törvény,
ha van olyan szabálygy¶jteményünk, amellyel le tudunk írni egy adott jelenséget és a szabálygy¶jtemény egyszer¶bb
mint a leírandó jelenség.
53 A számítógépet rögzítjük. Mondjuk az a számítógép, amin a szöveget most írom.
54 n elemb®l álló sorozat esetén mindig létezik n sorból álló program, amely a sorozatot visszaadja: print a1 , print
a2 , . . . , print an . A kérdés csak az, hogy létezik-e olyan program, amely ennél jóval rövidebb.
55 Mindig az integrállal dolgozunk, de heurisztikusan mindig a nem létez® deriváltra gondolunk. Ez a sajátos
probléma indokolja a sztochasztikus analízis jelölési rendszerét a (dw)2 = dt és hasonló szabályok általánosan
elterjedt alkalmazását.
1.3. A TÖKÉLETES VÉLETLEN: MARTINGÁLOK 21

id®ábrázolás diszkrét, akkor értelmezhet® a fehér zajnak megfelel® dk $ ξ k − ξ k−1 martingáldif-


ferencia sorozat. A martingál deníciója miatt

M (dk | Fk−1 ) = M ξ k − ξ k−1 | Fk−1 =

= M (ξ k | Fk−1 ) − M ξ k−1 | Fk−1 =
= ξ k−1 − ξ k−1 = 0,

vagyis a növekmények feltételes várható értéke nulla


56 . A feltételes várható értékre vonatkozó
toronyszabály miatt
M (M (dk | Fk−1 )) = M (0) = 0.
Ha a ξk független, nulla várható értékkel rendelkez® változók összege
57 , vagyis ξ $
Pk
di , akkor
k i=1

k
!
X
M (ξ k | Fk−1 ) = M di | Fk−1 =
i=1
k
X
= M (di | Fk−1 ) =
i=1
k−1
X
= M (dk | Fk−1 ) + di =
i=1
k−1
X
= 0+ di = ξ k−1 ,
i=1

ahol kihasználtuk, hogy függetlenség esetén a feltételes várható érték megegyezik a tényleges vár-
ható értékkel, illetve az (Ft ) ltráció azon implicite mindig feltételezett tulajdonságát, hogy ha
adott valamilyen sorozat, vagy folyamat akkor mindig feltesszük, hogy minden t id®pontra az ξ (t)
mérhet® az Ft eseménytérre
58 . Másképpen fogalmazva minden bolyongás martingál.

1.3.2. Exponenciális martingálok


A martingálok osztálya azonban jóval b®vebb mint a bolyongások. A legjobb példa olyan mar-
tingálra, amely nem bolyongás a szorzatbolyongás. Ha adott egy (dk ) véletlen sorozat, akkor
nem világos, hogy a folyamat aggregálását miért additív módon, vagyis miért összeadással kell
elvégezni. A pénzügyi folyamatok esetén az egyes elemi lépéseket szorzással kell aggregálni. Ez
éppen a közismert kamatos kamat elv. A pénzügyekben a természetes átlagolás a geometriai átlag,
a pénzügyi folyamatok természetes módon multiplikatívak. Ha a (dk ) sorozat tagjai függetlenek és
Qk
a várható értékük egy, akkor a ξk $ i=1 di sorozat martingál, ugyanis a kiemelési szabály miatt

 k−1  
Q
M (ξ k | Fk−1 ) = M dk di | Fk−1 =
i=1
k−1 
Q
= di M (dk | Fk−1 ) =
i=1
k−1
Q
= di · 1 $ ξ k−1 ,
i=1

ahol ismét felhasználtuk, hogy független változók esetén a feltételes várható érték megegyezik
a közönséges várható értékkel. A multiplikatív martingálokra vonatkozó legfontosabb példa a

56 Miként említettük a ltráció mindig el®re rögzített, implicite vagy explicite adott.
57 Vagyis, ha a (ξ ) sorozat bolyongás.
k
58 Ezt a tulajdonságot szokás adaptáltságnak nevezni. Másképpen fogalmazva, ha nincsen megadva explicite
a ltráció, akkor az Ft deníció szerint a t id®pontig meggyelt változók által deniált eseménytér. Független
növekmény¶ folyamatok esetén a ltráció explicite nincsen adva, de az említett módon implicite mindig értelmezve
van.
1.3. A TÖKÉLETES VÉLETLEN: MARTINGÁLOK 22

Wiener-folyamathoz tartozó úgynevezett exponenciális martingál. Ha w Wiener-folyamat, akkor


az exp (w (t)) változó lognormális eloszlású. A lognormális eloszlás várható értékére vonatkozó
nevezetes
σ2
 
M (exp (N (µ, σ))) = exp µ +
2
képlet alapján
   √   
t
M (exp (w (t))) = M exp N 0, t = exp .
2
Ebb®l következ®en az  
t exp (w (t))
exp w (t) − =
2 M (exp (w (t)))
valószín¶ségi változó várható értéke 1. Így a

 
t
ξ (t) $ exp w (t) −
2

folyamat folytonos id®paraméter¶ szorzatbolyongás:

   
t
M (ξ (t) | Fs ) $ M exp w (t) − | Fs =
2
 
t
= exp − M (exp (w (t)) | Fs ) =
2
 
t
= exp − M (exp (w (t) − w (s)) exp (w (s)) | Fs ) =
2
 
t
= exp − exp (w (s)) M (exp (w (t) − w (s)) | Fs ) =
2
 
t
= exp − exp (w (s)) M (exp (w (t) − w (s))) =
2

 
t 
= exp − exp (w (s)) M exp N 0, t − s =
2
   
t t−s
= exp − exp (w (s)) exp =
2 2
 s 
= exp w (s) − $ ξ (s) .
2
A ξ (t) folyamatot szokás a w exponenciális martingáljának mondani.

1.3.3. Függetlenség, korrelálatlanság, martingálok


Egy (dk ) sorozat deníció szerint martingáldierencia sorozat, ha minden i < j esetén M (dj | Fi ) $
0. Az elnevezést triviálisan az indokolja, hogy egy (dk ) sorozat pontosan akkor martingáldierencia
sorozat, ha van egy martintingál, amelynek növekményei éppen a (dk ) sorozat elemei. A martin-
gáldierencia sorozatra a legegyszer¶bb példa a független és nulla várható értékkel rendelkez®
valószín¶ségi változókból álló sorozat. Megjegyezzük, hogy ha a (dk ) sorozat martingáldierencia
sorozat, akkor a sorozat tagjai korrelálatlanok. Mivel a martingálok tartják a várható értéket
59 ,
a martingáldierencia sorozat tagjainak várható értéke nulla, így ha i < j, akkor a kiemelési és a
torony szabály miatt

cov (di , dj ) $ M (di dj ) = M (M (di dj | Fi )) =


= M (di M (dj | Fi )) = M (di 0) = 0.
59 V.ö.: (1.2) sor, 23. oldal.
1.3. A TÖKÉLETES VÉLETLEN: MARTINGÁLOK 23

Ebb®l látható, hogy a martingálok a független növekmény¶ és a korrelálatlan növekmény¶ folya-


matok között helyezkednek el. Ezért mondtuk a martingálok bevezetésekor, hogy a martingál a
bolyongás leheletnom általánosítása.

Természetesen a Lévy-folyamatok és a martingálok nem meritik ki a sztochasztikus folyamatok


családját. Fontos példa olyan folyamatra, amely sem nem Lévy-folyamat
60 sem nem martingál a
korábban tárgyalt Markov-lánc, vagy a kés®bb tárgyalt frakcionális Wiener-folyamat.

1.3.4. Lokális martingálok


Van azonban egy rossz hír. Valójában a sztochasztikus analízisben nem a martingálok adják az
atomisztikus véletlen fogalmát. A pontos osztály az úgynevezett lokális martingálok osztálya,
amely némiképpen b®vebb osztály a martingáloknál. A lokális martingálokra még többször vissza
fogunk térni, most csak néhány érint®leges megjegyzést teszünk.

A martingálok kapcsán a leggyakrabban használt állítás az úgynevezett megállási opciókról szóló


tétel. A lokális martingálok bevezetéséhez is célszer¶ ebb®l a tételb®l kiindulni. Vegyük észre, hogy
a martingálok legfontosabb tulajdonsága, hogy tartják a várható értéket. Ez éppen a tornyszabály
következménye: Ha ξ martingál és t > s, akkor

M (ξ (t)) = M (M (ξ (t) | Fs )) = M (ξ (s)) . (1.2)

A fordított állítás persze nem igaz. Természetesen nem minden olyan folyamat, amely tartja a
várható értéket lesz martingál. A megállási opciókról szóló tétel a várható érték megmaradási
tulajdonságot terjeszti ki x id®pontokról úgynevezett megállási id®kre, megállási szabályokra.

A megállási id® fogalmát legegyszer¶bben példákon keresztül világíthatjuk meg. Mindenki tudja,
hogy a lehet® legolcsóbban venni és a lehet® legdrágábban eladni lehetetlen. Ennek oka, hogy az
az id®pont, amikor mondjuk egy részvény a lehet® legdrágább az esemény bekövetkeztekor nem
ismert. Majd kés®bb, a történelem eldönti, hogy a múltban az adott esemény bekövetkezett-e
és ha igen, akkor mikor. Másképpen fogalmazva, az az id®pont, amikor a részvény ára egy adott
id®szak alatt a legnagyobb nem megállási id®. Ez egy véletlen id®pont, ugyanis a trajektória
maximuma és annak id®pontja függ a trajektóriától és így véletlenszer¶en alakul. A megállási
id®k olyan véletlen id®pontok, amelyek bekövetkeztével a bekövetkezés id®pontjában tisztában
vagyunk és nem csak visszatekintve vagyunk okosak. Megállási id®re tipikus példa a halmazok
találati ideje. Például az els® olyan id®pont, amikor a részvény ára mondjuk 100 fölé emelkedik,
vagy el®ször lesz egy dollár három euró stb. Világos, hogy amikor ez bekövetkezik, akkor err®l
az esemény bekövetkezéssének id®pontjában mindenki tud
61 . Ugyanakkor az az id®pont, amikor
utoljára volt a részvény ára száz dollár nem megállási id®. Az, hogy valami el®ször következik
be a bekövetkezés pillanatában eldönthet®. Valamely esemény utoljára való bekövetkezése általá-
ban csak visszatekitve értelmezhet®
62 . Világos, hogy ténylegesen cselekedni, csak megállási id®k
mentén lehet.

1.5 Tétel. (A megállási opciókról szóló tétel)


Egy ξ (t) jobbról reguláris, adaptált folyamat pontosan akkor martingál, ha minden korlátos τ
megállási id® esetén
63
M (ξ (0)) = M (ξ (τ )) ,
és a két oldal mindig véges.

60 A folyamat növekményei stacionáriusak, de nem függetlenek. Vegyük észre, hogy a frakcionális Brown-folyamat
folytonos.
61 Persze csak olyanok, akiket a kérdés érdekel.
62 A probléma mögött, lozóai szinten" triviálisan az id® megfordíthatatlansága van. A sztochasztikus analízis-
ben az id® mindig egy irányban változik, ugyanis a ltráció mindig n®, így az id®tengely egy egyértelm¶ irányítással
bír.
63 A ξ (τ ) változó az a valószín¶ségi változó, amely értéke minden ω kimenetel esetén éppen a ξ folyamat értéke
a τ (ω) id®pontban. Vagyis (ξ (τ )) (ω) $ ξ (τ (ω) , ω) . A ξ (τ ) valószín¶ségi változó elnevezése megállított változó.
1.3. A TÖKÉLETES VÉLETLEN: MARTINGÁLOK 24

Másképpen egy adaptált és jobbról reguláris folyamat pontosan akkor martingál, ha korlátos meg-
állási id®k mentén a várható értéke véges és a megállított változó várható értéke független a
megállítási szabálytól. A tétel elnevezését az indokolja, hogy a tétel szerint várható értékben a
tetsz®leges id®pontban való kilépés opciója, lehet®sége, joga értéktelen, feltéve, hogy a tétel ál-
lításának megfelel®en egy x id®vel korlátozzuk a kilépési opció lehetséges élettartamát
64 . Ha a
kilépés lehet®ségével nem várhatunk addig, amig csak akarunk, akkor a megállási jog, legalábbis
a várható érték szempontjából, értéktelen.

A megállási id® korlátosságának feltétele igen fontos! Minden Wiener-folyamat független növekmé-
ny¶ és a növekmények várható értéke nulla, így minden Wiener-folyamat martingál. Ugyanakkor
a (1.1) sorban deniált τa megállási id®re

M (w (τ a )) = M (1) = 1,

miközben w (0) = 0. Nem minden martingál tartja minden megállási id®re a várható értéket.
Ha valamely adaptált és jobbról reguláris folyamatra tetsz®leges τ megállási id® esetén teljesül a
megállási opciókról szóló tétel, akkor a folyamatot nevezhetnénk er®s martingálnak. Az igazán
kijátszhatatlan véletlen folyamatok nem a martingálok, hanem az er®s martingálok. Sajnos a
matematika, mint minden emberi tudomány, id®ben fejl®dött és nem minden elnevezése tökéle-
tes. A sztochasztikus analízisben számos esetben a viszonylag egyszer¶ koncepcióknak nagyon
tudományos neve van
65 . Az er®s martingálok hivatalos neve egyenletesen integrálható mar-
tingál
66 . Minden martingálból lehet egyenletesen integrálható martingálokat csinálni. Legyen ξ
egy sztochasztikus folyamat és legyen τ egy véletlen id®pont. Tekintsük a

ξ τ (t, ω) $ ξ (t ∧ τ (ω) , ω)

módon deniált folyamatot. Emlékeztetünk, hogy az a∧b jel az a és a b számok közül a kisebbre
utal. A ξτ folyamatot a ξ folyamat τ t id®pont
id®pontban való megállításának mondjuk. Ha a
valamilyen kimenetelre a τ (ω) el®tt van, akkor a ξ τ értéke ebben az id®pontban azonos a ξ
τ
értékével. De ha t ≥ τ (ω) , vagyis t a τ bekövetkezése után van, akkor a ξ értéke éppen a ξ értéke
τ
a τ bekövetkezésének pillanatában. Vagyis a ξ a τ el®tt azonos a ξ -vel, de a τ id®pontban az
értéke kimerevedik. A megállási opciókról szóló tétel segítségével belátható, hogy a martingálok
halmaza invariáns a megállási id®k szerint megállításra nézve. Vagyis ha a ξ martingál és a τ
tetsz®leges megállási id®, akkor a ξτ megállított folyamat ismét martingál lesz
67 . Ugyanakkor ha
ξ martingál és a t tetsz®leges id®pont, akkor a τ ≡t egy megállási id®, és ilyenkor a ξτ folyamat
egyenletesen integrálható martingál. Ennek oka igen egyszer¶: Ha most σ tetsz®leges megállási
id®, akkor
M (ξ τ (σ)) = M (ξ (σ ∧ τ )) = M (ξ (σ ∧ t)) = M (ξ (0)) ,
ugyanis a ρ$σ∧t megállási id® korlátos, és korlátos megállási id®k esetén a megállási opciókról
szóló tétel igaz. Tekintsük most a τ n ≡ n sorozatot. Világos, hogy ha a ξ martingál, akkor minden
n-re ξ τ n egy egyenletesen integrálható martingál. Mivel a τ n % ∞, ezért azt szokás mondani,
hogy a (τ n ) sorozat lokalizálja a ξ martingált.

64 A korlát függhet a szabálytól. A pénzügyi matematikában mindig megköveteljük, hogy az opcióknak legyen
egy x, véges lejárati ideje. Ez nagyban egyszer¶síti a matematikai kezelést, mert ilyenkor az összes számbajöhet®
megállási szabálynak van egy x fels® korlátja, így a megállási opciókról szóló tételben szerepl® korlátozó megkötés,
s®t annál több is, teljesül.
65 Maga a martingál is ezek közé tartozik. A martingál elnevezés nagyban nehezíti a koncepció megértést és
elfogadását, ugyanis a martingál szó önmagában nem igazán jelent semmit és ezért a kezd®knél a szükséges intuitív
motivációk autómatikusan nem érzékelhet®ek. Ebb®l a szempontból a valójában sokkal bonyolultabb és bizonyos
szempontból jóval keresettebb függetlenség elnevezés telitalálat. Másképpen a függetlenség marketing kommuniká-
ciója jó, a martingál rossz kommunikációval rendelkez® igen hasznos fogalom.
66 Hogy az elnevezést miért használjuk, annak jó oka van és ennek megtárgyalása nagyon messze vezetne. Az olva-
sónak elegend® annyit megjegyezni, hogy az egyenletesen integrálható martingálokat átlagban nem lehet megállási
stratégiával manipulálni.
67 Érdemes hangsúlyozni, hogy hasonló tulajdonság a Lévy-folyamatok és a bolyongások esetén nem teljesül.
1.3. A TÖKÉLETES VÉLETLEN: MARTINGÁLOK 25

1.6 Deníció.
Ha valamely folyamatra van olyan megállási id®kb®l álló (τ n ) sorozat, amelyre τ n % ∞ , és
τ
amelyre minden n-re a ξ n megállított folyamat egyenletesen integrálható martingál, akkor a ξ
folyamatot lokális martingálnak mondjuk
68 .

Az olvasó joggal vetheti fel, hogy mi értelme van ennek a deníciónak. Jogos az igény, hogy némi
magyarázattal szolgáljunk.

A magyarázat, vagy inkább indokolgatás el®tt célszer¶ azonban egy általános jelleg¶ megjegyzést
tenni. Minden matematikai elméletnek megvan a maga gyenge pontja. Nullával nem lehet osz-
tani, negatív szám nem lehet a gyök alatt, a mátrixok szorzásakor a sorrend fontos stb. Ezek a
technikai részletek ügyes kerülgetése adja a matematikai elmélet sava-borsát. A tényleges gya-
korlati alkalmazásokban azonban ezek a kérdések nem bírnak akkora jelent®séggel, mint azt az el-
méleti fejtegetések kapcsán esetlegesen gondolnánk. Magunktól, ritkán akarunk nullával osztani
69 ,
és ha egyáltalában valaha gyököt akarnánk vonni, nyilván nem fogunk negatív számot tenni a gyök
alá. Hasonlóan, nem is olyan könny¶ lokális martingált csinálni. Viszonylag komoly felkészültség
kell, ahhoz, hogy valaki martingált akarjon csinálni és mégis valódi lokális martingált kapjon
70 .
Erre kés®bb vissza fogunk térni. Mivel a lokális martingál kontra martingál a sztochasztikus ana-
lízis technikai alapproblémája a kérdést nem szabad alábecsülni, de nem is kell túlbecsülni sem.
A sztochasztikus analízissel nagyrészt feltehet®en felületesen ismerked® olvasónak
71 a két fogalom
eltéréséb®l nem kell nagy ügyet csinálni.

Lássuk, tehát, hogy miért természetes fogalom a lokális martingál, vagyis miért nem elegend®
x id®pontok mentén lokalizálni a martingálokat? A kérdés inkább fordítva érdekes. Miért is
akarnánk mi a sztochasztikus folyamatokat x id®pontokkal lokalizálni? A legtöbb, természete-
sen jelentkez®, tényleges id®pontmeghatározás nem x id®pontokra épül. Az id®tengely rögzítése
meglehet®sen önkényes. Az ebéd után id®pont egy véletlen id®pont, egy megállási id®. Két ember
el®re megbeszélt találkozásának id®pontja a legritkább esetben írható le egy pontos id®ponttal. Az
id® nem feltétlenül az id®tengely által el®írt egyenletes sebesség mentén változik. Igen gyakran
megállási id®k sorozata jelöli ki az id®tengelyt. Úgy érezzük, hogy a véletlen fogalma nem változik,
ha az id®tengelyt rendezéstartó módon esetlegesen átskálázzuk. Vagyis természetes igény, hogy
mindenhová, ahová x id®pont írható, megállási id® is írható legyen. Lényegében ezt biztosítja
martingálok esetén a megállási opciókról szóló tétel, de számos más hasonló karakter¶ tétel is-
mert az irodalomban. A lokális martingál csak annyit mond, hogy xen választott lokalizációs
id®pontsorozat helyett a folyamatot egy természetesen jelentkez® eseménysorozat id®pontjaival is
lokalizálhatjuk. Ami intuitíve nem világos
72 , hogy miért kapunk így egy b®vebb osztályt mint a
martingálok, ugyanis valahol a két fogalom intuitíve nagyon hasonló.

Hogy a fejtegetést némiképpen jobban motiváljuk, megjegyezzük, hogy egy martingál esetén nem
csak a megállási stratégia id®tartamának korlátozásával érhetjük el a várható érték változatlan-
ságát. A duplázási és a hozzá hasonló stratégiák megszüntetése céljából kiköthetjük azt is, hogy
a lehetséges nyeremények és a veszteségek halmaza korlátos legyen
73 . Vagyis nem csak azt ír-
hatjuk el®, hogy egy x id® után a játékot be kell fejezni, hanem azt is mondhatjuk, hogy egy
bizonyos értékhatár átlépésekor lesz a játéknak vége. Az, hogy id®ben mikor lépjük át el®ször az
el®írt szintet nyilván megállási id®, függ a játék alakulásától. Ennek megfelel®en az egyenletes

68 A lokalizáló megállási id®kr®l feltehet®, hogy mindegyikük külön-külön korlátos.


69 Mindig a matektanárok jönnek evvel. Egy normális diák még osztani sem akar változót tartalmazó kifejezéssel.
Nem beszélve arról, hogy az átlagember csak a gépkocsi fogyasztás kiszámolásakor találkozik az osztással.
70 Számos igen elegáns példa ismert, de mindegyik elég technikás.
71 Mi mint egyszer¶ átlagemberek, csak pénzt akarunk keresni. Ehhez pedig a martingál is csak azért kell, hogy
átmenjünk a vizsgán. A lokális martingállal meg törödjenek a francia és az orosz matematikusok.
72 Újra és újra hangsúlyozni kell, egy nagyon trükkös és árnyaltan kezelend® technikai fogalomról van szó, amit csak
egy küldetéstudattal rendelkez®, indokolatlanul lenézett törpe kisebbség ért. Mi közgazdászok mindig a többséggel
tartunk. Naná, majd pazaroljuk az id®nket apróságokra.
73 Hangsúlyozni kell, hogy az általunk tárgyalt matematikai modellben a f® nehézséget a duplázási típusú stra-
tégiák lehet®sége hozza be. A duplázási stratégia pedig tipikusan csak matematikailag lehetséges. A kaszinókban
a duplázás nem azért tiltott, mert kaszinó fél t®le. Nem, á dehogy. A kaszinó hírnevének a duplázási stratégiát
folytató, nyilvánosan öngyilkosságot elkövet® ostobák tömege ártana.
1.3. A TÖKÉLETES VÉLETLEN: MARTINGÁLOK 26

integrálhatóságot biztosító lokalizációs id®sorozat esetlegesen


74 nem lesz x id®pontok sorozata.
Semmi okunk nincsen arra, hogy egy játékban az id®tartamot és nem a nyeremény és veszteség
értékét, vagyis ne az értékfolyamat nagyságát korlátozzuk. Valljuk be, az értékfolyamat nagysá-
gának korlátozása sokkal természetesebb, mint a játék tényleges lefolyásától függetlenül a játék
id®tartamának korlátozása. Ha viszont az értékfolyamat nagyságát korlátozzuk, nem feltétlenül
tudunk különbséget tenni a martingálok és a lokális martingálok között. Ha az értékfolyamat
korlátozására koncentrálunk, akkor derékig belesülyedtünk a sztochasztikus analízis mocsarába:
Szabad akaratunkból megteremtettük a sztochasztikus analízis szörnyét a lokális martingált!

74 Ez például abban a kiemelked®en fontos esetben, amikor a trajektóriák folytonosak mindig megtehet®.
2. fejezet

Sztochasztikus integrálás

Ebben a fejezetben a sztochasztikus integrál fogalmát deniáljuk. A gondolatmenet lényege, hogy


minden integrál súlyozott összegek határértéke. A sztochasztikus integrálok esetén a konvergenciát a
sztochasztikus konvergencia deniálja. A sztochasztikus integrálás másik sajátos tulajdonsága, hogy a
közelít® összegek megválasztásakor csak az intervallum kezd®pontja megengedett.

A sztochasztikus analízis legfontosabb fogalma a sztochasztikus integrál. A sztochasztikus integ-


rál, mint minden integrál valamilyen közelít® összegek határértéke. Az integrál közelít® összegek
súlyozott számtani közepek, vagyis az integrál mindig súlyozott számtani közepek határértéke.
Ennek megfelel®en minden integrál esetén meg kell különböztetni a súlyt, amit integrátornak szo-
kás nevezni, illetve az összegzend® értékeket, amit integrandusna k szokás mondani. A különböz®
integrálfogalmak lényegében csak abban térnek el, hogy miként képezzük az integrál értékét kö-
zelít® összegeket, illetve hogyan képezzük a határértékeket. Az integrál heurisztikus tartalma
mindig a közelít® összegekb®l olvasandó ki, a határérték képzése mindig matematikai b¶vészkedés
1
tárgya . Az integrál deníció szerint a közelít® összegek által hordozott intuitív fogalmat, tartal-
mat terjeszti ki a határértékre. A sztochasztikus integrál képzésekor a súlyt valamilyen véletlen,
kockázatos folyamat id®ben való értéknövekedése adja. A pénzügyi matematikában a súly, vagyis
az integrátor valamilyen pénzügyi termék adott id®szakban való ármegváltozása, az integrandus
pedig a kockázatos termékb®l az integrálási id®periódus alatt tartott portfolió nagysága. Ennek
megfelel®en a pénzügyi matematikában a sztochasztikus integrálok a kockázatos termékekb®l álló
portfoliók értékének alakulását megadó sztochasztikus folyamatként interpretálhatóak.

2.1. Korlátos változású folyamatok szerinti integrálás


Az integrálás heurisztikus megértésének egyetlen kulcsa van: a klaszikus, az elemi analízisben
tárgyalt, úgynevezett Riemann-féle integrálfogalom, illetve konstrukció megértése. Ennek megfe-
lel®en el®ször röviden áttekintjük az elemi analízisben tanult Riemann-integrált, majd ismertetjük
a fogalom általánosításait. A legegyszer¶bb általánosítás az úgynevezett Stieltjes-integrál, amikor
a súlyfüggvényt explicit módon gyelembe fogjuk venni. A Stieltjes-integrál a Riemann-integrál
közvetlen és igen kézenfekv® általánosítása. Számos szempontból a Stieltjes-integrál egyszer¶bb
mint a Riemann-integrál, ugyanis éppen a fogalom általánossága miatt az integrálással kapcsolatos
problémák a Stieltjes-integrál esetén világosabban jelentkeznek mint az igen speciális Riemann-
integrál esetén. A sztochasztikus integrálás megértése szempontjából kulcs jelent®sége van annak,
hogy a Stieltjes-típusú integrálás csak akkor használható, ha a súlyfüggvény úgynevezett korlátos
változású .
2

1A b¶vészkedés nem lekicsinyl® kifejezés, a b¶vészkedés általában mély meglátást takar. A b¶vészkedés célja a
határérték létezésének garantálása, illetve a konvergencia természetének feltárása.
2 Szokás még véges megváltozású függvényekr®l is beszélni. A korlátos és a véges változás lényegében azonos
fogalmak. Véges megváltozás alatt azt szokás érteni, hogy a függvény minden véges szakaszon korlátos változású.
Így a Riemann integrál integrátora az y = x függvény a teljes számegyenesen nem korlátos változású, de mivel

27
2.1. KORLÁTOS VÁLTOZÁSÚ FOLYAMATOK SZERINTI INTEGRÁLÁS 28

Az integrállal kapcsolatban mindig két kérdés teend® fel:

1. Mikor létezik az integrál, illetve


2. hogyan számolható ki az értéke ?
3

Ez els® kérdés bizonyos értelemben lozóai karakter¶: mikor létezik, milyen általános körben de-
niálható például a terület, a várható érték, vagy miként kés®bb látni fogjuk a kereskedés, a dinami-
kus stratégiai játék kumulált eredménye, stb. A létezés feltételeinek tisztázása után felmerül® els®
kérdés: ha matematikai értelemben létezik a fogalom, mekkora az értéke. Világosan látni kell, hogy
az els® kérdésre a válasz jóval egyszer¶bb mint a másodikra. A matematikában áttekinthetetlenül
sok integrálfogalom van. Számtalan konstrukció létezik, amely garantálja alkalmasan választott
súlyozott összegek határértékének létezését. Ugyanakkor az összegek határértékének, vagyis az
integrál értékének kiszámolásához igen kevés, mondhatnánk, hogy nevetségesen kevés módszer áll
rendelkezésre. Univerzálisan, vagyis igen nagyszámú összeg kiszámolását lehet®vé tev® egyszer¶
módszer tulajdonképpen csak egy van: a NewtonLeibniz-szabály. Bár a NewtonLeibniz-szabály
hatékonysága bámulatos, mégis sok fontos integrál esetén közvetlenül nem használható .
4 Ha a
NewtonLeibniz-szabály nem m¶ködik, akkor két dolgot tehetünk: vagy ad hoc integrálási techni-
kát alkalmazunk, vagy az integrált numerikusan közelítjük. A matematikai elméletben el®forduló
fontos integrálok kiszámolására számos ad hoc módszer született, ezek mindegyikének hatóköre
azonban korlátozott, és az alkalmazott gondolatmenetek legtöbbször igen speciális megfontolásokra
5
épülnek . Ha az integrál értéke ad hoc, speciális módszerrel sem számolható ki, és az integrál ér-
téke gyakorlati szempontból fontos, akkor az integrált numerikusan is kiszámolhatjuk, vagyis az
integrál értékét valamelyik közelít® összeggel közelíthetjük. Erre tipikus példa a normális elosz-
lás eloszlásfüggvényének táblázata, miként ide tartozik az összes függvénytáblázat vagy az összes
Excel-függvény is.

2.1.1. Riemann-integrál
Riemann-integrál esetén az integrátor, vagyis a súlyfüggvény az y = x, az integrandus, az összeg-
6
zend® értékeket szolgáltató objektum pedig tetsz®leges folytonos függvény lehet . Jelent®ségét két
dolog adja: egyrészt szemléletes tartalma a szokásos geometriai fogalmak mint terület, térfogat
7
stb. általánosítása, másrészt az integrálra könnyen igazolható a NewtonLeibniz-szabály. A két
fogalom szoros kapcsolatára utal, hogy az analízist felületesen ismer®k számára
8 a két fogalom
egyet jelent.

minden véges szakaszon korlátos változású ezért véges változású. A pontos deníciókat lásd alább.
3 További fontos kérdés, hogy milyen számolási szabályokkal rendelkezik az integrál. Mint minimális követel-
mény meg szokás követelni, hogy az integrál lineáris operáció legyen, vagyis, hogy felcserélhet® legyen a lineáris
kombináció képzésével. Ez olyan természetes követelmény, hogy teljesülését szinte triviálisnak szokás tekinteni. A
lineáris kombináció képezhet® az integrátor, illetve az integrandus szerint is. A különböz® integrálok matematika-
ilag legfontosabb tulajdonsága az integrál és a határértékek viszonya: Mikor lehet az integrált és a határértéket
felcserélni?
4 Meg szokás jegyezni, hogy a NewtonLeibniz-szabály mellett az úgynevezett Cauchy-formula is univerzálisan
használható integrálási technika. A Cauchy-formula azonban inkább univerzális módszer arra, hogy olyan integrá-
lokat, amelyeket nem tudunk közvetlenül kiszámolni a NewtonLeibniz-szabállyal miként vezethetjük vissza olyan
integrálokra, amelyekre a szabályt már alkalmazni tudjuk.
5A speciális integrálok kiszámolása a matematika megbecsült, klaszikus és igen nehéz területeinek egyike. Nagy
tévedés azt hinni, hogy a számítógépes programokkal minden integrál könnyen számolható. A könny¶ integrálokat
könny¶ kiszámolni, a nehezeket nehéz! A matematikában is érvényes az energiamegmaradás elve: a nehéz problémák
megoldásához és a megoldások megértéséhez sok id®, sok türelem, sok er®feszítés és kitartás kell.
6 Nem folytonos függvénynek is értelmes lehet a Riemann-integrálja, de a mi szempontunkból ez egy érdektelen
észrevétel. Általában, ha tényleg nem folytonos függvényeket akarunk integrálni, akkor érdemesebb a Lebesgue-
féle konstrukciót bemutatni, a Riemann-féle konstrukció nem folytonos integrandus esetén inkább csak történeti
érdekesség. A Lebesgue-féle integrálás elmélete azonban a matematikai analízis egyik gyöngyszeme. Minden valódi
gyöngyszemért nagyon mélyre kell merülni, mi pedig most csak a hullám hátán akarunk lovagolni, hiszen arbitrázs
lehet®séget keresünk.
7 Természetesen a többdimenziós Riemann-integrál adja a térfogatot.
8 Nem akarom az olvasót elkeseríteni, de várhatóan a jegyzet összes olvasója ebbe a kategóriába sorolható.
2.1. KORLÁTOS VÁLTOZÁSÚ FOLYAMATOK SZERINTI INTEGRÁLÁS 29

A Riemann-integrál deníciója igen egyszer¶: vegyük az [a, b] szakasz egy

a = x0 ≤ x1 ≤ . . . ≤ xn = b

felbontását és tekintsük a
n
X
f (tk ) (xk − xk−1 )
k=1

közelít® összeget. A közelít® összeg képzésekor a tk úgynevezett közelít®, vagy teszt pont az
[xk−1 , xk ] zárt szakasz tetsz®leges pontja lehet. Deníció szerint, ha a felbontás módjától
9 és a
közelít® pont választásától függetlenül létezik véges határérték, akkor a határértéket az f Riemann-
Rb
féle integráljának mondjuk és a határértéket
a
f (x) dx módon jelöljük.

Miként említettük minden integrál esetén az els® kérdés mikor létezik


10 az integrál?

2.1 Állítás. Rb
Ha az f függvény az [a, b] véges, zárt intervallumon folytonos, akkor az a
f (x) dx integrál létezik.

A tétel indoklása jóval bonyolultabb mint gondolnánk. Az indoklás bonyolultsága els®sorban ab-
ból származik, hogy mélyen és alapvet®en a valós számok teljességére épül. A teljesség a valós
számok lozóailag legvitathatóbb, ugyanakkor matematikailag vitathatatlanul a legfontosabb,
tulajdonsága. Miért létezik az integrál? Azért, mert a számegyenes teljes. Miért tekintjük a
számegyenest teljesnek? Hát számos okból, többek között azért is, mert ilyenkor az integrál,
Riemann-integrál esetén a terület fogalma, széles körben értelmezhet®. Mit értünk teljességen? A
teljesség a matematika egyik alapvet® fogalma. A számegyenes esetén a teljesség azt jelenti, hogy a
számegyenesen nincsenek lyukak! De ez mit jelent? Mi az, hogy lyuk? Szemben a lyukas zoknival
a lyukas számegyenes fogalma nem evidens kategória. Miért lyukas a racionális számokból álló
√ 11 .
számegyenes? Mit jelent ez? Hát például a
√ 2 a geometriában létez® szám, de nem racionális
OK, hát legyen a 2 is valós szám, vagyis a racionális számokat egészítsük ki a geometriában
megszerkeszthet® számokkal. Miért nem tünnek el a lyukak, ha a geometriailag megszerkezthet®
számokkal kiegészítjük a racionális számokat? Hát vannak olyan számok, amelyek nem szerkezt-
het®ek, de el®fordulnak a geometriában. Ilyen például a π . Legyen a π is valós szám! OK. Milyen
számokat vegyünk még? Hát vegyük még az e számot is, stb. De hol van a dolognak vége? Ha egy
cs® lyukas el®bb vagy utóbb a lyukakat be lehet tömni. De a számegyenes esetén? Hány lyuk van a
számegyenesen? Nyilván egy olyan konstrukciót akarunk, amely biztosítja, hogy minden értelmes
szám amivel az analízisben találkozunk valós szám legyen. Mi az, hogy értelmes szám? Hát azok
a számok, amelyekkel elvileg valaha találkozhatunk. Mikor? Hát például folytonos függvények
Riemann-integráljának elvi konstrukciója során. Aha!

A teljes analízis a teljesség feltételére épül. Ha nincs teljesség, nincs matematikai analízis. A
teljesség az a feltétel, amely általános és könnyen megjegyezhet®, mondhatnánk szép és elegáns
tételek megfogalmazását lehet®vé teszi
12 .

A teljesség feltétele számos módon megadható. A kés®bbi általánosítások miatt a legegyszer¶bb,


bár semmiképpen nem a legszemléletesebb
13 deníció a következ®:

9 Természetesen az osztópontok növelésével a felbontásban szerepl® szomszédos pontok távolsága nullához kell,
hogy tartson. Tehát nem csak az osztópontok számát, hanem a felbontás nomságát" is növelni kell.
10 Talán helyesebb lenne azt kérdezni, hogy miért létezik az integrál? A mikor kérdésre a tétel szövege, a miért
kérdésre a bizonyítás ad választ.
11 Hogy a létezés szó mit jelent nem evidens, ugyanis ha evidens lenne, akkor szegény Pithagorasz a legenda szerint
nem vetette volna le magát a kékl® habokba. A legenda léte arra utal, hogy az elmúlt pár ezer év alatt az emberek
nagyonis elgondolkodtak a létezés szó értelmén.
12 A matematika nagy része a teljesség feltételére épül. A hiányzó rész pedig azt vitatja, hogy miért helytelen ez.
13 Talán a legszemléletesebb, a Cantor és az Archimédesz axiómák megkövetelése. A Cantor-axióma szerint minden
egymásba ágyazott, zárt és korlátos intervallumokból álló sorozatnak van közös pontja. Ez jelenti szemléletesen azt,
hogy nincsen üres hely a számegyenesen. Nem lehet egy lyukra ráhúzni egy zárt szakaszokból álló sorozatot. Az
Archimédesz axióma szerint bármely két valós szám között van racionális szám, vagyis a valós számok a racionális
számok és csak azok kib®vítéséb®l, teljessé tételéb®l erednek.
2.1. KORLÁTOS VÁLTOZÁSÚ FOLYAMATOK SZERINTI INTEGRÁLÁS 30

2.2 Deníció.
Az (xn ) sorozatot Cauchy-féle sorozatnak, röviden Cauchy-sorozatnak mondjuk, ha minden ε>0
számhoz található olyan N (ε) index, hogy ha n, m ≥ N (ε) , akkor |xn − xm | ≤ ε.

TELJESSÉGI AXIÓMA : A valós számok körében minden Cauchy-sorozat konvergens


14 .

A teljességi axióma szerint tehát, ha számok egy sorozata olyan, hogy a tagjai egy id® után minden
határon túl elég közel kerülnek egymáshoz, akkor a sorozatnak van határértéke. Van, létezik egy
olyan szám, amihez a sorozat tagjai tartanak. Ha az (xn ) sorozatot valamilyen számolási, közelítési
eljárás eredményének képzeljük el, akkor a Cauchy-feltétel azt jelenti, hogy tetsz®leges ε pontossá-
got megadva, ha nem tudunk ε-nál pontosabban mérni, akkor egy id® után már nem tapasztalunk
változást a számolási eljárás során. Ha tetsz®leges mérési pontosság esetén a módszer véges id®
után már konstans eredményt biztosít, akkor a számolási eljárásnak létezik
15 , mégpedig egyetlen
eredménye, amit tetsz®legesen megadott pontosság erejéig közelíteni tudunk. Ha a számegyenes
lyukas lenne, akkor a lyukhoz tetsz®legesen közel menve olyan Cauchy-sorozatot készíthetnénk,
amely nem lenne konvergens. A teljesség deníció szerint azt jelenti, hogy minden Cauchy-féle
konstrukcióhoz létezik egy idealizált elem, egy valós" szám, amely a sorozat határértéke lesz.

A teljesség lényege, hogy úgy tudjuk egy sorozat konvergenciáját biztosítani, hogy nem mondjuk
meg el®re a sorozat határértékét, csak a konstrukciót
16 , amivel a közelítést végezzük.

Be akarjuk látni, hogy folytonos függvény esetén a Riemann-integrál létezik. Ehhez azt kell belátni,
hogy a közelít® összegek sorozata Cauchy-sorozat. Tekintsünk két közelít® összeget.

Xn m
0 0
 X 00 00

∆$ f (tk ) xk − xk−1 − f (sk ) xk − xk−1 .


k=1 k=1

N
Bár a két felosztás különböz®, vehetjük a közös nomitásukat, vagyis azt az (xk )k=1 felosztást,
amely a két felosztás közös osztópontjaiból áll. Ekkor

N
X
∆ = (f (tk ) − f (sk )) (xk − xk−1 ) ≤



k=1
N
X
≤ |(f (tk ) − f (sk )) (xk − xk−1 )| ≤
k=1
N
N X
≤ max |f (tk ) − f (sk )| |xk − xk−1 | ≤
k=1
k=1
N
≤ max |f (tk ) − f (sk )| (b − a) .
k=1

Az f feltételezett folytonossága miatt a maxN


k=1 |f (tk ) − f (sk )| kifejezés az osztópontok növelése
17
során tetsz®legesen kicsi lesz , így mivel a b−a véges szám, ezért a ∆ is egy id® után tetsz®legesen
kicsi lesz, tehát a közelít® összegek sorozata Cauchy-sorozat. A számegyenes feltételezett teljessége
miatt a közelít® összegek sorozata konvergens, vagyis létezik az integrál.

14 Miként jeleztük számos egyéb megfogalmazás is létezik. Természetesen ízlés dolga, hogy ki melyik megfo-
galmazást választja. Az ízlés persze nagyon fontos dolog. Nem csak az öltözködésben, hanem a matematikában
is. A teljességi axiómát azért fogalmazzuk meg az egyébként némiképpen izléstelen Cauchy-kritériummal, mert
hangsúlyozni szeretnénk, hogy a Riemann-integrál létezése lényegében az analízis egyik axiómája.
15 Emlékeztetünk: a létezés nagy szó. Létezik határérték! És Harry Potter? És a Deep Space 9? A körnek létezik
területe, de nem léteznek a Romulánok! Miért?
16 Vagyis magát a sorozatot.
17 Szemléletesen, a szomszédos osztópontok egyre közelebb kerülnek egymáshoz, így a tk és az sk távolsága is
egyre kisebb lesz, tehát a folytonosság miatt az f (tk ) − f (sk ) is egyre kisebb lesz. (Miként jeleztük kicsire nem
adunk, ha az olvasó tudja mi a különbség a folytonosság és az egyenletes folytonosság között akkor nem húzgálja a
száját. Én is tudom, de az egyenletes folytonosság maradjon a kett®nk titka.)
2.1. KORLÁTOS VÁLTOZÁSÚ FOLYAMATOK SZERINTI INTEGRÁLÁS 31

2.1.2. NewtonLeibniz-szabály
Térjünk rá az integrál kiszámítására. Az integrál kiszámítását lehet® tev® matematikai szabály a
Lagrange-féle középérték-tétel :

2.3 Állítás.
Ha az f függvény az [a, b] szakaszon folytonos, az (a, b) halmazon deriválható, akkor létezik
18
t ∈ (a, b) , hogy
f (b) − f (a) = f 0 (t) (b − a) .
Deriválható függvény növekménye megegyezik valamely pontjába húzott érint®jének növekményé-
vel. Ha a b−a kifejezéssel átosztunk, akkor

f (b) − f (a)
= f 0 (ξ) .
b−a
f (b)−f (a)
Az éppen az f függvény által megadott görbe a és b pont közötti húrjának iránytan-
b−a
gense. A középérték-tétel szerint van olyan pont, ahol a húr párhuzamos az érint®vel, vagyis a húr
iránytangense megegyezik az érint® iránytangensével.

Legyen az F deriválható függvény. A középérték-tétel segítségével becsüljük meg az F (b) − F (a)


n
eltérést. Ha (xk )k=1 az [a, b] szakasz tetsz®leges felbontása, akkor

n
X
F (b) − F (a) = (F (xk ) − F (xk−1 )) =
k=1
Xn
= f (tk ) (xk − xk−1 ) ,
k=1

ahol f az F deriváltja és tk a középérték-tétel által az (xk , xk−1 ) intervallumban garantált pont.


Hangsúlyozni kell, hogy a tk pont elhelyezkedésr®l semmit nem tudunk. Csak a létezését tudjuk,
pontos értékét nem. Ha az f függvény integrálható, akkor minden közelít® összeg sorozat az
integrálhoz tart, így az itt konstruált

n
!
X
f (tk ) (xk − xk−1 )
k=1

sorozat is. A közelít® sorozat értéke konstans módon F (b) − F (a) , vagyis deníció szerint

Z b
f (x) dx = F (b) − F (a) ,
a

vagyis teljesül a NewtonLeibniz-formula:

2.4 Tétel. (Newton-Leibniz)


Riemann-integrálható függvény esetén az integrál értéke az antiderivált növekménye.

Hangsúlyozzuk, hogy a gondolatmenet kulcsa, hogy az integrál deníciójában a köztes tk pontokat


szabadon választhattuk meg. Vegyük ugyanakkor észre, hogy némiképpen csaltunk, ugyanis a
NewtonLeibniz-szabály némiképpen üres, ugyanis nem mondjuk meg, hogy mikor alkalmazható.
Önmagában a tétel rendkívül elegáns, de a tétel erejét nem csak a megadott gondolatmenet adja.
A tétel erejének másik forrása, hogy folytonos f esetén az állítás alkalmazható. Némi túlzással
a két állítás együtt alkotja az elemi analízist. Ez indokolja azt, hogy a NewtonLeibniz-szabályt
szokás az elemi analízis alaptételének is mondani.

18 Miért is létezik? Hát persze, hogy a valós számok feltételezett teljessége miatt. Miért másért! Általános ököl-
szabály: ha valamely matematikus azt mondja létezik, gyanakodjunk, hogy a háttérben a valós számok teljességének
feltétele van. Kivétel, ha az illet® algebrista, és a kérdést még a marketingszakosok is megértik.
2.1. KORLÁTOS VÁLTOZÁSÚ FOLYAMATOK SZERINTI INTEGRÁLÁS 32

2.1.3. Stieltjes-integrálás
A Riemann-integrál közvetlen általánosítása a Stieltjes-integrál. Az általánosítás egyedül abból
áll, hogy az y=x súlyfüggvény helyett egy y = G (x) általános súlyfüggvény kerül. Az integrált
ilyenkor értelemszer¶en az
Z b
f (x) dG (x)
a

módon jelöljük. A konstrukció tehát a következ®: Ismét vegyük az [a, b] szakasz egy

a = x0 ≤ x1 ≤ . . . ≤ xn = b

felbontását és tekintsük a
n
X
f (tk ) (G (xk ) − G (xk−1 ))
k=1

közelít® összeget. A közelít® összeg képzésekor a tk pont ismételten az [xk−1 , xk ] zárt szakasz
tetsz®leges pontja lehet. Deníció szerint, ha a felbontás módjától és a közelít® pont választá-
sától függetlenül létezik véges határérték, akkor a határértéket az f integrandus G súlyfüggvény,
vagy integrátor szerinti Stieltjes-féle, vagy egyszer¶en Stieltjes-integráljának mondjuk. A Stieltjes-
integrál intuitív tartalma a G súlyfüggvény tartalmától függ. Ha G egy eloszlásfüggvény, akkor
a G (xk ) − G (xk−1 ) eltérés éppenPannak a valószín¶sége, hogy az eloszlás mögötti ξ változó az
n
[xk−1 , xk ) intervallumba esik. A k=1 f (tk ) (G (xk ) − G (xk−1 )) közelít® összeg éppen az f (ξ)
transzformált valószín¶ségi változó átlagának, várható értékének közelítése. Ezt a következ®kép-
pen indokolhatjuk: Vegyük észre, hogy az eloszlásfüggvény deníciója miatt, miként az imént
említettük

G (xk ) − G (xk−1 ) $ P (ξ < xk ) − P (ξ < xk−1 ) =


= P ({ξ < xk } \ {ξ < xk−1 }) =
= P ({xk−1 ≤ ξ < xk }) .

Az Ω téren értelmezett ξ valószín¶ségi változó az

A $ {xk−1 ≤ ξ < xk }

halmazon jól közelíthet® az [xk−1 , xk ) szakasz bármely tk pontjával, így az f (ξ) transzformált
valószín¶ségi változó jól közelíthet® a

X
ξn $ f (tk ) χ (xk−1 ≤ ξ < xk )
k

függvénnyel, ahol a χ (A) az A halmaz karakterisztikus függvénye


19 . Az átlag deníciója szerint

X
f (tk ) P (xk−1 ≤ ξ < xk )
k

súlyozott átlag az M (f (ξ)) várható jó közelítése. Speciálisan, ha ξ valószín¶ségi változó, G a ξ


eloszlásfüggvénye, akkor deníció szerint

X
M (ξ) = lim xk−1 P (xk−1 ≤ ξ k < xk ) = (2.1)
∆&0
k
X
= lim xk−1 (G (xk ) − G (xk−1 )) $
∆&0
k
Z ∞
$ xdG (x)
−∞
19 Vagyis a χ (A) pontosan akkor 1, ha a halmazban vagyunk, a halmazon kívül az értéke nulla.
2.1. KORLÁTOS VÁLTOZÁSÚ FOLYAMATOK SZERINTI INTEGRÁLÁS 33

ahol ∆ jelöli a számegyenes


20 felosztásának nomságát, vagyis

∆ $ max |xk+1 − xk | .
k

Hasonlóan
X
M ξ2 x2k−1 P (xk ≤ ξ k < xk+1 ) =

= lim
∆&0
k
X
= lim x2k−1 [G (xk+1 ) − G (xk )] $
∆&0
k
Z ∞
$ x2 dG (x) .
−∞

Az itt tárgyalt formulák az absztrakt helyettesítés formula speciális esetei. A formula szerint va-
lamely valószín¶ségi változó valamely függvényének várható értékét úgy kell kiszámolni, hogy a
függvényt integráljuk a változó eloszlása szerint. Absztrakt jelöléssel, ha G egy ξ változó eloszlás-
függvénye, akkor Z
M (g (ξ)) = g (x) dG (x) .
R

A várható érték egy integrál


21 . Az integrálban a súlyt a valószín¶ségek adják, a súlyozandó értéket
pedig a valószín¶ségi változók. Ezt fejezi ki a várható értéket megadó
Z
M (η) = η (ω) dP (ω)

absztrakt jelölés: az η értékeit be kell súlyozni a megfelel® valószín¶ségekkel, majd ezeket össze kell
adni
22 . A helyettesítési formula azt adja meg, hogy miként lehet az absztrakt módon megadott
integrált aprópénzre váltani, vagyis miként lehet az absztrakt módon deniált várható értéket
Stieltjes-integrálra visszavezetni.

Miként említettük minden integrál esetén az els® kérdés mikor létezik az integrál? Természetesen
az integrál létezését ismételten a Cauchy-kritériumra akarjuk visszavezetni. Vegyük észre, hogy az
alábbiakban egy igen gyakori matematikai trükköt alkalmazunk. Veszünk egy régi, jól megértett
deníciót, illetve rá épül® bizonyításokat, majd a deníciót megváltoztatjuk, miközben a bizo-
nyításokat lényegében változatlanul hagyjuk, illetve csak értelemszer¶en módosítjuk
23 . El®ször
tegyük fel, hogy a G súlyfüggvény monoton n®. Próbáljuk megbecsülni a

Xn m
0 0
 X 00 00

∆$ f (tk ) G (xk ) − G xk−1 − f (sl ) G (xl ) − G xl−1


k=1 l=1
20 A számegyenes a ξ értékkészlete.
21 Tulajdonképpen az egyik legjobb, legtermészetesebb példa olyan integrálra, ahol a súlyfüggvény nem az y=x
függvény. Vagyis a súlyfüggvény szerinti integrálásra a legismertebb példa a várható érték.
22 Némiképpen elnagyolva dP (ω) adja annak a valószín¶ségét, hogy az ω kimenetel következik be. Ezt kell
beszorozni az η (ω) értékkel, majd az így kapott értékeket összegezni kell. Miként a helyettesítéses integrálás
esetén most is három dolgot kell kicserélni: a ξ változót x-re az Ω teret R-re és a P mértéket pedig a ξ változó
eloszlásfüggvényére.
23 Az elv azonos az objektum orientált programozás gondolatmenetével. Másképpen a különböz® integrálfogalmak
az eredeti Riemann-féle konstrukció overloadolásával" keletkeznek.
2.1. KORLÁTOS VÁLTOZÁSÚ FOLYAMATOK SZERINTI INTEGRÁLÁS 34

eltérést. Ismételten közös osztópontokra áttérve



XN
∆ = (f (tk ) − f (sk )) (G (xk ) − G (xk−1 )) ≤



k=1
N
X
≤ |(f (tk ) − f (sk )) (G (xk ) − G (xk−1 ))| ≤
k=1
N
N X
≤ max |f (tk ) − f (sk )| |G (xk ) − G (xk−1 )| ≤
k=1
k=1
N
≤ max |f (tk ) − f (sk )| (G (b) − G (a)) .
k=1

A G (b) − G (a) eltérés véges, így miként a Riemann-integrál esetén, most a ∆ tetsz®legesen kicsi
lehet, így a közelít® összegek sorozata most is Cauchy-sorozat. Így a valós számok teljessége miatt
a közelít® összegek sorozata ismét konvergens, tehát folytonos integrandus és monoton növeked®
integrátor esetén a Stieltjes-integrál létezik.

Vegyük azonban észre, hogy a G monotonitását csak a

N
X
|G (xk ) − G (xk−1 )| = G (b) − G (a)
k=1

egyenl®ség teljesültekor használtuk. A bizonyítás szó szerint érvényben marad akkor is, ha a

N
X
|G (xk ) − G (xk−1 )|
k=1

kifejezés korlátos. Ez indokolja a következ® deníciót:

2.5 Deníció.
N
Ha a G függvényhez létezik olyan K konstans, hogy az [a, b] szakasz minden (xk )k=1 felbontására

N
X
|G (xk ) − G (xk−1 )| ≤ K,
k=1

akkor a G függvényt az [a, b] szakaszon korlátos változásúnak mondjuk. A lehetséges K korlátok


halmazának legnagyobb alsó korlátját
24 a G variációjának, vagy teljes megváltozásának mondjuk
és Va,b (G) módon jelöljük. Nem nehéz belátni, hogy.
X
Va,b (G) $ sup |G (xk ) − G (xk−1 )| ,
(xk ) k

ahol a szuprémumot az [a, b] összes lehetséges (xk ) felbontása szerint kell venni.

Az elmondottak miatt, lényegében deníció szerint, ugyanis a bizonyításon egy szót sem kell
változtatni, érvényes a következ® állítás:

2.6 Állítás.
Ha az f integrandus folytonos, a G integrátor korlátos változású az [a, b] véges szakaszon, akkor
létezik az Z b
f (x) dG (x)
a
Stieltjes-integrál.
24 Vagyis venni kell a lehetséges korlátok inmumát, amely a lehetséges korlátok közül a legkisebb.
2.1. KORLÁTOS VÁLTOZÁSÚ FOLYAMATOK SZERINTI INTEGRÁLÁS 35

Az integrállal kapcsolatos következ® kérdés: hogyan számolható ki? Sok jó, és f®leg új hírt nem
tudunk mondani. Az integrál kiszámítását lehet®ség szerint vissza kell vezetni a NewtonLeibniz-
szabályra! Ezt a következ® módon tehetjük meg: Tegyük fel, hogy a G súlyfüggvény folytonosan
deriválható. A deriválhatóság miatt használható a középérték-tétel, vagyis

G (xk ) − G (xk−1 ) = g (tk ) (xk − xk−1 ) ,

ahol g értelemszer¶en a G deriváltja és tk ∈ (xk−1 , xk ). Ebb®l a (tk ) köztes pontokhoz tartozó


közelít® összegekre

n
X n
X
f (tk ) (G (xk ) − G (xk−1 )) = f (tk ) g (tk ) (xk − xk−1 ) .
k=1 k=1

Vegyük észre, hogy tk közelít® pontnak a Stieltjes-féle közelít® összegben éppen a középérték-tétel
által a megel®z® sorban megadott pontot vettük. Ezt megtehetjük, ugyanis az integrál értéke
független a közelít® pont választási módjától. A

n
X
f (tk ) g (tk ) (xk − xk−1 )
k=1

kifejezés éppen az f (x) g (x) folytonos függvény Riemann-féle közelít® összege, így a Riemann-
Rb
integrálhatóságra vonatkozó kritérium miatt létezik az
a
f (x) g (x) dx integrál, amib®l szükség-
szer¶en
Z b Z b
f (x) dG (x) = f (x) g (x) dx.
a a

2.7 Állítás. (Asszociativitási szabály) R


x
Ha az f és a g folytonos, G (x) $ a
g (x) dx, akkor

Z b Z b
f (x) dG (x) = f (x) g (x) dx.
a a

Vegyük észre, hogy ha a G egy ξ változó eloszlásfüggvénye, akkor a g deriváltja a ξ s¶r¶ségfüggvény


és a várható érték kiszámolásának valószín¶ségszámításban bevezetett

Z ∞ Z ∞
M (ξ) $ xdG (x) = xg (x) dx
−∞ −∞

képletét kapjuk. Az absztrakt helyettesítési formula felhasználásval:

Z ∞ Z ∞
M (h (ξ)) $ h (x) dG (x) = h (x) g (x) dx.
−∞ −∞

2.8 Példa. R1
Számoljuk ki az −1
cos xdx2 integrált.

Az y = G (x) = x2 deriváltja g (x) = 2x, így

Z 1 Z 1
cos xdx2 = 2x cos xdx = 0.
−1 −1

2.9 Példa.
Számoljuk ki a lognormális eloszlás várható értékét!
2.1. KORLÁTOS VÁLTOZÁSÚ FOLYAMATOK SZERINTI INTEGRÁLÁS 36

Legyen ξ = N (µ, σ) . Ilyenkor a ξ s¶r¶ségfüggvénye

!
2
1 (x − µ)
f (x) = √ exp − .
σ 2π 2σ 2

Legyen η = exp (ξ) . Deníció szerint az η lognormális eloszlású. Az asszociativitási szabály szerint

Z ∞
M (η) = M (exp (ξ)) = exp (x) f (x) dx =
−∞
!
Z ∞ 2
1 (x − µ)
= √ exp (x) exp − dx =
σ 2π −∞ 2σ 2
!
Z ∞ 2
1 (x − µ) − 2σ 2 x
= √ exp − dx =
σ 2π −∞ 2σ 2
Z ∞  2
x − 2µx + µ2 − 2σ 2 x

1
= √ exp − dx =
σ 2π −∞ 2σ 2
Z ∞  2 !
1 x − µ + σ 2 )2 + µ2 − µ + σ 2
= √ exp − dx =
σ 2π −∞ 2σ 2
2 !
µ2 − µ + σ 2
= exp − =
2σ 2
µ2 − µ2 − σ 4 − 2µσ 2
   
1 2
= exp − = exp µ + σ .
2σ 2 2

2.1.4. Korlátos változású függvények


1. A Stieljes-integrál kapcsán felmerül® els® kézenfekv® kérdés, milyen interpretáció adható a
korlátos változású függvényeknek, illetve a függvény Va,b teljes megváltozásának. Els® lépésben
képzeljük el, hogy a G függvény egy síkban, vagy térben mozgó pont koordinátáit adja meg.
Természetesen ilyenkor a G nem szám, hanem vektor. A

X
∆$ |G (xk ) − G (xk−1 )|
k

közelít® összegben a |·| jel a G (xk ) és G (xk−1 ) pontok közötti távolságot jelenti. Ilyenkor a ∆
tekinthet® a G által befutott út közelítésének: a görbe által befutott utat a közelít® pontok által
meghatározott törtvonal hosszával közelítjük. Másképpen fogalmazva, a Va,b interpretációja éppen
az a és b közötti út hossza. Pontosabban az út deníció szerint akkor véges, ha a ∆ összeg az
[a, b] összes lehetséges felbontása esetén egy adott K korlát alatt marad, illetve Va,b (G) deníció
szerint a G által megtett út hossza
25 . Ha a pontot hordozó tér
d-dimenziós, akkor
v
u d
uX 2
|G (xk ) − G (xk−1 )| $ t (Gj (xk ) − Gj (xk−1 ))
j=1

és egyszer¶ megfontolással könnyen belátható, hogy a G görbe által leírt út hossza pontosan akkor
véges, ha a G koordinátáit megadó függvények korlátos változásúak. Másképpen fogalmazva a
teljes megváltozás végessége a görbe által befutott út végességét jelenti.

2.10 Példa.
Számoljuk ki az y = f (x) függvény grakonja által meghatározott ív hosszát.

25 Vegyük észre, hogy a már említett eljárásról van szó: a közelít® összeg tartalmát deníció szerint kiterjesztjük
a határértékre.
2.1. KORLÁTOS VÁLTOZÁSÚ FOLYAMATOK SZERINTI INTEGRÁLÁS 37

Az imént bemutatott eljárás alapján venni kell a koordináta függvényeket. Az y = f (x) függvény
grakonja által megadott görbe mint síkban lev® objektum az

x 7→ (x, f (x))

parametrizálással írható fel. Az így felírt Γ görbének pontosan akkor létezik hossza, ha az f
függvény korlátos változású
26 . A görbe hosszát közelít® összeg

n q
X 2 2
∆$ (xk − xk−1 ) + (f (xk ) − f (xk−1 )) .
k=1

A középérték-tétel miatt

n q
X 2 2
∆ $ (xk − xk−1 ) + (f 0 (tk ) (xk − xk−1 )) =
k=1
Xn q
2
= 1 + (f 0 (tk )) (xk − xk−1 ) .
k=1

Ez utóbbi összeg éppen az


Z b q
2
1 + (f 0 (x)) dx
a

integrál közelít® összege. Ha tehát az f0 derivált létezik és folytonos, akkor az ív hossza létezik
és a fenti integrál segítségével kiszámolható. Az elmondottak fontos következménye, hogy ha az f
függvény folytonosan deriválható, akkor korlátos változású. A korlátos változású függvények köre
azonban sokkal b®vebb mint a folytonosan deriválható függvények köre. Miként láttuk, például
egy [a, b] véges zárt szakaszon értelmezett minden monoton függvény korlátos változású.

2.11 Példa.
Számoljuk ki az y = 32 x3/2 függvény grakonja által meghatározott görbe hosszát.

Az ívhossz képlete szerint

Z tq Z t
2 1/2
1 + x1/2 dx = (1 + x) dx =
0 0
 t
2 3/2 2 3/2

= (1 + x) = (1 + t) − 1 .
3 0 3
2
2. További, kézenfekv® kérdés, hogy miként számolható ki Va,b (f ). Ha az f deriválható, akkor a
változása egyszer¶en kiszámolható. Ha a felosztás már elég nom , akkor a középérték-tétel miatt

X
Va,b (f ) $ sup |f (xk ) − f (xk−1 )| ≈
(xk ) k
X
≈ |f (xk ) − f (xk−1 )| =
k
X Z b
= |f 0 (uk ) (xk − xk−1 )| ≈ |f 0 (x)| dx.
k a

2.12 Példa.
Számoljuk ki az y = x2 függvény teljes megváltozását a [−1, 1] intervallumon!

26 Ugyanis az y = x függvény triviálisan korlátos változású. Természetesen hangsúlyozni kell, hogy véges szakaszon
vagyunk, hiszen két rögzített pont közötti távolságot akarjuk megadni.
2.1. KORLÁTOS VÁLTOZÁSÚ FOLYAMATOK SZERINTI INTEGRÁLÁS 38

Z 1
V−1,1 x2 =

|2x| dx = 2.
−1
2

2.13 Példa.
Számoljuk ki a sin x függvény variációját a [0, 2π] szakaszon!

Z 2π
V0,2π (sin x) = |cos x| dx = 4.
0
2
Nem nehéz észrevenni az
Z b Z b q
2
Va ,b (f ) = |f 0 (x)| dx = (f 0 (x)) dx
a a

Rbq 2
képlet és az ívhosszra vonatkozó
a
1 + (f 0 (x)) dx képlet közötti szoros kapcsolatot. A két képlet
közötti eltérés egyedül abból származik, hogy az ívhossz kiszámolásakor a síkban a távolságot a
közönséges geometria szabályai szerint vettük. Ha a görbét nem a kétdimenziós síkba beágyazva
képzeljük el, hanem önmagában próbáljuk a hosszát megadni, akkor kézenfekv® a görbe hosszát a
teljes változásával deniálni. Vegyük észre, hogy speciálisan azt is beláttuk, hogy ha a
Rx G függvény
G (x) = 0
g (t) dt alakba írható, ahol a g s¶r¶ségfüggvény folytonos, akkor a G minden [a, b]
szakaszon korlátos változású, ugyanis ilyenkor a G deriváltja g és

Z b
Va,b (G) = |g (t)| dt < ∞,
a

ugyanis a fenti Riemann-integrál a g folytonossága miatt létezik és véges.

2.1.5. Sztochasztikus Stieltjes-integrálás


Legyen θ (t, ω) sztochasztikus folyamat, az integrandus, és S (t, ω) egy másik folyamat az in-
Rb
tegrátor. Mit értsünk az
a
θdS kifejezésen? A legegyszer¶bb esetben, amikor az S integrátor
t 7→ S (t, ω) trajektóriái n®nek, illetve általában korlátos változásúak és a θ integrandus t 7→ θ (t, ω)
trajektóriák folytonosak, akkor minden rögzített ω -ra értelmezhet® a

X
θ (uk , ω) (S (tk , ω) − S (tk−1 , ω))
k

közelít® összegek határértéke. Az így kapott integrált szokás sztochasztikus Stieltjes-integrálnak


mondani. Ilyenkor az uk közelít® pont a [tk−1 , tk ] tetsz®leges pontja lehet. A közelít® uk pon-
tok trajektóriánként is mások és mások lehetnek. A közönséges Stieltjes-integrál tulajdonságai,
változtatás nélkül átvihet®k sztochasztikus Stieltjes-integrálokra. Például, ha az S folytonosan
deriválható, vagyis minden ω -ra a t 7→ S (t, ω) trajektória folytonosan deriválható, akkor

X X
θ (uk , ω) [S (tk , ω) − S (tk−1 , ω)] = θ (uk , ω) S 0 (vk , ω) [tk − tk−1 ]
k k

amely az
Z b
θS 0 dt (2.2)
a
trajektóriánként vett integrálhoz tart. Ezt formálisan a

θdS = θS 0 dt
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 39

módon szokás jelölni. Hangsúlyozzuk, hogy a bevezetett integrálfogalom a klasszikus integrál-


elméletben szokásos integrálás ω szerinti parametrikus verziója, minden ω esetén külön-külön
végrehajtjuk az integrálást Egy S folyamat variációján, teljes megváltozásán a

X
Va,b (S) $ sup |S (tk ) − S (tk−1 )|
(tk ) k

kifejezést értjük, ahol ∆ az [a, b] összes lehetséges felbontásán fut végig. Vegyük észre, hogy
sztochasztikus integrátor esetén a Va,b függ az ω kimenetelt®l, vagyis valószín¶ségi változó. Az S
folyamatot véges változásúnak mondjuk, ha az összes ω kimenetelre a t 7→ S (t, ω) trajektóriák
minden [a, b] szakaszon korlátos változásúak.

2.14 Példa.
Poisson-folyamat szerinti sztochasztikus integrálás.

A sztochasztikus Stieltjes-integrálásra legjobb példa valamely π Poisson-folyamat szerinti integ-


rálás. A π integrátor trajektóriái monoton n®nek, így ha az f (t, ω) integrandus trajektóriái
Rt
folytonosak, akkor értelmezhet® a t 7→ 0
f (s) dπ (s) sztochasztikus folyamat. A π trajektóriái
egy magasságú ugrásokból állnak, így a

X
f (σ k ) (π (sk ) − π (sk−1 ))
k

közelít® összegben minden tag nulla, kivéve azok a tagok, amelyekben az (sk−1 , sk ) intervallum
éppen a π egy ugrópontját veszi körül. Ebb®l azonnal látható, hogy

Z t X
f dπ = f (τ k ) ,
0 τ k ≤t

ahol τ1 < τ2 < . . . a π ugrásainak véletlen id®pontjai. Mivel a π folyamat ugrásai véges id®-
tartományon nem torlódhatnak, ezért az integrál, minden (t, ω) pár esetén egy véges összegre
redukálódik. Korábban megjegyeztük, hogy ha a súlyfüggvény folytonosan deriválható, akkor
a Stieltjes-integrálok visszavezethet®k Riemann-integrálokra. Vegyük észre, hogy az imént el-
mondottakat kézenfekv® módon általánosítva megmutatható, hogy ha a súlyfüggvény diszkrét
pontokban ugrik, akkor a Stieltjes-integrálok értékének meghatározása sorösszegek kiszámolását
jelenti. Például ha G (x) egy az xk értékeket pk valószín¶séggel felvev® ξ valószín¶ségi változó
eloszlásfüggvénye, akkor
Z ∞ X
f (x) dG (x) = xk pk ,
−∞ k

ami éppen az M (ξ) várható érték elemi valószín¶ségszámításban megadott képlete


27 .
2

2.2. Itô-féle sztochasztikus integrál


A sztochasztikus analízis legfontosabb észrevétele, hogy nem minden sztochasztikus folyamat tra-
jektóriái korlátos változásúak, s®t az érdekes folyamatok, mint például a Wiener-folyamat, illetve
általában a Lévy-folyamatok, illetve a martingálok trajektóriái általában nem korlátos változásúak.

27 A Stieltjes-integrál jelent®ségét nagyrészt az adja, hogy segítségével az elemi valószín¶ségszámításban külön


kezelt folytonos és diszkrét eloszlások egyszerre kezelhet®k. Az elemi analízisben külön tárgyalt két fogalom az
integrál és a sorösszeg lényegében azonos: mind a kett® a Stieltjes-integrál speciális esete.
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 40

2.2.1. Kvadratikus variáció


Bár a Stieltjes-integrál a matematika talán legsikeresebb integrálfogalma, számunkra nem megfe-
lel®, ugyanis ha az S integrátor folytonos martingál, például valamilyen Wiener-folyamat, akkor
a trajektóriák egy valószín¶séggel nem korlátos változásúak! A Stieltjes-integrál csak korlátos
változású súlyfüggvény esetében értelmezhet®. Hangsúlyozni kell, hogy az integrál nem értelmez-
het®sége nem azt jelenti, hogy az integrálás eredménye értelmetlen, rossz vagy a szemléletnek
ellentmondó érték. Ez azt jelenti, hogy a megadott deníció nem ad választ, sem jót, sem rosszat,
sem értelmeset, sem értelmetlent. Másik deníciót kell keresni, lehet®leg olyat, amelyet a korábbi,
jól bevált esetben alkalmazva a korábbi deníciót kapjuk vissza.

Az egész sztochasztikus analízis kulcsa a kvadratikus variáció, másnéven négyzetes megváltozás!


Az alapgondolat a következ®: Ha az S integrátor Va,b (S) teljes megváltozása végtelen, akkor a
∆S (tk ) $ S (tk ) − S (tk−1 ) növekmények túl nagyok. Ha az S trajektóriái folytonosak, akkor a
2
∆S (tk ) jellemz®en egynél kisebb, így a (∆S (tk )) kisebb mint a ∆S (tk ) , így várhatóan, illetve
remélhet®leg a
X 2
Q2 $ lim (S (tk+1 ) − S (tk )) $ hSi2
∆&0
k

kifejezés véges lesz. Valamivel általánosabban, ha p ≥ 1, akkor képezhetjük a

X p
Qp $ lim (S (tk+1 ) − S (tk )) $ hSip
∆&0
k

kifejezést, amit az S függvény p-ed rend¶ variációjának vagy megváltozásának mondunk. Ha


p = 2, akkor az indexet az egyszer¶ség kedvéért elhagyjuk
28 .

2.15 Példa.
A Wiener-folyamatok kvadratikus variációja-

Ha w Wiener-folyamat, [a, b] $ [0, 1], és ∆n = (tk ) a [0, 1] szakasz n egyenl® részre való felbontása,
akkor  
1
w (tk+1 ) − w (tk ) ∼
= N 0, √ ,
n
tehát
 2
1
(w (tk+1 ) − w (tk )) ∼
X 2
X
= N 0, √ ,
n
k k

vagyis a kvadratikus variáció közelít® összege 1/n varianciájú, független változók négyzetének
összege. A varianciák adódnak össze, nem a szórások! Ugyanakkor

r !
1 1
N 0, = √ N (0, 1) ,
n n

ugyanis a szórás emelhet® ki, és nem a variancia! Ebb®l

P 2
N (0, 1)
(w (tk+1 ) − w (tk )) ∼
X 2 k
= .
n
k

A nagy számok törvénye alapján a határérték létezik, és 1. Triviálisan látható, hogy ha a [0, 1]
helyett a [0, T ] szakaszt írtuk volna, akkor a határérték T lenne. Ennek megfelel®en a Wiener-
folyamat kvadratikus variációja a [0, T ] szakaszon T.
2
28 A jelölés nem teljesen megfelel®. Az irodalomban a kvadratikus variációt a [.] jellel szokás jelölni, a h.i jel az
úgynevezett el®rejelezhet® kvadratikus variációra utal. Folytonos folyamatok estén a két fogalom egybeesik. Mivel
mi csak folytonos folyamatokkal foglalkozunk a jelölésb®l ered® pontatlanság elhanyagolható.
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 41

Ugyanakkor nem csak a Wiener-folyamatnak van véges kvadratikus variációja, hanem tetsz®leges
martingál esetén létezik véges kvadratikus variáció, amely a triviális konstans esett®l eltekintve
29
mindig pozitív. Hangsúlyozni kell, hogy általában egy martingálra a kvadratikus variáció valódi
sztochasztikus folyamat, vagyis függ az id®t®l és az ω kimenetelt®l. A Wiener-folyamat azért
a legegyszer¶bb nem triviális folytonos sztochasztikus folyamat, mert a kvadratikus variációja a
lehet® legegyszer¶bb.

2.16 Példa.
Vizsgáljuk meg a Wiener-folyamat variációját
30 !

Legyen w egy Wiener-folyamat.


P
|N (0, 1)|
|w (tk+1 ) − w (tk )| ∼
X
k
= √
n
k

Ha ∞>M >0 jelöli az |N (0, 1)| várható értékét, akkor a centrális határeloszlás-tétel miatt
P
k |N (0, 1)| − nM
√ ≈ N (0, 1) ,
n
amib®l
X nM
|w (tk+1 ) − w (tk )| ≈ N (0, 1) + √ → ∞.
n
k
2
Másoldalról ugyanez. A kvadratikus variációra

X 2
X
(∆w (tk+1 )) ≤ max |∆w (tk+1 )| |∆w (tk+1 )| .
k
k k

Mivel a bal oldal, a kvadratikus variáció egy pozitív konstanshoz konvergál, és a jobb oldalon
az els® tag a folyamat folytonossága miatt nullához tart, a másik tagnak végtelenbe kell tartani,
ugyanis ellenkez® esetben
X 2
0 < hwi = (∆w (tk+1 )) = 0
k

lenne. Egy folytonos folyamatra, ha a teljes megváltozás véges, akkor a kvadratikus variáció nulla,
ha viszont a kvadratikus variáció pozitív, akkor a teljes megváltozás végtelen. Általában egy
konkrét S görbe esetén különböz® p kitev®kre három eset lehetséges:

1. a p-ed rend¶ variáció véges, pozitív szám,


2. a p-ed rend¶ variáció nulla, illetve
3. a p-ed rend¶ variáció végtelen.

Tegyük fel, hogy az S függvény folytonos. A


X p+ε ε
X p
[∆S (tk+1 )] ≤ max |∆S (tk+1 )| |∆S (tk+1 )|
k
k k

felbontásban ha ε > 0, akkor a feltételezett folytonosság miatt

ε
max |∆S (tk+1 )| → 0.
k

Ebb®l következ®en ha valamely p-re a p-ed rend¶ variáció véges, akkor minden q $ p + ε >
p esetén a q -ad rend¶ variáció nulla, ha a q -ad rend¶ variáció pozitív, akkor az összes p < q
esetén a p-ed rend¶ variáció végtelen kell hogy legyen. Másképpen fogalmazva azok a p értékek,

29 Amikor a martingál konstans trajektóriákkal rendelkezik.


30 Nem a kvadratikus variációját, hanem a közönséges variációját.
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 42

amelyekre egy adott függvény p-ed rend¶ variációja nulla, illetve végtelen egy p0 pont kivételével
kimerítik a pozitív számok halmazát. Mind a két értékhez tartozó p-k halmaza félegyenes, és a
két félegyenes egyedül a p0 pontban érintkezik. A p0 pontban azonban bármi el®fordulhat: a p0 -
ad rend¶ variáció lehet pozitív, nulla vagy végtelen. Általában sztochasztikus folyamatok esetén
semmi sem garantálja, hogy az egyes trajektóriákhoz tartozó p0 értékek azonosak legyenek. Miként
azonban láttuk a Wiener-folyamat esetén a p0 univerzálisan 2. Ennek megfelel®en, ha az integrátor
Wiener-folyamat, akkor a trajektóriák nem korlátos változásúak, így a klasszikus trajektóriánkénti
integrálás elmélete nem m¶ködik!!!!!

Érdemes nyomatékosan hangsúlyozni, hogy a megfontolás alapvet®en az S trajektóriáinak foly-


tonosságára épül. Ha az S a sztochasztikus folyamatok irodalmának másik kedvence, a Poisson-
folyamat, akkor mind a kvadratikus variáció, mind a teljes megváltozás az ugrások számát adja
meg, így mind a kett® véges és pozitív, ráadásul mind a kett® azonos az alapfolyamattal.

2.2.2. Martingálok kvadratikus variációja, kompenzátorok


A kvadratikus variációval kapcsolatos els® kézenfekv® kérdés, hogy miként interpretálható? Sajná-
latos módon a Va,b (S) teljes megváltozással szemben az hSi kvadratikus variáció nem rendelkezik
egyszer¶ szemléletes tartalommal. Ennek oka, hogy a szemléletünk eredend®en a zikai tér-
ben lejátszódó folyamatokra alapozódik, és az ilyen folyamatok Va,b teljes megváltozása véges,
következésképpen a zikai mozgásra alapuló szemléletünk által elképzelt folyamatok kvadratikus
variációja nulla, így valódi kvadratikus variációval rendelkez® folyamatokat sohasem látunk
31 . A
kvadratikus variáció eredend®en a véletlen ingadozásokat tartalmazó folyamatokhoz rendelt foga-
lom, így az interpretációja is a véletlen folyamatokkal kapcsolatban fellép® problémákhoz köt®dik.
Legyen az S martingál. Az S a martingáltulajdonság miatt deníció szerint tekinthet® tökéletes
véletlennek. Ez azt jelenti, hogy az S által realizált játékban való kizetésért nem jár kompenzá-
ció, nulla a költsége annak, hogy megszerezzük az S által reprezentált játék kizetésfolyamatát.
Ugyanakkor az S2 folyamat esetén a helyzet teljesen más. Az S2 folyamat értéke minden pontban
2
nem negatív, s®t általában pozitív, így az S véletlen kizetés birtoklásáért zetni kell. Ha birto-
koljuk a w2 folyamatot, akkor elég nagy t esetén nagy valószín¶séggel elég jól fogunk kaszálni,
2
illetve ha elég sokat várunk, akkor tetsz®legesen nagyot kaszálhatunk. Ennek megfelel®en a w
birtoklása elég jó buli. De semmi sincsen ingyen. Mi a kaszálás el®re kizetend® ára? Mennyibe
kerül a kasza? Mi az S2 folyamat fair ára? Természetesen az S2 fair ára az a folyamat, amelyet az
2
S -b®l levonva tökéletesen véletlen folyamatot kapunk, vagyis az S2 ára az a P folyamat, amelyre
2 2
az S −P martingál. Az S birtoklásáról bármikor lemondhatunk, a játékból bármikor kiléphe-
tünk, így a P kompenzátor folyamatról kézenfekv® feltenni, hogy monoton n®
32 . Megmutatjuk,
hogy az S 2
kompenzátora éppen az hSi , vagyis az
2
S − hSi 33
folyamat martingál . Az egyszer¶ség
kedvéért tegyük fel, hogy S (0) = 0, ugyanis ellenkez® esetben a gondolatmenetet az S (t) − S (0)
martingálra alkalmaznánk.

X 2
S 2 (t) − hSi (t) ≈ S 2 (t) − (S (tk ) − S (tk−1 )) .
k
31 Ugyanakkor minden olyan folyamat, amit látunk véges úthosszal, így véges variációval rendelkezik.
32 Nem folytonos folyamatok esetén célszer¶ megkövetelni, hogy a P el®rejelezhet® legyen, vagyis a P kom-
penzátor értékét az ugrás el®tt ki kell zetni, vagyis a várható ugrásért a kompenzációt az ugrást megel®z®en
el®re rögzíteni kell, ugyanis az ugrás után már könny¶ okosnak lenni. Vagyis a biztosítási díjat az el®tt kell ki-
zetni mint ahogy az ugrás nagysága kiderül. Az el®rejelezhet®ség a balról való folytonosság általánosítása. A
balról folytonos folyamatok innitezimálisan" el®rejelezhet®ek. Ez azonban a sztochasztikus analízis igen rejtett
összefüggése, amire csak nagyon érint®legesen hivatkozunk. A folytonos folyamatok egyik el®nyös tulajdonsága,
hogy a kvadratikus variáció és az úgynevezett el®rejelezhet® kvadratikus variáció megegyezik. Ebb®l következ®en
az elmondottak lényegében csak folytonos lokális martingálok esetén érvényesek, a nem folytonos esetben számos
nem elhanyagolható technikai nehézség lép fel.
33 Folytonos esetben az hSi folytonos, így el®rejelezhet®".
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 43

A kvadratikus variációban szerepl® zárójelet felbontva

2 2
(S (tk ) − S (tk−1 )) = S 2 (tk ) + S (tk−1 ) − 2S (tk ) S (tk−1 ) =
2
= S 2 (tk ) − S (tk−1 ) −
−2S (tk−1 ) (S (tk ) − S (tk−1 )) .

Ebb®l következ®en, ha 0 = t0 < t 1 < . . . < t n = t a [0, t] id®szakasz egy tetsz®leges felbontása,
akkor

n
X
S 2 (t) − hSi (t) ≈ S 2 (tn ) − S 2 (tk ) − S 2 (tk−1 ) +


k=1
n
X
+ 2S (tk−1 ) (S (tk ) − S (tk−1 )) .
k=1

A teleszkopikus összeget kibontva és felhasználva, hogy a feltétel szerint S (t0 ) = S (0) = 0


n
X
S 2 (t) − hSi (t) = 2S (tk−1 ) (S (tk ) − S (tk−1 )) .
k=1

Megmutatjuk, hogy a
X X
2S (tk−1 ) (S (tk ) − S (tk−1 )) $ dk
k k

összeg martingál, amihez elegend® belátni, hogy a

dk $ 2S (tk−1 ) (S (tk ) − S (tk−1 ))

sorozat martingáldierencia sorozat: A kiemelési szabály miatt, felhasználva, hogy az S martingál

 
M dk | Ftk−1 $ 2M S (tk−1 ) (S (tk ) − S (tk−1 )) | Ftk−1 =

= 2S (tk−1 ) M (S (tk ) − S (tk−1 )) | Ftk−1 =
= 2S (tk−1 ) · 0 = 0,

tehát a (dk )k valóban martingáldierencia sorozat, így az

X
S 2 (t) − hSi (t) ≈ dk
tk ≤t

martingál.

2.17 Példa.
A w2 kompenzátora t.
Emlékeztetünk, hogy hwi (t) = t. Meg kell mutatni, hogy a w2 (t) − t folyamat martingál. Legyen
s<t tetsz®leges. A független növekmény feltétele miatt

M w2 (t) | Fs =

 
2
= M (w (t) − w (s)) + w2 (s) + 2w (s) (w (t) − w (s)) | Fs =
 
2
= w2 (s) + M (w (t) − w (s)) + 2M (w (s) (w (t) − w (s)) | Fs ) .

A kiemelési szabály, illetve a w martingáltulajdonsága miatt az utolsó kifejezés

w (s) M ((w (t) − w (s)) | Fs ) = 0,


2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 44

 
2
az M (w (t) − w (s)) második tag értéke t − s, így

M w2 (t) | Fs = w2 (s) + t − s,


amit átrendezve
M w2 (t) − t | Fs = w2 (s) − s,


vagyis a w2 (t) − t valóban martingál.


2

2.2.3. Martingálok szerinti Itô-integrálás


Rb
Tegyük fel, hogy az S martingál és próbáljuk meg értelmezni a
a
θ (t) dS (t) integrált. Miként
jeleztük ha az S folytonos martingál, akkor a triviális konstans esett®l
34 eltekintve a trajektóriái
nem korlátos változásúak, így az integrált hagyományos módon, trajektóriánként vett Stieltjes-
integrálként, nem tudjuk deniálni.

2.18 Deníció. P
Tegyük fel, hogy az In $ k θ (τ k ) ∆S (tk ) közelít® összegekben τ k közelít® pontnak a [tk−1 , tk ]
intervallum τ k = tk−1 kezd®pontját vesszük. Ilyenkor Itô-féle közelít® összegekr®l beszélünk.

A hagyományos integrálelmélet tárgyalásakor hangsúlyoztuk, hogy a közelít® összegek képzésekor a


közbüls® pont tetsz®legesen választható, és az integrál értéke független attól, hogy melyik pontban
számoltuk ki az integrandus közelít® értékét. Az Itô-féle sztochasztikus integrálok esetében ez
nincsen így. A közelít® összeget mindig az intervallum kezd®pontjában kell képezni. Matematikai
szempontból az Itô-integrál legfontosabb sajátja éppen ez. A közelít® összeg ezen képzési szabálya
azonban igen szemléletes, és tulajdonképpen nagyon természetes. Ha az S integrátorfolyamatot
kumulált nyereségként értelmezzük, akkor a ∆S (tk ) $ [S (tk ) − S (tk−1 )] növekmény a [tk−1 , tk ]
id®szak alatt elért egységnyi befektetésre jutó nyeremény, következésképpen az id®szak alatt elért
teljes nyeremény arányos az id®szak során megtett θ (τ k ) téttel. Ugyanakkor egy fogadásban a
tétet mindig a fogadás tárgyát képez® véletlen esemény el®tt kell megtenni, vagyis a [tk−1 , tk ]
id®szakra es® fogadás nagyságát a tk−1 id®pontban kell megadni.

2.19 Példa.
A sztochasztikus integrál értéke függhet a közelít® pont megválasztásának módjától.

Rb
Legyen w Wiener-folyamat és próbáljuk meg deniálni az
a
wdw integrált. A közelít® összegekre
áttére
X
In(1) $ w (tk−1 ) (w (tk ) − w (tk−1 )) ,
k
X
In(2) $ w (tk ) (w (tk ) − w (tk−1 )) .
k

A két összeg közötti egyetlen eltérés, hogy a τk közelít® pont az els® esetben a részintervallum
eleje, a második esetben a vége. Ugyanakkor

X X
In(2) − In(1) $ w (tk ) ∆w (tk ) − w (tk−1 ) ∆w (tk ) =
k k
X
= (w (tk ) − w (tk−1 )) ∆w (tk ) =
k
X 2
= (w (tk−1 ) − w (tk )) ,
k
34 Az S (t) = c konstans folyamat martingál és a trajektóriái korlátos változásúak. Ez az eset azonban meglehe-
t®sen érdektelen, ugyanis a játék nyereménye ∆S (t) = 0. Erre mondják olcsó játék, bölcs embereknek.
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 45

vagyis a két közelít® összeg különbsége éppen a Wiener-folyamat kvadratikus variációjának közelít®
értéke. Ebb®l következ®en ha a két közelít® összegnek van határértéke, akkor a két határérték nem
lehet azonos, vagyis az integrál értéke függ a közelít® pont megválasztási módjától. Ez másképpen
úgy is fogalmazható, hogy tetsz®leges köztes pont megengedése esetén az integrálközelít® összegek
sorozata semmilyen konvergenciafogalom esetén nem lehet konvergens.
2
Vegyük észre, hogy az el®z® példában a b¶nös természetesen a kvadratikus variáció. Az integrál
értéke azért függ a köztes ponttól, mert a kvadratikus variáció pozitív. Vizsgáljuk meg az integrál
létezésének problémáját! Vegyük észre, hogy az integrál létezése távolról sem t¶nik természetesnek.
A kvadratikus variáció pozitivitása er®sen felforgatja az integrálelméletet. Tulajdonképpen igen
meglep®, hogy ebb®l a gyászos helyzetb®l mégis van elegáns kiút.

Számoljuk ki az
n
X
In $ θ (tk−1 ) ∆S (tk )
k=1
Itô-féle közelít® összeg várható értékét és szórását.
!
X
M (In ) = M θ (tk−1 ) ∆S (tk ) =
k
X
= M (θ (tk−1 ) ∆S (tk )) =
k
X 
= M M θ (tk−1 ) ∆S (tk ) | Ftk−1 =
k
X 
= M θ (tk−1 ) M ∆S (tk ) | Ftk−1 =
k
X
= M (θ (tk−1 ) · 0) = 0,
k
ahol természetesen kihasználtuk, hogy az S martingál, vagyis

M ∆S (tk ) | Ftk−1 = 0
és hogy a θ (tk−1 ) kiemelhet® az Ftk−1 szerinti feltételes várható értékb®l. A szórás kiszámolására
rátérve, ha s < t, akkor
M (θ (t) [S (t + h) − S (t)] θ (s) [S (s + h) − S (s)]) = (2.3)

= M (M (θ (t) [S (t + h) − S (t)] θ (s) [S (s + h) − S (s)] | Ft )) =


= M (θ (t) θ (s) [S (s + h) − S (s)] M ([S (t + h) − S (t)] | Ft )) =
= M (θ (t) θ (s) [S (s + h) − S (s)] · 0) = 0,
ugyanis a θ (t) θ (s) [S (s + h) − S (s)] változó értéke a t id®pontban már ismert, és ezért kiemelhet®
t id®ponthoz tartozó feltételes várható értékb®l. Ebb®l következ®en az alábbi számolás során a
vegyesszorzatok várható értéke nulla:
 !2 
X
D2 (In ) = M θ (tk−1 ) [S (tk ) − S (tk−1 )] =
k
 
XX
= M θ (tk−1 ) θ (tj−1 ) ∆S (tk ) ∆S (tj ) =
k j
X  
2 2
= M (θ (tk−1 )) [S (tk ) − S (tk−1 )] ≈
k
!
X
2
≈ M θ (tk−1 ) [Q2 (tk ) − Q2 (tk−1 )] .
k
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 46

ahol Q2 $ hSi az S kvadratikus variációja


35 . Az hSi kvadratikus variáció nagysága a hozzá
tartozó intervallum hosszának növelésével monoton n®, tehát az utolsó várható értéken belüli
2
Rb
θ2 d hSi
P
k θ (tk−1 ) ∆ hSi közelít® összeg a klasszikus módon értelmezhet® a
Stieltjes-integrál

egy közelít® összege. Összefoglalva:

Ha az integrálközelít® összegeket az Itô-féle szabály szerint a


X
θ (tk−1 ) (S (tk ) − S (tk−1 ))
k

módon választjuk, és az S integrátorfolyamat martingál, akkor a közelít® összeg várható értéke


nulla, varianciája pedig az !
Z b
2
M θ (t) d hSi .
a

közelít® összege lesz.

Emlékeztetünk, hogy a közönséges integrál létezését a Cauchy-kritériumra alapoztuk. Megmu-


tattuk, hogy az integrál azért létezik, mert a közelít® összegek sorozata Cauchy-sorozat, illetve a
számok halmaza teljes. Most is err®l van szó. A bemutatott gondolatmenetet egyszer¶en módo-
sítva azonnal látható, hogy ha a θ folyamat folytonos, és a felosztás nomságát minden határon
túl növeljük, akkor a különböz® felosztásokhoz tartozó közelít® összegek sztochasztikusan közel ke-
rülnek egymáshoz, vagyis ha az id®intervallum felosztását minden határon túl növeljük, akkor az
Itô-féle közelít® összegek sorozata a sztochasztikus konvergenciában Cauchy-sorozat lesz
36 . Pon-
tosabban megmutatható, hogy tetsz®leges ε>0 és δ>0 szám esetén létezik olyan ρ, hogy ha az
I1 és az I2 olyan Itô-féle közelít® összegek, amelyekre a felbontás nomsága már kisebb mint ρ,
akkor
P (|I1 − I2 | ≥ ε) ≤ δ.
Némiképpen heurisztikusan okoskodva: ha a (tk ) felbontás már elég nom, akkor az újabb osztó-
pontok hozzávételével a
X
θ2 (tk−1 ) (Q (tk ) − Q (tk−1 ))
k
Rb
már alig változik, ugyanis a
a
θ2 (t) d hSi (t) Stieltjes-féle trajek-
Q = hSi súlyfüggvény szerint vett
tóriánkénti integrálok léteznek így a felbontás további nomítása már nem változtat, pontosabban
csak alig-alig változtat a Stieltjes-integrálhoz tartozó közelít® összegeken. Ebb®l következ®en az
!
X
2
M θ (tk ) (Q (tk+1 ) − Q (tk ))
k

szórásnégyzet is alig változik, vagyis a sztochasztikus integrálhoz tartozó Itô-féle közelít® összegek
varianciája a felosztás további nomításával már alig változik, vagyis az egyes Itô-féle közelít®
összegek eltérésének varianciája nullához tart. Ebb®l következ®en ha In0 és In00 két közelít® összeg,
akkor a Csebisev-egyenl®tlenség miatt elég nom felosztásra tetsz®leges rögzített ε > 0 szám esetén
D2 (In0 − In00 )
P (|In0 − In00 | ≥ ε) ≤ → 0,
ε2
ezért úgy érezzük, hogy az Itô-féle közelít® összegek sztochasztikusan ráhúzódnak az integrálra. A
Riemann és Stieltjes-integrálokra használt teljességi axióma sztochasztikus megfelel®je a következ®:

2.20 Deníció.
A (ξ k ) sorozat sztochasztikusan Cauchy-sorozat, ha tetsz®leges ε > 0 és δ >0 esetén van olyan
N (ε) , hogy tetsz®leges n, m ≥ N (ε) indexre P (|ξ n − ξ m | ≥ ε) ≤ δ.
35 Vegyük észre, hogy ismét kihasználtuk a ∆ hSi ≈ (∆S)2 közelít® formulát.
36 Ennek oka, hogy a θ ilyenkor a két különböz® felosztáshoz tartozó közelít® pontok eltérése, amely az integrandus
feltételezett folytonossága miatt elég nom felosztás esetén tetsz®legesen kicsi lesz.
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 47

2.21 Deníció.
Ha minden ε>0 szám esetén
lim P (|ξ n − ξ| > ε) = 0,
n→∞

akkor azt mondjuk, hogy a (ξ n ) sorozat sztochasztikusan ξ -hez tart.

TELJESSÉGI TÉTEL : A valószín¶ségi változók halmaza a sztochasztikus konvergenciában tel-


jes, vagyis minden a sztochasztikus konvergenciában Cauchy-sorozat sztochasztikusan konvergens
37 .

Összefoglalva az elmondottakat:

2.22 Tétel.
Folytonos integrandus és martingál integrátor esetén az [a, b] szakaszon képzett Itô-féle közelít®
összegek sorozatának a sztochasztikus konvergenciában létezik határértéke, amelyet

Z b
θdS
a

módon fogunk jelölni és a θS szerinti Itô-integráljának fogunk mondani.

Evvel a sztochasztikus integrálás els® problémáját, az integrál létezésének kérdését tisztáztuk


38 .

Emlékeztetünk, hogy minden integrál, a klasszikus, a sztochasztikus, illetve a matematika által


deniált összes további integrál, tartalmát tekintve súlyozott összegnek tekinthet®, pontosabban
heurisztikusan a súlyozott összeg és az integrál közelít®leg azonos fogalmak. Természetesen nem
mellékes, hogy mit jelent a közelít®leg kifejezés. Minden integrál esetén pontosan meg kell mondani,
hogy milyen módon mérjük a közelít® összegekkel való közelítés pontosságát. Ezt másképpen úgy
is mondhatjuk, hogy meg kell adni a konvergencia fogalmát
39 . A valószín¶ségszámításban két
természetes konvergenciafogalommal találkozhatunk. Az egyik a már bemutatott sztochasztikus
konvergencia, a másik az egy valószín¶séggel való konvergencia:

2.23 Deníció.
Legyen (ξ n ) valószín¶ségi változók sorozata. Ha annak a valószín¶sége, hogy ξn → ξ egy, vagyis

P ({ω : ξ n (ω) → ξ (ω)}) = 1,

akkor azt mondjuk, hogy a (ξ n ) sorozat egy valószín¶séggel a ξ -hez tart.

Az egy valószín¶séggel való konvergencia azonban igen er®s megkötés, és igen gyakran nem tel-
jesül. Szemléletileg is evidens, de könnyen meg is mutatható, hogy az egy valószín¶séggel való
konvergenciából következik a sztochasztikus konvergencia, de a fordított irány nem igaz.

2.24 Példa.
Sztochasztikusan konvergens sorozat, amely sehol sem konvergens.

Vegyük a következ® sorozatot: A [0, 1] szakaszt osszuk fel n-részre, és a ξ k a k -adik szakaszon
legyen egy az összes többin pedig legyen nulla. Így deniáltunk n változót. A következ® lépésben
a [0, 1] szakaszt osszuk fel n+1 részre, és ciklikusan ismét menjünk körbe az így kapott n + 1
szakaszon, vagyis mindig csak az egyik szakaszon legyen a változó értéke egy, a többin pedig legyen
az értéke nulla. A következ® lépésben az eljárást folytatva deniáljunk újabb n+2 változót, stb.
A konstrukcióval olyan sorozatot kapunk, amely a [0, 1] egyetlen pontjában sem konvergens, de az
olyan pontok valószín¶sége ahol a sorozat nem nulla nullához tart, vagyis a sorozat sztochasztiku-
san nullához tart.
2
37 A tétel indoklása messze vezetne. Annyit érdemes megjegyezni, hogy számos trükkös megfontolás után az
állítást visszavezetjük a számegyenes teljességére.
38 Az integrál kiszámításával kapcsolatos kérdéseket az Itô-lemma kapcsán fogjuk tárgyalni.
39 Vagyis a konvergencia denícióját amely mellett a közelít® összegek az integrálhoz tartanak.
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 48

A példából is látható, hogy a sztochasztikus konvergencia valami fajta átlagban való konvergen-
ciát jelent, amely nem zárja ki az egyes konkrét kimenetelekben való végtelenhez való divergenciát
vagy ciklikus változást. Minden lépésben a rossz ω kimenetelek halmaza változhat, de a rossz
ω kimenetelek valószín¶sége egyre kisebb lesz. Megjegyezzük, hogy a sztochasztikus konvergen-
ciában a rossz ω kimenetelek realizációja esetén a valószín¶ségi változó nagysága sem érdekes.
El®fordulhat, hogy a rossz esemény valószín¶sége kicsi, de az esemény nagyon rossz
40 .

A korlátos változású súlyfolyamatok szerinti Stieltjes-féle sztochasztikus integrálok esetén a kö-


zelít® összegek sorozata a köztes pont megválasztási módjától függetlenül egy valószín¶séggel az
integrálhoz tart, a martingálok szerint vett Itô-integrálok esetén az integrálközelít® összegek nem
egy valószín¶séggel, hanem csak sztochasztikusan közelítik az integrál értékét. Az Itô-féle konstruk-
ció lényege, hogy egyrészt a közelít® összegeket speciálisan választjuk, másrészt a trajektóriánkénti
konvergenciát a közelít® összegek sztochasztikus konvergenciájára cseréljük.

Mivel a majdnem mindenhol való konvergenciából következik a sztochasztikus konvergencia, ezért


ha egy sztochasztikus integrál Stieltjes-értelemben létezik, akkor az integrál Itô-értelemben is léte-
zik, vagyis az Itô-féle sztochasztikus integrál a Stieltjes-féle sztochasztikus integrál általánosítása.

2.2.4. Sztochasztikus integrálok kvadratikus variációja


Miként láttuk, a sztochasztikus analízis kulcsa a kvadratikus variáció. Legyen
Z t
M (t) $ θ (u) dS (u) ,
0

ahol feltettük, hogy az integrál értelmes. Számoljuk ki a t 7→ M (t) integrálfolyamathoz tartozó


t 7→ hM i (t) kvadratikus variáció folyamatot. Deníció szerint

!2
X X Z tk
2
hM i (t) ≈ (∆M (tk )) = θ (u) dS (u) ≈
k k tk−1
X 2
≈ θ2 (tk−1 ) (∆S (tk )) ≈
k
X Z t
≈ θ2 (tk−1 ) ∆ hSi (tk ) ≈ θ2 (u) d hSi (u) ,
k 0

ahol felhasználtuk a

2 2
(∆S (tk )) $ (S (tk ) − S (tk−1 )) ≈ ∆ hSi (tk ) =
= hS (tk )i − hS (tk−1 )i
közelít® formulát, illetve, hogy elég nom felbontás esetén az
Z tk
θ (u) dS (u)
tk−1

integrál közelíthet® a
θ (tk−1 ) ∆S (tk ) = θ (tk−1 ) (S (tk ) − S (tk−1 ))
közelít® téglalappal'. Speciálisan, ha az S integrátor hSi kvadratikus variációja nulla
41 , akkor
hM i = 0. Például
Z t  Z t Z t
w (s) ds = w2 (s) d hsi = w2 (s) d0 = 0,
0 0 0
40 Bár igen természetes, a fogalom pontos megértése céljából jelezzük, hogy abból, hogy két változó a sztochasz-
tikus konvergencia értelmében közel van, még nem jelenti, hogy a kockázatuk is közel van. Bár a kockázat szó
deníciója nem evidens, azt érezzük, hogy egy kis valószín¶ség¶ esemény mellett bekövetkezett nagyon nagy bukás
igen kockázatos dolog.
41 Például ha az S integrátor folytonos, korlátos változású folyamat.
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 49

ugyanakkor
t  Z t Z t
t3
Z
2
sdw (s) = s d hw (s)i = s2 ds = .
0 0 0 3

2.2.5. Asszociativitási szabály


Ru Rt
Tegyük fel, hogy
0
S (u) $ ζ (s) dρ (s) , és tekintsük az
0
θ (u) dS (u) integrált. Mivel az integrál
a közelít® összegek határértéke, ezért
Z t X
θ (u) dS (u) ≈ θ (uk−1 ) ∆S (uk ) .
0 k

Az el®z® alpontban látott gondolatmenettel egyez® módon az S (u) integrálfüggvény ∆S (uk ) nö-
vekményei az S alakja miatt közelíthet®ek a

ζ (uk−1 ) ∆ρ (uk )
téglalapokkal, így
Z t X Z t
θ (u) dS (u) ≈ θ (uk−1 ) ζ (uk−1 ) ∆ρ (uk ) ≈ θ (u) ζ (u) dρ (u) .
0 k 0

Másképpen fogalmazva integrálfüggvény szerinti integrálás esetén a két integrál elvégzésének sor-
rendje csoportosítható. A szabályt szokás asszociativitási szabálynak is mondani. Az elnevezés
indoka a következ®: Ha az integrálokat dierenciális formában írjuk fel, akkor

dS = ζdρ,
Rt
a
0
θ (u) dS (u) integrál pedig a

θdS = θ (ζdρ) = (θζ) dρ


formális szabály szerint alakítható, vagyis az integrál
Z t Z t
θ (u) dS (u) = θ (u) ζ (u) dρ (u)
0 0

átalakítás formálisan a dierenciális alakban felírt kifejezés átzárójelezése. Vegyük észre, hogy
az indoklás érvényes minden fajta integrálra, így a Stieltjes- és az Itô-féle integrálokra egyaránt
használható. Emlékeztettünk, hogy a Stieltjes-integrálok kiszámolásakor megmutattuk, hogy ha
a G súlyfüggvény deriválható és a G deriváltja ag s¶r¶ségfüggvény, akkor
Z b Z b
f (x) dG (x) = f (x) g (x) dx.
a a

Vegyük észre, hogy az asszociativitási szabály éppen ennek a s¶r¶ségfüggvényre vonatkozó formu-
lának az általánosítása tetsz®leges integrál esetére.

2.2.6. Lokális martingálok


Az Itô-integrál deníciója alapján a sztochasztikus integrál egy fajta korrekt folytonos fogadási fo-
lyamat nettó, kumulált eredménye, nyereménye. Az Itô-integrálban szerepl® integrátor martingál.
Miként említetük, a martingálok szokásos interpretációja, hogy fair játékok. Felvethet® a kérdés,
hogy az S fair játékkal szemben játszott θ stratégiai nettó, kumulált eredménye fair játék-e, vagyis
a θ megjátszásának lehet®sége az érdekelt feleknek, legalábbis átlagban egyenl® esélyt biztosít vagy
sem. Másképpen fogalmazva milyen feltételek mellett lesz a
Z t
t 7→ θ (s) dS (s)
0
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 50

integrálfolyamat martingál? Tekintsük a folyamat


X
M (t) $ θ (sk−1 ) (S (sk ) − S (sk−1 ))
sk ≤t

közelít® összegét. A kiemelési szabály szerint a már többször látott módon okoskodva
X
M (M (tk+1 ) | Ftk ) = M (θ (sk−1 ) [S (sk ) − S (sk−1 )] | Ftk ) =
sk ≤tk+1

= M (tk ) + θ (tk ) M (S (tk+1 ) − S (tk ) | Ftk ) =


= M (tk ) + θ (tk ) (M (S (tk+1 ) | Ftk ) − M (S (tk ) | Ftk )) =
= M (tk ) + θ (tk ) (S (tk ) − S (tk )) =
= M (tk ) ,

vagyis a diszkrét közelít® összegekb®l álló sorozat martingál. Fontos hangsúlyozni, hogy a szto-
chasztikus integrálással kapott
Z t
t 7→ θ (s) dS (s)
0
integrálfolyamat azonban nem lesz martingál. Ebb®l a szempontból a diszkrét, illetve a folytonos
id®ábrázoláshoz tartozó modellek lényegesen eltérnek. A tárgyalás során a diszkrét összegek és a
folytonos összegek, vagyis az integrálok között nem teszünk különbséget. Ez természetesen súlyos
matematikai hiba. Általában a sztochasztikus integrálként csak lokális martingált kapunk, és külön
gyelmet kell fordítani arra, hogy mikor kapunk integrálként valódi martingált. Miként jeleztük
a lokális martingál és a martingál közötti viszony szemléletesen igen nehezen tisztázható, ugyanis
mély technikai fogalomról van szó
42 . A lényegi problémát az jelenti, hogy míg a

X
θ (sk−1 ) (S (sk ) − S (sk−1 ))
k

közelít® összegek várható értéke az S martingáltulajdonsága miatt nulla, a felosztás nomítása


során kapott sorozat határértékének várható értéke már nem lesz nulla. Általában ugyanis semmi
sem biztosítja a határérték és a várható érték felcserélhet®ségét
43 . A probléma abból ered, hogy az
integrandusok egy egyre sz¶kebb halmazon egyre nagyobb értéket vehetnek fel. Szemléletesen az
integrandus egyre kockázatosabb lehet. Kis valószín¶séggel nagyon nagyot bukunk, de átlagban
azért kicsit nyerünk
44 .

2.25 Példa.
A sorozat várható értéke és a határérték általában nem cserélhet® fel.

Tegyük fel, hogy az (Ω, A, P) valószín¶ségi mez® a (0, 1) intervallum egy pontját választja ki
egyenletes eloszlás szerint. Ha

n ha 0 < ω ≤ 1/n
ξ n (ω) $ ,
0 ha 1/n < ω < 1

akkor M (ξ n ) = 1, így limn→∞ M (ξ n ) = 1, de mivel limn→∞ ξ n = 0, ezért


 
M lim ξ n = M (0) = 0 6= 1 = lim M (ξ n ) .
n→∞ n→∞
42 A lokális martingál és a martingál közötti különbség a sztochasztikus analízisben a legkényesebb, öröké problé-
mát okozó kérdés, amely egyidejüleg a hibák ®sanyja és ®satyja, maga az eredend® b¶n, a részletekben lev® ördög
maga. Ugyanakkor a két fogalom közötti eltérés remélhet®leg szabad szemmel nem látható, mi pedig, közgazdászok
lévén, a matematikában kicsire nem adunk.
43 A határérték és a várható érték felcserélése az analízisben, illetve a valószín¶ségszámításban a végs® technikai
probléma. Aki a várható értéket csak úgy, szemrebbenés nélkül felcseréli a határértékkel az vagy túl sokat tételez
fel az olvasóról, vagy túl keveset. Én leginkább az utóbbira gondolok.
44 Fájóan gyakran elkövetett hiba, bár lehet hogy a hiba kifejezés nem pontos.
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 51

2
Ahhoz, hogy a martingáltulajdonságot biztosítani tudjuk, szükséges feltételként például meg szo-
R 
b
kás követelni, hogy az M a
θ2 d hSi kifejezés véges legyen. Ez teljesül például, ha a θ egyenlete-

sen korlátos. A továbbiak során nem teszük különbséget lokális martingálok és martingálok között,
de valahányszor egy sztochasztikus integrál várható értékét nullának vesszük, mindig automati-
kusan feltesszük, illetve az alkalmazás során ellen®rizzük, hogy az azt biztosító idézett megkötés
teljesül. Másképpen fogalmazva a továbbiakban a lokális martingálokat nem különböztetjük meg a
martingáloktól, így a martingálok szerinti sztochasztikus integrálok várható értékét mindig nullának
vesszük.

A lokális martingálok és a martingálok közötti különbségre bár mély technikai fogalomról van
szó, intuitíve mégis jól rá lehet érezni: a probléma az integrandusok nagyságrendjéb®l ered
45 és
a duplázási stratégia megvalósíthatóságából ered. A martingál szerinti sztochasztikus integrál
szemléletileg egy fair játék ellen játszott stratégia játék eredménye, kumulált nyeresége. A já-
ték annyiban fair, hogy a stratégia megválasztásakor az egyes lépések során a jöv®t nem lehet
el®relátni, ezért a téteket mindig a fogadás tárgyát képez® esemény el®tt kell megtenni. Ebb®l
következ®en az egyes lépésekben a játék ténylegesen fair. A játék azonban annyiban nem fair,
hogy a játszás jogát és a tétek nagyságát nem korlátozzuk. A fogadó fél addig és akkora tétek-
ben fogad amíg akar, illetve amekkorákban akar. A θ folyamatra egyedül azt tettük fel, hogy
az értéke csak a múlttól függ, de a nagyságát nem korlátozzuk
46 . Elképzelhet®, hogy bizonyos
ω kimenetelek esetén a t 7→ θ (t, ω) trajektória nem korlátos módon n®. Ha így áll a helyzet,
akkor nagy kockázatot vállalva és korlátlan ideig játszva általában lehet nyer® stratégiát találni.
A Wiener-folyamat diszkrét verziójában, a fej vagy irás játékban, a közismert és korábban már
tárgyalt nyer® stratégia a duplázó stratégia, amikor vesztés esetén a nyereményt megduplázzuk.
Mivel bármeddig, bármekkora tétben jogunk van fogadni, és bármikor ki lehet szállni, nem túl
meglep® módon a fogadó fél mind nyer, s®t elvileg végtelen sokat nyerhet. Másképpen fogalmazva
egy martingál szerinti sztochasztikus integrál azért nem lesz martingál, mert az integrandus kocká-
zata korlátlanul n®het. Ezért nem lesz a sztochasztikus integrál martingál, csak lokális martingál.
A hazárdjátékos célja, hogy a martingálként viselked® véletlennel szembeni játékban kihasználja,
hogy a kumulált folyamat csak lokális martingál és nem martingál. Ha természetesen a játszható
θ stratégiákat korlátozzuk, nem engedünk meg csak ésszer¶ kockázatot tartalmazó stratégiákat,
akkor a játék nyereménye martingál marad, vagyis a játék fair marad
47 .

Megmutatható, hogy a sztochasztikus integrál konstrukciója átvihet® martingálokról lokális mar-


tingálokra is, de evvel nem foglalkozunk
48 .

2.2.7. Szemimartingálok
Ha egy sztochasztikus folyamat egy korlátos változású folyamat és egy lokális martingál összege,
akkor azt mondjuk, hogy a folyamat szemimartingál. Szemimartingálra a legegyszer¶bb és legfon-
tosabb példa az
Z t Z t
ξ (s) ds + η (s) dw (s)
0 0

45 Az
R 
b
említett M a θ2 d hSi < ∞ feltétel éppen a θ átlagos nagyságát korlátozza.
46 Csak azt követeljük meg, hogy az integrandus folytonos legyen. Ez biztosítja, hogy létezzen az integrál. A nem
folytonos eset tartalmaz meglepetéseket, de erre nem térünk ki.
47 A kockázatkezelés célja éppen az, hogy megakadályozza a túlzott kockázatokat. A Mi kockázatunk az Ön
pénzével típusú viselkedés lényege, hogy megpróbáljuk a nyereményfolyamatot lokális martingállá alakítani, majd
bízva bízunk. V.ö.: K&H, Enron, LTCM stb.
48 Már csak azért sem, ugyanis a lokális martingál denícióját emberbaráti okokból nem tárom az érdekl®d®
hallgatóság elé. Ugyanakkor érdemes hangsúlyozni, hogy lokális martingál integrátorok esetén az alapgondolatok
nem változnak, tehát a sztochasztikus integrál ilyenkor is az Itô-féle közelít® összegek sztochasztikus határértéke.
A lokális martingál denícióján kívül semmilyen technikai probléma nem jelentkezik.
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 52

Rt
kifejezés, ahol a ξ és az η folytonos folyamatok. A ξ folytonossága miatt az
0
ξ (s) ds
Z t  Z t
V0,t ξ (s) ds = |ξ (s)| ds
0 0

variációja véges. A második tag pedig a w Wiener-folyamattal deniált sztochasztikus integrál,


tehát lokális martingál, és a sztochasztikus integrál kvadratikus variációjára vonatkozó képlet
szerint Z t  Z t Z t
2
η (s) dw (s) = η (s) d hw (s)i = η 2 (s) ds.
0 0 0
Ha a ξ folyamat folytonos
X (t, ω) = A (t, ω) + S (t, ω)
szemimartingál, akkor értelmezhet® az

Z b Z b Z b
ξdX $ ξdA + ξdS
a a a

sztochasztikus integrál. Világos, hogy a jobboldali összeg mind a két tagja értelmes. Az els®
trajektóriánként vett közönséges Stieltjes-intergál, a másik egy sztochasztikus konvergenciában
vett Itô-integrál. Mivel a majdnem mindenhol való konvergenciából következik a sztochasztikus
Rb
konvergencia, az
a
ξdX tekinthet® a Itô-féle közelít® összegek sztochasztikus konvergenciában
vett határértékének. Az X szemimartingálra szintén képezhetjük a
X 2
(X (tk+1 ) − X (tk ))
k

kvadratikus variációt. Az összegzés mögötti négyzetben szerepl® tagokra

X 2 2

(∆A (tk )) + 2∆S (tk ) ∆A (tk ) + (∆S (tk )) .
k

A harmadik tag éppen az hSi lokális martingál rész kvadratikus variációjához tart. Az els® tagra
X 2
X
(∆Ak ) ≤ max |∆Ak | |∆Ak | .
k
k k

Mivel az A feltétel szerint korlátos változású, ezért az összeg véges. Ha az A folytonos, akkor
P 2
maxk |∆Ak | → 0, tehát ilyenkor k (∆Ak ) → 0. Hasonlóan ha az S folytonos, akkor

X X
∆S (tk ) ∆A (tk ) ≤ max |∆Sk | |∆Ak | → 0,


k
k

vagyis folytonos szemimartingálok kvadratikus variációja éppen a lokális martingál rész kvadrati-
kus variációja. Ha X1 és X2 két szemimartingál, akkor deniálható a
X
lim ∆X1 (tk ) ∆X2 (tk ) $ hX1 , X2 i
k

kvadratikus keresztvariáció. Ha az X1 korlátos változású és az X2 folytonos, akkor ismételten



X X
∆X1 (tk ) ∆X2 (tk ) ≤ max |∆X2 (tk )| |∆X1 tk | → 0.


k
k k

Ebb®l következ®en ha Xk (t, ω) = Ak (t, ω) + Sk (t, ω), ahol az Ak korlátos változású, az Sk kvad-
ratikus variációja véges, akkor a szokásos folytonossági feltételek teljesülése esetén

hX1 , X2 i = hS1 , S2 i .
2.2. ITÔ-FÉLE SZTOCHASZTIKUS INTEGRÁL 53

2.26 Példa.
Számoljuk ki a
Z t Z t
ξ (t) = η 1 (t) dζ 1 + η 2 (t) dζ 2
0 0
összeg kvadratikus variációját.
Rt P
Az
0
η i dζ i ≈ tk ≤t η i (tk−1 ) (ζ i (tk ) − ζ i (tk−1 )) növekményei közelít®leg

η i (tk−1 ) (ζ i (tk ) − ζ i (tk−1 )) ,

így a korábban elmondottakkal analóg módon

X 2
X 2
hξi ≈ (∆ξ (tk )) ≈ (η 1 (tk−1 ) ∆ζ 1 (tk ) + η 2 (tk−1 ) ∆ζ 2 (tk )) =
k k
Xh 2 2
i
= η 21 (∆ζ 1 ) + η 22 (∆ζ 2 ) + 2η 1 η 2 ∆ζ 1 ∆ζ 2 ≈
k
Z t Z t X
≈ η 21 d hζ 1 i + η 22 d hζ 2 i + 2 η 1 η 2 ∆ζ 1 ∆ζ 2 ≈
0 0 k
Z t Z t Z t
≈ η 21 d hζ 1 i + η 22 d hζ 2 i + 2 η 1 η 2 d hζ 1 , ζ 2 i ,
0 0 0

2
ahol többször kihasználtuk a kvadratikus variáció növekményére vonatkozó (∆ζ) ≈ ∆ hζi formu-
lát, illetve az analóg módon érvényes ∆ζ 1 ∆ζ 2 ≈ ∆ hζ 1 , ζ 2 i közelít® képletet. Ha a ζ 1 folyamat
folytonos és korlátos változású és a ζ2 folytonos, akkor

Z t
hξi (t) = η 22 d hζ 2 i ,
0

ugyanis az összeg másik két tagjában az integrátor értéke nulla.


2
3. fejezet

Itô-formula

Ebben a fejezetben a sztochasztikus kalkulus számítási szabályát az Itô-formulát és alkalmazásait


ismertetjük.
A szemimartingálok osztálya meglep®en stabil abban az értelemben, hogy egy sor m¶veletet vég-
rehajtva szemimartingálból szemimartingált kapunk. Például könnyen belátható, hogy szemimar-
tingálok összege szamimartingál. Kevésbé nyilvánvaló, de szemimartingálok szorzata és hányadosa
is szemimartingál. A szemimartingálok legfontosabb tulajdonságát az Itô-formula
1 tartalmazza.
Az Itô-formula számos alapvet® jelent®ség¶ következménnyel bír. Ezek közé tartozik például a
már említett zártsága a szemimartingáloknak a szorzás és az osztás m¶veletére.

3.1. Itô-formula mint a NewtonLeibniz-szabály általánosí-


tása
A sztochasztikus analízis központi állítása az Itô-formula :

3.1 Tétel. (Itô-formula)


n
Ha F kétszer folytonosan deriválható n-változós függvény, és (ξ k )k=1 folytonos szemimartingálok,
akkor
n Z t
X ∂F
F (ξ (t)) − F (ξ (0)) = (ξ (s)) dξ k (s) +
∂x k
k=1 0
1 X t ∂2F
Z


+ (ξ (s)) d ξ i , ξ j (s) .
2 i,j 0 ∂xi ∂xj

3.1.1. Másodrend¶ közelítések, kvadratikus variáció


A bizonyítás nagyon messze vezetne, de azért némi indoklást célszer¶ adni. Világos, hogy egy
fajta NewtonLeibniz-szabályról van szó. Próbáljuk meg így igazolni. Vegyük a

N
X
F (ξ (t)) − F (ξ (0)) = [F (ξ (tk )) − F (ξ (tk−1 ))]
k=1

teleszkópikus felbontást. A közönséges NewtonLeibniz-szabály esetén az

[F (ξ (tk+1 )) − F (ξ (tk ))] ≈ F 0 (ξ (τ k )) [ξ (tk+1 ) − ξ (tk )] =


n
X ∂F
= (ξ (τ k )) [ξ i (tk+1 ) − ξ i (tk )]
i=1
∂xi
1 Történeti okoból használatos még az Ito-lemma elnevezés is.

54
3.1. ITÔ-FORMULA MINT A NEWTONLEIBNIZ-SZABÁLY ÁLTALÁNOSÍTÁSA 55

2
közelítéssel élünk . Vegyük észre, hogy az így kapott

N Xn
X ∂F
(ξ (τ k )) [ξ i (tk ) − ξ i (tk−1 )]
i=1
∂xi
k=1

összeg általában nem konvergens, ugyanis a τk közelít® pontokat nem a [tk−1 , tk ] szakaszok kez-
d®pontjának kaptuk, márpedig a sztochasztikus integrál csak akkor konvergens, ha τ k = tk−1 .
A teleszkopikus összeget becsülhetnénk másképpen is. Ennek a klasszikus esetben nincs értelme,
most azonban célszer¶, ha a Taylor-formula által biztosított

1
F 0 (ξ (tk−1 )) [ξ (tk ) − ξ (tk−1 )] + F 00 (ξ (τ k )) ([ξ (tk ) − ξ (tk−1 )])
2
másodrend¶ közelítéssel élünk. Emlékeztetünk, hogy a második derivált egy kvadratikus alak, így
a ξ (τ k ) pontban vett F második derivált a [ξ (tk ) − ξ (tk−1 )] helyen éppen

T
(ξ (tk ) − ξ (tk−1 )) · H · (ξ (tk ) − ξ (tk−1 ))

módon írható, ahol


∂2F
 
H$ (ξ (τ k ))
∂xi ∂xj
a második parciális deriváltakból álló úgynevezett Hesse mátrix. A Taylor-formula szerint a má-
sodrend¶ tagban lev® τk továbbra is a [tk−1 , tk ] egy köztes pontja, de a τk az els®rend¶ tagban
nem szerepel csak a másodrend¶ben. Emlékeztetünk rá, hogy a második derivált egy kvadratikus
alak, amelyre

n X n
00
X ∂2F
F (ξ (τ k )) [ξ (tk ) − ξ (tk−1 )] = (ξ (τ k )) ∆ξ i (tk ) ∆ξ j (tk ) .
j=1 i=1
∂xi ∂xj

Az els®rend¶ közelítés éppen az

Z b n Z b
X ∂F
F 0 (ξ) dξ = (ξ) dξ i
a i=1 a ∂xi

integrálhoz tart. Mivel a keresztvariáció növekményének becslése alapján




∆ξ i (tk ) ∆ξ j (tk ) ≈ ∆ ξ i , ξ j (tk )

ezért
∂2F ∂2F

(ξ (τ k )) ∆ξ i (tk ) ∆ξ j (tk ) ≈ (ξ (τ k )) ∆ ξ i , ξ j (tk ) ,
∂xi ∂xj ∂xi ∂xj
tehát

N N
X ∂2F X ∂2F

(ξ (τ k )) ∆ξ i (tk ) ∆ξ j (tk ) ≈ (ξ (τ k )) ∆ ξ i , ξ j (tk )
∂xi ∂xj ∂xi ∂xj
k=1 k=1
Z b
∂2F

→ (ξ (t)) d ξ i , ξ j (t) .
a ∂xi ∂xj

Vegyük észre, hogy a másodrend¶ tagokból képzett integrál a négyzetes keresztvariáció szerint
képzett integrál, vagyis közönséges Stieltjes-integrál, így az a tény, hogy a τk nem az intervallum
kezd®pontja nem okoz gondot.

Az Itô-formula a NewtonLeibniz-szabály általánosítása. A két formula különbsége a másodrend¶


tagokban van. A klasszikus analízisben a másodrend¶ tagok értéke nulla lenne, ugyanis ha az f
2 Ügyeljünk a többváltozós függvények deriválási szabályára. A többváltozós függvények deriváltja sorvektor.
3.1. ITÔ-FORMULA MINT A NEWTONLEIBNIZ-SZABÁLY ÁLTALÁNOSÍTÁSA 56

függvény kétszer folytonosan deriválható, akkor az f 00 folytonos függvény az [a, b] véges szakaszon
korlátos, tehát

1 X 1 X
00 2 2
f (τ k ) (tk − tk−1 ) ≤ K (tk − tk−1 ) ≤

2 2


k k
1 X
≤ K max |tk − tk−1 | (tk − tk−1 ) =
2 k
k
1
= K max |tk − tk−1 | (b − a) → 0.
2 k

3.2 Példa.
Számoljuk ki a ξ (t) $ exp (w (t)) folyamat kompenzátorát.

Emlékeztetünk, hogy a ξ kompenzátorán azt a P monoton növeked®, pozitív érték¶ folyamatot


értjük, amelyre a ξ−P tökéletesen véletlen. Az Itô-formula szerint

Z t Z t
1
ξ (t) − ξ (0) = exp (w (t)) dw (t) + exp (w (s)) ds.
0 2 0

Az els® tag a w martingál szerint vett sztochasztikus


R t integrál, tehát szintén martingál, így tökélete-
sen véletlen folyamat. A második tag a P $ 21 0 exp (w (s)) ds integrál szintén véletlen folyamat,
de minden trajektóriája monoton n® és folytonosan deriválható, így joggal interpretálható úgy
mint az exp (w (t)) folyamat birtoklásáért zetend® összeg. Számoljuk ki a P várható értékét. A
lognormális eloszlás várható értékének képlete szerint
Z t 
1
M (P (t)) = M exp (w (s)) ds =
2 0
1 t
Z
= M (exp (w (s))) ds =
2 0
1 t
Z s  
t
= exp ds = exp − 1.
2 0 2 2
Vegyük észre, hogy a lognormális eloszlás várható értékének képlete miatt az alapfolyamat várható
értéke  
t
M (exp (w (t))) = exp .
2
A két várható érték különbsége 1, amely éppen az M (ξ (0)) értéke. Mivel a ξ (0) a t = 0 id®-
pontban ismert és a kompenzátoron deníció szerint olyan folyamatot szokás érteni, amely a t=0
id®pontban nulla, ezért helyesebb lenne a M (ξ (t) − ξ (0)) várható értéket tekinteni, amely ép-
pen a kompenzátor várható értéke. Ebb®l következ®en a kompenzátor folyamat átlagos értéke
éppen az eredeti folyamat növekményének átlagos értékével azonos, miközben a kompenzátor az
alapfolyamatban szerepl® trajektóriánkénti kockázatot kompenzálja.
2

3.1.2. Itô-formula alkalmazása várható értékek kiszámolására


Az Itô-formula egyik fontos olvasata a következ®: Legyen a ξ (t, ω) folyamat folytonos martingál.
Ha az f függvény kétszer folytonosan deriválható, akkor az η (t, ω) $ f (ξ (t, ω)) módon de-
niált folyamat az Itô-formula szerint folytonos szemimartingál, ugyanis felbontható két integrál
összegére, ahol az els® integrál Itô-féle sztochasztikus integrál, a másik pedig korlátos változású
folyamat szerint vett közönséges Stieltjes-integrál. A sztochasztikus integrál általában martingál,
tehát a várható értéke általában konstans módon nulla, a Stieltjes-integrált tartalmazó tag pedig
korlátos változású, így a kvadratikus variációja nulla. Ez lehet®vé teszi, hogy kiszámoljuk az η
transzformált folyamat, illetve a folyamat kvadratikus variációjának várható értékét.
3.1. ITÔ-FORMULA MINT A NEWTONLEIBNIZ-SZABÁLY ÁLTALÁNOSÍTÁSA 57

1. Számoljuk ki a sin w sztochasztikus folyamat várható értékét. Az Itô-formula alapján

t
1 t
Z Z
sin w (t) − sin w (0) = cos w (s) dw (s) + − sin (w (s)) d hw (s)i =
0 2 0
Z t Z t
1
= cos w (s) dw (s) − sin (w (s)) ds.
0 2 0

Mind a két oldalon várható értéket véve


Z t  Z t 
1
M (sin w (t)) = M cos w (s) dw (s) − M sin (w (s)) ds =
0 2 0
Z t
1
= − M (sin (w (s))) ds,
2 0

ahol kihasználtuk, hogy a sztochasztikus integrálok várható értéke nulla. Ha

f (t) $ M (sin (w (t))) ,

akkor Z t
1
f (t) = − f (s) ds f (0) = 0.
2 0
Mind a két oldalt deriválva a
d 1
f = − f, f (0) = 0
ds 2
dierenciálegyenlethez jutunk, amely megoldása

f (t) = 0.

Ez azonban nem meglep®, ugyanis a keresett integrál a Wiener-folyamat eloszlása alapján

Z ∞
 2
1 x
√ exp − sin xdx,
2πt −∞ 2t

amely a szinusz függvény páratlansága miatt nulla.

2. Számoljuk ki a cos w sztochasztikus folyamat várható értékét. Az Itô-formula alapján

Z t Z t
1
cos w (t) − cos w (0) = − sin w (s) dw (s) + − cos (w (s)) ds
0 2 0
Várható értéket véve, felhasználva, hogy a sztochasztikus integrál várható értéke nulla

Z t  Z t 
1
M (cos w (t)) − 1 = −M sin w (s) dw (s) − M cos (w (s)) ds =
0 2 0
Z t
1
= − M (cos w (s)) ds.
2 0

Bevezetve az
f (t) $ M (cos w (t))
függvényt
d 1
f (t) = − f (t) f (0) = 1,
dt 2
amely megoldása
 
1
f (t) = exp − t .
2
3.1. ITÔ-FORMULA MINT A NEWTONLEIBNIZ-SZABÁLY ÁLTALÁNOSÍTÁSA 58

3. Számoljuk ki az exp (w) folyamat várható értékét. Ismételten az Itô-formula alapján

Z t Z t
1
exp (w (t)) − 1 = exp (w (s)) dw (s) + exp (w (s)) ds.
0 2 0
Várható értéket véve
Z t  Z t 
1
M (exp (w (t))) − 1 = M exp (w (s)) dw (s) + M exp (w (s)) ds .
0 2 0

A megszokott módon dierenciálva a két oldalt

d 1
f (t) = f (t) , f (0) = 1
dt 2
egyenletet kapjuk, amely megoldása

 
1
f (t) = exp t .
2

Például, ha t = 1, akkor
Z ∞  2 Z ∞  i
1 s 1 1h 2
√ exp (s) exp − ds = √ exp − (s − 1) − 1 ds =
2π −∞ 2 2π −∞ 2
= e1/2

4. Igazoljuk a lognormális eloszlás várható értékére vonatkozó képletet. Az Itô-formula alapján

Z t
exp (µ + σw (t)) − exp (µ) = σ exp (µ + σw (s)) dw(s) +
0
Z t
1
+ σ2 exp (µ + σw (s)) ds.
2 0

Várható értéket véve, és elhagyva a sztochasztikus integrál várható értékét a

d σ2
f= f (t) , f (0) = exp (µ)
dt 2
egyenlethez jutunk, amely megoldása

σ2
 
f (t) = exp t+µ .
2

5. Számoljuk ki a hsin w (t)i kvadratikus variációt. Az Itô-formula alapján

t
1 t
Z Z
sin w (t) − sin w (0) = cos w (s) dw (s) −
sin w (s) d hwi (s) =
0 2 0
Z t
1 t
Z
= cos w (s) dw (s) − sin w (s) ds.
0 2 0

Az összeg kvadratikus variációjára vonatkozó képlet szerint

Z t
hsin w (t)i = cos2 w (s) ds,
0

ugyanis a többi kvadratikus variáció nulla.


3.1. ITÔ-FORMULA MINT A NEWTONLEIBNIZ-SZABÁLY ÁLTALÁNOSÍTÁSA 59

6. Számoljuk ki a hsin w (t)i kvadratikus variáció várható értékét.

Z t  Z t
cos2 w (s) ds = M cos2 w (s) ds =

M hsin w (t)i = M
0 0
Z t  
1 + cos 2w (s)
= M ds =
0 2
Z t Z t 
1
= 1ds + M (cos 2w (s)) ds .
2 0 0

A második kifejezést a már bemutatott módon az Itô-formula segítségével számolhatjuk ki.

Z s Z s
1
cos 2w (s) − 1 = −2 sin 2w (u) dw (u) − 4 cos 2w (u) du.
0 2 0

Várható értéket véve, a sztochasztikus integrál várható értékét elhagyva

Z s
f (s) − 1 = −2 f (u) du,
0

amib®l
f (s) = exp (−2s) .
A keresett kvadratikus variáció
Z t
1 1 1 1 t 1 1 1
t+ exp (−2s) ds = t − [exp (−2s)]0 = t − exp (−2t) + .
2 2 0 2 4 2 4 4

3.1.3. Itô-formula id®t®l függ® transzformációs függvény esetén


A többdimenziós Itô-formula speciális esete amikor η (s) $ f (s, ξ (s)), ahol az f kétváltozós,
kétszer folytonosan deriválható függvény. Az Itô-formula szerint

Z T Z T
∂f ∂f
f (T, ξ (T )) − f (t, ξ (t)) = ds + dξ +
t ∂s t ∂x
Z T 2
1 T ∂2f
Z
1 ∂ f
+ d hsi + d hξi +
2 t ∂s2 2 t ∂x2
Z T 2
∂ f
+ d hs, ξi .
t ∂s∂x

Miként már többször láttuk, hsi = 0. A keresztvariáció szintén nulla, ugyanis a ξ trajektóriáinak
folytonossága miatt

X
|hs, ξi (t)| ≈ (sk − sk−1 ) (ξ (sk ) − ξ (sk−1 )) ≤



k
≤ t max |ξ (sk ) − ξ (sk−1 )| → 0.
k

Megjegyezzük, hogy a gondolatmenet általánosítható: Ha az ζ 1 (t, ω) folyamat trajektóriái korlátos


változásúak, a ζ 2 (t, ω) folyamat trajektóriái folytonosak, akkor


X
|hζ 1 , ζ 2 i (t)| ≈ (ζ 1 (sk ) − ζ 1 (sk−1 )) (ζ 2 (sk ) − ζ 2 (sk−1 )) ≤



k
≤ V0,t (ζ 1 ) max |ζ 2 (sk ) − ζ 2 (sk−1 )| → 0,
k
3.1. ITÔ-FORMULA MINT A NEWTONLEIBNIZ-SZABÁLY ÁLTALÁNOSÍTÁSA 60

vagyis a megadott feltételek esetén hζ 1 , ζ 2 i = 0. A másodrend¶ tagban tehát két tényez® elhagy-
ható, így
T T T
∂2f
Z Z Z
∂f ∂f 1
f (T, ξ (T )) − f (t, ξ (t)) = ds + dξ + d hξi .
t ∂s t ∂x 2 t ∂x2
Ha Z u
ξ (u) $ X (s) dw (s) ,
0
akkor az integrálok kvadratikus variációjának képlete szerint
Z u  Z u
hξi (u) $ X (s) dw (s) = X 2 (s) d hwi (s) =
0 0
Z u
= X 2 (s) ds.
0

Ezt és az integrálokra vonatkozó asszociativitási szabályt kétszer felhasználva

f (T, ξ (T )) − f (t, ξ (t)) =


Z T Z T
1 T ∂2f
Z
∂f ∂f
= ds + (s) dξ (s) + (s) d hξi (s) =
t ∂s t ∂x 2 t ∂x2
Z T Z T
1 T ∂2f 2
Z
∂f ∂f
= ds + Xdw + X ds =
t ∂s t ∂x 2 t ∂x2
Z T Z T
1 ∂2f 2

∂f ∂f
= + 2
X ds + Xdw.
t ∂s 2 ∂x t ∂x

A pénzügyi matematika könyvek gyakran az Itô-formulát ebben az alakban szokták közölni. Ez


az alak azonban csak egy nehezen megjegyezhet®, mondhatnánk némiképpen zavaros speciális
formája az általunk tárgyalt, és remélhet®leg jóval világosabb, általános esetnek .
3

3.1.4. Lineáris sztochasztikus dierenciálegyenletek


A BlackScholes-modellben a részvények ármozgását a

dS = µSdt + σSdw, S (t) = s (3.1)

egyenlettel írjuk le. A jelölésen a tetsz®leges t<T id®pontokra teljesül®

Z T Z T
S (T ) − S (t) = µ · S (u) du + σ · S (u) dw (u)
t t

integrálegyenlet értend®. Általában a sztochasztikus dierenciálegyenleteket igen nehéz megoldani.


Ebben az esetben azonban a megoldás explicite megadható:
  
1
S (T ) = s · exp µ − σ2 · (T − t) + σ · w (T − t) . (3.2)
2

Valóban, az Itô-formula id®t®l függ® verziója alapján

S (T ) − S (t) =
Z T Z T
1 T 2
 Z
1
= µ − σ 2 S (u) du + σ S (u) dw + σ S (u) du =
t 2 t 2 t
Z T Z T
= µ S (u) du + σ S (u) dw.
t t
3A legfontosabb észrevétel, hogy a két ds szerinti integrál megjelenésének teljesen eltér® oka van.
3.2. FEYNMANKAC-FORMULA 61

3.3 Példa.
Határozzuk meg a (3.1) megoldásának várható értékét.

Az egyenlet megoldását a T pontban a (3.2) képlet adja meg. A képletb®l világos, hogy a megoldás
lognormális eloszlást követ. A lognormális eloszlás várható értékének képlete alapján


    
1
M (S (T )) = sM exp N µ − σ 2 (T − t) , σ T − t =
2
  
1 1
= s exp µ − σ 2 (T − t) + σ 2 (T − t) =
2 2
= s exp (µ (T − t)) .

3.4 Példa.
Számoljuk ki az N (t) $ exp (w (t) − t/2) exponenciális martingál négyzetének kompenzátorát!

Emlékeztetünk, hogy az N 2 kompenzátorán azt a monoton növeked®, folytonos P folyamatot


2
értjük, amelyre az N (t) − P (t) folyamat lokális martingál. Tetsz®leges N folytonos martingál
esetén az Itô-formula szerint
Z t Z t
2 2 1
N (t) − N (0) = 2N dN + 2d hN i =
0 2 0
Z t
= 2N dN + hN i (t) .
0

hN i monoton növeked®, az 0 2N dN integrál lokális martingál, tehát az N 2 kompenzátora4 az


Rt
Az
hN i kvadratikus variáció. Ugyanakkor ha µ = 0, σ = 1, akkor a lineáris sztochasztikus dierenci-
álegyenlet megoldása éppen N, vagyis

Z t
N (t) − N (0) = N (u) dw (u) , N (0) = 1.
0
Rt
Az N (t) − 1 = 0
N (u) dw (u) integrál kvadratikus variációja

Z t Z t
hN i (t) = N 2 (s) d hwi (s) = N 2 (s) ds =
0 0
Z t
= exp (2w (s) − s) ds.
0

Vegyük észre, hogy a P = hN i kompenzátor mint sztochasztikus folyamat függ az ω kimenetelt®l.


2

3.2. FeynmanKac-formula
Tekintsük a BlackScholes-féle parciális dierenciálegyenletet (PDE):

∂f ∂f 1 ∂2f
+ rS + σ 2 S 2 2 = rf,
∂t ∂S 2 ∂S
A call opciókhoz tartozó peremfeltétel

f (T, S) = max {S − X, 0} .
4 Természetesen ezt már korábban is láttuk.
3.2. FEYNMANKAC-FORMULA 62

Ez speciális esete a
∂f ∂f 1 ∂2f
+µ + σ 2 2 + rf + k = 0,
∂t ∂x 2 ∂x
f (T, x) = Φ (x)
egyenletnek, ahol µ, σ, k a keresett f függvényhez hasonlóan a (t, x) független változók függvényei,
az r pedig konstans. A parciális dierenciálegyenlet megoldását sztochasztikus dierenciálegyenlet
(SDE) segítségével adjuk meg. Tekintsük el®ször az általános PDE-hez tartozó következ® úgyne-
vezett Cauchy-problémát :
5

∂f ∂f 1 ∂2f
+µ + σ 2 2 + k = 0, (3.3)
∂t ∂x 2 ∂x
f (T, x) = Φ (x) .

3.2.1. Parciális és sztochasztikus dierenciálegyenletek


A parciális dierenciálegyenlethez formálisan
6 rendeljük hozzá a

dX (s) = µ (s, X (s)) ds + σ (s, X (s)) dw (s) ,


X (t) = x

sztochasztikus dierenciálegyenletet. Vegyük észre, hogy az id® jelölésére a t helyébe s kerül, a t


id®paraméter és az x helyparaméter a kezdeti feltételben jelenik meg. Ismételten megjegyezzük,
hogy a sztochasztikus dierenciálegyenletre felírt, sztochasztikus analízisben megszokott jelölés
valójában a tetsz®leges t<T id®pontokra teljesül®

Z T Z T
X (T ) − x = X (T ) − X (t) = µ (s, X (s)) ds + σ (s, X (s)) dw (s)
t t

integrálegyenl®ség teljesülését jelenti. Vezessük be az úgynevezett Dinkin-operátort, amely a PDE-


ben szerepl® x szerint vett deriváltakat tartalmazó tagokból áll:

∂f 1 ∂2f
Af $ µ + σ2 2 .
∂x 2 ∂x
Az A segítségével a (3.3) PDE

∂f
+ Af + k = 0, f (T, x) = Φ (x) (3.4)
∂t
módon írható. Legyen
7 f (t, x) ∈ C 2 az egyenlet megoldása. Az id®t®l függ® Itô-formula alapján

∂f ∂f 1 ∂2f
df = ds + dX + d hXi ,
∂s ∂x 2 ∂x2
ugyanis miként korábban láttuk a másodrend¶ tagban a többi kvadratikus variáció nulla. Az X
képletét a dX tagba behelyettesítve az integrálokra vonatkozó asszociativitási szabály miatt

∂f ∂f ∂f ∂f
dX = (µds + σdw) = µ ds + σ dw.
∂x ∂x ∂x ∂x
Az X két tag összege, így az
2
(a + b) = a2 + 2ab + b2
5 Vegyük észre, hogy a feladat homogén, vagyis nem tartalmazza az f függvényt, csak a deriváltjait, vagyis az
rf tagot elhagytuk.
6 Hangsúlyozni kell, hogy a hozzárendelés formális, következésképpen mechanikus.
7 Az f ∈ C 2 jelölés azt jelenti, hogy az f kétszer folytonosan deriválható.
3.2. FEYNMANKAC-FORMULA 63

nevezetes összefüggés triviális alkalmazásával

hXi = hµds + σdwi = hµdsi + 2 hµds, σdwi + hσdwi .

Miként láttuk, ha a kvadratikus variációban valamelyik kifejezés korlátos változású, akkor a kvad-
ratikus variáció nulla, így
8
hXi = hσdwi .
A sztochasztikus integrálok kvadratikus variációjának képlete miatt

Z t  Z t Z t
2
hσdwi (t) $ σdw = σ d hwi = σ 2 ds.
0 0 0

A Dinkin-operátor mint jelölés segítségével a kifejezés

∂f ∂f 1 ∂2f
df = ds + dX + d hXi =
∂s ∂x 2 ∂x2
∂f ∂f ∂f 1 ∂2f
= ds + µ ds + σ dw + σ 2 2 ds =
∂s ∂x ∂x  2 ∂x
1 2 ∂2f

∂f ∂f ∂f
= +µ + σ 2
ds + σ dw =
∂s ∂x 2 ∂x ∂x
 
∂f ∂f
= + Af ds + σ dw.
∂s ∂x

Az egyenl®séget integrálként részletesen kírva és felhasználva, hogy az f megoldása a PDE-nek,


vagyis teljesül a (3.4):

Z T   Z T
∂f ∂f
f (T, X (T )) − f (t, X (t)) = + Af ds + σdw =
t ∂s t ∂x
Z T Z T
∂f
= −kds + σdw.
t t ∂x
9
Ha a második tag elég jó , akkor mind a két oldalon várható értéket véve, a megszokott módon
felhasználva, hogy a sztochasztikus integrál várható értéke nulla
! !
Z T Z T
∂f
M (f (T, X (T )) − f (t, X (t))) = M −kds +M σdw =
t t ∂x
!
Z T
= M −kds .
t

Mivel az X (s) eleget tesz az SDE-nek, ezért a kezdeti feltétel miatt X (t) = x, tehát az

f (t, X (t)) = f (t, x)

konstans. Az összefüggést átalakítva

M (f (T, X (T )) − f (t, X (t))) = M (f (T, X (T )) − f (t, x)) =


= M (f (T, X (T ))) − f (t, x) =
Z T !
= M −k (s, X (s)) ds .
t

8 A µds kifejezés korlátos változású, ugyanis a diszkrét dierencia jelölés mögött egy érzéki
Rt
µds integrál dobog,
Rt 0
amely teljes megváltozása, mint tudjuk,
0 |µ| ds < ∞.
9 Vagyis a sztochasztikus integrál nem csak lokális martingál, hanem valódi martingál.
3.2. FEYNMANKAC-FORMULA 64

Átrendezve
!
Z T
f (t, x) = M (f (T, X (T ))) + M k (s, X (s)) ds =
t
!
Z T
= M (Φ (X (T ))) + M k (s, X (s)) ds ,
t

ahol felhasználtuk, hogy az f megoldása a PDE-nek, tehát minden y -ra

f (T, y) = Φ (y) ,

így
f (T, X (T )) = Φ (X (T )) .
A közgazdasági alkalmazásokban k = 0, így ilyenkor

f (t, x) = M (Φ (X (T ))) ,

vagyis a parciális dierenciálegyenlet megoldása, a T id®pontban lev® peremérték segítségével


várható értékeként számolható. Vegyük észre, hogy az M várható érték a sztochasztikus die-
renciálegyenlethez tartozó valószín¶ség szerint értend®. A sztochasztikus dierenciálegyenlet egy
matematikai segédeszköz, amely közvetlenül a parciális dierenciálegyenlethez tartozik és ezért tel-
jesen független attól, hogy miként jutottunk a parciális dierenciálegyenlethez. A derivatív árazás
elméletében a parciális dierenciálegyenletet egy másik sztochasztikus dierenciálegyenletb®l ve-
zetjük le, amely egyenlet az árak mozgását írja le és amely egyenlet a statisztikailag meggyelhet®
valószín¶ségi mez® felett van értelmezve. A parciális dierenciálegyenlet megoldásakor használt
segédmez® azonban egy másik valószín¶ség
10 , amelyet szokás kockázatmentes valószín¶ségi me-
z®nek nevezni és amely elvileg semmilyen kapcsolatban sincsen az eredeti problémában szerepl®
statisztikailag meggyelt adatokra támaszkodó valószín¶ségi mez®vel.

Térjünk visssza az eredeti

∂f ∂f 1 ∂2f
+µ + σ 2 2 + k + rf = 0, f (T, x) = Φ (x)
∂t ∂x 2 ∂x
inhomogén PDE-re. Az inhomogén egyenlet helyett vegyük a

∂h ∂h 1 2 ∂ 2 h
+µ + σ + k exp (rt) = 0, h (T, x) = exp (rT ) Φ (x) = Ψ (x)
∂t ∂x 2 ∂x2
homogén egyenletet. Vezessük be az

f (t, x) = exp (−rt) h (t, x)

függvényt, vagyis
h (t, x) = exp (rt) f (t, x) .
Mivel
∂h ∂ ∂
= exp (rt) f (t, x) = r exp (rt) f (t, x) + exp (rt) f (t, x) ,
∂t ∂t ∂t
ezért

∂h ∂h 1 2 ∂ 2 h
0 = +µ + σ + k exp (rt) =
∂t ∂x 2 ∂x2
1 ∂2f
 
∂f ∂f
= exp (rt) +µ + σ 2 2 + rf + k ,
∂t ∂x 2 ∂x
10 Amely csak a matematikusok által kreált fantáziavilágban létezik.
3.2. FEYNMANKAC-FORMULA 65

ami csak úgy lehetséges, ha

∂f ∂f 1 ∂2f
+µ + σ 2 2 + rf + k = 0.
∂t ∂x 2 ∂x
A már bemutatott módon a homogén egyenletet megoldva

!
Z T
h (t, x) = M (h (T, X (T ))) + M exp (rs) k (s, X (s)) ds =
t
!
Z T
= M (Ψ (X (T ))) + M exp (rs) k (s, X (s)) ds =
t
!
Z T
= exp (rT ) M (Φ (X (T ))) + M exp (rs) k (s, X (s)) ds ,
t

az inhomogén egyenlet megoldása

f (t, x) = exp (r (T − t)) M (Φ (X (T ))) +


Z T !
+ exp (−rt) M exp (rs) k (s, X (s)) ds .
t

Ha k = 0, akkor
f (t, x) = exp (r (T − t)) M (Φ (X (T ))) .

3.2.2. A derivatív árazás alapképlete


Vegyük észre, hogy a BlackScholes-féle egyenletben szerepl® r kamatláb a mi jelölésünk szerint
éppen −r, így az eredeti jelölésre áttérve

f (t, x) = exp (−r (T − t)) M (Φ (X (T ))) ,

vagyis az BlackScholes-féle egyenlet megoldása, a derivatíva jelenlegi t id®pontban vett ára, a T


jöv®beli X (T ) kizetés diszkontált várható értéke, ahol a várható értéket, illetve az X (T ) vál-
tozót a parciális dierenciálegyenlethez rendelt fantáziavilágban, az úgynevezett kockázatmentes
világban kell venni
11 .

3.2.3. Példák
Tekintsünk néhány példát:

1. Oldjuk meg a
∂h 1 2 ∂ 2 h
+ σ = 0, h (T, x) = x2
∂t 2 ∂x2
PDE-tet.

Rendeljük hozzá a sztochasztikus dierenciálegyenletet

dX (s) = 0 · ds + σdw (s) , X (t) = x.

Az egyenlet könnyen megoldható, a megoldása

X (s) = x + σ (w (s) − w (t)) .


11 Az eredeti BlackScholes modelben az árak jelölése S, mi következetesen X -szel jelöljük a sztochasztikus die-
renciálegyenlet változóját hangsúlyozva, hogy a kett®nek semmi köze egymáshoz.
3.2. FEYNMANKAC-FORMULA 66


X (s) ∼

A Wiener-folyamat tulajdonságai alapján = N x, σ s − t . Ezt felhasználva a megoldás

= M X 2 (T ) = D2 (X (T )) + M2 (X (T )) =

h (t, x)
= σ 2 (T − t) + x2 .

Valóban

∂h 1 2 ∂ 2 h
+ σ = −σ 2 + σ 2 = 0
∂t 2 ∂x2
h (T, x) = σ 2 (T − T ) + x2 = x2 .

2. Oldjuk meg a
∂h 1 2 ∂ 2 h
+ x + x = 0, h (T, x) = ln x2
∂t 2 ∂x2
PDE-tet.

Hagyjuk el®ször el a k (t, x) = x konstans tagot, vagyis tekintsük a

∂h 1 2 ∂ 2 h
+ x = 0, h (T, x) = ln x2
∂t 2 ∂x2
egyenletet. Rendeljük hozzá a

dX (s) = 0 · ds + X (s) dw (s) = X (s) dw (s) , X (t) = x,

SDE-tet. Az egyenlet ismételten könnyen megoldható. A (3.2) képlet alapján

 
1
X (s) = x exp − (s − t) + w (s − t) .
2

Az X (T ) változót a Φ (x) = ln x2 függvénybe betéve

 √ 
ln X 2 (T ) = − (T − t) + 2N 0, T − t + ln x2 ,


amib®l
  √  
h (t, x) = M − (T − t) + 2N 0, T − t + ln x2 =
= (t − T ) + ln x2 .

Valóban
0
∂h 1 2 ∂ 2 h

1 1
+ x = 1 + x2 2x =
∂t 2 ∂x2 2 x2
 0
2 1
= 1+x =
x
 
1
= 1 + x2 − 2 = 0.
x
h (T, x) = (T − T ) + ln x2 =
= ln x2 .

Az eredeti egyenletet az

Z T
f (t, x) = M (Φ (X (T ))) + M (k (s, X (s))) ds
t
3.2. FEYNMANKAC-FORMULA 67

általános formula alapján oldjuk meg, ahol k (s, x) az általános szabad konstans tag a (3.3) egyen-
letben
12 . A lognormális eloszlás várható értékére vonatkozó képlet alapján

  
1
M (k (s, X (s))) = M (X (s)) = M x exp − (s − t) + w (s − t)
2
 
1 1
= x exp − (s − t) + (s − t) = x,
2 2

amib®l Z T Z T
M (k (s, X (s))) ds = x 1ds = x (T − t) .
t t
Ez alapján
f (t, x) = (t − T ) + ln x2 + x (T − t) .
Valóban
0
1 ∂2f

∂f 1 1
+ x2 2 2 + x = 1 − x + x2 2x +x=
∂t 2 ∂ x 2 x2
 0
2 1
= 1+x =0
x

f (T, x) = ln x2 .
3. Oldjuk meg a

∂h ∂h 1 2 ∂ 2 h
+ + σ = 0,
∂t ∂x 2 ∂x2
h (T, x) = x2

PDE-tet.

Rendeljük hozzá a sztochasztikus dierenciálegyenletet.

dX (s) = 1ds + σdw (s) , X (t) = x.

Az egyenlet

Z T Z T
X (T ) − x = dw = T − t + σ [w (T ) − w (t)] ∼
ds + σ =
t t
 √ 

= N T − t, σ T − t .

A megoldóképlet alapján
  √ 
2
h (t, x) = M N 2 x + T − t, σ T − t = σ 2 (T − t) + (x + T − t) .

Valóban

∂h ∂h 1 2 ∂ 2 h
+ + σ = −σ 2 + 2 (x + T − t) (−1) +
∂t ∂x 2 ∂x2
1
+2 (x + T − t) + σ 2 2
2
= 0,

h (T, x) = x2 .
12 Feltéve, hogy a két integrál felcserélhet®, de ezt igen általános feltételek mellett meg lehet tenni. A legegysze-
r¶bben ellen®rizhet® feltétel, hogy a kett®s integrálban szerepl® integrandus nem negatív.
3.2. FEYNMANKAC-FORMULA 68

4. Oldjuk meg a

∂h ∂h 1 2 ∂ 2 h
+x + x = 0,
∂t ∂x 2 ∂ 2 x2
h (T, x) = ln x2

PDE-tet.

Rendeljük hozzá a
dX (s) = X (s) ds + X (s) dw (s) , X (t) = x
sztochasztikus egyenletet, amely lineáris sztochasztikus dierenciálegyenlet, tehát a megoldása

  
1
X (s) = x exp 1− (s − t) + w (s − t) .
2

A parciális dierenciálegyenlet megoldása

  √ 
M ln X 2 (T ) = ln x2 + M N T − t, T − t =

h (t, x) =
= ln x2 + T − t.

Valóban a peremfeltétel triviálisan teljesül, és

∂h ∂h 1 2 ∂ 2 h
+x + x =
∂t ∂x 2 ∂ 2 x2 
2 1 2
= −1 + x + x2 − 2 =
x 2 x
= −1 + 2 − 1 = 0.

5. Oldjuk meg a

∂h ∂h 1 2 ∂ 2 h
+x + x + x2 = 0,
∂t ∂x 2 ∂ 2 x2
h (T, x) = ln x2

PDE-tet.

Rendeljük hozzá a
dX (s) = X (s) ds + X (s) dw (s) , X (t) = x
sztochasztikus dierenciálegyenletet. Ez ismételten lineáris sztochasztikus dierenciálegyenlet,
tehát a megoldása
  
1
X (s) = x exp 1− (s − t) + w (s − t) .
2
A parciális dierenciálegyenlet megoldása

Z T
2
M X 2 (s) ds.
 
h (t, x) = M ln X (T ) +
t

Az egyes komponenseket kiszámolva

  
1
M ln X 2 (T ) = M ln x2 + 2

(T − t) + w (T − t) =
2
  √ 
= ln x2 + M N (T − t) , 2 T − t =
= ln x2 + T − t,
3.2. FEYNMANKAC-FORMULA 69

illetve a lognormális eloszlás várható értékére vonatkozó képlet alapján

Z T Z T
M X 2 (s) ds = x2

M (exp (s − t + 2w (s − t))) ds =
t t
Z T
2
= x exp (3 (s − t)) ds =
t
T
= x2 [exp (3 (s − t))]t =
x2
= (exp (3 (T − t)) − 1) .
3
Összefoglalva:
x2
h (t, x) = ln x2 + T − t + (exp (3 (T − t)) − 1) .
3
Ha t = T, akkor
h (T, x) = ln x2 ,
vagyis teljesül a peremfeltétel. Az egyenletbe behelyettesítve

∂h ∂h 1 2 ∂ 2 h
+x + x + x2 =
∂t ∂x 2 ∂ 2 x2
−1 − x2 exp (3 (T − t)) +
1 2x2
+2x + [exp (3 (T − t)) − 1] +
x 3
2 1 1 2x2
− x2 2 + [exp (3 (T − t)) − 1] +
2 x 2 3
x2 ,

amely az összevonásokat elvégezve nulla.


4. fejezet

Girszanov-formula

A Girszanov-formula a mértékcsere alapvet® eszköze. A mértékcsere célja a kockázatsemleges mértékre


való áttérés. A sztochasztikus analízis egyik alapvet® észrevétele, hogy az elmélet formulái nem
változnak az ekvivalens mértékcsere folyamán. Természetesen a mértékcsere folyamán a várható érték
megváltozhat. Ennek megfelel®en a lokális martingálok osztálya változik a mértékcsere során, de a
szemimartingálok és az integrálok nem függnek az alapul vett mértékt®l.

A sztochasztikus analízis nevezetes formulája a Girszanov-formula. Maga a formula tulajdonkép-


pen igen egyszer¶, ami miatt a formulát mégis nehéznek szokás tartani, az a formula mondaniva-
lója. A formula megértésének kulcsa a mértékcsere fogalmának tisztázása. A valószín¶ségszámítás
tárgyalása során mindig abból szokás kiindulni, hogy adott az (Ω, A, P) valószín¶ségi mez®. A
valószín¶ségszámítás célja, hogy az el®re rögzített mez® ismeretében határozzuk meg a különböz®
1
valószín¶ségi változók eloszlását . De mib®l is származik az eredeti valószín¶ségi mez®? Általában
2
a feladat természete miatt el®re adott , esetenként szimmetria megfontolásokból nekünk kell meg-
határozni. Id®nként el®fordul, hogy valamilyen ismert határeloszlás-tétel alkalmazásával nekünk
kell kitalálni az eloszlást. Mind a három esetben úgy érezzük, hogy a valószín¶ségi mértékek
nagysága objektív, a problémához egyedül lehetséges módon hozzá van rendelve.

4.1. Mértékcsere megadása s¶r¶ségfüggvénnyel


Természetesen ez nem így van. Az (Ω, A, P) valószín¶ségi mez®ben a P, az úgynevezett valószín¶-
ségi mérték, minden további nélkül kicserélhet®. De hogyan lehet a mérték kicserélését jellemezni?
A mértékcserét a legegyszer¶bben az új mérték s¶r¶ségfüggvényének
3 megadásával oldhatjuk meg.

4.1 Deníció.
Az f függvényt a Q mérték P mértékre vonatkozó s¶r¶ségfüggvényének mondjuk, ha minden A
esemény esetén Z
Q (A) = f dP.
A

A s¶r¶ségfüggvény természetesen az Ω halmazon értelmezett függvény. A lényeg, hogy minden A


halmaz esetén az f függvény A halmazon vett integrálja a P szerint éppen az A halmaz mértékét
adja az új Q mérték szerint. Érdemes hangsúlyozni, hogy tetsz®leges két mérték esetében nincsen
mindig s¶r¶ségfüggvény. Például a Poisson-eloszlás és a normális eloszlás esetén egyik valószín¶ségi
mértéknek sincsen s¶r¶ségfüggvénye a másik szerint. Ennek oka, hogy a Poisson-eloszlás diszkrét

1 Természetesen az eloszlások teljeskör¶ megadása helyett gyakran megelégszünk a változók várható értékének,
vagy szórásának kiszámolásával.
2 Ilyenkor statisztikai és elméleti megfontolások együttesét szokás alkalmazni.
3 S¶r¶ségfüggvényen általában a számegyenes értelmezett eloszlások s¶r¶ségfüggvényét szokás érteni. Az alábbi
fogalom ennek általánosítása. Mivel sztochasztikus folyamat esetén az Ω elég bonyolult lehet, ezért a s¶r¶ségfügg-
vény is igen bonyolult lehet.

70
4.1. MÉRTÉKCSERE MEGADÁSA S–R–SÉGFÜGGVÉNNYEL 71

pontokra koncentrálódik, a normális eloszlás pedig folytonos eloszlás, vagyis minden pont való-
szín¶sége nulla. Vegyük észre, hogy mind a két eloszlás az R számegyenesen van értelmezve és a
meggyelhet® események halmaza, az A, azonos. Vagyis a két eloszlás azonos (Ω, A) eseménytéren
van értelmezve, csak más és más valószín¶séggel súlyozzák az egyes eseményeket.

Nagyon fontos, hogy megértsük, hogy miért nincsen az említett két eloszlásnak egymásra vo-
natkozólag s¶r¶ségfüggvénye. Az integrálás egyik alapvet® szabálya, hogy egy nulla valószín¶ség¶
eseményen integrálva mindig nullát kapunk. Függetlenül attól, hogy mit integrálunk. Ez a szabály
közvetlen kiterjesztése annak, hogy az egyenesek területe a síkban nulla, ugyanis nulla a széles-
ségük. Egy téglalap területe a szélesség és a hosszúság szorzata, és deníció szerint, ha az egyik
oldal hossza nulla, akkor a szorzat értéke nulla, még akkor is, ha a másik oldal mérete végtelen. A
Poisson és a normális eloszlás esetén mindig lehet olyan halmazt találni, amelyik valószín¶sége az
egyik eloszlás szerint nulla, a másik esetében azonban pozitív. Például a Poisson-eloszlás szerint
a negatív számok halmazának valószín¶sége nulla, miközben a negatív számok valószín¶sége a
normális eloszlás szerint pozitív.

4.2 Példa.
Exponenciális eloszlás normális eloszlásra vonakozó s¶r¶ségfüggvénye.

Legyen Q az

exp (−x) ha x>0
h (x) $
0 ha x≤0
s¶r¶ségfüggvénnyel adott exponenciális eloszlás. Vagyis a számegyenesen lev® tetsz®leges A ese-
ményre Z
Q (A) $ exp (−x) dx.
A∩{x≥0}

A P valószín¶ségi mértéket deniáljuk a

 2
1 x
g (x) $ √ exp −
2π 2

s¶r¶ségfüggvénnyel, vagyis a P legyen a standard normális eloszláshoz tartozó valószín¶ségi mér-


ték. Valamely u függvény P szerinti integrálja a Stieltjes-integrálásnál bemutatott asszociativitási
szabály miatt Z Z
u dP = u (x) g (x) dx.
A A
A Q-nak a P-re vonatkozó s¶r¶ségfüggvénye

h (x)
f (x) $ ,
g (x)

ugyanis tetsz®leges A eseményre

Z Z Z
h (x) h (x)
f dP $ dP = g (x) dx =
A g (x) g (x)
ZA A

= exp (−x) dx = Q (A) .


A∩{x≥0}

Érdemes hangsúlyozni, hogy az eredeti P mérték szerint a valószín¶ség változó várható értéke
nulla volt, az új szerint azonban a várható érték egy. Ennek oka, hogy az egyes kimenetelekhez
tartozó súlyok teljesen mások lettek. Például az új valószín¶ségi mérték szerint a negatív számok
mindegyikének a valószín¶sége nulla lesz, korábban a negatív számok valószín¶sége 1/2 volt.
2
4.2. GIRSZANOV-FORMULA WIENER-FOLYAMATOK ESETÉN 72

4.2. Girszanov-formula Wiener-folyamatok esetén


A következ® példa kulcs szerepet játszik a Girszanov-formula megértésében.

4.3 Példa.
Normális eloszlás várható értékének módosítása mértékcserével.

Legyen P az N (0, σ) eloszlás és legyen Q N (µ, σ) eloszlás. A P-hez


az tartozó s¶r¶ségfüggvény

x2
 
1
g (x) $ √ exp − 2 .
σ 2π 2σ

A Q-hoz tartozó s¶r¶ségfüggvény

!
2
1 (x − µ)
h (x) = √ exp − .
σ 2π 2σ 2

Az el®z® példában látottakkal azonos módon azonnal látható, hogy a P-r®l Q-ra való átváltást
biztosító s¶r¶ségfüggvény

 
h (x) 1  2
f (x) = = exp − 2 (x − µ) − x2 =
g (x) 2σ
µ2
 
µx
= exp − .
σ2 2σ 2

Bevezetve az θ $ µ/σ 2 paramétert a formula

 
1
f (x) = exp θx − θ2 σ 2
2

módon írható. Tegyük fel, hogy az N (0, σ) eloszlás valamilyen Wiener-folyamat t id®pontban való
meggyeléséb®l ered. Ekkor σ 2 = t. Ekkor ha az eredeti mérték helyett az
 
1 2
f (x) = exp θx − θ t (4.1)
2

s¶r¶ségfüggvény segítségével kicserélt új mérték szerint tekintjük az eredeti Wiener-folyamat ér-


tékét a t id®pontban, akkor a t id®pontban kapott eloszlásnak nem nulla lesz a várható értéke,
hanem µ. Hangsúlyozni kell, hogy a várható érték egy súlyozott összeg. Az értéke függ attól,
hogy mit és attól, hogy mivel súlyozzuk. A mértékcsere során a súlyozandó értékek, vagyis a t
id®pontban meggyelt változó nem változott. De mivel a súlyok megváltoztak a várható értéke
nem nulla lesz, hanem µ.
2
A Girszanov-formula irányába haladva próbáljuk megérteni, hogy hogyan néz ki egy sztochasztikus
folyamat eloszlása. Hogy a problémát szükségtelenül ne bonyolítsuk, a vizsgálandó folyamat a P
mérték mellett legyen egy w Wiener-folyamat. A gond természetesen az, hogy a folyamat tulaj-
donképpen egy végtelen dimenziós véletlen vektor, ugyanis minden t id®pontban egy valószín¶ségi
változót kapunk, és mindegyik valószín¶ségi változóhoz tartozik egy-egy eloszlásfüggvény. A szto-
chasztikus folyamat eloszlásának meghatározása az egyes id®pontokban meggyelt értékek közötti
különböz® együttállások valószín¶ségének meghatározása. Természetesen a lehetséges együtt-
állások halmaza áttekinthetetlenül széles. Szerencsére azonban a s¶r¶ségfüggvény megadásához
elegend® néhány viszonylag egyszer¶ halmaz valószín¶ségét megadni. A legegyszer¶bb szerkezet¶
események, amelyeket egy w Wiener-folyamat segítségével meghatározhatunk

A $ {w (t1 ) ∈ B1 , w (t2 ) ∈ B2 , . . . , w (tn ) ∈ Bn }


4.2. GIRSZANOV-FORMULA WIENER-FOLYAMATOK ESETÉN 73

alakuak. Az A esemény azt adja meg, hogy a w folyamat a t1 , t2 , . . . , tn id®pontokban rendre a


B1 , B2 , . . . , Bn halmazokban lesz. Például a t1 id®pontban az értéke 2 felett lesz a t2 id®pontban
3 alatt stb. Az ilyen típusú halmazok valószín¶ségét egy Wiener-folyamat esetén azonban relatíve
nehéz meghatározni. Jóval egyszer¶bb azoknak az eseményeknek a valószín¶ségét meghatározni,
ahol ki tudjuk használni, hogy a w független növekmény¶. A

D $ {w (t1 ) ∈ C1 , w (t2 ) − w (t1 ) ∈ C2 , . . . , w (tn ) − w (tn−1 ) ∈ Cn }

halmazokhoz tartozó valószín¶ség egyszer¶en meghatározható, ugyanis a független növekmény


feltétele miatt a D valószín¶sége szorzat alakba írható

P (C) $ Ft1 (C1 ) · Ft2 −t1 (C2 ) · · · Ftn −tn−1 (Cn ) ,

ahol a normális eloszlás s¶r¶ségfüggvénye alapján


Z  2
1 x
Fs (C) = √ exp − ds.
2πs C 2s
Másképpen fogalmazva Wiener-folyamat esetén kényelmes néz®pont, ha nem a folyamat érté-
keit gyeljük meg, hanem a növekményeket és kihasználjuk, hogy a növekmények függetlenek.
Nyilvánvalóan a két meggyelési rendszer matematikailag ekvivalens, ugyanis bármelyikb®l elemi
számolással bármelyikre áttérhetünk a másikról.

Tekintsük az egyik η i $ w (ti ) − w (ti−1 ) növekményt! A teljes (Ω, A, P) téren a mértékcserét


darabonként adjuk meg. Legyenek Ai ⊆ A azok az események, amelyeket az ηi meggyelésével
kaphatunk. Ezek éppen az
{η i ∈ Ci } $ {ω : η i (ω) ∈ Ci }

típusú részhalmazai az Ω eseménytérnek. Az η i eloszlása N (0, ti − ti−1 ). Legyen µi egy tetsz®le-

ges új várható érték és cseréljük ki úgy a mértéket, hogy az η i új eloszlása N (µi , ti − ti−1 ) legyen.
Hogyan lehet ezt megtenni? Természetesen úgy, hogy megadjuk az eredeti P mértékre vonatkozó
s¶r¶ségfüggvényt! Azonnal meg fogjuk mutatni, hogy az átmenetet biztosító s¶r¶ségfüggvény
 
1 2
Zi (ω) = exp θi η i − θi (ti − ti−1 ) $
2
 
1 2
$ exp θi (w (ti ) − w (ti−1 )) − θi (ti − ti−1 ) ,
2
ahol
µi µi
θi $ = .
σ 2i ti − ti−1
A képlet az el®z®ek alapján majdnem ismer®s, az egyetlen eltérés, hogy a (4.1) képletben az x
helyébe az η i $ w (ti ) − w (ti−1 ) változó kerül. Próbáljuk ennek az okát megtalálni! Az els®
fontos észrevétel, hogy a dQ/dP s¶r¶ségfüggvény az Ω téren kell, hogy értelmezve legyen. A
közönséges valószín¶ségszámításban az Ω alaptér általában nem jelenik meg közvetlenül, ugyanis
csak az egyszer¶ valószín¶ségi változók eloszlásával foglalkozunk. Ha úgy tetszik az Ω alaptérnek
kanonikus módon választhatjuk az R egyenest. Ezért a s¶r¶ségfüggvény is a számegyenesen van
értelmezve és ezt hangsúlyozzuk avval, hogy a mértékcserét megadó s¶r¶ségfüggvény argumentu-
mát egyszer¶en x-szel jelöltük. Ha pusztán az eloszlásokra koncentrálunk, akkor a számegyenesen
értelmezett eloszlások közötti transzformációt a (4.1) képletben szerepl® f függvény adja. A Zi
alakjának indoklásául nézzük meg, milyen eloszlást eredményez a Zi , vagyis mi lesz a
Z
Q (A) = Zi dP, A ∈ Ai .
A

Vegyük észre, hogy csak az Ai eseménytéren vizsgáljuk a mértékcserét. Máshol nem is tudjuk,
ugyanis csak a w (ti ) − w (ti−1 ) növekményt gyelhetjük meg. Fontos hangsúlyozni, hogy mi-
ként általában a valószín¶ségszámításban az eloszlás a meggyelhet® események valószín¶ségét
4.2. GIRSZANOV-FORMULA WIENER-FOLYAMATOK ESETÉN 74

megadó függvény. Meggyelhet® eseményen az összes elvileg meggyelhet® eseményt értjük. Szto-
chasztikus folyamatok esetén a meggyelhet® események halmaza rendkívül nagy. Az itt követett
gondolatmenet lényege, hogy rögzítünk bizonyos id®pontokat és az ezen id®pontban végzett elvi-
leg lehetséges meggyelések halmazán megvizsgáljuk a mértékcserét. Majd ez követ®en növeljük
a meggyelésekhez tartozó id®pontok számát. Visszatérve az eredeti mgfontolásokhoz, az Ai de-
nícióját felhasználva minden A meggyelt esemény {η i ∈ C} alakú, ahol a C az R egy alkalmas
részhalmaza. Ekkor
Z Z
Q (η i ∈ C) $ Q (A) $ Zi dP = Zi χ (η i ∈ C) dP =
A Ω
= M (Zi χ (η i ∈ C)) =
Z
= M (fi (η i ) χ (η i ∈ C)) = fi (x) χ (x ∈ C) dGi (x) =
R
Z Z
= fi (x) χ (x ∈ C) gi (x) dx = hi (x) dx = Hi (C) .
R C

A képlet levezetésekor felhasználtuk a transzformált valószín¶ségi változók várható értékét megha-


tározó formulát, az úgynevezett absztrakt helyettesítés formuláját. Bár a formula elnevezése els®re
talán ismeretlennek t¶nik, valójában egy igen gyakran használt formuláról van szó. A formula
szerint, ha egy ξ változó eloszlásfüggvénye F és η $ g (ξ) , vagyis az η változót a ξ változó g
szerinti transzformáltjaként kapjuk, akkor
Z
M (η) $ M (g (ξ)) = g (x) dF (x) .
R

A formula legismertebb alkalmazása momentumok kiszámolására használt képlet. Például a má-


sodik momentum esetén
Z ∞ Z ∞
2 2
x2 f (x) dx,

M ξ = x dF (x) =
−∞ −∞

ahol persze feltettük, hogy létezik s¶r¶ségfüggvény. Vegyük észre, hogy a levezetésben Gi az
√ √
N (0, ti − ti−1 ) eloszlásfüggvénye, a Hi pedig a N (µi , ti − ti−1 ) eloszlásfüggvénye. Vagyis a Zi
√ √
valóban az η i eredeti N (0, ti − ti−1 ) eloszlását átváltja az N (µi , ti − ti−1 ) eloszlásra.
Térjünk most vissza a D halmazra. Tegyük fel, hogy mindegyik halmazon adott egy-egy θi .
Tegyük fel, hogy a teljes s¶r¶ségfüggvényt a s¶r¶ségfüggvények szorzataként akarjuk megadni,
vagyis meg akarjuk ®rizni a növekmények függetlenségét. Ekkor

n
Y
Z (n) = Z1 Z2 · · · Zn = Zi =
i=1
n
θ2
Y  
= exp θi (w (ti ) − w (ti−1 )) − i (ti − ti−1 ) =
i=1
2
n n
!
X X θ2 i
= exp θi (w (ti ) − w (ti−1 )) − (ti − ti−1 ) .
i=1 i=1
2

Ha a felosztást nomítjuk, vagyis egyre több id®pontban végezük el a mértékcserét, akkor a


határérték, amely mint s¶r¶ségfüggvény már persze a teljes A-ra értelmezve van
Z t Z t 
1 2
Z = exp θ (s) dw (s) − θ (s) ds .
0 2 0

Milyen folyamat lesz az eredeti w Wiener-folyamat az új Q mérték mellett.

1. Egyrészt a folyamat folytonos marad, ugyanis az Ω halmazon a mérték kicserélése semmit sem
változtat a trajektóriánkon. Ha azok folytonosak voltak nyilván azok is maradtak.
4.2. GIRSZANOV-FORMULA WIENER-FOLYAMATOK ESETÉN 75

2. A folyamat növekményeinek eloszlásai normálisak maradnak és a szórások nem változnak,


ugyanis csak a µi várható értékeket módosítottuk.

3. Mivel az új eloszlások meghatározásakor a növekményekhez tartozó együttes eloszlásokat a


peremeloszlások összeszorzásával határoztuk meg a növekmények függetlenek maradnak. Ez egy
igen lényeges lépés. Elvileg semmi okunk nincsen arra, hogy az egyes id®pontokban végrehajtott
mértékcseréket a megadott módon kapcsoljuk össze. A mértékcsere folyamán ügyeltünk arra, hogy
a növekmények függetlenek maradjanak és az egyes id®pontokban az új mérték szerint az eloszlások
normálisak maradjanak, miközben nem módosítottuk a szórásokat. Miért olyan meglep®, hogy az
új mérték szerint egy trenddel rendelkez® Wiener-folyamatot kapunk? Miért, ki számított másra?

4. A f® kérdés csak az, mi történik a várható értékekkel? A ti − ti−1 id®szakon az új várható érték
µi lesz. Természetesen a várható érték megváltozása, az id® függvénye. Egyenletes várható érték
változást feltételezve kétszer akkor id®szak alatt a várható érték kétszer annyit változhat. Ennek
megfelel®en a
µi µ
θi $ = 2i
ti − ti−1 σi
az egységnyi id® alatt való megváltozása a várható értéknek, vagyis a várható érték változásának
sebessége. A közelít® összeg esetén az új várható érték, az egyes várható érték növekmények
összege, vagyis
n
X n
X Z t
µi = θi (ti − ti−1 ) ≈ θ (s) ds.
i=1 i=1 0

Vagyis az új mérték alatt a várható érték

Z t
MQ (w (t)) = θ (s) ds
0

lesz, ahol a Q index arra utal, hogy most a várható értéket nem az eredeti P valószín¶ség alatt
kell venni, hanem az új Q alatt. Ez a képlet éppen az út egyenl® a sebesség integráljával szabály.
Rt
Az egész kérdést némiképpen átforgathatjuk. Ha a w folyamatból levonjuk a 0 θ (s) ds folyamatot,
akkor az így kapott w
b folyamat Wiener-folyamat lesz a Q alatt, ugyanis a Wiener-folyamat minden
tulajdonsága teljesül. Ez mondja ki a Girszanov-formula.

4.4 Tétel. (Girszanov-formula)


Ha w egy Wiener-folyamat valamely P mérték mellett és a Q mérték P-re vonatkozó s¶r¶ségfügg-
vénye
Z t Z t 
1 2
Z $ exp θ (s) dw (s) − θ (s) ds ,
0 2 0

akkor a Z t
b (t) $ w (t) −
w θ (s) ds
0
folyamat Wiener-folyamat lesz az új Q mérték mellett.

Érdemes néhány egyszer¶ megjegyzést tenni.

El®ször egy terminológiai megjegyzés. A s¶r¶ségfüggvény elnevezést a valószín¶ségszámításban


általában csak a számegyenesen a közönséges integrálás esetén szokás használni. Az elemi va-
lószín¶ségszámításban a s¶r¶ségfüggvény az eloszlásfüggvény deriváltja. Ez indokolja azt, hogy
absztrakt körülmények között RadonNikodym-deriváltról szokás beszélni. A Q mérték P-re vo-
natkozó s¶r¶ségfüggvényét, vagyis a RadonNikodym-deriváltat

dQ
dP
4.2. GIRSZANOV-FORMULA WIENER-FOLYAMATOK ESETÉN 76

módon szokás jelölni. Tehát a Girszanov-formulában

Z t Z t 
dQ 1 2
$ Z $ exp θ (s) dw (s) − θ (s) ds .
dP 0 2 0

Absztrakt körülmények között, így például a Girszanov-formula esetén, természetesen beszélhe-


tünk s¶r¶ségfüggvényr®l, de deriváltról, mint a különbségi hányadosok határértékér®l, nem. Ennek
ellenére a deriválás elnevezés igen szemléletes és hasznos, de hangsúlyozni kell, hogy a Radon
Nikodym-derivált csak távoli rokona az elemi kalkulusban megismert deriválásnak.

Második megjegyzésünk szintén terminológiai jelleg¶. A µi átlagos elmozdulások összegét, vagyis


Rt
az
0
θ (s) ds kifejezéseket szokás driftnek nevezni. Vagyis a Girszanov-formula szerint a mérték-
csere hatására a drift nélküli Wiener-folyamatban megjelenik a drift.

Maga a Wiener-folyamat egy igazságos játék egy martingál. A mértékcsere hatására az igazságos
játék esetleg igazságtalanná válhat. Ennek oka, hogy az egyes kimenetelek valószín¶sége módosul.
Talán jól szemléltethet® a probléma a fej vagy irás játékkal. Ha felírjuk a lehetséges kimenetele-
ket, akkor az így kapott bináris fa egy sztochasztikus folyamat, ugyanis az egyes kimenetelekhez
minden egyes id®pontban egy valós számot rendel. A játék végeredménye attól függ, hogy a sors
melyik útra terel minket. Ha minden lépésben azonos a két elágazás valószín¶sége, akkor a játék
fair. Ha azonban hamis érmével játszunk, a játék nem fair. Hangsúlyozni kell, hogy az érme
megválasztásától függetlenül maga a lehetséges kimenetelek halmaza azonos, csak az egyes utak
valószín¶sége módosul. Vagyis a lehetséges események, a lehetséges játékok halmaza az érme ki-
választása el®tt már adott. Absztrakt környezetben ez azt jelenti, hogy az (Ω, A) tér a konkrét
érme kiválasztása el®tt adott. Az érme megválasztása a nyerési esélyeket, vagyis a valószín¶ségi
mértéket adja meg. Ha az érme fair nincsen drift, vagyis az átlagos nyeremény nulla. Ha nem,
vagyis ha az érme hibás, akkor van drift. Minnél tovább játszunk, annál több lesz a becsapott
fél átlagos vesztesége. A nyereményfolyamat az egyik irányba sodródik, vagyis a folyamatnak van
driftje.

Végül megjegyezzük, hogy némiképpen zavaró, hogy a matematikai pénzügyekben a Girszanov-


formulát fordítva szokás használni. A matematikai pénzügyekben a részvényhozamok folyamata
tartalmaz egy driftet. Ennek oka, hogy minnél nagyobb a kockázat annál nagyobb kompenzáció
jár a részvényért, így a hozamok, pontosabban a kockázatmentes kamatláb feletti hozamok, nem
alkotnak martingált. A részvény mögött lev® reálfolyamatban az érme hamis , így a részvény
4
tartásáért kompenzáció jár, vagyis a hamis érme pénzügyi tükörképe is hamis. A derivatív árazás
esetén azonban csak a relatív összefüggések érvényesek. A részvény driftje megjelenik a bel®le x
matematikai összefüggéssel számolt származtatott termékben is: Hamis érme függvénye is hamis
és helyes fedezési arányok esetén a két hamisság kioltja egymást. Mind a két fél tudja, hogy
az érme hamis és ennek tudatában teszik meg a téteket, vagy fogalmazzák meg a szabályokat. A
drift kivétele úgy is ábrázolható, hogy átírjuk a valószín¶ségeket. Ha a fej kétszer olyan gyakran
jön ki mind az írás, akkor csak minden második fejet veszünk gyelembe és a játék máris fair. A
Girszanov-formula éppen ennek a trivialitásnak a megjelenése egy matematikailag igen összetett
modellben.

4.5 Példa.
Drift kivétele mértékcserével.

Legyen az X sztochasztikus folyamat w (t) + at alakú a P valószín¶ségi mérték alatt. A folyamat


a P mérték alatt egy drifttel rendelkez® Wiener-folyamat. A sodródás sebesség a. Mértékcserével
ki akarjuk venni a driftet.
Rt Mennyi legyen a θ? A Q alatt az at tag nem változik, a w pedig
w
b (t) + 0
θ (s) ds alakú lesz, ahol a w
b a Q alatt Wiener-folyamat. Ha a θ konstans, akkor

w (t) = w
b (t) + θt.
4 Itt most nem feltétlenül csalásra kell gondolni. Egyszer¶en a reálfolyamat tartalmaz egy sor nem diverzikálható
kockázatot. A diverzikálható kockázat egy Wiener-folyamat, a nem diverzikálható rész a drift.
4.3. GIRSZANOV-FORMULA LOKÁLIS MARTINGÁLOKRA 77

Ilyenkor
X (t) = w (t) + at = w
b (t) + θt + at.
Ez akkor lesz fair a Q alatt, ha θ = −a. Vagyis ha θ = −a, akkor a P alatti drifttel rendelkez® X
folyamat a Q alatt Wiener-folyamat.
2

4.3. Girszanov-formula lokális martingálokra


Végezetül érdemes egy rövid id®re visszatérni a mértékcsere általános problémájához. Miként a
mértékcsere bevezetésekor jeleztük a dQ/dP s¶r¶ségfüggvény létezéséhez szükséges, hogy a Q ne
legyen pozitív akkor, ha a P nulla. Ez indokolja a következ® deníciót:

4.6 Deníció.
Azt mondjuk, hogy a P és a Q mértékek ekvivalensek, ha a Q mérték pontosan akkor nulla egy
halmazon, ha a halmaz valószín¶sége a P mértékre nézve is nulla.

Ekvivalens mértékek esetén az egy valószín¶séggel konvergens sorozatok triviálisan megegyeznek,


ugyanis a gonosz kimenetelek halmaza független a mértékt®l, és e miatt a gonosz halmazok va-
lószín¶sége mind a két mérték esetén, az ekvivalencia deníciója miatt, egyszerre nulla vagy nem
nulla. Nem ennyire evidens, de megmutatható, hogy a sztochasztikusan konvergens sorozatok
halmaza is egybesik, vagyis az ekvivalens mértékcsere nem változtatja meg a sztochasztikus kon-
vergenciát. Ebb®l következ®en a sztochasztikus integrál és a kvadratikus variáció a mértékcsere
folyamán nem változik. Így az Itô-formulában szerepl® különbözö kifejezések nem változnak a
mértékcsere folyamán. Ebb®l következ®en a mértékcsere jórészt nem módosítja a sztochasztikus
analízist, így érdemes mindig olyan mértéket választani, ahol a dolgok a lehet® legegyszer¶bbek.
Másképpen fogalmazva a sztochasztikus analízis invariáns az ekvivalens mértékcserére, így az ala-
pul vett mértéket lényegében kényelmi szempontok határozzák meg.

Természetesen felvethet®, hogy akkor mégis mi változik a mértékcsere során? Nyilvánvalóan pél-
dául a várható érték, illetve ennek megfelel®en a szemimartingálok felosztása lokális martingálra
és korlátos változású tagra. Vagyis ha X egy szemimartingál, akkor az X nyilván nem változik ha
kicseréljük az alapul vett mértéket. Miért is változna? Ha az X martingál a P alatt akkor a Q
alatt nem lesz martingál. Miért is maradna, az, hiszen módosul a várható érték? Idáig nem volt
trendje, a növekmények várható értéke nulla volt, most pedig a növekmények várható értéke nem
lesz nulla. Persze az nem nyilvánvaló, hogy szemimartingál marad. Miért is lenne ez nyilvánvaló?
A Girszanov-tétel talán legfontosabb következménye, hogy a válasz igen, ha az X szemimartin-
gál a P alatt, akkor az X szemimartingál marad a Q alatt is! Legyen X = X (0) + M + V az
X felbontása a P alatt és az új mérték alatt az X felbontása legyen X = X (0) + N + B . A
Girszanov-formula a következ® kérdést veti fel:

Mi a kapcsolat a V és a B között?

Az egyszer¶ség kedvéért tegyük fel, hogy az M egy martingál. Hogyan tudnánk olyan ekvivalens
mértéket találni, amelyre nézve az M trendje B lesz? Vagyis az M martingálból egy B trenddel
rendelkez® szemimartingált akarunk csinálni. Ezt a Wiener-folyamatnál bemutatott módon lépé-
senként akarjuk megtenni. vagyis a mértékcserét csepegtetveakarjuk, dt hosszú id®szakonként
megkonstruálni. Rögzítsünk egy 0≤t≤T id®pontot. Mivel az M martingál, ezért úgy érezzük,
hogy egy igazságos játék eredménye. Ezért az M egy végtelen kicsi id® alatt tetsz®leges trajektó-
rián tetsz®leges id®pontban 1/2 valószín¶séggel felfelé megy és 1/2 valószín¶séggel lefelé indul el.
Vegyünk a t id®pontban azt az A esemény, ahol felfelé indul el és jelölje az M növekményét az A
4.3. GIRSZANOV-FORMULA LOKÁLIS MARTINGÁLOKRA 78

eseményen δ. Mivel az M martingál, ezért úgy érezzük , hogy


5

P (A) · δ − P (Ac ) · δ = 0.

Másképpen a martingál tulajdonság miatt minden trajektórián minden id®pontban a lehetséges


innitezimális elmozdulások átlaga nulla lesz .
6 Jelölje α azt az átváltó konstanst, amely a P
valószín¶séget átváltja az A halmazon Q-ra, vagyis legyen az A halmazon

dQ
= α.
dP
Mivel azA és az Ac elválaszthatatlan, ezért ha az Ac halmazon az átváltó konstans β, akkor a
P (A) = P (Ac ) = 1/2 felhasználásával

e = αP (A) + βP (Ac ) = α + β
 
1 = Q (A) + Q A
2
kell, hogy legyen, ugyanis ellenkez® esetben a dQ/dP nem lenne s¶r¶ségfüggvény, ugyanis nem
összegz®dne a P szerint egyre. Ebb®l
β = 2 − α.
Így csak az a konstanst kell kiszámolni. Az új Q valószín¶ségre a dt id®szak alatt az új várható
érték  
Q (A) δ − Q Ae δ = ∆B (t)

Az átváltó konstansokat behelyettesítve

1 1
α δ − (2 − α) δ = ∆B (t) .
2 2
Egyszer¶ átrendezéssel az A halmazon

∆B (t) ∆B (t)
α=1+ =1+ ,
δ ∆M (t)

az Ac halmazon
∆B (t)
β =2−α=1+ .
∆M (t)
Ezt némiképpen átalakítva egy igen kicsi id®szak alatt

dQ (∆B) (∆M )
(t) ≈ 2 + 1 ≈ 1 + θ∆M,
dP (∆M )

ahol a θ azt adja meg, hogy a kvadratikus variáció egységnyi növekedésére nézve mennyivel nö-
vekszik az új trend, vagyis némi elnagyolással
7

dB
θ= .
d hM i
5 Nyilvánez egy igen vitatható gondolat. Ugyanakkor, ha nem így lenne és az A-nak nem lenne árnyoldala,
akkor az A bekövetkezésére fogadva biztos nyereséghez tudnánk jutni, és a martingál deníciója miatt ez lehetetlen.
Vagyis az M martingál tulajdonsága miatt, és a minden jóban van valami rossz elve miatt, az A-hoz létezik A. e
Másképpen a kockázat nélkül nincsen üzlet elv miatt, ha van üzlet, kell lenni kockázatnak is. Vagyis a sikeres
vállakozók P (A) = 1/2 lábbal mindig a börtönben vannak.
6A martingál kapcsán hangsúlyozni szokás, hogy nem arról van szó, hogy a növekmény várható értéke nulla.
Hanem arról, hogy minden lehetséges módon kiválasztott eseménynek van t®le elválaszthatatlan árnyoldala.
7 Joggal felvetheti valaki, hogy miért lesz a θ integrálható az M szerint. illetve miért lesz a B deriválható az
hBi szerint? Természetesen nem kell annak lenni, de akkor a B trendet nem lehet mértékcserével megvalósítani.
Vagyis nem minden trendet lehet mértékcserével létrehozni!! Nem ám. Err®l szólnak a nincsen arbitrázs tételek.
4.3. GIRSZANOV-FORMULA LOKÁLIS MARTINGÁLOKRA 79

A klasszikus analízisben egy dt id®szak alatt az 1+ θ∆M kifejezés közelít®leg éppen exp (θ∆M ) ,
ugyanis a két kifejezés az els®rend¶ tagok szintjén megegyezik. Az Itô-kalkulus szabályai miatt
azonban a másodrend¶ tagok is számítanak, de a harmadrend¶ek már nem, ezért a
 
1 2
1 + θ∆M ≈ exp θ∆M − (θ∆M )
2
közelítés helyes. Valóban, az els® két közelít® tagot felírva
 
1 2
exp θ∆M − (θ∆M ) ≈
2
 2
1 2 1 1 2
≈ 1 + θ∆M − (θ∆M ) + θ∆M − (θ∆M ) =
2 2 2
= 1 + θ∆M + legalább harmadrend¶ ≈
≈ 1 + θ∆M.
Ismételten a növekményekhez tartozó csepegtetett s¶r¶ségfüggvényeket összeszorozva a teljes
téren a mértékcsere
 
dQ Y 1 2 2
(T ) = exp θ (t) ∆M (t) − θ (t) (∆M ) (t) =
dP t
2
!
X 1X 2 2
= exp θ (t) ∆M (t) − θ (t) (∆M ) (t) =
t
2 t
!
X 1X 2
= exp θ (t) ∆M (t) − θ (t) ∆ hM i (t) ≈
t
2 t
Z T !
1 t 2
Z
≈ exp θ (t) dM (t) − θ (t) d hM i (t) .
0 2 0
RT
Ha az
0
θ (t) dM (t) sztochasztikus integrálhoz tartozó lokális martingált L-lel jelöljük, akkor a
 
dQ 1
= exp L − hLi (T )
dP 2
mértékcsere az M martingálból egy B trenddel rendelkez® szemimartingált csinált. Megfordítva
az új mérték mellett az Mc $ M − B folyamat martingál a Q alatt. Számoljuk ki az hL, M i
kvadratikus kereszt variációt: A θ deníciója alapján
Z t  Z t
hL, M i (t) = θdM, M = θd hM, M i ≈
0 0
X X ∆Bi
≈ θi ∆ hM ii = ∆ hM ii =
i i
∆ hM ii
X
= ∆Bi = B.
i

Vagyis az új trend éppen B $ hL, M i módon írható fel.

4.7 Állítás. (Girszanov-transzformáció)


Ha M martingál a P mérték alatt és
 
dQ 1
= exp L − hLi (T ) ,
dP 2
akkor az
c $ M − hL, M i
M
folyamat martingál a Q alatt.
4.3. GIRSZANOV-FORMULA LOKÁLIS MARTINGÁLOKRA 80

Természetesen a gyelmes olvasó felvetheti, hogy a bemutatott eljárás túl szigorú megkötéseket
tartalmazott. Vajon más módon nem lehetne-e mértékcserét csinálni? Igen általános és természe-
tes feltételek mellett megmutatható, hogy nem. Minden olyan B trendhez, amelyet mértékcserével
meg lehet konstruálni, van olyan L lokális martingál, hogy B = hL, M i .

4.8 Példa.
Wiener-folyamat és a mértékcsere.

A Wiener-folyamatok számos szempontból nem igazán különböznek a többi folytonos martingáltól.


Talán az egyetlen speciális tulajdonságuk, hogy amennyiben a véletlen forrást egy w Wiener-
folyamat adja meg, akkor minden L 8
lokális martingál integrál alakban írható fel , vagyis ilyenkor
Rt
mindig van olyan X, hogy minden t id®pontra L (t) = 0
Xdw. Ezt az integrálreprezentációs
tulajdonságot felhasználva a lehetséges trendekre

Z t  Z t
B (t) = hL (t) , w (t)i = Xdw, w (t) = Xd hwi =
0 0
Z t
= X (s) ds.
0

Vagyis Wiener-folyamatok esetén mértékcserével csak deriválható trendeket lehet csinálni. Ennek
van egy igen fontos következménye. Valamely Q mértékre azt mondjuk, hogy az X szemimartingál
martingál mértéke, ha a Q alatt az X martingál. Az elmondottakból világos, hogy csak igen speci-
ális szerkezet¶ szemimartingálok esetén lehet a trendet eltüntetni, vagyis csak speciális szerkezet¶
szemimartingáloknak van martingálmértéke.
2

8 V.ö.: 5.3. állítás, 5.3. oldal.


5. fejezet

Kvadratikus variáció és arbitrázs

Ebben a fejezetben a sztochasztikus analízis és a derivatív árazás kapcsolatát mutatjuk be.

Miként a bevezet®ben jeleztük a pénzügyi matematika közgazdaságilag a tökéletes piaci verseny


hipotézisére épül. Az elmélet kiindulópontja, hogy a verseny tökéletessége miatt a piacon nincsen
lehet®ség arbitrázsra ugyanis az árak változását nem lehet a múlt alapján el®rejelezni. Másoldalról
az Itô-formula tárgyalásakor láttuk, hogy a tökéletesen véletlen folyamatok által indukált moz-
gások trajektóriái matematikailag igen sajátos tulajdonsággal rendelkeznek: a tökéletesen véletlen
folyamat kvadratikus variációja pozitív. Mind az arbitrázs lehetetlensége, mind a kvadratikus
variáció pozitivitása azt jelenti, hogy a folyamat  jöv®je el®rejelezhetetlenül véletlen. Ebben a
fejezetben az arbitrázs és a kvadratikus variáció kapcsolatát vizsgáljuk meg.

5.1. A BlackScholes-formula
Els® lépésként röviden emlékeztetünk a BlackScholes képlet levezetésére. Legyen S egy részvény
és legyen B egy kötvény. Tegyük fel, hogy a kötvény árát a

dB = exp (rt) dt, (5.1)

a részvény árát a
dS = µSdt + σSdw (5.2)

egyenlet írja le, ahol a µ a σ és az r kifejezések konstansok. Tegyük fel, hogy a T id®pontban a
Φ (S (T )) kizetéshez fogunk jutni. Mennyi ennek a fair ára a t=0 id®pontban?

5.1.1. Az árazási képlet levezetése parciális dierenciálegyenlettel


A már bemutatott feltételek mellett tegyük fel továbbá, hogy a feladatban szerepl® problémának
van megoldása, amely tetsz®leges 0≤t≤T id®pontban megadja a derivatíva árát. Tegyük fel
továbbá még, hogy az árat megadó kifejezés csak a t id®pont és az aktuális S (t) ár függvénye.
Vagyis tegyük fel, hogy adott egy f (t, x) függvény, amelyre tetsz®leges 0 ≤ t ≤ T id®pont esetén
1
az ár éppen f (t, S (t)). Az f értékét a T id®pontban ismerjük , de mi a t = 0 id®pontban vett
értékét szeretnénk megtudni, vagyis az f (0, x) értékre vagyunk kiváncsiak. Tegyük fel, hogy az
f (t, x) függvény elég  jó, így az f függvényre alkalmazható az Itô-formula.
A tett feltételek miatt az id®t®l függ® Itô-formula szerint a derivatíva árát megadó f függvény
kielégíti az

T T T
∂2f
Z Z Z
∂f ∂f 1
f (T.S (T )) − f (t.S (t)) = ds + dS + d hSi
t ∂s t ∂x 2 t ∂2x
1 f (T, x) = Φ (x) .

81
5.1. A BLACKSCHOLES-FORMULA 82

integrálegyenletet. A korábban már sokszor látott

 Z Z   Z  Z
hSi = µ Sdt + σ Sdw = σ Sdw = σ 2 S 2 d hwi =
Z
2
= σ S 2 ds

összefüggést felhasználva az integrálegyenletet a szokásos dierenciális alakba átírva

1 ∂2f 2 2
 
∂f ∂f
df = + σ S ds + dS.
∂s 2 ∂x2 ∂x

Kivonva bel®le a (5.2) sor ∂f /∂x-szeresét a jobb oldalon megszabadulhatunk a misztikus dw


tagtól .
2
1 ∂2f 2 2
 
∂f ∂f
df − dS = + σ S ds.
∂x ∂s 2 ∂x2
Persze ezt sem t¶nik jobbnak. A probléma megoldása egy remek közgazdasági észrevétel!! A jobb
oldalon álló kifejezés minden id®pontban ismert, ugyanis nem tartalmazza a dw tagot. Ekkor a
másik oldalnak is determinisztikusnak kell lenni. A df az f megváltozása, a dS az S megváltozása,
így a
∂f
df − dS
∂x
felfogható, mint egy 1 darab derivatíva és −∂f /∂x darab részvényb®l álló portfolió rövid id® alatt
bekövetkez® értékváltozása. Az így kapott portfolió értéke

∂f
V (t) = 1 ∗ f (t, S (t)) − (t, S (t)) ∗ S (t) .
∂x
Mivel a portfolió nem függ a dw-t®l, ezért deteminisztikus, így a hozama éppen az r kockázatmentes
hozam. Vagyis
dV = rV ds.
A V konkrét értékét visszaírva
 
∂f ∂f
df − dS $ dV = rV ds $ r f − S ds.
∂x ∂x

Ezt visszaírva és a ds kifejezéssel osztva a

∂f ∂f 1 ∂2f 2 2
+r S+ σ S = rf (5.3)
∂s ∂s 2 ∂x2
parciális dierenciálegyenletet kapjuk. Emlékeztetünk, hogy teljesülni kell az

f (T, S (T )) = Φ (S (T ))

feltételnek is. A parciális dierenciálegyenletet megoldva azonnal látható, hogy a tett feltételek
mellett a t=0 id®pontban az ár

f (0, S (0)) = exp (−rT ) M (Φ (X (T ))) , (5.4)

ahol az X folyamat a (5.3) egyenlethez rendelt

dX = rXdt + σXdw (5.5)

X (0) = S (0)
2A dolog lényege, hogy persze a µ is kiesik.
5.1. A BLACKSCHOLES-FORMULA 83

sztochasztikus dierenciálegyenlet megoldása. Vegyük észre, hogy az X -re felírt egyenlet hasonlít
az S -re felírt egyenletre. Az egyetlen eltérés, hogy a µ helyébe az r konstans került. Mivel a
µ alapvet®en a részvény kockázatát jellemzi, szokás azt mondani, hogy a (5.4) várható értéket a
kockázatmentes világban kell venni. Ez azonban a levezetés alapján nem pontos, ugyanis most a
várható értéket az eredeti, ha úgy tetszik a statisztikailag meggyelt mez® felett is vehetjük , de a
3
folyamat, aminek a várható értékét venni kell nem az S, hanem az X, és a két folyamat általában
4
különböz® . Némi elnagyolással azt mondhatnánk, hogy nem a mértéket, hanem az alapul vett
folyamatot kell kicserélni.

5.1.2. Az árazási formula levezetése mértékcserével


Az imént látott gondolatmenet minden nagyszer¶sége ellenére igen vitatható. Talán a leginkább
problémás feltétel, hogy már eleve feltételezzük, hogy létezik egy árazó képlet és megköveteltük,
hogy az egyedül csak az aktuális ártól, illetve az id®t®l függjön. Arról nem is beszélve, hogy
az f viszonylag szigorú analitikus tulajdonságait is megköveteltük. Nem világos továbbá, hogy
miért csak egy megoldása van a parciális dierenciálegyenletnek stb. Az alábbiakban egy másik
indoklást mutatunk be.

Némiképpen általánosabban eljárva tekintsünk egy n darab kockázatos eszközb®l álló pénzügyi
rendszert. Az egyes eszközök árát a t id®pontban jelölje

(S1 (t) , S2 (t) , . . . , Sn (t)) .

Most is feltesszük, hogy az Sk folyamatok folytonosak. Tegyük fel, hogy az n darab eszközb®l álló
portfolióban a t id®pontban a
(θ1 (t) , θ2 (t) , . . . , θn (t))
vektorral megadott mennyiség¶ eszköz van. A t id®pontban a portfolió értéke az érték egyenl®
egységár szorozva mennyiség elv alapján

n
X
V (t) $ θk (t) Sk (t) .
k=1

A portfolió értékének megváltozása a megszokott módon, teleszkópikus összegként számolható: Ha


(tl ) a [t, T ] id®tartam tetsz®leges felbontása, akkor
X
V (T ) − V (t) = (V (tl ) − V (tl−1 )) =
l
n X
X
= (θk (tl ) Sk (tl ) − θk (tl−1 ) Sk (tl−1 )) .
k=1 l

Az elemi számolással ellen®rizhet®

a 2 b2 − a 1 b1 = a1 (b2 − b1 ) + b1 (a2 − a1 ) +
+ (a2 − a1 ) (b2 − b1 )

képlet miatt a bels®


X
(θk (tl ) Sk (tl ) − θk (tl−1 ) Sk (tl−1 ))
l
összeg éppen az
Z T Z T
θdS + Sdθ + hθ, Si
t t
3 Természetesen bármilyen olyan mez® felett vehetjük a várható értéket, amely mellett a (5.5) feladat felírható
és megoldható.
4 Nem beszélve arról, hogy az X tetsz®leges olyan valószín¶ségi mez® felett vehet®, amely esetén a (5.4) egyenlet
megoldható.
5.1. A BLACKSCHOLES-FORMULA 84

közelít® összege. Általában, ha ξ és η két sztochasztikus folyamat, akkor

Z b Z b
b
ξ (b) η (b) − ξ (a) η (a) = ξdη + ηdξ + hξ, ηia
a a

feltéve, hogy az integrálok, illetve a kvadratikus keresztvariáció létezik .


5 Ezt a formulát szokás
parciális integrálás formulájának is mondani. A parciális integrálás formulája természetesen a
többdimenziós Itô-formula segítségével is megkapható. A kés®bbiekben azonban a formulát igen
általános körülmények között fogjuk alkalmazni és a gondolatmenettel a formula általános jellegére
szerettünk volna utalni.

A parciális integrálás formuláját felhasználva a portfolió értékváltozása

n Z
X T n Z
X T
V (T ) − V (t) = θk dSk + Sk dθk +
k=1 t k=1 t

Xn
T
+ hθk , Sk it .
k=1

Az egyel®séget sztochasztikus dierenciákkal felírva:

n
X n
X n
X
dV = θk dSk + Sk dθk + d hθk , Sk i .
k=1 k=1 k=1

5.1 Deníció.
n n
A (θk )k=1 portfolió súlyokat az (Sk )k=1 árak mellett önnanszírozónak mondjuk, ha

n
X
dV = θk dSk ,
k=1

vagyis önnanszírozó portfolió esetén aV értékfolyamat megváltozása csak az árak dSk megváltozá-
sából származik. A sztochasztikus dierenciálokat integrálalakban kiírva az önnanszírozás feltétele
azt jelenti, hogy tetsz®leges t<T id®pontok esetén

n Z
X T
V (T ) − V (t) = θk dSk .
k=1 t

Fontos hangsúlyozni, hogy az önnanszírozás tulajdonsága nem függ az ármércét®l, vagyis nem
függ attól, hogy milyen egységben fejezzük ki az árakat. Ez intuitíve nyilvánvaló, és formális
számolással is igazolható. Hogy a technikai részletek ne vegyék el az olvasó kedvét, csak akkor
látjuk be az állítást, amikor az új ármérce egy

B (t) = exp (rt)


6
alakú kötvény . A parciális integrálás formulája szerint tetsz®leges t-re
Z t Z t  
V (t) 1 1 1
V (t) $ = V (0) + dV (s) + V (s) d + V, (t) .
B (t) 0 B (s) 0 B (s) B
A megadott formula szerint a B korlátos változású, a V az Sk folyamatok folytonossága miatt
7
folytonos, így a kvadratikus keresztvariáció nulla . A portfolió önnanszírozó, így

n
X
dV = θk dSk
k=1

5 A hξ, ηib jelölésen értelemszer¶en a ξ és az η [a, b] szakaszon vett keresztvariációját értjük.


a
6 Ezt is csak azért tesszük, hogy a sztochasztikus kalkulus számolási szabályait egy kicsit gyakoroljuk".
7 Valójában a B konkrét alakjából csak ezt kell használni.
5.1. A BLACKSCHOLES-FORMULA 85

ezt beírva az asszociativitási szabály szerint az els® integrál a

Z t n Z t
1 X θk
dV (s) = dSk
0 B (s) 0 B
k=1

módon írható. Vagyis

n Z t Z t
X θk 1
V (t) − V (0) = dSk + V (s) d . (5.6)
0 B 0 B (s)
k=1

Ugyanakkor, ismételten a parciális integrálás formulája szerint


8

Z t Z t
Sk Sk (0) 1 1
= + dSk + Sk d .
B B (0) 0 B 0 B
Ebb®l az asszociativitási szabály alkalmazásával
9

n Z t n Z t n Z t n Z t
X X Sk X θk X 1
θk dS k $ θk d = dSk + θk Sk d =
0 B B B
k=1 k=1 0 k=1 0 k=1 0
n Z t Z tX n
X θk 1
= dSk + θk Sk d =
B B
k=1 0 0 k=1
n Z t Z t
X θk 1
= dSk + Vd .
0 B 0 B
k=1

Ezt a (5.6) sorral összevetve


n Z
X t
V (t) − V (0) = θk dS k ,
k=1 0

vagyis a (θk ) az új ármérce esetén is önnanszírozó.

Legyen HT egy tetsz®leges a T id®szakban esedékes kizetés. A kérdés továbbra is az: Mit ér ez a
jöv®beli kizetés a t=0 id®pontban? Természetesen minden további megfontolás nélkül a kérdés
nem válaszolható meg. Ahhoz, hogy valamit mondani tudjunk egy alkalmas közgazdasági feltételt
n
kell szabni. Ez a közgazdasági feltétel a következ®: Ha van olyan (θk )k=1 önnanszírozó portfolió,
amelyre
n
X n Z
X T
HT = V (T ) $ θk (T ) Sk (T ) = V (0) + θk dSk ,
k=1 k=1 0

akkor a HT ára a t=0 id®pontban éppen

π (HT ) = V (0) .
Természetesen a kérdést evvel nem oldottuk meg, csak átalakítottuk: Hogyan határozható meg a
V (0) értéke? Amennyiben az önnanszírozó portfolióban szerepl® integrálok martingálok, akkor
a válasz egyszer¶:
π (HT ) = M (HT ) ,
ugyanis mivel a martingálok szerint vett sztochasztikus integrálok várható értéke nulla
10 , ezért

n Z
!
X T
M (HT ) = M V (0) + θk dSk =
k=1 0

= E (V (0)) = V (0) .
8 És természetesen a már említett okok miatt elhagyva a keresztvariációt.
9 Vegyük észre, hogy az S (0) /B (0) konstanst elhagyjuk, ugyanis a d-je nulla.
k
10 Ez miként tudjuk nem mindig van így, itt lép be a lokális martingálok és a martingálok közötti eltérés, de mint
említettük kicsire nem adunk.
5.1. A BLACKSCHOLES-FORMULA 86

A gond csak az, hogy az Sk folyamatok nem martingálok! Ez azonban nem jelent problémát, a
Girszanov-formulával
11 ki fogjuk cserélni a mértéket, és az új mérték alatt az n
(Sk )k=1 folyamatok
már martingálok lesznek, így a gondolatmenet már alkalmazható lesz.

A tárgyalás jobb áttekinthet®sége céljából tegyünk fel, hogy csak két eszközünk van egy kötvényünk
és egy részvényünk, és tegyük fel, hogy ezek id®ben való mozgását a (5.1) és (5.2) egyenletek írják
le. Ekkor az egyenleteket megoldva

B (t) = exp (rt)


σ2
  
S (t) = exp µ− t + σw (t) .
2
Vegyük észre, puszta mértékcserével nem tudjuk a két folyamatot egyszerre martingállá alakítani.
A B determinisztikus és így ha r 6= 0, akkor nincs olyan mértékcsere, amely mellett martingál lesz!
Ezt a gondot azonban az ármérce alkalmas megválasztásával megoldhatjuk. Tegyük fel, hogy az
eredeti ármérce helyett a B folyamatot vezetjük be mint ármércét. Ekkor az új ármérce mellett
12

HT
HT =
BT
B (t) = 1
σ2
  
S (t) = exp µ−r− t + σw (t) .
2
Ebben a felírásban ez els® eszköz, a B, martingál és minden mérték esetén martingál marad,
ugyanis konstans. Így elegend® a mértéket úgy kicserélni, hogy a második folyamat az S is
martingál legyen. Vegyük továbbá észre, hogy mivel B (0) = 1, ezért V (0) = V (0).
De milyen mérték esetén lesz az S martingál? Az exponenciális martingálokkal kapcsolatos ko-
rábban már látott megfontolásokból tudjuk, hogy ehhez az szükséges, hogy az új mérték esetén
alkalmas w
b Wiener-folyamattal a diszkontált árfolyam

σ2
 
b (t) −
S (t) = exp σ w t
2
alakú legyen. Másképpen olyan mértéket kell választanunk, amely mellett a

µ−r
t + w (t) $ w
b (t)
σ
folyamat Wiener-folyamat. Ezt meg is tehetjük. Ehhez elegend® a Girszanov-formulát a

µ−r r−µ
θ$− =
σ σ
konstans esetén alkalmazni. Az így kapott mértéket Q-val jelölve
 
HT
π (HT ) = MQ HT $ MQ

.
B (T )
De mit is jelent ez? Milyen alakuak lesznek a mértékcsere után az egyes folyamatok? A B
determinisztikus így a mértékcssre során semmilyen formában nem változik, így a B -re vonatkozó
egyenlet a mértékcsere után is
dB = exp (rt) dt
marad. A Girszanov-formula miatt a

µ−r
w (t) = w b (t) −
b (t) + θt = w t.
σ
11 Illetve, miként látni fogjuk még az ármércét is cserélni kell!
12 Általában a felülvonás mindig a diszkontált változóra utal.
5.1. A BLACKSCHOLES-FORMULA 87

Amit beírva

σ2
 
S (t) = exp µ− t + σw (t) =
2
σ2
   
µ−r
= exp µ− t+σ w b (t) − t =
2 σ
σ2
  
= exp r− t + σw
b (t) .
2

Vagyis a mértékcsere után az µ helyébe r kerül a w helyébe pedig w


b. Az új mérték alatt a µ eltünt!
Másképpen a mértékcserével kapott újy Q mérték esetén az S kielégíti a

dS = rSdt + σSdw
b

egyenletet. Ezt úgy is fogalmazhatjuk, hogy a mértékcserével explicite módon megkonstruáltunk


egy olyan Wiener-folyamatot és egy olyan valószín¶ségi mez®t, amelyek segítségével az el®z® alfe-
jezetben szerepl® X folyamat felírható. Ebben a felírásban S = X.

5.1.3. A nincsen arbitrázs elv


A formula levezetésekor némiképpen homályosan fogalmaztunk. Ebben az alpontban az alkalma-
zott gondolatmenetet pontosítjuk.

5.2 Deníció.
n n
Azt mondjuk, hogy a (θk )k=1 önnanszírozó portfolió súlyok arbitrázst alkotnak, ha (θk )k=1 sú-
lyokkal képzett V értékfolyamatra V (0) = 0 és van olyan T , hogy minden kimenetelre V (T ) ≥ 0
és egy pozitív valószín¶séggel rendelkez® halmazon a V (T ) pozitív13 .
n
Az arbitrázs közgazdasági interpretációja a következ®: mivel a (θk )k=1 súlyok önnanszírozóak,
n
ezért a kezdeti V (0) = 0 értékb®l a (θ k )k=1 stratégiát megjátszva a T id®pontban pozitív való-
szín¶séggel nyereséget lehet csinálni anélkül, hogy a veszteség lehet®ségével számolni kellene. Ha
van mód arbitrázsra, akkor a piac nem m¶ködhet tökéletesen, ami ellentmond a piac tökéletes-
ségér®l szóló kiinduló közgazdasági alapfeltételnek. Az árazási formula levezetése arra alapult,
hogy feltettük, hogy a piacon nem lehet arbitrázs. Az arbitrázs mentesség követelménye miatt
a HT kizetést replikáló önnanszírozó portfolió létezése esetén az ár csak a V (0) lehet, ugyanis
ellenkez® esetben triviálisan lenne arbitrázs.

5.1.4. A piac teljessége


Vegyük észre, hogy a gondolatmenet még mindig nem tökéletes, ugyanis nem tudjuk, hogy miért
létezik a HT követelést el®állító önnanszírozó portfolió? A válasz kulcsa a következ® állítás,
amelyet szokás Itô-féle integrálreprezentációs tételnek is nevezni:

5.3 Állítás. (Integrálreprezentáció)


Ha a T id®pontban meggyelhet® ξ valószín¶ségi változónak létezik szórása, akkor található, még-
pedig egyetlen olyan X folyamat amelyre

Z T
ξ = M (ξ) + Xdw.
0

Az X folyamat olyan, hogy az el®állításban szerepl® sztochasztikus integrál valódi martingál.

13 A deníció nem tökéletes, ugyanis nem zárja ki a duplázó stratégiát amely a végtelen sok lehetséges t id®pont
miatt el®fordulhat. Éppen ezért folytonos id®horizont esetén az arbitrázs deníciójában fel szokás tenni, hogy az
értékfolyamat alulról korlátos, ahol az alsó korlát közgazdaságilag a kereskedést megvalósító személy vagyona, illetve
teljes hitelkerete.
5.2. FRAKCIONÁLIS WIENER-FOLYAMAT 88

5.4 Példa.
A call opciók árazása és az Itô-féle integrálreprezentációs tétel.

Vegyük a call opció kizetési függvényét, vagyis legyen

HT = max (0, S (T ) − K) .

Természetesen az árazást tekinthetjük a B ármérce mellett, ekkor az önnanszírozó portfolió


létezésével kapcsolatos kérdés az, hogy van-e olyan θ porfolió, amelyre

Z T Z T
HT
= V (0) + ψdB + θdS =
B (T ) 0 0
Z T
= V (0) + θdS?
0

Vegyük észre, hogy közvetlenül az Itô-féle integrálreprezentációs tétel nem alkalmazható, ugyanis
most a T id®szakban esedékes követelést az S folyamattal kell el®állítani, és nem egy Wiener-
folyamattal, miként az a tételben szerepel. Ez azonban könnyen orvosolható. A kockázatsemleges
mérték mellett
dS = σSdw,
b
ugyanis az r a diszkontálással eltüntethet® és így
 
σt
b−
S (t) = exp σ w ,
2
ami éppen az említett egyenlet megoldása. Ezt beírva, az asszociativitási szabály szerint

Z T Z T
θdS = θSdw,
b
0 0

ahol a w
b már Wiener-folyamat. Így alkalmas Y folyamattal, ha

Y
θ$ ,
S
akkor Z T Z T Z T
HT
= V (0) + Y dw
b= θSdw
b= θdS.
B (T ) 0 0 0
Ahhoz, hogy a reprezentációs tételt alkalmazni tudjuk, elég azt megjegyezni, hogy a lognormális
eloszlásnak van szórása, így az S (T )-nek van szórása, így triviálisan a HT változónak is van
szórása.
2

5.2. Frakcionális Wiener-folyamat


Tegyük fel, hogy a parciális integrálás formulájában a ξ és az η folyamatok nem elég véletlenek.
Ezen most azt a matematikai tulajdonságot értjük, hogy a két folyamat trajektóriái elég regulá-
risak ahhoz, hogy a hξ, ηi kvadratikus keresztvariáció nulla legyen. Ilyenkor a parciális integrálás
formulája a jóval egyszer¶bb

Z b Z b
ξ (b) η (b) − ξ (a) η (a) = ξdη + ηdξ
a a

alakot ölti. Speciálisan ha ξ = η, akkor

Z b
2 2
ξ (b) − ξ (a) = 2 ξdξ.
a
5.2. FRAKCIONÁLIS WIENER-FOLYAMAT 89

Másképpen fogalmazva, ha a ξ nem elég véletlen, akkor érvényes a

dξ 2 = 2ξdξ

deriválási szabály. Tegyük fel, hogy hξi = 0 és tekintsük a ξ segítségével megfogalmazható leg-
egyszer¶bb (B, S) kötvény-részvény modellt: B (t) $ 1 és S (t) $ 1 + ξ (t). A B folyamat alatt
természetesen a kötvényt értjük, az S alatt pedig a részvényt
14 . Legyen

2
θB (t) $ − (ξ (t)) − 2ξ (t) , θS (t) $ 2ξ (t) .

a beruházási stratégia. A megfelel® értékfüggvény

V (t) = θB (t) · B (t) + θS (t) · S (t) =


2 2
= − (ξ (t)) − 2ξ (t) + 2ξ (t) (1 + ξ (t)) = (ξ (t)) .

Ha a ξ (t) nem azonosan nulla, akkor a (θB , θS ) pár a (B, S) modellben arbitrázs, ugyanis

2
dV = d (ξ) = 2ξdξ = θB · 0 + θS dξ =
= θB dB + θS dS,

egyenl®ség miatt a portfolió önnanszírozó. Ugyanez közvetlenül megmutatható a parciális integ-


rálás formulájából is. Felhasználva, hogy mind a két keresztvariáció nulla

dV = θB dB + BdθB + θS dS + SdθS .

Ugyanakkor

BdθB + SdθS = −dξ 2 − d (2ξ) + (ξ + 1) d (2ξ) =


= −dξ 2 − 2dξ + 2ξdξ + 2dξ =
= −dξ 2 + dξ 2 = 0.

Másképpen fogalmazva egy piacon akkor van lehet®ség arbitrázsra, ha a a piacon a pénzügyi
folyamatok nem elég véletlenek, amely egyik megjelenési formája a kvadratikus variáció nulla
volta.

A bemutatott jelenségre a legjobb és legismertebb példa az úgynevezett frakcionális Wiener-


folyamat.

5.5 Deníció.
Legyen 0 < H ≤ 1, és vezessük be az

1 n 2H 2H 2H
o
RH (t, s) $ |t| + |s| − |t − s|
2
kovarianciafüggvényt
15 . Frakcionális Wiener-folyamaton olyan BH sztochasztikus folyamatot ér-
tünk, amelyre

1. BH (0) = 0,
2. a BH növekményei stacionáriusak,

3. a növekmények eloszlása normális nulla várható értékkel,

4. a BH trajektóriái folytonosak, és

14 Miként alább látni fogjuk, a gondolatmenet az exponenciális ármozgásokra is alkalmazható.


15 Csak a H -ra megadott tartományban deniálható a frakcionális Brown-mozgás, egyébként az RH nem lehet
kovarianciafüggvény.
5.2. FRAKCIONÁLIS WIENER-FOLYAMAT 90

5. cov (BH (t) , BH (s)) = M (BH (t) BH (s)) = RH (t, s) , speciálisan


 
2 2H
M [BH (t) − BH (s)] = |t − s| .

Ha H = 1/2, akkor BH Wiener-folyamat. Számoljuk ki a frakcionális Wiener-folyamat kvadratikus


variációját az [a, b] szakaszon.
!
X X  
2 2
M [BH (tk+1 ) − BH (tk )] = M [BH (t) − BH (s)]
k k
X 2H
= |tk+1 − tk | .
k

Ha 2H − 1 > 0, vagyis ha H > 1/2, akkor


X 2H 2H−1
X
|tk+1 − tk | ≤ max |tk+1 − tk | |tk+1 − tk | =
k
k k
2H−1
= max |tk+1 − tk | (b − a) → 0.
k

A Markov-egyenl®tlenség miatt
!
X 2 1 2H−1
P [BH (tk+1 ) − BH (tk )] ≥ ε ≤ max |tk+1 − tk | (b − a) → 0,
ε k
k

vagyis a kvadratikus variáció sztochasztikusan nullához tart. Ha H < 1/2, akkor a kifejezés
1 − 2H > 0, és ezért
határértéke végtelen, ugyanis ha véges lenne, akkor
X 1−2H
X 2H
b−a= |tk+1 − tk | ≤ max |tk+1 − tk | |tk+1 − tk | → 0
k
k k

lenne. Ennek megfelel®en a frakcionális Wiener-folyamat kvadratikus variációja a H 6= 1/2 esett®l


eltekintve vagy nulla, vagy végtelen.

5.2.1. Itô-lemma frakcionális Wiener-folyamat esetén


Tegyük fel, hogy H > 1/2. Ilyenkor a BH kvadratikus variációja nulla. Az Itô-formula bizonyítását
megismételve, ha F 00 ∈ C 2 , akkor
X
F (BH (t)) − F (BH (s)) $ [F (BH (tk+1 )) − F (BH (tk ))] .
k

A Taylor-formula alapján
Z x
F (x) = F (y) + F 0 (y) [x − y] + F 00 (u) [x − u] du.
y
X
F (BH (t)) − F (BH (s)) = F 0 (B (tk )) [BH (tk+1 ) − BH (tk )] + R(n) .
k
ahol
XZ BH (tk+1 )
R(n) = F 00 (u) [BH (tk+1 ) − u] du.
k BH (tk )

Mivel az F 00 (BH (t)) korlátos, ezért

XZ BH (tk+1 )
|Rn | ≤ sup F 00 (BH (t)) [BH (tk+1 ) − u] du =
t BH (tk )
k
1X 2 P
= sup F 00 (BH (t)) [BH (tk+1 ) − BH (tk )] → 0.
t 2
k
5.2. FRAKCIONÁLIS WIENER-FOLYAMAT 91

Ha tehát 1 ≥ H > 1/2, akkor

dF = F 0 dBH ,

Ha persze H = 1/2, akkor

dF = F 0 dB + 21 F 00 dt.

5.2.2. BlackScholes-modell frakcionális Wiener-folyamat esetén


Miként korábban, tekinstük az (B, S) kötvény-részvény
16 modellt, ahol

B (t) ≡ 1, S (t) = 1 + BH (t) ,

és 1/2 < H ≤ 1. Ez az úgynevezett frakcionális Bachelier-modell. Legyen ismét

2
θB (t) $ − (BH (t)) − 2BH (t) , θS (t) $ 2BH (t)

a beruházási stratégia. A megfelel® értékfüggvény

V (t) = θB (t) · B (t) + θS (t) · S (t) =


= θB (t) · 1 + θS (t) S (t) =
2 2
= − (BH (t)) − 2BH (t) + 2BH (t) (1 + BH (t)) = (BH (t)) .

Ugyanakkor az Itô-formula szerint

2
dV (t) = d (BH (t)) =
= 2BH (t) dBH (t) = θS (t) dS (t) =
= θB (t) dB (t) + θS (t) dS (t) ,

következésképpen a (θB , θS ) stratégia önnanszírozó. Mivel V (0) = 0, és V (t) > 0, ezért a


frakcionális Bachelier-modellben van arbitrázs.

Most tekintsük az BlackScholes típusú ármozgást, vagyis tekintsük a lognormális modellel analóg
modellt. Tegyük fel, hogy.

B (t) = exp (rt) , S (t) = exp (rt + σBH (t)) .


dB (t) = r exp (rt) , dS = rSdt + σSdBH .

A dB (t) = r exp (rt) egyenlet triviális, ugyanis semmi más, mint a

d exp (rt)
= r exp (rt)
dt
deriválási szabály (sztochasztikus) dierenciálokkal való felírása. Az többdimenziós Itô-formula
képlete szerint
dS = rS · dt + σS · dBH
ugyanis a kvadratikus variációkat tartalmazó tagok mind nullák. Vegyük észre, hogy a kvadratikus
variációk nulla volta miatt szemben a közönséges Wiener-folyamattal most az S ár képletében a
t változó r együtthatója közvetlenül megegyezik az ármozgást leíró egyenlet Sdt tagjának együtt-
hatójával. Ha a befektetési stratégia

θB (t) $ 1 − exp (2σBH (t)) , θS (t) $ 2 (exp (σBH (t)) − 1) ,


16 A B most a bond kötvény szóra utal BH a frakcionális Brown-mozgás.
5.2. FRAKCIONÁLIS WIENER-FOLYAMAT 92

akkor az értékfüggvény

V (t) =
= B (t) · θB (t) + S (t) · θS (t) =
= exp (rt) [1 − exp (2σBH (t)) + exp (σBH (t)) · 2 (exp (σBH (t)) − 1)] =
= exp (rt) [1 + exp (2σBH (t)) − 2 exp (σBH (t))] =
2
= B (t) (1 − exp (σBH (t)))

szigorúan pozitív. A frakcionális Wiener-folyamatra vonatkozó parciális integrálás, illetve az Itô-


formula szerint

2 2
dV (t) = (1 − exp (σBH (t))) dB (t) + B (t) d (1 − exp (σBH (t))) =
2
= (1 − exp (σBH (t))) dB (t) +
+B (t) · 2 · (exp (σBH (t)) − 1) · exp (σBH (t)) · σdBH (t)
2
= (1 − exp (σBH (t))) dB (t) +
+2σ · S (t) · (exp (σBH (t)) − 1) dBH (t)
2
= (1 − exp (σBH (t))) dB (t) + σ · θS (t) · S (t) dBH (t) =
= θB (t) dB (t) +
 
2
+ (1 − exp (σBH (t))) − 1 + exp (2σBH (t)) dB (t) +
+σθS (t) S (t) dBH (t)
= θB (t) dB (t) +
+ (2 exp (2σBH (t)) − 2 exp (σBH (t))) dB (t)
+σθS (t) S (t) dBH (t)
= θB (t) dB (t) +
+2 (exp (σBH (t)) − 1) exp (σBH (t)) dB (t)
+σθS (t) S (t) dBH (t)
= θB (t) dB (t) + rθS (t) S (t) dt + σθS (t) S (t) dBH (t) =
= θB (t) dB (t) + θS (t) dS (t) ,

tehát a stratégia önnanszírozó, így a frakcionális BlackScholes-modell szintén tartalmaz arbit-


rázst.
6. fejezet

Függelék: A feltételes várható érték

A függelékben emlékeztet®ül összefoglaljuk a valószín¶ségszámítás néhány alapfogalmát. Mikép-


pen korábban, most is nagyvonalúan kezeljük az analízis tényeit és a szemléletes megfontolásokat
a pontos megfogalmazás elé helyezzük.

6.1. Valószín¶ségi változók várható értéke


A valószín¶ségszámítás talán legfontosabb fogalma a várható érték. Legyen (Ω, A,P) tetsz®leges
valószín¶ségi mez®, ξ valószín¶ségi változó. Emlékeztetünk, hogy els® közelítésben
1 a valószín¶ségi
változó az Ω ω argumentumot általában
téren értelmezett függvény. Miként korábban jeleztük az
elhagyjuk és a ξ (ω) ξ jelölést alkalmazzuk. A ξ valószín¶ségi változó
jelölés helyett az egyszer¶bb
R
M (ξ) várható értékén deníció szerint az Ω ξ (ω) dP (ω) integrált értjük. Felmerül azonban a
kérdés, hogy az említett körülmények között mit értünk integrálon, ugyanis az Ω tér absztrakt
elemekb®l áll, így a számegyenesen való integrálás során követett eljárásból nem lehet közvetlenül
kiolvasni, hogy hogyan kell az integrált absztrakt körülmények között értelmezni. Az absztrakt
integrál deníciója lényegében azonos a számegyenesen követettel: El®ször egyszer¶ objektumokra
deniáljuk az integrált, majd a deníciót kiterjesszük a közelít® összegek határértékére.

1. El®ször az egyszer¶ valószín¶ségi változókat deniáljuk: Tekintsük az Ω egy A-beli esemé-


nyekb®l álló partícióját, vagyis bontsuk fel az Ω teret (Ak ) események diszjunkt egyesítésére. Ha
a ξ valószín¶ségi változó diszkrét, vagyis az értéke az egyes Ak eseményeken egy-egy ck konstans,
akkor a várható érték, illetve az integrál deníciója kézenfekv® módon

X
ck P (Ak ) . (6.1)
k

A deníció szempontjából teljesen mindegy, hogy az (Ak ) partícióban szerepl® halmazok száma
véges, vagy megszámlálhatóan végtelen, de az egyszer¶ség kedvéért kiindulhatunk abból, hogy az
(Ak ) az Ω véges számú eseményb®l álló felbontása. A véges számú eseményekb®l álló particiókhoz
tartozó diszkrét értéket felvev® valószín¶ségi változókat szokás lépcs®s függvényeknek nevezni. Ve-
gyük észre, hogy ha F a ξ valószín¶ségi változó eloszlásfüggvénye, valamint ha (ck ) olyan monoton
növeked® sorozat amelyre [ck−1 , ck ) diszjunkt intervallumok egyesítése lefedi a ξ értékkészletét,
akkor az
Ak $ {ω : ck−1 ≤ ξ (ω) < ck }
halmazok az Ω partícióját adják és a (6.1) közelít® összeg éppen

X X
ck P (Ak ) = ck (F (ck ) − F (ck−1 ))
k k
1 Miképpen látni fogjuk, van második megközelítés is. Az alpont legfontosabb célja, hogy indokolja, hogy miért
van szükség második megközelítésre.

93
6.1. VALÓSZÍN–SÉGI VÁLTOZÓK VÁRHATÓ ÉRTÉKE 94

2
R∞
az
−∞
xdF (x) Stieltjes-integrál egy közelít® összege .

2. A várható érték deníciójával kapcsolatos legfontosabb kérdés, hogy hogyan s¶rítjük a fel-
bontást. Az Ω absztrakt objektumokból áll, így nem világos, hogy mit jelent az, hogy az (Ak )
partíciókat végtelenül nomítjuk. A kiutat a következ® megfontolás jelenti: Ha 0 ≤ ξ 1 ≤ ξ 2 , akkor
az integrál, illetve a várható érték intuitív tartalma miatt

M (ξ 1 ) ≤ M (ξ 2 ) .

Ha ξ1 és ξ2 lépcs®s függvények, akkor ez a tulajdonság a megadott deníció miatt automatikusan


teljesül. Kézenfekv® tehát a következ®: Ha ξ ≥ 0, akkor

M (ξ) $ sup {M (η) : η ≤ ξ, η lépcs®s} .

Szavakban kifejezve: a monotonitás elve miatt egy nem negatív valószín¶ségi változó várható értéke
biztos nem kisebb a változónál nem nagyobb lépcs®s függvények várható értékénél, vagyis valamely
valószín¶ségi változó várható értéke szükségszer¶en fels® korlátja a változónál nem nagyobb lépcs®s
függvények várható értékének. A várható érték deníció szerint a lehetséges fels® korlátok közül
a legkisebb. Ha a lépcs®s függvények integráljaiból álló halmaz nem korlátos, akkor a várható
értéket értelemszer¶en végtelennek tekintjük. Triviális módon a várható érték továbbra is monoton
operáció marad, vagyis ha 0 ≤ ξ1 ≤ ξ2, akkor M (ξ 1 ) ≤ M (ξ 2 ) .
3. Sajnos evvel a várható érték denícióját még nem adtuk meg. Ennek oka, hogy nem tisztáztuk,
hogy milyen függvényekre érdemes értelmezni a várható értéket. A kulcs probléma, hogy az imént
megadott deníció esetén nem tudjuk garantálni, hogy a várható érték additív lesz, vagyis nem
tudjuk garantálni, hogy érvényes lesz az

M (ξ 1 + ξ 2 ) = M (ξ 1 ) + M (ξ 2 )

szabály. Ahhoz, hogy ezt biztosítani tudjuk be kell vezetni a mérhet® függvények fogalmát és
le kell sz¶kíteni a várható érték denícióját a mérhet® függvények halmazára. A mérhet®séggel
kapcsolatos probléma abból ered, hogy elképzelhet®, hogy az Ω téren értelmezett ξ függvény nem
közelíthet®, nem írható le az Ω-án értelmezett A események segítségével. Ennek lehet tisztán
3
matematikai oka , de helyesebb ha arra gondolunk, hogy a meggyelhet® eseményekkel, a rendel-
kezésünkre álló információkkal bizonyos függvények, szabályok összefüggések nem írhatók le .
4

6.1 Deníció.
A 0≤ξ (Ω, A,P) téren mérhet®nek mondjuk, ha van (ξ n ) lépcs®s függvényekb®l álló
függvényt az
+
sorozat, amelyre 0 ≤ ξ 1 ≤ ξ 2 ≤ . . . ≤ ξ n % ξ. A ξ függvény mérhet®, ha a ξ = max (0, ξ) és

a ξ = max (0, −ξ) függvények mérhet®ek. Az (Ω, A,P) téren értelmezett mérhet® függvényeket
valószín¶ségi változóknak mondjuk .
5

6.2 Példa.
A várható érték csak a mérhet® függvényeken additív.

2 V.ö.: (2.1) sor, 32. oldal.


3 A függvény túl általános fogalom.
4 Mi a jelenlegi tudásunk alapján egy kifejlett klingon harcos átlagos testmagassága? Na és a jelenlegi tapasz-
talataink alapján mennyi a romulán n®k átlagos inteligenciaszintje? Mennyi a két érték összege? A meggyelt
statisztikai adatok alapján átlagban a klingonok vagy a romulánok matematikai tudása nagyobb?
5 Megmutatható, hogy a mérhet®ség deníciója ekvivalens avval, hogy minden c konstans esetén a {ξ < c} hal-
mazok események, vagyis tetsz®leges c esetén {ξ < c} ∈ A, így az {ξ < c} halmazok rendelkeznek valószín¶séggel,
tehát értelmes a ξ F (x) $ P (ξ < x) eloszlásfüggvénye. A mérhet®séggel kapcsolatos tételekre a tárgyalás intuitív
jellege miatt nincsen igazán szükségünk. Az egyetlen dolog, amit érdemes megjegyezni, hogy mivel az A eseménytér
nem azonos az Ω összes részhalmazával, ezért az összes Ω-án értelmezett függvénynek nem tudunk várható érté-
ket deniálni, ugyanakkor minden nem negatív mérhet® függvénynek van várható értéke, bár el®fordulhat, hogy a
várható érték végtelen.
6.2. REGRESSZIÓS FÜGGVÉNY 95

Az Ω tér álljon a 0 és az 1 jelekbb®l, A eseménytér álljon az Ω és az ∅ halmazokból. A lépcs®s


függvények egyedül a konstans függvények . Ha
6

 
0 ha ω=0 1 ha ω=0
ξ 1 (ω) $ , ξ 2 (ω) $ ,
1 ha ω=1 0 ha ω=1

akkor M (ξ 1 ) = M (ξ 2 ) = 0, de M (ξ 1 + ξ 2 ) = 1. A probléma természetesen az, hogy a ξ1 és a ξ2


nem mérhet® függvények.
2
A várható értéket a monotonitáson keresztül deniáltuk. A monotonitás miatt a deníciókból
könnyen látható, hogy ha ξ nem negatív valószín¶ségi változó és ξ n % ξ a ξ -t a mérhet®ség
deníciója alapján közelít® lépcs®s függvények sorozata, akkor M (ξ n ) % M (ξ) . Ebb®l nem túl
meglep®, hogy érvényes a következ® úgynevezett monoton konvergencia tétel, amely a monotonítás
és az additivitás mellett a várható érték legfontosabb tulajdonsága:

6.3 Állítás.
Ha 0 ≤ ξ 1 ≤ ξ 2 ≤ . . . ≤ ξ n % ξ, akkor M (ξ n ) % M (ξ) .
4. A monotonitás mellett az additivitás a várható érték másik kulcs tulajdonsága. Ezt tükrözi a
várható érték deníciója is.

6.4 Deníció.
Ha ξ valószín¶ségi változó, akkor

M (ξ) $ M ξ + − M ξ −
 

feltéve, hogy a kifejezés értelmes, vagyis nem ∞−∞ alakú.

6.2. Regressziós függvény


A valószín¶ségszámítás legalapvet®bb és intuitíve leginkább problémás fogalma a feltételes várható
érték. A feltételes várható értékkel kapcsolatos probléma nem matematikai, logikai természet¶.
A gond leginkább abból ered, hogy a deníció bár rendkívül elegáns és matematikai, esztétikai
szempontból lényegében optimális, az alkalmazások szempontjából túl absztrakt és ezért nehezen
köthet® a feltételes várható érték, illetve a feltételes valószín¶ség intuitív fogalmához. A mate-
matika legf®bb eszköze az absztrakció és a sikeres matematikai fogalmak mindegyike, a feltételes
várható értékhez hasonlóan igen absztrakt. Ugyanakkor a valószín¶ségszámítás alkalmazott ma-
tematika, amely szorosan összekapcsolódik az intuícióval, így egy absztrakt deníció csak akkor
elfogadható, ha világosan látható az absztrakt fogalom intuitív tartalma. Megítélésem szerint a
feltételes várható érték megértésének kulcs a regressziós függvény, ugyanis míg az absztrakt σ-
algebra szerinti feltételes várható érték intuitív tartalma nehezen ragadható meg, a regressziós
függvény tartalma intuitíve evidens. Ennek megfelel®en el®ször a regressziós függvény fogalmát
mutatjuk be.

A feltételes valószín¶ség fogalma világos és egyszer¶, ha a feltétel valószín¶sége pozitív. Miként


az elemi valószín¶ségszámításból ismert, ha a B esemény valószín¶sége pozitív és A tetsz®leges
esemény, akkor a feltételes valószín¶ség, deníció szerint

P (A ∩ B)
P (A | B) $ . (6.2)
P (B)
6A lépcs® alapjának mindig megengedett eseménynek kell lenni, a lépcs® magassága tetsz®leges szám lehet. Ha
a lépcs® A alapja nem megengedett esemény, akkor a P (A) szám értelmetlen.
6.2. REGRESSZIÓS FÜGGVÉNY 96

A feltételes valószín¶ség legnagyobb haszna, hogy segítségével az A eseményeinek valószín¶ségét


esetenként könnyen ki tudjuk számolni. Ha (Bn ) az Ω tér A elemeib®l álló, legfeljebb megszám-
lálható partíciója, akkor tetsz®leges A ∈ A-ra A = ∪n (A ∩ Bn ) , így
X X
P (A) = P (A ∩ Bn ) $ P (A | Bn ) P (Bn ) , (6.3)
n n

ahol az összegzés az olyan n indexekre terjed ki, amelyekre P (Bn ) > 0. A (6.3) egyenl®ség
kiemelked® szerepet játszik az elemi valószín¶ségszámításban, ahol a teljes valószín¶ség tétele el-
nevezéssel szokás hivatkozni rá. A P (A | Bn ) deníció szerint olyan számok, amelyekre teljesül
a (6.3) felbontás. Természetesen a P (A | Bn ) értékek hasznos intuitív tartalommal bírhatnak,
ami segít a nagyságuk megsejtésében. Ez különösen akkor van így, ha a Bn halmazok valami-
lyen paraméter rögzítése mellett kaphatók, így egy eredend®en kétváltozós probléma n darab
egyváltozós problémára bontható.

6.5 Példa.
Egy urnában két fehér és három piros golyó van. Két golyót egymás után kihúzunk. Mi a valószí-
n¶sége annak, hogy a második golyó fehér?

A feladat megoldása a következ®: Ha els®re fehéret húzunk, akkor a második húzásra 1/4 a fehér
húzásának valószín¶sége, ha els®re pirosat, akkor a fehér húzásának valószín¶sége 2/4. Ebb®l a
teljes valószín¶ség tétele szerint a keresett valószín¶ség

1 2 2 3
· + · .
4 5 4 5
Vegyük észre, hogy a feladat megoldása pontatlan, illetve nem specikált rejtett feltételekre épül.
A teljes valószín¶ség tétele egy triviális azonosság, ami önmagában semmire sem használható.
A teljes valószín¶ség segítségével a P (A) valószín¶sége csak akkor számolható ki, ha ismerjük a
P (A | Bn ) feltételes valószín¶ségeket, amelyeket deníció szerint elvileg csak akkor ismerhetünk,
ha már ismerjük az (Ω, A) eseménytéren értelmezett P valószín¶séget, így ismerjük már a P (A)
értéket is. Miért alkalmazható a példában a teljes valószín¶ség tétele? Ha az els® golyó piros,
miért lesz a második húzásra a fehér golyó húzásának valószín¶sége 2/4? Mi történik, ha a fehér
golyók egyenl® er®viszonyok esetén fellázadnak és megeszik a piros golyókat? Vagy mi történik
akkor, ha az egyedül maradt piros golyó menekülésre fogja a dolgot és kiugrik az urnából? Miért
gondoljuk azt, hogy ez nem történik meg? Természetesen a feladat intuitív tartalma alapján úgy
gondoljuk, hogy a megadott számolás helyes, vagyis az urnában lev® golyók valóban golyóként
viselkednek és például nem eszik meg egymást. Vegyük azonban észre, hogy a példa megoldásakor
el®bb deniáltuk a feltételes valószín¶séget és ebb®l vezettük le a tényleges valószín¶séget. A
feltételes valószín¶ség kiszámolásakor nem a feltételes valószín¶ség deníciójára támaszkodtunk,
hanem a feltételes valószín¶ség intitív tartalomából indultunk ki. Miként említettük, a valószí-
n¶ségszámítás alkalmazott matematika, ahol az intuíció, a modellépítés alapvet® szerepet játszik.
A teljes valószín¶ség tétele egy azonosság, amit általában kifordítva használunk: A feladat tar-
talma alapján meghatározzuk a feltételes valószín¶ségeket, majd a teljes valószín¶ség tétele által
rögzített azonosság alapján deniáljuk a P (A) értéket. A feltételes valószín¶ség ismerete esetén
a valószín¶ség deniálásának egyedül lehetséges módját a természetesen a teljes valószín¶ség té-
tele adja meg. Azonosság levezetésekor azonban éppen fordítva jártunk el: A P valószín¶séget
rögzítettük, majd deniáltuk a P (A | Bn ) feltételes valószín¶ségeket. A teljes valószín¶ség téte-
lét tekinthetjük állításnak és tekinthetjük konstrukciós eljárásnak is. A feltételes valószín¶séggel
kapcsolatos szemléleti problémák egyik forrása, hogy általában explicite nem tisztázzuk, hogy a
feladatban mikor milyen irányban használjuk az összefüggést. Általános ökölszabály: feladatmeg-
oldáskor a feltételes valószín¶séget, illetve feltételes várható értéket mindig küls® paraméternek
tekintjük és értékét explicite vagy implicite a modellépítés során rögzítjük.
2
Pozitív feltételi valószín¶ség esetén a feltételes várható érték a feltételes valószín¶séghez hasonlóan
evidens. Mi történik azonban akkor, ha a B feltétel valószín¶sége nulla?
6.2. REGRESSZIÓS FÜGGVÉNY 97

6.6 Példa.
Határozzuk meg annak a valószín¶ségét, hogy az egységsugarú körlapon véletlenszer¶en választott
pont a pozitív térnegyedben a körívre esik, feltéve hogy tudjuk, hogy a körívre esik.

A keresett valószín¶séget 1/4-neknérezzük. o A $


Egy lehetséges indoklás a következ®: Legyen
p
2 2
{(x, y) : x, y ≥ 0} , vegyük a Br $ (x, y) : r ≤ x + y ≤ 1 eseményt, és tekintsük a P (A | Br ) =
P (A ∩ Br ) /P (Br ) = 1/4 feltételes valószín¶séget, amib®l limr→1 P (A | Br ) = 1/4.
2
Vegyük azonban észre, hogy valójában nem kiszámoltuk, hanem most is az intuíciónk segítsé-
gével deniáltuk a feltételes valószín¶séget. Az intuíció, mint igen gyakran a matematikában,
némiképpen félrevezet®! El®ször is vegyük észre, hogy amit kaptunk az nem valószín¶ség. A
valószín¶ség intuitív fogalma er®sen köt®dik a nagy számok törvényéhez, vagyis ahhoz, hogy
a relatív gyakoriságok a valószín¶séghez tartanak. A feltételes valószín¶ség miért lesz a relatív
gyakoriságok határértéke? Ha kísérleteket végzünk, mennyi lesz a kedvez® per összes hányados?
Az el®re rögzített körvonalat lényegében sohasem találjuk el! Ez a teljesen evidens észrevétel is
aláhúzza, hogy nem szabad a feltételes valószín¶séget mint valószín¶séget felfogni. A második
megjegyzés sokkal lényegesebb, és jóval kevésbé evidens. Az ismertetett gondolatmenet lényege a
következ®: Ha a B valószín¶sége nulla, közelítsük a B halmazt valamilyen Bn sorozattal, és

P (A ∩ Bn )
P (A | B) $ lim P (A | Bn ) = lim ,
n→∞ n→∞ P (Bn )
feltéve persze, hogy a denícióban minden korrekt. A probléma éppen az, hogy általában ez a
deníció nem korrekt, ugyanis az (Ω, A) eseménytér természetes módon nem topológizálható,
vagyis nem világos, hogy mit jelent az, hogy a Bn eseménysorozat a B eseményhez tart! Akkor
mit jelent az, hogy a Bn közelíti a B -t? Ha különböz® Bn sorozatokkal közelítjük a B -t ugyanazt
az eredményt kapjuk? Milyen Bn halmazok megengedettek, és miért pont ezek?

6.7 Példa.
Nulla valószín¶ség¶ események feltételes valószín¶sége.

Legyen ξ a [0, 1] szakaszon egyenletes eloszlású. Próbáljuk meg értelmezni

P (ξ = 0 | ξ = 0)

feltételes valószín¶séget! Intuitív alapon a feltételes valószín¶ség 1. Ha azonban a {ξ = 0} feltételt


a |ξ| ≤ h eseménnyel közelítjük, majd h → 0, akkor evidens módon a

P ({ξ = 0} ∩ {|ξ| ≤ h})


P (ξ = 0 | ξ = 0) $ lim =
h&0 P (|ξ| ≤ h)
P (ξ = 0)
= lim = 0.
h&0 P (|ξ| ≤ h)

2
6.8 Példa.
Legyen Ω $ {(x, y) : |x| ≤ 1, |y| ≤ 1} , és P legyen az egyenletes eloszlás. Határozzuk meg annak a
valószín¶ségét, hogy egy véletlenszer¶en választott (ξ, η) pontra ξ 2 ≤ η , feltéve ha ξ = η = 0.
Ha ξ = η = 0, akkor η = ξ 2 , ezért a feltétel része az eseménynek, vagyis úgy érezzük, hogy
P (A | B) = 1. A P (A | B) $ P (A ∩ B) /P (B) denícióval azonban nem megyünk semmire
ugyanis mind a számláló, mind a nevez® nulla. Ha a B $ {(0, 0)}-át a Bh $ {(x, y) : |x| ≤ h, |y| ≤ h}
halmazzal közelítjük, akkor
 Rh 
P (A ∩ Bh ) 2h2 − −h
x2 dx 1 h3 /6 1
$ = − 2 → .
P (Bh ) 4h2 2 h 2
6.2. REGRESSZIÓS FÜGGVÉNY 98

Ha a közelít® téglalapok Bh $ {(x, y) : −h ≤ x ≤ 0, −h ≤ y ≤ 0}, akkor a kapott határérték


nulla, ha pedig
 B h $ y) : 0 ≤ x ≤ h, 0 ≤ y ≤ h} , akkor pedig 1. Ugyanakkor,
{(x, ha Bh $
(x, y) : |x| ≤ h, |y| ≤ h2 , akkor
Rh
P (A ∩ Bh ) 2h3 − −h x2 dx 1 1 1
$ 3
= − = .
P (Bh ) 4h 2 6 3
2
Az elmondottak alapján evidens, hogy a feltételes valószín¶ség fogalma nulla valószín¶ség¶ ese-
mény esetén általában nem deniálható! Akkor mégis mit lehet tenni? A nyer® válasz megtalá-
lása céljából a 6.6. példát némiképpen általánosítva az egyszer¶ség kedvéért induljunk ki abból,
hogy a B esemény egy η változó nívóhalmaza, vagyis B $ {η = y} és a P (A | B) = P (A | η = y)
feltételes valószín¶séget akarjuk értelmezni. Tegyük, fel hogy az y érték az η értékkészletének
s¶r¶södési pontja, vagyis tegyük fel, hogy bár P ({η = y}) = 0, de bármely h > 0 számra a

B (h) $ {ω : |η (ω) − y| ≤ h}

esemény valószín¶sége már pozitív, tehát értelmezhet® a

P (A ∩ B (h))
P (A | B (h)) $
P (B (h))
kifejezés. A
P (A ∩ B (h))
P (A | B) $ lim = lim P (A | B (h)) (6.4)
h&0 P (B (h)) h&0

deníció igen kézenfekv®, feltéve persze, hogy a határérték egyáltalában létezik. Vegyük észre,
hogy egy fajta deriváltról van szó, ugyanis a P (A | B) két nullához tartó sorozat hányadosának
határértéke.

Megmutatható, hogy lényegében az η értékkészletének minden pontjában létezik a határérték.

A lényegében szót szándékosan nem deniáljuk, pontosítjuk. A lényegében kitételre azért


van szükség mert az η változó értékkészletének nem minden pontja megfelel® s¶r¶södési pont.
Az idézett állítás azt jelenti, hogy az esetlegesen létez® rossz pontok halmaza nem befolyásolja
azt, hogy teljesüljön a teljes valószín¶ség tételének megfelel® NewtonLeibniz-szabály. A lényeges
észrevétel az, hogy a deriválási gondolat alapján intuitíve megérezhetjük a feltételes valószín¶-
séget, amelyre viszont alkalmazható az integrálás formájában megadott teljes valószín¶ség tétele,
amellyel az általános esetben deniálni fogjuk a feltételes valószín¶séget, illetve a feltételes várható
értéket.

6.9 Deníció.
Legyen (Ω, A, P) valószín¶ségi mez®, A∈A tetsz®leges esemény. Az

y 7→ P (A | η = y) $ lim P (A | y − h ≤ η ≤ y + h) (6.5)
h&0

függvényt az A esemény η szerinti regresszív feltételes valószín¶ségének mondjuk.

A denícióból evidens, hogy a regresszív feltételes valószín¶ség alapvet®en derivált típusú objek-
tum. Deriváltakra mindig felvethet®, hogy érvényes-e a NewtonLeibniz-formula, vagyis a deriválás
integrálással visszacsinálható-e vagy sem?

Jelölje G az η eloszlásfüggvényét. Megmutatható, tetsz®leges a<b számok esetén

Z b
P (A ∩ {a ≤ η < b}) = P (A | η = y) dG (y) . (6.6)
a

Vegyük észre, hogy az egyenl®ség intuitíve a teljes valószín¶ség tételének általánosítása, ugyanis a
dG (y) innitezimálisan tekinthet® annak a valószín¶ségének, hogy az η éppen az y értéket veszi
6.2. REGRESSZIÓS FÜGGVÉNY 99

fel. Megjegyezzük, hogy az integrálegyenlet és a deriválási formula kölcsönösen megfeleltethet®


egymásnak. A deriválás alapján való megközelítés és az integrálegyenlet azonossága a feltételes va-
7
lószín¶séggel kapcsolatos legfontosabb állítás . Ez indokolja és köti össze a feltételes valószín¶ség
8
szokásos , és legyünk ®szinték, els® látásra igen nehezen emészthet® denícióját a fogalom intuitív
tartalmával. Bizony, bizony, ismét a NewtonLeibniz-formula! A két öreg lozófus nélkül mire
jutnánk? Nincs NewtonLeibniz-szabály nincs Itô-formula, így nincs sztochasztikus analízis, de a
feltételes várható érték fogalmát sem értenénk. Kézenfekv® kérdés azonban, hogy miért szokás a
kevésbé intuitív integrálegyenletb®l kiindulni. Ennek több oka van: Egyrészt általában a konkrét
példákban az integrálegyenlet teljesülését praktikusan egyszer¶bb ellen®rizni, másrészt az integ-
rálegyenlet esetén a lényegében kitételre nincsen szükség, és minden olyan függvény tekinthet®
feltételes valószín¶ségnek amely minden a és b esetén kielégíti az integrálegyenletet, harmadrészt
a regresszív feltételes valószín¶ség integrálos denícióját könnyebb a bonyolultabb esetekre kiter-
jeszteni .
9

Az integrálos szemlélet legnagyobb el®nye, hogy azonnal látható, hogy a regresszív feltételes va-
lószín¶ség nem egyértelm¶en értelmezett függvény. A P (A | η = y) tetsz®leges olyan függvény
lehet, amely kielégíti a (6.6) integrálegyenletet. Ennek fontos következménye, amit nyomatékosan
hangsúlyozni kell, hogy nem az egyediy értékekhez tartozó feltételes valószín¶ségeket deniáltunk.
Ha ugyanis valamely y esetén az {η = y} esemény valószín¶sége nulla, akkor az integrálegyenlet
szempontjából a P (A | η = y) értéke az adott y esetén érdektelen, így a regresszív feltételes va-
lószín¶ség sem értelmezhet® egyetlen olyan y esetén sem amelyre P ({η = y}) = 0. Pontosabban,
ha valamely B ⊆ R halmaz P (η ∈ B) = 0, akkor a B halmazon a P (A | η = y) mint y függvénye
tetsz®legesen el®írható. Ezt úgy szokás mondani, hogy a feltételes valószín¶ség csak a feltétel
eloszlásában nulla valószín¶ség¶ halmaz erejéig meghatározot. Másképpen a P (A | η = y) nem az
y függvénye, hanem az y -tól függ® függvények egy osztálya, ahol az azonos függvényosztályba es®
függvények az η feltétel eloszlása szerint egy valószín¶ség¶ halmazon megegyeznek. Ez némiképpen
meglep® és paradoxnak t¶n® tulajdonság, de sajnos így van
10 . A g (y) $ P (A | η = y) értéke a
legtöbb
11 y pontban külön-külön érdektelen, de természetesen nem az összes y esetén érdektelen.
A legtöbb y pontban a g értékét szabadon megváltoztathatjuk, de ez nem jelenti azt, hogy a g -hez
tartozó függvényosztályt is megváltoztathatjuk
12 . Egy függvényosztály nem minden tulajdonsága
meghatározott a függvényosztályba es® függvények értékei alapján, feltéve természetesen, hogy a
függvényértékeket csak egy-egy pontban módosíthatjuk. Tipikusan ilyen tulajdonság a függvények
integrálja. Mivel a regresszív feltételes valószín¶séget a (6.6) integrálegyenlettel értelmezzük, ezért
a regresszív feltételes valószín¶ség nem függvényként, hanem függvényosztályként
13 értelmes, így
az értéke a legtöbb pontban értelmetlen.

6.10 Állítás.
Ha a (ξ, η) pár eloszlásának van f (x, y) együttes s¶r¶ségfüggvénye, akkor a ξ -nek létezik az η -ra
vonatkozó feltételes s¶r¶ségfüggvénye, vagyis a P (ξ < x | η = y) feltételes eloszlásnak lényegében
minden y -ra van f (x | y) feltételes s¶r¶ségfüggvénye

f (x, y) /g (y) ha g (y) 6= 0
f (x | y) = , (6.7)
0 ha g (y) = 0
7 Természetesen nem vagyunk meglepve, hogy a deriválás és az integrálás felcserélhet®. Bár az állítás intuitíve
nem t¶nik nehéznek, s®t inkább kézenfekv®nek látszik, megjegyezzük, hogy nem egyszer¶ tételr®l van szó. Mivel a
tétel pontos indoklása nehéz, ezért általában el is szokás hagyni, így nem túl meglep®, hogy a feltételes valószín¶séget
gyakran motiválatlan fogalomnak szokás tartani.
8A szokásos, vagyis az irodalomban követett megközelítés az integrálegyenletre alapul, és a feltételes valószín¶-
séget mint a teljes valószín¶ség tételében szerepl® súlyokat deniálja.
9 Feltehet®en azonban egyszer¶ lustaságról van szó. Egy valószín¶ségszámítási kurzus során nincs id® az úgyne-
vezett mértékderiválás és az absztrakt, úgynevezett RadonNikodym-féle deriválás kapcsolatának tárgyalására. Az
absztrakt tételek mindig gyorsabban igazolhatóak.
10 A dolog kulcsa, hogy a h szerinti közelítés módjától függ, hogy a lényegében jó pontok hol vannak és mely
pontok rosszak a lényegében való közelítés miatt.
11 Ha az {η = y} esemény valószín¶sége pozitív, akkor az y pontban a regressziós függvény értéke nem módosítható.
A legtöbb jelz® az olyan y értékekre utal, amelyekre P ({η = y}) = 0.
12 A g függvényt természetesen módosítjuk, de a függvényosztáyt nem.
13 A függvényosztályba azok a függvények tartoznak, amelyek kielégítik az integrálegyenletet.
6.2. REGRESSZIÓS FÜGGVÉNY 100

ahol g az η s¶r¶ségfüggvénye, vagyis


Z
g (y) $ f (u, y) du.
R

Az
F (x | y) $ P (ξ < x | η = y)
feltételes eloszlásfüggvény felírható
Z x
F (x | y) = f (t | y) dt
−∞

módon.

Megjegyezzük, hogy ha g (y) = 0, akkor a számegyenesen minden x-re f (x, y) = 0. Vegyük észre,
hogy ha
g −1 (y)

ha g (y) 6= 0
g (y) $ ,
0 ha g (y) = 0
akkor
f (x | y) = f (x, y) g (y) .
Ha A $ {ξ < x} és G jelöli az η eloszlását, akkor

P (A ∩ {a ≤ η < b}) = P ({ξ < x} , {a ≤ η < b}) =


Z bZ x
= f (x, y) dxdy =
a −∞
Z b Zx
= f (x, y) g (y) g (y) dxdy =
a −∞
Z bZ x
= f (x, y) g (y) dxg (y) dy $
a −∞
Z b Zx
$ f (x | y) dxg (y) dy =
a −∞
Z bZ x
= f (x | y) dxdG (y) ,
a −∞

amib®l a (6.6) deniáló egyenlet alapján

Z x
f (x | y) dx = P (ξ < x | η = y) $ F (x | y) .
−∞

6.11 Példa.
Legyen a (ξ, η) pár együttes s¶r¶ségfüggvénye


exp (−y) ha 0<x<y
f (x, y) $ .
0 egyébként

Számoljuk ki az M (ξ | η = y) és az M (η | ξ = x) regressziós függvényeket!


6.2. REGRESSZIÓS FÜGGVÉNY 101

Számoljuk ki a feltételes s¶r¶ségfüggvényeket!


Z Z y
g (y) $ f (x, y) dx = e−y dx = ye−y ,
R 0
Z Z ∞ ∞
e−y dy = −e−y x = e−x .

f (x) $ f (x, y) dy =
R x
f (x, y) e−y 1
f (x | y) = = −y = , 0 < x < y,
g (y) ye y
f (x, y) e−y
f (y | x) = = −x = ex−y , 0 < x < y.
h (x) e
Ekkor
Z Z y
1
M (ξ | η = y) = xf (x | y) dx = x dx =
R 0 y
1 y
Z
y
= xdx = ,
y 2
Z 0 Z ∞
M (η | ξ = x) = yf (y | x) dy = yex−y dy =
R x
Z ∞  Z ∞ 
x −y x −y ∞ −y
 
= e ye dy = e −ye x
+ e dy =
x x
ex xe−x + e−x = x + 1.

=
Vegyük észre, hogy a bemutatott számolás csak az x > 0, illetve az y > 0 tartományokon ér-
vényes. Ugyanakkor a feltételi változók eloszlásában az x ≤ 0, illetve az y ≤ 0 tartományok
nulla valószín¶ség¶ek. Emlékeztetünk, hogy a regressziós függvény csak a feltétel eloszlásában
nulla valószín¶ség¶ halmaz erejéig meghatározott, vagyis az x ≤ 0, illetve az y≤0 halmazokon a
regressziós függvény tetsz®leges lehet, így feltehetjük, hogy minden x esetén

M (η | ξ = x) = x + 1,
de az
M (η | ξ = x) = (x + 1) χ (x > 0)
függvény is megfelel®. Hasonlóan az M (ξ | η = y) = η/2, illetve az M (ξ | η = y) = η + /2 $
max (0, y) /2 egyenl®ség is érvényes. A látszólagos ellentmondás magyarázata, hogy a regresszív
feltételes valószín¶ség, illetve a várható érték miként említettük nem függvény, hanem függvényosz-
tály ahol két függvény azonos osztályba esik, ha egy a feltétel szerint nulla valószín¶ség¶ halmaztól
eltekintve megegyeznek.
2
Miként a példa szövegében is már jeleztük az M (ξ | η = y) függvényt a ξ η szerinti regressziós
függvényének mondjuk. Deníció szerint

M (ξ | η = y) $ lim M (ξ | y − h ≤ η ≤ y + h) .
h&0

Megjegyezzük, hogy ismételten lényegében az η értékészletének minden y elemére a deníció


értelmes, vagyis az η értékészletének majdnem minden elemére az

{ω : y − h ≤ η (ω) ≤ y + h}
közelít® események valószín¶sége pozitív és a h szerinti határérték létezik. Mivel ismét derivált
típusú kifejezésr®l van szó, ezért nem túl meglep®, hogy most is igaz az
Z Z
M (ξχB ) = ξχB dP = ξdP =
Ω B
Z b
= M (ξ | η = y) dG (y)
a
6.3. FELTÉTELES VÁRHATÓ ÉRTÉK 102

egyenl®ség, ahol G az η eloszlásfüggvénye és

B $ {ω : a ≤ η (ω) < b} ⊆ Ω.

Megjegyezzük, hogy a regressziós függvény elnevezés indoka a következ®: általában regresszív


okoskodáson az okozatból az okra való visszakövetkeztetést szokás érteni. Az y érték okozat,
ugyanis az ok, azω ∈ Ω kimenetel, amit a ξ és az η meggyelésekor közvetlenül nem ismerünk. Az
y = η (ω) érték az ω ok η összefüggés szerinti okozata. A regressziós függvényben az y okozatból
próbálunk a ξ várható értékére visszakövetkeztetni. Ha ξ = χA , akkor a regressziós függvény

M (ξ | η = y) = M (χA | η = y) = P (A | η = y) ,
vagyis ilyenkor a regressziós függvény segítségével az y okozatból próbálunk az ω∈A ok valószí-
n¶ségére visszakövetkeztetni.

6.3. Feltételes várható érték


A feltételes valószín¶ség, illetve a feltételes várható érték általános deníciójában a feltétel nem
egy η valószín¶ségi változó értékfelvétele, hanem egy F eseménytér. Ennek oka, hogy ha a feltételt
végtelen sok valószín¶ségi változó adja meg, akkor a derivált típusú szemlélet, amikor is a nulla
valószín¶ség¶ eseményeket pozitív valószín¶ség¶ eseményekkel közelítjük, nem igazán m¶ködik.
Természetesen a probléma az, hogy végtelen változóból álló feltételrendszer esetén mit tekintünk
egy esemény jó közelítésének? Ilyenkor egyszer¶bb, ha a regressziós függvény helyett a feltételes
várható értéket használjuk. A feltételes várható érték értelmezési tartománya az Ω alaptér és
nem a feltételként adott változók értékkészlete, vagyis a feltételes várható érték nem regresszív
objektum, vagyis nem az okozatokon, hanem magukat az okokat tartalmazó Ω absztrakt téren
értelmezett függvény. A kiinduló gondolat, hogy a feltételes valószín¶ség, illetve a feltételes várható
érték olyan függvényosztály, amely elemei kielégítik a teljes valószín¶ség, illetve a teljes várható
érték tételét. Ugyanakkor az M (ξ | F) feltételes várható értéket szokás a ξ F szerinti becsléseként
interpretálni. Másképpen fogalmazva kézenfekv® feltenni, hogy az M (ξ | F) súlyok kiszámításakor
csak olyan információkat tudunk használni, amelyeket az F feltétel tartalmaz. Ebb®l következ®en
az M (ξ | F) feltételes várható értéket az F segítségével akarjuk leírni, vagyis a pontos matematikai
14
terminológiát használva megköveteljük, hogy az M (ξ | F) függvény F -mérhet® legyen . A pontos
deníció a következ®:

6.12 Deníció.
Legyen adva egy F eseménytér és egy ξ valószín¶ségi változó. A ξ változó M (ξ | F) módon jelölt F -
re vonatkozó feltételes várható értékén az olyan F -mérhet® függvények családját értjük, amelyekre
minden F ∈F esemény esetén teljesül az
Z Z
ξdP = M (ξ | F) dP (6.8)
F F

integrálegyenlet. Ha ξ = χA , akkor az M (χA | F) feltételes várható érték helyett feltételes valószí-


n¶ségr®l beszélünk, amit P (A | F) módon szokás jelölni.

6.13 Állítás.
Ha a ξ változónak létezik véges várható értéke, akkor tetsz®legesF feltételi eseménytér esetén
létezik az M (ξ | F) feltételes várható érték. Speciálisan tetsz®leges A eseményre létezik a P (A | F)
feltételes valószín¶ség. Az M (ξ | F) , illetve a P (A | F) függvényosztályokban szerepl® függvények
nulla valószín¶ség¶ halmaz erejéig egyértelm¶en meghatározottak, vagyis ha az Ω téren értelmezett
két függvény kielégíti a feltételes várható értékkel szemben támasztott követelményeket, akkor egy
nulla valószín¶ség¶ halmaztól eltekintve megegyeznek
15 .

14 Az F feltétel szerinti mérhet®ség a deníció fontos eleme.


15 A valószín¶ségszámításban szokás azt mondani, hogy ha két függvény csak nulla valószín¶ség¶ halmazon kü-
lönbözik, akkor mint valószín¶ségi változók ekvivalensek.
6.3. FELTÉTELES VÁRHATÓ ÉRTÉK 103

A feltételi eseménytér esetén megadott deníció igen absztrakt. Konkrét példákban az F feltételt
bizonyos (η α )α változók meggyelése határozza meg. Tipikusan a ξ valamely sztochasztikus fo-
lyamat értéke egy t id®pontban és az (η α )α feltételi valószín¶ségi változók ennek a folyamatnak
korábbi, már meggyelt értékei. Mivel a folyamat korábbi meggyeléseinek száma végtelen, ezért
a folyamat információs struktúráját a feltételes várható értékkel célszer¶ leírni. Az F eseménytér
ilyenkor tartalmazza azokat az eseményeket, amelyek szükségesek ahhoz, hogy az összes korábbi
meggyelés valószín¶ségi változó legyen
16 .

6.14 Példa.
Partíció által deniált feltétel szerinti feltételes várható érték.

Ha a ξ változónak van várható értéke és F = {∅, Ω, A, Ac } , ahol P (A) > 0, akkor az A halmazon
Z
1
M (ξ | F) = ξdP.
P (A) A
Ha (An )n az Ω egy pozitív valószín¶ség¶ halmazokból álló, megszámlálható partíciója, F az (An )n
események által meghatározott eseménytér, akkor
Z
1
M (ξ | F) (ω) = ξdP = M (ξ | An ) , ω ∈ An ,
P (An ) An

tehát

X
M (ξ) = M (ξ | An ) P (An ) ,
n=1
X∞
P (A) = P (A | An ) P (An ) ,
n=1

ahol értelemszer¶en, ha B egy pozitív valószín¶ség¶ halmaz, akkor

P (A ∩ B)
Z
1
M (ξ | B) $ ξdP, P (A | B) $ .
P (B) B P (B)
Az említett szabályok indoklása a következ®: Mivel az M (ξ | F) függvény F -mérhet®, ezért a
feltételi eseményteret generáló A és Ac halmazokon konstans, amib®l
Z Z Z
ξdP = M (ξ | F) dP = M (ξ | F) dP = M (ξ | F) P (A) .
A A A

Az általános esetben elég azt meggondolni, hogy minden F -mérhet® függvény az An generáló
halmazokon konstans.
2
6.15 Deníció.
Ha az F eseményteret egyetlen η változó lehetséges meggyelései határozzák meg
17 , akkor a felté-
teles várható értéket M (ξ | η) módon szokás jelölni.

Vegyük észre, hogy az


M (ξ | η)
és az
M (ξ | η = y)
jelölések bár hasonlóak, de nem azonosak. Az M (ξ | η) az η értelmezési tartományán, vagyis
az Ω alaptéren van értelmezve az M (ξ | η = y) pedig az y függvénye és az η értékkészletén van
értelmezve. A két fogalom szoros kapcsolatban van.

16 Emlékeztetünk, hogy nem minden függvény valószín¶ségi változó, csak azok, amelyek lépcs®s függvények ha-
tárértékeként el®állíthatóak.
17 Vagyis az F az η −1 (B) ⊆ Ω alakú halmazok családja.
6.3. FELTÉTELES VÁRHATÓ ÉRTÉK 104

6.16 Állítás.
Ha F az η valószín¶ségi változó meggyelése által meghatározott eseménytér, vagyis F az a leg-
sz¶kebb eseménytér amelyre nézve az η mérhet®
18 , akkor az M (ξ | η) feltételes várható érték az
η változónak az M (ξ | η = y) regressziós függvénybe való behelyettesítésével kapható, vagyis ha
g (y) $ M (ξ | η = y) , akkor
M (ξ | η) = g (y) .
A feltételes várható érték, illetve a feltételes valószín¶ség, sok szempontból hasonlít a közönséges
várható értékre, illetve valószín¶ségre
19 .

6.17 Állítás. (A feltételes várható érték tulajdonságai)


A feltételes várható értékre teljesülnek a következ® összefüggések:

1. Ha a ξ valószín¶ségi változó és az F feltételi eseménytér függetlenek, akkor M (ξ | F) =


M (ξ) .
2. A feltételes várható érték monoton, vagyis ha ξ ≤ η, akkor

M (ξ | F) ≤ M (η | F) ,

speciálisan
0 ≤ P (A | F) ≤ 1.

3. Teljesül a kiemelési szabály, vagyis ha az η változó F -mérhet®, akkor

M (ηξ | F) = ηM (ξ | F) .

Speciálisan tetsz®leges a konstansra

M (aξ | F) = aM (ξ | F) .

4. A feltételes várható érték additív, vagyis

M (ξ + η | F) = M (ξ | F) + M (η | F) .

Speciálisan, ha A és B diszjunkt halmazok, akkor

P (A ∪ B | F) = P (A | F) + P (B | F) ,

amib®l, ha A ⊆ B, akkor

P (B \ A | F) = P (B | F) − P (A | F) .

5. Teljesül a teljes várható érték két tétele, vagyis ha G ⊆ F, akkor

M (M (ξ | F) | G) = M (ξ | G) .

Speciálisan
M (M (ξ | F)) = M (ξ) ,
illetve ha G ⊆ F, akkor
M (M (ξ | G) | F) = M (ξ | G) .
Emlékeztetünk, hogy a két szabályt torony szabályoknak is szokás mondani.

18 Vgyis miként az imént éppen F = A ⊆ Ω : A = η −1 (B) .


19 Feltesszük, hogy az állításban szerepl® objektumok értelmesek, vagyis például az összes változónak van várható
értéke, így a feltételes várható értéke létezik.
6.3. FELTÉTELES VÁRHATÓ ÉRTÉK 105

6. A feltételes várható értékre teljesül a monoton konvergencia tétele, vagyis ha

0 ≤ ξ n % ξ,

akkor
0 ≤ M (ξ n | F) % M (ξ | F) .
Speciálisan, ha An % A, akkor

P (An | F) % P (A | F) .

Ha az An halmazok diszjunktak és A = ∪n An , akkor


X
P (An | F) = P (A | F) .
n=1

Az állításban szerepl® tulajdonságok pozitív valószín¶séggel rendelkez® partíciókból álló esemény-


terek esetén egyszer¶en ellen®rizhet®ek és igen ajánlatos, hogy az olvasó ezt meg is tegye. Az egyes
tulajdonságok általános esetben való indoklása messze vezetne. Ugyanakkor igen fontos, hogy az
olvasó ezeket a szabályokat jól megértse és alkalmazni tudja. A legfontosabb három szabály az
additivitás, a kiemelési szabál y illetve a teljes várható érték tétele i, másnéven a toronyszabályok.
Az említett három alapvet® szabály intitív tartalma elég evidens. A becslés linearitása igen ter-
mészetes megkötés. Gondoljunk csak arra, hogy ha egy összeg két tagját becsülni akarjuk, igen
meglep®dnénk, ha a becslés nem lenne külön-külön elvégezhet® és az összeg becslése nem lenne a
becslések összeg
20 . A kiemelési szabály bizonyos értelemben a linearitásban is szerepl® konstans
kiemelésének általánosítása. Ha már ismerjük a szorzat egyik tagját, akkor a szorzat becslésében
az ismert tagot konstansnak tekinthetjük. Például, ha becsülni akarjuk az árbevétel alakulását és
már ismerjük az árat, akkor intuitíve világos, hogy csak az eladott termékek számát kell becsülni és
a becsült eladási mennyiséget kell az ismert árral beszorozni. A tornyszabály szintén igen szemlé-
letes megkötés: Valamely becslés végs® eredményét nem befolyásolják az irreleváns információk.
Ha valamely gazdasági eseményt akarunk becsülni, felesleges gyelembe venni a csillagok állását.
A csillagok állása és a gazdasági változók meggyelésének együttese pontosan annnyi gazdasági
információt tartalmaz, amennyit a gazdasági adatok tartalmaznak.

6.18 Példa.
A függetlenségre vonatkozó szabály indoklása.

Emlékeztetünk, hogy egy ξ valószín¶ségi változót és egy F eseményteret deníció szerint akkor
nevezünk függetlennek, ha a ξ és minden F ∈F esetén az F halmaz


1 ha ω∈F
χF (ω) $
0 ha ω∈
/F

karakterisztikus függvénye mint valószín¶ségi változók függetlenek


21 . Független valószín¶ségi vál-
tozókra igaz a szorzatszabály, vagyis a két változó szorzatának várható értéke a várható értékek

20 A dolog annyira nyilvánvaló, hogy azok az esetek, amikor mégsem alkalmazható számos potenciális matematikai
hiba forrása. A sztochasztikus folyamatok elmélete tele van rejtett aknákkal. Ezen rejtett aknák legtöbbje a
feltételes várható érték additivitásával függ össze. A leírás pontatlanságából ered®en nem tisztáztuk pontosan,
hogy milyen körben értelmezzük a feltételes várható értéket. Miként várható értéke, úgy feltételes várható értéke
sincsen minden valószín¶ségi változónak. Ha valamely ξ változónak nincsen várható értéke akkor az M (ξ − ξ) =
M (ξ)−M (ξ) azonsság értelmetlen. A bal oldali kifejezés értelmes, ugyanis nulla, a jobb oldali azonban nem, hiszen
két értelmetlen különbsége nem nulla, hanem értelmetlen. Tessék az Excelben kipróbálni! Az ilyen természet¶
problémák elkerülése céljából fel szokás tenni, hogy egy változónak csak akkor van feltétles várható értéke, ha
van közönséges várható értéke. Ilyenkor az additivitás minden további nélkül teljesül, ha feltesszük, hogy az
egyenl®ségben szerepl® kifejezések mindegyike értelmes.
21 Az már más kérdés, hogy mikor nevezünk két változót függetlennek: Ha az együttes eloszlásuk a peremelosz-
lásaik szorzataként írható fel.
6.3. FELTÉTELES VÁRHATÓ ÉRTÉK 106

szorzata. Az M (ξ) konstans függvény F -mérhet®, ugyanakkor a ξ és az F függetlensége miatt


deníció szerint minden F ∈F halmazra triviálian
Z Z
ξdP = M (χF ξ) = M (χF ) M (ξ) = M (ξ) dP.
F F

így az M (ξ) F -mérhet® függvény kielégíti a feltételes várható értéket deniáló (6.8) integrálegyen-
letet, tehát deníció szerint M (ξ) éppen az M (ξ | F) feltételes várható érték.
2

6.19 Példa.
Ha F = {∅, Ω} , akkor M (ξ | F) = M (ξ) .

Valóban az F = {∅, Ω} eseménytér független tetsz®leges ξ változótól. De az indokláshoz erre


sincsen szükség, elég megjegyezni, hogy az M (ξ) F -mérhet® és ha F =
konstans érték¶ függvény
∅, vagy F = Ω, akkor triviálisan teljesül a feltételes várható értéket deniáló (6.8) integrálegyenlet.
Például Z Z
ξdP $ M (ξ) = M (ξ) dP.
Ω Ω
2

6.20 Példa.
Ha ξ F -mérhet® valószín¶ségi változó, akkor M (ξ | F) = ξ.
Valóban a kiemelési szabály miatt

M (ξ | F) = ξ · M (1 | F) = ξ.

2
7. fejezet

Ellen®rz® feladatok

Az alábbiakban néhány egyszer¶ feladatot és kérdést fogalmazunk meg. A feladatokban a w


Wiener-folyamat, a wH frakcionális Wiener-folyamatot jelöl.

1. Mikor mondunk egy portfoliót önnanszírozónak? Mikor van egy piacon arbitrázs?

2. Pénzügyi szempontból miért fontos a kvadratikus variáció?

3. Az
Z t Z t Z t
w2 (t) , sin w (t) , w (s) ds, sdw (s) , sin w (s) dw (s) ,
0 0 0
Z t
wH (t) + t2 , wH (s) ds
0

folyamatok közül melyik martingál és melyik szemimartingál? Ha a folyamat szemimartingál,


akkor adja meg a folyamat felbontását lokális martingálra és korlátos változású folyamatra!

4. Legyen
 
t
M (t) $ exp w (t) −
2
a w (t) Wiener-folyamathoz tartozó exponenciális martingál! Teljesül-e az dM = M dt, illetve
az dM = M dw egyenl®ség?
5. Igaz-e, hogy az
 
t
M (t) $ exp w (t) −
2
folyamat martingál? Indokolja a választ! Milyen a és b paraméterek mellett lesz az
 
b·t
Ma,b (t) $ exp a · w (t) −
2
folyamat martingál? Mi a helyzet, ha az a paraméter tiszta imaginárius komplex szám?
Próbáljuk meg általánosítani a feladatot Lévy-folyamatokra? Lévy-folyamat esetén mit kell
bt
írni a
2 tag helyébe? Mi a helyzet valós és mi a helyzet tiszta imaginárius a paraméter
esetén?

6. Adja meg az Itô-integrál konstrukcióját!

7. Hasonlítsa össze az Itô-formulát Wiener-folyamat és frakcionális Wiener-folyamat esetén!

8. Mikor mondunk egy sztochasztikus folyamatot martingálnak? Mit tudunk a folytonos mar-
tingálok kvadratikus variációjáról és teljes megváltozásáról? Mit tudunk mondani ha a
folyamat nem folytonos?

107
108

9. Bizonyítsuk be, hogy ha az M folytonos lokális martingál, akkor az M 2 − hM i is lokális


martingál!
R1
10. Számolja ki az
0
exp (s) dw (s) integrál eloszlását!

R1
11. Számolja ki az
0
sin sdw (s) integrál szórását!

R1
12. Számolja ki az
0
w (s) dw (s) integrál szórását!

R1
13. Számolja ki az
0
w2 (s) ds integrál várható értékét!

14. Számolja ki az M (cos w (t)) M (hsin wi (t)) függvényeket!


és az


2

15. Számolja ki az M (hwi (t)) , M (hwi) (t) és az M w2 (t) függvényeket!

16. Indokolja, hogy ha a ξ és az η függetlenek, akkor M (ξ | η) = M (ξ)!


17. Indokolja a feltételes várható értékre vonatkozó toronyszabályt!.

18. Indokolja a feltételes várható értékre vonatkozó kiemelési szabályt!



19. Legyen a ξ és az η egyenletes eloszlású az x2 + y 2 ≤ 1 egységkörön. Számolja ki az
M (ξ | η = y) regressziós függvényt!
20. Legyen X (t) $ π (t) − λt az úgynevezett kompenzált Poisson-folyamat. Számolja ki az X
teljes megváltozását, illetve a kvadratikus variációját!

21. Számolja ki a t2 , sin t, exp (t) folyamatok teljes megváltozását!

22. Számolja ki a w2 , sin w, exp (w) folyamatok kvadratikus variációját!

23. Számolja ki a w2 , sin w, exp (w) folyamatok teljes megváltozását!

2
24. Igaz-e a dw2 = dt, illetve a (dw) = dt
 formula? Legyen S folytonos lokális martingál. Mikor
2
igaz a (dS) = d hSi , illetve a d S 2 = d hSi formula?
25. Milyen kapcsolat van az elemi analízisben tárgyalt parciális integrálási formula és az általunk
tárgyalt parciális integrálási formula között?
Tárgymutató

absztrakt helyettesítés formulája, 33, 74 kvadratikus variáció, 3, 40


arbitrázs, 3, 87
duplázási stratégia, 9 Lagrange-féle középérték-tétel, 31

asszociativitási szabály, 35, 49 Lévy-folyamatok, 14


bolyongás, 15
bolyongás, 15 karakterisztika, 15
lineáris trend, 14
drift, 76 spektrum, 14
limesz
eloszlás
inferior, 7
exponenciális, 16
szuperior, 7
lognormális, 35, 61, 67, 69
lognormális eloszlás
Poisson, 16
várható érték, 35, 61, 67, 69
sztochasztikus folyamat, 72
lokális martingál, 4
eloszlásfüggvény, 35
lokalizáció, 24
eszközárazás alaptétele, 4

Markov-folyamat, 16
fehér zaj, 11
Markov-lánc, 16
ltráció, 19
martingál, 19
folyamat
egyenletesen integrálható, 24
Gauss, 6
exponenciális, 22
Lévy, 14
martingáldierencia, 21, 22
Markov, 16, 17
megállási id®, 23
martingál, 19
megállási opciókról szóló tétel, 23
Poisson, 14
megállított változó, 23
Wiener, 14
mérhet® függvény, 94
frakcionális Wiener-folyamat, 89
mértékcsere, 70
függetlenség, 18
ekvivalens, 77
függvény variációja, 34
monoton konvergencia tétel, 95

Gauss-folyamat, 6 négyzetes megváltozás, 3


növekmények
integrálreprezentáció, 80, 87
független, 6
integrandus, 27
stacionárius, 6
integrátor, 27
iterált logaritmusok tétele, 7 önnanszírozó portfolió, 84
Itô-formula, 54
parciális integrálás, 84
jobbról folytonos trajektóriák, 14 Poisson-folyamat, 12

karakterisztikus függvény, 18 RadonNikodym-derivált, 75


kockázatmentes valószín¶ség, 4 realizáció, 5
kompenzátor, 15
korlátos változású függvény, 27, 34 Stieltjes-integrál, 32
korrelálatlanság, 18 s¶r¶ségfüggvény, 35, 70
kvadratikus keresztvariáció, 52 szemimartingál, 4, 51

109
TÁRGYMUTATÓ 110

sztochasztikus folyamat, 5
folytonos, 5
Gauss, 6
Lévy, 14
Markov, 17
Poisson, 12
Wiener, 5
sztochasztikus Stieltjes-integrál, 38

Taylor-formula, 55
teljes megváltozás, 34
trajektória, 5

valószín¶ségi mérték, 70

Wiener-folyamat, 5, 39
frakcionális, 89
nem deriválható, 10
nem korlátos, 8
trajektóriáinak megfordítása, 9
Irodalomjegyzék

[1]

[2]

111