Lesson

 10:  Markov,  Wiener,  and  Ito  

 
Alright  sports  fans,  it’s  about  to  get  real.  
 
While  we’ve  been  using  stochastic  processes  for  the  better  part  of  our  options  pricing  
discussions  to  this  point.  It’s  probably  best  to  define  them  more  specifically.  
 
Simple  put,  a  stochastic  process  arises  when  a  variable  changes  in  an  uncertain  way.  
 
Think  about  a  single  linear  regression:  
 
f ( x ) = α + β x + ε  
 
This  is  not  a  stochastic  process  (assuming  epsilon  is  smaller  and  normally  distributed)  
 
Since  f(x)  is  a  function  of  x,  we  expect  every  next  iteration  of  f(x)  to  be  alpha  plus  beta  times  x.  In  
contrast,  a  stochastic  process  would  have  a  (seemingly)  random  outcome.  
 
A  subset  of  stochastic  processes  is  the  Markov  process.  Markov  processes  are  stochastic  
processes  exhibiting  the  Markov  property.  The  Markov  property  describes  a  memory-­‐less  
variable,  in  which  only  the  present  value  is  a  relevant  determinant  of  future  value.  Said  another  
way,  past  values  have  no  predictive  materiality.  
 
If  I  define  the  set  M  =  {1,  2,  3,  4}  as  a  discrete  Markov  process,  then  which  addition  to  the  set  
would  be  more  likely  –  the  value  3  or  5?  
 
Exactly.  
 
In  this  Markov  process,  the  values  1,  2,  and  3  have  no  effect  on  the  next  addition  to  the  set;  only  
4  has  predictive  value.  Given  that  one  value  is  only  a  single  point,  we  can’t  determine  a  trend.  
Without  a  trend,  we  lack  clarity  into  the  direction  of  the  change,  just  its  relative  proximity  to  the  
present  value.  Therefore,  we  would  not  be  able  to  say  with  confidence  which  new  value  would  
be  more  likely.  Therefore,  in  this  space,  they  are  equally  likely.  
 
So,  let’s  take  a  second  to  examine  the  evolution  of  a  Markov  process.  
 
The  following  example  is  a  Markov  process  in  two  dimensions  (which  means  in  this  example  the  
process  can  move  in  four  directions).  
 
   
Step  1  

 
 
 
 
 
Step  2  

 
 
 
   
Step  5  

 
 
 
 
Step  15  

 
 
   
Step  100  

 
 
Step  1,000  
 

 
 
   
Step  10,000  
 

 
 
Again,  another  interesting  connection,  we’ve  just  used  an  underlying  tenet  of  modern  financial  
theory   to   draw   a   seahorse.   And   remember,   this   is   only   discrete   in   two-­‐dimensions,   let’s   see  
what  three  dimensions  looks  like.  
 
Step  1  
 

 
   
Step  200  

 
 
 
Step  1,000  
 

 
   
Step  10,000  
 

 
 
 
Step  100,000  
 

 
  
Stock  returns  are  typically  assumed  to  be  Markov  processes,  after  all  does  today’s  price  or  last  
year’s  price  matter  more  to  determine  tomorrow’s  price?  Of  course,  today’s  price  matters  more.  
Now,  are  stock  prices  absolutely  Markov  process?  I  think  a  strong  case  can  be  made  to  suggest  
that  they  are  not,  however,  the  Markov  property  fits  better  than  other  mathematical  
assumptions.  
 
Moving  onward.  The  mechanics  of  Markov  arithmetic  is  not  overly  complicated.  Again,  if  we  
consider  stock  prices  Markov  processes  then  if  we  define  a  stock’s  price  as  a  function  of  the  
2
( )
normal  distribution   φ µ, σ ,  where  mean  =  0  and  variance  =  1,  then  the  returns  of  the  stock  
in  one  year  should  be  independent  from  the  return  of  the  stock  in  the  following  year.  Given  
their  independence,  the  two-­‐year  return  of  the  stock  should  be  the  addition  of  the  independent  
returns  in  years  one  and  two.  Therefore,  the  expected  return  of  the  stock  after  two  years  is  
φ ( 0, 2 )  with  a  standard  deviation  of   2 .  Further,  this  property  can  be  used  to  describe  a  
shorter  period  of  time  as  well;  thus  the  expected  return  of  the  stock  over  three  months  is  
! 1$ 1
φ # 0, &  with  a  standard  deviation  of   .  
" 4% 2
 
So,  this  last  example  actually  describes  a  subset  of  Markov  processes  known  as  the  Wiener  
process.  Yes,  that’s  right,  go  ahead  and  get  the  giggle  out  now;  you’re  going  to  see  this  quite  a  
bit  going  forward.  
 
The  Wiener  process  is  a  Markov  process  that  is  normally  distributed  about  a  mean  of  zero  and  a  
variance  of  one.  You  may  be  more  familiar  with  the  concept  of  the  Wiener  process  in  particle  
physics  where  it  is  referred  to  as  Brownian  motion.  
 
The  Wiener  process  has  two  properties:  
 
(1)   Δz = ε Δt ;  where  epsilon  is   φ ( 0,1)  
(2)  The  mean  and  variance  of   Δz = ( 0, Δt )  
 
Again,  given  the  independence  of  each  process,  we  can  define  the  value  of  a  change  in  z  over  
time  as:  
 
N
z (T ) − z ( 0 ) = ∑εi Δt                   [EQ  10.01]  
i=1
 
Let’s  take  a  look  at  a  Wiener  process  graphically.  
 
   
 1
One  year  @   Δt = :  
100
 

 
 
1
One  year  @   Δt = :  
1, 000
 

 
 
So,  at  delta  t  approaches  zero,  we  can  generalize  about  delta  z,  and  instead  refer  to  it  as  dz.  Now  
this  Wiener  process  still  assumes  a  mean  of  zero  and  a  variance  of  one,  but  we  can  adjust  for  a  
more  practical  application  of  the  Wiener  process  to  account  for  both  a  drift  rate  and  a  variance  
rate.  
 
In  a  generalized  form,  we  can  express  this  Wiener  process  as:  
 
dx = adt + bdz                   [EQ  10.02]  
 
In  EQ  10,02,  adt  is  the  drift  rate  that  in  the  basic  form  of  the  Wiener  process  would  equal  zero.  
The  bdz  element  gives  this  equation  its  Wiener  property;  without  it,  dx  =  adt  would  integrate  to  
a  function  of  time  and  the  variable  x  (here  regarded  as  a  position  with  respect  to  either  value  or  
space-­‐time).  In  a  general  Wiener  process,  a  and  b  are  constants.  
 
To  get  a  sense  of  how  the  drift  coefficient  and  variance  coefficient  affect  the  path  of  the  
process,  let’s  chart  two  processes  and  mess  with  them.  
 
  
 
In  this  iteration,  both  the  red  and  green  processes  have  the  same  initial  value  (0),  and  equal  drift  
and  variance  coefficients  (both  0,0.5).  Notice  the  independence.  
 

 
 
In  this  iteration,  the  red  process  has  a  drift  coefficient  set  to  +1,  while  the  green  process  has  a  
drift  coefficient  set  to  -­‐1.  Notice  the  difference  between  how  the  two  processes  move  versus  
each  other  and  versus  the  original  plot.  
 

 
 
In  this  last  iteration,  the  drifts  were  reset  to  zero,  but  the  variance  coefficients  were  changed;  
the  red  process  has  a  variance  coefficient  of  +1,  while  the  green  process  has  a  variance  
coefficient  of  0,  effectively  removing  the  Wiener  property  from  the  process.  
 
Now  that  we’ve  got  the  generalized  Wiener  process  under  control,  let’s  take  another  step  
forward.  
 
As  we  just  stated  the  generalized  Wiener  process  uses  constants  a  and  b  to  define  both  drift  and  
variance  coefficients.  But  happens  if  we  relax  that  constraint  to  allow  the  coefficient  to  become  
a  function  of  the  variable  x  and  t?  
 
Well,  then  you  get  Ito’s  process.  
 
dx = a ( x, t ) dt + b ( x, t ) dz               [EQ  10.03]  
 
That  seems  to  make  sense,  right?  After  all,  just  like  a  rocket  ship’s  trajectory,  a  stock  price’s  drift  
coefficient  isn’t  actually  a  constant  but  rather  an  independent  function  apart  from  the  price  of  
the  stock.  Said  another  way,  the  drift  coefficient  needs  to  be  normalized  by  the  price  of  the  
underlying.  Think  about  this  as  drift  divided  by  the  stock  price  equals  expected  return,  and  
expected  return  should  not  change  just  because  the  value  of  the  underlying  changes.  Therefore,  
drift  cannot  be  constant.  
 
Now,  if  the  change  in  the  stock  price  were  only  a  function  of  time  (let’s  ignore  volatility  for  a  
moment),  then  we  could  adjust  our  process  (switching  out  x  for  S):  
 
dS = µ Sdt                   [EQ  10.04]  
 
Luckily,  this  point  is  pretty  simple;  essentially,  the  change  in  the  value  of  the  underlying  is  the  
expected  return  of  the  underlying  multiplied  by  the  value  of  the  underlying  adjusted  for  the  
period  of  time.  Makes  sense,  but  this  is  not  a  Wiener  process  anymore;  there’s  no  variance  
coefficient.  
 
To  reenter  Wiener  space,  let’s  stop  ignoring  volatility.  In  the  same  way  that  we  reimagined  the  
drift  constant  into  expected  return  for  the  underlying,  independent  of  the  underlying  price  we  
can  (and  need  to)  do  the  same  thing  for  the  variance  coefficient.  Think  about  it  this  way  –  if  a  
stock  price  doubles  today,  or  you  any  more  or  less  certain  of  the  outcome  tomorrow?  Well,  no,  
probably  not.  All  else  equal,  the  volatility  of  a  stock  return  is  not  linked  to  its  price.  Therefore  we  
can  expand  EQ  10.04  to  include  volatility  and  reclaim  the  Wiener  property.  
 
dS = µ Sdt + σ Sdz                 [EQ  10.05]  
 
The  percentage  change  in  underlying  value  equals:  
 
dS
= µ dt + σ dz                 [EQ  10.06]  
S
 
Now,  if  you’re  paying  attention,  a  swell  of  relief  should  over  take  you,  because  within  the  
context  of  an  Ito  process,  we’ve  just  defined  the  change  in  a  stock  price  as  a  function  of  the  
expected  return  and  time,  and  variance  and  time.  This  is  a  premise  that  most  financial  
professionals  can  accept  (and  to  which  many  cling).  
 
So,  two  quick  points  before  we  leap  forward  again  –  (1)  thus  far  expected  return  and  variance  
are  not  linked;  though,  one  would/should  expect  more/less  return  given  a  change  to  the  level  of  
risk  in  the  portfolio.  (2)  expected  return  is  not  critically  important  to  the  valuation  of  derivatives;  
the  price  of  the  underlying  and  the  volatility  of  the  underlying  are  critical  to  the  valuation  of  
derivatives.  
 
Ito’s  Lemma  
So  here’s  the  thing  –  in  1951,  K.  Ito  showed  that  a  function  G(x,  t)  follows  the  [his  process]:  
 
" ∂G 1 ∂2G 2 2 ∂G % ∂G
dG = $ µS + 2
σ S + ' dt + σ Sdz         [EQ  10.07]  
# ∂S 2 ∂S ∂t & ∂S
 
Yes.  I  know  at  first  this  may  look  intimidating,  but  look  harder,  what  do  you  see?  
 
Exactly,  Ito  used  the  partial  derivative  of  his  function  G  to  redefine  the  expected  return  of  the  
process  as  a  portfolio  of  delta,  gamma,  and  theta.    
 
Next  step,  define  G(x,  t)  as  ln  S.  
 
So:  
G = ln S
1
∴Δ G =
S
 
1
∴Γ G = − 2
S
∴θ G = 0
 
Using  these  values  as  substitutes  for  EQ  10.07,  we  get:  
 
" σ2%
dG = $ µ − ' dt + σ dz               [EQ  10.08]  
# 2 &
 
So  what  did  this  get  us?  
 
Well,  our  drift  coefficient  is  now  defined  by  the  constant  expected  return  and  variance,  both  of  
which  are  independent  from  the  price  of  the  underlying.  Additionally,  or  variance  coefficient  is  
also  constant  and  independent  of  the  price  of  the  underlying.  Therefore,  a  change  in  the  price  of  
" σ2%
Ito’s  function  G  (in  this  case  ln  S)  is  normally  distributed  around  the  mean   $ µ − ' T ,  and  the  
# 2 &
variance   σ 2T .  
 
So,  the  only  question  left  is  why  did  Ito  insist  upon  using  the  lognormal  of  the  underlying,  and  
not  the  normal  distribution  of  the  underlying  as  his  function  G?  
 
First,  let’s  make  sure  we  know  what  they  look  like.  
 
Normal  Distribution  
PHxL DHxL

x x
 
 
Lognormal  Distribution  
 PHxL DHxL

x x
 
Second  (and  kind  of  a  key  point),  if  a  random  variable  is  lognormally  distributed,  then  if  we  take  
the  logarithm  of  the  random  variable,  it  becomes  normally  distributed.  
 
Lognormal  distributions  are  often  characterized  by  a  random  variable  that  is  a  function  of  
several,  positive  independent  variables.  Additionally,  a  lognormal  distributions  represent  values  
between  zero  and  infinity,  clearly  with  a  positive  skew.  This  tends  to  represent  the  value  of  stock  
prices  as  stock  prices  stop  at  zero  (on  the  left  side).  
 
Congratulations,  you  now  understand  Markov,  Wiener,  and  Ito  –  I  think  you’re  ready  for  Black,  
Scholes,  and  Merton.  
   
Lesson  11.0  –  Black  Scholes  Merton  
 
So  let’s  be  very  clear  –  Black  Scholes  Merton  (BSM)  is  not  magic.  It  does  not  miraculously  yield  
the  absolute,  correct  option  value  for  all  options.  BSM  (in  its  pure  form)  values  European  
options  of  non-­‐dividend  paying  stocks.  BSM  represents  an  inspired  way  to  approach  option  
valuation  via  a  closed  form  solution;  but  it  is  not  he  “end  all,  be  all,”  it’s  just  a  good  way  to  value  
European  options  on  non-­‐dividend  paying  stocks.  
 
Now  that  that’s  out  of  the  way,  let’s  continue.  
 
In  1997,  Merton  and  Scholes  won  the  Nobel  Prize  for  economics  for  the  Black  Scholes  Merton  
Model;  Black  died  in  1995  (very  Jonathan  Larson).  
 
So  let’s  get  under  the  hood;  how  does  BSM  work?  
 
The  first  major  assumption  in  BSM  is  that  stock  price  changes  are  lognormally  distributed  over  
the  short  term,  and  this  distribution  can  be  defined  by  (μ,  σ).  Furthermore,  the  mean  return  in  
time  equals  𝜇Δ𝑡,  and  standard  deviation  equals  𝜎 Δ𝑡;  therefore,  just  like  in  Ito’s  process,  the  
percentage  change  in  price  in  time  is  a  function  of  the  expected  mean  return  in  time  and  the  
variance  in  time.  
 
Therefore,  as  in  Ito’s  Lemma,  we  can  use  his  function  G  as  the  ln  S.  Looking  for  the  change  in  
price  leaves  us  with:  
 
(" σ2% +
ln ST − ln S0 ~ φ *$ µ − ' T, σ 2T -
)# 2 & ,
ST (" σ2% +
∴ln ~ φ *$ µ − ' T, σ 2T -  
S0 )# 2 & ,
( " σ2% +
∴ln ST ~ φ *ln S0 + $ µ − ' T, σ 2T -
) # 2 & ,
 
Let’s  take  another  look  at  a  lognormal  distribution:  
 
E(ST ) = S0 eµT                   [EQ  11.01]  
 PHxL DHxL

x x
 
Given  the  mean  (E[S]),  the  variance  of  the  lognormal  distribution  of  the  stock  at  time  T  equals:  
 

( )
2
var ( ST ) = S02 e 2 µT eσ T −1               [EQ  11.02]  

 
Further,  we  can  use  these  parameters  of  a  stock’s  lognormal  distribution  to  define  the  
continuously  compounded  rate  of  return  earned  over  the  time  period  from  t=0  to  t=T.  
 
So,  if:  
 
𝑆! = 𝑆! 𝑒 !" ,  then:  
 
! !!
𝑥 = ln                   [EQ  11.03]  
! !!
 
Alright,  now  that  we  have  rekindled  our  understanding  of  lognormal  distributions,  let’s  puch  
deeper  into  BSM.  
 
There  are  seven  assumptions  for  BSM:  
1. Stock  prices  are  processes;  mu  and  sigma  are  constant.  
2. Negative  positions  in  the  stock  are  allowed.  
3. Ignore  transaction  costs  and  taxes.  
4. Ignore  dividends.  
5. There  are  no  riskless  arbitrage  opportunities.  
6. Time  is  continuous.  
7. Risk-­‐free  rate  is  constant,  available,  and  the  same  across  securities.  
 
Okay,  so  if  we  remember  from  the  previous  lesson,  the  equation:  
 
dS = µ Sdt + σ Sdz  
 
can  describe  a  stock  price  process,  where  the  dz  was  the  portion  of  the  equation  that  made  it  a  
stochastic  process.  Furthermore,  Ito  showed  us  that  the  change  in  his  function  G  can  be  found  
through  the  partial  differentiation  of  the  stock  process:  
 
" ∂G 1 ∂2G 2 2 ∂G % ∂G
dG = $ µS + 2
σ S + ' dt + σ Sdz
# ∂S 2 ∂S ∂t & ∂S
 
 

Out  next  step  is  to  allow  G  to  equal  f,  the  price  of  a  derivative  of  the  underlying  S.  
 
" ∂f 1 ∂2 f 2 2 ∂f % ∂f
df = $ µ S + 2
σ S + ' dt + σ Sdz
# ∂S 2 ∂S ∂t & ∂S
           [EQ  11.04]  
Now,  the  assumption  is  that  there  are  intervals  of  t,  where  the  changes  to  dz  are  the  same  for  
both  the  derivative  process  and  the  stock  process.  If  this  is  true  (this  being  the  fact  that  a  change  
in  the  underlying  affects  the  underlying  and  the  derivative  by  the  same  amount),  then  we  can  
construct  a  portfolio  of  the  underlying  and  the  derivative  such  that  the  process  is  eliminated.  
Essentially  what  we’re  looking  for  here  is  the  ability  to  perfectly  hedge  underlying  exposure  to  
zero.  Thus,  if  we  assume  ownership  of  the  underlying,  then  we  must  short  the  derivative  
(assuming  not  a  put  option  –  it  should  be  pretty  safe  to  assume  call  option  unless  otherwise  
stated).  Thus,  an  off-­‐setting  position  in  a  derivative  position  to  eliminate  equity  exposure,  
thereby,  eliminating  the  process  would  be:  
 
∂f
−f = S  
∂S
 
Now,  the  df/dS  should  look  familiar  as  it’s  just  the  derivative’s  delta.  Therefore,  any  residual  
exposure  not  hedged  will  affect  the  value  of  the  portfolio.  Thus:  
 
∂f
Π=−f + S                   [EQ  11.05]  
∂S
 
Therefore,  any  change  in  the  value  of  the  portfolio  is  given  as:  
 
∂f
ΔΠ = −Δf + ΔS  
∂S
 
Written  another  way:  
 
% ∂f 1 ∂2 f 2 2 (
ΔΠ = ' − − 2
σ S * Δt
& ∂t 2 ∂S )  
 
Remember,  no  dz  means  no  process  means  no  risk  across  the  change  in  t.  Therefore,  we  have  
defined  the  risk-­‐free  rate  as  the  change  in  value  of  the  portfolio:  
  
ΔΠ = rΠΔt                   [EQ  11.06]  
 
Through  a  substitution  of  equations,  we  are  left  with:  
 
∂f ∂f 1 ∂2 f 2 2
rf = + rS + σ S
∂t ∂S 2 ∂S 2
              [EQ  11.07]  
 
Again,  note  the  similarities  between  this  equation  and  many  before  it.  The  risk-­‐free  rate  
multiplied  by  the  value  of  the  derivative  equals  theta  plus  the  return  of  the  underlying  times  
delta  plus  the  gamma  coefficient  times  gamma.  
 
Excellent,  now  let’s  put  this  into  an  even  more  familiar  context.  
 
The  value  of  a  derivative  should  be  worth  the  difference  between  the  current  price  of  the  
underlying  less  the  present  value  of  the  delivery  or  strike  price.  We’ve  already  seen  this  in  EQ  
2.434:  
 
f = ( F0 − K ) e−rT  
 
If  we  change  this  slightly  to  conform  to  our  new  variables,  this  same  expression  translates  
directly  into:  
 
−r(T −t )
f = S − Ke                 [EQ  11.08]  
 
Therefore,  we  can  translate  EQ  11.08  into  its  counterpart  Greek  portfolio  format:  
 
∂f
= −rKe ( )
−r T −t
θ=
∂t
∂f
Δ= =1  
∂S
∂2 f
Γ= 2 =0
∂S
 
So…  moving  right  along  –  see  if  you  notice  anything  familiar  in  the  BSM  pricing  formulas.  
 
CALL  
c = S0 N ( d1 ) − Ke−rT N ( d2 )
S0 " σ2%
ln + $ r + 'T
K # 2 &
d1 =               [EQs  11.09]  
σ T
d2 = d1 − σ T
  
PUT  
p = Ke−rT N (−d2 ) − S0 N (−d1 )               [EQ  11.10]  
 
NOTE  –  if  you  use  excel  the  corresponding  function  for  N()  is  NORMSDIST.  
 
So,  what  does  the  output  of  BSM  look  like?  
 

 
 
 
The  above  represents  a  European  option  with  T=0.25,  vol=0.3,  r=0.04,  S=50,  and  K=65.  
 
American  Options  
Now  we  demonstrated  that  calls  should  not  be  exercised  early  in  an  earlier  lesson,  but  now  that  
we  have  a  better  grasp  on  the  tools  needed  to  analyze  derivative  more  completely,  let’s  re-­‐
examine  the  case  of  the  American  option.  
 
American  options  differ  from  European  option  insofar  as  European  options  can  only  be  
exercised  at  expiration;  American  options,  on  the  other  hand,  can  be  exercised  at  any  time  up  
until  expiration.  
 
So,  if  there  is  no  dividend,  then  the  option  should  not  be  exercised  early.  
 
However,  if  there  is  a  dividend,  then  we  have  to  consider  how  well  the  option  prices  the  
dividend.  
 
First,  how  do  we  value  a  dividend?  
 
Hint  –  think  about  the  way  for  which  we  accounted  for  coupons  in  bonds  earlier.  Granted,  
coupons  are  contractually  bound  otherwise  default  may  occur,  however,  we  can  approximate  
the  same  framework  if  we  assume  that  if  a  declared  dividend  is  not  paid,  then  the  stock  may  
suffer  bankruptcy  as  a  corresponding  consequence  of  a  lack  of  liquidity.  
 
Therefore,  we  can  discount  a  dividend  as  before:  
 
δT = δ e−rT                   [EQ  11.11]  
 
Note,  the  above  equation  only  accounts  for  a  single  dividend  payment;  often  several  dividend  
payments  may  be  considered  for  a  single  adjustment.  
 
Once  you  have  calculated  the  PV  of  the  dividend(s)  to  be  considered,  you  may  simple  adjust  the  
PV  of  the  underlying  to  account  for  the  discount.  This  works  for  both  European  and  American  
options.  Now  that  we  have  a  basis  for  evaluating  the  price  of  a  dividend,  how  can  we  determine  
whether  or  not  to  exercise  early  in  the  case  of  an  American  option?  
 
Well,  let’s  assume  that  the  ex-­‐dividend  date  is  tn+1;  therefore  the  time  period  immediately  
preceding  the  ex-­‐dividend  date  is  tn.  
 
Therefore,  if  we  exercise  early  at  tn,  then  the  option-­‐exerciser  will  receive:  
 
S(tn)  –  K;  
 
On  the  other  hand,  if  we  continue  to  hold  the  option  through  the  ex-­‐dividend  date,  then  the  
stock  will  drop  by  the  value  of  the  dividend:  
 
S(tn)  –  δn;  
 
Therefore,  the  value  of  the  option  should  be  greater  than:  
 
−r (T −tn )
Stn − δtn − Ke  
 
Said  another  way,  if  the  value  of  the  dividend  is  less  than  the  adjusted  PV  of  the  strike  price  to  
account  for  the  dividend,  then  do  not  exercise  early.  
 
δn ≤ K 1− e ( −r(T −tn )
)  
 
However,  in  the  event  that  the  dividend  payment  is  greater  than  the  adjusted  PV  of  the  strike  
price  to  account  for  the  dividend,  then  exercising  early  can  capture  the  difference  in  value.  Of  
course,  this  too  ignores  transaction  costs  and  the  difference  in  tax  rates.  
 
δn > K 1− e ( −r(T −tn )
)  
 
Congratulations,  you’ve  made  it  through  processes,  BSM,  and  options.  This  concludes  the  
second  module  of  the  course,  or  as  I  like  to  call  it  –  all  things  options.  We  will  see  options  again,  
and  some  of  the  theory  used  to  value  them,  but  for  now,  we  will  change  direction  slightly  to  
take  another  look  at  risk  and  other  derivatives  used  to  manage  that  risk.