Professional Documents
Culture Documents
Hà Nội - 2012
Mục lục
Lời cảm ơn 2
1 Cơ sở lý thuyết 4
1.1 Phương pháp mô phỏng Monte Carlo . . . . . . . . . . . . . . . . . . . . . 4
1.1.1 Luật mạnh số lớn . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.1.2 Phương pháp mô phỏng Monte Carlo "thô" . . . . . . . . . . . . . 5
1.1.3 Một vài ứng dụng của phương pháp mô phỏng Monte Carlo . . . . 5
1.2 Các cách cải tiến phương pháp Monte Carlo . . . . . . . . . . . . . . . . . 8
1.2.1 Biến ngẫu nhiên xung khắc . . . . . . . . . . . . . . . . . . . . . . 9
1.2.2 Biến điều khiển . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.2.3 Mẫu phân tầng . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.2.4 Giảm phương sai bằng cách lấy mẫu có điều kiện . . . . . . . . . . 14
1.2.5 Mẫu chính . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.3 Các quá trình ngẫu nhiên với thời gian liên tục . . . . . . . . . . . . . . . . 23
1.3.1 Phương pháp mô phỏng Monte Carlo cho các quá trình ngẫu nhiên . 25
1.3.2 Chuyển động Brown và cầu Brown . . . . . . . . . . . . . . . . . 26
1.3.3 Công thức Itô . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1.3.4 Phương trình vi phân ngẫu nhiên . . . . . . . . . . . . . . . . . . . 34
1.4 Mô phỏng nghiệm của các phương trình vi phân ngẫu nhiên . . . . . . . . . 38
1.4.1 Phương pháp số cho phương trình vi phân ngẫu nhiên . . . . . . . . 39
1.4.2 Các sơ đồ số cho xấp xỉ Taylor mạnh . . . . . . . . . . . . . . . . . 41
2 Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính 44
2.1 Một số mô hình tài chính.
Mô hình Black - Scholes . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.1.1 Một khung giá cổ phiếu kiểu mô hình Black - Scholes . . . . . . . 46
2.1.2 Xác định các tham số µ và σ của chuyển động Brown hình học S(t) 49
i
MỤC LỤC
Kết luận 64
Phụ lục 65
ii
Lời nói đầu
Ngày nay, mô phỏng số chiếm một vị trí quan trọng trong nghiên cứu khoa học, bao gồm
cả mặt lý thuyết và thực nghiệm. Với sự phát triển nhanh và ngày càng phức tạp của các
ngành khoa học nói chung và toán tài chính nói riêng, các phương pháp lý thuyết gặp nhiều
khó khăn, bởi lẽ ở đó thường sử dụng tới các phép tính gần đúng. Mô phỏng số có thể kiểm
chứng những phép tính gần đúng từ lý thuyết, từ đó góp phần hạn chế sai số. Các kết quả
định lượng để mô phỏng số còn được sử dụng để so sánh với các kết quả nghiên cứu thực
nghiệm. Ngoài ra, mô phỏng còn được xem như là bước "số hóa thực nghiệm", nó được tiến
hành trước bước thực nghiệm để thu được kết quả tốt hơn, tiết kiệm được chi phí cho các lần
thực nghiệm. Một trong những phương pháp mô phỏng phổ biến được ứng dụng trong toán
tài chính là phương pháp Monte Carlo với sự giúp đỡ của máy tính.
Tên gọi "phương pháp Monte Carlo" xuất hiện trong từ điển toán học vào những năm
1949-1950, nhưng thật ra nó ra đời trong những năm 1943-1944 gần như cùng thời với máy
tính điện tử đầu tiên ở Mỹ, và được giới thiệu vào nước ta từ những năm 1963-1964, nhưng
thực sự được áp dụng phổ biến từ sau những năm 1975-1977.
Phương pháp Monte Carlo là phương pháp thường được dùng để mô phỏng các hiện tượng
xác suất, những hiện tượng không thay đổi đặc tính theo thời gian, nó cũng được sử dụng để
tính toán các biểu thức không theo xác suất bằng cách sử dụng phương pháp theo xác suất.
Phương pháp mô phỏng Monte Carlo được ứng dụng phổ biến trong các ngành công
nghiệp tài chính và bảo hiểm. Nó là công cụ cần thiết cho các kỹ sư và chuyên gia tính toán
tài chính khi phải tính toán các loại giá cả hay tính toán rủi ro phức tạp. Do đó, tác giả đã
chọn cách tiếp cận kết hợp trình bày lý thuyết phương pháp mô phỏng Monte Carlo, các cách
cải tiến và ứng dụng của nó trong việc mô phỏng nghiệm của các quá trình vi phân ngẫu
nhiên, cũng như các ứng dụng để định giá quyền chọn trong lĩnh vực toán tài chính.
Chương 1: Cơ sở lý thuyết
Trong chương này, tác giả giới thiệu về phương pháp mô phỏng Monte Carlo, các định
lí cơ bản, và trình bày các phương pháp khác nhau để tăng tốc độ tính toán mà được gọi
1
MỤC LỤC
chung là phương pháp giảm phương sai. Tiếp theo, tác giả trình bày các kiến thức cơ bản
về quá trình ngẫu nhiên với thời gian liên tục và mô phỏng Monte Carlo cho chuyển động
Brown. Ngoài ra, tác giả còn mô phỏng nghiệm của các phương trình vi phân ngẫu nhiên
bằng phương pháp xấp xỉ Milstein và xấp xỉ Euler-Maruyama.
Chương 2: Ứng dụng của phương pháp Monte Carlo vào các mô hình toán tài chính
Trong chương này, tác giả chủ yếu đề cập đến mô hình Black Scholes, một khung giá
cổ phiếu kiểu mô hình Black - Scholes. Tác giả cũng trình bày cách xác định các hệ số thị
trường chứng khoán (µ: tỉ lệ trung bình của giá cổ phiếu luân chuyển; σ : độ biến động giá
của cổ phiếu).
Tác giả đã trình bày hai loại định giá quyền chọn, quyền chọn bán và quyền chọn mua,
bằng lý thuyết. Tác giả cũng đã thu thập một bộ dữ liệu thật về giá cổ phiếu và dùng nhiều
phương pháp khác nhau để tính toán sau đó so sánh các kết quả chạy máy này với các kết quả
do lý thuyết chứng minh được.
Do thời gian và kiến thức còn nhiều hạn chế nên luận văn không tránh khỏi những thiếu
sót. Tác giả rất mong nhận được sự góp ý từ quý thầy cô và bạn đọc.
2
Lời cảm ơn
Bản luận văn này được hoàn thành dưới sự hướng dẫn nghiêm khắc và chỉ bảo tận tình
của TS. Nguyễn Thịnh. Thầy đã dành nhiều thời gian hướng dẫn cũng như giải đáp các thắc
mắc của tôi trong suốt quá trình làm luận văn. Tôi muốn bày tỏ lòng biết ơn sâu sắc đến
người thầy của mình.
Qua đây, tác giả xin gửi tới các thầy cô Khoa Toán-Cơ-Tin học, Trường Đại học Khoa
học Tự nhiên, Đại học Quốc gia Hà Nội, cũng như các thầy cô đã tham gia giảng dạy khóa
cao học 2010 - 2012, lời cảm ơn sâu sắc nhất đối với công lao dạy dỗ trong suốt quá trình
giáo dục đào tạo của Nhà trường.
Tác giả xin chân thành cảm ơn các thầy cô phản biện đã đọc và đóng góp nhiều ý kiến
quý báu cho bản luận văn của tác giả.
Cuối cùng, tác giả xin cảm ơn gia đình, bạn bè và tất cả mọi người đã quan tâm, tạo điều
kiện, động viên cổ vũ tác giả để tác giả có thể hoàn thành luận văn của mình.
3
Chương 1
Cơ sở lý thuyết
4
Chương 1. Cơ sở lý thuyết
Định lí 1.1.3. (Ước lượng không chệch của phương pháp Monte Carlo)
Giả sử (Xn )n∈N là một dãy các biến ngẫu nhiên giá trị thực, độc lập cùng phân phối với
X, được xác định trên một không gian xác suất (Ω, z, P).
Khi đó ước lượng Monte Carlo:
1 n
X n := ∑ Xi , n ∈ N
n i=1
là một ước lượng không chệch với µ = E(X), hay một cách tương đương ta có:
E(X n ) = µ
∑ni=1 Xi − n.µ D
√ → N (0; 1);
− khi n→∞
n.σ
(Xem chứng minh trong [5])
1.1.3 Một vài ứng dụng của phương pháp mô phỏng Monte Carlo
Ví dụ 1. Một thí nghiệm để tính giá trị xấp xỉ của π là giao của một phần của đường
tròn đơn vị (C ) có tâm là gốc tọa độ với hình vuông đơn vị dương [0, 1]2 .
Thí nghiệm được thực hiện bằng cách lấy ngẫu nhiên các điểm P1 , P2 , ..., Pn của hình
vuông đơn vị và giả sử rằng:
Xi = 1Pi ∈C
5
Chương 1. Cơ sở lý thuyết
Tốc độ hội tụ của phương pháp được minh họa bởi bảng kết quả sau:
Nhận xét rằng, tốc độ hội tụ của phương pháp Monte Carlo khá chậm, tuy nhiên cần phải
chú ý rằng sai số tương đối của ước lượng này dưới 0.5 %. So sánh với điều này ta thấy, ước
lượng với n = 100.000 cho ta kết quả tương đối chính xác.
Độ tin cậy [π̂low , π̂up ] của ước lượng Monte Carlo được tính :
Ước lượng xác suất của một biến cố là một trong những ứng dụng quan trọng của
phương pháp Monte Carlo.
Giả sử A là một biến cố nào đó. Ước lượng P(A)?
Xét :
1 nếu ω ∈ A
1A (ω) =
0 nếu ω ∈
/A
6
Chương 1. Cơ sở lý thuyết
Suy ra E(1A ) = P(A) và khi đó ước lượng Monte Carlo cho P(A) là tần suất tương đối của
số lần xuất hiện của A trong n lần thí nghiệm độc lập. Một cách hình thức, giả sử Ai là số
lần xuất hiện A trong thí nghiệm thứ i, khi đó ta định nghĩa ước lượng Monte Carlo cho P(A)
như sau:
1 n
r fn (A) = . ∑ 1Ai
n i=1
Khi đó ta cũng có:
Một ứng dụng rất đơn giản nhưng hiệu quả của Monte Carlo là tính gần đúng các giá
trị của các tích phân tất định có dạng:
Z
g(x) dx
[0,1]d
Giả sử X1 , ..., Xn là các biến ngẫu nhiên độc lập, có phân bố đều trên [0, 1]d , khi đó, ước
lượng Monte Carlo là:
1 n
Iˆn (ω) = . ∑ g(Xi (ω))
n i=1
R1
Cụ thể, ta áp dụng mô phỏng Monte Carlo để tính tích phân I = cos(x2 ).sin(x4 ) dx.
0
Tích phân này không tính được theo một công thức thông thường.
Trước hết, ta có nhận xét:
• Với một biến ngẫu nhiên X, với một hàm mật độ f (x) và ϕ là một hàm Borel thì biến
ngẫu nhiên Y = ϕ(X) có kỳ vọng là:
Z∞
E(Y ) = f (x).ϕ(x) dx.
−∞
7
Chương 1. Cơ sở lý thuyết
• Mặt khác, với một biến ngẫu nhiên V phân phối đều trên [0, 1], ta biết rằng hàm mật độ
của nó là:
1 nếu x ∈ [0, 1]
fV (x) =
0 nếu x ∈
/ [0, 1]
R1
• Do đó, đối với một tích phân ϕ(x) dx ta có thể viết nó dưới dạng:
0
Z1 Z∞
1.ϕ(x) dx = fV (x).ϕ(x) dx = E[ϕ(V )]
0 −∞
Vì vậy, bài toán tính tích phân trên trở thành bài toán tính kỳ vọng E[ϕ(V )], trong đó V là
biến ngẫu nhiên phân phối đều trên[0, 1] mà ta luôn có thể mô phỏng trên máy tính.
R1
Đối với tích phân I = cos(x2 ).sin(x4 ) dx = E[cos(V 2 ).sin(V 4 )], ta có thuật toán để tính I
0
như sau:
(1). Chọn một số nguyên dương n khá lớn;
(2). Mô phỏng V,U ∼ U[0, 1];V,U độc lập;
(3). Đặt Ti = cos(Vi2 ).sin(Ui4 ), với i = 1, 2, 3, ..., n;
(4). Ước lượng I bởi θ̂n = 1n . ∑nk=1 Tk ;
(5). I ' θ̂n .
Dùng hàm ’quald’ với các hệ số mặc định của hàm ta được kết quả xấp xỉ sau:0.139567
Sau đây là một số ước lượng của tích phân I ứng với các giá trị lớn n :
8
Chương 1. Cơ sở lý thuyết
1 1 n 1 n
fanti (X) = .( ∑ f (Xi ) + ∑ f (1 − Xi )) (1.1)
2 n i=1 n i=1
Chú ý rằng khi cả X và 1 − X có cùng phân bố, thì cả hai tổng ở vế phải của đẳng thức
(1.1) đều là ước lượng không chệch của E( f (X)). Do đó ước lượng xung khắc cũng là không
chệch. Đặt σ 2 = Var( f (X)). Khi đó phương sai của ước lượng xung khắc được cho bởi:
σ2 1
Var( fanti (X)) = + Cov( f (X), f (1 − X))
2n 2n
E( f (X)g(X)) ≥ E( f (X))E(g(X))
Bằng việc chọn g(x) = − f (1 − x), ta có mệnh đề sau được suy ra trực tiếp từ mệnh đề
trên:
Mệnh đề 1.2.2. (Giảm phương sai trong trường hợp phân bố đều).
Giả sử f là hàm không giảm hoặc không tăng, giả sử X có phân bố đều trên [0, 1] với
Cov ( f (X), f (1 − X)) hữu hạn. Khi đó ta có:
Mệnh đề 1.2.3. (Giảm phương sai trong trường hợp phân bố chuẩn)
Giả sử f là hàm không giảm hoặc không tăng, giả sử X có phân bố chuẩn N (µ, σ 2 ) với
Cov ( f (X), f (2µ − X)) hữu hạn. Khi đó ta có:
9
Chương 1. Cơ sở lý thuyết
từ đó dẫn đến ước lượng biến điều khiển Monte Carlo sau:
1 n
XY = ∑ (Xi −Yi) + E(Y )
n i=1
với Xi ,Yi là các thành phần độc lập của X,Y . Từ biểu thức liên hệ:
1 1
Var(X Y ) = .Var(X −Y ) = (Var(X) + Var(Y ) − 2Cov(X,Y ))
n n
ta thu được sự giảm phương sai của trong ước lượng biến kiểm soát Monte Carlo so với ước
lượng Monte Carlo "thô" như sau:
Do
Var(X) ≥ Var(X −Y )
nên độ chênh lệch về phương sai của hai phương pháp ước lượng là:
2Cov(X,Y ) − Var(Y )
Những ứng dụng mở rộng của phương pháp biến điều khiển.
1. Tối ưu hóa biến điều khiển:
Nếu ta tìm thấy biến ngẫu nhiên Y thỏa mãn yêu cầu thì aY cũng được sử dụng như một
biến điều khiển với a > 0. Do tính chất tuyến tính của kỳ vọng, ước lượng biến điều khiển
mới cũng không chệch. Vì vậy việc sử dụng biến điểu khiển Y đạt được thông qua số nhân
a∗ nhỏ nhất:
Từ đó, ta có:
σX,Y
a∗ =
σY2
và:
2
σXY
∗ ∗ 2
2a Cov(X,Y ) − (a ) .Var(Y ) = 2
σY
10
Chương 1. Cơ sở lý thuyết
Vậy một trong những ứng dụng của điều khiển bội là dùng trong trường hợp nhiều chiều:
X = f (Y1 , ...,Yd )
đó là phương pháp điều khiển biến trong trường hợp không có điều kiện.
3. Biến điều khiển và chuỗi xấp xỉ
Không dễ dàng để tìm được một biến điều khiển tốt. Giả sử có ước lượng :
µ = E( f (X))
Vấn đề đặt ra là, liệu có thể xác định được giá trị x0 như trên để có thể giảm phương sai
một cách nhiều nhất khi sử dụng fk (X) như là hàm biến thiên đồng thời. Tất nhiên điều này
phụ thuộc nhiều vào việc tính toán tất cả các giá trị của X cho đến bậc k và đặc biệt là tính
tất cả các phương sai: Cov(X j , f (X)) .
11
Chương 1. Cơ sở lý thuyết
Ví dụ 4.
R1
Xét một tích phân đơn giản x2 dx;.
0
Ta có thể thay thế biến điều khiển X của f (X) = X 2 bởi biến điều khiển:
1 1 1 1
f1 (X) = f 0 ( )(X − ) + f ( ) = X −
2 2 2 4
Vì vậy, ước lượng tuyến tính tốt nhất mà ta đạt được trong trường hợp này là xấp xỉ Taylor
cấp 1 tại giá trị x0 = 12 .
(Xem hình 1.1)
Hình 1.1:
với µ j = E(X ( j) ), được gọi là biến ngẫu nhiên điều khiển trung bình không điều kiện.
Ta có ước lượng của biến ngẫu nhiên điều khiển trung bình không điều kiện:
!
n d d
UMC 1
Xn = ∑ g(Xi ) − ∑ Y UM j (X) + ∑ E(Y UM j (X))
n i=1 j=1 j=1
12
Chương 1. Cơ sở lý thuyết
Ví dụ 5.
Suy ra, biến điều khiển đơn giản là các thành phần X (i) . Khi đó ước lượng của biến ngẫu
nhiên trung bình không điều kiện được cho như sau:
Chẳng hạn, với n = 10.000, một mô phỏng cho ta những kết quả cho trong bảng 1.3 dưới
đây.
Phương pháp Trung bình Cận dưới Cận trên
CMC 3.240 3.120 3.361
UMCV 3.201 3.096 3.306
Bảng 1.3 E(X (1) .X (2) .X (3) ) ước lượng Monte Carlo "thô" (CMC) và phương pháp biến ngẫu
nhiên điều khiển trung bình không điều kiện (UMCV), n = 10.000
Nếu tất cả các xác suất pi = P(Y = yi ) đều đã biết thì ta chỉ cần mô phỏng d kỳ vọng khác
nhau với phương pháp Monte Carlo "thô" phù hợp. Để chứng minh rằng điều này dẫn đến sự
13
Chương 1. Cơ sở lý thuyết
(i)
Tất cả các biến ngẫu nhiên X j có cùng phân bố xác suất với X|Y = yi . Khi đó ta có ước
lượng Monte Carlo phân tầng của µ là:
d
X strart,n = ∑ pi .X i,ni
i=1
với n = n1 + ... + nd .
Nhận xét thấy rằng ước lượng Monte Carlo phân tầng là ước lượng không chệch của µ. Thậm
chí, ta có thể thấy rằng ước lượng phân tầng có phương sai nhỏ hơn so với ước lượng Monte
Carlo "thô", thật vậy :(chú ý rằng các X i,ni , i = 1, ..., d độc lập (có điều kiện))
!
d d d
σ2 pi
Var X strart,n = Var ∑ pi .X i,ni = ∑ p2i . i = ∑ pi σi2
i=1 i=1 n i i=1 n i
Và từ:
d d
E(Var(X|Y )) = ∑ Var(X|Y = yi ).P(Y = yi ) = ∑ pi σi2 ,
i=1 i=1
2
σ = Var(X) = E(Var(X|Y )) + Var(E(X|Y )) ≥ E(Var(X|Y ))
Nếu E(X|Y ) khác hằng số h.c.c, ta có mệnh đề sau:
Mệnh đề 1.2.4. (Giảm phương sai với các trọng số được lựa chọn tốt)
(a) Với các kí hiệu n1 , ..., nd tồn tại ở trên thì phương sai của ước lượng Monte Carlo phân
tầng nhỏ hơn so với ước lượng Monte Carlo "thô" của µ.
(b) Giả sử rằng tất cả các giá trị của n pi đều là số nguyên. Khi đó, với sự lựa chọn tỉ lệ
phân tầng ni = n pi , phương sai của ước lượng Monte Carlo phân tầng nhỏ hơn thực sự so với
phương sai của ước lượng Monte Carlo "thô" nếu E(X|Y ) không là hằng số hầu chắc chắn.
(c) Việc giảm phương sai lớn nhất là khi chọn:
p i σi
n∗i = n.
∑dj=1 p j σ j
1.2.4 Giảm phương sai bằng cách lấy mẫu có điều kiện
Giả sử rằng:
• E(X|Y ) có thể được tính toán một cách chính xác bằng công thức tích phân đã cho.
14
Chương 1. Cơ sở lý thuyết
• Phân bố của Y được ước lượng bằng phương pháp Monte Carlo (thô).
Bằng việc biến đổi:
ta có một ước lượng Monte Carlo của µ bằng cách lấy mẫu E(X|Y ). Ước lượng Monte Carlo
có điều kiện được tính như sau:
• Lấy mẫu Y n lần để được các giá trị Y1 , ...,Yn ,
• Tính E(X|Yi )
• Đặt:
1 n
X cond,n = ∑ E(X|Yi)
n i=1
Nhận xét thấy rằng X cond,n là ước lượng không chệch. Ta có:
Mệnh đề 1.2.5. Với các kết quả và kí hiệu trên, phương sai của ước lượng Monte Carlo có
điều kiện không vượt quá phương sai của ước lượng Monte Carlo thô. Nếu X|Y khác hằng
số hầu chắc chắn thì bằng việc sử dụng ước lượng Monte Carlo có điều kiện sẽ giảm được
phương sai (lượng phương sai giảm được là σ 2 − σcond
2 ).
từ đây ta có thể tính tích phân xác định thông qua sử dụng N biến ngẫu nhiên độc lập X1 , ..., XN
có phân phối đều trên U[0, 1]d để có ước lượng Monte Carlo thô:
1 N
I N (ω) = ∑ g(Xi(ω))
N i=1
15
Chương 1. Cơ sở lý thuyết
Cụ thể ta xét trường hợp: d = 1, g(x) = x.(1 − x) là một hàm không âm, đối xứng trên
đoạn [0, 1], g(1) = g(0) = 0, maxg(x) = g( 12 ) = 14 . Bây giờ thay vì dùng phân phối đều trên
[0,1]
đoạn [0, 1], thì ta sử dụng phân phối tam giác cho biến ngẫu nhiên X, tức là nó có mật độ xác
suất :
nếu x ≤ 0 hoặc x ≥ 1
0,
f˜(x) = 4x, nếu 0 < x < 21 (1.4)
4 − 4x, nếu 1 ≤ x < 1
2
Hình 1.2:
Khi đó giá trị của tích phân sẽ không thay đổi nếu ta lấy mẫu theo hàm mật độ f˜, ta có:
Z1 Z1
x.(1 − x) ˜
x.(1 − x) dx = f (x) dx
f˜(x)
0 0
X(1−X)
Điều này có nghĩa rằng khi chúng ta sử dụng phân phối mới, chúng ta có mẫu để có
fe(X)
được ước lượng Monte Carlo mới:
1 N Xi (1 − Xi )
I imp = ∑
N i=1 f˜(Xi )
16
Chương 1. Cơ sở lý thuyết
Hình 1.3:
Trong đó, biến ngẫu nhiên X nhận giá trị trong Rd có hàm mật độ là f (x), và giả sử rằng kỳ
vọng của hàm g : Rd → R tồn tại.
Mọi hàm mật độ f˜(x) trên Rd thỏa mãn:
17
Chương 1. Cơ sở lý thuyết
f (x) ˜
Z Z
E(g(X)) = g(x) f (x) dx = g(x) f (x) dx
f˜(x)
(1.6)
f (X)
= Ẽ g(X) = Ẽ(g̃(X))
f˜(X)
1 N 1 N f (Xi )
I imp, f˜,N (g(X)) = ∑ g̃(Xi ) = ∑ g(Xi )
N i=1 N i=1 f˜(Xi )
Trong đó các Xi là độc lập và có phân phối theo hàm mật độ f˜ của mẫu chính.
Nhận xét rằng, ước lượng của mẫu chính là ước lượng không chệch và ước lượng vững.
Phương sai của nó được cho bởi:
2
σimp, f˜,N
= Ṽar(I imp, f˜,N (g(X)))
1 1
Ẽ g̃(X)2 − µ 2
= Ṽar(g̃(X)) =
N N (1.7)
1
Z 2
g(x) f (x)
= f (x) dx − µ 2
N ˜
f (x)
trong đó σ̃imp, f˜,N là độ lệch tiêu chuẩn mẫu của ước lượng mẫu chính.
Nếu g(x) ≥ 0, ∀x ∈ Rd , ta chọn:
f (x).g(x)
f˜(x) = c. f (x).g(x) = R
f (y).g(y) dy
Tuy nhiên nhược điểm của phương pháp là tìm hằng số c bằng phương pháp Monte Carlo, ở
đó: µ = 1c .
18
Chương 1. Cơ sở lý thuyết
Mệnh đề 1.2.6. (Giảm phương sai bằng phương pháp lấy mẫu chính)
Giả sử g(.) là một hàm không âm. Khi đó tồn tại hàm mật độ của mẫu chính f˜ sao cho ta có:
Ṽar I imp, f˜,N (g(X)) < Ṽar I(g(X)N )
với I(g(X)N là ước lượng Monte Carlo của E(g(X)). Hơn nữa, mọi hàm f˜ thỏa mãn tính chất
(1.5) ta có:
Var I(g(X))N − Ṽar I imp, f˜,N (g(X)) =
1 f (x)
Z
= g(x)2 1 − f (x) dx
N f˜(x)
Một số phương pháp phổ biến để có được hàm mật độ của mẫu chính
1. Dịch chuyển hàm mật độ và nguyên lý cực đại .
Ý tưởng của phương pháp này là thay thế f (x) bởi :
f˜(x) = f (x − c)
c = ν∗ − ν
với:
ν ∗ = arg maxx {g(x) f (x)}
Ví dụ 6. (Tính toán chi phí cho các sự kiện tiêu cực có phân phối chuẩn)
Giả sử ta có X ∼ N(0, 1) và chúng ta phải đối mặt với chi phí của g(X) nếu quan sát
các giá trị của X lớn hơn 10. Ví dụ, như là một vụ phá sản của Mỹ hay là một tai nạn nghiêm
trọng ở nhà máy điện hạt nhân.
Nếu bây giờ ta sử dụng ước lượng Monte Carlo thô, thì ngay cả đối với một số lượng N lớn,
cũng không quan sát một giá trị đơn lẻ Xi > 10 , và do đó ước lượng chi phí trung bình
19
Chương 1. Cơ sở lý thuyết
E(g(X)) bằng 0.
Nếu lấy:
g(x) := C.x.1[10,∞) (x)
Do đó, ta lấy: 2
˜f (x) = ϕ0,1 (x − 10) = √1 exp − (x − 10)
2π 2
khi đó có được ước lượng mẫu chính:
1 N
I imp, f˜,N (g(X)) = ∑ C.Xi.1Xi≥10 exp(50 − 10Xi)
N i=1
Chọn tham số c sao cho xác suất có nghĩa trong khoảng [10, ∞) khi mô phỏng các số
ngẫu nhiên theo hàm mật độ chuyển đổi f˜. Đối với biến ngẫu nhiên Xσ có phân bố chuẩn
N (0, σ 2 ), ta có:
P(Xσ ≥ σ ) = 1 − Φ(1) = 0.159
20
Chương 1. Cơ sở lý thuyết
ta có thể chọn σ = 10. Nghĩa là 1/6 các số ngẫu nhiên Xi được tạo ra thuộc khoảng [10, ∞)
và do đó có thể có được ước lượng mẫu chính khác 0.
(xem hình 1.5)
Tuy nhiên, bằng việc chọn σ = 10, ta tăng độ lệch chuẩn của phân bố mẫu lên gấp 10 lần.
Khi đó ta có được ước lượng 8259.10−14 với khoảng tin cậy xấp xỉ 95% là [5956.10−14 , 1056.10−13 ].
Trong khi đó giá trị chính xác là 7659.10−14 thuộc khoảng tin cậy trên, do đó ước lượng này
khá là không ổn định.
3. Lấy mẫu có điều kiện bị hạn chế bởi miền giá trị
Thay điều kiện (1.5) bởi điều kiện sau:
Khi đó xét trên một khoảng [a, b] (ở đây có thể a = −∞, b = +∞), ta có:
f (x)
f{X|X∈[a,b]} (x) =
P(X ∈ [a, b])
Nếu ta chọn mật độ có điều kiện là mật độ của mẫu chính thì sẽ có một hàm tỷ số hợp lý:
f (x)
= P(X ∈ [a, b])
f˜(x)
Điều này cũng giúp ta tính ước lượng của mẫu chính dễ dàng hơn, ta cũng có:
1 N 1 N
I imp, f˜,N (g(X)) = ∑ g̃(Xi ) = P(X ∈ [a, b]) ∑ g(Xi)
N i=1 N i=1
với f˜cond (x) là mật độ thu được bằng cách dịch chuyển có điều kiện mật độ f˜(x).
21
Chương 1. Cơ sở lý thuyết
Ví dụ 8.
Với các giả thiết cho trong ví dụ 6, một điều kiện thuần để dẫn đến ước lượng của mẫu
chính:
N
1
I imp, f˜,N (g(X)) = P (X ∈ [10, ∞)) ∑ C.Xi
N i=1
Tuy nhiên, xác suất xảy ra ước lượng là rất bé và rất khó để phân biệt với 0. Đối với các
phương pháp tiếp cận kết hợp, đầu tiên ta thực hiện một sự thay đổi theo nguyên tắc tối đa
dẫn đến một phân bố chuẩn N(10, 1). Suy ra ước lượng của mẫu chính kết hợp:
1 N 1
I imp, f˜cond ,N (g(X)) = ∑ C.Xi .1Xi ≥10 . exp(50 − 10Xi )
N i=1 2
Kết quả của việc thực hiện kết hợp các phương pháp là kết quả chính xác nhất được minh
họa trong bảng so sánh dưới đây, trong đó giá trị đúng là 7695.10−14 :
Hình 1.4: Mật độ ban đầu f(x) và mật độ dịch chuyển mẫu chính f˜(x)
22
Chương 1. Cơ sở lý thuyết
Hình 1.5: Mật độ ban đầu f(x) và mật độ tỷ lệ mẫu chính f˜(x)
Hình 1.6: Mật độ dịch chuyển f˜(x) và mật độ dịch chuyển có điều kiện f˜cond (x)
1.3 Các quá trình ngẫu nhiên với thời gian liên tục
Quá trình ngẫu nhiên là mô hình toán học của rất nhiều bài toán thực tế xuất hiện trong
khoa học và công nghệ. Nó mô tả sự tiến hóa theo thời gian của một hệ thống chịu sự tác
động của các nhân tố ngẫu nhiên. Tuy nhiên ở đây chúng ta sẽ xem xét các hiện tượng như
giá cổ phiếu, lãi suất và quá trình bảo hiểm, nhưng người ta cũng có thể xem xét các hiện
tượng thiên nhiên như thời tiết hoặc các vấn đề về kỹ thuật như dòng chảy của các hạt tương
tác thông qua một số bộ lọc. Quá trình ngẫu nhiên cũng có thể được xem như một hàm ngẫu
nhiên nào đó và sự mô tả các hàm ngẫu nhiên này thường được thông qua các phương trình
vi phân ngẫu nhiên.
Định nghĩa 1.3.1. Cho (Ω, z, P) là một không gian xác suất với không gian mẫu Ω, σ -
trường F, và độ đo xác suất P. Giả sử I là một tập chỉ số.
(a) Họ {Ft }t∈I của σ -trường con của F với Fs ⊂ Ft nếu s < t; s,t ∈ I, được gọi là một lọc.
23
Chương 1. Cơ sở lý thuyết
(b) Một họ {(Xt , Ft )}t∈I , gồm một lọc {Ft }t∈I và một họ {Xt }t∈I các biến ngẫu nhiên nhận
giá trị trong Rn , sao cho Xt là Ft - đo được, được gọi là một quá trình ngẫu nhiên tương ứng
với lọc {Ft }t∈I .
(c) Với mỗi ω ∈ Ω cố định, tập:
Định nghĩa 1.3.2. Nếu những quỹ đạo mẫu của một quá trình ngẫu nhiên X.(ω) là liên tục
(liên tục phải, liên tục trái) thì ta gọi là một quá trình ngẫu nhiên với thời gian liên tục (liên
tục phải, liên tục trái).
Định nghĩa 1.3.3. (a) Một quá trình ngẫu nhiên {(Xt , Ft )}t∈I được gọi là có gia số độc lập
nếu với mọi r ≤ u ≤ s ≤ t, (r, u, s,t ∈ I) ta có:
(b) Một quá trình ngẫu nhiên {(Xt , Ft )}t∈I được gọi là có gia số "dừng" nếu với mọi
s ≤ t, (s,t ∈ I) ta có:
Xt − Xs ∼ Xt−s
Nhận xét.
Hai tính chất trên sẽ giúp việc phân tích và đặc biệt là mô phỏng quá trình ngẫu nhiên
đơn giản hơn.
• Nếu quá trình ngẫu nhiên X có các gia số độc lập thì nó sẽ cho dự báo kết quả trong tương
lai, tại thời điểm t là Xt .
• Nếu quá trình ngẫu nhiên X có gia số dừng thì các tính chất phân phối của quá trình
không thay đổi theo thời gian. Điều này không có nghĩa là các Xt có cùng phân bố, mà phân
bố của gia số Xt − Xs chỉ phụ thuộc vào sự chênh lệch về thời gian t − s.
Do đó ta sẽ nghiên cứu hai lớp cơ bản của quá trình ngẫu nhiên khái quát hai thuộc tính
này:
• Thuộc tính thứ nhất (với gia số độc lập): là lớp các quá trình Markov mà ở đó phân bố
của các giá trị tương lai của quá trình này chỉ phụ thuộc vào quá khứ thông qua giá trị hiện
tại của nó.
• Thuộc tính thứ hai là của mac-tin-gan, khái quát về ý tưởng của một trò chơi công bằng.
Định nghĩa 1.3.4. Một quá trình ngẫu nhiên {(Xt , Ft )}t∈I nhận giá trị trên Rd , xác định trên
một không gian xác suất (Ω, z, P) được gọi mà một quá trình Markov với phân bố ban đầu
ν nếu ta có:
P(X0 ∈ A) = ν(A), ∀A ∈ B(Rd )
24
Chương 1. Cơ sở lý thuyết
Đặc biệt là, phân bố của các giá trị tương lai của X chỉ phụ thuộc vào quá khứ thông qua
giá trị hiện tại Xt .
Định nghĩa 1.3.5. Một quá trình ngẫu nhiên {(Xt , Ft )}t∈I nhận giá trị thực với E|Xt | < ∞,
∀t ∈ I được gọi là:
(a) một mac-tin-gan trên nếu:
1.3.1 Phương pháp mô phỏng Monte Carlo cho các quá trình ngẫu
nhiên
Khi một quá trình ngẫu nhiên chỉ là một họ các biến ngẫu nhiên, mô phỏng nó có vẻ là
một nhiệm vụ dễ dàng. Tuy nhiên, có một số sự việc và khía cạnh phải được xem xét trước:
• Các phần tử Xt ;t ∈ I của một quá trình ngẫu nhiên thường không độc lập.
• Tập chỉ số I có thể không đếm được, có nghĩa là một mô phỏng hoàn toàn chi tiết của
một quá trình tương ứng là không thể.
• Mục đích của bạn là gì khi mô phỏng quá trình ngẫu nhiên?
···
Giả sử X = {Xt }t∈I là một quá trình ngẫu nhiên và g(X) = g(Xt (ω), t ∈ I) là một hàm.
Giả sử rằng:
µ = E(g(X)) = E(g(Xt ,t ∈ I))
xác định và hữu hạn. Nếu ta có thể mô phỏng một cách độc lập các bản sao:
của quá trình ngẫu nhiên X, thì g(X) chỉ là một biến ngẫu nhiên giá trị thực và ta có thể xác
định được.
Để trình bày hầu hết các mô phỏng quỹ đạo của quá trình ngẫu nhiên (với thời gian liên tục),
chúng ta xem xét một thuật toán sau:
25
Chương 1. Cơ sở lý thuyết
Thuật toán 1.3.6. (Mô phỏng quá trình ngẫu nhiên thời gian liên tục với các quỹ đạo liên
tục)
Giả sử 0 = t0 < t1 < ... < tn = T là một phân hoạch của [0, T ].
Gọi Pk là phân phối có điều kiện của Xtk bởi Xtk−1 .
Khi đó ta thu được quỹ đạo X.(ω) thông qua các bước sau:
1. Đặt X0 (ω) = 0.
2. Cho k = 1 tới n ta có:
(a) Mô phỏng một số ngẫu nhiên Yk với Yk ∼ Pk .
(b) Đặt Xtk (ω) = Xtk−1 (ω) +Yk (ω).
(c) Đặt
t − tk−1
Xt (ω) = Xtk−1 (ω) + Yk (ω), t ∈ (tk−1 ,tk )
tk − tk−1
Định nghĩa 1.3.7. (a) Quá trình ngẫu nhiên giá trị thực {Wt ,t ≥ 0} với các quỹ đạo liên tục
và thỏa mãn các tính chất:
(i) W0 = 0, P − h.c.c.
(ii) Wt −Ws ∼ N(0,t − s) với 0 ≤ s < t.
(iii) Wt −Ws độc lập với Wu −Wr với 0 ≤ r ≤ u ≤ s < t
được gọi là một chuyển động Brown một chiều.
(b) Một chuyển động Brown n - chiều là một quá trình nhận giá trị trên Rn :
với các Wi là các chuyển động Brown một chiều, độc lập.
Định lí 1.3.8. (a) Tất cả các quỹ đạo của chuyển động Brown {Wt }t∈[0,∞) là các hàm theo t
khả vi P − h.k.n.
(b) Đặt:
2n
Zn (ω) := ∑ |Wi/2n (ω) −W(i−1)/2n (ω)|, n ∈ N, ω ∈ Ω
i=1
khi đó ta có:
n→∞
Zn (ω) −−−→ ∞, P − h.c.c
26
Chương 1. Cơ sở lý thuyết
Định lí 1.3.9. (a) Một chuyển động Brown một chiều là một mac-tin-gan.
(b) Một chuyển động Brown với độ lệch µ và độ biến động σ , với µ, σ ∈ R:
Xt := µt + σWt , t > 0
là:
(i) một mac-tin-gan nếu và chỉ nếu µ = 0
(ii) một mac-tin-gan - trên nếu và chỉ nếu µ ≤ 0
(iii) một mac-tin-gan - dưới nếu và chỉ nếu µ ≥ 0
Thuật toán 1.3.10. (Mô phỏng quỹ đạo của chuyển động Brown)
Giả sử 0 = t0 < t1 < ... < tn = T là một phân hoạch của [0, T ]. Khi đó ta sẽ có một quỹ
đạo W.(ω) của một chuyển động Brown một chiều thông qua thuật toán sau:
1. Đặt W0 (ω) = 0.
2. Cho k = 1 tới n :
(a) Mô phỏng biến ngẫu nhiên có phân phối chuẩn tắc Zk
√
(b) Đặt Wtk (ω) = Wtk−1 (ω) + tk − tk−1 Zk
(c) ∀t ∈ (tk−1 ,tk ), đặt:
t − tk−1
Wt (ω) = Wtk−1 (ω) + (Wt (ω) −Wtk−1 (ω))
tk − tk−1 k
Hình 1.7: Mô phỏng các quỹ đạo mẫu của một cầu Brown từ 0 tới 1
27
Chương 1. Cơ sở lý thuyết
Định nghĩa 1.3.11. Giả sử (S, B(S)) là một không gian metric với metric ρ và σ −trường
Borel B(S) của S. Gọi P, Pn , n ∈ N là các độ đo xác suất trên (S, B(S)).
Khi đó, ta nói dãy Pn hội tụ yếu tới P nếu với mỗi hàm f liên tục, bị chặn, nhận giá trị thực
trên S, ta có:
Z Z
n→∞
f dPn −−−→ f dP
S S
Định nghĩa 1.3.12. Giả sử Xn = {Xn (t)}t∈[0,1] là một dãy của quá trình ngẫu nhiên thời gian
liên tục. Ta nói rằng dãy Xn hội tụ yếu ( hay hội tụ theo phân phối ) tới quá trình liên tục X
nếu:
n→∞
E( f (Xn )) −−−→ E( f (X)), ∀ f ∈ C(C[0, 1], R)
Như vậy ta có:
Z Z
E( f (Xn )) = f dPn , E( f (X)) = f dP
hội tụ yếu của quá trình ngẫu nhiên có nghĩa là hội tụ yếu của các phân phối xác suất cơ bản
Pn → P.
Định lí 1.3.13. Giả sử P, Pn , n ∈ N là các độ đo xác suất trên không gian metric (S, B(S))
với metric ρ.
Hơn nữa, gọi h : S → S0 là một ánh xạ đo vào không gian metric S0 với metric ρ 0 và σ −
trường Borel B(S0 ).
Giả sử Dh - tập các điểm gián đoạn của h là một tập không, tức là:
P(Dh ) = 0
Khi đó sự hội tụ theo phân phối được bảo toàn qua ánh xạ h:
n→∞ n→∞
Pn −−−→ P theo phân phối ⇒ Pn .h−1 −−−→ P.h−1 theo phân phối
Nhận xét.
Các ánh xạ liên tục bảo toàn sự hội tụ theo phân phối.
(Rk , B(Rk )) cũng là một không gian xác suất.
Giả sử Xn , X là các quá trình ngẫu nhiên liên tục, giá trị thực.
Cố định k thời điểm: 0 ≤ t1 < ... < tk ≤ 1, theo định lí 1.3.13 ta có:
n→∞
Xn −−−→ X theo phân phối
n→∞
khi đó (Xn (t1 ), ..., Xn (tk )) −−−→ (X(t1 ), ..., X(tk )) theo phân phối
Định lí 1.3.14. (Donsker) Giả sử {ξn }n∈N là một dãy các biến ngẫu nhiên độc lập có cùng
phân phối, với E(ξi ) = 0, 0 < Var(ξi ) = σ 2 < ∞. Đặt:
n
S0 = 0, Sn = ∑ ξn
i=1
28
Chương 1. Cơ sở lý thuyết
Ta xây dựng một dãy Xn của quá trình ngẫu nhiên bởi:
1 1
Xn (t, ω) = √ S[nt] (ω) + (nt − [nt]) √ ξ[nt]+1 (ω), ∀t ∈ [0, 1], n ∈ N
σ n σ n
Khi đó dãy Xn hội tụ yếu tới chuyển động Brown một chiều {Wt }t in[0,1] , tức là ta có:
n→∞
Xn −−−→ W, theo phân phối.
Định lí 1.3.15. Giả sử {Wt }t≥0 là một chuyển động Brown một chiều. Khi đó ta có:
Wt (ω)
lim sup p = 1, P − h.c.c
t→∞ 2t log(log(t))
Wt (ω)
lim inf p = −1, P − h.c.c
t→∞ 2t log(log(t))
Hệ quả 1.3.16. Giả sử Xt = µ.t + σWt , t ≥ 0 là một chuyển động Brown với độ lệch µ và độ
biến động σ . Khi đó ta có:
Xt
lim = µ P − h.c.c
t→∞ t
Định nghĩa 1.3.17. Giả sử {Wt }t∈[0,1] là một chuyển động Brown một chiều , gọi a, b là hai
số thực. Khi đó, quá trình:
T −t t t
Bta,b = a + b + Wt − WT , t ∈ [0, T ]
T T T
được gọi là một cầu Brown từ a tới b.
Mệnh đề 1.3.18. Một cầu Brown từ a tới b thỏa mãn tính chất:
t2
a,b t
Bt ∼ N a + (b − a),t −
T T
và giả sử rằng ∑Y−1 tồn tại, ta có phân phối chuẩn có điều kiện d1 - chiều của X|Y = y :
X|Y = y ∼ N µX + ∑XY ∑Y−1 (y − µY ), ∑X − ∑XY ∑Y−1 ∑Y X
29
Chương 1. Cơ sở lý thuyết
Mệnh đề 1.3.21. Giả sử W là một chuyển động Brown một - chiều, a, b ∈ R, 0 < s < t < u.
Khi đó phân phối có điều kiện của Wt bởi (Wu ,Ws ) được cho như sau:
(u − t)a + (t − s)b (u − t)(t − s)
Wt |(Wu = b,Ws = a) ∼ N ,
u−s u−s
Định nghĩa 1.3.22. Giả sử {(Wt , Ft )|t ∈ [0, T ]} là một chuyển động Brown một chiều trên
không gian xác suất (Ω, F, P).
(a) Một quá trình ngẫu nhiên {Xt }t∈[0,T ] được gọi là một quá trình đơn giản nếu tồn tại các
số thực 0 = t0 < t1 < . . . < t p = T, p ∈ N và các biến ngẫu nhiên bị chặn Φi : Ω → R, i=
0, 1, . . . , p, với:
30
Chương 1. Cơ sở lý thuyết
Hình 1.8: Mô phỏng các quỹ đạo mẫu của một cầu Brown từ 0 tới 1 (n = 100)
(b) Với một quá trình đơn giản {Xt }t∈[0,T ] và t ∈ (tk ,tk+1 ], tích phân ngẫu nhiên hay tích phân
Itô I.(X) được định nghĩa như sau:
Zt
It (X) := Xs dWs := ∑ Φi (Wti −Wti−1 ) + Φk+1 (Wt −Wtk )
0 1≤i≤k
Định lí 1.3.23. (Những tính chất cơ bản của tích phân ngẫu nhiên)
Giả sử X là một quá trình đơn giản. Khi đó ta có:
(a) {(It (X), Ft )}t∈[0,T ] là một mac-tin-gan liên tục, cụ thể ta có:
(b) Phương sai của tích phân Itô được xác định như sau:
2
Zt Zt
E Xs dWs = E Xs2 dWs ∀t ∈ [0, T ]
0 0
Định nghĩa 1.3.24. Giả sử {(Xt , Gt )}t∈[0,∞) là một quá trình ngẫu nhiên. Nó được gọi là đo
được lũy tiến nếu ∀t ≥ 0 ánh xạ:
31
Chương 1. Cơ sở lý thuyết
Hình 1.9: Hàm bậc thang, chuyển động Brown và tích phân Itô tương ứng
Định nghĩa 1.3.25. Một quá trình ngẫu nhiên {(Xt , Ft )}t≥0 được gọi là mac-tin-gan địa
phương nếu tồn tại một dãy các thời điểm dừng τn , n ∈ N thỏa mãn:
n→∞
τn (ω) −−−→ ∞, ∀ω ∈ Ω, P − h.k.n
n o
(n)
sao cho quá trình dừng X̂t , Ft xác định bởi:
t≥0
là các mac-tin-gan. Mỗi một dãy thời điểm dừng được gọi là một dãy địa phương.
Định nghĩa 1.3.26. Giả sử {(Wt , Ft )}t∈[0,∞) là một chuyển động Brown m - chiều, m ∈ N .
(a) Một quá trình ngẫu nhiên {(Xt , Ft )}t∈[0,∞) :
Zt m Z
t
X(t) = X(0) + K(s) ds + ∑ H j (s) dW j (s)
j=1
0 0
với X(0) F0 − đo được, {K(t)}t∈[0,∞) và {H(t)}t∈[0,∞) là các quá trình đo được lũy tiến, với:
Zt Zt
|K(s)| ds < ∞, Hi2 (s) ds < ∞ P − h.c.c
0 0
32
Chương 1. Cơ sở lý thuyết
Định nghĩa 1.3.27. Giả sử X và Y là hai quá trình Itô giá trị thực có dạng:
Zt Zt
X(t) = X(0) + K(s) ds + H(s) dW (s),
0 0
Zt Zt
Y (t) = Y (0) + L(s) ds + M(s) dW (s).
0 0
Khi đó, một hiệp phương sai bậc hai của X và Y được định nghĩa như sau:
t
m Z
< X,Y >t := ∑ Hi (s).Mi (s) ds
i=1
0
Trường hợp đặc biệt, < X >t :=< X, X >t được gọi là biến phân bậc hai của X
Zt Zt
Xt = X0 + Ks ds + Hs dWs
0 0
Giả sử f : R → R là một hàm khả vi liên tục đến cấp 2. Khi đó, với mọi t ≥ 0 ta có:
Zt Zt
0 1
f (Xt ) = f (X0 ) + f (Xs ) dXs + . f 00 (Xs ) d < X >s
2
0 0
Zt
1
= f (X0 ) + ( f 0 (Xs ).Ks + . f 00 (Xs ).Hs2 ) ds
2
0
Zt
+ f 0 (Xs ).Hs dWs P − h.c.c
0
(Nói riêng, f (Xt ) cũng là một quá trình Itô và tất cả các tích phân trên được xác định)
Zt m Z
t
Xi (t) = Xi (0) + Ki (s) ds + ∑ Hi j (s) dW j (s) i = 1, . . . , n,
j=1
0 0
33
Chương 1. Cơ sở lý thuyết
1.3.4.1 Các kết quả cơ bản của phương trình vi phân ngẫu nhiên
Định nghĩa 1.3.30. Một nghiệm (mạnh) X(t) của phương trình vi phân ngẫu nhiên :
(với b : [0, ∞) × Rd → Rd , σ : [0, ∞) × Rd → Rd,m là các hàm số cho trước) là một quá trình
liên tục d− chiều {(X(t), Ft )}t≥0 trên không gian xác suất (Ω, F, P) thỏa mãn :
X(0) = x
Zt m Z
t
Xi (t) = xi + bi (s, X(s)) ds + ∑ σi j (s, X(s)) dW j (s),
j=1
0 0
Zt
!
m
|bi (s, X(s))| + ∑ σi2j (s, X(s)) ds < ∞
j=1
0
P − h.c.c, ∀t ≥ 0, i ∈ {1, . . . , d} .
Nhận xét.
Hai ví dụ đơn giản của phương trình vi phân ngẫu nhiên ứng dụng trong tài chính là:
• Phương trình tuyến tính thuần nhất một chiều:
34
Chương 1. Cơ sở lý thuyết
Định lí 1.3.31. (Tính tồn tại và duy nhất nghiệm của phương trình vi phân ngẫu nhiên )
Giả sử b(t, x), σ (t, x) là các hệ số của phương trình vi phân ngẫu nhiên (1.9) là các hàm
liên tục thỏa mãn điều kiện Lipschitz:
||b(t, x) − b(t, y)|| + ||σ (t, x) − σ (t, y)|| ≤ K||x − y|| (1.10)
và
với C = C(K, T ) và T > 0. Hơn nữa, X(.) là duy nhất, tức là: nếu Y (.) là một nghiệm khác
của (1.9) thì ta có:
P (X(t) = Y (t), ∀t ≥ 0) = 1
P − h.c.c, j = 1, . . . , m.
Khi đó phương trình vi phân ngẫu nhiên tuyến tính một chiều tổng quát là:
m
dX(t) = (A(t)X(t) + a(t))dt + ∑ (S j (t)X(t) + σ j (t))dW j (t), X(0) = x
j=1
trong đó :
Zt Zt
1
Z(t) = exp A(u) − ||S(u)||2 du + S(u) dW (u)
2
0 0
là nghiệm duy nhất của phương trình thuần nhất :
35
Chương 1. Cơ sở lý thuyết
Định lí 1.3.33. (Phương trình vi phân ngẫu nhiên tuyến tình thuần nhất đa chiều)
Giả sử {(W (t), Ft )}t∈[0,∞) là một chuyển động Brown m - chiều.
Giả sử x ∈ Rn , A, S j là các ma trận cỡ n × n thỏa mãn:
AS j = S j A và S j Sk = Sk S j , j, k = 1, . . . , m
Khi đó phương trình vi phân ngẫu nhiên tuyến tính thuần nhất:
m
dZ(t) = AZ(t)dt + ∑ S j Z(t)dW j (t), Z(0) = Z0
j=1
với các quá trình hệ số không đổi ( hệ số hằng) có nghiệm duy nhất sau:
! !
1 m m
Z(t) = Z0 exp A − ∑ (S j )2 t + ∑ S jW j (t)
2 j=1 j=1
k (1.12)
∞ A − 12 ∑mj=1 (S j )2 t + ∑mj=1 S jW j (t)
= Z0 ∑
k=0 k!
Định lí 1.3.34. (Phương trình vi phân ngẫu nhiên tuyến tính đa chiều)
Giả sử {(W (t), Ft )}t∈[0,∞) là một chuyển động Brown m - chiều.
Giả sử x ∈ Rn , A, S j là các ma trận giá trị đo được lũy tiến cỡ n × n , và a, σ j là các quá trình
nhận giá trị trên Rn với:
Zt Zt
j2 j2
(|Aik (s)| + |ai (s)|) ds < ∞, (Sik (s) + σi (s)) ds < ∞
0 0
∀t ≥ 0 P − h.c.c; i, k = 1, . . . , n; j = 1, . . . , m.
Khi đó phương trình vi phân ngẫu nhiên tuyến tính tổng quát n - chiều :
m
dX(t) = (A(t)X(t) + a(t)) dt + ∑ S j (t)X(t) + σ j (t) dW j (t) (1.13)
j=1
X(0) = x (1.14)
với Z(t) là nghiệm duy nhất của phương trình thuần nhất:
m
dZ(t) = A(t)Z(t)dt + ∑ S j (t)Z(t)dW (t), Z(0) = I
j=1
36
Chương 1. Cơ sở lý thuyết
Định nghĩa 1.3.35. Giả sử X(t) là nghiệm duy nhất của phương trình (1.9) với điều kiện
(1.10) và (1.11). Với f : Rd → R, f ∈ C2 (Rd ), toán tử At , được xác định bởi :
1 d d
∂2 f d
∂f
(At f )(x) := ∑ ∑ aik (t, x) (x) + ∑ bi (t, x) (x)
2 i=1 k=1 ∂ xi ∂ xk i=1 ∂ xi
với
m
aik (t, x) = ∑ σi j (t, x)σk j (t, x)
j=1
Nhận xét. 1. Với X(t) = W (t), giải phương trình dX(t) = dW (t), X(0) = 0. Khi đó:
1 1 d ∂2
∆= ∑
2 2 i=1 ∂ xi2
37
Chương 1. Cơ sở lý thuyết
|g(t, x)| ≤ L 1 + ||x||2λ , L > 0, λ ≥ 1 hoặc g(t, x) ≥ 0, (1.19)
Giả sử v(t, x) : [0, T ] × Rd → R là một nghiệm liên tục của bài toán Cauchy (1.16) với v ∈
C1,2 ([0, T ] × R). Kí hiệu At trong phương trình (1.16) là toán tử đặc trưng của nghiệm duy
nhất X(t) của phương trình vi phân ngẫu nhiên (1.9), với các hệ số liên tục b, σ thỏa mãn
điều kiện (1.10), bi (t, x), σi j (t, x) : [0, ∞) × Rd → R i = 1, . . . , d; j = 1, . . . , m.
Nếu v(t, x) thỏa mãn điều kiện:
Chú ý rằng, v(t, x) là nghiệm duy nhất của phương trình (1.16) thỏa mãn điều kiện (1.20)
có nghiệm X(t) = f (t,W (t)) với f là một hàm liên tục, giá trị thực. Giả sử Yn với:
iT
Yn (t) = f (t,W (t)) nếu t = ∀i = 0, 1, . . . , n
n
là xấp xỉ của X và được mở rộng với mọi t ∈ [0, T ] bằng phép nội suy tuyến tính.
Khi đó, với mỗi hàm đo được, bị chặn g : C[0, T ] → R ta có:
n→∞
E(g(Yn )) −−−→ E(g(X))
38
Chương 1. Cơ sở lý thuyết
Ta rời rạc hóa khoảng thời gian [0, T ] bằng cách tạo một phân hoạch:
i) Ta nói Y δ (t) hội tụ yếu về X(t) tại thời điểm T khi δ ↓ 0 đối với lớp C các hàm tiêu chuẩn
g nếu
δ
lim E (g(X(T ))) − E g(Y (T )) = 0, ∀g ∈ C
δ ↓0
39
Chương 1. Cơ sở lý thuyết
thì đều tồn tại hằng số dương c < ∞ không phụ thuộc vào δ đồng thời tồn tại δ0 ∈ R+ sao
cho:
E(g(X(T ))) − E(g(Y δ (T )))| ≤ c.δ β , ∀δ ∈ [0, δ0 ] ∀g ∈ C
Giả sử có quá trình Wiener m− chiều Wt = Wt1 , . . . ,Wtm ,t ≥ 0 , các sơ đồ số được trình
bày sau đây cho phép tìm xấp xỉ Taylor cho quá trình Itô d− chiều {Xt ,t ∈ [0, T ]} thỏa mãn
phương trình vi phân ngẫu nhiên Itô tổng quát có dạng:
m
j
dXt = a(t, Xt )dt + ∑ b j (t, Xt )dWt (1.22)
j=1
trong đó
Xt1 X01 a1 b11 · · · b1m
. . . . ..
i
Xt = .. ; X0 = .. ; a = .. ; b = b1 · · · bm = .. . . .
h
.
Xt d X0 d a d b d1 ··· b dm
tức là thành phần thứ k của quá trình Itô Xt trên thỏa mãn:
Zt m Z
t
Xtk = X0k + k
a (s, Xs ) ds + ∑ bk j (s, Xs ) dWsj
j=1
0 0
Tất cả các sơ đồ số sẽ được trình bày có những khái niệm và ký hiệu chung như sau:
• Đặt các toán tử:
d
∂0 k ∂ 1 d d d
kj lj ∂2
L = +∑ a + ∑ ∑ ∑ b b
∂t k=1 ∂ xk 2 k=1 l=1 j=1 ∂ xk ∂ xl
d
∂
Lj = ∑ bk ( j = 1, . . . , m)
k=1 ∂ xk
• Xét phân hoạch cách đều: 0 = t0 < t1 < · · · < tn < · · · < tN = T có bước thời gian là:
T
∆ = tn+1 − tn = , ∀n ∈ {0, . . . , N − 1}
N
• Gọi xấp xỉ Taylor của quá trình Itô {Xt ,t ∈ [0, T ]} là quá trình ngẫu nhiên liên tục
{Y (t),t ∈ [0, T ]} có:
Y (tn ) = Yn ;Y0 = X0
40
Chương 1. Cơ sở lý thuyết
• Dùng ký hiệu cho tích phân Itô lặp trên khoảng thời gian [tn ,tn+1 ] như sau:
tZn+1 Zs2
I( j1 ,..., jl ) = ... dWsj11 . . . dWsjl l
tn tn
Wt0 = t, ∀t ≥ 0
Trường hợp 1: Số chiều của quá trình Wiener và quá trình Itô là m = d = 1 thì sơ đồ Euler
- Maruyama (cũng được gọi là sơ đồ Euler) cho (1.22) có dạng:
với Y0 = X0 ; ∆ = tn+1 − tn = NT ; ∆W = Wtn+1 −Wtn ∼ N(0, ∆) là số gia của quá trình dừng
Wiener Wt trên [tn ,tn+1 ].
Trường hợp 2: Với m = 1 và d ∈ {1, 2, . . .}, thành phần thứ k của sơ đồ Euler - Maruyama
cho (1.22) có dạng:
k
Yn+1 = Ynk + ak (tn ,Yn )∆ + bk (tn ,Yn )∆W (k = 1, . . . , d)
Trường hợp 3 (tổng quát): Với m ∈ {1, 2, . . .} và d ∈ {1, 2, . . .}, thành phần thứ k của sơ đồ
Euler - Maruyama cho (1.22) có dạng:
m
k
Yn+1 = Ynk + ak (tn ,Yn )∆ + ∑ bk j (tn ,Yn )∆W j (k = 1, . . . , d)
j=1
j j
với ∆W j = Wtn+1 − Wtn ∼ N(0; ∆) ( j ∈ {1, . . . , m}) là số gia của thành phần thứ j của quá
trình Wiener m−chiều Wt trên [tn ,tn+1 ], các số gia ∆W j1 và ∆W j2 ( j1 6= j2 ) độc lập với nhau.
Ví dụ 9.
Cho {Wt ;t ≥ 0} là quá trình Wiener 1 - chiều và {Xt ,t ∈ [0, T ]} là quá trình Itô 1 - chiều
thỏa mãn phương trình vi phân ngẫu nhiên tuyến tính:
41
Chương 1. Cơ sở lý thuyết
Tương ứng với phân hoạch cách đều có bước thời gian ∆ của [0, T ], sơ đồ Euler - Maruyama
cho Xt xấp xỉ như sau:
Yn+1 = Yn + 2Yn ∆ +Yn ∆W
(1.25)
Y0 = X0
Cho T = 1, X0 = 1 ta có một quỹ đạo mô phỏng của nghiệm đúng (với bước thời gian dt =
2−8 ) và một quỹ đạo mô phỏng của xấp xỉ Euler - Maruyama (với bước thời gian ∆ = Dt =
16dt = 2−4 ).
1.4.2.2 Sơ đồ Milstein
Trường hợp 1: Số chiều của quá trình Wiener và quá trình Itô là m = d = 1, ta thêm vào sơ
đồ Euler - Maruyama (1.24) số hạng
1
bb0 I(1,1) = bb0 (∆W )2 − ∆
2
thì thu được sơ đồ Milstein cho (1.22) :
1
Yn+1 = Yn + a(tn ,Yn )∆ + b(tn ,Yn )∆W + b(tn ,Yn )b0 (tn ,Yn ) (∆W )2 − ∆
2
Thực hiện tương tự trong các trường hợp nhiều chiều ta nhận được:
Trường hợp 2: Với m = 1 và d ∈ {1, 2, . . .}, thành phần thứ k của sơ đồ Milstein cho (1.22)
có dạng:
k
Yn+1 = Ynk + ak (tn ,Yn )∆ + bk (tn ,Yn )∆W
!
1 d l ∂ bk
(∆W )2 − ∆ (k = 1, . . . , d)
+ ∑ b l
2 l=1 ∂ x
42
Chương 1. Cơ sở lý thuyết
Trường hợp 3 (tổng quát): Với m ∈ {1, 2, . . .} và d ∈ {1, 2, . . .}, thành phần thứ k của sơ
đồ Milstein cho (1.22) có dạng:
m
k
Yn+1 = Ynk + ak (tn ,Yn )∆ ∑ bk j (tn ,Yn )∆W j
j=1
m m
+ ∑ ∑ L j1 bk j2 (tn ,Yn )I( j1 , j2 ) (k = 1, . . . , d)
j1 =1 j2 =1
Tương ứng với phân hoạch cách đều có bước thời gian ∆ của [0, T ], sơ đồ Milstein cho Xt xấp
xỉ như sau:
Yn+1 = Yn + 2Yn ∆ +Yn ∆W + 1 Yn (∆W )2 − ∆
2
(1.26)
Y0 = X0
Cho T = 1, X0 = 1 ta có một quỹ đạo mô phỏng của nghiệm đúng (với bước thời gian dt =
2−8 ) và một quỹ đạo mô phỏng của xấp xỉ Milstein (với bước thời gian ∆ = Dt = 16dt = 2−4 ).
43
Chương 2
Toán tài chính chủ yếu liên quan tới các vấn đề:
Mô hình của sự tiến hóa của các quá trình tài chính như giá cổ phiếu, lãi suất, lạm phát, tỷ
giá hối đoái, hoặc là giá cả hàng hóa.
Giá cả dẫn đến những khái niệm cơ bản như giá cổ phiếu, lãi suất, hoặc là hàng hóa.
Tối ưu hóa danh mục đầu tư, tức là tìm kiếm các chiến lược đầu tư tối ưu.
Đo lường và quản lý rủi ro.
Trong chương này, chúng tôi giới thiệu những vấn đề cơ bản chính của mô hình giá cổ
phiếu, lựa chọn giá, và mô hình lãi suất, cùng với các ứng dụng của phương pháp Monte
Carlo.
44
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
45
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
∀i = 1, . . . , n với {(W (t), Ft ,t ∈ [0, T ])} là một chuyển động Brown n - chiều.
Trong đó, các hệ số thị trường µ (trung bình độ dịch chuyển) và σ (độ biến động) là các quá
trình Ft − bị chặn, đo được lũy tiến.
Ta cũng giả sử rằng σ là ma trận đơn vị xác định dương:
với c là hằng số dương nào đó. Theo phương trình vi phân ngẫu nhiên tuyến tính, phương
trình giá cổ phiếu có nghiệm duy nhất Si (t) cho như sau:
Zt t
!
n n Z
1
Si (t) = si exp µi (s) − ∑ σi,2 j (s) ds + ∑ σi, j (s) dW j (s) (2.2)
2 j=1 j=1
0 0
Thêm vào đó là những rủi ro trong đầu tư cổ phiếu, có thể là không rủi ro trong đầu tư trái
phiếu ( hoặc tốt hơn là một tài khoản ngân hàng ), sự phát triển đó qua thời gian được điều
chỉnh bởi phương trình:
Ở đây quá trình lãi suất r(t) được giả sử rằng bị chặn và đo được lũy tiến tương ứng với lọc
Ft .
Với mô hình giá cổ phiếu đầu tiên này, chúng ta sẽ giới thiệu những nhà đầu tư vào thị
trường của mình bằng cách chỉ rõ những hoạt động và diễn biến của họ. Những hoạt động có
thể xảy ra của nhà đầu tư là:
1. Tái cân bằng các cổ phần, tức là có thể bán cổ phiếu và đầu tư tiền vào mua các cổ
phiếu khác. Hành động này được mô phỏng bởi quá trình danh mục đầu tư hoặc theo chiến
lược kinh doanh.
2. Việc tiêu thụ phần tài sản của nhà đầu tư được thiết lập thông qua quá trình tiêu thụ.
46
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
Định nghĩa 2.1.1. Giả sử {(B(t), Ft )t∈[0,T ] } là một chuyển động Brown n - chiều. Giả sử
rằng ta có một thị trường nơi mà cổ phiếu và trái phiếu được giao dịch với diễn biến giá cả
được cho bởi các phương trình (2.1) và (2.3).
(a) Một chiến lược kinh doanh ϕ là một quá trình đo được lũy tiến nhận giá trị trên Rn+1 :
sao cho các tích phân sau được xác định và hữu hạn:
ZT ZT
ϕ0 (t) dB(t), ϕi (t) dSi (t), i = 1, . . . , n
0 0
Giá trị x := ϕ0 (0) + ∑ni=1 ϕi (0)si được gọi là giá trị ban đầu của ϕ hay là tài sản ban đầu
của nhà đầu tư.
(b) Giả sử ϕ là một chiến lược kinh doanh với giá trị ban đầu x > 0. Quá trình :
n
X(t) := ϕ0 (t)B(t) + ∑ ϕi (0)(t)Si (t)
i=1
được gọi là quá trình tổng sở hữu tương ứng với ϕ, với tài sản ban đầu x.
(c) Một quá trình đo được lũy tiến không âm c(t) với:
ZT
c(t) dt < ∞ P − h.c.c
0
Zt n Zt Zt
X(t) = x + ϕ0 (s) dB(s) + ∑ ϕi (s)Si (s) dSi (s) − c(s) ds P − h.c.c
i=1
0 0 0
(e) Giả sử (ϕ, c) là một cặp tự tài trợ bao gồm một chiến lược kinh doanh và một quá trình
tiêu thụ, với một quá trình tổng sở hữu tương ứng X(t) > 0 P − h.c.c, ∀t ∈ [0, T ]. Khi đó
một quá trình nhận giá trị trên Rn :
ϕi (s)(t)Si (t)
với πi (t) = X(t) , được gọi là một quá trình danh mục đầu tư tự tài trợ tương ứng với
(ϕ, c)
47
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
Nhận xét. 1. Quá trình danh mục đầu tư biểu thị các phần phân đoạn của tổng tài sản đầu tư
vào các cổ phiếu khác nhau. Do đó các phần của tài sản đầu tư vào trái phiếu được cho bởi:
ϕ0 (t).B(t)
1 − π(t)0 1 = ; 1 := (1, . . . , 1)0 ∈ Rn
X(t)
2. Các yêu cầu đặc biệt thỏa mãn các giả thiết của các hệ số thị trường là với P − h.c.c ta có:
ZT
|ϕ0 (t)| dt < ∞
0
n ZT
∑ (ϕi (t).Si (t))2 dt < ∞, với i = 1, . . . , n.
j=1
0
Định nghĩa 2.1.2. Một cặp tự tài trợ (ϕ, c) hay (π, c) bao gồm một chiến lược kinh doanh ϕ
hoặc một quá trình danh mục đầu tư π và một quá trình tiêu thụ gọi là chấp nhận được đối
với tổng sở hữu ban đầu x > 0, nếu quá trình tổng sở hữu tương ứng thỏa mãn:
Tập các cặp chấp nhận được (π, c) với tài sản ban đầu x được ký hiệu là A (x)
Trong mô hình Black - Scholes, các hệ số thị trường µi , σi j được giả sử là các hằng số, điều
này dẫn đến giá trái phiếu và cổ phiếu có dạng:
! !
n n
1
Si (t) = si exp µi ∑ σi,2 j + ∑ σi, jW j (t) (2.6)
2 j=1 j=1
! !
n
Var(Si (t)) = s2i . exp(2µit) exp ∑ σi2j t − 1 (2.8)
j=1
n
Cov(ln(Si (t)), ln(S j (t))) = ∑ σik σ jkt (2.9)
k=1
48
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
Như vậy rõ ràng là giá cổ phiếu là một hàm theo thời gian và chuyển động Brown: f (t,W (t)).
Xét phương trình vi phân ngẫu nhiên với một cổ phiếu:
dt và dB(t) là các hàm bậc nhất của S1 (t) (giá của một cổ phiếu tại thời điểm t), µ và σ là
các hằng số.
Lời giải của phương trình (2.10) là một quá trình ngẫu nhiên S1 (t) = S1 (t, ω) có dạng :
σ2
S1 (t) = S1 (0). exp σ Bt + µ − t (2.11)
2
Quá trình S1 (t) này được gọi là một chuyển động Brown hình học, S1 (0) là giá cổ phiếu được
quan sát tại thời điểm t = 0.
2.1.2 Xác định các tham số µ và σ của chuyển động Brown hình học
S(t)
Nhận xét rằng, nếu ta có thể ước lượng các tham số µ và σ thì sẽ ước lượng được giá S1 (0)
của cổ phiếu tại thời điểm t.
Giả sử xét giá cổ phiếu S1 (t) trong một khoảng thời gian quan sát [0, T ] .
Nếu 0 = t0 < t1 < . . . < tn = T là một phân hoạch của [0, T] với n khoảng đều như nhau có
độ dài ∆t = ti − ti−1 , ∀i = 0, . . . , n, thì giả sử là đã biết giá chứng khoán tại thời điểm cuối
ti+1 của mỗi khoảng nhỏ [ti ;ti+1 ]. Vậy ta có n + 1 quan sát S1 , S2 , . . . , Sn+1 .
Bước 1. Tạo ra một dãy số liệu:
Z1 , Z2 , . . . , Zn là một dãy số. Theo công thức của chuyển động Brown hình học (2.11) ta có
biểu thức:
σ2
Zi = σ (Bti +1 − Bti ) + µ − ∆t (2.13)
2
Bước 2. Tìm trung bình và phương sai của dãy số liệu Z1 , Z2 , . . . , Zn theo công thức thống kê:
• Trung bình mẫu: Z̃ = n1 ∑ni=1 Zi ,
1
2
• Phương sai mẫu: S2 = n−1 ∑ni=1 Zi − Z̃
Đó là những ước lượng cho trung bình và phương sai lý thuyết của biến ngẫu nhiên Z mà
thể hiện là (Z1 , Z2 , . . . , Zn ). Nếu chỉ căn cứ vào biểu thức (2.13) thì ta tính ra trung bình và
phương sai của Z sẽ là:
2
• Trung bình: µ − σ2 ∆t
49
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
• Phương sai: σ 2 ∆t
Bước 3. Giải các phương trình sau đây đối với µ và σ :
σ2
Z̃ = µ − ∆t
2
S2 = σ 2 ∆t
Ta sẽ được:
2
Z̃ + S2 S
µ= và σ=√
∆t ∆
Ví dụ 11.
Giá cổ phiếu KSS (Tổng Công Ty Cổ Phần Khoáng Sản NaRi Hamico) lúc đóng cửa
trong khoảng thời gian từ ngày 29/02/2012 đến ngày 17/05/2012 được thống kê lại gồm 40
số liệu như sau (tính theo đơn vị một nghìn Việt Nam đồng (1000 vnđ)):
7, 8 8, 1 8, 2 8, 1 7, 8 8, 1 8, 4 8, 2 8, 5 8, 9
9, 3 9, 4 9, 5 9, 1 8, 8 8, 4 8, 3 8, 7 8, 5 8, 9
8, 9 8, 6 9.0 9.4 9.8 10, 2 11, 2 11, 7 12, 2 12, 8
13, 4 12, 7 13, 3 12, 7 12, 1 11, 9 12, 4 11, 8 11, 3 10, 8
Bằng các công thức trên, ta tính được:
Z̃ = 0, 0083442
S = 0, 04
Khi đó theo công thức (2.11), giá một cổ phiếu vào bất kỳ một ngày t nào đó sẽ được ước
lượng bởi:
S̃1 (t) = S1 (0).e0,76Bt +3,0512t
50
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
Trong mục này ta chỉ xét trên thị trường tuyến tính với định lí về các thị trường đầy đủ. Ta có
các kí hiệu:
Zt
γ(t) := exp − r(s) ds , θ (t) := σ −1 (t)(b(t) − r(t).1)
0
Zt Zt
1
Z(t) := exp − θ (s)0 dW (s) − ||θ (s)||2
2
0 0
H(t) := γ(t).Z(t)
θ (t) có thể được hiểu như là một loại phí bảo hiểm rủi ro tương đối trong đầu tư chứng khoán.
Quá trình H(t) dương, liên tục và đo được lũy tiến, sẽ đóng một vai trò quan trọng trong việc
kết nối với quyền chọn giá. Hơn nữa nó là nghiệm duy nhất của phương trình:
(b) Giả sử B ≥ 0 là một biến ngẫu nhiên FT - đo được, và c(t), ∀t ∈ [0, T ] là một quá trình
tiêu thụ thỏa mãn :
ZT
x := E H(T )B + H(s)c(s) ds < ∞ (2.15)
0
Khi đó tồn tại một quá trình đầu tư π(t), t ∈ [0, T ], với (π, c) ∈ A (x) và quá trình tổng sở
hữu X(t) tương ứng thỏa mãn:
51
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
Người ta có thể mua "một cơ hội mua một cổ phần chứng khoán trong tương lai với một
giá đảm bảo trước". Cái quyền cho phép có thể mua (mà không bắt buộc phải mua) như vậy
trong tương lai được gọi là Quyền Chọn Mua.
Các điều kiện của hợp đồng này là:
52
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
• Đến ngày đáo hạn , người mua hợp đồng có thể trả cho người bán hợp đồng số tiền bằng
giá thực thi của hợp đồng.
• Nếu người bán hợp đồng nhận số tiền giá thực thi do người mua trả, thì người bán phải
giao một cổ phần chứng khoán cho người mua vào ngày đáo hạn.
Gần như lúc nào cũng vậy, hợp đồng quyền chọn mua sẽ được xếp đặt sao cho người bán phải
trả cho người mua khoản chệnh lệch giữa giá cổ phiếu và giá thực thi.
Gọi ST là giá của cổ phiếu tại thời điểm t = T trong tương lai và K là giá thực thi vào ngày
đáo hạn. Khi đó số tiền mà người mua hợp đồng quyền chọn phải trả là:
Người ta có thể mua một cơ hội được phép bán một cổ phần chứng khoán trong tương lai
với một giá đảm bảo, ngay cả khi mà người ta không sở hữu bất kỳ một cổ phiếu nào cả. Đó
là nội dung của các hợp đồng Quyền Chọn Bán hay gọi tắt là Quyền Chọn Bán.
Các điều kiện của quyền chọn bán:
• Đến ngày đáo hạn, người giữ hợp đồng này có thể đưa cho người viết một cổ phần chứng
khoán, hoặc tương đương, một số tiền theo giá thị trường lúc ấy của một cổ phần chứng
khoán.
• Nếu người viết hợp đồng nhận cổ phần chứng khoán hoặc số tiền tương đương do người
giữ hợp đồng giao cho, thì anh ta phải trả chi phí thực thi cho người giữ hợp đồng vào ngày
đáo hạn của hợp đồng.
Thông thường thì với hợp đồng quyền chọn bán này, thì hoặc là hợp đồng không được thực
thi, hoặc là người viết hợp đồng sẽ trả cho người giữ hợp đồng một khoản chênh lệch giữa
giá thực thi và giá chứng khoán vào ngày đáo hạn.
Gọi ST là giá chứng khoán lúc đáo hạn và K là giá thực thi, khi đó ta có thể nói rằng thu
hoạch của người giữ quyền bán này là:
Lý thuyết hiện đại của định giá quyền chọn bắt đầu với các luận án Theorie de la
Sp0 eculation của L. F. Bachelier. Do đó, với mô hình giá cổ phiếu là một chuyển động Brown
với độ biến động, Bachelier muốn có lý thuyết giá cho quyền chọn cho các cổ phiếu để so
sánh chúng với giá thực tế trên thị trường. Ông đề nghị sử dụng giá trị kỳ vọng của các tài
53
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
khoản được chọn giá thanh toán để định giá quyền chọn.
Bước đột phá quyết định hình thức định giá quyền chọn hiện đại có được là công thức
Black - Scholes của Fischer Black và Myron Scholes (1973).
2.2.2.2 Định giá quyền chọn thông qua các nguyên tắc đáp ứng để bảo hộ
Định giá quyền chọn trong một chu kỳ của mô hình nhị thức
Xét một thị trường bao gồm các trái phiếu và cổ phiếu với các ngày giao dịch là 0 và T . Quá
trình giá trái phiếu được cho bởi:
Còn giá cổ phiếu bắt đầu với tài sản cơ sở S(0) và có thể đạt được hai giá trị d.S(0) hoặc
u.S(0) với d < u.
Giả sử xác suất để S(T ) = uS(0) bằng p; p ∈ (0, 1). Ở đây ta cần có điều kiện:
để giảm nguy cơ rủi ro không cần thiết cho đầu tư vốn ban đầu, được gọi là các cơ hội kinh
doanh có độ chênh lệch thị giá .
Ví dụ 12.
Ta xem xét một quyền chọn mua trong mô hình nhị thức với giá thực thi K = 100 và ngày
đáo hạn T = 1. Chọn u = 1.2 ; d = 0.95 và r = 0. Khi đó kết quả thu được như sau:
Theo dự kiến, mức giá được đề xuất này phụ thuộc rất nhiều vào khả năng thành công p.
Nguyên nhân chính của vấn đề này là cán cân thanh toán cuối cùng của quyền chọn có thể
đạt được bằng cách làm theo một chiến lược kinh doanh tự tài trợ phù hợp của cổ phiếu và
trái phiếu. Nguyên tắc tổng hợp xây dựng các quyền chọn này được gọi là nguyên tắc đáp
ứng để bảo hộ giá.
Ta phải xác định chiến lược kinh doanh (ϕ0 (0), ϕ1 (0)) để có:
54
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
Sau đó ta định nghĩa giá quyền chọn Ĉ của quyền chọn mua với vốn ban đầu tại t = 0 để mua
chiến lược đáp ứng để bảo hộ giá (ϕ0 (0), ϕ1 (0)) :
Ĉ = ϕ0 (0)B(0) + ϕ1 (0)S(0)
ϕ0 (0).1 + ϕ1 (0).120 = 20
ϕ0 (0).1 + ϕ1 (0).95 = 0
Định giá quyền chọn trong mô hình thị trường khuếch tán tuyến tính
Định nghĩa 2.2.1. Một cặp (ϕ, c) tự tài trợ và chấp nhận được, bao gồm một chiến lược kinh
doanh ϕ và một quá trình tiêu thụ c, được gọi là một cơ hội kinh doanh chênh lệch thị giá
nếu quá trình tổng sở hữu tương ứng thỏa mãn:
ZT
P(X(T ) > 0) > 0 hoặc P c(t) dt > 0 > 0
0
Định nghĩa 2.2.2. Một quyền chọn phái sinh (quyền phụ thuộc) (kiểu Châu Âu) (g, B) bao
gồm một quá trình tỷ lệ trả cổ tức g(t) {Ft }t - đo được lũy tiến, t ∈ [0, T ], g(t) ≥ 0 và một sự
thanh toán đầu cuối B ≥ 0 Ft - đo được tại thời điểm t = T với:
µ
ZT
E g(t) dt + B < ∞ với mỗi µ > 1
0
55
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
Định nghĩa 2.2.3. (a) (π, c) ∈ A (x) được gọi là một chiến lược đáp ứng để bảo hộ của một
quyền chọn phái sinh (g, B) nếu ta có:
trong đó X(t) là quá trình tổng sở hữu tương ứng với (π, c).
(b) Tập các chiến lược đáp ứng để bảo hộ của giá x được định nghĩa:
(c) Mức giá công bằng (có thể chấp nhận được) p̂g,B của quyền chọn phái sinh (g, B) được
định nghĩa là:
p̂g,B := inf{p|D(p) 6= 0}
/
Sự tồn tại của một chiến lược đáp ứng để bảo hộ được đảm bảo bởi định lí về thị trường
đầy đủ. Theo phần (b) của định lí cũng cho thấy một biểu thức của mức giá công bằng:
ZT
x̃ = B H(t)B + H(t)g(t) dt
0
Định lí 2.2.4. (Mức giá công bằng của một chiến lược đáp ứng để bảo hộ)
Mức giá công bằng của một quyền chọn phái sinh (g, B) được cho bởi:
ZT
p̂g,B = E H(T )B + H(t)g(t) dt < ∞ (2.18)
0
và tồn tại duy nhất một chiến lược đáp ứng để bảo hộ giá (π̂, ĉ) ∈ D( p̂g,B ). Khi đó quá trình
tổng sở hữu X̂(t) (cũng được gọi là quá trình định giá của (g, B) ) được cho bởi:
ZT
1
X̂(t) = E H(T )B + H(s)g(s) ds|Ft (2.19)
H(t)
t
56
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
S1 (t)
+ r + 12 σ 2 (T − t)
ln K
d1 (t) = √ (2.21)
σ T −t
√
d2 (t) = d1 (t) − σ T − t (2.22)
Rx −u2 /2
Trong đó Φ là hàm phân phối của một phân bố chuẩn tắc Φ(x) = √1 e du.
2π −∞
(b) Mức giá P(t) tại thời điểm t của một quyền chọn bán (kiểu Châu Âu) với giá ấn định
K > 0 và thời điểm đáo hạn T được cho bởi:
trong đó d1 (t) và d2 (t) được xác định trong công thức (2.21) và (2.22)
Giả sử ta cần định giá một Quyền chọn mua (kiểu Châu Âu) (chỉ được thực thi vào lúc
đáo hạn) cổ phiếu KSS trong tháng 4/2012.
Giá thực thi K = 10800VNĐ
Giá cổ phiếu tại thời điểm t = 0 là S1 (0) = 7800VNĐ
Khoảng thời gian đến khi đáo hạn (kỳ hạn) T = 40/365
Lãi suất không rủi ra r = 0, 0334
Độ biến động σ = 0, 76
• Tính d1 (0) =?
2
7800
+ 0, 0334 + (0,76) 40
ln 10800 2 . 365
d1 (0) = q = −1, 15
40
0, 76. 365
57
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
• Tính d2 (0) =?
√
r
40
d2 (0) = d1 (0) − σ T = −1, 15 − 0, 76. = −1, 4
365
• Tính Φ(d1 (0)) =?
Φ(d1 (0)) = Φ(−1, 17) = 0, 1251
• Tính giá quyền chọn mua theo công thức Black Scholes :
40
C = 7800.0, 1251 − 10800.e−0,0334. 365 .0, 0808 = 109, 140083
Như vậy bên mua quyền phải trả cho bên bán quyền mức phí là 109, 140083VNĐ cho một
cổ phiếu.
Mục đích cơ bản của bất kỳ công việc kinh doanh nào là tạo ra lợi nhuận cho các chủ sở
hữu của nó và cổ tức là cách thức quan trọng nhất để việc kinh doanh thực hiện được nhiệm
vụ này. Khi công việc kinh doanh của công ty tạo ra lợi nhuận, một phần lợi nhuận được tái
đầu tư vào việc kinh doanh và lập quỹ dự phòng, phần lợi nhuận còn lại được chi trả cho các
cổ đông được gọi là cổ tức. Trong thị trường thực tế, cổ tức là một tính năng hấp dẫn nhà đầu
tư chứng khoán.
Một xấp xỉ phổ biến được sử dụng bởi các nhà nghiên cứu là có một dòng cổ tức liên tục,
tức là có một dòng thanh toán liên tục được cho bởi δ S1 (t)dt . Điều này dẫn đến một phương
trình giá cổ phiếu trong thị trường trung hòa các rủi ro:
Khi đó dòng cổ tức được trả cho các nhà nắm giữ cố phiếu chứ không phải các chủ sở hữu
quyền chọn, ta có công thức Black - Scholes sửa đổi với các cổ tức liên tục bằng cách thay
S1 (t) bởi e−δt S1 (t) :
58
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
với S(T ) = (S1 (T ), . . . , Sn (T )). Để có được g phải lưu ý rằng dạng của giá cổ phiếu trong mô
hình Black - Scholes chỉ ra rằng S(T ) = h(W (T )) với:
! !
n n
1
hi (x) = si . exp r − ∑ σi2j T + ∑ σi j x j
2 j=1 j=1
Thuật toán 2.3.1. (Định giá Monte - Carlo cho quỹ đạo độc lập của các quyền chọn châu
Âu)
Giả sử f (S(T )) = g(W (T )) là hình thức thanh toán cuối cùng của quyền chọn.
1. Đặt p̂B,N = 0.
2. Cho i = 1 tới N:
(a) Mô phỏng Z (i) ∼ N (0, I)
√
(b) Tính toán B(i) = g T Z (i) .
(c) Đặt p̂B,N = p̂B,N + B(i) .
3. Đặt p̂B,N = N1 e−rT p̂B,N .
Xét giao dịch chứng khoán (giả sử ta chỉ xét một cổ phiếu) với các dữ liệu sau:
S1 (0) = 7800 : giá cổ phiếu tại thời điểm t = 0;
K = 10800 : giá thực thi quyền chọn;
T = 40/365: thời gian cho đến lúc đáo hạn;
σ = 0, 76: độ biến động giá của cổ phiếu;
r = 0, 0334 : lãi suất không rủi ro.
Xét giá quyền chọn mua C(t) của cổ phiếu trên.
Ta có giá của một cổ phiếu tại thời điểm t ∈ [0, T ] là:
1 2
S1 (t) = S1 (0)eσ Bt +(r− 2 σ )t
59
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
Bây giờ ta tính giá quyền chọn mua (kiểu Châu Âu) theo các cách sau:
• Theo công thức Black - Scholes (BS), giá quyền chọn mua C(T ) tại thời điểm đáo hạn T
tương ứng với giá cổ phiếu S1 (0) là :
trong đó:
S1 (0)
+ r + 12 σ 2 T
ln K
d1 (0) = √
σ T
√
d2 (0) = d1 (0) − σ T
• Tính giá quyền chọn mua theo công thức sau (Monte Carlo thô):
bởi :
1h 1 2
i
S2 (T ) = S1 (T ) + S1 (0)e−σ BT +(r− 2 σ )T
2
Sau đó tính lại giá quyền chọn theo công thức:
; Chọn Y = S1 (T ) là biến điều khiển thay cho X = BT , và đặt Φ = C là giá quyền chọn mua,
khi đó ước lượng quyền chọn mua với biến điều khiển là:
1 n
σX,Y rT
∑ Φi − σ 2 .[Si(T ) − S1(0).e ]
n i=1 Y
• Với phân hoạch cách đều có bước thời gian ∆ của [0, T ], sơ đồ Euler - Maruyama cho
S1 (t) xấp xỉ như sau:
Xn+1 = X( n) + µXn ∆ + σ Xn ∆W
X0 = S1 (0)
60
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
• Tương ứng với phân hoạch cách đều có bước thời gian ∆ của [0, T ], sơ đồ Milstein
cho S1 (t) xấp xỉ như sau:
Xn+1 = Xn + µXn ∆ + σ Xn ∆W + 1 σ 2 Xn (∆W )2 − ∆
2
X0 = S1 (0)
Ta có bảng so sánh giá quyền chọn mua giữa các cách như sau với N là số lần chạy mô phỏng:
N 100 1000 10.000 100.000 1.000.000
BS 109,140083 109,140083 109,140083 109,140083 109,140083
MC thô 176,112485 113,424036 112,328918 109,986739 109,819432
Đ.Khiển 152,005891 112,633492 105,146414 109,030462 109,101387
X.khắc 100,538768 113,920034 109,667655 109,342090 109,130872
Euler 140,828034 118,732510 116,072852 109,551844 109,265161
Milstein 139,395874 118,280122 116,482965 109,274821 109,168719
Bảng 2.1 ( BS: Tính theo công thức Black - Scholes;MC thô: Ước lượng theo phương
pháp Monte Carlo thô; Đ.Khiển: Ước lượng theo phương pháp biến điều khiển; X.Khắc: Ước
lượng theo phương pháp biến xung khắc; Milstein: Xấp xỉ Milstein; Euler: Xấp xỉ Euler)
Hình 2.1:
61
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
Hơn nữa, để chứng minh mô hình Black - Scholes không thỏa mãn tất cả các mô hình
kinh tế thực tế ta sử dụng khái niệm biến động bề mặt .
Biến động bề mặt và công thức Black - Scholes
Trong công thức Black - Scholes, một quyền chọn mua một cổ phiếu riêng lẻ:
với di (t), i = 1, 2 được xác định như trong phương trình (2.21) và (2.22); biến động σ là tham
số duy nhất không quan sát được. Ta có thể ước lượng từ giá thị trường của một quyền chọn
62
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
mua hay từ các thông tin thực tế thông qua công thức:
S(t + ∆t)
Var ln = σ 2 ∆t
S(t)
Nếu giả sử rằng tất cả các tham số K, r, T cố định cho trước, trong công thức Black -
Scholes, với các giá trị dương của σ , thì σ tăng thực sự, do đó tồn tại một giá trị duy nhất
σ ∗ sao cho công thức Black - Scholes cung cấp các mức giá lý thuyết bằng với mức giá thị
trường trong các quyền chọn bán cụ thể.
Ta gọi σ ∗ là biến động ngụ ý của giá quyền chọn bán .
Để đánh giá việc định giá quyền chọn được giải thích bằng mô hình Black - Scholes,
người ta xem xét đến các đường biến động ngụ ý hay tại các bề mặt biến động ngụ ý . Đối
với một đường biến động ngụ ý, ta xem xét các quyền chọn mua (hoặc bán) với thời gian đáo
hạn T cố định và giá thực hiện K thay đổi hoặc là giá thực hiện cố định K và thay đổi thời
gian đáo hạn. Khi đó, quan sát giá thị trường và sử dụng công thức Black - Scholes để tính
các biến động ngụ ý cho các quyền chọn mua với thời gian đáo hạn T cố định được cho bởi:
∗
pmarket
call (Ki ; T ) = C(0; σ (Ki ), Ki , T ) (2.26)
Vế trái của phương trình là giá thị trường của một quyền chọn mua với giá thực hiện Ki .Vế
phải của phương trình là giá được tính theo công thức Black - Scholes với giá thực hiện Ki ,
thời gian đáo hạn T . Từ phương trình (2.28) ta có hàm số:
được gọi là đường biến động với thời gian đáo hạn T cố định.
Trong các trường hợp mà ta xét, các đường hay các bề mặt biến động không được tạo ra
từ mô hình Black - Scholes. Để giải quyết các vấn đề này, người ta giới thiệu các mô hình
phức tạp hơn. Hai trong các mô hình này là mô hình biến động địa phương và mô hình biến
động ngẫu nhiên. Mục đích của các mô hình này là tạo ra các quyền chọn giá mà các đường
cong biến động hoặc các bề mặt biến động được tạo ra bắt trước sự tồn tại của các giá thực
tế.
63
Kết luận
Luận văn "Phương pháp mô phỏng Monte Carlo và ứng dụng vào toán tài chính" tập
trung nghiên cứu vấn đề sau:
1.Trình bày một cách hệ thống cách mô phỏng Monte Carlo và các cách cải tiến phương
pháp mô phỏng Monte Carlo.
2. Trình bày lý thuyết các quá trình ngẫu nhiên với thời gian liên tục và áp dụng phương
pháp số để mô phỏng nghiệm của các phương trình vi phân ngẫu nhiên.
3. Trình bày mô hình Black Scholes trong định giá quyền chọn bằng lý thuyết và ứng
dụng mô phỏng Monte Carlo để ước lượng giá cổ phiếu và định giá quyền chọn. Tác giả đã
thu thập một bộ dữ liệu thật và dùng nhiều phương pháp khác nhau để tính toán, sau đó so
sánh các kết quả chạy máy này với kết quả do lý thuyết chứng minh được.
Mặc dù đã rất cố gắng, nhưng do vấn đề được đề cập trong luận văn là tương đối phức tạp
và do thời gian có hạn, vì vậy luận văn không tránh khỏi những thiếu sót. Tác giả luận văn
mong muốn nhận được sự góp ý kiến của thầy cô và các bạn đồng nghiệp để luận văn được
hoàn chỉnh hơn.
64
Phụ lục
65
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
R=chol(sigma);z=repmat(mu,n,1)+randn(n,3)*R;X=[];CMC=[];
for i=1:n
X=[X z(i,1)*z(i,2)*z(i,3)-z(i,1)-z(i,2)-z(i,3)];
CMC=[CMC z(i,1)*z(i,2)*z(i,3)];
end
Y=mean(X)+3;
S = 1/(n − 1) ∗ sum((X + 3 −Y )2 );
epsilon=1.96*sqrt(S)/sqrt(n);
fprintf(’Gia tri cua uoc luong la: fprintf(’Khoang tin cay voi do tin cay 95 la:( Y=mean(CMC);
S = 1/(n − 1) ∗ sum((CMC −Y )2 );
epsilon=1.96*sqrt(S)/sqrt(n);
fprintf(’Gia tri cua uoc luong dung Crude Monte-Carlo la:
fprintf(’Khoang tin cay voi do tin cay 95 la:n’,Y-epsilon,Y+epsilon);
5. Hình 1.2 và 1.3 trang 16, 17
xx=[0:0.001:1] ;yy=zeros(size(xx));
for i=1:length(xx)
yy(i)=feval(@fun38,xx(i));
end
figure(1);
axis([0 1 0 0.3]);
set(gca,’XTick’,0:0.25:1);
set(gca,’XTickLabel’,’0’,’0.25’,’0.5’,’0.75’,’1’);
set(gca,’YTick’,0:0.05:0.3);
set(gca,’YTickLabel’,’0’,’0.05’,’0.1’,’0.15’,’0.2’,’0.25’,’0.3’);
plot(xx,yy,’b’,’LineWidth’,2);
title(’Fig 3.8:Integrand x(1-x)’);
hold off;
for i=1:length(xx)
yy(i)=feval(@ftilde,xx(i));
end
figure(2);
plot(xx,yy,’r’); title(’Fig 3.9:Sampling density f*(x)’);
6. Bảng kết quả trang 17
clear;format long;
N=input(’Nhap so lan mo phong:=’);
X=rand(1,N);
I=[];CMC=[];
66
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
for i=1:N
Xi=feval(@invF,X(i));
temp=Xi*(1-Xi)/feval(@ftilde,Xi);
I=[I temp];
temp=X(i)*(1-X(i));
CMC=[CMC temp];
end
int=mean(I);
S = 1/(N − 1) ∗ sum((I − int)2 );
epsilon=1.96*sqrt(S)/sqrt(N);
fprintf(’Gia tri voi
fprintf(’Khoang tin cay voi do tin cay 95 phan tram la:(
Y=mean(CMC);
S = 1/(N − 1) ∗ sum((CMC −Y )2 );
epsilon=1.96*sqrt(S)/sqrt(N);
fprintf(’Gia tri cua uoc luong dung Crude Monte-Carlo la:
fprintf(’Khoang tin cay voi do tin cay 95 la:(
7. Ví dụ 6 trang 19
format longe;
N=input(’Nhap so lan mo phong:’);
C=1e+9;
X=10+1.*randn(1,N);
Y=rand(1,N);
I=[];CMC=[];
for i=1:N
if X(i)>=10
temp=C*X(i)*exp(50-10*X(i));
else temp=0;
end
I=[I temp];
if Y(i)>=10
temp=C*Y(i);
else temp=0;
end
CMC=[CMC temp];
end
int=mean(I);
67
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
68
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
format longe;
N=input(’Nhap so lan mo phong:’);
X=10+randn(1,N);Y=[];Z=rand(1,N);
u=rand(1,N);
I=[];C=1e+9;CMC=[];
for i=1:N
i f u(i) <= f eval(@ f cond, X(i))/(2 ∗ f eval(@norm101 , X(i) − 10))
Y=[Y X(i)];
end
if Z(i)>=10
temp=C*Z(i);
else temp=0;
end
CMC=[CMC temp];
end
for i=1:length(Y)
if Y(i)>=10
temp=C*Y(i)*0.5*exp(50-10*Y(i));
else
temp=0;
end
I=[I temp];
end
int=mean(I);
S = 1/(N − 1) ∗ sum((I − int)2 );
epsilon=1.96*sqrt(S)/sqrt(N);
fprintf(’Gia tri voi
fprintf(’Khoang tin cay voi do tin cay 95 phan tram la:(
K=mean(CMC);
S = 1/(N − 1) ∗ sum((CMC − K)2 );
epsilon=1.96*sqrt(S)/sqrt(N);
fprintf(’Gia tri cua uoc luong dung Crude Monte-Carlo la:
fprintf(’Khoang tin cay voi do tin cay 95 la:(
10. Hình 1.4, 1.5 trang 22, 23
xx=-5:0.01:15;
yy=zeros(size(xx));
for i=1:length(xx)
69
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
figure(2);
yy=zeros(size(xx));
for i=1:length(xx)
yy(i) = f eval(@norm101 , xx(i));
end
plot(xx,yy,’r’);
hold on;
for i=1:length(xx)
yy(i) = 1/10 ∗ f eval(@norm101 , xx(i)/10);
end
plot(zeros(size(xx)), [0 : 0.5/(length(xx) − 1) : 0.5],0 b0 );
hold on;
plot(xx,yy,’b’);
legend(’original’,’scaled importance’)
title(’Fig 3.11’);
11. Hình 1.6 trang 23
xx=5:0.001:15;
yy=zeros(size(xx));
xlabel(’x’);
ylabel(’y’);
70
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
71
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
72
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
C=zeros(1,1);
if S11t(1)-K >=0
expec=[expec exp(-r*T)*(S11t-K)];
else expec=[expec 0];
end
S11 = 0.5 ∗ (S10 ∗ exp(sigma ∗W (1 : R : n + 1) + (mu − 0.5 ∗ sigma2 ) ∗ T ) + S10 ∗ exp((mu −
0.5 ∗ sigma2 ) ∗ T ) ∗ (1 + sigma ∗ (−W (1 : R : n + 1))));
S11t=S11;
if S11t(1)-K >=0
expec=[expec exp(-r*T)*(S11t-K)];
else expec=[expec 0];
end
Control=[Control expec];
for i=1:1
d1 = (log(S10(i)/K) + (r + 0.5 ∗ sigma2 ) ∗ T )/(sigma ∗ sqrt(T ));
d2 = d1 − sigma ∗ sqrt(T );
C(i) = S10(i) ∗ f eval(@phi, d1) − K ∗ exp(−r ∗ T ) ∗ f eval(@phi, d2);
end
formula=[formula C(1)];
Y=zeros(steps,1);
Y0=7800; Yold=Y0;
for i=1:steps
Y(i) = Yold + delta *f(Yold) + g(Yold)*sum(dW((R*(i-1)+1):R*i));
Yold=Y(i);
end
Y=[Y0;Y];
S11t=Y;
if S11t(1)-K >=0
expec=[expec exp(-r*T)*(S11t-K)];
else expec=[expec 0];
end
Euler=[Euler expec];
X=zeros(steps,1);
X0=7800;Xold=X0;
for i=1:steps
X(i) = Xold + delta ∗ f (Xold) + g(Xold) ∗ sum(dW ((R ∗ (i − 1) + 1) : R ∗ i))...
+0.5 ∗ g(Xold) ∗ gprime(Xold) ∗ ((sum(dW ((R ∗ (i − 1) + 1) : R ∗ i)))2 − delta);
73
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
Xold = X(i);
end
X=[X0;X];S11t=X;
if S11t(1)-K >=0
expec=[expec exp(-r*T)*(S11t-K)];
else expec=[expec 0];
end
Milstein=[Milstein expec];
end
16. Hình 2.1 trang 62
T=40/365; K=10800;r=0.05;
format long;
n = 28 ; dt=T/n; S10=7800;
dW=sqrt(dt)*randn(1,n);
W=cumsum(dW); mu=3.34;sigma=0.76;
W=[0 W];f=@(x) mu*x; g=@(x) sigma*x; gprime=@(x) sigma; R=4; delta=R*dt;
tt=0:delta:T; steps=n/R;
S11t = S10∗exp(sigma∗W (1 : R : n+1)+(mu−(0.5∗sigma2 )/2)∗tt); C=zeros(1,length(S11t));
for i=1:length(S11t)
d1 = (log(S11t(i)/K) + (r + 0.5 ∗ sigma2 ) ∗ (T − tt(i)))/(sigma ∗ sqrt(T − tt(i)));
d2 = d1 − sigma ∗ sqrt(T − tt(i));
C(i) = S11t(i) ∗ f eval(@phi, d1) − K ∗ exp(−r ∗ (T − tt(i))) ∗ f eval(@phi, d2);
end
plot(tt,C,’-*r’);
hold on;
X=zeros(steps,1);X0=7800; Xold=X0;
for i=1:steps
X(i) = Xold + delta ∗ f (Xold) + g(Xold) ∗ sum(dW ((R ∗ (i − 1) + 1) : R ∗ i));
Xold=X(i);
end
X=[X0;X];
S11t=X;C=zeros(1,length(S11t));
for i=1:length(S11t)
d1 = (log(S11t(i)/K) + (r + 0.5 ∗ sigma2 ) ∗ (T − tt(i)))/(sigma ∗ sqrt(T − tt(i)));
d2 = d1 − sigma ∗ sqrt(T − tt(i));
C(i) = S11t(i) ∗ f eval(@phi, d1) − K ∗ exp(−r ∗ (T − tt(i))) ∗ f eval(@phi, d2);
end
74
Chương 2. Ứng dụng của phương pháp Monte Carlo vào các mô hình tài chính
plot(tt,C,’-*g’);
X=zeros(steps,1);
Xold=X0;
for i=1:steps
X(i) = Xold + delta ∗ f (Xold) + g(Xold) ∗ sum(dW ((R ∗ (i − 1) + 1) : R ∗ i))...
+0.5 ∗ g(Xold) ∗ gprime(Xold) ∗ ((sum(dW ((R ∗ (i − 1) + 1) : R ∗ i)))2 − delta);
Xold=X(i);
end
X=[X0;X];S11t=X;C=zeros(1,length(S11t));
for i=1:length(S11t)
d1 = (log(S11t(i)/K) + (r + 0.5 ∗ sigma2 ) ∗ (T − tt(i)))/(sigma ∗ sqrt(T − tt(i)));
d2 = d1 − sigma ∗ sqrt(T − tt(i));
C(i) = S11t(i) ∗ f eval(@phi, d1) − K ∗ exp(−r ∗ (T − tt(i))) ∗ f eval(@phi, d2);
end
plot(tt,C,’-*b’);
75
Tài liệu tham khảo
[1] Nguyễn Văn Hữu (chủ biên), Đào Hữu Hồ, Hoàng Hữu Như(2004), Thống kê toán học,
Nhà xuất bản Đại Học Quốc Gia Hà Nội.
[2] Nguyễn Quý Hỷ(2002), Phương pháp mô phỏng số Monte Carlo, Nhà xuất bản Đại
Học Quốc Gia Hà Nội.
[3] Trần Hùng Thao(2003), Nhập môn toán học tài chính, Nhà xuất bản Khoa Học và Kỹ
Thuật.
[4] Đặng Hùng Thắng(2005), Quá trình ngẫu nhiên và tính toán ngẫu nhiên, Nhà xuất bản
Đại Học Quốc Gia Hà Nội .
[5] Nguyễn Duy Tiến, Vũ Việt Yên(2000), Lý thuyết xác suất, Nhà xuất bản Giáo Dục.
[6] Nguyễn Duy Tiến (chủ biên), Đặng Hùng Thắng(2001), Các mô hình xác suất và ứng
dụng. Phần II: Quá trình dừng và ứng dụng, Nhà xuất bản Đại Học Quốc Gia Hà Nội.
0
[7] D. Applebaum(2004), LevyProcessandStochasticCalculus, Cambridge University
Press. Cambridge. UK .
[10] R. Korn, E. Korn và G. Kroisandt(2010), Monte Carlo methods and models in Finance
and Insurance, CRC Press, Taylor & Francis Group. New York. USA .
[11] R. Korn và E. Korn(2001), Option Pricing and Portfolio Optimization, Graduate Stud-
ies in Mathematics. American Mathematical Society, Providence,Rhode Island. USA.
..
[12] P. Jackel(2003), Monte Carlo methods in Finance, Wiley. Chichester. UK.
[13] R. Y. Rubinstein(1981), Simulation and the Monte Carlo Method, Wiley. NewYork.
USA.
76