Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Sia dato uno spazio di probabilità (Ω; F; P). Inoltre, sia data una successione ε 1; ε 2; …. ; ε n di variabili aleatorie,
denominate con (ε n)n che siano indipendenti ed identicamente distribuite e tali che, per ogni i, si ha P(ε i = 1) = P(ε i
n
= -1) = ½. Definiamo il processo stocastico (a tempo discreto) (Xn)n dato da X0 = 0; Xn = ∑ ε per ogni n ≥ 1.Tale
i
i=1
processo di dice passeggiata aleatoria simmetrica.
Per ogni 0 ≤ m < n si possono definire gli incrementi di un SRW (Xn)n dati da
c F . Durante Il moto browniano 2
sono indipendenti;
• per ogni k ≥ 0 e n ≥ 1 le v.a.
X n +k − X n e X n
h anno la stessa distribuz ione di probabilità (infatti, entrambe le v.a. sono
som m a di n v.a. di tipo "i ).
I llust riamo ora due impor tanti carat teristiche del SRW.
Infat ti, si ha
n
X
X n = X m + "i
i =m+1
e, q u ind i, la con os cenza d e i valori del p rocesso sino al tem po m − 1, non è necessaria
pe r d escrive re il p roce sso al tem po n.
In p ar ticol ar e, per o gni opp urtu n a funzione g pos siamo dire che
E (g(X n ) | X 0, X1, . . . , X m) = E( g(X n ) | X m) ,
ossia il v al or e at teso di g(X n ), cond izionat o alla storia del processo X 0, X 1, . . . ,X m
dipe nd e u n icame nte da l val ore X m.
Pertanto, ne deriva che: gli incrementi sono indipendenti se considerati su intervalli temporali disgiunti, ossia per m≥1
e 0≤n1 <n2 <···<nm, le v.a. Xn2 −Xn1 ,...,Xnm −Xnm-1 sono indipendenti; per ogni k≥0 e n≥1 le v.a. Xn+k − Xn e Xn hanno
la stessa distribuzione di probabilità.
Illustriamo ora due importanti caratteristiche del SRW.
Un SRW è un processo di Markov, ossia per ogni 0 ≤ m < n e per ogni z ∈ Z si ha P(Xn = z | X0,X1,...,Xm) = P(Xn = z |
Xm).
n
Infatti, si ha Xn = Xm + ∑ ε i e, quindi, la conoscenza dei valori del processo sino al tempo m − 1, non è necessaria
i=m+ 1
per descrivere il processo al tempo n. In particolare, per ogni opportuna funzione g possiamo dire che E(g(X n) |
X0,X1,...,Xm) = E(g(Xn) | Xm), ossia il valore atteso di g(Xn), condizionato alla storia del processo X0, X1, . . . , Xm
dipende unicamente dal valore Xm.
Un SRW `e una martingala, ossia per ogni 0 ≤ m < n si ha E(Xn | X0,X1,...,Xm) = Xm.
In altri termini, il valore atteso al tempo n condizionato alla storia del processo X0,X1,...,Xm è dato dall’ultimo valore
osservato Xm . Per provare che il SRW è una martingala, si noti che, per la proprietà di Markov, E(Xn | X0,X1,...,Xm) =
E(Xn | Xm), che si può scrivere come
n
dove l’ultima uguaglianza dipende dal fatto che Xm è osservato e ∑ ε i è indipendente da Xm. Quindi
i=m+ 1
E(Xn |X0,X1,...,Xm)=Xm +0=Xm.
IL MOTO BROWNIANO
Sia (Ω,F,P) uno spazio di probabilità. Sia (Wt)t≥0 un processo stocastico a tempo continuo. Allora (Wt)t≥0 si dice moto
browniano standard se soddisfa le seguenti proprietà: per ogni 0 ≤ s < t, Wt − Ws ∼ N (0, t − s); per ogni n≥1 e per
ogni 0≤t1 <t2 <···<tn le variabii aleatorie Wt2 −Wt1, Wt3 −Wt2,...,Wtn −Wtn-1 sono indipendenti; W(0)=0; per quasi tutti
gli ω ∈ Ω (ossia con probabilità 1) la funzione t → Wt(ω) è continua.
Teorema: Dato un BM (Wt)t≥0, per s, t ≥ 0 risulta Cov(Xs, Xt) = min(s, t). Dimostrazione
Teorema: Dato un BM (Wt)t≥0, per 0 < t1 < t2 < ··· < tn risulta che il vettore aleatorio (Wt1 , . . . , Wtn ) ha una
distribuzione gaussiana n–dimensionale.
Due importanti caratteristiche del BM:
Un BM è un processo di Markov, ossia per ogni 0≤t<T e per ogni x∈R si ha P(WT ≤x|Ws,0≤s≤t) = P(WT ≤x|Wt).
Un BM è una martingala, ossia per ogni 0≤t<T si ha E(WT |Ws ,0≤s≤t)=Wt.
Non derivabilità e variazione quadratica del moto browniano: Con probabilità 1 le traiettorie di un BM non sono
differenziabili in alcun punto, ossia per quasi ogni ω ∈ Ω la funzione t → Wt(ω) non `e derivabile in alcun punto.
Teorema: Con probabilità 1 le traiettorie di un BM non sono a variazione limitata.
Teorema: Con probabilità 1 le traiettorie di un BM sono a variazione quadratica.
Teorema 2.7. Dato un BM (Wt)t≥0, per ogni t > 0 risulta
Moto browniano lineare e geometrico:
Per ogni μ ∈ R e σ > 0 si definisce moto browniano lineare (Brownian motion with drift) il processo stocastico (X t)t≥0
con X0 ∈ R definito da Xt = X0 + μt + σWt,
dove (Wt)t≥0 è un BM. lI coefficiente μ si dice drift, mentre il coefficiente σ si dice coefficiente di volatilità (o di
diffusione).
Si noti che, essendo Xt una trasformazione lineare di Wt ∼ N (0, t), allora anche esso è gaussiano con valore atteso e
2 2
varianza date da E(Xt)=X0 +μt+σE(Wt)=X0 +μt ; V(Xt) = σ V(Wt) = σ t.
Si noti che, per 0 < s ≤ t, risulta Xt −Xs =X0 +μt+σWt −(X0 +μs+σWs)=μ(t−s)+σ(Wt −Ws).
Pertanto, Xt−Xs ∼N(μ(t−s),σ2(t−s)). Si può anche vedere che gli incrementi di un BM con drift sono indipendenti se
considerati su intervalli temporali disgiunti. Inoltre, per quanto attiene la struttura di dipendenza di un BM con drift,
2 2
per ogni s, t > 0 si ha: Cov(Xs,Xt)=Cov(X0 +μs+σWs , X0 +μt+σWt) = Cov(σWs, σWt) = σ Cov(Ws, Wt) = σ min(s, t).
Il BM con drift preserva la proprietà di Markov di un BM. Però, in generale, esso non presenta la proprietà di
martingala. A tal fine, consideriamo che per ogni 0 ≤ s < t, risulta
Per ogni μ ∈ R e σ > 0 si definisce moto browniano geometrico (Geometric Brownian Motion, in breve GBM) il
X
processo stocastico (St)t≥0 con S0 > 0 definito da St =S0exp(μt+σWt)=e t,
dove (Xt)t≥0 è un BM con drift per cui X0 = ln(S0 ). lI coefficiente μ si dice drift, mentre il coefficiente σ si dice
coefficiente di volatilità.