FREIE UNIVERSITT BERLIN

Fachbereich fr Mathematik
Prof. Dr. EHRHARD BEHRENDS.

Ausarbeitung Seminarvortrag
Stochastische Dierentialgleichung & It-Formel

Ngoc Tu Nguyen

0.1 Einleitung
Stochastische Dierentialgleichungen sind in diversen Anwendungsgebieten bedeutend. Im Kontext in dieser Arbeit werden sie benutzt, um beispielsweise die Entwicklungen von Wertpapieren zu beschreiben ( oder um physikalische Teilchenmodelle zu erstellen ). Es wird dabei unterschieden zwischen deterministischen und stochastischen Dierentialgleichungen. Deterministische also gewhnliche Dierentialgleichungen sind schon bekannt und liefern durch passende Techniken die richtige Lsungen. Nicht so einfach sind dagegen die stochastischen Dierentialgleichungen, diese lassen sich nicht so einfach mathematisch sinnvoll denieren. Die stochastische Prozesse wie zB. Brownsche Bewegung sind nirgends

dierenzierbar, daher verwendet man oft die zugehrige Intergralgleichung, die zu einem stochastischen Integral fhrt. In dieser Arbeit wird das stochastische Integral deniert und einige Eigenschaften bzw. Resultate vorgestellt. Der Ausgangspunkt ist folgendes, bei einem Prozess ist die lokale nderung gegeben durch dS (t) = b(S (t), t)dt oder auch kurz geschrieben als S (t) = b(S (t), t). Im Finanzmarkt gibt es nicht nur deterministische Gren sondern auch Zufallsgren, die den Markt interessant machen. Wrde man jetzt die Brownsche Bewegung fr den Streinuss des Preisprozesses nehmen, dann modelliert man die nderung im kleinen Zeitintervall [t, t + dt] durch dBt := Bt+dt Bt und zusammengesetzt bekommt man: dS (t) = b(S (t), t)dt + (S (t), t)dBt b(., .) kann als Driftgeschwindigkeit des Preises interpretiert werden und (., .) bezeichnet Volatilitt des Preises. Da dieser Ausdruck nicht viel Sinn macht, geht man ber zur quivalenten Integralschreibweise und versucht damit weiter zu arbeiten. Die stochastische Integralgleichung ist: S (t) = S (0) +
t

b(S (u), u)du +

(S (u), u)dBu

Das erste Integral ist bekannt, das zweite ist ein stochastisches Integral. Hier stt man auf ein weiteres Problem, denn die Integraltorfunktion ist ein stochastischer Prozess. Mit dem folgenden Ansatz versucht man dieses Problem zu lsen.

0.2 Wiederholung zu Riemann-Stieltjes-Integrale

Das bliche Integral b
a

f (x)dx kann wie folgt approximiert werden:

n 1 i=0

f (xi )(xi+1 xi )

wobei xi eine feine Unterteilung von [a, b] bilden mit a = x0 < x1 < . . . < xn = b. Diese ist die Riemann-Summe. Wenn jetzt noch zustzlich die Wegstcken mit Funktion g

gewichtet werden, dann approximiert diese Rieman-Stieltjes-Summe das entsprechende b Integral a f (x)dg (x). b Satz 0.2.1. i) Ist f stetig und 3 g von beschrnkter Variation, so existiert a f (x)dg (x). 4 b In diesem Fall gilt: | a f dg | sup |f (t)| V (g )
t

ii) Umgekehrt gilt das auch: Ist g : [a, b] R vorgegeben und existiert stetigen f , so ist g von beschrnkter Variation. Beweis. [1, Satz 6.1.2]

b
a

f dg fr alle

Der Versucht klappt damit also nicht ganz, weil die Pfade der Brownschen Bewegung fast sicher nicht von beschrnkter Variation sind. Man kann diesen Ansatz aber gebrauchbar machen, indem man den Ansatz ein wenig modiziert. Das wird im nchsten Abschnitt beschrieben.

0.3 Konstruktion des stochastischen Integrals

Nun der Schlssel fr unser Problem sind die sogenannten einfachen Prozesse der Form t =
n i=1

ti I(ti1 ,ti ] (t),

mit der Zerlegung 0 = t0 < t1 < . . . < tn = t und i Fti1 , was heisst, dass i bezglich Fti1 messbar ist, weiterhin sei t beschrnkt. Wir bezeichnen S den Raum aller einfachen vorhersehbaren Prozessen. Es gilt:
t

u dMu :=

in

ti (Mti Mti1 )

Fr einen stohastischen Prozess Mt Ft

0.3.1 It-Integral bezglich der Brownschen Bewegung

Man deniert nun das stochastische Integral bezglich der Brownschen Bewegung Wt : t s dWs := ti (Wti Wti1 ) = It ()
0 i

Bemerkung 0.3.1. It () hat folgende Eigenschaften: 1. Linearitt: It ( + ) = It () + It ( ), , R und , S . 2. It ()t0 ist ein Martingal 3. Die It-Isometrie gilt: E
51 22 t dW s s 0 6

=E

t 2 0 ds

Beweis. (1) Linearitt ist klar. (2) Die Messbarkeit und Integrierbarkeit sind oensichtlich, nun zeigen wir die Martingaleigenschaft. O.b.d.A tk = s, tl = t E[It Is |Ftk ] = E =
C
t

E ti+1 E Wti+1 Wti |Fti |Ftk = 0

=0

u dWu |Ftk = E
!

ki<l

i+1 (Wti+1 Wti |Ftk )

"

Hier werden die Turm- und die Martingaleigenschaft angewendet. 51 22 6 t #!q ! "" 2 $ (3) Es gilt:E =E i ti+1 Wti+1 Wti 0 s dWs Fr die gemischten Terme gilt mit i < j :
! "1 2 11 2 2

E ti+1 tj +1 Wti+1 Wti

Wtj +1 Wtj

= E ti+1 tj +1 Wti+1 Wti E

Hier wird die Turmeigenschaft benutzt und man behlt fr die restlichen Terme:
2 E t Wti+1 Wti i+1

"

Wtj +1 Wtj |Ftj

=0

folglich erhlt man: E

A
t

22 6

2 = E t (ti+1 ti ) i+1

s dWs

B2

2 t i+1

(ti+1 ti ) = E

2 s ds

Bemerkung 0.3.2. Die It-Isometrie kann wie folgt beschrieben werden. I ()L2 (dP ) = L2 (dP dt) S 4

Und nun ist die Idee eine L2 -Approximation. Man deniert eine grere Klasse von Integranden und approximiert einen Integrand aus dieser Klasse durch eine Folge von vorhersehbaren einfachen Prozessen aus dem Raum S .

Denition 0.3.3. Sei W eine Brownsche Bewegung und T > 0 fest, dann ist der L2 (W ) der Raum der quadratintegrierbaren Prozessen wie folgt deniert: L2 (W ) :=
I

: [0, T ] R :

vorhersehbar und E

2 u ds <

Man kann zeigen, dass der Raum L2 (W ) ein Hilbertraum ist und S dicht darin liegt. Lemma 0.3.4. S ist dicht in L2 (W ) und L2 (W ) ist ein Hilbertraum. Beweis. Steele [2003, Kap. 6.6] Das bedeutet, man kann jeden Prozess aus dem L2 (W ) durch eine Folge von Prozessen in S mit L2 -Konvergenz approximieren.

Denition 0.3.5. Sei W Brownsche Bewegung, n eine Folge in S und in L2 (W ), dann wird das It-Integral von bezglich W folgendes deniert: I ( ) = wobei E

t 0 |u

u dWu := lim
n

n |2 du u 0

Satz 0.3.6. It ist wohldeniert. Beweis. Existenz: n ist eine L2 -konvergente Folge, demzufolge auch eine Cauchyfolge, d.h > 0 sodass n m L2 (dP dt) n, m N . Mit der It-Isometrie gilt nun: I ( n ) I ( m ) L2 (dP ) = n m L2 (dP dt) m, n N N N,

n 0

n u dWu

(Limes in L2 (dP ))

Hier kann man schlussfolgern, dass auch I ( n ) eine Cauchyfolge in L2 (dP ) ist und es existiert der L2 -Limes I ( ). Eindeutigkeit:
n S eine weitere L2 -Approximationsfolge fr . Dann gilt: Sei nun

n n ) 2 n I ( n ) I ( L (dP ) = L2 (dP dt) n n 2 n n L (dP dt) L2 (dP dt) + L2 (dP dt) 0

Zuerst die It-Isometrie dann die Dreiecksungleichung fr die Norm angewendet liefert das Ergebnis. Bemerkung 0.3.7. It ist ein L2 -Martingal und die It-Isometrie gilt. Beweis. Das It-Integral It () ist eine Isometrie, das heisst: I ()L2 (dP ) = L2 (dP dt) L2 (W )

Das zeigt man durch L2 -Approximation. Sei L2 (W ) und n S die Approximationsfolge von , sodass n L2 (dP dt) 0. Mit Dreiecksungleichung: L2 (dP dt) n L2 (dP dt) n L2 (dP dt) folgt auch n L2 (dP dt) L2 (dP dt) aus (0.3.1) gilt n L2 (dP dt) = I (n )L2 (dP ) und damit gilt die Behauptung fr n . It ist ein L2 -Martingal: 1) Messbarkeit ist klar 2) Integrierbarkeit: folgt aus It-Isometrie
n I n |F )] = lim n n 3) E(It Is |Fs ) = E [limn (It s n E [(It Is |Fs )] = 0 s

0.4 Lsungen der stochastischen Dierentialgleichung

Zurck zum Ausgangspunkt. Gegeben war die stochastische Dierentialgleichung und man interessiert sich fr deren Lsungen.

0.4.1 Existenz und Eindeutigkeit

Denition 0.4.1. Seien b, : R2 R messbare Funktionen, weiter sei (Wt ) eine Brownsche Bewegung. Der stochastische Prozess (Xt ) hat stetige Pfade und wird auf dem Raum (, E , P) deniert. Auerdem sei Xt adaptiert bezglich der natrlichen Filtration Ft von (Bt ). Die stochastische Dierentialgleichung 6

dXt = b(Xt , t)dt + (Xt , t)dBt mit Anfangswert X0 ist erfllt, wenn fr alle t 0 die Gleichung Xt = X0 + fast sicher gilt. Satz 0.4.2. Die Funktionen b, seien stetig und linear beschrnkt: Es gelte also |b(x, t)| + | (x, t)| C (1 + |x|) fr ein geeignes C und alle x R, 0 t T . Auerdem gelte eine Lipschitzbedingung: |b(x, t) b(y, t)| + | (x, t) (y, t)| D|x y | geeignetes D und alle x, y . Dann gibt es fr vorgegebenes X0 = X dXt = b(Xt , t)dt + (Xt , t)dBt , fr 0 t T . Beweis. Wir skizzieren die Beweisidee. Existenz: Deniere induktiv Prozesse durch Xt X (k+1) := X + Man kann nun zeigen, dass gieren.
1
(0)

b(Xs , s)ds +

(Xs , s)dWs

X0 = X

:= X und
t (k ) (Xs , s)dBs

(k ) b(Xs , s)ds +

X (k )

gegen eine Lsung der Dierentialgleichung konver-

t der Abstand zur Zeit tfr zwei potentielle Lsungen. Eindeutigkeit: Sei (t) := Xt X Man zeigt dann, dass (t) A
t

(s)ds

fr geeignete Konstante A und alle t gilt. Das impliziert, dass verschwindet.

0.4.2 Euler-Maruyama-Verfahren
Wie bei derterministischen Dierentialgleichungen gibt es keinen allgemeinen Ansatz zur Ermittlung der Lsung, aber in der Praxis ist man meisten daran interessiert, der Pfade zu simulieren und dafr ist eine gute Approximation von groer Bedeutung. Die einfachste Art eine stochastische Dierentialgleichung numerisch zu lsen ist das Euler-Maruyama-Verfahren (Vergleich [1, Seite 97.]) Gegeben dXt = b(Xt , t)dt + (Xt , t)dWt mit X0 = x0 Deniere quidistante Stttzstellen mit Schrittweite h. N ist die Simulation einer N (0, 1)-verteilten Zufallsvariablen. Deniere rekursiv (xk ) wie folgt: xk+1 := xk + b(xk , kh)h + (xk , kh) hN

0.5 Die It-Formel

Man fragt sich, was ist die glatte Transformation von einem It-Integral? Bleibt das Ergebnis noch ein It-Integral? Die Antwort liefert uns die It-Formel. Sie ist auch ein wesentliches Hilfsmittel zur Berechnung des It-Integrals. Sei Wt die Brownsche Bewegung, Ut und Yt stochastische Prozesse, sodass Ut Ft und t L2 (W ). Die Pfade von den seien stetig. (Xt )t0 sei das zugehrige stochastische Integral, sodass fast sicher gilt: Xt ( ) = X0 ( ) +
t

Us ( )ds +

s dBs ( )

t := g (t, Xt ) : Sei nun g (t, x) dreimal stetig dierenzierbare Funktion. Wir denieren: X R. Der nchste Satz ist die Antwort auf die Frage oben. Satz 0.5.1. (It-Formel, 1951). Deniere (mit Ut , t , Xt , Bt wie oben) folgendes: 0 := g (0, X0 ) X
g s (s, Xs )

s := U

g 1 2 g + Us x (s, Xs ) + 2 s x2 (s, Xs ) s := s g (s, Xs ) x

t Dann ist X

t t , das zu U
t

1 2

gehrige stochastische Integral.

t ( ) = X 0 ( ) + X t ( ) = X 0 ( )+ t Also: X 0

t ( )ds + U

t dBs ( )
1
t g 0 s x (s, Xs )dBs

t g t 1 2 2g g ( s, X ) ds + U ( s, X ) ds + s s s s x 0 0 2 s x2 (s, Xs )ds+

Beweis. Der Beweis basiert auf die Taylorentwicklung. Mit der Eigenschaft der Teleskopsumme gilt: t = X 0 + X
n 1 j =0

( )

g (tj +1 , Xtj +1 ) g (tj , Xtj )

Wobei gilt 0 = t1 < t2 < t2 < . . . < tn = t eine Unterweilung von [0, t]. g 1 (tj , Xtj )(tj +1 tj ) + (=: j ) s g 2 + (tj , Xtj )(Xtj +1 Xtj ) + (=: j ) x 2g 3 +0.5 2 (tj , Xtj )(tj +1 tj )2 + (=: 0.5j ) s 2g 4 + (tj , Xtj )(tj +1 tj )(Xtj +1 Xtj ) + (=: j ) s x 2g 5 +0.5 2 (tj , Xtj )(Xtj +1 Xtj )2 + (=: 0.5j ) x +Rest

g (tj +1 , Xtj +1 ) g (tj , Xtj ) =

Nun schaut man sich jeden einzelnen Summand an. t g q 1 j : Diese Summe ist eine Riemannsumme und approximiert 0 s (s, Xs )ds tj +1 tj +1 q 2 folglich j : Xtj +1 Xtj =
tj

Us ds +

tj

s dBs

tj +1

tj

g (s, Xs )Us ds + x

tj +1

tj

g (s, Xs )s dBs x

q 2 gilt als Approximation fr j , wenn wir tj +1 tj klein genug whlen. Und das Vertaug schen darf man, da x (s, Xs ) stetig ist. Summieren ber alle j ergibt den dritten und fnften Summanden in der Gleichung.

q 3 2g j : M := das Maximum von | (t , Xtj )|, so gilt: s2 j

3 j | M (max|tj +1 tj |)

(tj +1 tj ) = tM max|tj +1 tj | 0
n

q 4 2 j : M := das Maximum von | sgx (tj , Xtj )|, so gilt:

4 j | M max|Xtj +1 Xtj |

2
j

(tj +1 tj ) tM max|Xtj +1 Xtj | 0

n

Es gilt, weilt Xt pfadweise stetig ist.

5 durch: X Wir ersetzen Xtj +1 Xtj in j tj +1 Xtj Utj (tj +1 tj ) + tj +1 (Btj +1 Btj )

q 5 q 5 q 2 2g n t 2 2 g j : Nun ist nur noch zu zeigen, dass j j t (tj , Xj )(tj +1 tj ) 0 s x2 (s, Xs )ds j +1 x2

Notationen: gj :=

2g (t , Xtj ), j t s2 j

:= tj +1 tj , j B := Btj +1 Btj . Es gilt:

5 2 j gj Ut2 (j t)2 + 2gj Utj (j t) (j B ) + gj t (j B )2 j j +1

q q

j j

c1j : konvergiert gegen Null, hnlich wie bei

c1 j

c2j

c3 j

c2j : konvergiert gegen Null, hnlich wie bei q q 2 n t 2 2 ds 0 gj s j c3j : j gj tj +1 (j B )

q q

3 j j 4 j j

Das Restglied msste Null abgeschtzt werden. Der Fehler ist von der 1q nun noch gegen 2 2 2 Grenordnung (j t) + (j B ) und konvergiert daher gegen Null.

t 2 . In diesem Fall ist U = 0, = 1. Also es gilt: Beispiel 0.5.2. Bt = 0 dBu , g (t, Bt ) = Bt t s ! " s = t Bt und B 2 = t U s = 1 2 = 1, s ds + t Bs dBs = t + t 2Bs dBs B 2 t 1 = U t t 2 2 0 0 0 t B dB s s 0

0.6 Fazit
Der Aufwand hierbei ist usserst gering. Es zeigt, dass die It-Formel sehr ntzlich zur Berechnung des It-Integrals sein kann. Wenn das Prinzip klar ist, dann kann man die Integratorfunktion noch viel allgemeiner whlen, allerdings muss man hier noch einige Denitionen einfhren, wie z.B lokales

10

Martingal, stetiges Martingal und quadratische Variation, was den Umfang dieser Arbeit sprengen. Die Brownsche Bewegung ist ein Prozess, der viele Eigenschaften enthlt, was in der Konstruktion sehr von Bedeutung waren. Aus diesem Grund wurde diesen als Integrator genommen.

Literatur: 1. Ehrhard Behrends. Markovprozesse und stochastische Dierentialgleichungen. Springer Verlag, 2013 2. http://page.math.tu-berlin.de/~mkeller/stochana/stochana_kap3.pdf 3. https://www.isis.tu-berlin.de/le.php/8427/FiMa_KO4_130714.pdf 4. http://page.math.tu-berlin.de/~mkeller/stochana/stochana_kap4.pdf

11