Submit Search
Upload
Random walk, brownian motion, black scholes equation
β’
0 likes
β’
349 views
μ°½
μ°½νΈ μ
Follow
Introduction to Stochastic calculus and proof of Black-Scholes equation.
Read less
Read more
Economy & Finance
Report
Share
Report
Share
1 of 23
Download now
Download to read offline
Recommended
Wasserstein GAN μν μ΄ν΄νκΈ° I
Wasserstein GAN μν μ΄ν΄νκΈ° I
Sungbin Lim
Β
Variational AutoEncoder(VAE)
Variational AutoEncoder(VAE)
κ°λ―Όκ΅ κ°λ―Όκ΅
Β
SVM
SVM
Jeonghun Yoon
Β
Linear algebra
Linear algebra
Sungbin Lim
Β
Gaussian Mixture Model
Gaussian Mixture Model
KyeongUkJang
Β
μ νλμ 03. LU Decomposition
μ νλμ 03. LU Decomposition
AHRA CHO
Β
05. k means clustering ( k-means ν΄λ¬μ€ν°λ§)
05. k means clustering ( k-means ν΄λ¬μ€ν°λ§)
Jeonghun Yoon
Β
03. linear regression
03. linear regression
Jeonghun Yoon
Β
Recommended
Wasserstein GAN μν μ΄ν΄νκΈ° I
Wasserstein GAN μν μ΄ν΄νκΈ° I
Sungbin Lim
Β
Variational AutoEncoder(VAE)
Variational AutoEncoder(VAE)
κ°λ―Όκ΅ κ°λ―Όκ΅
Β
SVM
SVM
Jeonghun Yoon
Β
Linear algebra
Linear algebra
Sungbin Lim
Β
Gaussian Mixture Model
Gaussian Mixture Model
KyeongUkJang
Β
μ νλμ 03. LU Decomposition
μ νλμ 03. LU Decomposition
AHRA CHO
Β
05. k means clustering ( k-means ν΄λ¬μ€ν°λ§)
05. k means clustering ( k-means ν΄λ¬μ€ν°λ§)
Jeonghun Yoon
Β
03. linear regression
03. linear regression
Jeonghun Yoon
Β
Vae
Vae
Lee Gyeong Hoon
Β
μ νλμ 02. κ°μ°μ€ μκ±°λ²
μ νλμ 02. κ°μ°μ€ μκ±°λ²
AHRA CHO
Β
μ νλμ 06. μ벑ν°κ³΅κ°κ³Ό ν΄μ§ν©
μ νλμ 06. μ벑ν°κ³΅κ°κ³Ό ν΄μ§ν©
AHRA CHO
Β
04. logistic regression ( λ‘μ§μ€ν± νκ· )
04. logistic regression ( λ‘μ§μ€ν± νκ· )
Jeonghun Yoon
Β
0124 2 linear_algebra_basic_matrix
0124 2 linear_algebra_basic_matrix
Jeonghun Yoon
Β
νλ ¬
νλ ¬
Taeung Ra
Β
μ νλμ 04. Inverse and Transpose
μ νλμ 04. Inverse and Transpose
AHRA CHO
Β
06. graph mining
06. graph mining
Jeonghun Yoon
Β
08. spectal clustering
08. spectal clustering
Jeonghun Yoon
Β
Chapter 19 Variational Inference
Chapter 19 Variational Inference
KyeongUkJang
Β
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #3
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #3
Haesun Park
Β
02. naive bayes classifier revision
02. naive bayes classifier revision
Jeonghun Yoon
Β
Generative adversarial network
Generative adversarial network
κ°λ―Όκ΅ κ°λ―Όκ΅
Β
[κΈ°μ΄μν] λ―ΈλΆ μ λΆν
[κΈ°μ΄μν] λ―ΈλΆ μ λΆν
KyeongWon Koo
Β
0131 2 spectral_theorem_eigenvalue
0131 2 spectral_theorem_eigenvalue
Jeonghun Yoon
Β
[μκΏμ¬] κ²μ κΈ°μ΄ μν 물리 1,2μ₯
[μκΏμ¬] κ²μ κΈ°μ΄ μν 물리 1,2μ₯
sung ki choi
Β
[Probability for machine learning]
[Probability for machine learning]
κ°λ―Όκ΅ κ°λ―Όκ΅
Β
Public key
Public key
NewHeart
Β
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #4
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #4
Haesun Park
Β
2019 ppc answers
2019 ppc answers
μΉν μ‘°
Β
Codeα α © αα ΅αα ’αα ‘αα ³α« RNN
Codeα α © αα ΅αα ’αα ‘αα ³α« RNN
SANG WON PARK
Β
Linear regression
Linear regression
μ ν¬μ²
Β
More Related Content
What's hot
Vae
Vae
Lee Gyeong Hoon
Β
μ νλμ 02. κ°μ°μ€ μκ±°λ²
μ νλμ 02. κ°μ°μ€ μκ±°λ²
AHRA CHO
Β
μ νλμ 06. μ벑ν°κ³΅κ°κ³Ό ν΄μ§ν©
μ νλμ 06. μ벑ν°κ³΅κ°κ³Ό ν΄μ§ν©
AHRA CHO
Β
04. logistic regression ( λ‘μ§μ€ν± νκ· )
04. logistic regression ( λ‘μ§μ€ν± νκ· )
Jeonghun Yoon
Β
0124 2 linear_algebra_basic_matrix
0124 2 linear_algebra_basic_matrix
Jeonghun Yoon
Β
νλ ¬
νλ ¬
Taeung Ra
Β
μ νλμ 04. Inverse and Transpose
μ νλμ 04. Inverse and Transpose
AHRA CHO
Β
06. graph mining
06. graph mining
Jeonghun Yoon
Β
08. spectal clustering
08. spectal clustering
Jeonghun Yoon
Β
Chapter 19 Variational Inference
Chapter 19 Variational Inference
KyeongUkJang
Β
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #3
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #3
Haesun Park
Β
02. naive bayes classifier revision
02. naive bayes classifier revision
Jeonghun Yoon
Β
Generative adversarial network
Generative adversarial network
κ°λ―Όκ΅ κ°λ―Όκ΅
Β
[κΈ°μ΄μν] λ―ΈλΆ μ λΆν
[κΈ°μ΄μν] λ―ΈλΆ μ λΆν
KyeongWon Koo
Β
0131 2 spectral_theorem_eigenvalue
0131 2 spectral_theorem_eigenvalue
Jeonghun Yoon
Β
[μκΏμ¬] κ²μ κΈ°μ΄ μν 물리 1,2μ₯
[μκΏμ¬] κ²μ κΈ°μ΄ μν 물리 1,2μ₯
sung ki choi
Β
[Probability for machine learning]
[Probability for machine learning]
κ°λ―Όκ΅ κ°λ―Όκ΅
Β
Public key
Public key
NewHeart
Β
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #4
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #4
Haesun Park
Β
2019 ppc answers
2019 ppc answers
μΉν μ‘°
Β
What's hot
(20)
Vae
Vae
Β
μ νλμ 02. κ°μ°μ€ μκ±°λ²
μ νλμ 02. κ°μ°μ€ μκ±°λ²
Β
μ νλμ 06. μ벑ν°κ³΅κ°κ³Ό ν΄μ§ν©
μ νλμ 06. μ벑ν°κ³΅κ°κ³Ό ν΄μ§ν©
Β
04. logistic regression ( λ‘μ§μ€ν± νκ· )
04. logistic regression ( λ‘μ§μ€ν± νκ· )
Β
0124 2 linear_algebra_basic_matrix
0124 2 linear_algebra_basic_matrix
Β
νλ ¬
νλ ¬
Β
μ νλμ 04. Inverse and Transpose
μ νλμ 04. Inverse and Transpose
Β
06. graph mining
06. graph mining
Β
08. spectal clustering
08. spectal clustering
Β
Chapter 19 Variational Inference
Chapter 19 Variational Inference
Β
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #3
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #3
Β
02. naive bayes classifier revision
02. naive bayes classifier revision
Β
Generative adversarial network
Generative adversarial network
Β
[κΈ°μ΄μν] λ―ΈλΆ μ λΆν
[κΈ°μ΄μν] λ―ΈλΆ μ λΆν
Β
0131 2 spectral_theorem_eigenvalue
0131 2 spectral_theorem_eigenvalue
Β
[μκΏμ¬] κ²μ κΈ°μ΄ μν 물리 1,2μ₯
[μκΏμ¬] κ²μ κΈ°μ΄ μν 물리 1,2μ₯
Β
[Probability for machine learning]
[Probability for machine learning]
Β
Public key
Public key
Β
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #4
αα ’αα ₯αα ¦αα ¦ αα ₯α«αα ’αα ³α―αα ³α« αα ₯αα ΅α«α α ₯αα ΅αΌ #4
Β
2019 ppc answers
2019 ppc answers
Β
Similar to Random walk, brownian motion, black scholes equation
Codeα α © αα ΅αα ’αα ‘αα ³α« RNN
Codeα α © αα ΅αα ’αα ‘αα ³α« RNN
SANG WON PARK
Β
Linear regression
Linear regression
μ ν¬μ²
Β
Neural network (perceptron)
Neural network (perceptron)
Jeonghun Yoon
Β
RLCodeμ A3C μ½κ³ κΉκ² μ΄ν΄νκΈ°
RLCodeμ A3C μ½κ³ κΉκ² μ΄ν΄νκΈ°
Woong won Lee
Β
Linear algebra.pptx
Linear algebra.pptx
GeonWooYoo1
Β
μ νλμ 08. μ ν λ³ν (Linear Transformation)
μ νλμ 08. μ ν λ³ν (Linear Transformation)
AHRA CHO
Β
Super resolution
Super resolution
SEMINARGROOT
Β
Quaternion and Rotation
Quaternion and Rotation
Young-Min kang
Β
μ΄μ°μν
μ΄μ°μν
Park Min Wook
Β
Python Machine Learning - ML02 Linear Regression(μ ννκ·)
Python Machine Learning - ML02 Linear Regression(μ ννκ·)
건ν μ
Β
Probability with MLE, MAP
Probability with MLE, MAP
Junho Lee
Β
Optimization algorithms in machine learning
Optimization algorithms in machine learning
Yonsei University
Β
0228 2 sample_distribution
0228 2 sample_distribution
Jeonghun Yoon
Β
Python Machine Learning - ML04 Artificial Neural Network(μΈκ³΅μ κ²½λ§)
Python Machine Learning - ML04 Artificial Neural Network(μΈκ³΅μ κ²½λ§)
건ν μ
Β
3 sat with randomization
3 sat with randomization
Changki Yun
Β
Q Learningκ³Ό CNNμ μ΄μ©ν Object Localization
Q Learningκ³Ό CNNμ μ΄μ©ν Object Localization
νλ°° κΉ
Β
λΆμΈ λμμ μ»΄ν¨ν° λ Όλ¦¬
λΆμΈ λμμ μ»΄ν¨ν° λ Όλ¦¬
suitzero
Β
6μ₯ κ·Έλν μκ³ λ¦¬μ¦
6μ₯ κ·Έλν μκ³ λ¦¬μ¦
Vong Sik Kong
Β
07. PCA
07. PCA
Jeonghun Yoon
Β
Playing atari with deep reinforcement learning
Playing atari with deep reinforcement learning
KyeongUkJang
Β
Similar to Random walk, brownian motion, black scholes equation
(20)
Codeα α © αα ΅αα ’αα ‘αα ³α« RNN
Codeα α © αα ΅αα ’αα ‘αα ³α« RNN
Β
Linear regression
Linear regression
Β
Neural network (perceptron)
Neural network (perceptron)
Β
RLCodeμ A3C μ½κ³ κΉκ² μ΄ν΄νκΈ°
RLCodeμ A3C μ½κ³ κΉκ² μ΄ν΄νκΈ°
Β
Linear algebra.pptx
Linear algebra.pptx
Β
μ νλμ 08. μ ν λ³ν (Linear Transformation)
μ νλμ 08. μ ν λ³ν (Linear Transformation)
Β
Super resolution
Super resolution
Β
Quaternion and Rotation
Quaternion and Rotation
Β
μ΄μ°μν
μ΄μ°μν
Β
Python Machine Learning - ML02 Linear Regression(μ ννκ·)
Python Machine Learning - ML02 Linear Regression(μ ννκ·)
Β
Probability with MLE, MAP
Probability with MLE, MAP
Β
Optimization algorithms in machine learning
Optimization algorithms in machine learning
Β
0228 2 sample_distribution
0228 2 sample_distribution
Β
Python Machine Learning - ML04 Artificial Neural Network(μΈκ³΅μ κ²½λ§)
Python Machine Learning - ML04 Artificial Neural Network(μΈκ³΅μ κ²½λ§)
Β
3 sat with randomization
3 sat with randomization
Β
Q Learningκ³Ό CNNμ μ΄μ©ν Object Localization
Q Learningκ³Ό CNNμ μ΄μ©ν Object Localization
Β
λΆμΈ λμμ μ»΄ν¨ν° λ Όλ¦¬
λΆμΈ λμμ μ»΄ν¨ν° λ Όλ¦¬
Β
6μ₯ κ·Έλν μκ³ λ¦¬μ¦
6μ₯ κ·Έλν μκ³ λ¦¬μ¦
Β
07. PCA
07. PCA
Β
Playing atari with deep reinforcement learning
Playing atari with deep reinforcement learning
Β
Random walk, brownian motion, black scholes equation
1.
Random Walk, Brownian Motion, and Black-Scholes
Equation
2.
Idea νμ¬ μ£Όκ°λ₯Ό λ£μΌλ©΄
νμμνμ κ°κ²©μ΄ λμ€λ ν¨μ Fκ° μμκΉ? β μ°μ νμ¬ μ£Όκ°μΈ ππ‘κ° μ΄λ€ ν¨μμΈμ§λ₯Ό μμμΌ ν¨μ Fλ₯Ό ꡬν μ μμ. βμ£Όκ°λ μ΄λ»κ² μμ§μ΄λκ°? πΉ(ππ‘, π‘) νμ¬μ£Όκ°(ππ‘), μμ (π‘) νμμνμ κ°κ²©
3.
Random Walk ππ‘ ππ‘+1 ππ‘ +
πΏ ππ‘ β πΏ 1/2 1/2 ππ‘+1 = ππ‘ + ππ‘, {ππ‘} ~π. π. π (0, π2 ) ππ‘+1 = π + ππ‘ + ππ‘, {ππ‘} ~π. π. π (0, π2 ) μΆμΈκ° μλ κ²½μ° κ°μ΄ βνλ₯ μ (stochastic)βμΌλ‘ μ ν΄μ§
4.
Brownian Motion(Wiener Process) λλ€μν¬μμ
μκ°κ°κ²©(βπ‘)μ΄ λ¬΄νν μμμ§λ κ²½μ°κ° λΈλΌμ΄ μ΄λ ππ‘ ππ‘+1 ππ‘ + πΏ ππ‘ β πΏ 1/2 1/2 βπ‘ β 0
5.
Stochastic Differential Equation λΈλΌμ΄
λͺ¨νμ νμ©νμ¬ μ£Όκ°λ₯Ό νν πππ‘ = πππ‘ ππ‘ + πππ‘ πππ‘ μΆμΈ λ³λμ± ΰΆ± 0 π‘ ππ π’ = π ΰΆ± 0 π‘ π π’ ππ’ + π ΰΆ± 0 π‘ π π’ πππ’ ππ‘ β π0 = π ΰΆ± 0 π‘ π π’ ππ’ + π ΰΆ± 0 π‘ π π’ πππ’ ππ’λ μ λΆμ΄ μ λ¨
6.
Ito Calculus Simple process Brownian
motion
7.
Ito-Doblin lemma μ΄ν -λλΈλ¦° μ 리
: νλ₯ λ―Έμ λΆμμμ μ°μλ²μΉ πππ‘ = π ππ‘, π‘ ππ‘ + π ππ‘, π‘ πππ‘ λΌκ³ ν λ πΉ(ππ‘, π‘)λ₯Ό μ΄λ³μ ν μΌλ¬ μ κ° νλ©΄ ππΉ = ππΉ πππ‘ πππ‘ + ππΉ ππ‘ ππ‘ + 1 2 π2 πΉ πππ‘ 2 πππ‘ 2 + π2 πΉ πππ‘ ππ‘ πππ‘ ππ‘ + 1 2 π2 πΉ ππ‘2 ππ‘ 2 + β― μ΄κ³ πππ‘ 2 = ππ‘, πππ‘ ππ‘ = ππ‘πππ‘ = 0, ππ‘ 2 = 0 πππ‘ = π ππ‘, π‘ ππ‘ + π ππ‘, π‘ πππ‘, πππ‘ 2 = π ππ‘, π‘ 2 ππ‘, πππ‘ ππ‘ = 0 μ΄λ―λ‘ ππΉ = ππΉ πππ‘ π ππ‘, π‘ ππ‘ + ππΉ πππ‘ π ππ‘, π‘ πππ‘ + ππΉ ππ‘ ππ‘ + 1 2 π2 πΉ πππ‘ 2 π ππ‘, π‘ 2 ππ‘
8.
F. Black(1973) μ¦λͺ
λ Όλ¦¬ μ΄λ€ νμμν πΉ ππ‘, π‘ μ μμμ° ππ‘λ‘ κ΅¬μ±λ ν¬νΈν΄λ¦¬μ€ ππ‘λ₯Ό λ€μκ³Ό κ°μ΄ μ μ ππ‘ = π1,π‘ πΉ ππ‘, π‘ + π2,π‘ ππ‘, π1,π‘:ꡬμ ν νμμν κ°μ, π2,π‘:ꡬμ ν μμμ° κ°μ πππ‘ = π1,π‘ ππΉ ππ‘, π‘ + π2,π‘ πππ‘ πππ‘ = π π‘ ππ‘ + ππ‘ πππ‘, ππΉ ππ‘, π‘ = Ftdt + FSdSt + 1 2 FSSΟ π‘ 2 ππ‘ μ΄λ―λ‘, πππ‘ = π1,π‘ πΉπ‘ ππ‘ + πΉπ πππ‘ + 1 2 FSSΟ π‘ 2 ππ‘ + π2,π‘ πππ‘ = π1,π‘ πΉπ‘ + 1 2 πΉππ ππ‘ 2 ππ‘ + π1,π‘ πΉπ + π2,π‘ πππ‘ π1,π‘μ π2,π‘λ μμλ‘ μ ν μ μλ κ°μ΄λ―λ‘, π1,π‘ = 1, π2,π‘ = βπΉπλ‘ μ€μ νκ³ μ μμ λμ νλ©΄ πππ‘ = πΉπ‘ + 1 2 πΉππ ππ‘ 2 ππ‘
9.
F. Black(1973) μ¦λͺ
λ Όλ¦¬ πππ‘ = πΉπ‘ + 1 2 πΉππ ππ‘ 2 ππ‘ λ μ°λ³μ νλ₯ ν πππ‘κ° μμ -> 무μνμΌλ‘ μ»μ μ μλ μμ΅ λ°λΌμ 무μνμ΄μμ¨μ΄ μμ rμ΄λΌ νμ λ, dtμκ°λμ μ»μ μ μλ μμ΅μ πππ‘ ππ‘κ° λ¨. κ·Έλ¬λ―λ‘ πππ‘ = πππ‘ ππ‘ = πΉπ‘ + 1 2 πΉππ ππ‘ 2 ππ‘μ΄κ³ , ππ‘ = F St, t β FsStμ΄λ―λ‘ μ΄λ₯Ό λμ ν΄μ μ 리νλ©΄ ππΉ = ππΉπ ππ‘ + πΉπ‘ + 1 2 πΉππ ππ‘ 2 μ΄λ₯Ό βλΈλμμ¦λ°©μ μβμ΄λΌ νκ³ , μ½μ΅μ νΉμ νμ΅μ 쑰건μ λ§μΆμ΄ μ νΈλ―ΈλΆλ°©μ μμ νκ² λλ©΄ π ππ‘, π‘ = ππ‘ π π1 β πΎπβπ πβπ‘ π π2 p ππ‘, π‘ = βππ‘ π βπ1 + πΎπβπ πβπ‘ π βπ2 π1 = π2 + π π β π‘ π2 = 1 π π β π‘ ln ππ‘ πΎ + π β π2 2 π β π‘ β
10.
λμΉλ§ν κ²μΌμΈ‘λ 무μνμ΄μμ¨λ‘ ν μΈλ μμμ°μ
μΌλ°μ μΌλ‘ μνν리미μμ ν¬ν¨. λ°λΌμ λ€μ μμ΄ μ±λ¦½ πΈ π πβππ‘ ππ‘ π π’ > πβππ’ π π’ π’ < π‘ λμΉλ§ν κ²μΌμΈ‘λλ μ μμ λ±νΈλ‘ λ°κΏμ£Όλ μλ‘μ΄ μΈ‘λ Qλ₯Ό μλ―Έ πΈ π πβππ‘ ππ‘ π π’ = πβππ’ π π’ π’ < π‘ νλ₯ κ³Όμ {π¦π‘}κ° μΆμΈλͺ¨μκ° πμ΄κ³ νμ°λͺ¨μκ° πμΈ μΌλ°ν λΈλΌμ΄ μ΄λμΌ λ, κΈ°ν λΈλΌμ΄μ΄λ {ππ‘ = π0 π π¦π‘|π‘ β₯ 0}μ λ€μ μμ λ§μ‘± πΈ ππ‘ π π’ = π π’ exp (π + 1 2 π2) π‘ β π’ , 0 β€ π’ < π‘
11.
λμΉλ§ν κ²μΌμΈ‘λ νλ₯ κ³Όμ π¦π‘ μ
λΆν¬κ° μ€μ νλ₯ μΈ‘λ Pμμ π ππ‘, π2 π‘ λ₯Ό λ°λ₯Ό λ, μλ‘μ΄ νλ₯ μΈ‘λ Qμμμ νλ₯ λΆν¬λ₯Ό π π£π‘, π2 π‘ λΌ νμ. λ§μ°¬κ°μ§λ‘ πΈ π ππ‘ π π’ = π π’ exp (π£ + 1 2 π2) π‘ β π’ , 0 β€ π’ < π‘ μ΄κ³ , μ λ³μ πβππ‘, πβππ’λ₯Ό κ³±νκ³ λλλ©΄ πΈ π πβππ‘ ππ‘ π π’ = πβππ‘ π ππ’ πβππ’ π π’ exp (π£ + 1 2 π2) π‘ β π’ πΈ π πβππ‘ ππ‘ π π’ = πβπ[π‘βπ’] πβππ’ π π’ exp (π£ + 1 2 π2 ) π‘ β π’ πΈ π πβππ‘ ππ‘ π π’ = πβππ’ π π’ exp (βπ + π£ + 1 2 π2 ) π‘ β π’ κ° λλ€. π£ = π β 1 2 π2λΌ λλ©΄ πΈ π πβππ‘ ππ‘ π π’ = πβππ’ π π’(π’ < π‘)κ° λλ€. λ°λΌμ νλ₯ κ³Όμ {πβππ‘ ππ‘}λ νλ₯ μΈ‘λ Q νμμ λ§ν κ²μΌμ΄λ€. μ΄λ 곧 νλ₯ λ―ΈλΆλ°©μ μμ μΆμΈλͺ¨μλ₯Ό 무μνμ΄μμ¨λ‘ λ³ννλ μΌμ΄ λλ€. πππ‘ = πππ‘ ππ‘ + πππ‘ πππ‘ π
12.
λμΉλ§ν κ²μΌμΈ‘λλ₯Ό μ΄μ©ν λΈλμμ¦
곡μ μ¦λͺ λ§μ½ μμ₯μ΄ λ¬΄μ¬μ 쑰건μ λ§μ‘±νλ©΄, ν μΈλ μ½μ΅μ κ³Όμ {πβππ‘ ππ‘}λ λμΉλ§ν κ²μΌμΈ‘λ Qμμ λ§ν κ²μΌμ±μ κ°λλ€. ππ‘ = πΈ π(πβπ πβπ‘ πΆ π)κ° μ±λ¦½νλ€. λ§κΈ°μμ Tμμ κ²½κ³μ‘°κ±΄μ πΆ π = π π β πΎ +μ΄λ€. λ°λΌμ ππ‘ = πΈ π πβππ π π β πΎ + = πΈ π(πβππ ππ‘ π π¦ π β πΎ +)μ΄λ€. (π = π β π‘, π¦π = ln π π ππ‘ ) π¦πλ λμΉλ§ν κ²μΌμΈ‘λ πμμ π( π β 1 2 π2 π, π2 π)μ λ°λ₯΄λ―λ‘ ππ = 1 2ππ2 π exp β 1 2π2 π π¦π β π β 1 2 π2 π 2 ππ¦πκ° λλ€. λ°λΌμ, ππ‘ = πΈ π πβππ ππ‘ π π¦ π β πΎ + = πβππ β«Χ¬β¬ββ β max ππ‘e π¦ π, 0 ππ μ΄λ€ . Maxνμ μ κ±°νκΈ° μν΄ μ λΆκ΅¬κ°μ λ³νμν€λ©΄, ππ‘ πβπ¦ π β₯ πΎ β π¦π β₯ ln πΎ π π‘ μ΄λ―λ‘, λ€μ μμ΄ μ±λ¦½νκ² λλ€.
13.
λμΉλ§ν κ²μΌμΈ‘λλ₯Ό μ΄μ©ν λΈλμμ¦
곡μ μ¦λͺ ππ‘ = πΌ1 β πΌ2 πΌ1 = πβππ ΰΆ± ln( πΎ ππ‘ ) β ππ‘ π π¦ π β 1 2ππ2 π exp β 1 2π2 π π¦π β π β 1 2 π2 π 2 ππ¦π πΌ2 = πβππ ΰΆ± ln( πΎ ππ‘ ) β πΎ β 1 2ππ2 π exp β 1 2π2 π π¦π β π β 1 2 π2 π 2 ππ¦π π§ = 1 π π π¦π β π β 1 2 π2 π λΌκ³ μ μνλ©΄, ππ§ = 1 π π ππ¦π μ΄λ―λ‘ λ€μ μμ΄ μ±λ¦½νλ€. πΌ2 = πΎπβππ β«Χ¬β¬βπ2 β 1 2ππ2 π expβ 1 2 π§2 π πππ§ = πΎπβππ β«Χ¬β¬βπ2 β 1 2π expβ 1 2 π§2 ππ§ = πΎπβππ π(π2) π2 = 1 π π ln ππ‘ πΎ + π β 1 2 π2 π
14.
λμΉλ§ν κ²μΌμΈ‘λλ₯Ό μ΄μ©ν λΈλμμ¦
곡μ μ¦λͺ λ§μ°¬κ°μ§λ‘, π π π§ + π β 1 2 π2 π = π¦π μ΄λ―λ‘ πΌ1 = πβππ ππ‘ ΰΆ± βπ2 β 1 2π exp π¦π β 1 2 π§2 ππ§ = πβππ ππ‘ ΰΆ± βπ2 β 1 2π exp π ππ§ + π β 1 2 π2 π β 1 2 π§2 ππ§ = ππ‘ πβππexp( π β 1 2 π2 π) β«Χ¬β¬βπ2 β 1 2π πβ 1 2 π§2β2π ππ§ ππ§ = ππ‘ β«Χ¬β¬βπ2 β 1 2π πβ 1 2 π§2β2π ππ§+π2 π ππ§ = ππ‘ β«Χ¬β¬βπ2 β 1 2π πβ 1 2 π§βπ π 2 ππ§ κ° λλ€. π = π§ β π πλΌνλ©΄, ππ = ππ§ μ΄κ³ πΌ1 = ππ‘ β«Χ¬β¬βπ1 β 1 2π πβ 1 2 π2 ππ = ππ‘ π π1 , βπ1 = βπ2 + π π κ° λλ€. λ°λΌμ, ππ‘ = ππ‘ π π1 β πΎπβππ π π2 β
15.
λΆλ‘ μ΄μ λλ°©μ μμ νμ©ν λΈλμμ¦
νΈλ―ΈλΆλ°©μ μ νμ΄
16.
λΈλμμ¦λ°©μ μ μ¦λͺ 1.
PDE (F. Black, 1973) 1) μλκ³Όμ μΌλ‘ ννν μ£Όκ°μ λ³νμ¨ 2) νλ₯ κ³Όμ f(S(t), t)μ λν μ΄ν μ 리
17.
무μν μμ΅λ₯ =
rμ΄λΌ κ°μ , ν¬νΈν΄λ¦¬μ€ Pλ λΈνν·μ§ν ν¬νΈν΄λ¦¬μ€μ΄λ―λ‘ μμ΅λ₯ μ΄ λ¬΄μνμμ΅λ₯ κ³Ό κ°μμΌν¨ μ΄μ 9)μμ λ€μκ³Ό κ°μ κ²½κ³μ‘°κ±΄μμ νμ΄λ΄λ©΄ ν΄κ° λμΆλ¨.
18.
19.
20.
21.
22.
23.
μ°Έκ³ μλ£ μ΅λ³μ , κΈμ΅κ³΅ν IV,
2015 Steven E. Shreve, Stochastic Calculus for Finance II Continuous-Time Models, 2004 βλΈλ μμ¦ μ΅μ 곡μ μ λ (2) - νΈλ―ΈλΆλ°©μ μ νκΈ° (PDE 1/3)β, μλ§μΆμ΄ ννΈ (Amateur Quant), 2012. 3. 14.μμ , 2019. 9. 24. μ μ, https://m.blog.naver.com/chunjein/100153505183 βλΈλ μμ¦ μ΅μ 곡μ μ λ (3) - νΈλ―ΈλΆλ°©μ μ νκΈ° (PDE 2/3)β, μλ§μΆμ΄ ννΈ (Amateur Quant), 2012. 3. 17.μμ , 2019. 9. 24. μ μ, https://m.blog.naver.com/chunjein/100153724434 βλΈλ μμ¦ μ΅μ 곡μ μ λ (4) - νΈλ―ΈλΆλ°©μ μ νκΈ° (PDE 3/3)β, μλ§μΆμ΄ ννΈ (Amateur Quant), 2012. 3. 19.μμ , 2019. 9. 24. μ μ, https://m.blog.naver.com/chunjein/100153896491
Download now