Математика финансовых рынков строится на фундаменте, который значительно отличается от классического анализа. В рамках курса MIT OpenCourseWare профессор Питер Кемпторн (Peter Kempthorne) подробно разбирает стохастическое исчисление — дисциплину, позволяющую моделировать динамику активов через случайные процессы. Основная идея лекции заключается в том, что обычное исчисление расширяется для работы с броуновским движением, где приращения случайны, а правила дифференцирования требуют введения дополнительных поправок.
📈 От классики к случайности: суть стохастического исчисления 0:12
Традиционное исчисление работает с детерминированными переменными, но для моделирования стоимости акций или сложных производных инструментов (опционов) этого недостаточно . Профессор Кемпторн отмечает, что стохастическое исчисление позволяет описывать динамику активов как интегралы функций относительно броуновского движения. Это критически важно, так как броуновское движение характеризует лежащую в основе неопределенность рынка .
Ключевые свойства стандартного броуновского движения:
- Независимость приращений.
- Вариация приращений пропорциональна длине временного интервала.
- Среднее значение приращения равно нулю, а стандартное отклонение пропорционально корню из времени .
При переходе к бесконечно малым приращениям ($\Delta t \to 0$), ожидаемое значение квадрата приращения броуновского движения ведет себя как $\sigma^2 \Delta t$ . Это свойство, по словам Кемпторна, принципиально отличает стохастическое исчисление от обычного, где квадраты приращений высших порядков просто исчезают.
🧮 Построение интеграла Ито 12:37
Чтобы математически строго работать со случайными процессами, необходимо определить интеграл Ито. Кемпторн вводит понятие вероятностного пространства $(\Omega, \mathcal{F}, P)$ и фильтрации $\mathcal{F}_t$ . Фильтрация $\mathcal{F}_t$ — это совокупность информации, доступной к моменту времени $t$. В этом контексте:
- Прошлое пути броуновского движения детерминировано (известно).
- Будущее (после момента $t$) остается случайным .
Профессор выделяет несколько этапов определения интеграла Ито, начиная от самых простых случаев:
- Случай 1: Интегрирование константы. Интеграл от единицы по броуновскому движению — это просто приращение самого процесса .
- Случай 2: Ступенчатые детерминированные функции. Интеграл определяется как сумма уровней ступенек, умноженная на приращения процесса .
- Случай 3: Случайные уровни (предсказуемые переменные). Уровни могут зависеть от прошлого пути, но не от будущего. Кемпторн подчеркивает важность «неупреждающих» (non-anticipatory) переменных .
Важнейшее утверждение лекции: интеграл Ито сам по себе является случайной величиной, имеющей свое математическое ожидание (обычно 0) и дисперсию .
🔄 Парадокс «математического тормоза»: случай $\int B \, dB$ 33:39
Одним из самых контрсамоочевидных моментов лекции является вычисление интеграла $\int B_s \, dB_s$. В обычном исчислении интеграл $\int x \, dx$ равен $x^2 / 2$. Однако в стохастическом мире это не так .
Кемпторн демонстрирует, что из-за квадратичной вариации броуновского движения результат выглядит иначе: $$\int_0^T B_s \, dB_s = \frac{1}{2} B_T^2 - \frac{1}{2} T$$
Член $-1/2 T$ профессор называет своеобразным «тормозом» или «сопротивлением» (drag), который возникает из-за бесконечной изменчивости случайного процесса . Это прямое следствие того, что сумма квадратов приращений броуновского движения на интервале $[0, T]$ сходится к $T$ при измельчении разбиения .
📜 Формула Ито: «Святой Грааль» стохастики 58:08
Центральное место в лекции занимает формула Ито — аналог правила цепочки (дифференцирования сложной функции) для случайных процессов. Если у нас есть функция $f(B_t)$, её дифференциал включает в себя дополнительный член со второй производной :
$$df(B_t) = f'(B_t) \, dB_t + \frac{1}{2} f''(B_t) \, dt$$
По мнению Кемпторна, эта формула является невероятно мощным инструментом . Она позволяет:
- Решать стохастические дифференциальные уравнения (СДУ).
- Находить интегралы, применяя формулу Ито в обратном порядке (как поиск первообразной) .
- Устанавливать связь между мартингалами и дифференциальными уравнениями в частных производных (PDE) .
Для функций двух переменных $f(t, X_t)$ формула расширяется, учитывая как изменение во времени, так и изменение в пространстве состояний. Кемпторн объясняет, что если определенное условие на производные выполняется (соответствующее PDE равно нулю), то процесс $f(t, B_t)$ становится мартингалом .
🎰 Практическое применение: Задача о разорении 1:15:21
В завершение лекции Кемпторн демонстрирует мощь теории мартингалов на классической «задаче о разорении» (ruin problem). Задача состоит в определении вероятности того, что процесс с дрейфом достигнет верхнего порога $A$ раньше, чем нижнего порога $-B$ .
Профессор называет метод решения через мартингалы «очень элегантным» . Вместо сложных комбинаторных расчетов:
- Определяется подходящий мартингал на основе процесса.
- Задаются граничные условия (вероятность 1 в точке $A$ и 0 в точке $-B$) .
- Решается дифференциальное уравнение, вытекающее из свойств мартингала .
Итогом лекции становится подготовка базы для следующей темы — общих стохастических дифференциальных уравнений, где параметры дрейфа и волатильности сами могут быть функциями времени и состояния системы .
