- 1. Stochastic Processes and Stochastic Differential Equations
- 確率空間と確率過程の数学的記法
- 確率変数の平均・分散・モーメント
- シミュレーションのための道具
- 疑似乱数列
- モンテカルロ法
- 分散を小さくするための手法
- モンテカルロはよい方法だが、あまりにナイーブにやりすぎると、収束が遅くて使えない(使いにくい)。その理由は、分散(信頼区間)が広すぎることに起因する(ことが多い)。それを解決するために、「早く収束させる」技術がいくつかある
- 確率過程は「経路・道」
- 確率過程のばらつき
- Simple variationとquadratic variation (1次と2次)
- 確率過程の特徴づけ
- ブラウン運動
- 3つのシミュレーション方法
- 増分を正規分布でとる
- 酔歩(-1,1)の繰り返し
- Karhunen-Loeve 拡張(たくさんのものの足し合わせの極限としての定義がある。その足し合わせをある程度すれば、シミュレーションとしては精度が出る、といった感じの「定義とシミュレーション法」)
- どれがよい?
- ある時点の状態分布を取るだけなら、増分を正規分布でとるだけで十分
- 経過を問題にするならKarhunen-Loeve 拡張がよい
- 3列はそれぞれ、左から「増分=正規分布」「酔歩」「Karhunen-Loeve拡張」
- 3行はそれぞれ、上から、時刻数が100,1000,100、Karhunen-Loeve拡張での重ね合わせ数50,50,10000
- 時刻数を増やすと経過時間が伸びるのが「増分・正規」「酔歩」。「Karhunen-Loeve拡張」は増えていない
- 「Karhunen-Loeve拡張」は時刻数を増やしても、重ね合わせ数を増やしても「細かさが増える」
N1<-100
N2<-1000
T<-1
Delta1<-T/N1
Delta2<-T/N2
W1.1<-W2.1<-W3.1<-numeric(N1+1)
W1.2<-W2.2<-W3.2<-numeric(N2+1)
W3.3<-numeric(N1+1)
t1<-seq(from=0,to=T,length=N1+1)
t2<-seq(from=0,to=T,length=N2+1)
set.seed(123)
W1.1<-c(0,cumsum(rnorm(N1)*sqrt(Delta)))
set.seed(123)
W1.2<-c(0,cumsum(rnorm(N2)*sqrt(Delta)))
set.seed(123)
W2.1<-c(0,cumsum(sample(c(-1,1),N1,replace=TRUE)))/sqrt(N1)
set.seed(123)
W2.2<-c(0,cumsum(sample(c(-1,1),N2,replace=TRUE)))/sqrt(N2)
n1<-50
n2<-10000
set.seed(123)
Z1<-rnorm(n1)
phi<-function(i,t,T){
(2*sqrt(2*T))/((2*i+1)*pi) * sin(((2*i+1)*pi*t)/(2*T))
}
for(i in 1:n1){
W3.1<-W3.1+Z1[i]*phi(i,t1,T)
}
set.seed(123)
Z2<-rnorm(n2)
for(i in 1:n2){
W3.2<-W3.2+Z2[i]*phi(i,t2,T)
}
for(i in 1:n2){
W3.3<-W3.3+Z2[i]*phi(i,t1,T)
}
ylim<-range(W1.1,W2.1,W3.1,W1.2,W2.2,W3.2,W3.3)
par(mfcol=c(3,3))
plot(t1,W1.1,type="l",ylim=ylim)
plot(t2,W1.2,type="l",ylim=ylim)
plot(t1,W1.1,type="l",ylim=ylim)
plot(t1,W2.1,type="l",ylim=ylim)
plot(t2,W2.2,type="l",ylim=ylim)
plot(t1,W2.1,type="l",ylim=ylim)
plot(t1,W3.1,type="l",ylim=ylim)
plot(t2,W3.2,type="l",ylim=ylim)
plot(t1,W3.3,type="l",ylim=ylim)
par(mfcol=c(1,1))
-
- いたるところ微分不可能
- ブラウン運動の拡張例
- 確率的積分と確率的微分方程式
- いたるところ微分不可能
- 微分の式はできるが(確率的微分方程式)、そこに、無限小時間で発散する項が入っているので、意味がない…。意味がないけれど、微分方程式の係数は求めたい…
- 確率微分方程式の例:のがWiener過程になっていて、これは、「いたるところ微分不可能」なので、この式自体をそのまま扱うことはしない
- 積分はできる過程はある(Ito sum, Ito integralが可能な過程: Ito 過程)
- 部分ごとに近似した積分を取る
- 部分をどんどん狭くして、極限を取る
- Ito 過程の特徴
- Ito 積分の期待値は0
- Ito 積分の分散は確率変数の2乗の期待値の積分に同じ
- Ito 過程のIto 積分は線形性がある
- 時間の関数で定まるその他の特徴
- マルチンゲール性(Wiki)のこと
- 拡散過程
- ドリフト(どこかへ向かっていく項)と拡散の2項からなる
- いくつかの過程(取扱いを可能にするための)
- 不等式で示されるいくつかの特徴
- エルゴード的(Wiki)
- マルコフ性(Wiki)
- 拡散過程のinfinitesimal generator
- Ito 公式
- 確率過程の計算に重要
- シミュレーションにも重要
- テイラー展開の確率過程版
- Ito 公式はよいが、実用(シミュレーションにも、微分方程式の解法にも(?))には工夫が必要
- Parametric families of stochastic processes(使いやすいいくつかの確率過程)
- The Ornstein-Uhlenbech or Vasicek process
- The Black-Scholes-Merton or geometric Brownian motion model
- The Cox-Ingersoll-Ross model
- The Chan-Karolyi-Longstaff-Sanders (CKLS) family of models
- The modified CIR and hyperbolic processes
- The hyperbolic processe
- The nonlinear mean reversion Ait-Sahaliamodel
- Double-well potential
- The Jacobi diffusion process
- Ahn and Gao model or inverse of Feller's square root model
- Rarial Ornstein-Uhlenbeck process
- Pearson diffusions
- Another classification of linear stochastic systems
- One epidemic model
- The stochastic cusp catastrophe model
- Exponential families of diffusions
- Generalized inverse gaussian diffusions