Der Wiener Prozess und seltene Ereignisse Markus Seidler [email protected] Inhalt Normal und rare events Wiener Prozess Poisson Prozess Charakteristik von normal bzw. rare events Erweiterung der SDE Momente Gewöhnliches Ereignis (normal event) Betrachtungszeitraum h wird kleiner Größe der Ereignisse wird kleiner Werden fast unbedeutend wenn h0 aber Eintrittswahrscheinlichkeit wird nicht null Seltenes Ereignis (rare event) In stetiger Zeit (h 0) Wahrscheinlichkeit 0 ABER Größe muss nicht kleiner werden Kapitel 7 Asset Preis „Überraschunskomponente“ Varianz E[ t Wt ] h Erwartete Größe t Wt 2 2 t t h Varianz proportional zu h Wahrscheinlichkeit (abhängig von h) x unabhängige Größe SELTENES Ereignis Unabhängige Wahrscheinlichkeit x abhängiger Größe GEWÖHNLICHES Ereignis Modellieren von asset Preisen in stetiger Zeit Wiener Prozess (oder Brownsche Bewegung) Stetiger stochastischer Prozess Poisson Prozess Unstetig Verwendung: Markt dominiert von gewöhnlichen Ereignissen und extreme Bewegungen sind selten (tail area – Normalverteilung) Verwendung: systematische Sprünge verursacht durch seltene Ereignisse Kombination beider Modelle Wiener Prozess Zufallsvariable Wt kann sich nur stetig verändern Kleiner Zeitintervall h kleine Änderungen von Wt Ereignisse gewöhnlich Wiener Prozess Wt ist ein quadratisch integrierbares Martingal mit W0 = 0 und E Wt Ws 2 ts s≤t Die Abbildungen von Wt sind stetig über t Eigenschaften Wiener Prozess Wt hat nicht korrelierende unvorhersehbare Zunahmen weil es ein Martingal ist W hat Null Erwartungswert, weil es bei Null t startet W hat Varianz t t Da Prozess stetig, gibt es in unendlich kleinen Intervallen, unendlich kleine Veränderungen Poisson Prozess N t gesamte Anzahl an „extremen Schocks“ in einem Finanzmarkt dN t sind die Veränderungen in dt während einer unendlichen kleinen Zeitperiode 1 mit Wahrschein lichkeit dt dN t 0 mit Wahrschein lichkeit 1 dt Poisson Prozess Annahme: Rate der Erscheinungen während dt = ist der Prozess definiert als M t N t t ist ein quadratisch integrierbares Martingal Dabei ist E[ M t ] 0 E[ M t ]² t Unterschiede Die Abbildungen sind unterschiedlich Stetige Graphen vs. Sprünge Die Wahrscheinlichkeit von Sprüngen wenn h 0, geht Richtung null. D.h. Abbildung ist weniger irregular. Obwohl es zu diskreten Sprüngen kommt es zu keiner unbegrenzten Variation im Gegensatz zum Wiener Prozess Deswegen ist die Definierung des Integrals auch einfacher. Charakteristik seltener und normaler Ereignisse Kapitel 7: SDE S k S k 1 aS k 1, k h S k 1, k Wk Annahme: Wk nur eine endliche Zahl w1 mit Wahrschein lichkeit p1 w mit Wahrschein lichkeit p 2 2 Wk wm mit Wahrschein lichkeit pm k Wk Varianz von E[ k Wk ]² k ² h Da Wk endliche Nummer an Werten m Var[ k Wk ] pi wi ² i 1 m p w ² i 1 i i k ²h m p w ² i i 1 i k ²h Linke Seite proportional zu h Jeder Term der Summe ist proportional zu h deswegen pi wi ² ci h wobei c > 0 ist und einen Faktor der Proportion darstellt pi wi ² sind lineare Funktionen von h deswegen pi (h) wi (h)² ci h Laut Merton spezielle exponentiale Formen wi (h) wi h r i pi (h) p i h qi Wobei r und q nicht negative Konstanten sind und w und p in Abhängigkeit von i oder k, jedoch nicht von h. Varianz: pi wi ² wi ² pi h2ri hqi bzw. wi ² pi h( qi 2ri ) ci h Das bedeutet: ci wi ² pi qi 2ri 1 und mit folgenden Einschränkungen für qi und ri 1 0 ri 2 0 qi 1 Deswegen zwei Arten von Ereignissen: Gewöhnliche: 1 ri 2 qi 0 Seltene: r 0 i qi 1 Normal Event Annahme: ri = 0,5 wi wird kleiner, Größe wenn h kleiner wird Wahrscheinlichkeit pi bleibt konstant wi wi h pi pi 0,5 wi h Smoothness („Glätte“) Eine Funktion ist „glatt“, wenn sie sich nicht abrupt verändert. f(x) ist „glatt“, wenn im Punkt x0 die ratio f ( x h) f ( x ) 0 0 endlich bleibt, trotz kleiner werdenden h. h Mit ri = 0,5 Wt h Wt wi h h wi lim h 0 h substituiert : 1 wi lim 0,5 h 0 h D.h. Intervall h wird kleiner, W verändert sich unendlich Asset Preise verhalten sich STETIG, aber unregelmäßig. Rare Event Mit ri = 0 und qi = 1 Wahrscheinlichkeit verschwindet wenn h 0 Während die Größe konstant bleibt Die Abbildung beinhaltet Sprünge, die nicht kleiner werden. pi pi h wi wi Modelle für rare events SDE wenn h kleiner wird dSt a St ,t dt St ,t dWt Rare event fehlt Verwendung von Poisson Prozess mit Modifikationen (Konstante Rate von Ereignisse, Erwartungswert ungleich null,..) J t ( N t t ) Die Zunahmen J k haben Erwartungswert 0 Multipliziert man J t mit einer zeitabhängigen Konstante wie 2 ( S k 1 , k ) wird die Größe der Sprünge auch zeitabhängig. Ergebnis: 2 ( S k 1 , k )J k SDE für normale und seltene Events dSt aSt ,t dt St ,t dWt 2 ( S k 1 , k )J k k 1, 2 ,...... n wenn h kleiner wird dSt aSt ,t dt St ,t dWt 2 ( St , t )dJ t Momente Momente sind verschiedene Erwartungen des zugrunde liegenden Prozesses 1. 2. 3. 4. Ordnung: Erwartungswert Ordnung: Varianz (Darstellung der Volatilität) Ordnung: zeigt die Schräge der Verteilung Ordnung: Ausmaß der „heavy tails“ E[ X t E[ X t ]] k 2 , 3, 4 , k Momente Bei Prozessen mit normalen Ereignissen, kann man höhere Ordnung (ab zwei) vernachlässigen. Da sie von h abhängig sind, konvergieren sie zu null bei h 0. Bei seltenen Ereignissen können sie nützliche Informationen liefern, da die Momente unabhängig von h sind. Zusammenfassung dSt aSt ,t dt St ,t dWt 2 ( S k 1 , k )J k k 1, 2 ,...... n Erwartete Veränderung „Große“ Events, die selten vorkommen Reguläre Ereignisse mit bedeutungsloser Größe Die Kombination von Wiener und Poisson Prozess kann all die Störungen darstellen, die einen Finanzmarkt beeinflussen