Processi stocastici “Jump-Diffusion”: aspetti probabilistici
Transcript
Processi stocastici “Jump-Diffusion”: aspetti probabilistici
COP Wedlin.qxd:_ 24/01/13 13:11 Page 1 DIPARTIMENTO DI DISCIPLINE MATEMATICHE, FINANZA MATEMATICA ED ECONOMETRIA WORKING PAPER N. 13/2 Processi stocastici “Jump-Diffusion”: aspetti probabilistici Attilio Wedlin ISBN 978-88-343-2472-1 VITA E PENSIERO Università Cattolica del Sacro Cuore DIPARTIMENTO DI DISCIPLINE MATEMATICHE, FINANZA MATEMATICA ED ECONOMETRIA WORKING PAPER N. 13/2 Processi stocastici “Jump-Diffusion”: aspetti probabilistici Attilio Wedlin VITA E PENSIERO Attilio Wedlin, Dipartimento di Scienze Economiche, Aziendali, Ma-tematiche e Statistiche “Bruno de Finetti”, Università degli Studi di Trieste, Piazzale Europa 1, 34127 Trieste, +39 0405587029. [email protected] www.vitaepensiero.it All rights reserved. Photocopies for personal use of the reader, not exceeding 15% of each volume, may be made under the payment of a copying fee to the SIAE, in accordance with the provisions of the law n. 633 of 22 april 1941 (art. 68, par. 4 and 5). Reproductions which are not intended for personal use may be only made with the written permission of CLEARedi, Centro Licenze e Autorizzazioni per le Riproduzioni Editoriali, Corso di Porta Romana 108, 20122 Milano, e-mail: [email protected], web site www.clearedi.org. Le fotocopie per uso personale del lettore possono essere effettuate nei limiti del 15% di ciascun volume dietro pagamento alla SIAE del compenso previsto dall’art. 68, commi 4 e 5, della legge 22 aprile 1941 n. 633. Le fotocopie effettuate per finalità di carattere professionale, economico o commerciale o comunque per uso diverso da quello personale possono essere effettuate a seguito di specifica autorizzazione rilasciata da CLEARedi, Centro Licenze e Autorizzazioni per le Riproduzioni Editoriali, Corso di Porta Romana 108, 20122 Milano, e-mail: [email protected] e sito web www.clearedi.org © 2013 Attilio Wedlin ISBN 978-88-343-2472-1 Abstract In questo lavoro a carattere introduttivo ci proponiamo di presentare in una prospettiva storica alcuni modelli economici che impiegano processi jump – diffusion limitando, per quanto possibile, le difficoltà di carattere matematico; daremo però al lettore indicazioni bibliografiche per consentirgli di acquisire, se lo desidera, la conoscenza rigorosa degli strumenti probabilistici che intervengono nel discorso. Keywords: Processi stocastici, processi di Lévy, equazioni differenziali stocastiche, processi di diffusione, processi di punto. 3 1. Introduzione Nella letteratura economico - finanziaria recente vengono spesso proposti modelli stocastici e dinamici che si basano sull’uso di “processi jump – diffusion”, cioè di processi stocastici le cui realizzazioni sono continue a tratti, cioè affette da discontinuità di salto di ampiezza aleatoria in epoche aleatorie. Cioè tra due discontinuità successive l’andamento del processo è quello di una funzione continua, ma una traiettoria generica sull’intervallo temporale [0,T] presenta un numero finito o infinito di discontinuità di prima specie aventi ampiezze generalmente differenti tra loro. I campi in cui si rendono utili tali modelli sono i più diversi: nei fenomeni economici si verificano spesso cambiamenti di regime non prevedibili, come quando la banca centrale decide una variazione di un qualche tasso di interesse o come quando il prezzo di mercato di un bene o di un’azione subisce un incremento, positivo o negativo, di ampiezza rilevante in tempi brevi; nelle scienze fisiche tali modelli possono rappresentare l’evoluzione nel tempo dell’energia di una particella che, nel suo cammino, urta contro altre particelle perdendo o acquistando energia; in campo medico, variazioni improvvise e importanti di parametri vitali, come la pressione arteriosa o il livello di glicemia, possono richiedere l’impiego di rappresentazioni del tipo su menzionato. In generale, le rappresentazioni di fenomeni aleatori mediante funzioni continue rendono poco probabili le variazioni sensibili dei livelli delle variabili in tempi brevi cosicché possono essere necessari modelli in cui siano ammessi esplicitamente andamenti discontinui. Nella letteratura probabilistica i processi stocastici jump – diffusion non sono una novità: già negli anni trenta del secolo scorso importanti matematici, quali B. de Finetti, A.N. Kolmogorov, A. Khintchine, P. Lévy e altri, avevano studiato una categoria di processi di Markov con le caratteristiche suddette; oggi tali processi sono noti come “processi di Lèvy”. Naturalmente i processi jump - diffusion che si usano attualmente, per esempio nell’ambito della Finanza matematica, sono ben più complicati di quelli e richiedono agli addetti ai lavori la conoscenza di strumenti matematici raffinati, argomento dei corsi universitari di Calcolo stocastico. 4 2. Cenni storici Per un inquadramento storico adeguato dobbiamo risalire all’anno 1900: nel marzo di quell’anno importante per la storia della Fisica e della Matematica un matematico francese, Louis Bachelier (18701946), discusse la sua tesi di dottorato dal titolo “Théorie de la Spéculation” (1) con una commissione formata dai professori H. Poincaré, P. Appell e J. Bussinesque. Si può affermare che questa tesi rappresenta, se non proprio l’atto di nascita, sicuramente un evento eccezionalmente importante per il sorgere della Teoria dei processi stocastici e della moderna Finanza matematica poiché in essa veniva introdotto il fondamentale processo stocastico oggi detto “di moto Browniano” e veniva costruito con esso un modello probabilistico per la rappresentazione dell’evoluzione nel tempo dei prezzi dei beni e delle attività finanziarie: sicuramente il primo esempio di modello dinamico e stocastico di fenomeni economici. Indicati con S (t ) e {W (t ); t ≥ 0} il prezzo aleatorio di un bene o di un’attività finanziaria al tempo t e, rispettivamente, il processo di moto Browniano, L. Bachelier proponeva la rappresentazione S (t ) = σ .W (t ) , o la più generale 1) S (t ) = S (0) + μ .t + σ .W (t ) , ove S (0) e W (t ) erano assunti essere indipendenti e ove μ e σ > 0 erano delle costanti note. Poiché {W (t ); t ≥ 0} è un processo Gaussiano con funzione valor medio identicamente nulla e funzione di covarianza Cov [W (t ), W ( s ) ] = min ( s, t ) si ha per il processo {S (t )} : 2) E [ S (t ) ] = E [ S (0) ] + μ .t , Cov [ S (t ), S ( s ) ] = Var [ S (0) ] + σ 2 .min ( s, t ) . 5 Nell’ipotesi che sia E[ S (0)] > 0 e μ ≥ 0 si ha E [ S (t ) ] > 0 , ma il valore del prezzo S (t ) può essere negativo; inoltre l’estrema irregolarità delle traiettorie di W (t ) , che sono continue ma quasi certamente non derivabili in ogni punto t , implica un’irregolarità analoga per gli andamenti di S (t ) . Da qui l’impossibilità di previsioni affidabili su S (t ) . I contenuti della tesi di Bachelier, di cui parleremo ancora nel seguito, erano decisamente in forte anticipo rispetto ai livelli degli studi economici e matematico-probabilistici dell’epoca. Con l’eccezione della Scuola di Losanna (L. Walras e V. Pareto) i ragionamenti e le trattazioni degli economisti erano sostanzialmente di tipo qualitativo ed anche quando si affrontavano questioni di “equilibrio economico generale” le formalizzazioni non erano mai di tipo stocastico. Per quanto riguarda la nozione di probabilità non esisteva ancora né un’impostazione formale né una di tipo interpretativo; per la prima bisognerà aspettare più di trent’anni: nel 1933, A. N. Kolmogorov pubblicò una monografia, dal titolo “Grundbegriffe der Wahrscheinlichkeitrechnung” (2), che considerava il Calcolo delle probabilità come un caso particolare della recente Teoria della misura, conferendo con ciò agli studi di probabilità una piena rispettabilità matematica. Anche per l’impostazione interpretativa bisognerà arrivare agli anni Trenta: B. de Finetti espose la sua interpretazione soggettiva della probabilità in una serie di conferenze all’Istituto H. Poincaré di Parigi nel 1935. Il seminario aveva il titolo “La prevision: ses lois logiques, ses sources subjectives” (3). Evidentemente, in assenza di una Teoria della probabilità non poteva esistere nel 1900 una Teoria dei processi stocastici: a parte L. Bachelier, i primi ad impiegare la nozione di processo stocastico come insieme di numeri aleatori sono F. Lundberg nel 1903, A. Einstein nel 1905, A. Markov nel 1906, N. Wiener nel 1923 e pochi altri. Ritornando alla tesi di Bachelier appare impressionante la sequenza delle anticipazioni di concetti e risultati importanti presenti in essa: egli riconosce quella che si chiamerà in seguito la “proprietà markoviana” del processo { W (t ) }; determina le condizioni di coerenza per le sue funzioni di transizione, che in seguito si diranno 6 “condizioni di Chapman – Kolmogorov”, e trova per esse l’equazione differenziale alle derivate parziali che sarà ritrovata più tardi e indipendentemente da A. Einstein; introduce la nozione di “conditional expectation”, o funzione di regressione, che Kolmogorov definirà rigorosamente nel 1933 e potremmo continuare. Come spesso accade a coloro le cui idee anticipano troppo i tempi, L. Bachelier non vide riconoscere dai contemporanei il valore delle sue impostazioni. Dopo la morte del suo relatore di tesi e sostenitore H. Poincaré egli non trovò nell’ambiente matematico parigino l’accoglienza che meritava e nonostante che proseguisse nei suoi studi e nelle pubblicazioni scientifiche arrivò molto tardi ad occupare una cattedra universitaria a Besancon. Si è già detto che nei primi anni del XX secolo gli economisti non avevano ancora la preparazione necessaria per lo studio dei mercati finanziari; negli anni Trenta gli statistici A. Cowles e H. Working intrapresero uno studio sistematico dell’evoluzione dei prezzi di mercato, ma non trovarono nelle serie storiche esaminate elementi quali trend e ciclicità che consentissero una previsione degli andamenti futuri. Ad un risultato analogo arrivò lo statistico inglese M.G. Kendall che presentò i suoi risultati nel 1953 ad una riunione della Royal Statistical Society con la comunicazione dal titolo “The analysis of economic time-series. Part 1. Prices” (4). Nel 1959, M.F.M. Osborne e H. Roberts in due importanti lavori sostennero la sostanziale imprevedibilità dei prezzi futuri confermando una volta di più l’intuizione di L. Bachelier. Nel 1965 vennero pubblicati due notevoli articoli di P. Samuelson, premio Nobel per l’Economia nel 1970, con i titoli “Proof that properly anticipated prices fluctuate randomly” (5) e “Rational theory of warrant pricing” (6). In essi veniva proposto un modello stocastico per l’evoluzione dei prezzi che introduceva il “processo di moto Browniano geometrico”: 3) ln S (t ) = μ .t + σ .W (t ) ; S (0) 7 in questo modello è il logaritmo del prezzo relativo a comportarsi come un processo di moto Browniano. Dall’uguaglianza precedente si ricava facilmente l’espressione per S (t ) 4) S (t ) = S (0).exp {μ .t + σ .W (t )} alla quale si arriva anche risolvendo l’equazione differenziale stocastica 5) ⎡⎛ ⎤ σ2 ⎞ dS (t ) = S (t ). ⎢⎜ μ + ⎟ dt + σ .dW (t ) ⎥ , 2 ⎠ ⎣⎝ ⎦ S (0) = S0 . Nei modelli visti fin qui le traiettorie del processo S (t ) sono continue e quindi risultano improbabili grandi variazioni nel livello dei prezzi in tempi brevi, a meno di non ammettere elevati valori della volatilità σ . Nella letteratura economica il primo articolo a proporre un modello di processo jump – diffusion sembra essere quello dello statistico americano S.J. Press (1967) dal titolo “A compound events model for security prices” (7) nel quale si assume la seguente ipotesi in sostituzione della 3) : N (t ) S (t ) 6) = σ .W (t ) + ∑ Y j , ln S (0) j =1 ove i numeri aleatori Y j sono assunti essere mutuamente indipendenti e indipendenti dal processo poissoniano N (t ) , oltre che dal processo W (t ) . In altre parole i logaritmi dei prezzi relativi seguono un modello dato da una combinazione lineare di un moto Browniano e di 8 un processo di Poisson composto i cui jumps Y j hanno una distribuzione di probabilità normale, N (m, v) . Come vedremo in seguito, la somma a secondo membro della 6) costituisce un semplice processo di Lévy le cui caratteristiche sono determinate dalla volatilità σ, dall’intensità λ del processo N (t ) , supposta costante, e dalla distribuzione N (m, v) delle discontinuità Y j . In campo assicurativo si trova un modello analogo al precedente sotto il nome di modello di Cramèr – Lundberg che descrive l’andamento nel tempo del capitale U(t) di una compagnia di assicurazioni: esso cresce attraverso l’acquisizione dei premi pagati dagli assicurati, ma subisce delle diminuzioni aleatorie in epoche aleatorie a causa dei risarcimenti dei danni denunciati dagli stessi assicurati. Formalmente il modello è il seguente: N (t ) 7) U (t ) = U (0) + [ μ .t + σ .W (t ) ] − ∑ Y j , j =1 μ > 0, Y j > 0, in cui la presenza del processo W(t) descrive le irregolarità casuali nell’acquisizione dei premi e ove, a differenza del modello precedente, le discontinuità Y j hanno una comune distribuzione di probabilità tale { } che sia P Y j ≥ 0 = 1 . Famoso nella letteratura economica rimane l’articolo di R. Merton del 1976 dal titolo “Option pricing when underlying stock returns are discontinuous” (8) nel quale egli propone il modello 8) dS (t ) = S (t ).[ μ .dt + σ .dW (t ) + dZ (t ) ] , ove Z (t ) = S (0) = S0 , N (t ) ∑ Y = ∫ y.Nω (t , dy) è un processo di Poisson composto j =1 j R analogo a quello presente nella 6) , espresso anche come integrale stocastico di Riemann – Stieltjes rispetto alla misura aleatoria di Poisson Nω (t , dy ) che descrive completamente, come vedremo, il processo Z (t ). 9 La soluzione dell’equazione differenziale stocastica 8) è nota come “processo di Lévy geometrico” ed è espressa dalle t ⎫⎪ σ2 ⎞ ⎪⎧⎛ S (t ) = S0 .exp ⎨⎜ μ − ⎟ .t + σ .W (t ) + ∫ log (1 + Ys )Nω (ds, R) ⎬ = 2 ⎠ 0 ⎩⎪⎝ ⎭⎪ ⎧⎪⎛ ⎫⎪ ⎡ N (t ) ⎤ σ2 ⎞ = S0 . ⎢∏ (1 + Yn ) ⎥ .exp ⎨⎜ μ − ⎟ .t + σ .W (t ) ⎬ . 2 ⎠ ⎣ n =1 ⎦ ⎩⎪⎝ ⎭⎪ 3. Qualche dettaglio matematico – probabilistico Allo scopo di non appesantire eccessivamente l’esposizione rinunceremo talvolta ai dettagli analitici e al rigore nella trattazione rinviando il lettore ai manuali elencati in bibliografia. (a) Una semplice equazione differenziale stocastica I tre modelli di tipo esponenziale presentati nel paragrafo precedente, e cioè i modelli di Samuelson, di Press e di Merton, sono soluzioni di equazioni differenziali stocastiche del tipo 9) dS (t ) = S (t )dL(t ), S (0) = S0 , denominate spesso in letteratura “equazioni di Doleans - Dade”, ove L(t ) rappresenta un processo di Lévy, cioè sostanzialmente un processo stocastico a parametro continuo avente incrementi indipendenti e omogenei. Allo scopo di presentare la soluzione generale della 9) scriveremo L(t ) = Lc (t ) + ∑ ΔL( s ) , s ≤t 10 ove Lc (t ) denota la componente continua del processo e ∑ ΔL(s) la s ≤t sua componente discontinua. Il simbolo ΔL( s ) indica l’eventuale discontinuità L( s ) − L( s − ) all’epoca s . Nel modello di Merton è Lc (t ) = μ.t + σ .W (t ) e N (t ) ∑ ΔL(s) = Z (t ) = ∑ Y j . s ≤t j =1 Si dimostra che nell’ipotesi che sia Y j > −1 per ogni intero j , la soluzione dell’equazione 9) è espressa dalla 1 ⎧ ⎫ ⎧ ⎫ S (t ) = ⎨∏ [1 + ΔL( s )] .e −ΔL ( s ) ⎬ .exp ⎨ L(t ) − [ Lc , Lc ] (t ) ⎬ , 2 ⎩ ⎭ ⎩ s ≤t ⎭ 10) ove il simbolo [ Lc , Lc ] (t ) denota il processo stocastico “variazione quadratica della componente continua di L(t ) ” definito dal limite in n media quadratica 2 lim ∑ ⎡⎣ Lc (t ) − Lc (t ) ⎤⎦ . Nel modello di n →∞ j =0 (n) j +1 (n) j Merton, e anche in quello di Samuelson, si ha [ Lc , Lc ] (t ) = σ 2 .t : in tal caso il processo variazione quadratica di Lc (t ) è deterministico. (b) Cenni sui processi di Lévy Il punto di partenza è dato dalle distribuzioni di probabilità “infinitamente divisibili” che sono strettamente connesse con i processi a parametro continuo ad incrementi indipendenti e omogenei. Ricordiamo che il numero aleatorio X ha una distribuzione infinitamente divisibile se per ogni intero n esistono numeri aleatori X ni , i = 1,…….,n , indipendenti e ugualmente distribuiti, tali che sia d n X = ∑ X ni . Bisogna dire subito che molte delle distribuzioni usate i =1 correntemente hanno questa proprietà, ad esempio le distribuzioni Normale, Gamma, di Poisson,…. 11 Nei primi anni Trenta Bruno de Finetti, scoprendo la connessione suddetta, affrontò il problema di trovare la rappresentazione generale per tali distribuzioni, il ché corrisponde a trovare quella per i processi con incrementi indipendenti e omogenei; egli riuscì a trovare il seguente notevole risultato. Teorema di B. de Finetti : le distribuzioni infinitamente divisibili sono tutte e sole quelle aventi funzione caratteristica del tipo Φ (u ) = exp {λ.[ χ (u ) − 1]} ed inoltre quelle ottenute come limiti di opportune successioni di funzioni caratteristiche del tipo precedente. Si osservi che l’espressione presente nell’enunciato è la funzione caratteristica di una distribuzione di Poisson composto nella quale λ indica l’intensità del processo di Poisson N (t ) mentre χ (u ) indica la funzione caratteristica della distribuzione dei jumps Y j . E’ abbastanza sorprendente ricavare dal teorema suddetto che la distribuzione Gaussiana può essere rappresentata come limite di distribuzioni di Poisson composto! La suddetta rappresentazione non era però quella generale che fu trovata da P. Lévy qualche anno dopo; il risultato è noto come “formula di Lévy – Khintchine” e corrisponde alla seguente espressione per la funzione caratteristica: ⎧⎪ ⎫⎪ σ2 Φ(u ) = exp ⎨i μ u − .u 2 + ∫ ⎡⎣eiux − 1 − iux.I ( −1,1) ( x) ⎤⎦ν (dx) ⎬ 2 R −{0} ⎩⎪ ⎭⎪ nella quale compare la “misura di Lévy” ν (dx) alla quale si richiede di soddisfare le condizioni ∫(x 2 ∧ 1)ν (dx) < ∞ e ν ({0}) = 0 . R La corrispondente rappresentazione generale per i processi con incrementi indipendenti e omogenei è detta “formula di Lévy – Ito”: 12 X (t ) = μ .t + σ .W (t ) + ∫ − x. N ω (t , dx) + x <c ove Nω (t , dx) indica − la N ω (t , dx) = Nω (t , dx) − t.ν (dx) ∫ x.Nω (t , dx ) , x ≥c misura è detta aleatoria “misura di di Poisson; Poisson compensata”. Il significato del simbolo Nω (t , dx) è quello di numero aleatorio dei jumps di ampiezza compresa nell’intervallo (x, x+dx] che si verificano nell’intervallo temporale (0, t]; ovviamente t Nω (t , B) = ∫ ∫ Nω (ds, dx) è il numero aleatorio dei jumps di 0 B ampiezza contenuta nell’insieme boreliano B verificatisi nell’intervallo (0,t]. E’ inoltre ν ( B ) = E [ Nω (1, B ) ] ed infine t l’integrale di Poisson ∫ ∫ x.Nω (dx, ds) esprime la somma dei jumps B 0 di ampiezza contenuta in B verificatisi nell’intervallo temporale (0, t]. Dal punto di vista del significato della formula di Lévy – Ito si può affermare che il generale processo a tempo continuo con incrementi indipendenti e omogenei, cioè il generale processo di Lévy, è una combinazione lineare di t, del processo di moto Browniano W(t) e di un processo puramente discontinuo che può avere un numero infinito di discontinuità in ogni intervallo temporale finito, quando ν ( R ) non è finita. Più in dettaglio, dei due integrali nella formula di Lévy – Ito il secondo, concernente discontinuità di ampiezza non minore del numero reale positivo c, si può affermare che esso rappresenta la somma dei jumps in (0, t] di un processo di Poisson composto caratterizzato dalla misura aleatoria Nω [ dt , ds ] definita in R+ × [c, +∞) . Il primo integrale invece concerne la somma dei jumps di ampiezza minore di c generati da una combinazione lineare di 13 infiniti processi di Poisson composto: per evitare che tale somma possa divergere si è impiegata la misura di Poisson compensata − N ω (t , dx) = Nω (t , dx) − t.ν (dx) . Il processo di Merton è un semplice caso particolare in cui la componente discontinua è data da un processo di Poisson composto che ha un numero finito di discontinuità in ogni intervallo temporale finito perché la corrispondente misura di Lévy è finita, cioè ν ( R) < ∞ ; per esso la misura di Lévy della componente discontinua è data dalla ν (dx) = λ.FY (dx) , ove FY (dx) indica la misura di probabilità corrispondente alla comune funzione di ripartizione FY (.) dei jumps Y j . (c) Generalizzazioni dei processi di Lévy Si è detto che il generale processo di Lévy è una combinazione lineare di t, di W(t) e di un processo puramente discontinuo. La naturale generalizzazione di questo modello si ottiene sostituendo a W(t) un “processo di diffusione” e alla componente discontinua un “processo di punto pesato”. Un processo di diffusione (omogeneo) è la soluzione di una equazione differenziale stocastica del tipo dX (t ) = α ( X t ) dt + β ( X t ) dW (t ), X (0) = X 0 , ove le funzioni aleatorie α ( X t ) e β ( X t ) , dette coefficiente di drift e, rispettivamente, coefficiente di diffusione, devono soddisfare opportune condizioni di integrabilità. Si dimostra che i processi di diffusione sono markoviani e che le loro traiettorie sono continue, analogamente a quelle del processo di moto Browniano W(t). Un semplice processo di diffusione è dato dalla soluzione dell’equazione di Langevin: 14 dX (t ) = −α . X (t )dt + β dW (t ), con coefficienti α e β X (0) = X 0 , positivi. Si dimostra che il processo soluzione è dato dalla t (11) X (t ) = X 0 .exp {−α .t} + β .∫ exp {−α ( t − s )} dW ( s ) 0 e se la condizione iniziale X 0 ha una distribuzione Gaussiana allora { X (t ); t ≥ 0} è Gaussiano con funzione valor medio E [ X (t ) ] = E [ X 0 ] .e −α t e funzione di varianza Var [ X (t ) ] = e −2α t .Var ( X 0 ) + ⎡⎣ β 2 . (1 − e −2α t ) / 2α ⎤⎦ . E’ detto anche il processo soluzione processo di Ornstein – Uhlenbeck quello espresso dalla (11) se la condizione iniziale X 0 è un numero aleatorio con distribuzione Gaussiana di valor medio nullo e varianza β 2 / 2α : in tal caso il processo X (t ) è stazionario, oltre che Gaussiano e markoviano. Un processo di punto pesato (marked point process) è una successione di coppie di numeri aleatori (Tn , Yn ) , n ≥ 1 , ove Tn indica l’epoca aleatoria in cui si verifica l’ennesimo evento di un fissato insieme e Yn il peso aleatorio associato a quell’evento. Per un esempio si pensi all’arrivo di successivi clienti ad una cassa di un supermercato: Yn potrebbe essere l’importo pagato dall’ennesimo cliente della giornata giunto a quella cassa al tempo Tn . La caratterizzazione probabilistica di tali processi può essere fatta in termini di una misura aleatoria di conteggio M ω (t , B) = Tn ≤ t . Yn ∈ B , definita in ( R+ × R ) e ove B ∈ Β R , ∑ n ≥1 della quale un caso particolare è la misura aleatoria di Poisson Nω (t , B) di cui si è detto in precedenza; la particolarità consiste nella 15 costanza dell’intensità λ del processo dei tempi di arrivo { Tn }, che una distribuzione Gamma- ( n, λ ) , e l’uguale Tn assegna a distribuzione FY (.) dei numeri aleatori mutuamente indipendenti Yn . Se esiste la densità M ω (dt , dy ) di M ω (t , B) allora è t M ω (t , B) = ∫ ∫ M ω (ds, dy ) e la somma aleatoria dei pesi Yn 0 B associati agli eventi verificatisi nell’intervallo temporale [0, t] è esprimibile come t ∑ Yn . Tn ≤ t = ∫ ∫ y.M ω (ds, dy) . n ≥0 0 R Un semplice esempio, già noto, è il processo di Poisson composto N (t ) Z (t ) = ∑ Y j : per esso è M ω (t , B ) = Nω (t , B) ; esempi meno j =1 semplici si ottengono consentendo all’intensità λ ( t ) di variare nel tempo e assumendo che anche la distribuzione degli Yn dipenda dal tempo: si avrebbe allora t E[ M ω (t , B )] = ∫ M ω (t , B)dP(ω ) = ∫ ∫ λ ( s).Fs (dy ) . Ω 0 B Ovviamente, le traiettorie dei processi di punto pesati sono costanti a tratti, come quelle del processo di Poisson composto. Sono anch’essi processi di Markov se i numeri aleatori Yn sono mutuamente indipendenti e se sono indipendenti dai tempi aleatori Tn . 4. Processi stocastici jump – diffusion Alla fine del paragrafo riguardante alcuni cenni storici sull’adozione di modelli stocastici del tipo jump - diffusion nella letteratura economica ci si era soffermati sul modello di Merton la cui soluzione forniva il processo di Lévy geometrico. Una prima generalizzazione di quel modello può riguardare i due coefficienti 16 μ e σ che possono essere ipotizzati dipendenti dal tempo in un qualche modo deterministico e quindi sostituiti da due funzioni μt e σ t integrabili. Allora l’equazione (8) diventa (12) dS (t ) = S (t ).[ μt dt + σ t dW (t ) + dZ (t )] , S (0) = S0 , la cui soluzione è il processo jump – diffusion t ⎧t ⎛ ⎫ ⎡ N (t ) ⎤ 1 2⎞ S (t ) = S0 .exp ⎨ ∫ ⎜ μ s − σ s ⎟ds + ∫ σ s dW ( s ) ⎬ . ⎢∏ (1 + Yn ) ⎥ . 2 ⎠ ⎦ 0 ⎩0 ⎝ ⎭ ⎣ n =1 Il primo integrale nella parentesi graffa è un integrale di Riemann mentre il secondo è un integrale stocastico di Wiener. Un’ulteriore generalizzazione si ottiene considerando l’equazione differenziale (13) dS (t ) = S (t − ).[ μω (t )dt + σ ω (t )dW (t ) + γ ω (t , y )dZ (t )] , S (0) = S0 , nella quale sono introdotti i coefficienti stocastici μω (t ), σ ω (t ) e γ ω (t , y ) : sono processi stocastici ai quali vengono richieste opportune proprietà di misurabilità e integrabilità; in particolare si richiede che γ ω (t , y ) sia “prevedibile” (in lingua inglese: predictable), cioè che il suo valore al tempo t sia determinabile in base ai valori precedenti mediante un passaggio al limite, il ché accade se il processo è continuo a sinistra per ogni t, o se è continuo per ogni t. Si veda su ciò, per esempio, il testo di F.C. Klebaner [2]. A causa di questa condizione nella (13) compare a 17 secondo membro S (t − ) = lim S (τ ) anziché S (t ) , ove il passaggio al τ ↑t limite va inteso in probabilità. Si dimostra che la soluzione della (13) è espressa dalla t ⎧t ⎛ ⎫ N (t ) 1 ⎞ S (t ) = S0 .exp ⎨ ∫ ⎜ μω ( s ) − .σ ω2 ( s ) ⎟ ds + ∫ σ ω ( s )dW ( s ) ⎬ .∏ [1 + γ ω (Tn , Yn ) ] 2 ⎠ 0 ⎩0 ⎝ ⎭ n =1 ove il primo integrale stocastico nella parentesi graffa è da intendersi in media quadratica mentre il secondo è una generalizzazione dell’integrale di Wiener, detta integrale stocastico di Ito, poiché la funzione integranda σ ω (t ) è un processo stocastico e non una funzione deterministica come nell’integrale di Wiener che compare nella soluzione della (12). Un modello ancora più generale si ottiene sostituendo il processo di Poisson composto che descrive la componente discontinua con un generale processo di punto pesato caratterizzato dalla misura aleatoria di conteggio M ω (dt , dy ) : (14) dS (t ) = S (t − ).[ μω (t )dt + σ ω (t )dW (t ) + ∫ γ ω (t , y ).M ω (dt , dy )] , R S (0) = S0 . Siamo così giunti ad una equazione differenziale stocastica del tipo (9) ove il processo L(t ) è dato dalla somma di un processo di diffusione t t 0 0 X 1 (t ) − X 1 (0) = ∫ μω ( s)ds + ∫ σ ω ( s )dW ( s ) e un processo di punto pesato 18 t X 2 (t ) − X 2 (0) = ∫ ∫ γ ω ( s, y ).M ω (ds, dy ) R 0 tra loro indipendenti e indipendenti da S (0) ; tale somma è spesso indicata in letteratura “processo jump – diffusion” anche se non c’è ancora un accordo generale su tale denominazione. 19 Bibliografia (1) L. Bachelier, “Théorie de la spéculation”, Annales de l’Ecole Normale Supérieure 17 (1900), 21 – 86. (2) A.N. Kolmogorov, “Foundations of the Theory of Probability”, Chelsea Press, New York, (1950). (The German original appeared in 1933). (3) B. de Finetti, “La prévision: ses lois logiques, ses sources subjectives”. Annales de l’Institut Henri Poincaré, vol. VII, fasc. I; 1 – 68. (4) M.G. Kendall, “The analysis of economic time-series. Part 1. Prices”. Journal of the Royal Statistical Society 96 (1953), 11 – 25. (5) P.A. Samuelson, “Proof that properly anticipated prices fluctuate randomly”, Industrial Management Review 6 (1965), 41 - 49. (6) P.A.Samuelson, “Rational theory of warrant pricing”. Industrial Management Review 6 (1965), 13 – 31. (7) S.J. Press, “A compound events model for security prices”. Journal of Business 40 (1967), 317 – 335. (8) R.C. Merton, “Option pricing when underlying stock returns are discontinuous”. Journal of Financial Economics 3 (1976), 125 – 144. Altre indicazioni bibliografiche Per una prima introduzione al Calcolo stocastico riteniamo di suggerire il testo di H.H. Kuo per la grande attenzione che dedica all’aspetto didattico [1] H.H. Kuo (2006) – Introduction to Stochastic Integration. Springer. Maggiori informazioni sugli argomenti di questa nota introduttiva ai processi jump - diffusion si possono ottenere dai testi: 20 [2] F.C. Klebaner (2005) – Introduction to Stochastic Calculus with Applications. World Scientific. [3] T. Mikosch (1998) - Elementary Stochastic Calculus with Finance in View. World Scientific. [4] A.N. Shiryaev (1999) – Essentials of Stochastic Finance (Vol. n. 3). World Scientific. Giustamente molto citato il seguente testo dedicato alle equazioni differenziali stocastiche e ad alcune applicazioni [5] B. Oksendal (2003) – Stochastic Differential Equations. Springer – Verlag. I seguenti trattati presuppongono una prima informazione sull’Analisi stocastica ottenibile dai testi precedenti [6] D. Applebaum (2009) – Lévy Processes and Stochastic Calculus. Cambridge University Press. [7] P. Brémaud (1981) – Point Processes and Queues: Martingale Dynamics. Springer – Verlag. [8] R.S. Liptser and A.N. Shiryaev (2001) – Statistics of Random Processes. Springer – Verlag. [9] P. Protter (2004) – Stochastic Integration and Differential Equations. Springer – Verlag. [10] L.C.G. Rogers and D. Williams (1994) – Diffusions, Markov processes and Martingales. J. Wiley. Sui processi stocastici jump – diffusion ci limitiamo ad indicare la nota seguente, utile anche per la sua ricca bibliografia 21 [11] W.J. Runggaldier (2002) – “Jump, Diffusion models”. Dipartimento di Matematica Pura e Applicata dell’Università di Padova. ed il testo più impegnativo [12] B. Oksendal and A. Sulem (2005) – Applied Stochastic Control of Jump Diffusions. Springer. 22 Dipartimento di Discipline Matematiche, Finanza Matematica ed Econometria Working Papers 2012 12.1. CARSTEN KRABBE NIELSEN & GERD WEINRICH, Bank Regulation when both Deposit Rate Control and Capital Requirements are Socially Costly, maggio 2012. 12.2. FAUSTO MIGNANEGO & ALESSANDRO SBUELZ, Analytical cyclical price-dividend ratios, luglio 2012. BARZI, FLAVIA CORTELEZZI, 12.3. FEDERICA GIOVANNI MARSEGUERRA & MARIA GRAZIA ZOIA, Cooperative innovation. Evidence from Italian firms, novembre 2012. 2013 GIAN PAOLO & CORNARO 13.1 CLEMENTE ALESSANDRA, Lower Bounds for Kirchhoff Index: a Numerical Procedure, gennaio 2013. 13.2 WEDLIN ATTILIO, Processi stocastici “Jump-Diffusion”: aspetti probabilistici, gennaio 2013. 23 Finito di stampare da Gi&Gi srl - Triuggio (MB) Gennaio 2013 24 COP Wedlin.qxd:_ 24/01/13 13:11 Page 1 DIPARTIMENTO DI DISCIPLINE MATEMATICHE, FINANZA MATEMATICA ED ECONOMETRIA WORKING PAPER N. 13/2 Processi stocastici “Jump-Diffusion”: aspetti probabilistici Attilio Wedlin ISBN 978-88-343-2472-1 VITA E PENSIERO