Finanzmathematik 1: Diskrete Modelle - Reinhold Kainhofer
Finanzmathematik 1: Diskrete Modelle - Reinhold Kainhofer
Finanzmathematik 1: Diskrete Modelle - Reinhold Kainhofer
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
KAPITEL 7. MARKOV MODELLE 34<br />
Beweisskizze.<br />
⇐ Trivial: g = 1 F ∀F ∈ E<br />
⇒ Standard-Methode: für charakteristische Funktionen nach Vor. erfüllt ⇒ für einfache Funktionen<br />
(Treppenfunktionen) durch Linearität des Erwartungswerts erfüllt.<br />
Für beschränkte, messbare g : E → R existiert eine Folge von einfachen Funktionen (g n ) n∈R<br />
mit<br />
‖g n ‖ ∞ ≤ ‖g‖ und g n → g punktweise. Wegen der dominierten Konvergenz folgt dann<br />
E P [g(X t )|F s ]<br />
dom.<br />
Konv.<br />
= lim E P[g n (X t )|F s ] Markov<br />
dom.<br />
= lim E Konv.<br />
P[g n (X t )|X s ] = E P [g(X t )|X s )] P-f.s.<br />
n→∞ n→∞<br />
Bei nicht-negativem g benutze stattdessen monotone Konvergenz, allgemeine g lassen sich schließlich<br />
als Differenz zweier nicht-negativer Funktionen darstellen.<br />
Bemerkung 7.2. Die Markov-Eigenschaft für R d -wertige Prozesse ist komponentenweise definiert.<br />
Lemma 7.2. Sei X t : Ω → R, t ∈ I ⊂ R, ein Markov-Prozess. Dann gilt für alle E ⊗ E-messbaren<br />
h : E × E → R, die beschränkt oder nicht-negativ sind, für s, t ∈ I, s < t:<br />
E P [h(X s , X t )|F s ] = E P [h(X s , X t )|X s ] P-f.s. (7.2)<br />
(vergleiche (3.35) in Pliska [Pli97])<br />
Beweis. Sei zuerst h(x, y) = f(x)g(y) mit f, g : E → R beschränkt und E-messbar:<br />
E P [h(X s , X t )|F s ] = E P [f(X s )g(X t )|F s ] = f(X s )E P [g(X t )|F s ] = f(X s )E P [g(X t )|X s ] = E[f(X s )g(X t )|X s ]<br />
Sei nun H = {h : E × E → R|h ist E ⊗ E-messbar, beschränkt und erfüllt (7.2)}. H erfüllt:<br />
1. H ist ein Vektorraum.<br />
2. H enthält alle h(x, y) = f(x)g(y) mit f, g : E → R beschränkt und E-messbar (insbesondere<br />
h = 1 F ×G mit F, G ∈ E)<br />
3. Wenn {h n } n∈R<br />
⊂ h beschränkt und nicht-negativ mit h n ↗ h, dann gilt h ∈ H (über monotone<br />
Konvergenz).<br />
Wegen dem Theorem über monotone Klassen (siehe Anhang) enthält H daher alle beschränkten, E ⊗ E-<br />
messbaren h : E × E → R. Daher wegen 3 auch alle nicht-negativen h, die E ⊗ E-messbar sind.<br />
Bemerkung 7.3. Die Verallgemeinerung auf d Dimensionen erfolgt durch komponentenweise Betrachtung.<br />
Theorem 7.3. Sei der Preisprozess ˜S 0 , . . . , ˜S T ein Markov-Prozess unter P (mit E = R d ) und<br />
arbitragefrei. Dann existiert ein äquivalentes Maß Q ∼ P, sodass ˜S 0 , . . . , ˜S T ein Q-Martingal ist,<br />
sowie ein Markov-Prozess unter Q.<br />
Bemerkung 7.4. Die Existenz eines äquivalenten Martingalmaßes folgt aus der Arbitragefreiheit. Dieser<br />
Satz sagt aus, das die Markov-Eigenschaft auch unter einem äquivalenten Martingalmaß erhalten bleibt.<br />
Beweis. Die Existenz eines Q ′ ∈ M ∞ t folgt nach Dalang-Morton-Willinger.<br />
Definiere Z T = dQ ′ /dP und Z t = E P [Z T |F t ]. Für jedes A ∈ F t gilt<br />
Q ′ (A) = E P [1 A Z T ] bed.EW = E P [1 A E[Z T |F t ]] = E P [1 A Z t ]<br />
Dies bedeutet, dass Z t eine Dichte von Q ′ | Ft<br />
bezüglich P| Ft<br />
ist.<br />
[ ∣ ]<br />
Da Q ′ ∼ P, gilt Z T > 0 P-f.s. und E<br />
Zt+1 ∣∣<br />
P Z Ft t<br />
= 1 Z t<br />
E P [Z t+1 |F t ].<br />
[ ∣<br />
Z<br />
Konstruktion von Q ∼ P: Definiere d t = E t ∣∣<br />
P Z<br />
˜St<br />
t−1<br />
, ˜S<br />
]<br />
t−1 für t = 1, . . . , T .<br />
Betrachte Y 0 = Z 0 und Y t = Z 0 d 1 · · · · · d t für t = 1, . . . , T . Dann: