Vorlesungsskript Finanzmathematik I
Vorlesungsskript Finanzmathematik I
Vorlesungsskript Finanzmathematik I
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
3.5 Konvergenz der Optionspreise im Binomialmodell und Black-Scholes-Formel 43<br />
3.5 Konvergenz der Optionspreise im Binomialmodell und Black-<br />
Scholes-Formel<br />
In diesem Kapitel werden wir das CRR-Modell für immer feinere Abstände betrachten und<br />
die Konvergenz von Optionspreisen analysieren. Für eine bestimmte Wahl der Konvergenz der<br />
Schritthöhen im CRR-Modell erhält man als Grenzwert das berühmte Black-Scholes-Modell.<br />
Dabei wird aus der im vorigen Kapitel abgeleiteten Call-Bewertungsformel (Satz 3.4.1) die<br />
berühmte Black-Scholes-Formel.<br />
Wir betrachten den festen Zeitraum [0, T ] und unterteilen ihn in n äquidistante Intervalle der<br />
Länge ∆ n = T n . Der risikolose Return im sogenannten continuous compounding“ für ein Intervall<br />
ist gerade e ∆nr . Die Wahl der Wertänderung pro Schritt ist das eigentlich Wichtige. Wir<br />
”<br />
bezeichnen mit σ > 0 die Volatilität und definieren die Zufallsgröße<br />
{ (<br />
ξi n exp r∆n + σ √ )<br />
∆<br />
:=<br />
n mit Wahrscheinlichkeit p<br />
exp ( r∆ n − σ √ )<br />
∆ n mit Wahrscheinlichkeit 1 − p .<br />
Der<br />
∏<br />
Aktienkurs im Zeitpunkt T im Modell mit n Intervallen ist dann gegeben durch ST n =<br />
S n<br />
0 i=1 ξn i ; die sogenannten log-returns, also die logarithmische Rendite ist<br />
ln Sn i<br />
S n i−1<br />
= ln ξ n i = r∆ n ± σ √ ∆ n , 1 ≤ i ≤ n.<br />
Wir werden sehen, dass für p = 1 2<br />
die Standardabweichung der returns über einer Periode gerade<br />
σ √ ∆ n ist, weshalb die Bezeichnung Volatilität für σ gerechtfertigt ist.<br />
3.5.1 Konvergenz unter dem historischen Maß<br />
Wir nehmen an, dass unter dem historischen Maß P gilt p = 1 − p = 1 2<br />
. Dann haben wir für den<br />
Erwartungswert und die Varianz der log-returns<br />
E(ln ξ n i ) = 1 2 (r∆ n + σ √ ∆ n ) + 1 2 (r∆ n − σ √ ∆ n ) = r∆ n<br />
var(ln ξ n i ) = E ( (ln ξ i − r∆ n ) 2) = 1 2 (σ√ ∆ n ) 2 + 1 2 (−σ√ ∆ n ) 2 = σ 2 ∆ n .<br />
Da ln S n (T ) = ln S 0 + ∑ n<br />
i=1 ln ξn i gilt, haben wir<br />
E ( ln S n (T ) ) = ln S 0 +<br />
n∑<br />
E(ln ξ i ) = ln S 0 + nr∆ n<br />
i=1<br />
var ( ln S n (T ) ) = var ( ∑<br />
n )<br />
ln ξ i =<br />
i=1<br />
= ln S 0 + rT<br />
n∑<br />
V ar ( )<br />
ln ξ i = nσ 2 ∆ n = σ 2 T,<br />
i=1<br />
wobei die Unabhängigkeit der ξ n i<br />
ausgenutzt wurde.<br />
Die Summe besteht aus unabhängigen, identisch verteilten Zufallsvariablen ln ξi n , welche nach<br />
dem zentralen Grenzwertsatz (für Dreieckssummen) gegen eine normalverteilte Zufallsvariable<br />
konvergiert.<br />
Theorem 3.5.1 (erweiterte Version des zentralen Grenzwertsatzes). Sei für jedes n ∈ N eine<br />
Folge Y n = (Y n<br />
1 , . . . , Y n n ) von Zufallsvariablen gegeben mit folgenden Eigenschaften.