Rynek, opcje i równania SDE

Wielkość: px
Rozpocząć pokaz od strony:

Download "Rynek, opcje i równania SDE"

Transkrypt

1 Rynek, opcje i równania SDE Adam Majewski Uniwersytet Gdański kwiecień 2009 Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

2 1 Rynek, portfel inwestycyjny, arbitraż 2 Osiągalność i zupełność 3 Opcje 4 Bibliografia Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

3 Rynek Definicja 1.1 Rynkiem nazywamy (n+1)-wymiarowy proces Ito X (t) = (X 0 (t), X 1 (t),..., X n (t)); 0 t T, adaptowalny do filtracji F (m) t, o postaci oraz dx 0 (t) = ρ(t, ω)x 0 (t)dt; X 0 (0) = 1 dx i (t) = µ i (t, ω)dt + m σ ij (t, ω)db j (t) = j=1 = µ i (t, ω)dt + σ i (t, ω)db(t); X i (0) = x i (1) gdzie σ i = (σ i1, σ i2,..., σ im ); 1 i n N. Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

4 Rynek Definicja 1.1 Rynkiem nazywamy (n+1)-wymiarowy proces Ito X (t) = (X 0 (t), X 1 (t),..., X n (t)); 0 t T, adaptowalny do filtracji F (m) t, o postaci oraz dx 0 (t) = ρ(t, ω)x 0 (t)dt; X 0 (0) = 1 dx i (t) = µ i (t, ω)dt + m σ ij (t, ω)db j (t) = j=1 = µ i (t, ω)dt + σ i (t, ω)db(t); X i (0) = x i (1) gdzie σ i = (σ i1, σ i2,..., σ im ); 1 i n N. Definicja 1.2 Rynek {X (t)} t [0,T ] nazywamy unormowanym, jeśli X 0 (t) 1 Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

5 Portfel inwestycyjny Definicja 1.3 Portfelem inwestycyjnym (w skrócie portfelem) dla rynku {X (t)} t [0,T ] nazywamy (n+1)-wymiarowy progresywnie mierzalny proces θ(t, ω) = (θ 0 (t, ω), θ 1 (t, ω),..., θ n (t, ω)); 0 t T Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

6 Portfel inwestycyjny Definicja 1.3 Portfelem inwestycyjnym (w skrócie portfelem) dla rynku {X (t)} t [0,T ] nazywamy (n+1)-wymiarowy progresywnie mierzalny proces θ(t, ω) = (θ 0 (t, ω), θ 1 (t, ω),..., θ n (t, ω)); 0 t T Definicja 1.4 Wycenę portfela θ(t) w chwili t definiujemy następująco n V (t, ω) = V θ (t, ω) = θ(t) X (t) = θ i (t)x i (t) i=0 gdzie oznacza standardowy iloczyn skalarny w R n+1. Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

7 Samofiansujący się portfel Definicja 1.5 Portfel θ(t) nazywamy samofinansującym jeśli T n m n { θ 0 (s)ρ(s)x 0 (s) + θ i (s)µ i (s) + [ θ i (s)σ ij (s)] 2 }ds < p.n. 0 i=1 j=1 i=1 oraz t V (t) = V (0) + θ(s) dx (s) (dv (t) = θ(t) dx (t)) dla t [0, T ] 0 Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

8 Samofiansujący się portfel Definicja 1.5 Portfel θ(t) nazywamy samofinansującym jeśli T n m n { θ 0 (s)ρ(s)x 0 (s) + θ i (s)µ i (s) + [ θ i (s)σ ij (s)] 2 }ds < p.n. 0 i=1 j=1 i=1 oraz V (t) = V (0) + Uwaga 1.6 t 0 θ(s) dx (s) (dv (t) = θ(t) dx (t)) dla t [0, T ] Dla dowolonych θ 1 (t, ω),..., θ n (t, ω) istnieje (θ 0 (t, ω) takie, że portfel θ(t, ω) = (θ 0 (t, ω), θ 1 (t, ω),..., θ n (t, ω)) jest samofinansujący się. Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

9 Strategia oswojona Definicja 1.7 Samofinansującą strategię θ(t) spełniającą (1.5) nazywamy oswojoną jeśli proces wyceny portfela V θ (t) jest (t, ω) - prawie napewno ograniczony z dołu. Czyli dla prawie wszystkich (t, ω) [0, T ] Ω, istnieje K = K(θ) >, taka, że V θ (t, ω) K (2) Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

10 Arbitraż Definicja 1.8 Oswojoną strategią θ(t) na rynku {X (t)} t [0,T ], nazywamy arbitrażem, jeśli spełnione są warunki V θ (0) = 0 V θ (T ) 0 prawie napewno P[V θ (T ) > 0] > 0 Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

11 Instrument finansowy Definicja 2.1 Instrumentem finansowym nazywamy ograniczoną z dołu F (m) T -mierzalną zmienną losową F (ω) L 2 (Q). Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

12 Instrument finansowy osiągalny Definicja 2.2 Mówimy, że instrument finansowy F (ω) jest osiągalny (na rynku {X (t)} t [0,T ] ) jeśli istnieje oswojona strategia θ(t) i rzeczywista liczba z taka, że T F (ω) = Vz θ (T ) = z + θ(t)dx (t) 0 prawie napewno i takie, że t V θ (t) = z + 0 i=1 ξ(s) n θ i (s)σ i (s)d B(s) dla t [0, T ] jest Q-martyngałem. Jeśli takie θ(t) istnieje to nazywamy ją strategią hedgingową dla F Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

13 Rynek zupełny Definicja 2.3 Rynek {X (t)} t [0,T ] nazywamy zupełnym, jeśli każdy instrument finansowy jest osiąglany. Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

14 Europejska opcja kupna Definicja 3.1 Europejską opcją kupna nazywamy F (ω) = (X i (t, ω) K) + dla pewnego i {1, 2,..., n} i pewnego K > 0. Opcja kupna daje właścicielowi prawo kupna (lecz nie obowiązek) do kupna jednej jednostki instrumentu bazowego przy cenie K (cena wykonania) w chwili T. Jeśli X i (T, ω) > K, to właściciel opcji otrzymuje X i (T, ω) K w chwili T. Jeśli X i (T, ω) K, to właściciel nie wykona swoich opcji i jego wypłata równa się 0. Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

15 Europejska opcja sprzedaży Definicja 3.2 Analogicznie europejską opcja sprzedaży daje właścicielowi prawo (lecz nie obowiązek) do sprzedaży jednej jednostki instrumentu bazowego przy cenie K (cena wykonania) w chwili T. Opcja sprzedaży daje właścicielowi wypłatę F (ω) = (K X i (t, ω)) + Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

16 Twierdzenie Black-Scholes Twierdzenie 3.3 Niech X (t) = (X 0 (t), X 1 (t)) jest modelem rynku typu Black-Scholes: dx 0 (t) = ρx 0 (t)dt X 0 (t) = 1 dx 1 (t) = αx 1 (t)dt + βx 1 (t)db(t) X 1 (0) = x 1 > 0 gdzie ρ, α, β 0 są stałymi. Wtedy cena p opcji europejskiej w chwili 0, z funkcją wypłaty F (ω) = (X 1 (T, ω) K) + gdzie K > 0 jest ceną wykonania opcji, równa się p = x 1 Φ(η β T ) Ke ρt Φ(η 1 2 β T ) η = β 1 T 1/2 (ln x 1 K + ρt ) oraz Φ jest gęstością rozkładu N(0, 1). Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

17 Ilustracja geometrycznego ruchu Browna źródło: F. C. Klebaner, Introduction to Stochastic Calculus with Applications, Imperial College Press Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

18 Ilustracja geometrycznego ruchu Browna cd. źródło: F. C. Klebaner, Introduction to Stochastic Calculus with Applications, Imperial College Press Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

19 Bibliografia Opracowano na podstawie: Bernt Oksendal, Stochastic Differential Equations, Springer Literatura pomocnicza: S. Dineen, Probability Theory in Finance, AMS F. C. Klebaner, Introduction to Stochastic Calculus with Applications, Imperial College Press J. Jakubowski, A. Palczewski, M. Rutkowski, Ł. Stettner, Matematyka Finansowa, WNT Adam Majewski (Uniwersytet Gdański) Rynek, opcje i równania SDE kwiecień / 16

Teoria opcji 2018/19. Instytut Matematyki Uniwersytet Gdański. (IM UG) Teoria opcji 1 / 49

Teoria opcji 2018/19. Instytut Matematyki Uniwersytet Gdański. (IM UG) Teoria opcji 1 / 49 Teoria opcji Instytut Matematyki Uniwersytet Gdański 2018/19 (IM UG) Teoria opcji 1 / 49 Sprawy organizacyjne Kontakt i strona E-mail: mwrzosek@mat.ug.edu.pl Konsultacje: środa, 12 14, p.323 Materiały:

Bardziej szczegółowo

PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω)

PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) PROCESY STOCHASTYCZNE. PEWNE KLASY PROCESÓW STOCHASTYCZNYCH Definicja. Procesem stochastycznym nazywamy rodzinę zmiennych losowych X(t) = X(t, ω) określonych na tej samej przestrzeni probabilistycznej

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład IV: 27 października 2014 Współczynnik korelacji Brak korelacji a niezależność Definicja współczynnika korelacji Współczynnikiem korelacji całkowalnych z kwadratem zmiennych losowych X i Y nazywamy

Bardziej szczegółowo

Procesy stochastyczne 2.

Procesy stochastyczne 2. Procesy stochastyczne 2. Listy zadań 1-3. Autor: dr hab.a. Jurlewicz WPPT Matematyka, studia drugiego stopnia, I rok, rok akad. 211/12 1 Lista 1: Własność braku pamięci. Procesy o przyrostach niezależnych,

Bardziej szczegółowo

Równania różniczkowe liniowe wyższych rzędów o stałych współcz

Równania różniczkowe liniowe wyższych rzędów o stałych współcz Równania różniczkowe liniowe wyższych rzędów o stałych współczynnikach Katedra Matematyki i Ekonomii Matematycznej SGH 12 maja 2016 Równanie liniowe n-tego rzędu Definicja Równaniem różniczkowym liniowym

Bardziej szczegółowo

Prognozowalne kryterium całkowalności według A. N. Shiryaeva i A. S. Cherny ego Joanna Karłowska-Pik. Historia

Prognozowalne kryterium całkowalności według A. N. Shiryaeva i A. S. Cherny ego Joanna Karłowska-Pik. Historia 1 Prognozowalne kryterium całkowalności według A. N. Shiryaeva i A. S. Cherny ego Joanna Karłowska-Pik Całka stochastyczna ( t ) H s dx s = H X. t Historia K. Itô (1944) konstrukcja całki stochastycznej

Bardziej szczegółowo

r u du. Proces wartości aktywów firmy V. Proces bariery v wykorzystywany do zdefiniowania defaultu. moment defaultu τ.

r u du. Proces wartości aktywów firmy V. Proces bariery v wykorzystywany do zdefiniowania defaultu. moment defaultu τ. Wprowadzenie Mamy ustalone T > 0 horyzont, (Ω, F, P) z F filtracja, F = {F t } t [0,T ] oraz Proces chwilowej stopy procentowej r = (r t ) t [0,T ], tzn. rachunek bankowy spełnia ODE: db t = B t r t dt,

Bardziej szczegółowo

Procesy stochastyczne

Procesy stochastyczne Wykład I: Istnienie procesów stochastycznych 2 marca 2015 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane są

Bardziej szczegółowo

Podstawy robotyki. Wykład II. Robert Muszyński Janusz Jakubiak Instytut Informatyki, Automatyki i Robotyki Politechnika Wrocławska

Podstawy robotyki. Wykład II. Robert Muszyński Janusz Jakubiak Instytut Informatyki, Automatyki i Robotyki Politechnika Wrocławska Podstawy robotyki Wykład II Ruch ciała sztywnego w przestrzeni euklidesowej Robert Muszyński Janusz Jakubiak Instytut Informatyki, Automatyki i Robotyki Politechnika Wrocławska Preliminaria matematyczne

Bardziej szczegółowo

Quantile hedging. czyli jak tanio i dobrze zabezpieczyć opcję. Michał Krawiec, Piotr Piestrzyński

Quantile hedging. czyli jak tanio i dobrze zabezpieczyć opcję. Michał Krawiec, Piotr Piestrzyński czyli jak tanio i dobrze zabezpieczyć opcję Michał Krawiec Piotr Piestrzyński Koło Naukowe Probabilistyki i Statystyki Matematycznej Uniwersytet Wrocławski Niedziela, 19 kwietnia 2015 Przykład (opis problemu)

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, Biomatematyka

EGZAMIN MAGISTERSKI, Biomatematyka Biomatematyka 91...... Zadanie 1. (8 punktów) Liczebność pewnej populacji jest opisana równaniem różniczkowym: dn = r N(α N)(N β), (1) dt w którym, N(t) oznacza liczebność populacji w chwili t, a r > 0

Bardziej szczegółowo

Stochastyczne równania różniczkowe, studia II stopnia

Stochastyczne równania różniczkowe, studia II stopnia Stochastyczne równania różniczkowe, studia II stopnia Niech W t (ewentualnie W, W (t)), t oznacza proces Wienera oraz niech W = Niech W = (W, W 2,, W n ) oznacza n-wymiarowy proces Wienera Pokazać, że

Bardziej szczegółowo

Stochastyczne równania różniczkowe, model Blacka-Scholesa

Stochastyczne równania różniczkowe, model Blacka-Scholesa Stochastyczne równania różniczkowe, model Blacka-Scholesa Marcin Orchel Spis treści 1 Wstęp 1 1.1 Błądzenie losowe................................ 1 1. Proces Wienera................................. 1.3

Bardziej szczegółowo

Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką

Proces rezerwy w czasie dyskretnym z losową stopą procentową i losową składką z losową stopą procentową i losową składką Instytut Matematyki i Informatyki Politechniki Wrocławskiej 10 czerwca 2008 Oznaczenia Wprowadzenie ξ n liczba wypłat w (n 1, n], Oznaczenia Wprowadzenie ξ n

Bardziej szczegółowo

Procesy stochastyczne

Procesy stochastyczne Wykład I: Istnienie procesów stochastycznych 21 lutego 2017 Forma zaliczenia przedmiotu Forma zaliczenia Literatura 1 Zaliczenie ćwiczeń rachunkowych. 2 Egzamin ustny z teorii 3 Do wykładu przygotowane

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład II: Zmienne losowe i charakterystyki ich rozkładów 13 października 2014 Zmienne losowe Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Definicja zmiennej losowej i jej

Bardziej szczegółowo

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju

Funkcje charakterystyczne zmiennych losowych, linie regresji 1-go i 2-go rodzaju Funkcje charakterystyczne zmiennych losowych, linie regresji -go i 2-go rodzaju Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki

Bardziej szczegółowo

Akwizycja i przetwarzanie sygnałów cyfrowych

Akwizycja i przetwarzanie sygnałów cyfrowych Akwizycja i przetwarzanie sygnałów cyfrowych Instytut Teleinformatyki ITI PK Kraków 21 luty 2011 Reprezentacje sygnału Jak reprezentujemy sygnał: wybieramy sygnały wzorcowe (bazę) rozwijamy sygnał w wybranej

Bardziej szczegółowo

5 Równania różniczkowe zwyczajne rzędu drugiego

5 Równania różniczkowe zwyczajne rzędu drugiego 5 Równania różniczkowe zwyczajne rzędu drugiego Definicja 5.1. Równaniem różniczkowym zwyczajnym rzędu drugiego nazywamy równanie postaci F ( x, y, y, y ) = 0, (12) w którym niewiadomą jest funkcja y =

Bardziej szczegółowo

Zadania z algebry liniowej Iloczyn skalarny, przestrzenie euklidesowe

Zadania z algebry liniowej Iloczyn skalarny, przestrzenie euklidesowe Zadania z algebry liniowej Iloczyn skalarny, przestrzenie euklidesowe Definicja 1 (Iloczyn skalarny). Niech V będzie rzeczywistą przestrzenią liniową. Iloczynem skalarnym w przestrzeni V nazywamy funkcję

Bardziej szczegółowo

Wycena papierów wartościowych - instrumenty pochodne

Wycena papierów wartościowych - instrumenty pochodne Matematyka finansowa - 8 Wycena papierów wartościowych - instrumenty pochodne W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,

Bardziej szczegółowo

Rozkłady prawdopodobieństwa

Rozkłady prawdopodobieństwa Tytuł Spis treści Wersje dokumentu Instytut Matematyki Politechniki Łódzkiej 10 grudnia 2011 Spis treści Tytuł Spis treści Wersje dokumentu 1 Wartość oczekiwana Wariancja i odchylenie standardowe Rozkład

Bardziej szczegółowo

Reprezentacja martyngałowa względem addytywnych procesów Markowa-Itô

Reprezentacja martyngałowa względem addytywnych procesów Markowa-Itô Reprezentacja martyngałowa względem addytywnych procesów Markowa-Itô Instytut Matematyk Unwersytetu Jagellońskego Instytut Nauk Ekonomcznych PAN Wynk wspólne z prof. Ł. Stettnerem (IM PAN) prof. Z. Palmowskm

Bardziej szczegółowo

Rozdziaª 9: Wycena opcji

Rozdziaª 9: Wycena opcji Rozdziaª 9: Wycena opcji MODELOWANIE POLSKIEJ GOSPODARKI z R MPGzR (rozdz. 9) Wycena opcji 1 / 23 Denicja opcji. Opcja nansowa:. Warunkowy kontrakt terminowy na sprzeda» lub kupno instrumentu bazowego,

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład V: Zmienne losowe i ich wartości oczekiwane 25 października 2017 Definicja zmiennej losowej Definicja Zmienne losowa to charakterystyka liczbowa wyniku eksperymentu losowego. Zmienne losowa na przestrzeni

Bardziej szczegółowo

Informacja o przestrzeniach Sobolewa

Informacja o przestrzeniach Sobolewa Wykład 11 Informacja o przestrzeniach Sobolewa 11.1 Definicja przestrzeni Sobolewa Niech R n będzie zbiorem mierzalnym. Rozważmy przestrzeń Hilberta X = L 2 () z iloczynem skalarnym zdefiniowanym równością

Bardziej szczegółowo

Zmienne losowe. Powtórzenie. Dariusz Uciński. Wykład 1. Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski

Zmienne losowe. Powtórzenie. Dariusz Uciński. Wykład 1. Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Powtórzenie Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 1 Podręcznik podstawowy Jacek Koronacki, Jan Mielniczuk: Statystyka dla studentów kierunków technicznych i przyrodnicznych,

Bardziej szczegółowo

Statystyka matematyczna. Wykład III. Estymacja przedziałowa

Statystyka matematyczna. Wykład III. Estymacja przedziałowa Statystyka matematyczna. Wykład III. e-mail:e.kozlovski@pollub.pl Spis treści Rozkłady zmiennych losowych 1 Rozkłady zmiennych losowych Rozkład χ 2 Rozkład t-studenta Rozkład Fischera 2 Przedziały ufności

Bardziej szczegółowo

Równania różniczkowe liniowe rzędu pierwszego

Równania różniczkowe liniowe rzędu pierwszego Katedra Matematyki i Ekonomii Matematycznej SGH 21 kwietnia 2016 Wstęp Definicja Równanie różniczkowe + p (x) y = q (x) (1) nazywamy równaniem różniczkowym liniowym pierwszego rzędu. Jeśli q (x) 0, to

Bardziej szczegółowo

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywsitej

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywsitej Wydział Matematyki Stosowanej Zestaw zadań nr 3 Akademia Górniczo-Hutnicza w Krakowie WEiP, energetyka, I rok Elżbieta Adamus listopada 07r. Granica i ciągłość funkcji Granica funkcji rzeczywistej jednej

Bardziej szczegółowo

Wykład 3 Równania rózniczkowe cd

Wykład 3 Równania rózniczkowe cd 7 grudnia 2010 Definicja Równanie różniczkowe dy dx + p (x) y = q (x) (1) nazywamy równaniem różniczkowym liniowym pierwszego rzędu. Jeśli q (x) 0, to równanie (1) czyli równanie dy dx + p (x) y = 0 nazywamy

Bardziej szczegółowo

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywistej

Granica i ciągłość funkcji. 1 Granica funkcji rzeczywistej jednej zmiennej rzeczywistej Wydział Matematyki Stosowanej Zestaw zadań nr 3 Akademia Górniczo-Hutnicza w Krakowie WEiP, energetyka, I rok Elżbieta Adamus 3 listopada 06r. Granica i ciągłość funkcji Granica funkcji rzeczywistej jednej

Bardziej szczegółowo

Wycena opcji Dynamika cen akcji: ds(t) = as(t)dt + σs(t)dw (t)

Wycena opcji Dynamika cen akcji: ds(t) = as(t)dt + σs(t)dw (t) Wycena opcji Dynamika cen akcji: ds(t) = as(t)dt + σs(t)dw (t) Wycena opcji Dynamika cen akcji: ds(t) = as(t)dt + σs(t)dw (t) Figure 1: Aproksymacja drzewem dwumianowym Wycena opcji Dynamika cen akcji:

Bardziej szczegółowo

O pewnych klasach funkcji prawie okresowych (niekoniecznie ograniczonych)

O pewnych klasach funkcji prawie okresowych (niekoniecznie ograniczonych) (niekoniecznie ograniczonych) Wydział Matematyki i Informatyki Uniwersytet im. Adama Mickiewicza, Poznań Będlewo, 25-30 maja 2015 Funkcje prawie okresowe w sensie Bohra Definicja Zbiór E R nazywamy względnie

Bardziej szczegółowo

Teoria ze Wstępu do analizy stochastycznej

Teoria ze Wstępu do analizy stochastycznej eoria ze Wstępu do analizy stochastycznej Marcin Szumski 22 czerwca 21 1 Definicje 1. proces stochastyczny - rodzina zmiennych losowych X = (X t ) t 2. trajektoria - funkcja (losowa) t X t (ω) f : E 3.

Bardziej szczegółowo

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład

Rozdział 1. Wektory losowe. 1.1 Wektor losowy i jego rozkład Rozdział 1 Wektory losowe 1.1 Wektor losowy i jego rozkład Definicja 1 Wektor X = (X 1,..., X n ), którego każda współrzędna jest zmienną losową, nazywamy n-wymiarowym wektorem losowym (krótko wektorem

Bardziej szczegółowo

Ubezpieczenia majątkowe

Ubezpieczenia majątkowe Funkcje użyteczności a składki Uniwersytet Przyrodniczy we Wrocławiu Instytut Nauk Ekonomicznych i Społecznych 2016/2017 Funkcja użyteczności Niech ω wielkość majątku decydenta wyrażona w j.p., u (ω) stopień

Bardziej szczegółowo

Komisja Egzaminacyjna dla Aktuariuszy LXX Egzamin dla Aktuariuszy z 23 marca 2015 r. Część I Matematyka finansowa

Komisja Egzaminacyjna dla Aktuariuszy LXX Egzamin dla Aktuariuszy z 23 marca 2015 r. Część I Matematyka finansowa Komisja Egzaminacyjna dla Aktuariuszy LXX Egzamin dla Aktuariuszy z 23 marca 2015 r. Część I Matematyka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1. Rozważmy

Bardziej szczegółowo

}, gdzie a = t (n) )(f(t(n) k. ) f(t(n) k 1 ) 1+δ = 0,

}, gdzie a = t (n) )(f(t(n) k. ) f(t(n) k 1 ) 1+δ = 0, Zadania z Procesów Stochastycznych II - 1 1. Niech π n = {t (n), t(n) 1,..., t(n) k n }, gdzie a = t (n) < t (n) 1

Bardziej szczegółowo

Komisja Egzaminacyjna dla Aktuariuszy. XLIV Egzamin dla Aktuariuszy z 3 grudnia 2007 r. Część I. Matematyka finansowa

Komisja Egzaminacyjna dla Aktuariuszy. XLIV Egzamin dla Aktuariuszy z 3 grudnia 2007 r. Część I. Matematyka finansowa Komisja Egzaminacyjna dla Aktuariuszy XLIV Egzamin dla Aktuariuszy z 3 grudnia 2007 r. Część I Matematyka finansowa Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 100 minut 1 1. Rachunki oszczędnościowe

Bardziej szczegółowo

Przestrzeń unitarna. Jacek Kłopotowski. 23 października Katedra Matematyki i Ekonomii Matematycznej SGH

Przestrzeń unitarna. Jacek Kłopotowski. 23 października Katedra Matematyki i Ekonomii Matematycznej SGH Katedra Matematyki i Ekonomii Matematycznej SGH 23 października 2018 Definicja iloczynu skalarnego Definicja Iloczynem skalarnym w przestrzeni liniowej R n nazywamy odwzorowanie ( ) : R n R n R spełniające

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład II: i charakterystyki ich rozkładów 24 lutego 2014 Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa, cz. II Wartość oczekiwana Dystrybuanty Słowniczek teorii prawdopodobieństwa,

Bardziej szczegółowo

Informacja o przestrzeniach Hilberta

Informacja o przestrzeniach Hilberta Temat 10 Informacja o przestrzeniach Hilberta 10.1 Przestrzenie unitarne, iloczyn skalarny Niech dana będzie przestrzeń liniowa X. Załóżmy, że każdej parze elementów x, y X została przyporządkowana liczba

Bardziej szczegółowo

1 Relacje i odwzorowania

1 Relacje i odwzorowania Relacje i odwzorowania Relacje Jacek Kłopotowski Zadania z analizy matematycznej I Wykazać, że jeśli relacja ρ X X jest przeciwzwrotna i przechodnia, to jest przeciwsymetryczna Zbadać czy relacja ρ X X

Bardziej szczegółowo

Statystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012

Statystyka. Wykład 2. Krzysztof Topolski. Wrocław, 11 października 2012 Wykład 2 Wrocław, 11 października 2012 Próba losowa Definicja. Zmienne losowe X 1, X 2,..., X n nazywamy próba losową rozmiaru n z rozkładu o gęstości f (x) (o dystrybuancie F (x)) jeśli X 1, X 2,...,

Bardziej szczegółowo

Optymalne portfele inwestycyjne

Optymalne portfele inwestycyjne Dariusz Zawisza Instytut Matematyki UJ 10 maj 2012 Problem Rozwiązanie problemu Aktywa wolne od ryzyka Estymacja parametrów Pomiar ryzyka Oznaczenia (Ω, F, P) - przestrzeń probablistyczna, r i := S1 i

Bardziej szczegółowo

Ośrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski,

Ośrodkowość procesów, proces Wienera. Ośrodkowość procesów, proces Wienera Procesy Stochastyczne, wykład, T. Byczkowski, Procesy Stochastyczne, wykład, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1136 27 luty, 2012 Ośrodkowość procesów Dalej zakładamy, że (Ω, Σ, P) jest zupełną przestrzenią miarową. Definicja.

Bardziej szczegółowo

Wykład 11: Martyngały: definicja, twierdzenia o zbieżności

Wykład 11: Martyngały: definicja, twierdzenia o zbieżności RAP 412 14.01.2009 Wykład 11: Martyngały: definicja, twierdzenia o zbieżności Wykładowca: Andrzej Ruciński Pisarz:Mirosława Jańczak 1 Wstęp Do tej pory zajmowaliśmy się ciągami zmiennych losowych (X n

Bardziej szczegółowo

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ. Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.

Bardziej szczegółowo

Analiza funkcjonalna 1.

Analiza funkcjonalna 1. Analiza funkcjonalna 1. Wioletta Karpińska Semestr letni 2015/2016 0 Bibliografia [1] Banaszczyk W., Analiza matematyczna 3. Wykłady. (http://math.uni.lodz.pl/ wbanasz/am3/) [2] Birkholc A., Analiza matematyczna.

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład VII: Rozkład i jego charakterystyki 22 listopada 2016 Uprzednio wprowadzone pojęcia i ich własności Definicja zmiennej losowej Zmienna losowa na przestrzeni probabilistycznej (Ω, F, P) to funkcja

Bardziej szczegółowo

ODWZOROWANIA JEDNO- I WIELOWARTOŚCIOWE. PODOBIEŃSTWA, RÓŻNICE I PROBLEMY Z TEGO WYNIKAJĄCE.

ODWZOROWANIA JEDNO- I WIELOWARTOŚCIOWE. PODOBIEŃSTWA, RÓŻNICE I PROBLEMY Z TEGO WYNIKAJĄCE. Wydział Matematyki, Informatyki i Ekonometrii Uniwersytet Zielonogórski ODWZOROWANIA JEDNO- I WIELOWARTOŚCIOWE. PODOBIEŃSTWA, RÓŻNICE I PROBLEMY Z TEGO WYNIKAJĄCE. Joachim Syga III Konferencja Zastosowań

Bardziej szczegółowo

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu

Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotn. istotności, p-wartość i moc testu Wykład 2 Hipoteza statystyczna, test statystyczny, poziom istotności, p-wartość i moc testu Wrocław, 01.03.2017r Przykład 2.1 Właściciel firmy produkującej telefony komórkowe twierdzi, że wśród jego produktów

Bardziej szczegółowo

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. L Egzamin dla Aktuariuszy z 5 października 2009 r.

Matematyka finansowa r. Komisja Egzaminacyjna dla Aktuariuszy. L Egzamin dla Aktuariuszy z 5 października 2009 r. Komisja Egzaminacyjna dla Aktuariuszy L Egzamin dla Aktuariuszy z 5 października 2009 r. Część I Matematyka finansowa WERSJA TESTU A Imię i nazwisko osoby egzaminowanej:... Czas egzaminu: 0 minut 1 1.

Bardziej szczegółowo

21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126

21 maja, Mocna własność Markowa procesu Wienera. Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 Mocna własność Markowa procesu Wienera Procesy Stochastyczne, wykład 13, T. Byczkowski, Procesy Stochastyczne, PPT, Matematyka MAP1126 21 maja, 2012 Mocna własność Markowa W = (W 1,..., W d ) oznaczać

Bardziej szczegółowo

Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008

Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008 Przemysław Klusik Instytut Matematyczny, Uniwersytet Wrocławski Ogólnopolska Konferencja Naukowa Zagadnienia Aktuarialne - Teoria i praktyka Warszawa, 9 11 czerwca 2008 (UWr) Zagadnienia Aktuarialne -

Bardziej szczegółowo

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 4 Przekształcenia zmiennej losowej, momenty Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 4 / 9 Przekształcenia zmiennej losowej X

Bardziej szczegółowo

Model Pasywnego Trasera w Lokalnie Ergodycznym Środowisku

Model Pasywnego Trasera w Lokalnie Ergodycznym Środowisku w Lokalnie Ergodycznym Środowisku Tymoteusz Chojecki UMCS, Lublin Tomasz Komorowski IMPAN, Warszawa Kościelisko, 10 września 2016, XLV Konferencja Zastosowań Matematyki T. Komorowski, T. Chojecki w Lokalnie

Bardziej szczegółowo

EGZAMIN MAGISTERSKI, Biomatematyka

EGZAMIN MAGISTERSKI, Biomatematyka Biomatematyka 80...... Zadanie 1. (8 punktów) Załóżmy, że w diploidalnej populacji kojarzącej się w sposób losowy, w loci o dwóch allelach A i a 36% osobników tej populacji ma genotyp aa. (a) Jaka cześć

Bardziej szczegółowo

Prawdopodobieństwo i statystyka

Prawdopodobieństwo i statystyka Wykład XV: Zagadnienia redukcji wymiaru danych 2 lutego 2015 r. Standaryzacja danych Standaryzacja danych Własności macierzy korelacji Definicja Niech X będzie zmienną losową o skończonym drugim momencie.

Bardziej szczegółowo

ANALIZA OPCJI ANALIZA OPCJI - WYCENA. Krzysztof Jajuga Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Uniwersytet Ekonomiczny we Wrocławiu

ANALIZA OPCJI ANALIZA OPCJI - WYCENA. Krzysztof Jajuga Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Uniwersytet Ekonomiczny we Wrocławiu Krzysztof Jajuga Katedra Inwestycji Finansowych i Zarządzania Ryzykiem Uniwersytet Ekonomiczny we Wrocławiu Podstawowe pojęcia Opcja: in-the-money (ITM call: wartość instrumentu podstawowego > cena wykonania

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Wykład XII: Zagadnienia redukcji wymiaru danych 12 maja 2014 Definicja Niech X będzie zmienną losową o skończonym drugim momencie. Standaryzacją zmiennej X nazywamy zmienną losową Z = X EX Var (X ). Definicja

Bardziej szczegółowo

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa

WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa WYKŁADY Z RACHUNKU PRAWDOPODOBIEŃSTWA I wykład 2 i 3 Zmienna losowa Agata Boratyńska Agata Boratyńska Rachunek prawdopodobieństwa, wykład 2 i 3 1 / 19 Zmienna losowa Definicja Dana jest przestrzeń probabilistyczna

Bardziej szczegółowo

Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej

Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej Dyskretne procesy stacjonarne o nieskończonej entropii nadwyżkowej Łukasz Dębowski ldebowsk@ipipan.waw.pl i Instytut Podstaw Informatyki PAN Co to jest entropia nadwyżkowa? Niech (X i ) i Z będzie procesem

Bardziej szczegółowo

Rozdział 3. Tensory. 3.1 Krzywoliniowe układy współrzędnych

Rozdział 3. Tensory. 3.1 Krzywoliniowe układy współrzędnych Rozdział 3 Tensory 3.1 Krzywoliniowe układy współrzędnych W kartezjańskim układzie współrzędnych punkty P są scharakteryzowane przez współrzędne kartezjańskie wektora wodzącego r = x 1 i 1 + x 2 i 2 +

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 4 - zagadnienie estymacji, metody wyznaczania estymatorów Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 4 1 / 23 ZAGADNIENIE ESTYMACJI Zagadnienie

Bardziej szczegółowo

Teoria opcji SYLABUS

Teoria opcji SYLABUS Teoria opcji nazwa przedmiotu SYLABUS B. Informacje szczegółowe Elementy składowe sylabusu Opis Nazwa przedmiotu Teoria opcji Kod przedmiotu 0600-FS2-2TO Nazwa jednostki prowadzącej Wydział Matematyki

Bardziej szczegółowo

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III.

Literatura. Leitner R., Zacharski J., Zarys matematyki wyŝszej dla studentów, cz. III. Literatura Krysicki W., Bartos J., Dyczka W., Królikowska K, Wasilewski M., Rachunek Prawdopodobieństwa i Statystyka Matematyczna w Zadaniach, cz. I. Leitner R., Zacharski J., Zarys matematyki wyŝszej

Bardziej szczegółowo

Matematyka z el. statystyki, # 1 /Geodezja i kartografia I/

Matematyka z el. statystyki, # 1 /Geodezja i kartografia I/ Matematyka z el. statystyki, # 1 /Geodezja i kartografia I/ dr n. mat. Zdzisław Otachel Uniwersytet Przyrodniczy w Lublinie Katedra Zastosowań Matematyki i Informatyki ul. Akademicka 15, p.211a, bud. Agro

Bardziej szczegółowo

Rachunek prawdopodobieństwa i statystyka

Rachunek prawdopodobieństwa i statystyka Rachunek prawdopodobieństwa i statystyka Momenty Zmienna losowa jest wystarczająco dokładnie opisana przez jej rozkład prawdopodobieństwa. Względy praktyczne dyktują jednak potrzebę znalezienia charakterystyk

Bardziej szczegółowo

Statystyka i eksploracja danych

Statystyka i eksploracja danych Projekt pn. Wzmocnienie potencjału dydaktycznego UMK w Toruniu w dziedzinach matematyczno-przyrodniczych realizowany w ramach Poddziałania 4.1.1 Programu Operacyjnego Kapitał Ludzki Statystyka i eksploracja

Bardziej szczegółowo

8 Całka stochastyczna względem semimartyngałów

8 Całka stochastyczna względem semimartyngałów M. Beśka, Całka Stochastyczna, wykład 8 148 8 Całka stochastyczna względem semimartyngałów 8.1 Całka stochastyczna w M 2 Oznaczmy przez Ξ zbiór procesów postaci X t (ω) = ξ (ω)i {} (t) + n ξ i (ω)i (ti,

Bardziej szczegółowo

Metoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014

Metoda momentów i kwantyli próbkowych. Wrocław, 7 listopada 2014 Metoda momentów i kwantyli próbkowych Wrocław, 7 listopada 2014 Metoda momentów Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa. Momenty zmiennych losowych X 1, X 2,..., X n - próba losowa.

Bardziej szczegółowo

Zadania z Rachunku Prawdopodobieństwa III - 1

Zadania z Rachunku Prawdopodobieństwa III - 1 Zadania z Rachunku Prawdopodobieństwa III - 1 Funkcją tworzącą momenty (transformatą Laplace a) zmiennej losowej X nazywamy funkcję M X (t) := Ee tx, t R. 1. Oblicz funkcję tworzącą momenty zmiennych o

Bardziej szczegółowo

Nieregularne ścieżki - między determinizmem a losowością

Nieregularne ścieżki - między determinizmem a losowością Nieregularne ścieżki - między determinizmem a losowością Rafał Łochowski SGH 6. Forum Matematyków Rafał Łochowski (SGH) Nieregularne ścieżki 6. Forum Matematyków 1 / 21 Problem z nieskończonym wahaniem

Bardziej szczegółowo

Układy równań i równania wyższych rzędów

Układy równań i równania wyższych rzędów Rozdział Układy równań i równania wyższych rzędów Układy równań różniczkowych zwyczajnych Wprowadzenie W poprzednich paragrafach zajmowaliśmy się równaniami różniczkowymi y = f(x, y), których rozwiązaniem

Bardziej szczegółowo

Wstęp do analitycznych i numerycznych metod wyceny opcji

Wstęp do analitycznych i numerycznych metod wyceny opcji Wstęp do analitycznych i numerycznych metod wyceny opcji Jan Palczewski Wydział Matematyki, Informatyki i Mechaniki Uniwersytet Warszawski Warszawa, 16 maja 2008 Jan Palczewski Wycena opcji Warszawa, 2008

Bardziej szczegółowo

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27

2. P (E) = 1. β B. TSIM W3: Sygnały stochastyczne 1/27 SYGNAŁY STOCHASTYCZNE Przestrzeń probabilistyczna i zmienna losowa Definicja Przestrzenią probabilistyczną (doświadczeniem) nazywamy trójkę uporządkowaną (E, B, P ), gdzie: E przestrzeń zdarzeń elementarnych;

Bardziej szczegółowo

II. POSTULATY MECHANIKI KWANTOWEJ W JĘZYKU WEKTORÓW STANU. Janusz Adamowski

II. POSTULATY MECHANIKI KWANTOWEJ W JĘZYKU WEKTORÓW STANU. Janusz Adamowski II. POSTULATY MECHANIKI KWANTOWEJ W JĘZYKU WEKTORÓW STANU Janusz Adamowski 1 1 Przestrzeń Hilberta Do opisu stanów kwantowych używamy przestrzeni Hilberta. Przestrzenią Hilberta H nazywamy przestrzeń wektorową

Bardziej szczegółowo

Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS

Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS Wstęp do Rachunku Prawdopodobieństwa, IIr. WMS przykładowe zadania na. kolokwium czerwca 6r. Poniżej podany jest przykładowy zestaw zadań. Podczas kolokwium na ich rozwiązanie przeznaczone będzie ok. 85

Bardziej szczegółowo

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ.

2. Wykaż, że moment pierwszego skoku w procesie Poissona. S 1 := inf{t : N t > 0} jest zmienną losową o rozkładzie wykładniczym z parametrem λ. Zadania z Procesów Stochastycznych 1 1. Udowodnij, że z prawdopodobieństwem 1 trajektorie procesu Poissona są niemalejące, przyjmują wartości z Z +, mają wszystkie skoki równe 1 oraz dążą do nieskończoności.

Bardziej szczegółowo

Metoda najmniejszych kwadratów

Metoda najmniejszych kwadratów Metoda najmniejszych kwadratów Przykład wstępny. W ekonomicznej teorii produkcji rozważa się funkcję produkcji Cobba Douglasa: z = AL α K β gdzie z oznacza wielkość produkcji, L jest nakładem pracy, K

Bardziej szczegółowo

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska

WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska WYKŁADY ZE STATYSTYKI MATEMATYCZNEJ wykład 13 i 14 - Statystyka bayesowska Agata Boratyńska Agata Boratyńska Statystyka matematyczna, wykład 13 i 14 1 / 15 MODEL BAYESOWSKI, przykład wstępny Statystyka

Bardziej szczegółowo

1 Równania różniczkowe zwyczajne

1 Równania różniczkowe zwyczajne Równania różniczkowe zwyczajne wykład z MATEMATYKI Budownictwo studia niestacjonarne sem. II, rok ak. 2008/2009 Katedra Matematyki Wydział Informatyki Politechnika Białostocka Równania różniczkowe Równaniem

Bardziej szczegółowo

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów.

Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Rachunek prawdopodobieństwa MAT1332 Wydział Matematyki, Matematyka Stosowana Wykładowca: dr hab. Agnieszka Jurlewicz Wykład 12: Warunkowa wartość oczekiwana. Rozkłady warunkowe. Mieszanina rozkładów. Warunkowa

Bardziej szczegółowo

Inżynieria Finansowa: 9. Wartość opcji i model Blacka-Scholesa w praktyce

Inżynieria Finansowa: 9. Wartość opcji i model Blacka-Scholesa w praktyce Inżynieria Finansowa: 9. Wartość opcji i model Blacka-Scholesa w praktyce Piotr Bańbuła atedra Ekonomii Ilościowej, AE Czerwiec 2017 r. Warszawa, Szkoła Główna Handlowa Wypłata Wypłata Opcja binarna 0

Bardziej szczegółowo

Wycena equity derivatives notowanych na GPW w obliczu wysokiego ryzyka dywidendy

Wycena equity derivatives notowanych na GPW w obliczu wysokiego ryzyka dywidendy Instrumenty pochodne 2014 Wycena equity derivatives notowanych na GPW w obliczu wysokiego ryzyka dywidendy Jerzy Dzieża, WMS, AGH Kraków 28 maja 2014 (Instrumenty pochodne 2014 ) Wycena equity derivatives

Bardziej szczegółowo

Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych

Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych Matematyka finansowa i ubezpieczeniowa - 8 Wycena papierów wartościowych W ujęciu probabilistycznym cena akcji w momencie t jest zmienną losową P t o pewnym (zwykle nieznanym) rozkładzie prawdopodobieństwa,

Bardziej szczegółowo

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski

Modelowanie zależności. Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski Modelowanie zależności pomiędzy zmiennymi losowymi Matematyczne podstawy teorii ryzyka i ich zastosowanie R. Łochowski P Zmienne losowe niezależne - przypomnienie Dwie rzeczywiste zmienne losowe X i Y

Bardziej szczegółowo

Szkice do zajęć z Przedmiotu Wyrównawczego

Szkice do zajęć z Przedmiotu Wyrównawczego Szkice do zajęć z Przedmiotu Wyrównawczego Matematyka Finansowa sem. letni 2011/2012 Spis treści Zajęcia 1 3 1.1 Przestrzeń probabilistyczna................................. 3 1.2 Prawdopodobieństwo warunkowe..............................

Bardziej szczegółowo

Zmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015

Zmienne losowe, statystyki próbkowe. Wrocław, 2 marca 2015 Zmienne losowe, statystyki próbkowe Wrocław, 2 marca 2015 Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20 punktów) aktywność Zasady zaliczenia 2 kolokwia (każde po 20 punktów) projekt (20

Bardziej szczegółowo

Wycena egzotycznego instrumentu pochodnego stopy procentowej

Wycena egzotycznego instrumentu pochodnego stopy procentowej Wycena egzotycznego instrumentu pochodnego stopy procentowej Trigger Swap Andrzej Konieczek BRE Bank 16 maja 2008 Wstęp Trigger Swap charakterystyka instrumentu Model Brace-Gątarek-Musiela Implementacja

Bardziej szczegółowo

F t+ := s>t. F s = F t.

F t+ := s>t. F s = F t. M. Beśka, Całka Stochastyczna, wykład 1 1 1 Wiadomości wstępne 1.1 Przestrzeń probabilistyczna z filtracją Niech (Ω, F, P ) będzie ustaloną przestrzenią probabilistyczną i niech F = {F t } t 0 będzie rodziną

Bardziej szczegółowo

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014

Estymacja przedziałowa - przedziały ufności dla średnich. Wrocław, 5 grudnia 2014 Estymacja przedziałowa - przedziały ufności dla średnich Wrocław, 5 grudnia 2014 Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja Przedziałem ufności dla paramertu

Bardziej szczegółowo

5.6 Klasyczne wersje Twierdzenia Stokes a

5.6 Klasyczne wersje Twierdzenia Stokes a Ostatecznie f = 1 r 2 f ) r 2 r r + ctg ϑ f r 2 ϑ + 1 2 f r 2 ϑ + 1 2 2 f r 2 sin 2 ϑ ϕ 2 56 Klasyczne wersje Twierdzenia Stokes a Odpowiedniość między polami wektorowymi i jednoformami lub n 1)-formami

Bardziej szczegółowo

1 Formy hermitowskie. GAL (Informatyka) Wykład - formy hermitowskie. Paweł Bechler

1 Formy hermitowskie. GAL (Informatyka) Wykład - formy hermitowskie. Paweł Bechler GAL (Informatyka) Wykład - formy hermitowskie Wersja z dnia 23 stycznia 2014 Paweł Bechler 1 Formy hermitowskie Niech X oznacza przestrzeń liniową nad ciałem K. Definicja 1. Funkcję φ : X X K nazywamy

Bardziej szczegółowo

Komputerowa analiza danych doświadczalnych

Komputerowa analiza danych doświadczalnych Komputerowa analiza danych doświadczalnych Wykład 3 11.03.2016 dr inż. Łukasz Graczykowski lgraczyk@if.pw.edu.pl Wykłady z poprzednich lat (dr inż. H. Zbroszczyk): http://www.if.pw.edu.pl/~gos/student

Bardziej szczegółowo

Jak wyznaczyć premię za ryzyko? kilka słów o modelu Arrowa - Pratta

Jak wyznaczyć premię za ryzyko? kilka słów o modelu Arrowa - Pratta Jak wyznaczyć premię za ryzyko? kilka słów o modelu Arrowa - Pratta Instytut Matematyki Politechniki Łódzkiej Poznań, 13.05.2017 r. Pojęcia wstępne u - funkcja użyteczności u : R R, u - ciągła, ściśle

Bardziej szczegółowo

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn

Wykład 10 Estymacja przedziałowa - przedziały ufności dla średn Wykład 10 Estymacja przedziałowa - przedziały ufności dla średniej Wrocław, 21 grudnia 2016r Przedział ufności Niech będzie dana próba X 1, X 2,..., X n z rozkładu P θ, θ Θ. Definicja 10.1 Przedziałem

Bardziej szczegółowo