跳到主要內容

[隨機分析] Girsanov Theory (0) - 測度變換

一般而言,我們都是在固定的機率空間 $(\Omega, \mathcal{F}, P)$ 進行各種討論,現在我們想考慮一個問題就是如果我們現在把 機率測度 $P$ 改成另一個機率測度 $Q$ 會發生甚麼事情,此問題的主要結果由 Girsanov 做出進一步發展。


那麼,在談變換之前,必定要先問一個問題就是? 變換測度的動機是甚麼? 有沒有什麼實際的應用使得我們需要進行變換測度?

在財務上,很多時候我們需要 風險中立測度(Risk-netural measure),此測度 與原本的機率測度不同,故我們需要找到一個方法來幫助我們轉換原本的 機率測度 到 風險中立測度。那麼談變換之前,我們需要一些定義:

===========================
Definition: 兩測度間的絕對連續性 (Q is absolutely continuous w.r.t. P: Q<<P )
給定兩個機率測度 $P, Q$ 在一個 measurable space $(\Omega, \mathcal{F})$,,我們稱
機率測度 $Q$ 對 機率測度 $P$ 而言為 絕對連續 (Absolutely continuous),記做 $Q << P$ ,若下面條件成立:對任意 $ A \in \mathcal{F}$ 而言,
\[
P(A) =0 \Rightarrow Q(A) =0
\]===========================

Comment:
Reader might think that the notation $<<$ is confusing. I suggest you to follow the double-arrow direction: if we say $P << Q$ the arrow direction is $<<$ this reminds me that for all set $A \in \mathcal{F}$, $Q(A)=0 \Rightarrow P(A)=0$ (Follow the direction of double arrows !)


===========================
Definition: 等價測度 (Equivalence of Two Measures)
若 $P << Q$ 且 $Q <<P$,我們稱 $P, Q$ 兩者等價 (equivalent)。 (亦即 $P$ 與 $Q$ 有相同的測度為零的集合。)
===========================

上述定義告訴我們兩個測度之間如果互為絕對連續,則兩測度等價。但如果沒有互為絕對連續的時候,兩個測度之間是否可以有甚麼關係呢? 答案是有的,我們將其記做下面定理:

===========================
Theorem (Radon-Nikodym Theorem)
$Q$ 為 absolutely continuous w.r.t. $P$ on $\mathcal{F}$ $\Leftrightarrow$ 存在一個 $\mathcal{F}$-measurable 的非負隨機變數 $Z \geq 0$ ( $Z : \Omega \rightarrow \mathbb{R}$ ) 使得
\[
\int_{\Omega} X d Q = \int_{\Omega} X Z dP, \ \ \text{$\forall$  $\mathcal{F}$-measurable $X \geq 0$}
\] 亦即 對任意 $X: \Omega \rightarrow \mathbb{R}$ 而言,
$$
E^Q[X] = E^P[XZ]
$$===========================

Comment:
上述 Radon-Nikodym Theorem 指出 如果要檢驗 $Q <<P$ 則必須找到一個 $Z$ 使得\[
\int_{\Omega} X d Q = \int_{\Omega} X Z dP, \ \ \text{$\forall$  $\mathcal{F}$-measurable $X \geq 0$}
\] 成立,但注意到找到 $Z$ 之後仍要保證對所有的 measurable function $X \in \mathcal{F}$,都要成立,故其有一定難度,這邊我們有個系理可以幫助我們更快速檢驗是否 $Q<<P$,將 $X := 1_{A}$ (用 Indicator function 表示 $X$)


===============
Corollary:
$Q<<P$ on $\mathcal{F}$ $\Leftrightarrow$ 存在一個 $\mathcal{F}$-measurable function $Z \geq 0$ 使得
\[
Q(A) = \int_{A} Z dP, \forall \ A \in \mathcal{F}
\]===============



===========================
Definition: (Radon-Nikodym density, Radon-Nikodym derivative)
Radon-Nikodym Theorem 中須尋找的函數 $Z$ 稱作 Radon-Nikodym density or Randon-Nikodym derivative of $Q$ w.r.t. $P$,且我們將其寫作:
\[
Z:= \frac{dQ}{dP}
\]===========================


Comment:
現在我們看看為甚麼要將 $Z$ 定義成上述的 "微分" 的形式?一般而言,考慮  $X$ 為定義在 機率空間 $(\Omega, \mathcal{F}, P)$ 中的隨機變數,則 $X$  (基於測度 $P$) 的期望值,在此記作 $E^P[X]$ 定義為
\[
E^P[X] := \int_{\Omega} X dP
\]若現在我們將上述測度 $P$ 撤換為 新的測度,比如說 $Q$,則 $X$ 對 $Q$ 測度 的 期望值,記作 $E^Q[X]$ 可寫為:
\[
E^Q [X] := \int_{\Omega} XdQ
\]注意到我們利用上述概念與 Radon-Nikodym derivative,可進一步改寫 Radon-Nikodym Thoerem:
\[{E^Q}\left[ X \right]: = \int_\Omega  X dQ = \int_\Omega  X ZdP = \int_\Omega  X \frac{{dQ}}{{dP}}dP = {E^P}\left[ {X\frac{{dQ}}{{dP}}} \right]\]


現在我們看幾個例子來看看我們怎麼利用絕對連續的定義 or Randon-Nikodym Theorem 幫助我們檢驗兩個測度之間是否存在絕對連續關係。


===============
Example 1 (Continuous time case):
現在考慮 $\Omega := \mathbb{R}$,且給定隨機變數 $X$ 服從指數分配,但此分配 配備兩種不同測度 $P,Q$ ,記作 $Q \sim \exp(\lambda)$,$P \sim \exp(\mu)$。試問此兩測度 $P,Q$ 是否互為絕對連續?
===============

YES! 由 Randon-Nikodym Theorem,我們需要找到一個函數 $Z$ 使得 $E^Q[X] = E^P[XZ], \ \forall X$,故給定任意函數 $X: \Omega \rightarrow \mathbb{R}$ 現在觀察
\begin{align*}
  {E^Q}[X] &: = \int_\Omega ^{} {XdQ}  \hfill \\
   &= \int_\Omega ^{} {x\lambda {e^{ - \lambda x}}dx}  \hfill \\
   &= \int_\Omega ^{} {x\lambda {e^{ - \lambda x}}\frac{{\mu {e^{ - \mu x}}}}{{\mu {e^{ - \mu x}}}}dx}  \hfill \\
   &= \int_\Omega ^{} {\left( {x\frac{{\lambda {e^{ - \lambda x}}}}{{\mu {e^{ - \mu x}}}}} \right)\mu {e^{ - \mu x}}dx}  \hfill \\
\end{align*} 故如果我們選 $Z: =Z(x) = \frac{{\lambda {e^{ - \lambda x}}}}{{\mu {e^{ - \mu x}}}}$,則我們即可得到
\begin{align*}
  {E^Q}[X] &= \int_\Omega ^{} {\left( {x z(x)} \right)\mu {e^{ - \mu x}}dx}  \hfill \\
   &= \int_\Omega ^{} {xzdP}  \hfill \\
   &= {E^P}\left[ {XZ} \right]
\end{align*}

===============
Example 2 (Discrete-time case):
考慮 $\Omega = \{1,2,3,4 \}$,且 $\mathcal{F} := \sigma(\{ 1\}, \{2\}, \{3\}, \{ 4\})$
$P_1 (\{1\}) = \frac{1}{2}$, $P_1(\{2\}) = \frac{1}{3}$, $P_1(\{3\})=\frac{1}{6}$, $P_1(\{4\})=0$
 $P_2 (\{1\}) = \frac{1}{3}$, $P_2(\{2\}) = \frac{1}{4}$, $P_2(\{3\})=\frac{1}{6}$, $P_2(\{4\})=\frac{1}{4}$

(a) 試證 $P_2 $ 與 $P_1$ 並絕對連續  但 $P_1$ 與 $P_2$ 為絕對連續
===============

Proof (a): 以下我們證明 $P_2 $ 與 $P_1$ 並絕對連續,但 $P_1$ 與 $P_2$ 為絕對連續。由絕對連續定義得知:首先檢驗 $P_2 << P_1$:由絕對連續定義可知必須滿足
\[
P_1(A)=0 \Rightarrow P_2(A)=0
\]但現在觀察 $P_1(\{4\})=0$ 但是  $P_2(\{4\})= 1/4 \neq 0$。故$P_2 $ $P_1$ 並絕對連續。

再者檢驗 $P_1 << P_2$:由絕對連續定義可知必須滿足
\[
P_1(A)=0 \Rightarrow P_2(A)=0
\]但現在觀察 $P_1(A)$ 只有當 $A = \emptyset $才為 $0$,亦即 $P_1(\{\emptyset\})=0$ 且 $P(\{\emptyset\})=0$。故$P_2 $ 與 $P_1$ 為絕對連續。






留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if  ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做  若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質