2016年11月30日 星期三

[投資理論] 股價動態模型(1) - 離散時間乘法模型

此文我們將討論離散時間股價較為合宜的動態模型:令 $k=0,1,2,...,N-1$ 且 $S(k) >0$ 為時刻 $k$ 之股價 且 $S(0)$ 已知常數,現在考慮股價服從以下 乘法模型
\[
S(k+1) = u(k) S(k) \;\;\;\; (*)
\] 其中  $u(k)$ 為  mutually independent 隨機變數 (代表時刻 $k$ 到 $k+1$ 股價的相對變化,亦即 $u(k) = S(k+1)/S(k)$)。現在對上述乘法模型等號兩邊取對數
\begin{align*}
  \ln S(k + 1) &= \ln \left( {u(k)S(k)} \right) \hfill \\
  & = \ln u(k) + \ln \left( {S(k)} \right)
\end{align*}
上述等號對 $k=0,1,2...,N-1$ 皆成立。

Comments:
1. 上述乘法模型中的 $u(k)$ 導致下一時刻的股價產生隨機波動,此結果在一般經濟學中稱為 價格衝擊 (shocks) 在控制理論中被稱為 干擾 (disturbances) 。
2. 上述乘法模型為股價離散時間標準模型,若我們考慮上述 $k=0,1,...,N$ 發生在 時間範圍 $\Delta t$ 之間,則讓 $N \to \infty$ 我們可以近似 股價連續時間的標準模型,也就是 幾何布朗運動 (Geometric Brownian Motion),但此非本文重點在此不做贅述,有興趣的讀者可以參閱本 BLOG其他相關幾何布朗運動的文章。



對數常態分布的股價 (Log-normal Price)
現在對  $k=0,1,2...,N-1$ ,定義 $w(k):= \ln u(k)$ 且我們指定 $w(k)$ 服從具有 $E[w(k)] = \mu$ 與變異數 $Var(w(k)) = \sigma^2$ 的常態分佈 且 $w(k)$ mutually independent 。

Comments:
由於 $w(k):= \ln u(k)$,我們有 $u(k) = exp(w(k))$ 且 由於 $w(k) \sim N(\mu, \sigma^2)$ 故 $u(k)$ 為 log-normal 隨機變數 (亦即 取 log 之後為常態分配) 。


由乘法模型,不難得知
\[\ln S(k) = \ln \left[ {u(k - 1)u(k - 2) \cdots u\left( 0 \right)S(0)} \right]
\]故若對等號兩邊同取 log可知
\begin{align*}
  \ln S(k) &= \ln S\left( 0 \right) + \sum\limits_{i = 0}^{k - 1} {\ln u(i)}  \hfill \\
   &= \ln S\left( 0 \right) + \sum\limits_{i = 0}^{k - 1} {w(i)}  \hfill \\
\end{align*}
注意到 $\ln S(0)$ 為已知常數,且 $w(i)$ 為 mutually independent 的常態分佈隨機變數 滿足 期望值 $\mu$ 與變異數 $\sigma^2$,故由大學部機率論可知, $\sum_{i=0}^{k-1} w(i)$ 亦為常態隨機變數且其期望值為 $k \mu$ 變異數為 $k \sigma^2$,亦即
\[\sum\limits_{i = 0}^{k - 1} {w(i)} \sim N\left( {k\mu ,k{\sigma ^2}} \right)\]
又因為 $\ln S(0)$ 為已知常數,故 $\ln S(k)$ 亦為常態分佈滿足
\[\ln S(k)\sim N\left( {\ln S\left( 0 \right) + k\mu ,k{\sigma ^2}} \right)\]

Comments
一般在實務上的角度,真實股價 的確反映了 lognormal 分佈的行為但在分佈的兩端會有較大的不一致性,這種性質稱之為 skewness,在此不贅述。讀者可以自行任取市面上的股價進行驗證。