Geometrik Brown hareketi

Matematikte geometrik Brown hareketi ya da üstel Brown hareketi rassal değişen bir niceliğin logaritmasının Brown hareketini izlediği sürekli-zamanlı ve bir stokastik süreçtir. Geometrik Brown hareketi, belli bir stokastik diferansiyel denklemi sağlayan önemli bir stokastik süreçtir; özellikle, finansal matematikteki Black-Scholes modelinde hisse senedi fiyatlarının modellenmesinde kullanılmaktadır.

Simülasyon programlama detayları için aşağıya bakınız

Tanımı

${\displaystyle W_{t}}$ Brown hareketi, ${\displaystyle \mu }$ ve ${\displaystyle \sigma }$ volatilite katsayısı olmak üzere, bir ${\displaystyle S_{t}}$ stokastik süreci

${\displaystyle dS_{t}=\mu S_{t}\,dt+\sigma S_{t}\,dW_{t}}$

diferansiyel denklemini sağlıyorsa, o zaman ${\displaystyle S_{t}}$'nin geometrik Brown hareketini izlediği söylenir. Burada, ${\displaystyle \mu }$ deterministik hareketleri belirleyen katsayı görevi görürken, ${\displaystyle \sigma }$ ise hareket sırasındaki rassallığa katkıda bulunmaktadır.

Stokastik diferansiyel denklemin çözümü

${\displaystyle S_{0}}$ pozitif olmak üzere herhangi bir gerçel sayı olsun. ile, denklemin çözümü aşağıdaki gibi verilir:

${\displaystyle S_{t}=S_{0}e^{\left(\mu -{\frac {\sigma ^{2}}{2}}\right)t+\sigma W_{t}}.}$

Bu çözüme ulaşmak için kullanmak gerekmektedir. ${\displaystyle f(S_{t})=\ln S_{t}}$ için İto formülünü kullanırsak

${\displaystyle d(\ln S_{t})={\frac {d\ln x}{dx}}{\Bigg |}_{x=S_{t}}dS_{t}+{\frac {1}{2}}{\frac {d^{2}\ln x}{dx^{2}}}{\Bigg |}_{x=S_{t}}\,dS_{t}\,dS_{t}={\frac {dS_{t}}{S_{t}}}-{\frac {1}{2}}\,{\frac {1}{S_{t}^{2}}}\,dS_{t}\,dS_{t}}$

elde ederiz. Burada, ${\displaystyle dS_{t}\,dS_{t}}$ ile bahsedilen ve şöyle hesaplanır:

${\displaystyle dS_{t}\,dS_{t}\,=\,\sigma ^{2}\,S_{t}^{2}\,dW_{t}^{2}+2\sigma S_{t}^{2}\mu \,dW_{t}\,dt+\mu ^{2}S_{t}^{2}\,dt^{2}.}$

${\displaystyle dW_{t}^{2}=O(dt)}$ olduğundan, ${\displaystyle dt\to 0}$ iken, ${\displaystyle dt}$ sıfıra ${\displaystyle dW_{t}}$'den daha hızlı yakınsar. O zaman, yukarıdaki kuadratik varyasyon şu şekilde yazılabilir:

${\displaystyle dS_{t}\,dS_{t}\,=\,\sigma ^{2}\,S_{t}^{2}\,dt.}$

Bu ifâdeyi yukarıdaki denklemde kullanıp ${\displaystyle dS_{t}}$ ifâdesini de yazarsak,

${\displaystyle \ln {\frac {S_{t}}{S_{0}}}=\left(\mu -{\frac {\sigma ^{2}}{2}}\,\right)t+\sigma W_{t}\,}$

elde ederiz. Her iki tarafın üstelini alıp, sonra da ${\displaystyle S_{0}}$ ile çarparsak sonucu elde etmiş oluruz.

Aritmetik Brown hareketi

${\displaystyle m}$ herhangi bir gerçel sayı, ${\displaystyle \sigma }$ ise pozitif bir gerçel sayı olmak üzere, bir ${\displaystyle X_{t}}$ stokastik süreci

${\displaystyle dX_{t}=m\,dt+v\,dW_{t}\,,}$

diferansiyel denklemini sağlıyorsa, ${\displaystyle X_{t}}$'nin aritmetik Brown hareketini izlediği söylenir. Yukarıdaki stokastik diferansiyelin çözümünde karşımıza çıkan ${\displaystyle X_{t}:=\ln {\frac {S_{t}}{S_{0}}}}$ stokastik süreci bu tanıma göre aritmetik Brown hareketini izlemektedir. Artimetik Brown hareketini ilk defa 1900 yılında hisse senedi fiyatlarını modellemek için kullanmıştır ve bu model bugün olarak bilinmektedir. Yukarıda gösterildiği gibi, aritmetik Brown hareketinin stokastik diferansiyel denklemi, yine Itô formülünün bir geometrik Brown hareketinin logaritması aracılığıyla elde edilebilir.

Geometrik Brown hareketinin özellikleri

Beklenen değer ve varyans

${\displaystyle S_{t}}$ nin yukarıda verilen çözümü log-normal dağılıma sahip bir rassal değişkendir. Bu durumda, beklenen değer ve varyans aşağıdaki gibi verilmektedir:

${\displaystyle \operatorname {E} (S_{t})=S_{0}e^{\mu t},}$

${\displaystyle \operatorname {Var} (S_{t})=S_{0}^{2}e^{2\mu t}\left(e^{\sigma ^{2}t}-1\right).}$

Bu değerleri hesaplamanın yollarından biri, bir ${\displaystyle \alpha \in \mathbb {R} }$ için ${\displaystyle Z_{t}=e^{\alpha W_{t}-{\frac {1}{2}}\alpha ^{2}t}}$ olarak tanımlanan sürecin bir martingal olduğunu bilmekten geçmektedir. Bu durumda, ${\displaystyle 0\leq s<t}$ koşulunu sağlayan her ${\displaystyle s}$ için,

${\displaystyle \operatorname {E} \left[S_{t}|{\mathcal {F}}_{s}\right]=S_{0}\operatorname {E} \left[e^{\left(\mu -{\frac {\sigma ^{2}}{2}}\right)t+\sigma W_{t}}|{\mathcal {F}}_{s}\right]=S_{0}e^{\mu t}\operatorname {E} \left[e^{-{\frac {\sigma ^{2}}{2}}t+\sigma W_{t}}|{\mathcal {F}}_{s}\right]=S_{0}e^{\mu t}e^{-{\frac {\sigma ^{2}}{2}}s+\sigma W_{s}}}$

${\displaystyle \operatorname {Var} \left[S_{t}|{\mathcal {F}}_{s}\right]=\operatorname {E} \left[S_{t}^{2}|{\mathcal {F}}_{s}\right]-\left(\operatorname {E} \left[S_{t}|{\mathcal {F}}_{s}\right]\right)^{2}=S_{0}^{2}\operatorname {E} \left[e^{\left(2\mu -\sigma ^{2}\right)t+2\sigma W_{t}}|{\mathcal {F}}_{s}\right]-S_{0}^{2}e^{2\mu t}e^{-\sigma ^{2}s+2\sigma W_{s}}=S_{0}^{2}e^{2\mu t}e^{-\sigma ^{2}s+2\sigma W_{s}}\left[e^{\sigma ^{2}(t-s)}-1\right]}$

elde edilir. ${\displaystyle s=0}$ alınarak yukarıdaki verilen değerler elde edilir.

Olasılık yoğunluk fonksiyonu

${\displaystyle S_{t}}$ nin yukarıda verilen çözümünün olasılık dağılım fonksiyonu aşağıdaki gibi verilmektedir.

${\displaystyle f_{S_{t}}(s;\mu ,\sigma ,t)={\frac {1}{\sqrt {2\pi }}}\,{\frac {1}{s\sigma {\sqrt {t}}}}\,e^{-{\frac {\left(\ln s-\ln S_{0}-\left(\mu -{\frac {1}{2}}\sigma ^{2}\right)t\right)^{2}}{2\sigma ^{2}t}}}.}$

Kanıt

Bu fonksiyonu hesaplamak için kullanılması gerekir. ${\displaystyle \delta (.)}$ Dirac delta fonksiyonu olmak üzere,

${\displaystyle {\partial p \over {\partial t}}+{\partial \over {\partial S}}[\mu (t,S)p(t,S)]={1 \over {2}}{\partial ^{2} \over {\partial S^{2}}}[\sigma ^{2}(t,S)p(t,S)],\quad p(0,S)=\delta (S)}$.

Hesabı sadeleştirmek için ${\displaystyle x=\log(S/S_{0})}$ alınırsa,

${\displaystyle dx=\left(\mu -{1 \over {2}}\sigma ^{2}\right)dt+\sigma dW}$

elde edilir ki bu durumda olasılık yoğunluk fonksiyonu için daha önce yazılmış olan

${\displaystyle {\partial p \over {\partial t}}+\left(\mu -{1 \over {2}}\sigma ^{2}\right){\partial p \over {\partial x}}={1 \over {2}}\sigma ^{2}{\partial ^{2}p \over {\partial x^{2}}},\quad p(0,x)=\delta (x)}$

hâline dönüşür.

${\displaystyle V=\mu -\sigma ^{2}/2}$ ve ${\displaystyle D=\sigma ^{2}/2}$ tanımlanıp, ${\displaystyle \xi =x-Vt}$ ve ${\displaystyle \tau =Dt}$ değişkenleri tanımlanırsa, Fokker-Planck denklemindeki türevlerle bu yeni değişkenler üzerinden tanımlanan türevler arasında şöyle bir bağıntı ortaya çıkar:

${\displaystyle {\begin{aligned}\partial _{t}p&=D\partial _{\tau }p-V\partial _{\xi }p\\\partial _{x}p&=\partial _{\xi }p\\\partial _{x}^{2}p&=\partial _{\xi }^{2}p.\end{aligned}}}$

Böylece,

${\displaystyle {\partial p \over {\partial \tau }}={\partial ^{2}p \over {\partial \xi ^{2}}},\quad p(0,\xi )=\delta (\xi )}$

olur ki bu da ısı denkleminin doğal hâlidir. Isı denkleminin tarafından

${\displaystyle p(\tau ,\xi )={1 \over {\sqrt {4\pi \tau }}}e^{-{\xi ^{2} \over {4\tau }}}}$

olarak verilen bir çözümü vardır. Daha önce tanımlanan değişkenler yerine konulduğunda

${\displaystyle p(t,S)={1 \over {S{\sqrt {2\pi \sigma ^{2}t}}}}e^{-{\left[\log(S/S_{0})-\left(\mu -{1 \over {2}}\sigma ^{2}\right)t\right]^{2} \over {2\sigma ^{2}t}}}}$

elde edilir.

Logaritmik getiri süreci

Geometrik Brown hareketinin diğer özelliklerini türetirken, geometrik Brown hareketinin çözümü olduğu stokastik diferansiyel denklemden yararlanılabilir veya yukarıda verilen açık çözüm kullanılabilir. Örneğin, stokastik süreç ${\displaystyle \log(S_{t})}$'yi ele alalım. Bu ilginç bir süreçtir; çünkü teorikte nicel finansta ve uygulamada finansal kurumlarda çalışılan bir çok türev ürününde ve özellikle Black-Scholes modelinde hisse senedi fiyatının logaritmik getirisiyle alâkası vardır. ${\displaystyle f(S)=\log(S)}$ ile kullanarak

${\displaystyle {\begin{alignedat}{2}d\log(S)&=f'(S)\,dS+{\frac {1}{2}}f''(S)S^{2}\sigma ^{2}\,dt\\[6pt]&={\frac {1}{S}}\left(\sigma S\,dW_{t}+\mu S\,dt\right)-{\frac {1}{2}}\sigma ^{2}\,dt\\[6pt]&=\sigma \,dW_{t}+(\mu -\sigma ^{2}/2)\,dt.\end{alignedat}}}$

elde edilir. Buradan, ${\displaystyle \operatorname {E} \log(S_{t})=\log(S_{0})+(\mu -\sigma ^{2}/2)t}$ olduğu çıkar. Diğer taraftan, daha önce elde edilmiş açık çözüme logaritma uygulayarak da aynı sonuç elde edilebilir:

${\displaystyle {\begin{alignedat}{2}\log(S_{t})&=\log \left(S_{0}\exp \left(\left(\mu -{\frac {\sigma ^{2}}{2}}\right)t+\sigma W_{t}\right)\right)\\[6pt]&=\log(S_{0})+\left(\mu -{\frac {\sigma ^{2}}{2}}\right)t+\sigma W_{t}.\end{alignedat}}}$

Her iki tarafın beklenen değeri alınırsa, ${\displaystyle \operatorname {E} \log(S_{t})=\log(S_{0})+(\mu -\sigma ^{2}/2)t}$ elde edilir.

Örnek simulasyon yolakları yaratma

#Grafik için Python kodu import numpy as np import matplotlib.pyplot as plt  # sabitleri tanımlama mu = 0.8 sigma = np.arange(0.8, 2, 0.2) n = 50 dt = 0.02 x0 = 100 np.random.seed(1)  #simülasyon x = np.exp(  (mu - sigma ** 2 / 2) * dt  + sigma * np.random.normal(0, np.sqrt(dt), size=(len(sigma), n)).T) x = np.vstack([np.ones(len(sigma)), x]) x = x0 * x.cumprod(axis=0)  #grafik plt.plot(x) plt.legend(np.round(sigma, 2)) plt.xlabel("$t$") plt.ylabel("$x$") plt.title(  r"Geometrik Brown hareketinin farklı varyanslar ve $\mu=$ {} altındaki gerçekleşmesi".format(mu), fontsize='small') plt.show() 

Çok boyutlu hâli

Geometrik Brown hareketinin birbiriyle korelasyonu olan süreçlerden oluşan çok boyulu hâli de vardır. Bu durumda, ${\displaystyle i=1,\cdots ,n}$ olmak üzere

${\displaystyle dS_{t}^{i}=\mu _{i}S_{t}^{i}\,dt+\sigma _{i}S_{t}^{i}\,dW_{t}^{i}}$

alınır ve Brown hareketlerinin korelasyonu ${\displaystyle \rho _{i,i}=1}$ olmak üzere her ${\displaystyle i,j=1,\cdots ,n}$ için ${\displaystyle \operatorname {E} (dW_{t}^{i}\,dW_{t}^{j})=\rho _{i,j}\,dt}$ olarak verilir. O zaman,

${\displaystyle \operatorname {Cov} (S_{t}^{i},S_{t}^{j})=S_{0}^{i}S_{0}^{j}e^{(\mu _{i}+\mu _{j})t}\left(e^{\rho _{i,j}\sigma _{i}\sigma _{j}t}-1\right)}$

olur.

Brown hareketlerinin bağımsız olduğu başka bir formülasyon da şu şekilde verilebilir:

${\displaystyle dS_{t}^{i}=\mu _{i}S_{t}^{i}\,dt+\sum _{j=1}^{d}\sigma _{i,j}S_{t}^{i}\,dW_{t}^{j},}$

${\displaystyle S_{t}^{i}}$ ve ${\displaystyle S_{t}^{j}}$ arasındaki korelasyon bu sefer ${\displaystyle \sigma _{i,j}=\rho _{i,j}\,\sigma _{i}\,\sigma _{j}}$ tarafından ifâde edilir.

Finansta kullanımı

Geometrik Brown hareketi, Black-Scholes modelinde hisse senedi fiyatlarını modellemek için kullanılır ve hisse senedi fiyat davranışının en yaygın kullanılan modelidir. Hisse senedi fiyatlarını modellemek için geometrik Brown hareketinin kullanılmasına yönelik bazı argümanlar şunlardır:

• geometrik Brown hareketinin beklenen getirileri, sürecin değerinden (hisse senedi fiyatı) bağımsızdır; bu da gerçekte bekleyeceğimizle örtüşmektedir.
• geometrik Brown hareketi süreci tıpkı gerçek hisse senedi fiyatları gibi sadece pozitif değerler varsayar.
• geometrik Brown hareketi süreci, gerçek hisse senedi fiyatlarında gördüğümüz türden bir pürüzlülüğü ve tırtırlığı yolaklarında göstermektedir.
• geometrik Brown hareketi süreçlerinde hesaplamalar nispeten kolaydır.

Ancak, geometrik Brown hareketi tam anlamıyla gerçekçi bir model değildir. Özellikle, aşağıdaki noktalarda gerçeklikten uzak kalmaktadır:

• Gerçek hisse senedi fiyatlarında oynaklık zamanla (muhtemelen ) değişir, ancak geometrik Brown hareketinde oynaklığın sabit olduğu varsayılır.
• Gerçek hayatta hisse senedi fiyatlarında öngörülemeyen olaylar veya haberler nedeniyle sık sık sıçramalar görülür, ancak GBM'de yolaklar süreklidir ve sıçramalar yoktur.

Hisse senedi fiyatlarının modellenmesinin yanı sıra, geometrik Brown hareketi aynı zamanda alım-satım stratejilerinin izlenmesinde de uygulamalar bulmuştur.

Uzantıları

Geometrik Brown hareketini hisse senedi fiyatları için bir model olarak daha gerçekçi hale getirmek amacıyla ve aynı zamanda sorunuyla da ilişkili olarak, oynaklığın sabitliği varsayımından vazgeçilebilir. Eğer volatilite, hisse senedi fiyatının ve zamanın deterministik (belirlenimci) fonksiyonu olarak alınırsa, bu sefer ortaya çıkan modele denilir. Black-Scholes modelindeki geometrik Brown hareketinin basit bir uzantısı yerel volatilite stokastik diferansityel denklemleridir. Bu uzantıdaki dağılımı lognormal karışım dinamiği denilen ve aslında geometrik Brown hareketlerinin bir karışımından meydana gelen dağılımlardır. Sonuç olarak, bu uzantıda, opsiyon fiyatları Black-Scholes opsiyon fiyatlarının dışbükey bir kombinasyonuyla elde edilir. Bunun yerine, oynaklığın kendi başına bir rassallığına sahip olduğunu varsayarsak, modele denir. Bu modeller, genellikle farklı bir Brown Hareketi tarafından yönlendirilen ayrı bir denklemle tanımlanır. Heston modeli bu modellerin en ünlü örneklerindendir.

Kaynakça

1. ^ Ross, Sheldon M. (2014). "Variations on Brownian Motion". Introduction to Probability Models. 11th. Amsterdam: Elsevier. ss. 612-14. ISBN . 
2. ^ Øksendal, Bernt K. (2002), Stochastic Differential Equations: An Introduction with Applications, Springer, s. 326, ISBN  
3. ^ ^{a b} Musiela, M., and Rutkowski, M. (2004), Martingale Methods in Financial Modelling, 2nd Edition, Springer Verlag, Berlin.
4. ^ ^{a b} Hull, John (2009). "12.3". Options, Futures, and other Derivatives. 7. 
5. ^ Rej, A.; Seager, P.; Bouchaud, J.-P. (January 2018). "You are in a drawdown. When should you start worrying?". Wilmott. 2018 (93). ss. 56-59. arXiv:1707.01457 $2. doi:10.1002/wilm.10646. 13 Aralık 2022 tarihinde kaynağından arşivlendi. Erişim tarihi: 21 Kasım 2024. 
6. ^ Fengler, M. R. (2005), Semiparametric modeling of implied volatility, Springer Verlag, Berlin. DOI https://doi.org/10.1007/3-540-30591-2
7. ^ ; (2002). "Lognormal-mixture dynamics and calibration to market volatility smiles". International Journal of Theoretical and Applied Finance. 5 (4). ss. 427-446. doi:10.1142/S0219024902001511. 
8. ^ Brigo, D, Mercurio, F, Sartorelli, G. (2003). Alternative asset-price dynamics and volatility smile, QUANT FINANC, 2003, Vol: 3, Pages: 173 - 183, ISSN 1469-7688
9. ^ (1993). "A closed-form solution for options with stochastic volatility with applications to bond and currency options". Review of Financial Studies. 6 (2). ss. 327-343. doi:10.1093/rfs/6.2.327. JSTOR 2962057.