12 votos

Teorema de Girsanov y Variación Cuadrática

El teorema de Girsanov parece tener muchas formas diferentes. Tengo un problema para hacer coincidir la forma en wiki con la del libro de Shreve, debido a la dificultad en el cálculo de la variación cuadrática.

A continuación se muestra el Teorema de Girsanov de wiki:

Sea $\{W_t\}$ un proceso de Wiener en el espacio de probabilidad de Wiener $\{\Omega, \mathcal{F}, P\}$. Sea $X_t$ un proceso medible adaptado a la filtración natural del proceso de Wiener $\{\mathcal{F}^W_t\}$.

Dado un proceso adaptado $X_t$ con $X_0 = 0$, define $Z_t=\mathcal{E}(X)_t,\,$ donde $\mathcal{E}(X)$ es el exponencial estocástico (o exponencial de Doléans) de X con respecto a W, es decir, $\mathcal{E}(X)_t=\exp \left ( X_t - \frac{1}{2} [X]_t \right )$, donde $[X]_t$ es una variación cuadrática para $X_t$. Por lo tanto, $Z_t$ es una martingala local estrictamente positiva, y se puede definir una medida de probabilidad $Q$ en $\{\Omega, \mathcal{F}\}$ tal que tenemos la derivada de Radon–Nikodym $\frac{d Q}{d P} |_{\mathcal{F}_t} = Z_t = \mathcal{E} (X)_t$. Luego, para cada $t$, la medida $Q$ restringida a las sigma-álgebras no aumentadas $\mathcal{F}^W_t$ es equivalente a $P$ restringida a $\mathcal{F}^W_t.\,$

Además, si $Y$ es una martingala local bajo $P$, entonces el proceso $\tilde Y_t = Y_t - \left[ Y,X \right]_t$ es una martingala local en $Q$ en el espacio de probabilidad filtrado $\{\Omega,F,Q,\{F^W_t\}\}$.

A continuación se presenta el Teorema de Girsanov del libro de Shreve "Cálculo estocástico para finanzas II"

Teorema 5.2.3 (Girsanov, una dimensión). Sea $W(t)$, $0 \leq t \leq T$, una trayectoria de Browniano en un espacio de probabilidad $(\Omega, \mathscr F, \mathbb P)$, y sea $\mathscr F(t)$, $0 \leq t \leq T$, una filtración para este movimiento Browniano. Sea $\Theta(t)$, $0 \leq t \leq T$, un proceso adaptado. Define $$Z(t) = \text{exp} \left\{ -\int_0^t \Theta(u)dW(u) - \frac{1}{2} \int_0^t \Theta^2(u) du \right \}, \tag{5.2.11}$$ $$\widetilde W(t) = W(t) + \int_0^t \Theta(u) du, \tag{5.2.12}$$ y asume que $$\mathbb E \int_0^T \Theta^2(u) Z^2(u) du < \infty \tag{5.2.13}$$

Coloca $Z = Z(T)$. Entonces $\mathbb E Z = 1$ y bajo la medida de probabilidad $\widetilde P$ dada por (5.2.1), el proceso $\widetilde W(t)$, $0 \leq t \leq T$, es un movimiento Browniano.

Parece que el teorema de Girsanov de wiki es más general que el del libro de Shreve.

Ahora mi pregunta es: ¿Cómo derivar el último a partir del primero?

Parece que solo necesito tomar $Y(t) = W(t)$ y $X(t) = \int_0^t \Theta(u) du$ en la definición de wiki. Esto deja por probar

$$[W(t), \int_0^t \Theta(u) du]_t = - \int_0^t \Theta(u) du$$

, ¿pero cómo calcular la variación cuadrática?

La definición de variación cuadrática es $$[X,Y](T) := \lim_{\|\Pi\|\to 0} \sum_{j=0}^{n-1} \left[ X(t_{j+1}) - X(t_j) \right] \left[ Y(t_{j+1}) - Y(t_j) \right]$$ , donde $\Pi := \{ t_0, t_1, \cdots, t_n \}$ . Pero estoy un poco atascado aquí.

¿Podrías por favor darme alguna pista sobre cómo proceder?

10voto

Andrey Puntos 137

El teorema de Shreve también llamado "Girsanov II" de hecho representa un caso especial del "Girsanov I" general anteriormente mencionado en Wiki, con $$Y_t:=W_t,$$$$X_t:=-\int_0^t\Theta_udW_u$$

Podemos mostrar: $$[Y,X]=-\int_0^t\Theta_udu$$ utilizando reglas generales de Cálculo Estocástico (por ejemplo, p. 37, 6.6 aquí):

$$[Y,X]=[W_t,-\int_0^t\Theta_udW_u]=-\int_0^t\Theta_ud[W_u,W_u]=-\int_0^t\Theta_udu$$

como $[W,W]=[W]=t$.

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X