Consideremos un modelo log-normal, $dx / x = \mu dt + \sigma dW$ , donde $W(t)$ es un proceso Wiener.
Digamos que $\mu$ y $\sigma$ cambian con el tiempo, lentamente, así que los anotamos por $\mu(t)$ y $\sigma(t)$ .
Considere $dx / x$ donde la tasa de deriva es $\mu$ y la volatilidad es $\sigma \sqrt{dt}$ . Aquí, $\mu(t)$ y $\sigma(t)$ no está correlacionado.
Ahora bien, si en algunos casos los datos muestran una fuerte correlación, como cuando $\mu(t)$ sube, $\sigma(t)$ también subiría -- los 2 están casi en una relación lineal, algo así como $\sigma(t) = \sigma_0 + k \mu(t)$ --¿Cómo podría establecer un modelo para eso?
Por supuesto, podría ponerlo como $$dx/x = \mu(t) dt + (\sigma_0 + k \mu(t)) dW$$
Pero me pregunto, ¿hay algún modelo/método ya establecido para tal situación? por ejemplo para el modelo estocástico general hay HJM, para la media-inversa hay Hull-White, para el precio de las acciones hay el log-normal.
¿Existe algún modelo ya investigado o mejor aún, utilizado en la industria, que amplíe el modelo lognormal $dx / x = \mu dt + \sigma dW$ para que $\mu(t)$ y $\sigma(t)$ ¿se correlacionarían?