Модель Brownian Motion (BM) (bm
) выводит непосредственно из линейной модели (sdeld
) дрейфа:
Создайте одномерный объект (bm
) Броуновского движения представлять модель с помощью bm
:
obj = bm(0, 0.3) % (A = Mu, Sigma)
obj = Class BM: Brownian Motion ---------------------------------------- Dimensions: State = 1, Brownian = 1 ---------------------------------------- StartTime: 0 StartState: 0 Correlation: 1 Drift: drift rate function F(t,X(t)) Diffusion: diffusion rate function G(t,X(t)) Simulation: simulation method/function simByEuler Mu: 0 Sigma: 0.3
Объекты bm
отображают параметр A
как более знакомый Mu
.
Объект bm
также предоставляет перегруженный Эйлеров метод симуляции, который улучшает производительность во время выполнения в определенных общих ситуациях. Этот специальный метод вызывается автоматически, только если всем следующим условиям отвечают:
Ожидаемый дрейф или тренд, уровень Mu
является вектор-столбцом.
Уровень энергозависимости, Sigma
, является матрицей.
Никакие корректировки конца периода и/или процессы не сделаны.
Если задано, случайный шумовой процесс Z
является 3D массивом.
Если Z
не задан, принятая Гауссова структура корреляции является двойной матрицей.
Модель Constant Elasticity of Variance (CEV) (cev
) также выводит непосредственно из линейной модели (sdeld
) дрейфа:
Объект cev
ограничивает A к NVARS
-by-1
вектор нулей. D является диагональной матрицей, элементы которой являются соответствующим элементом вектора состояния X, повышенный до экспоненты α (t).
Создайте одномерный объект cev
представлять модель с помощью cev
:
obj = cev(0.25, 0.5, 0.3) % (B = Return, Alpha, Sigma)
obj = Class CEV: Constant Elasticity of Variance ------------------------------------------ Dimensions: State = 1, Brownian = 1 ------------------------------------------ StartTime: 0 StartState: 1 Correlation: 1 Drift: drift rate function F(t,X(t)) Diffusion: diffusion rate function G(t,X(t)) Simulation: simulation method/function simByEuler Return: 0.25 Alpha: 0.5 Sigma: 0.3
cev
и объекты gbm
отображают параметр B
как более знакомый Return
.
Модель Geometric Brownian Motion (GBM) (gbm
) выводит непосредственно из модели CEV (cev
):
По сравнению с объектом cev
объект gbm
ограничивает все элементы вектора экспоненты alpha к одному таким образом, что D является теперь диагональной матрицей с вектором состояния X по основной диагонали.
Объект gbm
также предоставляет два метода симуляции, которые могут использоваться отделимыми моделями:
Перегруженный Эйлеров метод симуляции, который улучшает производительность во время выполнения в определенных общих ситуациях. Этот специальный метод вызывается автоматически, только если все следующие условия верны:
Ожидаемая норма прибыли (Return
) является диагональной матрицей.
Уровень энергозависимости (Sigma
) является матрицей.
Никакие корректировки/процессы конца периода не сделаны.
Если задано, случайный шумовой процесс Z
является 3D массивом.
Если Z
не задан, принятая Гауссова структура корреляции является двойной матрицей.
Аппроксимированное аналитическое решение (simBySolution
), полученный путем применения Эйлерового подхода к преобразованному (использование формулы ITO) логарифмический процесс. В целом это не точное решение этой модели GBM, когда распределения вероятностей моделируемых и истинных векторов состояния идентичны только для кусочных постоянных параметров. Если параметры модели являются кусочной константой за каждый период наблюдения, вектор состояния, Xt логарифмически нормально распределяется, и моделируемый процесс точен в течение времен наблюдения, в которые выбирается Xt.
Создайте одномерный объект gbm
представлять модель с помощью gbm
:
obj = gbm(0.25, 0.3) % (B = Return, Sigma)
obj = Class GBM: Generalized Geometric Brownian Motion ------------------------------------------------ Dimensions: State = 1, Brownian = 1 ------------------------------------------------ StartTime: 0 StartState: 1 Correlation: 1 Drift: drift rate function F(t,X(t)) Diffusion: diffusion rate function G(t,X(t)) Simulation: simulation method/function simByEuler Return: 0.25 Sigma: 0.3
Объект sdemrd
выводит непосредственно от объекта sdeddo
. Это обеспечивает интерфейс, в котором функция уровня дрейфа выражается в возвращающейся среднее значение форме дрейфа:
Объекты sdemrd
обеспечивают параметрическую альтернативу линейной форме дрейфа путем перепараметризации общего линейного дрейфа, таким образом что:
Создайте объект sdemrd
с помощью sdemrd
с экспонентой квадратного корня, чтобы представлять модель:
obj = sdemrd(0.2, 0.1, 0.5, 0.05)
obj = Class SDEMRD: SDE with Mean-Reverting Drift ------------------------------------------- Dimensions: State = 1, Brownian = 1 ------------------------------------------- StartTime: 0 StartState: 1 Correlation: 1 Drift: drift rate function F(t,X(t)) Diffusion: diffusion rate function G(t,X(t)) Simulation: simulation method/function simByEuler Alpha: 0.5 Sigma: 0.05 Level: 0.1 Speed: 0.2
% (Speed, Level, Alpha, Sigma)
Объекты sdemrd
отображают знакомый Speed
и параметры Level
вместо A
и B
.
Кокс-Инджерсолл-Росс (CIR) короткий объект уровня, cir
, выводит непосредственно от SDE с возвращающимся среднее значение дрейфом (sdemrd
) класс:
где D является диагональной матрицей, элементы которой являются квадратным корнем из соответствующего элемента вектора состояния.
Создайте объект cir
с помощью cir
, чтобы представлять ту же модель как в Примере: Модели SDEMRD:
obj = cir(0.2, 0.1, 0.05) % (Speed, Level, Sigma)
obj = Class CIR: Cox-Ingersoll-Ross ---------------------------------------- Dimensions: State = 1, Brownian = 1 ---------------------------------------- StartTime: 0 StartState: 1 Correlation: 1 Drift: drift rate function F(t,X(t)) Diffusion: diffusion rate function G(t,X(t)) Simulation: simulation method/function simByEuler Sigma: 0.05 Level: 0.1 Speed: 0.2
Несмотря на то, что последние два объекта имеют различные классы, они представляют ту же математическую модель. Они отличаются по этому, вы создаете объект cir
путем определения только трех входных параметров. Это различие укреплено тем, что параметр Alpha
не отображается – это задано, чтобы быть 1/2
.
Hull-White/Vasicek (HWV) короткий объект уровня, hwv
, выводит непосредственно от SDE с возвращающимся среднее значение дрейфом (sdemrd
) класс:
Используя те же параметры как в предыдущем примере, создайте объект hwv
с помощью hwv
, чтобы представлять модель:
obj = hwv(0.2, 0.1, 0.05) % (Speed, Level, Sigma)
obj = Class HWV: Hull-White/Vasicek ---------------------------------------- Dimensions: State = 1, Brownian = 1 ---------------------------------------- StartTime: 0 StartState: 1 Correlation: 1 Drift: drift rate function F(t,X(t)) Diffusion: diffusion rate function G(t,X(t)) Simulation: simulation method/function simByEuler Sigma: 0.05 Level: 0.1 Speed: 0.2
cir
и hwv
совместно используют тот же интерфейс и методы отображения. Единственное различие - то, что cir
и объекты модели hwv
ограничивают экспоненты Alpha
к 1/2
и 0
, соответственно. Кроме того, объект hwv
также обеспечивает дополнительный метод, который моделирует аппроксимированные аналитические решения (simBySolution
) отделимых моделей. Этот метод моделирует вектор состояния Xt с помощью приближения решения закрытой формы диагональных моделей HWV
дрейфа. Каждый элемент вектора состояния Xt выражается как сумма NBROWNS
коррелируемые Гауссовы случайные ничьи, добавленные к детерминированному переменному временем дрейфу.
При выполнении выражений все параметры модели приняты кусочная константа за каждый период симуляции. В целом это не точное решение этой модели hwv
, потому что распределения вероятностей моделируемых и истинных векторов состояния идентичны только для кусочных постоянных параметров. Если S(t,Xt), L(t,Xt) и V(t,Xt) являются кусочной константой за каждый период наблюдения, вектор состояния, Xt нормально распределен, и моделируемый процесс точен в течение времен наблюдения, в которые выбирается Xt.
Много ссылок дифференцируются между моделями Вашичека и моделями Hull-White. Где такие различия сделаны, параметры Вашичека ограничиваются быть константами, в то время как Белые как оболочка параметры отличаются детерминировано со временем. Думайте о моделях Вашичека в этом контексте как модели Hull-White постоянного коэффициента и эквивалентно, модели Hull-White как изменяющиеся во времени модели Вашичека. Однако с архитектурной точки зрения, различие между статическими и динамическими параметрами тривиально. Поскольку обе модели совместно используют ту же общую параметрическую спецификацию, как ранее описано, один объект hwv
охватывает модели.
Объект Heston (heston
) выводит непосредственно от SDE от Дрейфа и Диффузии (sdeddo
) класс. Каждая модель Хестона является двумерной составной моделью, состоя из двух двойных одномерных моделей:
(1) |
(2) |
heston
обычно используются к ценовым опциям акции.Создайте объект heston
с помощью heston
, чтобы представлять модель:
obj = heston (0.1, 0.2, 0.1, 0.05)
obj = Class HESTON: Heston Bivariate Stochastic Volatility ---------------------------------------------------- Dimensions: State = 2, Brownian = 2 ---------------------------------------------------- StartTime: 0 StartState: 1 (2x1 double array) Correlation: 2x2 diagonal double array Drift: drift rate function F(t,X(t)) Diffusion: diffusion rate function G(t,X(t)) Simulation: simulation method/function simByEuler Return: 0.1 Speed: 0.2 Level: 0.1 Volatility: 0.05
bm
| cev
| cir
| diffusion
| drift
| gbm
| heston
| hwv
| interpolate
| sde
| sdeddo
| sdeld
| sdemrd
| simByEuler
| simBySolution
| simBySolution
| simulate
| ts2func