sde

Модель Stochastic Differential Equation (SDE)

Описание

Создает и отображает общие стохастические модели (SDE) дифференциального уравнения от пользовательского дрейфа и функций уровня диффузии.

Используйте объекты sde моделировать демонстрационные пути переменных состояния NVARS, управляемых источниками Броуновского движения NBROWNS риска по NPERIODS последовательные периоды наблюдения, аппроксимируя непрерывно-разовые стохастические процессы.

Объект sde позволяет вам моделировать любой SDE с векторным знаком формы:

dXt=F(t,Xt)dt+G(t,Xt)dWt

где:

  • Xt является NVARS-by-1 вектор состояния переменных процесса.

  • dWt является NBROWNS-by-1 вектор Броуновского движения.

  • F является NVARS-by-1 функция уровня дрейфа с векторным знаком.

  • G является NVARS-by-NBROWNS функция уровня диффузии с матричным знаком.

Создание

Синтаксис

SDE = sde(DriftRate,DiffusionRate)
SDE = sde(___,Name,Value)

Описание

пример

SDE = sde(DriftRate,DiffusionRate) создает объект SDE по умолчанию.

пример

SDE = sde(___,Name,Value) создает объект SDE с дополнительными опциями, заданными одним или несколькими аргументами пары Name,Value.

Name является именем свойства, и Value является своим соответствующим значением. Имя должно находиться внутри одинарных кавычек (' '). Можно задать несколько аргументов пары "имя-значение" в любом порядке как Name1,Value1,…,NameN,ValueN.

Объект SDE имеет следующие Свойства:

  • Время начала Начальное время наблюдения

  • StartState — Начальное состояние во время StartTime

  • Корреляция Функция доступа для входного параметра Correlation, вызываемого как функция времени

  • Drift — Составная функция уровня дрейфа, вызываемая как функция времени и состояния

  • Diffusion — Составная функция уровня диффузии, вызываемая как функция времени и состояния

  • Simulation — Функция симуляции или метод

Входные параметры

развернуть все

DriftRate является пользовательской функцией уровня дрейфа и представляет параметр F, заданный как вектор или объект класса drift.

DriftRate является функцией, которая возвращает NVARS-by-1 вектор уровня дрейфа, когда названо двумя входными параметрами:

  • Скалярное время наблюдения с действительным знаком t.

  • NVARS-by-1 вектор состояния Xt.

Также DriftRate может также быть объектом класса drift, который инкапсулирует спецификацию уровня дрейфа. В этом случае, однако, sde использует только параметр Rate объекта. Для получения дополнительной информации об объекте drift смотрите drift.

Типы данных: double | object

DiffusionRate является пользовательской функцией уровня дрейфа и представляет параметр G, заданный как матрица или объект класса diffusion.

DiffusionRate является функцией, которая возвращает NVARS-by-NBROWNS матрица уровня диффузии, когда названо двумя входными параметрами:

  • Скалярное время наблюдения с действительным знаком t.

  • NVARS-by-1 вектор состояния Xt.

Также DiffusionRate может также быть объектом класса diffusion, который инкапсулирует спецификацию уровня диффузии. В этом случае, однако, sde использует только параметр Rate объекта. Для получения дополнительной информации об объекте diffusion смотрите diffusion.

Типы данных: double | object

Свойства

развернуть все

Время начала первого наблюдения, к которому применяются все переменные состояния, заданные как скаляр

Типы данных: double

Начальные значения переменных состояния, заданных как скаляр, вектор-столбец или матрица.

Если StartState является скаляром, sde применяет то же начальное значение ко всем переменным состояния на всех испытаниях.

Если StartState является вектор-столбцом, sde применяет уникальное начальное значение к каждой переменной состояния на всех испытаниях.

Если StartState является матрицей, sde применяет уникальное начальное значение к каждой переменной состояния на каждом испытании.

Типы данных: double

Корреляция между Гауссовыми случайными варьируемыми величинами, чертившими, чтобы сгенерировать вектор Броуновского движения (винеровские процессы), заданный как NBROWNS-by-NBROWNS положительная полуопределенная матрица, или как детерминированный функциональный C(t), который принимает текущее время t и возвращает NBROWNS-by-NBROWNS положительная полуопределенная корреляционная матрица.

Матрица Correlation представляет статическое условие.

Как детерминированная функция времени, Correlation позволяет вам задавать динамическую структуру корреляции.

Типы данных: double

Пользовательская функция симуляции или метод симуляции SDE, заданный как функция или метод симуляции SDE.

Типы данных: function_handle

Это свойство доступно только для чтения.

Компонент уровня дрейфа непрерывно-разовых стохастических дифференциальных уравнений (SDEs), заданный как дрейф, возражает или функция, доступная (t, Xt.

Спецификация уровня дрейфа поддерживает симуляцию демонстрационных путей переменных состояния NVARS, управляемых источниками Броуновского движения NBROWNS риска по NPERIODS последовательные периоды наблюдения, аппроксимируя непрерывно-разовые стохастические процессы.

Класс drift позволяет вам создавать объекты уровня дрейфа (использующий drift) формы:

F(t,Xt)=A(t)+B(t)Xt

где:

  • A является NVARS-by-1 функциональное доступное использование с векторным знаком (t, Xt) интерфейс.

  • B является NVARS-by-NVARS функциональное доступное использование с матричным знаком (t, Xt) интерфейс.

Отображенные параметры для объекта drift:

  • Rate: функция уровня дрейфа, F(t,Xt)

  • A: термин прерывания, A(t,Xt), F(t,Xt)

  • B: термин первого порядка, B(t,Xt), F(t,Xt)

A и B позволяют вам запросить исходные входные параметры. Функция, сохраненная в Rate полностью, инкапсулирует совместное воздействие A и B.

Когда задано как двойные массивы MATLAB®, входные параметры A и B ясно сопоставлены с линейным уровнем дрейфа параметрическая форма. Однако задавая или A или B, когда функция позволяет вам настраивать фактически любую спецификацию уровня дрейфа.

Примечание

Можно выразить drift и классы diffusion в самой общей форме, чтобы подчеркнуть функциональное (t, Xt) интерфейс. Однако можно задать компоненты A и B как функции, которые придерживаются общего (t, Xt) интерфейс, или как массивы MATLAB соответствующей размерности.

Пример: F = drift(0, 0.1) % Drift rate function F(t,X)

Типы данных: object

Это свойство доступно только для чтения.

Компонент уровня диффузии непрерывно-разовых стохастических дифференциальных уравнений (SDEs), заданный как дрейф, возражает или функция, доступная (t, Xt.

Спецификация уровня диффузии поддерживает симуляцию демонстрационных путей переменных состояния NVARS, управляемых источниками Броуновского движения NBROWNS риска по NPERIODS последовательные периоды наблюдения, аппроксимируя непрерывно-разовые стохастические процессы.

Класс diffusion позволяет вам создавать объекты уровня диффузии (использующий diffusion):

G(t,Xt)=D(t,Xtα(t))V(t)

где:

  • D является NVARS-by-NVARS диагональная функция с матричным знаком.

  • Каждый диагональный элемент D является соответствующим элементом вектора состояния, повышенного до соответствующего элемента экспоненты Alpha, который является NVARS-by-1 функция с векторным знаком.

  • V является NVARS-by-NBROWNS функция уровня энергозависимости с матричным знаком Sigma.

  • Alpha и Sigma являются также доступным использованием (t, Xt) интерфейс.

Отображенные параметры для объекта diffusion:

  • Rate: функция уровня диффузии, G(t,Xt).

  • \alpha: экспонента вектора состояния, которая определяет формат D(t,Xt) G(t,Xt).

  • \sigma: уровень энергозависимости, V(t,Xt), G(t,Xt).

Alpha и Sigma позволяют вам запросить исходные входные параметры. (Совместное воздействие отдельного Alpha и параметров Sigma полностью инкапсулируется функцией, сохраненной в Rate.) Функции Rate являются механизмами вычисления для drift и объектов diffusion, и являются единственными параметрами, требуемыми для симуляции.

Примечание

Можно выразить drift и классы diffusion в самой общей форме, чтобы подчеркнуть функциональное (t, Xt) интерфейс. Однако можно задать компоненты A и B как функции, которые придерживаются общего (t, Xt) интерфейс, или как массивы MATLAB соответствующей размерности.

Пример: G = diffusion(1, 0.3) % Diffusion rate function G(t,X)

Типы данных: object

Функции объекта

interpolateБроуновская интерполяция стохастических дифференциальных уравнений
simulateМоделируйте многомерные стохастические дифференциальные уравнения (SDEs)
simByEulerЭйлерова симуляция стохастических дифференциальных уравнений (SDEs)

Примеры

свернуть все

Создайте объект SDE obj, чтобы представлять одномерную модель геометрического броуновского движения формы: dXt=0.1Xtdt+0.3XtdWt.

Создайте дрейф и функции диффузии, которые доступны общим (t,Xt) интерфейс:

F = @(t,X) 0.1 * X;
G = @(t,X) 0.3 * X;

Передайте функции sde, чтобы создать объект (obj) класса sde:

obj = sde(F, G)    % dX = F(t,X)dt + G(t,X)dW
obj = 
   Class SDE: Stochastic Differential Equation
   -------------------------------------------
     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

obj отображается как структура MATLAB® со следующей информацией:

  • Класс объекта

  • Краткое описание объекта

  • Сводные данные размерности модели

Отображенные параметры объекта следующие:

  • Время начала: начальное время наблюдения (скаляр с действительным знаком)

  • StartState: вектор начального состояния (NVARS-by-1 вектор-столбец)

  • Корреляция: структура корреляции между Броуновским процессом

  • Drift: функция уровня дрейфа F(t,Xt)

  • Diffusion: функция уровня диффузии G(t,Xt)

  • Simulation: метод симуляции или функция.

Из этих отображенных параметров только Drift и Diffusion требуются входные параметры.

Единственное исключение к (t, Xt) интерфейсом оценки является Correlation. А именно, когда вы вводите Correlation как функцию, механизм SDE принимает, что это - детерминированная функция времени, C(t). Это ограничение на Correlation как детерминированная функция времени позволяет Факторам Холесского быть вычисленными и сохраненными перед формальной симуляцией. Это несоответствие существенно улучшает производительность во время выполнения для динамических структур корреляции. Если Correlation является стохастическим, можно также включать его в архитектуре симуляции как часть более общей функции генерации случайных чисел.

Больше о

развернуть все

Алгоритмы

Когда вы задаете необходимые входные параметры как массивы, они сопоставлены с определенной параметрической формой. В отличие от этого, когда вы задаете любой необходимый входной параметр как функцию, можно настроить фактически любую спецификацию.

Доступ к выходным параметрам без входных параметров просто возвращает исходную входную спецификацию. Таким образом, когда вы вызываете эти параметры без входных параметров, они ведут себя как простые свойства и позволяют вам тестировать тип данных (удвойтесь по сравнению с функцией, или эквивалентно, статичные по сравнению с динамическим) исходной входной спецификации. Это полезно для проверки и разработки методов.

Когда вы вызываете эти параметры с входными параметрами, они ведут себя как функции, производя впечатление динамического поведения. Параметры принимают время наблюдения t и вектор состояния Xt, и возвращают массив соответствующей размерности. Даже если вы первоначально задали вход как массив, sde обрабатывает его как статическую функцию времени, и состояние, этим означает гарантировать, что все параметры доступны тем же интерфейсом.

Ссылки

[1] Островок-Sahalia, Y. “Тестируя Непрерывно-разовые Модели Точечной Процентной ставки”. Анализ Финансовых Исследований, Spring 1996, Издания 9, № 2, стр 385–426.

[2] Островок-Sahalia, Y. “Плотность перехода для процентной ставки и другой нелинейной диффузии”. Журнал финансов, издания 54, № 4, август 1999.

[3] Глассермен, P. Методы Монте-Карло в финансовой разработке. Нью-Йорк, Springer-Verlag, 2004.

[4] Оболочка, J. C. Опции, фьючерсы и Другие Производные, 5-й редактор Englewood Cliffs, NJ: Prentice Hall, 2002.

[5] Джонсон, N. L. С. Коц и Н. Бэлэкришнэн. Непрерывные Одномерные распределения. Издание 2, 2-й редактор Нью-Йорк, John Wiley & Sons, 1995.

[6] Shreve, S. E. Стохастическое исчисление для финансов II: непрерывно-разовые модели. Нью-Йорк: Springer-Verlag, 2004.

Введенный в R2008a

Для просмотра документации необходимо авторизоваться на сайте