Kamatlábmodellek statisztikai vizsgálata
|
|
- Éva Orosz
- 8 évvel ezelőtt
- Látták:
Átírás
1 DE TTK 949 Kamatlábmodelle statisztiai vizsgálata Dotori PhD) érteezés Fülöp Eria Témavezet : Dr. Pap Gyula Debreceni Egyetem Természettudományi Dotori Tanács Matematia- és Számítástudományo Dotori Isola Debrecen, 04.
2
3 Ezen érteezést a Debreceni Egyetem Természettudományi Dotori Tanács Matematia és Számítástudományo Dotori Isola Valószín ségelmélet, matematiai statisztia és alalmazott matematia programja eretében észítettem a Debreceni Egyetem természettudományi dotori PhD) foozatána elnyerése céljából. Debrecen, 04. április Fülöp Eria jelölt Tanúsítom, hogy Fülöp Eria dotorjelölt özött a fent megnevezett Dotori Isola Valószín ségelmélet, matematiai statisztia és alalmazott matematia programjána eretében irányításommal végezte munáját. Az érteezésben foglalt eredményehez a jelölt önálló alotó tevéenységével meghatározóan hozzájárult. Az érteezés elfogadását javasolom. Debrecen, 04. április Dr. Pap Gyula témavezet
4
5 Kamatlábmodelle statisztiai vizsgálata Érteezés a dotori Ph.D.) foozat megszerzése érdeében a matematia tudományágban. Írta: Fülöp Eria oleveles matematius, alalmazott matematius. Készült a Debreceni Egyetem Matematia- és Számítástudományo Dotori Isolája Valószín ségelmélet, matematiai statisztia és alalmazott matematia) programja eretében. A dotori szigorlati bizottság: Témavezet : Dr. Pap Gyula elnö: Dr tago: Dr Dr A dotori szigorlat id pontja: Az érteezés bírálói: A bírálóbizottság: Dr Dr Dr elnö: Dr tago: Dr Dr Dr Dr Az érteezés védéséne id pontja:
6
7 Tartalomjegyzé. Bevezetés. Techniai el zménye 3.. A ML becslés onzisztenciája Kamatlábmodelle, történelmi megjegyzése Diszrét idej HJM típusú amatlábmodelle A ML becslés er s onzisztenciája függ minta esetén 5 4. Er s onzisztencia a HJM-típusú modellben 4.. Er s onzisztencia n -tel arányos minta esetén Er s onzisztencia n-el arányos minta esetén Szimuláció Függelé A Függelé B Loális aszimptotius normalitás Local asymptotic normality Asymptotically optimal tests Összefoglalás 7 Summary 73 Irodalomjegyzé 75
8 A jelölt publiációi 79
9 . fejezet Bevezetés Motiváció, háttér, téma fontossága, el zménye, problémafelvetés, elért eredménye tömören, fejezetenénti összefoglalás. Több amatlábmodell is van, de eddig nem nagyon vizsgáltá a modellillesztésnél felmerül statisztiai érdéseet. Általun vizsgált új dolgo: statisztiai tesztelés, paraméterbecslés aszimptotiája ülönböz szituációban, statisztiai ísérletsorozat viseledését vizsgálju.
10 . FEJEZET. BEVEZETÉS
11 . fejezet Techniai el zménye Fogalma, ami nem standard egyetemi anyag, folytonos idej modell, Santa- Clara-Sornett, Józsi eredményei, Jennrich eredménye. Konzisztencia fogalma, ML pontos megfogalmazása, Heijmann-Magnus eredmény gyenge)... A ML becslés onzisztenciája Irodalom Van der Waart. Teintsün egy X, X, {P θ :θ Θ} ) statisztiai ísérletet, ahol X, X ) mérhet tér, {P θ : θ Θ} ezen értelmezett valószín ségi mértée családja és Θ R p egy nemüres halmaz. A Θ halmazt paramétertérne, egy x X elemet meggyelésne, egy T : X Θ mérhet függvényt statisztiána nevezün. Legyen Ω, A, P) egy valószín ségi mez és minden θ Θ esetén legyen ξ θ) :Ω R d egy olyan véletlen vetor minta), hogy az R d, BR d ) ) -n értelmezett P θ eloszlása abszolút folytonos, R d -b l [0, )-be épez x Lx; θ) s r - ségfüggvénnyel lielihoodfüggvénnyel). Eor a loglielihood függvény Λx; θ) := = log Lx; θ) [, ), x R d, ahol legyen log 0 :=. Teintsün egy R d, BR d ), {P θ : θ Θ} ) statisztiai ísérletet. Statisztiai ísérlet paraméterbecslésénél a f feladat egy T : R d Θ statisztia megtalálása a θ 0 Θ igazi de ismeretlen) paraméterérté becslésére a ξ θ0) minta alapján úgy, hogy T jó legyen abban az értelemben, hogy a T ξ θ0) ) := T ξ θ0) véletlen vetor özel van θ 0 -hoz. 3
12 4. FEJEZET. TECHNIKAI ELŽZMÉNYEK.. Deníció. Az R d, BR d ), {P θ : θ Θ} ) statisztiai ísérletben a θ paraméter x R d mintán alapuló maximum lielihood becslése egy θx) Θ érté, melyre Lx; θx)) = sup Lx; θ)..) θ Θ Azt mondju, hogy létezi mérhet maximum lielihood becslése a paraméterne az R d, BR d ), {P θ : θ Θ} ) statisztiai ísérletsorozatban, ha létezi egy θ : R d Θ mérhet függvény statisztia) úgy, hogy.) teljesül minden x R d esetén. Maximum lielihood becslés egy statisztiai ísérletben nem feltétlenül létezi, és még ha létezi is, nem feltétlenül egyértelm. Ha θ : R d Θ egy mérhet függvény, aor θ ξ θ) : Ω Θ valószín ségi változó mérhet függvény) minden θ Θ esetén. A övetez lemma elégséges feltételt ad a mérhet maximum lielihood becslés létezésére. A bizonyítást megtalálhatju pl. Jennrich [7, Lemma ] ciében... Lemma. Ha minden x R d esetén a θ Lx; θ) függvény folytonos Θ-n, aor az x sup θ Θ Lx; θ) függvény mérhet R d -n. Ha, ezen ívül, Θ ompat, aor létezi egy mérhet maximum lielihood becslése a paraméterne a R d, BR d ), {P θ : θ Θ} ) statisztiai ísérletben. Most legyene d n -e pozitív egésze n N), és minden n N és θ Θ esetén legyen ξ n θ) : Ω R dn egy véletlen vetor, melyne eloszlása abszolút folytonos R dn -b l [0, )-be épez x L n x; θ) s r ségfüggvénnyel. Teintsü a statisztiai ísérlete R dn, BR dn ), {P θ : θ Θ} ) sorozatát. n N.3. Deníció. Legyen T n : R dn Θ egy mérhet függvény minden n N esetén. A T n ) n N sorozatot a θ 0 Θ igazi paraméterérté er sen onzisztens becsléséne nevezzü, ha T n ξ θ0) n ) θ 0 m.b. majdnem biztosan) ha n, azaz P { lim n T nξ θ0) n ) = θ 0 } =.
13 .. A ML BECSLÉS KONZISZTENCIÁJA 5 Úgy t ni, egy általános megállapodás az öonometriában, hogy a maximum lielihood ML) módszerrel apott becslése, gyenge feltétele mellett, onziszense. Ez indoolt, de egyáltalán nem triviális. A probléma f oa, hogy az öonometriai modelleben a meggyelése nem függetlene és nem azonos eloszlásúa. Sajnos a onzisztens ML becslése irodalmában csa egy is rész foglalozi általánosan a függ meggyeléseel. Heijmans és Magnus a [5, 986)] ciüben adna egy összefoglalást arról, i foglalozta ezzel a érdéssel. Eszerint gyaorlatilag minden, a ML becslés onzisztenciájára feltételt próbálni adó ci Cramer [, 946)] vagy Wald [7, 949)] megözelítésén alapul, és az általános függ meggyeléseel foglalozó hatalmas irodalom átteintéséne igénye nélül megadjá a f irányvonala épvisel it lásd [5, 54. old.]). Ezután az említett szerz páros további ísérletet tesz Wald független, azonos eloszlású eredményéne a függ mintára való általánosítására, s az általu adott feltétele gyengébbe és önnyebben ellen rizhet e, mint a orábbia..4. Tétel [5], Theorem ). Tegyü fel, hogy i) a Θ R p paramétertér ompat, ii) minden rögzített) n N és x R dn esetén a θ L n x; θ) lielihood függvény folytonos Θ-n. Eor a θ 0 Θ igazi paraméterérténe létezi θn mérhet ) ML becslése. Továbbá egy tetsz leges { θ n } n N becsléssorozat gyengén onzisztens aor és csa aor, ha iii) minden θ Θ\{θ 0 } esetén létezi egy Nθ, θ 0 ) örnyezete a θ-na, hogy [ ] ) lim P Λ n ξ n θ0) ; φ) Λ n ξ n θ0) ; θ 0 ) < 0 =. n sup φ Nθ,θ 0) Kimondjá bizonyítás nélül), hogy bizonyos er sebb feltétel mellett az er s onzisztencia is teljesül. Ezt a 4. fejezetben részletezzü, és bizonyítju. Egy mási tételüben bevezette egy n normalizáló függvényt, mely nem n hanem függhet θ-tól és issé szigorúbb feltételeet adta, melye viszont önnyebben ellen rizhet e..5. Tétel [5], Theorem ). Tegyü fel, hogy
14 6. FEJEZET. TECHNIKAI ELŽZMÉNYEK i) a Θ R p paramétertér ompat, ii) minden rögzített) n N és x R dn esetén a θ L n x; θ) lielihood függvény folytonos Θ-n, iii) minden θ Θ\{θ 0 } esetén létezi egy n θ, θ 0 ) nemnegatív, nem véletlen sorozat, mely függhet θ-tól és θ 0 -tól és n θ, θ 0 ) Λ n ξ θ0) n lim inf n nθ, θ 0 ) > 0, ) ; θ) Λ n ξ n θ0) P ; θ 0 ), ha n, iv) minden θ Θ\{θ 0 } esetén létezi egy Nθ, θ 0 ) örnyezete a θ-na, hogy [ ] lim P ) sup Λ n ξ n θ0) ; φ) Λ n ξ n θ0) ; θ 0 ) < =. n n θ, θ 0 ) φ Nθ,θ 0) Eor a θ 0 Θ igazi paraméterérténe biztosan létezi θn mérhet ) ML becslése, és minden { θ n } n N becsléssorozat gyengén onzisztens. Míg a.4 tétel iii) feltétele a loglielihood hányados loális viseledésére oncentrál, addig a.5 tétel iv) része a normalizált loglielihood hányados viseledését vizsgálja, egyfajta gyenge loális egyenl mértében folytonossági feltétel a normalizált loglielihoodo sorozatára. Egy ézenfev választás n -re a Kullbac-Leibler információ abszolútértée n θ, θ 0 ) = E Λ n ξ θ0) n ) ; θ) Λ n ξ n θ0) ; θ 0 ), ha a várható érté létezi. A standard független, azonos eloszlású esetben n n pozitív itev j hatványa lesz, de általános esetben nem. az.. Kamatlábmodelle, történelmi megjegyzése Az irodalomban több megözelítést találhatun a amatlábstrutúrá formalizálására, és ebb l a ötvénye és más amatlábfügg pénzügyi eszözö származtatására. Egy ilyen átteintést találhatun []-ben.
15 .. KAMATLÁBMODELLEK, TÖRTÉNELMI MEGJEGYZÉSEK 7 Az általun vizsgált modell Heath, Jarrow és Morton megözelítésén alapszi [4]. Az említett szerz hármas megadott egy határid s amatlábmodellt, majd ebb l származtattá a ötvényáraat. Kés bb so szerz vizsgált hasonló modelleet, ülönböz parametrizációal. Az alap HJM modellt a övetez éppen foglalhatju össze. Jelölje ft, x) a pillanatnyi amatlábat a t id pontban x lejáratig hátralév id vel, ahol t, x R +. Kiemelnén, hogy mi az úgynevezett Musiela paraméterezést övetjü b vebben lásd [0]), ahol x nem a lejárati id t, hanem a lejáratig hátralév id t jelöli. A HJM modellben a határid s amatlábaat leíró sztochasztius dierenciálegyenlet d t ft, x) = αt, x)dt+βt, x)dw t),.) ahol {W t)} t R standard Wiener folyamat mely lehet egy, illetve általánosabb esetben több véges) dimenziós). A amatlábfolyamat ismeretében megadható a ötvényár. Ha P t, s) jelöli a amatszelvény nélüli ötvényt a t id pontban s lejárati id vel, aor a Heath, Jarrow és Morton által javasolt ötvényár: { s t } P t, s) = exp ft, u)du, 0 t s. 0 A.) által megadott {ft, x)} t R+ határid s amatlábmodell minden x 0 esetén ugyanazzal a Wiener folyamattal van meghajtva. Ha például azt az esetet teintjü, mior βt, x) determinisztius, aor minden amatlábat ugyanaz a "so" éri, ami nem t ni túl valóságh ne. Emiatt természetes általánosítása a modellne, ha véletlen mez t vezetün be véletlen folyamat helyett. Egy ilyen modellben a ülönböz lejárati idej amatlába ülönböz folyamattal lehetne meghajtva. A folytonos idej modell ilyen általánosítását Kennedy [8] vezette be. Kés bb Goldstein [], továbbá Santa-Clara és Sornett [4] is vizsgálta ilyen modelleet. A f gondolatot a övetez éppen foglalhatju össze. Legyen {Zt, s)} t,s R+ egy véletlen mez, és minden rögzített x R + esetén legyen a határid s amatlábfolyamatot megadó dierenciálegyenlet d t ft, x) = αt, x)dt+βt, x)zdt, x),.3) ahol minden s 0 esetén {Zt, s)} t,s R+ egy alalmas szemimartingál, és α meg β eleget teszne a megfelel regularitási feltételene, hogy a fenti dierenciálegyenlethez tartozó integrálo létezzene.
16 8. FEJEZET. TECHNIKAI ELŽZMÉNYEK Egy ilyen véletlen mez által hajtott) általánosított.3) modellt véletlen mez s modellne fogun nevezni szemben a szairodalom orábbi, a fenti értelemben egyszer bb nem véletlen mez s).) modelljeivel, amelyeet lassziusna fogun nevezni. A f feladat egy ilyen modell deniálásánál a megfelel meghajtó folyamat vagy mez iválasztása. Bár a leggyarabban alalmazott meghajtó folyamat a lasszius modelle esetén a Brown-mozgás ld. pl. [4]), ennél általánosabb modelle is ismerte a szairodalomban. Schmidt [5] például a Brown mozgás egy természetes alternatíváját, nevezetesen az Ornstein-Uhlenbec folyamatot javasolta, amelyet úgy is teinthetün, mint a diszrét idej AR) folyamat analógja. A HJM modell lásd [4]), továbbá a fent említett [8], [], [4] munában tanulmányozott modelle folytonos idej e. Találhatun azonban a lasszius HJM modell diszrét idej verziójával apcsolatos munáat is, lásd például Heath, Jarrow és Morton [3], Jarrow [6] vagy Plisa [] munáit. A lasszius diszrét idej HJM-típusú modelleet a övetez éppen foglalhatju össze. Jelölje f,l a határid s amatlábat a id pontban l lejáratig hátralev id vel, azaz f,l a [+l, +l+) intervallumon érvényes, l Z + ). Feltesszü, hogy az f 0,l l Z + ) ezdeti értée ismerte. Eor a határid s amatlába a övetez éppen vanna megadva: f +,l = f,l +α,l +β,l S + S ),.4) ahol {S, α,l, β,l } Z+ adaptált egy adott {F } Z+ sz réshez minden l Z + esetén. Ha a [, +) periódusban értelmezett amatlábra bevezetjü az r := f,0 jelölést Z + ), aor a szoásos diszontáló tényez D := exp r j, Z +. j=0 A folytonos idej modellhez hasonlóan a amatlábfolyamat ismeretében megadható a ötvényár. Ha P,l jelöli a amatszelvény nélüli ötvényt a id pontban l lejárati id vel, aor a javasolt ötvényár: l P,l = exp f,j, 0 l, ahol P, :=. j=0
17 .. KAMATLÁBMODELLEK, TÖRTÉNELMI MEGJEGYZÉSEK 9 A folytonos esethez hasonlóan diszrét esetben is ésszer és pratius elvárás, hogy a határid s amatlába véletlen mez vel legyene meghajtva. Ilyen modellt vezetett be.3) analógiájára Gáll, Pap és Zuijlen lásd []). Az általu javasolt határid s amatlábstrutúra az f +,l = f,l +α,l +β,l S +,l S,l ).5) dinamiát öveti, ahol {S,l },l Z+ egy véletlen mez és {S,l, α,l, β,l } Z+ adaptált egy adott {F } Z+ sz réshez minden l Z + esetén. Kutatásain során nagyrészt ezen Gáll, Pap és Zuijlen [] által javasolt modellt vizsgáltu, mior a határid s amatlábaat egy AR) térbeli autoregressziós típusú Gauss véletlen mez hajtja meg. A Gauss jelz arra utal, hogy a mez véges dimenziós eloszlásai normálisa. A modell legf bb tulajdonsága az, hogy a ülönböz lejáratig hátralev id ülönböz értéeihez tartozó határid s amatlába ülönböz diszrét idej folyamatoal lehetne meghajtva, ennélfogva ülönböz piaci változáso lehetne hatással a ülönböz határid s amatlába folyamatára. Egy fontos elvárás a pénzügyi matematiában, hogy izárju az arbitrázs, ocázatmentes hozam, lehet ségét. Felidézzü az ehhez apcsolódó denícióat b vebben lásd [7]). Legyen Ω, F, P) valószín ségi mez egy {F n } n Z+ ltrációval..6. Deníció. Legyen N Z + és jelölje βi n 0 i N) a ötvénye darabszámát az n-edi id pontban n+i lejárati id vel, σβi n) F n 0 i N). A piacon egy π pénzügyi stratégia alatt a π n =β0 n, β n,..., βn n ), n Z + portfólió sorozatát értjü. Egy ilyen stratégia portfóliójána értée az n id pontban Xn π = N βn i P n,n+i..7. Deníció. Egy π stratégiát önnanszírozóna nevezzü, ha el rejelezhet, azaz σβ n i ) F n, 0 i N) és X π n = N βn i P n,n+i. Ez azt jelenti, hogy az n )-edi id pontban iválasztott π n portfólió összeállításánál nincs se plusz befetetésün, se ivét, azaz csa az n )-edi id pontban rendelezésre álló Xn π = N βn i P n,n+i t ét használju fel..8. Deníció. Egy π önnanszírozó stratégiát arbitrázsna, vagy arbitrázsstratégiána nevezün, ha valamely rögzített K Z esetén X π 0 = 0 m.b. X π n 0 m.b., n =,..., K,
18 0. FEJEZET. TECHNIKAI ELŽZMÉNYEK P XK π > 0) > 0, tehát létezi ω Ω, melyre Xπ K ω) > 0. Az arbitrázsmentességgel evivalens tulajdonságént szotá emlegetni azt, hogy a piacon létezi egy evivalens martingálmérté..9. Deníció. Az Ω, F, P) valószín ségi mez n értelmezett P mértéet evivalens martingálmérténe nevezzü, ha P és P evivalense, azaz a nullmérté halmazo megegyezne mindét mérté szerint, a {D P,l } 0 l diszontált ötvényár folyamat martingál a P mérté szerint az {F n } n Z+ ltrációra nézve minden l 0 esetén, azaz E D P,l F ) = D P,l 0 l). Könnyen megmutatható, hogy egy önnanszírozó stratégia {D n Xn π } n Z+ diszontált folyamata martingál egy P evivalens martingálmérté szerint. Így, X0 π = 0 feltétel mellett n Z + esetén E Xn π = 0, tehát nem övetezhet be egyszerre P XK π 0) = és P XK π > 0) > 0 valamely rögzített K-ra, azaz nincs arbitrázslehet ség. A ötvényárazáso irodalmában a HJM-típusu modeller l általában felteszi, hogy martingál modelle, azaz a modelle egy evivalens martingál mérté alatt vanna felírva. Így a modelle nyilván izárjá az arbitrázs lehet ségét. Megjegyezzü, hogy nem feltétlenül szüséges így megadnun a modellt ahhoz, hogy no-arbitrázs modellehez jussun. Mindamellett ezen megözelítés elég gyaori a ötvénye piacán, mivel önnyen ezelhet e. Viszont statisztiai érdése szempontjából ez a megözelítés nem önnyen ezelhet, így mi a valódi P mérté szerint dolgozun. Az arbitrázsmentességet viszont mi is szeretnén, hogy teljesüljön, ezért feltesszü az alábbi tulajdonság teljesülését..0. Tulajdonság. A {D P,l } 0 l diszontált ötvényár folyamat martingál a valódi P mérté szerint minden l N esetén..3. Diszrét idej HJM típusú amatlábmodelle Az általun tanulmányozott diszrét idej HJM-típusú határid s amatlábmodellt Gáll, Pap és Zuijlen [] vezette be, melyben a ülönböz lejáratig hátralev
19 .3. DISZKRÉT IDEJ HJM TÍPUSÚ KAMATLÁBMODELLEK id ülönböz értéeihez tartozó határid s amatlábaat egy véletlen mez hajtja meg. Ebben a övetez megfontoláso jelentette motivációt számura. Ezen az úton általánosabb és így rugalmasabb amatlábmodelle alotható, mint a lasszius modelle esetén amelyeet egyetlen folyamat hajt meg). Másrészt így lehet vé válhat, hogy a amatlába leírására alalmas modelleet találjun úgy, hogy azo ne legyene túlparaméterezve, vagy túlillesztve, ahogy az számos pénzügyi alalmazás esetén meggyelhet. Továbbá a véletlen mez s amatlábmodelle ötlete a folytonos idej amatlábmodelle irodalmában merült fel el ször, azonban az ezehez tartozó pénzügyi alulussal apcsolatban jelentez bizonyos problémá azt sugalljá, hogy a diszrét idej megözelítés ezen problémában is segíthet és így aár a folytonos idej modelle fejl déséhez is hozzájárulhat. Legyen Ω, F, P) egy valószín ségi mez, és deniálju rajta az {F } Z+ sz rést a övetez épp: F 0 :={, Ω} a triviális σ-algebra és legyen esetén F := ση i,j : i és j 0), ahol η i,j N 0,) független valószín ségi változó minden i, j Z + esetén. Teintsün minden ϱ R esetén egy {S ϱ),l },l Z + térbeli autoregressziós típusú Gauss véletlen mez t leped t) a övetez éppen megadva S ϱ),l = Sϱ),l +ϱsϱ),l ϱsϱ),l +η,l, S ϱ), = Sϱ) 0,l = Sϱ) 0, := 0, Z ++, l Z +. A S ϱ),l = Sϱ) +,l Sϱ),l dierenciaoperátor bevezetése mellett, l Z + ) S ϱ),l+ = ϱ S ϱ),l +η +,l+, azaz { S ϱ) },l l Z + egy AR) autoregressziós folyamat ϱ együtthatóval. Más alaban felírva a meghajtó mez t S ϱ),l = j=0 l ϱ l j η i,j, ahonnan látható, hogy {S ϱ),l } Z + adaptált az {F } Z+ ltrációra nézve minden l Z + esetén, és a mez véges dimenziós eloszlásai normálisa.
20 . FEJEZET. TECHNIKAI ELŽZMÉNYEK Eor deniálju ϱ R esetén az {f ϱ),l },l Z + diszrét idej határid s amatlábmodellt a övetez sztochasztius dierenciaegyenlettel f ϱ) +,l = f ϱ),l +α,l +β,l S ϱ),l,, l Z +, ahol {α,l } l Z+ drift tag és {β,l } l Z+ volatilitás F mérhet valószín ségi változó minden Z + esetén, továbbá az {f ϱ) 0,l } l Z + ezdeti értée ismert valós számo. Egy ilyen modellre Gáll, Pap és Zuijlen olyan elégséges feltételeet is levezetett [], amelye mellett a piaco izárjá az arbitrázs lehet ségét, azaz teljesül a.0 Tulajdonság. Ezeet a feltételeet gyaran drift vagy arbitrázsmentességi) feltételene is nevezi a amatlábmodelle irodalmában, mert ilyen feltétele mellett a drift tag α,l,, l Z + ) meghatározható a modell egyéb tulajdonságai által. Továbbá, feltettü, hogy a volatilitás determinisztius, sem az id t l sem a lejáratig hátralev id t l nem függ, azaz β,l := β, l Z + ). Eor az általun tanulmányozott {f ϱ),l :, l Z +} véletlen Gauss mez által meghajtott arbitrázsmentes diszrét idej határid s amatlábmodell minden ϱ R autoregressziós paraméter esetén Gáll, Pap és Zuijlen [0] munája alapján: f ϱ),l fϱ) ϱ),l+ ϱf,l fϱ),l ) = βη,l +β G l ϱ),, l,.6) f ϱ),0 fϱ), = βη,0 +β G 0 ϱ),, ahol G l ϱ) := l j=0 ϱ j. Bevezetve a ϱ és ϱ módosított dierencia operátoro jelöléseet ϱ x,l := { x,l x,l+ ϱx,l x,l ) for, l, x,0 x, for, l = 0, ϱ x,l := x,l x 0,+l ϱx,l x 0,+l ) for, l. a fenti.6) modell felírható az alábbi rövidebb alaban ϱ f ϱ),l = βη,l +β G l ϱ),.7)
21 .3. DISZKRÉT IDEJ HJM TÍPUSÚ KAMATLÁBMODELLEK 3 vagy a ezdeti értée segítségével az alábbi evivalens alaban l+ ϱ f ϱ),l = βηl+ j, j +β G j ϱ) )..8) j=l Ezene az alaona aor vesszü hasznát, ha téglalap alaú mintából végzün becsléseet. Illetve használni fogju még az alábbi evivalens alaoat is, l 0): f ϱ),l fϱ),l+ = l+ f ϱ),l fϱ) 0,l+ = i=l+ j=0 l ϱ l j βη,j +β G j ϱ) ),.9) j=0 i ϱ i j βη l+ i+,j +β G j ϱ) )..0) Az {f ϱ),l :, l Z +} térbeli autoregressziós mez vel meghajtott amatlábfolyamatot stabilna, instabilna vagy felrobbanóna nevezzü, ha ϱ <, ϱ =, vagy ϱ > megfelel en).
22 4. FEJEZET. TECHNIKAI ELŽZMÉNYEK
23 3. fejezet A ML becslés er s onzisztenciája függ minta esetén Heijmans-Magnust megemlíteni hogy is imondtá az er st. Bizonyítás. Összehasonlításo. A. fejezetben felidéztü Heijmans és Magnus [5] eredményeit a ML becslés gyenge onzisztenciájáról függ minta esetén, és említettü, hogy imondta egy er sebb feltételt az er s onzisztenciára is, azonban bizonyítás nélül. Ez az állítás megtalálható a övetez tételünben ii) iii) ág). Tegyü fel, hogy a Θ R p paramétertér ompat és minden n N és x R dn esetén a θ L n x; θ) lielihood függvény folytonos Θ-n. Eor a. Lemma alapján minden n N esetén létezi θ n : R dn Θ nem feltétlenül egyértelm ) mérhet maximum lielihood becslése a paraméterne az R dn, BR dn ), {P n,θ : θ Θ} ) statisztiai ísérletben. A θ Θ pont N örnyezete a Θ olyan nyílt részhalmaza, mely tartalmazza θ-t. 3.. Tétel. Legyen θ 0 Θ. Teintsü a övetez állításoat: i) létezi pozitív valós számona egy n ) n N sorozata, melyre lim inf n > 0, n és minden θ Θ \ {θ 0 } esetén létezi a θ-na Nθ, θ 0 ) örnyezete, és 5
24 6 3. FEJEZET. A ML BECSLÉS ERŽS KONZISZTENCIÁJA FÜGGŽ MINTA ESETÉN Iθ, θ 0 ) mennyiség úgy, hogy inf φ Nθ,θ0) Iφ, θ 0 ) > 0, és lim sup n φ Nθ,θ 0) Λn ξ n θ0) ; φ) Λ n ξ n θ0) ; θ 0 ) ) +Iφ, θ 0 ) n = 0 m.b. 3.) ii) minden θ Θ\{θ 0 } esetén létezi a θ-na Nθ, θ 0 ) örnyezete, melyre lim sup n sup φ Nθ,θ 0) Λn ξ n θ0) ; φ) Λ n ξ n θ0) ; θ 0 ) ) < 0 m.b. 3.) iii) a θ 0 Θ mérhet maximum lielihood becsléseine minden θ n ) n N sorozata er sen onzisztens; iv) a θ 0 minden N örnyezete esetén [ lim sup n sup φ Θ\N Λ n ξ n θ0) ; φ) sup Λ n ξ n θ0) ; φ) φ N ] 0 m.b. 3.3) Eor i) ii) iii) iv). A. Lemma szerint sup φ Nθ,θ 0) L n ξ n θ0) ; φ) egy [0, + ] érté valószín ségi változó, és így sup Λ n ξ n θ0) ; φ) is egy [, + ] érté valószín ségi φ Nθ,θ 0) változó. Továbbá sup φ Nθ,θ 0) Λn ξ n θ0) ; φ) Λ n ξ n θ0) ; θ 0 ) ) = majdnem mindenütt értelmezett, mivel hiszen sup Λ n ξ n θ0) ; φ) φ Nθ,θ 0) ) Λ n ξ θ0) n ; θ 0 ) P{Λ n ξ θ0) n ; θ 0 ) = } = 0. Valóban, P{L n ξ n θ0) ; θ 0 ) = 0} = L n x; θ 0 ) dx = 0. {x R dn : Lnx;θ0)=0} Megjegyezzü, hogy 3.), 3.) és 3.3) a övetez alaba is írhatóa lim n sup L L n ξ n θ0) n ξ n θ0) ; φ) ; θ 0 ) φ Nθ,θ 0) ) /nθ,θ 0) = e m.b. 3.4)
25 7 és lim sup n lim sup n sup L L n ξ n θ0) n ξ n θ0) ; φ) < m.b. 3.5) ; θ 0 ) φ Nθ,θ 0) sup L L n ξ n θ0) n ξ n θ0) ; φ) m.b. 3.6) ; θ 0 ) φ Θ\N Bizonyítás 3. tétel): i) ii) Vegyü észre, hogy n sup φ Nθ,θ 0) sup φ Nθ,θ 0) Λn ξ n θ0) ; φ) Λ n ξ n θ0) ; θ 0 ) ) Λn ξ n θ0) ; φ) Λ n ξ n θ0) ; θ 0 ) ) +Iφ, θ 0 ) n inf Iφ, θ 0), φ Nθ,θ 0) így i)-b l övetezi, hogy valószín séggel lim sup n n sup φ Nθ,θ 0) Λn ξ n θ0) ; φ) Λ n ξ n θ0) ; θ 0 ) ) inf Iφ, θ 0) < 0 φ Nθ,θ 0) Eor azon valószín ség halmazon, ahol a fenti egyenl tlenség teljesül, δ > 0 esetén n 0 N, hogy n > n 0 esetén n sup φ Nθ,θ 0) Λn ξ n θ0) ; φ) Λ n ξ n θ0) ; θ 0 ) ) δ < 0, továbbá lim inf n n > 0 miatt δ > 0, hogy n > n 0 esetén n δ > 0, így n > n 0 esetén n n sup φ Nθ,θ 0) Λn ξ n θ0) ; φ) Λ n ξ n θ0) ; θ 0 ) )) δ δ < 0. Ebb l övetezi ii). ii) iii) Egy H Θ részhalmaz esetén teintsü a majdnem biztosan deniált S n H) := L n ξ n θ0) ; θ 0 ) sup φ H L n ξ n θ0) ; φ), valószín ségi változót. ii) szerint minden θ Θ \ {θ 0 } esetén létezi a θ-na Nθ, θ 0 ) örnyezete, hogy lim sup S n Nθ, θ 0 )) < m.b. 3.7) n
26 8 3. FEJEZET. A ML BECSLÉS ERŽS KONZISZTENCIÁJA FÜGGŽ MINTA ESETÉN Meg ell mutatnun, hogy a θ 0 minden N örnyezete esetén elég nagy n-re a maximum lielihood becslés majdnem biztosan ezen örnyezetbe esi. Pontosabban, minden N örnyezet esetén létezi egy Ω 0 A egy valószín ség esemény PΩ 0 ) = ) úgy, hogy minden ω Ω 0 esetén létezi egy n 0 N, ω) N üszöbszám, hogy n n 0 N, ω) esetén θ θ n ξ 0) n ω) ) N. A Θ\N halmaz ompat mivel zárt és Θ ompat) és Nθ, θ 0 ) Θ\N θ Θ\N egy nyílt lefedése Θ\N-ne. Eor létezi véges részlefedés is, azaz létezi véges so θ,..., θ r Θ\N pont, melyere Eor r Nθ, θ 0 ) Θ\N. sup L n ξ n θ0) ; φ) sup φ Θ\N φ r = max r Nθ,θ 0) sup φ Nθ,θ 0) L n ξ θ0) n ; φ) L n ξ n θ0) ; φ). Idézzü fel, hogy P L n ξ n θ0) ; θ 0 )>0)=, így ezen egyenl tlenség mindét oldalát L n ξ n θ0) ; θ 0 ) -al osztva azon a halmazon, ahol ez nem nulla L n ξ θ0) n ; θ 0 ) sup φ Θ\N Követezéséppen 3.7) szerint lim sup n L n ξ θ0) n ; θ 0 ) sup φ Θ\N L n ξ n θ0) ; φ) max S n Nθ, θ 0 )) r L n ξ θ0) n esetén létezi egy n 0 N, ω) N üszöb- majdnem biztosan. Így minden ω Ω 0 szám, hogy n n 0 N, ω) esetén sup φ Θ\N ; φ) lim sup n max r m.b. S n Nθ, θ 0 )) = max lim sup S n Nθ, θ 0 )) < r n L n ξ n θ0) ω); φ) < L n ξ n θ0) ω); θ 0 ).
27 9 Minden n N és x R d esetén a sup L n x; φ) < L n x; θ 0 ) egyenl tlenség φ Θ\N alapján θ n x) N, mivel θn maximum lielihood becslés. Követezéséppen θ n ξ θ0) n ω)) N minden ω Ω 0 és n n 0 N, ω) esetén, azaz megaptu iii)-t. iii) iv) Minden N örnyezet esetén iii) szerint létezi egy Ω 0 A egy valószín ség esemény PΩ 0 ) = ) úgy, hogy minden ω Ω 0 esetén létezi egy n 0 N, ω) N üszöbszám, hogy θ θ n ξ 0) n ω) ) N ha n n 0 N, ω). Így sup φ Θ\N L n ξ n θ0) ω); φ) sup L n ξ n θ0) ω); φ), ha n n 0 N, ω). φ N Követezéséppen θ 0 minden N örnyezete esetén, melyre N N apju, hogy minden ω Ω 0 és n n 0 N, ω) esetén sup φ Θ\N L n ξ n θ0) ω); φ) sup L n ξ n θ0) ω); φ). φ N Az N örnyezet θ 0 pontra sz ítése által és gyelembe véve a θ L n x; θ) lielihood függvény folytonosságát Θ-n, minden ω Ω 0 és n n 0 N, ω) esetén sup φ Θ\N L n ξ n θ0) ω); φ) L n ξ n θ0) ω); θ 0 ), így minden ω Ω 0 esetén lim sup n Ezzel megaptu iv)-t. sup φ Θ\N Ln ξ n θ0) ω); φ) L n ξ n θ0) ω); θ 0 ) ) 0.
28 0 3. FEJEZET. A ML BECSLÉS ERŽS KONZISZTENCIÁJA FÜGGŽ MINTA ESETÉN
29 4. fejezet Er s onzisztencia a HJM-típusú modellben Ezen fejezet f célja a.3 alfejezetben bemutatott diszrét idej HJM-típusú véletlen autoregressziós mez vel meghajtott.6) határid s amatlábfolyamat ϱ R autoregressziós paraméteréne statisztiai vizsgálata. Ehhez vegyün alapul egy mintát, majd vizsgálju meg, hogy a mintaelemszám növelésével mit mondhatun a becslés viseledésér l. Mivel az f,l határid s amatláb függ a id t l és a lejáratig hátralev l lejáratig hátralev id t l, így a mintán is étdimenziós lesz. A mintaelemszám növelését viszont többféleéppen is érthetjü. Els vizsgálatain alalmával mindét id tényez vel tartottun a végtelenbe. Kés bb azonban a lejáratig hátralev id fels orlátját lerögzítettü, hisz természetesen felmerül aadály, hogy nem állna rendelezésünre adato tetsz legesen hosszú lejáratig hátralev id vel. Azaz s másodi esetben minden id pontban a határid s amatlába ugyanolyan lejáratig hátralev id el rendelezne. Legyene K, L és {K n, L n : n N} pozitív egésze. Az általun tanulmányozott esete i) f ϱ) nn := {f ϱ),l : K n, 0 l L n }, ahol K n = nk +on) és L n = nl+on) ha n, ii) f ϱ) n := {f ϱ),l : K n, 0 l L}, ahol K n = nk +on) ha n, L x.
30 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN A övetez alfejezeteben az autoregressziós paraméter ML becsléséne er s onzisztenciáját bizonyítju, támaszodva a 3. fejezet 3. Tételére. Mivel a bizonyítási módszer nem függ a volatilitástól, a számításo egyszer sítése végett ezen fejezetben feltesszü, hogy β :=. 4.. Er s onzisztencia n -tel arányos minta esetén Teintsü el bb azt az esetet, mior a mintát mindét irányban növeljü, azaz a mintaelemszám n -tel arányos. Ez a fent említett i) eset. Eor sierült bizonyítanun a ML becslés er s onzisztenciáját stabil és mindét instabil esetben is. 4.. Tétel. Fülöp, Pap [5, Theorem ]) Legyene {K n, L n Z ++ : n N} úgy, hogy K n = nk + on) és L n = nl + on), ha n valamely K > 0 és L > 0 esetén. Legyen ϱ 0 [, +], és válasszu úgy a, b R határoat, hogy < a < b < + és ϱ 0 Θ, ahol [, b], ha ϱ 0 =, Θ := [a, b], ha ϱ 0 <, [a, +], ha ϱ 0 = +. Minden n N esetén legyen ϱ n egy az f nn ϱ0) := f ϱ0),l ) K n, 0 l L n mintán alapuló tetsz leges mérhet maximum lielihood becslése az igazi ϱ 0 paraméterne a lielihood függvény maximum helye Θ-n). Eor a ϱ n ) n N sorozat egy er sen onzisztens becslése ϱ 0 -na. Bizonyítás. A 3.. Tétel i) iii) részéb l és a övetez állításból övetezi. 4.. Állítás. Fülöp, Pap [5, Proposition ]) Legyen {K n, L n : n N}, a, b R, Θ és ϱ 0, mint a 4.. Tételben. Eor ) sup r n,ϱ0 Λ Kn,L n f n ϱ0) ; ϱ 0 Λ Kn,L n ϱ [a,b] f n ϱ0) )) ; ϱ Iϱ, ϱ 0 ) 0 P-m.b. 4.)
31 4.. ERŽS KONZISZTENCIA N -TEL ARÁNYOS MINTA ESETÉN 3 ha n, ahol n 3, ha ϱ 0 =, r n,ϱ0 := n, ha ϱ 0 <, n 6, ha ϱ 0 = +, Iϱ, ϱ 0 ) := +ϱ) K 0 L 0 t dt ) ds, ha ϱ 0 =, KLϱ 0 ϱ) ϱ 0 ) + KK+L)ϱ0 ϱ) ϱ 0 ϱ) ϱ) 8 K 0 L 0 6 ϱ 0) 4 ϱ), ha ϱ 0 <, ) K t 4 L+s dt ds+ s t dt) ds, ha ϱ 0 = +. 0 L Továbbá minden ϱ [a, b] \ {ϱ 0 } és ϱ minden N örnyezete esetén, melyre ϱ 0 / N ahol N az N lezártját jelöli) teljesül, hogy inf φ N Iφ, ϱ 0 ) > 0. Bizonyítás. Teintsü az f ϱ) = f ϱ),l ) K, 0 l L mintát. Az.7) egyenlet alapján f ϱ) ϱ),l -t ifejezhetjü az f,,l f ϱ),,l f ϱ),l+ és η,l segítségével. Az f ϱ) ϱ),l esetben viszont nem használhatju ugyanezt az elvet, ugyanis f,l+ nem eleme a mintána, így eor a.8) egyenletet alalmazzu, mely szerint f ϱ) ϱ),l ifejezhet az f,l orábbi mintaelem, az f ϱ), 0,+L f ϱ) ezdeti 0,+L értée valamint az η,l+, η,l+,..., η,l véletlene segítségével. Követve a [6, Lemma 3.] bizonyításában található gondolatmenetet, a mintára vonatozó loglielihood függvény Λ K,L x ; ϱ, β) = KL+) logπβ ) logk!) 4.) K L ϱ β x,l β G l ϱ) ) K L+ β ϱ x,l β G l ϱ)), ahol x:=x,l ) K, 0 l L R KL+), és x 0,l :=f 0,l ha l. Ebb l övetezi l=l
32 4 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN a β = feltevésün mellett, hogy Λ Kn,L n f ϱ 0) n ; ϱ 0 ) ΛKn,L n f ϱ 0) n ; ϱ ) = + K n K n L n [ ϱ f ϱ0),l G l ϱ) ) ϱ0 f ϱ0),l G l ϱ 0 )) ] [ L n+ ϱ f ϱ0),l n ) L n+ ) ] G l ϱ) ϱ0 f ϱ0),l n G l ϱ 0 ). Fejezzü i ezen mennyiségeet az {η,l : K n, 0 l L n + K n } valószín ségi változó segítségével..7) és.8) alapján L n+ L n+ ϱ0 f ϱ0),l G l ϱ 0 ) = η,l, ϱ0 f ϱ0),l n G l ϱ 0 ) = η Ln+ j, j. j=l n Továbbá a ϱ f ϱ0),l G l ϱ) = ϱ0 f ϱ0),l G l ϱ 0 ) ) ϱ0 f ϱ0),l ϱ f ϱ0),l +G l ϱ) G l ϱ 0 ) ). felbontás alapján, felhasználva az összefüggést és.9)-t, apju a ϱ0 f ϱ0),l ϱ f ϱ0),l = ϱ ϱ 0 )f ϱ0),l f ϱ0),l ) l H l ϱ, ϱ 0 ) := G l ϱ) G l ϱ 0 )+ϱ ϱ 0 ) ϱ l i 0 G i ϱ 0 ). determinisztius rész ülönválasztásával, hogy l ϱ f ϱ0),l G l ϱ) = η,l H l ϱ, ϱ 0 ) ϱ ϱ 0 ) ϱ0 l i η,i. Hasonlóan levezethet.0) segítségével, hogy L n+ L n+ ϱ f ϱ0),l n G l ϱ) = j=l n L n+ η Ln+ j, j l H l ϱ, ϱ 0 )+ϱ ϱ 0 ) ) ϱ0 l i η Ln+ l, i.
33 4.. ERŽS KONZISZTENCIA N -TEL ARÁNYOS MINTA ESETÉN 5 Eor apju a loglielihood-o ülönbségéne alábbi alaját ahol az M ϱ,ϱ0) n K n n := ϱ, ϱ0) M Λ Kn,L n f ϱ 0) ) n ; ϱ 0 ΛKn,L n f ϱ 0) n ; ϱ ) = M és A ϱ,ϱ0) n L n K n L n+ + K n n := ϱ, ϱ0) A j=l n K n + L n valószín ségi változó l η,l H l ϱ, ϱ 0 )+ϱ ϱ 0 ) η Ln+ j, j L n+ l H l ϱ, ϱ 0 )+ϱ ϱ 0 ) Ln+ ϱ, ϱ0) n + ) ϱ0 l i η,i l H l ϱ, ϱ 0 )+ϱ ϱ 0 ) ) ϱ0 l i η,i l H l ϱ, ϱ 0 )+ϱ ϱ 0 ) Aϱ, ϱ0) n, ) ϱ0 l i η Ln+ l, i, ) ) ϱ0 l i η Ln+ l, i. Tehát 4.) igazolásához elegend megmutatnun, hogy M ϱ, ϱ sup r 0) n,ϱ0 n 0 m.b., 4.3) ϱ [a,b] A ϱ, ϱ sup r 0) ϱ, ϱ0) n,ϱ0 n EA n 0 m.b., 4.4) ϱ [a,b] ϱ, ϱ0) sup r n,ϱ0 EA n Iϱ, ϱ 0 ) 0 4.5) ϱ [a,b] ha n. ϱ, ϱ0) El ször teintsü 4.5)-t. A n várható értée minden ϱ R esetén K n L n l ] ϱ, ϱ0) EA n := [H l ϱ, ϱ 0 ) +ϱ ϱ 0 ) K n + Mivel ϱ [a, b] esetén Ln+ ϱ l i ) 0 ) L n+ l H l ϱ, ϱ 0 ) +ϱ ϱ 0 ) G l ϱ) = l ϱ i = ϱl+ ϱ), ϱ l i ) 0.
34 6 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN és l ϱ l i 0 G i ϱ 0 ) = ) ϱ0) l ) 8, ha ϱ 0 =, i ϱ = l 0 ) ϱ 0), ha ϱ 0 <, l, ha ϱ 0 = +, l apju, hogy minden ϱ [a, b] esetén H l ϱ, ϱ 0 ) = ϱ l+ ϱ) +ϱ+) )l ) 8 = ϱ) + ϱ 4 ϱ+ 4 )l +O ϱ l ) = O), ha ϱ 0 =, ) +O ϱ 0 l ) ϱ) ϱ + ϱ ϱ0 0) ϱ 0) +O ϱ l+ ϱ = ϱ ϱ0) ϱ0 ϱ) ϱ 0) ϱ) +O ϱ l )+O ϱ 0 l ), ha ϱ 0 <, ϱ l+ ϱ) l+ ϱ) l = ϱ) l +Ol), ha ϱ 0 = +, 4.6) és L n+ O), ha ϱ 0 =, H l ϱ, ϱ 0 ) ϱ ϱ = 0) ϱ 0 ϱ) 4 ϱ 0) 4 ϱ) +O ϱ l )+O ϱ 0 l ), ha ϱ 0 <, ϱ) l4 4 +Ol3 ), ha ϱ 0 = +, O), ha ϱ 0 =, ϱ ϱ H l ϱ, ϱ 0 ) = 0) ϱ 0 ϱ) ϱ 0) ϱ) +O ϱ Ln )+O ϱ 0 Ln ), ha ϱ 0 <, Ln+ l +On), ha ϱ 0 = +, ϱ Ln+ ) O ), ha ϱ 0 =, H l ϱ, ϱ 0 ) = ϱ ϱ 0) ϱ 0 ϱ) 4 ϱ 0) 4 ϱ) +O ϱ Ln )+O ϱ 0 Ln ), ha ϱ 0 <, Ln+ ) l +O n 3 ), ha ϱ 0 = +. ϱ) 4
35 4.. ERŽS KONZISZTENCIA N -TEL ARÁNYOS MINTA ESETÉN 7 Továbbá, L n+ l ϱ l i ) 0 = így ϱ [a, b] esetén ϱ+) Kn l ϱ l i ) 0 = L n +O ϱ ϱ 0 l ), ha ϱ 0 <, 0 l, ha ϱ 0 =, +O ϱ ϱ 0 Ln ), ha ϱ 0 <, 0 L n+ ), ha ϱ 0 =, l+on ) 4.7) = Iϱ, ϱ 0 )n 3 +On ), ha ϱ 0 =, ) KL+ K ϱ0 ϱ) ϱ 0 ϱ) ϱ, ϱ0) 4 ϱ 0) EA n = 4 ϱ) n + KLϱ0 ϱ) n +On) ϱ 0 = Iϱ, ϱ 0 )n +On), ha ϱ 0 <, ϱ) 4 K n L n K n L n+ l ) +On 5 ) l 4 + ϱ) 4 = Iϱ, ϱ 0 )n 6 +On 5 ), ha ϱ 0 = +, amib l övetezi 4.5). Most vizsgálju 4.4)-t. Minden ϱ R esetén ) ϱ, ϱ0) ϱ, ϱ0) A n EA n =ϱ ϱ 0 ) a ) n ϱ, ϱ 0 )+a ) n ϱ, ϱ 0 ) +ϱ ϱ 0 ) ) a 3) n ϱ 0 )+a 4) n ϱ 0 ) ahol K n n ϱ, ϱ 0 ) := a ) a ) K n n ϱ, ϱ 0 ) := L n l H l ϱ, ϱ 0 ) L n+ H j ϱ, ϱ 0 ) j=l n K n L n+ = H j ϱ, ϱ 0 ) j=l n ϱ l i 0 η,i, L n+ l= l L n+ l ϱ l i 0 η Ln+ l,i ϱ Ln+ l i 0 η l,i,
36 8 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN K n n ϱ 0 ) := a 3) a 4) K n n ϱ 0 ) := L n l Ln+ l K n = l= ϱ l i 0 η,i ) E E L n+ l E l ϱ l i ϱ l i 0 η Ln+ l,i Ln+ l= l ) ) 0 η,i, ϱ l i 0 η Ln+ l,i ) ϱ Ln+ l i 0 η l,i L n+ l ϱ Ln+ l i ) ) 0 η l,i. Teintsü el bb a ) n ϱ, ϱ 0 )-et az instabil eseteben. A O), ha ϱ 0 =, H l ϱ, ϱ 0 ) = Ol ), ha ϱ 0 = +, 4.8) aszimptotia szerint a ) n ϱ, ϱ 0 ) = ahol l ξ ),l,n := Kn Ln O)ξ ) Kn,l,n, ha ϱ 0 =, Ln Ol )ξ ),l,n, ha ϱ 0 = +, ϱ l i 0 η,i N A Cauchy-Schwarz egyenl tlenség alapján Kn Ln a ) O) K n n ϱ, ϱ 0 ) Kn Ln Ol 4 ) K n l 0, Ln Ln ϱ i 0 ξ ) ).,,l,n) ha ϱ0 =,, ξ,l,n) ) ha ϱ0 = +.
37 4.. ERŽS KONZISZTENCIA N -TEL ARÁNYOS MINTA ESETÉN 9 A 4.5. Lemma alapján α = 3 és λ = 4 választással ϱ 0 = esetén Mivel E és eor n 3 K n L n ξ ),l,n) = l, így ) ) ) ξ ),l,n E ξ ),l,n 0 m.b. ha n. 4.9) n 3 K n n 3 K n Figyelembe féve, hogy apju, hogy K n L n L n L n E ξ ),l,n ) ξ ) KL,l,n O) = On ) ) KL, ha n. és K n m.b. ha n. L n Ol 4 ) = On 6 ), 4.0) sup r n,ϱ0 a ) n ϱ, ϱ 0 ) 0 m.b. ha n, ha ϱ 0 =. 4.) ϱ [a,b] A ϱ 0 < stabil esetben csa a Cauchy-Schwarz egyenl tlenség nem elegend, szüségün van a H l ϱ, ϱ 0 ) 4.6) aszimptotiájára a ) n ϱ, ϱ 0 ) ϱ ϱ 0 ϱ 0 ϱ) K n L n ϱ 0 ) ξ ) ϱ),l,n + K n L n O ϱ l + ϱ 0 l )ξ ),l,n. A 4.7. Lemma alalmazásával α = és λ = 0 választással apju n K n L n ξ ),l,n 0 m.b. ha n, ha ϱ 0 <. A Cauchy-Schwarz egyenl tlenség alalmazásával K n L n O ϱ l + ϱ 0 l )ξ ),l,n Kn L n K n O ϱ 4l + ϱ 0 l ) L n ξ ),l,n).
38 30 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN A 4.5 Lemma alapján α = és λ = 0 választással n K n L n ) ) ) ξ ),l,n E ξ ),l,n 0 m.b. ha n. 4.) ) Nyilván E ξ ) l,l,n = ϱl i ) 0, így 4.7) alapján és azt apju, hogy n K n L n ) E ξ ) KL,l,n ϱ 0 ha n, Mivel így n K n L n K n ) ξ ) KL,l,n ϱ 0 L n m.b. ha n. O ϱ 4l + ϱ 0 l ) = On), 4.3) sup r n,ϱ0 a ) n ϱ, ϱ 0 ) 0 m.b. ha n, ha ϱ o <. 4.4) ϱ [a,b] Követezzé a ) n ϱ, ϱ 0 ). A O), ha ϱ 0 =, H l ϱ, ϱ 0 ) = O), ha ϱ 0 <, On ), ha ϱ 0 = +, L n+ 4.5) aszimptotia szerint n ϱ, ϱ 0 ) = a ) Kn O) Kn O) Kn l= ξ) l= ξ),l,n, ha ϱ 0 =,,l,n, ha ϱ 0 <, On ) l= ξ),l,n, ha ϱ 0 = +,
39 4.. ERŽS KONZISZTENCIA N -TEL ARÁNYOS MINTA ESETÉN 3 ahol Ln+ l ξ ),l,n := ϱ Ln+ l i 0 η l,i N A Cauchy-Schwarz egyenl tlenség alapján a ) n ϱ, ϱ 0 ) Kn Kn Kn O ) K n O ) K n O n 4 ) K n 0, l= ξ) l= ξ) L n+ l ϱ i 0 ),l,n), ha ϱ0 =,,,l,n) ha ϱ0 <,, l=,l,n) ξ) ha ϱ0 = +. A ϱ 0 < stabil esetben a 4.8. Lemma alapján α = és λ = 0 választással K n n ξ ),l,n) E l= l= ξ ),l,n ) 0 m.b. ha n. 4.6) ) Mivel Ln+ l E l= ξ),l,n = l= ϱ i 0, így 4.7) alapján és eor így apju, hogy K n n E ξ,l,n) ) 0 ha n, l= K n n ξ ),l,n) 0 m.b. ha n, l= sup r n,ϱ0 a ) n ϱ, ϱ 0 ) 0 m.b. ha n, ha ϱ 0 <. 4.7) ϱ [a,b] A ϱ 0 = instabil esetben teintsü az alábbi átírást K n ξ ) l= K n,l,n) = n l= n ξ ),l,n)..
40 3 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN A 4.8. Lemma alapján α = és λ = 0 választással n ξ ),l,n K n n l= ξ ) n,l,n) E l= -re alalmazva ) ξ ) n,l,n 0 m.b. ha n. ) Mivel E l= n ξ ) Ln+ l,l,n = l= n = O), így és eor K n n K n n Figyelembe véve, hogy E l= l= K n O ) = On ) övetezi n ξ ),l,n) 0 ha n, n ξ ),l,n) 0 m.b. ha n. és 4.8) K n O n 4 ) = On 6 ), 4.9) sup r n,ϱ0 a ) n ϱ, ϱ 0 ) 0 m.b. ha n, ha ϱ 0 =. 4.0) ϱ [a,b] 4.9), 4.), 4.6) és 4.8) alapján r n,ϱ0 a 3) n ϱ 0 ) 0 m.b. ha n, 4.) r n,ϱ0 a 4) n ϱ 0 ) 0 m.b. ha n. 4.) Összegy jtve a 4.), 4.4), 4.7), 4.0), 4.) és 4.) eredményeet, apju 4.4)-t. ϱ, ϱ0) Végül megvizsgálju 4.3)-t. M n -t felírhatju a övetez alaban ϱ, ϱ0) M n = m ) n ϱ, ϱ 0 )+m ) n ϱ, ϱ 0 ) ) +ϱ ϱ 0 ) m 3) n ϱ 0 )+m 4) n ϱ 0 ) ) minden ϱ R esetén, ahol K n n ϱ, ϱ 0 ) := m ) L n H l ϱ, ϱ 0 )η,l,
41 4.. ERŽS KONZISZTENCIA N -TEL ARÁNYOS MINTA ESETÉN 33 K n L n+ L n+ n ϱ, ϱ 0 ) := H j ϱ, ϱ 0 ) j=l n m ) m 3) K n L n+ = H j ϱ, ϱ 0 ) j=l n K n n ϱ 0 ) := m 4) L n η,l l K n L n+ n ϱ 0 ) := K n = j=l n j= l= ϱ l i 0 η,i, η Ln+ j,j η j,ln+ j l= η Ln+ l,l η l,ln+ l, L n+ l L n+ l ϱ l i 0 η Ln+ l,i ϱ Ln+ l i 0 η l,i. Teintsü el bb m ) n ϱ, ϱ 0 )-t a ϱ 0 = instabil esetben. A H l ϱ, ϱ 0 ) 4.8) aszimtotiája szerint Kn Ln m ) O)η,l, ha ϱ 0 =, n ϱ, ϱ 0 ) = Kn Ln Ol )η,l ha ϱ 0 = +. A Cauchy-Schwarz egyenl tlenség alapján Kn m ) n ϱ, ϱ 0 ) Kn Ln O) K n Ln Ol 4 ) K n A 4.5. Lemma alapján α = és λ = 0 választással Mivel így K n L n n Ln η,l, ha ϱ 0 =, Ln η,l, ha ϱ 0 = +. η,l Eη,l) 0 m.b. ha n. n K n n K n L n L n Eη,l KL ha n, η,l KL m.b. ha n. 4.3)
42 34 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN Valójában ez is a nagy számo er s törvényéne egyszer övetezménye. Figyelembe véve 4.0)-et, apju sup r n,ϱ0 m ) n ϱ, ϱ 0 ) 0 m.b. ha n, ha ϱ 0 =. 4.4) ϱ [a,b] A ϱ 0 < stabil esetben a H l ϱ, ϱ 0 ) 4.6)-s aszimptotiája szerint m ) n ϱ, ϱ 0 ) ϱ ϱ 0 ϱ 0 ϱ) K n L n K n L n ϱ 0 ) η,l + O ϱ l + ϱ 0 l )η,l. ϱ) A 4.7. Lemmát alalmazva α = és λ = 0 választással n K n L n A Cauchy-Schwarz egyenl tlenség alapján K n L n O ϱ l + ϱ 0 l )η,l Kn η,l 0 m.b. ha n. L n K n O ϱ 4l + ϱ 0 l ) Figyelembe véve 4.3) és 4.3) eredményeet apju, hogy L n η,l. sup r n,ϱ0 m ) n ϱ, ϱ 0 ) 0 m.b. ha n, ha ϱ 0 <. 4.5) ϱ [a,b] Ezután övetezzen m ) n ϱ, ϱ 0 ). A 4.5) aszimptotia szerint Kn O) l= η l,l n+ l, ha ϱ 0 =, m ) n ϱ, ϱ 0 ) = Kn O) l= η l,l n+ l, ha ϱ 0 <, Kn On ) l= η l,l n+ l, ha ϱ 0 = +. Ismét a Cauchy-Schwarz egyenl tlenség alapján m ) n ϱ, ϱ 0 ) Kn Kn Kn O ) K n O ) K n O n 4 ) K n l= η l,l n+ l), ha ϱ0 =,, l= η l,l n+ l) ha ϱ0 <,, l= η l,l n+ l) ha ϱ0 = +.
43 4.. ERŽS KONZISZTENCIA N -TEL ARÁNYOS MINTA ESETÉN 35 A 4.8. Lemma alapján α = és λ = 0 választással K n ) n η l,ln+ l) E η l,ln+ l 0 m.b. ha n. l= l= Mivel E l= η l,l n+ l) =, így és eor K n n E η l,ln+ l) K ha n, l= K n n η l,ln+ l) 0 m.b. ha n. l= Figyelembe véve 4.9)-t sup r n,ϱ0 m ) n ϱ, ϱ 0 ) 0 m.b. ha n. 4.6) ϱ [a,b] Követezzen m 3) n ϱ 0 ) vizsgálata. Vezessü be a övetez jelölést l ζ 3),l,n := ϱ l i 0 η,i N l 0, A 4.6. Lemma alapján α = és λ = 0 választással a stabil esetben ϱ 0 < ) meg α = 3 és λ = 4 választással az instabil esetben ϱ 0 = ) n α K n L n Mivel η,l és ζ 3),l,n ϱ i 0 ) η,l ζ 3),l,n Eη,l ζ 3),l,n 0 m.b. ha n. függetlene minden N esetén K n L n Eη,l ζ 3),l,n = 0, ).
44 36 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN amib l övetezi, hogy r n,ϱ0 m 3) n ϱ 0 ) 0 m.b. ha n. 4.7) Végül övetezzen m 4) n ϱ 0 ) vizsgálata. Bevezetve a jelöléseet ξ 4),l,n := η l,l n+ l N 0,), Ln+ l ζ 4),l,n := m 4) K n n ϱ 0 ) = ϱ Ln+ l i 0 η l,i N ξ 4),j,n j= Ln+ l l= ζ 4),l,n Instabil esetben a 4.9 Lemma alapján α = és λ = 0 választással r n,ϱ0 m 4) n ϱ 0 ) 0 m.b. ha n, ha ϱ 0 <. 4.8) Instabil esetben a m 4) n ϱ 0 ) = K n n ξ 4),j,n j= l= ). ϱ i 0 ) ) ζ 4) n,l,n. átírás szerint a 4.9. Lemmát alalmazva α = és λ = 0 választással ξ 4) n ζ 4),l,n valószín ségi változóra,j,n r n,ϱ0 m 4) n ϱ 0 ) 0 m.b. ha n, ha ϱ 0 =. 4.9) Összegy jtve a 4.4), 4.5), 4.6), 4.7), 4.8) és 4.9) eredményeet, apju 4.3)-t, azaz igazoltu 4.)-t. 4.. Er s onzisztencia n-el arányos minta esetén Mint említettü, felmerült a érdés, vajon hogyan viseledi a ML becslés, ha a lejáratig hátralev maximális id t lerögzítjü, és csa a ötési id vel tartun a végtelenbe. Eor az egyi instabil esetben, nevezetesen ϱ = esetén, már nem sierült bizonyítanun az er s onzisztenciát az ellenez jét sem). De már az is érdees eredmény, hogy ϱ = + esetén teljesül, mert instabil esetben általában csa gyenge onzisztencia várható. és
45 4.. ERŽS KONZISZTENCIA N-EL ARÁNYOS MINTA ESETÉN Tétel. Legyene {K n Z + : n N} úgy, hogy K n = nk +on) ha n valamely K Z ++ esetén, és legyen L Z ++. Legyen ϱ 0, +], és válasszun úgy a, b R határoat, hogy < a < b < + és ϱ 0 Θ, ahol Θ := { [a, b], ha ϱ0 <, [a, +], ha ϱ 0 = +. Minden n N esetén legyen ϱ n egy az f n ϱ0) := f ϱ0),l ) K n, 0 l L mintán alapuló tetsz leges mérhet maximum lielihood becslése az igazi ϱ 0 paraméterne a lielihood függvény maximumhelye Θ-n). Eor a ϱ n ) n N sorozat egy er sen onzisztens becslése ϱ 0 -na. Bizonyítás. A 3.. Tétel i) iii) részéb l és a övetez állításból övetezi. Meglep, hogy azon eseteben, ahol sierült bizonyítanun az er s onzisztenciát, a sálázó tényez megegyezne az n -tel arányos mintánál apott sálázó tényez el, azaz nem csöente Állítás. Legyen {K n : n N}, K, L Z ++, a, b, Θ és ϱ 0 mint a 4.3. Tételben. Eor sup ϱ [a,b] r n,ϱ0 Λ Kn,L ha n, ahol f n ϱ0) ; ϱ 0 ) Λ Kn,L r n,ϱ0 := Iϱ, ϱ 0 ) := f ϱ0) n )) ; ϱ { n, ha ϱ 0 <, n 6, ha ϱ 0 = +, ϱ ϱ 0) ϱ ϱ 0) 4 ϱ) ϱ 0) 4 K ha ϱ 0 <, ϱ) 08 K6 ha ϱ 0 = +. Iϱ, ϱ 0 ) 0 m.b. 4.30) Továbbá minden ϱ [a, b] \ {ϱ 0 } és ϱ minden N örnyezete esetén, melyre ϱ 0 N ahol N az N lezártját jelöli) teljesül, hogy inf φ N Iφ, ϱ 0 ) > 0.
46 38 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN 4.3. Szimuláció Ebben az alfejezetben a ϱ paraméter becsléséne empirius viseledését vizsgálju szimuláció segítségével. Megvizsgálju a becslése onvergenciáját és normalitásást, bár utóbbira nincsene elméleti eredményein. A szimulációat és becsléseet az R [3] statisztiai programcsomag segítségével végeztü. Becsléseinet egy K L méret f n ϱ) = {f,l : K, l L} minta alapján végezzü, melyet az arbitrázsmentes modellün lásd.7),.8)) alapján generáltun adott β volatilitás és {f 0,l : l 0} ezdeti értée esetén. A.7) egyenlet alapján az f,l határid s amatláb 3 orábbi id ponttól függ, plusz egy véletlen változótól lásd. ábra). A téglalap tetején azonban ezt az összefüggést nem használhatju, mivel az f,l+ nincs benne a mintában, így ebben az esetben a.8) egyenlet alapján egy orábbi mintaelem, ét ezdeti érté és véletlen változó segítségével tudju f,l -et generálni lásd 3. ábra). L+ L+- L L l+ l l- L L- - K -. ábra. ábra 3. ábra A határid s amatlába ezd értéeire f ϱ),0 := K +L), a volatilitásra β = 0. rögzített értéet vettün. A maximum lielihood becslése a 4.) loglielihood függvény maximumhelyei, mely az ismeretlen ϱ paraméter magas foú polinomja. Emiatt nem tudun explicit megoldást adni ϱ-ra, csa numerius eljárással tudju megapni a becsléseinet. Ehhez az R beépített optim függvényét használtu, mely a Broyden- Fletcher-Goldfarb-Shanno BFGS) módszeren alapul. El ször a stabil esetet teszteltü ϱ = 0.6 valódi paraméterértéel. Generáltun egy 00 0 méret mintát és a enne egyre növev részmintáiból K K
47 4.3. SZIMULÁCIÓK 39 számoltattu a ML becslést. A 4. ábrán a ML becslés változása látható miözben a becsléshez használt részminta mérete 5 L, 6 L,..., 00 L és L = 0. 0 ilyen számolást lefuttatva láthatju, hogy a ML becslése sorozata a valódi paraméterértéhez tart. A. ábrán egyetlen sorozatot látun egy nagyobb minta, K = 5,...,50 és L = 30 esetén. Ez már soal id t igényl számolás, egy átlagos laptopon Intel CoreDuo T9400 processzor, xgb DDR3 memória) több óráig tart. rho = rho = ρ^n ρ^n K = 5,..., 00, L = 0, Sample size: 5 x 0, 6 x 0,..., 00 x K = 5,..., 50, L = 30, Sample size: 5 x 30, 6 x 30,..., 50 x ábra 5.ábra rho = -0.6 Density ρ^80 sample size 80 x ábra
48 40 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN Ezután 00-szor generáltun es mintát és ebb l becsültü a ML becslést. Minden becslésb l levontu a valódi paraméterértéet és osztottu a becslése mintából számolt szórásával. A 3. ábrán ezen standardizált becslése hisztogramját láthatju, és a standard normális eloszlás haranggörbéjét. Az ábra alapján a hisztogram jól illeszeedi a standard normális eloszlás s r ségfüggvényére. Teszteltü a normalitást Kolmogorov-Szmirnov és Shapiro-Wil próbával is: Kolmogorov-Smirnov normality test: D = 0.057, p-value = Shapiro-Wil normality test: W = , p-value = A nagy p-érté tisztán jelzi a becslése normalitását. Így mondhatju, hogy a stabil esetben a ML becslése az elméleti eredményene megfelel en viseledne, onzisztense és aszimptotiusan normálisa. A ϱ = + instabil esetben az ábrá és eredménye az alábbia: rho = rho = ρ^n Density K = 5,..., 00, L = 0, Sample size: 5 x 0, 6 x 0,..., 00 x ρ^80 sample size 80 x ábra. 8. ábra Kolmogorov-Smirnov normality test: D = 0.04, p-value = Shapiro-Wil normality test: W = 0.996, p-value = Illetve a ϱ = instabil esetben az ábrá és eredménye az alábbia:
49 4.4. FÜGGELÉK A 4 rho = - rho = - ρ^n Density K = 5,..., 00, L = 0, Sample size: 5 x 0, 6 x 0,..., 00 x 0 ρ^80 sample size 80 x ábra. 9. ábra. Kolmogorov-Smirnov normality test: D = 0.059, p-value = Shapiro-Wil normality test: W = 0.973, p-value = Mivel az a valóságh bb eset, mior a lejáratig hátralev id t nem tudju tetsz legesen nagyra választani, arra töreedtün, hogy az n-nel arányos mintanöveedést szimulálju az n helyett. Azt mondhatju, hogy az ϱ = + esetben a ML becslés az elméleti eredményene megfelel en viseledi, azaz onzisztens, és a 8. ábra azt sugallja, hogy a ϱ = esetben is teljesül a onzisztencia, habár ezt elméleti eredménnyel még nem tudju alátámasztani. Úgy t ni, hogy a ϱ = + esetben mindét próba alapján) a ML becslés aszimptotiusan normális szemben a ϱ = esettel, ahol a Shapiro-Wil próba alapján elvetjü a normalitást Függelé A Az er s onzisztencia esetén a 4.. Követezmény bizonyításánál nagy számo er s törvényei típusú állításoat használtun nem független minta esetén. Hasonló állításoat találhatun [0] and [6] munában, azonban ezenél issé általánosabb esetere volt szüségün. A Függelé A-ban található lemmá az n -tel arányos mintára vonatozna, míg a Függelé B az n-nel arányos mintára vonatozó állításoat foglalja össze.
50 4 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN 4.5. Lemma. Legyene K, L Z ++, és legyene {K n, L n Z ++ } n N, ahol K n =nk +on) és L n =nl+on), ha n. Legyene továbbá {ξ,l,n :, l, n N} olyan valószín ségi változó, hogy minden n N esetén a {ξ,l,n : l N} halmazo ülönböz N esetén függetlene azaz a σξ,l,n : l N), N σ-algebrá függetlene), és Eξ,l,n 8 = Olλ ) valamely λ 0 esetén azaz sup,l,n N l λ Eξ,l,n 8 < ). Eor minden α > 7+λ)/4 esetén L n ξ,l,n Eξ,l,n ) 0 m.b. ha n. n α K n l= Bizonyítás. Elegend megmutatnun, hogy minden ε > 0 esetén ahol P ζ n > εn α ) <, n= K n L n ζ n := ξ,l,n Eξ,l,n ). l= A Marov-egyenl tlenség alapján P ζ n >εn α ) ε 4 n 4α Eζ 4 n, így elegend megmutatnun, hogy Eζ 4 n = On 4α δ ) valamely δ > 0 esetén. Eζ 4 n = K n L n,, 3, 4 = l, l, l 3, l 4 = Eζ,l,nζ,l,nζ 3,l 3,nζ 4,l 4,n, ahol ζ,l,n := ξ,l,n Eξ,l,n. A Cauchy-Schwarz egyenl tlenség alapján Továbbá Eζ,l,nζ,l,nζ 3,l 3,nζ 4,l 4,n Eζ 4,l,nEζ 4,l,nEζ 4 3,l 3,nEζ 4 4,l 4,n) /4. Eζ 4,l,n = Eξ,l,n Eξ,l,n) 4 3 Eξ 8,l,n +Eξ,l,n) 4) 6Eξ 8,l,n = Ol λ ). Így apju, hogy Eζ,l,nζ,l,nζ 3,l 3,nζ 4,l 4,n = O l l l 3 l 4 ) λ/4).
51 4.4. FÜGGELÉK A 43 Mivel a feltétel szerint a {ζ,l,n : l N}, N, halmazo függetlene minden n N esetén, és Eζ,l,n = 0 minden, l, n N esetén, így Eζ 4 n = = L n l, l, l 3, l 4 = L n l, l, l 3, l 4 = K n Ln = Kn Eζ,l,nζ,l,nζ,l3,nζ,l4,n K n ) 4 l λ/4 + l= = On 6+λ ). +6 Eζ,l,nζ,l,nζ,l 3,nζ,l 4,n < K n O l l l 3 l 4 ) λ/4) < K n O l l l 3 l 4 ) λ/4) + < K n Ln ) 4 l λ/4 l= Követezéséppen Eζn 4 = On 4α δ ) ha δ := 7+λ 4 α > Követezmény. Legyene K, L Z ++, és legyene {K n, L n Z ++ } n N, ahol K n =nk+on) és L n =nl+on), ha n. Legyene továbbá {ξ,l,n, ζ,l,n :, l, n N} olyan valószín ségi változó, hogy minden n N esetén a {ξ,l,n, ζ,l,n : l N} halmazo ülönböz N esetén függetlene azaz a σξ,l,n, ζ,l,n :l N), N, σ-algebrá függetlene), és Eξ,l,n 8 +ζ8,l,n )=Olλ ) valamely λ 0 esetén azaz sup,l,n N l λ Eξ,l,n 8 +ζ8,l,n ) < ). Eor minden α > 7+λ)/4 esetén n α K n L n ξ,l,n ζ,l,n Eξ,l,n ζ,l,n ) 0 m.b. ha n. l= Bizonyítás. Mivel [ { ξ,l,n +ζ,l,n) Eξ,l,n +ζ,l,n) } ξ,l,n ζ,l,n Eξ,l,n ζ,l,n = 4 { ξ,l,n ζ,l,n ) Eξ,l,n ζ,l,n ) }], így a {ξ,l,n + ζ,l,n :, l, n N} és {ξ,l,n ζ,l,n :, l, n N} valószín ségi változóra alalmazva a 4.5. Lemmát, apju az állítást.
52 44 4. FEJEZET. ERŽS KONZISZTENCIA A HJM-TÍPUSÚ MODELLBEN 4.7. Lemma. Legyene K, L Z ++, és legyene {K n, L n Z ++ } n N, ahol K n =nk +on) és L n =nl+on), ha n. Legyene továbbá {ξ,l,n :, l, n N} olyan valószín ségi változó, hogy minden n N esetén a {ξ,l,n : l N} halmazo ülönböz N esetén függetlene azaz a σξ,l,n : l N), N σ-algebrá függetlene), és Eξ,l,n 4 = Olλ ) valamely λ 0 esetén azaz sup,l,n N l λ Eξ,l,n 4 < ). Eor minden α > 7+λ)/4 esetén n α K n L n ξ,l,n Eξ,l,n ) 0 m.b. ha n. l= Bizonyítás. Hasonló a 4.5. Lemma bizonyításához Lemma. Legyen K Z ++, és legyene {K n Z ++ } n N, ahol K n = nk + + on) ha n. Legyene továbbá {ξ,j,n :, j, n N} olyan valószín ségi változó, hogy minden n N esetén a {ξ,j,n : N} halmazo ülönböz j N esetén függetlene azaz a σξ,j,n : N), j N σ-algebrá függetlene), és Eξ,j,n 8 = Ojλ ) valamely λ 0 esetén azaz sup,j,n N j λ Eξ,j,n 8 < ). Eor minden α > 7+3λ)/4 esetén K n n α j= Bizonyítás. Nyilván j= ξ,j,n ξ,j,n E j= E ξ,j,n j= = ξ,j,n j = j = 0 m.b. ha n. ξ,j,nξ,j,n Eξ,j,nξ,j,n). Mint a 4.5. Lemma bizonyításában, elegend megmutatnun, hogy n= n 4α Eζn< 4 <, ahol K n ζ n := és j = j = ζ,j,j,n ζ,j,j,n := ξ,j,nξ,j,n Eξ,j,nξ,j,n.
Kamatlábmodellek statisztikai vizsgálata
DE TTK 949 Kamatlábmodelle statisztiai vizsgálata Dotori PhD) érteezés Fülöp Eria Témavezet : Dr. Pap Gyula Debreceni Egyetem Természettudományi Dotori Tanács Matematia- és Számítástudományo Dotori Isola
RészletesebbenKamatlábmodellek statisztikai vizsgálata. Statistical Inference of Interest Rate Models. Fülöp Erika
Egyetemi doktori (PhD) értekezés tézisei Kamatlábmodellek statisztikai vizsgálata Statistical Inference of Interest Rate Models Fülöp Erika Témavezet : Dr. Pap Gyula Debreceni Egyetem Matematika és Számítástudományok
Részletesebben1. Fourier-sorok. a 0 = 1. Ennek a fejezetnek a célja a 2π szerint periodikus. 1. Ha k l pozitív egészek, akkor. (a) cos kx cos lxdx = 1 2 +
. Fourier-soro. Bevezet definíció Enne a fejezetne a célja, hogy egy szerint periodius függvényt felírjun mint trigonometrius függvényeből épzett függvénysorént. Nyilván a cos x a sin x függvénye szerint
Részletesebben1. Példa. A gamma függvény és a Fubini-tétel.
. Példa. A gamma függvény és a Fubini-tétel.. Az x exp x + t )) függvény az x, t tartományon folytonos, és nem negatív, ezért alkalmazható rá a Fubini-tétel. I x exp x + t )) dxdt + t dt π 4. [ exp x +
RészletesebbenA feladatok megoldása
A feladato megoldása A hivatozáso C jelölései a i egyenleteire utalna.. feladat A beérezési léps felszíne fölött M magasságban indul a mozgás, esési ideje t = M/g. Ezalatt a labda vízszintesen ut utat,
RészletesebbenLegfontosabb bizonyítandó tételek
Legfontosabb bizonyítandó tétele 1. A binomiális tétel Tetszőleges éttagú ifejezés (binom) bármely nem negatív itevőj ű hatványa polinommá alaítható a övetez ő módon: Az nem más, mint egy olyan n tényezős
RészletesebbenTizenegyedik gyakorlat: Parciális dierenciálegyenletek Dierenciálegyenletek, Földtudomány és Környezettan BSc
Tizenegyedi gyaorlat: Parciális dierenciálegyenlete Dierenciálegyenlete, Földtudomány és Környezettan BSc A parciális dierenciálegyenlete elmélete még a özönséges egyenleteénél is jóval tágabb, így a félévben
RészletesebbenVéletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.
Valószín ségelméleti és matematikai statisztikai alapfogalmak összefoglalása (Kemény Sándor - Deák András: Mérések tervezése és eredményeik értékelése, kivonat) Véletlen jelenség: okok rendszere hozza
RészletesebbenDrótos G.: Fejezetek az elméleti mechanikából 4. rész 1
Drótos G.: Fejezete az elméleti mechaniából 4. rész 4. Kis rezgése 4.. gyensúlyi pont, stabilitás gyensúlyi pontna az olyan r pontoat nevezzü valamely oordináta-rendszerben, ahol a vizsgált tömegpont gyorsulása
RészletesebbenAbszolút folytonos valószín ségi változó (4. el adás)
Abszolút folytonos valószín ségi változó (4. el adás) Deníció (Abszolút folytonosság és s r ségfüggvény) Az X valószín ségi változó abszolút folytonos, ha van olyan f : R R függvény, melyre P(X t) = t
Részletesebben3. előadás Reaktorfizika szakmérnököknek TARTALOMJEGYZÉK. Az a bomlás:
beütésszám. előadás TARTALOMJEGYZÉK Az alfa-bomlás Az exponenciális bomlástörvény Felezési idő és ativitás Poisson-eloszlás Bomlási sémá értelmezése Bomlási soro, radioatív egyensúly Az a bomlás: A Z X
RészletesebbenVéletlen bolyongás. Márkus László március 17. Márkus László Véletlen bolyongás március / 31
Márkus László Véletlen bolyongás 2015. március 17. 1 / 31 Véletlen bolyongás Márkus László 2015. március 17. Modell Deníció Márkus László Véletlen bolyongás 2015. március 17. 2 / 31 Modell: Egy egyenesen
RészletesebbenSkalárszorzat, norma, szög, távolság. Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2005.
1 Diszkrét matematika II., 4. el adás Skalárszorzat, norma, szög, távolság Dr. Takách Géza NyME FMK Informatikai Intézet takach@inf.nyme.hu http://inf.nyme.hu/ takach/ 2005. március 1 A téma jelent sége
RészletesebbenDr. Tóth László, Kombinatorika (PTE TTK, 2007)
A Fibonacci-sorozat általános tagjára vontozó éplet máséppen is levezethető A 149 Feladatbeli eljárás alalmas az x n+1 ax n + bx, n 1 másodrendű állandó együtthatós lineáris reurzióal adott sorozato n-edi
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 10 X. SZIMULÁCIÓ 1. VÉLETLEN számok A véletlen számok fontos szerepet játszanak a véletlen helyzetek generálásában (pénzérme, dobókocka,
RészletesebbenA következő feladat célja az, hogy egyszerű módon konstruáljunk Poisson folyamatokat.
Poisson folyamatok, exponenciális eloszlások Azt mondjuk, hogy a ξ valószínűségi változó Poisson eloszlású λ, 0 < λ
RészletesebbenA 2015/2016. tanévi Országos Középiskolai Tanulmányi Verseny második forduló MATEMATIKA I. KATEGÓRIA (SZAKKÖZÉPISKOLA) Javítási-értékelési útmutató
Otatási Hivatal A 015/016 tanévi Országos Középisolai Tanulmányi Verseny másodi forduló MATEMATIKA I KATEGÓRIA (SZAKKÖZÉPISKOLA) Javítási-értéelési útmutató 1 Egy adott földterület felásását három munás
RészletesebbenValószínűségi változók. Várható érték és szórás
Matematikai statisztika gyakorlat Valószínűségi változók. Várható érték és szórás Valószínűségi változók 2016. március 7-11. 1 / 13 Valószínűségi változók Legyen a (Ω, A, P) valószínűségi mező. Egy X :
RészletesebbenI. A PRIMITÍV FÜGGVÉNY ÉS A HATÁROZATLAN INTEGRÁL
A primitív függvény és a határozatlan integrál 5 I A PRIMITÍV FÜGGVÉNY ÉS A HATÁROZATLAN INTEGRÁL Gyaorlato és feladato ( oldal) I Vizsgáld meg, hogy a övetező függvényene milyen halmazon van primitív
RészletesebbenKiegészítő részelőadás 2. Algebrai és transzcendens számok, nevezetes konstansok
Kiegészítő részelőadás. Algebrai és transzcendens számo, nevezetes onstanso Dr. Kallós Gábor 04 05 A valós számo ategorizálása Eml. (óori felismerés): nem minden szám írható fel törtszámént (racionálisént)
RészletesebbenLeíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév
Leíró és matematikai statisztika el adásnapló Matematika alapszak, matematikai elemz szakirány 2016/2017. tavaszi félév A pirossal írt anyagrészeket nem fogom közvetlenül számon kérni a vizsgán, azok háttérismeretként,
RészletesebbenA szita formula és alkalmazásai. Gyakran találkozunk az alábbi kérdéssel, sokszor egy összetett feladat részfeladataként.
A szta formula és alalmazása. Gyaran találozun az alább érdéssel, soszor egy összetett feladat részfeladataént. Tentsün bzonyos A 1,...,A n eseményeet, és számítsu anna a valószínűségét, hogy legalább
RészletesebbenElméleti összefoglaló a Sztochasztika alapjai kurzushoz
Elméleti összefoglaló a Sztochasztika alapjai kurzushoz 1. dolgozat Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet
RészletesebbenBAYES-ANALÍZIS A KOCKÁZATELEMZÉSBEN, DISZKRÉT VALÓSZÍNŰSÉG ELOSZLÁSOK ALKALMAZÁSA 3
Balogh Zsuzsanna Hana László BAYES-ANALÍZIS A KOCKÁZATELEMZÉSBEN, DISZKRÉT VALÓSZÍNŰSÉG ELOSZLÁSOK ALKALMAZÁSA 3 Ebben a dolgozatban a Bayes-féle módszer alalmazási lehetőségét mutatju be a ocázatelemzés
RészletesebbenAnalízis előadás és gyakorlat vázlat
Analízis előadás és gyakorlat vázlat Készült a PTE TTK GI szakos hallgatóinak Király Balázs 2010-11. I. Félév 2 1. fejezet Számhalmazok és tulajdonságaik 1.1. Nevezetes számhalmazok ➀ a) jelölése: N b)
RészletesebbenAz R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit.
2. A VALÓS SZÁMOK 2.1 A valós számok aximómarendszere Az R halmazt a valós számok halmazának nevezzük, ha teljesíti az alábbi 3 axiómacsoport axiómáit. 1.Testaxiómák R-ben két művelet van értelmezve, az
RészletesebbenElméleti összefoglaló a Valószín ségszámítás kurzushoz
Elméleti összefoglaló a Valószín ségszámítás kurzushoz Véletlen kísérletek, események valószín sége Deníció. Egy véletlen kísérlet lehetséges eredményeit kimeneteleknek nevezzük. A kísérlet kimeneteleinek
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@cs.elte.hu 2016/2017. tavaszi félév Bevezetés Célok: véletlen folyamatok modellezése; kísérletekb l, felmérésekb
RészletesebbenFüggvények hatványsorba fejtése, Maclaurin-sor, konvergenciatartomány
Függvénye hatványsorba fejtése, Maclaurin-sor, onvergenciatartomány Taylor-sor, ) Állítsu elő az alábbi függvénye x helyhez tartozó hatványsorát esetleg ülönféle módszereel) éa állapítsu meg a hatványsor
RészletesebbenA maximum likelihood becslésről
A maximum likelihood becslésről Definíció Parametrikus becsléssel foglalkozunk. Adott egy modell, mellyel elképzeléseink szerint jól leírható a meghatározni kívánt rendszer. (A modell típusának és rendszámának
RészletesebbenVéletlen bolyongás. 2. rész. Márkus László jegyzete alapján Tóth Tamás december 10.
2. rész 2012. december 10. Határeloszlás tételek a bolyongás funkcionáljaira 1 A bolygó pont helyzete: EX i = 0, D 2 X i = EX 2 = 1 miatt i ES n = 0, D 2 S n = n, és a centrális határeloszlás tétel (CHT)
RészletesebbenKészítette: Fegyverneki Sándor
VALÓSZÍNŰSÉGSZÁMÍTÁS Összefoglaló segédlet Készítette: Fegyverneki Sándor Miskolci Egyetem, 2001. i JELÖLÉSEK: N a természetes számok halmaza (pozitív egészek) R a valós számok halmaza R 2 {(x, y) x, y
RészletesebbenMegoldott feladatok november 30. n+3 szigorúan monoton csökken, 5. n+3. lim a n = lim. n+3 = 2n+3 n+4 2n+1
Megoldott feladatok 00. november 0.. Feladat: Vizsgáljuk az a n = n+ n+ sorozat monotonitását, korlátosságát és konvergenciáját. Konvergencia esetén számítsuk ki a határértéket! : a n = n+ n+ = n+ n+ =
RészletesebbenFüggvények növekedési korlátainak jellemzése
17 Függvények növekedési korlátainak jellemzése A jellemzés jól bevált eszközei az Ω, O, Θ, o és ω jelölések. Mivel az igények általában nemnegatívak, ezért az alábbi meghatározásokban mindenütt feltesszük,
RészletesebbenCentrális határeloszlás-tétel
13. fejezet Centrális határeloszlás-tétel A valószínűségszámítás legfontosabb állításai azok, amelyek független valószínűségi változók normalizált összegeire vonatkoznak. A legfontosabb ilyen tételek a
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 4 IV. MINTA, ALAPsTATIsZTIKÁK 1. MATEMATIKAI statisztika A matematikai statisztika alapfeladatát nagy általánosságban a következőképpen
RészletesebbenNagy Gábor compalg.inf.elte.hu/ nagy ősz
Diszkrét matematika 1. középszint 2017. ősz 1. Diszkrét matematika 1. középszint 8. előadás Nagy Gábor nagygabr@gmail.com nagy@compalg.inf.elte.hu compalg.inf.elte.hu/ nagy Mérai László diái alapján Komputeralgebra
RészletesebbenNagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem
agy számok törvényei Statisztikai mintavétel Várható érték becslése Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem A mérés mint statisztikai mintavétel A méréssel az eloszlásfüggvénnyel
Részletesebbenmatematikai statisztika 2006. október 24.
Valószínűségszámítás és matematikai statisztika 2006. október 24. ii Tartalomjegyzék I. Valószínűségszámítás 1 1. Véletlen jelenségek matematikai modellje 3 1.1. Valószínűségi mező..............................
RészletesebbenPénzügyi matematika. Medvegyev Péter. 2013. szeptember 8.
Pénzügyi matematika Medvegyev Péter 13. szeptember 8. Az alábbi jegyzet a korábbi ötéves gazdaságmatematikai képzés keretében a Corvinus egyetemen tartott matematikai el adásaim kib vített verziója. A
Részletesebben6. Bizonyítási módszerek
6. Bizonyítási módszere I. Feladato. Egy 00 00 -as táblázat minden mezőjébe beírju az,, 3 számo valamelyiét és iszámítju soronént is, oszloponént is, és a ét átlóban is az ott lévő 00-00 szám öszszegét.
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I 5 V ELEmI ALGEbRA 1 BINÁRIS műveletek Definíció Az halmazon definiált bináris művelet egy olyan függvény, amely -ből képez -be Ha akkor az elempár képét jelöljük -vel, a művelet
Részletesebben2. Halmazelmélet (megoldások)
(megoldások) 1. A pozitív háromjegy páros számok halmaza. 2. Az olyan, 3-mal osztható egész számok halmaza, amelyek ( 100)-nál nagyobbak és 100-nál kisebbek. 3. Az olyan pozitív egész számok halmaza, amelyeknek
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 8 VIII. REGREssZIÓ 1. A REGREssZIÓs EGYENEs Két valószínűségi változó kapcsolatának leírására az eddigiek alapján vagy egy numerikus
RészletesebbenSztochasztikus folyamatok alapfogalmak
Matematikai Modellalkotás Szeminárium 2012. szeptember 4. 1 Folytonos idejű Markov láncok 2 3 4 1 Folytonos idejű Markov láncok 2 3 4 Folytonos idejű Markov láncok I Adott egy G = (V, E) gráf Folytonos
Részletesebben0,424 0,576. f) P (X 2 = 3) g) P (X 3 = 1) h) P (X 4 = 1 vagy 2 X 2 = 2) i) P (X 7 = 3, X 4 = 1, X 2 = 2 X 0 = 2) j) P (X 7 = 3, X 4 = 1, X 2 = 2)
Legyen adott a P átmenetvalószín ség mátrix és a ϕ 0 kezdeti eloszlás Kérdés, hogy miként lehetne meghatározni az egyes állapotokban való tartózkodás valószín ségét az n-edik lépés múlva Deniáljuk az n-lépéses
RészletesebbenA gyors Fourier-transzformáció (FFT)
A gyors Fourier-transzformáció (FFT) Egy analóg jel spetrumát az esete döntő többségében számítástechniai eszözöel határozzu meg. A jelet mintavételezzü és elvégezzü a mintasorozat diszrét Fouriertranszformációját.
RészletesebbenSzinguláris értékek. Wettl Ferenc április 3. Wettl Ferenc Szinguláris értékek április 3. 1 / 28
Szinguláris értékek Wettl Ferenc 2015. április 3. Wettl Ferenc Szinguláris értékek 2015. április 3. 1 / 28 Tartalom 1 Szinguláris érték 2 Alkalmazások 3 Norma 4 Mátrixnorma Wettl Ferenc Szinguláris értékek
RészletesebbenSztochasztikus folyamatok
Sztochasztius folyamato Medvegyev Péter 9. május 6. Tartalomjegyzé 1. A sztochasztius folyamato általános elmélete 1 1.1. Sztochasztius folyamato trajetóriái......................... 1 1.. Filtráció, adaptált
RészletesebbenDiMat II Végtelen halmazok
DiMat II Végtelen halmazok Czirbusz Sándor 2014. február 16. 1. fejezet A kiválasztási axióma. Ismétlés. 1. Deníció (Kiválasztási függvény) Legyen {X i, i I} nemüres halmazok egy indexelt családja. Egy
RészletesebbenAnalízis 1. (BSc) vizsgakérdések Programtervez informatikus szak 2008-2009. tanév 2. félév
Analízis 1. (BSc) vizsgakérdések Programtervez informatikus szak 2008-2009. tanév 2. félév Valós számok 1. Hogyan szól a Bernoulli-egyenl tlenség? Mikor van egyenl ség? Válasz. Minden h 1 valós számra
Részletesebben1. Egyensúlyi pont, stabilitás
lméleti fizia. elméleti összefoglaló. gyensúlyi pont, stabilitás gyensúlyi pontna az olyan pontoat nevezzü, ahol a tömegpont gyorsulása 0. Ha a tömegpont egy ilyen pontban tartózodi, és nincs sebessége,
RészletesebbenGAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN
GAZDASÁGMATEMATIKA KÖZÉPHALADÓ SZINTEN Készült a TÁMOP-4.1.-08//a/KMR-009-0041 pályázati projekt keretében Tartalomfejlesztés az ELTE TáTK Közgazdaságtudományi Tanszékén az ELTE Közgazdaságtudományi Tanszék
RészletesebbenA sorozat fogalma. függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet. az értékkészlet a komplex számok halmaza, akkor komplex
A sorozat fogalma Definíció. A természetes számok N halmazán értelmezett függvényeket sorozatoknak nevezzük. Amennyiben az értékkészlet a valós számok halmaza, valós számsorozatról beszélünk, mígha az
RészletesebbenPénzügyi matematika. Sz cs Gábor. Szeged, 2011. szi félév. Szegedi Tudományegyetem, Bolyai Intézet
Pénzügyi matematika Sz cs Gábor Szegedi Tudományegyetem, Bolyai Intézet Szeged, 2011. szi félév Sz cs Gábor (SZTE, Bolyai Intézet) Pénzügyi matematika 2011. szi félév 1 / 79 Értékpapírpiacok Bevezetés
RészletesebbenSTATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás
ELŐADÁS ÁTTEKINTÉSE STATISZTIKA 9. Előadás Binomiális eloszlás Egyenletes eloszlás Háromszög eloszlás Normális eloszlás Standard normális eloszlás Normális eloszlás mint modell 2/62 Matematikai statisztika
RészletesebbenPénzügyi matematika. Vizsgadolgozat I. RÉSZ. 1. Deniálja pontosan, mit értünk amerikai vételi opció alatt!
NÉV: NEPTUN KÓD: Pénzügyi matematika Vizsgadolgozat I. RÉSZ Az ebben a részben feltett 4 kérdés közül legalább 3-ra kell hibátlan választ adni ahhoz, hogy a vizsga sikeres lehessen. Kett vagy kevesebb
RészletesebbenA CSOPORT 4 PONTOS: 1. A
A CSOPORT 4 PONTOS:. A szám: pí= 3,459265, becslése: 3,4626 abszolút hiba: A szám és a becslés özti ülönbség abszolút értée Pl.: 0.000033 Relatív hiba: Az abszolút hiba osztva a szám abszolút értéével
RészletesebbenBemenet modellezése II.
Bemenet modellezése II. Vidács Attila 2005. november 3. Hálózati szimulációs technikák, 2005/11/3 1 Kiszolgálási id k modellezése Feladat: Egy bemeneti modell felállítása egy egy kiszolgálós sorbanállási
Részletesebbenk n k, k n 2 C n k k=[ n+1 2 ] 1.1. ábra. Pascal háromszög
Alapfeladato Megoldás A ombináció értelmezése alapján felírhatju, hogy n, n Ha n páros, aor n és n özött veszi fel értéeit Ha n páratlan, aor n, vagyis > n n+, ami azt jelenti, hogy és n özött veszi fel
Részletesebbenegyenletesen, és c olyan színű golyót teszünk az urnába, amilyen színűt húztunk. Bizonyítsuk
Valószínűségszámítás 8. feladatsor 2015. november 26. 1. Bizonyítsuk be, hogy az alábbi folyamatok mindegyike martingál. a S n, Sn 2 n, Y n = t n 1+ 1 t 2 Sn, t Fn = σ S 1,..., S n, 0 < t < 1 rögzített,
RészletesebbenValószín ségszámítás és statisztika
Valószín ségszámítás és statisztika Informatika BSc, esti tagozat Backhausz Ágnes agnes@math.elte.hu fogadóóra: szerda 10-11 és 13-14, D 3-415 2018/2019. tavaszi félév Bevezetés A valószín ségszámítás
RészletesebbenHatározatlansági relációk származtatása az
az állapottér BME TTK Matematikus MSc. 1. évf. 2012. november 14. Vázlat: Történeti áttekintés Nemkommutatív (kvantum) valószín ségelmélet Az állapottér geometriája: Az állapottér mint Riemann-sokaság
RészletesebbenSpeciális függvénysorok: Taylor-sorok
Speciális függvénysoro: Taylor-soro Állítsu elő az alábbi függvénye x 0 0 helyhez tartozó hatványsorát esetleg ülönféle módszereel és állapítsu meg a hatványsor onvergenciatartományát! A cos 5x függvény
RészletesebbenSorozatok és Sorozatok és / 18
Sorozatok 2015.11.30. és 2015.12.02. Sorozatok 2015.11.30. és 2015.12.02. 1 / 18 Tartalom 1 Sorozatok alapfogalmai 2 Sorozatok jellemz i 3 Sorozatok határértéke 4 Konvergencia és korlátosság 5 Cauchy-féle
Részletesebben5 3 0,8 0,2. Számolja ki a 3
Megoldási útmutató, eredménye A feladato megoldásaor mindig ismételje át a feladatban szereplő fogalma definícióit. A szüséges fogalma, definíció: valószínűségi változó, diszrét-, folytonos valószínűségi
Részletesebbenismertetem, hogy milyen probléma vizsgálatában jelent meg ez az eredmény. A kérdés a következő: Mikor mondhatjuk azt, hogy bizonyos események közül
A Borel Cantelli lemma és annak általánosítása. A valószínűségszámítás egyik fontos eredménye a Borel Cantelli lemma. Először informálisan ismertetem, hogy milyen probléma vizsgálatában jelent meg ez az
RészletesebbenFEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI
FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI statisztika 9 IX. ROBUsZTUs statisztika 1. ROBUsZTUssÁG Az eddig kidolgozott módszerek főleg olyanok voltak, amelyek valamilyen értelemben optimálisak,
RészletesebbenVéletlenszám generátorok és tesztelésük. Tossenberger Tamás
Véletlenszám generátorok és tesztelésük Tossenberger Tamás Érdekességek Pénzérme feldobó gép: $0,25-os érme 1/6000 valószínűséggel esik az élére 51% eséllyel érkezik a felfelé mutató oldalára Pörgetésnél
RészletesebbenDebreceni Egyetem Matematikai Intézet. A StoneWeierstrass-tétel és alkalmazásai
Debreceni Egyetem Matematiai Intézet A StoneWeierstrass-tétel és alalmazásai Témavezet : Dr. Lovas Rezs egyetemi adjuntus Készítette: Kiss Tibor matematius szairány Debrecen 2011 TARTALOMJEGYZÉK 1 Tartalomjegyzé
RészletesebbenNagyságrendek. Kiegészítő anyag az Algoritmuselmélet tárgyhoz. Friedl Katalin BME SZIT február 1.
Nagyságrendek Kiegészítő anyag az Algoritmuselmélet tárgyhoz (a Rónyai Ivanyos Szabó: Algoritmusok könyv mellé) Friedl Katalin BME SZIT friedl@cs.bme.hu 018. február 1. Az O, Ω, Θ jelölések Az algoritmusok
Részletesebbenx, x R, x rögzített esetén esemény. : ( ) x Valószínűségi Változó: Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel:
Feltételes valószínűség: Teljes valószínűség Tétele: Bayes Tétel: Valószínűségi változó általános fogalma: A : R leképezést valószínűségi változónak nevezzük, ha : ( ) x, x R, x rögzített esetén esemény.
Részletesebben: s s t 2 s t. m m m. e f e f. a a ab a b c. a c b ac. 5. Végezzük el a kijelölt m veleteket a változók lehetséges értékei mellett!
nomosztással a megoldást visszavezethetjük egy alacsonyabb fokú egyenlet megoldására Mivel a 4 6 8 6 egyenletben az együtthatók összege 6 8 6 ezért az egyenletnek gyöke az (mert esetén a kifejezés helyettesítési
RészletesebbenValószín ségszámítás. Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes 2018/2019.
Valószín ségszámítás Survey statisztika mesterszak és földtudomány alapszak Backhausz Ágnes agnes@cs.elte.hu 2018/2019. szi félév A valószín ségszámítás kurzus céljai a statisztika megalapozása: a véletlen
RészletesebbenKövetkezik, hogy B-nek minden prímosztója 4k + 1 alakú, de akkor B maga is 4k + 1 alakú, s ez ellentmondás.
Prímszámok A (pozitív) prímszámok sorozata a következő: 2, 3, 5, 7, 11, 13, 17, 19,... 1. Tétel. Végtelen sok prímszám van. Első bizonyítás. (Euklidész) Tegyük fel, hogy állításunk nem igaz, tehát véges
RészletesebbenVektorterek. Wettl Ferenc február 17. Wettl Ferenc Vektorterek február / 27
Vektorterek Wettl Ferenc 2015. február 17. Wettl Ferenc Vektorterek 2015. február 17. 1 / 27 Tartalom 1 Egyenletrendszerek 2 Algebrai struktúrák 3 Vektortér 4 Bázis, dimenzió 5 Valós mátrixok és egyenletrendszerek
RészletesebbenKépfeldolgozás. 1. el adás. A képfeldolgozás m veletei. Mechatronikai mérnök szak BME, 2008
Képfeldolgozás 1. el adás. A képfeldolgozás m veletei Mechatronikai mérnök szak BME, 2008 1 / 61 Alapfogalmak transzformációk Deníció Deníció Geometriai korrekciókra akkor van szükség, ha a képr l valódi
RészletesebbenFunkcionálanalízis. n=1. n=1. x n y n. n=1
Funkcionálanalízis 2011/12 tavaszi félév - 2. előadás 1.4. Lényeges alap-terek, példák Sorozat terek (Folytatás.) C: konvergens sorozatok tere. A tér pontjai sorozatok: x = (x n ). Ezen belül C 0 a nullsorozatok
RészletesebbenFunkcionálanalízis. Gyakorló feladatok március 22. Metrikus tér, normált tér és skalárszorzat tér
Funkcionálanalízis Gyakorló feladatok 2017 március 22 Metrikus tér, normált tér és skalárszorzat tér N1 Metrikát deniálnak-e R-en az alábbi függvények: (a) d(x, y) = x y (b) d(x, y) = x y (c) d(x, y) =
RészletesebbenDiszkrét matematika I.
Diszkrét matematika I. középszint 2014. ősz 1. Diszkrét matematika I. középszint 8. előadás Mérai László diái alapján Komputeralgebra Tanszék 2014. ősz Elemi számelmélet Diszkrét matematika I. középszint
RészletesebbenMatematikai statisztika szorgalmi feladatok
Matematikai statisztika szorgalmi feladatok 1. Feltételes várható érték és konvolúció 1. Legyen X és Y független és azonos eloszlású valószín ségi változó véges második momentummal. Mutassuk meg, hogy
RészletesebbenA Markowitz modell: kvadratikus programozás
A Markowitz modell: kvadratikus programozás Harry Markowitz 1990-ben kapott Közgazdasági Nobel díjat a portfolió optimalizálási modelljéért. Ld. http://en.wikipedia.org/wiki/harry_markowitz Ennek a legegyszer
RészletesebbenProporcionális hmérsékletszabályozás
Proporcionális hmérséletszabályozás 1. A gyaorlat célja Az implzsszélesség modlált jele szoftverrel történ generálása. Hmérsélet szabályozás implementálása P szabályozóval. 2. Elméleti bevezet 2.1 A proporcionális
RészletesebbenDiszkrét matematika I. középszint Alapfogalmakhoz tartozó feladatok kidolgozása
Diszrét matematia I. özépszint Alapfogalmahoz tartozó feladato idolgozása A doumentum a övetező címen elérhető alapfogalmahoz tartozó példafeladato lehetséges megoldásait tartalmazza: http://compalg.inf.elte.hu/~merai/edu/dm1/alapfogalma.pdf
RészletesebbenSorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján
Sorozatok, sorok, függvények határértéke és folytonossága Leindler Schipp - Analízis I. könyve + jegyzetek, kidolgozások alapján Számsorozatok, vektorsorozatok konvergenciája Def.: Számsorozatok értelmezése:
RészletesebbenTaylor-polinomok. 1. Alapfeladatok. 2015. április 11. 1. Feladat: Írjuk fel az f(x) = e 2x függvény másodfokú Maclaurinpolinomját!
Taylor-polinomok 205. április.. Alapfeladatok. Feladat: Írjuk fel az fx) = e 2x függvény másodfokú Maclaurinpolinomját! Megoldás: A feladatot kétféle úton is megoldjuk. Az els megoldásban induljunk el
RészletesebbenKonvex optimalizálás feladatok
(1. gyakorlat, 2014. szeptember 16.) 1. Feladat. Mutassuk meg, hogy az f : R R, f(x) := x 2 függvény konvex (a másodrend derivált segítségével, illetve deníció szerint is)! 2. Feladat. Mutassuk meg, hogy
RészletesebbenBináris keres fák kiegyensúlyozásai. Egyed Boglárka
Eötvös Loránd Tudományegyetem Természettudományi Kar Bináris keres fák kiegyensúlyozásai BSc szakdolgozat Egyed Boglárka Matematika BSc, Alkalmazott matematikus szakirány Témavezet : Fekete István, egyetemi
RészletesebbenItô-formula. A sztochasztikus folyamatok egyik legfontosabb formulája. Medvegyev Péter Matematika tanszék
Itô-formula A sztochasztikus folyamatok egyik legfontosabb formulája Medvegyev Péter Matematika tanszék 2008 Medvegyev (Corvinus Egyetem) Itô-formula 2008 1 / 39 Az Itô-formula Theorem Ha F kétszer folytonosan
RészletesebbenBevezetés. 1. előadás, 2015. február 11. Módszerek. Tematika
Bevezetés 1. előadás, 2015. február 11. Zempléni András Valószínűségelméleti és Statisztika Tanszék Természettudományi Kar Eötvös Loránd Tudományegyetem Áringadozások előadás Heti 2 óra előadás + 2 óra
RészletesebbenA derivált alkalmazásai
A derivált alkalmazásai Összeállította: Wettl Ferenc 2014. november 17. Wettl Ferenc A derivált alkalmazásai 2014. november 17. 1 / 57 Tartalom 1 Függvény széls értékei Abszolút széls értékek Lokális széls
RészletesebbenFüggvény határérték összefoglalás
Függvény határérték összefoglalás Függvény határértéke: Def: Függvény: egyértékű reláció. (Vagyis minden értelmezési tartománybeli elemhez, egyértelműen rendelünk hozzá egy elemet az értékkészletből. Vagyis
RészletesebbenStatisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1
Statisztika - bevezetés 00.04.05. Méréselmélet PE MIK MI_BSc VI_BSc Bevezetés Véletlen jelenség fogalma jelenséget okok bizonyos rendszere hozza létre ha mindegyik figyelembe vehető egyértelmű leírás általában
Részletesebben1. Komplex függvények dierenciálhatósága, Cauchy-Riemann egyenletek. Hatványsorok, elemi függvények
1. Komplex függvények dierenciálhatósága, Cauchy-Riemann egyenletek. Hatványsorok, elemi függvények 1.1. Dierenciálhatóság 1.1. deníció. Legyen a z 0 pont az f(z) függvény értelmezési tartományának torlódási
RészletesebbenLagrange és Hamilton mechanika
Lagrange és 2010. október 17. Lagrange és Tartalom 1 Variáció Lagrange egyenlet Legendre transzformáció Hamilton egyenletek 2 3 Szimplektikus sokaság Hamilton mez Hamilton és Lagrange egyenletek ekvivalenciája
RészletesebbenÁltalános statisztika II. Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László
Általános statisztika II Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Általános statisztika II Kriszt, Éva Varga, Edit Kenyeres, Erika Korpás, Attiláné Csernyák, László Publication
RészletesebbenKomplex számok. Wettl Ferenc szeptember 14. Wettl Ferenc Komplex számok szeptember / 23
Komplex számok Wettl Ferenc 2014. szeptember 14. Wettl Ferenc Komplex számok 2014. szeptember 14. 1 / 23 Tartalom 1 Számok A számfogalom b vülése Egy kis történelem 2 Miért számolunk velük? A megoldóképlet
RészletesebbenVALÓS SZÁMOK MEGKÖZELÍTÉSE TÖRTEKKEL
Surányi János Farey törte mate.fazeas.u Surányi János VALÓS SZÁMOK MEGKÖZELÍTÉSE TÖRTEKKEL FAREY-TÖRTEK. Egy a alós számot racionális számoal, azaz törteel aarun megözelíteni. A törteet az alábbiaban mindig
RészletesebbenFüggvények július 13. f(x) = 1 x+x 2 f() = 1 ()+() 2 f(f(x)) = 1 (1 x+x 2 )+(1 x+x 2 ) 2 Rendezés után kapjuk, hogy:
Függvények 015. július 1. 1. Feladat: Határozza meg a következ összetett függvényeket! f(x) = cos x + x g(x) = x f(g(x)) =? g(f(x)) =? Megoldás: Összetett függvény el állításához a küls függvényben a független
RészletesebbenKabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a
Kabos: Statisztika II. t-próba 9.1 Egymintás z-próba Ha ismert a doboz szórása de nem ismerjük a doboz várhatóértékét, akkor a H 0 : a doboz várhatóértéke = egy rögzített érték hipotézisről úgy döntünk,
Részletesebben