ज्यामितीय ब्राउनियन गति

प्राप्ति उत्पन्न करने वाले अनुकरण के लिए, नीचे देखें।

ज्यामितीय ब्राउनियन गति (GBM) (जिसे घातांकी ब्राउनियन गति के रूप में भी जाना जाता है) एक सतत-समय प्रसंभाव्य प्रक्रिया है जिसमें यादृच्छिक रूप से भिन्न मात्रा का लघुगणक बहाव के साथ एक ब्राउनियन गति (जिसे वीनर प्रक्रिया भी कहा जाता है) का अनुसरण करता है।यह प्रसंभाव्य प्रक्रियाओं का एक महत्वपूर्ण उदाहरण है जो एक प्रसंभाव्य अवकलन समीकरण (SDE) को संतुष्ट करता है, विशिष्टतया, इसका उपयोग ब्लैक स्कोल्स मॉडल में शेयर कीमतों के मॉडल के लिए गणितीय वित्त में किया जाता है।

तकनीकी परिभाषा: एस डी ई

एक प्रसंभाव्य प्रक्रिया S_t को GBM का पालन करने के लिए कहा जाता है यदि यह निम्नलिखित प्रसंभाव्य अवकलन समीकरण (SDE) को संतुष्ट करता है:

$dS_{t}=\mu S_{t}\,dt+\sigma S_{t}\,dW_{t}$

जहाँ $W_{t}$ एक वीनर प्रक्रिया या ब्राउनियन गति है, और $\mu$ ('प्रतिशत बहाव') और $\sigma$ ('प्रतिशत अस्थिरता') स्थिरांक हैं।

पूर्व मापदण्ड का उपयोग नियतात्मक रुझानों के मॉडल के लिए किया जाता है, जबकि अनुवर्ती मापदण्ड गति के दौरान होने वाली अप्रत्याशित घटनाओं का मॉडल होता है।

एस डी ई (SDE) को हल करना

एक यादृच्छिक प्रारंभिक मान के लिए S₀ उपरोक्त में एसडीई विश्लेषणात्मक समाधान है (इटो व्याख्या के तहत):

$S_{t}=S_{0}\exp \left(\left(\mu -{\frac {\sigma ^{2}}{2}}\right)t+\sigma W_{t}\right).$

व्युत्पत्ति के लिए इटो कैलकुलस के उपयोग की आवश्यकता होती है। इटो के सूत्र को लागू करने से होता है

$d(\ln S_{t})=(\ln S_{t})'dS_{t}+{\frac {1}{2}}(\ln S_{t})''\,dS_{t}\,dS_{t}={\frac {dS_{t}}{S_{t}}}-{\frac {1}{2}}\,{\frac {1}{S_{t}^{2}}}\,dS_{t}\,dS_{t}$

जहाँ $dS_{t}\,dS_{t}$ SDE का द्विघात रूपांतर है।

$dS_{t}\,dS_{t}\,=\,\sigma ^{2}\,S_{t}^{2}\,dW_{t}^{2}+2\sigma S_{t}^{2}\mu \,dW_{t}\,dt+\mu ^{2}S_{t}^{2}\,dt^{2}$

जब $dt\to 0$, $dt$,$dW_{t}$की तुलना में तेजी से 0 में परिवर्तित हो जाता है,

तब से $dW_{t}^{2}=O(dt)$. तो उपरोक्त अतिसूक्ष्म राशि द्वारा सरलीकृत किया जा सकता है

$dS_{t}\,dS_{t}\,=\,\sigma ^{2}\,S_{t}^{2}\,dt$

उपरोक्त समीकरण में $dS_{t}$ के मान को अवरुद्ध करके और सरलीकरण करके हम प्राप्त करते हैं

$\ln {\frac {S_{t}}{S_{0}}}=\left(\mu -{\frac {\sigma ^{2}}{2}}\,\right)t+\sigma W_{t}\,.$

घातांकी लेना और दोनों पक्षों को $S_{0}$से गुणा करना जैसा कि उपरोक्त हल से पता चलता है।

GBM के गुणधर्म

उपरोक्त हल $S_{t}$ (t के किसी भी मान के लिए) एक लॉग-सामान्य वितरण है | लॉग-सामान्य रूप से वितरित यादृच्छिक चर अपेक्षित मूल्य और भिन्नता द्वारा दिया गया है

$\operatorname {E} (S_{t})=S_{0}e^{\mu t},$

$\operatorname {Var} (S_{t})=S_{0}^{2}e^{2\mu t}\left(e^{\sigma ^{2}t}-1\right).$

उन्हें इस तथ्य का उपयोग करके प्राप्त किया जा सकता है कि $Z_{t}=\exp \left(\sigma W_{t}-{\frac {1}{2}}\sigma ^{2}t\right)$ एक मार्टिंगेल (संभाव्यता सिद्धांत) है, और वह

$\operatorname {E} \left[\exp \left(2\sigma W_{t}-\sigma ^{2}t\right)\mid {\mathcal {F}}_{s}\right]=e^{\sigma ^{2}(t-s)}\exp \left(2\sigma W_{s}-\sigma ^{2}s\right),\quad \forall 0\leq s<t.$

की संभावना घनत्व समारोह $S_{t}$ है:

$f_{S_{t}}(s;\mu ,\sigma ,t)={\frac {1}{\sqrt {2\pi }}}\,{\frac {1}{s\sigma {\sqrt {t}}}}\,\exp \left(-{\frac {\left(\ln s-\ln S_{0}-\left(\mu -{\frac {1}{2}}\sigma ^{2}\right)t\right)^{2}}{2\sigma ^{2}t}}\right).$

style="background: #F0F2F5; font-size:87%; padding:0.2em 0.3em; text-align:center; " | Derivation of GBM probability density function

GBM के प्रायिकता घनत्व फ़ंक्शन को प्राप्त करने के लिए, हमें PDF के समय विकास का मूल्यांकन करने के लिए फोकर-प्लैंक समीकरण का उपयोग करना चाहिए: ${\partial p \over {\partial t}}+{\partial \over {\partial S}}[\mu (t,S)p(t,S)]={1 \over {2}}{\partial ^{2} \over {\partial S^{2}}}[\sigma ^{2}(t,S)p(t,S)],\quad p(0,S)=\delta (S)$ कहाँ $\delta (S)$ डिराक डेल्टा समारोह है। संगणना को सरल बनाने के लिए, हम एक लघुगणक परिवर्तन प्रस्तुत कर सकते हैं $x=\log(S/S_{0})$, GBM के रूप में अग्रणी: $dx=\left(\mu -{1 \over {2}}\sigma ^{2}\right)dt+\sigma dW$ तब पीडीएफ के विकास के लिए समतुल्य फोकर-प्लैंक समीकरण बन जाता है: ${\partial p \over {\partial t}}+\left(\mu -{1 \over {2}}\sigma ^{2}\right){\partial p \over {\partial x}}={1 \over {2}}\sigma ^{2}{\partial ^{2}p \over {\partial x^{2}}},\quad p(0,x)=\delta (x)$ परिभाषित करना $V=\mu -\sigma ^{2}/2$ और $D=\sigma ^{2}/2$. नए चरों को पेश करके $\xi =x-Vt$ और $\tau =Dt$, फोकर-प्लैंक समीकरण में डेरिवेटिव को इस रूप में रूपांतरित किया जा सकता है: ${\begin{aligned}\partial _{t}p&=D\partial _{\tau }p-V\partial _{\xi }p\\\partial _{x}p&=\partial _{\xi }p\\\partial _{x}^{2}p&=\partial _{\xi }^{2}p\end{aligned}}$ फोकर-प्लैंक समीकरण के नए रूप की ओर अग्रसर: ${\partial p \over {\partial \tau }}={\partial ^{2}p \over {\partial \xi ^{2}}},\quad p(0,\xi )=\delta (\xi )$ हालाँकि, यह ऊष्मा समीकरण का विहित रूप है। जिसमें ऊष्मा गिरी द्वारा दिया गया घोल है: $p(\tau ,\xi )={1 \over {\sqrt {4\pi \tau }}}\exp \left(-{\xi ^{2} \over {4\tau }}\right)$ मूल चरों को जोड़ने से GBM के लिए PDF प्राप्त होता है: $p(t,S)={1 \over {S{\sqrt {2\pi \sigma ^{2}t}}}}\exp \left\{-{\left[\log(S/S_{0})-\left(\mu -{1 \over {2}}\sigma ^{2}\right)t\right]^{2} \over {2\sigma ^{2}t}}\right\}$

GBM के और गुणों को प्राप्त करते समय, SDE का उपयोग किया जा सकता है जिसका GBM समाधान है, या ऊपर दिए गए स्पष्ट समाधान का उपयोग किया जा सकता है। उदाहरण के लिए, स्टोकेस्टिक प्रोसेस लॉग पर विचार करें (S_t). यह एक दिलचस्प प्रक्रिया है, क्योंकि ब्लैक-स्कोल्स मॉडल में यह शेयर मूल्य के लॉग वापसी से संबंधित है। f(S) = log(S) के साथ इटो के लेम्मा का उपयोग करना देता है

${\begin{alignedat}{2}d\log(S)&=f'(S)\,dS+{\frac {1}{2}}f''(S)S^{2}\sigma ^{2}\,dt\\[6pt]&={\frac {1}{S}}\left(\sigma S\,dW_{t}+\mu S\,dt\right)-{\frac {1}{2}}\sigma ^{2}\,dt\\[6pt]&=\sigma \,dW_{t}+(\mu -\sigma ^{2}/2)\,dt.\end{alignedat}}$

यह इस प्रकार है कि $\operatorname {E} \log(S_{t})=\log(S_{0})+(\mu -\sigma ^{2}/2)t$.

यह परिणाम GBM के स्पष्ट समाधान के लघुगणक को लागू करके भी प्राप्त किया जा सकता है:

${\begin{alignedat}{2}\log(S_{t})&=\log \left(S_{0}\exp \left(\left(\mu -{\frac {\sigma ^{2}}{2}}\right)t+\sigma W_{t}\right)\right)\\[6pt]&=\log(S_{0})+\left(\mu -{\frac {\sigma ^{2}}{2}}\right)t+\sigma W_{t}.\end{alignedat}}$

उम्मीद लेने से ऊपर जैसा ही परिणाम मिलता है: $\operatorname {E} \log(S_{t})=\log(S_{0})+(\mu -\sigma ^{2}/2)t$.

नमूना पथों का अनुकरण

# Python code for the plot

import numpy as np
import matplotlib.pyplot as plt

mu = 1
n = 50
dt = 0.1
x0 = 100
np.random.seed(1)

sigma = np.arange(0.8, 2, 0.2)

x = np.exp(
    (mu - sigma ** 2 / 2) * dt
    + sigma * np.random.normal(0, np.sqrt(dt), size=(len(sigma), n)).T
)
x = np.vstack([np.ones(len(sigma)), x])
x = x0 * x.cumprod(axis=0)

plt.plot(x)
plt.legend(np.round(sigma, 2))
plt.xlabel("$t$")
plt.ylabel("$x$")
plt.title(
    "Realizations of Geometric Brownian Motion with different variances\n $\mu=1$"
)
plt.show()

बहुभिन्नरूपी संस्करण

GBM को उस मामले में बढ़ाया जा सकता है जहां कई सहसंबद्ध कीमत के पथ हैं।

प्रत्येक कीमत पथ अंतर्निहित प्रक्रिया का अनुसरण करता है

$dS_{t}^{i}=\mu _{i}S_{t}^{i}\,dt+\sigma _{i}S_{t}^{i}\,dW_{t}^{i},$

जहां वीनर प्रक्रियाएं सहसंबद्ध इस प्रकार है कि हैं $\operatorname {E} (dW_{t}^{i}\,dW_{t}^{j})=\rho _{i,j}\,dt$ जहां $\rho _{i,i}=1$.

बहुभिन्नरूपी मामले के लिए, इसका तात्पर्य है

$\operatorname {Cov} (S_{t}^{i},S_{t}^{j})=S_{0}^{i}S_{0}^{j}e^{(\mu _{i}+\mu _{j})t}\left(e^{\rho _{i,j}\sigma _{i}\sigma _{j}t}-1\right).$

एक बहुभिन्नरूपी सूत्रीकरण जो स्वतंत्र ड्राइविंग ब्राउनियन गति को बनाए रखता है

जहां स्‍टाईल s_{tesi}} और

डिस्‍प्‍लेस्‍ट स्‍टाईल s_{t ebj}} के बीच के संबंध को अब शब्द \sigma © demi, j}} के रूप में व्‍यक्‍त किया गया है।

वित्त में उपयोग

Main article: Black–Scholes model

ब्लैक-स्कोल्स मॉडल में शेयर की कीमतों को मॉडल करने के लिए ज्यामितीय ब्राउनियन गति का उपयोग किया जाता है और यह शेयर कीमत व्यवहार का सबसे व्यापक रूप से उपयोग किया जाने वाला मॉडल है।

मॉडल शेयर की कीमतों के लिए GBM का उपयोग करने के कुछ तर्क हैं:

• GBM का अपेक्षित प्रतिफल प्रक्रिया के मूल्य ( शेयर मूल्य) से स्वतंत्र है, जो वास्तविकता में हमारी अपेक्षा से सहमत है।
• GBM प्रक्रिया वास्तविक शेयर कीमतों की तरह ही केवल सकारात्मक मान ही लेती है।
• GBM प्रक्रिया अपने पथों में उसी तरह की 'असमतलता' दिखाती है जैसा कि हम वास्तविक शेयर कीमतों में देखते हैं।
• GBM प्रक्रियाओं के साथ गणना करना अपेक्षाकृत आसान है।

हालाँकि, GBM पूरी तरह से यथार्थवादी मॉडल नहीं है, विशेष रूप से यह निम्नलिखित बिंदुओं में वास्तविकता से कम है:

• वास्तविक शेयर कीमतों में, समय के साथ अस्थिरता में परिवर्तन होता है (संभवतः प्रसंभाव्यता), लेकिन GBM में, अस्थिरता को स्थिर माना जाता है।
• वास्तविक जीवन में, शेयर की कीमतें अक्सर अप्रत्याशित घटनाओं या समाचारों के कारण उछाल दिखाती हैं, लेकिन GBM में, पथ निरंतर (कोई अनिरंतरता नहीं) है।

शेयर कीमतों की मॉडलिंग के अलावा, ज्यामितीय ब्राउनियन गति ने व्यापारिक रणनीतियों की निगरानी में भी उपयोग पाया है।

विस्तार

GBM को शेयर की कीमतों के लिए एक मॉडल के रूप में अधिक यथार्थवादी बनाने के प्रयास में, कोई इस धारणा को छोड़ सकता है कि अस्थिरता ($\sigma$) स्थिर है। यदि हम मानते हैं कि अस्थिरता शेयर की कीमत और समय का एक निश्चयात्मक कार्य है, तो इसे स्थानीय अस्थिरता मॉडल कहा जाता है।

स्थानीय अस्थिरता

यदि इसके बजाय हम मानते हैं कि अस्थिरता की अपनी यादृच्छिकता होती है - जिसे अक्सर एक अलग ब्राउनियन मोशन द्वारा संचालित एक अलग समीकरण द्वारा वर्णित किया जाता है - मॉडल को स्टोकेस्टिक अस्थिरता मॉडल कहा जाता है।

यह भी देखें

• भूरी सतह

बाहरी संबंध

• Geometric Brownian motion models for stock movement except in rare events.
• Excel Simulation of a Geometric Brownian Motion to simulate Stock Prices
• "Interactive Web Application: Stochastic Processes used in Quantitative Finance".
• Non-Newtonian calculus website
• Trading Strategy Monitoring: Modeling the PnL as a Geometric Brownian Motion