【数据分析】布朗运动(维纳过程)

文章目录

  • 一、概述
  • 二、数学布朗运动
    • 2.1 数学定义
    • 2.2 布朗运动的数学模型
      • 2.21 标准布朗运动
      • 2.22 布朗运动的路径
      • 2.23 布朗运动的方程
  • 三、布朗运动在金融学中的应用
  • 四、数学构造(以傅里叶级数为例)
    • 4.1 傅里叶级数的基本思想
    • 4.2 构造布朗运动

一、概述

布朗运动(Brownian motion)是微小粒子或者颗粒在流体中做的无规则运动。

布朗运动过程是一种正态分布的独立增量连续随机过程。它是随机分析中基本概念之一。

其基本性质为:布朗运动W(t)是期望为0、方差为t(时间)的正态随机变量。

可以证明布朗运动是马尔可夫过程、鞅过程和伊藤过程。

它是在公元1827年英国植物学家罗伯特·布朗利用一般的显微镜观察悬浮于水中由花粉所迸裂出之微粒时,发现微粒会呈现不规则状的运动,因而称它布朗运动。

布朗运动也能测量原子的大小,因为就是由水中的水分子对微粒的碰撞产生的,而不规则的碰撞越明显,就是原子愈小,因此根据布朗运动,定义原子的直径为 1 0 − 8 10^{-8} 108厘米。

布朗运动指的是花粉迸出的微粒的随机运动,而不是分子的随机运动。但是通过布朗运动的现象可以间接证明分子的无规则运动。一般而言,花粉直径分布于30~50μm、最小亦有10μm,相较之下,水分子直径约0.3nm,略为花粉的十万分之一。因此,花粉难以产生不规则振动,事实上花粉几乎不受布朗运动之影响。在罗伯特·布朗的手稿中,“tiny particles from the pollen grains of flowers”意味着“自花粉粒中迸出之微粒子”,而非指花粉本身。然而在翻译为诸国语言时,时常受到误解,以为是“水中的花粉受布朗运动而呈现不规则运动”。积非成是之下,在大众一般观念中,此误会已然根深蒂固。(维基百科)

在布朗运动所讨论的微粒通常是指比分子和原子大得多的颗粒,这些颗粒可以是聚合物、胶体粒子或者是其他类型的微小悬浮物。这些颗粒的尺寸通常在纳米到微米级别,远大于单个分子或原子的尺寸。

布朗运动是由这些较大颗粒受到周围液体或气体中分子的随机碰撞引起的。由于分子和原子的尺寸非常小,它们在这种尺度上的行为表现为连续的流体,而不是作为单独的粒子。因此,布朗运动中的微粒不是分子或原子,而是被分子和原子的集体行为所影响的较大颗粒。

朗运动有下列的主要特性:

  1. 粒子的运动由平移及转移所构成,显得非常没规则而且其轨迹几乎是处处没有切线。
  2. 粒子之移动显然互不相关,甚至于当粒子互相接近至比其直径小的距离时也是如此。
  3. 粒子越小或液体粘性越低或温度越高时,粒子的运动越活泼。
  4. 粒子的成分及密度对其运动没有影响。
  5. 粒子的运动永不停止。

二、数学布朗运动

也称为维纳过程

2.1 数学定义

从数学的角度看,布朗运动是一个连续时间、连续状态的随机过程,通常用 B t B_t Bt来表示其在时间 t t t的取值。具体地,布朗运动有以下几个重要的特征:

  1. 起始值为零 B 0 = 0 B_0 = 0 B0=0
  2. 独立增量:对于任意时刻 t 1 < t 2 < ⋯ < t n t_1 < t_2 < \dots < t_n t1<t2<<tn,增量 B t i + 1 − B t i B_{t_{i+1}} - B_{t_i} Bti+1Bti是独立的,并且这些增量的分布不依赖于过去的值。
  3. 正态分布增量:增量 B t + s − B t B_{t+s} - B_t Bt+sBt服从均值为0、方差为 s s s的正态分布,即 B t + s − B t ∼ N ( 0 , s ) B_{t+s} - B_t \sim \mathcal{N}(0, s) Bt+sBtN(0,s)
  4. 连续性 B t B_t Bt是连续的,但几乎处处不可微,即对每一个 t t t B t B_t Bt有连续的轨迹,但是其导数(如果存在)几乎处处为零。
  5. 独立性和正态性:布朗运动的增量服从正态分布,并且增量是独立的。这使得布朗运动在很多情况下成为一个简单且有效的模型,尤其在金融数学中,作为股票价格或其他资产价格变动的模型。

2.2 布朗运动的数学模型

2.21 标准布朗运动

标准布朗运动通常是指满足上述性质的一个随机过程,其常见的数学表示形式为:
B t ∼ N ( 0 , t ) 且 B 0 = 0. B_t \sim \mathcal{N}(0, t) \quad \text{且} \quad B_0 = 0. BtN(0,t)B0=0.

这意味着,对于任意时刻 t t t,布朗运动 B t B_t Bt的分布是均值为0、方差为 t t t的正态分布。

2.22 布朗运动的路径

布朗运动的路径是连续的,但不光滑。虽然布朗运动在任何时刻都是有定义的,但它几乎无处可微。更准确地说,布朗运动的轨迹几乎无处具有有限的导数,这意味着轨迹是非常不规则的。

布朗运动路径的一个典型特点是不可预测性,即使已知了过去的所有历史,布朗运动的未来路径也无法准确预测。路径的变化完全是随机的,无法通过常规的物理法则来预测。
在这里插入图片描述

2.23 布朗运动的方程

布朗运动常通过随机微分方程SDE)来描述。一个标准的布朗运动可以用以下的随机微分方程来表示:
d B t = σ d W t dB_t = \sigma dW_t dBt=σdWt

其中 σ \sigma σ是常数, W t W_t Wt表示标准布朗运动, d B t dB_t dBt是布朗运动的增量。

这种方程可以看作是描述随机运动的“微分方程”,其中 W t W_t Wt是一个标准的布朗运动, σ \sigma σ控制着布朗运动的波动幅度。

三、布朗运动在金融学中的应用

布朗运动最著名的应用之一是在金融领域的随机过程模型中,尤其是用于描述股票价格的变动。通过布朗运动模型,金融学家能够捕捉股票价格变化的随机性,并以此来定价期权、评估风险、制定交易策略等。

布莱克-斯科尔斯期权定价模型(Black-Scholes Model)中,资产价格 S t S_t St通常被假设为服从几何布朗运动(Geometric Brownian Motion, GBM),即:
d S t = μ S t d t + σ S t d B t dS_t = \mu S_t dt + \sigma S_t dB_t dSt=μStdt+σStdBt

其中 μ \mu μ是资产的期望回报率, σ \sigma σ是波动率, B t B_t Bt是标准布朗运动。

四、数学构造(以傅里叶级数为例)

利用傅里叶级数(Fourier Series)构造布朗运动的思想基于随机过程的扩展与分解方法。

布朗运动是一种具有独立增量正态分布增量的随机过程,其增量的方差与时间的间隔成正比。为了利用傅里叶级数构造布朗运动,需要借助一种表示方法,将布朗运动的路径视为一系列独立的正弦和余弦项的叠加。

4.1 傅里叶级数的基本思想

傅里叶级数通常用于将一个周期性的函数表示为一组正弦和余弦函数的和。

将布朗运动的增量看作是这些正弦项的组合,每个正弦项的频率、振幅等特性根据布朗运动的独立增量和正态分布的特性来设置。

傅里叶级数表示为:
f ( t ) = ∑ n = 1 ∞ a n sin ⁡ ( n ω t ) + b n cos ⁡ ( n ω t ) f(t) = \sum_{n=1}^{\infty} a_n \sin(n \omega t) + b_n \cos(n \omega t) f(t)=n=1ansin(t)+bncos(t)

其中 a n a_n an b n b_n bn是傅里叶级数的系数, ω \omega ω是频率。

4.2 构造布朗运动

用一个随机过程的傅里叶级数展开,其中每个系数是由独立的正态分布随机变量决定的。具体步骤如下:

  1. 选择正弦函数的频率
    设定傅里叶级数中正弦项的频率为 n n n(即 n ω n \omega )。通常,可以选择频率逐渐递增,即:
    ω n = n \omega_n = n ωn=n
    这意味着每个频率是一个整数倍,符合傅里叶级数的基本构造方法。

  2. 生成正态分布的随机变量
    对于每一个频率 n n n,给定一个随机变量 X n X_n Xn,它是服从正态分布的。即
    X n ∼ N ( 0 , 1 ) X_n \sim \mathcal{N}(0, 1) XnN(0,1)
    其中 N ( 0 , 1 ) \mathcal{N}(0, 1) N(0,1)表示均值为0,方差为1的标准正态分布。注意,正态分布的增量是独立的,因此 X n X_n Xn是彼此独立的。

  3. 构造布朗运动增量
    布朗运动的增量服从正态分布,且每个增量的方差与时间间隔成正比。为了使构造的过程符合布朗运动的特性,假设在时间间隔 [ 0 , T ] [0, T] [0,T]内,布朗运动 B ( t ) B(t) B(t)的增量在时间 t t t处的方差为 t t t,将布朗运动的增量表示为:
    B ( t ) = ∑ n = 1 ∞ X n n sin ⁡ ( n t ) B(t) = \sum_{n=1}^{\infty} \frac{X_n}{\sqrt{n}} \sin(n t) B(t)=n=1n Xnsin(nt)
    这里, X n n \frac{X_n}{\sqrt{n}} n Xn是归一化的系数,使得每个增量的方差为 t t t,即
    E [ B ( t ) 2 ] = t \mathbb{E}[B(t)^2] = t E[B(t)2]=t
    这个构造方式确保了布朗运动的方差随着时间 t t t的增长而增长,并且增量之间是独立的。

由于傅里叶级数中包含无穷多个项,为了保证所构造的过程具有连续的路径,可以通过适当的截断正则化来确保级数在有限的时间内收敛。实际操作中,可以将级数截断为有限项,得到一个近似的布朗运动过程,随着项数的增加,布朗运动的路径会越来越精确。

  1. 完整描述
    综上所述,布朗运动可以通过如下的傅里叶级数形式来构造:
    B ( t ) = ∑ n = 1 ∞ X n n sin ⁡ ( n t ) B(t) = \sum_{n=1}^{\infty} \frac{X_n}{\sqrt{n}} \sin(n t) B(t)=n=1n Xnsin(nt)
    其中 X n X_n Xn是独立的标准正态分布随机变量, X n n \frac{X_n}{\sqrt{n}} n Xn是归一化系数,确保增量的方差是 t t t,并且布朗运动在整个时间区间内是连续的。

  2. 路径的性质
    通过傅里叶级数构造的布朗运动具有以下性质:

    1. 增量的独立性:每个 X n X_n Xn都是独立的随机变量,因此,布朗运动的增量是独立的。
    2. 增量的正态分布:每个增量 X n X_n Xn服从标准正态分布,因此布朗运动的增量服从正态分布。
    3. 方差与时间成正比:由于每个项的系数 X n n \frac{X_n}{\sqrt{n}} n Xn和正弦函数的频率逐渐增大,布朗运动的方差随着时间增长而增长,且为 t t t
    4. 连续性:尽管级数中有无穷多项,使用合适的截断或正则化方法,可以保证布朗运动的路径是连续的。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/887924.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Spring Cloud(Kilburn 2022.0.2版本)系列教程(五) 服务网关(SpringCloud Gateway)

Spring Cloud(Kilburn 2022.0.2版本)系列教程(五) 服务网关(SpringCloud Gateway) 一、服务网关 1.1 什么是网关 在微服务架构中&#xff0c;服务网关是一个至关重要的组件。它作为系统的入口&#xff0c;负责接收客户端的请求&#xff0c;并将这些请求路由到相应的后端服务…

即时通讯| IM+RTC在AI技术加持下的社交体验

即时通讯作为互联网的重要应用之一&#xff0c;见证了中国互联网30年发展的辉煌历程。 它从最初的文字交流&#xff0c;发展到如今的语音、视频通话&#xff0c;甚至是虚拟现实社交&#xff0c;已经渗透到生活的社交、娱乐、商务等方方面面&#xff0c;成为现代社会不可或缺的一…

【Java基础入门篇】一、变量、数据类型和运算符

Java基础入门篇 一、变量、数据类型和运算符 1.1 变量 计算机中的数据表示方式是&#xff1a;“二进制(0/1)”&#xff0c;但是同时也可以兼容其他进制&#xff0c;例如八进制、十进制、十六进制等。 Java变量的本质是&#xff1a;存储在固定空间的内容&#xff0c;变量名是…

【博主推荐】C#的winfrom应用中datagridview常见问题及解决方案汇总

文章目录 1.datagridview绘制出现鼠标悬浮数据变空白2.datagridview在每列前动态添加序号2.1 加载数据集完成后绘制序号2.2 RowPostPaint事件绘制 3.datagridview改变行样式4.datagridview后台修改指定列数据5.datagridview固定某个列宽6.datagridview某个列的显示隐藏7.datagr…

使用经典的Java,还是拥抱新兴的Rust?

在当代互联网时代的企业级开发中&#xff0c;技术栈的选择往往牵动着每个团队的神经。随着Rust语言的崛起&#xff0c;许多开发团队开始重新思考&#xff1a;是继续坚持使用经典的Java&#xff0c;还是拥抱新兴的Rust&#xff1f;这个问题背后&#xff0c;折射出的是对技术演进…

Java项目运行报错“java: -source 1.5 中不支持 diamond 运算符“解决办法windows/linux系统踩坑实录

文章目录 一、问题描述二、解决方案 一、问题描述 在接手同事的Java项目时&#xff0c;依赖和打包都能正常操作&#xff0c;但一点击运行项目&#xff0c;就会报错&#xff1a; java: -source 1.5 中不支持 diamond 运算符 (请使用 -source 7 或更高版本以启用 diamond 运算符…

SQL基础入门 —— SQL概述

目录 1. 什么是SQL及其应用场景 SQL的应用场景 2. SQL数据库与NoSQL数据库的区别 2.1 数据模型 2.2 查询语言 2.3 扩展性 2.4 一致性与事务 2.5 使用场景 2.6 性能与扩展性 总结 3. 常见的SQL数据库管理系统&#xff08;MySQL, PostgreSQL, SQLite等&#xff09; 3.…

开源项目:纯Python构建的中后台管理系统

来源&#xff1a;Python大数据分析 费弗里 大家好我是费老师&#xff0c;目前市面上有很多开源的「中后台管理系统」解决方案&#xff0c;复杂如「若依」那种前端基于Vue&#xff0c;后端基于Java的框架&#xff0c;虽然其提供了较为完善的一整套前后端分离权限管理系统解决方…

视频video鼠标移入移除展示隐藏(自定义控件)

效果图 代码 <template><div class"video-container" mouseover"showControls" mouseleave"hideControlsAfterDelay"><videoref"video"loadedmetadata"initializePlayer"timeupdate"updateProgress&qu…

【连接池】.NET开源 ORM 框架 SqlSugar 系列

.NET开源 ORM 框架 SqlSugar 系列 【开篇】.NET开源 ORM 框架 SqlSugar 系列【入门必看】.NET开源 ORM 框架 SqlSugar 系列【实体配置】.NET开源 ORM 框架 SqlSugar 系列【Db First】.NET开源 ORM 框架 SqlSugar 系列【Code First】.NET开源 ORM 框架 SqlSugar 系列【数据事务…

ubuntu24.04安装Kubernetes1.31.0(k8s1.30.0)高可用集群

ubuntu24.04安装Kubernetes1.30.0(kubernetes1.30.0)高可用集群 一、总体概览 目前最新版的K8S版本应该是1.31.0,我们安装的是第二新的版本1.30.0,因为有大神XiaoHH Superme指路,所以基本上没踩坑,很顺利就搭建完成了。所有的机器都采用的最新版Ubuntu-Server-24.04长期支…

微软要求 Windows Insider 用户试用备受争议的召回功能

拥有搭载 Qualcomm Snapdragon 处理器的 Copilot PC 的 Windows Insider 计划参与者现在可以试用 Recall&#xff0c;这是一项臭名昭著的快照拍摄 AI 功能&#xff0c;在今年早些时候推出时受到了很多批评。 Windows 营销高级总监 Melissa Grant 上周表示&#xff1a;“我们听…

脉冲动画效果

js实现脉冲动画效果&#xff1a; 鼠标点击时&#xff0c;添加动画类&#xff0c;进而实现动画效果&#xff0c;鼠标离开时&#xff0c;移除动画类&#xff0c;回归静态图效果。 <!DOCTYPE html> <html lang"en"> <head><meta charset"UT…

Linux—进程学习—04(进程地址空间学习)

目录 Linux—进程学习—41.程序地址空间1.1虚拟地址空间的现象1.2虚拟地址空间的理解(感性) 2.进程地址空间2.0 mm_struct结构体2.1 mm_struct结构体的源代码2.2分页&虚拟地址空间解释前面的实验现象 2.3进程地址空间存在的原因2.3.1第一个原因2.3.2第二个原因2.3.3第三个原…

图论入门编程

卡码网刷题链接&#xff1a;98. 所有可达路径 一、题目简述 二、编程demo 方法①邻接矩阵 from collections import defaultdict #简历邻接矩阵 def build_graph(): n, m map(int,input().split()) graph [[0 for _ in range(n1)] for _ in range(n1)]for _ in range(m): …

Oracle对比表与表之间的结构

自己首先想到的就是,navicat有提供结构同步 但是有些时候情况不一样,比如我遇到的是连接不同,而且是互相同步,以最多的列的那个表为样 没有说一个固定的源 那么还可以通过导出表结构去另一个库中执行看是否报错,以此来判断结构的不同 但是我感觉有点儿麻烦 最后想到通过sql语…

数据结构与算法——N叉树(自学笔记)

本文参考 N 叉树 - LeetBook - 力扣&#xff08;LeetCode&#xff09;全球极客挚爱的技术成长平台 遍历 前序遍历&#xff1a;A->B->C->E->F->D->G后序遍历&#xff1a;B->E->F->C->G->D->A层序遍历&#xff1a;A->B->C->D->…

关于音频 DSP 的接口种类以及其应用场景介绍

在音频系统中&#xff0c;DSP&#xff08;数字信号处理器&#xff09;扮演着重要角色&#xff0c;通常会通过不同的接口与音频系统中的其他组件&#xff08;如功放、扬声器、音频源等&#xff09;进行连接。以汽车应用场景为例&#xff0c;以下是一些常见的接口类型分类及其介绍…

Linux操作系统学习---初识环境变量

目录 ​编辑 环境变量的概念&#xff1a; 小插曲&#xff1a;main函数的第一、二个参数 获取环境变量信息&#xff1a; 1.main函数的第三个参数 2.查看单个环境变量 3.c语言库函数getenv() 和环境变量相关的操作指令&#xff1a; 1.export---导出环境变量&#xff1a; 2.unse…

多视图几何中向量叉乘的矩阵转换 Matrix Transformation for Cross Product in MVG

Title: 多视图几何中向量叉乘的矩阵转换 Matrix Transformation for Cross Product in MVG 文章目录 I. 向量叉乘的矩阵转换恒等式II. 符号计算 Maxima 程序推导III. 推论和关联公式的说明1. 推论2. 应用于对极几何中基本矩阵推导3. 应用于基本矩阵与单应矩阵关系4. 与刚体运动…