Gärtner–Ellis Theorem: Large Deviations और Option Tails की व्याख्या
Scaled cumulant transform, मुख्य conditions और rare-event pricing तथा option-tail behavior में theorem के महत्व का practical walkthrough पाएं
सीधा जवाब
Gärtner–Ellis theorem scaled cumulant-generating-function limit को convex transform के जरिए large-deviation rate में बदलती है। यह option-tail behavior के लिए powerful है, लेकिन valid full result के लिए regularity, domain conditions और boundary checks फिर भी चाहिए
Theorem scaled transform से शुरू होती है
Random vectors Z_n और speed a_n→∞ के लिए Λ_n(θ)=a_n^{-1}log E[exp(a_n⟨θ,Z_n⟩)] define करें
मान लें Λ_n(θ) stated domain पर extended-real function Λ(θ) में pointwise converge करती है
यह limit उसी scale पर exponential moment growth record करती है जिस scale से rare-event probabilities मापी जाती हैं
Convex duality rate function प्रस्तावित करती है
Candidate rate Λ*(x)=sup_θ{⟨θ,x⟩−Λ(θ)} है, यानी Λ का Legendre–Fenchel transform
जब Λ differentiable हो, target x को ∇Λ(θ)=x satisfy करने वाले tilt θ के साथ pair किया जा सकता है
Value Λ*(x) corresponding tilted measure के अंतर्गत x को typical बनाने की exponential cost है
Upper और lower bounds को अलग care चाहिए
Theorem exponential-tightness conditions के अंतर्गत closed sets के लिए upper bound देती है
Basic lower bound केवल Λ* के exposed points को cover कर सकती है, जहाँ एक supporting hyperplane target को साफ identify करती है
Essential smoothness, lower semicontinuity और finite domain boundaries पर steep behavior इसे full lower bound तक बढ़ा सकते हैं
Cramér’s theorem महत्वपूर्ण special case है
Zero के पास finite log moment-generating function वाली iid observations में sample mean को standard conditions पर Λ* rate मिलती है
Gärtner–Ellis broader है क्योंकि known scaled transform limit मिलने पर dependent या non-iid families को भी treat कर सकती है
यह बिना cost के broader नहीं है: limit, exponential tightness और boundary regularity prove करना कठिन भाग हो सकता है
Option tails declared scaling inherit करती हैं
Risk-neutral log returns के लिए long-time, short-time या small-noise transform limit tail और out-of-the-money option asymptotics imply कर सकती है
Leading option-price decay को benchmark से match करके उसी regime में leading implied-volatility behavior निकाला जा सकता है
पूरे argument में pricing measure, martingale condition, strike scaling और transform domain consistent रहने चाहिए
Convexity important behavior छिपा सकती है
हर Legendre–Fenchel transform convex होती है, भले underlying rare-event rate nonconvex हो
Nonsmooth Λ competing phases encode कर सकती है, जबकि उसका dual linear segments और nonunique optimizing tilts रख सकता है
इसलिए blind dualization convex envelope लौटाकर उन states को miss कर सकती है जिन्हें direct large-deviation analysis चाहिए
Verification primal और dual दोनों sides follow करे
Expanding θ grid पर Λ_n convergence, transform finiteness, convexity, derivatives और boundary growth check करें
कई scales पर Λ*(x) की simulated log probabilities या independent asymptotics से तुलना करें, केवल एक maturity पर नहीं
Derived option prices पर exposed-point coverage, exponential tightness, optimizer uniqueness, martingale validity और static-arbitrage tests document करें
आम सवाल
Gärtner–Ellis theorem क्या करती है?
यह limiting scaled log moment-generating function को Legendre–Fenchel rate function वाले exponential probability bounds में बदलती है
क्या limiting transform की differentiability optional है?
कुछ bounds इसके बिना भी बचते हैं, लेकिन nonsmoothness lower bound सीमित कर सकती है और nonunique tilts या linear rate segments बना सकती है
यह Cramér’s theorem से कैसे अलग है?
Cramér’s theorem iid sample means को सीधे treat करती है, जबकि Gärtner–Ellis broader family के scaled transform limit से काम करती है
क्या theorem हमेशा true rate function recover करती है?
नहीं। इसका convex dual genuinely nonconvex rate नहीं दिखा सकता और failed regularity केवल partial bounds छोड़ सकती है