Semua panduan opsyen
Dua arah evolusi Markovbacaan 14 minit

Persamaan Maju dan Mundur Kolmogorov Diterangkan

Fahami bagaimana generator mengembangkan nilai bersyarat secara mundur dan densitas kebarangkalian secara maju, dengan kaitan ke Fokker–Planck, penetapan harga, kalibrasi, dan had

Disediakan oleh Mark · Sumber utama di bawah

Jawapan terus

Persamaan Kolmogorov ke belakang mengembangkan hasil masa hadapan sebagai fungsi keadaan semasa. Persamaan ke hadapan, yang dipanggil Fokker–Planck untuk difusi, mengembangkan taburan keadaan masa hadapan daripada hukum awal

Peralihan Markov menghubungkan tiga masa

Proses Markov menggunakan operator peralihan P_{s,t}g(x) = E[g(X_t) | X_s=x] untuk memetakan fungsi masa hadapan kembali kepada keadaan semasa

Hubungan Chapman–Kolmogorov P_{s,t}P_{t,u} = P_{s,u} menyatakan bahawa memasukkan masa perantaraan tidak mengubah peralihan

Persamaan ke hadapan dan ke belakang ialah pandangan pembezaan terhadap semigrup yang sama atau keluarga evolusi dua parameter

Penjana menerangkan perubahan infinitesimal

Bagi dX_t = b(t,X_t)dt + σ(t,X_t)dW_t, penjananya ialah L_tφ = b∂_xφ + 1/2a∂_{xx}φ dengan a = σ²

Ia bertindak pada fungsi ujian keadaan dan merumuskan perubahan bersyarat seketika fungsi itu

Penjana bergantung pada proses, ruang keadaan, domain, dan tingkah laku sempadan; ungkapan pembezaan formal sahaja tidak lengkap

Persamaan ke belakang bertindak pada keadaan permulaan

Bagi fungsi terminal g, takrifkan u(s,x) = E[g(X_t) | X_s=x] dengan s ≤ t

Di bawah keteraturan yang sesuai, u memenuhi ∂_s u + L_su = 0 dan syarat terminal u(t,x) = g(x)

Ia dipanggil ke belakang kerana fungsi hujung ditetapkan dan masa bersyarat s bergerak menuju masa kini

Adjung menggerakkan taburan

Adjung L_t† ditakrifkan melalui ∫φ L_t†ρ dx = ∫ρ L_tφ dx selepas sebutan sempadan diuruskan

Bagi difusi satu dimensi, L_t†ρ = -∂_x(bρ) + 1/2∂_{xx}(aρ)

Adjung memindahkan penjana daripada fungsi ujian kepada ketumpatan, lalu membalikkan terbitan apabila pengamiran mengikut bahagian memerlukannya

Persamaan ke hadapan menyebarkan jisim kebarangkalian

Jika ρ(t,x) ialah ketumpatan keadaan, ia memenuhi ∂_tρ = L_t†ρ daripada taburan awalnya

Persamaan yang sama apabila digunakan pada ketumpatan peralihan mengembangkan pemboleh ubah destinasi sambil mengekalkan titik permulaan tetap

Normalisasi, ketaknegatifan, fluks, dan syarat sempadan menentukan sama ada penyelesaian formal ialah hukum kebarangkalian yang sah

Kewangan menggunakan kedua-dua arah untuk tugas berbeza

Penilaian derivatif biasanya menyelesaikan persamaan ke belakang daripada hasil terminal, dengan pendiskaunan menambah sebutan pembunuhan

Ramalan taburan, profil pendedahan, kalibrasi ketumpatan, dan sesetengah pengiraan risiko menyelesaikan persamaan ke hadapan daripada hukum keadaan hari ini

Kedua-dua output patut sepadan melalui pengamiran: nilai ke belakang bersamaan hasil masa hadapan yang diintegrasikan terhadap ketumpatan peralihan ke hadapan

Sempadan dan numerik boleh memecahkan dualiti

Sempadan menyerap, memantul, masuk, dan tidak boleh dicapai mengenakan syarat nilai serta fluks kebarangkalian yang berbeza

Semak pemeliharaan atau kehilangan jisim yang disengajakan, kepositifan, data terminal dan awal, pendiskretan adjung, serta penumpuan apabila grid diperluas

Anggaran Monte Carlo yang dilaksanakan secara bebas boleh mendedahkan kesilapan tanda, hanyutan, sempadan, dan arah masa dalam mana-mana penyelesai PDE

Soalan lazim

Apakah perbezaan antara persamaan Kolmogorov ke hadapan dan ke belakang?

Persamaan ke belakang mengembangkan fungsi keadaan permulaan; persamaan ke hadapan mengembangkan hukum keadaan destinasi

Adakah persamaan ke hadapan ialah persamaan Fokker–Planck?

Bagi proses difusi, ya. Fokker–Planck ialah nama umum bagi persamaan ketumpatan ke hadapan Kolmogorov

Persamaan manakah digunakan untuk penetapan harga opsyen?

Nilai opsyen Eropah biasanya disebarkan ke belakang daripada hasil terminalnya, manakala persamaan ke hadapan boleh mengembangkan ketumpatan harga keadaan

Mengapa syarat sempadan penting?

Syarat itu menentukan sama ada kebarangkalian diserap, dipantulkan, dipelihara, atau tidak boleh dicapai, lalu mengubah kedua-dua taburan dan nilai

Sumber dan bacaan lanjut

Semakan pantas

Sudah membaca panduan? Uji diri dengan 3 soalan

1 / 3

Soalan 01

Pernyataan manakah paling sepadan dengan panduan ini — Peralihan Markov menghubungkan tiga masa?

Pilih jawapan untuk melihat penjelasan

Glosari opsyen