Маркові процеси у фінансах

📈 Основні поняття Маркових процесів

Визначення та властивість Маркова

Маркові процеси названі на честь Андрія Маркова (1856-1922), російського математика. Ключова властивість — це "відсутність пам'яті" або "марковська властивість".

Визначення: Стохастичний процес {X(t), t ≥ 0} називається Марковим, якщо для будь-якого моменту часу t і будь-яких станів i, j, майбутнє стан X(t+1) залежить тільки від поточного стану X(t), а не від попередніх станів X(s) для s < t.

Марковська властивість: P(X(t+1) = j | X(t) = i, X(t-1) = k, X(t-2) = l, ...) = P(X(t+1) = j | X(t) = i)

Інтуїція: Для прогнозування майбутнього достатньо знати поточний стан системи; вся історія не важлива.

Застосування: Ця властивість робить Маркові процеси обчислювально ефективними та математично зручними для аналізу.

Дискретні Маркові ланцюги

Дискретний Марковів ланцюг — це Марковий процес з дискретним простором станів та дискретним часом.

Простир станів: S = {s₁, s₂, ..., sₙ} — кінцева або зліченна множина можливих станів

Час: t = 0, 1, 2, ... (дискретні моменти)

Матриця переходів P: Pᵢⱼ = P(X(t+1) = j | X(t) = i) — ймовірність переходу зі стану i у стан j за один крок

Властивості матриці P: Всі елементи невід'ємні (Pᵢⱼ ≥ 0) та сума по кожному рядку дорівнює 1 (Σⱼ Pᵢⱼ = 1 для всіх i)

Стаціонарний розподіл: Вектор π, такий що πP = π. Представляє довгострокові ймовірності знаходження в кожному стані.

Неперервні Маркові процеси

Неперервні Маркові процеси мають неперервний час, а простір станів може бути дискретним або неперервним.

Процес Вінера (броунівський рух): W(t) — неперервний процес з незалежними та стаціонарними приростами, нормально розподіленими з нульовим середнім

Властивості броунівського руху: W(0) = 0; W(t) - W(s) ~ N(0, t-s) для t > s; має незалежні прирости

Геометричний броунівський рух: S(t) = S₀ × exp((μ - σ²/2)t + σW(t)), де μ — дрифт, σ — волатильність

Застосування: Моделювання цін акцій, валютних курсів, процентних ставок

Приклад: Кредитний рейтинг як Марковів ланцюг

Кредитний рейтинг компанії може бути: AAA, AA, A, BBB, BB, B, CCC, D (дефолт).

Матриця переходів (спрощена):

P = [0.95 0.04 0.01 0.00 0.00 0.00 0.00 0.00] для AAA

P = [0.00 0.93 0.05 0.02 0.00 0.00 0.00 0.00] для AA

... і так далі.

Ймовірність переходу з AAA в AA за рік становить 4%, а залишитися в AAA — 95%.

💼 Застосування в фінансах

Моделювання цін активів

Найвідоміше застосування — модель Блека-Шоулза-Мертона для оцінки опціонів, заснована на геометричному броунівському русі.

Геометричний броунівський рух:

dS(t) = μS(t)dt + σS(t)dW(t)

де dS(t) — зміна ціни, μ — очікувана прибутковість, σ — волатильність, dW(t) — приріст броунівського руху

Рішення: S(t) = S₀ × exp((μ - σ²/2)t + σW(t))

Логарифм ціни: ln(S(t)) ~ N(ln(S₀) + (μ-σ²/2)t, σ²t)

Ціна має логарифмічно нормальний розподіл

Кредитний ризик та рейтинги

Модель переходів рейтингів: Використання дискретних Маркових ланцюгів для моделювання змін кредитних рейтингів компаній

Ймовірність дефолту: Розрахунок ймовірності переходу в стан дефолту (D) з різних рейтингів

Ціна облігацій: Врахування ймовірності зниження рейтингу та дефолту при оцінці облігацій

Кредитні спреди: Визначення премій за кредитний ризик на основі матриць переходів

Режими ринку

Моделі з переключенням режимів (regime-switching models) використовують Маркові процеси для опису різних ринкових режимів.

Режими: Бульовий ринок, ведмежий ринок, волатильний ринок, спокійний ринок

Переходи: Матриця переходів між режимами описує, як ринок переходить між різними станами

Параметри: Кожен режим має свої параметри (середня прибутковість, волатильність)

Застосування: Прогнозування ринкових трендів, управління ризиками, стратегії інвестування

Валютні курси та процентні ставки

Модель Вісека: dr(t) = κ(θ - r(t))dt + σdW(t) — модель для процентних ставок

Валютні курси: Геометричний броунівський рух для моделювання обмінних курсів

Кореляція: Мультиваріантні Маркові процеси для моделювання кореляцій між різними валютами

Хеджування: Використання моделей для розробки стратегій хеджування валютного ризику

🔬 Математичні аспекти

Рівняння Фоккера-Планка

Для неперервних Маркових процесів щільність ймовірності задовольняє рівняння Фоккера-Планка (також відоме як рівняння Колмогорова вперед).

∂p(x,t)/∂t = -∂/∂x[μ(x,t)p(x,t)] + (1/2)∂²/∂x²[σ²(x,t)p(x,t)]

де p(x,t) — щільність ймовірності, μ — дрифт, σ — дифузія

Іто-лема

Іто-лема дозволяє знаходити диференціали функцій від стохастичних процесів. Критично важлива для фінансових додатків.

Якщо dX(t) = μ(t,X(t))dt + σ(t,X(t))dW(t), то для функції f(t,X(t)):

df = (∂f/∂t + μ∂f/∂x + (1/2)σ²∂²f/∂x²)dt + σ(∂f/∂x)dW(t)

📚 Гайд з прикладами

Приклад 1: Обчислення ймовірності переходу

Матриця переходів кредитних рейтингів (спрощена):

P = [[0.95, 0.04, 0.01], [0.02, 0.93, 0.05], [0.00, 0.10, 0.90]]

для станів [AAA, AA, A].

Ймовірність перейти з AAA в A за 2 кроки:

P² = P × P, елемент (P²)₁₃ = 0.95×0.01 + 0.04×0.05 + 0.01×0.90 = 0.0205

Приклад 2: Геометричний броунівський рух

S₀ = 100, μ = 0.08, σ = 0.2, t = 1 рік.

Очікувана ціна: E[S(1)] = S₀exp(μ) = 100×exp(0.08) = 108.33

Волатильність логарифму: σ√t = 0.2

Приклад 3: Стаціонарний розподіл

Для матриці P = [[0.7, 0.3], [0.4, 0.6]]

Стаціонарний розподіл: π = [4/7, 3/7] ≈ [0.571, 0.429]

Перевірка: [0.571, 0.429] × P ≈ [0.571, 0.429]

© 2025 Science Simulator. Всі права захищені.

Спробуйте наживо

Усе, що вище, працює прямо у вашому браузері — відкрийте Solow Growth Model і змінюйте параметри під час роботи. Нічого не встановлюється, нічого не завантажується на сервер, уся модель живе в одній вкладці.