Стохастичні процеси

🎲 Що таке стохастичні процеси?

Стохастичні процеси — це математичні моделі, які описують випадкові явища, що розвиваються у часі. Вони є узагальненням випадкових величин на випадок, коли результати залежать не тільки від випадку, але й від часу. Стохастичні процеси широко застосовуються в фізиці, фінансах, біології, теорії черг, теорії надійності та багатьох інших областях для моделювання систем з випадковими коливаннями.

🎯 Основні розділи стохастичних процесів:

Марковські процеси - процеси без пам'яті

Процеси Пуассона - процеси підрахунку

Броунівський рух - безперервний випадковий процес

Мартингали - процеси з умовним очікуванням

Стаціонарні процеси - процеси з незмінними властивостями

🎲 Марковські процеси

1. Визначення та властивості

Процеси без пам'яті про минуле:

🎲 Марковська властивість

Визначення:

Властивість:

🎲 Дискретний марковський ланцюг

Визначення: • Скінченна або зліченна множина станів • Дискретний час • Марковська властивість • Властивості

Перехідна матриця: • P = (p_{ij}) • p_{ij} = P(X_{t+1} = j | X_t = i) • Σ_j p_{ij} = 1 • Приклади

🎲 Неперервний марковський процес

Визначення: • Неперервний час • Дискретні або неперервні стани • Марковська властивість • Властивості

Інтенсивності переходів: • q_{ij} = lim_{Δt→0} P(X_{t+Δt} = j | X_t = i)/Δt • q_{ii} = -Σ_{j≠i} q_{ij} • Генераторна матриця • Приклади

🎲 Стаціонарний розподіл

Визначення: • π = (π₁, π₂, ...) • πP = π • Σ_i π_i = 1 • Властивості

Властивості: • Стаціонарність • Ергодичність • Існування • Приклади

2. Типи марковських процесів

Різні класи марковських процесів:

🎲 Процес народження-смерті

Визначення: • Переходи тільки між сусідніми станами • λ_i - інтенсивність народження • μ_i - інтенсивність смерті • Властивості

Застосування: • Теорія черг • Популяційна динаміка • Моделі надійності • Приклади

🎲 Процес розгалуження

Визначення: • Кожен індивід породжує нащадків • Незалежні розмноження • Генеалогічне дерево • Властивості

Застосування: • Генетика • Епідеміологія • Теорія популяцій • Приклади

🎲 Процес випадкового блукання

Визначення: • S_n = Σ_{i=1}^n X_i • X_i - незалежні кроки • Простий або з дрейфом • Властивості

Застосування: • Фінанси • Фізика • Біологія • Приклади

P(X_{t+1} = j | X_t = i, X_{t-1} = i_{t-1}, ..., X_0 = i_0) = P(X_{t+1} = j | X_t = i)

🎲 Процеси Пуассона

1. Основний процес Пуассона

Процеси підрахунку подій:

🎲 Процес Пуассона

Визначення:

Властивості:

🎲 Однорідний процес Пуассона

Визначення: • λ = const • Стаціонарні прирости • Незалежні прирости • Властивості

Властивості: • E[N(t)] = λt • Var[N(t)] = λt • Коваріація • Приклади

🎲 Неоднорідний процес Пуассона

Визначення: • λ(t) - функція часу • Λ(t) = ∫_0^t λ(s) ds • P(N(t) = k) = Λ(t)^k e^{-Λ(t)} / k! • Властивості

Властивості: • E[N(t)] = Λ(t) • Var[N(t)] = Λ(t) • Нестаціонарність • Приклади

🎲 Складний процес Пуассона

Визначення: • X(t) = Σ_{i=1}^{N(t)} Y_i • Y_i - незалежні випадкові величини • N(t) - процес Пуассона • Властивості

Властивості: • E[X(t)] = λt E[Y] • Var[X(t)] = λt E[Y²] • Незалежні прирости • Приклади

2. Застосування процесів Пуассона

Різні області застосування:

🎲 Теорія черг

Модель M/M/1: • Пуассонівські надходження • Експоненційне обслуговування • Один сервер • Властивості

Властивості: • Стаціонарний розподіл • Середній час очікування • Утилізація сервера • Приклади

🎲 Теорія надійності

Модель відмов: • Пуассонівські відмови • Інтенсивність відмов • Відновлення • Властивості

Властивості: • Середній час між відмовами • Надійність системи • Відновлюваність • Приклади

🎲 Фінанси

Модель скачків: • Пуассонівські скачки цін • Розмір скачків • Волатильність • Властивості

Властивості: • Ціноутворення • Ризик • Хеджування • Приклади

P(N(t) = k) = (λt)^k e^{-λt} / k!

🎲 Броунівський рух

1. Вінерівський процес

Математична модель броунівського руху:

🎲 Броунівський рух

Визначення:

Властивості:

🎲 Стандартний броунівський рух

Визначення: • W(0) = 0 • W(t) - W(s) ~ N(0, t-s) • Незалежні прирости • Властивості

Властивості: • E[W(t)] = 0 • Var[W(t)] = t • Cov[W(s), W(t)] = min(s,t) • Приклади

🎲 Броунівський рух з дрейфом

Визначення: • X(t) = μt + σW(t) • μ - дрейф • σ - волатильність • Властивості

Властивості: • E[X(t)] = μt • Var[X(t)] = σ²t • Тренд + шум • Приклади

🎲 Геометричний броунівський рух

Визначення: • dS(t) = μS(t)dt + σS(t)dW(t) • S(t) = S(0)exp((μ-σ²/2)t + σW(t)) • Мультиплікативний • Властивості

Властивості: • E[S(t)] = S(0)e^{μt} • Var[S(t)] = S(0)²e^{2μt}(e^{σ²t}-1) • Логарифмічно нормальний • Приклади

2. Інтеграли та диференціали

Обчислення з броунівським рухом:

🎲 Іто інтеграл

Визначення: • ∫_0^t f(s)dW(s) • f(s) - адаптована функція • Стохастичний інтеграл • Властивості

Властивості: • E[∫_0^t f(s)dW(s)] = 0 • Var[∫_0^t f(s)dW(s)] = ∫_0^t f²(s)ds • Мартингал • Приклади

🎲 Лема Іто

Формула: • dF(W,t) = (∂F/∂t + (1/2)∂²F/∂W²)dt + (∂F/∂W)dW • F - гладка функція • Стохастичне диференціювання • Властивості

Застосування: • Ціноутворення опціонів • Стохастичні диференціальні рівняння • Ризик-менеджмент • Приклади

🎲 Стохастичні диференціальні рівняння

Визначення: • dX(t) = a(X,t)dt + b(X,t)dW(t) • a - дрейф • b - дифузія • Властивості

Застосування: • Фінансові моделі • Фізичні процеси • Біологічні системи • Приклади

W(0) = 0, W(t) ~ N(0, t)

🎲 Мартингали

1. Визначення та властивості

Процеси з умовним очікуванням:

🎲 Мартингал

Визначення:

Властивості:

🎲 Дискретний мартингал

Визначення: • E[M_{n+1} | F_n] = M_n • Дискретний час • Фільтрація • Властивості

Властивості: • E[M_n] = E[M_0] • Незалежні прирости • Опуклі функції • Приклади

🎲 Неперервний мартингал

Визначення: • E[M_{t+s} | F_t] = M_t • Неперервний час • Фільтрація • Властивості

Властивості: • E[M_t] = E[M_0] • Неперервні траєкторії • Квадратична варіація • Приклади

🎲 Локальний мартингал

Визначення: • Існує послідовність зупиняючих часів • τ_n → ∞ • M_{t∧τ_n} - мартингал • Властивості

Властивості: • Локальна справедливість • Зупиняючі часи • Розширення • Приклади

2. Теореми про мартингали

Фундаментальні результати:

🎲 Теорема Дуба

Формулювання: • Кожен мартингал має версію з правильними траєкторіями • Неперервність • Кадлаг • Властивості

Застосування: • Конструкція процесів • Неперервність • Регуляризація • Приклади

🎲 Теорема Дуба-Мейєра

Формулювання: • Розкладання субмартингала • M = A + N • A - передбачуваний • N - мартингал

Застосування: • Розкладання процесів • Передбачуваність • Структура • Приклади

🎲 Теорема зупинки

Формулювання: • E[M_τ] = E[M_0] • Т - зупиняючий час • Умови зупинки • Властивості

Застосування: • Оптимальна зупинка • Американські опціони • Теорія ігор • Приклади

E[M_{t+1} | F_t] = M_t

🎲 Стаціонарні процеси

1. Визначення та властивості

Процеси з незмінними властивостями:

🎲 Стаціонарність

Строга стаціонарність:

Слаба стаціонарність:

🎲 ARMA процеси

Визначення: • X_t = φ₁X_{t-1} + ... + φ_pX_{t-p} + ε_t + θ₁ε_{t-1} + ... + θ_qε_{t-q} • AR(p) + MA(q) • Стаціонарність • Властивості

Властивості: • Автоковаріаційна функція • Спектральна щільність • Прогнозування • Приклади

🎲 ARIMA процеси

Визначення: • (1-φ₁B-...-φ_pB^p)(1-B)^d X_t = (1+θ₁B+...+θ_qB^q)ε_t • d - порядок інтеграції • Нестаціонарність • Властивості

Властивості: • Інтеграція • Тренди • Прогнозування • Приклади

🎲 GARCH процеси

Визначення: • X_t = σ_t ε_t • σ_t² = ω + αX_{t-1}² + βσ_{t-1}² • Умовна гетероскедастичність • Властивості

Властивості: • Кластери волатильності • Товсті хвости • Фінансові дані • Приклади

2. Спектральний аналіз

Частотний аналіз стаціонарних процесів:

🎲 Спектральна щільність

Визначення: • f(ω) = (1/2π)Σ_{h=-∞}^∞ γ(h)e^{-iωh} • γ(h) - автоковаріаційна функція • Частотний розподіл • Властивості

Властивості: • f(ω) ≥ 0 • ∫_{-π}^π f(ω)dω = γ(0) • Періодограма • Приклади

🎲 Фільтрація

Визначення: • Y_t = Σ_{k=-∞}^∞ h_k X_{t-k} • h_k - коефіцієнти фільтра • Лінійне перетворення • Властивості

Властивості: • Спектр виходу • f_Y(ω) = |H(ω)|² f_X(ω) • H(ω) - передавальна функція • Приклади

🎲 Прогнозування

Визначення: • X̂_{t+h} = E[X_{t+h} | F_t] • h - горизонт прогнозу • Умовне очікування • Властивості

Властивості: • Мінімальна помилка • Лінійне прогнозування • Спектральне розкладання • Приклади

(X_{t₁}, X_{t₂}, ..., X_{t_k}) ~ (X_{t₁+h}, X_{t₂+h}, ..., X_{t_k+h})

🎲 Застосування

1. Фінанси

Застосування в фінансовій математиці:

🎲 Ціноутворення опціонів

Модель Блека-Шоулза: • Геометричний броунівський рух • Формула Блека-Шоулза • Хеджування • Властивості

Розширення: • Скачки цін • Стохастична волатильність • Процентні ставки • Приклади

🎲 Ризик-менеджмент

VaR моделі: • Value at Risk • Стохастичні процеси • Монте-Карло симуляція • Властивості

Методи: • Параметричний VaR • Історичний VaR • Монте-Карло VaR • Приклади

🎲 Алгоритмічна торгівля

Стратегії: • Статистичний арбітраж • Парна торгівля • Mean reversion • Властивості

Моделі: • Коінтеграція • GARCH моделі • Марковські переключення • Приклади

2. Фізика та біологія

Застосування в природничих науках:

🎲 Фізика

Застосування: • Броунівський рух • Дифузія • Теплові флуктуації • Властивості

Моделі: • Рівняння Ланжевена • Фоккера-Планка • Стохастичні диференціальні рівняння • Приклади

🎲 Біологія

Застосування: • Популяційна динаміка • Епідеміологія • Еволюція • Властивості

Моделі: • Процеси розгалуження • Марковські процеси • Стохастичні диференціальні рівняння • Приклади

🎲 Хімія

Застосування: • Хімічні реакції • Кінетика • Каталіз • Властивості

Моделі: • Марковські процеси • Процеси Пуассона • Стохастичні диференціальні рівняння • Приклади

🎯 Висновки

Стохастичні процеси надають потужний математичний апарат для моделювання випадкових явищ у часі. Вони є основою багатьох сучасних теорій та мають широке застосування в різних областях науки та техніки. Стохастичні процеси включають марковські процеси як процеси без пам'яті, процеси Пуассона як процеси підрахунку, броунівський рух як безперервний випадковий процес, мартингали як процеси з умовним очікуванням, та стаціонарні процеси як процеси з незмінними властивостями. Стохастичні процеси мають широке застосування в фінансах, включаючи ціноутворення опціонів, ризик-менеджмент та алгоритмічну торгівлю, а також в фізиці та біології, включаючи моделювання динамічних систем та еволюційних процесів.

📚 Пов'язані теми

Математика

Статистика

Теорія ймовірності

Наука про дані

Машинне навчання

🎲 Розділи стохастичних процесів

Марковські процеси

Процеси Пуассона

Броунівський рух

Мартингали

Стаціонарні процеси

🔬 Основні поняття

Марковська властивість

Стаціонарність

Незалежні прирости

Мартингали

Стохастичні інтеграли

🎲 Застосування

Фінанси

Фізика

Біологія

Хімія

Теорія черг

📖 Рекомендована література

"Stochastic Processes" - Ross

"Brownian Motion" - Karatzas

"Martingale Methods" - Williams

"Applied Stochastic Processes" - Karlin

Спробуйте наживо

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