Teoria Della Probabilita e Calcolo Stocastico Per La Finanza (Pascucci)

Corso di Alta Formazione in
Finanza Matematica
Teoria della probabilità e calcolo stocastico applicati
alla nanza.
Docente: Andrea Pascucci
Contenuti: il corso intende fornire gli strumenti matematico-probabilistici e le
nozioni basilari per potere comprendere il settore della moderna nanza matematica
che si occupa degli strumenti derivati.
Indicazioni bibliograche: per quanto riguarda una presentazione self-contained
di teoria della misura e integrazione astratta, si veda lappendice in [3]. Per quanto
riguarda una presentazione degli elementi di teoria della probabilità si può consultare,
in ordine crescente di dicoltà, [1], [7], [11], [5], [9], [10], [8]. Per quanto riguarda la
valutazione di derivati si vedano [1] e [7], il secondo anche per limplementazione di
metodi numerici.
1
2
Indice
1 Elementi di teoria della probabilità 5
1.1 Spazi di probabilità . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.2 Variabili aleatorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3 Indipendenza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.4 Teorema di Radon-Nikodym . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 Attesa condizionata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2 Il modello binomiale 21
2.1 Il modello di mercato . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Portafoglio autonanziante e di arbitraggio . . . . . . . . . . . . . . . . 23
2.3 Misura martingala o neutrale al rischio . . . . . . . . . . . . . . . . . . 26
2.4 Strategia adattata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5 Valutazione e copertura di derivati . . . . . . . . . . . . . . . . . . . . 29
3 Elementi di calcolo stocastico 33
3.1 Moto Browniano . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2 Moto Browniano ed equazione del calore . . . . . . . . . . . . . . . . . 36
3.3 Martingale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.4 Regolarità delle traiettorie di un MB . . . . . . . . . . . . . . . . . . . 38
3.5 Integrale stocastico di processi semplici . . . . . . . . . . . . . . . . . . 43
3.6 Integrale di Ito . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.7 Processi e formula di Ito . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.8 Metodo di Eulero per equazioni dierenziali stocastiche . . . . . . . . . 53
3.9 Unestensione della formula di Ito . . . . . . . . . . . . . . . . . . . . . 54
4 Modelli a tempo continuo per i derivati 57
4.1 Portafoglio autonanziante e di arbitraggio . . . . . . . . . . . . . . . . 57
3
4 INDICE
4.2 Modello di Black&Scholes . . . . . . . . . . . . . . . . . . . . . . . . . 58
4.3 Equazione di Black&Scholes ed equazione del calore . . . . . . . . . . . 61
4.4 Valutazione neutrale al rischio . . . . . . . . . . . . . . . . . . . . . . . 62
4.5 Metodo Monte Carlo . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.6 Put-Call parity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.7 Formula di Black&Scholes . . . . . . . . . . . . . . . . . . . . . . . . . 65
4.8 Volatilit` a implicita e generalizzazioni del modello di Black&Scholes . . 65
4.9 Opzioni asiatiche e modelli con dipendenza dal passato . . . . . . . . . 65
Indice analitico 69
Capitolo 1
Elementi di teoria della probabilità
1.1 Spazi di probabilità
Nel seguito indica un insieme non vuoto e P() linsieme delle parti di ossia la
famiglia di tutti i sottoinsiemi di .
Denizione 1.1 (-algebra). Una famiglia T di sottinsiemi di , T P(), si dice
-algebra se:
1. T;
2. se A T allora A
c
( A) T;
3. data una successione (A
n
)
nN
di elementi di T si ha che
n=1
A
n
T.
Dato / P, si pone
(/) =
FA
F algebra
T,
ossia (/) è lintersezione di tutte le -algebre contenenti /. Non è dicile vericare
(esercizio!) che lintersezione di -algebre è ancora una -algebra. Si ha quindi che
(/) è la pi` u piccola -algebra contenente / ed è detta -algebra generata da /.
Esempio 1.2 (-algebra di Borel). Si indica con B(R
N
) la -algebra generata dalla
topologia euclidea di R
N
, ossia
B(R
N
) = (A [ A aperto di R
N
).
5
6 Elementi di teoria della probabilità
Ove non ci sarà confusione scriveremo semplicemente B = B(R
N
). Si può provare che
B(R) = ( ]a, b[ [ a, b Q, a < b),
e un analogo risultato vale in dimensione maggiore di uno.
Denizione 1.3 (Misura di probabilità). Data una -algebra T su , si dice misura
di probabilità unapplicazione P : T [0, 1] tale che:
1. P() = 0;
2. per ogni successione (A
n
)
nN
di elementi di T a due a due disgiunti vale
P
_
_
n1
A
n
_
=
n1
P(A
n
);
3. P() = 1.
Denizione 1.4 (Spazio di probabilità). Una terna (, T, P) con T -algebra su e
P misura di probabilità su T, si dice spazio di probabilità.
Linsieme è detto spazio campione o spazio dei risultati: si può pensare ad
ogni elemento di come al risultato di un esperimento o allo stato di un fenomeno,
per esempio la posizione di una particella nello spazio o il prezzo di un titolo. Nel
seguito, gli elementi B di T verranno chiamati eventi e P(B) sarà chiamata probabilità
dellevento B. In particolare, un evento E T si dice impossibile (rispettivamente,
certo) se P(E) = 0 (P(E) = 1).
Per esempio, se = R
+
è lo spazio campione che rappresenta linsieme dei possibili
prezzi di una particolare azione, allora P(]a, b[) rappresenta la probabilità che il prezzo
sia maggiore di a e minore di b.
Denizione 1.5. Una misura di probabilità denita su (R
N
, B) è detta distribuzione.
Il prossimo esempio mostra come sia relativamente facile costruire una distribuzione
a partire dalla misura di Lebesgue.
Esempio 1.6. Sia f : R R una funzione misurabile (ossia tale che f
1
(H) B per
ogni H B), f 0 e tale che
_
R
f(x)dx = 1. Posto
P(H) =
_
H
f(x)dx, H B, (1.1)
si può provare che, in base alle proprietà dellintegrale di Lebesgue, P è una distribu-
zione. In questo caso f si dice densità di P rispetto alla misura di Lebesgue.
1.1 Spazi di probabilità 7
Esempio 1.7 (Distribuzione uniforme). Dati a, b R con a < b, si dice distribuzione
uniforme su [a, b] la distribuzione con densità
f(x) =
1
b a
[a,b]
(x), x R. (1.2)
In (1.2),
A
indica la funzione caratteristica dellinsieme A denita da
A
(x) =
_
_
_
1, x A,
0, x / A.
In questo caso, per ogni H B, P(H) =
1
ba
m(H [a, b]), con m(H) misura di
Lebesgue di H. Intuitivamente, P distribuisce uniformemente su [a, b] la probabilità
che la particella (o il prezzo di un titolo) si trovi in [a, b]; è invece impossibile che la
particella sia fuori da [a, b].
Si noti che per una distribuzione P della forma (1.1), con densità f, vale necessa-
riamente che
m(H) = 0 = P(H) = 0. (1.3)
La (1.6) si esprime dicendo che P è assolutamente continua rispetto alla misura di
Lebesgue.
Non tutte le distribuzioni sono del tipo (1.1) ossia non tutte le distribuzioni hanno
densità rispetto alla misura di Lebesgue. Per esempio, dato x
0
R
N
, si consideri la
distribuzione Delta di Dirac denita da
x
0
(H) =
_
_
_
1, x
0
H,
0, x
0
/ H,
per H B. Intuitivamente, con tale distribuzione si rappresenta la certezza di trovare
la particella nella posizione x
0
. Chiaramente la distribuzione Delta di Dirac
x
0
non ha
densità rispetto a m, giacchè non si annulla se valutata nellevento x
0
che ha misura
di Lebesgue nulla, contraddicendo la (1.3).
Vediamo altri esempi di distribuzioni denite specicando la loro densità rispetto
alla misura di Lebesgue m.
Esempio 1.8 (Distribuzione esponenziale). Dato > 0, la distribuzione con densità
f
(x) = e
x
R
+
(x), x R,
si dice distribuzione esponenziale (di parametro ). In gura è rappresentato il graco
di f
corrispondente a = 1.
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
0 1 2 3 4 5 6
exponential distribution
Esempio 1.9 (Distribuzione di Cauchy). La distribuzione con densità
f(x) =
1
1
1 + x
2
, x R,
si dice distribuzione di Cauchy.
Esempio 1.10 (Distribuzione normale reale). Siano dati R e > 0. La distribu-
zione con densità f(x) = (x ,
2
) dove
(x, t) =
1
2t
exp
_
x
2
2t
_
, x R, t > 0, (1.4)
si dice distribuzione normale o di Gauss in R. Ricordiamo che è la soluzione
fondamentale delloperatore del calore
1
2

xx
t
in R
2
.
Notazione: denotiamo N
,
2 la distribuzione normale:
N
,
2(H) =
_
H
1
2
exp
_
(x )
2
2
2
_
dx
=
_
R
H
(x)
1
2
exp
_
(x )
2
2
2
_
dx, H B.
Poniamo anche N
,
2 =
per = 0.
Per esercizio, vericare che le funzioni degli esempi precedenti sono densità nel senso
che hanno integrale su R pari a 1.
1.2 Variabili aleatorie
Sia (, T, P) uno spazio di probabilità.
1.2 Variabili aleatorie 9
Denizione 1.11 (Variabile aleatoria). Si dice variabile aleatoria (v.a.) una fun-
zione X, da a valori in R
N
, misurabile ossia
X : R
N
t.c. X
1
(H) T H B.
Se N = 1 si parla di v.a. reale.
Data una v.a. X, si denisce P
X
: B [0, 1] ponendo
P
X
(H) = P(X
1
(H)), H B.
Si verica (esercizio) che P
X
è una distribuzione detta distribuzione (o legge) di X.
Notazione: essendo X
1
(H) = [ X() H, si usa scrivere P(X H)
per indicare P(X
1
(H)). Dunque
P
X
(H) = P(X H),
indica la probabilità che la v.a. X appartenga ad H B.
Notazione: per indicare che una v.a. X ha distribuzione P
X
scriveremo X P
X
.
Esempio 1.12. Consideriamo lesempio classico del lancio di due dadi. In questo caso
= (m, n) N N [ 1 m, n 6, T = P() e la misura P è denita da
P((m, n)) =
1
36
per ogni (m, n) . Deniamo su questo insieme la v.a. X(m, n) =
m+n. Allora
P
X
(7) = P(X = 7) = P(X
1
(7)) =
6
36
,
poichè 6 sono le combinazioni di lanci con cui posso ottenere 7 rispetto ai 36 lanci
possibili. Analogamente abbiamo:
P (3 X < 6) = P
_
X
1
([3, 6[)
_
=
2 + 3 + 4
36
=
1
4
Denizione 1.13 (Funzione di distribuzione). Sia X una v.a. reale su (, T, P). La
funzione
X
: R [0, 1] denita da
X
(y) = P (X y) = P
_
X
1
( ], y])
_
è detta funzione di distribuzione di X.
Osserviamo che diverse v.a. (anche denite su spazi di probabilità distinti) possono
avere la stessa distribuzione. Un esempio banale è il seguente: per esercizio provare che
una v.a. X denita sullo spazio di probabilità (, T, P) ha la stessa distribuzione P
X
della v.a. identit` a id, id(y) = y, denita su (R, B, P
X
). Per esercizio provare anche che
se A, B T hanno la stessa probabilità P(A) = P(B), allora le v.a.
A
e
B
hanno la
stessa distribuzione.
Tuttavia, per le applicazioni che ci interesseranno, vedremo che ci sarà sostanzial-
mente suciente conoscere la distribuzione di una v.a. X piuttosto che conoscere
esplicitamente X e lo spazio di probabilità su cui è denita.
Uno dei concetti fondamentali associati a una v.a. X è quello di valore atteso (o
media) denito come una media dei valori assunti da X. Per introdurre questa nozione,
occorre dare una denizione di integrale di X rispetto alla misura di probabilità P:
_
XdP. (1.5)
La costruzione dellintegrale in (1.5) è analoga a quella dellintegrale di Lebesgue su
R
N
e ne diamo un breve cenno in modo schematico:
[I passo] si comincia col denire lintegrale di v.a. reali semplici. Ricordiamo che
una v.a. X : R si dice semplice se la cardinalità di X() è nita, ossia
X() =
1
, . . . ,
n
.
In tal caso, posto A
k
= X
1
(
k
) T per k = 1, . . . , n, vale
X =
n
k=1
A
k
(1.6)
ossia X è una combinazione lineare di funzioni caratteristiche. Volendo che
_
A
dP =
P(A) per A T e che lintegrale sia un funzionale lineare, è ragionevole denire per
X in (1.6)
_
XdP =
n
k=1
k
P(A
k
). (1.7)
[II passo] consideriamo ora una v.a. reale non-negativa ossia tale che X() 0 per
ogni e poniamo
_
XdP = sup
__
Y dP [ Y v.a. semplice, 0 Y X
_
.
In generale sarà
_
XdP +ossia non è detto che lintegrale di X converga. Questa

denizione può ricordare quella di integrale di Riemann, se pensiamo che il concetto
v.a. semplice generalizza quello di funzione a scala o costante a tratti in R.
[III passo] consideriamo una v.a. reale X. Poniamo X
+
= max0, X e X
=
max0, X cosicchè X
+
e X
sono entrambe v.a. non-negative e vale X = X

+
X
.
Se almeno uno fra
_
X
+
dP e
_
dP (deniti nel passo II) è nito, si dice che X è

P-integrabile e deniamo
_
XdP =
_
X
+
dP
_
dP.
In generale
_
XdP può essere nito o innito (). Se entrambi

_
X
+
dP e
_
dP
sono niti, si dice che X è P-sommabile e si scrive X L
1
(, P); in questo caso
_
[X[dP =
_
X
+
dP +
_
dP < .
[IV passo] inne se X : R
N
è una v.a. e X = (X
1
, . . . , X
N
), poniamo
_
XdP =
__
X
1
dP, . . . ,
_
X
N
dP
_
.
Con questa denizione di integrale, si può provare che tutti i risultati principali
della teoria dellintegrazione di Lebesgue su R
N
continuano a valere, in particolare
valgono i teoremi di passaggio al limite sotto al segno di integrale (di Beppo Levi e
della convergenza dominata di Lebesgue).
Notazione: nel seguito, se vorremo mettere in evidenza la variabile di integrazione,
useremo anche la notazione
_
XdP =
_
X()P(d).
Per esempio, nel caso della misura di Lebesgue m, scriveremo indierentemente
_
R
N
f(x)dx =
_
R
N
f dm =
_
R
N
f(x)m(dx).
Possiamo ora dare la seguente
Denizione 1.14. Data una v.a. X : R
N
sommabile, il vettore di R
N
E(X)
_
XdP
si dice valore atteso di X.
Osserviamo che il valore atteso corrisponde alla media dei valori assunti da una
v.a., e non al valore pi` u probabile. Infatti se questi ad esempio coincidono nel caso
della distribuzione normale è invece evidente che per la distribuzione uniforme oppure
per la distribuzione bimodale questo non è vero:
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
1.1
-4 -3 -2 -1 0 1 2 3 4
Bimodal distribution
Si pone immediatamente il problema di come in pratica calcolare il valore atteso
di una data v.a. X. Il seguente teorema dà una soluzione e nel contempo chiarisce
anche il fatto che E(X) dipende solo dalla distribuzione di X.
Teorema 1.15. Siano X : R
N
una v.a sullo spazio di probabilità (, T, P) e
g : R
N
R
n
una funzione misurabile. Allora
g X L
1
(, P) g L
1
(R, P
X
)
e in tal caso vale
_
g(X)dP =
_
R
N
g dP
X
. (1.8)
Dimostrazione. Anzitutto è suciente considerare il caso N = n = 1. La dimostrazione
è basata su un metodo standard che in pratica riconduce il problema a considerare solo
il caso in cui g sia una funzione caratteristica. In questo caso, essendo g =
H
con
H B, si ha
_
H
(X)dP =
_
X
1
(H)
dP = P(X H) = P
X
(H) =
_
H
dP
X
=
_
R
H
dP
X
.
Avendo dimostrato la tesi per le funzioni caratteristiche, dalla linearità dellintegrale
si ha la tesi anche per g semplice e misurabile. Applicando il teorema di Beppo-Levi si
poi ha la tesi anche per g misurabile a valori non negativi. Inne in generale si utilizza
la scomposizione di g in parte positiva e parte negativa e si utilizza ancora una volta
la linearità dellintegrale per concludere la prova.
Osservazione 1.16. Nel caso in cui la distribuzione di X sia assolutamente continua
rispetto alla misura di Lebesgue e quindi P
X
sia della forma (1.1) con densità f, allora
la (1.8) diventa
_
g(X)dP =
_
R
N
g(x)f(x)dx. (1.9)
Denizione 1.17 (Varianza). Data X v.a. su uno spazio di probabilità (, T, P), si
denisce varianza di X
var(X) = E[(X E(X))
2
]. (1.10)
La varianza fornisce una stima di quanto X si discosta in media dal valore atteso.
Utilizzando il Teorema 1.15, calcoliamo varianza e valore atteso di v.a. che abbiano
una delle distribuzioni introdotte precedentemente.
Esempio 1.18 (Distribuzione uniforme). Sia X una v.a. con distribuzione uniforme
su [a, b]:
X
1
b a
[a,b]
(y)dy.
Il valore atteso di X vale
E(X) =
_
XdP =
_
R
yP
X
(dy) =
_
R
y
b a
[a,b]
(y)dy =
a +b
2
.
Vericare per esercizio che
var(X) =
_
(X E(X))
2
dP =
_
R
_
y
a +b
2
_
2
P
X
(dy) =
(a b)
2
12
.
Esempio 1.19 (Distribuzione di Dirac). Se X
x
0
allora
E(X) =
_
R
y
x
0
(dy) =
_
{x
0
}
y
x
0
(dy) = x
0
x
0
(x
0
) = x
0
,
var(X) =
_
R
(y x
0
)
2
x
0
(dy) = 0.
Esempio 1.20 (Distribuzione esponenziale). Se X e
y
R
+
(y)dy, allora
E(X) =
_
+
0
ye
y
dy =
1
, V ar(X) =
1
2
.
Osservazione 1.21. Si noti che la funzione g(y) = y non è integrabile rispetto alla
distribuzione di Cauchy e dunque non possiamo parlare di valore atteso di una v.a. con
distribuzione di Cauchy.
Esempio 1.22 (Distribuzione normale). Se X N
,
2 allora
E(X) =
_
R
yN
,
2(dy) =
_
R
y
2
exp
_
(y )
2
2
2
_
dy =
(col cambio di variabili z =
y
2
)
=
1
_
R
ze
z
2
dz +

_
R
e
z
2
dy = .
Inoltre
var(X) =
_
(X )
2
dP =
_
R
(y )
2
2
exp
_
(y )
2
2
2
_
dy =
(col cambio di variabili z =
y
2
)
=
2
_
R
2z
2
e
z
2
dz =
2
.
Vericare per esercizio lultima uguaglianza, integrando per parti.
Osservazione 1.23. Consideriamo una v.a. X N
,
2. Allora, dati , R, si ha
che (X +) N
+,
2
2. Infatti, per il Teorema 1.15, per ogni H B si ha

P((X +) H) =
_
H
(X +)dP =
_
R
H
(y +)
2
e
(y)
2
/2
2
dy =
(col cambio di variabili z = y +)
=
_
H
1
2
e
(z)
2
/2
2
2
dz = N
+,
2
2(H).
In particolare
X
N
0,1
dove N
0,1
è detta distribuzione normale standard, e vale
P(X y) = P
_
X
_
=
_
y
_
(1.11)
dove è la funzione di distribuzione normale standard.
Denizione 1.24. Data X v.a. deniamo (X), la -algebra generata da X, come la
-algebra generata dalle controimmagini mediante X dei Borelliani. Precisamente
(X) =
_
X
1
(H) [ H B
_
.
1.3 Indipendenza 15
Ovviamente (X) T e si può provare per esercizio che (X) = X
1
(H) [ H
B. Nel seguito, specialmente per le applicazioni nanziarie, sarà utile pensare ad una
-algebra come ad un insieme di informazioni. Per chiarire questa aermazione che
per ora risulta abbastanza incomprensibile facciamo un esempio elementare.
Esempio 1.25. Supponiamo di voler fare un modello per studiare la probabilità che
lanciando un dado il risultato sia un numero pari oppure dispari. Consideriamo =
n N [ 1 n 6, T = P() e la misura P denita da P(n) =
1
6
per ogni
n . Consideriamo poi la v.a.
X(n) =
_
_
_
1, se n è pari,
1, se n è dispari.
Chiaramente
(X) = 2, 4, 6, 1, 3, 5, , .
In questo caso (X) è strettamente contenuta in T. Gli eventi di (X) sono quelli di
cui è necessario conoscere la probabilità al ne di sapere il comportamento di X. In
questo senso (X) contiene le informazioni su X.
1.3 Indipendenza
Denizione 1.26. Sia dato uno spazio di probabilità (, T, P) e un evento B con
P(B) > 0. Si denisce misura di probabilità condizionata a B e si indica con P( [ B),
la misura di probabilità su (, T) denita modo seguente
P(A[B) =
P(A B)
P(B)
, A T.
Provare per esercizio che P( [ B) è una misura di probabilità su (, T). La
probabilità condizionata P(A[B) rappresenta la probabilità dellevento A ammesso che
sia avvenuto levento B.
Denizione 1.27. Si dice che due eventi A, B T sono indipendenti se:
P(A B) = P(A)P(B). (1.12)
Osservazione 1.28. Nel caso in cui P(B) > 0, (1.12) equivale a P(A[B) = P(A) ossia
la probabilità dellevento A è indipendente dal fatto che B sia accaduto o meno.
Denizione 1.29. Due -algebre (,

H su si dicono indipendenti se:
P(A B) = P(A)P(B), A (, B

H.
Due v.a. X, Y su (, T, P) si dicono indipendenti se lo sono le corrispondenti -algebre
(X) e (Y ).
Per esercizio provare che, date X, Y v.a. indipendenti, vale:
i) se Z è una v.a. (Y )-misurabile, allora X e Z sono indipendenti;
ii) se f, g sono funzioni reali B-misurabili, allora le v.a. f(X) e g(Y ) sono indipen-
denti.
Talvolta è utile il seguente risultato (non banale): se X, Y sono v.a. e Y è (X)-
misurabile, allora Y = f(X) per una certa funzione f B-misurabile.
Dare un esempio di X, Y L
1
(, P) tali che XY / L
1
(, P). Il seguente teorema
aerma che occorre che X, Y non siano indipendenti. Vale infatti:
Teorema 1.30. Se X, Y L
1
(, P) sono v.a. reali indipendenti, allora si ha
XY L
1
(, P), E(XY ) = E(X)E(Y ).
Dimostrazione. Con un procedimento analogo a quello utilizzato nella prova del Teore-
ma (1.15), è suciente dare la prova nel caso di v.a. caratteristiche: X =
E
, Y =
F
con E, F T. Per ipotesi X, Y sono indipendenti e quindi (provarlo!) anche E, F
sono indipendenti. Allora si ha
_
XY dP =
_
EF
dP = P(E F) = P(E)P(F) = E(X)E(Y ).
1.4 Teorema di Radon-Nikodym
Date due misure (qualsiasi) P, Q su (, T), si dice che Qè P-assolutamente continua
in T se per ogni A T
P(A) = 0 = Q(A) = 0.
In tal caso si scrive Q P in T. Se P, Q sono misure di probabilità, Q P in T
signica che gli eventi di T impossibili per P lo sono anche per Q (ma non è detto il
viceversa).
1.4 Teorema di Radon-Nikodym 17
Osservazione 1.31. Lassoluta continuità dipende dalla algebra considerata. Se
( T sono -algebre, allora Q P in ( non implica che Q P in T.
Per esercizio provare che se Q P in T, allora per ogni A T si ha
P(A) = 1 = Q(A) = 1,
ossia gli eventi in T certi per P lo sono anche per Q (ma non è detto il viceversa).
Esempio 1.32. Abbiamo già visto in (1.3) che, per > 0, N
,
2 m in (R, B).
Inoltre è vero anche che m N
,
2 (provarlo per esercizio): diremo in questo caso che
m e N
,
2 sono equivalenti.
Esempio 1.33. La
x
0
di Dirac non è m-assolutamente continua, infatti m(x
0
) = 0
ma
x
0
(x
0
) = 1.
Abbiamo già osservato che se P è una distribuzione del tipo (1.1), ossia con densità
rispetto alla misura di Lebesgue m, allora P m. Ci si può chiedere se tutte le misure
P tale che P m sono della forma (1.1). Il seguente importante risultato dà una
risposta aermativa (vedi osservazione seguente).
Teorema 1.34. [Teorema di Radon-Nikodym] Sia (, T, P) uno spazio con misura
nita (ossia tale che P() < ). Se Q è una misura nita su (, T) e Q P, allora
esiste una funzione non-negativa f : R tale che
i) f è T-misurabile;
ii) f L
1
(, P);
iii) Q(A) =
_
A
fdP, per ogni A T.
La funzione f è unica P-quasi sicuramente (ossia se g verica le stesse proprietà di
f allora P(f = g) = 1) e si dice densità di Q rispetto a P in T o anche derivata di
Radon-Nikodym di Q rispetto a P in T e si scrive indierentemente f =
dQ
dP
oppure
dQ = fdP oppure Q(d) = f()P(d)
Osservazione 1.35. Si dice che una misura P su (, T) è -nita se esiste una
successione (
n
)
nN
in T tale che
=
_
nN
n
e P(
n
) < , n N.
Per esempio, la misura di Lebesgue su R
N
è -nita ma non nita (perchè?). Il Teorema
1.34 si può estendere al caso in cui P, Q siano -nite: in tal caso la tesi vale ancora
eccetto per il punto ii).
Come conseguenza del Teorema di Radon-Nikodym si ha che le distribuzioni con
densità rispetto a m sono solo quelle che sono m-assolutamente continue.
1.5 Attesa condizionata
Nelle applicazioni nanziarie, pensando che una v.a. X descriva il prezzo di un titolo
e che una -algebra ( descriva un insieme di informazioni, è comprensibile che sia
importante denire il valore atteso di X condizionato a (, indicato con
E(X [ ().
Scopo di questo paragrafo è di introdurne gradualmente la denizione precisa. Chi è
già familiare con questa nozione può andare direttamente alla Denizione 1.37.
Data una v.a. reale sommabile X e un evento B T con probabilità positiva,
deniamo attesa condizionata di X allevento B come lattesa di X rispetto alla
misura P( [ B) (vedi Denizione 1.26):
E(X[B) =
1
P(B)
_
B
XdP.
Indichiamo ora con ( la -algebra generata da B:
( = (B) , , B, B
c
.
Deniamo E(X [ (), attesa di X condizionata a (, come la v.a. denita da
E(X[()() =
_
_
_
E(X[B), B,
E(X[B
c
), B
c
.
(1.13)
Esercizio 1.36. Provare che
i) la v.a. E(X[() è (-misurabile;
ii)
_
A
XdP =
_
A
E(X[ ()dP A (.
Inoltre se Y è una v.a. che verica le suddette proprietà, allora P(Y = E(X[()) = 1,
ossia i), ii) caratterizzano E(X[() con probabilità 1.
In particolare si noti che E(X[() è (-misurabile anche se X non lo è. Intuitiva-
mente E(X[() è il valore atteso di X note le informazioni di (, ossia la migliore
approssimazione di X in base alle informazioni di (.
La denizione precedente si può generalizzare al caso di una generica -algebra nel
modo seguente.
1.5 Attesa condizionata 19
Denizione 1.37. Sia X una v.a. reale sommabile sullo spazio di probabilità (, T, P)
e sia ( una -algebra contenuta in T. Se Y è una v.a. tale che
i) Y è (-misurabile,
ii)
_
A
XdP =
_
A
Y dP A (,
allora si dice che Y è lattesa di X condizionata a ( e si scrive Y = E(X [ ().
Anchè la denizione precedente sia ben posta occorre provare esistenza e unicità
dellattesa condizionata.
Teorema 1.38. Sia X una v.a. reale sommabile sullo spazio di probabilità (, T, P) e
sia ( una -algebra contenuta in T. Allora esiste una v.a. Y che soddisfa i),ii) della
Denizione 1.37, inoltre tali proprietà caratterizzano Y con probabilità 1.
Si noti che se Y = E(X[() e Z è una v.a. diversa da Y ma tale che P(Z = Y ) = 1
allora anche Z = E(X[(): per questo motivo, volendo essere precisi, si dice che Y e Z
sono versioni dellattesa condizionata di X a (.
Dimostrazione. Il teorema si può provare come diretta conseguenza del Teorema di
Radon-Nikodym. E suciente provare la tesi nel caso in cui X sia una v.a. reale, non
negativa. Essendo X L
1
(, P), la misura Q denita da
Q(A) =
_
A
XdP, A (,
è nita su (. Inoltre Q P in ( e quindi per il Teorema 1.34 esiste Y v.a. (-misurabile
tale che Q(A) =
_
A
Y dP per ogni A (. Lunicità è lasciata per esercizio.
Le seguenti proprietà sono conseguenze immediate della denizione:
(1) se X è (-misurabile allora E(X[() = X quasi sicuramente (nel seguito, q.s.);
(2) se X e ( sono indipendenti (ossia se lo sono (X) e () allora E(X[() = E(X)
q.s.;
(3) E(X) = E(E(X[()).
Inoltre si può provare la validit` a delle seguenti proprietà (si noti lanalogia con le
proprietà dellintegrale). Siano X, Y L
1
(, T, P), a, b R e (,

H -algebre di :
(4) [linearità] E(aX +bY [() = aE(X[() +bE(Y [() q.s.;
(5) [monotonia] se X Y q.s. allora E(X[() E(Y [() q.s.;
(6) [Beppo-Levi] se (X
n
)
nN
, X
n
0 è una successione monotona crescente che
converge puntualmente a X q.s., allora lim
n+
E(X
n
[() = E(X[() q.s.;
(7) se XY L
1
(, T, P) e Y è (-misurabile allora E(XY [() = Y E(X[() q.s.;
(8) se H ( allora E(E(X[()[H) = E(X[H) q.s.;
(9) se X, Y sono indipendenti allora E(XY [() = E(X[()E(Y [() q.s.
Capitolo 2
Il modello binomiale
2.1 Il modello di mercato
Consideriamo il modello binomiale introdotto da Cox, Ross e Rubinstein in [4] per la
determinazione del prezzo di un derivato con scadenza al tempo T.
Il tempo t = 0 indica la data odierna e lintervallo [0, T] viene suddiviso in N
intervalli [t
n1
, t
n
], n = 1, . . . , N, di uguale lunghezza. Il modello è a tempo discreto
nel senso che si considerano solo le date t
0
, t
1
, . . . , t
N
di contrattazione. Si suppone che
il mercato sia composto da:
1) un titolo non rischioso B (bond), corrispondente al deposito in banca;
2) un titolo rischioso S (stock), corrispondente, per esempio, ad unazione quotata
in borsa;
3) un titolo H derivato su S, corrispondente, per esempio, ad unopzione su S con
scadenza T.
Indichiamo con B
n
= B
t
n
, S
n
= S
t
n
e H
n
= H
t
n
rispettivamente il valore (prezzo)
del bond, dello stock e del derivato al tempo t
n
.
Se indichiamo con r
n
il tasso di interesse nellintervallo temporale [t
n
, t
n+1
], allora
la dinamica del bond è data da
B
n+1
= B
n
(1 +r
n
), n = 0, 1, . . . , N 1.
Per semplicità supponiamo il tasso costante durante tutto il periodo [0, T] dellopera-
zione, r
n
= r per ogni n. Osserviamo che la dinamica del bond, una volta che sia noto
B
0
, è deterministica: B
n
= B
0
(1 +r)
n
.
Per il titolo rischioso assumiamo una dinamica stocastica: in particolare assumiamo
che nel passaggio dal tempo t
n
al tempo t
n+1
lo stock possa solo aumentare o diminuire
21
22 Il modello binomiale
il suo valore con tassi di crescita e decrescita costanti. Precisamente
S
n+1
=
n+1
S
n
, n = 0, 1, . . . , N 1. (2.1)
In (2.1)
1
, . . . ,
N
sono v.a. indipendenti e identicamente distribuite (i.i.d.) sullo spazio
di probabilità (, T, P), con distribuzione
n
p
u
+ (1 p)
d
, n = 1, . . . , N, (2.2)
dove p ]0, 1[ e u indica il tasso di crescita dello stock nel periodo [t
n
, t
n+1
] e d indica
il tasso di decrescita
1
. Assumiamo che
0 < d < u. (2.3)
Dunque vale
P(S
n+1
= uS
n
) = P(
n+1
= u) = p, P(S
n+1
= dS
n
) = P(
n+1
= d) = (1 p),
ossia
S
n+1
=
_
_
_
uS
n
, con probabilità p,
dS
n
, con probabilità 1 p.
Inne, per quanto riguarda il derivato H, supponiamo che ne sia noto il valore nale
alla scadenza T in dipendenza da S
T
, ossia
H
T
= F(S
T
) (2.4)
dove F è una funzione data. In eetti i derivati presenti sui mercati reali non sono tutti
di questa forma, ma per semplicità ci limitiamo a questo caso. Un esempio signicativo
è comunque il seguente.
Esempio 2.1 (Call europea). Per una call europea con strike K
F(x) = (x K)
+
.
Osservazione 2.2. Il modello binomiale richiede come input i tre parametri u, d, p
che devono essere determinati a priori, osservando il comportamento del mercato, per
esempio in base ad analisi statistiche di dati storici dello stock. In questo senso, la
probabilità P viene a volte anche chiamata probabilità oggettiva o del mondo reale.
Vedremo che il modello permette di determinare, coerentemente ai parametri immessi
e ad altre ipotesi di tipo economico, il prezzo del derivato H.
1
Lo stato u (up) corrisponde allevento di crescita e lo stato d (down) allevento di calo del valore
dellazione.
2.2 Portafoglio autonanziante e di arbitraggio 23
Osservazione 2.3. In base alle ipotesi su
n
, possiamo calcolare facilmente la proba-
bilità che S
2
valga u
2
S
0
:
P(S
2
= u
2
S
0
) = P((
1
= u) (
2
= u)) = p
2
,
dove lultima uguaglianza è conseguenza dellindipendenza di
1
e
2
. Analogamente:
P(S
2
= udS
0
) = P((
1
= u) (
2
= d)) +P((
2
= u) (
1
= d)) = 2p(1 p).
In generale, si ha per n = 1, . . . , N,
P(S
n
= u
j
d
nj
S
0
) =
_
n
j
_
p
j
(1 p)
nj
, j = 0, . . . , n. (2.5)
La (2.5) corrisponde alla ben nota distribuzione binomiale che rappresenta infatti la
probabilità di ottenere j successi (j up) avendo compiuto n prove (n steps temporali),
essendo p la probabilità di successo della prova singola.
2.2 Portafoglio autonanziante e di arbitraggio
Denizione 2.4. Siano date le v.a. reali
n
,
n
,
n
per n = 0, . . . , N. Posto
V
n
=
n
S
n
+
n
B
n
+
n
H
n
, n = 0, . . . , N,
chiamiamo V = (V
n
)
n=0,...,N
portafoglio.
Dunque V
n
è una v.a. che indica il valore del portafoglio al tempo t
n
, mentre
n
rappresenta il numero di titoli rischiosi posseduti allistante t
n
,
n
rappresenta il
numero di bonds posseduti e
n
rappresenta il numero di derivati posseduti allo stesso
istante. E ammesso che
n
,
n
o
n
assumano valori negativi: per esempio, sono
ammessi la vendita allo scoperto del titolo rischioso e il prestito di soldi dalla banca.
(
n
,
n
,
n
)
n=0,...,N
è anche detta strategia ed individua univocamente il portafoglio.
Denizione 2.5. Un portafoglio V si dice autonanziante se vale
V
n+1
=
n
S
n+1
+
n
B
n+1
+
n
H
n+1
, n = 0, . . . , N 1. (2.6)
Se V è autonanziante allora vale
V
n+1
V
n
=
n
(S
n+1
S
n
) +
n
(B
n+1
B
n
) +
n
(H
n+1
H
n
), n = 0, . . . , N 1.
Ciò signica che la variazione del valore del portafoglio dal tempo t
n
a t
n+1
è dovuto
solo alla variazione dei prezzi dei titoli e non al fatto che è stata introdotta o tolta
liquidità. Dunque per un portafoglio autonanziante si stabilisce al tempo iniziale la
somma da investire e successivamente non si aggiunge o toglie liquidità
2
.
Ipotesi: in tutto il capitolo considereremo soltanto portafogli autonanzianti.
Denizione 2.6. Si dice che un portafoglio autonanziante V = (V
n
)
n=0,...,N
è un
portafoglio di arbitraggio se
i) V
0
= 0,
ed esiste n tale che
ii) P(V
n
0) = 1,
iii) P(V
n
> 0) > 0.
Un portafoglio darbitraggio è tale che, pur richiedendo un investimento iniziale
nullo e (quasi) nessun rischio (P(V
n
0) = 1), ha la possibilità di assumere un valore
nale positivo.
Esempio 2.7. Supponiamo che u, d in (2.2) siano tali che d < 1 + r < u. Si intuisce
che lidea di prendere in prestito soldi dalla banca per investirli nellazione dà una
probabilità positiva di guadagno, superiore al lasciare i soldi nel conto corrente, essendo
1 +r < u: ciò corrisponde al punto iii) della Denizione 2.6. Tuttavia questa strategia
di investimento non corrisponde ad un (portafoglio di) arbitraggio, perchè ci si espone
anche al rischio di perdita (essendo d < 1 +r, cè una probabilità positiva che lazione
renda meno rispetto al conto in banca) ossia è negata la proprietà ii).
Nel Paragrafo 2.5, dedicato alla valutazione del derivato H, assumeremo la seguente
fondamentale ipotesi di tipo economico:
Principio di Non Arbitraggio (PNA): non esistono portafogli di arbitraggio.
Vale il seguente risultato che dimostreremo alla ne del paragrafo.
2
Per esempio, se supponiamo
n
0, la (2.6) è equivalente a
n+1
=
n
(
n+1
n
)
S
n+1
B
n+1
.
La formula precedente esprime come deve cambiare
n+1
se al tempo t
n+1
, essendo noti S
n+1
e B
n+1
,
vogliamo variare il numero di titoli rischiosi
n+1
.
2.2 Portafoglio autonanziante e di arbitraggio 25
Proposizione 2.8. Il PNA implica che
d < 1 +r < u (2.7)
in (2.2).
In eetti, sotto ulteriori ipotesi, il PNA e la (2.7) sono equivalenti (si veda la
Proposizione 2.12).
Osservazione 2.9. Assumendo il PNA, se U, W sono portafogli autonanzianti tali
che P(U
N
= W
N
) = 1 allora si ha anche P(U
n
= W
n
) = 1 per ogni n = 0, . . . , N 1.
E utile, prima di vedere la dimostrazione seguente, provare a dimostrare la tesi da
soli, per esercizio.
Supponiamo che per assurdo sia P(U
k
> W
k
) > 0 per un certo k < N. Consi-
deriamo k = 0 e costruiamo un portafoglio darbitraggio: poniamo = U
0
W
0
e
V = W U +

B
0
B. Essendo U, W autonanzianti, anche V lo è (vericarlo!). Inoltre
si ha
V
0
= W
0
U
0
+ = 0,
V
N
= U
N
W
N
+

B
0
B
N
= q.s.
= (1 +r)
N
e dunque P(V
N
> 0) = P( > 0) > 0 per ipotesi. Il caso k 1 è analogo.
Dimostrazione. (della Proposizione 2.8) Per assurdo sia 1 + r d < u. Usiamo lidea
dellEsempio 2.7 per costruire un portafoglio darbitraggio. Il portafoglio V =
B
0
S
0
SB
è ovviamente autonanziante, vale V
0
= 0 e
V
N
=
B
0
S
0
S
N
B
N

(poichè d 1 + r allora S
N
S
0
(1 +r)
N
)
B
0
(1 +r)
N
B
N
= 0.
Inoltre, poichè S
N
= u
N
S
0
con probabilità p
N
, è chiaro che levento
V
N
= B
0
u
N
B
0
(1 +r)
N
> 0
ha probabilità positiva. Dunque abbiamo costruito un arbitraggio. Allo stesso modo
si prova che se d < u 1 +r allora il PNA è violato.
2.3 Misura martingala o neutrale al rischio
Posto
q =
1 +r d
u d
, (2.8)
si ha
1 +r = qu + (1 q)d. (2.9)
Se supponiamo valida la (2.7) allora q ]0, 1[ e possiamo sostituire p con q in (2.2) e
denire una nuova misura di probabilità Q sullo spazio di probabilità (, T) tale che
3
Q(
n
= u) = q, Q(
n
= d) = 1 q. (2.10)
Osserviamo che la misura Q è equivalente a P.
Ricordando la (1.7) e indicando con E
Q
(S
1
) lattesa della v.a. semplice S
1
rispetto
alla misura Q, vale
1
1 +r
E
Q
(S
1
) =
1
1 +r
(uS
0
Q(S
1
= uS
0
) +dS
0
Q(S
1
= dS
0
))
=
S
0
1 +r
(qu + (1 q)d) = S
0
.
Dunque Q lunica misura di probabilità rispetto alla quale il valore attuale del titolo
rischioso è pari al valore scontato della corrispondente attesa al tempo successivo. Pi` u
in generale, è facile
4
provare che
E
Q
(S
n
) = (1 + r)
n
S
0
, n = 1, . . . , N. (2.11)
Economicamente, la (2.11) esprime la valutazione di S
n
espressa da un investitore
neutrale al rischio in base al valore attuale del titolo.
Per questo motivo, Q è detta misura risk neutral o, pi` u frequentemente misura
martingala equivalente (a P).
3
Volendo essere precisi: possiamo supporre T = (
1
, . . . ,
N
) e assumere la (2.10). Inoltre Q(A),
per un generico A T, si denisce in modo ovvio assumendo che
1
, . . . ,
N
siano v.a. Q-indipendenti.
4
1
(1 +r)
n
E
Q
(S
n
) =
1
(1 +r)
n
n
j=0
u
j
d
nj
S
0
Q(S
n
= u
j
d
nj
S
0
)
=
S
0
(1 +r)
n
n
j=0
_
n
j
_
(uq)
j
(d(1 q))
nj
= S
0
.
2.4 Strategia adattata 27
NellOsservazione 2.2 avevamo chiamato P misura oggettiva, da determinare in
base ad osservazioni sul mercato. La misura martingala Q è invece una misura denita
a posteriori a partire da P: non ha alcun legame col modo reale, ma è utile per
semplicare i conti.
Riassumendo i risultati degli ultimi paragra, nel modello binomiale il PNA implica
lesistenza di una (unica) misura martingala equivalente.
2.4 Strategia adattata
In questo paragrafo proviamo il viceversa della Proposizione 2.8 e approfondiamo il con-
cetto di misura martingala equivalente. Chi non è interessato può passare direttamente
al paragrafo successivo.
In questo paragrafo assumiamo le seguenti ipotesi:
i) vale la (2.7) (e di conseguenza si può denire la misura Q come in (2.10));
ii) consideriamo solo portafogli autonanzianti con investimenti solo in azioni e
bonds (ossia
n
0).
Poniamo
T
n
= (
1
, . . . ,
n
), n = 1, . . . , N. (2.12)
La -algebra T
n
indica le informazioni sul mercato disponibili no al tempo t
n
. E com-
prensibile che abbiano un particolare interesse le strategie in cui
n
e
n
dipendano solo
da T
n
: precisamente una strategia (
n
,
n
)
n=0,...,N
tale che
n
,
n
sono T
n
-misurabili
per ogni n = 1, . . . , N, si dice strategia adattata e il portafoglio corrispondente si dice
adattato.
Osservazione 2.10. Moltiplicando per S
n
ambo i membri della (2.9), si ha
quS
n
+ (1 q)dS
n
= (1 +r)S
n
ossia, ricordando la (1.13), per ogni stato possibile

S di S
n
, si ha
E
Q
(S
n+1
[ S
n
=

S) = (1 + r)
S,
o, in altri termini, ricordando che B
n+1
= (1 + r)B
n
, si ha
E
Q
_
S
n+1
B
n+1
[ T
n
_
=
S
n
B
n
. (2.13)
La (2.13) si esprime dicendo che
S
n
B
n
è una martingala
5
(da cui il nome di Q). Nel
prossimo lemma mostriamo che un risultato analogo vale anche per i portafogli adattati.
Lemma 2.11. Per ogni portafoglio V adattato vale
E
Q
_
V
n+1
B
n+1
[ T
n
_
=
V
n
B
n
. (2.14)
In particolare vale
E
Q
(V
n
) = (1 + r)
n
V
0
. (2.15)
Dimostrazione. Si ha
E
Q
_
V
n+1
B
n+1
[ T
n
_
=
(essendo V autonanziante e per la linearità dellattesa condizionata)
= E
Q
_
n
S
n+1
B
n+1
[ T
n
_
+E
Q
(
n
[ T
n
) =
(per la proprietà (7) dellattesa condizionata, essendo V adattato)
=
n
E
Q
_
S
n+1
B
n+1
[ T
n
_
+
n
=
(per la (2.13))
=
n
S
n
B
n
+
n
=
V
n
B
n
.
Proposizione 2.12. Se
d < 1 +r < u
allora non esistono portafogli darbitraggio adattati.
In altri termini, per fare un arbitraggio bisogna conoscere il futuro.
5
Da (2.13) segue anche che
E
Q
_
S
n
B
n
[ T
k
_
=
S
k
B
k
, 0 k < n N.
Infatti, per esempio si ha, posto Z
n
=
S
n
B
n
,
E(Z
n+1
[ T
n1
) = E(E(Z
n+1
[ T
n
) [ T
n1
) = E(Z
n
[ T
n1
) = Z
n1
.
2.5 Valutazione e copertura di derivati 29
Dimostrazione. Sia V un portafoglio darbitraggio adattato. Allora esiste n 1 tale
che P(V
n
0) = 1 e P(V
n
> 0) > 0. Daltra parte per la (2.15) si ha
V
0
=
1
(1 +r)
n
E
Q
(V
n
) > 0,
che è assurdo.
Riassumendo: considerando portafogli adattati, nel modello binomiale il PNA è
equivalente allesistenza di ununica misura martingala.
2.5 Valutazione e copertura di derivati
In questo paragrafo assumiamo il modello di mercato descritto nel Paragrafo 2.1,
consideriamo portafogli autonanzianti (cfr. Denizione 2.5) e assumiamo il PNA.
Mostriamo come è possibile risolvere i due principali problemi legati al derivato H:
i) determinare H
0
;
ii) la copertura di H ossia costruire un portafoglio V , composto solo da bond e
stock, che replichi landamento del derivato, nel senso che
P(V
N
= H
N
) = 1.
Tale portafoglio è detto portafoglio di replica.
Per lOsservazione 2.9, deve essere
P(V
n
= H
n
) = 1, n = 0, . . . , N, (2.16)
altrimenti sarebbe possibile costruire un portafoglio darbitraggio utilizzando V e H.
Dunque risolvendo ii) si ottiene anche il prezzo del derivato.
Vediamo come costruire un portafoglio V di replica. Sia
V
n
=
n
S
n
+b
n
, n = 0, . . . , N.
Dunque nel seguito indichiamo con b
n
lammontare di capitale investito in bonds al
tempo t
n
. La condizione (2.6) diventa
V
n+1
=
n
S
n+1
+b
n
(1 +r), n = 0, . . . , N 1. (2.17)
Combinando la (2.17) per n = N 1 con la condizione di replica V
N
= H
N
q.s.,
otteniamo
N1
S
N
+b
N1
(1 +r) = V
N
= F(S
N
).
Esprimendo il prezzo del sottostante al tempo t
N
in funzione del prezzo al tempo t
N1
,
abbiamo due eventualit` a
N1
uS
N1
+b
N1
(1 +r) = F(uS
N1
),
N1
dS
N1
+b
N1
(1 +r) = F(dS
N1
).
Poichè vogliamo che entrambe le equazioni siano soddisfatte, otteniamo un sistema
lineare di due equazioni nelle incognite
N1
e b
N1
. La soluzione è data da
N1
=
F(uS
N1
) F(dS
N1
)
uS
N1
dS
N1
,
b
N1
=
1
1 +r
uF(dS
N1
) dF(uS
N1
)
u d
.
(2.18)
La (2.18) esprime
N1
e b
N1
in funzione di S
N1
e mostra come si può costruire
al tempo t
N1
un portafoglio che replica il derivato al tempo T qualunque sia landa-
mento dello stock. Si noti che
N1
ha la forma di un rapporto incrementale (tecni-
camente detto Delta). Possiamo ora scrivere il valore del portafoglio al tempo t
N1
o
equivalentemente il valore del derivato allo stesso istante:
H
N1
= V
N1
=
N1
S
n1
+b
N1
=
(facendo qualche conto, utilizzando la (2.18) e la denizione di q in (2.8))
=
1
1 + r
(qF(uS
N1
) + (1 q)F(dS
N1
)) . (2.19)
La (2.19) può essere interpretata in due modi: il primo, se S
N1
è un prezzo noto allora
H
N1
è una funzione deterministica di S
N1
:
H
N1
(S
N1
) =
1
1 + r
E
Q
(F(S
N
)). (2.20)
Il secondo, se S
N1
è una v.a. allora anche H
N1
è una v.a. e precisamente
H
N1
=
1
1 +r
E
Q
(H
N
[ T
N1
)
dove T
N1
, denita in (2.12), indica le informazione note al tempo N 1 o equivalen-
temente
H
N1
=
1
1 + r
E
Q
(H
N
[ S
N1
)
2.5 Valutazione e copertura di derivati 31
ossia lattesa di F(S
N
) condizionata alla conoscenza di S
N1
.
Ripetendo il ragionamento possiamo calcolare
N2
e b
N2
. Per lipotesi di porta-
foglio autonanziato:
N2
S
N1
+b
N2
(1 +r) = V
N1
= H
N1
(S
N1
);
da cui otteniamo
N2
=
H
N1
(uS
N2
) H
N1
(dS
N2
)
uS
N2
dS
N2
,
b
N2
=
uH
N1
(uS
N2
) dH
N1
(dS
N2
)
(1 +r)(u d)
.
Sostituendo poi lespressione trovata in precedenza per H
N1
si trova:
H
N2
=
1
(1 +r)
2
_
q
2
F(u
2
S
N2
) + 2q(1 q)F(udS
N2
) + (1 q)
2
F(d
2
S
N
2
)
_
,
o in altri termini
H
N2
(S
N2
) =
1
(1 +r)
2
E
Q
(H
N
[ T
N2
) .
Iterando il ragionamento precedente si ottiene
H
Nn
=
1
(1 +r)
n
E
Q
(H
N
[ T
Nn
) =
1
(1 +r)
n
n
k=0
_
N
k
_
q
k
(1 q)
nk
F(u
k
d
nk
S
Nn
),
ed in particolare il valore attuale del derivato:
H
0
=
1
(1 +r)
N
E
Q
(H
N
) =
1
(1 +r)
N
N
k=0
_
N
k
_
q
k
(1 q)
Nk
F(u
k
d
Nk
S
0
).
Tale espressione è calcolabile esplicitamente in funzione del valore attuale del sotto-
stante una volta data lespressione di F.
Capitolo 3
Elementi di calcolo stocastico
3.1 Moto Browniano
Sia dato uno spazio di probabilità (, T, P).
Denizione 3.1. Un processo stocastico (nel seguito p.s.)) è una famiglia X =
(X
t
)
t[0,+[
di v.a.
X
t
: R
N
, t 0.
Il concetto di p.s. estende quello di funzione f : [0, +[R
N
: come f associa a
t la variabile f(t) in R
N
, cos` il p.s. X associa a t la v.a. X
t
in R
N
. Un p.s. può essere
utilizzato per descrivere un fenomeno aleatorio che si evolve nel tempo: per esempio si
può pensare alla v.a. X
t
in R come al prezzo di un titolo rischioso al tempo t, oppure
alla v.a. X
t
in R
3
come alla posizione di una particella nello spazio al tempo t.
Per aiutare ancora lintuizione, è utile pensare ad una funzione
g : [0, +[R
N
come ad una curva o traiettoria in R
N
: il sostegno della curva g è denito da
g(t) [ t [0, +[.
Dunque, al variare del parametro t, g(t) rappresenta un punto del sostegno . Lidea si
estende ai p.s. e in questo caso ad ogni corrisponde una diversa curva (e quindi
un possibile andamento del prezzo di un titolo oppure una possibile traiettoria di una
particella nello spazio):
X
t
() [ t [0, +[.
33
34 Elementi di calcolo stocastico
Denizione 3.2. Una ltrazione T = (T
t
)
t0
in (, T, P) è una famiglia crescente di
sotto--algebre di T. Dato un p.s. X = (X
t
)
t[0,+[
, poniamo
T
X
t
= (X
s
[ 0 s t) = (X
1
s
(H) [ 0 s t, H B).
Chiaramente, se 0 s t, allora T
X
s
T
X
t
T, e dunque T
X
= (T
X
t
)
t[0,+[
è una
ltrazione detta ltrazione associata a X.
Ricordando lEsempio 1.25, si può pensare a T
X
t
come alle informazioni su X
disponibili no al tempo t.
Denizione 3.3. Si dice Moto Browniano reale (nel seguito MB) di punto iniziale
x
0
R, un qualsiasi p.s. W = (W
t
)
t[ 0,+[
tale che
i) P(W
0
= 0) = 1;
ii) per ogni , la funzione t W
t
() è continua;
iii) per ogni t, h 0, la v.a. W
t+h
W
t
ha distribuzione normale N
0,h
ed è
indipendente da T
W
t
.
Secondo la denizione precedente, un qualsiasi p.s. che verichi i),ii) e iii) si dice
MB. In linea di principio, esistono dunque diversi MB deniti su diversi spazi di pro-
babilità. La denizione precedente si adatta facilmente anche al caso in cui t [a, b]
con a < b.
Notazione: nel seguito, salvo diversa ed esplicita indicazione, W denoterà un MB
di punto iniziale lorigine.
Osservazione 3.4. Non è banale provare lesistenza di un MB: chi è proprio interessato
veda per esempio [5], [9] o [8]. In particolare è possibile costruire un MB sullo spazio
= C([0, +[, R), denendo (notare che in questo caso è una funzione reale)
W
t
() = (t), t [0, +[, . (3.1)
Si denisce poi la seguente -algebra su
T = (W
1
t
(H) [ t 0, H B),
in modo tale che W è un p.s. A questo punto cè la parte dicile: è possibile dimostrare
che, per ogni x
0
R, esiste una misura di probabilità P
x
0
su (, T) tale che W denito
in (3.1) è un MB di punto iniziale x
0
sullo spazio di probabilità (, T, P
x
0
). Questo
particolare MB si dice moto Browniano standard.
3.1 Moto Browniano 35
Osservazione 3.5. Per le proprietà i) e ii) della Denizione 3.3, le traiettorie di un MB
di punto iniziale x
0
partono (per t = 0) da x
0
q.s. e sono continue. Come conseguenza
delle i) e iii), per ogni t [0, +[, vale
W
t
N
x
0
,t
. (3.2)
Infatti si ha q.s.
W
t
= (W
t
W
0
) +x
0
N
x
0
,t
,
ricordando lOsservazione 1.23. Dalla iii) segue anche che un MB ha gli incrementi
indipendenti nel senso che W
t
2
W
t
1
e W
t
4
W
t
3
sono v.a. indipendenti per ogni
0 t
1
< t
2
t
3
< t
4
.
Osservazione 3.6. [MB come moto caotico]
Il MB è un modello probabilistico di moto casuale di una particella. Le seguenti
proprietà del MB sono ovvie conseguenza della (3.2):
a) E(W
t
) = x
0
per ogni t 0, ossia in ogni istante la posizione pi` u probabile della
particella è quella iniziale;
b) ricordando lespressione della densità della distribuzione normale (, t) in (1.4),
si ha che, per ogni ssato t > 0, la probabilità che W
t
appartenga ad un Borelliano H
diminuisce traslando H lontano da x
0
. Intuitivamente la probabilità che la particella
raggiunga H diminuisce allontanando H dal punto di partenza;
c) per ogni ssato H B,
lim
t0
+
P(W
t
H) =
x
0
(H).
Intuitivamente, diminuendo il tempo diminuisce anche la probabilità che la particella
si sia allontanata dalla posizione iniziale;
d) E([W
t
x
0
[
2
) = var(W
t
) = t, ossia ci si attende che la distanza dal punto di
partenza, percorsa da una particella in moto casuale in un tempo t, sia
t: questo
fatto è meno intuitivo ma corrisponde, per esempio, alle prime osservazioni empiriche
di Einstein [6].
Esempio 3.7. [MB come modello di titolo rischioso]
Sia W un MB di punto iniziale lorigine. Un primo modello a tempo continuo per
il prezzo di un titolo rischioso S è il seguente:
S
t
= S
0
(1 +t) + W
t
, t 0. (3.3)
In (3.3), S
0
indica il prezzo iniziale del titolo, indica il tasso di rendimento atteso e
indica la rischiosit` a del titolo o volatilit` a. Se = 0, la dinamica (3.3) è deterministica
e corrisponde ad una legge di capitalizzazione semplice con tasso privo di rischio pari
a . Se > 0, la dinamica (3.3) è stocastica e S = (S
t
)
t0
è un p.s. (a distribuzione)
normale nel senso che
S
t
N
S
0
(1+t),
2
t
, t 0. (3.4)
Da (3.4) segue che
E(S
t
) = S
0
(1 +t)
ossia landamento atteso di S corrisponde alla dinamica deterministica priva di rischio.
Inoltre è direttamente proporzionale alla varianza e quindi alla rischiosit` a del titolo.
Nella pratica questo modello non è utilizzato per due motivi: da una parte si
preferisce utilizzare la capitalizzazione composta; dallaltra (3.4) implica ovviamente
che P(S
t
< 0) > 0 non appena t è positivo e questo è assurdo dal punto di vista
economico. Tuttavia (3.3) può essere utilizzato come modello per i debiti/crediti di
unazienda.
3.2 Moto Browniano ed equazione del calore
Loperatore dierenziale del calore in due variabili è denito da
L =
1
2

xx
t
, (x, t) R
2
. (3.5)
In sica loperatore (3.5) è ben noto in quanto interviene nella modellizzazione del
processo di diusione del calore: una soluzione u = u(x, t) dellequazione del calore
Lu = 0 rappresenta la temperatura di un materiale al tempo t e alla posizione x.
Assegnata g C(R) e limitata, il classico problema di Cauchy per lequazione del
calore consiste nel trovare una funzione u C
2
(R]0, T[) C(R [0, T[) tale che:
_
_
_
Lu(x, t) = 0, (x, t) R]0, T[,
u(x, 0) = g(x) x R.
(3.6)
La funzione g è solitamente detta dato iniziale del problema di Cauchy.
Si può vericare direttamente che la funzione in (1.4) risolve lequazione del calore:
C
(R]0, +[), L = 0 in R]0, +[.

3.3 Martingale 37
La funzione è una soluzione molto particolare di L, detta soluzione fondamentale
dellequazione del calore per il seguente motivo: non è dicile mostrare che il problema
di Cauchy (3.6) ha ununica soluzione limitata data da
u(x, t) =
_
R
(x y, t)g(y)dy = ((, t) g)(x),
dove indica il simbolo di convoluzione di funzioni in R. Il risultato precedente vale
anche sotto ipotesi molto meno restrittive sulla funzione g.
Il legame fra MB ed equazione del calore dovrebbe essere ormai chiaro: consideriamo
un MB standard ed indichiamo con E
x
il valore atteso nella misura P
x
. Allora, data
una funzione limitata g C(R), per il Teorema 1.15 si ha che
E
x
(g(W
t
)) =
_
R
(x y, t)g(y)dy (3.7)
è soluzione del problema di Cauchy (3.6). La (3.7) dà una rappresentazione probabili-
stica della soluzione del problema di Cauchy per lequazione del calore.
Confrontando la (3.7) con lespressione (2.20) del prezzo di un derivato nel modello
binomiale, ci si può aspettare che, come vedremo nel modello di Black&Scholes, il
prezzo di un derivato si ottenga come soluzione di un problema di Cauchy del tipo
(3.6).
3.3 Martingale
Sia dato uno spazio di probabilità (, T, P, T) dove T = (T
t
)
t[0,+[
indica una
ltrazione.
Denizione 3.8. Si dice che un p.s. M è una martingala (nel seguito, mg) se, per
ogni t [0, +[, si ha:
i) M
t
è T
t
-misurabile, e in tal caso si dice che il p.s. M è T-adattato;
ii) M
t
L
1
(, P);
iii) E(M
t
[ T
s
) = M
s
q.s. per ogni 0 s t.
La i) e ii) sono proprietà di tipo tecnico, mentre la proprietà essenziale che caratterizza
una mg è la iii). Questa in particolare implica che il valore atteso di una mg M è
costante nel tempo, infatti:
E(M
t
) = E(E(M
t
[ T
0
)) = E(M
0
), t 0.
Esempio 3.9. Un moto Browniano W di punto iniziale x
0
è una mg rispetto alla
ltrazione Browniana T
W
. Infatti i) è ovviamente soddisfatta, inoltre si ha, per la
disuguaglianza di Holder
1
,
E(W
t
)
2
E(W
2
t
) = E((W
t
x
0
+x
0
)
2
) = x
2
0
+t,
che prova la ii). Inne per 0 s t si ha
E(W
t
[ T
W
s
) = E(W
t
W
s
[ T
W
s
) +E(W
s
[ T
W
s
) =
(poichè W
t
W
s
è indipendente da T
W
s
e W
s
è T
W
s
-misurabile)
= E(W
t
W
s
) +W
s
= W
s
.
Esercizio 3.10. Data una v.a. Z sommabile in (, T, P, T), provare che il p.s. denito
da
M
t
= E(Z [ T
t
), t 0,
è una mg.
3.4 Regolarità delle traiettorie di un MB
Riprendiamo il modello di titolo rischioso dellEsempio 3.7 in cui
S
t
= S
0
(1 +t) +W
t
, t [0, T].
Consideriamo una scomposizione s = t
0
, t
1
, . . . , t
N
di [0, T]: per denizione 0 = t
0
<
t
1
< < t
N
= T. Sia ora V = uS un portafoglio autonanziante (cfr. Denizione
2.5) composto dal solo titolo S. Allora, per ogni k = 1, . . . , N, si ha
V
t
k
V
t
k1
= u
t
k1
(S
t
k
S
t
k1
) = u
t
k1
(t
k
t
k1
) + u
t
k1
(W
t
k
W
t
k1
).
1
_
[XY [
__
[X[
p
_1
p
__
[Y [
q
_1
q
,
per ogni p, q 1 tali che
1
p
+
1
q
= 1
3.4 Regolarità delle traiettorie di un MB 39
Sommando per k da 1 a N, otteniamo
V
T
= V
0
+
N
k=1
u
t
k1
(t
k
t
k1
) +
N
k=1
u
t
k1
(W
t
k
W
t
k1
)
V
0
+I
1,s
+I
2,s
.
(3.8)
Per passare a tempo continuo occorre vericare lesistenza dei limiti di I
1,s
e I
2,s
al
tendere del parametro di nezza
2
[s[ a zero.
Il primo termine I
1,s
è una somma di Riemann e dunque supponendo che la funzione
t u
t
() sia, per esempio, continua
3
in [0, T] per ogni , si ha semplicemente
lim
|s|0
+
I
1,s
() =
_
T
0
u
t
()dt,
per ogni . Come vedremo, lesistenza del secondo limite non è banale: suppo-
nendo che esista nito
lim
|s|0
+
I
2,s
= I, (3.9)
per analogia, potremmo usare la notazione
I =
_
T
0
u
t
dW
t
.
Otteniamo dunque, almeno formalmente, la seguente formula
V
T
= V
0
+
_
T
0
u
t
dt +
_
T
0
u
t
dW
t
.
In realtà il limite in (3.9) non esiste in generale, a meno che non si introducano ul-
teriori ipotesi sul p.s. u. La giusticazione di questa aermazione richiede una breve
digressione di carattere matematico che porta anche ad osservare che le traiettorie di
un MB sono quasi sicuramente irregolari in un senso che specicheremo nel seguito.
Il resto del paragrafo può essere tranquillamente sorvolato ad una prima lettura; nel
prossimo paragrafo vedremo sotto quali ipotesi e in quale senso vale (3.9).
2
Il parametro di nezza di una scomposizione s è denito da
[s[ = max
1kN
[t
k
t
k1
[.
3
Ovviamente è suciente che sia integrabile secondo Riemann. In eetti, in un portafoglio auto-
nanziante con un solo titolo, si ha necessariamente che t u
t
è costante. La situazione non è pi` u
banale nel caso di un portafoglio con almeno due titoli.
Consideriamo una traiettoria
t W
t
( )
che sia di classe C
1
([0, T]): in questo caso non ci sono problemi a dimostrare che esiste
lim
|s|0
+
I
2,s
( ) =
_
T
0
u
t
( )W
t
( ) dt, (3.10)
essendo lintegrale in (3.10) un normale integrale di Riemann e indicando con W
t
( )
la derivata
d
dt
W
t
( ). Infatti, per il Teorema del valor medio di Lagrange esistono
t
k
[t
k1
, t
k
] tali che
I
2,s
( ) =
N
k=1
u
t
k1
( )W
k
( )(t
k
t
k1
);
dunque I
2,s
( ) è una somma di Riemann e la (3.10) segue facilmente.
Senza entrare nei dettagli, si può procedere in maniera analoga per provare lesisten-
za del limite in (3.9) sotto ipotesi molto pi` u deboli. Infatti è suciente assumere che
u
t
( ) e W
t
( ) siano rispettivamente una funzione continua e una funzione a variazione
limitata
4
della variabile t, per provare che esiste ed è nito il limite
lim
|s|0
+
I
2,s
( ) = l R.
Per denizione l =
_
_
T
0
u
t
dW
t
_
( ) viene chiamato integrale di Riemann-Stieltjes di
u
t
( ) rispetto a W
t
( ) su [0, T].
4
Date una funzione g : [0, T] R
n
e una scomposizione s = t
0
, . . . , t
N
di [0, T], si denisce la
variazione di g relativa a s nel modo seguente:
V
T
(g, s) =
N
k=1
[g(t
k
) g(t
k1
)[.
Geometricamente la variazione V
T
(g, s) è la lunghezza della spezzata in R
n
di estremi g(t
k
) con
k = 0, . . . , N. La funzione g si dice a variazione limitata se lestremo superiore di V
T
(g, s), al variare
di tutte le scomposizioni s di [0, T], è nito:
V
T
(g) sup
s
V
T
(g, s) < +.
V
T
(g) è detta variazione (totale) di g su [0, T]. Intuitivamente, ranando la scomposizione s, V
T
(g, s)
dà unapprossimazione della lunghezza della curva g: in altre parole la curva g è a variazione limitata
(o retticabile) se ha lunghezza nita, approssimabile con spezzate.
`
E facile provare (esercizio!) che
le funzioni di classe C
1
([0, T]) sono a variazione limitata.
3.4 Regolarità delle traiettorie di un MB 41
Concludiamo il paragrafo mostrando che linsieme degli tale che t W
t
()
è a variazione limitata, ha P-misura nulla: in parole povere, un MB ha le traiettorie
irregolari (non retticabili
5
) quasi sicuramente. Di conseguenza, per quasi tutte le
traiettorie di un MB, non è possibile denire lintegrale nel senso di Riemann-Stieltjes.
Date una funzione g : [0, T] R
n
e una scomposizione s = t
0
, . . . , t
N
di [0, T], si
denisce la variazione quadratica di g relativa a s nel modo seguente:
V
(2)
T
(g, s) =
N
k=1
[g(t
k
) g(t
k1
)[
2
.
La variazione quadratica (totale) g)
T
di g su [0, T] è denita dal seguente limite, se
esiste,
lim
|s|0
+
V
(2)
T
(g, s) = g)
T
.
Lemma 3.11. Se una funzione g è continua e a variazione limitata su [0, T], allora
ha variazione quadratica nulla: g)
T
= 0.
Dimostrazione. La funzione g è continua sul compatto [0, T], quindi anche uniforme-
mente continua: di conseguenza, per ogni > 0, esiste
> 0 tale che

[ g(t
k
) g(t
k1
)[
per ogni scomposizione s = t
0
, t
1
, . . . , t
N
di [0, T] tale che [s[ <
. La tesi è
conseguenza del fatto che
0 V
(2)
T
(g, s) =
N
k=1
[g(t
k
) g(t
k1
)[
2
V
T
(g)
con V
T
(g) < per ipotesi.
Proposizione 3.12. Per ogni t > 0 si ha
W)
t
= t q.s. (3.11)
In particolare W non è a variazione limitata su [0, t] quasi sicuramente.
Dimostrazione. Per alleggerire le notazioni, ssata una scomposizione s = t
0
, . . . , t
N
di [0, t], poniamo

k
W = W
t
k
W
t
k1
per k = 1, . . . , N. Ricordiamo che vale
E
_
(
k
W)
2
_
= t
k
t
k1
.
5
Per ogni t > 0, un MB percorre una traiettoria di lunghezza innita.
Inoltre si può provare (esercizio
6
!) che vale
E
_
(
k
W)
4
_
= 3(t
k
t
k1
)
2
. (3.12)
Per provare la (3.11) è suciente
7
dimostrare che
lim
|s|0
+
V
(2)
t
(W, s) = t in L
2
(, P),
ossia
lim
|s|0
+
E
_
(V
(2)
t
(W, s) t)
2
_
= 0.
Ora si ha
E
_
(V
(2)
t
(W, s) t)
2
_
= E
_
_
k
(
k
W)
2
t
_
2
_
= E
_
_
k
_
(
k
W)
2
(t
k
t
k1
)
_
_
2
_
=
k
E
_
_
(
k
W)
2
(t
k
t
k1
)
_
2
_
+ 2
h<k
E
__
(
k
W)
2
(t
k
t
k1
)
_
(
h
W)
2
(t
h
t
h1
)
___
.
Osserviamo ora che
E
_
_
(
k
W)
2
(t
k
t
k1
)
_
2
_
= E
_
(
k
W)
4
_
2(t
k
t
k1
)E
_
(
k
W)
2
_
+ (t
k
t
k1
)
2
=
(per (3.12))
= 2(t
k
t
k1
)
2
.
Daltra parte
E
__
(
k
W)
2
(t
k
t
k1
)
_ _
(
h
W)
2
(t
h
t
h1
)
__
=
(per lindipendenza degli incrementi del MB, se h < k)
E
_
(
k
W)
2
(t
k
t
k1
)
_
E
_
(
h
W)
2
(t
h
t
h1
)
_
= 0.
6
Si ha
E
_
(
k
W)
4
_
=
_
R
y
4
(y, t
k
t
k1
)dy,
e poi si integra per parti. Si veda anche lEsempio 3.30-(3).
7
`
E noto che la convergenza in L
2
implica la convergenza puntuale q.s.
3.5 Integrale stocastico di processi semplici 43
In denitiva si ha
E
_
(V
(2)
t
(W, s) t)
2
_
= 2
k
(t
k
t
k1
)
2
2[s[t
che tende a zero per [s[ 0
+
.
3.5 Integrale stocastico di processi semplici
Sia dato un moto Browniano W su uno spazio di probabilità (, T, P). Nel seguito
indichiamo con T la ltrazione Browniana. In questo paragrafo e nel seguente diamo
una traccia della costruzione dellintegrale di Ito
_
T
0
u
t
dW
t
.
Per garantire lesistenza di tale integrale stocastico, è necessario imporre opportune
ipotesi sul processo u.
Denizione 3.13. Il p.s. u appartiene alla classe
2
se
i) u è T-adattato, ossia u
t
è T
t
-misurabile per ogni t 0;
ii) per ogni T > 0, esiste ed è nito
T
_
0
E(u
2
t
)dt.
Mentre la ii) è una normale richiesta di sommabilità dellintegrando
8
, la i) è la
proprietà che gioca il ruolo cruciale nel seguito. La i) è anche legata alla nozione di
portafoglio adattato introdotta nel Capitolo 2.
Analogamente alla costruzione dellintegrale vista nel Capitolo 1, cominciamo col
denire lintegrale di Ito per una particolare classe di p.s. di
2
.
Denizione 3.14. Un processo u
2
si dice semplice se è della forma
u =
N
k=1
e
k
[t
k1
,t
k
[
, (3.13)
dove 0 t
0
< t
1
< < t
N
e e
k
sono v.a.
9
su (, T, P).
8
u L
2
( [0, T]) per ogni T > 0.
9
Assumiamo anche
P(e
k1
= e
k
) = 0, k = 1, . . . , N,
in modo che la rappresentazione (3.13) di u sia unica q.s.
Osservazione 3.15.
`
E importante osservare che, essendo u adattato, allora e
k
in (3.13)
è T
t
k1
-misurabile per ogni k = 1, . . . , N. Inoltre e
k
L
2
(, P) e si ha
T
_
0
E(u
2
t
)dt =
N
k=1
T
_
0
E(e
2
k
)
[t
k1
,t
k
[
(t)dt =
N
k=1
E(e
2
k
)(t
k
t
k1
) (3.14)
Se u
2
è un processo semplice della forma (3.13), allora il limite in (3.9) esiste
banalmente ed è naturale denire lintegrale di Ito nel modo seguente:
_
u
t
dW
t
=
N
k=1
e
k
(W
t
k
W
t
k1
) (3.15)
ed anche, per ogni 0 a < b,
_
b
a
u
t
dW
t
=
_
u
t
[a,b[
(t)dW
t
.
Esempio 3.16. Integrando il processo semplice u =
[0,t[
, si ottiene
10
W
t
=
_
t
0
dW
s
.
Riprendendo lEsempio 3.7, si ha
S
t
= S
0
+
_
t
0
ds +
_
t
0
dW
s
, t > 0.
Il seguente teorema contiene alcune importanti proprietà dellintegrale di Ito di processi
semplici.
Teorema 3.17. Per ogni u, v
2
semplici, , R e 0 a < b < c si ha:
(1) linearità:
_
(u
t
+v
t
)dW
t
=
_
u
t
dW
t
+
_
v
t
dW
t
;
(2) additività:
_
c
a
u
t
dW
t
=
_
b
a
u
t
dW
t
+
_
c
b
u
t
dW
t
;
(3) media nulla:
E
__
u
t
dW
t
_
= 0, (3.16)
10
Al solito W
0
= 0.
3.5 Integrale stocastico di processi semplici 45
ed anche
E
__
b
a
u
t
dW
t
_
c
b
v
t
dW
t
_
= 0; (3.17)
(4) isometria di Ito:
E
_
_
_
b
a
u
t
dW
t
_
2
_
= E
__
b
a
u
2
t
dt
_
(3.18)
(5) il processo stocastico
X
t
=
_
t
0
u
s
dW
s
, t 0, (3.19)
è una martingala rispetto a T.
Dimostrazione. Le proprietà (1) e (2) sono immediate. Per la (3):
E
__
u
t
dW
t
_
=
N
k=1
E
_
e
k
(W
t
k
W
t
k1
)
_
=
(poichè, per lOsservazione 1.3, e
k
è T
t
k1
-misurabile e dunque indipendente da W
t
k

W
t
k1
)
=
N
k=1
E (e
k
) E
_
W
t
k
W
t
k1
_
= 0.
Proviamo poi la (3.17): se v è della forma
v =
M
h=1
d
h
[t
h1
,t
h
[
,
allora E
_
_
b
a
u
t
dW
t
_
c
b
v
t
dW
t
_
è una somma di termini del tipo
E
_
e
k
d
h
(W
t
k
W
t
k1
)(W
t
h
W
t
h1
)
_
, con t
k
t
h1
,
che sono tutti nulli poichè e
k
d
h
(W
t
k
W
t
k1
) è T
t
h1
-misurabile e quindi indipendente
dallincremento W
t
h
W
t
h1
che ha media nulla.
Proviamo lisometria di Ito: assumendo u della forma (3.13), si ha
11
E
_
_
_
b
a
u
t
dW
t
_
2
_
= E
_
_
N
k=1
_
t
k
t
k1
e
k
dW
t
_
2
_
=
N
k=1
E
_
_
_
t
k
t
k1
e
k
dW
t
_
2
_
+ 2
h<k
E
_
_
t
k
t
k1
e
k
dW
t
_
t
h
t
h1
e
h
dW
t
_
11
Non è restrittivo assumere anche t
0
= a e t
N
= b.
(per la (3.17) i termini della seconda somma sono nulli)
=
N
k=1
E
_
e
2
k
(W
t
k
W
t
k1
)
2
_
(per lindipendenza di e
k
e W
t
k
W
t
k1
)
=
N
k=1
E
_
e
2
k
_
E
_
(W
t
k
W
t
k1
)
2
_
=
N
k=1
E
_
e
2
k
_
(t
k
t
k1
)
e la tesi segue
12
dalla (3.14).
Proviamo inne che il p.s. X in (3.19) è una T-martingala. Per la denizione (3.15)
e lOsservazione 3.15, è ovvio che X sia adattato a T. Inoltre X
t
è sommabile poichè
per la disuguaglianza di Holder si ha
E(X
t
)
2
E(X
2
t
) =
(per lisometria di Ito)
= E
__
t
0
u
2
s
ds
_
<
essendo u
2
. Siano poi 0 s < t:
E(X
t
[ T
s
) = E(X
s
[ T
s
) +E
_
_
t
s
u
dW
[ T
s
_
= X
s
poichè X
s
è T
s
-misurabile, mentre
E
_
_
t
s
u
dW
[ T
s
_
=
k
E
_
e
k
(W
t
k
W
t
k1
) [ T
s
_
=
(essendo e
k
e W
t
k
W
t
k1
indipendenti)
=
k
E (e
k
[ T
s
) E
_
W
t
k
W
t
k1
[ T
s
_
(essendo W
t
k
W
t
k1
indipendente da T
s
poichè s t
k1
)
=
k
E (e
k
[ T
s
) E
_
W
t
k
W
t
k1
_
= 0.
12
Per il Teorema di Tonelli, vale
E
_
_
b
a
u
2
t
dt
_
=
_
b
a
E
_
u
2
t
_
dt
3.6 Integrale di Ito 47
3.6 Integrale di Ito
La (3.18) viene detta isometria di Ito perchè si può riscrivere in termini di uguaglianza
di norme in spazi L
2
:
_
_
_
_
b
a
u
t
dW
t
_
_
_
L
2
()
= |u|
L
2
([a,b])
. (3.20)
Lisometria di Ito gioca un ruolo cruciale nella costruzione dellintegrale stocastico
_
T
0
u
t
dW
t
. (3.21)
Nel paragrafo precedente abbiamo denito lintegrale in (3.21) nel caso che u
2
sia
un p.s. semplice. Consideriamo ora un generico u
2
: è possibile
13
costruire una
successione (u
(n)
) di p.s. semplici di
2
che approssimi u nel senso che
lim
n+
_
T
0
E
_
(u
t
u
(n)
t
)
2
_
dt = lim
n+
_
_
u u
(n)
_
_
L
2
([0,T])
= 0.
Essendo convergente, (u
(n)
) è una successione di Cauchy
14
in L
2
( [0, T]). Allora,
per lisometria di Ito, la successione degli integrali stocastici
I
n

_
T
0
u
(n)
t
dW
t
è di Cauchy in L
2
() che è uno spazio metrico completo
15
. Di conseguenza la succes-
sione (I
n
) è convergente in L
2
(): per denizione, si pone
_
T
0
u
t
dW
t
= lim
n+
I
n
. (3.22)
`
E facile vericare (esercizio!) che la denizione è ben posta, nel senso che non dipende
dalla successione approssimante.
Osservazione 3.18.
`
E possibile estendere la costruzione dellintegrale di Ito anche a
un processo adattato u che verica la seguente debole condizione di sommabilità
P
__
b
a
[u
t
[ dt <
_
= 1.
13
Lo dimostriamo fra poco in un caso signicativo (cfr. Proposizione 3.22 e Osservazione 3.23). Per
il caso generale si veda, per esempio, [8].
14
La successione (u
(n)
) si dice di Cauchy se per ogni > 0 esiste n
N tale che
_
_
u
(n)
u
(m)
_
_
L
2
([0,T])
< , m, n n
.
15
Uno spazio metrico è completo se ogni successione di Cauchy è convergente.
Non dimostriamo il seguente teorema che estende al caso generale le proprietà
dellintegrale stocastico di processi semplici.
Teorema 3.19. Le proprietà (15) del Teorema 3.17 valgono per ogni u, v
2
.
Vediamo ora che la denizione (3.22) estende la nozione di integrale di Riemann-
Stieltjes vista nel paragrafo precedente.
Denizione 3.20. Un processo u si dice L
2
-continuo in t
0
se
lim
tt
0
E
_
(u
t
u
t
0
)
2
_
= 0.
Esempio 3.21. Poichè
E
_
(W
t
W
t
0
)
2
_
= [t t
0
[,
ogni MB è L
2
-continuo. Inoltre, dato u
2
, anche il processo
X
t
=
_
t
0
u
s
dW
s
, t 0,
è L
2
-continuo in ogni punto. Infatti, se t > t
0
,
E
_
(X
t
X
t
0
)
2
_
= E
_
_
_
t
t
0
u
s
dW
s
_
2
_
=
=
_
t
t
0
E
_
u
2
s
_
ds 0, per t t
0
,
per il teorema della convergenza dominata di Lebesgue. Il caso t < t
0
è analogo.
Proposizione 3.22. Sia u
2
un processo L
2
-continuo su [0, T]. Posto
u
(s)
=
N
k=1
u
t
k1
[t
k1
,t
k
[
,
dove s = t
0
, t
1
, . . . , t
N
è una scomposizione di [0, T], allora u
(s)
è un processo semplice
di
2
e vale
lim
|s|0
+
u
(s)
= u, in L
2
( [0, T]). (3.23)
3.7 Processi e formula di Ito 49
Dimostrazione. Per ogni > 0, esiste
16
> 0 tale che se [s[ <
allora si ha
_
T
0
E
_
(u
t
u
(s)
t
)
2
_
dt =
N
k=1
_
t
k
t
k1
E
_
(u
t
u
t
k1
)
2
_
dt T.
Osservazione 3.23. La proposizione aerma che u
(s)
è un p.s. semplice in
2
che
approssima u in L
2
( [0, T]) per [s[ 0
+
. Per la denizione (3.22) si ha allora
lim
|s|0
+
_
T
0
u
(s)
t
dW
t
=
_
T
0
u
t
dW
t
, in L
2
(),
o equivalentemente, ricordando la (3.15),
lim
|s|0
+
N
k=1
u
t
k1
(W
t
k
W
t
k1
) =
_
T
0
u
t
dW
t
, in L
2
().
In questo senso lintegrale di Ito, essendo il limite delle somme (di Riemann-Stieltjes)
in (3.8), generalizza lintegrale di Riemann-Stieltjes.
Concludiamo il paragrafo enunciando un teorema di rappresentazione delle mg.
Abbiamo visto (cfr. (5) del Teorema 3.17) che il processo denito da un integrale
di Ito è una mg: il seguente risultato mostra che ogni mg rispetto alla ltrazione
Browniana T è rappresentabile in termini di un integrale stocastico.
Teorema 3.24. Sia M una T-mg di quadrato sommabile, M
t
L
2
(, P). Allora
esiste ed è unico u
2
tale che
M
t
= M
0
+
_
t
0
u
s
dW
s
.
3.7 Processi e formula di Ito
Denizione 3.25. Un p.s. X della forma
X
t
= X
0
+
_
t
0
u
s
ds +
_
t
0
v
s
dW
s
, t > 0, (3.24)
con u, v
2
, si dice un processo di Ito.
16
Vale il Teorema di Heine-Cantor: se X è L
2
-continuo sul compatto [0, T], allora è anche
uniformemente L
2
-continuo.
Notazione: la (3.24) viene solitamente scritta nella seguente forma dierenziale:
dX
t
= u
t
dt +v
t
dW
t
. (3.25)
Da una parte la (3.25) è pi` u breve da scrivere rispetto alla (3.24) e quindi pi` u comoda
da utilizzare; dallaltra la (3.25) risulta pi` u intuitiva e familiare, in quanto (solo for-
malmente!) ricorda il calcolo dierenziale usuale per le funzioni di una variabile reale.
Sottolineiamo il fatto che abbiamo denito ogni singolo termine che appare nella (3.24):
è stato il lavoro degli ultimi paragra. Invece la (3.25) va invece presa tutta insieme
ed equivale esattamente alla (3.24): per esempio, il termine dX
t
, benchè a volte deno-
minato dierenziale stocastico, non è stato denito e ha senso solo se è allinterno della
formula (3.25).
Riprendendo lEsempio 3.16, scriviamo
dS
t
= dt +dW
t
La (3.11) diventa
dW)
t
= dt. (3.26)
Pi` u in generale, dato un p.s. Y , si denisce il processo variazione quadratica di Y nel
modo seguente
Y )
t
= lim
|s|0
+
N
k=1
(Y
t
k
Y
t
k1
)
2
, in L
2
(, P)
ammesso che tale limite esista e dove, al solito, s indica una scomposizione di [0, t]. Si
può procedere come nella dimostrazione della Proposizione 3.12, per provare il seguente
Lemma 3.26. Sia X un processo di Ito della forma (3.24). Allora
Y )
t
=
_
t
0
v
2
s
ds
o, in termini dierenziali,
dY )
t
= v
2
t
dt.
Esempio 3.27. Se dS
t
= dt + dW
t
allora S)
t
=
2
t. Dunque in questo caso si
ha proprio S)
t
= var(S
t
), ossia il processo variazione quadratica è deterministico e
coincide con la varianza. Pi` u in generale, se
S
t
= S
0
+
_
t
0
(s)ds +
_
t
0
(s) dW
s
3.7 Processi e formula di Ito 51
con , funzioni deterministiche, allora, per la proprietà della media nulla, si ha
E(S
t
) = S
0
+
_
t
0
(s)ds
e
var(S
t
) = E
_
_
S
t
S
0
_
t
0
(s)ds
_
2
_
=
=
_
t
0
(s)
2
ds.
Possiamo ora enunciare (nel caso unidimensionale) il principale risultato della teoria
del calcolo stocastico.
Teorema 3.28. [Formula di Ito]
Siano X in (3.25) un processo di Ito e f = f(t, x) C
2
(R
2
). Allora il p.s. Y , denito
da Y
t
= f(t, X
t
), è un processo di Ito e vale
dY
t
=
t
f(t, X
t
)dt +
x
f(t, X
t
)dX
t
+
1
2
xx
f(t, X
t
)dX)
t
. (3.27)
Osservazione 3.29. In (3.27),
t
f e
x
f indicano le derivate parziali di f rispetto alle
variabili reali t e x. La formula di Ito è valida assumendo lesistenza delle sole derivate
parziali
t
f e
xx
f continue. Le ipotesi di regolarità su f si possono ulteriormente
indebolire.
Esempio 3.30.
(1) Nel caso f(t, x) = tx e X = W MB, si ha
d(tW
t
) = W
t
dt +tdW
t
.
Notare la somiglianza con la classica legge di derivazione di un prodotto di funzioni.
In forma integrale otteniamo:
tW
t
=
_
t
0
W
s
ds +
_
t
0
sdW
s
.
(2) se f(t, x) = x
2
e X = W MB, si ha, per la (3.26),
d(W
2
t
) = 2W
t
dW
t
+dt.
Dunque ricaviamo
_
t
0
W
s
dW
s
=
W
2
t
t
2
;
(3) calcoliamo E(W
4
t
). Per la formula di Ito si ha
dW
4
t
= 4W
3
t
dW
t
+ 6W
2
t
dt,
ossia
W
4
t
=
_
t
0
4W
3
s
dW
s
+
_
t
0
6W
2
s
ds.
Per la proprietà della media nulla (3.16), si deduce
E(W
4
t
) =
_
t
0
6E(W
2
s
)ds =
_
t
0
6sds = 3t
2
.
Esempio 3.31. [Moto Browniano geometrico]
0 1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
0
2
4
6
8
10
12
Figura 3.1: Graco di una traiettoria S
t
() di un moto Browniano geometrico S e del
valore atteso E(S
t
).
Dati S
0
, , R, il p.s.
S
t
= S
0
exp
__

2
2
_
t +W
t
_
. (3.28)
è detto moto Browniano geometrico ed è il modello pi` u comune per i titoli rischiosi.
In particolare è il modello per il sottostante utilizzato nellanalisi di Black&Scholes.
Rispetto al modello di titolo rischioso dellEsempio 3.7, essendo S unesponenziale, se
S
0
> 0 allora S
t
> 0 per ogni t > 0. Inoltre se = 0, la dinamica di S è deterministica
S
t
= S
0
e
t
3.8 Metodo di Eulero per equazioni dierenziali stocastiche 53
e corrisponde ad una legge di capitalizzazione composta con tasso . Il parametro è
detto volatilit` a e è detto tasso di rendimento atteso . Non è dicile provare che
E(S
t
) = S
0
e
t
.
Poichè
log(S
t
) = log(S
0
) +
_

2
2
_
t +W
t
,
si dice che S ha distribuzione log-normale, ed è dunque facile calcolare, per esempio,
P(S
t
[a, b]).
Utilizzando la formula di Ito, si verica (esercizio!) che
dS
t
= S
t
dt +S
t
dW
t
. (3.29)
3.8 Metodo di Eulero per equazioni dierenziali sto-
castiche
La (3.29) è uno dei pi` u semplici esempi di equazione dierenziale stocastica (SDE). Per
una SDE pi` u generale della forma
dS
t
= (t, S
t
)S
t
dt +(t, S
t
)S
t
dW
t
, (3.30)
dove e sono funzioni deterministiche a valori reali, esiste una teoria dellesistenza e
unicità delle soluzioni in cui molti risultati sono analoghi a quelli per le equazioni die-
renziali ordinarie. Non tratteremo questi argomenti benchè SDE del tipo (3.30) inter-
vengano in molti modelli che generalizzano quello di Black&Scholes. Dal punto di vista
applicativo, mentre la (3.29) ha il vantaggio di avere la soluzione esplicita S in (3.28),
nel caso generale (3.30) è necessario ricorrere a metodi numerici per lapprossimazione
delle soluzioni.
Ricordando lOsservazione 3.23, sotto opportune ipotesi di regolarità dei coecienti
e , la SDE (3.30) può essere discretizzata sullintervallo [0, T] nel modo seguente
S
t
k
= S
t
k1
(1 +(t
k1
, S
t
k1
)(t
k
t
k1
) +(t
k1
, S
t
k1
)(W
t
k
W
t
k1
))
per k = 1, . . . , N, essendo t
0
, . . . , t
N
una scomposizione di [0, T]. Ricordando che
W
t
k
W
t
k1
=
_
t
k
t
k1
Z
dove Z N
0,1
, la precedente formula ricorsiva può essere utilizzata per generare delle
approssimazioni delle traiettorie della soluzione di (3.30) che possono essere utilizzate,
come vedremo in seguito, nellapplicazione del metodo Monte Carlo.
A questo riguardo, riportiamo un semplice codice Matlab
c
: i parametri richiesti
sono T, il numero di intervalli n della scomposizione, il prezzo iniziale del titolo S0, la
funzione di rendimento atteso mu e la funzione di volatilità sigma.
function Stock = Stock(T,S0,n)
dt = (T/n);
S(1)=S0;
for j=2:n
S(j) = S(j-1)(1+mu((j-1)dt,S(j-1))*dt
+sigma((j-1)dt,S(j-1))*sqrt(dt)*randn));
end
plot(S)
3.9 Unestensione della formula di Ito
Dati due processi di Ito
dX
i
t
= u
i
t
dt +v
i
t
dW
t
, i = 1, 2 (3.31)
si denisce il processo variazione quadratica congiunta di X
1
e X
2
nel modo seguente
X
1
, X
2
)
t
= lim
|s|0
+
N
k=1
(X
1
t
k
X
1
t
k1
)(X
2
t
k
X
2
t
k1
), in L
2
(, P)
ammesso che tale limite esista e dove, al solito, s indica una scomposizione di [0, t].
Vale il seguente
Lemma 3.32. Siano X
1
, X
2
processi di Ito della forma (3.31). Allora
X
1
, X
2
)
t
=
_
t
0
v
1
s
v
2
s
ds
o, in termini dierenziali,
dX
1
, X
2
)
t
= v
1
t
v
2
t
dt.
Osservazione 3.33. Se v
1
= 0 oppure v
2
= 0 allora si ha X
1
, X
2
)
t
= 0.
3.9 Unestensione della formula di Ito 55
Enunciamo la seguente estensione del Teorema di Ito.
Teorema 3.34. Sia X = (X
1
, . . . , X
N
) un p.s. di Ito N-dimensionale, con X
i
processi
di Ito della forma (3.31) per i = 1, . . . , N. Sia f = f(t, x
1
, . . . , x
N
) C
2
(R
N+1
). Allora
il p.s. Y , denito da Y
t
= f(t, X
t
), è un processo di Ito e vale
dY
t
=
t
f(t, X
t
)dt +
N
i=1
x
i
f(t, X
t
)dX
i
t
+
1
2
N
i,j=1
x
i
x
j
f(t, X
t
)dX
i
, X
j
)
t
. (3.32)
Per esempio si ha
d(X
1
t
X
2
t
) = X
1
t
dX
2
t
+X
2
t
dX
1
t
+v
1
t
v
2
t
dt. (3.33)
Capitolo 4
Modelli a tempo continuo per i
derivati
In questo capitolo estendiamo al caso continuo alcuni concetti introdotti nel Capitolo
2, presentiamo lanalisi di Black&Scholes [2] per la determinazione del prezzo e la
copertura di un derivato e discutiamo qualche possibile generalizzazione. Nel seguito
(, T, P) indica uno spazio di probabilità su cui è denito un moto Browniano W di
punto iniziale lorigine e con ltrazione Browniana T.
4.1 Portafoglio autonanziante e di arbitraggio
Consideriamo un mercato in cui ci siano N titoli (azioni, bonds) S
1
, . . . , S
N
e assumia-
mo che siano processi di Ito. Si denisce strategia un processo h = (h
1
, . . . , h
N
), con
h
k
processo di Ito; inoltre il processo
V =
N
k=1
h
k
S
k
,
è detto portafoglio. Dunque V
t
indica il valore del portafoglio e h
k
t
il numero di titoli
k-esimi in portafoglio al tempo t (è ammesso che h
k
t
sia negativo). Notiamo che, per
ipotesi, h è un processo adattato a T, ossia la strategia di investimento viene decisa
in base alle informazioni disponibili al momento. La seguente denizione estende in
modo naturale le nozioni di portafoglio autonanziante e di arbitraggio date nel caso
discreto (cfr. Denizione 2.5 e 2.6).
57
58 Modelli a tempo continuo per i derivati
Denizione 4.1. Un portafoglio V si dice autonanziante se vale
dV
t
=
N
k=1
h
k
t
dV
k
t
. (4.1)
Si dice che un portafoglio autonanziante V è un portafoglio di arbitraggio se
i) V
0
= 0,
ed esiste t tale che
ii) P(V
t
0) = 1,
iii) P(V
t
> 0) > 0.
4.2 Modello di Black&Scholes
Consideriamo un mercato in cui ci siano tre titoli:
- un titolo non rischioso (bond) con dinamica B
t
= B
0
e
rt
dove r è il tasso di interesse
privo di rischio;
- un titolo rischioso (stock) S modellizzato da un MB geometrico
dS
t
= S
t
dt +S
t
dW
t
, (4.2)
con tasso di rendimento atteso e volatilit` a ;
- un derivato H con scadenza T e payo (S
T
).
Ipotesi 1: assumiamo che esista una funzione f = f(t, s) C
2
(R
2
) tale che H
t
=
f(t, S
t
) per t [0, T].
Come nel modello binomiale, si è interessati alla valutazione del prezzo e alla co-
pertura del derivato: pi` u precisamente, il modello permette di determinare la funzione
f e un portafoglio autonanziante
V
t
=
t
S
t
+
t
B
t
,
che replichi il derivato, ossia tale che
P(V
T
= H
T
) = 1. (4.3)
Ipotesi 2: Principio di Non Arbitraggio (PNA). Nel mercato (B, S, H) non
esistono portafogli di arbitraggio.
Come per lOsservazione 2.9, vale il seguente risultato.
4.2 Modello di Black&Scholes 59
Lemma 4.2. Assumendo il PNA, se U, W sono portafogli autonanzianti tali che
P(U
T
= W
T
) = 1 per un certo T > 0, allora si ha anche P(U
t
= W
t
) = 1 per ogni
t [0, T].
Dimostrazione. Per esercizio.
Come immediata conseguenza, per ogni portafoglio replicante V deve valere la
seguente condizione
V
t
= H
t
q.s. t [0, T]. (4.4)
Il portafoglio V è autonanziante
1
se vale
dV
t
=
t
dS
t
+
t
dB
t
. (4.5)
Ora, sostituendo lespressione (4.2) di S in (4.5), si ha
dV
t
= (
t
S
t
+
t
rB
t
)dt +
t
S
t
dW
t
.
Daltra parte, per la formula di Ito e abbreviando f = f(T t, S
t
), si ha
dH
t
=
t
fdt +
s
fdS
t
+
1
2
ss
fdS)
t
=
_
t
fdt +S
t
s
f +

2
S
2
t
2

ss
f
_
dt +S
t
s
fdW
t
.
Per ottenere un portafoglio replicante è suciente imporre che V abbia la stessa dina-
mica di H: in particolare è suciente
2
imporre luguaglianza dei termini in dt e dW
t
1
Per la formula di Ito (si veda la (3.33)), si avrebbe
dV
t
=
t
dS
t
+
t
dB
t
+S
t
d
t
+B
t
d
t
+d, S)
t
,
e dunque lipotesi che V sia autonanziante equivale anche alla condizione
S
t
d
t
+B
t
d
t
+d, S)
t
= 0.
2
Chiaramente, imporre
dV
t
= u
t
dt +v
t
dW
t
= dH
t
, P(V
T
= H
T
) = 1,
equivale, in forma integrale a
V
t
= V
T

_
T
t
u
s
ds
_
T
t
v
s
dW
s
=
q.s.
H
T

_
T
t
u
s
ds
_
T
t
v
s
dW
s
= H
t
e quindi è soddisfatta la condizione (4.4) di replicazione.
di V e H. Uguagliando i termini in dW
t
, ricaviamo
t
=
s
f(t, S
t
). (4.6)
Uguagliando i termini in dt e utilizzando la (4.6), otteniamo
t
f +

2
S
2
t
2

ss
f r
t
B
t
= 0. (4.7)
Ora utilizziamo il PNA e osserviamo che, per la (4.4), si ha
t
=
V
t
t
S
t
B
t
=
f(t, S
t
) S
t
s
f(t, S
t
)
B
t
, q.s. (4.8)
e quindi, sostituendo la (4.8) nella (4.7), otteniamo
t
f(t, S
t
) +rS
t
s
f(t, S
t
) +

2
S
2
t
2

ss
f(t, S
t
) rf(t, S
t
) = 0, q.s. (4.9)
Lequazione (4.9) è risolta da f per ogni possibile valore di t e S
t
. Dunque
3
f è soluzione
della seguente equazione dierenziale (deterministica)
t
f(t, s) +rs
s
f(t, s) +

2
s
2
2

ss
f(t, s) rf(t, s) = 0, (4.10)
per (t, s) ]0, T[ ]0, +[, con condizione nale
f(T, s) = (s), s ]0, +[. (4.11)
La (4.10) è detta equazione di Black&Scholes. Il problema (4.10)-(4.11) ammette unu-
nica
4
soluzione f che può essere determinata (nella maggior parte dei casi con metodi
numerici). Le formule (4.6)-(4.8) forniscono una strategia replicante (, ) in termini
di f. Di conseguenza è possibile calcolare il valore V
0
del portafoglio replicante e, dalla
(4.4), ricavare inne il prezzo del derivato H
0
.
Osservazione 4.3. I risultati precedenti si estendono al caso generale in cui il sotto-
stante verica un SDE del tipo (3.30)
dS
t
= (t, S
t
)S
t
dt +(t, S
t
)S
t
dW
t
,
supponendo ipotesi ragionevoli su , (che garantiscano, per esempio, che (3.30) ab-
bia soluzione). In questo caso f è soluzione dellequazione dierenziale a coecienti
variabili
t
f(t, s) +rs
s
f(t, s) +

2
(t, s)s
2
2

ss
f(t, s) rf(t, s) = 0, (4.12)
per (t, s) ]0, T[ ]0, +[, con condizione nale (4.11).
Esercizio 4.4. Vericare che la strategia (, ) in (4.6)-(4.8) è autonanziante.
3
Poichè S
t
ha distribuzione log-normale, la sua densità è strettamente positiva su ]0, +[.
4
Sotto alcune naturali ipotesi.
4.3 Equazione di Black&Scholes ed equazione del calore 61
4.3 Equazione di Black&Scholes ed equazione del
calore
Come avevamo anticipato nel Paragrafo 3.2, lequazione di Black&Scholes può essere
trasformata in unequazione alle derivate parziali di tipo parabolico (come lequazione
del calore) tramite un semplice cambio di variabili. Poniamo
f(t, s) = e
r(Tt)
u(log s +r(T t), T t), t, s > 0,
ovvero consideriamo il cambio di variabili x = log s +r(T t), = T t. Allora si ha
t
f +rf = e
r(Tt)
x
u e
r(Tt)
u,
s
f =
e
r(Tt)
s

x
u,
ss
f =
e
r(Tt)
s
2
(
xx
u
x
u).
Dunque il problema (4.10)-(4.11) si trasforma
5
nel problema di Cauchy per la funzione
u = u(x, )
_
_
_
2
2
(
xx
u(x, )
x
u(x, ))
u(x, ) = 0, (x, ) R]0, T[,

u(x, 0) = (e
x
), x R.
(4.13)
Per problemi di questo tipo è disponibile una teoria, ormai classica, dellesistenza e
unicità delle soluzioni. Sono inoltre ben noti diversi metodi di risoluzione numerica per
lapprossimazione della soluzione e delle sue derivate.
Nel caso di unopzione call europea con strike K, il payo è (s) = (s K)
+
e può
essere conveniente il seguente cambio di variabili, simile al precedente,
f(t, s) = Ke
r(Tt)
u(log(s/K) + r(T t), T t), t, s > 0.
In questo caso, u risolve la stessa equazione dierenziale in (4.13) ma con dato iniziale
u(x, 0) = (e
x
1)
+
. Quindi risolvendo ununico problema di Cauchy, è possibile valutare
tutte le opzioni call su S al variare dello strike e della scadenza (no a T).
5
Con un po di pazienza in pi` u si può ottenere esattamente lequazione del calore. Basta considerare
lulteriore cambio di variabili
u(x, ) = e
x
2
8
v
_
x
,
_
.
Si ha allora che v = v(y, ) risolve
yy
v
v = 0 in R]0, T[.
4.4 Valutazione neutrale al rischio
Nellipotesi che il mercato sia privo di arbitraggi, nel modello di Black&Scholes il prezzo
di un derivato H è ottenuto determinando la funzione f che esprime in ogni istante H
t
in termini di t e S
t
. Si noti che il problema (4.10)-(4.11), e quindi f, non dipende dal
rendimento atteso del sottostante. Questo fatto, contrario allintuizione, si può in
parte spiegare proprio osservando che f non è il prezzo del derivato in termini assoluti,
bens` la funzione che esprime tale prezzo in termini di t e S
t
.
Per analogia con quanto abbiamo visto nel caso del modello binomiale (cfr. Osser-
vazione 2.2), chiamiamo P probabilità oggettiva (o del mondo reale) e assumiamo la
seguente dinamica per S nella
6
probabilità P
dS
t
= (t, S
t
)S
t
dt +(t, S
t
)S
t
dW
t
. (4.14)
Supponiamo ora che esista una misura di probabilità Q su (, T) e un moto Browniano
W in (, T, Q), e consideriamo un altro titolo

S che soddis lequazione
d
S
t
= r
S
t
dt +(t,

S
t
)
S
t
d

W
t
,
ossia una SDE analoga alla (4.14), con r. Per evitare confusione, indichiamo con
E
Q
lattesa nella misura Q e con (

T
t
) la ltrazione associata al moto Browniano

W.
Osserviamo che il prezzo scontato di

S è una (

T
t
)-martingala, infatti, utilizzando la
formula di Ito, si ha
d(e
rt

S
t
) = (t,

S
t
)e
rt

S
t
d

W
t
,
e la tesi segue dalla (3.19).
Poichè lequazione (4.12) non dipende dal rendimento atteso, due derivati H e

H
rispettivamente su S e

S con lo stesso payo si esprimono in termini della stessa
funzione f:
H
t
= f(t, S
t
),

H
t
= f(t,

S
t
).
Consideriamo il prezzo scontato del derivato

H: per la formula di Ito si ha
d(e
rt

H
t
) = d(e
rt
f(t,

S
t
)) =e
rt
_
rf +
t
f +r
S
t
s
f +

2

S
2
t
2

ss
f
_
dt
+e
rt
S
t
s
fd

W
t
=
6
Ossia, assumendo che W sia un MB rispetto alla misura P sullo spazio (, T).
4.4 Valutazione neutrale al rischio 63
(poichè f è soluzione dellequazione di Black&Scholes)
= e
rt
S
t
s
fd

W
t
.
Dunque otteniamo un risultato analogo a quello dei Paragra 2.4 e 2.5: il prezzo
scontato del derivato

H è una (

T
t
)-martingala e quindi vale la seguente formula di
valutazione neutrale al rischio:
H
t
= E
Q
(e
r(Tt)
(
S
T
) [

T
t
) = E(e
r(Tt)

H
T
[

T
t
), t [0, T]. (4.15)
Per t = 0, essendo la -algebra

T
0
banale
7
, per la proprietà (2) della attesa condizionata
si ha
H
0
= E
Q
(e
rT
(
S
T
)) = E(e
rT

H
T
). (4.16)
La formula (4.16), essendo noto il prezzo attuale del sottostante, fornisce il valore del
derivato come numero reale; la (4.15) fornisce il valore del derivato come variabile
aleatoria, in termini di attesa condizionata alle informazioni disponibili no al tempo
t.
Torniamo ora al problema della determinazione del prezzo di un derivato su S. Con-
sideriamo il modello di Black&Scholes e assumiamo che e in (4.14) siano costanti.
Il risultato cruciale è la seguente prima formulazione del Teorema di Girsanov.
Teorema 4.5. Sia R. Esiste una misura di probabilità Q, equivalente a P, tale
che il p.s.

W denito da
W
t
= W
t
+t, t 0, (4.17)
è un MB su (, T, Q).
Osserviamo che
dS
t
= S
t
dt +S
t
dW
t
= rS
t
dt +S
t
_
dW
t
+
r
dt
_
= rS
t
dt +S
t
d

W
t
,
avendo posto
=
r
ed essendo

W il p.s. in (4.17). Il parametro è detto il prezzo di mercato del rischio in
quanto fornisce una misura della propensione al rischio degli investitori ovvero indica
il rapporto fra il premio sul rendimento atteso r richiesto per assumersi il rischio
e la volatilità . Il caso = 0 ossia = r indica la neutralità al rischio.
7

T
0
contiene solo eventi impossibili o certi.
Analogamente al caso del modello binomiale (cfr. Osservazione 2.2), i parametri
e sono da determinare in base ad osservazioni sul mercato reale e la dinamica (4.14)
nella misura P descrive tali osservazioni. Il Teorema 4.5 garantisce lesistenza di una
misura di probabilità Q, detta misura martingala equivalente, rispetto alla quale
S è un MB geometrico con rendimento atteso r. Dunque nella misura Q il sottostante
ha una dinamica che non descrive le osservazioni reali ma è tale che gli investitori sono
neutrali al rischio.
Possiamo allora riassumere i risultati precedenti nel seguente enunciato.
Teorema 4.6. Esiste una misura di probabilità Q, equivalente a P, tale che il sotto-
stante ha la seguente dinamica in Q:
dS
t
= rS
t
dt +S
t
d

W
t
.
Inoltre
S
B
,
H
B
sono mg e vale la seguente formula di valutazione neutrale al rischio
H
t
= E
Q
(e
r(Tt)
(S
T
) [

T
t
), t [0, T].
In particolare
H
0
= E
Q
(e
rT
(S
T
)).
Il risultato precedente può essere esteso al caso (4.14) utilizzando una versione
generale del Teorema di Girsanov.
Teorema 4.7. [Teorema di Girsanov]
Sia W un moto Browniano sullo spazio (, T, P) con ltrazione Browniana (T
t
). Sia
u un processo adattato tale che esista in [0, T] la soluzione L di
_
_
_
dL
t
= u
t
L
t
dW
t
,
L
0
= 1.
(4.18)
Se vale la condizione
E(L
T
) = 1, (4.19)
deniamo la misura di probabilità Q su T
T
mediante
dQ
dP
= L
T
in T
T
.
Allora il p.s. (

W
t
)
t[0,T]
denito da
d

W
t
= dW
t
u
t
dt, ossia

W
t
= W
t
_
t
0
u
s
ds,
è un moto Browniano nello spazio (, T
T
, Q).
4.5 Metodo Monte Carlo 65
Provare per esercizio, utilizzando la formula di Ito, che una soluzione di (4.18) è
data, almeno formalmente, da
L
t
= exp
__
t
0
u
s
dW
s
1
2
_
t
0
u
2
s
ds
_
.
Lipotesi (4.19) del Teorema di Girsanov non è facile da vericare in generale. Il
risultato seguente dà una condizione suciente.
Proposizione 4.8. [Condizione di Novikov] Supponiamo che
E
_
e
1
2
t
0
u
2
s
ds
_
< ,
allora il processo L denito da (4.18) è una martingala e vale la (4.19).
4.5 Metodo Monte Carlo
4.6 Put-Call parity
4.7 Formula di Black&Scholes
4.8 Volatilità implicita e generalizzazioni del mo-
dello di Black&Scholes
4.9 Opzioni asiatiche e modelli con dipendenza dal
passato
Bibliograa
[1] T. Bj
ork, Arbitrage theory in continuous time, Second edition, Oxford University

Press, Oxford, 2004.
[2] F. Black and M. Scholes, The pricing of options and corporate liabilities, J.
Political Economy, 81 (1973), pp. 637654.
[3] H. Brezis, Analisi funzionale, Liguori Editore, Napoli, 1983. Teoria e
applicazioni.
[4] J. Cox, S. Ross, and M. Rubinstein, Option pricing: a simplied approach,
J. Financial Econ., 7 (1979).
[5] R. Durrett, Brownian motion and martingales in analysis, Ed. Wadsworth
Advance Book & Softer, 1984.
[6] A. Einstein, On the movement of small particles suspended in a stationary liquid
demanded by molecular kinetic theory of heat, Ann. Phys., 17 (1905).
[7] T. W. Epps, Pricing derivative securities, World Scientic, Singapore, 2000.
[8] I. Karatzas and S. E. Shreve, Brownian motion and stochastic calculus,
vol. 113 of Graduate Texts in Mathematics, Springer-Verlag, New York, second ed.,
1991.
[9] L. C. G. Rogers and D. Williams, Diusions, Markov processes, and mar-
tingales. Vol. 1, Cambridge Mathematical Library, Cambridge University Press,
Cambridge, 2000. Foundations, Reprint of the second (1994) edition.
[10] , Diusions, Markov processes, and martingales. Vol. 2, Cambridge Mathema-
tical Library, Cambridge University Press, Cambridge, 2000. Ito calculus, Reprint
of the second (1994) edition.
67
68 BIBLIOGRAFIA
[11] D. Williams, Probability with martingales, Cambridge Mathematical Textbooks,
Cambridge University Press, Cambridge, 1991.
Indice analitico
E(X [ (), 19
E(, B)18
E(), 11
L
1
, 11
L
2
, 42, 43
N
,
2, 8
P( [ B), 15
P
X
, 9
V
(2)
T
(, s), 41
V
T
(, s), 40
X
+
, 11
T
X
t
, 34
(x, t), 8
2
, 43
, 14
, 7
x
0
, 7
dQ
dP
, 17
W)
T
, 41
X)
t
, 50
X
1
, X
2
)
t
, 54
, 16
B, 5
X
, 9
(X), 14
-algebra, 5
-algebra generata da una v.a., 14
, 9
var (), 13
T, 34
m, 7
-algebra generata da, 5
Arbitraggio, 24, 58
Assoluta continuit` a, 16
Attesa di una v.a. condizionata a una -
algebra , 19
Attesa di una v.a. condizionata ad un even-
to, 18
Borelliani, 5
Curva retticabile, 40
Delta, 30
Delta di Dirac, 7
Densità di una distribuzione, 6
Derivata di Radon-Nikodym, 17
Distribuzione, 6
Distribuzione di Cauchy, 8
Distribuzione di una v.a., 9
Distribuzione esponenziale, 7
Distribuzione normale, 8
Distribuzione normale standard, 14
Distribuzione uniforme, 7
Disuguaglianza di Holder, 38
Equazione del calore, 36
Equazione di Black&Scholes, 60
Equazione dierenziale stocastica, 53
69
70 INDICE ANALITICO
Eventi indipendenti, 15
Evento, 6
Evento certo, 6
Evento impossibile, 6
Filtrazione, 34
Formula di Ito, 51, 55
Funzione a variazione limitata, 40
Funzione caratteristica, 7
Funzione di distribuzione normale standard,
14
Funzione di distribuzione, 9
Funzione integrabile, 11
Funzione sommabile, 11
Holder, 38
Indipendenza, 16
Integrale, 10
Integrale di It
O, 47
Integrale di Ito, 43
Integrale di Riemann-Stieltjes, 40
Isometria di Ito, 45, 47
Martingala, 28, 37
MB, 34
mg, 37
Misura -nita, 17
Misura assolutamente continua, 16
Misura di Lebesgue, 7
Misura di probabilità, 6
Misura martingala equivalente, 26, 64
Misura risk neutral, 26
Misure equivalenti, 17
Modello binomiale, 21
Moto Browniano geometrico, 52
Moto Browniano reale, 34
Moto Browniano standard, 34
Operatore del calore, 36
p.s., 33
Parametro di nezza, 39
PNA, 24, 58
Portafoglio, 23, 57
Portafoglio adattato, 27
Portafoglio autonanziante, 23, 58
Portafoglio di arbitraggio, 24, 58
Portafoglio di replica, 29
Prezzo di mercato del rischio, 63
Principio di Non Arbitraggio, 24, 58
Probabilità condizionata a un evento, 15
Probabilità oggettiva o del mondo reale,
22, 62
Problema di Cauchy, 36
Processo L
2
-continuo, 48
Processo adattato, 37
Processo di Ito, 49
Processo semplice, 43
Processo stocastico, 33
Processo variazione quadratica, 50
Processo variazione quadratica congiunta,
54
q.s., 19
Rendimento atteso, 36
Scomposizione, 38
SDE, 53
Soluzione fondamentale dellequazione del
calore, 37
Spazio di probabilità, 6
Strategia, 23, 57
INDICE ANALITICO 71
Strategia adattata, 27
Tasso di rendimento atteso, 53
Teorema di Girsanov, 63, 64
Teorema di Ito, 51, 55
Teorema di Radon-Nikodym, 17
Teorema di rappresentazione delle martin-
gale, 49
v.a., 9
v.a. semplice, 10
Valore atteso, 11
Variabile aleatoria, 9
Varianza, 13
Variazione, 40
Variazione quadratica, 41
Volatilit` a, 36, 53

Teoria Della Probabilita e Calcolo Stocastico Per La Finanza (Pascucci)

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Teoria Della Probabilita e Calcolo Stocastico Per La Finanza (Pascucci)

Uploaded by

Copyright:

Available Formats

Corso di Alta Formazione in

XdP +ossia non `e detto che lintegrale di X converga. Questa

sono entrambe v.a. non-negative e vale X = X

dP (deniti nel passo II) `e nito, si dice che X `e

XdP pu`o essere nito o innito (). Se entrambi

2. Infatti, per il Teorema 1.15, per ogni H B si ha

(R]0, +[), L = 0 in R]0, +[.

> 0 tale che

di [0, t], poniamo

> 0 tale che se [s[ <

u(x, ) = 0, (x, ) R]0, T[,

W in (, T, Q), e consideriamo un altro titolo

ork, Arbitrage theory in continuous time, Second edition, Oxford University

You might also like