2025-05-06 03:42:09
ก่อนหน้านี้เราได้แนะนำ Brownian Motion และ Wiener Process เพื่อเป็นรากฐานของการสร้างแบบจำลองเส้นทางราคาสินทรัพย์ อย่างไรก็ตาม Brownian Motion แบบปกติมีโอกาสที่ค่าจะติดลบ ซึ่งไม่สะท้อนความเป็นจริงของราคาหุ้นที่ไม่สามารถต่ำกว่า 0 ได้ ดังนั้นจึงจำเป็นต้องพัฒนาโมเดลใหม่ที่ยังคงลักษณะความสุ่มไว้ แต่แก้ปัญหาเรื่องค่าติดลบ นั่นคือ Geometric Brownian Motion (GBM)
แต่ก่อนที่จะพูดถึง GBM เราต้องทำความเข้าใจกับ สมการเชิงอนุพันธ์สุ่ม (Stochastic Differential Equation หรือ SDE) เสียก่อน
ในโลกของความสุ่ม กฎของแคลคูลัสทั่วไปใช้ไม่ได้ตรงๆ เนื่องจาก Brownian Motion มีลักษณะไม่เรียบ (non-differentiable) และมีพฤติกรรมสุ่ม เราจึงต้องใช้ การอินทิเกรตเชิงสุ่ม (Stochastic Integral) แทน
นิยาม: การอินทิเกรตเชิงสุ่ม (Stochastic Integral)
กำหนดฟังก์ชัน f(t)f(t)f(t) ที่ไม่รู้ค่าล่วงหน้า (non-anticipatory) อินทิเกรตเชิงสุ่มของ fff กับ Brownian Motion B(t)B(t)B(t) คือ:
∫0Tf(t) dB(t)\int_0^T f(t) \, dB(t)∫0Tf(t)dB(t)
ฟังก์ชัน f(t)f(t)f(t) ต้องไม่สามารถใช้ข้อมูลจากอนาคตของ B(t)B(t)B(t) ได้ เช่น ถ้า f(t)f(t)f(t) เป็นกลยุทธ์การลงทุนตามราคา B(t)B(t)B(t) การใช้ข้อมูลในอนาคตจะเท่ากับโกงตลาด
แม้ว่า dB(t)dB(t)dB(t) จะไม่สามารถตีความว่าเป็นอนุพันธ์ในเชิงคลาสสิกได้ แต่เรามักเขียนในรูปย่อ:
dX(t)=μ(t,X(t)) dt+σ(t,X(t)) dB(t)dX(t) = \mu(t, X(t)) \, dt + \sigma(t, X(t)) \, dB(t)dX(t)=μ(t,X(t))dt+σ(t,X(t))dB(t)
ซึ่งเป็น สมการเชิงอนุพันธ์สุ่ม (SDE) ที่แสดงการเปลี่ยนแปลงของ X(t)X(t)X(t)
นิยาม: สมการเชิงอนุพันธ์สุ่ม (Stochastic Differential Equation)
ให้ B(t)B(t)B(t) เป็น Brownian Motion หาก X(t)X(t)X(t) เป็นกระบวนการสุ่มที่เปลี่ยนแปลงตาม:
dX(t)=μ(t,X(t)) dt+σ(t,X(t)) dB(t)dX(t) = \mu(t, X(t)) \, dt + \sigma(t, X(t)) \, dB(t)dX(t)=μ(t,X(t))dt+σ(t,X(t))dB(t)
โดยที่:
แล้ว X(t)X(t)X(t) คือกระบวนการที่เรียกว่า Ito Process หรือ Ito drift-diffusion process
SDE คือเครื่องมือหลักในการสร้างแบบจำลองการเปลี่ยนแปลงของตัวแปรที่มีความสุ่ม เช่น ราคาสินทรัพย์ โดยผสมระหว่าง:
อ้างอิง : Stochastic Differential Equations
จาก https://www.quantstart.com/articles/Stochastic-Differential-Equations/
2025-01-10 10:12:01
2024-06-10 03:19:31
2024-05-31 03:06:49
2024-05-28 03:09:25
บทความที่น่าสนใจอื่นๆยังมีอีกมากลองเลืือกดูจากด้านล่างนี้ได้นะครับ
2024-11-14 09:39:32
2024-10-10 10:32:48
2023-11-01 02:54:29
2024-09-10 01:19:13
2024-02-12 02:25:28
2023-11-06 01:29:10
2023-11-06 10:52:55
2024-02-27 04:35:12
2025-03-26 10:38:23