2025-05-06 09:34:54
Ito's Lemma เป็นกฎพื้นฐานในแคลคูลัสเชิงสุ่ม (Ito Calculus) ที่ขยายกฎลูกโซ่ (chain rule) จากแคลคูลัสปกติให้สามารถใช้กับกระบวนการสุ่มอย่าง Brownian Motion ได้ โดยเฉพาะอย่างยิ่งในการประเมินฟังก์ชันที่ขึ้นกับเวลาและตัวแปรสุ่มพร้อมกัน เช่น f(t,X(t)) ซึ่งใช้กันมากในด้านการเงินคณิตศาสตร์
ในแคลคูลัสทั่วไป หากเรามีฟังก์ชัน Y=f(t,x(t)) และ x(t) เป็นฟังก์ชันของ t ปกติ เราใช้ chain rule ว่า:
dtdY=∂t∂f+∂x∂f⋅dtdx
แต่ถ้า x(t) เป็น กระบวนการสุ่ม (stochastic process) อย่าง Brownian motion หรือ Ito process กฎนี้จะไม่เพียงพอ เพราะ Brownian motion ไม่มีอนุพันธ์ในความหมายปกติ
หาก X(t) เป็น Ito process:
dX(t)=μ(t,X(t))dt+σ(t,X(t))dB(t)
และ f(t,X(t)) เป็นฟังก์ชันที่มีอนุพันธ์บางอย่างต่อเนื่องครบถ้วนแล้ว Ito’s Lemma จะให้:
df(t,X(t))=(∂t∂f+μ∂x∂f+21σ2∂x2∂2f)dt+σ∂x∂fdB(t)
ถ้า dS=μSdt+σSdB, แล้วต้องการหา d(lnS):
ใช้ Ito's Lemma กับ f(S)=lnS จะได้:
df=(S1⋅μS−21⋅S21⋅σ2S2)dt+S1⋅σSdB=(μ−21σ2)dt+σdB
ซึ่งตรงกับผลที่ใช้ในบท Geometric Brownian Motion
สรุปสั้น: Ito’s Lemma คือ “chain rule สำหรับสมการสุ่ม” ที่สำคัญต่อการแก้ SDE และนำไปสู่การหาสูตรของ Black-Scholes
อ้างอิง : Ito's Lemma
จาก https://www.quantstart.com/articles/Itos-Lemma/
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
2024-02-19 05:37:43
2025-03-20 05:13:20
2024-09-25 04:56:27
2024-04-23 05:12:21
2024-11-06 11:31:16
2024-03-18 04:29:28
2024-06-10 11:37:20
2023-11-09 03:02:23