Случайные процессы

Разложение Леви-Ито и jump-diffusion

Цели урока

Сформулировать три аксиомы процесса Леви и привести примеры
Применить теорему Леви-Хинчина для описания процесса через тройку (b, sigma^2, nu)
Интерпретировать меру Леви как интенсивность скачков
Использовать разложение Леви-Ито для симуляции и ценообразования

Предварительные знания

Броуновское движение
Пуассоновские процессы
Точечные процессы

19 октября 1987 года. S&P 500 падает на 22.6% за один день. В модели Блэка-Шоулза вероятность этого события: 10^{-160}. Число атомов во вселенной - 10^{80}. Броуновское движение не умеет описывать катастрофы. Процессы Леви - умеют.

Bloomberg: ценообразование экзотических деривативов через Variance Gamma и CGMY
Риск-менеджмент: VaR с тяжёлыми хвостами через alpha-stable распределения
Диффузионные модели: Леви-шум для генерации изображений с острыми деталями
Телекоммуникации: self-similar трафик через alpha-stable Леви-процессы

Леви, Хинчин и математика скачков

Поль Леви разработал теорию процессов с независимыми приращениями в 1930-40-х годах. Александр Хинчин независимо получил характеристическую экспоненту в 1937 году. Совместная теорема носит их имена. Разложение Леви-Ито (названное в честь обоих и Кийоши Ито) было установлено в 1950-х. Прорыв в финансах: Дилип Мадан и коллеги в 1990-х ввели Variance Gamma и CGMY модели, вытеснившие GBM в экзотических деривативах.

Определение и примеры процессов Леви

Эта лекция углубляет теорию процессов Леви: фокус на разложении Леви-Ито, формуле Леви-Хинчина и применениях jump-diffusion в опционном ценообразовании и нейронных SDE. 19 октября 1987 года. S&P 500 падает на 22.6% за один день. Броуновское движение не могло этого предсказать - вероятность такого события в гауссовой модели составляет 10^{-160}. Процессы Леви включают скачки. Это не расширение модели ради красоты - это требование реальности.

Variance Gamma процесс применяется в модели ценообразования опционов Madan-Carr-Chang (1998). В отличие от модели Блэка-Шоулза, VG захватывает скошенность и эксцесс реальных доходностей.

Compound Poisson process = частный случай Леви: nu(dx) = lambda * F_jump(dx). Броуновское движение - предел такого процесса при lambda -> inf и мелких скачках.

Что отличает процесс Леви от броуновского движения?

Процессы Леви - широкий класс: броуновское движение, пуассоновские процессы, compound Poisson. Ключевое обобщение - возможность скачков при сохранении независимых стационарных приращений.

Теорема Леви-Хинчина и разложение Ито

Любой процесс Леви - это три компоненты. Снос. Диффузия. Скачки. Теорема Леви-Хинчина утверждает: ничего четвёртого нет. Каждый бесконечно делимый процесс с независимыми приращениями разбирается на эти три части - и никак иначе.

Финансовая модель CGMY

Процесс Леви в ценообразовании опционов

Carr-Geman-Madan-Yor (CGMY) процесс задаётся мерой Леви: nu(dx) = C * exp(-M*x)/x^{1+Y} для x > 0 и C * exp(-G*|x|)/|x|^{1+Y} для x < 0. Параметр Y in (0,2) контролирует активность малых скачков. При Y -> 2 процесс приближается к броуновскому движению. CGMY используется Bloomberg для pricing экзотических деривативов на индексах.

Процессы Леви с бесконечной активностью (nu(R \ {0}) = inf) имеют бесконечно много скачков за конечное время. Траектории непрерывны справа, но имеют счётно много разрывов. Симуляция требует дискретизации меры Леви.

Что описывает мера Леви nu в тройке (b, sigma^2, nu)?

Мера Леви nu описывает, как часто и какого размера происходят скачки. nu(A) = ожидаемое число скачков в A за единицу времени. Условие на nu гарантирует существование процесса.

Применения в финансах и нейронных сетях

Stable Diffusion генерирует изображения через обратную диффузию. Что если шум - не гауссов, а Леви? Alpha-stable Lévy noise в диффузионных моделях 2023 года даёт более острые текстуры, лучше захватывает редкие детали. Процессы Леви - не только финансы.

Alpha-stable распределения (частный случай Леви без дисперсии) применяются в современных ML для noise injection: при alpha = 2 это Гаусс, при alpha < 2 - тяжёлые хвосты. LeCun et al. (2023) используют alpha-stable noise для регуляризации нейронных сетей.

Почему экспоненциальная Леви-модель лучше GBM для реальных рынков?

Реальные логдоходности имеют: эксцесс > 3, скошенность != 0, редкие большие движения. GBM предсказывает нормальное распределение. Леви-модели через меру nu описывают скачки и тяжёлые хвосты.

Связи с другими разделами

Процессы Леви объединяют диффузию, точечные процессы и финансовую математику

Финансовая математика — Связанная тема
Стохастическое управление — Связанная тема
SPDE — Связанная тема
ML: диффузионные модели — Связанная тема

Итоги

Процесс Леви: X_0=0, независимые стационарные приращения, непрерывность по вероятности
Теорема Леви-Хинчина: любой Леви-процесс задаётся тройкой (b, sigma^2, nu)
Мера Леви nu(A) = ожидаемое число скачков размером A за единицу времени
Разложение Ито: снос + диффузия + большие скачки + компенсированные малые скачки

Вопросы для размышления

Почему броуновское движение является частным случаем процесса Леви, но не наоборот?
Как мера Леви nu определяет, является ли процесс конечной или бесконечной активности?
Чем alpha-stable процессы опасны для риск-менеджмента при alpha < 2?

Связанные уроки

sp-23 — Точечные процессы - компонента скачков Леви
sp-20 — Броуновское движение - непрерывная часть процесса Леви
sp-25-stochastic-control — Управление системами с Леви-шумом
sp-26-spde — SPDE с прыжковыми членами используют Леви-меры