Il Processo Stocastico Martingala e sue Applicazioni in Finanza

Dimensione: px
Iniziare la visualizzazioe della pagina:

Download "Il Processo Stocastico Martingala e sue Applicazioni in Finanza"

Transcript

1 Il Processo Stocastico Martingala e sue Applicazioni in Finanza Rosa Maria Mininni a.a Introduzione Scopo principale della presente dispensa é quello di illustrare i concetti matematici fondamentali della teoria delle martingale e di evidenziare la vasta applicabilità della teoria delle martingale per la rappresentazione delle problematiche di ordine finanziario. A questo scopo verranno presentate alcune applicazioni relative al prezzaggio delle opzioni e dei titoli sottostanti. Nel complesso si cercherà di verificare fino a che punto l uso dei processi martingale sia compatibile, in termini di congruenza, con le logiche sottostanti il funzionamento dei mercati finanziari ed inoltre si illustreranno le tecniche, utilizzate dalle moderne metodiche in materia di asset pricing, di trasformazione dei processi stocastici in martingale laddove tale trasformazione permette agli analisti finanziari una più facile trattazione delle problematiche finanziarie. 2 Cenni storici Il termine martingala si ricollega ad una serie di strategie utilizzate dagli scommettitori francesi nel XVIII secolo. La più semplice di queste strategie veniva usata in una sequenza di scommesse sugli esiti del lancio di una moneta equa (cioè con eguale probabilità 1/2 di uscire testa o croce ad ogni lancio, indipendentemente dall esito dei lanci precedenti): un giocatore vince (perde) una somma di danaro, pari alla posta S n da lui liberamente scelta al lancio n, se si verifica l evento esce testa ( esce croce ). La strategia consiste nell iniziare puntando la somma 1 alla prima giocata e, in seguito, ancora 1 dopo una vincita (testa), e raddoppiando sistematicamente la posta precedente S n+1 = 2 S n dopo una perdita (croce). Utilizzando questa strategia, la distribuzione di probabilità della vincita dello scommettitore dopo N puntate è (al crescere di N) fortemente asimmetrica: bassa probabilità di forti perdite che compensa un alta probabilità di Dipartimento di Matematica, Università di Bari Aldo Moro 1

2 2 piccoli guadagni, ma la vincita attesa (speranza matematica), qualunque sia il numero di scommesse della sequenza, è sempre 0. Per esempio, dopo 3 giocate il guadagno può essere +3(sequenza T T T ), +2(T CT e CT T ), +1(T T C e CCT ), 0(CT C), -2(T CC), -7(CCC) e la conclusione segue, tenendo conto che ciascuna sequenza ha probabilità pari a 1/8. Indichiamo con X 0, X 1, X 2,... il denaro posseduto dal giocatore rispettivamente prima del primo lancio (X 0 ), dopo il primo lancio (X 1 ), dopo il secondo lancio (X 2 ) e così via. Allora, da quanto spiegato sopra, il valore atteso di X N, ovvero del denaro posseduto (guadagno) dopo N lanci, sarà semplicemente X 0, ovvero la somma inizialmente posseduta. Ma se è noto che dopo m lanci il giocatore possiede la somma X m, l aspettativa più ragionevole riguardo alla vincita dopo N lanci (con N > m) sarà invece X m. Questa è appunto la proprietà di martingala. Se ne deduce, quindi, che questa tecnica, che apparentemente conduce ad una vincita finale certa, é invece la causa di forti perdite da parte di scommettitori. Un analisi più attenta mostra, infatti, che la posta da mettere in gioco aumenta esponenzialmente con i lanci perdenti, e ci si convince facilmente del fatto che, per assicurarsi la vittoria, bisognerebbe disporre di un capitale infinito da poter scommettere, e bisognerebbe che anche il banco fosse disposto ad accettare poste di qualsiasi taglia. La vincita netta è solamente la posta iniziale. Ironia della sorte, uno dei risultati elementari dimostrati dall odierna teoria delle martingale è proprio l inesistenza di un sistema di scommesse vincente. Il concetto di martingala è stato introdotto nella Teoria della Probabilità da Paul P. Lévy. Gran parte dei risultati avanzati riguardanti le martingale sono stati prodotti da Joseph L. Doob, con contributi importanti da parte di K. Itô sulle applicazioni analitiche. Dagli anni settanta, la teoria delle martingale ha trovato ampie applicazioni in molti settori della matematica pura ed applicata. In particolare, nella Teoria della Probabilità, in Fisica Matematica, ed in Finanza Matematica. Il successo di tale teoria é tale che essa risulta una delle poche branche della matematica nota anche a studiosi di altre discipline, in particolare da chi si occupa di finanza e tecniche di borsa. Anche grazie ai contributi dati a questa teoria, Lèvy, Itô e Doob sono considerati tra i maggiori matematici del XX secolo. 3 Premesse Sia assegnato uno spazio di probabilità (Ω, F, P). Definizione 1. Si dice che B F é un evento trascurabile (risp. certo) se P(B) = 0 (risp. P(B) = 1). Indichiamo con l insieme degli eventi trascurabili. N = {B F P(B) = 0} Definizione 2. Una filtrazione nello spazio di probabilità (Ω, F, P) é una famiglia {F t } t 0 di sotto σ-algebre di F (cioè F t F per ogni t 0), tale che:

3 3 i. per ogni 0 s < t, si ha che F s F t. Nel seguito si supporrà che una filtrazione soddisfa anche le seguenti condizioni: ii. F 0 ( e quindi anche F t per ogni t > 0) contiene N; iii. per ogni t > 0 si ha F t = u>0f t+u (continuità a destra). Una filtrazione può essere interpretata come una successione crescente (proprietà i.) di informazioni a disposizione del decision-maker nei vari istanti di tempo t. Una variabile aleatoria si dice F t - misurabile se è completamente definita e quindi nota, dato il set informativo F t al tempo t. Inoltre, la proprietà iii. garantisce che, sapendo che una v.a. é F s - misurabile per ogni s > t, allora essa è anche F t - misurabile. Definizione 3. Dato un processo stocastico X = (X t ) t 0 nello spazio (Ω, F, P), la filtrazione naturale per X è definita da F X t = σ(x s, 0 s t), t 0. Poniamo per t 0, Ft X := u>0 F ) t+u X dove FX t := σ ( FX t N. Si verifica che (F X t ) t 0 é una filtrazione che soddisfa le proprietà ii. e iii.. Essa é detta filtazione standard per X. Il valore atteso condizionale E(X F t ) di una variabile aleatoria X, definita sullo spazio di probabilità (Ω, F, P), rispetto alla filtrazione {F t } t 0, é definito in modo analogo al valore atteso condizionale di X rispetto a una variabile aleatoria Y, E(X Y ), e gode di alcune importanti proprietà: a) per ogni t > 0, E[E[X F t ]] = E[X]; b) se X è F t - misurabile allora E[X F t ] = x, dove x rappresenta la realizzazione della v.a. X osservata sulla base delle informazioni contenute nella σ-algebra F t ; c) per ogni t > 0 e per ogni a 1, a 2 R, E[(a 1 X 1 + a 2 X 2 ) F t ] = a 1 E[X 1 F t ] + a 2 E[X 2 F t ], proprietà di linearità; d) se X 0, allora per ogni t 0 E[X F t ] 0, proprietà di positività; e) se Z è F t - misurabile allora E[Z X F t ] = Z E[X F t ], infatti Z è noto sulla base delle informazioni contenute in F t. Definizione 4. Sia X = (X t ) t 0 un processo stocastico nello spazio (Ω, F, P) e sia {F t } t 0 una filtrazione di tale spazio. Si dice che X é F t -adattato se X t é F t -misurabile per ogni t. Chiaramente, la filtrazione standard é la più piccola filtrazione rispetto a cui X é adattato.

4 4 4 Il processo stocastico Martingala I dati di natura finanziaria sono tipicamente strutturati come serie storiche. Tali serie statistiche possono essere intese come una successione di osservazioni che si sviluppano in un fissato periodo temporale. Dal punto di vista probabilistico, una serie storica deve essere interpretata come una particolare traiettoria di un processo stocastico. Una martingala rappresenta un particolare processo stocastico frequentemente utilizzato nella modellizzazione delle dinamiche finanziarie. Definizione 5. Sia X = {X t } t 0 un processo stocastico su uno spazio di probabilià (Ω, F, P), e {F t } t 0 una filtrazione di tale spazio. Il processo X é una martingala rispetto a {F t } t 0 se valgono le seguenti condizioni: (i) X é adattato; (ii) E[ X t ] < ; (iii) per ogni s < t, E[X t F s ] = X s, con X s noto. (La condizione (iii) è verificata quasi ovunque (q.o.) trascurabili.) in Ω cioè escludendo gli eventi Osserva. La condizione (ii) é detta proprietà di integrabilità. Essa afferma che il valore atteso del modulo di X t, per ogni t, esiste finito. La condizione (iii) é detta proprietà di martingala. Essa afferma che la legge di dipendenza tra le variabili aleatorie che definis-cono il processo X é caratterizzata dal fatto che il valore atteso (previsione) di uno stato futuro del processo, nota l evoluzione dello stesso nei tempi precedenti, dipende solo dall ultima osservazione realizzata. Vale quindi la proprietà di Markov. Perciò una martingala è detto essere un processo markoviano. Analogamente alle martingale vengono definite le submartingale e le supermartingale. Definizione 6. Siano valide le ipotesi della Definizione 5. Il processo X é una submartingala (risp. supermartingala) rispetto a {F t } t 0 se valgono le seguenti condizioni: (i) X é adattato; (ii) E[ X t ] < ; (iii) per ogni s < t, E[X t F s ] X s (risp. E[X t F s ] X s ) (q.o. in Ω), con X s noto. Osserva. Sulla base di queste definizioni si deduce che un processo stocastico si comporta come una martingala se le sue possibili traiettorie non mostrano uno specifico trend sottostante, ovvero se le direzioni assunte dai movimenti futuri sono, in media, uguali ai valori osservati all istante attuale. Qualora le traiettorie di un processo individuino un trend di lungo periodo, allora il processo non si potrebbe configurare come una martingala. Supponendo che {X t } t 0 sia una martingala e considerando la previsione al tempo t > 0 relativa ad una variazione del processo su un intervallo di tempo di lunghezza t, si ha

5 5 che: E[X t+ t X t F t ] = E[X t+ t F t ] E[X t F t ] = X t X t = 0, ovvero l incremento di una traiettoria del processo in un intervallo di ampiezza t é, in media, nulla. Diversamente, se il processo {X t } t 0 é una submartingala, allora E[X t+ t X t F t ] 0 e il processo é, in media, crescente, mentre se {X t } t 0 é una supermartingala, allora e il processo é, in media, decrescente. E[X t+ t X t F t ] Trasformazione di submartingale in martingale: scomposizione di Doob-Meyer Spesso i processi che si definiscono nella realtà non sono martingale, nel senso che i movimenti futuri non sono completamente imprevedibili, ovvero le variazioni medie non sono pari a zero, date le informazioni correnti. I prezzi delle attività finanziarie si comportano, infatti, come delle supermartingale, o ancora più frequentemente come delle submartingale. Esiste, tuttavia, una connessione tra le martingale e le submartingale, attraverso la quale é possibile convertire le seconde nelle prime. Un primo metodo di trasformazione é quello che sfrutta la cosiddetta scomposizione di Doob-Meyer. Approccio diretto: scomposizione di Doob-Meyer Sia (Ω, F, P) uno spazio di probabilià e {F t } t 0 una filtrazione in tale spazio. Definizione 7. Dato un processo stocastico (A t ) t 0 su (Ω, F, P), si dice che (A t ) é prevedibile se A 0 F 0, e, per ogni t 0, si ha che A t+ t é F t -misurabile ( t > 0). Un processo (A t ) t 0 é detto crescente se é prevedibile e le sue traiettorie sono crescenti quasi ovunque, cioè per ogni s, t 0, s < t si ha 0 = A 0 A s (ω) A t (ω), per quasi ogni ω Ω. Teorema 1. (di scomposizione di Doob-Meyer): Sia {X t } t 0 una submartingala rispetto a {F t } t 0. Allora esiste ed é unica la seguente scomposizione X t = S t + A t, t 0 dove {S t } t 0 é una martingala e {A t } t 0 é un processo crescente.

6 6 Con il teorema di Doob-Meyer é possibile scomporre, in maniera univoca, una submartingala in una martingala più un elemento residuo che é rappresentato da un processo crescente e prevedibile (trend). In sintesi, tale teorema afferma che sottraendo da una submartingala (in media crescente) {X t } t 0 un processo a traiettoria crescente (A t ) t 0, le deviazioni rispetto al trend assumono un comportamento assolutamente irregolare. Questo processo trasformato {S t } t 0 é proprio una martingala. Con la tecnica di scomposizione di Doob-Meyer si evidenzia, dunque, come sia possibile trasformare direttamente una submartingala in modo da ottenere una martingala Scomposizione di Doob-Meyer applicata alla valutazione di un opzione Abbiamo già visto che il payoff alla scadenza T di un opzione call è dato da f T = max(0, S T K), dove S = (S t ) t 0 é il processo stocastico che definisce il prezzo del titolo azionario sottostante l opzione. Si assume che tale processo sia definito su di uno spazio di probabilità (Ω, F, P) e sia {F t } t 0 la filtrazione standard per S. Dal momento che il prezzo S T non é noto al tempo t < T, occorre considerare il valore atteso: E[f T F t ] = E[max(0, S T K) F t ]. Data tale previsione ci si potrebbe chiedere se il più equo valore della call al tempo t possa considerarsi uguale al valore scontato di E[f T F t ]. In altre parole, fissato il tasso di attualizzazione r, si tratta di verificare che da cui segue che f t = e r (T t) E[f T F t ] = E[e r (T t) f T F t ], t < T (1) E[e r T f T F t ] = e r t f t. Quest ultima uguaglianza é vera se il processo scontato (e r t f t ) t 0 é una martingala rispetto alla filtrazione standard {F t } t 0. Dal momento che il prezzo della call viene definito sulla base del prezzo del titolo sottostante, si può affermare che la dinamica del processo (e r t f t ) t 0 segue quella del processo S e quindi di (e r t S t ) t 0. Nella realtà finanziaria il processo S non si comporta come una martingala. Infatti, data la rischiosità cui un titolo azionario é normalmente soggetto, il valore scontato al tasso privo di rischio r non corrisponde al prezzo valutato al tempo presente t, a causa dell esistenza di un premio per il rischio, il quale rappresenterebbe un elemento residuale non incorporato nel tasso di sconto. Il premio é tanto maggiore quanto maggiore é il rischio del titolo. In termini probabilistici, questo può essere espresso nel modo seguente: ossia E[e r (T t) S T F t ] > S t E[e r T S T F t ] > e r t S t

7 7 ovvero il processo (e r t S t ) t 0 é una submartingala. Tale risultato emerge dal fatto che nell attualizzazione si utilizza un tasso privo di rischio in un contesto non neutrale al rischio. Sfruttando però il teorema di scomposizione di Doob-Meyer é possibile decomporre in maniera univoca il processo (e r t S t ) t 0 nella somma di una martingala (M t ) t 0 e di un processo crescente (A t ) t 0 : e r t S t = M t + A t. (2) Una volta determinata l evoluzione del trend A t é possibile utilizzare la scomposizione (2) al fine di ricavare il processo martingala M t M t = e r t S t A t, tramite il quale é possibile definire il valore di mercato di una call option al tempo t. Infatti, per la definizione di processo martingala segue che E[e r T S T A T F t ] = e r t S t A t da cui si deduce che il processo (e r t S t A t ) t 0, depurato dall effetto tendenziale di lungo periodo, é una martingala. Questa correzione nel processo del prezzo del titolo azionario garantisce la stazionarietà nel processo che definisce la dinamica del valore di una call. In tal modo si può sfruttare la relazione (1) per ipotizzare il prezzo equo dell opzione call al tempo t. In realtà, questo metodo, data la difficoltà implicita nella stima del processo (A t ) t 0, é raramente applicato nella pratica. É più conveniente convertire il processo S dei prezzi in una martingala non sottraendo il loro trend ma cambiando la distribuzione di probabilità del sottostante. 4.2 Trasformazione della misura di probabilità e il Teorema di Girsanov Un altro metodo di conversione di submartingale in martingale si fonda sulla trasformazione della distribuzione di probabilità che governa un processo a traiettorie crescenti. Abbiamo visto nella sezione precedente che il processo (e r t S t ) t 0, definito come valore attuale in t del prezzo di un titolo azionario, ad un tasso di attualizzazione privo di rischio r, é una submartingala rispetto all assegnata misura di probabilità. In questo caso, é possibile cercare una nuova misura di probabilità rispetto a cui il processo scontato (e r t S t ) t 0 diventi una martingala, mantenendo il tasso r come tasso di attualizzazione. Le misure di probabilità attraverso le quali é possibile trasformare processi che non sono martingale in martingale vengono dette misure equivalenti di probabilità. Le condizioni generali che permettono la trasformazione delle misure probabilistiche sono definite nel Teorema di Girsanov. Prima di passare alla presentazione formale del teorema é opportuno introdurre brevemente la problematica della trasformazione di misura di probabilità attraverso il caso di una variabile aleatoria con distribuzione normale. Sia (Ω, F, P) una spazio di probabilità. Si consideri una variabile aleatoria Z N(0, 1) definita su (Ω, F, P). Sappiamo che la funzione densità di probabilità di Z é il differenziale

8 8 della funzione di distribuzione cumulata, cioè per ogni z R F Z (z) = P(Z z) = z f(u) du ovvero df (z) = f(z) dz = 1 2π e z2 /2 dz. Da ora in poi, per comodità, consideremo la seguente identificazione: df Z(ω) (z) dp(ω), ω Ω Definiamo ora la v.a. L : Ω [0, + ) funzione di Z nel seguente modo: L := H(Z) = e µ Z µ2 /2 Se per un fissato ω Ω si ha Z(ω) = z, moltiplicando L(ω) = H(z) per dp(ω), si ottiene la trasformazione di misura L(ω) dp(ω) = 1 2π e µ z µ2 /2 z 2 /2 dz. (3) che determina una nuova misura di probabilità indicata dalla seguente espressione dq(ω) = 1 2π e (µ z)2 /2 dz. (4) Osserva La (4) rappresenta la funzione di distribuzione cumulata di una distribuzione normale N(µ, 1). Quindi, pur rimanendo invariata la dispersione della variabile aleatoria intorno alla media (σ 2 = 1), le due misure di probabilità sono diverse, dal momento che le medie su cui sono centrate non coincidono ed inoltre esse assegnano valori di probabilità differenti agli stessi intervalli. Si noti, inoltre, che la trasformazione di misura (3) é invertibile, infatti si ha che: (L(ω) 1 dq(ω) = dp(ω). (5) La v.a. L può essere interpretata come rapporto tra due misure: L = dq dp ed é detta derivata di Radon-Nikodym. Perché la v.a. L esista é necessario che il denominatore del rapporto (6) sia diverso da zero. La trasformazione inversa (5) implica, inoltre, che anche il numeratore di (6) sia diverso da zero, Se ne deduce quindi che condizione necessaria e sufficiente affinchè la derivata di Radon-Nikodym esista é che, (6) Q(A) > 0 P(A) > 0, A F Quando questa condizione risulta soddisfatta allora la v.a. L esiste e può essere utilizzata per passare da P a Q. In questo caso le due misure sono dette misure equivalenti di probabilità perchè assegnano probabilità positive agli stessi domini. Sebbene le misure di probabilità siano differenti, é quindi sempre possibile, tramite la derivata di Radon- Nikodym, convertire l una nell altra.

9 9 Il Teorema di Girsanov fornisce le condizioni di esistenza della derivata di Radon- Nikodym nel caso di processi stocastici continui. Per introdurre il teorema nella sua forma più generale, occorre preliminarmente definire alcuni elementi. Siano (F t ) t [0,T ] una filtrazione di (Ω, F, P), (Z t ) t [0,T ] un processo stocastico adattato alla filtrazione (F t ) t [0,T ] e (W t ) t [0,T ] un moto Browniano definito sullo stesso spazio di probabilità. Valga, inoltre, la seguente condizione di limitatezza [ ( 1 T )] E exp Z t 2 dt < +, 2 0 che implica che le traiettorie Z t del processo non devono crescere o decrescere troppo velocemente nel tempo. Teorema 2. (di Girsanov): Sia (X t ) t [0,T ] una martingala esponenziale rispetto a (F t ) t [0,T ], associata al processo (Z t ) t [0,T ]. Consideriamo la misura Q definita da Allora il processo stocastico definito da W t = W t d Q dp := X T. (7) t 0 Z s ds t [0, T ] (8) é un moto Browniano su (Ω, F, Q), rispetto alla misura di probabilità Q definita in (7) ossia Q(A) = E P [I A X T ] = X T dp, A F. Osserva. Dal Teorema di Girsanov si deduce che moltiplicando la misura di probabilità P, che governa il processo di Wiener (W t ) t [0,T ], per la martingala (X t ) t [0,T ], che è una funzione esponenziale del processo (Z t ) t [0,T ], tramite l operazione di valore atteso, si ottiene una nuova misura di probabilità Q che governa il processo di Wiener ( W t ) t [0,T ] legato al precedente dalla relazione (8) definita nel Teorema. In quella espressione il passaggio da un moto browniano all altro é ottenuto sottraendo a W t un trend variabile nel tempo. La trasformazione della misura di probabilità tale da modificare la media, lasciando inalterata la varianza e i valori assunti dalla variabile aleatoria, é quindi un processo dipendente dal tempo che si svolge istante per istante. In ogni istante varia l elemento tendenziale da considerare per effettuare tale trasformazione. Si osservi, inoltre, che (X t ) t [0,T ] é un processo strettamente positivo e, quindi, è invertibile e se ne deduce che il processo ((X t ) 1 ) t [0,T ] è una martingala rispetto a (F t ) t [0,T ] sullo spazio di probabilità (Ω, F, Q). Vale allora la trasformazione inversa della (7), cioè A dp d Q := (X T ) 1, da cui si può verificare come il Teorema di Girsanov sia consistente con la descrizione della v.a. X T come rapporto di due misure di probabilità equivalenti.

10 Utilizzo delle misure equivalenti di probabilità nella valutazione di un opzione Con questo esempio si vuole evidenziare come nella valutazione dei prezzi di attività finanziarie si utilizzi la trasformazione delle misure di probabilità sottostanti per convertire dei processi che non sono martingale in martingale. Sia W = (W t ) t [0,T ] un moto Browniano, con W t N(µ t, σ 2 t) (t > 0) e sia (F t ) t [0,T ] la filtrazione standard per W. Sia S = (S t ) t [0,T ] il moto Browniano geometrico che rappresenta la dinamica del titolo azionario sottostante un opzione. Le sue traiettorie sono definite nel seguente modo: S t = S 0 e Wt, t [0, T ]. Poichè il processo S é definito come funzione esponenziale di W é evidente che la dinamica di S segue quella di W. Di conseguenza, la filtrazione (F t ) t [0,T ] é anche la filtrazione standard per S. Abbiamo visto che il valore atteso condizionato del processo S al tempo t + τ, nota la storia del processo fino al tempo t, é dato da E P [S t+τ F t ] = S t e µτ+σ2 τ/2 (9) Questa uguaglianza viene normalmente utilizzata nell ambito della valutazione dei prezzi di attività finanziarie. La misura di probabilità P rispetto a cui viene determinata la distribuzione di probabilità delle traiettorie S t rappresenta la vera legge di probabilità che governa gli shock sui prezzi. Come abbiamo già detto, non sempre questa misura di probabilità è necessariamente quella più conveniente da utilizzare. Sulla base del Teorema di Girsanov risulta, infatti, possibile determinare una misura di probabilità equivalente a quella data, tale da rendere più agevole la valutazione dei prezzi del titolo. Questo é vero, in particolare, se si può operare con misure di probabilità le quali rendono possibile la conversione dei prezzi in una martingala. Abbiamo visto nella Sezione che il processo (e r t S t ) t 0 é una submartingala e che tale risultato emerge dal fatto che nell attualizzazione si utilizza un tasso r privo di rischio in un contesto non neutrale al rischio. L idea é quella di trovare una misura di probabilità Q equivalente a P tale per cui il processo (e r t S t ) t 0 risulta una martingala. Il ruolo svolto dalla misura Q é proprio quello di rendere la dinamica delle grandezze finanziarie neutrale rispetto alla misura del rischio. Poichè la distribuzione di probabilità di W t, la cui dinamica rappresenta l elemento determinante il prezzo dell attività finanziaria, é una normale N(µ t, σ 2 t), si può allora pensare di definire un nuova distribuzione di probabilità del tipo: N(ρ t, σ 2 t) in cui l elemento che definisce la media risulta arbitrariamente modificato, mentre resta costante la varianza. Usando l espressione (9), il valore atteso condizionale del prezzo attualizzato rispetto alla nuova misura di probabilità Q diviene: E Q [e r τ S t+τ F t ] = S t e r τ e ρτ+σ2 τ/2 (10)

11 11 Dato che il parametro ρ é arbitrario, esso può essere scelto in modo tale che ovvero che La (10) diventa e quindi r τ + ρ τ + σ2 τ 2 = 0 ρ = r σ2 2. (11) E Q [e r τ S t+τ F t ] = S t E Q [e r (t+τ) S t+τ F t ] = e r t S t. Determinando un valore opportuno di ρ come nella (11) si ottiene, quindi, una misura di probabilità Q rispetto a cui il processo (e r t S t ) t [0,T ] é una martingala. Ne consegue allora che E[e r T S T F t ] = e r t S t e quindi E[e r (T t) S T F t ] = S t. Questo rende possibile il calcolo del prezzo attuale del titolo in un mondo neutrale verso il rischio, cioè mantenendo come tasso di attualizzazione il tasso r privo di rischio, normalmente conosciuto e facilmente reperibile. La trasformazione della misura di probabilità P in una ad essa equivalente é tale da lasciare inalterata la varianza e, dunque, il grado di volatilità dei prezzi.

Modelli Binomiali per la valutazione di opzioni

Modelli Binomiali per la valutazione di opzioni Modelli Binomiali per la valutazione di opzioni Rosa Maria Mininni a.a. 2014-2015 1 Introduzione ai modelli binomiali La valutazione degli strumenti finanziari derivati e, in particolare, la valutazione

Dettagli

Modelli matematici per la valutazione dei derivati: dalla formula CRR alla formula di Black-Scholes

Modelli matematici per la valutazione dei derivati: dalla formula CRR alla formula di Black-Scholes Capitolo 4 Modelli matematici per la valutazione dei derivati: dalla formula CRR alla formula di Black-Scholes Quanto è ragionevole pagare per entrare in un contratto d opzione? Per affrontare questo problema

Dettagli

Opzioni americane. Capitolo 5. 5.1 Il modello

Opzioni americane. Capitolo 5. 5.1 Il modello Capitolo 5 Opzioni americane 5. Il modello Consideriamo un modello di mercato finanziario così come descritto nel Paragrafo 4.2. Il mercato è quindi formato da d+ titoli di prezzi S 0 n, S n,..., S d n,

Dettagli

Laboratorio di dinamiche socio-economiche

Laboratorio di dinamiche socio-economiche Dipartimento di Matematica Università di Ferrara giacomo.albi@unife.it www.giacomoalbi.com 21 febbraio 2012 Seconda parte: Econofisica La probabilità e la statistica come strumento di analisi. Apparenti

Dettagli

2. Leggi finanziarie di capitalizzazione

2. Leggi finanziarie di capitalizzazione 2. Leggi finanziarie di capitalizzazione Si chiama legge finanziaria di capitalizzazione una funzione atta a definire il montante M(t accumulato al tempo generico t da un capitale C: M(t = F(C, t C t M

Dettagli

Metodi Monte Carlo in Finanza

Metodi Monte Carlo in Finanza Metodi Monte Carlo in Finanza Lucia Caramellino Indice 1 Metodi Monte Carlo: generalità Simulazione di un moto Browniano e di un moto Browniano geometrico 3 3 Metodi numerici Monte Carlo per la finanza

Dettagli

ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE. A. A. 2014-2015 L. Doretti

ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE. A. A. 2014-2015 L. Doretti ISTITUZIONI DI MATEMATICHE E FONDAMENTI DI BIOSTATISTICA 7. DERIVATE A. A. 2014-2015 L. Doretti 1 Il concetto di derivata di una funzione è uno dei più importanti e fecondi di tutta la matematica sia per

Dettagli

Capitolo 1. Leggi di capitalizzazione. 1.1 Introduzione. 1.2 Richiami di teoria

Capitolo 1. Leggi di capitalizzazione. 1.1 Introduzione. 1.2 Richiami di teoria Indice 1 Leggi di capitalizzazione 5 1.1 Introduzione............................ 5 1.2 Richiami di teoria......................... 5 1.2.1 Regimi notevoli...................... 6 1.2.2 Tassi equivalenti.....................

Dettagli

Valore equo di un derivato. Contingent claim

Valore equo di un derivato. Contingent claim Contingent claim Ci occuperemo ora di determinare il prezzo equo di un prodotto derivato, come le opzioni, e di come coprire il rischio associato a questi contratti. Assumeremo come dinamica dei prezzi

Dettagli

Finanza matematica - Lezione 01

Finanza matematica - Lezione 01 Finanza matematica - Lezione 01 Contratto d opzione Un opzione è un contratto finanziario stipulato al tempo, che permette di eseguire una certa transazione, d acquisto call o di vendita put, ad un tempo

Dettagli

Modelli probabilistici per la finanza

Modelli probabilistici per la finanza Capitolo 5 Modelli probabilistici per la finanza 51 Introduzione In questo capitolo introdurremo un modello probabilistico utile per lo studio di alcuni problemi di finanza matematica, a cui abbiamo già

Dettagli

Valori caratteristici di distribuzioni

Valori caratteristici di distribuzioni Capitolo 3 Valori caratteristici di distribuzioni 3. Valori attesi di variabili e vettori aleatori In molti casi è possibile descrivere adeguatamente una distribuzione di probabilità con pochi valori di

Dettagli

Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00)

Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00) Introduzione alle variabili aleatorie discrete e continue notevoli Lezione 22.01.09 (ore 11.00-13.00, 14.00-16.00) Richiami di matematica pag. 2 Definizione (moderatamente) formale di variabile aleatoria

Dettagli

La diffusione e il moto Browniano

La diffusione e il moto Browniano La diffusione e il moto Browniano 0. La diffusione La prima legge di Fick afferma che: ϕ = DA dx (0..) dove D è il coefficiente di diffusione con [D] = m2 s, ϕ è la corrente di massa con [ϕ] = N s dove

Dettagli

ANALISI DEL RISCHIO NELLA VALUTAZIONE DEGLI INVESTIMENTI. Docente: Prof. Massimo Mariani

ANALISI DEL RISCHIO NELLA VALUTAZIONE DEGLI INVESTIMENTI. Docente: Prof. Massimo Mariani ANALISI DEL RISCHIO NELLA VALUTAZIONE DEGLI INVESTIMENTI Docente: Prof. Massimo Mariani 1 SOMMARIO Analisi del rischio; limiti del VAN in contesti di incertezza; tecniche di descrizione del rischio dei

Dettagli

LA VARIABILE ESPONENZIALE

LA VARIABILE ESPONENZIALE LA VARIABILE ESPONENZIALE E. DI NARDO 1. Analogia con la v.a. geometria In una successione di prove ripetute di Bernoulli, la v.a. geometrica restituisce il numero di prove necessarie per avere il primo

Dettagli

MODELLI DISCRETI PER OPZIONI AMERICANE

MODELLI DISCRETI PER OPZIONI AMERICANE Alma Mater Studiorum Università di Bologna FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI Corso di Laurea Triennale in Matematica MODELLI DISCRETI PER OPZIONI AMERICANE Tesi di Laurea in Matematica

Dettagli

Alcune applicazioni delle equazioni differenziali ordinarie alla teoria dei circuiti elettrici

Alcune applicazioni delle equazioni differenziali ordinarie alla teoria dei circuiti elettrici Alcune applicazioni delle equazioni differenziali ordinarie alla teoria dei circuiti elettrici Attilio Piana, Andrea Ziggioto 1 egime variabile in un circuito elettrico. Circuito C. 1.1 Carica del condensatore

Dettagli

Scheda n.5: variabili aleatorie e valori medi

Scheda n.5: variabili aleatorie e valori medi Scheda n.5: variabili aleatorie e valori medi October 26, 2008 1 Variabili aleatorie Per la definizione rigorosa di variabile aleatoria rimandiamo ai testi di probabilità; essa è non del tutto immediata

Dettagli

Esercitazioni 2013/14

Esercitazioni 2013/14 Esercitazioni 2013/14 Esercizio 1 Due ditte V e W partecipano ad una gara di appalto per la costruzione di un tratto di autostrada che viene assegnato a seconda del prezzo. L offerta fatta dalla ditta

Dettagli

Il calore nella Finanza

Il calore nella Finanza Il calore nella Finanza Franco Moriconi Università di Perugia Facoltà di Economia Perugia, 12 Novembre 2008 Quotazioni FIAT Serie giornaliera dal 6/11/2007 al 6/11/2008 F. Moriconi, Il calore nella Finanza

Dettagli

Un modello matematico di investimento ottimale

Un modello matematico di investimento ottimale Un modello matematico di investimento ottimale Tiziano Vargiolu 1 1 Università degli Studi di Padova Liceo Scientifico Benedetti Venezia, giovedì 30 marzo 2011 Outline 1 Preliminari di calcolo delle probabilità

Dettagli

Capitolo 9: PROPAGAZIONE DEGLI ERRORI

Capitolo 9: PROPAGAZIONE DEGLI ERRORI Capitolo 9: PROPAGAZIOE DEGLI ERRORI 9.1 Propagazione degli errori massimi ella maggior parte dei casi le grandezze fisiche vengono misurate per via indiretta. Il valore della grandezza viene cioè dedotto

Dettagli

Esperienza MBG Il moto browniano geometrico. Proprietà teoriche e simulazione Monte Carlo

Esperienza MBG Il moto browniano geometrico. Proprietà teoriche e simulazione Monte Carlo Università degli Studi di Perugia Laurea specialistica in Finanza a.a. 2009-10 Corso di Laboratorio di calcolo finanziario prof. Franco Moriconi Esperienza MBG Il moto browniano geometrico. Proprietà teoriche

Dettagli

Le obbligazioni: misure di rendimento Tassi d interesse, elementi di valutazione e rischio delle attività finanziarie

Le obbligazioni: misure di rendimento Tassi d interesse, elementi di valutazione e rischio delle attività finanziarie Le obbligazioni: misure di rendimento Tassi d interesse, elementi di valutazione e rischio delle attività finanziarie Economia degli Intermediari Finanziari 29 aprile 2009 A.A. 2008-2009 Agenda 1. Il calcolo

Dettagli

Università di Milano Bicocca. Esercitazione 6 di Matematica per la Finanza. 14 Maggio 2015

Università di Milano Bicocca. Esercitazione 6 di Matematica per la Finanza. 14 Maggio 2015 Università di Milano Bicocca Esercitazione 6 di Matematica per la Finanza 14 Maggio 2015 Esercizio 1 Un agente presenta una funzione di utilitá u(x) = ln(1 + 6x). Egli dispone di un progetto incerto che

Dettagli

MARTINGALE A TEMPO DISCRETO ED ALCUNE APPLICAZIONI

MARTINGALE A TEMPO DISCRETO ED ALCUNE APPLICAZIONI Alma Mater Studiorum Università di Bologna FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI Corso di Laurea in Matematica MARTINGALE A TEMPO DISCRETO ED ALCUNE APPLICAZIONI Tesi di Laurea in probabilitàestatistica

Dettagli

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria).

Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Politecnico di Milano. Facoltà di Ingegneria Industriale. Corso di Analisi e Geometria 2. Sezione D-G. (Docente: Federico Lastaria). Aprile 20 Indice Serie numeriche. Serie convergenti, divergenti, indeterminate.....................

Dettagli

La distribuzione Normale. La distribuzione Normale

La distribuzione Normale. La distribuzione Normale La Distribuzione Normale o Gaussiana è la distribuzione più importante ed utilizzata in tutta la statistica La curva delle frequenze della distribuzione Normale ha una forma caratteristica, simile ad una

Dettagli

Svolgimento di alcuni esercizi del libro Matematica di Angelo Guerraggio

Svolgimento di alcuni esercizi del libro Matematica di Angelo Guerraggio Svolgimento di alcuni esercizi del libro Matematica di Angelo Guerraggio. Funzioni e insiemi numerici.4 Verificare che (A B) (A B) = (A A ) B. ) Sia (a, b) (A B) (A B). Allora a (A A ) e b B, da cui (a,

Dettagli

Introduzione alla Teoria degli Errori

Introduzione alla Teoria degli Errori Introduzione alla Teoria degli Errori 1 Gli errori di misura sono inevitabili Una misura non ha significato se non viene accompagnata da una ragionevole stima dell errore ( Una scienza si dice esatta non

Dettagli

23 Giugno 2003 Teoria Matematica del Portafoglio Finanziario e Modelli Matematici per i Mercati Finanziari ESERCIZIO 1

23 Giugno 2003 Teoria Matematica del Portafoglio Finanziario e Modelli Matematici per i Mercati Finanziari ESERCIZIO 1 23 Giugno 2003 Teoria Matematica del Portafoglio Finanziario e Modelli Matematici per i Mercati Finanziari In uno schema uniperiodale e in un contesto di analisi media-varianza, si consideri un mercato

Dettagli

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE

PROBABILITÀ - SCHEDA N. 2 LE VARIABILI ALEATORIE Matematica e statistica: dai dati ai modelli alle scelte www.dima.unige/pls_statistica Responsabili scientifici M.P. Rogantin e E. Sasso (Dipartimento di Matematica Università di Genova) PROBABILITÀ -

Dettagli

La scelta in condizioni di incertezza

La scelta in condizioni di incertezza La scelta in condizioni di incertezza 1 Stati di natura e utilità attesa. L approccio delle preferenza per gli stati Il problema posto dall incertezza riformulato (state-preference approach). L individuo

Dettagli

Metodi Stocastici per la Finanza

Metodi Stocastici per la Finanza Metodi Stocastici per la Finanza Tiziano Vargiolu vargiolu@math.unipd.it 1 1 Università degli Studi di Padova Anno Accademico 2012-2013 Indice 1 Mercati finanziari 2 Arbitraggio 3 Conseguenze del non-arbitraggio

Dettagli

Se si insiste non si vince

Se si insiste non si vince Se si insiste non si vince Livello scolare: 2 biennio Abilità interessate Valutare la probabilità in diversi contesti problematici. Distinguere tra eventi indipendenti e non. Valutare criticamente le informazioni

Dettagli

Alcune note sulle serie di potenze 1

Alcune note sulle serie di potenze 1 Alcune note sulle serie di potenze Contents G. Falqui Preliminari 2 Serie di potenze 3 3 Rappresentazione di funzioni mediante serie di potenze 7 3. Esempi notevoli........................... 9 3.2 Formula

Dettagli

Confronto tra i regimi finanziari

Confronto tra i regimi finanziari Confronto tra i regimi finanziari Consideriamo i tre regimi finanziari Quale è il regime più conveniente? Per misurare la convenienza, paragoniamo i fattori di capitalizzazione: r s (t) = f. cap. interesse

Dettagli

Introduzione all Option Pricing

Introduzione all Option Pricing Introduzione all Option Pricing Arturo Leccadito Corso di Matematica Finanziaria 3 Anno Accademico 2008 2009 1 Il Modello Binomiale Si supponga che oggi (epoca 0) sia disponibile un titolo azionario il

Dettagli

Studia lo scambio di importi monetari aleatori, dunque di operazioni che comportano un RISCHIO FINANZIARIO.

Studia lo scambio di importi monetari aleatori, dunque di operazioni che comportano un RISCHIO FINANZIARIO. TEORIA MATEMATICA DEL PORTAFOGLIO FINANZIARIO ELEMENTI DI TEORIA DELL UTILITÀ Studia lo scambio di importi monetari aleatori, dunque di operazioni che comportano un RISCHIO FINANZIARIO. es. Generica operazione

Dettagli

Capitolo 1 ANALISI COMPLESSA

Capitolo 1 ANALISI COMPLESSA Capitolo 1 ANALISI COMPLESSA 1 1.4 Serie in campo complesso 1.4.1 Serie di potenze Una serie di potenze è una serie del tipo a k (z z 0 ) k. Per le serie di potenze in campo complesso valgono teoremi analoghi

Dettagli

Aspetti probabilistici del gioco d azzardo

Aspetti probabilistici del gioco d azzardo Università degli Studi di Genova Scuola di Scienze Sociali Dipartimento di Economia Perché il banco vince sempre? Aspetti probabilistici del gioco d azzardo Enrico di Bella (edibella@economia.unige.it)

Dettagli

LA TRASFORMATA DI LAPLACE: UN METODO RAPIDO ED EFFICIENTE PER IL PRICING DI OPZIONI

LA TRASFORMATA DI LAPLACE: UN METODO RAPIDO ED EFFICIENTE PER IL PRICING DI OPZIONI POLITECNICO DI MILANO SCUOLA DI INGEGNERIA INDUSTRIALE E DELL INFORMAZIONE CORSO DI LAUREA MAGISTRALE IN INGEGNERIA MATEMATICA LA TRASFORMATA DI LAPLACE: UN METODO RAPIDO ED EFFICIENTE PER IL PRICING DI

Dettagli

Caso e probabilità. Il caso. Il caso. Scommesse e probabilità Fenomeni aleatori Probabilità Variabili aleatorie

Caso e probabilità. Il caso. Il caso. Scommesse e probabilità Fenomeni aleatori Probabilità Variabili aleatorie Introduzione Il caso Il caso commesse e probabilità Il caso i chiama evento casuale quello che si verifica in una situazione in cui gli eventi possibili sono più d uno, ma non si sa a priori quale si verificherà.

Dettagli

On Lévy Processes for Option Pricing

On Lévy Processes for Option Pricing Numerical Methods and Calibration to Index Options Relatore: Chiar.ma Prof.ssa Maria Cristina Recchioni Università Politecnica delle Marche - Facoltà di Economia Giorgio Fuà 18 Aprile 2008 Indice Introduzione

Dettagli

CONCETTO DI LIMITE DI UNA FUNZIONE REALE

CONCETTO DI LIMITE DI UNA FUNZIONE REALE CONCETTO DI LIMITE DI UNA FUNZIONE REALE Il limite di una funzione è uno dei concetti fondamentali dell'analisi matematica. Tramite questo concetto viene formalizzata la nozione di funzione continua e

Dettagli

Alcuni appunti per il corso di METODI PROBABILISTICI PER L ECONOMIA E LA FINANZA Giovanna Nappo A.A. 2008/09

Alcuni appunti per il corso di METODI PROBABILISTICI PER L ECONOMIA E LA FINANZA Giovanna Nappo A.A. 2008/09 Università degli Studi di Roma La Sapienza Anno Accademico 28-29 Facoltà di Scienze Matematiche Fisiche e Naturali Corso di Laurea in Matematica Alcuni appunti per il corso di METODI PROBABILISTICI PER

Dettagli

Appunti di Calcolo finanziario. Mauro Pagliacci

Appunti di Calcolo finanziario. Mauro Pagliacci Appunti di Calcolo finanziario Mauro Pagliacci c Draft date 4 maggio 2010 Premessa In questo fascicolo sono riportati gli appunti dalle lezioni del corso di Elaborazioni automatica dei dati per le applicazioni

Dettagli

Dipartimento di Scienze Biomediche, Sperimentali e Cliniche «Mario Serio»

Dipartimento di Scienze Biomediche, Sperimentali e Cliniche «Mario Serio» PRECORSO 2014 Problemi di Matematica Giovanni Romano Dipartimento di Scienze Biomediche, Sperimentali e Cliniche «Mario Serio» PRECORSO 2014: ciclo formativo di orientamento alle prove di ammissione ai

Dettagli

CS. Cinematica dei sistemi

CS. Cinematica dei sistemi CS. Cinematica dei sistemi Dopo aver esaminato la cinematica del punto e del corpo rigido, che sono gli schemi più semplificati con cui si possa rappresentare un corpo, ci occupiamo ora dei sistemi vincolati.

Dettagli

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI

PROBABILITA, VALORE ATTESO E VARIANZA DELLE QUANTITÁ ALEATORIE E LORO RELAZIONE CON I DATI OSSERVATI statistica, Università Cattaneo-Liuc, AA 006-007, lezione del 08.05.07 IDICE (lezione 08.05.07 PROBABILITA, VALORE ATTESO E VARIAZA DELLE QUATITÁ ALEATORIE E LORO RELAZIOE CO I DATI OSSERVATI 3.1 Valore

Dettagli

TEORIA DELL UTILITÀ E DECISION PROCESS

TEORIA DELL UTILITÀ E DECISION PROCESS TEORIA DELL UTILITÀ E DECISION PROCESS 1 UTILITÀ Classicamente sinonimo di Desiderabilità Fisher (1930):... uno degli elementi che contribuiscono ad identificare la natura economica di un bene e sorge

Dettagli

Un introduzione all analisi Monte Carlo in Finanza

Un introduzione all analisi Monte Carlo in Finanza ASSOCIAZIONE ITALIANA FINANCIAL RISK MANAGEMENT Un introduzione all analisi Monte Carlo in Finanza Stefano Fabi Working Paper, 1/01/98 Presidenza: Fernando Metelli - Banca Popolare di Milano, Via Fara

Dettagli

Caso e probabilità. Il caso. Il caso. Scommesse e probabilità Fenomeni aleatori Probabilità

Caso e probabilità. Il caso. Il caso. Scommesse e probabilità Fenomeni aleatori Probabilità Introduzione Il caso Il caso commesse e probabilità Il caso i chiama evento casuale quello che si verifica in una situazione in cui gli eventi possibili sono più d uno, ma non si sa a priori quale si verificherà.

Dettagli

Segnali e Sistemi. Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici. Gianni Borghesan e Giovanni Marro

Segnali e Sistemi. Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici. Gianni Borghesan e Giovanni Marro Segnali e Sistemi Dispensa integrativa per l insegnamento di Elementi di Controlli Automatici Gianni Borghesan e Giovanni Marro Indice Introduzione 2. Notazione............................. 2 2 Classificazione

Dettagli

Le operazioni di assicurazione e la teoria

Le operazioni di assicurazione e la teoria Capitolo 1 Le operazioni di assicurazione e la teoria dell utilità 1.1 Introduzione In questo capitolo si discutono alcuni aspetti di base della teoria delle assicurazioni. In particolare, si formalizza

Dettagli

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee

Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Algoritmo euclideo, massimo comun divisore ed equazioni diofantee Se a e b sono numeri interi, si dice che a divide b, in simboli: a b, se e solo se esiste c Z tale che b = ac. Si può subito notare che:

Dettagli

Prezzi di copertura per opzioni: mercati completi ed incompleti a tempo discreto

Prezzi di copertura per opzioni: mercati completi ed incompleti a tempo discreto Università degli Studi di Roma La Sapienza Anno Accademico 2001-2002 Facoltà di Scienze Matematiche Fisiche e Naturali Corso di Laurea in Matematica Prezzi di copertura per opzioni: mercati completi ed

Dettagli

VALUTAZIONE DI DERIVATI CON METODI DI TEORIA DEI GIOCHI

VALUTAZIONE DI DERIVATI CON METODI DI TEORIA DEI GIOCHI Alma Mater Studiorum Università di Bologna FACOLTÀ DI SCIENZE MATEMATICHE, FISICHE E NATURALI Corso di Laurea in Matematica VALUTAZIONE DI DERIVATI CON METODI DI TEORIA DEI GIOCHI Tesi di Laurea in Finanza

Dettagli

Modelli finanziari per i tassi di interesse

Modelli finanziari per i tassi di interesse MEBS Lecture 3 Modelli finanziari per i tassi di interesse MEBS, lezioni Roberto Renò Università di Siena 3.1 Modelli per la struttura La ricerca di un modello finanziario che descriva l evoluzione della

Dettagli

PARTE PRIMA PROBABILITA

PARTE PRIMA PROBABILITA i PARTE PRIMA PROBABILITA CAPITOLO I - Gli assiomi della probabilità 1.1 Introduzione........................................................... pag. 1 1.2 Definizione assiomatica di probabilità.......................................

Dettagli

Corso di Analisi Matematica. Funzioni reali di variabile reale

Corso di Analisi Matematica. Funzioni reali di variabile reale a.a. 2011/12 Laurea triennale in Informatica Corso di Analisi Matematica Funzioni reali di variabile reale Avvertenza Questi sono appunti informali delle lezioni, che vengono resi disponibili per comodità

Dettagli

Opzioni con Barriera

Opzioni con Barriera Facoltà di Scienze Matematiche, Fisiche e Naturali Corso di Laurea Specialistica in Matematica Tesi di Laurea Specialistica Opzioni con Barriera Candidato: Lorenzo Balducci Relatore: Prof. Maurizio Pratelli

Dettagli

TEMPUS PECUNIA EST COLLANA DI MATEMATICA PER LE SCIENZE ECONOMICHE FINANZIARIE E AZIENDALI

TEMPUS PECUNIA EST COLLANA DI MATEMATICA PER LE SCIENZE ECONOMICHE FINANZIARIE E AZIENDALI TEMPUS PECUNIA EST COLLANA DI MATEMATICA PER LE SCIENZE ECONOMICHE FINANZIARIE E AZIENDALI 7 Direttore Beatrice VENTURI Università degli Studi di Cagliari Comitato scientifico Umberto NERI University of

Dettagli

Decisioni in condizioni di rischio. Roberto Cordone

Decisioni in condizioni di rischio. Roberto Cordone Decisioni in condizioni di rischio Roberto Cordone Decisioni in condizioni di rischio Rispetto ai problemi in condizioni di ignoranza, oltre all insieme Ω dei possibili scenari, è nota una funzione di

Dettagli

= variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del 2000 = 500; PIL del 2001 = 520:

= variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del 2000 = 500; PIL del 2001 = 520: Fig. 10.bis.1 Variazioni percentuali Variazione percentuale di x dalla data zero alla data uno: x1 x 0 %x = 100% x 0 = variazione diviso valore iniziale, il tutto moltiplicato per 100. \ Esempio: PIL del

Dettagli

LEZIONI DEL CORSO DI SISTEMI DEL QUINTO ANNO

LEZIONI DEL CORSO DI SISTEMI DEL QUINTO ANNO LEZIONI DEL CORSO DI SISTEMI DEL QUINTO ANNO MOD. 1 Sistemi di controllo e di regolazione. Si tratta di un ripasso di una parte di argomenti effettuati l anno scorso. Introduzione. Schemi a blocchi di

Dettagli

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello

Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08. Alberto Perotti, Roberto Garello Corso di Laurea a Distanza in Ingegneria Elettrica Corso di Comunicazioni Elettriche Processi casuali A.A. 2007-08 Alberto Perotti, Roberto Garello DELEN-DAUIN Processi casuali Sono modelli probabilistici

Dettagli

Capitolo 23: Scelta in condizioni di incertezza

Capitolo 23: Scelta in condizioni di incertezza Capitolo 23: Scelta in condizioni di incertezza 23.1: Introduzione In questo capitolo studiamo la scelta ottima del consumatore in condizioni di incertezza, vale a dire in situazioni tali che il consumatore

Dettagli

1. Richiami di Statistica. Stefano Di Colli

1. Richiami di Statistica. Stefano Di Colli 1. Richiami di Statistica Metodi Statistici per il Credito e la Finanza Stefano Di Colli Dati: Fonti e Tipi I dati sperimentali sono provenienti da un contesto delimitato, definito per rispettare le caratteristiche

Dettagli

Titolo. Corso di Laurea magistrale in Economia e Finanza. Tesi di Laurea

Titolo. Corso di Laurea magistrale in Economia e Finanza. Tesi di Laurea Corso di Laurea magistrale in Economia e Finanza Tesi di Laurea Titolo Modelli della capital growth e dalla growth security nella gestione di portafoglio. Relatore Ch. Prof. Marco Corazza Laureando Alessio

Dettagli

Appunti: elementi di Probabilità

Appunti: elementi di Probabilità Università di Udine, Facoltà di Scienze della Formazione Corso di Laurea in Scienze e Tecnologie Multimediali Corso di Matematica e Statistica (Giorgio T. Bagni) Appunti: elementi di Probabilità. LA PROBABILITÀ..

Dettagli

ELEMENTI DI STATISTICA PER IDROLOGIA

ELEMENTI DI STATISTICA PER IDROLOGIA Carlo Gregoretti Corso di Idraulica ed Idrologia Elementi di statist. per Idrolog.-7//4 ELEMETI DI STATISTICA PER IDROLOGIA Introduzione Una variabile si dice casuale quando assume valori che dipendono

Dettagli

Esercizi di Analisi Matematica I

Esercizi di Analisi Matematica I Esercizi di Analisi Matematica I Andrea Corli e Alessia Ascanelli gennaio 9 Indice Introduzione iii Nozioni preliminari. Fattoriali e binomiali..................................... Progressioni..........................................

Dettagli

La probabilità frequentista e la legge dei grandi numeri

La probabilità frequentista e la legge dei grandi numeri La probabilità frequentista e la legge dei grandi numeri La definizione di probabilità che abbiamo finora considerato è anche nota come probabilità a priori poiché permette di prevedere l'esito di un evento

Dettagli

MATEMATICA FINANZIARIA P-Z (CFU 6) (1 semestre) Prof. Cristina GOSIO

MATEMATICA FINANZIARIA P-Z (CFU 6) (1 semestre) Prof. Cristina GOSIO MATEMATICA FINANZIARIA P-Z (CFU 6) (1 semestre) Il corso si propone di fornire la formalizzazione e la modellazione matematica di operazioni finanziarie, cioè di operazioni di scambio aventi per oggetto

Dettagli

Elementi di teoria delle opzioni e dei contratti derivati

Elementi di teoria delle opzioni e dei contratti derivati Elementi di teoria delle opzioni e dei contratti derivati Claudio Pacati Università degli Studi di Siena Dipartimento di Economia Politica Dispensa del corso di Matematica Finanziaria, a.a. 2000 01 Le

Dettagli

Corso di Matematica finanziaria

Corso di Matematica finanziaria Corso di Matematica finanziaria modulo "Fondamenti della valutazione finanziaria" Eserciziario di Matematica finanziaria Università degli studi Roma Tre 2 Esercizi dal corso di Matematica finanziaria,

Dettagli

ANALISI MATEMATICA I - Modulo Avanzato. Pamphlet sugli Studi Qualitativi di ODEs. Marco Squassina

ANALISI MATEMATICA I - Modulo Avanzato. Pamphlet sugli Studi Qualitativi di ODEs. Marco Squassina UNIVERSITÀ DEGLI STUDI DI VERONA Facoltà di Scienze Matematiche, Fisiche e Naturali ANALISI MATEMATICA I - Modulo Avanzato Pamphlet sugli Studi Qualitativi di ODEs Marco Squassina Anno Accademico 2006/2007

Dettagli

Università di Milano Bicocca Esercitazione 7 di Matematica per la Finanza 12 Marzo 2015

Università di Milano Bicocca Esercitazione 7 di Matematica per la Finanza 12 Marzo 2015 Università di Milano Bicocca Esercitazione 7 di Matematica per la Finanza 12 Marzo 2015 Esercizio 1 Si consideri la funzione f(t) := 2t/10 1 + 0, 04t, t 0. 1. Verificare che essa rappresenta il fattore

Dettagli

Alessandro Ramponi Lezioni di Finanza Matematica

Alessandro Ramponi Lezioni di Finanza Matematica A01 185 Alessandro Ramponi Lezioni di Finanza Matematica Copyright MMXII ARACNE editrice S.r.l. www.aracneeditrice.it info@aracneeditrice.it via Raffaele Garofalo, 133/A B 00173 Roma (06) 93781065 ISBN

Dettagli

Il concetto di valore medio in generale

Il concetto di valore medio in generale Il concetto di valore medio in generale Nella statistica descrittiva si distinguono solitamente due tipi di medie: - le medie analitiche, che soddisfano ad una condizione di invarianza e si calcolano tenendo

Dettagli

Serie di Fourier 1. Serie di Fourier. f(t + T )=f(t) t R.

Serie di Fourier 1. Serie di Fourier. f(t + T )=f(t) t R. Serie di Fourier 1 Serie di Fourier In questo capitolo introduciamo le funzioni periodiche, la serie di Fourier in forma trigonometrica per le funzioni di periodo π, e ne identifichiamo i coefficienti.

Dettagli

Capitolo 6 Economia dell informazione e scelta in condizioni di incertezza

Capitolo 6 Economia dell informazione e scelta in condizioni di incertezza Capitolo 6 Economia dell informazione e scelta in condizioni di incertezza ECONOMIA DELL INFORMAZIONE L informazione è un fattore importante nel processo decisionale di consumatori e imprese Nella realtà,

Dettagli

Una sperimentazione. Probabilità. Una previsione. Calcolo delle probabilità. Nonostante ciò, è possibile dire qualcosa.

Una sperimentazione. Probabilità. Una previsione. Calcolo delle probabilità. Nonostante ciò, è possibile dire qualcosa. Una sperimentazione Probabilità Si sta sperimentando l efficacia di un nuovo farmaco per il morbo di Parkinson. Duemila pazienti partecipano alla sperimentazione: metà di essi vengono trattati con il nuovo

Dettagli

Augusto Freddi Teoria del rischio. Per le assicurazioni P&C

Augusto Freddi Teoria del rischio. Per le assicurazioni P&C A13 Augusto Freddi Teoria del rischio Per le assicurazioni P&C Copyright MMXIV ARACNE editrice S.r.l. www.aracneeditrice.it info@aracneeditrice.it via Raffaele Garofalo, 133/A B 00173 Roma (06) 93781065

Dettagli

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo

Statistica 1. Esercitazioni. Dott. Luigi Augugliaro 1. Università di Palermo Statistica 1 Esercitazioni Dott. 1 1 Dipartimento di Scienze Statistiche e Matematiche S. Vianelli, Università di Palermo ricevimento: lunedì ore 15-17 mercoledì ore 15-17 e-mail: luigi.augugliaro@unipa.it

Dettagli

Note di matematica per microeconomia

Note di matematica per microeconomia Note di matematica per microeconomia Luigi Balletta Funzioni di una variabile (richiami) Una funzione di variabile reale ha come insieme di partenza un sottoinsieme di R e come insieme di arrivo un sottoinsieme

Dettagli

Il piano d ammortamento (francese) prevede un totale di 20 rate semestrali pari a: D 300.000 a 14, 2888 Il debito residuo dopo 10 semestri sarà:

Il piano d ammortamento (francese) prevede un totale di 20 rate semestrali pari a: D 300.000 a 14, 2888 Il debito residuo dopo 10 semestri sarà: Gli esercizi sono suddivisi per argomenti. A) Piani d ammortamento. ) I esonero 003. Un individuo si accorda per restituire un importo di 300 mila euro mediante il versamento di rate costanti semestrali

Dettagli

Probabilita e Processi Stocastici

Probabilita e Processi Stocastici Dipartimento di Fisica Corso di Laurea Magistrale in Fisica Insegnamento di Metodi Probabilistici della Fisica Nicola Cufaro Petroni Lezioni di Probabilita e Processi Stocastici anno accademico 2015/16

Dettagli

PROGRAMMAZIONE DIDATTICA RIFERITA ALLA DISCIPLINA :MATEMATICA

PROGRAMMAZIONE DIDATTICA RIFERITA ALLA DISCIPLINA :MATEMATICA Istituto Istruzione Superiore A. Venturi Modena Liceo artistico - Istituto Professionale Grafica Via Rainusso, 66-41124 MODENA Sede di riferimento (Via de Servi, 21-41121 MODENA) tel. 059-222156 / 245330

Dettagli

I modelli di simulazione

I modelli di simulazione Slides tratte da: Andrea Resti Andrea Sironi Rischio e valore nelle banche Misura, regolamentazione, gestione Egea, 2008 AGENDA Le simulazioni storiche L approccio ibrido Le simulazioni storiche filtrate

Dettagli

FUNZIONI ELEMENTARI - ESERCIZI SVOLTI

FUNZIONI ELEMENTARI - ESERCIZI SVOLTI FUNZIONI ELEMENTARI - ESERCIZI SVOLTI 1) Determinare il dominio delle seguenti funzioni di variabile reale: (a) f(x) = x 4 (c) f(x) = 4 x x + (b) f(x) = log( x + x) (d) f(x) = 1 4 x 5 x + 6 ) Data la funzione

Dettagli

10. Insiemi non misurabili secondo Lebesgue.

10. Insiemi non misurabili secondo Lebesgue. 10. Insiemi non misurabili secondo Lebesgue. Lo scopo principale di questo capitolo è quello di far vedere che esistono sottoinsiemi di R h che non sono misurabili secondo Lebesgue. La costruzione di insiemi

Dettagli

IL CALCOLO DELLE PROBABILITA

IL CALCOLO DELLE PROBABILITA IL CALCOLO DELLE PROBABILITA 0. Origini Il concetto di probabilità sembra che fosse del tutto ignoto agli antichi malgrado si sia voluto trovare qualche cenno di ragionamento in cui esso è implicitamente

Dettagli

Probabilità e Finanza

Probabilità e Finanza Appunti del corso Probabilità e Finanza AA 2007/2008 Paolo Baldi Lucia Caramellino http://wwwmatuniroma2it/ caramell [versione: settembre 2007] Ringrazio tutti gli studenti che hanno contribuito, con le

Dettagli

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1.

γ (t), e lim γ (t) cioè esistono la tangente destra e sinistra negli estremi t j e t j+1. Capitolo 6 Integrali curvilinei In questo capitolo definiamo i concetti di integrali di campi scalari o vettoriali lungo curve. Abbiamo bisogno di precisare le curve e gli insiemi che verranno presi in

Dettagli

Dipendenza dai dati iniziali

Dipendenza dai dati iniziali Dipendenza dai dati iniziali Dopo aver studiato il problema dell esistenza e unicità delle soluzioni dei problemi di Cauchy, il passo successivo è vedere come le traiettorie di queste ultime dipendono

Dettagli

7. Trasformata di Laplace

7. Trasformata di Laplace 7. Trasformata di Laplace Pierre-Simon de Laplace (1749-1827) Trasformata di Fourier e segnali causali In questa lezione ci occuperemo principalmente di segnali causali: Definizione 7.1 (Segnali causali)

Dettagli

11. Analisi statistica degli eventi idrologici estremi

11. Analisi statistica degli eventi idrologici estremi . Analisi statistica degli eventi idrologici estremi I processi idrologici evolvono, nello spazio e nel tempo, secondo modalità che sono in parte predicibili (deterministiche) ed in parte casuali (stocastiche

Dettagli