Processing math: 69%
본문 바로가기
금융공학

주식의 수학적 모델#2

by hustler78 2022. 6. 1.
728x90
반응형

2022.06.02 - [수학의 재미/아름다운 공식] - dW^2 = dt ?

 

이 글은

2022.05.27 - [금융공학] - 주식의 수학적 모델

 

주식의 수학적 모델

이 글은 2022.05.25 - [금융공학] - KOSPI수익률의 분포는 어떤 모양일까? #2 KOSPI수익률의 분포는 어떤 모양일까? #2 이 글은 2022.05.24 - [금융공학] - KOSPI수익률의 분포는 어떤 모양일까? #1 KOSPI수익률의.

sine-qua-none.tistory.com

에서 이어집니다. 위 글에서 우리는

  • Wiener process Wt의 개념을 도입하고,
  • 연간 수익률의 표준편차 σ를 설정하고
  • 기대수익률을 μ라고 세팅하여

주식 St의 극히 짧은 시간 dt동안의 움직임을

dStSt=μdt+σdWt

라고 모델링하였습니다. (dSt=St+dtSt,dWt=Wt+dtWt 입니다. 사실 t+dt 이런 표현이 웃기긴 하지만, 이렇게 써놓으면 이해가 쉽습니다.)


그럼 (여러 번) 미분 가능한 함수 f:RR 가 있을 때,  

df(St)=f(St+dt)f(St)

는 식이 어떻게 될까요? 이것이 이 글의 핵심입니다. 다시 한번 말하지만 t+dt라는 표현은 좀 그래도 이해를 쉽게 하기 위한 표현이라는 점..

테일러 전개를 이용해 볼 생각입니다. 테일러 전개는 1 변수 함수의 테일러 전개 또는 다변수 함수의 테일러 전개를 이용해봅니다.

우선 위의 f(St)S라는 변수에 대한 일변수 함수이므로 1 변수 함수의 테일러 전개를 씁니다.

여기서 하나 중요한 게 주식을 St라고 마치 시점 t에 의존하는 함수처럼 표시해놓았는데, S는 시간에 대한 함수가 아니고 주식 가격 그 자체를 뜻하는데, 시점 t를 같이 병기한 표현이라고 이해하시면 됩니다.

그리고 아래에 이어지는 식들은 수학적으로 오용의 표현들이 있으나, 직관적으로 이해하기 쉽게 러프하게 쓴 것임을 알아주세요.

f(S+dS)=f(S)+f(S)SdS+122f(S)S2(dS)2+163f(S)S3(dS)3

 

이것을 더 정리하기 위해 (dWt)2 은 어떤 값인지 간단하게 알아보도록 하죠.

(엄밀한 증명은 2022.06.02 - [수학의 재미/아름다운 공식] - dW^2 = dt ? 을 보시면 됩니다)

(dWt)2=dt 이다. 왜일까?

이미 우리는 dWt=Wt+dtWt 이므로 이는 평균이 0이고 분산이 (t+dt)t=dt인 정규분포임을 알고 있습니다. 따라서 
dt=V(dWt)=E[(dWt)2](E(dWt))2=E[(dWt)2]
이므로 
E[(dWt)2]=dt
입니다. 그럼 (dWt)2 의 분산을 구해볼까요?
V[(dWt)2]=E[(dWt)4](E[(dWt)2])2=3dt2dt2=2dt2
입니다. (여기서 아래 Fact1이 쓰였는데, 이것은 조만간 또 다뤄볼 것입니다.) 정리하자면,
E[(dWt)2]=dt,V[(dWt)2]=2dt2
이네요.

여기서 한 가지 짚고 넘어갈 것은, dt.dSt,dWt등 앞에 d가 붙은 것은 미분소로서, 바꾸어 말하면 적분할 때 의미가 있는 것입니다. 예컨대,
T0dt=T 이런식으로요, 구분구적법으로 얘기하자면 [0,T] 사이를 매우 매우 잘게 나누어, 즉 n개의 구간으로 나누면 한 구간이 Tn이 되어 합한 뒤 n을 무한대로 보내죠? 그만큼 dt는 작은 숫자입니다.
 
그래서 dt는 아무리 작은 값이라도 적분 인자로서 그 가치가 살아 있습니다. 그런데 dt2은 어떨까요? 작은 수를 두 번 곱했으니 그 작음은 이루 말할 수 없을 겁니다, 충분히 무시할만하죠. 아주 직관적으로 설명하자면, 수식(3)처럼 
T0dt2 을 계산해본다 합시다. 그러면 이것은 dt0 일 때,
T0dt2=(T0dt)dt=Tdt0
이렇게 되는 것이죠.
수식(2)로 돌아가 볼까요? V(dW2t)=2dt2 으로, 그냥 값이 0이라 생각할 수 있습니다. 어떤 확률변수의 분산이 0이다. 이 뜻이 뭘까요? 바로 확률변수 자체가 평균이랑 또옥같다 이런 말입니다, 즉,
(dWt)2=dt
라고 볼 수 있는 것이지요.



Fact1. 확률변수 XN(0,σ2)의 정규분포를 따를 때, E(X4)=3σ4 입니다.

다시 식(1)로 돌아가 봅시다. 식 (1)에는 dSdS2,dS3 이라는 항들이 보이죠?  얘네을 계산해 보도록 합시다.

\require{cancel}\begin{align} dS^2 & =  (\mu S_t dt +\sigma S_t dW_t)^2 \\         & = \mu^2 S_t^2 dt^2 + 2\mu\sigma dt dW_t + \sigma^2 S_t^2 dW_t^2 \\         & = \cancelto{0}{\mu^2 S_t^2 dt^2} +   \cancelto{0}{2\mu\sigma dt \sqrt{dt}} + \sigma^2 S_t^2 dt \end{align}

dt의 degree가 1 초과된 것들 즉 \alpha>1 에 대해 dt^\alpha

dt^\alpha = dt\cdot dt^{\alpha-1}  \rightarrow 0

임을 이용한 것입니다. dt^2 , dt\sqrt{dt}모두 0인 것이죠. dt만 살려주는 거죠.

그럼 dS^3을 계산해 볼까요? dt^3 , dt^2 \sqrt{dt} , dt^2, dt\sqrt{dt} 항들로 이루어져 있습니다. 얘네들 모두 0이죠.

dS^4 , dS^5, \cdots 얘네들도 마찬가지입니다. 죄다 0입니다.

즉 이렇게 Wiener process가 끼어있는 확률과정에 대한 테일러 전개는

2차식까지만 살아남는다! 2차식은 dW_t^2  = dt 때문에 산다!!

 

입니다. 이 이론을 수학적으로 확장시킨 것이 바로 Ito Lemma 입니다. 말이 너무 길어지네요, 이제 수식 (*)를 정리해봅시다.

 

\begin{align}  f(S+dS) &= f(S) + \frac{\partial f(S)}{\partial S} (\mu S_t dt +\sigma S_t dW_t)+ \frac12 \frac{\partial^2 f(S)}{\partial S^2}  \sigma^2 S_t^2 dt \\             & = f(S) +\left(\mu S_t  \frac{\partial f}{\partial S} + \frac12 \frac{\partial^2 f}{\partial S^2}  \sigma^2 S_t^2 \right) dt + \left(\sigma S_t  \frac{\partial f}{\partial S} \right) dW_t  \end{align}

(수식이 복잡해 보여, f(S) =f라고 그냥 썼습니다.) 한 번만 더 정리할게요. df =f(S+dS) -f(S) 이므로

 df(S) = \left(\mu S_t  \frac{\partial f}{\partial S} + \frac12 \frac{\partial^2 f}{\partial S^2}  \sigma^2 S_t^2 \right) dt + \left(\sigma S_t  \frac{\partial f}{\partial S} \right) dW_t \tag{**} 

 

입니다. 이 식 외우기가 벅차죠? 딱 3개만 알고 있으면 됩니다.

  • 테일러 전개
  • (dW_t)^2 = dt
  • dt의 1승 초과하는 승은 모두 0

이 세가지만 알면 식(**)은 외울 필요가 없습니다. 이제 이걸 이용해서 어떤 것들을 할 수 있는지 다음 글에서 알아보도록 하겠습니다.

728x90
반응형

댓글