Enlightenment in the shadow

  • 홈
  • 방명록

GBM solution 1

Geometric Brownian Motion의 해, 평균, 분산

1. Solution of GBM 먼저 아래의 기하 브라운 모형(Geometric Brownian Motion)을 살펴보자. $$ dS_t = \mu S_t dt + \sigma S_t dW_t \label{eq1} \tag{1} $$ 그리고 이걸 기반으로 $d \ln S_t$를 구하면 아래와 같다. 이 때 $\ln S_t$가 확률미분방정식 시스템인 S_t에 대한 함수이기 때문에 Ito's lemma로 2계 도함수까지 테일러 근사를 진행해야한다. Ito's lemma에 대한 자세한 설명은 "해밀턴 자코비 벨만 방정식 2(stochastic case)" 포스팅의 1. Ito's lemma 파트를 참고하면 된다. Ito lemma로 $d \ln S_t$에 대한 전미분을 시행하면 아래와 같다. $$ \begi..

Finance/Financial Mathematics 2022.04.12
1
더보기
  • 분류 전체보기 (5)
    • Machine Learning (1)
    • Finance (4)
      • Financial Mathematics (4)
      • Finance Modeling (0)
    • Daily (0)

Tag

코딩테스트, 해밀턴 자코비 벨만 방정식, 해밀턴 자코비 방정식, 해밀턴 야코비 벨만 방정식, GBM solution, GBM simulation, GBM mean, Hamilton Jacobi Bellman equation, 파이썬, 행렬회전, HJB equation, 코테, LQR, stochastic HJB equation, Bellman's Optimality, Ito's lemma, 계층적구조다중필터링, Python, GBM variance, 테일러 전개,

최근글과 인기글

  • 최근글
  • 인기글

최근댓글

공지사항

페이스북 트위터 플러그인

  • Facebook
  • Twitter

Archives

Calendar

«   2025/11   »
일 월 화 수 목 금 토
1
2 3 4 5 6 7 8
9 10 11 12 13 14 15
16 17 18 19 20 21 22
23 24 25 26 27 28 29
30

방문자수Total

  • Today :
  • Yesterday :

Copyright © Kakao Corp. All rights reserved.

티스토리툴바