Fórmula de Dynkin

Em matemática, especificamente em processos estocásticos, a fórmula de Dynkin é um teorema que dá o valor esperado de qualquer estatística adequadamente suave de uma difusão de Itō em um tempo de parada. Pode ser vista como a generalização estocástica do (segundo) teorema fundamental do cálculo. Recebe este nome em homenagem ao matemático russo Eugene Dynkin.

Afirmação

Considere X {\displaystyle X} a difusão de Itō com valor em R n {\displaystyle \mathbf {R} ^{n}} que resolve a equação diferencial estocástica

d X t = b ( X t ) d t + σ ( X t ) d B t .   {\displaystyle \mathrm {d} X_{t}=b(X_{t})\,\mathrm {d} t+\sigma (X_{t})\,\mathrm {d} B_{t}.\ }

Para um ponto x {\displaystyle x\in } R n {\displaystyle \mathbf {R} ^{n}} , considere que P x {\displaystyle \mathbf {P} ^{x}} denota a lei de X {\displaystyle X} , sendo o dado inicial X 0 = x {\displaystyle X_{0}=x} , e que E x {\displaystyle \mathbf {E} ^{x}} denota o valor esperado em relação a P x {\displaystyle \mathbf {P} ^{x}} .

Considere A {\displaystyle A} o gerador infinitesimal de X {\displaystyle X} , definido por sua ação em funções C 2 {\displaystyle C^{2}} compactamente suportadas (duplamente diferenciáveis com segunda derivada contínua) f : R n R {\displaystyle f:\mathbf {R} ^{n}\rightarrow \mathbf {R} } , conforme

A f ( x ) = lim t 0 E x [ f ( X t ) ] f ( x ) t   {\displaystyle Af(x)=\lim _{t\downarrow 0}{\frac {\mathbf {E} ^{x}[f(X_{t})]-f(x)}{t}}\ }

ou, equivalentemente,

A f ( x ) = i b i ( x ) f x i ( x ) + 1 2 i , j ( σ σ ) i , j ( x ) 2 f x i x j ( x ) .   {\displaystyle Af(x)=\sum _{i}b_{i}(x){\frac {\partial f}{\partial x_{i}}}(x)+{\frac {1}{2}}\sum _{i,j}{\big (}\sigma \sigma ^{\top }{\big )}_{i,j}(x){\frac {\partial ^{2}f}{\partial x_{i}\,\partial x_{j}}}(x).\ }

Considere que τ {\displaystyle \tau } é um tempo de parada com E x [ τ ] < + {\displaystyle \mathbf {E} ^{x}[\tau ]<+\infty } e f {\displaystyle f} é C 2 {\displaystyle C^{2}} com suporte compacto. Então, a fórmula de Dynkin afirma que:[1]

E x [ f ( X τ ) ] = f ( x ) + E x [ 0 τ A f ( X s ) d s ] .   {\displaystyle \mathbf {E} ^{x}[f(X_{\tau })]=f(x)+\mathbf {E} ^{x}\left[\int _{0}^{\tau }Af(X_{s})\,\mathrm {d} s\right].\ }

Na verdade, se τ {\displaystyle \tau } for o primeiro tempo de saída para um conjunto limitado B R n {\displaystyle B\subset \mathbf {R} ^{n}} com E x [ τ ] < + {\displaystyle \mathbf {E} ^{x}[\tau ]<+\infty } , então, a fórmula de Dynkin se aplica para todas as funções f {\displaystyle f} C 2 {\displaystyle C^{2}} , sem o pressuposto do suporte compacto.

Exemplo

A fórmula de Dynkin pode ser usada para encontrar o primeiro tempo de saída esperado t K {\displaystyle t_{K}} do movimento browniano B {\displaystyle B} da bola fechada

K = K R = { x R n | | x | R } , {\displaystyle K=K_{R}=\{x\in \mathbf {R} ^{n}|\,|x|\leq R\},}

que, quando B {\displaystyle B} começa em um ponto a {\displaystyle a} no interior de K {\displaystyle K} , é dado por

E a [ τ K ] = 1 n ( R 2 | a | 2 ) . {\displaystyle \mathbf {E} ^{a}[\tau _{K}]={\frac {1}{n}}{\big (}R^{2}-|a|^{2}{\big )}.}

Escolha um número inteiro j {\displaystyle j} . A estratégia é aplicar a fórmula de Dynkin com X = B {\displaystyle X=B} , τ = σ j = min ( j , τ K ) {\displaystyle \tau =\sigma j=\min(j,\tau _{K})} e uma função f {\displaystyle f} C 2 {\displaystyle C^{2}} com f ( x ) = | x | 2 {\displaystyle f(x)=\left\vert x\right\vert ^{2}} em K {\displaystyle K} . O gerador do movimento browniano é Δ 2 {\displaystyle {\frac {\Delta }{2}}} , em que Δ {\displaystyle \Delta } denota o operador de Laplace. Por isso, pela fórmula de Dynkin,

E a [ f ( B σ j ) ] {\displaystyle \mathbf {E} ^{a}\left[f{\big (}B_{\sigma _{j}}{\big )}\right]}
= f ( a ) + E a [ 0 σ j 1 2 Δ f ( B s ) d s ] {\displaystyle =f(a)+\mathbf {E} ^{a}\left[\int _{0}^{\sigma _{j}}{\frac {1}{2}}\Delta f(B_{s})\,\mathrm {d} s\right]}
= | a | 2 + E a [ 0 σ j n d s ] {\displaystyle =|a|^{2}+\mathbf {E} ^{a}\left[\int _{0}^{\sigma _{j}}n\,\mathrm {d} s\right]}
= | a | 2 + n E a [ σ j ] . {\displaystyle =|a|^{2}+n\mathbf {E} ^{a}[\sigma _{j}].}

Assim, para qualquer j {\displaystyle j} ,

E a [ σ j ] 1 n ( R 2 | a | 2 ) . {\displaystyle \mathbf {E} ^{a}[\sigma _{j}]\leq {\frac {1}{n}}{\big (}R^{2}-|a|^{2}{\big )}.}

Agora, considere j + {\displaystyle j\rightarrow +\infty } para concluir que τ K = lim j + σ j < + {\displaystyle \tau _{K}=\lim _{j\rightarrow +\infty }\sigma j<+\infty } quase certamente e

E a [ τ K ] = 1 n ( R 2 | a | 2 ) , {\displaystyle \mathbf {E} ^{a}[\tau _{K}]={\frac {1}{n}}{\big (}R^{2}-|a|^{2}{\big )},}

como afirmado.[2]

Referências

  1. Dynkin, Eugene B. (1965). Markov Processes (em inglês). [S.l.]: Academic Press 
  2. Oksendal, Bernt (17 de abril de 2013). Stochastic Differential Equations: An Introduction with Applications (em inglês). [S.l.]: Springer Science & Business Media. ISBN 9783662025741 
  • v
  • d
  • e
Tempo discreto
Tempo contínuo
Ambos
Campos e outros
Modelos de série temporal
Modelos financeiros
  • Black–Derman–Toy
  • Black–Karasinski
  • Chen
  • Cox–Ingersoll–Ross (CIR)
  • Garman–Kohlhagen
  • Heath–Jarrow–Morton (HJM)
  • Heston
  • Ho–Lee
  • Hull–White
  • LIBOR market
  • Rendleman–Bartter
  • SABR volatility
  • Vašíček
  • Wilkie
Modelos atuariais
  • Bühlmann
  • Cramér–Lundberg
  • Sparre–Anderson
Modelos de filas
Propriedades
Teoremas limites
Desigualdades
Ferramentas
Disciplinas
  • Categoria:Processos estocásticos