Семь состояний случайности

обобщение идеи случайности

Стохастический процесс со случайными приращениями из симметричного устойчивого распределения с α = 1,7. Обратите внимание на прерывистые изменения. Стохастический процесс со случайными приращениями из стандартного нормального распределения.

семь состояний случайности в теории вероятностей, фракталы и анализ риска являются расширениями концепции случайности, моделируемой с помощью нормального распределения. Эти семь состояний были впервые представлены Бенуа Мандельбротом в его книге 1997 года «Фракталы и масштабирование в финансах», в которой фрактальный анализ применялся для изучения риска и случайности. Эта классификация основана на трех основных состояниях случайности: умеренном, медленном и диком.

Важность классификации семи состояний случайности для математических финансов заключается в том, что такие методы, как портфель средней дисперсии Марковица и Блэк– Модель Шоулза может быть признана недействительной, так как хвосты распределения доходности разжижены : первая основана на конечном стандартном отклонении (волатильности ) и стабильности корреляция, а последняя построена на броуновском движении.

Содержание

• 1 История
• 2 Определения
  • 2.1 Двойная свертка
  • 2.2 Краткосрочный коэффициент порционирования
  • 2.3 Концентрация в режиме
  • 2.4 Концентрация в вероятности
  • 2.5 Локализованные и делокализованные моменты
• 3 См. Также
• 4 Ссылки

История

Эти семь состояний основаны на более ранних работах Мандельброта в 1963: «Вариации некоторых спекулятивных цен» и «Новые методы в статистической экономике», в которых он утверждал, что большинство статистических моделей подходят только к первой стадии рассмотрения индетерминизм в науке, и что они игнорировали многие аспекты реального мира турбулентность, в частности, большинство случаев финансового моделирования. Затем это было представлено Мандельбротом на Международном конгрессе по логике (1964 г.) в обращении под названием «Эпистемология случайности в некоторых новейших науках»

Интуитивно говоря, Мандельброт утверждал, что традиционное нормальное распределение не отражает должным образом эмпирические данные. и распределения «реального мира», и существуют другие формы случайности, которые можно использовать для моделирования экстремальных изменений риска и случайности. Он заметил, что случайность может стать довольно "дикой", если отказаться от требований, касающихся конечного среднего и дисперсии. Дикая случайность соответствует ситуациям, в которых отдельное наблюдение или конкретный результат могут очень непропорционально повлиять на общую сумму.

Случайная выборка из экспоненциального распределения со средним значением = 1. (Пограничная малая случайность) Случайная выборка из логнормального распределения со средним значением = 1. (Медленная случайность с конечным и локализованные моменты) Случайное извлечение из распределения Парето со средним значением = 1 и α = 1,5 (дикая случайность)

Классификация была официально представлена ​​в его книге 1997 года «Фракталы и масштабирование в финансах», поскольку способ раскрыть три основных состояния случайности: мягкое, медленное и дикое. Учитывая N слагаемых, разделение касается относительного вклада слагаемых в их сумму. Под равномерным порционированием Мандельброт имел в виду, что добавки были одного и того же порядка, в противном случае он считал порционирование концентрированным. Учитывая момент порядка q случайной величины, Мандельброт назвал корень степени q такого момента масштабным коэффициентом (порядка q).

Семь состояний:

1. Правильная умеренная случайность: кратковременное порционирование даже для N = 2, например нормальное распределение
2. Пограничная умеренная случайность: краткосрочное порционирование концентрируется для N = 2, но в конечном итоге становится даже при увеличении N, например экспоненциальное распределение со скоростью λ = 1 (и, следовательно, с ожидаемым значением 1 / λ = 1)
3. Медленная случайность с конечными делокализованными моментами: масштабный коэффициент увеличивается быстрее, чем q, но не быстрее, чем $qw\; \{\backslash \; displaystyle\; \{\backslash \; sqrt\; [\{w\}]\; \{q\}\}\}$, w < 1
4. Медленная случайность с конечными и локализованными моментами: масштабный коэффициент увеличивается быстрее, чем любая степень q, но остается конечный, например логнормальное распределение и, что важно, ограниченное равномерное распределение (которое по построению с конечным масштабом для всех q не может быть пред-дикой случайностью.)
5. Пред-дикая случайность: масштабный коэффициент становится бесконечным для q>2, например распределение Парето с α = 2,5
6. Дикая случайность: бесконечный второй момент, но конечный момент некоторого положительного порядка, например распределение Парето с $\alpha \; \le \; 2\; \{\backslash \; displaystyle\; \backslash \; alpha\; \backslash \; leq\; 2\}$
7. Крайняя случайность: все моменты бесконечны, например распределение Лог-Коши

Дикая случайность имеет применения за пределами финансовых рынков, например он использовался при анализе нестабильных ситуаций, таких как дикие лесные пожары.

. С использованием элементов этого различия в марте 2006 г., за год до финансового кризиса 2007–2010 гг., и четырех за годы до краха Flash в мае 2010 года, во время которого Промышленный индекс Доу-Джонса совершил внутридневное колебание на 1000 пунктов за несколько минут, Мандельброт и Нассим Талеб опубликовал в Financial Times статью, в которой утверждал, что традиционные «кривые колокола», которые используются более века, не подходят для измерения риска на финансовых рынках, учитывая, что такие кривые не учитывают возможность резкие скачки или разрывы. Противопоставляя этот подход с традиционными подходами, основанными на случайных блужданиях, они заявили:

Мы живем в мире, управляемом в основном случайными скачками, и инструменты, разработанные для случайных блужданий, решают неверную проблему.

Мандельброт и Талеб указали, что, хотя можно предположить, что шансы найти человека ростом в несколько миль чрезвычайно малы, подобные чрезмерные наблюдения не могут быть исключены в других областях применения. Они утверждали, что, хотя традиционные колоколообразные кривые могут дать удовлетворительное представление о росте и весе населения, они не обеспечивают подходящего механизма моделирования рыночных рисков или доходности, где всего десять торговых дней представляют 63% прибыли за последние 50. лет.

Определения

Двойная свертка

Если плотность вероятности $U\; =\; U\; \prime \; +\; U\; ″\; \{\backslash \; displaystyle\; U\; =\; U\; \text{'}+\; U\text{'}\; \text{'}\}$обозначается $p\; 2\; (u)\; \{\backslash \; displaystyle\; p\_\; \{2\}\; (u)\}$, тогда его можно получить двойной сверткой $p\; 2\; (x)\; =\; \int \; п\; (u)\; p\; (x\; -\; u)\; du\; \{\backslash \; displaystyle\; p\_\; \{2\}\; (x)\; =\; \backslash \; int\; p\; (u)\; p\; (xu)\; du\}$.

Краткосрочный коэффициент порционирования

Когда u известно, условная плотность вероятности u 'определяется соотношением порционирования:

$p\; (u\text{'})\; p\; (u\; -\; u\; \text{'})\; p\; 2\; (u)\; \{\backslash \; displaystyle\; \{\backslash \; frac\; \{p\; (u\text{'})\; p\; (u-u\; \text{'})\}\; \{p\_\; \{2\}\; (u)\}\}\}$

Концентрация в режиме

Во многих важных случаях максимум $p\; (u\; \prime )\; p\; (u\; -\; u\; \prime )\; \{\backslash \; displaystyle\; p\; (u\; \text{'})\; p\; (u-u\text{'})\}$встречается рядом с $u\; \prime \; =\; u\; /\; 2\; \{\backslash \; displaystyle\; u\; \text{'}=\; u\; /\; 2\}$или около $u\; \prime \; =\; 0\; \{\backslash \; displaystyle\; u\; \text{'}=\; 0\}$и $u\; \prime \; =\; u\; \{\backslash \; displaystyle\; u\text{'}\; =\; u\}$. Возьмите логарифм $p\; (u\; \prime )\; p\; (u\; -\; u\; \prime )\; \{\backslash \; displaystyle\; p\; (u\; \text{'})\; p\; (u-u\text{'})\}$и напишите:

$\Delta \; (u)\; Знак\; равно\; 2\; журнал\; \; п\; (U\; /\; 2)\; -\; [журнал\; \; п\; (0)\; +\; журнал\; \; п\; (и)]\; \{\backslash \; Displaystyle\; \backslash \; Delta\; (u)\; =\; 2\; \backslash \; журнал\; р\; (и\; /\; 2)\; -\; [\backslash \; журнал\; р\; (0)\; +\; \backslash \; log\; p\; (u)]\}$

• Если $log\; \; p\; (u)\; \{\backslash \; displaystyle\; \backslash \; log\; p\; (u)\}$равно выпуклый верхний угол, коэффициент порционирования максимален для $u\; \text{'}=\; u\; /\; 2\; \{\backslash \; displaystyle\; u\text{'}\; =\; u\; /\; 2\}$
• Если $log\; \; p\; (u)\; \{\backslash \; displaystyle\; \backslash \; log\; p\; (u)\}$прямой, коэффициент порционирования постоянный
• Если $log\; \; p\; (u)\; \{\backslash \; displaystyle\; \backslash \; log\; p\; (u)\}$равно выпуклая чашка, коэффициент порционирования минимален для $u\; \prime \; =\; u\; /\; 2\; \{\backslash \; displaystyle\; u\; \text{'}=\; u\; /\; 2\}$

Концентрация вероятности

Разделение удвоенной свертки на 3 частей дает:

$p\; 2\; (x)\; =\; \int \; 0\; xp\; (u)\; p\; (x\; -\; u)\; du\; =\; \{\int \; 0\; x\; ~\; +\; \int \; x\; ~\; x\; -\; x\; ~\; +\; \int \; x\; -\; x\; ~\; x\}\; p\; (u)\; п\; (Икс\; -\; U)\; du\; =\; IL\; +\; I\; 0\; +\; IR\; \{\backslash \; displaystyle\; p\_\; \{2\}\; (x)\; =\; \backslash \; int\; \_\; \{0\}\; ^\; \{x\}\; p\; (u)\; p\; (xu)\; du\; =\; \backslash \; left\; \backslash \; \{\; \backslash \; int\; \_\; \{0\}\; ^\; \{\backslash \; tilde\; \{x\}\}\; +\; \backslash \; int\; \_\; \{\backslash \; tilde\; \{x\}\}\; ^\; \{x-\; \{\; \backslash \; tilde\; \{x\}\}\}\; +\; \backslash \; int\; \_\; \{x\; -\; \{\backslash \; tilde\; \{x\}\}\}\; ^\; \{x\}\; \backslash \; right\; \backslash \}\; p\; (u)\; p\; (xu)\; du\; =\; I\_\; \{L\}\; +\; I\_\; \{0\}\; +\; I\_\; \{R\}\}$

p (u) краткосрочно сконцентрировано по вероятности, если можно выбрать $u\; ~\; (u)\; \{\backslash \; displaystyle\; \{\backslash \; tilde\; \{u\}\}\; (u)\}$так, чтобы средний интервал ($u\; ~,\; u\; -\; u\; ~\; \{\backslash \; displaystyle\; \{\backslash \; tilde\; \{u\}\},\; u\; -\; \{\backslash \; tilde\; \{u\}\}\}$) имел следующие два свойства: u → ∞:

• I0/p2(u) → 0
• $(u\; -\; 2\; u\; ~)\; u\; \{\backslash \; displaystyle\; (u-2\; \{\backslash \; tilde\; \{u\}\})\; u\}$не → 0

Локализованные и делокализованные моменты

Рассмотрим формулу $E\; \; [U\; q]\; =\; \int \; 0\; \infty \; uqp\; (u)\; du\; \{\backslash \; displaystyle\; \backslash \; operatorname\; \{E\}\; [U\; ^\; \{\; q\}]\; =\; \backslash \; int\; \_\; \{0\}\; ^\; \{\backslash \; infty\}\; u\; ^\; \{q\}\; p\; (u)\; du\}$, если p (u) - масштабное распределение подынтегральное выражение является максимальным при 0 и ∞, в других случаях подынтегральное выражение может иметь резкий глобальный максимум для некоторого значения $u\; ~\; q\; \{\backslash \; displaystyle\; \{\backslash \; tilde\; \{u\}\}\; \_\; \{q\}\}$, определяемого следующее уравнение:

$0\; =\; ddu\; (q\; log\; \; u\; +\; log\; \; p\; (u))\; =\; qu\; -\; |\; d\; log\; \; p\; (u)\; d\; u\; |\; \{\backslash \; displaystyle\; 0\; =\; \{\backslash \; frac\; \{d\}\; \{du\}\}\; (q\; \backslash \; log\; u\; +\; \backslash \; log\; p\; (u))\; =\; \{\backslash \; frac\; \{q\}\; \{u\}\}\; -\; |\; \{\backslash \; frac\; \{d\; \backslash \; log\; p\; (u)\}\; \{du\}\}\; |\}$

Также необходимо знать $uqp\; (u)\; \{\backslash \; displaystyle\; u\; ^\; \{q\}\; p\; (u)\}$в окрестности $u\; ~\; д\; \{\backslash \; displaystyle\; \{\backslash \; tilde\; \{u\}\}\; \_\; \{q\}\}$. Функция $uqp\; (u)\; \{\backslash \; displaystyle\; u\; ^\; \{q\}\; p\; (u)\}$часто допускает "гауссовское" приближение, определяемое следующим образом:

$log\; \; [uqp\; (u)]\; =\; журнал\; \; п\; (U)\; +\; Qu\; =\; константа\; -\; (U\; -\; U\; ~\; Q)\; 2\; \sigma \; ~\; Q\; -\; 2/2\; \{\backslash \; displaystyle\; \backslash \; log\; [u\; ^\; \{q\}\; p\; (u)]\; =\; \backslash \; log\; p\; (u)\; +\; qu\; =\; constant-\; (u\; -\; \{\backslash \; tilde\; \{u\}\}\; \_\; \{q\})\; ^\; \{2\}\; \{\backslash \; tilde\; \{\backslash \; sigma\}\}\; \_\; \{q\}\; ^\; \{-\; 2/2\}\}$

Когда $uqp\; (u)\; \{\backslash \; displaystyle\; u\; ^\; \{q\}\; p\; (u)\}$хорошо аппроксимируется гауссовой плотностью, основная часть $E\; \; [U\; q]\; \{\backslash \; displaystyle\; \backslash \; operatorname\; \{\; E\}\; [U\; ^\; \{q\}]\}$происходит из "q-интервала", определенного как $[u\; ~\; q\; -\; \sigma \; ~\; q,\; u\; ~\; q\; +\; \sigma \; ~\; q]\; \{\backslash \; displaystyle\; [\; \{\backslash \; tilde\; \{u\}\}\; \_\; \{q\}\; -\; \{\backslash \; tilde\; \{\backslash \; sigma\}\}\; \_\; \{q\},\; \{\backslash \; tilde\; \{u\}\}\; \_\; \{q\}\; +\; \{\backslash \; tilde\; \{\backslash \; sigma\}\}\; \_\; \{q\}]\; \}$. Гауссовские q-интервалы сильно перекрываются для всех значений $\sigma \; \{\backslash \; displaystyle\; \backslash \; sigma\}$. Гауссовы моменты называются делокализованными. Q-интервалы логнормальной функции равномерно распределены, и их ширина не зависит от q; поэтому, если логнормальный достаточно перекос, q-интервал и (q + 1) -интервал не перекрываются. Логнормальные моменты называются равномерно локализованными. В других случаях соседние q-интервалы перестают перекрываться при достаточно больших q, такие моменты называются асимптотически локализованными.

См. Также

• История случайности
• Случайная последовательность
• Распределение с толстыми хвостами
• Распределение с тяжелыми хвостами
• вейвлет Добеши для системы, основанной на бесконечных моментах (хаотический волны)

Ссылки