【数据分析】布朗运动(维纳过程)

文章目录

  • 一、概述
  • 二、数学布朗运动
    • 2.1 数学定义
    • 2.2 布朗运动的数学模型
      • 2.21 标准布朗运动
      • 2.22 布朗运动的路径
      • 2.23 布朗运动的方程
  • 三、布朗运动在金融学中的应用
  • 四、数学构造(以傅里叶级数为例)
    • 4.1 傅里叶级数的基本思想
    • 4.2 构造布朗运动

一、概述

布朗运动(Brownian motion)是微小粒子或者颗粒在流体中做的无规则运动。

布朗运动过程是一种正态分布的独立增量连续随机过程。它是随机分析中基本概念之一。

其基本性质为:布朗运动W(t)是期望为0、方差为t(时间)的正态随机变量。

可以证明布朗运动是马尔可夫过程、鞅过程和伊藤过程。

它是在公元1827年英国植物学家罗伯特·布朗利用一般的显微镜观察悬浮于水中由花粉所迸裂出之微粒时,发现微粒会呈现不规则状的运动,因而称它布朗运动。

布朗运动也能测量原子的大小,因为就是由水中的水分子对微粒的碰撞产生的,而不规则的碰撞越明显,就是原子愈小,因此根据布朗运动,定义原子的直径为 1 0 − 8 10^{-8} 108厘米。

布朗运动指的是花粉迸出的微粒的随机运动,而不是分子的随机运动。但是通过布朗运动的现象可以间接证明分子的无规则运动。一般而言,花粉直径分布于30~50μm、最小亦有10μm,相较之下,水分子直径约0.3nm,略为花粉的十万分之一。因此,花粉难以产生不规则振动,事实上花粉几乎不受布朗运动之影响。在罗伯特·布朗的手稿中,“tiny particles from the pollen grains of flowers”意味着“自花粉粒中迸出之微粒子”,而非指花粉本身。然而在翻译为诸国语言时,时常受到误解,以为是“水中的花粉受布朗运动而呈现不规则运动”。积非成是之下,在大众一般观念中,此误会已然根深蒂固。(维基百科)

在布朗运动所讨论的微粒通常是指比分子和原子大得多的颗粒,这些颗粒可以是聚合物、胶体粒子或者是其他类型的微小悬浮物。这些颗粒的尺寸通常在纳米到微米级别,远大于单个分子或原子的尺寸。

布朗运动是由这些较大颗粒受到周围液体或气体中分子的随机碰撞引起的。由于分子和原子的尺寸非常小,它们在这种尺度上的行为表现为连续的流体,而不是作为单独的粒子。因此,布朗运动中的微粒不是分子或原子,而是被分子和原子的集体行为所影响的较大颗粒。

朗运动有下列的主要特性:

  1. 粒子的运动由平移及转移所构成,显得非常没规则而且其轨迹几乎是处处没有切线。
  2. 粒子之移动显然互不相关,甚至于当粒子互相接近至比其直径小的距离时也是如此。
  3. 粒子越小或液体粘性越低或温度越高时,粒子的运动越活泼。
  4. 粒子的成分及密度对其运动没有影响。
  5. 粒子的运动永不停止。

二、数学布朗运动

也称为维纳过程

2.1 数学定义

从数学的角度看,布朗运动是一个连续时间、连续状态的随机过程,通常用 B t B_t Bt来表示其在时间 t t t的取值。具体地,布朗运动有以下几个重要的特征:

  1. 起始值为零 B 0 = 0 B_0 = 0 B0=0
  2. 独立增量:对于任意时刻 t 1 < t 2 < ⋯ < t n t_1 < t_2 < \dots < t_n t1<t2<<tn,增量 B t i + 1 − B t i B_{t_{i+1}} - B_{t_i} Bti+1Bti是独立的,并且这些增量的分布不依赖于过去的值。
  3. 正态分布增量:增量 B t + s − B t B_{t+s} - B_t Bt+sBt服从均值为0、方差为 s s s的正态分布,即 B t + s − B t ∼ N ( 0 , s ) B_{t+s} - B_t \sim \mathcal{N}(0, s) Bt+sBtN(0,s)
  4. 连续性 B t B_t Bt是连续的,但几乎处处不可微,即对每一个 t t t B t B_t Bt有连续的轨迹,但是其导数(如果存在)几乎处处为零。
  5. 独立性和正态性:布朗运动的增量服从正态分布,并且增量是独立的。这使得布朗运动在很多情况下成为一个简单且有效的模型,尤其在金融数学中,作为股票价格或其他资产价格变动的模型。

2.2 布朗运动的数学模型

2.21 标准布朗运动

标准布朗运动通常是指满足上述性质的一个随机过程,其常见的数学表示形式为:
B t ∼ N ( 0 , t ) 且 B 0 = 0. B_t \sim \mathcal{N}(0, t) \quad \text{且} \quad B_0 = 0. BtN(0,t)B0=0.

这意味着,对于任意时刻 t t t,布朗运动 B t B_t Bt的分布是均值为0、方差为 t t t的正态分布。

2.22 布朗运动的路径

布朗运动的路径是连续的,但不光滑。虽然布朗运动在任何时刻都是有定义的,但它几乎无处可微。更准确地说,布朗运动的轨迹几乎无处具有有限的导数,这意味着轨迹是非常不规则的。

布朗运动路径的一个典型特点是不可预测性,即使已知了过去的所有历史,布朗运动的未来路径也无法准确预测。路径的变化完全是随机的,无法通过常规的物理法则来预测。
在这里插入图片描述

2.23 布朗运动的方程

布朗运动常通过随机微分方程SDE)来描述。一个标准的布朗运动可以用以下的随机微分方程来表示:
d B t = σ d W t dB_t = \sigma dW_t dBt=σdWt

其中 σ \sigma σ是常数, W t W_t Wt表示标准布朗运动, d B t dB_t dBt是布朗运动的增量。

这种方程可以看作是描述随机运动的“微分方程”,其中 W t W_t Wt是一个标准的布朗运动, σ \sigma σ控制着布朗运动的波动幅度。

三、布朗运动在金融学中的应用

布朗运动最著名的应用之一是在金融领域的随机过程模型中,尤其是用于描述股票价格的变动。通过布朗运动模型,金融学家能够捕捉股票价格变化的随机性,并以此来定价期权、评估风险、制定交易策略等。

布莱克-斯科尔斯期权定价模型(Black-Scholes Model)中,资产价格 S t S_t St通常被假设为服从几何布朗运动(Geometric Brownian Motion, GBM),即:
d S t = μ S t d t + σ S t d B t dS_t = \mu S_t dt + \sigma S_t dB_t dSt=μStdt+σStdBt

其中 μ \mu μ是资产的期望回报率, σ \sigma σ是波动率, B t B_t Bt是标准布朗运动。

四、数学构造(以傅里叶级数为例)

利用傅里叶级数(Fourier Series)构造布朗运动的思想基于随机过程的扩展与分解方法。

布朗运动是一种具有独立增量正态分布增量的随机过程,其增量的方差与时间的间隔成正比。为了利用傅里叶级数构造布朗运动,需要借助一种表示方法,将布朗运动的路径视为一系列独立的正弦和余弦项的叠加。

4.1 傅里叶级数的基本思想

傅里叶级数通常用于将一个周期性的函数表示为一组正弦和余弦函数的和。

将布朗运动的增量看作是这些正弦项的组合,每个正弦项的频率、振幅等特性根据布朗运动的独立增量和正态分布的特性来设置。

傅里叶级数表示为:
f ( t ) = ∑ n = 1 ∞ a n sin ⁡ ( n ω t ) + b n cos ⁡ ( n ω t ) f(t) = \sum_{n=1}^{\infty} a_n \sin(n \omega t) + b_n \cos(n \omega t) f(t)=n=1ansin(t)+bncos(t)

其中 a n a_n an b n b_n bn是傅里叶级数的系数, ω \omega ω是频率。

4.2 构造布朗运动

用一个随机过程的傅里叶级数展开,其中每个系数是由独立的正态分布随机变量决定的。具体步骤如下:

  1. 选择正弦函数的频率
    设定傅里叶级数中正弦项的频率为 n n n(即 n ω n \omega )。通常,可以选择频率逐渐递增,即:
    ω n = n \omega_n = n ωn=n
    这意味着每个频率是一个整数倍,符合傅里叶级数的基本构造方法。

  2. 生成正态分布的随机变量
    对于每一个频率 n n n,给定一个随机变量 X n X_n Xn,它是服从正态分布的。即
    X n ∼ N ( 0 , 1 ) X_n \sim \mathcal{N}(0, 1) XnN(0,1)
    其中 N ( 0 , 1 ) \mathcal{N}(0, 1) N(0,1)表示均值为0,方差为1的标准正态分布。注意,正态分布的增量是独立的,因此 X n X_n Xn是彼此独立的。

  3. 构造布朗运动增量
    布朗运动的增量服从正态分布,且每个增量的方差与时间间隔成正比。为了使构造的过程符合布朗运动的特性,假设在时间间隔 [ 0 , T ] [0, T] [0,T]内,布朗运动 B ( t ) B(t) B(t)的增量在时间 t t t处的方差为 t t t,将布朗运动的增量表示为:
    B ( t ) = ∑ n = 1 ∞ X n n sin ⁡ ( n t ) B(t) = \sum_{n=1}^{\infty} \frac{X_n}{\sqrt{n}} \sin(n t) B(t)=n=1n Xnsin(nt)
    这里, X n n \frac{X_n}{\sqrt{n}} n Xn是归一化的系数,使得每个增量的方差为 t t t,即
    E [ B ( t ) 2 ] = t \mathbb{E}[B(t)^2] = t E[B(t)2]=t
    这个构造方式确保了布朗运动的方差随着时间 t t t的增长而增长,并且增量之间是独立的。

由于傅里叶级数中包含无穷多个项,为了保证所构造的过程具有连续的路径,可以通过适当的截断正则化来确保级数在有限的时间内收敛。实际操作中,可以将级数截断为有限项,得到一个近似的布朗运动过程,随着项数的增加,布朗运动的路径会越来越精确。

  1. 完整描述
    综上所述,布朗运动可以通过如下的傅里叶级数形式来构造:
    B ( t ) = ∑ n = 1 ∞ X n n sin ⁡ ( n t ) B(t) = \sum_{n=1}^{\infty} \frac{X_n}{\sqrt{n}} \sin(n t) B(t)=n=1n Xnsin(nt)
    其中 X n X_n Xn是独立的标准正态分布随机变量, X n n \frac{X_n}{\sqrt{n}} n Xn是归一化系数,确保增量的方差是 t t t,并且布朗运动在整个时间区间内是连续的。

  2. 路径的性质
    通过傅里叶级数构造的布朗运动具有以下性质:

    1. 增量的独立性:每个 X n X_n Xn都是独立的随机变量,因此,布朗运动的增量是独立的。
    2. 增量的正态分布:每个增量 X n X_n Xn服从标准正态分布,因此布朗运动的增量服从正态分布。
    3. 方差与时间成正比:由于每个项的系数 X n n \frac{X_n}{\sqrt{n}} n Xn和正弦函数的频率逐渐增大,布朗运动的方差随着时间增长而增长,且为 t t t
    4. 连续性:尽管级数中有无穷多项,使用合适的截断或正则化方法,可以保证布朗运动的路径是连续的。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:/a/925957.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

Mybatis Plus 增删改查方法(一、增)

先定义一个简单的测试表&#xff0c;执行脚本如下&#xff1a; create table user(id bigint primary key auto_increment,name varchar(255) not null,age int not null default 0 check (age > 0) ); 根据Spingbootmybatisplus的结构根据表自行构建结构&#xff0c;大致…

基于Matlab的图像去噪算法仿真(二)

在信息化的社会里&#xff0c;图像在信息传播中所起的作用越来越大。所以&#xff0c;消除在图像采集和传输过程中而产生的噪声&#xff0c;保证图像受污染度最小&#xff0c;成了数字图像处理领域里的重要部分。 本文主要研究分析邻域平均法、中值滤波法、维纳滤波法及模糊小…

鸿蒙Next星河版基础代码

目录&#xff1a; 1、鸿蒙箭头函数的写法2、鸿蒙数据类型的定义3、枚举的定义以及使用4、position绝对定位及层级zIndex5、字符串的拼接转换以及数据的处理(1)字符串转数字(2)数字转字符串(3)布尔值转换情况(4)数组的增删改查 6、三元表达式7、鸿蒙for循环的几种写法7.1、基本用…

Node.js的url模块与querystring模块

新书速览|Vue.jsNode.js全栈开发实战-CSDN博客 《Vue.jsNode.js全栈开发实战&#xff08;第2版&#xff09;&#xff08;Web前端技术丛书&#xff09;》(王金柱)【摘要 书评 试读】- 京东图书 (jd.com) 4.3.1 http模块——创建HTTP服务器、客户端 要使用http模块&#xff0…

Conda 管理python开发环境

同步发布于我的网站 &#x1f680; 故事起因: 在公司使用Requests多任务并行开发时遇到了问题&#xff0c;使用 ProcessPoolExecutor 时不能正常发出网络请求&#xff0c;会卡在网络请求发不出去&#xff0c;但是善于用 ThreadPoolExecutor 时是可以的,纠结了很久&#xff0c;一…

LLamafactory 批量推理与异步 API 调用效率对比实测

文章目录 背景数据集构造LLamafactory 批量推理yaml 参数设置批量推理启动 LLamafactory API 部署结论项目开源 背景 在阅读 LLamafactory 的文档时候&#xff0c;发现它支持批量推理: 推理.https://llamafactory.readthedocs.io/zh-cn/latest/getting_started/inference.html…

Android通过摄像头检测心率

话不多说&#xff0c;先看效果 Android通过摄像头测量心率 借鉴文章如下 Android通过摄像头计算心率、心率变异性 该文章的核心功能点已经很全了&#xff0c;为了方便使用&#xff0c;我这边整理成了工具类可直接使用 该功能全网文章还是比较少的&#xff0c;还是要感谢下借鉴…

测绘坐标数据封装处理

1、测绘数据 2、数据处理 public void dealData() {List<Map<String, Object>> shyqzdMapList 截图数据;Map<String, List<Map<String, Object>>> groupMap shyqzdMapList.stream().collect(Collectors.groupingBy(item -> String.valueOf…

一个开源轻量级的服务器资源监控平台,支持告警推送

大家好&#xff0c;今天给大家分享一款开源的轻量级服务器资源监控工具Beszel&#xff0c;提供历史数据记录、Docker容器统计信息监控以及多种警报功能&#xff0c;用于监控服务器资源。 项目介绍 Beszel由hub&#xff08;中心服务器端应用&#xff0c;基于PocketBase构建&…

SVG无功补偿装置MATLAB仿真模型

“电气仔推送”获得资料&#xff08;专享优惠&#xff09; 模型简介 SVG&#xff08;又称ASVG 或STATCOM&#xff09;是Static Var Generator 的缩写&#xff0c;叫做静止无功发生器。也是做无功补偿的&#xff0c;比SVC 更加先进。其基本原理是将自换相桥式电路通过电抗器或…

el-cascader 使用笔记

1.效果 2.官网 https://element.eleme.cn/#/zh-CN/component/cascader 3.动态加载&#xff08;官网&#xff09; <el-cascader :props"props"></el-cascader><script>let id 0;export default {data() {return {props: {lazy: true,lazyLoad (…

CQ 社区版 2024.11 | 新增“审批人组”概念、可通过SQL模式自定义审计图表……

CloudQuery 社区 11 月新版本来啦&#xff01;本月版本依旧是 CUG&#xff08;CloudQuery 用户组&#xff09;尝鲜版的更新。 针对审计模块增加了 SQL 模式自定义审计图表&#xff1b;在流程模块引入了“审批人组”概念。此外&#xff0c;在 SQL 编辑器、连接管理等模块都涉及…

【论文阅读】 Learning to Upsample by Learning to Sample

论文结构目录 一、之前的上采样器二、DySample概述三、不同上采样器比较四、整体架构五、设计过程&#xff08;1&#xff09;初步设计&#xff08;2&#xff09;第一次修改&#xff08;3&#xff09;第二次修改&#xff08;4&#xff09;第三次修改 六、DySample四种变体七、复…

微积分复习笔记 Calculus Volume 2 - 3.1

The first 2 chapters of volume 2 are the same as those in volume 1. Started with Chapter 3. 3.1 Integration by Parts - Calculus Volume 2 | OpenStax

智能化图书馆导航系统方案之系统架构与核心功能设计

hello~这里是维小帮&#xff0c;点击文章最下方获取图书馆导航系统解决方案&#xff01;如有项目需求和技术交流欢迎大家私聊我们~撒花&#xff01; 针对传统图书馆在图书查找困难、座位紧张、空间导航不便方面的问题&#xff0c;本文深入剖析了基于高精度定位、3D建模、图书搜…

鸿蒙学习自由流转与分布式运行环境-价值与架构定义(1)

文章目录 价值与架构定义1、价值2、架构定义 随着个人设备数量越来越多&#xff0c;跨多个设备间的交互将成为常态。基于传统 OS 开发跨设备交互的应用程序时&#xff0c;需要解决设备发现、设备认证、设备连接、数据同步等技术难题&#xff0c;不但开发成本高&#xff0c;还存…

第六届机器人、智能控制与人工智能国际(RICAI 2024)

会议信息 会议时间与地点&#xff1a;2024年12月6-8日&#xff0c;中国南京 会议官网&#xff1a;www.ic-ricai.org &#xff08;点击了解大会参会等详细内容&#xff09; 会议简介 第六届机器人、智能控制与人工智能国际学术会议&#xff08;RICAI 2024&#xff09;将于20…

PostgreSQL WAL日志膨胀处理

作者&#xff1a;Digital Observer&#xff08;施嘉伟&#xff09; Oracle ACE Pro: Database PostgreSQL ACE Partner 11年数据库行业经验&#xff0c;现主要从事数据库服务工作 拥有Oracle OCM、DB2 10.1 Fundamentals、MySQL 8.0 OCP、WebLogic 12c OCA、KCP、PCTP、PCSD、P…

Windows中python3使用minio

minio.exe 和 mc.exe下载地址 # http://192.168.16.174:9000 # admin admin123!# # E:\tool\minio\bin>set MINIO_ROOT_USERadmin # E:\tool\minio\bin>set MINIO_ROOT_PASSWORDadmin123!# # E:\tool\minio\bin>minio.exe server E:\tool\minio\data# 配置minio 客户…

Flink在Linux系统上的安装与入门

一、Flink的引入 这几年大数据的飞速发展&#xff0c;出现了很多热门的开源社区&#xff0c;其中著名的有Hadoop、Storm&#xff0c;以及后来的Spark&#xff0c;他们都有着各自专注的应用场景。Spark 掀开了内存计算的先河&#xff0c;也以内存为赌注&#xff0c;赢得了内存计…