σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyخرائط الطريقالمسارات
Ctrl K
AO
+1.2k متعلّم
تسجيل الدخولانضم ↗
خرائط الطريقالمسارات
AO
+1.2k متعلّم
تسجيل الدخول
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
σμimplied vol · KKmax(S−K,0)udβρᵢⱼfat tailsPnL · drawdownyield · TdSₜ = μSₜ dt + σSₜ dWₜC = S·N(d₁) − K·e⁻ʳᵀ·N(d₂)σₚ² = wᵀΣwd₁ = [ln(S/K) + (r + σ²⁄2)T] ⁄ σ√T∂V/∂t + ½σ²S²·∂²V/∂S² + rS·∂V/∂S − rV = 0Sharpe = (Rₚ − R_f) ⁄ σₚVaR₉₉ = μ − 2.33σρ = Cov(X,Y) ⁄ σₓσᵧE[Rₚ] = Σ wᵢ·E[Rᵢ]φ(x) = e^(−x²/2) ⁄ √2πE[Rᵢ] = R_f + βᵢ(E[Rₘ] − R_f)dXₜ = θ(μ − Xₜ)dt + σ dWₜσ²ₜ = ω + α·ε²ₜ₋₁ + β·σ²ₜ₋₁C − P = S − K·e⁻ʳᵀΔ = ∂V/∂S Γ = ∂²V/∂S²p = (e^(rΔt) − d) ⁄ (u − d)rₜ = ln(Pₜ ⁄ Pₜ₋₁)E[Xₜ₊₁ | ℱₜ] = Xₜf* = (bp − q) ⁄ bz = (x − μ) ⁄ σP(N=k) = λᵏe^(−λ) ⁄ k!Θ = −∂V/∂Tν = S·φ(d₁)·√Tmin wᵀΣw s.t. wᵀμ = μ*∫Σ∂∞λ
uantCraft Academyخرائط الطريقالمسارات
Ctrl K
AO
+1.2k متعلّم
تسجيل الدخولانضم ↗
خرائط الطريقالمسارات
AO
+1.2k متعلّم
تسجيل الدخول
  • English
  • Français
  • Español
  • العربية
  • Português
  • Deutsch
  • 日本語
  • 中文
مسار Probability›الوحدة 3 · نظريات النهايات والتحويلات›الموضوع 3.3·~45 دمتوسط

التحويلات وتغيير المتغيرات

الموضع في المسارالوحدة 3 من 5 · الموضوع 3 من 3
3.3 التحويلات وتغيير المتغيرات
—درجة المختبر— / 100إجمالي XP—التتابع—

متغيرات جديدة من قديمة

تحوّل المالية المتغيرات العشوائية باستمرار: الأسعار إلى عوائد والعوائد إلى عوائد لوغاريتمية والمركز إلى ربحه. وللتغيير الخطي Y=aX+bY=aX+bY=aX+b القواعد دقيقة: E[Y]=aE[X]+bE[Y]=aE[X]+bE[Y]=aE[X]+b وVar⁡(Y)=a2Var⁡(X)\operatorname{Var}(Y)=a^2\operatorname{Var}(X)Var(Y)=a2Var(X) ويبقى التوزيع الطبيعي طبيعيًا. وضرب عائد في رافعة aaa يضرب تقلبه في ∣a∣|a|∣a∣ وتباينه في a2a^2a2؛ وإضافة ثابت تزيح المتوسط وتترك التشتت كما هو.

fY(y)=fX(g−1(y))∣d g−1(y)dy∣,E[g(X)] ≥ g(E[X])f_Y(y)=f_X\big(g^{-1}(y)\big)\left|\frac{d\,g^{-1}(y)}{dy}\right|,\qquad E[g(X)]\ \ge\ g(E[X])fY​(y)=fX​(g−1(y))​dydg−1(y)​​,E[g(X)] ≥ g(E[X])(1)

في التحويل غير الخطي Y=g(X)Y=g(X)Y=g(X) لا يكفي تحويل المتوسط. وتتبع كثافة YYY صيغة تغيير المتغير: قيّم fXf_XfX​ عند المعكوس واضرب في عامل التمدد ∣dx/dy∣|dx/dy|∣dx/dy∣. فإذا كان XXX طبيعيًا كان Y=eXY=e^{X}Y=eX لوغاريتميًا طبيعيًا بكثافة fX(ln⁡y)/yf_X(\ln y)/yfX​(lny)/y. وتقول متراجحة ينسن إنه لدالة محدبة ggg يكون E[g(X)]≥g(E[X])E[g(X)]\geq g(E[X])E[g(X)]≥g(E[X]): مثلًا E[eX]>eE[X]E[e^{X}]>e^{E[X]}E[eX]>eE[X] وE[1/X]>1/E[X]E[1/X]>1/E[X]E[1/X]>1/E[X] لمتغير موجب غير ثابت. فالمتوسطات لا تتبادل مع الدوال المنحنية.

العوائد اللوغاريتمية وفجوة ينسنالعائد اللوغاريتمي ليوم هو r=ln⁡(Pt/Pt−1)r=\ln(P_t/P_{t-1})r=ln(Pt​/Pt−1​). وعبر عدة أيام تُضرب العوائد الإجمالية لكن تُجمع العوائد اللوغاريتمية: عائدان لوغاريتميان +0.05+0.05+0.05 و+0.07+0.07+0.07 يعطيان 0.120.120.12 في المجموع أي عائدًا إجماليًا e0.12=1.1275e^{0.12}=1.1275e0.12=1.1275 أي +12.75%+12.75\%+12.75%. ليكن الآن X∼N(0, 0.04)X\sim N(0,\,0.04)X∼N(0,0.04) عائدًا لوغاريتميًا. إذن E[X]=0E[X]=0E[X]=0 لكن E[eX]=e0.02≈1.0202E[e^{X}]=e^{0.02}\approx1.0202E[eX]=e0.02≈1.0202: فالعائد الإجمالي المتوقع يتجاوز eE[X]=1e^{E[X]}=1eE[X]=1 بفجوة ينسن σ2/2\sigma^2/2σ2/2.
  • الخطي: E[aX+b]=aE[X]+bE[aX+b]=aE[X]+bE[aX+b]=aE[X]+b وVar⁡(aX+b)=a2Var⁡(X)\operatorname{Var}(aX+b)=a^2\operatorname{Var}(X)Var(aX+b)=a2Var(X).
  • تغيير المتغير: fY(y)=fX(g−1(y)) ∣dx/dy∣f_Y(y)=f_X(g^{-1}(y))\,|dx/dy|fY​(y)=fX​(g−1(y))∣dx/dy∣.
  • العوائد اللوغاريتمية تُجمع عبر الزمن؛ وينسن: E[g(X)]≥g(E[X])E[g(X)]\geq g(E[X])E[g(X)]≥g(E[X]) لدالة محدبة ggg.
لماذا لا يساوي متوسط العائد العائد المركّبعائدان +50%+50\%+50% و−50%-50\%−50% متوسطهما 0%0\%0% لكن 1.5×0.5=0.751.5\times0.5=0.751.5×0.5=0.75 يتركك بخسارة 25٪. والمتوسط يصح على المقياس اللوغاريتمي: معدل النمو المركّب هو متوسط العوائد اللوغاريتمية، وهو أقل من لوغاريتم متوسط العائد بنحو σ2/2\sigma^2/2σ2/2. وكلما زاد تقلب الأصل كبر هذا العبء.

المختبر: ما الذي يُقيَّم

  • تغيير خطي: المتوسط10 نقطة
  • تغيير خطي: التباين10 نقطة
  • تركيب العوائد اللوغاريتمية15 نقطة
  • فجوة ينسن15 نقطة
  • ينسن مع مقلوب15 نقطة
  • كثافة اللوغاريتمي الطبيعي15 نقطة
  • لماذا العوائد اللوغاريتمية20 نقطة
0/ 7 تمت الإجابة
المهام
1إجابة رقمية10 نقطةبلا إجابة

لـ XXX متوسط 1 وتباين 4. ليكن Y=3X+2Y=3X+2Y=3X+2. أوجد E[Y]E[Y]E[Y].

E[Y]=E[Y] =E[Y]=المقبول: ± 0.001
2إجابة رقمية10 نقطةبلا إجابة

مع XXX نفسه (تباينه 4) وY=3X+2Y=3X+2Y=3X+2 أوجد Var⁡(Y)\operatorname{Var}(Y)Var(Y).

Var⁡(Y)=\operatorname{Var}(Y) =Var(Y)=المقبول: ± 0.001
3إجابة رقمية15 نقطةبلا إجابة

ليومين عائدان لوغاريتميان +0.05+0.05+0.05 و+0.07+0.07+0.07. ما العائد البسيط المركّب الكلي بالنسبة المئوية؟ أعطه بمنزلتين عشريتين.

R=R =R=المقبول: ± 0.01
4إجابة رقمية15 نقطةبلا إجابة

عائد لوغاريتمي X∼N(0, 0.04)X\sim N(0,\,0.04)X∼N(0,0.04) أي تباينه 0.040.040.04. أوجد E[eX]E[e^{X}]E[eX] باستعمال E[eX]=eμ+σ2/2E[e^{X}]=e^{\mu+\sigma^2/2}E[eX]=eμ+σ2/2. أعطه بأربع منازل عشرية.

E[eX]=E[e^{X}] =E[eX]=المقبول: ± 0.0005
5اختيار15 نقطةبلا إجابة

XXX موجب وغير ثابت. كيف يقارن E[1/X]E[1/X]E[1/X] بـ 1/E[X]1/E[X]1/E[X]؟

6أكمل الفراغات15 نقطةبلا إجابة

إذا كانت كثافة XXX هي fXf_XfX​ وY=eXY=e^{X}Y=eX فأكمل كثافة YYY لـ y>0y>0y>0.

fY(y)=fX()⋅\displaystyle f_Y(y)=f_X(\htmlData{blank=a}{\phantom{\rule[-0.35em]{2.4em}{1.35em}}})\cdot\htmlData{blank=b}{\phantom{\rule[-0.35em]{2.4em}{1.35em}}}fY​(y)=fX​()⋅
7اشرح بكلماتك20 نقطةبلا إجابة

في جملتين بيّن لماذا تكون العوائد اللوغاريتمية مناسبة للعوائد عبر عدة فترات.

وضع الرياضياتإدخال بلوحة المفاتيح أو LaTeXالمهمة 1 من 7 · Ctrl ⏎ للتحقق

سجّل الدخول لتشغيل الكود الخاص بك.

قراءة كل المحاضرات مجانية. أنشئ حسابًا أو سجّل الدخول لتشغيل الكود وتنفيذ الاختبارات وتسليم هذا المختبر.

  • بيئة تطوير داخل المتصفح مع طرفية bash — لا حاجة لتثبيت أي شيء
  • تصحيح فوري ونقاط خبرة ومكانك في المسار
إنشاء حسابتسجيل الدخول
أو
المتابعة عبر GitHub