Семь состояний случайности


Семь состояний случайности в теории вероятностей , фракталах и анализе риска являются расширением концепции случайности , моделируемой нормальным распределением . Эти семь состояний были впервые представлены Бенуа Мандельбротом в его книге 1997 года «Фракталы и масштабирование в финансах» применялся , в которой фрактальный анализ к изучению риска и случайности. [1] Эта классификация основана на трех основных состояниях случайности: умеренной, медленной и дикой.
Важность семи состояний классификации случайности для математических финансов заключается в том, что такие методы, как портфель средней дисперсии Марковица и модель Блэка-Шоулза, могут оказаться недействительными, поскольку хвосты распределения доходности утолщаются : первый опирается на конечное стандартное отклонение ( волатильность ) и устойчивость корреляции , а последняя построена на броуновском движении .
История
[ редактировать ]Эти семь состояний основаны на более ранней работе Мандельброта 1963 года: «Вариации некоторых спекулятивных цен». [2] и «Новые методы в статистической экономике». [3] в котором он утверждал, что большинство статистических моделей приближаются только к первому этапу борьбы с индетерминизмом в науке и что они игнорируют многие аспекты турбулентности реального мира , в частности, большинство случаев финансового моделирования . [4] [5] Затем это было представлено Мандельбротом на Международном конгрессе по логике (1964 г.) в обращении под названием «Эпистемология случая в некоторых новых науках». [6]
Интуитивно говоря, Мандельброт утверждал: [6] что традиционное нормальное распределение не отражает должным образом эмпирические и «реальные» распределения, и что существуют другие формы случайности, которые можно использовать для моделирования экстремальных изменений риска и случайности. требований относительно конечного среднего и дисперсии Он заметил, что случайность может стать совершенно «дикой», если отказаться от . Дикая случайность соответствует ситуациям, в которых одно наблюдение или конкретный результат могут повлиять на общую сумму очень непропорционально.



Классификация была официально представлена в его книге «Фракталы и масштабирование в финансах» в 1997 году . [1] как способ лучше понять три основных состояния случайности: умеренную, медленную и дикую. Учитывая N слагаемых , разделение касается относительного вклада слагаемых в их сумму. Под равномерным порционированием Мандельброт имел в виду, что слагаемые 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 фактором (порядка q ).
Семь штатов:
- Правильная мягкая случайность: краткосрочное распределение равномерно для N = 2, например, нормальное распределение.
- Пограничная умеренная случайность: краткосрочное распределение сконцентрировано для N = 2, но в конечном итоге становится равномерным по мере роста N , например, экспоненциальное распределение со скоростью λ = 1 (и, следовательно, с ожидаемым значением 1/ λ = 1)
- Медленная случайность с конечными делокализованными моментами: масштабный коэффициент увеличивается быстрее, чем q , но не быстрее, чем , ш < 1
- Медленная случайность с конечными и локализованными моментами: масштабный коэффициент увеличивается быстрее, чем любая степень q , но остается конечным, например, логнормальное распределение и, что важно, ограниченное равномерное распределение (которое по построению с конечным масштабом для всех q не может быть преддикой случайностью. )
- Предварительная случайность: масштабный коэффициент становится бесконечным при q > 2, например, распределение Парето с α = 2,5.
- Дикая случайность: бесконечный второй момент, но конечный момент некоторого положительного порядка, например, распределение Парето с
- Крайняя случайность: все моменты бесконечны, например, логарифмическое распределение Коши.
Дикая случайность находит применение за пределами финансовых рынков, например, ее использовали при анализе неспокойных ситуаций, таких как лесные пожары . [7]
Используя элементы этого различия, в марте 2006 года, за год до финансового кризиса 2007–2010 годов и за четыре года до внезапного краха в мае 2010 года, во время которого промышленный индекс Доу-Джонса в течение нескольких минут колебался внутри дня на 1000 пунктов, [8] Мандельброт и Нассим Талеб статью, опубликовали в Financial Times в которой утверждают, что традиционные «колокольчатые кривые», используемые уже более века, недостаточны для измерения риска на финансовых рынках, поскольку такие кривые игнорируют возможность резких скачков или разрывов. Сравнивая этот подход с традиционными подходами, основанными на случайных блужданиях , они заявили: [9]
Мы живем в мире, в основном управляемом случайными скачками, и инструменты, предназначенные для случайных блужданий, решают не ту проблему.
Мандельброт и Талеб отмечали, что, хотя можно предположить, что шансы найти человека ростом в несколько миль крайне малы, нельзя исключать подобные чрезмерные наблюдения и в других областях применения. Они утверждали, что, хотя традиционные колоколообразные кривые могут обеспечить удовлетворительное представление роста и веса населения, они не обеспечивают подходящего механизма моделирования рыночных рисков или доходов, где всего десять торговых дней представляют 63 процента доходов в период с 1956 по 2006 год. . [ сомнительно – обсудить ]
Определения
[ редактировать ]Двойная свертка
[ редактировать ]Если плотность вероятности обозначается , то его можно получить двойной сверткой .
Коэффициент порционирования на короткие порции
[ редактировать ]Когда u известно, условная плотность вероятности u ′ определяется соотношением порций:
Концентрация в режиме
[ редактировать ]Во многих важных случаях максимум происходит рядом или рядом и . Возьмите логарифм и напишите:
- Если является выпуклой кверху , коэффициент порционирования максимален для
- Если прямой, соотношение порций постоянное
- Если чашевидно -выпуклая , соотношение порций минимально для
Концентрация на вероятности
[ редактировать ]Разделение удвоенной свертки на три части дает:
p ( u ) сконцентрирован по вероятности в краткосрочном периоде, если можно выбрать так что средний интервал ( ) обладает следующими двумя свойствами при u→∞:
- я 0 / п 2 ( ты ) → 0
- нет → 0
Локализованные и делокализованные моменты
[ редактировать ]Рассмотрим формулу , если p ( u ) является масштабирующим распределением, подынтегральная функция максимальна при 0 и ∞, в других случаях подынтегральная функция может иметь резкий глобальный максимум для некоторого значения определяется следующим уравнением:
Надо также знать в окрестностях . Функция часто допускает «гауссово» приближение, определяемое формулой:
Когда хорошо аппроксимируется гауссовой плотностью, основная часть происходит в « q -интервале», определяемом как . Гауссовы q -интервалы сильно перекрываются для всех значений . Гауссовы моменты называются делокализованными . Логнормальные q -интервалы расположены равномерно, и их ширина не зависит от q ; поэтому, если логнормаль достаточно асимметрична, 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
[ редактировать ]- История случайности
- Случайная последовательность
- Распределение с толстым хвостом
- Распределение с тяжелым хвостом
- Вейвлет Добеши для системы, основанной на бесконечных моментах (хаотических волнах)
Ссылки
[ редактировать ]- ^ Jump up to: а б Мандельброт, Бенуа Б. (18 сентября 1997 г.). Фракталы и масштабирование в финансах: разрыв, концентрация, риск. Выберите том E. Спрингер Нью-Йорк. ISBN 978-0-387-98363-9 .
- ^ Б. Мандельброт, Изменение некоторых спекулятивных цен, Журнал бизнеса, 1963 г. [1]
- ^ Мандельброт, Бенуа (1963). «Новые методы в статистической экономике» . Журнал политической экономии . 71 (5): 421–440. дои : 10.1086/258792 . ISSN 0022-3808 . JSTOR 1829014 .
- ^ Бенуа Мандельброт, Ф. Дж. Дамерау, М. Фрейм и К. МакКами (2001) Гауссово самосродство и фракталы ISBN 0-387-98993-5 стр. 20
- ^ Филип Мировски (2004) Легкая экономика науки? ISBN 0-8223-3322-8 стр. 255
- ^ Jump up to: а б Б. Мандельброт, На пути ко второму этапу индетерминизма в науке, Междисциплинарные научные обзоры, 1987 г. [2]
- ^ Экономика нарушений леса: лесные пожары, штормы и инвазивные виды Томаса П. Холмса, Джеффри П. Престемона и Карен Л. Абт. 2008. Springer: Дордрехт, Нидерланды. 422 стр. ISBN 978-1-4020-4369-7
- ↑ Wall Street Journal , 11 мая 2010 г.
- ↑ Бенуа Мандельброт и Нассим Талеб (23 марта 2006 г.), « Акцент на исключениях, которые подтверждают правило », Financial Times .