Sedm stavů náhodnosti - Seven states of randomness
Na sedm států náhodnosti v teorii pravděpodobnosti , fraktály a analýzy rizik jsou rozšíření pojmu náhody , jak modelovat normální distribuce . Těchto sedm států poprvé představil Benoît Mandelbrot ve své knize Fractals and Scaling in Finance z roku 1997 , která aplikovala fraktální analýzu na studium rizika a náhodnosti. Tato klasifikace vychází ze tří hlavních stavů náhodnosti: mírné, pomalé a divoké.
Důležitost sedmi stavů klasifikace náhodnosti pro matematické finance spočívá v tom, že metody, jako je Markowitzovo průměrné rozptylové portfolio a Black -Scholesův model, mohou být znehodnoceny, protože zbytky rozdělení výnosů jsou vykrmeny : první z nich spoléhá na konečnou standardní odchylku ( volatilitu ) a stabilita korelace , zatímco ta je konstruována při Brownově pohybu .
Dějiny
Těchto sedm států navazuje na dřívější práci Mandelbrota v roce 1963: „Variace určitých spekulativních cen“ a „Nové metody ve statistické ekonomii“, v nichž tvrdil, že většina statistických modelů přistupuje pouze k první fázi řešení indeterminismu ve vědě, a že ignorovali mnoho aspektů turbulencí v reálném světě , zejména většinu případů finančního modelování . To pak přednesl Mandelbrot na Mezinárodním kongresu pro logiku (1964) na adrese s názvem „Epistemologie náhody v některých novějších vědách“
Intuitivně řečeno, Mandelbrot tvrdil, že tradiční normální rozdělení správně nezachycuje empirické a „reálné“ distribuce a existují i jiné formy náhodnosti, které lze použít k modelování extrémních změn v riziku a náhodnosti. Poznamenal, že nahodilost se může stát docela „divokou“, pokud jsou upuštěny požadavky týkající se konečného průměru a rozptylu . Divoká náhodnost odpovídá situacím, ve kterých jediné pozorování nebo konkrétní výsledek může ovlivnit součet velmi nepřiměřeným způsobem.
Klasifikace byla formálně zavedena v jeho knize Fractals and Scaling in Finance z roku 1997 jako způsob, jak vnést pohled do tří hlavních stavů náhodnosti: mírné, pomalé a divoké. Vzhledem k N přídavkům se porcování týká relativního příspěvku dodatků k jejich součtu. By i porcování, Mandelbrot znamenalo, že sčítance byly stejného řádu , jinak se považuje za porcování musí být koncentrovaný . S ohledem na moment řádu q části náhodné proměnné , Mandelbrot nazvaný kořen studia q tohoto okamžiku se činitel měřítka (řádu q ).
Sedm států je:
- Správná mírná náhodnost: krátkodobé porcování je dokonce pro N = 2, např. Normální rozdělení
- Mírná náhodnost na hranici: krátkodobé porcování je koncentrováno pro N = 2, ale nakonec se stává ještě rostoucím N , např. Exponenciální rozdělení s rychlostí λ = 1 (a tak s očekávanou hodnotou 1/ λ = 1)
- Pomalá náhodnost s konečnými delokalizovanými momenty: faktor měřítka se zvyšuje rychleji než q, ale ne rychleji než , w <1
- Pomalá náhodnost s konečnými a lokalizovanými momenty: faktor měřítka se zvyšuje rychleji než jakákoli mocnina q , ale zůstává konečná, např. Lognormální rozdělení a co je důležité, ohraničené rovnoměrné rozdělení (které konstrukcí s konečným měřítkem pro všechny q nemůže být předem divoká náhodnost. )
- Před divoká náhodnost: faktor měřítka se stává nekonečným pro q > 2, např. Paretovo rozdělení s α = 2,5
- Divoká náhodnost: nekonečný druhý moment, ale konečný moment nějakého pozitivního řádu, např. Paretova distribuce s
- Extrémní náhodnost: všechny momenty jsou nekonečné, např. Log-Cauchyho distribuce
Divoká náhoda má uplatnění mimo finanční trhy, např. Byla použita při analýze turbulentních situací, jako jsou divoké lesní požáry .
S využitím prvků tohoto rozlišení v březnu 2006, rok před finanční krizí v letech 2007–2010 a čtyři roky před bleskovou havárií v květnu 2010, během níž měl Dow Jones Industrial Average během dne švih o 1 000 bodů, Mandelbrot a Nassim Taleb publikoval článek ve Financial Times a tvrdil, že tradiční „zvonové křivky“, které se používají již více než století, jsou pro měření rizika na finančních trzích nedostatečné, vzhledem k tomu, že tyto křivky ignorují možnost prudkých skoků nebo nespojitostí. Kontrastem tohoto přístupu s tradičními přístupy založenými na náhodných procházkách uvedli:
Žijeme ve světě primárně poháněném náhodnými skoky a nástroje určené pro náhodné procházky řeší špatný problém.
Mandelbrot a Taleb poukázali na to, že ačkoli lze předpokládat, že šance na nalezení osoby, která je několik mil vysoká, je extrémně nízká, podobná nadměrná pozorování nelze vyloučit v jiných oblastech použití. Argumentovali tím, že ačkoli tradiční zvonové křivky mohou poskytnout uspokojivé vyjádření výšky a váhy v populaci, neposkytují vhodný modelovací mechanismus pro tržní rizika nebo výnosy, kde pouhých deset obchodních dnů představuje 63 procent výnosů za posledních 50 let.
Definice
Zdvojnásobení konvoluce
Pokud je označena hustota pravděpodobnosti , pak ji lze získat dvojitou konvolucí .
Krátký poměr porcování
Když je u známo, hustota podmíněné pravděpodobnosti u ′ je dána poměrem porcí:
Koncentrace v režimu
V mnoha důležitých případech se maximum vyskytuje blízko , nebo blízko a . Vezměte logaritmus a napište:
- Pokud je cap-konvexní , poměr porcí je maximální pro
- Pokud je rovný, je poměr porcování konstantní
- Pokud je pohár-konvexní , poměr porcování je minimální pro
Koncentrace v pravděpodobnosti
Rozdělení zdvojující se konvoluce na tři části dává:
p ( u ) je krátký běh koncentrovaný v pravděpodobnosti, pokud je možné vybrat tak, aby střední interval ( ) měl následující dvě vlastnosti jako u → ∞:
- I 0 / p 2 ( u ) → 0
- ne → 0
Lokalizované a delokalizované momenty
Zvažte vzorec , pokud p ( u ) je distribuce škálování, integrand je maximální při 0 a ∞, v jiných případech může mít integrand ostré globální maximum pro nějakou hodnotu definovanou následující rovnicí:
Člověk musí také vědět v sousedství . Funkce často připouští „gaussovskou“ aproximaci danou:
Když je dobře aproximována Gaussovou hustotou, většina původů pochází z „ q -intervalu“ definovaného jako . Gaussovy q -intervaly se velmi překrývají pro všechny hodnoty . Gaussovské momenty se nazývají delokalizované . Lognormal je q -intervals jsou rovnoměrně rozloženy a jejich šířka je nezávislý na Q ; pokud je tedy log-normal dostatečně zkosený, q -interval a ( q + 1) -interval se nepřekrývají. Lognormální momenty se nazývají jednotně lokalizované . V ostatních případech se sousední q -intervaly přestanou překrývat pro dostatečně vysoké q , takové momenty se nazývají asymptoticky lokalizované .
Viz také
- Historie nahodilosti
- Náhodná sekvence
- Rozložení tuku
- Silně ocasní distribuce
- Vlnovod Daubechies pro systém založený na nekonečných okamžicích (chaotické vlny)