Quant Sandbox
SzármaztatottPortfólió & kockázatFix hozamúVállalati pénzügySztochasztikus modellekÚtmutató
Sztochasztikus modellek
Sztochasztikus tanulóstúdióBéta
1.1Szimmetrikus véletlen séta1.2Átskálázott véletlen séta1.3Szórás1.4Centrális határeloszlás-tétel2.1A Wiener-folyamat definíciója2.2Növekmény-felfedező2.3Együttes eloszlás és kovariancia3.1Futó maximum és minimum3.2Tükrözési elv3.3Első elérési idők3.4Elérési valószínűségek
Brown-mozgásBéta
Geometriai Brown-mozgásBéta
Itô-folyamatBéta
Monte CarloBéta
Kapcsolódó útmutatók
  • Valószínűségi mezők, σ-algebrák és valószínűségi változók
  • Filtrációk, adaptált folyamatok és megállási idők
  • A Brown-mozgás tulajdonságai
  • A tükrözési elv és az első elérési idők
  • A Brown-híd

© 2026 Quant Sandbox · Tanulást segítő eszköz a kvantitatív pénzügyekhez

Adatvédelem és adatokNincsenek sütik

Ez az oldal nem használ sütiket (cookie-kat), és nem kér személyes adatokat. Néhány apró beállítást a böngésződ helyi tárolójában (local storage) őriz meg — a választott témát és nyelvet, az oldalsáv elrendezését, valamint az útmutatókban elért haladást és a válaszaidat —, hogy a következő látogatáskor is emlékezzen rájuk. Ezek az adatok nem hagyják el az eszközödet; a böngésző tárhelyének törlésével eltávolíthatók. A módosított bemenetek az oldal URL-címében is rögzülhetnek, így megoszthatsz vagy könyvjelzőként elmenthetsz egy adott beállítást. Az oldal a Vercel Web Analytics szolgáltatást használja, amely adatvédelem-barát és süti nélküli: csak névtelen, összesített használati adatokat (például oldalletöltéseket) rögzít, anélkül hogy azonosítana téged vagy más oldalakon követne.

Tananyag/3. Fejezet · Brown-pályák geometriája/3.4
3.4

Elérési valószínűségek

Mekkora a valószínűsége, hogy egy drifttel rendelkező folyamat t-ig átlépi a korlátot — és mit mér valójában a szimuláció?

Cél: vesd össze a folytonos elméleti elérési valószínűséget a diszkrét megfigyelésű szimulációval, és lásd, hogyan javítja a Broadie–Glasserman–Kou-korrekció az eltérést.

Szimulációs beállítások

Szint (korlát) a
1.00
0.22.5
Drift μX(t) = W(t) + μt
0.00
-11
Megfigyelési pontok számaUgyanazok a pályák, ritkábban figyelve
1,000
1002000
7
19999
Tippelj először

Csak 100 pontot figyelve a pályák hány részét látjuk átlépni az a = 1.00 korlátot?

Empirikus vs elméleti

Empirikus, 100 pont
?
Empirikus, 1600 pont
0.284
Folytonos elmélet
0.317
BGK-közelítés
?

Két külön hibaforrás van: a Monte Carlo-zaj (több pályával csökken) és a megfigyelési torzítás (csak sűrűbb megfigyeléssel vagy korrekcióval csökken). Több pálya a torzítást nem tünteti el.

Próbáld ki

  1. Tipp előre: a 25 pontos megfigyelés több vagy kevesebb átlépést talál, mint az 1600 pontos? Mennyivel?
  2. Növeld a pályák számát 2000-re 25 ponttal: eltűnik-e a rés az empirikus és a folytonos görbe között?
  3. Állíts negatív driftet (μ = −0,5): miért marad P(τₐ ≤ t) jóval 1 alatt még nagy t-nél is?
Finom pálya és a megfigyelt pontjai
Kihagyott átlépés
  • Finom pálya
  • Megfigyelt pontok
  • a szint

A finom pálya (1600 lépés) átléphet a korláton két megfigyelési időpont között úgy, hogy a megfigyelt pontok ezt nem látják. Ez az oka annak, hogy a diszkrét megfigyelés alábecsüli az elérési valószínűséget.

P(τₐ ≤ t) az idő függvényében
Empirikus (100 pont)Folytonos elméletBGK-korrigált

A diszkrét empirikus görbe a folytonos elmélet alatt fut; a korlátot β√Δt-vel eltoló BGK-közelítés követi.

P(τₐ ≤ 1) a szint függvényében
Empirikus (100 pont)Folytonos elméletBGK-korrigált

A korlát magasságának hatása rögzített driftnél. Negatív driftnél a valószínűség t → ∞ esetén sem 1, hanem e^(2μa).

← ElőzőElső elérési időkVissza a tananyaghoz →Tananyag