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/3.2
3.2

Tükrözési elv

Miért kétszer akkora annak az esélye, hogy a pálya valaha eléri az a szintet, mint hogy a végén felette van?

Cél: tükrözd a pályát az első szintátlépés után, és ellenőrizd Monte Carlo-val, hogy P(M(T) ≥ a) = 2·P(W(T) ≥ a).

Szimulációs beállítások

Szint (korlát) aAz elv minden a > 0 szintre érvényes
1.00
0.22.5
Pálya lejátszása
1.00
0.001.00
2,000
1003000
7
19999

Empirikus vs elméleti

P(M(1) ≥ a) empirikus
0.297
2·P(W(1) ≥ a) empirikus
0.279
2(1 − Φ(a)) elméleti
0.317
P(W(1) ≥ a) empirikus
0.140

Az átlépő pályák nagyjából fele a szint alatt végződik — ezeket a végpont-valószínűség nem látja, a tükrözés viszont párba állítja őket a szint felett végződőkkel. A rácson mért maximum kicsit alábecsül.

Próbáld ki

  1. Tipp előre: ha a pálya eléri a szintet, mekkora eséllyel végződik felette? Számold meg a következő átlépő pályákon.
  2. Állítsd a-t közel 0-ra: miért közelít P(M(1) ≥ a) 1-hez, míg P(W(1) ≥ a) csak ½-hez?
  3. Csökkentsd a pályák számát 100-ra: melyik tér el jobban az elmélettől — a zaj vagy a rácsozás?
Pálya és tükörképe az első átlépés után
τₐ = 0.372
  • Eredeti pálya
  • Tükrözött pálya
  • a szint

τₐ-ig a két pálya azonos; utána a tükrözött pálya 2a − W(t). A szimmetria miatt mindkettő ugyanolyan valószínű, így minden a alatt végződő átlépő pályához tartozik egy a felett végződő.

P(M(1) ≥ a) a szint függvényében
P(M(1) ≥ a) empirikus2·P(W(1) ≥ a) empirikus2(1 − Φ(a))

A futó maximum empirikus farka egybeesik a végpont-valószínűség kétszeresével és az elméleti 2(1 − Φ(a)) görbével.

← ElőzőFutó maximum és minimumKövetkező →Első elérési idők