1 PDF

Vorlesungsskript ,,Stochastische Finanzmathematik
hn
Christoph Ku
aktuelle Version: 15. August 2016

Dies ist ein immer wieder aktualisiertes Skript zu einer einf
uhrenden Vorlesung in Finanzmathematik,
die ich erstmals im Sommersemester 2003 am Fachbereich Mathematik der Goethe-Universitat Frankfurt
hielt. Bei Philipp Hornung, Nor Jaafari, Andrea Kuntschik und Denis Spiegel mochte ich mich f
ur Hinweise
auf Fehler bedanken.
1
INHALTSVERZEICHNIS 2
Inhaltsverzeichnis
0 Crashkurs in Ma- und Integrationstheorie 4
0.1 Das Integral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
0.2 Einige Konvergenzbegriffe in der Stochastik . . . . . . . . . . . . . . . . . 14
0.3 Bedingter Erwartungswert . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1 Modellierung arbitragefreier Finanzm

arkte 25
1.1 Ausflug in eine Welt mit unendlich vielen Wertpapieren . . . . . . . . . . . 40
2 Derivatebewertung und Hedging 42

2.1 Einschub: Lokalisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.2 Cox-Ross-Rubinstein Modell . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3 Portfoliooptimierung 64
3.1 Einschub: Mawechsel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
3.2 Praferenzordnungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
3.3 Mittelwert-Varianz-Optimierung . . . . . . . . . . . . . . . . . . . . . . . . 70
3.3.1 Capital Asset Pricing Model (CAPM) . . . . . . . . . . . . . . . . . 76
3.4 Erwartungsnutzenoptimierung . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.4.1 Zeitlich homogenes Marktmodell . . . . . . . . . . . . . . . . . . . . 86
3.4.2 Zwischenzeitlicherer Konsum . . . . . . . . . . . . . . . . . . . . . . 90
3.4.3 Logarithmische Nutzenfunktion . . . . . . . . . . . . . . . . . . . . 95
3.4.4 Existenz einer optimalen Strategie . . . . . . . . . . . . . . . . . . . 99
4 Risikomae 101
5 Neutrale Derivatebewertung 110
6 Amerikanische Optionen 112

6.1 Einschub: Essentielles Supremum . . . . . . . . . . . . . . . . . . . . . . . 114
6.2 Amerikanische Optionen in vollstandigen Markten . . . . . . . . . . . . . . 117
6.3 Arbitragetheorie f
ur amerikanische Optionen . . . . . . . . . . . . . . . . . 120
INHALTSVERZEICHNIS 3
6.4 Nutzenbasierte Bewertung amerikanischer Optionen in unvollstandigen Mark-

ten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
6.5 Optimale Aus
ubung einer amerikanischen Option . . . . . . . . . . . . . . 129
6.6 -Hedging f
ur amerikanische Claims . . . . . . . . . . . . . . . . . . . . . 131
7 Superhedging 132
8 Minimierung des Hedging-Fehlers in unvollst

andigen M
arkten 140
A Anhang 149
0 CRASHKURS IN MASS- UND INTEGRATIONSTHEORIE 4
0 Crashkurs in Ma- und Integrationstheorie

Nach Einf
uhrung des wahrscheinlichkeitstheoretischen Modellrahmens beginnen wir mit
einem Crashkurs in Ma- und Integrationstheorie. Auch wenn der Groteil des Stoffs
in anderen Vorlesungen, wie der Hoheren Analysis, sehr viel detailierter behandelt sein
wird, wollen wir uns mit den f
ur die finanzmathematischen Veranstaltungen im Bachelor-
studium zwingend benotigten Fakten und Zusammenhangen nochmal im Schnelldurch-
gang beschaftigen. Das Kapitel ist selbsterklarend (setzt also keine matheoretischen Vor-
kenntnisse voraus). Aus Zeitgr
unden wird jedoch in diesem Kapitel an der Motivation der
gewahlten mathematischen Objekte (Wieso besitzen i.A. nicht alle Teilmengen von eine
Wahrscheinlichkeit ? Wieso fordert man von einem Wahrscheinlichkeitsma -Addivitat
und nicht nur endliche Additivitat ?, etc.) und an Beispielen gespart.
Ein Tripel (, F, P ) nennen wir einen Wahrscheinlichkeitsraum
: beliebige Menge, nennen wir ein Ergebnis
F: Mengensystem bestehend aus Teilmengen von , d.h. F 2 , wobei 2 die

Potenzmenge von bezeichnet. A F nennen wir ein Ereignis. F soll zudem eine
-Algebra auf der Grundmenge sein, d.h. folgende Eigenschaften besitzen
(i) F
(ii) A F = Ac := \ A F
S
(iii) A1 , A2 , . . . F = nN An F
(iv) Wahrscheinlichkeitsma P : F [0, 1], P () = 1, -additiv, d.h. f

ur jede Folge von
S P
disjunkten Ereignissen (An )nN F gilt P nN An = n=1 P (An ).
Interpretation: F = {A | A ist beobachtbares Ereignis}.
Man beachte, dass wegen

!c
\ [
An = Acn
nN nN
T
(de Morgansche Regeln . . . ) mit (An )nN auch der abzahlbare Schnitt nN An in der
-Algebra F liegt. Zudem gilt A1 \ A2 = A1 Ac2 F.
Satz 0.1 (Erzeugung von -Algebren). Sei E 2 . Es existiert eine kleinste -Algebra (E)
auf , die E umfasst, namlich
\
(E) := A (0.1)
ist -Algebra auf mit E A
A
:= {A | A A -Algebren A auf mit E A} .
Kleinste bedeutet, dass jede andere -Algebra, die E umfasst, auch (E) umfasst.
Beweis. Die Minimalitat folgt sofort aus der Konstruktion, da jede -Algebra, die E um-
fasst, beim Schnitt ber
ucksichtigt wird und somit Obermenge von (E) ist. Des weiteren
ist klar, dass E (E). Bleibt zu zeigen, dass (E) tatsachlich eine -Algebra (auf der
Grundmenge ) ist. Wir pr
ufen die Eigenschaften (i),(ii) und (iii) von oben.
ur jede -Algebra A gilt A und damit (E).

(i) F
(ii) Sei A (E). Damit ist A A f

ur alle A, u
ber die der Schnitt in (0.1) gebildet
wird. Damit gilt aber auch Ac A f
ur die entsprechenden -Algebren und folglich
Ac (E).
(iii) Seien A1 , A2 , . . . (E). Es folgt A1 , A2 , . . . A f

ur alle A, u
ber die der Schnitt
S
in (0.1) gebildet wird. Damit gilt aber auch nN An A f ur die entsprechenden
S
-Algebren und folglich nN An (E).
Proposition 0.2. Seien E1 , E2 2 . Es gilt die Implikation
E1 (E2 ) = (E1 ) (E2 ).
Beweis. Sei E1 (E2 ). (E2 ) ist also eine -Algebra, die E1 umfasst und damit ein
Mengensystem, das im Schnitt (0.1) mit E = E1 vorkommt. Es folgt (E1 ) (E2 ).
Anwendung: Um zu zeigen, dass (E1 ) (E2 ), reicht es aus, jedes A E1 als

abzahlbaren Schnitt/Vereinigung oder Komplement von Elementen aus E2 darzustellen,
also z.B. A = nN An mit An E2 f
ur alle n N. Damit muss A in jeder -Algebra sein,
die E2 umfasst, also A (E2 ).
Beispiel 0.3. E1 := {{a} | a R} und E2 := {(a, b) | a, b R, a < b}. Es gilt zwar

T
E1 6 E2 , aber wegen {a} = nN (a 1/n, a + 1/n) (E2 ) folgt mit Proposition 0.2
(E1 ) (E2 ). Andererseits gilt E2 6 (E1 ) (wieso ?)
Definition 0.4 (Borelsche -Algebra). Seien n N und = Rn . Die Borelsche -

Algebra B n ist die von der Menge E1 der offenen Teilmengen von Rn erzeugte -Algebra,
pPn n
2
wobei Offenheit einer Menge bzgl. der euklidischen Norm ||x|| := k=1 xk , x R zu
verstehen ist.
ur a, b Rn mit a < b (d.h. ai < bi i = 1, . . . , n) definieren wir den offenen Quader

F
als das kartesische Produkt
(a, b) := (a1 , b1 ) (a2 , b2 ) . . . (an , bn )
Definiere E2 := {(a, b) | a, b Rn , a < b}.
Satz 0.5. Es gilt (E1 ) = (E2 ), d.h. die Borelsche -Algebra wird auch von den offenen
Quadern erzeugt.
Beweis. 1. Aus E2 E1 folgt (E2 ) (E1 ).
2. Sei O eine offene Teilmenge des Rn . Zunachst zeigen wir, dass
!
[
O= (a, b) =: O.
e (0.2)
a<b, a,bQn ,(a,b)O
O
e O ergibt sich direkt aus der Konstruktion von O.
e Sei umgekehrt x O. Da O offen
ist, existiert ein > 0 mit (x1 , x1 + ) . . . (xn , xn + ) O und da die rationalen
Zahlen dicht liegen, gibt es auch ai , bi Q mit xi < ai < xi < bi < xi + i = 1, 1 . . . , n,
also x (a, b). Es folgt x O.
e
Sei nun A eine beliebige -Algebra mit E2 A, also (a, b) A f

ur alle a < b. Aus
Eigenschaft (iii) einer -Algebra folgt, dass dann auch O
e als abzahlbare Vereinigung von
Quadern in A liegt. Aus (0.1) folgt O

e (E2 ). Zusammen mit (0.2) folgt E1 (E2 ). Mit
Proposition 0.2 folgt (E1 ) (E2 ) und damit insgesamt Gleichheit.
Bemerkung 0.6. Um f
ur zwei Mengensysteme die Gleichheit der erzeugten -Algebren
zu zeigen, reicht es also aus, jede Menge aus dem einen System aus Mengen des anderen
Systems (einschlielich der leeren Menge) ,,zusammenzubasteln, wobei beim Zusammen-
basteln abzahlbare Vereinigungen und Komplemente gebildet werden d
urfen (dies beliebig
oft hintereinander).
Bemerkung 0.7. Die Borelsche -Algebra wird auch von den abgeschlossenen Quadern
(Intervallen) [a, b] oder von den Quadern (a, b] oder von den Quadern [a, b) erzeugt.
0
Definition 0.8. Sei 0 ein weiterer Grundraum und F 0 2 eine weitere -Algebra.
Eine Abbildung f : 0 heit F F 0 -messbar, falls die Urbilder messbarer Mengen
wieder messbar sind, falls also
f 1 (A0 ) := { | f () A0 } F, A0 F 0 . (0.3)
Proposition 0.9. Sei E 0 ein Erzeuger von F 0 , d.h. (E 0 ) = F 0 und es gelte f 1 (E 0 ) F

ur alle E 0 E 0 . Dann gilt auch f 1 (A0 ) F f
f ur alle A0 F 0 .
ur alle A0
Um die Messbarkeit einer Abbildung f zu beweisen, muss (0.3) also nur f
aus dem Erzeuger E 0 gezeigt werden.
Beweis. Aus f 1 (0 \ B 0 ) = \ f 1 (B 0 ) und f 1 (nN Bn0 ) = nN f 1 (Bn0 ) folgt, dass

{B 0 0 | f 1 (B 0 ) F} wie F eine -Algebra ist. Zudem gilt nach Voraussetzung,
dass E 0 {B 0 0 | f 1 (B 0 ) F}. Aus (0.1) folgt dann (E 0 ) {B 0 0 | f 1 (B 0 ) F}
und damit die Behauptung.
Satz 0.10 (Komposition messbarer Funktionen). Sei 00 ein weiterer Grundraum und
00
F 00 2 eine weitere -Algebra. Wenn die Abbildung f : 0 F F 0 -messbar und
die Abbildung g : 0 00 F 0 F 00 -messbar ist, dann ist die Komposition g f : 00
(d.h. (g f )() = g(f ())) F F 00 -messbar.
ur B 00 F 00 , dass B 0 := g 1 (B 00 ) F 0 . Weiter gilt

Beweis. Nach Voraussetzung gilt f
f 1 (B 0 ) F und damit (g f )1 (B 00 ) = f 1 (B 0 ) F.
Proposition 0.11. Jede stetige Funktion f : Rn R ist B n B-messbar.
Beweis. Unter einer stetigen Funktion ist das Urbild einer offenen Menge offen. Mit Pro-
position 0.9 folgt die Behauptung.
Definition 0.12 (Zufallsvariable). Eine reellwertige Zufallsvariable ist eine Abbildung

Y : R, die F-B(R)-messbar ist, wobei B(R) die Borelsche--Algebra auf R bezeichnet.
Sei I 6= eine beliebige Indexmenge und (Yi )iI eine Familie reellwertiger Zufallsva-
riablen. Mit
(Yi , i I) := ({Yi1 (B) | B B(R), i I})
wird die von den Yi , i I, erzeugte -Algebra bezeichnet. (Yi , i I) ist also die kleinste
-Algebra auf , so dass alle Abbildungen Yi , i I, messbar sind.
Eine Abbildung Y : R {, } =: R, die F-B-messbar ist, wobei
B := {B R | (B R) B(R)},
die Borelsche--Algebra auf R bezeichnet, wird numerische Zufallsvariable genannt.
Aus technischen Gr
unden, die aber zum Verstandnis der Vorlesung nicht weiter wichtig
sind, konnen wir im Fall, dass u
berabzahlbar ist, i.A. nicht mehr allen Teilmengen von
eine Wahrscheinlichkeit zuordnen (wenn zudem das Wahrscheinlichkeitsma bestimmte
w
unschenswerte Eigenschaften haben soll). F
ur die Erfordernisse der stochastischen Mo-
dellierung ist die Menge {Y 1 (B) | B B} allerdings gro genug (Es ist gar nicht so
einfach, eine Teilmenge des R anzugeben, die nicht Element aus B ist).
Proposition 0.13. Seien Y1 , Y2 , . . . numerische Zufallsvariablen, dann sind
inf Yn , sup Yn , lim inf Yn , lim sup Yn

nN nN nN nN
wiederum numerische Zufallsvariablen.


Beweis. {[, a) | a R} ist ein Erzeuger von B (Ubungsaufgabe) und es gilt
1
[
inf Yn ([, a)) = Yn1 ([, a)) F, a R.
nN
n=1
Die anderen Aussagen folgen ahnlich.
Proposition 0.14. Seien Y1 und Y2 reellwertige Zufallsvariablen. Dann sind auch
Y1 + Y2 , Y1 Y2 , Y1 Y2 , min{Y1 , Y2 }, max{Y1 , Y2 } (0.4)
reellwertige Zufallsvariablen. Des weiteren gilt
{Y1 Y2 }, {Y1 = Y2 }, {Y1 Y2 } F. (0.5)
Beweis. Die Abbildung 7 (Y1 (), Y2 ()) ist F-B 2 -messbar. F

ur alle (a1 , b1 ) (a2 , b2 )
gilt namlich
{ | (Y1 (), Y2 ()) (a1 , b1 ) (a2 , b2 )}
= { | Y1 () (a1 , b1 )} { | Y2 () (a2 , b2 )} F,
wobei der Schnitt wiederum in F liegt, da F eine -Algebra ist. Damit sind die Urbilder
von Erzeugermengen messbar und mit Proposition 0.9 alle Urbilder von B 2 .
Da die Abbildungen (y1 , y2 ) 7 y1 + y2 etc. stetig sind, folgt (0.4) aus Proposition 0.11
und Satz 0.10. Aus der Messbarkeit der Abbildung Y1 Y2 folgt dann (0.5), da etwa
{Y1 Y2 } = {Y1 Y2 [0, )} und [0, ) B(R).
Definition 0.15 (Nullmenge). Eine Menge N F heit eine P -Nullmenge, wenn P (N ) =

0.
Sei E eine Eigenschaft, die in Abhangigkeit von wahr oder falsch ist. Wir sagen
urzend P -f.s.), wenn die Menge { | E() ist falsch} eine
E gilt P -fast sicher (abk
P -Nullmenge ist.
Betrachtet man statt P ein Ma, das nicht als Wahrscheinlichkeitsma interpretiert
werden soll, sagt man ,,fast u
berall (f.
u.) statt ,,fast sicher (f.s.).
P
Lemma 0.16 (Erstes Borel-Cantelli-Lemma). Sei (An)nN F mit n=1 P (An ) < .
T S
Dann gilt P (,,An tritt f
ur unendlich viele n ein) = P An = 0.
mN nm

T S
Es gilt A := An F und
mN nm
\ [
An m n m An An f
ur unendlich viele n N.
mN nm
An tritt genau dann unendlich oft ein, wenn es nach jedem m nochmal eintritt.
S
Beweis. Sei m N. Es gilt A An und damit
nm
[
X
P (A) P ( An ) P (An ) 0 f
ur m ,
nm n=m
P
da n=1 P (An ) < . Folglich kann die rechte Seite durch Wahl eines groen m beliebig
klein gemacht werden. Da die linke Seite nicht von m abhangt, muss sie 0 sein.
0.1 Das Integral
Der Erwartungswert einer reellwertigen Zufallsvariablen Y : R bzgl. eine Maes P

R
wird als Lebesgueintegral Y dP definiert.
Zur Definition des Integrals beginnen wir zunachst mit sog. Elementarfunktionen,
das sind messbare Funktionen, die nur endlich viele verschiedene Werte annehmen. Zudem
sollen die Funktionen zunachst nichtnegativ sein. F
ur
n
X
f= k 1Ak , k R+ , Ak F, (0.6)
k=1
definieren wir
n
X
I(f ) = k P (Ak ) (0.7)
k=1
Man mache sich klar, dass I(f ) wohldefiniert ist, da die rechte Seite von (0.7) nicht von
der konkreten Darstellung von f abhangt.
Die Menge der Funktionen, die wie in (0.6) darstellbar sind, bezeichnen wir mit E+ .
ur nichtnegative Funktionen). Sei f : [0, ] F

Definition 0.17 (Integral f
B([0, ])-messbar. Wir definieren das Integral von f bzgl. P durch
Z
f dP = sup{I(h) | h E+ , h f }.
Bemerkung 0.18. Nat

urlich w
urde Definition 0.17 zunachst auch f
ur nicht-messbare
Funktionen f Sinn ergeben. Einige der im folgenden hergeleiteten Eigenschaften des In-
tegrals w
urden jedoch verlorengehen.
ur messbare Funktionen f, g 0 gilt

Satz 0.19. F
R R
(i) f g P -f.s. f dP g dP
R
(ii) f = 0 P -f.s. f dP = 0
R
(iii) f dP < f < P -f.s.
Beweis. Ad (i): Sei h 0 eine Elementarfunktion mit h f . Es folgt, dass e

h := h1{f g}
ebenfalls eine Elementarfunktion ist, f h g (ohne Ausnahmenullmenge).
ur die zudem gilt e
Wegen P (f g) = 1 gilt f
ur die Elementarintegrale offensichtlich I(e
h) = I(h). (i) folgt
dann aus der Definition.
R
Ad (ii): f dP = 0 ist dazu aquivalent, dass jede nichtnegative Elementarfunktion,
die von f dominiert wird, P -f.s 0 ist. F
ur f mit P (f = 0) = 1 ist letzteres sicher der Fall.
ur jedes n N gilt P (f 1/n) =
Umgekehrt kann man aus der Eigenschaft folgern, dass f
0 (betrachte dazu die Elementarfunktion h = n1 1{f 1/n} ). Wegen
{f 1/n} {f > 0}, n ,
folgt die Behauptung mit der -Additivitat von P .

Ad (iii): Betrachte die Elementarfunktionen n1{f =} , n N.
R
Bemerkung 0.20. Nach Satz 0.19(ii) gilt 1N dP = 0 f
ur P (N ) = 0.
Satz 0.21 (Satz von der monotonen Konvergenz). Sei (fn ) eine Folge von R+ -wertigen
messbaren Funktionen mit f1 f2 . . . und f := supnN fn = limn fn (nach Propo-
sition 0.13 ist die [0, ]-wertige Funktion f wiederum messbar). Es gilt
Z Z
lim fn dP = f dP.
n
R R
Beweis. Aus der Monotonie folgt die Existenz des Limes und limn fn dP f dP .
Bleibt 0 zu zeigen. Dazu nehme eine nichtnegative Elementarfunktion h mit h f . Zu
festem > 0 betrachte die Elementarfunktionen hn := (h )+ 1{fn >h} , wobei (h()
R
)+ = max{h() , 0}. Es folgt hn fn und damit I(hn ) fn dP . Andererseits gilt
I(hn ) I(h) hmax P (fn h ).
Es gilt {fn h } f
ur n und damit wegen der -Additivitat von P P (fn h
R
) 0 f
ur n . Es folgt, dass lim inf n I(hn ) I(h) und damit limn fn dP
R
f dP (da (fn )nN nicht von > 0 abhangt und letzteres beliebig klein gewahlt werden
kann) und damit die Behauptung.
Lemma 0.22 (Lemma von Fatou). Sei (fn )nN eine Folge nichtnegativer messbarer Funk-
tionen. Es gilt
Z Z
lim inf fn dP lim inf fn dP.
n n
Beweis. Definiere gn := inf mn fm . Die Folge (gn )nN ist monoton aufsteigend mit gn fn
und limn gn = lim inf n fn . Mit Satz 0.21 und Satz 0.19(i) folgt
Z Z Z Z
lim inf fn dP = lim gn dP = lim gn dP lim inf fn dP.
n n n n
Das Integral f
ur beliebige messbare Funktionen kann auf das Integral aus Definiti-
on 0.17 f
ur nichtnegative Funktionen zur uhrt werden. Dazu definieren wir f + () :=
uckgef
max{f (), 0} und f () := max{f (), 0}.
f dP < , dann sei das Integral definiert

R R
Definition 0.23. Falls f + dP < oder
durch
Z Z Z
f dP := +
f dP f dP
blichen Konventionen a := f
(mit den u ur alle a R und a := f
ur alle
a R)
f dP < . Der Raum der P -

R R
f heit P -integrierbar falls f + dP < und
integrierbaren Zufallsvariablen wird mit L1 (, F, P ) bezeichnet .
Analog bezeichnet Lp (, F, P ) f
ur p [1, ) den Raum der messbaren Zufallsvaria-
blen f , s.d. |f |p P -integrierbar ist.
L0 (, F, P ) bezeichnet den Raum der R-wertigen Zufallsvariablen.
L (, F, P ) bezeichnet den Raum der Zufallsvariablen f f

ur die ein M R+ existiert
mit P (|f | M ) = 1 (f heit dann essentiell beschrankt).
Mit Lp (, F, P ), p [1, ), L0 (, F, P ) und L (, F, P ) bezeichnet man die entspre-

chenden Quotientenraume der Aquivalenzklassen, die entstehen, wenn Zufallsvariablen,
die P -f.s. u
bereinstimmen miteinander identifiziert werden. Also
Lp (, F, P ) := Lp (, F, P )/N = {f := f + N | f Lp }
etc., wobei N := {g L0 (, F, P ) | P (g = 0) = 1}.
Es gelten folgende Eigenschaften des Integrals, die ohne viel Aufwand bewiesen werden
konnen.
Satz 0.24. Seien f und g Funktionen s.d. die Integrale nach P (im Sinne von Definiti-
on 0.23) definiert sind.
R R
(i) (Monotonie) Ist f g, so ist f dP g dP .
R R R
ur alle , R ist
(ii) (Linearitat) F (f + g) dP = f dP + g dP.
R R
(iii) (Dreiecksungleichung) Es gilt | f dP | |f | dP .
Ab nun werden wir den Erwartungswert einer reellwertigen (bzw. numerischen) Zufalls-
variablen als Integral nach P definieren (sofern dies im Sinne von Definition 0.23 definiert
R
ist) und mit EP (Y ) := Y dP bezeichnen. Solange es nur ein Wahrscheinlichkeitsma
gibt, unter dem Erwartungswerte gebildet werden, schreiben wir E(Y ) := EP (Y ).
0.2 Einige Konvergenzbegriffe in der Stochastik
Wir werden kurz die wichtigsten Konvergenzbegriffe in der Stochastik skizzieren. Wir be-
trachten eine Folge (Yn )nN von reellwertigen Zufallsvariablen und eine reellwertige Zufalls-
variable Y . Alle Zufallsvariablen sollen auf dem gleichen Wahrscheinlichkeitsraum (, F, P )
definiert sein.
Definition 0.25. (1) (Yn )nN konvergiert stochastisch gegen Y , wenn f

ur alle > 0
P (|Yn Y | ) 1, n .
(2) (Yn )nN konvergiert fast sicher gegen Y , wenn P (Yn Y, n ) = 1.
(3) Sei p [1, ). (Yn )nN konvergiert in Lp gegen Y , wenn
E(|Yn Y |p ) 0, n
(2) ist aquivalent dazu, dass f

ur alle > 0
P (|Ym Y | m n) 1, n .
Damit sieht man, dass (2) = (1). Die Implikation (3) = (1) folgt aus der Abschatzung
E(|Yn Y |p ) p P (|Yn Y | > )
Andere Implikationen gelten nicht. Klassische Gegenbeispiele:
(2) 6 (3). Wahle = (0, 1) und P das Lebesgue-Ma (Gleichverteilung auf (0, 1)).
Setze. Y = 0 und Yn () = n1/p 1(0,1/n) (). F
ur jedes (0, 1) gilt Yn () Y (), n ,
also (2). Es gilt aber
1
E(|Yn Y |p ) = (n1/p )p P ((0, 1/n)) = n =1
n
und damit liegt keine Lp -Konvergenz vor.
(3) 6 (2) Stelle n N durch n = 2m + k, m N0 , k = 0, . . . , 2m 1 dar und definiere
Yn () = 1( k k+1
, ] () sowie wieder Y = 0. (0.8)
2m 2m
Es gilt
1
E(|Yn Y |p ) = P (Yn = 1) =
2m
Da mit n auch m folgt Lp -Konvergenz. F

ur jedes (0, 1) gibt es aber
unendlich viele n mit Yn () = 1. Damit gibt es keine punktweise Konvergenz ((2) ist
nicht erf
ullt).
Definition 0.26 (Gleichgradige Integrierbarkeit). Eine Folge (Yn )nN von reellwertigen
Zufallsvariablen heit gleichgradig integrierbar, wenn

sup E |Yn |1{|Yn |>M } 0, M .
nN
Wichtig f
ur Anwendungen sind die folgenden beiden Satze.
Satz 0.27. (1) impliziert die Existenz einer Teilfolge (Ynk )kN , die P -f.s. gegen Y kon-
vergiert.
Beweis. Sei (Yn )nN eine Folge, die stochastisch gegen Y konvergiert. Offenbar lasst sich
dann eine Teilfolge (nk )kN konstruieren mit
P (|Ynk Y | > 2k ) 2k , k = 1, 2, . . .
Definiere
A := {|Ynk Y | 2k f
ur alle k auer hochstens endlich vielen}.
Aus dem Erstes Borel-Cantelli-Lemma (Lemma 0.16) folgt, dass P (Ac ) = 0 und damit
P (A) = 1. Zudem gilt A {Ynk Y, k } und damit die Behauptung.
Satz 0.28. (1) und gleichgradige Integrierbarkeit der Folge (|Yn |p )nN implizieren (3).
Beweis. Unter (1) und der gleichgradigen Integrierbarkeit der Folge (|Yn |p )nN folgere man
mit Hilfe einer Teilfolge (nk )kN , auf der fast sichere Konvergenz gilt, die Integrierbarkeit
von |Y |p . Es gilt namlich
Fatou
E (|Y |p ) = E lim inf |Ynk |p lim inf E (|Ynk |p ) < . (0.9)
k k
Wegen (0.9) und der Abschatzung
E (|Yn Y |p ) E ((|Yn | + |Y |)p ) 2p E (|Yn |p ) + 2p E (|Y |p )
zieht die gleichgradige Integrierbarkeit von (|Yn |p )nN die gleichgradige Integrierbarkeit
von (|Yn Y |p )nN nach sich. Dann schatze man ab
E(|Yn Y |p ) = E 1{|Yn Y |p >M } |Yn Y |p + E 1{|Yn Y |p M } |Yn Y |p

E 1{|Yn Y |p >M } |Yn Y |p + M P (|Yn Y | > ) + p , > 0, M > 0.

Wegen der gleichgradigen Integrierbarkeit von (|Yn Y |p )nN kann man zu festem > 0
ein M R+ finden, so dass

E 1{|Yn Y |p >M } |Yn Y |p , n N.
3
Durch geeignete Wahl von > 0 und n folgt E(|Yn Y |p ) f
ur alle n n und damit
die Behauptung.
Wenn E(|Yn |p ) < , n N und E(|Y |p ) < , dann gilt auch die Umkehrrich-
tung (3) = (1) & gleichgradig Integrierbar. Die Zusatzforderung der gleichgradigen
Integrierbarkeit ist also i.W. auch notwendig um Lp -Konvergenz zu erhalten.
Korollar 0.29 (Satz von der majorisierten Konvergenz). Sei (Yn )nN eine Folge, die (1)
ullt. Wenn es dann ein Z L1 (, F, P ) gibt mit |Yn |p Z f
erf ur alle n N, dann erf
ullt
(Yn )nN auch (3).
Beweis. Eine einzelne integrierbare Zufallsvariable ist, als konstante Folge betrachtet,
stets auch gleichgradig integrierbar (folgt aus dem Satz von der monotonen Konvergenz).
Somit stellt die integrierbare Majorante auch die gleichgradige Integrierbarkeit der Folge
(|Yn |p )nN sicher und das Korollar folgt aus Satz 0.28
0.3 Bedingter Erwartungswert
Satz 0.30. Sei Y eine reellwertige Zufallsvariable (also F-messbar) mit E(|Y |) < und
sei G F eine Teil--Algebra von F. Dann gibt es eine P -f.s. eindeutige G-messbare
Zufallsvariable Z mit
E(1A Y ) = E(1A Z), A G. (0.10)

ur zwei G-messbare Zufallsvariablen Z1 , Z2 , die (0.10)

(Eindeutigkeit bedeutet also, dass f
erf
ullen, gilt P (Z1 = Z2 ) = 1).
Definition 0.31. Die Zufallsvariable E(Y |G) := Z wird als eine Version des bedingten
Erwartungswertes von Y unter der Information G bezeichnet.
Bemerkung 0.32. Der Ausdruck E(Y |G) ist also immer nur bis auf eine Nullmenge
wohldefiniert. Da die Definition keine kanonische Wahl der Zufallsvariablen liefert, die
Bedingung (0.10) erf
ullt, kommen wir um die leicht umstandliche Sprechweise von einer

,,Version des bedingten Erwartungswertes nicht herum (eine Alternative ist der Ubergang

zu Aquivalenzklassen von Zufallsvariablen, womit aber f
ur das Hantieren mit bedingten
Erwartungswerten auch nichts gewonnen ist).
Bemerkung 0.33. In den beiden Extremfallen ist es klar, was f

ur Z rauskommt:
G = {, } (triviale -Algebra, keine Information). Die geforderte G-Messbarkeit

von Z ergibt, dass Z eine konstante Abbildung sein muss, d.h. Z() = z0 f
ur alle
. Daf
ur muss in (0.10) aber nur der Fall A = betrachtet werden und man
sieht, dass Z = E(Y ). Der bedingte Erwartungswert bzgl. der trivialen -Algebra ist
also der absolute Erwartungswert (genauer: die konstante Abbildung 7 E(Y )).
G = F (volle Information). Hier ist Y selber G-messbar und es kann Z = Y gewahlt

werden, was (0.10) offensichtlich erf
ullt. Der bedingte Erwartungswert bzgl. der vol-
len Information ist also die Zufallsvariable selber.
ur A die G-messbaren Mengen

Die Eindeutigkeit in Satz 0.30 ist klar: man setze f
{ | Z1 () < Z2 ()} und { | Z1 () > Z2 ()} ein und wendet Satz 0.19(ii) auf
die nichtnegativen Zufallsvariablen (Z2 Z1 )1{Z2 >Z1 } und (Z1 Z2 )1{Z1 >Z2 } an. Es folgt

1 = P (Z2 Z1 )1{Z2 >Z1 } = 0 = P (Z2 Z1 )
bzw.

1 = P (Z1 Z2 )1{Z1 >Z2 } = 0 = P (Z1 Z2 )
und damit P (Z2 = Z1 ) = 1.

Um die Existenz zu beweisen, benotigen wir das folgende Lemma.
Lemma 0.34. Sei Y eine beschrankte F-messbare Zufallsvariable. Dann besitzt das Op-
timierungsproblem
min E(Y Z)2 (0.11)

Z Gmessbar
einen P -f.s. eindeutigen Minimierer, der zudem von den Schranken von Y beschrankt
wird.
Beweis von Lemma 0.34. Ad Eindeutigkeit: Seien Z1 und Z2 Minimierer von (0.11). Mit
der Rechnung
2
2Z1 Z2 Z12 Z22

Z1 + Z2 1 1
Y = (Y Z1 )2 + (Y Z2 )2 +
2 2 2 4
1 1 (Z1 Z2 )2
= (Y Z1 )2 + (Y Z2 )2 (0.12)
2 2 4
Z1 +Z2
folgt E(Z1 Z2 )2 = 0 (andernfalls ware der erwartete quadratische Abstand zu 2
noch kleiner). Wiederum aus Satz 0.19(ii) folgt P (Z1 = Z2 ) = 1.

Ad Existenz: Sei M := inf{E(Y Z)2 | Z G messbar}. Es existiert eine Folge
G-messbarer Zufallsvariablen (Zn )nN mit
lim E(Y Zn )2 = M. (0.13)

n
Aus (0.12) folgt

2
Zn + Zm 1 1 1
M E Y = E (Y Zn )2 + E (Y Zm )2 E(Zn Zm )2 , n, m N.
2 2 2 4
Zusammen mit (0.13) folgt
lim E(Zn Zm )2 = 0.
n,m
p
Eine minimierende Folge (Zn )nN muss also eine Cauchy-Folge bzgl. der Norm E(Z 2 )
sein.
Der Raum L2 (, F, P ) (also der Raum der quadratintegrierbaren Zufallsvariablen
p
ausgestattet mit der Norm E(Z 2 )) ist bekanntlich vollstandig . Also existiert eine G-

Beweisidee: Ahnlich wie im Beweis von Satz 0.27 konstruiere man mit dem Lemma von Borel-Cantelli
p
eine Teilfolge, auf der eine Cauchy-Folge von Zufallsvariablen bzgl. der Norm E(Z 2 ) auch -weise, bis
auf eine Ausnahmenullmenge, eine Cauchy-Folge in R ist. Dann nutzt man die Vollstandigkeit von R
aus und benutzt, dass lim sup und lim inf von Zufallsvariablen wiederum Zufallsvariablen sind (Proposi-
tion 0.13).
messbare Zufallsvariable Z mit
lim E(Zn Z)2 = 0.

n
Aus
p s s
E(Y Z)2 E(Y Zn )2 + E(Zn Z)2
| {z } | {z }
M f
ur n 0 f
ur n
folgt, dass Z der Minimierer ist.
Sei K R+ eine obere Schranke von |Y |, d.h. P (|Y | K) = 1. Mit Z muss dann auch
die Zufallsvariable Ze := median(K, Z, K) ein Minimierer sein (wieso ?). Zusammen mit
der Eindeutigkeit ergibt dies P (|Z| K) = 1.
Beweis von Satz 0.30. Schritt 1: Betrachte zunachst den Fall, dass Y beschrankt ist. Defi-
niere Z als Minimierer in Lemma 0.34. Z ist also die Projektion von Y auf den Unterraum
der G-messbaren Zufallsvariablen. Sei A G. Betrachte die G-messbare Zufallsvariable
Ze := Z + 1A . Aus der Optimalitat von Z folgt
0 E (Y Z 1A )2 E (Y Z)2 = 2E((Y Z)1A ) + 2 P (A)
Es folgt E((Y Z)1A ) = 0, da andernfalls eine Entwicklung f

ur 0 ergeben w
urde,
dass Z nicht optimal ware.
Schritt 2: Der Fall Y L1 (, F, P ) mit Y = Y + Y kann auf Schritt 1 zur
uckgef
uhrt
ur Y + n und Y n, n N, die bedingten Erwartungswerte
werden, indem man zunachst f
Zn,+ und Zn, definiert. Die resultierenden bedingten Erwartungswerte sind nichtnegativ
und nichtfallend in n. Somit liefert monotone Konvergenz (Satz 0.21)
E(1A lim Zn,+ ) = lim E(1A Zn,+ ) = lim E(1A Y + n) = E(1A Y + ) < , A G
n n n
ur Zn, ). Mit Satz 0.19(iii) folgt, dass P (limn Zn,+ < ) = 1 und P (limn Zn, <
(analog f
) = 1. Z := limn Zn,+ limn Zn, erf
ullt dann die Bedingungen des bedingten
Erwartungswertes von Y .
Bemerkung 0.35 (Zusatz). Im Fall, dass abz

ahlbar ist, lasst sich die Existenz von
Z in (0.10) elementar beweisen (Z lasst sich leicht konstruieren): In diesem Fall existiert
ur i 6= j und
eine abzahlbare Familie (Ai )iI von Atomen von G, d.h. Ai Aj = f
[
G = {A 2 | A = ur ein J I}.
Ai f (0.14)
iJ
Man nehme o.B.d.A. an, dass {} F f ur alle und betrachte eine Zufallsva-
P
riable Y mit |Y ()|P ({}) < . Der absolute Erwartungswert von Y liee sich
P
formal durch eine absolut konvergente Reihe definieren: E(Y ) := Y ()P ({}).
Eine Version des bedingte Erwartungswert von Y unter G ist die folgende Zufallsva-
ur Ai setze
riable: F

E(Y 1Ai )

P (Ai )
: wenn P (Ai ) > 0.
E(Y |G)() =
0 : sonst.
Es lasst sich leicht nachrechnen, dass die so konstruierte Zufallsvariable Bedingung (0.10)
erf
ullt.

Definition 0.36 (Absolutstetigkeit und Aquivalenz). Seien und endliche Mae auf
einer -Algebra A. heit absolutstetig bzgl. , geschrieben , wenn
(A) = 0 = (A) = 0, A A.
Ist absolutstetig bzgl. und absolutstetig bzgl. , dann heien und aquivalent.,
geschrieben .
Satz 0.37 (Satz von Radon-Nikodym). Seien und endliche Mae auf einer -Algebra
A. Dann sind aquivalent
(i)

Sei = {1 , 2 , 3 , . . . }. Wir wollen zeigen, dass es zu der -Algebra G eine abzahlbare Familie von
T
Atomen gibt. Definiere A1 := B. A1 lasst sich als abz
ahlbarer Schnitt schreiben, indem man
BG, 1 B
auft und schaut, ob man sie von 1 trennen kann, d.h. ob es ein B G gibt mit
alle = 2 , 3 , . . . durchl
1 B aber 6 B. Damit folgt A1 G. Wenn A1 = , sind wir fertig (In diesem Fall muss G jedoch
trivial sein. F amlich A1 B oder A1 B c ). Ansonsten sei n die kleinste nat
ur jedes B G gilt n urliche
T
Zahl > 1 mit n 6 A1 . Setze A2 := B. Es gilt wieder A2 G. Auerdem A1 A2 = (sei
BG, n B
A1 A2 , es gilt f
ur alle B G die Aquivalent 1 B B n B. Dies ware aber ein
Widerspruch zu n 6 A1 ). F
ahrt man so fort, so konstruiert man die Familie von Atomen (Eigenschaft
(0.14) l
asst sich leicht zeigen).
R
(ii) Es existiert eine nichtnegative messbare Funktion h mit (A) = 1A h d f
ur alle
A A.
d
Die Funktion h (Radon-Nikodym-Ableitung von bzgl. genannt, Schreibweise h = d
)
ist dann -fast u
berall endlich und -fast u
berall eindeutig.
Die Implikation (ii) = (i) folgt sofort aus Satz 0.19(ii). Zudem kann f
ur jede nichtne-
R
gative und -integrierbare Funktion h u
ber (A) := 1A h d ein endliches Ma definiert
werden (die -Addivitat von folgt aus dem Satz von der monotonen Konvergenz).
Die Implikation (i) = (ii) ist recht aufwendig zu beweisen, weswegen wir darauf
verzichten wollen. Ein matheoretischer Beweis findet sich im Lehrbuch von Brokate und
Kersting [2], ein funktionalanalytischer im Lehrbuch von Klenke [13].
Bemerkung 0.38. Betrachte den Fall, dass abzahlbar ist. Wie in Bemerkung 0.35
uhrt existiert dann eine abzahlbare Familie (Ai )iI von Atomen der -Algebra A.
ausgef
Wenn , dann erf
ullt die Abbildung
X (Ai )
h() = 1A ()
(Ai ) i
iI, (Ai )>0
offenbar Bedingung (ii) aus Satz 0.37, ist also eine Version der Radon-Nikodym-Ableitung
von bzgl. .
Auch die Existenz des bedingten Erwartungswertes kann mit dem Satz von Radon-
Nikodym bewiesen werden. Sei Y L1 (, F, P ) mit Y = Y + Y . Man definiere auf der
Teil--Algebra G F die Mae
+ (A) := E(1A Y + ) und (A) := E(1A Y ), A G.
Die Differenz der Radon-Nikodym-Ableitungen von + und bzgl. des Maes P |G erf
ullt
nun die Bedingungen des bedingten Erwartungswertes E(Y | G) (beachte dazu, dass f
ur
R R
G-messbare Funktionen Z gilt Z dP = Z dP |G ), also
d+ d
E(Y | G) = .
d(P |G ) d(P |G )
Satz 0.39. [Eigenschaften des bedingten Erwartungswertes] Seien Y1 , Y2 und Y Zufalls-

variablen auf dem Wahrscheinlichkeitsraum (, F, P ) mit E(|Y1 |) < , E(|Y2 |) < ,
E(|Y |) < . Ferner seien G1 , G2 und G Teil--Algebren von F. Dann gelten folgende
Aussagen
ur alle 1 , 2 R ist E[1 Y1 + 2 Y2 | G] = 1 E[Y1 | G] + 2 E[Y2 | G]

(i) (Linearitat) F
(ii) Ist Y1 G-messbar und E(|Y1 Y2 |) < , so ist E[Y1 Y2 | G] = Y1 E[Y2 | G] und
E[Y1 | G] = Y1 .
(iii) (Satz vom iterierten Erwartungswert, ,,Turmeigenschaft) Ist G1 G2 , so ist
E[E[Y | G2 ] | G1 ] = E[Y | G1 ].
(iv) (Monotonie) Ist Y1 Y2 , so ist
E[Y1 | G] E[Y2 | G].
(v) (Jensensche Ungleichung) Ist : R R {+} konvex, so ist E[(Y ) | G]

(E[Y | G])
(vi) Sind Y1 und Y2 stochastisch unabhangig, dann gilt
E[Y1 | Y2 ] := E[Y1 | (Y2 )] = E[Y1 ].
Beweis. Ad (i): Seien Z1 und Z2 Versionen des bedingten Erwartungswertes von Y1 bzw.
Y2 unter der Information G. F
ur alle 1 , 2 R ist die Zufallsvariable 1 Z1 + 2 Z2 G-
messbar und aus der Linearitat des absoluten Erwartungswertes folgt
E (1A (1 Z1 + 2 Z2 )) = 1 E (1A Z1 ) + 2 E (1A Z2 )
= 1 E (1A Y1 ) + 2 E (1A Y2 )
= E (1A (1 Y1 + 2 Y2 )) , A G.
Ad (ii): Zunachst soll die Aussage nur f

ur den Fall gezeigt werden, dass Y1 eine In-
ur ein B G. Sei Z2 eine Version des bedingten
dikatorfunktion ist, d.h. Y1 = 1B f
Erwartungswertes von Y2 unter G. Da A, B G = A B G, folgt
E(1A Y1 Z2 ) = E(1AB Z2 ) = E(1AB Y2 ) = E(1A Y1 Y2 ), A G.

Auerdem ist Y1 Z2 G-messbar. Also ist Y1 Z2 bedingter G-Erwartungswert von Y1 Y2 . Wegen

ur sog. Elementarfunktionen Y1 = ni=1 i 1Bi , Bi G, i R,
P
(i) gilt die Aussage auch f
n N.
ur eine beliebige G-messbare nichtnegative Zufallsvariable Y1 mit der
Die Aussage f
Zusatzbedingung, dass auch Y2 nichtnegativ ist und E(Y1 Y2 ) < , folgt mit monoto-
ner Konvergenz unter Beachtung von Z2 0, indem man Y1 durch die Folge Y (n) :=
Pn2n k1
k=1 2n 1{ k1
2n
<Y1 2kn } , n N, approximiert.
Schlielich folgt der Fall ohne Vorzeichenbeschrankungen mit den Zerlegungen Y1 =

Y1+ Y1 , Y2 = Y2+ Y2 und (i).
Ad (iii): Sei Z1 eine Version des bedingten Erwartungswertes von Y gegeben die Infor-
mation G1 und Z2 eine Version des bedingten Erwartungswertes von Y gegeben die Infor-
mation G2 . Es gilt also E(1A Z1 ) = E(1A Y ), A G1 und E(1A Z2 ) = E(1A Y ), A G2 .
Wegen G1 G2 folgt E(1A Z1 ) = E(1A Z2 ), A G1 . Da Z1 G1 -messbar ist, ist Z1 eine
Version des bedingten Erwartungswertes von Z2 gegeben die Information G1 . Insbesonde-
re ist der Ausdruck E[E[Y | G2 ] | G1 ] wohldefiniert, d.h. der bedingte G1 -Erwartungswert
hangt nicht von der Version des bedingten G2 -Erwartungswertes ab bis auf die nicht
vermeidbare Unbestimmtheit auf einer G1 -messbaren P -Nullmenge (man beachte, dass
die Versionen Z1 und Z2 unabhangig voneinander variiert werden konnen, folglich kann
E(Z2 | G1 ), das P -f.s. mit Z1 u
bereinstimmt, nicht von der Wahl von Z2 abhangen).
Ad (iv): Es gilt E(1A Z1 ) = E(1A Y1 ) E(1A Y2 ) = E(1A Z2 ), A G. Setzte A :=
{Z1 > Z2 } G. Es folgt P (Z1 Z2 ) = 1.
Ad (v): Der Beweis wird hier nur f
ur den Fall gef
uhrt, dass differenzierbar ist. Aus
der Konvexitat von folgt
(Y ) (E(Y | G)) + 0 (E(Y | G))(Y E(Y | G)), P fast sicher.
und damit
E[(Y ) | G] (E(Y | G)) + E[0 (E(Y | G))(Y E(Y | G)) | G]
= (E(Y | G)) + 0 (E(Y | G)) E[Y E(Y | G) | G]

| {z }
=0
= (E(Y | G)), P fast sicher.
ur alle A (Y2 ) gilt

Ad (vi): Beginne wiederum mit dem Fall Y1 = 1B . F
1B & Y2 stochastisch unabhangig

E(1A Y1 ) = E(1A 1B ) = P (A B) = P (A)P (B) = E(1A E(Y1 )).
Damit ist die Konstante E(Y1 ) eine Version des bedingten Erwartungswertes von Y1 ge-
geben die Information (Y2 ). Die Aussage f
ur eine beliebige integrierbare Zufallsvariable
kann wie oben auf den Fall Y1 = 1B zur
uckgef
uhrt werden.

1 MODELLIERUNG ARBITRAGEFREIER FINANZMARKTE 25
1 Modellierung arbitragefreier Finanzm

arkte
Gegeben sei ein filtrierter Wahrscheinlichkeitsraum (, F, (Ft )t{0,1,... ,T } , P ), wobei T N.
Eine Filtrierung (Ft )t{0,1,... ,T } ist eine Familie von -Algebren mit Fs Ft F f
ur
s t.
Interpretation: (Ft )t{0,1,... ,T } beschreibt den Informationsverlauf. Ft steht f
ur die In-
formation, die wir zum Zeitpunkt t haben (in dieser Vorlesung ist die Zeit diskret).
A Ft bedeutet, dass zum Zeitpunkt t bekannt ist, ob das Ereignis A eingetreten ist
oder nicht (d.h. es ist bekannt, ob A oder 6 A). Wir fordern in der gesamten
Vorlesung FT = F. Zudem gilt u
blicherweise: F0 = {, } (triviale -Algebra, keine
Information).
Das Zufallsexperiment, das auf dem Wahrscheinlichkeitraum (, F, P ) modelliert wird
und in dem ,,Ziehen eines aus gema dem W-Ma P besteht, bekommt also durch
(Ft )t{0,1,... ,T } eine zeitliche Struktur. Man beachte, dass nur einmal gezogen wird, mit
fortschreitender Zeit erfahrt der Beobachter jedoch mehr u
ber das Ergebnis des Zufalls-
experiments.
Beispiel 1.1 (Beispiel f

ur eine Filtration: T -facher M
unzwurf). Der Grundraum ist das
T -fache kartesische Produkt
= {0, 1}T = {0, 1} . . . {0, 1} = { = (1 , . . . , T ) | 1 , . . . , T {0, 1}}

| {z }
T -mal
und F = 2 . Zum Zeitpunkt t sind die Ausgange der ersten t M

unzw
urfe bekannt, die der
letzten T t aber noch nicht. Diese Information wird durch die -Algebra
Ft = 2({0,1} ) {0, 1}T t := {A 2 | A = A1 {0, 1}T t f

ur ein A1 2({0,1} ) }
t t
modelliert (2({0,1} ) symbolisiert die Potenzmenge der Menge {0, 1}t ).

t
F
ur T = 2 und t = 1 bedeutet dies

F1 = , {(0, 0), (0, 1)}, {(1, 0), (1, 1)}, {(0, 0), (0, 1), (1, 0), (1, 1)} .
|{z} | {z } | {z } | {z }
={0,1} ={0}{0,1} ={1}{0,1} ={0,1}{0,1}

Ein stochastischer Prozess ist eine Abbildung X : {0, . . . , T } Rd . Mit Xt

bezeichnen wir die t-Schnitte der Abbildung X, d.h. Xt : Rd , 7 X(, t). Ein sto-
chastischer Prozess lasst sich somit auch mit der Familie von Zufallsvariablen (Xt )t=0,1,... ,T
identifizieren.
In diskreten Modellen benutzen wir die Notation t := t 1. Ferner sei Xt := Xt
Xt = Xt Xt1 . X und X bezeichnen somit die stochastischen Prozesse (Xt1 )t=1,... ,T
bzw. (Xt Xt1 )t=1,... ,T . Wird auf diese Prozesse zur
uckgegriffen, so interessiert der Wert
f ussen .
ur t = 0 nicht, so dass wir ihn gar nicht erst definieren m
Definition 1.2. ur alle t {0, . . . , T } Xt

(i) Ein Prozess X heit adaptiert, wenn f
Ft -messbar ist.
ur alle t {0, . . . , T } Xt Ft1 -messbar

(ii) Ein Prozess X heit vorhersehbar, wenn f
ist, d.h. der Wert von Xt ist schon in t 1 bekannt (F1 := F0 ).
Bemerkung 1.3. Im Sprachgebrauch der Stochastiker sind stochastische Prozesse zu-

meist automatisch adaptiert. Adaptiertheit ist dann die Minimalanforderung an einen
Prozess. Trotzdem werden auch nicht-adaptierte Prozesse untersucht insbesondere in
Modellen mit verschiedenen Filtrierungen (groere Filtrierung, die den Informationsver-
lauf eines Insiders modelliert, kleinere Filtrierung der Allgemeinheit).
Die Filtrierung (Ft )t=0,1,... ,T heit von X erzeugt, wenn Ft = (X0 , . . . , Xt )
Definition 1.4. Sei X ein adaptierter stochastischer Prozess mit E(|Xt |) < .
(i) X ist ein Martingal, wenn
E(Xt | Fs ) = Xs , P f.s., ur alle s t.

f (1.15)

Diese Notation vereinfacht die Darstellung und ber
ucksichtigt, dass sich zeitdiskrete Prozesse als spe-
zielle zeitstetige Prozesse mit c`
adl`
ag (rechtsstetig mit existierenden linken Limiten) Pfaden interpretieren
lassen, die nur bei den Gitterpunkten {1, . . . , T } ihren Wert verandern und dazwischen konstant sind.
e : [0, T ] Rd mit X
Definiere dazu den Prozess: X et () := X[t] (), wobei [t] := max{s N0 | s t}.
ur t {1, . . . , T } gilt limst,

F s<t X
es = X
et1 . Der Limes der Funktionswerte links von einem Gitter-
punkt ist also der Funktionswert am vorherigen Gitterpunkt. Wenn wir in einer sp
ateren Vorlesung zum
allgemeinen zeitstetigen Fall u
bergehen, m
ussen die Notationen also nicht mehr ge
andert werden. Viele
Resultate gelten auch f
ur echt zeitstetige Prozesse und die Formeln sehen dann genauso aus.

(ii) X ist ein Supermartingal, wenn
E(Xt | Fs ) Xs , P f.s., ur alle s t.

f
(iii) X ist ein Submartingal, wenn
E(Xt | Fs ) Xs , P f.s., ur alle s t.

f
ur alle s t Xs eine Version des bedingten Erwartungswertes von

(1.15) besagt, dass f
Xt unter der Information Fs ist, also
E (1A Xs ) = E (1A Xt ) , s t, A Fs . (1.16)
Wenn gezeigt werden soll, dass ein Prozess X ein Martingal ist, ist also (1.16) nachzuwei-
sen. Entsprechendes gilt f
ur Super- bzw. Submartingal.
Satz 1.5. [Doob-Zerlegung] Sei X = (Xt )t=0,1,... ,T ein adaptierter Prozess mit E(|Xt |) <
f
ur t = 0, 1, . . . , T . Dann lasst sich X in folgender Weise zerlegen:
Xt = X0 + Mt + At ,
wobei M ein Martingal und A ein vorhersehbarer Prozess ist mit M0 = A0 = 0. Diese
Zerlegung ist P -f.s. eindeutig.
A lasst sich als die Drift des Prozesses interpretieren und M sind die aufaddierten
(unsystematischen) Schwankungen um die Drift.
Pt Pt
ur t 1 setze At :=
Beweis. F s=1 E(Xs | Fs1 ) und Mt := s=1 (Xs E(Xs | Fs1 )).
Offenbar ist At Ft1 -messbar und E(Mt | Ft1 ) = 0. Damit ist die Existenz bewie-
sen. Nehmen nun an, es gabe eine weitere solche Zerlegung Xt = X0 + M
ft + A
et ,, wobei
M
f0 = A
e0 = 0, M
f ein Martingal ist und A
e ein vorhersehbarer Prozess. F
ur den oben
definierten Prozess A gilt
t
X t
X t
X
At = E(Xs | Fs1 ) = E((M e s | Fs1 ) =
f + A) A
es = A
et .
s=1 s=1 s=1
Damit gilt Eindeutigkeit.

Korollar 1.6. Ein vorhersehbares Martingal M = (Mt )t=0,1,... ,T ist (in der Zeit) konstant,
d.h. P (Mt = M0 , t = 1, . . . , T ) = 1.
Beweis. Folgt sofort aus der Eindeutigkeit der Doob-Zerlegung.
Definition 1.7. Eine Stoppzeit ist eine Abbildung : {0, 1, . . . , T } mit { t} Ft

f
ur alle t = 0, 1, . . . , T .
Anschaulich entspricht einer Stoppentscheidung, in die immer nur die jeweils zur
Verf
ugung stehende Information einfliet.
Proposition 1.8. Eine Abbildung : {0, 1, . . . , T } ist genau dann eine Stoppzeit,
wenn { = t} Ft f
ur alle t = 0, 1, . . . , T .
Beweis. Sei eine Stoppzeit. Es gilt { = t} = { t} \ { t 1}. Da { t} und

{ t 1} beide aus Ft sind, folgt { = t} Ft .
St
ulle die Bedingung aus Proposition 1.8. Es gilt { t} =
Erf s=0 { = s}. Da
| {z }
Fs
Fs Ft f
ur s t, folgt { t} Ft , also ist eine Stoppzeit.
Definition 1.9. Sei S ein diskreter adaptierter Prozess und ein diskreter vorhersehbarer
Prozess. S und sollen die gleiche Dimension haben, also S = (S 0 , . . . , S d ) und =
(0 , . . . , d ) f
ur ein d N0 . Unter dem stochastischen Integral von nach S verstehen
wir den folgendermaen definierten reellwertigen Prozess S,
Z t Xt X t Xd
>
St :=
s dSs := s Ss = is Ssi ,
0 s=1 s=1 i=0
P0
wobei s=1 := 0. Den Prozess bezeichnen wir als Integranden und den Prozess S als
Integrator. (Man beachte, dass 0 nicht in das Integral eingeht)
In der Finanzmathematik spielen stochastische Integrale eine wichtige Rolle. Man kann
sie namlich als Gewinn einer Handelsstrategie interpretieren. Betrachte daf
ur einen Markt
mit d + 1 Wertpapieren, deren Preisprozess durch den adaptierten stochastischen Prozess
S = (S 0 , . . . , S d ) modelliert werden soll. Sti bezeichne also den Preis von Wertpapier i
zum Zeitpunkt t. Eine Handelsstrategie = (0 , . . . , d ) wird als Rd+1 -wertiger vorher-
sehbarer Prozess modelliert. it steht f
ur die Anzahl der Wertpapiere i, die in der Han-
delsperiode zwischen t 1 und t in unserem Portfolio sind. it ist also die Investition in

den Zuwachs Sti . Wenn der Investor keine prophetische Gaben besitzen soll, sollte man
ber it die zufallige Komponente des Kurssprungs
annehmen, dass bei der Entscheidung u
Sti (bzw. die Information u
ber Sti ) noch nicht antizipiert werden kann. Wir nehmen also
an, dass die Zufallsvariable it Ft1 (= Ft )-messbar sein muss.
Verandert sich der Preis des i-ten Wertpapiers zwischen t 1 und t um den Be-
trag Sti , so resultiert hieraus, dass sich der Wert des Portfolios um den Betrag it Sti
verandert. Damit korrespondiert der Wert des Portfolio mit einem stochastischen Integral,
d.h. v0 + St (v0 Startkapital).
Ein Portfolio heit selbstfinanzierend, wenn die Veranderung seines Wertes

d
X
>
V := V () := S = i S i
i=0
(ausschlielich) aus den Preisveranderungen der enthaltenen Wertpapiere resultiert. Es

gibt also keine externe Kapitalentnahme oder -zuf
uhrung. Alle Umschichtungen im Portfo-
lio m
ussen kostenneutral erfolgen. Dies lasst sich mathematisch durch folgende Definition
ausdr
ucken.
Definition 1.10. Eine Handelsstrategie = (0 , 1 , . . . , d ) heit selbstfinanzierend,

ur alle t {1, . . . , T } gilt (t )> St1 = di=0 it St1
i
P
wenn f = 0.
Man beachte, dass das gesamte Vermogen immer in Wertpapieren angelegt ist. Es gibt
also keine Kassenhaltung. Diese Annahme macht Sinn, wenn man davon ausgeht, dass
es jederzeit einen ,,risikolosen Zins gibt, der f
ur eine Periode garantiert wird und der
nicht negativ ist (z.B. Tagesgeldkonto, sofern das Ausfallrisiko der Bank vernachlassigt
werden kann).
Proposition 1.11. Eine Handelsstrategie ist genau dann selbstfinanzierend, wenn Vt :=

> >
t St = 0 S0 + St f
ur alle t = 0, . . . , T .

Beweis.
(t t1 )> St1 = 0 f
ur alle t = 1, . . . , T
> > > >

t St t1 St1 = t St t St1 f
ur alle t = 1, . . . , T
(> S)t = ( S)t f

ur alle t = 1, . . . , T
> >
t St = 0 S0 + St
f
ur alle t = 1, . . . , T
Im Folgenden setzen wir stets voraus, dass S0 > 0 (d.h. das nullte Wertpapier nimmt
nur Werte in R+ \ {0} an).
1 1 d
Definition 1.12. Sb := S0
S = (1, SS 0 , . . . , SS 0 ) heit diskontierter Preisprozess. Vb := V
S0
=
> Sb bezeichne den zu der Handesstrategie gehorigen diskontierten Wertprozess.
Den Prozess S 0 nennt man dann das Numeraire.
Proposition 1.13. Eine Handelsstrategie ist genau dann selbstfinanzierend, wenn
Vbt = Vb0 + Sbt (1.17)
Man beachte, dass Sbt nicht von 0 abhangt, da Sb0 = 0.
Die Proposition besagt, dass die Selbstfinanzierungseigenschaft einer Strategie nicht

davon abhangt, ob wir alle Wertgroen als Vielfachheiten der Eins oder als Vielfachheiten
des Numeraires S 0 verrechnen.
Beweis. Da (t t1 )> St1 = 0 genau dann wenn (t t1 )> Sbt1 = 0, geht der Beweis
analog zu Proposition 1.11:
(t t1 )> St1 = 0 f
ur alle t = 1, . . . , T
(t t1 )> Sbt1 = 0 f
ur alle t = 1, . . . , T
> >b >b > b

t St t St1 = t St t1 St1
b f
ur alle t = 1, . . . , T
b t = (> Sbt ) f
( S) ur alle t = 1, . . . , T
t
> b b >b
0 S0 + t St = t St f
ur alle t = 1, . . . , T

Satz 1.14. Zu jedem vorhersehbaren Prozess (1 , . . . , d ) und jedem Startkapital v0 R

existiert ein eindeutiger vorhersehbarer Prozess 0 , so dass = (0 , 1 , . . . , d ) selbstfi-
nanzierend ist mit >
0 S0 = v0 .
Beweis. Wahle
0t := vb0 + (1 , . . . , d ) (Sb1 , . . . , Sbd )t

v0
(1t , . . . , dt )> (Sbt1 , . . . , Sbtd ), t = 0, 1, . . . , T, wobei vb0 := . (1.18)
S00
Da Integrale in 0 starten, folgt
Vb0 = vb0 . (1.19)
Da 0 Sb0 = 0 und wegen (1.19), folgt (1.17) aus (1.18). Es bleibt zu zeigen, dass 0
vorhersehbar ist. 00 ist offenbar F0 -messbar. Sei nun t 1. Da (H X)t = Ht> Xt
stimmt die rechte Seite von (1.18) mit
vb0 + (1 , . . . , d ) (Sb1 , . . . , Sbd )t1 (1t , . . . , dt )> (Sbt1

1 d
, . . . , Sbt1 ) (1.20)
berein. (1.20) ist aber offenbar Ft1 -messbar.

u
Umgekehrt kann (0 , 1 , . . . , d ) nur selbstfinanzierend mit Startkapital v0 sein, wenn
ullt ist. Da 0 auf der rechten Seite von (1.18) nicht vorkommt, folgt die Ein-
(1.18) erf
deutigkeit.
Bemerkung 1.15. Nun tritt der Vorteil der Arbeit mit diskontierten Groen zutage.
Bei vorgegebenem v0 (bzw. vorgegebenem vb0 = v0 /S00 ) konnen die Komponenten i , i =
1, . . . , d, frei voneinander gewahlt werden. 0 ist dann der eindeutige vorhersehbare Pro-
zess aus Satz 1.14, der := (0 , 1 , . . . , d ) selbstfinanzierend macht und >
0 S0 = v0
gewahrleistet. Wegen Sb0 = 0 geht (gegeben vb0 ) der Prozess 0 nicht in den diskontierten
Vermogensprozess vb0 + Sb = vb0 + (1 , . . . , d ) (Sb1 , . . . , Sbd ) ein. Die Nebenbedingung,
dass eine Strategie selbstfinanzierend sein sollte, taucht dann nicht mehr auf.

Okonomisch bedeutet dies, dass nach Spezifizierung der Investments in die Wertpa-
piere S 1 bis S d der verbleibende Rest des Vermogens (stillschweigend) in das risikolose
Numeraire S 0 investiert wird.

Wichtig ist hierbei, dass das Numeraire selber ein handelbares Wertpapier ist. (Dies
war f
ur die beiden vorangegangenen Propositionen von keinerlei Bedeutung. Dort hatte
man auch statt mit S 0 mit einem beliebigen positiven Prozess diskontieren konnen). Han-
delbarkeit eines Wertpapiers impliziert, dass man in ihm sowohl long als auch short gehen
kann (der Ausdruck in (1.18) kann ja sowohl positiv als auch negative sein). Short ge-
hen bedeutet dabei okonomisch, dass man zum Zeitpunkt 0 den Betrag S00 bekommt und
ur zu einem spateren Zeitpunkt t > 0 den Betrag St0 zur
daf uckzahlen muss. Die falligen
Zinszahlungen spiegeln sich in dem Anstieg des Prozesses S 0 wider. S 0 konnte den Wert
eines Bankkontos in EUR darstellen, im einfachsten Fall St0 = s0 (1 + r)t , r R+ .
In der Praxis lassen sich Leerverkaufe realisieren, indem man sich das Wertpapier leiht
und es (anstatt es sicher aufzubewahren) an einen Dritten weiterverkauft. Dies bringt
zunachst den Erlos S0i ein. Zu einem spateren Zeitpunkt t > 0 ist man jedoch verpflichtet,
die gleiche Aktie zum neuen Preis Sti wieder zu erwerben, um den Glaubiger zu befriedigen.
Man beachte, dass implizit vorausgesetzt wird, dass Sollzins und Habenzins u
ber-
einstimmen. Soll dies nicht der Fall sein, kann man das nicht mehr so einfach modellieren.
Haufig wird von vorne herein mit diskontierten Groen gearbeitet, bzw. angenommen,
dass o.B.d.A. St0 = 1 f
ur alle t.
Wir benotigen noch ein paar einfache Rechenregeln f

ur das stochastische Integral:
Proposition 1.16. Seien X, Y reellwertige adaptierte und H, K reellwertige vorherseh-

bare Prozesse. Dann gilt:
(i) H (K X) = (HK) X
(ii) Partielle Integration XY = X0 Y0 + X Y + Y X = X 0 Y0 + X Y + Y X
(iii) Wenn X ein Martingal und H beschrankt ist, dann ist der Prozess H X ein
Martingal.
Pt Pt
Beweis. (i) H (K X)t = s=1 Hs (K X)s = s=1 Hs Ks Xs = (HK) Xt

(ii)
t
X
Xt Yt = X0 Y0 + (Xs Ys Xs1 Ys1 )
s=1
Xt
= X0 Y0 + (Xs1 (Ys Ys1 ) + Ys (Xs Xs1 ))
s=1
= X0 Y0 + X Yt + Y Xt
(iii) Zu zeigen ist, dass H X adaptiert und integrierbar ist und dass gilt E(H
Xt | Ft1 ) = H Xt1 . Adaptiertheit ist klar, da H Xt nur von Ft -messbaren Zu-

fallsvariablen abhangt. Sei |Hs | m f
ur ein m R und alle s = 1, . . . , t. Wegen
Pt Pt
|H Xt | m s=1 |Xs | 2m s=0 |Xs | ist H Xt integrierbar. F
ur alle t {1, . . . , T }
gilt
Xt
E(H Xt | Ft1 )
= E( Hs Xs | Ft1 )
s=1
t1
Satz 0.39 (i) & (ii) X
= Hs Xs + Ht E(Xt | Ft1 )
s=1
= H Xt1 + 0.
Definition 1.17. Eine selbstfinanzierende Strategie (vorhersehbarer Prozess) heit eine

ur den dazugehorigen Vermogensprozess V = > S = V0 +
Arbitragemoglichkeit, wenn f
S gilt
V0 = 0, P (VT 0) = 1 und P (VT > 0) > 0.
Ein Marktmodell heit arbitragefrei, wenn es keine Arbitragemoglichkeit gibt.
Bemerkung 1.18 (Leerverkaufe). Bei einer Arbitrage im Sinne von Definition 1.17 wird
i.d.R. in einzelnen Komponenten negative Werte annehmen. Bei positiven Preisen setzt
namlich der Erwerb eines Wertpapieres ohne Startkapital die Verschuldung in einem ande-
ren Wertpapier voraus. Allerdings erscheint Arbitragefreiheit im Sinne von Definition 1.17
auch in Markten, in denen Leerverk
aufe verboten sind, eine sinnvolle Voraussetzung
zu sein. Nehme an, sei eine Arbitrage im Sinne von Definition 1.17, d.h.
P ( ST 0) = 1 und P ( ST > 0) > 0.

Zerlegt man (komponentenweise) in seinen Positiv- und seinen Negativanteil, d.h. =

+ und + , 0, dann gilt wegen der Linearitat des (diskreten) stochastischen
Integrals
P (+ ST ST ) = 1 und P (+ ST > ST ) > 0.
Die Strategien + und kommen ohne Leerverkaufe aus. Die Strategie + erzielt offen-
bar in allen Zustanden einen hoheren Handelsgewinn als die Strategie . Folglich w
urde
die Strategie weniger realisiert werden, was zu einem R
uckgang der Preise der dort
nachgefragten Wertpapiere f urde bis die Arbitrage wieder verschwindet . Aller-
uhren w
dings ware ohne eine Verhaltensanderung der Investoren von eine Anpassung nicht
sichergestellt, da deren Kaufentscheidung nicht durch Shortpositionen anderer neutrali-
siert werden konnte.
Bemerkung 1.19. In diskreten Modellen reicht es, wenn wir f

ur eine Arbitragestrategie
VT 0 fordern. Wir m
ussen nicht noch verlangen, dass Vt 0, f
ur alle t {0, . . . , T }
(oder wenigsten Vt a, a R+ (endlicher Kreditrahmen)). Wir werden namlich spater
sehen (vgl. Proposition 1.24), dass, wenn in einem Markt eine Arbitragemoglichkeit im
Sinne von Definition 1.17 existiert (d.h. risikolose Gewinnmoglichkeit, wenn wahrend der
Laufzeit unbegrenzter Kredit gewahrt werden kann), auch eine Arbitragestrategie existiert,
deren Wertprozess Vet 0, f
ur alle t {0, . . . , T } erf
ullt (kein Kredit erforderlich). In
zeitstetigen Modellen ist die Definition von Arbitragefreiheit jedoch etwas komplizierter.
Definition 1.20. Ein Wahrscheinlichkeitsma Q heit aquivalentes Martingalma, wenn

Q P (d.h. P und Q haben dieselben Nullmengen, P (A) = 0 Q(A) = 0 A F) und
alle diskontierten Preisprozesse Sbi , i = 0, . . . , d unter dem Ma Q Martingale sind, d.h.
ur s t gilt
f
EQ (Sbti | Fs ) = Sbsi .

Die Menge der aquivalenten Martingalmae (AMM) bezeichnen wir mit Me (S).
b
n + o n o

Man beachte, dass (, t) | it () > 0 (, t) | it () > 0 = , i = 0, 1, . . . , d. D.h. kein
Wertpapier wird gleichzeitig von + und nachgefragt.

Satz 1.21 (1. Fundamentalsatz der Arbitragetheorie). Ein Markt ist genau dann arbi-
tragefrei, wenn es ein aquivalentes Martingalma gibt, d.h. ein Wahrscheinlichkeitsma
Q P unter dem alle diskontierten Wertpapierpreisprozesse Sbi Martingale sind.
Lemma 1.22. Sei C Rn abgeschlossen und konvex mit 0 6 C . Dann existiert ein
Rn und ein R+ \ {0} mit > x f
ur alle x C. Insbesondere gilt {x
Rn | > x = 0} C = .
Beweis. Sei r > 0 eine nichtnegative reelle Zahl, so dass die Kugel B(0, r) := {y
Rn | ||y|| r} mit Mittelpunkt 0 und Radius r einen nichtleeren Schnitt mit C besitzt
pPn
(wobei || || die euklidische Norm bezeichne, d.h. ||x|| = i 2
i=1 (x ) ). Sei x0 der Punkt
an dem die Abbildung x 7 ||x|| auf der kompakten Menge C B(0, r) ihr Minimum
annimmt. Es folgt, dass
||x|| ||x0 ||, x C. (1.21)
ur jedes x C
x0 ist gerade die Projektion des Ursprungs auf die konvexe Menge C. F
und t [0, 1] gilt wegen der Konvexitat von C, dass x0 + t(x x0 ) C und damit wegen
(1.21)
(x0 + t(x x0 ))> (x0 + t(x x0 )) x>

0 x0
also
2t(x x0 )> x0 + t2 (x x0 )> (x x0 ) 0, t [0, 1].
ur t 0 an, so folgt daraus (x x0 )> x0 0 also

Schaut man sich die Entwicklung f
x> x0 x>
0 x0 =: x C
(Beachte, dass wegen 0 6 C x0 nicht der Nullvektor ist und damit x>
0 x0 > 0 gilt)
Lemma 1.23. Sei U Rn ein Vektorraum, K Rn kompakt und konvex, U K = .

Dann existiert ein Rn mit > x = 0 f
ur alle x U und > x > 0 f
ur alle x K.

ur alle x, y C und [0, 1] gilt x + (1 )y C.
Zur Erinnerung: C konvex heit, dass f

Beweis. Vektorraume sind per Definition nichtleer. Der Fall K = ist offensichtlich. Also
o.B.d.A. K 6= .
Die Menge
C := K U := {x Rn | (y, z) K U, x = y z}
ist konvex (da K und U konvex) und abgeschlossen (da K kompakt und U abgeschlossen)k
mit 0 6 C. Mit Lemma 1.22 folgt die Existenz eines Rn und eines R+ \ {0} mit
> x , x C also
> y > z , y K, z U. (1.22)
Halt man ein beliebiges y fest und wendet (1.22) f

ur jedes z auf alle seine Vielfachen an,
so folgt wegen Homogenitat, dass > z = 0, z U . Dann folgt > y , y K.
ur || < beweisen. Das Resultat wird aber auch

Wir werden Theorem 1.21 hier nur f
ur || = benutzt werden. Der allgemeine Beweis ist einiges aufwendiger und kann
f
zum Beispiel in Kapitel 5 von Irle [9] oder Follmer/Schied [5], Theorem 5.17 nachgelesen
werden.
ur || < . : Sei Q ein aquivalentes Wahrscheinlichkeits-

Beweis von Theorem 1.21 f
ma (d.h. alle Sbi , i = 0, . . . , d sind Q-Martingale) und sei eine selbstfinanzierende
Strategie mit V0 = 0 und VT 0. Dann ist SbT = VbT 0. Nach Proposition 1.16(iii)
ist Sb aber ein Q-Martingal, also gilt EQ ( SbT ) = 0 und wegen Nichtnegativitat
Q( SbT 6= 0) = 0. Da Q zu P aquivalent ist, gilt SbT = 0, P -f.s.
: Dies ist die interessante Richtung. Die Idee besteht darin, die Menge der reali-
sierbaren Endvermogen zum Startkapital 0 (eine Menge von Zufallsvariablen) von einer
k
ur ein x Rn . Zu zeigen:
Sei (xn )nN C mit Darstellung xn = yn zn und xn x, n , f
x C. Da K kompakt ist, existiert eine Teilfolge (ynk )kN mit ynk y, k , f
ur ein y K. Es folgt
znk y x, k und damit y x U wegen der Abgeschlossenheit von U . Wegen x = y (y x)
folgt x C.
C m
usste offenbar nicht abgeschlossen sein, wenn K nur abgeschlossen aber nicht kompakt ware. Beispiel:
K = {(x, y) R2 | x > 0, y 1/x}, U = {(x, y) R2 | x = 0}. K und U sind beide abgeschlossen, aber
K U = {(x, y) R2 | x > 0} ist es nicht.

gewissen Menge nichtnegativer Auszahlungen durch ein lineares Funktional zu trennen.

Wenn es keine Arbitragemoglichkeit gibt, sind diese beiden Mengen namlich disjunkt.
Vermoge des linearen Funktionals lasst sich dann ein Martingalma konstruieren.
1) Wir konnen o.B.d.A. annehmen, dass F die Potenzmenge von ist, also {}
ur alle . Andernfalls konnte man zum Grundraum 0 := {A F | A 6=
F, f
und A ist Atom der -Algebra F} u
bergehen (eine Menge A F ist ein Atom der -
Algebra F, wenn f
ur alle B F gilt, dass A B = A oder A B = ). Man w
urde
also eine Gruppe von , die sich durch die -Algebra F nicht voneinander trennen lassen,
mit einem neuen Element identifizieren. Die -Algebra F 0 auf 0 ware dann einfach die
0 0
Potenzmenge 2 und das Wahrscheinlichkeitsma auf 2 ware gegeben durch P 0 (A) :=
P
BA P (B). Da Erzeugermengen der -Algebra Ft Vereinigungen von Atomen von F
sind, kann die -Algebra Ft0 auf 0 wie folgt gebildet werden: ist A1 A2 . . . An eine
Erzeugermenge von Ft , dann ist {A1 , A2 , . . . , An } eine Erzeugermenge von Ft0 .
ur alle . Andern-
2) Weiter kann man o.B.d.A. annehmen, dass P ({}) > 0, f
falls gehe man zu einem neuen filtrierten Wahrscheinlichkeitsraum (0 , P 0 , F 0 , (F 0 )t=0,... ,T )
u ullt: setze dazu einfach 0 := { | P ({}) > 0}, F 0 = F 0 bzw.
ber, der dies erf
Ft0 = Ft 0 (Spur--Algebren) und P 0 := P |F 0 . Beide Aussagen im Satz sind invariant
unter dieser Veranderung.
Im Rest des Beweises identifizieren wir die Menge der Zufallsvariablen mit dem Rn , wo-
bei n N die Anzahl der Elemente von ist, also R
= Rn . Die erste Komponente eines
Vektors gibt den Wert der Zufallsvariable im ersten Zustand an, die zweite im zweiten usw.
Setze U := { SbT | ein vorhersehbarer Prozess} R und

( )
X X
K := 0 1{0 } | 0 R+ , 0 = 1 R .
0 0
1{0 } ist die Abbildung R, die den Wert 1 f

ur = 0 annimmt und Null sonst. U ist
ein linearer Unterraum von R und K eine kompakte, konvexe Menge. Jedes Element im
Schnitt von U und K w
urde eine Arbitragemoglichkeit liefern (hier geht P ({}) > 0 f
ur
alle ein). Deshalb gilt nach Voraussetzung U K = . Nach Lemma 1.23 existiert

ein R mit
X
()x() = 0, xU (1.23)

und
X
()x() > 0 x K. (1.24)

Da 1{0 } K gilt (0 ) > 0 f

ur alle 0 . Daher konnen wir vermoge
()
Q({}) := P
e (e
)
ein zu P aquivalentes Wahrscheinlichkeitsma Q definieren (man beachte, dass {} F
ur alle ).
f
Sei nun i {1, . . . , d}, s < t und A Fs . Wir wahlen folgende selbstfinanzierende
Handelsstrategie

1( A)1(u {s + 1, . . . , t}) f
ur j = i
j
u () :=
0 sonst
Dann setzte in (1.23) x() = ( SbT )() = 1A ()(Sbti () Sbsi ()) und es gilt EQ (1A (Sbti
Sbsi )) = P 1 (e) ()( SbT )() = 0, also EQ (Sbti Sbsi |Fs ) = 0, d.h. Sbi ist ein
P
e

Q-Martingal.
Man sieht sofort, dass Arbitragefreiheit in diskreten Modellen nicht von der Wahl des
Numeraires abhangt (siehe Definition 1.17). D.h. wir hatten die Preise statt mit S 0 z.B.
auch mit S j , j {1, . . . , d} diskontieren konnen. Mit Satz 1.21 hangt damit die Existenz
eines Martingalmaes auch nicht von der Wahl des Numeraires ab. D.h. sind f
ur das
Numeraire S 0 die diskontierten Preisprozesse
Si
S0
Q-Martingale (wobei Q ein Ma mit Q P ), dann sind auch die bzgl. eines anderen
Numeraires, z.B. S j , diskontierten Preisprozess Martingale allerdings i.A. auch bzgl.
eines anderen Martingalmaes Qj . Zwischen Q und Qj gilt der Zusammenhang
dQj Sj S0
= T0 0j
dQ ST S0

(folgt mit der Rechnung aus Schritt 1 des Beweises von Proposition 3.5). Man muss also
ein Numeraire und ein aquivalentes Martingalma als ein Paar (S 0 , Q) sehen. In der Lite-
ratur wird haufig ein sog. state price process L definiert mit Lt := S10 E dQ

dP
| Ft . Die
t
i
Produktprozesse LS , i = 0, . . . , d, sind P -Martingale (folgt ebenso aus Proposition 3.5).
Generell kommen in Satz 1.21 als Numeraire alle mit Wahrscheinlichkeit 1 strikt po-
sitiven Vermogensprozesse in Frage, d.h. die Prozesse Vt = V0 + St (insbesondere also
alle S j ).
Proposition 1.24 (Einperiodenarbitrage). Folgende Aussagen sind aquivalent
(i) Es existiert eine Arbitragemoglichkeit im Sinne von Definition 1.17.
(ii) Es existiert ein t {1, . . . , T } und ein L0 (, Ft1 , P ; Rd ) mit

d
! d
!
X X
P i Sbti 0 = 1 und P i Sbi > 0 > 0.
t (1.25)
i=1 i=1
(iii) Es existiert ein t {1, . . . , T } und ein L (, Ft1 , P ; Rd ), so dass (1.25) gilt.
(iv) Es existiert eine Arbitragemoglichkeit im Sinne von Definition 1.17 mit beschrankter
Handelsstrategie (1 , . . . , d ).
Beweis. O.B.d.A. S 0 = 1 (d.h. die diskontierten Preise werden als die tatsachlichen Preise
angesehen).
(i)(ii) Sei eine solche Arbitragestrategie und V der zugehorige Wertprozess (d.h.
V0 = 0). Sei
t := min{k|P (Vk 0) = 1 und P (Vk > 0) > 0}.
Nach Voraussetzung gilt t {1, . . . , T }.

1. Fall: P (Vt1 = 0) = 1. Dann erf
ullt := t Bedingung (ii).
2. Fall: P (Vt1 6= 0) > 0. Dann gilt P (Vt1 < 0) > 0, da andernfalls bereits bis t 1
eine Arbitrage erzielt worden ware, was der Minimalitat von t widersprache. Definiere
Pd i i
:= t 1{Vt1 <0} . Da P (Vt 0) = 1 gilt f
ur X := i=1 St = 1{Vt1 <0} Vt , dass
P (X 0) = 1 und P (X > 0) > 0 (Insbesondere gilt {Vt1 < 0} {X > 0}).

(ii)(iii) Insbesondere existiert auch eine beschrankte Einperiodenarbitragestrategie e.


Definiere e := 1{Pd | i |>0}
Pd
| i |
.
i=1 i=1
(iii)(iv) F
ur t und e wie oben definiere die letzten d-Komponenten eines vorhersehbaren
stochastischen Prozesses

ei f
ur s = t,
i
s := (1.26)
0 sonst,
i = 1, . . . , d. 0 erhalt man dann mit der Selbstfinanzierungsbedingung wie in (1.18).
Bemerkung 1.25. Insbesondere liefert aus (1.26) eine Strategie f

ur die wahrend der
Laufzeit kein Kredit aufgenommen werden muss, vgl. Bemerkung 1.19.
F
ur zeitstetige Modelle, d.h. Zeitbereich = [0, T ], gilt die fundamentale Aquivalenz in
Theorem 1.21 in dieser Form nicht mehr. Man muss den Begriff einer Arbitragemoglich-

keit etwas verandern, um die Aquivalenz zu erhalten (und zwar f
ur beide Richtungen).
Darauf werden wir im zeitstetigen Teil naher eingehen.
Betrachtet man einen Markt der aus unendlich vielen Wertpapieren besteht, wird

die Aquivalenz in Theorem 1.21 schlicht falsch. Die Existenz unendlich vieler Wertpapiere
kann zum Beipiel auf sog. Anleihenmarkten (Bonds) relevant werden. Zu jedem moglichen
Falligkeitszeitpunkt existiert ein eigenes Wertpapier, das exakt zu diesem Zeitpunkt den
Betrag 1 auszahlt.
1.1 Ausflug in eine Welt mit unendlich vielen Wertpapieren
Gegeben sei also der Fall abzahlbar unendlich vieler Wertpapiere S = (S 0 , S 1 , . . . ).

O.B.d.A. nehmen wir an, dass S 0 = 1, d.h. Sb = S. Der stochastische Prozess S neh-
me Werte im Raum l der beschrankten Folgen an, d.h. S : {0, . . . , T } l . l ist
ein Banachraum im Bezug auf die Supremumsnorm.
Um Vermogensprozesse eindeutig definieren zu konnen, fordern wir von Handelsstra-
tegien absolute Summierbarkeit, d.h. i
P
i=0 |t ()| < , P -f.s. Wegen St () l ist auch
die Folge (it ()Sti ())i=0,1,... absolut summierbar. Unser Vermogen hangt also nicht davon
ab, in welcher Reihenfolge wir unsere Aktienpositionen zusammenzahlen und alle Defini-

ur d < lassen sich problemlos u

tionen f bertragen (z.B. Selbstfinanzierungsbedingung
P i i
i=0 t St1 = 0).
Proposition 1.26. Wenn ein aquivalentes Martingalma existiert, d.h. ein Wahrschein-
lichkeitsma Q unter dem alle S i , i = 0, 1, . . . , Martingale sind, und zusatzlich

EQ supiN0 |Sti | < f
ur alle t = 0, 1, . . . , T gilt, dann ist der Markt arbitragefrei.
Beweis. Der Beweis geht ganz analog zu der Hinrichtung von Satz 1.21. Seien alle S i
Q-Martingale und V der Vermogensprozess zu der selbstfinanzierenden Strategie mit
V0 = 0. Aus der Selbstfinanzierungsbedingung folgt, dass

X
Vt = it Sti . (1.27)
i=1
Man kann sich u ur den Fall d = gilt

berlegen, dass Proposition 1.24 sinngema auch f

(Ubung). Damit kann man sich auf kkl1 -beschrankte Handelsstrategien beschranken, d.h.
P
o.B.d.A. i=0 |it ()| 1, f
ur alle , t. Da

X
|it ||Sti | 2kSkl .
i=1
kann man Erwartungswertbildung und Summation u

ber i vertauschen und es gilt

X
EQ (Vt ) = EQ (it Sti ) = 0,
i=1
wegen Proposition 1.16(iii) und da S i Q-Martingale sind. Also EQ VT = 0. Aus 1 = P (VT

0) = Q(VT 0) w
urde also 1 = Q(VT = 0) = P (VT = 0) folgen.
Das folgende Einperioden-Binomial-Modell zeigt, dass i.A. die andere Richtung von
Theorem 1.21 nicht mehr gilt.
Beispiel 1.27. Sei = {1, 2, . . . } und P ({}) > 0, . T = 1, S0 = (1, 1, . . . ). S1

ist gegeben durch S10 = 1 und

0 wenn = i

S1i () = 2 wenn = i + 1 (1.28)

1 sonst
2 DERIVATEBEWERTUNG UND HEDGING 42
ur i 1. Zunachst zeigen wir, dass das Modell arbitragefrei ist. Dazu nehmen wir an,
f
dass es eine Strategie l1 gibt mit
P i i
P i i
i=0 S0 = 0 und P ( i=0 S1 0) = 1.
Betrachte den Fall, dass = 1 eintritt. Es gilt

X
X
i
0 S1i (1) = + 0
k = 1
i=0 k=2
Analog folgt f
ur > 1

X
X
i
0 S1i () 0
= + 2 1
+ i = 1 .
i=0 i=1,i6=1,
Es folgt sofort, dass 0 1 2 . . . . Dies ist aber nur moglich, wenn i = 0, i da

l1 . Trotzdem existiert kein Wahrscheinlichkeitsma Q P , so dass EQ (S1i ) = S0i f
ur
alle i. F
ur so ein Ma m
usste namlich gelten

X
1 = EQ (S1i ) = 2Q({i + 1}) + Q({k})
k=1,k6=i,i+1
= 1 + Q({i + 1}) Q({i}), i 1.
P
Dies bedeutete aber, dass alle Q({i}), i N, gleich waren. Da 1 = Q() = i=1 Q({i})
ist dies aber nicht moglich.
Bemerkung 1.28. Bei dem der Konstruktion (1.28) entsprechenden Beispiel mit endlich
vielen Wertpapieren gibt es ein eindeutiges aquivalentes Martingalma und zwar die
Gleichverteilung.
2 Derivatebewertung und Hedging

Wir gehen wieder von einem Modell mit endlichem Zeithorizont T N aus. Viele Termin-
geschafte lassen sich durch eine einzige Zufallsvariable H beschreiben, die die Auszahlung
an den Besitzer des entsprechenden Wertpapiers zum Endzeitpunkt T ausdr
uckt. Andere
Derivate sind aber auch von einer etwas komplizierteren Struktur.
Beispiel 2.1. Europaische Call Option: Der Kaufer dieser Option erwirbt das Recht
(aber nicht die Pflicht), zum Zeitpunkt T Aktie i zum vorher festgelegten Preis
K R+ zu kaufen. Zum Zeitpunkt T hat dieses Recht den Wert STi K, wenn
STi > K. Im Fall STi K hat dieses Recht keinen Wert. Die Auszahlung ist also
durch die Zufallsvariable H() = (STi ()K)+ gegeben. Bei der Optionspreisbewer-
tung stellt man sich nun die Frage, wieviel dieses Recht, dessen Wert zum Zeitpunkt
T man kennt, zu einem fr
uheren Zeitpunkt t < T wert ist.
Europaische Put Option: Im Unterschied zur Call Option erwirbt der Kaufer das
Recht, die Aktie i zum Zeitpunkt T zum vorher festgelegten Preis K zu verkaufen.
Die zufallige Auszahlung ist (K STi )+ . Mit Put Optionen kann man auf fallen-
de Aktienkurse wetten. Dies ist nat
urlich nicht unproblematisch, da der Halter der
Option ein Interesse an niedrigen Aktienkursen hat (wenn er nicht auch gleichzei-
tig die entsprechende Aktie im Portfolio halt und der Put nur der Absicherung der
Aktienposition dient).
Zertifikate: Dies sind Anlagemoglichkeiten, bei denen der Investor zu einem Zeit-
punkt T eine Auszahlung H erhalt, die i.A. nichtlinear vom Preis STi oder Preispro-
zess (Sti )t=0,1,... ,T einer Aktie (oder Indexes) abhangt. Seien K1 , K2 R+ mit K1 <
K2 . Betrachte Zertifikate mit folgenden Auszahlungen
H = (STi K2 ) K1 + (STi K2 K1 )+ , Sprinter.
H = (STi K2 )1{Sti >K1 , t=1,... ,T } + STi 1{S i K1 , f

ur ein t=1,... ,T }
, K1 < S0i
t
Bonuszertifikat.
H = STi 1{Sti >K1 , t=1,... ,T } , K1 < S0i Hebelzertifikat.
Forward: Es wird zum Zeitpunkt t = {0, . . . , T } vereinbart, dass der Kaufer das
Wertpapier S i zum Zeitpunkt T zum Preis Ot erwirbt, d.h. die Auszahlung an den
Kaufer ist H = STi Ot . Wie gross ist Ot zu wahlen, dass dieser Vertrag zum
Zeitpunkt t nichts kostet, d.h. 0 ein fairer Preis f
ur den Claim H ist ? Ist der
riskolose Zins determinstisch, sei z.B. die Zinsrate konstant r > 0, d.h. St0 = ert ,
dann ergibt sich f
ur den Forward ein modellunabhangiger eindeutiger No-Arbitrage-
Preis Ot = Sti er(T t) .
Amerikanische Optionen: Bei amerikanischen Call oder Put-Optionen kann der

Kaufer sein Kaufs- bzw. Verkaufsrecht nicht nur zum Endzeitpunkt T wahrneh-
men, sondern zu jedem beliebigen Zeitpunkt t {0, 1, . . . , T }. Eine amerikanische
Option ist damit mindestens genauso viel wert, wie die entsprechende europaische
Option. Wir stellen amerikanische Optionen statt durch eine Zufallsvariable durch
einen stochastischen Prozess L = (Lt )t=0,... ,T dar. Call Option Lt = (Sti K)+ , Put
Option Lt = (K Sti )+ .
Swaps. Zum Zeitpunkt 0 werden Zahlungen zwischen zwei Vertragsparteien verein-

bart, die von heute noch nicht bekannten Groen abhangen (etwa von zuk
unftigen
Zinssatzen ; Zinsswaps) und zu verschiedenen Zeitpunkten stattfinden konnen. Die
Zeitpunkte der Auszahlungen sind nach Vertragsabschluss jedoch nicht mehr beein-
flussbar, was diese Kontrakte von amerikanischen Optionen unterscheidet. Da Zah-
lungen, die zu unterschiedlichen Zeitpunkten stattfinden, mit einem geeigneten Nu-
meraire vergleichbar gemacht werden konnen, lasst sich der Kontrakt auch durch
eine einzelne Zufallsvariable H darstellen (und wird somit grundsatzlich von Defi-
nition 2.2 erfasst).
Informationen u
ber Marktvolumina verschiedener Derivate und damit deren praktische
Relevanz finden sich auf der Internetseite des Deutschen Derivateverbandes
(www.derivateverband.de).
Bei der Derivatebewertung geht es um die Frage, wie man eine Option mit einer zufalli-
gen Auszahlung in der Zukunft heute fair bewerten kann. Eng verbunden mit der fairen
Preisbestimmung f
ur Derivate ist die Frage, inwieweit man das Risiko, was mit dem Ver-
kauf oder den Kauf von Derivaten verbunden ist, mit einer gewohnlichen Anlagestrategie,
die nur die Basiswertpapiere (Aktien, Bonds) ber
ucksichtigt, ausgleichen kann. Da die
Auszahlung der Option meistens eine nichtlineare Funktion des Underlyingpreises zum
Zeitpunkt T ist, reicht es nicht aus, nur statische Hedgingstrategien zu betrachten (sta-
tisch: kaufe/shorte k Aktien zum Zeitpunkt 0 und halte diese Position bis zum Zeitpunkt
T ). Stattdessen m
ussen dynamische Strategien betrachtet werden, bei denen die Anzahl
der Aktien im Portfolio jede Periode angepasst wird.
Definition 2.2. Sei H ein europaischer Claim (Derivat, Option), d.h. eine Zufallsvariable
H L0 (, F, P ). Ein adaptierter Prozess Se = (Set )t=0,... ,T heit Derivatepreisprozess f
ur
den Claim H, wenn SeT = H.
Set legt also den Preis des Claims H zum Zeitpunkt t fest. Was kann man sinnvolles
u
ber Set sagen ? Wir behandeln Claims (Derivate, Optionen) im Prinzip wie gewohnliche
Wertpapiere. Sie werden zusammen mit den Underlyings (Basiswertpapieren) auf einem
Markt gehandelt. Die stochastischen Prozesse (S 0 , S 1 , . . . , S d ), die den Preis der Under-
lyings beschreiben sollen, sind gewohnlich vorgegeben (d.h. ihre statistische Verteilung
ist vorher spezifiziert). Ziel der Derivatebewertung ist es, daraus Schlussfolgerungen f
ur
die Derivatepreisprozesse zu ziehen. Bei europaischen Claims hat man f
ur den Derivate-
preisprozess (Set )t=0,... ,T die Endbedingung SeT = H. Also zum Beispiel SeT = (STi K)+
f
ur eine Call Option auf die Aktie i.
Grundidee der Derivatebewertung:
t=0 t=1
Bond 1 1
-
1/2 2 ,,wenn Tag gut
Aktie 1 @
@
@
1/2 @@
R 1
,,wenn Tag schlecht
2
Call-Option, Strike= 1 ? @
@
@
1/2 @@
R 0 ,,wenn Tag schlecht
Call-Option: Halter besitzt das Recht (aber nicht die Pflicht),

zum Zeitpunkt 1 eine Aktie zum Strike-Preis 1 zu erwerben.
2 DERIVATEBEWERTUNG UND HEDGING t = 0 t=1 47
Bond 1 1
-
Aktie 1 @
@
@
1/2 @@
R 1
,,wenn Tag schlecht
2
Call-Option, Strike= 1 ? @
@
@
1/2 @@
R 0 ,,wenn Tag schlecht
Auszahlung der Call-Option lasst sich durch Aktie und Bond

2
replizieren: kaufe in t = 0 = 3
Aktien und = 13 Bonds.

+ 2 = 1 1 2
= , =
+ 1 = 0 3 3
2
1 2 1
p = Optionpreist=0 = Replikationskosten = 1 + 1 =
3 3 3
Jeder andere Optionspreis als 1/3 w
urde eine Arbitrage (risikolose Gewinnmoglichkeit)
ermoglichen.
1 2
Optionswertt=1 = 1 + Aktienwertt=1 in beiden Zustanden
3 3
Fall p > 1/3. Shorte eine Option. Kaufe 2/3 Aktien und 1/3 + p 1/3 Bonds.
Ertrag = p 2/3 1 (1/3 + p 1/3) 1 = 0 (d.h. die Kosten = -Ertrag sind auch
0, die Position kann mit Startkapital 0 aufgebaut werden). Zum Zeitpunkt 1 bleibt
stets p 1/3 > 0 u
brig (Verk
auferarbitrage).
Fall p < 1/3. Kaufe eine Option. Shorte 2/3 Aktien und kaufe 1/3 + 1/3 p Bonds.
Ertrag = p + 2/3 1 (1/3 + 1/3 p) 1 = 0. Zum Zeitpunkt 1 bleibt stets
1/3 p > 0 u
brig (K
auferarbitrage).
Beobachtung: Wahrscheinlichkeitsma P geht nicht in Optionspreis ein !

Allgemein: beliebiger Claim (Auszahlung), (hg , hs ) R2 .
Zu bestimmen , , so dass

+ 2 = hg 2(hg hs ) 4hs hg
= , = .
+ 1 = h s
3 3
2
immer eine Losung jeder Claim lasst sich replizieren.

Sei S1 (zufalliger) Aktienkurs zum Zeitpunkt 1 und H (zufalliger) Claim
Optionspreis + (S1 () S0 ) = H(), {guter T., schlechter T.} (2.29)
Finde Wahrscheinlichkeitma Q mit
EQ (S1 S0 ) = 0 (2.30)
(Q ist dann Martingalma). Offenbar ist Q mit Q(S1 = 2) = 1/3 und Q(S1 = 1/2) =
2/3 das einzige Ma, das (2.30) erf
ullt. Bildet man auf beiden Seiten von (2.29) den
Erwartungswert unter Q, dann folgt
Optionspreis = EQ (H).
Zentrale Beobachtung: in diesem Modell ist der eindeutige arbitragefreie Optionspreis

der Erwartungswert der Optionsauszahlung unter dem eindeutigen Martingalma. W
urde
man den Optionspreis als Erwartungswert unter dem physikalischen Wahrscheinlichkeits-
ma P berechnen, so w
urde es in dem Modell Arbitrage geben.
2 DERIVATEBEWERTUNG UND HEDGING t = 0 t=1 50
Bond 1 1
-
2 ,,wenn Tag gut
Aktie 1 1 ,,wenn Tag mittel

-
@
@
@
@ 1
R
@
2
,,wenn Tag schlecht
1 ,,wenn Tag gut
Call-Option, Strike= 1 ? 0 ,,wenn Tag mittel

-
@
@
@
@
R
@ 0 ,,wenn Tag schlecht
Auszahlung der Call-Option lasst sich durch Aktie und Bond

nicht replizieren:
+ 2 = 1

+ =0 keine Losung

1
+ =0
2
Wir nehmen im folgenden stets an, dass der ,,urspru

ngliche Markt, der nur
aus den Basiswertpapieren (Underlyings) mit Preisprozessen (S 0 , S 1 , . . . , S d )
besteht, arbitragefrei ist.
Die Menge der aquivalenten Martingalmae Me := Me (Sb1 , . . . , Sbd ) ist also nichtleer.
Korollar 2.3 (zum 1. Fundamentalsatz der Arbitragetheorie). Sei || < . Seien

H 1 , . . . , H k europaische Claims und S d+1 , . . . , S d+k dazugehorige Derivatepreisprozesse
(siehe Definition 2.2). Der erweiterte Markt
(S 0 , . . . , S d , S d+1 , . . . , S d+k )
ist genau dann arbitragefrei (d.h. im erweiterten Markt gibt es keine Arbitragemoglichkeit
im Sinne von Definition 1.17), wenn
i
d+i 0 H
St = St EQ 0
ur ein Q Me (Sb1 , . . . , Sbd ).
| Ft , i = 1, . . . , k, f (2.31)
ST
Std+i
(D.h. die diskontierten Derivatepreisprozesse St0
sind Q-Martingale)
Beweis. Beide Richtungen folgen sofort aus Satz 1.21:

Std+i

e d+1 d+k Hi
Sei Q M und S ,... ,S wie in (2.31) definiert, d.h St0
= EQ ST0
| Ft sind Q-
Martingale. Damit ist Q auch ein
AMM im erweiterten Markt
(S 0 , . . . , S d , S d+1 , . . . , S d+k ) (Q macht also auch die diskontierten Derivatepreisprozes-
se zu Martingalen) und es gilt dort wegen Satz 1.21 Arbitragefreiheit.
Seien (Sed+1 , . . . Sed+k ) Derivatepreise f
ur (H 1 , . . . , H k ) im Sinne von Definition 2.2 und
sei der erweiterte Markt (S 0 , . . . , S d , Sed+1 , . . . Sed+k ) arbitragefrei. Mit Satz 1.21 folgt, dass
es ein Ma Q P gibt, so dass die diskontierten Derivatepreise und die diskontierten
ed+i
S i
Preise der Underlyings Q-Martingale sind. Zusammen mit der Endbedingung ST0 = SH0 ,
i T T
d+i 0 H
i = 1, . . . , k, impliziert dies St = St EQ S 0 | Ft und Q ist Martingalma bzgl. des
e
T
Underlyingmarktes.

Handel ist sowohl in den Basiswertpapieren (Underlyings) mit Preisprozessen (S 0 , . . . , S d ) als auch
in den Derivaten mit Preisprozessen (S d+1 , . . . S d+k ) moglich
uckt: Es gilt Me (Sb1 , . . . , Sbd , Sbd+1 , . . . , Sbd+k ) Me (Sb1 , . . . , Sbd ) und

Anders ausgedr
die Derivatepreise m
ussen so gewahlt werden, dass die linke Menge nichtleer ist, also min-
destens ein Ma im erweiterten Markt Martingalma bleibt.
Mit Korollar 2.3 ist ein enger Zusammenhang zwischen der Arbitragefreiheit von Deri-
vatepreisen und der Bewertung von Derivaten durch Erwartungswertbildung unter aqui-
valenten Martingalmaen hergestellt.
Bemerkung 2.4. Im Fall || = muss ein nichtnegativer Claim H i.A. nicht unter
jedem aquivalenten Martingalma einen endlichen Erwartungswert haben. Betrachte et-
wa den Fall, dass alle Underlyings Konstanten sind und H unbeschrankt ist (genauer
H 6 L (, F, P )). In diesem Fall ist jedes aquivalente Ma ein aquivalentes Martingal-
ma und es lasst sich auch ein solches finden mit EQ (H) = . kann nat
urlich kein
arbitragefreier Preis f
ur eine endliche Auszahlung sein. In Korollar 2.3, d.h. in (2.31),
muss daher noch die Zusatzbedingung
i
|H |
EQ < , i = 1, . . . , k, (2.32)
ST0

an Q gestellt werden. Die Aquivalenz folgt dann genauso wie oben mit Satz 1.21 (der
ur || = gilt, auch wenn wir ihn nur f
auch f ur || < bewiesen haben). Dar
uber
hinaus kann gezeigt werden, dass die Menge der aquivalenten Martingalmae Q, die (2.32)
erf
ullen, nicht leer ist.
2.1 Einschub: Lokalisierung
Definition 2.5. Eine Folge von Stoppzeiten (Tn )nN mit T1 T2 T3 . . . heit
lokalisierend, wenn P (Tn = T ) 1, n .
Ein Prozess (Xt )t=0,1,... ,T ist ein lokales Martingal, wenn es eine lokalisierende Fol-
ur jedes n N der abgestoppte Prozess X Tn ein Martingal ist,
ge (Tn )nN gibt, so dass f
wobei XtTn := XtTn . Analog ist ein Prozess (Xt )t=0,1,... ,T lokal beschr
ankt, wenn es eine
ur jedes n N der abgestoppte Prozess X Tn
lokalisierende Folge (Tn )nN gibt, so dass f
beschrankt ist .

Zu jeder Klasse von Prozessen definiert man sich so die entsprechende lokalisierende Klasse (also z.B.
Jedes Martingal ist nat

urlich auch ein lokales Martingal (bzw. jeder beschrankte Pro-
ur alle n N.
zess ist auch lokal beschrankt). Wahle dazu als Lokalisierungsfolge Tn = T f
Lokalisierungen spielen vor allem in zeitstetigen Modellen eine wichtige Rolle, sind
aber manchmal auch in zeitdiskreten Modellen mit endlichem Zeithorizont von Interesse.
Wenn der Grundraum endlich ist, d.h. || < , sind Lokalisierungen nat
urlich u
berfl
ussig,
da in diesem Fall jedes lokale Martingal ein Martingal ist (in diesem Fall existiert zu
einer lokalisierenden Folge ein n N, so dass P (Tn = T ) = 1).
Bemerkung 2.6. In Abgrenzung zu lokalen Martingalen werden Martingale oft auch als
,,echte Martingale bezeichnet. Ein lokales Martingal unter einem Ma Q wird Q-lokales
Martingal genannt (auch wenn sich bei einem
aquivalenten Mawechsel die Menge der
lokalisierenden Folgen nicht verandert, sich also das Q nur auf das Wort ,,Martingal
und nicht auf das Wort ,,lokal bezieht).
Zur Erinnerung: Allgemeines zur Integrierbarkeit
Y + := Y 0 und Y := (Y ) 0 bezeichnen den Positivanteil und den Negativanteil

einer reellwertigen Zufallsvariablen Y . E(Y + ) und E(Y ) lassen sich wegen der Nichtne-
gativitat des Integranden stets definieren, konnen aber unendlich sein. Wenn mindestens
einer der beiden Erwartungswerte E(Y + ), E(Y ) endlich ist, lasst sich der Erwartungs-
wert von Y durch E(Y ) := E(Y + ) E(Y ) definieren. F
ur E(Y + ) = E(Y ) = ergibt
die Differenz nat
urlich keinen Sinn und der Erwartungswert von Y ist nicht erklart.
Beispiel 2.7 (Lokales Martingal). Ein Beispiel f

ur ein lokales Martingal, das kein Mar-
tingal ist, ist der folgende Prozess (Xt )t=0,1,2 . Seien Y1 und Y2 stochastisch unabhangig
mit P (Y1 0) = 1, E(Y1 ) = und P (Y2 = 1) = P (Y2 = 1) = 12 . Die Filtration ist
gegeben durch F0 = {, }, F1 = (Y1 ) und F2 = (Y1 , Y2 ). Definiere X0 = X1 = 0 und
X2 = Y1 Y2 . X kann kein Martingal sein, da X2 nicht integrierbar ist. Es gilt namlich
auch lokales Supermartingal).
Bei den hier betrachteten Prozessklassen konnte man die Bedingung T1 T2 . . . auch weglassen.
Zu einer beliebigen Folge (Tn )nN kann man sich namlich die monotone Folge Ten := max{T1 , . . . , Tn }
konstruieren und Martingal/beschr
ankt gelten auch mit (Ten )nN , sofern sie schon mit (Tn )nN gelten.
E((X2 )+ ) = E Y1 1{Y2 =1} = und E((X2 ) ) = E Y1 1{Y2 =1} = . X ist aber offen-

bar ein lokales Martingal mit Lokalisierungsfolge

1 : wenn Y > n
1
Tn =
2 : wenn Y n.
1
n
(Tn )nN ist lokalisierend, da wegen P (Y1 < ) = 1 P (Tn = 2) = P (Y1 n) 1.
ur X2Tn gilt |X2Tn | n (und damit
Zudem sind X Tn Martingale, da X0Tn = X1Tn = 0 und f
E(|X2Tn |) < ) und
E(1A X2Tn ) = E( 1A 1{Y1 n} Y1 Y2 )

| {z }
(Y1 )-messbar und beschr
ankt
= E(1A 1{Y1 n} Y1 )E(Y2 )
= 0 ur alle A F1 = (Y1 ).
f
Proposition 2.8. Jeder vorhersehbare Prozess mit beschranktem Startwert ist lokal be-
schrankt
Proof. Sei (Xt )t=0,1,... ,T vorhersehbar. Definiere Tn := inf{t | |Xt+1 | > n} T, n N.

Wegen der Vorhersehbarkeit von X sind Tn Stoppzeiten. Es gilt |X Tn | |X0 |n und damit
die Behauptung, da die Folge (Tn )nN wegen P (maxt=0,1,... ,T |Xt | < ) = 1 lokalisierend
ist (wenn |X1 | die Schranke n u
berschreitet, wird der Prozess abgestoppt bevor er richtig
begonnen hat).
Proposition 2.9. Sei X ein Martingal. Dann ist X ein lokales Martingal.
Proof. Da der Startwert 0 nicht in das Integral X eingeht, konnen wir o.B.d.A.
0 = 0 setzen, d.h. der Startwert kann als beschrankt vorausgesetzt werden.
Nach Proposition 2.8 existiert eine lokalisierende Folge (Tn )nN , so dass Tn beschrankt
sind. Die Aussage folgt dann aus (1[[0,Tn ]] ) X = ( X)Tn und Pro-
| {z }
vorhersehbar & beschrankt
position 1.16(iii). Dabei ist [[0, Tn ]] := {(, t) {0, 1, . . . , T } | t Tn ()} und es gilt
{ | 1[[0,Tn ]] (, t) = 1} = { | Tn () t} = { | Tn () < t}c = {
| Tn () t 1}c Ft1 f
ur alle t {0, . . . , T }.

Die vorhersehbaren Prozesse, auf die die Aussage angewandt wird, werden in t = 0 nicht abgegriffen,
so dass die Beschr
anktheit des Startwertes keine wirkliche Einschrankung ist.
Proposition 2.10. Jedes P -f.s. nichtnegative lokale Martingal (in diskreter Zeit mit end-
lichem Horizont) ist ein Martingal.
Proof. Sei X ein Prozess mit P (Xt 0) = 1 f

ur t = 0, 1, . . . , T . X ist genau dann ein
(lokales) Martingal, wenn der nichtnegative Prozess max{X, 0}, der P -f.s. mit X u
ber-
einstimmt, ein (lokales) Martingal ist. Daher konnen wir o.B.d.A. X 0 voraussetzen.
Schritt 1: Zu zeigen E(Xt ) < f
ur alle t {0, . . . , T }. Sei (Tn )nN eine lokalisierende
ur alle n N und E(X0Tn ) < ,
Folge zu dem lokalen Martingal X. Wegen X0 = X0Tn f
muss X0 integrierbar sein (auch wenn wir nicht mit der trivialen -Algebra F0 = {, }
beginnen, bei der X0 ja eine Konstante und damit sowieso integrierbar sein m
usste). Es
gilt XtTn Xt punktweise. Da X nichtnegativ ist, folgt mit dem Lemma von Fatou
E(Xt ) lim inf n E(XtTn ) = E(X0 ) < .
Schritt 2: Seien s t, A Fs . Es gilt
E(1A (XtTn XsTn )) = 0, n N.
ur n . Wegen |1A (XtTn

Der Integrand konvergiert punktweise gegen 1A (Xt Xs ) f
PT
XsTn )| maxu=0,1,... ,T Xu u=0 Xu und Schritt 1 existiert eine integrierbare Majo-
rante. Mit dem Satz von der majorisierten Konvergenz (Korollar 0.29) folgt die Konver-
genz der Erwartungswerte, d.h. E(1A (XtTn XsTn )) E(1A (Xt Xs )) und damit
E(1A (Xt Xs )) = 0.
Proposition 2.11. Jedes lokale Martingal (in diskreter Zeit mit endlichem Horizont) mit
P -f.s. nichtnegativem Endwert ist ein Martingal.
Proof. Sei (Xt )t=0,1,... ,T ein lokales Martingal mit P (XT 0) = 1. Wegen Proposition 2.10
ussen wir nur zeigen, dass P (Xt 0) = 1 f
m ur alle t = 0, 1, . . . , T 1. Dies machen wir
durch eine R
uckwartsinduktion.
T ; T 1: Widerspruchsannahme: P (XT 1 < 0) > 0. Dann existiert eine Stoppzeit
Tn aus der lokalisierenden Folge mit P ({XT 1 < 0} {Tn = T }) > 0. Es folgt
E(1{XT 1 <0} (XTn X(T 1)Tn )) > 0 (2.33)
(Man beachte, dass die Zufallsvariable 1{XT 1 <0} (XTn X(T 1)Tn ) wegen P (XT 0) = 1
und Tn () = (T 1) Tn () oder Tn () = T P -f.s. nichtnegativ und auf der Men-
ge {XT 1 < 0} {Tn = T } P -f.s. echt positiv ist). Die linke Seite von (2.33) m
usste aber
verschwinden, da X Tn ein Martingal ist. Ein Widerspruch. Also folgt P (XT 1 0) = 1

und schlielich mit Induktion analog P (Xt 0) = 1 f
ur t = T, T 1, . . . , 0.
Bemerkung 2.12. Offenbar haben wir die einfache Richtung des 1. Fundamentalsatzes
der Arbitragetheorie (Satz 1.21) nun auch ohne die Einschrankung || < bewiesen: Sei

Q ein AMM und eine Handelsstrategie mit P ( ST 0) = 1. Mit Proposition 2.9 ist
S ein Q-lokales Martingal und wegen Proposition 2.11 ein (echtes) Q-Martingal, also
EQ ( ST ) = 0.
Ende Einschub
Satz 2.13. Sei F0 = {, } und H ein europaischer Claim mit H 0. Dann sind
aquivalent
(1) H ist replizierbar durch eine selbstfinanzierende Strategie = (0 , . . . , d ) in den

Underlyings und mit einem Startkapital v0 R, d.h. H = v0 + (0 , . . . , d )
(S 0 , . . . , S d )T , P -f.s.
(2) Es gibt genau einen Derivatepreisprozess S d+1 im Sinne von Definition 2.2, so dass
der erweiterte Markt (S 0 , . . . , S d , S d+1 ) arbitragefrei ist (namlich S d+1 = V (), was
nicht von der Wahl der Replikationsstrategie abhangt).
(3) F b < und der bedingte Erwar-

ur jedes aquivalente Martingalma Q gilt EQ (H)
tungswert EQ (H|F
b t ) besitzt unter jedem aquivalente Martingalma Q den gleichen
Wert (namlich Vbt (), was nicht von der Wahl der Replikationsstrategie abhangt).
Bemerkung 2.14. Die Implikation (1) (2) wird auch ,,law of one price genannt.
Bemerkung 2.15. Ohne die Voraussetzung H 0 muss aus der Replizierbarkeit von H
nicht die Integrierbarkeit von |H|
b unter jedem aquivalenten Martingalma folgen. Mit den
Zufallsvariablen aus Beispiel 2.7 kann man ein Gegenbeispiel konstruieren. Wahle S 0 = 1,
S01 = S11 = 0, S21 = Y2 und H := Y1 Y2 . H ist mit S 1 replizierbar (wahle 1 = Y1 1{2} )

und S 1 ist ein P -Martingal, aber EP (|H|) = (Ubung: Geben Sie ein aquivalentes
Martingalma an, unter dem |H| endlichen Erwartungswert hat).
Die Richtung (1) (3) werden wir in voller Allgemeinheit und alles u
brige nur f
ur
den Fall || < beweisen.
Beweis. O.B.d.A. S 0 = 1, d.h. Sb = S und H

b = H.
(1) (3): Sei v0 R und = (1 , . . . d ) eine Strategie mit
v0 + (1 , . . . d ) (S 1 , . . . , S d )T = H, P f.s.
und sei Q Me (S 1 , . . . , S d ) (unter den gemachten Voraussetzungen existiert beides).

Mit Proposition 2.9 folgt, dass der Prozess v0 + (1 , . . . d ) (S 1 , . . . , S d ) ein Q-lokales
Martingal ist. Aus der fast sicheren Nichtnegativitat des Endwertes v0 + (1 , . . . d )
(S 1 , . . . , S d )T = H und Proposition 2.11 folgt, dass v0 + (1 , . . . d ) (S 1 , . . . , S d )

dann auch ein Q-Martingal ist. Insbesondere folgt Integrierbarkeit unter Q und damit
EQ (H) < . Somit konnen wir den Prozess t 7 EQ (H | Ft ) einf
uhren, der ebenso ein
Q-Martingal ist. Es folgt sofort aus der Martingalbedingung und der Eindeutigkeit des
bedingten Erwartungswertes, dass Martingale mit (fast sicher) gleichem Endwert auch
vorher fast sicher u
bereinstimmen, also
EQ (H | Ft ) = v0 + (1 , . . . d ) (S 1 , . . . , S d )t , t = 0, 1, . . . , T, Q-f.s. (2.34)
Aus (2.34) folgt, dass EQ (H | Ft ) nicht von der Wahl des Martingalmaes Q und v0 +
(1 , . . . d ) (S 1 , . . . , S d )t nicht von der Wahl des Paars (v0 , ) abhangt, mit dem H re-
pliziert wird . Insbesondere ist wegen (1 , . . . d ) (S 1 , . . . , S d )0 = 0 das Startkapital v0 ,
das zu Replikation benotigt wird, eindeutig (die Hedging-Strategie (1 , . . . d ) ist dagegen
i.A. nicht eindeutig).
(2) (3): gilt wegen Korollar 2.3 (unter || < ).

(3) (1): Angenommen H ist nicht replizierbar, d.h. H 6 U := {c + (1 , . . . d )
(S 1 , . . . , S d )T | c R, ist vorhersehbar}. Wir werden zeigen, dass dann schon der Deri-
vatepreis zum Zeitpunkt 0 nicht eindeutig ist.

Wir wahlen ein beliebiges AMM Q aus und betrachten bez
uglich des Skalarproduktes

(X, Y ) := EQ (XY ) die Projektion H = H U + H U , d.h. H U U und EQ H U X = 0

Man beachte, dass Q und (v0 , ) unabhangig voneinander variiert werden konnen.

ur alle X U . Da nach Voraussetzung H U 6= 0 konnen wir das folgende Ma Q0 P
f
definieren

!
H U ()
Q0 ({}) := 1+ Q({}).
2 sup0 |H U ( 0 )|
F
ur jede Zufallsvariable X gilt

X
0 EQ (H U X)
E (X) :=
Q0 X()Q ({}) = EQ (X) + .

2 sup0 |H U ( 0 )|
Nach Konstruktion ist Q0 positiv, d.h. Q0 ({}) > 0 f

ur alle , und wegen 1 U

gilt EQ (H U 1) = 0 und damit Q0 () = EQ0 (1 ) = EQ (1 ) = Q() = 1. Q0 ist also ein
ur alle Elemente U 3 Z = c + (1 , . . . d )
Wahrscheinlichkeitsma. Des weiteren gilt f
(S 1 , . . . , S d )T , dass
1 U
EQ0 (Z) = EQ (Z) + EQ (H Z) = c + 0 = c. (2.35)
2 sup0 |H U ( 0 )|

Daher ist auch Q0 ein AMM und es gilt EQ0 (H U ) = EQ (H U ). Andererseits gilt EQ0 (H U )

U 1 U 2
EQ (H ) = 2 sup |H U ( 0 )|
EQ (H ) > 0. Also EQ0 (H) > EQ (H). Aus Nicht-
0
Replizierbarkeit des Claims folgt also, dass es zwei Martingalmae gibt, bzgl. denen die
Erwartungswerte des Claims unterschiedlich sind.
Definition 2.16. Ein Marktmodell heit vollstandig, wenn jeder Claim H replizierbar
ist .
Korollar 2.17 (2. Fundamentalsatz der Arbitragetheorie). Sei F0 = {, }. Ein arbitra-

gefreies Marktmodell ist genau dann vollstandig, wenn nur ein aquivalentes Martingalma
existiert.
Beweis. : In einem arbitragefreien Marktmodell existiert zu jedem Claim H 0 ein

aquivalentes Martingalma Q mit EQ SH0 < (ohne Beweis). Da es nach Voraussetzung
T
H
nur ein Martingalma gibt, muss ST0
unter diesem integrierbar sein. Aus (3) (1) in

Formal besteht ein Marktmodell aus einem filtrierten Wahrscheinlichkeitsraum (, F, (Ft )t=0,... ,T , P )
und den stochastischen Prozessen S 0 , S 1 , . . . , S d , die die Preisprozesse der handelbaren Wertpapiere be-
schreiben. Vollst
andigkeit bedeutet also, dass jede in dem Wahrscheinlichkeitsmodell mogliche Auszahlung
ur ein A F) durch Handel in den verf
H (also z.B. H = 1A f ugbaren Wertpapieren replizierbar ist.
Satz 2.13 folgt die Replizierbarkeit von H 0. Wegen der Linearitat des Integrals sind
dann auch beliebige Claims replizierbar, da diese in ihren Positiv- und ihren Negativanteil
zerlegt werden konnen.
: Sei A F. Wegen der Vollstandigkeit lasst sich der Claim H := ST0 1A absichern
(wenn A einelementig ist, nennt man ein Wertpapier mit Auszahlung H ein Arrow-Debreu

Wertpapier). Nach (1) (3) in Satz 2.13 stimmt EQ SH0 = Q(A) f
ur alle AMM Q
T
u
berein. Folglich gibt es nur ein AMM.
2.2 Cox-Ross-Rubinstein Modell
Zeitdiskrete Modelle sind fast immer unvollstandig. Ein Beispiel f

ur ein vollstandiges Mo-
dell ist das Cox-Ross-Rubinstein Modell (CRR Modell). Das CRR Modell ist eine dyna-
mische Verallgemeinerung des Einperioden-Binomialmodells aus der Motivation.
Sei St0 = (1 + r)t , r > 1 und

t
Y
St1 = Ai , (2.36)
i=1
wobei (Ai )i=1,... ,T unabhangig und identisch verteilt sind mit P (Ai = u) = p und P (Ai =
d) = 1 p, 0 < d < u und p (0, 1). Also
T
Y
P (A1 = x1 , . . . , AT = xT ) = P (Ai = xi ) = p#{i|xi =u} (1 p)#{i|xi =d} , xi {d, u}.
i=1
F0 = {, } und Ft = (A1 , . . . , At ), t > 0. Die No-Arbitrage-Bedingung f

ur das Modell
lautet
d < 1 + r < u. (2.37)
Betrachte das Ma Q P mit
Q(A1 = x1 , . . . , AT = xT ) = q #{i|xi =u} (1 q)#{i|xi =d} , xi {d, u}, (2.38)
wobei
1+rd
q= (0, 1), (2.39)
ud
d.h.
qu + (1 q)d = 1 + r. (2.40)
Beachte, dass die Ai (auch) unter dem so definierten Ma Q stochastisch unabhangig und
identisch verteilt sind.
Si1 Si1
1
Ai 1 ist die stochastische Rendite := 1
Si1
in der i-ten Periode. Bei der Rendite
setzt man den i.A. zufalligen Gewinn einer Investition ins Verhaltnis zum gebundenen
Kapital. Im Modell (2.36) sind die Renditen in verschiedenen Perioden also unabhangig
und identisch verteilt.
Proposition 2.18. Sei (2.37) erf

ullt. Dann ist (2.38) das eindeutige aquivalente Martin-

galma (AMM) im CRR-Modell (d.h. das einzige zu P aquivalente Ma, unter dem der
Prozess t 7 Sbt1 = (1 + r)t St1 ein Martingal ist).

Proof. Zunachst zeigen wir, dass Q aus (2.38) ein AMM ist. Daf
ur reicht es aus zu zeigen,
dass

EQ Sbt1 Sbt1
1
| Ft1 = 0, t = 1, . . . , T.
Es gilt

1 1
EQ 1{A1 =x1 ,... ,At1 =xt1 } St St1
b b
Qt1 !
i=1 x i A t
= EQ 1{A1 =x1 ,... ,At1 =xt1 } 1
(1 + r)t1 1 + r
Qt1
i=1 xi At

= EQ 1{A1 =x1 ,... ,At1 =xt1 } EQ 1
(1 + r)t1 1+r
| {z }
u u qu+(1q)d
=q ( 1+r 1)+(1q)( 1+r 1)= 1+r
1=0
= 0, xi {u, d}.
Bleibt die Eindeutigkeit zu zeigen. Wir beweisen dies per Induktion nach T .
Induktionsanfang: T = 1. Sei Q
e ein AMM im Einperiodenmodell. Aus EQe (Sb11 Sb01 ) = 0
folgt
Q(A
e 1 = u)u + Q(A
e 1 = d)d = 1 + r.
Zusammen mit Q(A

e 1 = u) + Q(A
e 1 = d) = 1 folgt Q(A e 1 = d) = 1 q
e 1 = u) = q und Q(A
f
ur das q aus (2.39). Also Q
e = Q.
Induktionsschritt: T 1 ; T . Sei Q
e ein AMM im Modell mit T Perioden. Aus der
Induktionsvoraussetzung folgt
Q(A
e 1 = x1 , . . . , AT 1 = xT 1 ) = Q(A1 = x1 , . . . , AT 1 = xT 1 ), xi {d, u} (2.41)

Aus EQe SbT1 SbT1 1 | FT 1 = 0 folgt

0 = EQe 1{A1 =x1 ,... ,AT 1 =xT 1 } SbT1 SbT1 1
QT 1
i=1 xi u
= Q(A1 = x1 , . . . , AT 1 = xT 1 , AT = u)
e 1
(1 + r)T 1 1+r

d
Q(A1 = x1 , . . . , AT 1 = xT 1 , AT = d)
e 1
1+r
und damit
Q(A
e 1 = x1 , . . . , AT 1 = xT 1 , AT = u)u + Q(A
e 1 = x1 , . . . , AT 1 = xT 1 , AT = d)d
= Q(A
e 1 = x1 , . . . , AT 1 = xT 1 )(1 + r).
Analog zum Induktionsanfang folgt
Q(A
e 1 = x1 , . . . , AT 1 = xT 1 , AT = u) = Q(A
e 1 = x1 , . . . , AT 1 = xT 1 )q,
Q(A e 1 = x1 , . . . , AT 1 = xT 1 )(1 q)
e 1 = x1 , . . . , AT 1 = xT 1 , AT = d) = Q(A
und damit wegen (2.41)
Q(A
e 1 = x1 , . . . , AT 1 = xT 1 , AT = xT )
= Q(A1 = x1 , . . . , AT 1 = xT 1 , AT = xT ), xi {d, u}.
Wegen Korollar 2.17 folgt aus der Eindeutigkeit des Martingalmaes im Cox-Ross-
Rubinstein Modell, dass jeder Claim replizierbar ist. Wir wollen die Replizierbarkeit je-
doch nochmal unabhangig beweisen, da dies zusatzliche Einsichten in das Hedgen im
CRR-Modell liefert.
ullt, d.h. Sb1 ist ein Q-

Satz 2.19 (Martingaldarstellungssatz). Sei Bedingung (2.40) erf
ur jedes Q-Martingal M einen vorhersehbaren Prozess (1t )t=1,... ,T ,
Martingal. Dann gibt es f
so dass M = M0 + 1 Sb1 .
Beweis. Da Mt (A1 . . . , At )-messbar ist, gibt es eine Funktion ft : {d, u}t R mit
Mt = ft (A1 , . . . , At ). Da M ein Q-Martingal ist, gilt
0 = EQ (Mt | Ft1 )

= EQ ft (A1 . . . , At1 , u)1{At =u} + ft (A1 . . . , At1 , d)1{At =d} | Ft1
= qft (A1 . . . , At1 , u) + (1 q)ft (A1 . . . , At1 , d)
und damit
q
ft (A1 . . . , At1 , d) = ft (A1 . . . , At1 , u) (2.42)
1q
Wahle nun
ft (A1 . . . , At1 , u)
1t := t1 (2.43)
u
1 (1 + r)(t1) t1
Q
1+r i=1 Ai
Offenbar ist 1t Ft1 -messbar und wegen

Qt1
1 At i=1 Ai
St =
b 1 ,
1+r (1 + r)t1
(2.42) und (2.39) rechnet man leicht nach, dass
1t Sbt1 = ft (A1 . . . , At ) = Mt .
Es gilt namlich f
ur At = u
Qt1
ft (A1 . . . , At1 , u) u i=1 Ai
1t Sbt1 = Qt1 1 = ft (A1 . . . , At1 , u)
u (1 + r)t1

1+r
1 (1 + r)(t1) i=1 Ai 1+r
und f
ur At = d
Qt1
ft (A1 . . . , At1 , u) d i=1 Ai
1t Sbt1 = 1
u
1 (1 + r)(t1) t1 (1 + r)t1

1+r
Q
1+r i=1 Ai
d
1
= ft (A1 . . . , At1 , u) 1+r
u
1+r
1
(2.39) q
= ft (A1 . . . , At1 , u)
1q
(2.42)
= ft (A1 . . . , At1 , d).
Sei H nun ein beliebiger europaischer Claim im Cox-Ross-Rubinstein Modell, d.h. eine
Abbildung {d, u}T R. Wie kann man H nun hedgen ? Definiere das Q-Martingal M

H H
durch seinen Endwert MT = (1+r) T , d.h. Mt = E Q (1+r)T |F t dann gibt es nach Satz 2.19

H H
einen reellwertigen vorhersehbaren Prozess (1t )t=1,... ,T mit EQ (1+r)T +1 SbT1 = (1+r)T .
1 ist also die Anzahl der risikobehafteten Aktien S 1 , die man im Portfolio halt um sich
gegen den Claim H (perfekt) abzusichern. Der Anteil 0 an dem risikolosen Bankkonto
ergibt sich dann durch die Selbstfinanzierungsbedingung (vgl. (1.20))

0 H
t = EQ |Ft1 1t Sbt1
1
.
(1 + r)T
Nun wollen wir damit eine europaische Call-Option bewerten, also ST2 = (ST1 K)+ .
Wir wissen, dass sich der eindeutige No-Arbitrage-Preis zum Zeitpunkt t durch die Formel
St2 = (1 + r)(T t) EQ ((ST1 K)+ |Ft )
ergibt, wobei das Ma Q in (2.38) definiert ist. Wir erhalten
St2 = (1 + r)(T t) EQ ((ST1 K)+ |Ft )

YT
(T t) 1
= (1 + r) EQ ((St Ai K)+ |Ft )
i=t+1
T t
!
X
= (1 + r)(T t) EQ 1{QT Ai =uj dT tj } (St1 uj dT tj K)+ |Ft
i=t+1
j=0
T t
X
(T t)
= (1 + r) (St1 uj dT tj +
K) EQ 1{ QT
Ai =uj dT tj } |Ft
i=t+1
j=0

T t
X T t +
= (1 + r)(T t) q j (1 q)T tj St1 uj dT tj K . (2.44)
j=0 j
Proposition 2.20. Wenn H = g(ST1 ), wobei g eine nichtfallende Funktion ist (z.B.
g(x) = (x K)+ ), dann gilt f
ur die im CRR-Modell eindeutige Hedging-Strategie:
1t = h(St1
1
, t), f
ur eine Funktion h : R+ {1, 2, . . . , T } R+ .
Insbesondere werden also keine Leerverkaufe in der Aktie benotigt. Analog folgt f
ur nicht-
steigende Funktionen g (z.B. g(x) = (Kx)+ ) die Existenz einer entsprechenden Funktion
mit h 0.
3 PORTFOLIOOPTIMIERUNG 64
Beweis. Das Martingal aus Satz 2.19 ist gegeben durch Mt = (1+r)T EQ (g(ST1 )|Ft ). Wie
in der Rechnung (2.44) folgt (1 + r)T EQ (g(ST1 )|Ft ) = e
h(St1 , t) mit

T t
X T t
h(s, t) = (1 + r)T
e q j (1 q)T tj g(suj dT tj ).
j=0 j
1
Offenbar ist mit g auch die Funktion s 7 e
h(s, t) nichtfallend. Damit ist Mt = e
h(St1 At , t)
nichtfallend in At , d.h. f
ur ft aus dem Beweis von Satz 2.19 gilt
1 1
ft (A1 , . . . , At1 , u) = e
h(St1 u, t) e
h(St1 , t 1)
1 1
e
h(St1 d, t) e
h(St1 , t 1)
= ft (A1 , . . . , At1 , d)
und damit
ft (A1 , . . . , At1 , u) 0 ft (A1 , . . . , At1 , d).
Dies bedeutet f
ur den Integranden in Satz 2.19, dass
ft (A1 . . . , At1 , u)
1t = u
Qt1 1
= h(St1 , t)
1 (1 + r) (t1) A
1+r i=1 i
mit
h(su, t) e
e h(s, t 1)
h(s, t) := u
0.
1+r
1 (1 + r)(t1) s
3 Portfoliooptimierung
3.1 Einschub: Mawechsel
Definition 3.1. Sei Q P , F0 = {, } und FT = F. Unter dem Dichteproze von

Q bzgl. P versteht man den Prozess (Zt )t=0,1,... ,T mit
dQ

Zt = EP dP
| Ft ,
dQ
wobei die nichtnegative Zufallsvariable die Radon-Nikodym-Ableitung von Q nach P
dP
bezeichnet, d.h. Q(A) = EP (1A dQ ) A F (vgl. Satz 0.37). Insbesondere gilt EP dQ

dP dP
=
Q() = 1.
dQ
Proposition 3.2. Z ist ein P -f.s. (strikt) positives P -Martingal mit Z0 = 1 und ZT = dP
.
dQ
Proof. F
ur die Menge dP
= 0 F gilt

dQ dQ
Q =0 = EP 1{ dQ =0} =0
dP dP dP
und damit wegen Q P
dQ
> 0 P -f.s.
dP
Man beachte, dass f

ur ein Martingal X die Implikation
P (XT > 0) = 1 = P (Xt > 0) = 1, t {0, 1, . . . , T }
dQ

gilt (folgt analog zum Beweis von Proposition 2.11). Wegen EP dP
= 1, F0 = {, }
und FT = F folgt die Behauptung.
Proposition 3.3. F
ur jede nichtnegative Zufallsvariable H gilt
EQ (H) = EP (HZT ) (3.45)
(wobei der Fall = nicht ausgeschlossen ist) und f

ur jede Zufallsvariable H gilt
H L1 (, F, Q) HZT L1 (, F, P ).
Pn
Proof. Man zeige (3.45) zunachst f
ur Elementarfunktionen H = k=1 k 1Ak . Wegen der
Linearitat des Erwartungswertes gilt namlich
n
! n
X X
EQ k 1Ak = k Q(Ak )
k=1 k=1
Xn
= k EP (1Ak ZT )
k=1
n
! !
X
= EP k 1Ak ZT . (3.46)
k=1
Nun approximiert man ein beliebiges H 0 durch elementare H n , wobei

n
n2
n
X k1
H := 1{(k1)2n H<k2n } .
k=1
2n
H n steigt f
ur n punktweise gegen H auf (und damit auch H n ZT gegen HZT ). Es
folgt mit dem Satz von der monotonen Konvergenz und (3.46)
EQ (H) = lim EQ (H n ) = lim EP (H n ZT ) = EP (HZT ).

n n
ur jede Zufallsvariable H mit EQ (|H|) < und t {0, 1, . . . , T }

Proposition 3.4. F
gilt
EP (HZT | Ft )
EQ (H | Ft ) = .
Zt
Proof. Die Zufallsvariable EP (HZZTt | Ft ) ist Ft -messbar. Des weiteren gilt f

ur alle A Ft

EP (HZT | Ft ) EP (HZT | Ft )
EQ 1A = EP 1A ZT
Zt Zt

EP (HZT | Ft )
= EP EP 1A ZT | Ft
Zt

EP (HZT | Ft )
= EP 1A EP (ZT | Ft )
Zt

EP (HZT | Ft )
= EP 1A Zt
Zt
= EP (EP (1A HZT | Ft ))
= EP (1A HZT )
= EQ (1A H) .
EP (HZT | Ft )
Damit erf
ullt die Zufallsvariable Zt
die Bedingungen, die den bedingten Erwar-
tungswert von H unter der Information Ft bzgl. des Maes Q charakterisieren.
Proposition 3.5. Sei Q P und Zt = EP ( dQ

dP
| Ft ) der zugehorige Dichteprozess. Ein
adaptierter Prozess X ist genau dann ein Q-(lokales) Martingal, wenn der Prozess XZ
ein P -(lokales) Martingal ist.
Proof. Schritt 1: Zunachst soll die Aussage ohne ,,lokal gezeigt werden. Wegen Z 0
gilt ohne Voraussetzung von Integrierbarkeit
EQ (|Xt |) = EP (ZT |Xt |)
= EP (EP (ZT |Xt | | Ft )) = EP (|Xt |EP (ZT | Ft )) = EP (|Xt |Zt ) (3.47)

Die bedingten Erwartungswerte in (3.47) sind wegen Nichtnegativitat stets wohldefiniert

und der ,,Satz vom iterierten Erwartungswert gilt (ohne Endlichkeit des bedingten Er-

wartungswertes vorauszusetzen). Aus (3.47) folgt die Aquivalenz
EQ (|Xt |) < t = 1, . . . , T EP (|Xt Zt |) < t = 1, . . . , T.
Unter dieser Integrierbarkeitsbedingung gilt
X Q-Martingal EQ (1A (Xt Xs )) = 0, s t, A Fs
EP (1A (Xt Xs )ZT ) = 0, s t, A Fs

E[1A Xs ZT ]
= E[1A Xs E(ZT | Fs )] EP (1A (Xt Zt Xs Zs )) = 0, s t, A Fs
= E[1A Xs Zs ]
XZ ist P - Martingal

Schritt 2: Bleibt die entsprechende Aquivalenz f
ur lokale Martingale zu zeigen. Da P
und Q die gleichen Nullmengen haben, andert sich die Menge der lokalisierenden Folgen
von Stoppzeiten nicht und es gilt
Def.
X ist Q-lokales Martingal lokalisierende Folge (Tn )nN mit X Tn ist Q-Mart.
Schritt 1
lokalisierende Folge (Tn )nN mit X Tn Z ist P -Mart.
Aus der Aussage ,,X Tn Z sind P -Martingale folgt offenbar, dass auch die Prozesse X Tn Z Tn
P -Martingale sind (da X Tn Z Tn = (X Tn Z)Tn und abgestoppte Martingale wieder Martin-

gale sind, siehe Aufgabe 3 auf Ubungsblatt 1). Damit ware XZ ein P -lokales Martingal.
ur die Umkehrung bleibt noch zu zeigen, dass unter der Voraussetzung, dass X Tn Z Tn
F
P -Martingale sind, auch die Differenzprozesse
X Tn Z Z Tn

(3.48)
P -Martingal sind. Wie Schritt 2 im Beweis von Proposition 2.10 zeigt, ist ein lokales Mar-
tingal genau dann ein Martingal, wenn der Absolutbetrag des Prozesses einen endlichen
ur festes n N ein lokales Martingal mit
Erwartungswert besitzt. Da (3.48) offenbar f
Lokalisierungsfolge (m )mN ,

T : wenn |X | > m
n Tn
m :=
T : wenn |X | m
Tn
ist, bleibt zu zeigen, dass
!
E |XtTn |Zt < , t = 0, 1, . . . , T (3.49)
(von |XtTn |ZtTn wissen wir die Integrierbarkeit bereits). (3.49) folgt aus einer ahnlichen
Rechnung wie in (3.47), namlich
EP (|XTn t Zt |) = EP (|XTn t |Zt )
= EP (EP (|XTn t |Zt | FTn t ))
= EP (|XTn t |EP (Zt | FTn t ))
= EP (|XTn t |ZTn t ) < ,
wobei die Endlichkeit von EP (|XTn t |ZTn t ) gilt, da vorausgesetzt wurde, dass der Pro-
zess X Tn Z Tn ein P -Martingal ist.
Ende Einschub
Wir gehen nun von einer Agentin aus, die unter gegebenen Marktbedingungen ,,moglichst
viel aus ihrem Startkapital v0 R machen mochte. Sie kann dabei in die am Markt
ugbaren Wertpapiere mit stochastischen Preisprozessen S 0 , . . . , S d investieren.
verf
In diesem Abschnitt gehen wir o.B.d.A. davon aus, dass S 0 = 1. Wir fangen
also schon gleich mit den diskontierten Groen an.
Da wir Arbitragefreiheit voraussetzen wollen, kann die Agentin ihr Startvermogen v0
nicht mit Wahrscheinlichkeit 1 vermehren. Sie hat die Moglichkeit alles in S 0 zu investie-
ren, so dass ihr Endvermogen gleich v0 ware. Mochte Sie mehr erreichen, muss sie riskieren,
zum Zeitpunkt T eventuell weniger als v0 zu haben. Welches zufallige Endvermogen ist
nun unter allen realisierbaren Endvermogen VT () = v0 + ST das optimale ? Um dies
beurteilen zu konnen, braucht man ein Kriterium, das verschiedene zufallige Auszahlun-
gen miteinander vergleicht. Eine erste Idee ware, zufallige Endwerte VT () gema ihrer
Erwartungswerte EP (VT ()) zu ordnen. Dieses Kriterium w
urde aber das Risiko einer
Anlagemoglichkeit vollig ausblenden. Ein hochspekulatives Investment w
urde einer risi-
kolosen Anlage bereits dann vorgezogen, wenn sein erwarteter Gewinn geringf
ugig groer
ware. Da die meisten Menschen risikoscheu sind, ware dies wenig sinnvoll. Die ,,Risiko-
aversion der Agentin kann auf verschiedene Art und Weise in das Optimierungskriterium
einflieen. In Abschnitt 3.3 geschieht dies auf eine recht direkte Weise, in Abschnitt 3.4
eher indirekt.
3.2 Pr
aferenzordnungen
Der allgemeinste Ansatz f

ur den Vergleich zufalliger Endvermogen (oder Auszahlungen)
besteht in der Festlegung einer sog. Praferenzordnung auf der Menge der Zufallsvaria-
blen. Die Interpretation von ,,X Y ist, dass eine Investorin die zufallige Auszahlung X
der zufalligen Auszahlung Y strikt vorzieht.
Definition 3.6. Eine binare Relation auf der Menge der reellwertigen Zufallsvariablen
(d.h. jedem Paar (X, Y ) wird der Wert ,,wahr oder ,,falsch zugeordnet) heit Praferen-
zordnung, wenn sie asymmetrisch und negativ transitiv ist, d.h.
Asymmetrie: F
ur alle X, Y gilt
XY = Y 6 X.
Negative Transitivitat: F
ur alle X, Y, Z gilt
XY = (X Z oder Z Y ).
Zu definiert man durch
X Y : Y 6 X.
ist genau dann asymmetrisch, wenn vollstandig ist, d.h. f

ur alle X, Y gilt
XY oder Y X.
ist genau dann negativ transitiv, wenn transitiv ist, d.h. f

ur alle X, Y, Z gilt
(X Y und Y Z) = X Z.
Definition 3.7. Eine Abbildung
U : {X : R, X ist F B(R) messbar} R,
mit
X Y U (X) > U (Y ), X, Y : R. (3.50)
wird numerische Darstellung der Praferenzordnung genannt.
Nicht zu jeder Praferenzordnung existiert eine numerische Darstellung, wie das folgen-
de Beispiel zeigt.
ur = {1 , 2 } die lexikographische Ordnung

Beispiel 3.8. Betrachte f
X Y : X(1 ) > Y (1 ) oder (X(1 ) = Y (1 ) und X(2 ) > Y (2 )). (3.51)
Proposition 3.9. Die Ordnung (3.51) besitzt keine numerische Darstellung.
Proof. Widerspruchsannahme: Es existiert ein numerische Darstellung. Sei U (x1 , x2 ) mit

x1 = X(1 ) und x2 = X(2 ) eine Abbildung R2 R, die die Praferenzordnung (3.51)
darstellt. Die Abbildung x 7 U (x, 1) ist monoton steigend und hat daher hochstens
ur festes n N
abzahlbar viele Unstetigkeitsstellen (auf einem kompakten Intervall und f
kann es nur endlich viele x geben mit inf y>x U (y, 1) supy<x U (y, 1) 1/n). Es gibt also
ein x? R, so dass x 7 U (x, 1) in x? stetig ist und wegen Monotonie gilt
U (x? , 1) = inf? U (x, 1).

x>x
Zusammen mit U (x? , 2) < U (x, 1) f

ur alle x > x? folgt U (x? , 2) U (x? , 1). Ein Wider-
spruch, da (x? , 2) (x? , 1).
3.3 Mittelwert-Varianz-Optimierung
Ein in der Praxis recht verbreiteter Ansatz ist die Markowitz-Optimierung (Mittelwert-
Varianz-Optimierung)
(1) Sei 2 R+ gegeben. Maximiere E(VT ()) u

ber alle selbstfinanzierenden Strategien
mit Var(VT ()) = 2 .
(2) Sei R+ gegeben. Minimiere Var(VT ()) u

ber alle selbstfinanzierenden Strategien
mit E(VT ()) = v0 + .
Satz 3.10. Sei || < . Eine Strategie, die das Markowitz-Problem (2) f
ur ein R+
ur ein 2 R+ . Solche Strategien heien Mittelwert-
lost, lost auch das Problem (1) f
Varianz-effizient.
Die Umkehrung gilt offenbar nicht. Nehme dazu das Cox-Ross Rubinstein Modell aus
Abschnitt 2.2 mit pu + (1 p)d = 1 (d.h. die Aktie ist bereits unter P ein Martingal und
Q = P ). Alle erzielbaren Endvermogen haben dann den Erwartungswert v0 . D.h. jede
Strategie mit Var(VT ()) = 2 lost Problem (1). Wenn Var(VT ()) > 0, dann ist
aber keine Losung f
ur Problem (2). Da alle realisierbaren Endvermogen den Erwartungs-
wert v0 besitzen, kann der Fall 6= 0 ausgeschlossen werden. F
ur = 0 liefert aber die
selbstfinanzierende Strategie ei = 0, i = 1, . . . , d, das konstante Endvermogen v0
e mit
und damit bereits Var(VT ())
e = 0.
Wenn nicht alle S i Martingale sind (wenn sich also Handelsgewinne mit positivem
Erwartungswert generieren lassen), gilt aber auch die Umkehrung von Satz 3.10.
Beweis von Satz 3.10. Sei zu gegebenem R+ eine varianzminimierende Strategie.

Wir zeigen, dass zu gegebenem 2 := Var(VT ()) erwartungswertmaximierend ist.
1. Fall 2 = 0. F
ur jede Strategie
e mit Var(VT ())
e = 0 gilt P (VT ()
e = E(VT ()))
e = 1.
Da der Markt arbitragefrei ist, impliziert dies E(VT ()))
e = v0 . Ohne Risiko kann also
nicht mehr als v0 herauskommen und ist Losung von Problem (1) mit vorgegebener
Varianz = 0.
2. Fall: 2 > 0. Da (2) lost und der Erwartungswert v0 bereits ohne Varianz er-
reicht werden kann folgt > 0. Angenommen, es existiert eine selbstfinanzierende Stra-
tegie e = 2 und
e mit Var(VT ()) e v0 > . Wahle eine selbstfinanzie-
e := E(VT ())
rende Strategie mit Startkapital V0 () = v0 und i := e
ei f
ur i = 1, . . . , d. Dann ist
2 2
E(VT ()) = v0 + und Var(VT ()) = e Var(VT () e = e 2 < 2 im Widerspruch
zur Optimalitat von .
Beispiel 3.11 (Markowitz-Optimierung f

ur T = 1). Im Einperiodenmodell sind vorher-
sehbare Strategien lediglich reellwertige Vektoren, d.h. = 1 Rd . Die nullte Kom-
ponente 01 ergibt sich wie u
blich aus der Selbstfinanzierungsbedingung und kommt hier
deshalb nicht explizit vor.
Pd
Beachte, dass E(V1 ()) = v0 + i=1 i E(S1i ) und
d
X
Var(V1 ()) = i j Cov(S1i , S1j )
i,j=1
d
X
= i j Cov(S1i , S1j ).
i,j=1
Das Problem (1) ist also in diesem Beispiel folgendes endlichdimensionales Maximie-
rungsproblem
d
X d
X
i
E(S1i ) max ! unter der Nebenbedingung: i j Cov(S1i , S1j ) = 2
(1 ,... ,d )Rd
i=1 i,j=1
Ableiten der Zielfunktion und der Nebenbedingung nach k ergibt

P
d i i
i=1 E(S1 )
= E(S1k )
k
P
d i j i j
i,j=1 Cov(S 1 , S1 ) Xd
= 2 j Cov(S1k , S1j ), k = 1, . . . , d.
k j=1
Es ergeben sich folgende Optimalitatsbedingungen 1. Ordnung (die notwendig und hinrei-

ur die Optimalitat von (1 , . . . , d ) sind):
chend f
d
X
E(S1k ) 2 j Cov(S1k , S1j ) = 0, k = 1, . . . , d,
j=1
oder aquivalent
E(S1k ) 2Cov(S1k , V1 ()) = 0, k = 1, . . . , d,
ur ein R. ist der Lagrange Multiplikator zu der Nebenbedingung Var(VT () = 2

f
(siehe z.B. Forster [6], Satz I.8.4). Definiere die Kovarianzmatrix C = (Ci,j )i,j=1,... ,d des
Zufallsvektors (S11 , . . . , S1d ) durch Ci,j := Cov(S1i , S1j ). C ist offenbar symmetrisch. Wir
nehmen o.B.d.A. an, dass C positiv definit ist (andernfalls gebe es redundante Wertpa-
piere, die man herausnehmen konnte). Definiere den Vektor b Rd durch bi := E(S1i )
i = 1, . . . , d. Die optimale Strategie ergibt sich als Losung des folgenden Gleichungssy-
stems:
2C() = b (3.52)
> C = 2 (3.53)
Wir setzen voraus, dass b 6= 0 (d.h. nicht alle Komponenten des Vektors b verschwinden).
In (3.52) geht 2 offenbar nicht ein. Lost man (3.52) nach auf, so erhalt man
1 1
= C b.
2
Eingesetzt in (3.53) folgt
b> C 1 b
2 =
4 2
und damit

= C 1 b. (3.54)
> 1
b C b
Der optimale Vektor (3.54) hangt offenbar nur u
ber einen Vorfaktor von der erlaubten
Varianz 2 (entspricht der Risikoaversion der Agentin) ab. Zu jedem vorgegebenen 2 ist
es also optimal, als ein Vielfaches von C 1 b zu wahlen.
Das optimale Portfolio lasst sich also stets als Vielfaches einer Investition in das
risikobehaftete Referenzportfolio mit Wert di=1 ei S i , wobei
ei die i-te Komponenete
P
von C 1 b bezeichnet, gewinnen . D.h. nur die Anzahl mit der das Referenzportfolio gekauft
wird, hangt von der Risikoaversion ab. Diese Aussage bezeichnet man in der Literatur auch
als mutual fund theorem. In einer Welt, die nur aus Mittelwert-Varianz Optimierern
besteht (mit moglicherweise unterschiedlichen Risikoaversionen), braucht man also neben
einem risikolosen Bond nur einen einzigen Investmentfonds, um den Bed
urfnissen aller
Anleger gerecht zu werden.

Man beachte, dass der verbleibende Rest des (vorgegebenen) Startkapitals v0 stillschweigend in die
risikolose Anlage S 0 investiert wird. Man kann also auch von einer Linearkombination einer Investition
Pd
in S 0 und in i=1 ei S i reden.
Eine extrem risikoaverse Agentin ( 2 = 0) w

urde nur in S 0 investieren, d.h. = 0
urde eine risikotolerante Agentin ( 2 gro) viel in das ri-
und = . Wahrenddessen w
sikobehaftete Referenzportfolio investieren (eventuell sogar bei einer Shortposition in S 0 ),

d.h. der Vorfaktor
b> C 1 b
ist gro und ist klein.
Gibt man sich umgekehrt eine erwartete Rendite > 0 vor und mochte die Varianz
minimieren, also
e> C
min e unter der Nebenbedingung e> b =

e d
R
dann f
uhrt dies auf das Gleichungssystem
2C b
e = 0 und > b =
und damit auf die optimale Strategie

e= C 1 b, (3.55)
b> C 1 b
mit Varianz
2 2
e> C
e= (C 1 >
b) CC 1
b = . (3.56)
(b> C 1 b)2 b> C 1 b
Bemerkung 3.12. Ein konzeptioneller Nachteil der Mittelwert-Varianz Optimierung ist

die fehlende Monotonie im folgenden Sinne. Eine Strategie
e mit P (VT ()
e > VT ()) = 1
w
urde nicht notwendigerweise der Strategie vorgezogen, da VT ()
e eine hohere Varianz
als VT () haben konnte.
Sind jedoch im Einperiodenmodell die Preise (S11 , . . . , S1d ) zum Beispiel multivariat
normalverteilt, dann gilt Monotonie, d.h. aus
P (V1 ()
e > V1 ()) = 1 (3.57)
folgt, dass ein Mittelwert-Varianz-Optimierer die Strategie

e der Strategie vorziehen
urde. Die multivariate Normalverteilung des Zufallsvektors (S11 , . . . , S1d ) impliziert namlich,
w
dass V1 ()
e und V1 () normalverteilt sind. (3.57) ist dann nur moglich, wenn Var(V1 ())
e =
Var(V1 ()) und E(V1 ())
e > E(V1 ()) (wieso ?). Man beachte jedoch, dass selbst wenn
Aktien (multivariat) normalverteilt sind, Auszahlungen von Optionen auf die Aktien dies
wegen der Nichtlinearitat der Auszahlungsfunktion nicht mehr sind, so dass die Klasse
der Normalverteilung schnell verlassen wird.
Bemerkung 3.13 (Diversifikation). Zum einen versuchen die optimalen Strategien (3.54)
bzw. (3.55) einen guten Kompromiss zwischen einer moglichst hohen erwarteten Rendite
und einem moglichst geringen ,,Risiko im Sinne der Varianz zu finden. Zum anderen
werden die verf
ugbaren Wertpapiere gemischt, um das Risiko zu streuen und damit zu
verringern. Letzteres nennt man Diversifikation. Um Diversifikation zu analysieren, be-
trachte man den Fall, dass d = 2, S01 = S02 = 1 und beide risikobehafteten Wertpapiere
haben den gleichen erwarteten Zuwachs 1 > 0 und die gleiche Varianz 2 > 0, also
b> = (1 , 1 ) und

2 2

C= ,
2 2

wobei [1, 1] die Korrelation zwischen den Wertpapieren bezeichnet, also
Cov(S11 , S21 )
= .
2
ussen die Grenzfalle = 1 und = 1 ausgeschlossen

Da C invertierbar sein soll, m
werden.
Mit der Formel

1 d b
A1 =
ad bc c a
f
ur

a b
A=
c d
mit ad 6= bc folgt

2 2
1 1 1
C 1 = =
4 (1 2 ) 2 2 2 (1 2 ) 1
Also gilt

1 221 221
(1 , 1 )C 1 = (1 ) = .
1 2 (1 2 ) 2 (1 + )
F
ur die minimale erreichbare Varianz in (3.56) folgt
2 2 (1 + )
.
221
Der Fall = 1, der formal ausgeschlossen ist, w

urde keine Verbesserung zum Fall
bringen, dass es statt zweien nur ein risikobehaftete Wertpapiere gabe. Der Fall = 1
w
urde dagegen sogar eine Arbitrage liefern (mehr noch: eine Gewinnmoglichkeit ohne Un-
sicherheit), da 1 > 0. Allgemein ist die minimale Varianz steigend in der Korrelation .
Ein Portfoliomanager sollte also nach Aktien suchen, die untereinander negativ korreliert
sind.
3.3.1 Capital Asset Pricing Model (CAPM)
Wenn alle Investoren Mittelwert-Varianz-Optimierer sind, halten also alle ein Vielfaches
des risikolosen Wertpapiers S 0 und ein positives Vielfaches der Strategie C 1 b in den
Wertpapieren S 1 , . . . , S d in ihrem Portfolio. Im Umkehrschluss muss im Gleichgewicht
das sog. Marktportfolio, also die Gesamtheit aller verf
ugbaren Wertpapiere (ohne dem
risikolosen Wertpapier), ein Vielfaches von C 1 b sein.
Der Wert M des Marktportfolios im Einperiodenmodell aus Beispiel 3.11 ist also ge-
geben durch
d
X
Mt = (C 1 b)i Sti , t {0, 1},
i=1
wobei sich der Proportionalitatsfaktor R+ in den folgenden Rechnungen herausk

urzen
wird. Definiere die (zufalligen) Renditen
S1i S0i
Ri := , i = 1, . . . , d
S0i
und
M1 M0
RM := .
M0
Abweichend vom Rest des Kapitels setzen wir nun nicht voraus, dass ,,o.B.d.A. S 0 =
1, sondern gehen von der Existenz einer risikolosen Rendite
1 < r := (S10 S00 )/S00
aus. Es gilt dann die sog. CAPM-Gleichung

E(Ri ) r Cov(Ri , RM )
= =: i , i = 0, 1, . . . , d. (3.58)
E(RM ) r Var(RM )
Gleichung (3.58) rechnet man nach, indem man zunachst f
ur die Zuwachse der diskontier-
ten Preise, die wir im vorherigen Abschnitt betrachtet haben, folgenden Zusammenhang
herstellt
E(Sb1i ) bi e>
i CC
1
b Cov(Sb1i , Mc1 )
= > 1 = 2 1 = , i = 1, . . . , d, (3.59)
E(M
c1 ) b C b (C b)> CC 1 b Var(M c1 )
wobei ei Rd den Vektor bezeichnet, der in der i-ten Komponente 1 und sonst 0 ist. Nun
beachte man, dass
S10 bi S10 S1i S0i S1i S10

S 1 = = = 1 + Ri (1 + r) = Ri r, i = 1, . . . , d,
S0i S0i S10 S00 S0i S00
und analog
S10 c
M1 = RM r.
M0
S10 S10
Da die Vorfaktoren S0i
und M0
deterministisch sind, folgt (3.58) f
ur i = 1, . . . , d aus (3.59).
F
ur i = 0 ist (3.58) offensichtlich.
Aus (3.58) folgt
E(Ri ) = r + i (E(RM ) r), i = 0, 1, . . . , d. (3.60)
Die Geradengleichung (3.60) als Funktion von wird Wertpapierlinie genannt (secu-
rity market line, or SML). Mit
Cov(Ri , RM )
Corr(Ri , RM ) := p p , i = 0, 1, . . . , d.
Var(Ri ) Var(RM )
ergibt dies
E(R ) r E(RM ) r
p i = Corr(Ri , RM ) p , i = 0, 1, . . . , d.. (3.61)
Var(Ri ) Var(RM )
Die linke Seite von (3.61) wird Marktpreis des Risikos des i-ten Wertpapiers genannt.
Im Gleichgewicht muss der Marktpreis des Risikos jedes Wertpapiers also mit dem Pro-
dukt aus dem Marktpreis des Risikos (des Marktportfolios) und der Korrelation zwischen
Wertpapier und Marktportfolio u
bereinstimmen. Eine Aktie, deren Wert also negativ
korreliert zur Volkswirtschaft ist, besitzt einen negativen Marktpreis des Risikos. Die Er-
wartete Rendite ist geringer als die risikolose Rendite. Isoliert betrachtet ware eine solche
Aktie f
ur einen Investor vollig unattraktiv, da sie trotz Risikos geringer rentieren w
urde als
ein Bond. Zusammen mit den anderen Aktien kann sie aber das Gesamtrisiko sogar noch
reduzieren, weshalb sie auch bei einer Rendite < r von Interesse ist. Es kommt also nicht
auf die Varianz einer Aktie sondern auf die Kovarianz der Aktie mit dem Marktportfolio
an.
3.4 Erwartungsnutzenoptimierung
Ein in der okonomischen Theorie sehr verbreiteter Ansatz ist die Erwartungsnutzenop-
timierung. Die Agentin hat eine Nutzenfunktion u : R R {}. Zunachst wird
jedem moglichen Vermogen x R (zum Zeitpunkt T ) ein Nutzen u(x) R zuge-
ordnet. u(x) = kann dabei so interpretiert werden, dass das Vermogensniveau x
absolut nicht akzeptabel ist und demnach mit Wahrscheinlichkeit 1 verhindert werden
muss (etwa weil es den Ruin bedeuten w
urde). Die Funktion u soll monoton wach-
send sein, auf der Menge {x R | u(x) > } streng monoton wachsend (more
is better than less) und sie soll auf {x R | u(x) > } streng konkav sein, d.h.
u(x + (1 )y) > u(x) + (1 )u(y) f
ur alle x, y R mit x 6= y, u(x), u(y) >
und (0, 1). Strenge Konkavitat kann man so interpretieren, dass der Nutzenzuwachs
bei Gewinn eines Geldbetrages kleiner ist als der Nutzenr
uckgang bei Verlust des gleichen
Geldbetrages, also u(x+h)u(x) < u(x)u(xh) f
ur h > 0 (der Marginalnutzen wird kei-
ner bei hoherem Wohlstandsniveau). Der Nutzen des zufalligen Vermogens X (zum Zeit-
punkt T ) sei nun der Erwartungswert des zufalligen Nutzens u(X). Die Agentin mochte
ein stochastisches Endvermogen VT () finden, das ihr einen moglichst hohen Erwartungs-
nutzen EP (u(VT ())) liefert. Das Startkapital V0 = v0 ist dabei vorgegeben. Strenge
Konkavitat von u besagt, dass eine deterministische Auszahlung der Hohe x + (1 )y
einer zufalligen Auszahlung von x oder y mit Wahrscheinlichkeit bzw. 1 vorgezogen

wird. Mit der Kr
ummung von u wird die Risikoaversion der Agentin modelliert, siehe
Bemerkung 3.16. Formal definieren wir.
Definition 3.14. Eine Funktion u : R R {} heit Nutzenfunktion, wenn sie

monoton wachsend und auf {x R | u(x) > } streng monoton wachsend und streng
konkav ist.
Ein vorhersehbarer Prozess heit erwartungsnutzenoptimal f
ur u zum Startkapi-
tal v0 , wenn er die Funktion 7 EP (u(v0 + ST )) u
ber alle vorhersehbaren Prozesse
maximiert. Dabei setzen wir EP (u(v0 + ST )) := , wenn EP (u(v0 + ST ) 0) =
.
Bemerkung 3.15. Wenn eine Praferenzordnung gewisse Axiome erf

ullt, dann lasst
sie sich durch Erwartungsnutzen darstellen (,,Neumann-Morgenstern Darstellung), d.h.
es existiert eine Nutzenfunktion u, so dass f
ur alle X, Y gilt
XY EP (u(X)) > EP (u(Y )). (3.62)
Siehe dazu Follmer und Schied [5].
u00 (x)
ur u C 2 (R) wird der Quotient r(x) :=
Bemerkung 3.16. F u0 (x)
als die Risikoaver-
sion der Agentin in Abhangigkeit vom Wohlstandsniveau x R bezeichnet. Die exponen-
tielle Nutzenfunktion u(x) = 1 p1 exp(px), p (0, ) (siehe auch Satz 3.27), zeichnet
sich dadurch aus, dass r(x) nicht von x abhangt. Bei Potenz- und Logarithmusnutzenfunk-
tionen (siehe Satz 3.26) nimmt r(x) mit steigendem x ab. r(x) kann wie folgt interpretiert
werden: Zu jedem (x, a) R2 existiert ein eindeutiges b = b(x, a) mit
1
u(x b) = [u(x + a) + u(x a)] . (3.63)
2
Wegen der strengen Konkavitat von u folgt aus a 6= 0, dass b > 0. Die risikolose Aus-
zahlung x ware namlich mehr wert, als eine Auszahlung von x + a bzw. x a jeweils mit

Wenn || = , kann es passieren, dass sowohl der Positivanteil u(v0 + ST )0 als auch der Negati-
vanteil u(v0 + ST )0 unendlichen Erwartungswert besitzen. In diesem Fall ware der Erwartungswert
von u(v0 + ST ) ohne obige Kl
arung nicht definiert.
Wahrscheinlichkeit 12 . b(x, a) wird certainty equivalent der zufalligen Auszahlung

a bzw. a jeweils mit Wahrscheinlichkeit 21 genannt. Allgemein ist das certainty equi-
valent zu einer zufalligen Auszahlung Y (bei Startkapital v0 ) als das eindeutige c R
definiert, das
u(v0 + c) = EP (u(v0 + Y ))
ullt, also c := u1 (EP (u(v0 + Y ))) v0 . Man halte nun x R fest und betrachte b
erf
als eine Funktion von a R. Es gilt nat
urlich b(0) = 0. Aus dem Satz u
ber implizite
Funktionen folgt die Diffbarkeit von a 7 b(a). Leitet man beide Seiten von (3.63) nach a
ab, so folgt
1 0
b0 (a)u0 (x b(a)) = [u (x + a) u0 (x a)] .
2
Nochmaliges Ableiten beider Seiten nach a ergibt
1 00
b00 (a)u0 (x b(a)) + [b0 (a)]2 u00 (x b(a)) = [u (x + a) + u00 (x a)] .
2
Auflosung nach b0 (a) bzw. b00 (a) ergibt
1 u0 (x + a) u0 (x a)
b0 (a) =
2 u0 (x b(a))
bzw.
[b0 (a)]2 u0 (x b(a)) 12 [u00 (x + a) + u00 (x a)]
b00 (a) = .
u0 (x b(a))
Also insbesondere b0 (0) = 0. D.h. f
ur kleine a ist jeder Erwartungsnutzenoptimierer
00
annahernd risikoneutral. Des weiteren gilt b00 (0) = uu0 (x)
(x)
= r(x), d.h.

1 2 2
b(x, a) = r(x) a + o(a ) ur a 0.
f
2
Standardvoraussetzung: u(v0 ) >
v0 entspricht dem Endvermogen, das man erhalt, wenn man sein gesamtes Startka-
pital in das risikolose Bankkonto S 0 = 1 investiert. W
urde dies bereits einen unendlich
schlechten Nutzen implizieren, w
urde das Optimierungsproblem keinen Sinn ergeben.
Satz 3.17. Sei u eine Nutzenfunktion. Alle erwartungsnutzenoptimalen Strategien besit-

zen P -f.s. denselben Endwert VT ().
Beweis. Widerspruchsannahme: Es gibt zwei optimale Strategien ,

e mit
P (v0 + ST 6= v0 +
e ST ) > 0.
ur := 21 ( + )
F e gilt dann

1 1
E (u(v0 + ST )) = E u (v0 + ST ) + (v0 +
e ST )
2 2

1 1
> E u(v0 + ST ) + u(v0 +
e ST )

2 2
1 1
= E (u(v0 + ST )) + E (u(v0 + e ST ))
2 2
= E (u(v0 + ST )) .
Ein Widerspruch zur Optimalitat von .
Satz 3.18 (Fundamentalsatz der Nutzenoptimierung). Sei u eine stetig differenzierbare

Nutzenfunktion mit {x R | u(x) > } offen und eine selbstfinanzierende Strategie.
(i) Wenn E(u(v0 + ST ) 0) < und das durch die Dichte

dP ? 1
= 0
u0 (v0 + ST ), (3.64)
dP E(u (v0 + ST ))
definierte Ma P ? ein aquivalentes Martingalma ist, dann ist erwartungsnutzen-
optimal f
ur u zum Startkapital v0 .
ur || < gilt auch die Umkehrung von (i): wenn optimal ist, dann ist das
(ii) F
durch (3.64) definierte Ma ein aquivalentes Martingalma.
Bemerkung 3.19. Satz 3.18 liefert kein Verfahren, das die optimale Handelsstrategie be-
stimmt. Er liefert allerdings ein Kriterium mit dem eine (geratene) Kandidatenstrategie
auf Optimalitat u
berpr
uft werden kann (guess and verify).
Der Satz zeigt erneut die fundamentale Rolle von Martingalmaen in der Finanzma-
thematik. P ? lasst sich auch als das Optimum eines dualen Minimierungsproblems cha-
rakterisieren, bei dem u
ber alle Martingalmae ein gewisser Abstand zu P minimiert wird
(Abstand hangt von der Nutzenfunktion u ab). Hierauf werden wir aber in der Vorlesung
nicht eingehen.
Bemerkung 3.20. Die Voraussetzung, dass die Menge {x R | u(x) > } of-
fen sein muss, erscheint wenig u ur p (0, 1) die CRRA-
berraschend. Betrachte etwa f
Nutzenfunktion (constant relativ risk aversion)

x1p : wenn x 0
1p
u(x) = (3.65)
: x < 0.
Es gilt u(0) = 0 aber u(x) = f

ur alle x < 0. Nehme an, in dem Optimierungsproblem
gilt f
ur das optimale Endvermogen VT (), dass P (VbT () = 0) > 0. Da die Ableitung von
u in 0 nicht existiert, lasst sich (3.64) gar nicht formulieren. Nimmt man stattdessen die
rechtsseitige Ableitung (die auch in 0 existiert), so wird man kaum erwarten konnen, dass
(3.64) gilt, da die rechtsseitige Ableitung von u in 0 das Absacken auf nat
urlich nicht
wiedergibt.
ur {x R | u(x) > } offen, etwa
Bemerkenswert ist allerdings, dass Satz 3.18 f
u = log, und || = auch nicht gelten muss. Sogar wenn man die Aktienpreisprozes-
se S i als beschrankt voraussetzt. In Fall logarithmischen Nutzens muss f
ur das optimale
u0 (VbT ())
Endvermogen VT () nat
urlich gelten P (VbT () > 0) = 1. Aber E (u0 (VbT ()))
muss nicht die
Dichte eines aquivalenten Martingalmaes sein .
Beweis von Satz 3.18. Ad (i): O.B.d.A. kann angenommen werden, dass E((u(v0 +
ST ))+ ) < , da andernfalls sowieso optimal ware. Sei eine weitere selbstfinanzierende
Strategie mit E((u(v0 + ST ) )) < . Wegen der Konkavitat von u gilt f
ur alle x, y R,
dass u(y) u(x) u0 (x)(y x) und damit
u(v0 + ST ) u(v0 + ST ) u0 (v0 + ST )( ) ST

0 dP ?
= E(u (v0 + ST ))
( ) ST . (3.66)
dP
Es bleibt zu zeigen, dass
!
EP ? (( ) ST ) = 0. (3.67)
Wenn und beschrankt waren (was im Fall || < automatisch gegeben ware), w
urde
(3.67) sofort aus Proposition 1.16(iii) folgen, da S ein P ? -Martingal ist. Der allgemeine Fall

F
ur Gegenbeispiel siehe Example 5.1 in Kramkov und Schachermayer [15].
muss auf Integrale mit beschrankten Integranden zur

uckgef
uhrt werden, was im folgenden
gemacht wird und was das schwierigste am Beweis ist.
Der Negativanteil der Zufallsvariablen auf der linken Seite von (3.66) ist integrier-
bar (d.h. Integral des Negativanteils ist endlich) und es lasst sich das P -Martingal t 7
?
E((u(v0 + ST )) +(u(v0 + ST ))+ | Ft ) konstruieren. Sei Zt = EP ( dP
dP
| Ft ) der Dich-
dP ?
teprozess zu P ? . Insbesondere gilt ZT = dP
. Nach Proposition 2.9 und Proposition 3.5
ist der Prozess
t 7 E(u0 (v0 + ST ))Zt (( ) St )
+E((u(v0 + ST )) + (u(v0 + ST ))+ | Ft ) (3.68)
ein P -lokales Martingal. Da der Endwert von (3.68) wegen (3.66) nichtnegativ ist, ist
der Prozess nach Proposition 2.11 ein (echtes) P -Martingal und damit auch der Pro-
zess Z(( ) S). Es folgt
dP ?

E (( ) ST ) = 0.

dP
Ad (ii): Im Fall || < kann o.B.d.A. angenommen werden, dass {} F und

ur alle . Sei erwartungsnutzenoptimal. Wegen der Offenheit von
P ({}) > 0 f
{x R | u(x) > } existiert ein > 0 mit u(v0 + ST ) > . Sei i {1, . . . , d},
s t, A Fs . F
ur > 0 klein genug gilt u(v0 + ST + 1A (Sti Ssi )) > . Nach
dem Mittelwertsatz existiert ein [v0 + ST , v0 + ST + 1A (Sti Ssi )] bzw.
[v0 + ST + 1A (Sti Ssi ), v0 + ST ], je nach Vorzeichen von Sti Ssi , mit
0 E(u(v0 + ST + 1A (Sti Ssi ))) E(u(v0 + ST ))
= E(u0 ()1A (Sti Ssi )).
Wegen der Stetigkeit von u0 folgt mit 0 E(u0 (v0 + ST )1A (Sti Ssi )) 0. Die
Vertauschbarkeit von Limes- und Erwartungswerbildung ist auf einem endlichen Wahr-
urlich unkritisch. Ersetzt man durch , so folgt insgesamt
scheinlichkeitsraum nat
E(u0 (v0 + ST )1A (Sti Ssi )) = 0.

Wir wollen die Aussage an einem einfachen Beispiel demonstrieren.
Beispiel 3.21. Man betrachte das Erwartungsnutzenoptimierungsproblem im Einperioden-

Binomialmodell aus Abschnitt 2.2 mit r = 0. Also

max pu(x + (a 1)) + (1 p)u(x + (a 1))
R
Die Optimalitatsbedingung f
ur lautet offenbar
p(a 1)u0 (x + (a 1)) + (1 p)(a 1)u0 (x + (a 1)) = 0. (3.69)
Typischerweise ist p(a 1) > (1 p)(1 a), d.h. die Aktie hat unter dem Ma P eine
positive Drift. Der Investor kauft gema (3.69) so viele Aktien, bis dieser Effekt durch die
Abnahme des Marginalnutzens, also u0 (x + (a 1)) < u0 (x + (a 1)), kompensiert ist.
Aus (3.69) folgt
q
u0 (x + (a 1)) 1 p 1 a (2.39) 1 p q p
0
= = = 1q .
u (x + (a 1)) p a1 p 1q 1p
Bemerkung 3.22. Im vollst

andigen Markt lasst sich aus (3.64) das optimale End-
dP ?
vermogen bereits gewinnen. P ? ist dort eindeutig und die Dichte dP
i.A. bekannt. Man
?
ur das optimale Endvermogen X den Ansatz X = (u0 )1 ( dP
mache f dP
). Das unbekannte
?
R+ bestimmt sich aus EP ? (u0 )1 ( dP
dP
) = EP ? X = v0 . Das Entscheidende ist nun,
dass im vollstandigen Markt die Bedingung EP ? X = v0 bereits garantiert, dass sich das
Endvermogen X mit einer Strategie und dem gegebenen Startkapital v0 erzeugen lasst.
F
ur das (vollstandige) Cox-Ross-Rubinstein Modell (vgl. Abschnitt 2.2) ergibt dies
folgendes: Die eindeutige Dichte ist gegeben durch
#{i|xi =a} #{i|xi =a}
dP q 1q
() = , f
ur x1 = A1 (), . . . , xT = AT () ,
dP p 1p
wobei p die objekte Wahrscheinlichkeit ist und q die durch (2.39) gegebene Wahrschein-
lichkeit unter dem eindeutigen Martingalma (risikolose Wahrscheinlichkeit). Insbe-
dP
sondere hangt die Zufallsvariable dP
nur vom Endwert ST1 der Aktie ab (d.h. von der
Anzahl der i mit xi = a) und nicht auch von deren Werten vorher. Auch das optimale
Endverm
ogen X()
b h ber ST1 () ab, d.h. X
angt damit von nur u b = h(S 1 ). Es
T
folgt
j T j !
b = h(S 1 ) = (u0 )1 q 1q
X T , wobei j durch ST1 = aj aT j gegeben ist
p 1p
und die Konstante R+ sich aus der Finanzierbarkeitsbedingung

T j T j !
X T q 1 q !
EQ (X)
b = q j (1 q)T j (u0 )1 = v0
j=0 j p 1 p
ergibt (v0 R ist das gegebene Startkapital).
b = h(S 1 ) impliziert nat

X urlich nicht, dass die optimale Strategie statisch ist (buy-
T
and-hold). h ist meistens nichtlinear.

Derivate haben f
ur Investoren auch die Funktion, eine nichtlineare Auszahlung wie et-
was h(ST1 ) zu generieren, ohne dass die Investoren tatsachlich (selber) dynamisch handeln
m
ussen (letzteres ware f
ur die meisten viel zu aufwendig bzw. mit zu hohen Transaktions-
kosten verbunden). Den dynamischen Handel u
bernimmt somit die emittierende Bank,
indem sie die Derivate (in groer Anzahl) hedged . Voraussetzung ist nat
urlich, dass der
Claim h(ST1 ) zu dem fairen Preis EP (h(ST1 )) verkauft wird.
Obiges Resultat konnte uns nun suggerieren, dass Investoren, die Derivate nicht als
Absicherungs- sondern Investitionsinstrumente einsetzen, keine pfadabh
angigen Deri-
vate benotigen. Wegen der sehr restriktiven Modellannahmen ist die Schlufolgerung al-
lerdings mit Vorsicht zu genieen.
Bemerkung 3.23. Nehme an, dass die Prozesse S i schon Martingale bzgl. des urspr
ung-
lichen Maes P sind. Es gilt nat
urlich
dP u0 (v0 )
= .
dP Eu0 (v0 )
Aus Satz 3.18 folgt, dass v0 das optimale Endvermogen ist (Nat
urlich liee sich diese Aus-
sagen auch direkt aus der Konkavitat von u gewinnen !). Ebenso folgt die Umkehrrichtung.

Ein Derivat heit pfadabh
angig, wenn die Auszahlung nicht nur vom Endpreis des Underlyings
abh
angt, sondern vom gesamten Kursverlauf.
Wenn v0 das optimale Endvermogen ist, dann muss es mit Satz 3.18 ein aquivalentes Mar-
dP
tingalma P geben, so dass dP
eine Konstante ist. Dies kann aber nur sein, wenn P
selber Martingalma ist.
Bemerkung 3.24. Zumindest im vollstandigen Markt, in dem jeder Claim replizierbar

ist und es ein eindeutiges aquivalentes Martingalma P ? gibt, hat Satz 3.18 eine einfache
Interpretation. Der Wunsch, im Zustand 0 eine Geldeinheit mehr zu besitzen (und in
den anderen Zustanden genauso viel wie vorher), ist realisierbar, wenn man ein um den
Betrag
EP ? 1{0 } = P ? ({0 })

erhohtes Startkapital zur Verf ugung hat . Der Mehrnutzen, den die zusatzliche Geldeinheit

liefert, ware bei linearisierter Nutzenfunktion proportional zu EP 1{0 } = P ({0 }), also
der tatsachlichen Wahrscheinlichkeit, dass {0 } eintritt. F
ur 0 mit kleiner Dichte
P ? ({0 })
P ({0 })
ware also das Kosten-/Nutzenverh
altnis gu
nstig. Man w
urde also versuchen, in ei-
nem solchen Zustand moglichst reich zu sein. Um dies zu finanzieren, w
urde man in Kauf
P ? ({1 })
nehmen, in einem anderen Zustand 1 mit groer Dichte P ({1 }) armer zu sein. Man
beachte in Formel (3.64), dass ein hohes Endvermogen einem kleinen Marginalnutzen
entspricht. Die Konkavitat von u sorgt dann daf
ur, dass man in die g
unstigen Zustande
auf Kosten der ung
unstigen Zustande nicht zu viel Kapital transferiert.
Bemerkung 3.25. Wir haben bisher noch keine Aussage u

ber die Existenz einer optima-
len Strategie gemacht. Allgemein folgt aus der Existenz eines Martingalmaes (Ar-
bitragefreiheit) und der Konkavitat von u noch nicht, dass das Optimierungsproblem
EP (u(VT ())) beschrankt ist, d.h. es konnte eine Folge ((n) )nN von Strategien geben
mit limn EP (u(VT ((n) ))) = .
3.4.1 Zeitlich homogenes Marktmodell
Wir betrachten nun als Verallgemeinerung des Cox-Ross-Rubinstein Modells einen zeit-
lich homogenen Markt, in dem die (diskontierten) Wertpapierpreisprozesse gegeben sind
durch:
t
Y
Sti = si0 (1 + Aij ), t = 1, . . . , T, i = 1, . . . , d,
j=1
wobei (Aj )j=1,... ,T nun eine Folge von i.i.d. d-dimensionalen Zufallsvektoren Aj = (A1j , . . . , Adj )
ist (S 0 = 1). Aij sind beliebige Zufallsvariablen mit Aij > 1. F urfen Aij1 und
ur festes j d
Aij2 auch stochastisch abhangig sein. Aij nennt man auch die zufallige Rendite des Wert-
papiers i in der j-ten Periode. Zeitliche Homogenitat bedeutet, dass die realisierbaren
Gewinnverteilungen in jeder Periode gleich sind und nicht von dem Preisverlauf der
Vergangenheit abhangen. Sie bedeutet aber nicht, dass das Halten einer bestimmten An-
zahl an Wertpapieren in jeder Periode zu der gleichen Gewinnverteilung f
uhrt.
F
ur bestimmte Nutzenfunktionen, namlich Potenz-, Logarithmus- und exponentielle
Nutzenfunktionen, kann man in diesem Modell die optimale Strategie explizit berechnen
und gut beschreiben.
x1p
Satz 3.26 (Potenz- und Logarithmusnutzenfunktion). Sei u : (0, ) R mit x 7 1p
ur ein p R+ \ {0, 1}. F

f ur p = 1 sei die Funktion u gegeben durch x 7 log(x) (man
kann sich vorstellen, dass u = auf dem Intervall (, 0) bzw. (, 0]). Es existiere
ein Rd mit > At > 1 und
Ai1

E = 0, i = 1, . . . , d. (3.70)
(1 + > A1 )p
Dann ist
i
it = i
Vt1 , i = 1, . . . , d (3.71)
St1
mit
t
Y
Vt := v0 (1 + > Aj ) (3.72)
j=1
eine erwartungsnutzenoptimale Strategie und V ist der zu gehorende Vermogensprozess

mit Startkapital v0 , d.h. Vt = v0 + St .
Beweis. Es gilt
t
X
v0 + St = v0 +
>
j Sj
j=1
t d
X X i
= v0 + Vj1 i
Sji
j=1 i=1
Sj1
t
X
= v0 + Vj1 > Aj
j=1
t
X
= v0 + (Vj Vj1 )
j=1
= Vt ,
Sji
wobei in der dritten Gleichung benutzt wird, dass i
Sj1
= Aij . Damit ist gezeigt, dass V
der zu gehorige Vermogensprozess ist.
Definiere := (E((1 + > A1 )p ))1/p und das Ma P ? durch
T T
dP ? Y Y 1
:= pT
(1+ Aj ) = u ( (1+ > Aj )) = v0p pT u0 (VT ()) =: u0 (VT ()).
> p pT 0
dP j=1 j=1

Des weiteren setze

t
Y
pt
Lt := (1 + > Aj )p , t = 0, 1, . . . , T.
j=1
dP ?
Nach Konstruktion von L gilt LT = dP
und
t1
Y
E(Lt | Ft1 ) = pt (1 + > Aj )p E (1 + > At )p | Ft1

j=1
t1
Y
pt
(1 + > Aj )p E (1 + > A1 )p

=
j=1
t1
Y
p(t1)
= (1 + > Aj )p
j=1
= Lt1 , t = 1, . . . , T,
d.h. L ist (unter P ) ein Martingal. Also ist L der zu P ? gehorige Dichteprozess. Aus
L0 = 1 folgt, dass P ? ein Wahrscheinlichkeitsma ist. Es gilt
E(Lt Sti | Ft1 ) = i

E(Lt Sti | Ft1 ) + E(Lt St1 | Ft1 )
= Lt1 p E((1 + > At )p Sti | Ft1 ) + St1

i
E(Lt | Ft1 )
= Lt1 p St1
i
E((1 + > At )p Ait | Ft1 ) + Lt1 St1
i
= Lt1 p St1
i
E((1 + > A1 )p Ai1 ) + Lt1 St1
i
(3.70) i
= Lt1 St1 , t = 1, . . . , T, i = 1, . . . , d.
Also sind die Prozesse LS i , i = 1, . . . , d, P -Martingale. Mit Proposition 3.5 sind S i P ? -

Martingale. Aus Satz 3.18(i) folgt, dass optimal ist.
Satz 3.27 (Exponentialnutzenfunktion). Sei u : R R mit x 7 1 p1 exp(px) f

ur ein
p (0, ). Es existiere ein Rd mit
E(Ai1 exp( > A1 )) = 0, i = 1, . . . , d. (3.73)
Dann ist
i
it = i
, i = 1, . . . , d (3.74)
pSt1
eine erwartungsnutzenoptimale Strategie und
t
!
1 X
Vt := v0 + > Aj (3.75)
p j=1
der dazugehorige Vermogensprozess mit Startkapital v0 .
Beweis. Es gilt
t
X
v0 + St = v0 +
>
j Sj
j=1
t d
1 X X i
= v0 + i
Sji
p j=1 i=1 Sj1
t
1X >
= v0 + Aj
p j=1
t
!
1 X
= v0 + > Aj
p j=1
= Vt ,
Damit ist gezeigt, dass V der zu gehorige Vermogensprozess ist.

Definiere := log(E(exp( > A1 ))) und das Wahrscheinlichkeitsma P ? durch
T
dP ? X
:= exp(T + pv0 ) exp(pv0 > ( Aj )) = exp(T + pv0 )u0 (VT ())
dP j=1
Nun wollen wir zeigen, dass S i P ? -Martingale sind. Wie im vorigen Beweis ist daf
ur zu
zeigen, dass E(exp( > At )Ait |Ft1 ) = 0. Dies gilt wegen (3.73) und der i.i.d.-Annahme
an (Aj )j=1,... ,T .
Bemerkung 3.28. Man sieht sofort, dass die optimale Strategien (3.71) und (3.74) nicht
vom Zeithorizont T abhangen. D.h. alle Rechnungen gingen durch, wenn man z.B. bei
t0 < T abbrechen w
urde. Das optimale Endvermogen ware dann Vt0 und das zugehorige
Martingalma Pe ware durch
t0
dPe pt0
Y
= (1 + > Aj )p = Lt0
dP j=1
gegeben. Hier gehen die zeitliche Homogenitat des Modells und die konstante relative Ri-
sikoaversion
xu00 (x)
R(x) :=
u0 (x)
ein. Die gangige Anlegerregel, bei langerem Anlagehorizont starker in risikobehaftete Akti-
en zu investierten als bei einem kurzen Anlagehorizont, wird durch dieses Modell offenbar
nicht gerechtfertigt.
In Abschnitt 3.4.3 werden wir sehen, dass bei logarithmischem Nutzen (der dem
Fall p = 1 entspricht) die Eigenschaft, dass der Anlagehorizont nicht in die optimale Han-
delsstrategie eingeht, auch f
ur den allgemeinen Fall gilt, dass die Renditen (At )t=0,... ,T
nicht mehr unabhangig und identisch verteilt sein m
ussen.
3.4.2 Zwischenzeitlicherer Konsum
Wir werden das Optimierungsproblem aus Definition 3.14 etwas verallgemeinern, indem
uhren. kt R+ gibt den ,,Konsumbedarf zum
wir zwischenzeitlichen Konsum einf
Zeitpunkt t an und ist im Optimierungsproblem vorgegeben. Wir fordern

T
X
kt > 0.
t=0
Eine Strategie ist ein Paar (, c) bestehend aus einer Handelsstrategie und einem Kon-
sumprozess (ct )t=0,1,... ,T . c ist ein adaptierter Prozess. ct modelliert die Konsuminten-
sit
at bzgl. kt . Der Konsum in Geldeinheiten zum Zeitpunkt t ist also das Produkt ct kt .
Der modifizierte Vermogensprozess ist gegeben durch
t
X
Vt = v0 + St cj kj .
j=0
Vt ist das Vermogen nach dem Konsum, der zum Zeitpunkt t stattfindet. Man beachte,
dass i.A. V0 6= v0 , da bereits zum Zeitpunkt 0 konsumiert werden kann. (, c) heit
assig, wenn VT 0. Das Optimierungsproblem lautet
zul
T
!
X
sup E kt u(ct ) . (3.76)
(,c) zulassig t=0
Bemerkung 3.29. (i) Offenbar ist dies eine Verallgemeinerung des vorherigen Opti-
mierungsproblems. Setzt man

0 f
ur t < T
kt =
1 f
ur t = T
so findet der Konsum nur zum Zeitpunkt T statt und wegen der Monotonie der
Nutzenfunktion wird in T das gesamte Endvermogen v0 + ST verkonsumiert.
(ii) Negativen Konsum kann man durch die Wahl einer Nutzenfunktion u mit u(x) =
f
ur x < 0 ausschlieen (also etwa durch die Potenz- oder Logarithmusnutzen-
funktion).
Satz 3.30 (Fundamentalsatz der Nutzenoptimierung mit zwischenzeitlichem Konsum).

Sei u eine stetig differenzierbare Nutzenfunktion mit {x R | u(x) > } offen und
(, c) eine zulassige Strategie.
(i) Wenn VT (, c) = 0 und E(u(ct ) 0) < f

ur alle t und die Prozesse
(u0 (ct ))t=0,1,... ,T und (u0 (ct )Sti )t=0,1,... ,T , i = 1, . . . , d (3.77)
unter P Martingale sind, dann optimiert (, c) das Problem (3.76).

ur || < und kt > 0 gilt auch die Umkehrung von (i): wenn (, c) optimal ist,
(ii) F
dann ist VT (, c) = 0 und die Prozesse in (3.77) sind unter P Martingale.
Bemerkung 3.31. Die Martingalbedingung bedeutet, dass der Prozess
u0 (ct )
Zt = , t = 0, 1, . . . , T
u0 (c0 )
der Dichteprozess (im Sinne von Definition 3.1) eines Martingalmaes ist. Mit Proposi-
tion 3.5 sieht man, dass Satz 3.30 eine Verallgemeinerung von Satz 3.18 ist.
ur den Fall, dass es nur das Wertpapier S 0 = 1 gibt (also keine

Bemerkung 3.32. F
Handelsgewinne erzielt werden konnen), bedeutet die Aussage, dass das Startkapital v0
v
gleichmaig in der Zeit konsumiert werden soll, also ct = PT 0
kj
. Dies heit, dass zum
j=0
v k
Zeitpunkt t PT0 t
kj
Geldeinheiten konsumiert werden.
j=0
Bemerkung 3.33. F
ur kt = 0 kann ct beliebig gewahlt werden. Daher kann aus der
Optimalitat die Martingalbedingung nur folgen, wenn kt > 0 f
ur alle t.
Beweis von Satz 3.30. Der Beweis geht nat

urlich ahnlich wie der f
ur Satz 3.18. Deshalb
sollen die technischen Feinheiten (Integrierbarkeit, Unterscheidung zwischen lokalen und
echten Martingalen) nicht noch einmal wiederholt werden.
Ad (i): Sei (,
ee c) eine weitere zulassige Strategie. Wegen der Konkavitat von u gilt
" T # " T #
X X
E ct ) E
kt u(e kt u(ct )
t=0 t=0
" T
#
X
E kt u0 (ct )(e
ct ct )
t=0
" T
#
(3.77) & iterierter Erwartungswert X
= E kt u0 (cT )(e
ct ct )
t=0
0
E [((
e ) ST )u (cT )]

= 0.
PT PT
e ST
Die letzte Ungleichung gilt wegen v0 + t=0 ct 0 und v0 + ST
kt e t=0 k t ct =
0. Die letzte Gleichung folgt aus (3.77) z.B. mit der Rechnung
E ti Sti u0 (cT ) = E ti Sti u0 (cT ) E ti St1 i

u0 (cT )

= E ti Sti u0 (ct ) E ti St1

i
u0 (ct1 )

i
= E ti St1 u0 (ct1 ) E ti St1
i
u0 (ct1 )

= 0.
Ad (ii): Im Fall || < kann o.B.d.A. angenommen werden, dass {} F und

ur alle . Sei (, c) optimal. Wegen der Offenheit von {x R | u(x) >
P ({}) > 0 f

} existiert ein > 0 mit u(ct ) > . Ahnlich wie im Beweis von Satz 3.18
werden wir die optimale Strategie etwas storen. Nun aber zweifach. Erstmal behalten wir
die Handelsstrategie bei und konsumieren in t 1 etwas weniger (mehr) und daf
ur in
t etwas mehr (weniger). Dann konsumieren wir in t etwas mehr/weniger in Abhangigkeit
von Handelsgewinnen durch ein zusatzliches Investment in das i-te Wertpapier zwischen
t 1 und t.

Sei A Ft1 . Betrachte den modifizierten Konsum e
ct1 := ct1 1
kt1 A
und e
ct :=

ct + kt 1A . Nach dem Mittelwertsatz existieren t1 [ct1 kt1 , ct1 ] und t [ct , ct + kt ]
mit

0 E kt1 u(ct1 1A ) + kt u(ct + 1A ) E [kt1 u(ct1 ) + kt u(ct )]
kt1 kt

0 0
= E kt1 u (t1 )1A + E kt u (t )1A
kt1 kt
0 0
= (E [u (t )1A ] E [u (t1 )1A ]) .
Wegen der Stetigkeit von u0 folgt mit 0 E [u0 (ct )1A ] E [u0 (ct1 )1A ] 0. Die Ver-
tauschbarkeit von Limes- und Erwartungswerbildung ist auf einem endlichen Wahrschein-
urlich unkritisch. Ersetzt man durch , so folgt insgesamt
lichkeitsraum nat
E [1A (u0 (ct ) u0 (ct1 ))] = 0. (3.78)
Also ist der Prozess (u0 (ct ))t=0,1,... ,T ein P -Martingal.

ur > 0 klein genug gilt u(ct + 1A (Sti

Bleibt der zweite Teil von (3.77) zu zeigen. F
i
St1 )) > . Betrachte nun die modifizierte Strategie eit := it + 1A sowie e ct := ct +
h i
i i i i
kt A
1 (S S ). Nach dem Mittelwertsatz existiert ein c t 1
kt A
(S S ), ct bzw.
h t t1
i t t1
ct , ct + kt 1A (Sti St1
i
) , je nach Vorzeichen von Sti St1i
, mit

i i

0 E kt u ct + 1A St St1 E [kt u(ct )]
kt
= E u0 ()1A (Sti St1
i

) .
Wegen der Stetigkeit von u0 folgt mit 0 E u0 (ct )1A (Sti St1
i

) 0. Ersetzt man
durch , so folgt insgesamt
E u0 (ct )1A (Sti St1

i

) =0
Zusammen mit (3.78) folgt, dass die Prozesse (u0 (ct )Sti )t=0,1,... ,T , i = 1, . . . , d, P -Martingale
sind.
Bemerkung 3.34. Analog zu Bemerkung 3.22 lasst sich mit Satz 3.30 der optimale
Konsum in einem vollstandigen Markt direkt bestimmen. Sei hierzu Z Q der Dichteprozess
des eindeutigen Martingalmaes Q. Mache den Ansatz u0 (ct ) = ZtQ , also
ct = (u0 )1 (ZtQ ),
wobei R+ noch geeignet gewahlt werden kann. wird nun so gewahlt, dass
T
X
EQ kt (u ) 0 1
(ZtQ ) = v0
t=0
was unter geeigneten Regularitatsbedingungen an die Nutzenfunktion stets moglich ist.

Wegen der Vollstandigkeit des Marktes kann der Konsum in t durch Handel zwischen

0 und t mit dem Betrag EQ kt (u0 )1 (ZtQ ) repliziert werden. Da Z Q ein P -Martingal
ist, folgt (3.77) aus Proposition 3.5. Der oben konstruierte Konsum ist also tatsachlich
optimal, wobei die Handelsstrategie als Replikationsstrategie des Claims
T
X
kt (u0 )1 (ZtQ )
t=0
gewahlt wird.
3.4.3 Logarithmische Nutzenfunktion
Es stellt sich die Frage, wann die nette Eigenschaft, dass der Anlagehorizont nicht in die
optimale Handelsstrategie eingeht, auch f
ur den allgemeinen Fall gilt, dass (At )t=0,... ,T
nicht mehr unabhangig sein m
ussen (auch nicht identisch verteilt). Im folgenden wer-
den wir uns u
berlegen, dass dies, wenn u(x) = ln(x) bzw. p = 1 der Fall ist. Man sieht
zunachst, dass f ur alle Rd 1 ist.
ur p = 1 der Faktor im Beweis von Satz 3.26 f
Dies ist der Grund daf
ur, dass man f
ur die logarithmische Nutzenfunktion wie im un-
abhangigen Fall vorgehen kann. Rd wird nun durch einen Rd -wertigen vorhersehbaren
stochastischen Prozess (t )t=1,... ,T ersetzt, wobei sich t analog zu (3.70) bestimmt durch
Ait

E |Ft1 = 0, i = 1, . . . , d.
1 + t> At
Beachte, dass t Ft1 -messbar sein soll, d.h. in den obigen Gleichungen wie ein Element
aus dem Rd fungiert. (F
ur andere Nutzenfunktionen w
urde dann von abhangen, was
die Bedingung mit dem Marginalnutzen kaputt machen w
urde.) Der Beweis im logarith-
mischen Fall geht nun analog mit (t )t=1,... ,T statt .
F
ur den logarithmischen Nutzen ist die optimale Strategie im allgemeinen Fall ge-
geben durch
ti
it = i
Vt1 , i = 1, . . . , d
St1
Das Optimierungsproblem ist also myopisch (kurzsichtig). Zur Bestimmung der op-
timalen Strategie zwischen t 1 und t braucht man nur das (optimale) Vermogen zum
Zeitpunkt t 1 und die bedingte Verteilung der Preiszuwachse zwischen t 1 und t zu
kennen (also die gemeinsame bedingte Verteilung der Ait , i = 1, . . . , d, gegeben die In-
formation Ft1 ). Die stochastische Verteilung des Aktienpreisprozesse nach t muss der
Optimierer gar nicht kennen. Insbesondere geht der Zeithorizont nicht in die optimale
Losung ein.
Alternativ kann man die ,,Kurzsichtigkeit des Problems an folgender Rechnung er-
kennen. Sei Vt = Vt () = v0 + St der Vermogensprozess zu einer Strategie . Es
gilt

V1 V2 VT
E (ln(VT )) = E ln v0 ...
v0 V 1 VT 1
T !
X Vt
= E ln(v0 ) + ln
t=1
Vt1
T
X Vt
= ln(v0 ) + E ln
t=1
Vt1
T
>

t St
X
= ln(v0 ) + E ln 1 + . (3.79)
t=1
V t1

>
t St
Da der Raum der Strategien homogen ist, hangt das Optimum supt E ln 1 + Vt1
offenbar nicht von Vt1 ab. Folglich ist das Maximum u

ber alle der Summe auf der
rechten Seite von (3.79) die Summe der maximierten Summanden u
ber t . Man bestimme
ur jedes t einen Ft1 -messbaren Zufallsvektor t , der den Ausdruck
f
E ln 1 + t> St

maximiert. Dann setze man
it := Vt1 ti , i = 1, . . . , d.
Die Vergangenheit geht also multiplikativ u

ber das Vermogen ein, mit dem man in die
Periode (t 1, t] hineingeht, und die Zukunft ist gar nicht relevant.
Wir schreiben wieder

t
Y
Sti = si0 (1 + Aij ), t = 1, . . . , T, i = 1, . . . , d, (3.80)
j=1
d.h. Aij ist die zufallige Rendite des Wertpapiers i in der j-ten Periode. Im Gegensatz
zu Abschnitt 3.4.1 fordern wir aber nicht, dass die Renditevektoren i.i.d. sind. (3.80) ist
also der allgemeine Fall (mit der kleinen Einschrankung, dass Wertpapierpreise, die Null
werden, dort bleiben).
Satz 3.35 (Logarithmischer Nutzen aus Konsum). Es existiere ein Rd -wertiger vorher-
sehbarer Prozess = (t )t=1,... ,T mit t> At > 1 und
Ait

E | Ft1 = 0, i = 1, . . . , d, t = 1, . . . , T (3.81)
1 + t> At
(Offenbar ist (3.81) die dynamische Version von (3.70) f

ur p = 1).
Setze
PT t
j=t+1 kj Y PT
Vt := PT v0 (1 + j> Aj ) (mit der Konvention j=T +1 . . . = 0). (3.82)
j=0 kj j=1
Die optimale Strategie ist dann gegeben durch
ti
it := i
Vt1 , i = 1, . . . , d
St1
und
t
1 Y f
ur t < T Vt
ct := PT v0 (1 + j> Aj ) = PT .
j=0 kj j=1 j=t+1 kj
V aus (3.82) ist der zu (, c) gehorende Vermogensprozess mit Startkapital v0 , d.h. Vt =

v0 + St tj=0 cj kj .
P
Durch die Wahl von kt = 0 f

ur t < T und kT = 1 erhalt man mit cT das Endvermogen
aus (3.79), das den erwarteten logarithmischen Nutzen maximiert.
Bemerkung 3.36. Satz 3.35 bedeutet, dass das Optimierungsproblem als reines Vorwarts-
Problem gelost werden kann. Die optimale Handelsstrategie in der ersten Periode hangt
nicht von der stochastischen Verteilung der Preiszuwachse in den spateren Perioden ab.
Bei Powernutzenfunktionen u(x) = x1p ist dies i.A. nicht so (das homogene Marktmodell
aus Abschnitt 3.4.1 bildet hier eine Ausnahme).
Bemerkung 3.37. Bei logarithmischem Nutzen konnen das Investitionsproblem und das
Konsumproblem getrennt voneinander gelost werden. Der Agent teilt zum Zeitpunkt 0 das
ur den Konsum zum Zeitpunk t wird der Betrag v0 PTkt
Startkapital v0 gedanklich auf. F kj
j=0
reserviert (also gleichmaige Verteilung des Startkapitals v0 auf die verschiedenen Peri-
oden gema der Gewichte kt ). v0 PTkt kj
wird nun zwischen 0 und t am Markt investiert
j=0
und zwar genauso wie sich der logarithmische Optimierer verhalten w

urde, wenn er das
Startkapital v0 PTkt kj
zur Verf
ugung hatte und ausschlielich am ,,Endvermogen zum
j=0
Zeitpunkt t interessiert ware. Das so aus v0 PTkt kj

resultierende Vermogen zum Zeitpunkt
j=0
t wird in t konsumiert (dieses ist dann nat

urlich i.A. zufallig). Insbesondere h
angt
der optimale Konsum zum Zeitpunkt 0 nicht von der stochastischen Vertei-
lung der Wertpapierpreisprozesse ab.
Einen logarithmischen Nutzenoptimierer kann z.B. eine g

unstige Analgemoglichkeit
zwischen t1 und t nicht dazu bewegen, zum Zeitpunkt t1 etwas weniger zu konsumieren
und stattdessen zu investieren, um zum Zeitpunkt t mit hoher Wahrscheinlichkeit deutlich
mehr konsumieren zu konnen.
Beweis. Mit partieller Integration (vgl. Proposition 1.16(ii)) gilt f

ur den in (3.82) defi-
PT
kj
und Yt := v0 tj=1 (1 + j> Aj )
Q
nierten Prozess mit Xt := Pj=t+1
T
k
j=0 j
Vt Vt1 = Xt Yt Xt1 Yt1
= Xt1 (Yt Yt1 ) + Yt (Xt Xt1 )

PT t1
! t
j=t kj Y Y kt
= PT v0 (1 + j Aj ) t At + v0 (1 + j> Aj ) PT
> >
j=0 kj j=1 j=1 j=0 kj

kt
= Vt1 t> At Vt PT
j=t+1 kj
= >
t St ct kt , t = 1, 2, . . . , T,
Sji
wobei f
ur die letzte Gleichung benutzt wird, dass i
Sj1
= Aij . Beachte, dass VT = 0 mit
der Konvention Tj=T +1 . . . = 0. Des weiteren gilt
P
PT
j=1 kj
V0 = PT v0
j=0 kj
k0
= v0 v0 PT
j=0 kj
= v0 c0 k0 .
Pt
Damit ist gezeigt, dass Vt = v0 + St j=0 cj kj , d.h. V ist der zu (, c) gehorige
Vermogensprozess. Es gilt

1 1 1
E | Ft1 = E | Ft1
ct ct1 1 + t> At
t> At

1
= 1E | Ft1
ct1 1 + > At

d
Ait

1 X
i
= 1 t E | Ft1

ct1 >
i=1
1 + t At
| {z }
=0 wegen (3.81)
1
= . (3.83)
ct1
1
Also ist c
ein Martingal. Des weiteren gilt
Si Ait

1 (3.81)
E Sti | Ft1 = t1 E | Ft1 = 0. (3.84)
ct ct1 1 + t> At
Aus (3.84) und (3.83) folgt

1 i (3.84) 1 i i 1 (3.83) 1
E St | Ft1 = E St1 | Ft1 = St1 E | Ft1 = Si .
ct ct ct ct1 t1
Si
Also sind auch die Prozesse c
, i = 1, . . . , d, Martingale. Des weiteren gilt VT = 0. Damit
folgt aus Satz 3.30(i), dass (, c) optimal ist.
3.4.4 Existenz einer optimalen Strategie
Zum Schluss des Kapitels werden wir (wieder f

ur allgemeine Nutzenfunktionen) die Exi-
stenz einer optimalen Strategie f
ur die Optimierungierung des Erwartungsnutzen aus dem
Endkonsum diskutieren.
Satz 3.38. Wir nehmen wieder an, dass u(v0 ) >
(a) Wenn eine erwartungsnutzenoptimale Strategie existiert, dann ist der Markt ar-
bitragefrei.
(b) Nehme an, dass der Markt arbitragefrei ist und eine der folgenden Bedingungen
erf
ullt ist
(i) u(x0 ) = f urlich auch u = auf ganz (, x0 ])

ur ein x0 < v0 (damit nat
(ii) supxR u(x) <
Dann existiert eine erwartungsnutzenoptimale Strategie .
Beweis. Ad (a): Nehme an es gibt eine Arbitragestrategie , d.h. ST 0 und P (
ST > 0) > 0, und eine erwartungsnutzenoptimale Strategie . Wegen u0 > 0 gilt u(v0 +
( + ) ST ) u(v0 + ST ) und P (u(v0 + ( + ) ST ) > u(v0 + ST )) > 0. Dies
ist ein Widerspruch zur Optimalitat von .
Ad (b): Sei der Markt arbitragefrei.
uberlegung: Wir betrachten den linearen Unterraum N = {|
Vor ST = 0}. Da es
in dem Markt redundante Wertpapiere geben kann besteht i.A. N nicht nur aus der Null.
Mit der Identifizierung der vorhersehbaren Prozesse mit dem Rn konnen wir zu N einen
Orthogonalraum N definieren. Jede vorhersehbare Strategie lasst sich somit schreiben
als = (1) + (2) , wobei (1) N und (2) N . Da (1) in das Endvermogen nicht
eingeht, konnen wir o.B.d.A. annehmen, dass N , d.h. o.B.d.A. N = {0}. Aus
ST = 0 folgt also stets, dass = 0.
ad (i): Nehme zunachst an, dass (i) gilt. Wir wollen zeigen, dass die Menge der zufalli-
gen Endvermogen, die man mit gegebenem Startkapital v0 erzeugen kann und die x0
nicht unterschreiten, kompakt ist, d.h. X (v0 ) = {X R | so dass X = v0 +
ST und X x0 } ist kompakt. Nehme an, dies ware nicht der Fall. Dann existiert eine
Folge (X (n) )nN X (v0 ) mit n := sup |X (n) ()| und n , wenn n . Wegen
uberlegung existiert zu jedem X (n) ein eindeutiges (n) mit X (n) = v0 + (n) ST .
der Vor
X (n) (n)
O.B.d.A. konvergiert n
gegen eine Zufallsvariable X
e und
n
gegen ein e mit X
e=
e ST . Es folgt also
x0 X (n)
e ST , n
n n
Es folgt daraus, dass e ST 0 und damit e ST = 0 (No-Arbitrage) und schlielich e =
0 (Vorbemerkung). Da || Xnn ||L = 1 kann dies aber nicht sein. Damit ist X (v0 ) kompakt.
Wegen Stetigkeit der Abbildung 7 E(u(VT ())) existiert eine optimale Strategie .
Sei nun (ii) vorausgesetzt. Der Beweis im Fall (i) war darauf aufgebaut, dass VT ()
ur alle Strategien mit Eu(VT ()) > Statt alle Vermogensprozesse mit Eu(VT ()) >
x0 , f
betrachten wir nun alle Vermogensprozesse, die zumindest den (erwarteten) Nutzen
4 RISIKOMASSE 101
von v0 liefern. Also Eu(VT ()) u(v0 ). Nat

urlich konnen wir uns bei der Maximierung
auf diese Strategien beschranken.
Da supxR u(x) u(v0 ) < , aber inf xR u(x) = folgt wegen || < und
P ({}) > 0, dass es ein x00 geben muss, so dass folgende Implikation gilt
Eu(VT ()) u(v0 ) VT () x00 .
ur x00 hinreichend klein ist namlich VT ()() < x00 , f

F ur ein einziges , bereits ein Verlust
im Erwartungswert im Vergleich zu u(v0 ), der auf \ {} wegen der Beschranktheit nach
supxR u(x)u(v0 )
oben von u nicht wieder gutgemacht werden kann. Formal: u(x00 ) u(v0 ) min P ({})
.
Damit folgt der Fall (ii) analog zu Fall (i).
4 Risikomae
Zum Schluss der zweist
undigen Vorlesung soll eine kurze Einf
uhrung in die Theorie der
Risikomae geben werden. F
ur eine intensivere Beschaftigung mit diesem Thema sei das
Buch von Follmer und Schied [5] empfohlen. Im folgenden seien || < und T =
1. Letzteres heit, dass es nur zwei Zeitpunkte, namlich 0 und 1 gibt. Der Einfachheit
halber betrachten wir alle Wertgroen als diskontierte Wertgroen, d.h. wir gehen von
der Existenz eines Wertpapiers mit Preisprozess S00 = S10 = 1 aus (ansonsten braucht es
keine weiteren handelbaren Wertpapiere geben).
Ein Riskoma ist eine Abbildung, die jeder zufalligen Auszahlung X, die zum Zeit-
punkt 1 stattfinden soll, eine reelle Zahl (X) zuordnet.
Im Zuge von Basel II m
ussen Banken, wenn sie risikoreiche Geschafte tatigen (z.B.
Kredite vergeben oder auf eigene Rechnung am Kapitalmarkt investieren), u
ber hinrei-
chend viel Eigenkapital verf
ugen, das ihre Geschafte absichert. Wenn X der zuf
allige
Gewinn der Bank ist (etwa der zum Zeitpunkt 1 zur
uckgezahlte Geldbetrag aus einem

Eigenkapitalvorschriften, die vom Basler Ausschuss f
ur Bankenaufsicht vorgeschlagen wurden. Die
Regeln m
ussen gem
a EU-Richtlinien seit dem 1. Januar 2007 in den Mitgliedsstaaten der Europaischen
Union f
ur alle Kreditinstitute und Finanzdienstleistungsinstitute angewendet werden. Unter der Uber-
schrift Basel III wurde im Dezember 2010 ein neues Regelwerk veroffentlicht, das ab 2013 schrittweise in
Kraft treten soll und das die bisherigen Regelungen von Basel II erganzt und weiterentwickelt.
4 RISIKOMASSE 102
Kreditgeschaft mit Ausfallrisiko abz

uglich des zum Zeitpunkt 0 verliehenen Betrags), dann
kann (X) als Eigenkapital interpretiert werden, das die Bank zum Zeitpunkt 0 daf
ur
,,reservieren muss. Sinn dieser Eigenkapitalhinterlegung ist es, die Wahrscheinlichkeit,
dass der Verlust aus X das Eigenkapital u
bersteigt, klein zu halten. ,,Reservierung oder
,,Hinterlegung bedeuten nur, dass f
ur die Geschaftstatigkeit gen
ugend Eigenkapital vor-
handen ist (und der Anteil an Fremdkapital nicht zu hoch ist). Der Geldbetrag (X)
muss hier nicht ,,beiseite gelegt werden oder risikolos investiert werden. Die Summe
aus Eigen- und Fremdkapital konnte z.B. vollstandig in einem Wertpapier investiert (und
damit gebunden) sein, das mit einem moderaten Risiko behaftet ist.
Jede Bank ist bestrebt, den zu reservierenden Betrag moglichst gering zu halten, um
bei gegebenem Eigenkapital ein moglichst groes Geschaftsvolumen zu ermoglichen (und
damit das Potential f
ur hohe Eigenkapitalrenditen zu haben). Daher ist die von der Ban-
kenaufsicht geforderte Eigenkapitalhinterlegung (X) i.d.R. auch nicht so gro, dass damit
jeder mogliche Verlust abgesichert ist.
Definition 4.1. Eine Abbildung : L0 (, F, P ) R heit koh

arentes Risikoma,
falls folgende Bedingungen erf
ullt sind
(1) Translationsinvarianz: ur alle X L0 (, F, P ), y R gilt (X+y) = (X)y

F
(2) Subadditivit
at: ur alle X, Y L0 (, F, P ) gilt (X + Y ) (X) + (Y ).
F
(3) Positive Homogenit

at: ur alle X L0 (, F, P ), R+ gilt (X) = (X)
F
(4) Monotonie: ur alle X, Y L0 (, F, P ) mit X Y gilt (X) (Y ).

F
Bemerkung 4.2. Aus der positiven Homogenitat folgt (0) = (2 0) = 2(0) und damit
ur alle y R
(0) = 0. Zusammen mit der Translationsinvarianz ergibt dies f
(y) = (0 + y) = (0) y = y. (4.85)
Bemerkung 4.3. Axiom 2 besagt, dass der zu hinterlegende Geldbetrag f

ur ein Portfo-
lio an Geschaften die Summe der Sicherheiten, die f
ur die Einzelgeschafte zu hinterlegen
waren, nicht u
bersteigen darf (Diversifikation wird nicht bestraft). Wenn Axiom 2 nicht
golte, konnte sich eine Bank zerschlagen und die Einzelteile m
ussten dann zusammen
4 RISIKOMASSE 103
weniger Sicherheiten aufbringen als zuvor die Gesamtbank. Axiom 3 besagt, dass die Si-
cherheiten nicht von der Groenordnung des Geschafts abhangen, also der Geldbetrag mit
dem Volumen linear anwachst. Dieses Axiom ist umstritten. Eine Abschwachung dieser
Forderung f
uhrt von koharenten zur groeren Klasse der konvexen Risikomae, die wir
aber in dieser Vorlesung nicht behandel werden.
Bemerkung 4.4. (X) kann als eine monetare Einheit interpretiert werden. Dies ist
ein Vorteil zu Nutzenfunktionen: der erwartete Nutzen der Auszahlung X, also E(u(X)),
lasst sich nicht als Geldeinheit interpretieren. Allerdings liefert i.A. noch kein sinnvolles
Entscheidungskriterium. D.h. (Y ) < (X) bedeutet noch nicht, dass das Geschaft mit
Auszahlung Y dem mit Auszahlung X vorzuziehen ist.
Bemerkung 4.5. Bei der Menge L0 (, F, P ) der P -f.s. endlichen Zufallsvariablen spielt
das Ma P keine wesentliche Rolle. Es spezifiziert nur die Menge der Nullmengen. Im
Fall von endlichen Grundraumen, auf den wir uns in diesem Kapitel beschranken, konnte
man P in der Definition auch ganz weglassen. Wir brauchen also nicht die Existenz eines
universellen Wahrscheinlichkeitsmaes, das von niemandem in Frage gestellt wird, vor-
auszusetzen. Vielmehr kann es eine ganze Reihe sog. subjektiver Wahrscheinlichkeitsmae
geben, die etwa verschiedene Markteinschatzungen der Mitarbeiter einer Bank widerspie-
geln.
Beispiel 4.6. Ein Beispiel f

ur ein koharentes Risikoma ist das Worst-Case-Risikoma
max (X) := min X() = max(X()), X L0 (, F, P ).

Unter allen koharenten Risikomaen ordnet max einer zufalligen Auszahlung X das grote
ur ein koharentes Risikoma gilt namlich wegen X mine X(e
Risiko zu. F ), Mono-
tonie und (4.85)
(X) (min X(e

)) = min X(e
) = max (X).
e
e

Definition 4.7 (Value-at-risk). Sei (0, 1). Die Abbildung
VaR : L0 (, F, P ) R, X 7 inf{y R | P (X y) > }
wird als Value-at-risk zum Niveau bezeichnet.

4 RISIKOMASSE 104
urlich nichts anderes als q+ , wobei

Der Value-at-risk ist nat
q+ (X) = inf{y R | P (X y) > }
das grote -Quantil der Verteilung der Auszahlung ist

Der Value-at-risk ist offenbar translationsinvariant, positiv homogen und monoton. Er
ist aber nicht subadditiv und damit kein koharentes Risikoma im Sinne von Definiti-
on 4.1 wie das folgende Beispiel zeigt.
Beispiel 4.8. Setze = 0.05. X1 , X2 seien zwei voneinander stochastisch unabhangige

Zufallsvariablen mit

0 mit Wahrscheinlichkeit 0.96
Xi = i = 1, 2.
1 mit Wahrscheinlichkeit 0.04
Es folgt

0 mit Wahrscheinlichkeit (0.96)2

X1 + X2 = 1 mit Wahrscheinlichkeit 2 0.96 0.04 > 0.05

2 mit Wahrscheinlichkeit (0.04)2 < 0.05

Es gilt VaR0.05 (X1 ) = VaR0.05 (X2 ) = 0 aber VaR0.05 (X1 + X2 ) = 1. Also ist der Value-at-
risk nicht subadditiv. Das Problem ist, dass Verluste, die mit einer kleineren Wahrschein-
lichkeit als 0.05 eintreten, nicht mehr interessieren.
Beispiel 4.9. Sei a R+ \ {0}. Die Abbildung

p
L0 (, F, P ) R, X 7 E(X) + a Varianz(X) (4.86)

Ein -Quantil einer Zufallsvariablen X unter einem Ma P ist eine reelle Zahl q f
ur die gilt:
P (X q) und P (X < q) .
+
Die Menge der -Quantile ist das Intervall [qX (), qX ()], wobei
q (X) = inf{y R | P (X y) }.
4 RISIKOMASSE 105
ist offenbar translationsinvariant, subadditiv und positiv homogen, aber nicht mono-
ton und damit auch kein koharentes Risikoma. Subadditivitat folgt aus der Cauchy-
Schwarzschen Ungleichung. Es gilt namlich
Varianz(X + Y ) = Varianz(X) + 2Kovarianz(X, Y ) + Varianz(Y )

Cauchy-Schwarz p
Varianz(X) + 2 Varianz(X)Varianz(Y ) + Varianz(Y )
p p 2
= Varianz(X) + Varianz(Y ) .
F
ur die fehlende Monotonie betrachte man die von > 0 abhangige nichtnegative Auszah-
lung

1/ mit Wahrscheinlichkeit
X=
0 mit Wahrscheinlichkeit 1
p p
Wegen E(X) = 1 f
ur alle und Varianz(X) (1/ 1)2 f
ur 0 wird das
Risiko (4.86) f
ur klein genug positiv, obwohl die konstante Auszahlung 0 niemals groer
ist und das Risiko 0 besitzt.
Satz 4.10. : L0 (, F, P ) R ist genau dann ein koharentes Risikoma, wenn es eine
nichtleere Menge P von Wahrscheinlichkeitsmaen auf (, F) gibt mit
(X) = sup EQ (X), X L0 (, F, P ). (4.87)

QP
Interpretation: Verschiedene Experten haben unterschiedliche subjektive Wahrschein-

lichsmae Q. Das Risiko ist nun der Erwartungswert des Verlustes X unter dem ung
unstig-
sten der vorkommenden Wahrscheinlichkeitsmae.
Lemma 4.11. Sei U Rn eine offene, konvexe Menge und x Rn mit x 6 U . Dann
existiert ein Rn mit > u < > x f
ur alle u U (vgl. die Aussage mit Lemma 1.22).
Der Beweis des Lemmas befindet sich z.B. in [17], Theorem 2.39.
Beweis von Satz 4.10. : Wenn die Darstellung (4.87) besitzt, rechnet man die Eigen-
schaften in Definition 4.1 schnell nach.
4 RISIKOMASSE 106
ur jedes feste X0 L0 (, F, P ) wollen wir ein

: Sei ein koharentes Risikoma. F
Wahrscheinlichkeitma Q finden mit
EQ (X0 ) = (X0 ) und EQ (X) (X), X L0 (, F, P ). (4.88)
Aus (4.88) folgt offenbar die Behauptung: wahle z.B. die Menge
P := {Q Wahrscheinlichkeitsma | EQ (X) (X), X L0 (, F, P )}.
Bei dieser Wahl von P gilt in (4.87) stets . Wenn Aussage (4.88) gilt, ist P zudem
nichtleer und es existiert zu jedem X0 ein Q P, so dass der Wert (X0 ) angenommen
wird.
ur X0 L0 (, F, P ). Wegen der Translationsinvarianz von
Zeigen wir also (4.88) f
und X 7 EQ (X) reicht es Aussage (4.88) f
ur X0 mit
(X0 ) = 1 (4.89)
zu zeigen. Definiere
U := {X L0 (, F, P ) | (X) < (X0 ) = 1}.
ur X U und X
U besteht also aus allen Auzahlungen, die ,,risikoarmer sind als X0 . F e
X 2 mit := (X0 ) (X) > 0 gilt wegen der Monotonie und der Translationsinvarianz
e X = (X) + < (X0 ), d.h. X

(X) e U . U ist also offen. Wegen der
2 2
ur X1 , X2 L0 (, F, P ) und
Subadditivitat und der positiven Homogenitat von gilt f
[0, 1]
(X1 + (1 )X2 ) (X1 ) + ((1 )X2 ) = (X1 ) + (1 )(X2 ).
Die Menge U ist also konvex. Des weiteren gilt X0 6= U . Damit ist Lemma 4.11 auf
U und X0 anwendbar (mit der u
blichen Identifikation von reellwertigen Zufallsvariablen
auf endlichen Grundraumen mit Elementen aus dem Rn ). Es existiert also eine lineare
Abbildung
l : L0 (, F, P ) R mit l(X) < l(X0 ), X U. (4.90)

4 RISIKOMASSE 107
l linear
Wegen 0 U gilt 0 = l(0) < l(X0 ). Damit konnen wir l so normieren, dass
l(X0 ) = 1 = (X0 ). (4.91)
ur > 0 gilt (1 + ) U und damit wegen (4.90)

F
l linear
(1 + )l(1) = l(1 + ) < l(X0 ) = 1
also
(1 )l(1) > 1.
Da > 0 beliebig gewahlt war, folgt l(1) 1. Andererseits gilt f

ur alle > 0, dass
(2X0 + (X0 ) + ) = 2(X0 ) (X0 ) < (X0 ).
Also ist die Auszahlung (2X0 + (X0 ) + ) in der Menge U und wegen (4.90) folgt
2l(X0 ) + ((X0 ) + )l(1) = l(2X0 + (X0 ) + ) < l(X0 ).
Mit (4.91) bedeutet dies
(1 + )l(1) < 1.
Da > 0 beliebig gewahlt war, folgt l(1) 1 und damit insgesamt
l(1) = 1. (4.92)
ur alle 0 und > 0 gilt

F
Monotonie
1{0 } (X0 ) + = 1{0 } + (X0 ) (X0 ) < (X0 )

also 1{0 } (X0 ) + U . Aus (4.90) folgt, dass

l 1{0 } (X0 )l(1) + l(1) = l 1{0 } (X0 ) + < l (X0 )

und damit, wegen l(1) = 1, l 1{0 } < . Da > 0 beliebig gewahlt war, folgt

l 1{0 } 0. (4.93)
4 RISIKOMASSE 108
Wegen (4.92) und (4.93) konnen wir vermoge
Q(A) := l(1A ), AF
ein Wahrscheinlichkeitsma definieren. Wegen der Linearitat von l gilt EQ (X0 ) = l(X0 ) =
ullt. Sei X L0 (, F, P )
(X0 ). Bleibt zu zeigen, dass Q die Ungleichung in (4.88) erf
e := X + (X) (X0 ) + . Es gilt
und > 0. Definiere X
e = (X) (X) + (X0 ) < (X0 )

(X)
e U . Damit folgt aus (4.90) und l(1) = 1

also X
l(X) (X) + (X0 ) = l(X + (X) (X0 ) + ) < l(X0 ).
Also wegen (X0 ) = 1 = l(X0 ) folgt l(X) < (X) + . Da > 0 beliebig gewahlt war,
folgt
EQ (X) = l(X) (X)

Folgende Uberlegungen r || = .
gelten auch fu
Beispiel f
ur ein interessantes koharentes Risikoma ist der ,,schlimmste bedingte Er-
wartungswert
Definition 4.12. Sei (0, 1). Die Abbildung
WCE : L (, F, P ) R, X 7 sup EP (X | A) (4.94)

{AF | P (A)>}
wird als schlimmster bedigter Erwartungswert (worst conditional expectation) zum

EP (1A Y )
Niveau bezeichnet (EP (Y | A) := P (A)
).
Proposition 4.13. WCE ist ein koharentes Risikoma mit VaR WCE .
Proof. WCE besitzt nach Konstruktion die Darstellung (4.87) mit P := {P (|A) |P (A) >
P (BA)
}, wobei P (B | A) := P (A)
. Es gilt EP (X | A) = EP (|A) (X)) . Mit Satz 4.10 ist
WCE koharent. Sei y R mit P ({X y}) > . Dann gilt
EP (1{Xy} X) EP (1{Xy} y)
WCE (X) EP (X | {X y}) = = y.
P (X y) P (X y)
4 RISIKOMASSE 109
Damit folgt WCE (X) sup{y | P (X y) > } = inf{y | P (X y) > } =

VaR (X).
Es gilt die Implikation
P (X q+ (X)) = = WCE (X) = E(X | X q+ (X)) (4.95)
(man beachte jedoch, dass die linke Seite nur auf unendlichen Wahrscheinlichkeitsraumen
ullt sein kann, da hierzu die Verteilungsfunktion von X an der Stelle q+ (X) stetig sein
erf
muss).
Beweisidee f
ur (4.95): Wenn die linke Seite gilt, dann kann im Supremum aus (4.94)
P (A) > durch P (A) ersetzt werden
Wir zeigen mit einem Neyman-Pearson-Argument, dass f
ur jedes Ereignis A mit P (A) =
gilt:
E(X | X q+ (X)) E(X | A).
Es gilt namlich
E(X1{Xq+ (X)} ) E(X1A )
= E(X1{Xq+ (X)}Ac ) E(X1{X>q+ (X)}A )
q+ (X)P ({X q+ (X)} Ac ) + q+ (X)P ({X > q+ (X)} A)
= 0.
Definition 4.14 (Average Value at Risk). Sei (0, 1). Die Abbildung
1
Z

AVaR : L (, F, P ) R, X 7 VaR (X) d.
0
wird als Average Value at Risk zum Niveau bezeichnet.
Proposition 4.15. Es gilt
AVaR (X) WCE (X) E(X | X q+ (X)),
wobei auf einem atomlosen Wahrscheinlichkeitsraum (, F, P ) Gleichheit giltk .

k
Ein Wahrscheinlichkeitsraum heit atomlos, wenn zu jedem A F mit P (A) > 0 ein B F, B A
existiert mit 0 < P (B) < P (A), endliche Wahrscheinlichkeitsraume sind allerdings nie atomlos.
5 NEUTRALE DERIVATEBEWERTUNG 110
ur alle (0, 1) und > 0 gilt P (X q+ (X) + ) > und damit

Proof. F
EP (X1{Xq+ (X)+} )
WCE (X)
P (X q+ (X) + )
Somit folgt aus
{X q+ (X) + } {X q+ (X)} f
ur 0,
die zweite Ungleichung.
Sei U eine auf (0, 1) gleichverteilte Zufallsvariable. Dann besitzt die Zufallsvariable
7 qU+() (X) die gleiche Verteilung wie X Es gilt
ohne Beweis
WCE (X) E(X | X < q (X))
= E(qU+ (X) | qU+ (X) < q (X))

1 +
Z
= q (X) d
0
= AVaR (X)
ur die Ungleichung beachte man, dass es ein 0 mit 0 gibt, so dass die Mengen
(f
{X < q (X)} und {X q+0 (X)} P -f.s. u
bereinstimmen.
5 Neutrale Derivatebewertung
In unvollstandigen Markten reichen Arbitrageargumente i.A. nicht aus, um eindeutige
Derivatepreise zu bestimmen. Man erhalt ein ganzes Intervall von No-Arbitrage-Preisen.
Jeder Preis in diesem Intervall ist vereinbar mit der Bedingung, dass es keine risikolose
Gewinnmoglichkeit geben soll. In vielen Modellen von praktischer Relevanz ist das Inter-
vall dieser No-Arbitrage-Preise jedoch sehr gro und liefert nur triviale Schranken (wie

F
ur den Fall, dass die Verteilungsfunktion von X stetig ist, ist der Beweis schnell gef
uhrt: F
ur jedes
y R existiert ein mit q (X) y q+ (X) und es gilt
+
P (qU (X) y) = P (U ) = = P (X y).
Der Beweis f
ur den allgemeinen Fall ist allerdings etwas unangenehmer (siehe z.B. Lemma A.19 in Follmer
und Schied [5]).
5 NEUTRALE DERIVATEBEWERTUNG 111

die in Ubungsaufgabe 1, Blatt 2). Daher ist man nat
urlich bem
uht, einen Preis aus die-
sem Intervall herauszupicken, der besonders plausibel erscheint. Dies erfordert nat
urlich
starkere Annahmen an das Modell. Bei No-Arbitrage Argumenten reicht es aus, dass f
ur
die Agenten mehr besser als weniger ist, bzw. dass ein riskoloser Gewinn von nieman-
dem ausgeschlagen w
urde.
Statt Arbitrageure, die nur an risikolosen Gewinnen interessiert sind, betrachten wir
nun Nutzenoptimierer. Nehme an, dass eine typische Marktteilnehmerin eine Nutzen-
funktion u hat und ausgehend von einem Startkapital v0 R ihren Erwartungsnutzen
Eu(VT ()) maximieren mochte.
Definition 5.1. Wir nennen Derivatepreisprozesse S d+1 , . . . , S d+n mit STd+i = H i , i =

1, . . . , n, neutral, wenn die reprasentative Nutzenmaximiererin bei diesem Preisprozess
weder Short- noch Longpositionen des Derivates in ihrem Portfolio halten mochte. D.h.
es existiert eine Strategie
= (1 , . . . , d , d+1 , . . . , d+n ), die Eu(VT ()) maximiert und f
ur die gilt d+i = 0 f
ur
i = 1, . . . , n.
Da die Nutzenmaximiererin das Derivat zu einem neutralen Preis weder kaufen noch
verkaufen will, erscheint es weder unter- noch u
berbewertet zu sein.
Satz 5.2. Sei u eine auf einem offenen Intervall definierte, streng monoton wachsen-
de, streng konkave, differenzierbare Nutzenfunktion. Es existiere eine optimale Strate-
gie (1 , . . . , d ) im Markt (S 0 , S 1 , . . . , S d ). Dann hat jede endliche Folge von Optionen
(H 1 , . . . , H n ) eindeutige neutrale Derivatepreisprozesse. Diese sind gegeben durch
Std+i = EP ? (H i |Ft ), (5.96)
wobei
dP ? u0 (VT (1 , . . . , d )
= . (5.97)
dP EP (u0 (VT (1 , . . . , d )))

Beweis. Existenz: Seien Std+i wie in (5.96) definiert. Damit ist P ? auch ein AMM im
vergroerten Markt (S 0 , S 1 , . . . , S d , S d+1 , . . . , S d+n ). Wegen
VT ((1 , . . . , d , 0, . . . , 0)) = VT ((1 , . . . , d , ))

6 AMERIKANISCHE OPTIONEN 112
und Satz 3.18 ist (1 , . . . , d , 0, . . . , 0) eine optimale Strategie im vergroerten Markt

(S 0 , S 1 , . . . , S d , S d+1 , . . . , S d+n ).
Eindeutigkeit: Seien nun (Sed+1 , . . . , Sed+n ) neutrale Derivatepreisprozesse und

e1 , . . . ,
( ed , 0, . . . , 0) eine optimale Strategie im vergroerten Markt
(S 0 , S 1 , . . . , S d , Sed+1 , . . . , Sed+n ). Dann ist nat e1 , . . . ,
urlich ( ed ) optimal im kleinen Markt
(S 0 , S 1 , . . . , S d ). Somit gilt wegen der Eindeutigkeit des optimalen Endvermogens (Satz
e1 , . . . ,
3.17), dass VT (( ed )) = VT ((1 , . . . , d )). Somit stimmt das durch
dPe u0 (VT (
e1 , . . . ,
ed ))
=
dP EP (u0 (VT (
e1 , . . . ,
ed )))
definierte Ma mit P ? aus (5.97) u

berein. Da nach Satz 3.18 die Sed+i Pe-Martingale sind
und wegen der Endbedingung SeTd+i = H i folgt die Eindeutigkeit.
6 Amerikanische Optionen
Definition 6.1. Ein Amerikainischer Claim ist durch einen nichtnegativen Prozess L =
(Lt )t=0,... ,T gegeben. Lt ist die diskontierte Auszahlung des Claims zum Zeitpunkt t.
Der Kaufer eines amerikanischen Claims kann diesen jederzeit bis zum Verfallszeit-
punkt T aus
uben. Der Claim kann jedoch nur einmal ausge
ubt werden. Sobald er ausge
ubt
ist, erhalt der Kaufer die entsprechende Auszahlung und alle weiteren Rechte verfallen.
Anderseits kann der Claim auch nicht r
uckwirkend ausge
ubt werden. Der Kaufer kann
also nicht zum Zeitpunkt t2 > t1 die Auszahlung Lt1 einfordern. Damit korrespondiert die
optimale Aus
ubung mit einem optimalen Stopp-Problem.
Definition 6.2. Eine Aus

ubungsstrategie f
ur einen Amerikainischen Claim L ist eine
Stoppzeit , die Werte in {0, . . . , T } annehmen kann. Die Auszahlung ist dann gegeben
durch L () ().
Beispiel 6.3. Bei amerikanischen Put bzw. Call Optionen ist die diskontierte Auszahlung
gegeben durch Lt = ert (K St1 )+ bzw. Lt = ert (St1 K)+ (r ist der risikolose Zinsatz,
d.h. St0 = ert ).
Bei gleichem Strike K ist die amerikanische Put Option genau dann out of the
money, wenn die Call Option in the money ist. Deshalb ist klar, dass die optimale
Aus
ubung in der Regel zu unterschiedlichen Zeitpunkten erfolgt. Insbesondere gilt die
Put-Call-Paritat f
ur europaische Optionen (vgl. Blatt2, Aufgabe 2) hier nicht.
Beispiel 6.4. Russische Optionen lassen sich als amerikanische Claims darstellen. Die
ubung zum Zeitpunkt t {0, . . . , T } ist gegeben durch
Auszahlung bei Aus
Lt := ( max Sj1 c1 t) c2 , c1 > 0, c2 0

j=0,... ,t
Bemerkung 6.5. Man kann nat

urlich jeden europaischen Claim H als Spezialfall eines
amerikanischen Claims interpretieren kann. Setze dazu einfach

0 f ur t < T
Lt := (6.98)
H f ur t = T
Beispiel 6.6 (Bermuda Option). Eine Bermuda Option kann vom Kaufer jederzeit inner-
halb einer vorbestimmten Teilmenge T {0, . . . , T } ausge
ubt werden. Zum Beispiel zahlt
die Option den Betrag (St1 K)+ , wenn sie zum Zeitpunkt t ausge
ubt wird. Eine Bermu-
da Option kann also auch als eine spezielle amerikanische Option betrachtet werden mit
ur t 6 T . Damit ist eine Bermuda Option ein Finanzinstrument irgendwo zwi-
Lt = 0 f
schen einer amerikanischen Option mit T = {0, . . . , T } und einer europaischen Option
mit T = {T } ganz ahnlich wie Bermuda zwischen Amerika und Europa liegt.
Beispiel 6.7 (Installment Option). Eine Installment Option ist einerseits eine Option
europaischen Typs, d.h. die (mogliche) Auszahlung an den Besitzer erfolgt zum Zeitpunkt
T . Andererseits wird die fallige Pramie f
ur eine Installment Option in verschiedenen
Raten gezahlt und es besteht die Moglichkeit, die Pramienzahlung vorzeitig einzustellen
allerdings um den Preis, dass dann eine mogliche Auszahlung zum Zeitpunkt T entfallt.
Da also sowohl die Einzahlungen als auch die mit der Option verbundene Auszahlung von
der Stoppstrategie des Besitzers beeinflusst werden konnen, ist es sinnvoll mit Lt die
Differenz aus Aus- und Einzahlungen zu modellieren (in Geldeinheiten zum Zeitpunkt t
ausgedr
uckt), wenn der Besitzer den Vertrag zum Zeitpunkt t aufk
undigt. Wenn r die
risikolose Zinsrate pro Zeiteinheit ist, sieht L im Falle einer Call Option wie folgt aus:
t1
X
Lt = (1 + r)ti , t = 1, . . . , T 1
i=0
T 1
X
LT = (ST1 K) +
(1 + r)T i .
i=0
Um amerikanische Optionen analysieren zu konnen, brauchen wir zunachst ein paar

weitere Hilfsmittel.
6.1 Einschub: Essentielles Supremum
Sei G F eine Teil--Algebra von F und M eine nichtleere Menge von G-messbaren
reellwertigen Zufallsvariablen (M ist i.A. u
berabzahlbar) Wir wollen nun das Supremum
der Zufallsvariablen X M bilden. Wenn M abzahlbar ist, konnen wir einfach das
punktweise Supremum der Zufallsvariablen X M bilden, d.h. X ? () := supXM X().
X ? ist dann auch wieder (G-)messbar, also eine Zufallsvariable. Im u
berabzahlbaren Fall
muss dies nicht mehr der Fall sein. Aber auch in Fallen, in denen das punktweise Su-
premum messbar ist, kann es zu unerw
unschten Ergebnissen kommen, wenn man auf
P -fast-sicher-Aussagen hinaus will. Betrachte dazu das folgende Beispiel: = [0, 1] und
M = {1{y} |y [0, 1]} und P ist das Lebesgue-Ma auf [0, 1]. Dann gilt supXM X() = 1,
[0, 1], aber P (X = 0) = 1 f
ur jedes einzelne X M.
Definition 6.8. Eine Zufallsvariable Z ist ein essentielles Supremum von M bez
uglich
einer -Algebra G und eines Maes P , wenn sie die folgenden drei Eigenschaften erf
ullt
(i) Z ist G-messbar
(ii) P (Z X) = 1 X M
ur jede G-messbare Zufallsvariable Z 0 die Eigenschaft (ii) erf

(iii) F ullt, gilt P (Z 0 Z) =
1
Wir werden sehen, dass es P -f.s. ein eindeutiges essentielles Supremum gibt. Wir schrei-
ben dann ess supM := Z. Das essentielle Infimum kann man dann durch ess infM :=
ess sup(M) definieren.
Bemerkung 6.9. Das Ma P brauchen wir bei der Definition nur zur Festlegung der
Nullmengen, d.h. der Mengen N G mit P (N ) = 0. Gehen wir also zu einem aquivalenten
Martingalma Q u
ber, so andert sich die Definition nicht.
Bemerkung 6.10. Analog zu dem Supremum in R sucht man hier auch die kleinste
Schranke, die alle X M dominiert. Nur sucht man diese Schranke in der Menge der
G-messbaren Zufallsvariablen und versteht Dominanz im P -f.s. Sinne.
ur jede nichtleere Menge M von G-messbaren reellwertigen Zufallsvariablen,

Satz 6.11. F
gibt es ein bis auf P -Nullmengen eindeutiges essentielles Supremum bzgl. G (mit Werten in
R {+}). Ist dar
uberhinaus M maximumsstabil, d.h. X1 , X2 M = X1 X2 M,
dann existiert eine Folge (Xn )nN M mit limnN Xn = ess supM P -f.s.
Beweis. Eindeutigkeit: Seinen Z1 , Z2 zwei Zufallsvariablen, die (i)-(iii) erf

ullen. Dann gilt
P (Z2 Z1 ) = P (Z1 Z2 ) = 1.
Existenz: Sei f : R {+} [0, 1] eine strikt monotone, stetige Funktion. Definiere
folgende Menge M
f := {X1 . . . Xk |Xi M, k N}. Sei m := sup f EP f (X).
XM
Wegen f 1 gilt auch m 1. Es existiert eine monoton aufsteigende Folge (Yn )nN M
f
mit m = supnN EP f (Yn ) (da M

f maximumsstabil ist, kann die Folge aufsteigend gewahlt
werden). Wir wollen zeigen, dass
Z := sup Yn
nN
eine Version des essentiellen Supremums ist. Z kann Werte in R {+} annehmen.
Offenbar ist Z G-messbar. Sei X M. Aus f (Yn X) f (Z X) und monotoner
Konvergenz folgt
EP (f (Yn X)) EP (f (Z X)), n . (6.99)
Da Yn X M
f folgt
EP f (Z X) = sup EP f (Yn X) m = EP (f (Z))

nN
(die letzte Gleichheit folgt analog zu (6.99), wobei ausreichen w

urde). Wegen P (X Z
Z) = 1 und der strikten Monotonie von f folgt daraus, dass P (X > Z) = P (f (Z X) >
f (Z)) = 0 und damit (ii). Sei nun Z 0 eine Zufallsvariable mit P (Z 0 X) = 1 X M.
Dann gilt P (Z 0 Yn ) = 1 n N und damit 1 = P (Z 0 supnN Yn ) = P (Z 0 Z).
In unseren Anwendungen ist M eine Menge von bedingten Erwartungswerten, ge-

nauer M = {EQ (L |Ft )| St }, wobei St die Menge der Stoppzeiten mit Werten in
{t, t + 1, . . . , T } ist. ess sup St EQ (L |Ft ) bezeichne dann das essentielle Supremum der
Menge M = {EQ (L |Ft )| St } bez
uglich der -Algebra Ft und des Maes P (letzte-
res kommt in der Notation nicht explizit zum Ausdruck. Da hierf
ur nur die Nullmengen
uglich Q P sagen).
ausschlaggebend sind, kann man auch bez
Bemerkung 6.12 (Zusatz). Der Existenzbeweis in Satz 6.11 beruht darauf, dass die
Zufallsvariablen aus M messbar bzgl. der -Algebra G sind, bzgl. der das essentielle Su-
premum erklart ist. Das essentielle Supremum bzgl. der -Algebra G lasst sich aber auch
ur eine Menge M von Zufallsvariablen definieren, die nur bzgl. der groeren -Algebra
f
F messbar sein m
ussen. Definiere dazu zunachst die Menge
M0 := {Y : R {} G-messbar | P (Y X) = 1 X M} .
Definiere nun das essentielle Supremum von M bzgl. G durch
ess supG M := ess infM0 := ess sup (M0 ) ,
wobei ess sup (M0 ) gema Theorem 6.11 bzgl. der Menge M0 gebildet wird, die aus
G-messbaren Zufallsvariablen besteht.
Es ist klar, dass ess supG M die Bedingungen aus Definition 6.8 erf
ullt. Sei X M.
ur jedes Y M0 gilt P (Y X) = 1 und damit auch P (ess infM0 X) = 1. Also ist
F
ullt. Nehme nun an, Z 0 ist G messbar und P (Z 0 X) = 1 f
(ii) erf ur alle X M. Dies
bedeutet Z 0 M0 und damit P (Z 0 ess infM0 ) = 1. Also ist (iii) erf
ullt.
ur ein solchen essentielles Supremum ist die L -Norm

Ein Beispiel f
||X|| := inf{m R | P (|X| m) = 1}.

||X|| ist das essentielle Supremum der einelementrigen Menge M = {X} bzgl. der
trivialen -Algebra G = {, }, d.h. X ist i.A. nicht G-messbar.
6.2 Amerikanische Optionen in vollst

andigen M
arkten
Sei Ut der minimale Betrag, den der Verkaufer zum Zeitpunkt t braucht, um sich gegen
einen bis zum Zeitpunkt t 1 noch nicht ausge
ubten amerikanischen Claim L absichern
zu konnen. Zum Zeitpunkt T gilt nat
urlich
UT = LT . (6.100)
Zum Zeitpunkt T 1 ist die erste Voraussetzung, dass UT 1 LT 1 . Ausserdem muss UT 1

gro genug sein, um LT hedgen zu konne (f
ur den Fall, dass die Option zum Zeitpunkt
T 1 noch nicht ausge
ubt wird), d.h. UT 1 EQ (LT |FT 1 ) = EQ (UT |FT 1 ), wobei Q

das eindeutige AMM ist. Es gilt also
UT 1 = LT 1 EQ (UT |FT 1 ).
Man kann dieses Argument iterativ fortsetzen und erhalt die R

uckwartsrekursion
UT = LT , Ut1 = Lt1 EQ (Ut |Ft1 ), t = 1, . . . , T. (6.101)
Definition 6.13. Sei L ein adaptierter Prozess mit EQ (Lt ) < f

ur alle t {0, 1, . . . , T }.
Der Prozess U Q := U definiert in (6.101) wird die Snell-Einhu
llende des Prozesses L
bzgl. des Maes Q genannt.
Beispiel 6.14. Sei L wie in (6.98) definiert, d.h. wir haben den Spezialfall eines eu-
ropaischen Claims, dann gilt UtQ = EQ (H|Ft ), t = 0, . . . , T , d.h. U Q ist der Wertprozess
einer den Claim H replizierenden Strategie.
ullende U Q eines stochastischen Prozesses L = (Lt )t=0,... ,T

Proposition 6.15. Die Snell-Einh
(bzgl. eines Maes Q), erf
ullt folgende Eigenschaften
(i) U Q ist ein Q-Supermartingal
(ii) UtQ Lt t = 0, . . . , T
(iii) F
ur jeden Prozess U
e der (i) und (ii) erf et UtQ t = 0, . . . , T .
ullt, gilt U
Q
Beweis. Ad (i): Wir m
ussen nur zeigen, dass EQ (Ut+1 |Ft ) UtQ . Direkt aus (6.101) folgt
UtQ = Lt EQ (Ut+1
Q Q
|Ft ) EQ (Ut+1 |Ft ).
Ad (ii): auch klar.

Ad (iii): Sei U eT LT = U Q . Wir
e ein Supermartingal, das L dominiert. Dann gilt U
T
fahren mit einer R

uckwartsinduktion fort. Nehme an, wir w et UtQ .
ussten bereits, dass U
Q
et1 Ut1
Zu zeigen: U . Da U
e ein Supermartingal ist, gilt
et1 EQ (U
U et |Ft1 ).
et1 Lt1 und der Induktionsvoraussetzung folgt

Zusammen mit U
et1 Lt1 EQ (UtQ |Ft1 ) = Ut1

U Q
.

Satz 6.16 (Absicherung amerikanischer Optionen). Sei Q das eindeutige AMM in einem
vollstandigen Markt und L die diskontierte Auszahlung eines amerikanischen Claims mit
ullenden U Q . Dann existiert ein d-dimensionaler, vorhersehbarer stochastischer
Snell-Einh
Prozess (Hedging-Strategie) mit
u
X
UtQ + >
j Sj Lu , u = t, . . . , T, (6.102)
j=t+1
Pt
mit der Konvention j=t+1 ur alle Ft -messbaren Zufallsvariablen
:= 0. Auerdem gilt f
U
et , die (6.102) mit einer Strategie
e erf et UtQ . Also ist UtQ in der Tat das
ullen, dass U
minimale Kapital, dass man zum Zeitpunkt t braucht, um L von t bis T zu hedgen
(Obige Aussage ist nat
urlich insbesondere f
ur t = 0 zu betrachten).
ultigkeit von (6.102): Betrachte die Doob-Meyer-Zerlegung UtQ = U0Q +

Beweis. (1) Zur G
Mt + At (vgl. Theorem 1.5). Da U Q ein Supermartingal ist, ist At nichtsteigend und
ur u t, dass UtQ + Mu Mt UuQ Lu Wegen der Vollstandigkeit des
daher gilt f
Marktes gibt es eine Darstellung M = S, d.h. Mu Mt = uj=t+1 >
P
j Sj . Damit folgt
UtQ + uj=t+1 > Q

P
j Sj Uu Lu .
(ii) Zur Minimalitat von UtQ : Erf

ulle U
et Bedingung (6.102) mit einer Strategie .
e
Definiere
u
X
Vu := U
et + e>
j Sj Lu , u {t, . . . , T }.
j=t+1
O.B.d.A. ist U
et beschrankt (In einem vollstandigen Markt in diskreter Zeit mit endli-
chem Zeithorizont und endlich vielen Wertpapieren ist jede Zufallsvariable beschrankt.
Dies haben wir jedoch nicht bewiesen. Stattdessen kann man obiges o.B.d.A. bekommen,
indem man f
ur ein beliebiges n N die folgenden Uberlegungen zunachst nur auf der
Ft -messbaren Menge {U
et n} durchf
uhrt).
Dann ist (Vu )u=t,... ,T als beschrankter Startwert plus einem Integral nach einem Q-
Martingal ein lokales Q-Martingal (Proposition 2.9) und damit wegen Beschranktheit nach
unten ein Q-Martingal (Proposition 2.10), also insbesonders ein Q-Supermartingal. Da
zudem (Vu )u=t,... ,T den Prozess (Lu )u=t,... ,T dominiert, dominiert er mit Proposition 6.15
et = Vt UtQ .
auch (UuQ )u=t,... ,T . Insbesondere gilt U
Satz 6.17. F ullende U Q von L gibt es folgenden Ausdruck

ur die Snell-Einh
UtQ = ess sup St EQ (L |Ft ) = EQ (L t |Ft ), (6.103)
wobei t := inf{j t|UjQ = Lj } (es gilt t St ). Insbesondere gilt also
U0Q = sup EQ (L ) = EQ (L 0 ).
S0
Bemerkung 6.18. Im vollstandigen Markt ist also die minimale Pramie, die der Verkaufer
braucht, um sich gegen die Option abzusichern, gegeben durch U0Q = sup S0 EQ (L ). Ware
die Pramie strikt groer als U0Q , konnte der Verkaufer stets einen risikolosen Gewinn
machen vollig unabhangig von der Aus
ubungsstrategie des Kaufers. Der Kaufer d
urfte
sogar ein Insider sein, der zur optimalen Aus
ubung mehr Informationen zur Verf
ugung
hat als durch die Filtration (Ft )t=0,... ,T modelliert. Der Vermogensprozess des Verkaufers
dominiert namlich den Auszahlungsprozess auf dem gesamten Pfad und nicht nur f
ur be-
stimmte Stoppzeiten, siehe Ungleichung (6.102) f
ur t = 0. W
urde der Kaufer die Option
zum Beispiel zum Zeitpunkt = min{t 0|Lt = maxj Lj } aus
uben (was keine Stoppzeit
ist !), so ware der Verkaufer mit seiner Hedging-Strategie aus (6.102) trotzdem auf der
sicheren Seite.
Ware umgekehrt die Pramie f

ur den amerikanischen Claim strikt kleiner als sup S0 EQ (L ),
dann existierte nat
urlich eine Stoppzeit , so dass EQ (L ) strikt groer als der Options-
Preis. In diesem Fall konnte der Kaufer des amerikanischen Claims einen risikolosen
Gewinn machen: er konnte den Claim L mit dem Startkapital EQ (L ) replizieren
uben. Damit ware der Gewinn EQ (L ) Pramie ge-
und die Option zum Zeitpunkt aus
macht.
In diesem Sinne ist U0Q der eindeutige No-Arbitrage-Preis des amerikanischen
Claims.
Beweis von Satz 6.17. Da U Q ein Q-Supermartingal ist, gilt f

ur alle Stoppzeiten St ,
dass
UtQ EQ (UQ |Ft ) EQ (L |Ft )
(Optional Sampling Theorem). Damit gilt nat

urlich auch
UtQ ess sup St EQ (L |Ft ).
Es bleibt in dem Beweis nur noch zu zeigen, dass UtQ = EQ (L t |Ft ). Dies wiederum w
urde
folgen, wenn man zeigen kann
UtQ = EQ (UQt |Ft ). (6.104)

t t Q
ussen zeigen, dass der gestoppte Prozess (UsQ )s=t,... ,T mit (UsQ ) := Us
Wir m t ein Mar-
tingal ist. Sei s {t, . . . , T 1}. Auf der Menge { t > s} gilt UsQ > Ls . Daher gilt auf
der Menge { t > s} P -f.s.
t Q Q Q t
(UsQ ) = UsQ = Ls EQ (Us+1 |Fs ) = EQ (Us+1 |Fs ) = EQ ((Us+1 ) |Fs ).
Q t t
Auf der Menge { t s} gilt (Us+1 ) = UQt = (UsQ ) . Damit ist der gestoppte Prozess
t
(U Q ) ein Martingal und es gilt insbesondere (6.104).
6.3 Arbitragetheorie fu
r amerikanische Optionen
Nun wollen wir eine Arbitragetheorie f
ur amerikanische Optionen entwickeln. Dabei ist
der Markt i.A. nicht vollstandig. Zudem sollen, analog zu Korrolar 2.3, Optionen nicht
nur zum Startzeitpunkt ge- und verkauft werden, sondern am Markt dynamisch gehandelt
werden konnen.
Definition 6.19. (vgl. Definition 2.2) F

ur einen amerikanischen Claim (Lt )t=0,... ,T nen-
nen wir einen adaptierten Prozess (Set )t=0,... ,T einen Derivatepreisprozess, wenn Set Lt ,
t = 0, . . . , T 1 und SeT = LT .
Mochte man statt europaische Optionen amerikanische Optionen handeln, so kommt

der neue Aspekt hinzu, dass die Option vorzeitig ausge
ubt werden kann. Nehmen wir an,
eine Handlerin mochte eine Short-Position der amerikanischen Option in ihrem Portfo-
lio halten. Sie verkauft z.B. die Option zum Zeitpunkt t1 und beschliet, sie erst zum
Zeitpunkt t2 > t1 wieder zur
uckzukaufen. Dies entsprache der Handelsstrategie
et =
1{t1 +1,... ,t2 } (t). Nun kann es aber nat
urlich sein, dass die amerikanische Option zwischen-
zeitlich vom Halter (Kaufer) ausge
ubt wird. Damit ware die Handlerin in ihrer Strategie
e
gestort. Man kann aber argumentieren, dass, wenn Set1 > Lt1 (d.h. zum Zeitpunkt t 1
ist der Marktpreis Set1 der amerikanischen Option strikt groer als der Aus
ubungswert)
urchten muss, dass die Option in t 1 ausge
die Handlerin nicht f ubt wird. W
urde die Op-
tion namlich in t 1 ausge
ubt, m
usste die Handlerin den Betrag Lt1 an den Besitzer der
Option zahlen, konnte aber zum gleichen Zeitpunkt (also in t 1) die Option wieder neu
auf dem Markt verkaufen und bekame daf
ur den Preis Set1 . Die Handlerin hatte also den
risikolosen Gewinn Set1 Lt1 > 0 erzielt, ohne dass sich ihre Positionen in der Option
verandert hatten. Also kann man annehmen, dass, wenn Set1 > Lt1 , die Option
zum Zeitpunkt t 1 nicht ausgeu
bt wird. In diesem Fall kann
et (Investition in den
Zuwachs Set ) frei gewahlt werden (positiv oder negativ).
Dieses Argument kann aber in sich zusammenbrechen, wenn Set1 = Lt1 . Daher fordert
et 0 auf der Menge { |Set1 () = Lt1 ()} Ft1 . Long-Positionen
wir, dass
in amerikanischen Optionen sind dagegen generell unproblematisch, da der Besitzer der
Option ja von niemandem gezwungen werden kann, die Option auszu
uben.
Umgekehrt beachte man, dass die vorzeitige Aus
ubung der Option nicht explizit mo-
delliert werden muss. Statt die Option vorzeitig auszu
uben, kann sie namlich am liquiden
Markt verkauft werden. Wegen Se L liefert letzteres einen mindestens so hohen Erlos.
Dies bedeutet aber nat
urlich nicht, dass die vorzeitige Aus
ubbarkeit irrelevant ist, da ohne
sie die Nebenbedingung Se L gar nicht zustande kame.
O.B.d.A. S 0 = 1. Zudem sei der Markt, der nur aus den Basiswertpapieren besteht
arbitragefrei, d.h Me := Me (S 1 , . . . , S d ) 6= .
Definition 6.20 (Zulassige Handelsstrategie). Seien L1 , . . . , Lk amerikanische Claims

und S d+1 , . . . , S d+k dazugehorige Derivatepreisprozesse. Eine zulassige Handelsstrategie
im erweiterten Markt (S 1 , . . . , S d , S d+1 , . . . , S d+k ) ist ein vorhersehbarer Prozess =
(1 , . . . , d , d+1 , . . . , d+k ), der f
ur i = 1, . . . , k die Leerverkaufs-Beschr
ankungen
d+i 0 auf der Menge {Sd+i = Li } (6.105)
erf
ullt (wenn der Marktpreis den Aus
ubungswert nicht u
berschreitet, darf die Option also
nicht geshortet werden).
Satz 6.21. Sei || < . Der erweiterte Markt ist genau dann arbitragefrei, d.h. es gibt
keine zulassige Strategie, die eine Arbitrage im Sinne von Definition 1.17 liefert, wenn
Std+i = ess sup St EQ Li | Ft , i = 1, . . . , k, f

ur ein Q Me (S 1 , . . . , S d ). (6.106)

Bemerkung 6.22. Da europaische Claims formal als amerikanische Claims mit Aus-
zahlung vor T betrachtet werden konnen, d
urfen einige der Claims auch europaische
Optionen sein und das Theorem ist eine Verallgemeinerung von Korollar 2.3.
F
ur den Beweis des Satzes benotigen wir folgenden Hilfssatz, der auch von unabhangi-
gem Interesse ist.
Lemma 6.23. (i) Sei U Q die Snell-Einh

ullende aus (6.103) bzgl. eines Maes Q. Dann
ist 1{U Q >L } U Q ein Q-Martingal und 1{U Q =L } U Q ein Q-Supermartingal.

(ii) Sei umgekehrt U e L und U

e ein Prozess mit U eT = LT , so dass 1 e U
e ein
{U >L }
Q-Martingal und 1{Ue =L } U e = U Q Q-f.s.

e ein Q-Supermartingal ist. Dann gilt U
Bemerkung 6.24. Lemma 6.23 kann als Verallgemeinerung der folgenden Aussage in-
terpretiert werden: Es gibt genau ein Q-Martingal mit Endwert H, namlich den Prozess
t 7 EQ (H|Ft ).
Q
Beweis von Lemma 6.23. Ad (i): Wegen Ut1 = Lt1 EQ (UtQ |Ft1 ) gilt
EQ (1{U Q (UtQ Ut1

Q
)|Ft1 ) = EQ (1{U Q (UtQ EQ (UtQ |Ft1 ))|Ft1 )
t1 >Lt1 } t1 >Lt1 }
= 1{U Q EQ (UtQ EQ (UtQ |Ft1 )|Ft1 ) = 0.

t1 >Lt1 }
Also ist 1{U Q >L } U Q ein Q-Martingal. Da mit Proposition 6.15 U Q ein Q-Supermartingal

ist, ist auch 1{U Q =L } U Q = U Q U0Q 1{U Q >L } U Q ein Q-Supermartingal.

Ad (ii): Wir wollen zeigen, dass die in (ii) aufgestellten Bedingungen einen Prozess U
e
bereits eindeutig bestimmen. Mit (i) w e = U Q folgen.

urde dann U
Seien also U , U
e zwei Prozesse, die die in (ii) formulierten Bedingungen erf
ullen. Sei
t {0, . . . , T 1}. Definiere At := {U
et < Ut } und t := inf{s t | U
es = Us }. Es gilt
urlich t T . Auf der Menge At gilt t > t und Us1 > U

nat es1 Ls1 f
ur s = t+1, . . . , t .
Wir wollen zeigen, dass dann der Prozess (1At (s)Ust )s=t,... ,T ein Martingal ist (der Prozess
ist also erst ab t definiert, ist auf \ At identisch null und wird bei t abgestoppt). F
ur
s {t + 1, . . . , T } gilt
t
EQ 1At Ust Us1

| Fs1 = EQ 1At {t >s1}{Us1 >Ls1 } (Us Us1 ) | Fs1

= 1At {t >s1} EQ 1{Us1 >Ls1 } (Us Us1 ) | Fs1
| {z }
=0
= 0.
Aus der Martingaleigenschaft des Prozesses folgt
EQ (1At (Ut Ut )) = 0. (6.107)
Da U

EQ 1At (Ut Ut ) 0.
e e (6.108)
Definiere die Zufallsvariable

h i
X := 1At Ut U
et (Ut U
et )
Es gilt 1At (Ut U

et ) 0 und Ut U
et = 0. Also X 0 und Q(X < 0) = Q(At ). Da aber
wegen (6.107) und (6.108) EQ (X) 0 kann dies nur sein, wenn Q(At ) = 0. Analog folgt,
dass Q(U
et > Ut ) = 0 und damit die Q-f.s.-Eindeutigkeit.
Man braucht noch eine Abwandlung von Lemma 1.23.
Lemma 6.25. Sei U Rn ein nichtleerer konvexer Kegel (d.h. x + y U und x U

ur alle x, y U und R+ ), K Rn kompakt und konvex, U K = . Dann existiert
f
ein Rn mit > x 0 f
ur alle x U und > x > 0 f
ur alle x K.
Der Beweis dieses Trennungssatzes geht analog. Im Unterschied zum Vektorraum U

aus Lemma 1.23 sind beim Kegel jedoch nur positive Vielfache wieder drin. Somit kann
nur > x 0 statt = 0 f
ur alle x U geschlossen werden.
Beweis. Sei Q Me und S d+1 , . . . , S d+k wie in (6.106) definiert. Mit Lemma 6.23(i)
folgt, dass 1{S d+i >Li S d+i Q-Martingale und 1{S d+i =Li S d+i Q-Supermartingale sind.
} }
ur den Handelsgewinn in S d+i gilt

F

d+i S d+i = d+i 1{S d+i >Li } S d+i + d+i 1{S d+i =Li } S d+i

| {z }
0

d+i

= 1 d+i i S d+i + d+i 1 d+i i S d+i
{S >L } {S =L }
| {z } | {z }
=Martingal 0
Da Integrale nach Supermartingalen mit nichtnegativen Integranden Supermartingale

sind, ist f
ur jede zulassige Strategie der kummulierte Handelsgewinn S ein Q-
Supermartingal, also insbesondere EQ ( ST ) 0. Dies impliziert Arbitragefreiheit.
Seien (Sed+1 , . . . Sed+k ) Derivatepreise f

ur (L1 , . . . , Lk ) im Sinne von Definition 6.19
und gebe es im erweiterte Markt (S 0 , . . . , S d , Sed+1 , . . . Sed+k ) unter der Handelsbeschrankung (6.105)
keine Arbitrage. Wir konnen nun Satz 1.21 nicht direkt anwenden, da er keine Wertpapie-
re mit dem Verbot von Leerverkaufen vorsah. Stattdessen ist der Raum der erzielbaren
Endvermogen
U := { ST | zulassig}
nur ein konvexer Kegel. Statt Lemma 1.23 wir Lemma 6.25 angewendet, was die Existenz
eines Ma Q P mit
EQ ( ST ) 0 f
ur alle zulassigen Handelsstratigien (6.109)
nach sich zieht.
Sei t {1, . . . , T }, A Ft1 .

Sei zunachst i {1, . . . , d + k}. Da Longpositionen in allen Wertpapieren bedenkenlos
gebildet werden konnen, ist

1 f
ur j = i und u = t
j A
u :=
0 sonst
zulassig. Aus (6.109) folgt EQ (1A Sti ) 0.

Sei nun i {1, . . . , d}. Wahle die zulassige Strategie

1 f ur j = i und u = t
A
ju :=
0 sonst
Es folgt EQ (1A Sti ) 0
Sei nun i {d + 1, . . . , d + k}. Wahle

1 f
ur j = i und u = t
i
A{St1 >Lid
t1 }
ju :=
0 sonst
Die Strategie ist zulassig, da das amerikanische Derivat nur leerverkauft wird, wenn sein
Preis in t 1 strikt groer als sein Aus
ubungswert ist. Es folgt EQ (1A{S i id Sti ) 0
t1 >Lt1 }
ur die Basiswertpapiere i = 1, . . . , d folgt insgesamt, dass S i Q-Martingale sind,

F
also Q Me . F
ur die amerikanischen Claims folgt jedoch nur, dass 1{S i >Lid } S i Q-

Martingale und S i Q-Supermartingale sind. Damit sind 1{S i =Lid } S d+i Q-Supermartingale.

Mit Lemma 6.23(ii) folgt, dass
Sti = ess sup St EQ Lid

| Ft f
ur alle t.
6.4 Nutzenbasierte Bewertung amerikanischer Optionen in un-

vollst
andigen M
arkten
Analog zu europaischen Claims wollen wir nun neutrale Preise f

ur amerikanische Claims
definieren. Diese haben sich ja dadurch ausgezeichnet, dass unter ihnen die Nachfrage nach
Optionen dem Angebot von Optionen entspricht.
Wir definieren wieder folgende Handelsbeschrankungen.
Definition 6.26.

S := = (1 , . . . , d , d+1 ) vorhersehbar und f
ur alle t = 1, . . . , T gilt
d+1
t
d+1
0 auf der Menge St1 = Lt1 }
Um die Notationen zu vereinfachen nehmen wir an, dass es nur einen amerikanischen
Claim gibt. Die Argumente lassen sich aber ohne irgendwelche Probleme, auf den mehr-
dimensionalen Fall u
bertragen.
Definition 6.27. Ein Derivatepreiprozess Sed+1 f

ur einen amerikanischen Claim L heit
neutral, wenn eine zulassige Strategie = (1 , . . . , d , d+1 ) S existiert, die Eu(VT ())
ur die gilt d+1 = 0.
unter der Nebenbedingung S maximiert und f
Satz 6.28. Sei || < . Des weiteren sei u eine streng monoton wachsende, streng
konkave, differenzierbare Nutzenfunktion und die Menge {x R|u(x) > } sei offen.
Es existiere eine optimale Strategie (1 , . . . , d ) im Markt (S 0 , S 1 , . . . , S d ). Dann hat
jede amerikanische Option L einen eindeutigen neutralen Derivatepreisprozess. Dieser ist
gegeben durch
Std+1 = ess sup St EP ? (L |Ft ), (6.110)
wobei
dP ? u0 (VT (1 , . . . , d ))
= .
dP EP (u0 (VT (1 , . . . , d )))
Zum Beweis benotigen wir
e {| vorhersehbar} die Menge der zulassigen Strategien in einem

Lemma 6.29. Sei S
e konvex und S
Erwartungsnutzen-Optimierungsproblem. Sei S e eine zulassige Strategie
mit u(v0 + ST ) > . Dann sind folgende Aussagen aquivalent
(i) ist optimal unter der Nebenbedingung S

e
(ii) u0 (VT ())(( ) ST ) hat nichtpositiven Erwartungswert f

ur alle zulassigen Stra-
tegien S
e mit u(v0 + ST ) > .
Beweis. (ii)(i): Sei S

e eine zulassige Strategie mit u(v0 + ST ) > . Da u
konkav ist gilt
E(u(v0 + ST )) E(u(v0 + ST )) + E(u0 (v0 + ST )(( ) ST ))
E(u(v0 + ST )),
woraus (i) folgt.

(i)(ii): Sei S
e mit u(v0 + ST ) > . Definiere () := + ( ) f
ur
e konvex und u konkav ist gilt () S
[0, 1]. Da S e und u(VT ( () )) > . Wegen
der Optimalitat von gilt
0 E(u(v0 + () ST )) E(u(v0 + ST )),
was gleich dem Ausdruck E( () (( ) ST )) f

ur eine Zufallsvariable () mit Werten
in [u0 (v0 + ST ), u0 (v0 + () ST )] bzw. [u0 (v0 + () ST ), u0 (v0 + ST )] ist. Da
() ST ST , gilt () u0 (v0 + ST ) fast sicher f
ur 0. Da || < folgt
sofort, dass
E( () (( ) ST )) E(u0 (v0 + ST )(( ) ST )),
ur 0 und damit E(u0 (v0 + ST )(( ) ST )) 0.

f
Beweis von Satz 6.28. Existenz: Betrachte zu S d+1 aus (6.110) den Prozess (S d+1 )> bez
uglich
der unteren Schranke L. Mit Lemma 6.23 folgt, dass (S d+1 )> ein P ? -Martingal ist. Sei
S eine beliebige zulassige Strategie im vergroerten Markt. Da S 1 , . . . , S d P ? -
Martingale sind, ist mit Proposition 1.16(iii) auch das Integral ( 1 , . . . , d ) (S 1 , . . . , S d )
ein P ? -Martingal. Auerdem ist
d+1 S d+1 = d+1 (S d+1 )= + d+1 (S d+1 )>
= d+1 1{S d+1 =L } (S d+1 )= + d+1 1{S d+1 >L } (S d+1 )>

ein P ? -Supermartingal. (S d+1 )> ist namlich ein P ? -Martingal und somit das Integral
d+1 1{S d+1 >L } (S d+1 )> und (S d+1 )= ist ein P ? -Supermartingal und wegen der Nichtne-

gativitat des Integranden i 1{S d+1 =L } auch das Integral d+1 1{S d+1 =L } (S d+1 )= .

ur jede Strategie S das Integral

Es folgt also, dass f (S 1 , . . . , S d+1 ) ein P ? -
Supermartingal ist, also insbesondere
EP ? ( (S 1 , . . . , S d+1 )T ) 0.
Ausserdem ist (1 , . . . , d , 0) (S 1 , . . . , S d+1 ) ein P ? -Martingal, also
EP ? ((1 , . . . , d , 0) (S 1 , . . . , S d+1 )T ) = 0.
Wegen
dP ? u0 (VT (1 , . . . , d ))
=
dP EP (u0 (VT (1 , . . . , d )))
folgt daraus EP (u0 (VT (1 , . . . , d , 0))( (1 , . . . , d , 0)) ST ) 0. Mit Lemma 6.29
folgt, dass (1 , . . . , d , 0) eine optimale Strategie im Gesamtmarkt ist. Damit ist S d+1
aus (6.110) ein neutraler Preisprozess.
Eindeutigkeit: Sei Sed+1 ein neutraler Preisprozess und e1 , . . . ,

e = ( ed , 0) eine im
Markt (S 1 , . . . , S d , Sed+1 ) optimale Strategie. Dann ist nat e1 , . . . ,
urlich ( ed ) optimal
im kleinen Markt (S 1 , . . . , S d ). Somit gilt wegen der Eindeutigkeit des optimalen End-
e1 , . . . ,
vermogens (Satz 3.17), dass VT (( ed )) = VT ((1 , . . . , d )). Das durch
dPe u0 (VT (
e1 , . . . ,
ed ))
=
dP EP (u0 (VT (
e1 , . . . ,
ed )))
definierte Ma stimmt mit P ? aus (5.97) u

berein.
Betrachte die Strategie mit
i =
ei , i = 1, . . . , d
und
d+1 = c1A 1{Sed+1 >Lt 1{t0 } ,

t0 1 0 1 }
ur c {, } und eine Menge A Ft0 1 , t0 {1, . . . , T }. > 0 muss hinreichend klein

f
gewahlt werden, so dass sichergestellt ist, dass u(VT ()) > . Da u(VT ())
e > ,
|| < und die Menge {x R|u(x) > } offen ist, klappt dies immer. Aus der
e1 , . . . ,
Optimalitat der Strategie ( ed , 0) und der Zulassigkeit der Strategie folgt mit
Lemma 6.29, dass
0 EP (u0 (VT (
e1 , . . . ,
ed ))( )e (S 1 , . . . , S d , Sed+1 )T )
1
= 0
EP ? (( )e (S 1 , . . . , S d , Sed+1 )T )
EP (u (VT (e1 , . . . ,
ed )))
1
= 0 1 d
EP ? ( d+1 SeTd+1 )
EP (u (VT (e ,... , e )))
1
= 0 1 d
cEP ? (1A 1{Sed+1 >Lt 1 } Setd+1 ).
EP (u (VT (e ,... , e ))) t0 1 0 0
Da c {, } gewahlt werden kann, folgt EP ? (1A 1{Sed+1 >Lt Setd+1 ) = 0 f

ur alle
t0 1 0 1 } 0
A Ft0 1 . Damit ist (Sed+1 )> ein P ? -Martingal.

Analog definiert man sich Strategien
i =
ei , i = 1, . . . , d
und
d+1 = 1A 1{Sed+1 =Lt 1{t0 } .

t0 1 0 1 }
Statt c {, } kann man hier nur c = wahlen, wegen des Verbots von Leerverkaufen.
Man erhalt analog
1
etd+1 .
0 EP ? 1A 1 d+1
{St 1 =Lt0 1 } S
EP (u0 (VT (
e1 , . . . ,
ed ))) 0
e
0
Damit ist (Sed+1 )= ein P ? -Supermartingal.
Insgesamt folgt mit Lemma 6.23(ii), dass Sed+1 = S d+1 .
6.5 Optimale Ausu

bung einer amerikanischen Option
Gegben die Formel (6.110) stellt sich die Frage, wann man denn eine amerikanische Option
uben soll, bzw. welche Stoppzeit S0 den maximalen Erwartungswert liefert. F
aus ur
Call-Optionen (ohne Dividenden) gibt es da eine einfache Antwort.

Proposition 6.30. Sei Q irgendein AMM (im unvollstandigen Markt z.B. das neutrale
Ma aus (5.97)), r, K 0. Dann gilt
sup EQ (er (S1 K)+ ) = EQ (erT (ST1 K)+ ).

S0
Beweis. Sei S0 . Es gilt
EQ (erT (ST1 K)+ )
EQ EQ ((erT ST1 erT K)+ |(S ))

=
EQ (EQ (erT ST1 |(S )) erT K)+ )

EQ (er S1 erT K)+

=
EQ er (S1 K)+ .

Die erste Ungleichung folgt aus der Jensenschen Ungleichung f

ur bedingte Erwartungs-
werte und die zweite aus r, K 0.
Bei amerikanischen Put-Optionen gibt es i.A. keine triviale Losung. Nehme dazu wie-
der das Cox-Ross-Rubinstein-Modell. Wir nehmen an, dass r 0. Ai kann die Werte d
oder u annehmen. 0 < d < u. Aus Arbitragegr
unden folgt d < 1 + r < u. Wir nehmen

zusatzlich an, dass d < 1. Q ist das eindeutige AMM aus (2.38).
Betrachte den Wert einer Put Option in Abhangigkeit vom Startwert x des Underly-
ings:
(K x i=1 Ai )+
Q
(x) = sup EQ .
S0 (1 + r)
(K x)+ wird auch als intrinsischer Wert und (x)(K x)+ als Zeitwert der Option
bezeichnet. Bei amerikanischen Optionen ist der Zeitwert nat
urlich nichtnegativ.
K
ur x
ist offenbar eine konvexe, monoton fallende Funktion. F uT
very deep in the
money gilt auf jeden Fall
(K x i=1 Ai )+ K x i=1 Ai
Q Q
(x) = sup EQ = sup EQ = K x.
S0 (1 + r) S0 (1 + r)
K
Hier ist es also optimal, die Option sofort auszu ur x
uben. F dT
very deep out of the
ur x [K, dKT ) hat die Option keinen intrinsischen aber einen
money gilt (x) = 0. F
Zeitwert, d.h. (x) > 0. Insgesamt folgt:
Es existiert ein x? [ uKT , K] mit (x) = (K x)+ f
ur x x? und (x) > (K x)+
ur x (x? , K/dT ).
f
Sei die diskontierte Auszahlung L eines amerikanischen Claims gegeben durch Lt =

(1 + r)t h(t, St ), h : {0, . . . , T } R+ R+ . Beispiele h(t, x) = (x K)+ oder h(t, x) =
(K x)+ .
Dann lasst sich der Preis des Claims durch eine Wertfunktion v : {0, . . . , T }R+ R
beschreiben. Der stochastische Prozess v(t, St ) ist der Preisprozess der Option. v lasst sich
rekursiv bestimmen durch,
v(T, x) = h(T, x) (6.111)
und
qv(t + 1, xu) + (1 q)v(t + 1, xd)
v(t, x) = max{h(t, x), }. (6.112)
1+r
(6.111) und (6.112) liefern einen Algorithmus f
ur die Berechnung des Preises einer ameri-
ur alle moglichen Zustande x = uk dT k ,
kanischen Option: Zunachst wertet man (6.111) f
ur x = uk dT 1k , k = 0, . . . , T 1 durch
k = 0, . . . , T aus. Dann berechne man v(T 1, x) f
Gleichung (6.112). Bei Anwendungen in der Praxis ist von mindestens T = 30 Zeitschrit-
ten auszugehen. Bei Derivaten, deren Auszahlung wie hier nur vom Aktienpreis am
ubungszeitpunkt abhangt, wachst der Rechenaufwand mit der Groenordnung T 2 . Bei
Aus
Derivaten deren Auszahlung von der gesamten Vergangenheit des Aktienkurses abhangen
kann, wachst der Rechenaufwand dagegen mit der Groenordnung 2T .
6.6 -Hedging fu
r amerikanische Claims
v(t,St )
Der diskontierte Preisprozess (1+r)t
ist ein Q-Supermartingal. Seine Spr
unge lassen sich
wie folgt zerlegen:

v(t, St ) v(t, St ) v(t 1, St1 )
t
= t

(1 + r) (1 + r) (1 + r)t1
1 1 1

= (1 + r) v(t, St ) max{h(t 1, St1 ), (1 + r) EQ (v(t, St )|Ft1 )}
(1 + r)t1
1
= [v(t, St ) EQ (v(t, St )|Ft1 )]
(1 + r)t
1
[h(t 1, St1 ) (1 + r)1 EQ (v(t, St )|Ft1 )]+
(1 + r)t1

St 1
1
= t t
[h(t 1, St1 ) (1 + r)1 EQ (v(t, St )|Ft1 )]+ .
(1 + r) (1 + r)t1
| {z }
0
7 SUPERHEDGING 132
Dabei ergibt sich die Hedging-Strategie 1t (Anzahl der Aktien) analog zu der Hedging-
Strategie f
ur europaische Claims (vgl. (2.43)) durch
v(t, St1 u) EQ (v(t, St )|Ft1 )
1t = u

(1 + r) 1+r 1 St1
(1 q)[v(t, St1 u) v(t, St1 d)]
= u
t 1. (6.113)
(1 + r) 1+r 1 St1
0t ergibt sich dann durch
v(t 1, St1 ) 1t St1
0t = .
(1 + r)t1
Bei einer amerikanischen Option sichert der Verkaufer nat
urlich nur solange ab, bis die
ubt wird. D.h., wenn die Option zum Zeitpunkt t 1 noch nicht ausge
Option ausge ubt
ist, halt sich der Verkaufer zwischen t 1 und t 1t Aktien.
7 Superhedging
Eine zentrale Rolle f
ur das Superhedging in unvollstandigen Markten spielt eine simultane
Doob-Meyer-Zerlegung (vgl. Satz 1.5). Simultan bedeutet, dass die Zerlegung nicht bzgl.
eines einzigen Maes durchgef
uhrt wird, sondern simultan bzgl. einer ganzen Familie von
Maen.
Zur Vorbereitung brauchen wir noch einige mathematische Hilfsmittel.
Proposition 7.1. Sei Q ein zu P aquivalentes Martingalma mit Dichte Y (d.h. Q(A) =
EP (1A Y ) A F) und sei G eine Teil--Algebra von F. Dann gelten folgende Aussagen
dQ
(a) | =
dP G
EP (Y |G)
dP 1
(b) Es gilt dQ
= Y
.
ur alle F-messbaren Zufallsvariablen F 0

(c) Es gilt f
EP (F Y |G)
EQ (F |G) = .
EP (Y |G)
Bemerkung 7.2. Bezeichnet man mit Zt := EP (Y |Ft ) den Dichteprozess von Q bzgl. P ,
dann besagt die Proposition 7.1 Teil (c), dass
EP (F ZT |Ft )
EQ (F |Ft ) = .
Zt
7 SUPERHEDGING 133
R R
Beweis. Ad (a): Sei A G. Es gilt Q(A) = A
Y dP = A
EP (Y |G) dP . Da EP (Y |G)
G-messbar folgt die Behauptung.
Ad (b): Wegen Q P gilt P (Y > 0) = 1 und Q(Y > 0) = 1.
Eine Zufallsvariable X 0 ist Dichte von Q2 bzgl. Q1 genau dann, wenn EQ2 (F ) =
ur alle Zufallsvariablen F 0. Es gilt also EQ (F ) = EP (F Y ) f
EQ1 (F X) f ur alle F
0. Mit F durchlauft auch F 0 := F Y alle nichtnegativen Zufallsvariablen und es gilt
EQ (F 0 /Y ) = EP (F 0 ).
Ad (c): Sei G 0 eine G-messbare Zufallsvariable. Es gilt
EQ [GF ] = EP [GF Y ] = EP [GEP (F Y |G)] . (7.114)
Nach Teil (a) und Teil (b) ist die Dichte von P bzgl. Q auf der -Algebra G gegeben durch
1/EP (Y |G). Dies ergibt

1
EP [GEP (F Y |G)] = EQ G EP (F Y |G) . (7.115)
EP (Y |G)
(7.114) und (7.115) ergeben, dass
EQ [GEQ (F | G)] = EQ [EQ (GF | G)]
= EQ [GF ]

(7.114)&(7.115) 1
= EQ G EP (F Y |G) , G G messbar.
(7.116)
EP (Y |G)
1
Aus (7.116) folgt, dass die beiden G-messbaren Zufallsvariablen EQ (F | G) und E (F Y
EP (Y |G) P
|G)
Q-fast sicher u
bereinstimmen m
ussen. Dies liegt daran, dass die Mengen

1
M1 := EQ (F | G) > EP (F Y |G)
EP (Y |G)
und

1
M2 := EQ (F | G) < EP (F Y |G)
EP (Y |G)
in G sind. Aus (7.116) folgt mit G = 1M1 bzw. G = 1M2 , dass M1 und M2 Q-Nullmengen
sein m
ussen. Es gilt also Aussage (c).
7 SUPERHEDGING 134
Lemma 7.3. Seien P1 und P2 zu P aquivalente Wahrscheinlichkeitsmae, t0 {0, . . . , T }

und B Ft0 . Dann existiert genau ein Wahrscheinlichkeitma Pe mit folgenden Eigen-
schaften
(a) Pe(A) = P1 (A), A Ft0 .
ur jede Zufallsvariable F 0 gilt

(b) F
EPe (F |Ft0 ) = EP1 (F |Ft0 )1\B + EP2 (F |Ft0 )1B .
Das neue Ma verhalt sich also bis t0 wie P1 und nach t0 entweder wie P1 oder P2 .
Beweis. Eindeutigkeit: Erf ur alle A F

ulle Pe die Bedingungen (a) und (b). Dann gilt f

Pe(A) = EP1 P1 (A|Ft0 )1\B + P2 (A|Ft0 )1B . (7.117)
Damit ware das Ma Pe eindeutig bestimmt. Bleibt die Existenz zu zeigen (es ist noch
nicht klar, dass Pe aus (7.117) auch tatsachlich (b) erf
ullt). Bezeichne mit Zt die Dichte
uglich P1 auf der -Algebra Ft (mit der vorherigen Proposition gilt also Zt =
von P2 bez
EP1 (ZT |Ft )). Definiere
ZT
ZeT := 1\B + 1B (7.118)
Zt0
ur A Ft0 gilt
und dPe/dP1 := ZeT . F
Pe(A) = EP1 (ZeT 1A ) = EP1 (EP1 (ZeT 1A |Ft0 ))

EP1 (ZT |Ft0 )
= EP1 (1A(\B) + 1AB )
Zt0
= EP1 (1A ).
Damit ist (a) erf

ullt.
ur jede Zufallsvariable F 0 gilt
F
1
EPe (F |Ft0 ) = EP1 (ZeT F |Ft0 )
EP1 (ZT |Ft0 )
e

1 1
= EP1 (F |Ft0 )1\B + EP (F ZT |Ft0 )1B
1\B + 1B Zt0 1
= EP1 (F |Ft0 )1\B + EP2 (F |Ft0 )1B .
Die erste und dritte Gleichheit gilt jeweils wegen Proposition 7.1 (c). Damit ist Bedingung
(b) erf
ullt.
7 SUPERHEDGING 135
Definition 7.4. Sei Q eine Menge von aquivalenten Wahrscheinlichkeitsmaen auf (, F).
Wir nennen Q stabil, wenn f
ur alle P1 , P2 Q, t0 {0, . . . , T } und B Ft0 das Ma Pe
aus Lemma 7.3 in Q enthalten ist.
Lemma 7.5. Die Menge der aquivalenten Martingalmae Me ist stabil.

Beweis. Seien P1 , P2 AMM. ur alle t = 1, . . . , T , A Ft
Es ist zu zeigen, dass f
EPe (Sti 1A ) = 0.
ur t {1, . . . , t0 } folgt dies direkt aus den Eigenschaften (a) und der Tatsache, dass die
F
entsprechende Aussage f
ur das AMM ur t {t0 + 1, . . . , T } gilt mit Propositi-
P1 gilt. F
on 7.1(c)
1
EPe Sti | Ft1 EP1 ZeT Sti | Ft1

=
EP1 (ZeT | Ft1 )

1 i
1 i

= 1\B EP1 St | Ft1 + 1B EP ZT St | Ft1
EP1 (ZeT | Ft1 ) Zt0 1

1 1\B EP1 Sti | Ft1 +1B Zt1 EP2 Sti | Ft1

=
EP1 (ZeT | Ft1 ) | {z } Zt0 | {z }
= 0 = 0
= 0,
wobei Z wie oben der Dichteprozess von P2 bzgl. P1 ist und ZeT in (7.118) definiert ist.
Lemma 7.6. Seien Q1 , Q2 Me , t0 {0, . . . , T }, B Ft0 und Q

e das in Lemma 7.3
konstruierte Ma. Dann existiert f

ur die Werte zum Zeitpunkt t0 der Snell-Einh
ullenden
eines Prozesses L bzgl. der Mae Q1 , Q2 und Q
e folgender Zusammenhang:
UtQ0 = UtQ0 1 1\B + UtQ0 2 1B .

e
Beweis. Sei St0 . Nach Eigenschaft Lemma 7.3(b) von Q

e gilt
EQe (L |Ft0 ) = EQ1 (L |Ft0 )1\B + EQ2 (L |Ft0 )1B .
Da mit 1 , 2 St0 auch

e = 1 1\B + 2 1B auch eine Stoppzeit in St0 ist, folgt die
Behauptung.
7 SUPERHEDGING 136
Definition 7.7. Sei Q eine Menge von Wahrscheinlichkeitsmaen und L ein adaptierter
nichtnegativer Prozess mit
sup EQ (Lt ) < , t = 0, . . . , T.

QQ
ullende des Prozesses L bzgl. Q ist definiert durch

Die obere Snell-Einh
Ut := ess supQQ UtQ , t = 0, . . . , T, (7.119)
wobei U Q die Snell-Einh

ullende bzgl. des Maes Q ist.
Bemerkung 7.8. Das essentielle Supremum in (7.119) wird bzgl. der -Algebra Ft und
dem Ma P gebildet. Da das Ma beim essentiellen Supremum aber nur u
ber die Null-
mengen eingeht, kann man auch jedes Q Me nehmen.
(6.103) in (7.119) eingesetzt ergibt
Ut = ess supQQ ess sup St EQ (L |Ft )
= ess sup St ess supQQ EQ (L |Ft ). (7.120)
Definition 7.9. Sei Q eine nichtleere Menge von Wahrscheinlichkeitsmaen auf (, FT ).

Ein adaptierter Prozess U heit ein Q-Supermartingal, wenn U ein Q-Supermartingal f
ur
alle Q Q. Analog sind Q-(Sub-)Martingale definiert.
Beispiel 7.10. Sei Q = Me . Jeder Wertprozess V () = v0 + S, der durch eine

Konstante nach unten beschrankt ist, ist ein Me -Martingal.
ullende U aus (7.119) ist das kleinste Q-

Satz 7.11. Sei Q stabil. Die obere Snell-Einh
ullt U die folgende Rekursion:
Supermartingal, das L dominiert. Auerdem erf
UT = LT ,
Ut1 = Lt1 ess supQQ EQ (Ut |Ft1 ), t = 1, . . . , T. (7.121)
Beweis. Wir zeigen zunachst, dass U die Rekursion (7.121) erf

ullt. Es gilt
h i

Ut1 = ess supQQ Lt1 EQ (UtQ |Ft1 )
= Lt1 ess supQQ EQ (UtQ |Ft1 ) (7.122)

7 SUPERHEDGING 137
Fixiere ein Q? Q. Bezeichne mit Qt (Q? ) die Menge der Mae Q, die auf Ft mit Q?
bereinstimmen (d.h. Q(A) = Q? (A) A Ft ).
u
1) Da UtQ Ft -messbar ist, gilt f
ur alle Q Qt (Q? )
EQ (UtQ |Ft1 ) = EQ? (UtQ |Ft1 ). (7.123)
2) Die Menge {UtQ |Q Qt (Q? )} ist maximumsstabil. Nimmt man namlich zwei Ma-
ullenden zum Zeitpunkt t, UtQ1 und
e Q1 , Q2 Qt (Q? ) und betrachte deren Snell-Einh
UtQ2 , dann kann man sich mit Lemma 7.3 ein neues Ma Q
e konstruieren. Wahle daf
ur
B := {UtQ2 > UtQ1 }. Q
e stimmt auf Ft mit Q? u
berein und mit Lemma 7.6 gilt f
ur die
ullende UtQ = max{UtQ1 , UtQ2 }.
Snell-Einh
e
3) Wegen Lemma 7.6 gilt
ess supQQ UtQ = ess supQQt (Q? ) UtQ (7.124)
Wegen (7.124) und der Maximumsstabilitat in Schritt 2 existiert eine Folge (Qk )kN
Qt (Q? ) mit UtQk % Ut (P -f.s.), wenn k % . Monotone Konvergenz f
ur bedingte Erwar-
tungswerte zeigt, dass
(7.123)
ess supQQ EQ (UtQ |Ft1 ) = ess supQ? Q ess supQQt (Q? ) EQ? (UtQ |Ft1 )
= ess supQ? Q lim EQ? (UtQk |Ft1 )

k
= ess supQ? Q EQ? (Ut |Ft1 ).
Zusammen mit (7.122) beweist dies die Rekursion (7.121).
Nun wollen wir zeigen, dass U ein Q-Supermartingal ist. Wegen (7.121) gilt f
ur alle
QQ
Ut Lt EQ (Ut+1

|Ft ) EQ (Ut+1 |Ft ).
Da U0 eine endliche Konstante ist und wegen der Integrierbarkeits-Bedingung ist U ein
Q-Supermartingal.
7 SUPERHEDGING 138
e ein anderes Q-Supermartingal, das L dominiert. Wir zeigen wieder durch R

Sei U uckwart-
e U . Es gilt:
sinduktion, dass U
eT LT = U .
U T
et Ut . Daraus folgt f
Es gelte U ur alle Q? Q
et |Ft1 ) Lt1 EQ? (Ut |Ft1 ).

et1 Lt1 EQ? (U
U
Wegen (7.121) folgt
et1 Lt1 ess supQ? Q EQ? (Ut |Ft1 ) = Ut1

U
.
Lemma 7.12. Seien U Rn eine abgeschlossene konvexe Menge und x Rn mit x 6 U .

Dann existiert ein Rn mit supuU > u < > x.
Proof. Folgt sofort aus Lemma 1.22.
Satz 7.13. F
ur einen adaptierten, nichtnegativen Prozess U sind die folgenden Aussagen
aquivalent.
(a) U ist ein Me -Supermartingal.
(b) Es existieren ein adaptierter nichtfallender Prozess A und eine vorhersehbare Stra-
tegie , so dass
Ut = U0 + St At , t = 0, . . . , T. (7.125)
Bemerkung 7.14. Da der Prozess S aus (7.125) nach unten durch die Konstante
U0 beschrankt ist, ist S ein Me -Martingal (Proposition 2.10).
Die Zerlegung (7.125) wird auch eine optionale Zerlegung des Me -Supermartingals U
genannt. Der Prozess A braucht namlich im Gegensatz zu der Doob-Meyer-Zerlegung
bez
uglich eines einzigen Maes Q nicht mehr vorhersehrbar sondern nur noch optio-
nal zu sein. Optional ist in zeitdiskreten Modellen aquivalent zu adaptiert. Daf
ur ist die
simultane Doob-Meyer-Zerlegung (simultan bez
uglich mehreren Maen) i.A. nicht mehr
eindeutig.
7 SUPERHEDGING 139
ur alle Q Me folgt
Beweis. (b)(a): Da S ein Q-Martingal und Q(A 0) = 1 f
(a).
ur || < gef
(a)(b): Der Beweis wird hier nur f uhrt. F
ur den allgemeinen Fall
siehe Follmer/Schied (2002), Theorem 7.5. Wir konnen dann wieder o.B.d.A. annehmen,
dass F die Potenzmenge von ist und P ({}) > 0, (vgl. Beweis von Theorem
1.21).
Wir m ur alle t = 1, . . . , T ein Ft1 -messbarer Zufallsvektor und
ussen zeigen, dass f
eine Ft -messbare Zufallsvariable R 0 existieren, so dass
Ut Ut1 = > St Rt . (7.126)
Annahme es gabe keine Darstellung (7.126), d.h. Ut Ut1 6 X := { > St | ist Ft1 -messbar}
R
+ . Die Menge X ist offenbar abgeschlossen und konvex. Damit ist Lemma 7.12 anwend-
bar und es existiert ein R|| mit

X X
:= sup ()x() < ()Ut () =: . (7.127)
xX

Da X ein Kegel ist, der die Null enthalt, gilt = 0. Da 1{<0} X folgt hieraus, dass
P
1{<0} ()() 0 und damit 0.
||
Sei Q ein aquivalentes Martingalma mit Q({}) := q() > 0, q R+ . Dann existiert
ein > 0, so dass mit auch + q die Ungleichung (7.127) erf ur alle x X gilt
ullt (f
P
namlich q()x() 0). Damit kann man o.B.d.A. annehmen, dass > 0 und ein
neues aquivalentes Wahrscheinlichkeitma
()
Q ({}) := P
e (e
)
definieren. Sei A Ft1 . Da 1A St X gilt ()1A ()St () = 0. Q ist also

P

ein AMM. Da aber der Prozess U ein Me -Supermartingal ist, ist er insbesondere ein
Q -Supermartingal und damit
X
0 ()Ut () =: .

Dies ist aber ein Widerspruch zu = 0.

8 MINIMIERUNG DES HEDGING-FEHLERS IN UNVOLLSTANDIGEN
MARKTEN140
Definition 7.15. Sei v0 R+ . Eine Stategie = (1 , . . . , d ) heit eine Superhedging-

Strategie zum Startkapital v0 f
ur den amerikanischen Claim L , wenn
v0 + St Lt , t = 0, . . . , T. (7.128)
Bemerkung 7.16. Wie schon in Bemerkung 6.5 angemerkt, kann man jeden europaischen
Claim H 0 als amerikanischen Claim mit Auszahlungsprozess

0 f ur t < T
Lt :=
H f ur t = T
interpretieren. Wegen H 0 folgt in einem arbitragefreien Markt aus v0 + ST H,

dass v0 + St 0, t = 0, . . . , T . Damit ist im europaischen Fall (7.128) aquivalent zu
v0 + ST H. (7.129)
Definition 7.17. Bezeichne mit I R+ die Menge der Startkapitale mit denen L super-
gehedged werden kann, d.h. x I s.d. x + S L.
Korollar 7.18. Es gilt I = [U0 , ), wobei
U0 = sup sup EQ (L ).
QMe S0
F
ur europaische Claims gilt
U0 = sup EQ (H).
QMe
Beweis. Sei x I, d.h. s.d. x + S L. Da der Prozess x + S ein Me -

Martingal ist und mit Satz 7.11 U das kleinste Me -Supermartingal ist, das L dominiert,
folgt x U0 . Andererseits folgt aus Satz 7.13 die Existenz einer Strategie mit U0 +
St Ut Lt , t = 0, . . . , T .
8 Minimierung des Hedging-Fehlers in unvollst

andi-
gen M
arkten
Gegeben sei ein europaischer Claim mit (diskontierter) Auszahlung H 0. In einem un-
vollstandigen Markt existiert in der Regel kein Paar (v0 , ) mit v0 + ST = H, d.h. H

MARKTEN141
ist nicht replizierbar. Trotzdem kann der Verkaufer des Claims nat
urlich versuchen, das
eingegangene Risiko zumindest teilweise abzusichern, indem er durch Wahl einer Handels-
strategie moglichst nahe an die stochastische Auszahlung H kommt. Zum Beispiel
konnte er versuchen, die erwartete quadratische Abweichung (bzgl. des urspr
unglichen
Maes ) zu minimieren, d.h.
EP (H v0 ST )2 min ! (8.130)
,v0
Auf dieses Problem werden wir spater zur

uckkommen. Zunachst schauen wir uns eine
lokale Variante dieses Kriteriums an.
Definition 8.1. Ein allgemeiner Vermogensprozess bestimmt sich durch eine Strategie
und einen adaptierten Kapitalzuf
uhrungsprozess C, d.h.
Vt (, C) := St + Ct , t = 0, . . . , T
Ct kann sowohl positive als auch negative Werte annehmen (Kapitalzufuhr- bzw. -entnahme).
Wenn Ct 6= 0 f
ur ein t 1, dann ist V nicht mehr selbstfinanzierend.
Annahme 8.2. Wir nehmen in diesem Kapitel durchgehend an, dass der (diskontierte)
Claim H und die (diskontierten) Preisprozesse S i quadratintegrierbar bzgl. des urspr
ung-
lichen Maes P sind.
Definition 8.3. Eine L2 -zulassige Strategie f

ur H ist ein Paar (, C) mit
VT (, C) = H
und St , Ct L2 (P ), t = 0, . . . , T .
Nat
urlich existiert zu jedem Claim H ein allgemeiner Vermogensprozess V (, C) mit
VT (, C) = H. Da nicht nur zum Zeitpunkt 0 sondern auch zu spateren Zeitpunkten Ka-
pital zugef
uhrt werden darf, besteht eine Hedging-Moglichkeit darin, bis zum Zeitpunkt
T nichts zu machen und dann den gesamten Betrag H zuzuschieen, d.h. CT = H.
Definition 8.4. Zu (, C) definiere den Prozess Rloc durch
Rtloc (, C) := EP [(Ct+1 Ct )2 |Ft ], t = 0, . . . , T 1

MARKTEN142
Eine L2 -zulassige Strategie (,

b C)
b mit Vb (,
b C)
b =
b S +C
b heit lokal risikominimierende
ur alle t = 0, . . . , T 1:
Strategie, wenn f
Rtloc (, b Rtloc (, C),

b C)
ur alle L2 -zulassigen Strategien (, C) mit Vt+1 = Vbt+1 .

f
Bemerkung 8.5. F
ur T = 1 stimmt wegen VT (, C) = H das lokale Kriterium mit
dem globalen (8.130) u
berein. Bei einem lokalen Kriterium vergleicht man eine Strategie
immer nur mit Strategien, die auerhalb einer Umgebung gleich sind. Hier vergleicht man
alle allgemeinen Vermogensprozesse mit gegebenem Wert in Vt+1 und schaut, mit welchem
Vt und t+1 man diesen am besten (im Sinne des obigen Kriteriums) erreicht.
Definition 8.6. Eine L2 -zulassige Strategie (, C) heit im Mittel selbstfinanzierend,

wenn der Kostenprozess C ein P -Martingal ist, d.h.
EP [Ct+1 Ct |Ft ] = 0, t = 0, . . . , T 1.
Die bedingte Kovarianz zweier Zufallsvariablen W und Z bzgl. P ist definiert als
Cov(W, Z|Ft ) := EP [W Z|Ft ] EP [W |Ft ]EP [Z|Ft ].
Die bedingte Varianz ist dann durch
Var(W |Ft ) := Cov(W, W |Ft )
definiert.
Definition 8.7. Zwei adaptierte Prozesse U und Y heien streng P -orthogonal, wenn
Cov(Ut+1 Ut , Yt+1 Yt |Ft ) = 0, t = 0, . . . , T 1.
Wenn einer der beiden Prozesse U , Y ein P -Martingal ist, dann gilt
Cov(Ut+1 Ut , Yt+1 Yt |Ft ) = EP [(Ut+1 Ut )(Yt+1 Yt )|Ft ] = 0.
Satz 8.8. Eine L2 -zulassige Strategie (, C) ist genau dann lokal risikominimierend, wenn
sie im Mittel selbstfinanzierend ist und der Kostenprozess C streng P -orthogonal zu den
Preisprozessen S i , i = 1, . . . , d ist.

MARKTEN143
Beweis. Es gilt die Zerlegung
Rtloc (, C) = Var(Ct+1 Ct |Ft ) + E[Ct+1 Ct |Ft ]2
Da sich die bedingte Varianz nicht verandert, wenn man Ft -messbare Zufallsvariablen
addiert, lasst sich der erste Ausdruck auf der rechten Seite schreiben als
Var(Ct+1 Ct |Ft ) = Var(Vt+1 >

t+1 St+1 |Ft ) (8.131)
Der zweite Ausdruck erf

ullt
2
E[Ct+1 Ct |Ft ]2 = E[Vt+1 |Ft ] >
t+1 E[St+1 |Ft ] Vt (8.132)
Wir nehmen Vt+1 als gegeben an (t fest) und leiten notwendige und hinreichende Bedin-
gungen f
ur die Optimalitat von Vt und t+1 her. Da der Wert von (8.131) unabhangig von
Vt ist, muss Vt den Ausdruck (8.132) minimieren, d.h.
Vt = E[Vt+1 |Ft ] >

t+1 E[St+1 |Ft ]. (8.133)
Der Wert von (8.131) ist eine quadratische Form in dem Ft -messbaren Zufallsvektor t+1 .
Damit ist (8.131) minimal genau dann, wenn t+1 die lineare Gleichungen
Cov(Vt+1 > i
t+1 St+1 , St+1 |Ft ) = 0, i = 1, . . . , d. (8.134)
lost. (8.133) ist aquivalent zu
E[Ct+1 Ct |Ft ] = E[Vt+1 >

t+1 St+1 |Ft ] Vt = 0. (8.135)
Auerdem ist gegeben (8.133) Bedingung (8.134) aquivalent zu
i
E[Ct+1 St+1 |Ft ] = 0, i = 1, . . . , d. (8.136)
Hier geht ein, dass die bedingte Kovarianz sich nicht verandert, wenn man die Ft -messbare
Zufallsvariable Vt vom ersten Argument subtrahiert.
VT durch H vorgegeben ist, besteht der Beweis nun einfach aus einer R
uckwartsin-
duktion: (8.135) und (8.136) sind zusammen mit der Endbedingung VT = H notwendig
und hinreichend f
ur die lokale Optimalitat von (, C).

MARKTEN144
Der Beweis liefert ein Rezept zur rekursiven Bestimmung der risikominimierenden
Strategie. Wenn Vt+1 bereits bestimmt ist, dann minimiere
E[(Ct+1 Ct )2 |Ft ] = E[(Vt+1 Vt > 2

t+1 St+1 ) |Ft ]
u
ber Vt und t+1 . Das ist eine bedingte Version eines linearen Regressionsproblems. Im
Fall d = 1 existiert f
ur (8.133) und (8.134) die folgende Losung.
VbT := H,
1
Cov(Vbt+1 , St+1 |Ft )

bt+1 := 2
1{t+1 6=0} ,
t+1
1
Vbt = E[Vbt+1 |Ft ] bt+1 E[St+1 |Ft ], (8.137)
2
wobei t+1 := Var(St+1 |Ft ). Der Kostenprozess ergibt sich aus C
bt = Vbt
b St . Es bedarf
aber noch einer Zusatzbedingung, die sicherstellt, dass die Strategie (, b L2 -zulassig ist.
b C)
Proposition 8.9. Betrachte einen Markt mit nur einem risikobehafteten Wertpapier (d.h.
d=1) und nehme an, dass da eine Konstante C existiert mit
2
EP [St1 |Ft1 ] Ct2 , t = 1, . . . , T. (8.138)
Dann definiert obige Rekursion eine lokal risikominimierende Strategie (,

b C).
b Auerdem
stimmt jede andere lokal risikominimierende Strategie mit (,

b C)
b bis auf Modifikationen
bt auf der Menge {t2 = 0} u

von berein.
Beweis. Wir m
ussen zeigen, dass (, b L2 -zulassig ist. Offenbar folgt aus der Rekursion
b C)
(8.137) und (8.138)
" #
1 2 Cov(Vbt , St1 |Ft1 )2
E[(
bt St ) ] = E 4
E[(St1 )2 |Ft1 ]1{t2 >0}
t
" #
Cov(Vbt , St1 |Ft1 )2
(1 + C)E
t2
h i
(1 + C)E Var(Vt |Ft1 )
b
F
ur t = T ist der letzte Ausdruck P -f.s. endlich, da VbT = H quadratintegrierbar ist. Damit
bT ST1 L2 (P ). Damit folgt aus (8.137), dass auch VbT 1 L2 (P ) und C
ist bT L2 (P ).

MARKTEN145
Das Argument lat sich also rekursiv fortsetzen und es folgt, dass die in (8.137) definierte
Strategie L2 -zulassig ist. Nehme man nun eine andere Handelsstrategie 0t+1 . Aus (8.137)
und der Bedingung (8.134) folgt, dass
0 = Cov((0t+1 1
bt+1 )St+1 1
, St+1 |Ft )
= (0t+1 1
bt+1 )Var(St+1 |Ft ).
2
Auf der Menge t+1 > 0 muss also gelten, dass 0t+1 =
bt+1 .
Bemerkung 8.10. Der vorhersehbare Prozess

t
X E[Su1 |Fu1 ]2
1 |F
, t = 1, . . . , T
u=1
Var(S u u1 )
0
(mit der Konvention 0
:= 0), wird auch der Mean-Variance-Tradeoff-Prozess von S 1
genannt. Bedingung (8.138) besagt also, dass der Mean-Variance-Tradeoff (endlich und)
beschrankt ist.
Bemerkung 8.11. Die Voraussetzung (8.138) ist aquivalent zu der Existenz eines < 1
mit
2
E[St1 |Ft1 ] E[(St1 )2 |Ft1 ], t = 1, . . . , T (8.139)
(8.138) ist namlich aquivalent zu

2
EP [St1 |Ft1 ] C EP [(St1 )2 |Ft1 ] EP [St1 |Ft1 ]2 ,

t = 1, . . . , T.
C
F
ur = 1+C
ist dies wiederum aquivalent zu (8.139).
Beispiel 8.12. Betrachte man ein Modell mit einer einzigen risikobehafteten Aktie und
einem Bond mit Preisprozess (1 + r)t , r > 1. Der diskontierte Preisprozess der Aktie ist
gegeben durch
t
Y 1 + Aj
St1 = ,
j=1
1+r
wobei die stochastischen Renditen (Aj )j=1,... ,T i.i.d. mit A1 > 1 und A1 L2 (P ). St1 ist
dann auch quadratintegrierbar.

MARKTEN146
Bezeichne e2 := Var(A1 ). Dann gilt

e := EP (A1 ) und
er

1
E[St1 |Ft1 ] = St1
1+r
e2

Var(St1 |Ft1 ) = (St1
1
)2
(1 + r)2
Damit ist Bedingung (8.138) hier automatisch erf
ullt und eine lokal risikominimierende
e2 = 0 folgt in einem arbitragefreien Modell, dass
Strategie existiert (wenn e = r).
Auerdem ist P genau dann ein Martingalma, wenn
e = r.
Nun kommen wir wieder zum allgemeinen Fall mit d > 1 riskobehafteten Wertpapieren
uck, d.h. S = (S 0 , . . . , S d ).
zur
Korollar 8.13. Eine lokal riskominimierende Strategie existiert genau dann, wenn H
zerlegbar ist in
H = c + ST + LT (8.140)
wobei c R, Lt , St L2 (P ), t = 1, . . . , T , und (Lt )t=0,... ,T ist ein P -Martingal, das

orthogonal zu allen S i steht und L0 = 0. Wenn der Markt arbitragefrei ist, dann sind c
und der Prozess L in der Zerlegung (8.140) eindeutig.
Beweis. Wenn (,
b C)
b eine lokal riskominimierende Strategie ist, dann ist nach Theo-
bt C
rem 8.8 Lt := C b0 ein quadratintegrierbares P -Martingal, das streng orthogonal
zu den Preisprozessen S i ist. Damit erhalten wir eine Zerlegung (8.140). Wenn umge-
kehrt eine Zerlegung (8.140) existiert, dann ist mit dem Kostenprozess C := c + L mit
Theorem 8.8 eine lokal riskominimierende Strategie.
Um die Eindeutigkeit von L zu zeigen, nehme an, es gabe eine weitere Zerlegung
(e
c, ,
e L).
e Wegen obigem ist auch
e mit dem Kostenprozess C
e := e
c+L
e eine lokal riskomi-
nimierende Strategie. Damit gilt, dass
eT T )> ST , STi |FT 1 ] = 0,

Cov(( i = 1, . . . , d.
Multipliziert man diese bedingten Kovarianzen mit den FT 1 -messbaren Zufallsvariablen

eiT iT und addiert alles auf, dann folgt
eT T )> ST |FT 1 ) = 0,
Var((

MARKTEN147
eT ST T ST ist FT 1 -messbar und damit gilt, da der Markt arbi-

d.h. die Differenz
tragefrei ist, dass
eT ST = T ST . Es folgt L
eT = LT und e
c+
e ST 1 + L
eT 1 =
c + ST 1 + LT 1 . Nun kann man rekursiv fortfahren und erhalt L

e = L.
Lemma 8.14. F
ur zwei quadratintegrierbare Martingale M und N sind folgende Bedin-
gungen aquivalent
(a) M und N sind streng orthogonal.
(b) Das Produkt M N ist ein Martingal.
Beweis. Aus der Martingaleigenschaft von M und N folgt
E[Mt Nt |Ft1 ] = E[Mt Nt |Ft1 ] Mt1 Nt1 , t = 1, . . . , T.
Dieser Ausdruck verschwindet genau dann, wenn M N ein Martingal ist.
Sei H2 die Menge der quadratintegrierbaren P -Martingale. Wegen Mt = EP (MT |Ft ),

kann jedes M H2 mit seinem Endwert identifiziert werden. Auerdem fasst man alle
Zufallsvariablen, die P -f.s. u
bereinstimmen zu einer Aquivalenzklasse zusammen. Wir
definieren auf H2 das Skalarprodukt
(M, N )H2 := EP [MT NT ], M, N H2 .
Damit wird H2 zu einer Hilbertraum-Isomorphie zu L2 (P ).
Definition 8.15. Ein Teilraum Y H2 wird stabil genannt, wenn M Y f

ur alle
M Y und S.
ur einen stabilen Teilraum Y H2 und f

Proposition 8.16. F ur L H2 mit L0 = 0
sind folgende Bedingungen aquivalent
(a) L ist orthogonal zu Y, d.h.
(L, M )H2 = 0, M Y.
(b) L ist streng orthogonal zu Y, d.h.
E[Lt Mt |Ft1 ] = 0, t = 1, . . . , T, M Y.

MARKTEN148
ur alle M Y ein Martingal.

(c) Das Produkt LM ist f

Beweis. Die Aquivalenz von (b) und (c) folgt aus Lemma 8.14. Die Richtung (c) = (a)
ist wegen 0 = L0 = L0 M0 trivial. Bleibt zu zeigen: (a) = (c). Sei M Y. Da Y stabil
ist, sind auch die gestoppten Prozesse M in der Menge Y und damit nach Voraussetzung
EP (LT M ) = 0. Es gilt
0 = EP [LT M ] = EP [M EP (LT |F )] = EP [M L ].
ur alle s t, A Fs als
Es folgt, dass der Prozess LM ein Martingal ist (wahle etwa f
Stoppzeiten = t1A + s1\A und e = s).
Satz 8.17 (Kunita-Watanabe-Zerlegung). Wenn S ein quadratintegrierbares Martingal

unglichen Ma P ist, dann besitzt jedes Martingal M H2 eine Darstel-
unter dem urspr
lung wie in (8.140)
Mt = M0 + St + Lt , t = 0, . . . , T,
wobei Lt , St L2 (P ), t = 1, . . . , T , und (Lt )t=0,... ,T ist ein P -Martingal, das orthogonal

zu allen S i steht und L0 = 0.
Beweis. Bezeichne mit X die Menge der Handelsstrategien , so dass St L2 (P ) f

ur
t = 1, . . . , T . Die Menge G = { S| X } ist ein linearer Unterraum des H2 . Wir
zeigen zunachst, dass G abgeschlossen ist. Da S ein Martingal ist, gilt
T
X
2
EP (> 2

( S, S)

H2 = EP ( ST ) =

t St ) .
t=1
(n)
Wenn also (n) S eine Cauchy-Folge in H2 ist, dann sind (t )> St , t = 1, . . . , T ,
Cauchy-Folgen in L2 (P ). Mit Lemma 1.60 in Follmer/Schied ist der L2 (P )-Limes von
(n)
(t )> St wieder von der Form >
t St , also ist G abgeschlossen.
Auerdem ist G stabil. Nehme dazu ein X und eine Stoppzeit . Es gilt St =
e St , wobei
es := s 1{ s} .
e ist vorhersehbar und wegen
e St )2 |F ] = EP (EP [ St |F ])2

EP [(
EP ( St )2

< ,
A ANHANG 149
e G. Da G abgeschlossen ist, ist die orthogonale Zerlegung M M0 = N + L wohl-

ist
definiert (mit N G und (L, G)H2 = 0, G G). Da M und N P -Martingale sind, ist
auch L ein P -Martingal. Mit Proposition 8.16 folgt, dass L streng orthogonal zu G und
damit zu S i , i = 1, . . . , d. Die Eindeutigkeit von L folgt mit Korollar 8.13, da das Modell
wegen P Me arbitragefrei ist.
Korollar 8.18. Wenn P selber ein Martingalma ist, dann existiert eine lokal risikomi-
nimierende Strategie. Diese Strategie ist eindeutig in dem Sinne, dass der Wertprozess Vb
eindeutig bestimmt ist, namlich
Vbt = EP [H|Ft ], t = 0, . . . , T
und der Kostenprozess gegeben ist durch
C
bt = Vb0 + Lt , t = 0, . . . , T
wobei L das streng orthogonale P -Martingal in der Kunita-Watanabe Zerlegung von Vb

ist.
Beweis. Folgt unmittelbar aus Satz 8.17 und Korollar 8.13.
A Anhang
Das Problem der stochastischen Optimierung u
ber die Menge der vorhersehbaren Strate-
gien = (1 , . . . , d ) wollen wir im Fall || < durch folgende Identifikation auf ein
gelaufigeres endlichdimensionales Optimierungsproblem zur
uckf
uhren.
Jedes Ft erzeugt eine endliche Zerlegung (At,1 , . . . , At,mt ) von , d.h. Ft = (At,i , . . . , At,mt ),
= i=1,... ,mt At,i und At,i At,j = f
ur i 6= j. Zum Zeitpunkt t kann der Beobachter also
sagen, welches der Ereignisse At,i , i = 1, . . . , mt , eingetreten ist. Die Mengen At,i nennt
man auch die Atome der -Algebra Ft .
Eine Zufallsvariable Y : R ist genau dann Ft -messbar, wenn sie f
ur festes i
allen At,i den gleichen Wert zuordnet. Wir konnen also in diesem Fall schreiben
Y () = m
P t
i=1 yi 1At,i (), yi R.
A ANHANG 150
Damit konnen wir zum Beispiel den Ft1 -messbaren Zufallsvektor t mit einem Ele-
ment aus Rmt1 d identifizieren. Es reicht aus, den Prozess = (1 , . . . , d ) zu den Zeit-
punkten t = 1, . . . , T zu betrachten. Die Wertpapiere haben ihren ersten Sprung (in den
man investieren kann) zum Zeitpunkt 1.
Wir identifizieren also jede Handelsstrategie = (1t , . . . , dt )t=1,... ,T mit ei-
nem Element aus dem Rn mit n := d + m1 d + . . . + mT 1 d.
Satz A.1. Seien C Rn eine offene Menge und f : C R eine diffbare konkave
Funktion. Ferner seien g1 . . . , gm : Rn R affine Funktionen (d.h. von der Form gi (x) =
i> x + i mit i Rn und i R). Sei x0 C mit gi (x0 ) = 0, i = 1, . . . , m. Dann
maximiert x0 die Funktion f unter der Nebenbedingung gi (x) = 0, i = 1, . . . , m genau
dann, wenn ein Rm existiert, so dass x0 die Funktion x 7 f (x) m i
P
i=1 gi (x) ohne
Nebenbedingungen maximiert. Dies ist wiederum (wegen Konkavitat) genau dann der Fall,
wenn
m
X
gradf (x0 ) i gradgi (x0 ) = 0
i=1
kann unabhangig von der Losung x0 gewahlt werden.
Beweis. Folgt aus Satzen der konvexen Analysis, siehe Theoreme 28.1, 28.3, Korollar
28.2.2 in Rockafellar [16].
ur | < . Wir verwenden die erwahnte Identi-

Alternativer Beweis von Theorem 3.18 f
fikation der Menge aller vorhersehbaren Handelsstrategien mit dem Rn . Wie gewohnt be-
zeichnen wir die Menge der reellwertigen Zufallsvariablen mit R . Seien nun f : Rn R
R und g : Rn R R f
ur jedes definiert durch
f (, X) := E(u(X))
g (, X) := X() VT ()()
Dann ist genau dann erwartungsnutzenoptimal, wenn (, VT ()) die Funktion f un-
ter den Nebenbedingungen g = 0, , optimiert. Man maximiert also den Erwar-
tungsnutzen zunachst u
ber alle Zufallsvariablen X. Die Nebenbedingungen g garantieren,
A ANHANG 151
dass die Zufallsvariablen X auch als Endwert eines selbstfinanzierenden Vermogenspro-

zesses (Vt )t=0,1,... ,T mit gegebenem Startkapitel v0 R darstellbar sind. Man beachte, dass
im Beweis des Satzes gleich zweimal vorkommt. Zum einen existiert zu jedem Zustand
eine Nebenbedingung g , die die Finanzierbarkeit von X() sichert. Zum
anderen gibt einfach die Komponente von X an. X() entspricht also einer Variablen.
Nach Hilfssatz A.1 ist (, VbT ()) genau dann ein Optimum des restringierten Problems,
wenn eine reellwertige Zufallsvariable R existiert mit
X
gradf (, VT ()) (e
)gradge (, VbT ()) = 0 (1.141)
e

d.h. der Gradient von f lasst sich als Linearkombination der Gradienten der gradge schrei-
ben. (1.141) besteht aus n + || Gleichungen. Die ersten n Komponenten von f sind null.
Daher bedeutet (1.141) dort (beachte: VT () = v0 + S = v0 + Tt=1 >
P
t St ), dass f
ur
alle t = 1, . . . , T und alle At1,j , j = 1, . . . , mt1 gilt
X
()1At1,j ()Sti () = 0, i = 1, . . . , d. (1.142)

()
Setzen wir nun %() := P ({})
dann ist (1.142) aquivalent zu
E(%1At1,j St ) = 0, t = 1, . . . , T
und damit
E(%St |Ft1 ) = 0, t = 1, . . . , T
Die letzten || Komponenten von (1.141) bedeuten, dass
u0 (X())P ({}) ()1 = 0, ,
also
u0 (X()) = %(), ,
dP ?
Setzt man weiter := E (u0 (VT ())) und dP
:= 1

u0 (VT ()). Damit ist genau dann
eine erwartungsnutzenoptimale Strategie, wenn
dP ?
E( St |Ft1 ) = 0, t = 1, . . . , T,
dP
A ANHANG 152
d.h. wenn S ein P ? -Martingal ist. Da u0 > 0 ist P ? nach Konstruktion ein Wahrschein-
lichkeitma.
LITERATUR 153
Literatur
[1] N. Bingham and R. Kiesel. Risk-Neutral Valuation. Springer, New York, 1998.
[2] M. Brokate and G. Kersting. Ma und Integral. Birkhauser, first edition, 2011.
[3] F. Delbaen and W. Schachermayer. The fundamental theorem of asset pricing for
unbounded stochastic processes. Mathematische Annalen, 312:215250, 1998.
[4] H. Follmer and Y. Kabanov. Optional decomposition and Lagrange multipliers.

Finance & Stochastics, 2:6981, 1998.
[5] H. Follmer and A. Schied. Stochastic Finance An Introduction in Discrete Time.

Walter de Gruyter, New York, first edition, 2002.
[6] O. Forster. Analysis 2. Vieweg, Braunschweig, 1984.
[7] T. Goll and J. Kallsen. A complete explicit solution to the log-optimal portfolio
problem. The Annals of Applied Probability, 13:774799, 2003.
[8] J. Hull. Options, Futures and other Derivatives. Prentice Hall, Upper Saddle River,
third edition, 1997.
[9] A. Irle. Finanzmathematik Die Bewertung von Derivaten. Teubner, Stuttgart,

1998.
[10] J. Kallsen. Utility-based derivative pricing in incomplete markets. In H. Geman,

D. Madan, and S. Pliska, editors, Mathematical Finance Bachelier Congress 2000,
pages 313338. Springer-Verlag, Berlin, 2001.
[11] J. Kallsen and C. K

uhn. Pricing Derivatives of American and Game Type in Incom-
plete Markets. Finance & Stochastics, 8(2):261284, 2004.
[12] J. Kallsen and C. K

uhn. Convertible bonds: financial derivatives of game type. In
A. Kyprianou, W. Schoutens, and P. Wilmott, editors, Exotic Option Pricing and
Advanced Levy Models, pages 277291. Wiley, Chichester, 2005.
LITERATUR 154
[13] A. Klenke. Wahrscheinlichkeitstheorie. Springer-Verlag, second edition, 2008.
[14] D. Kramkov. Optional decomposition of supermartingales and hedging contin-

gent claims in incomplete security markets. Probability Theory and Related Fields,
105:459479, 1996.
[15] D. Kramkov and W. Schachermayer. The asymptotic elasticity of utility functions

and optimal investment in incomplete markets. The Annals of Applied Probability,
9:904950, 1999.
[16] T. Rockafellar. Convex Analysis. Princeton University Press, Princeton, 1970.
[17] T. Rockafellar and R. Wets. Variational Analysis. Springer, Berlin, 1998.
[18] M. Schweizer. Option hedging for semimartingales. Stochastic Processes and their
Applications, 37:339363, 1991.
[19] M. Schweizer. A guided tour through quadratic hedging approaches. In E. Joui-

ni, J. Cvitanic, and M. Musiela, editors, Option Pricing, Interest Rates and Risk
Management, pages 538574. Cambridge University Press, 2001.
[20] C. Skiadas. Asset Pricing Theory. Princeton University Press, Princeton, 2009.
Vorlesungsskript Stochastische Analysis mit Finanzmathematik
Christoph Ku
hn
Wintersemester 2004/05
letzte Aktualisierung: 12. Dezember 2016
1
Inhaltsverzeichnis
1 Eine Motivation 1
2 Allgemeine Theorie stochastischer Prozesse 3

2.1 Martingale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
3 Stochastische Integration 15
3.1 Lebesgue-Stieltjes-Integral . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2 Fortsetzung des Elementarintegrals . . . . . . . . . . . . . . . . . . . . . . 26
3.3 Quadratische Variation eines Semimartingals . . . . . . . . . . . . . . . . . 46
3.4 Die Ito-Formel und einige Anwendungen . . . . . . . . . . . . . . . . . . . 53
3.5 Mawechsel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4 Modellierung von Finanzm arkten 68

4.1 Das Black-Scholes-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.1.1 Losung der Black-Scholes Differentialgleichung . . . . . . . . . . . . 74
4.1.2 Formaler Beweis der Replizierbarkeit von g(ST1 ) . . . . . . . . . . . 78
4.2 Lokales Volatilitatsmodell . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.3 Sprungrisiko . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.4 Constant Proportion Portfolio Insurance (CPPI) . . . . . . . . . . . . . . . 87
A Anhang: Konvergenzbegriffe in der Stochastik 92
B Anhang: Erg
anzende Uberlegungen 94
2
1 Eine Motivation
In dieser Vorlesung wollen wir uns mit zeitstetiger Finanzmathematik beschaftigen. D.h.
Zeitbereich = [0, T ] statt wie in der diskreten Vorlesung Zeitbereich = {0, 1, . . . , T }.
Aktienpreisprozess
S : [0, T ] R, S = (St )t[0,T ] .
Der Einfachheit halber existiere ein risikoloser ,,Bond ohne Verzinsung, d.h.
St0 = 1 f
ur alle t
Ein wichtiges Thema wird die Bewertung und Absicherung von Optionen sein.
Call-Option: Halter erwirbt zum Zeitpunkt 0 das Recht, zum Zeitpunkt T eine Aktie
zum festgelegten Preis K R+ zu erwerben. Die zufallige Auszahlung zum Zeitpunkt T
des Calls ist demnach
H() = (ST () K)+ = max{ST () K, 0}
Nehme an, t 7 St () sei f

ur alle stetig (etwa Brownsche Bewegung) und die
Option sei zum Zeitpunkt 0 ,,aus dem Geld, d.h. S0 < K.
Wieviel ist die Call-Option zum Zeitpunkt 0 wert und wie kann sich der
Verk
aufer gegen die Optionsauszahlung absichern ?
Naive L
osung f
ur Absicherung (,,Hedging) der Option:
Starte ohne Kapital (beachte, dass S0 < K). Wenn St den Preis K erreichen sollte,
kaufe man sogleich eine Aktie zum Preis K (stets moglich, da Aktienpreisprozess stetig)
und man verschulde sich daf ur um K Bonds. Wenn St wieder kleiner werden sollte als
K, verkaufe man die Aktie wieder zum Preis K und lose damit seine Verschuldung im

Bond auf. Bei weiteren Uberquerungen von K verfahre man genauso. Formal entspricht
dies der Handelsstrategie (0 , ) mit

1 : ur St () K ,
f
t () := (1.1)
0 : f
ur St () < K .

und

K : ur St () K ,
f
0t () := (1.2)
0 : f
ur St () < K .

wobei t die Anzahl an Aktien und 0t die Anzahl an Bonds im Portfolio zum Zeitpunkt t
bezeichne.
1
Da S0 < K ist der Startwert des Portfolios = 00 1 + 0 S0 = 0 + 0 = 0 und der
zufallige Endwert = 0T () 1 + T () ST () = (ST () K)+ .
Die Option kann demnach ohne Startkapital repliziert werden und ist folglich nach
der Arbitragetheorie wertlos.
Dies widerspricht offenbar den Beobachtungen auf Derivatemarkten, wonach Optio-

nen nicht-verschwindende Preise haben (auch wenn sie ,,aus dem Geld starten, d.h. wenn
S0 < K). Mit Hilfe der Stochastischen Analysis werden wir obige ,,Hedging-Strategie,
die ja auf den ersten Blick durchaus plausible erscheint, naher unter die Lupe nehmen
und schlielich zum Wanken bringen.
Wenn S etwa eine Brownsche Bewegung ist, werden die starken Schwankungen des
Aktienpreisprozesses, wenn er gerade bei K ist, ein standiges Kaufen- und Verkaufen zum
Preis K auch naherungsweise unmoglich machen und der Strategie zum Verhangnis wer-
den.

Einen ersten Hinweis darauf mag die folgende Uberlegung liefern: Um die Strate-
gie (1.1)/(1.2) auf ein etwas solideres Fundament zu stellen, wandeln wir sie wie folgt ab.
Sei > 0.
Wenn St den Preis K + erreichen sollte, kaufe man sogleich eine Aktie zum Preis K +
und man verschulde sich dafur um K + Bonds. Wenn danach St kleiner werden sollte als
K , verkaufe man die Aktie wieder zum Preis K und lose damit seine Verschuldung

in Bonds bis auf 2 wieder auf. Bei weiteren Uberquerungen des Intervalls [K , K + ]
verfahre man genauso.
Diese gezahmte Strategie hat den Vorteil, dass man wegen der Stetigkeit von t 7 St ()
f
ur festes > 0 und festes bis T nur endlich oft das Portfolio umschichten muss.
Die Strategie ist wirklich selbstfinanzierend, was man von (1.1)/(1.2) i.A. nicht sagen
kann. Das Problem bei der modifizierten Strategie ist aber, dass man bei jeder ,,Doppel-
Uberquerung des Intervalls [K , K + ] (also erst von unten nach oben und dann von
oben nach unten) den Verlust 2 macht. Man hat also neben dem Gewinn (ST K)+
einen Verlust, der von der Ordnung

2 Anzahl der Doppel-Uberquerungen des Intervalls [K , K + ] (1.3)
ist. Lasst man nun gegen Null laufen, dann reicht die Stetigkeit von S noch nicht aus
um zu garantieren, dass der Verlust (1.3) asymptotisch verschwindet (da die Anzahl der

Doppel-Uberquerungen nat
urlich mit fallendem steigt). Mit Methoden der Stochasti-
schen Analysis kann man zeigen, dass f ur S Brownsche Bewegung und f ur (0 , ) aus
(1.1)/(1.2) gilt
Z t
1 t
Z
0 klar +
t + t St = (St K) = u dSu + lim 1{KSu K+} du,
0 0 4 0
2
Rt
wobei 0 u dSu das in stetiger Zeit noch zu definierende stochastische Integral ist, das
Rt
die Handelsgewinne der Strategie modelliert . Da der Term 4 1
1
0 {KSu K+}
du f
ur
0 nicht verschwindet, ist (0 , 1 ) nicht selbstfinanzierend.
2 Allgemeine Theorie stochastischer Prozesse

Definition 2.1. (1) Sei (, F, P ) ein Wahrscheinlichkeitsraum. Eine Menge A
nennen wir eine P -Nullmenge, wenn A F und P (A) = 0. (, F, P ) heit vollst
andig,
wenn jede Teilmenge einer P -Nullmenge Element aus F ist (und damit wegen Mo-
notonie selber auch eine P -Nullmenge ist) .
(2) Ein filtrierter Wahrscheinlichkeitsraum (, F, (Ft )t[0,T ] , P ) ist ein Wahrscheinlich-

keitsraum (, F, P ) zusammen mit einer Filtrierung (Ft )t[0,T ] . Eine Filtrierung ist
eine aufsteigende Familie von Teil--Algebren von F, d.h. Fs Ft F f ur alle
s t. T R+ ist der Zeithorizont des Modells. Zur Vereinfachung schreiben wir F
f
ur (Ft )t[0,T ] .

Man approximiere die Auszahlungsfunktion x 7 (x K)+ durch die glatten Funktionen f , 0,
mit

0 : ur x K ,
f
2
(xK+)
f (x) := 4 : ur x (K , K + )
f

xK : ur x K +
f

bei denen die Ableitung zwischen K und K + von 0 auf 1 linear ansteigt. Mit der noch herzuleitenden
It
o-Formel gilt
(St K)+
f (St )
n
Taylor-Entwicklung X
= f (S0 ) + lim f0 (St(k1)/n )(Stk/n St(k1)/n )
n
k=1
n
1 X
+ lim f00 (St(k1)/n )(Stk/n St(k1)/n )2
2 n
k=1
Z t
1 t 00
Z
= f (S0 ) + f0 (Su ) dSu + f (Su ) du
0 2 0
Z t Z t
1
f (S0 ) + 1u dSu + 1{KSu K+} du.
0 4 0
Man beachte, dass sich u und f0 (Su ) nur auf der Menge {K Su K + } unterscheiden und dort
nur um maximal 1. F ur 0 wird der Fehler also durch das zweite Integral dominiert.

Bei der gewahlten Definition einer Nullmenge m ussen Nullmengen notwendigerweise Elemente der
-Algebra F sein. Eine alternative Definition lautet, dass A eine Nullmenge ist, wenn es eine
Menge B F gibt mit A B und P (B) = 0. Bei der alternativen Nullmengendefinition verlangt
andigkeit, dass jede Nullmenge aus F ist. Offenbar sind beide Definitionen von Vollstandigkeit des
Vollst
Wahrscheinlichkeitsraums aquivalent und wenn Vollstandigkeit vorliegt sind auch die Definitionen fur
Nullmengen aquivalent.
3
Interpretation: Ft steht f
ur die Information, die wir zum Zeitpunkt t haben. A Ft
bedeutet, dass zum Zeitpunkt t bekannt ist, ob das Ereignis A eingetreten ist oder nicht.
Bemerkung 2.2 (Vervollstandigung eines Wahrscheinlichkeitsraums). Jeder Wahrschein-

lichkeitsraum lasst sich vervollstandigen. Zu einem i.A. nicht vollstandigen Wahrschein-
lichkeitsraum (, F, P ) definiere man das Mengensystem
Fe := {A
e | A1 , A2 F mit A1 A
e A2 und P (A2 \ A1 ) = 0}
und die Abbildung
Pe : Fe [0, 1], e 7 P (A1 ) = P (A2 ).

A
Mit der Subadditivitat und der Additivitat f

ur disjunkte Mengen des Maes P rechnet man
sofort nach, dass F eine -Algebra ist. Zudem sieht man sofort, dass Pe(A)
e e zwar von der
Menge A, e nicht aber vom Paar (A1 , A2 ) F F abhangt, f ur das A1 A e A2 und
P (A2 \ A1 ) = 0 gilt. Damit ist Pe wohldefiniert. Die -Additivitat von Pe f ur disjunkte
Mengen folgt dann wiederum aus der (Sub-)Additivitat von P .
Offensichtlich ist der Wahrscheinlichkeitsraum (, F, e Pe) vollstandig. Fe ist zudem die
kleinste -Algebra mit der eine Vervollstandigung moglich ist. F ur Ae Fe gilt namlich,
dass Ae \ A1 A2 \ A1 und P (A2 \ A1 ) = 0. Damit muss A e \ A1 in jeder vergroerten
-Algebra sein, die vollstandig ist. Da A1 es sowieso ist, muss auch die Vereinigung, also
A,
e in jeder vergroerten vollstandigen -Algebra sein.
Definition 2.3 (usual conditions). Ein filtrierter vollstandiger

Wahrscheinlichkeitsraum (, F, F, P ) erf
ullt die u
blichen Voraussetzungen (usual condi-
tions), wenn
(1) F0 alle P -Nullmengen von F enthalt.

T
(2) die Filtration F rechtsstetig ist, d.h. Ft = Ft+ := u(t,T ] Fu f
ur alle t [0, T ).
Beispiel 2.4. Sei t0 (0, T ) und Y eine nicht-konstante Zufallsvariable. Betrachte den
stetigen stochastischen Prozess Xt = (t t0 )+ Y . X besitzt also ab t0 die zufallige Stei-
gung Y . Fur die von X erzeugte Filtration (Ft0 (X))t[0,T ] (nat
urliche Filtration von X
genannt) gilt,

{, } : ur t t0 ,
f
0
Ft (X) := (Xs , s t) =
(Y ) : f
ur t > t0 .

Die von einem (rechts-)stetigen Prozess erzeugte Filtration muss also nicht notwendiger-
weise rechtsstetig sein.
Man kann jede Filtration um die P -Nullmengen von F erweitern und rechtsstetig
e = (Fet )t[0,T ] mit
,,machen. Zu (Ft )t[0,T ] definiere man dazu die Filtration F
4
T
u(t,T ] (Fu , N ) : ur t (0, T ] ,
f
Fet :=
(FT , N ) : f
ur t = T .

wobei N := {A F | P (A) = 0}. Offensichtlich ist Fe rechtsstetig und N Fet f ur alle

t [0, T ].
In Beispiel 2.4 w
urde dies bedeuten, dass man die Information u ber die Steigung Y
bereits zum Zeitpunkt t0 und nicht erst ,,unmittelbar nach t0 hat.
Rechtsstetige Prozesse, die man typischerweise betrachtet, erzeugen aber bereits eine
rechtstetige Filtration. Beispiele:
(i) Sei X ein Zahlprozess, d.h. Xt =

P
n=1 1[n ,T ] (t) f
ur Stoppzeiten n . Die Filtration
Ft0 (X) = (Xs , s t) ist dann rechtsstetig (siehe Theorem 25 in Protter [3] f ur
einen Beweis).
(ii) Sei X eine Brownsche Bewegung. Dann ist die Filtration FtX := (Xs , s t, N ),
wobei N die Nullmengen von (Xs , s T ) bezeichnet, rechtsstetig (siehe z.B.
Karatzas und Shreve [2](1991), Proposition 7.7 und Theorem 7.9 in Chapter 2).
Die Rechtsstetigkeit ohne Nullmengenerweiterung ist die echt starkere Eigenschaft. Bei
einer bereits rechtstetigen Filtration ist auch die mit N erweitere Filtration rechtsstetig.
Die zeigt die folgende Proposition.
Proposition 2.5. Sei (Ft )t[0,T ] eine beliebige Filtration. Es gilt

\ \
(Fu , N ) = Fu , N
u(t,T ] u(t,T ]
Es ist also egal, ob man eine Filtration erst um N erweitert und dann rechtstetig
macht oder umgekehrt.
T
Beweisbeginn. Ad . Klar, da f
ur jedes u (t, T ] gilt s(t,T ] F s , N (Fu , N ).
Ad . Offenbar gilt f
ur alle -Algebren G F, dass
(G, N ) = {A F | B G, P (BA) = 0}, (2.1)
wobei BA := (B \ A) (A \ B) die symmetrische Differenz bezeichnet.

Sei t < T und A Fes f ur alle s (t, T ]. F
ur jedes u (t, T ] gibt es ein s (t, u) und damit
A (Fu , N ) Fes . Es folgt A Fet .
5
T
Sei nun A u(t,T ] (Fu , N ). Mit (2.1) angewandt auf die -Algebren Ft+1/n folgt,
dass fur jedes n N eine Menge Bn Ft+1/n existiert mit P (Bn A) = 0. Betrachte
BA mit B := lim supn Bn := mN nm Bn . Offenbar gilt lim supn Bn Fu f ur
alle u > t und damit lim supn Bn Ft+ . Zudem gilt

X
P (BA) P (nN (Bn A)) P (Bn A) = 0.
n=1
T
Mit (2.1) angewandt auf G = Ft+ = u(t,T ] Fu ergibt dies A (Ft+ , N ) und damit die
Behauptung.
Im folgenden gelten stets die u
blichen Voraussetzungen.
Definition 2.6. (1) Eine Zufallsvariable : [0, T ] ist eine Stoppzeit, wenn f
ur
alle t [0, T ] gilt { t} = { | () t} Ft .
(2) F := {A F | A { t} Ft , t [0, T ]} heit die -Algebra der -Vergangenheit.

Interpretation: Eine Stoppzeit entspricht einer Stoppstrategie, in die immer nur die
jeweils zur Verf ugung stehende Information einfliet (d.h. mit dem Informationsverlauf
(Ft )t[0,T ] kann man das Eintreten von beobachten).
F umfasst alle Informationen bis zum zufalligen Zeitpunkt . F
ur deterministische Stopp-
zeiten , d.h. wenn () = t, , stimmt diese -Algebra mit Ft aus Definition 2.1
u
berein.
Eine wichtige Folge der Rechtsstetigkeit der Filtration ist das folgende Theorem
Theorem 2.7. ist genau dann eine Stoppzeit, wenn { < t} Ft , t [0, T ].
Beweis. 1. Sei eine Stoppzeit, d.h. { u} Fu , u [0, T ]. Da

[ 1
{ < t} = t
n
nN mit t1/n
und { t n1 } Ft 1 Ft , folgt { < t} Ft .

n
2. Es gelte { < u} Fu , u [0, T ]. Wegen { T } = FT m ussen wir die
entsprechende Aussage nur noch f ur alle s (t, T ] gilt
ur t < T zeigen. F

\ 1
{ t} = <t+ Fs
n
nN mit t+1/ns
und damit
\
{ t} Fs = Ft .
s>t
6
Ohne Rechtsstetigkeit der Filtration gilt Teil 2 des Beweises offenbar nicht. Wahle
dazu im Beispiel 2.4 die zufallige Zeit

t0 : ur Y () y
f
() :=
T : f
ur Y () > y

wobei y R eine Schranke ist mit {Y y} 6 {, }. Es gilt zwar { < t} Ft0 (X)
ur alle t aber { t0 } = {Y y} 6 {, } = Ft00 (X), wobei (Ft0 (X))t[0,T ] die von X
f
erzeugte naturliche Filtration ist. ist also keine Stoppzeit.
Definition 2.8. Ein stochastischer Prozess ist eine Abbildung
X : [0, T ] Rd .
Mit Xt bezeichnet man den t-Schnitt von X, also die Abbildung
Xt : Rd , 7 X(, t).
ur alle t [0, T ] die Abbildung Xt Ft -messbar ist.

X heit adaptiert, wenn f
Die Abbildungen t 7 Xt () werden als Pfade von X bezeichnet.
Definition 2.9. (1) Zwei stochastische Prozesse X und Y sind Modifikationen von-
ur alle t [0, T ].
einander, wenn P (Xt = Yt ) = 1 f
(2) Zwei Prozesse X und Y heien ununterscheidbar, wenn P (Xt = Yt , t [0, T ]) =

1.
Bemerkung 2.10. Sind X und Y Modifikationen voneinander, dann existieren Nullmen-

S Nt , s.d. Xt () = Yt (), \ Nt . Da aber [0, T ] u
gen berabzahlbar ist, kann man u
ber
N
t[0,T ] t nicht viel sagen (diese Menge muss nicht einmal messbar sein). Wenn dagegen
X und Y ununterscheidbar sind, dann existiert eine Nullmenge N , so dass die Abbildun-
gen t 7 Xt () und t 7 Yt () f ur alle \ N identisch sind. Wegen P (N ) = 0 und
den ublichen Voraussetzungen gilt N Ft , t [0, T ].
Beispiel 2.11. Seien X = 0 und Yt () = 1(t=U ()) , wobei U eine auf [0, T ] gleichverteilte
Zufallsvariable ist, d.h. P (U (a, b)) = ba
T
, 0 a b T . X und Y sind offenbar
Modifikationen voneinander, da f ur alle t [0, T ], P (Xt = Yt ) = P (U 6= t) = 1 gilt, aber
die Prozesse sind nicht ununterscheidbar, da P (Xt = Yt , t [0, T ]) = 0.
Theorem 2.12. Seien X und Y Modifikationen voneinander und seien die Pfade von X
und Y rechtsstetig. Dann sind X und Y ununterscheidbar.
Folge: Wenn es zu einem Prozess X eine rechtsstetige Modifikation gibt, dann ist diese
bis auf Ununterscheidbarkeit eindeutig.
7
S
Beweis von Theorem 2.12. Sei Nt := { | Xt () 6= Yt ()} und N := tQ[0,T ) Nt
ur alle (, t) (\N )[0, T ]. Sei 6 N
NT . Es gilt P (N ) = 0. Zu zeigen: Xt () = Yt () f
und sei t (Q [0, T )) {T }. Dann gilt Xt () = Yt (). Fur beliebiges t [0, T ) existiert
nun eine Folge (tn )nN Q mit tn & t und Xtn () = Ytn (). Aus der Rechtsstetigkeit
folgt
Xt () = lim Xtn () = lim Ytn () = Yt ().
n n
Damit sind X und Y ununterscheidbar.

Definition 2.13. Ein stochastischer Prozess X heit càdlàg (continu à droite, limites
a` gauche), wenn alle seine Pfade rechtsstetig sind und die linken Limiten
Xt () := lim Xs () := lim Xs ()
st st,s<t
als Elemente in R bzw. Rd existieren. In diesem Fall sei

limst Xs () : f
ur t > 0 ,
Xt () :=
X0 () : f
ur t = 0 .

und Xt = Xt Xt . Die Prozesse X := (Xt )t[0,T ] und X := (Xt )t[0,T ] sind damit
bis auf Ununterscheidbarkeit wohldefiniert (d.h. wenn X, Y ununterscheidbar, dann sind
auch X , Y bzw. X, Y ununterscheidbar).
Proposition 2.14. Sei n N. Eine càdlàg Funktion f : [0, T ] R hat hochstens endlich
unge, die dem Betrag nach groer als n1 sind. {t [0, T ] | ft 6= 0} ist abzahlbar.
viele Spr
Beweis. Nehme an, es gabe unendlich viele t [0, T ] mit |ft | n1 .Dann besitzt die
Menge {t [0, T ] | |ft | n1 } einen Haufungspunkt t? . Damit existiert fur jedes > 0
? ? ? ?
ein Paar (t1 , t2 ) mit t < t1 < t2 < t oder t < t1 < t2 < t + und |ft2 ft1 | 1/(2n)
(wieso ?). Dies ist aber ein Widerspruch dazu, dass sowohl S limst? fs als auch limst?1 fs
existieren und endlich sind. Da {t [0, T ] | ft 6= 0} = nN {t [0, T ] | |ft | n },
kann es insgesamt hochstens abzahlbar viele Spr unge geben.
Bemerkung 2.15. Es hat sich bewahrt, Wertpapierpreisverlaufe durch stochastische Pro-
zesse mit c`
adl`
ag Pfaden zu modellieren. Diese Klasse von stochastischen Prozessen ist
gro genug, um z.B. plotzliche Preisschocks abzubilden (Spr unge). Ausgeschlossen sind
unge, also limst Xs 6= Xt 6= limst Xs .
dagegen sog. Doppelspr
Definition 2.16. Sei X ein stochastischer Prozess und eine Borel-Menge in R, d.h.
B(R). Definiere () := inf{t > 0 | Xt () }. wird als Ersteintrittszeit von X
in bezeichnet.
Theorem 2.17. Sei X ein adaptierter Prozess, dessen Pfade links- oder rechtsstetig sind
und sei offen. Dann ist die entsprechende Ersteintrittszeit eine Stoppzeit.
S
Beweis. Es reicht zu zeigen, dass { < t} Ft . Es gilt { < t} = sQ[0,t) {Xs }. Da
{Xs } Fs folgt die Behauptung.
8
2.1 Martingale
Definition 2.18. Ein reellwertiger, adaptierter Prozess X = (Xt )t[0,T ] mit E|Xt | <
ur alle t [0, T ] und c`
f adl`
ag Pfaden heit
(i) Martingal, wenn
E(Xt | Fs ) = Xs P -f.s., s t (2.2)
(ii) Supermartingal, wenn

E(Xt | Fs ) Xs P -f.s., s t
(iii) Submartingal, wenn

E(Xt | Fs ) Xs P -f.s., s t
Zur Erinnerung: Sei Y eine reellwertige F-messbare Zufallsvariable und sei G F

ur Y 0 oder Y L1 (, F, P ) gibt es eine P -f.s. eindeutige G-
eine Teil--Algebra. F
messbare Zufallsvariable Z mit
E(1A Z) = E(1A Y ), A G.
EP (Y |G) := Z wird als eine Version des bedingten Erwartungswertes von Y unter der
Information G bezeichnet. Damit ist (2.2) offenbar aquivalent zu
E(1A (Xt Xs )) = 0, s t, A Fs .
Zusatz: Wenn Y weder nichtnegativ noch in L1 ist, dafur aber EP (|Y ||G) < , P -f.s.
ur die nichtnegative Zufallsvariable |Y | stets definiert) kann
(bedingter Erwartungswert f
man E(Y |G) definieren als
EP (Y |G) = EP (Y + |G) EP (Y |G).
Bemerkung 2.19. Die Eigenschaft eines Prozesses, ein Martingal zu sein, hangt also
vom Ma P und der Filtration (Ft )t[0,T ] ab (die hier beide vorerst fest gegeben sind).
Bemerkung 2.20. Der Prozess Y aus Beispiel 2.11 mit Yt () = 1(t=U ()) ist defini-
tionsgema kein Martingal, da seine Pfade nicht rechtsstetig sind. Man kann nat urlich
0
lange dar urlichen Filtration Ft (Y ) := (Ys , s t) =
uber streiten, ob Y bzgl. seiner nat
({{U = s} | s t}) oder bzgl. der um die Nullmengen erweiterten Filtration
FtY := (Ft0 (Y ), N ),
wobei N := {A (U ) | P (A) = 0}, ein Martingal genannt werden sollte oder besser
nicht. Da die nat urliche Filtration F 0 (Y ) bereits rechtsstetig ist, erf
ullt F Y mit Propositi-
on 2.5 die usual conditions. Man beachte, dass U keine F Y -Stoppzeit ist. Es gilt namlich
FtY = (N ) 6= (U ) f ur alle t [0, T ] (wieso ?) Die Martingaleigenschaft (2.2) ist

offenbar erf
ullt .

Y ist in der Tat ein sog. ,,optionales Martingal, was ein erweiterter Martinaglbegriff ist, der jedoch
in der stochastischen Finanzmathematik keine wesentliche Rolle spielt.
9
Proposition 2.21. Sei H eine Zufallsvariable mit E|H| < . Dann existiert (bis auf
Ununterscheidbarkeit) genau ein (P -)Martingal X mit Endwert XT = H, P -f.s., namlich
eine càdlàg Modifikation des Prozesses t 7 E(H|Ft ).
Der Beweis findet sich z.B. in Dellacherie und Meyer . Aus Bedingung (2.2) und
der Eindeutigkeit (bis auf Ununterscheidbarkeit) einer rechtsstetigen Modifikation (Theo-
rem 2.12) folgt sofort die Eindeutigkeit des Martingales (Bemerkung 2.20 zeigt dagegen,
dass ohne die Bedingung, dass ein Martingal rechtsstetig sein muss, aus der Gleichheit der
Endwerte noch keine Ununterscheidbarkeit folgen w urde). Fur die Existenz muss gezeigt
werden, dass es einen càdlàg Prozess X mit P (Xt = E(H | Ft )) = 1 f ur alle t [0, T ]
gibt. Fur die Existenz der linken Limiten bedient man sich eines Martingalkonvergenz-
satzes. Fur die Rechtsstetigkeit braucht man, dass die Filtration rechtsstetig ist (usual
conditions).
Bemerkung 2.22. F ur jedes t [0, T ] ist die Zufallsvariable E(H | Ft ) nur bis auf
eine Nullmenge definiert. Streng genommen kann man also gar nicht von einem Pro-

zess t 7 E(H | Ft ) sprechen, sondern nur von einer Familie von Aquivalenzklassen von
Zufallsvariablen. Es ist aber klar, was in Proposition 2.21 gemeint ist. Spater ist dann
mit t 7 E(H | Ft ) immer die rechtsstetige Modifikation gemeint.
Bemerkung 2.23. Die zusatzliche Bedingung, dass Pfade eines Martingals càdlàg sein
m ussen, impliziert also einen eineindeutigen Zusammenhang zwischen integrierbaren Zu-
fallsvariablen und Martingalen (wenn man ununterscheidbare Prozesse miteinander iden-
tifiziert). Damit ist wie im Zeitdiskreten jedes Martingal durch seinen Endwert eindeutig
bestimmt.
Ein wichtiges Beispiel f

ur ein Martingal ist eine Brownsche Bewegung.
Definition 2.24. Ein adaptierter Prozess (Bt )t0 mit Werten in Rd , d N, und B0 = 0
ist eine d-dimensionale Standard-Brownsche-Bewegung wenn
ur 0 s t < , Bt Bs unabhangig von Fs ist

(1) f
ur 0 s t < , Bt Bs ein multivariat normalverteilter Zufallsvektor mit

(2) f
Erwartungswert Null und Varianzmatrix (t s)I ist. (I: Einheitsmatrix).
(3) alle Pfade t 7 Bt () stetig sind.
Bemerkung 2.25. ,,Multivariat normalverteilt impliziert, dass Bti Bsi und Btj Bsj
ur i 6= j stochastisch unabhangig sind (und nicht nur unkorreliert, was daraus folgt,
f
dass die Varianzmatrix eine Diagonalmatrix ist). In der Definition konnte man aber auch
,,multivariat normalverteilter komplett weglassen, weil es aus den anderen Eigenschaften
bereits folgt (dies ist an dieser Stelle aber alles andere als klar).

Probabilities and potential. North Holland, 1978
10
Meistens ist die Eigenschaft, dass ein Prozess B eine Brownsche Bewegung ist, bez uglich
seiner nat urlichen Filtration F B definiert. (2) bedeutet dann, dass Bt Bs von allen
(Bu1 , . . . , Bun ) mit 0 u1 . . . un s t stochastisch unabhangig ist (Adaptiertheit
ist dann automatisch gegeben). Man spricht dann von einer intrinsischen Brownschen
Bewegung.
Theorem 2.26. Es existiert eine Brownsche Bewegung. Genauer: Es existiert ein filtrier-
ter Wahrscheinlichkeitsraum (, F, (Ft )t[0,T ] , P ), der die usual conditions erf
ullt und auf
dem ein Prozess (Bt )t[0,T ] mit den Eigenschaften (1) und (2) aus Definition 2.24 definiert
werden kann. Von einem solchen Prozess existiert eine Modifikation, die auch (3) erf ullt.
Fur einen Beweis siehe z.B. das Lehrbuch ,,Wahrscheinlichkeitstheorie von Klenke.
Als Filtration kann die um die Nullmengen erweiterte nat urliche Filtration gewahlt wer-
den. Der zweite Teil des Satzes folgt wegen E (Bt Bs )4 = (t s)2 E(B14 ) aus dem Satz
von Kolmogorovk .
Bemerkung 2.27. In einigen Lehrb uchern und Skripten wird statt (3) nur gefordert, dass
P -fast alle Pfade stetig sind. Auf einem Wahrscheinlichkeitsraum, der die usual conditi-
ons erfullt, macht dies aber keinen wesentlichen Unterschied. Sei dazu B e ein adaptierter
Prozess, der (1) und (2) erf ur den E := { | t 7 Bt () ist stetig} eine
ullt und f e
P -Einsmenge ist (Komplement einer P -Nullmenge, d.h. P (E) = 1). Definiere nun

B
et () : ur E ,
f
Bt () :=
0 : sonst .

Wegen den usual conditions liegt \ E und damit auch E in Ft f ur alle t [0, T ].
Damit ist das oben definierte B ein adaptierter Prozess. (1) und (2) bleiben erf
ullt und
alle Pfade von B sind stetig.
Theorem 2.28. Sei (Bt )t0 eine eindimensionale Standard-Brownsche Bewegung. Dann
sind die folgenden Prozesse Martingale:
(a) (Bt )t0
(b) (Bt2 t)t0

1 2
(c) (eaBt 2 a t )t0 f
ur alle a R.
Beweis. Ad (a). Sei t s:
E(Bt | Fs ) = Bs + E(Bt Bs | Fs )
(1) (2)
= Bs + E(Bt Bs ) = Bs
k
Der Satz von Kolmogorov besagt: wenn f ur einen stochstischen Prozess X Konstanten , , C > 0
existieren mit E (|Xt Xs | ) C|t s|1+ , s t, dann besitzt X eine stetige Modifikation.
11
Ad (b): Es gilt: E(Bt2 | Fs ) = E((Bs + Bt Bs )2 | Fs )
= Bs2 + 2Bs E(Bt Bs | Fs ) + E((Bt Bs )2 | Fs )
= Bs2 + t s
E(Bt2 t | Fs ) = Bs2 s.
Ad (c): Ferner gilt: E(eaBt | Fs ) = eaBs Eea(Bt Bs )

1 2
= eaBs e 2 a (ts)
Beh.
F
ur die letzte Gleichheit braucht man, dass fur eine standardnormalverteilte Zufallsvaria-
ble Z und b R gilt
Z 2
bZ bx 1 x

E e = e exp dx
R 2 2
(x b)2 + b2
Z
1
= exp dx
R 2 2
2Z
(x b)2

b 1
= exp exp dx
2 R 2 2
2
b
= exp
2

Setze b = a t s und benutze, dass Bt Bs und t sZ in Verteilung u bereinstimmen.
Definition 2.29. Ein endliches Tupel = (t0 , t1 , . . . , tk ), k N, ist eine Partition von
[a, b] (oder auch Gitter auf [a, b] genannt), wenn a = t0 < t1 < < tk = b. Der Ausdruck
mesh() := maxj=1,... ,k |tj tj1 | bezeichnet die Feinheit der Partition (des Gitters).
Theorem 2.30. Sei (n )nN eine Folge von Partitionen von [a, a+t] (d.h. n = (tn0 , tn1 , . . . , tnkn ),
(2)
kn N, a = tn0 < tn1 < . . . < tnkn = a + t) mit limn mesh(n ) = 0. Sei n (B) :=
Pkn 2
j=1 Btj Btj1 .
n n
(i) Es gilt
n
n(2) (B) t in L2
(und damit auch in Wahrscheinlichkeit).
ur alle n m ist jeder Zeitpunkt aus n auch

(ii) Wenn (n )nN verfeinernd ist, d.h. f
in m enthalten, dann gilt die Konvergenz auch P -f.s.
Beweis der L2 -Konvergenz. Es gilt

kn
X
n(2) (B) t = [(Btnj Btnj1 )2 (tnj tnj1 )],
j=1
12
wobei die Summanden (Btnj Btnj1 )2 (tnj tnj1 ), j = 1, . . . , kn stochastisch unabhangig
voneinander sind und Erwartungswert Null besitzen. Damit gilt
h kn 2
2 i X
E n(2) (B) t = 2 n n
E (Btnj Btnj1 ) (tj tj1 ) .
j=1
2
Auerdem hat Btnj Btnj1 die gleiche Verteilung wie Z 2 (tnj tnj1 ), wobei Z eine
standard-normalverteilte Zufallsvariablen ist. Es folgt
kn
X 2
E[(n(2) (B) 2
t) ] = E (Btnj Btnj1 ) 2
(tnj tnj1 )
j=1
kn
X
2 2
= E[(Z 1) ] (tnj tnj1 )2
j=1
kn
X
= E[(Z 2 1)2 ] |tnj tnj1 ||tnj tnj1 |
j=1
kn
X
2 2
E[(Z 1) ] mesh(n )|tnj tnj1 |
j=1
2 2
= E[(Z 1) ] mesh(n )t,
| {z }
0 f
ur n
(2)
d.h. n (B) t in L2 f
ur n . Hierbei geht naturlich ein, dass die Normalverteilung
endliche vierte Momente besitzt und damit E[(Z 2 1)2 ] < .
Theorem 2.31. Seien a, b R+ , a < b, r R+ {}. F ur P -fast alle Pfade t 7 Bt ()

n n
existiert eine Folge von Partitionen n = (t0 , . . . , tkn ) von [a, b] (abhangig von ) mit
Pn 2
(2) n
limn mesh(n ) = 0 und n (B) := kj=1 Btnj Btnj1 r.
Man beachte, dass sich Theorem 2.30 und Theorem 2.31 nicht widersprechen !
Der Fall r = 0 in Theorem 2.31 kann bereits mit der Ausnutzung der Stetigkeit der

Pfade der Brownschen Bewegung gezeigt werden (dies wird eine Ubungaufgabe sein). F
ur
r > 0 geht zusatzlich das Fluktuationsverhalten der Pfade ein.
Zusatz:
F
ur die f.s.-Konvergenz siehe Beweis von Theorem 28 in Kapitel I von Protter [3], der
auf der Konvergenz eines sog. R uckwartsmartingals beruht. Ein Prozess (Mn )nN ist ein
zeitdiskretes R uckwartsmartingal, wenn
Mn+1 = E(Mn | Mn+1 , Mn+2 , Mn+3 , . . . ), n N.
13
Dies ist aquivalent zu
E(Mn+1 Mn | Mn+1 , Mn+2 , Mn+3 , . . . ) = 0, n N.
Ein Ruckwartsmartingal bekommt man, indem man ein Martingal r uckwarts in der Zeit
durchlauft. Nehme nun an, die Zeitpunkte 1 und 2 sind bereits im Gitter und der Zeit-
punkt 23 wird noch hinzugenommen. Zwischen den quadratischen Schwankungen auf dem
Gittern (1, 23 , 2) und (1, 2) besteht folgender Zusammenhang
(B 3 B1 )2 + (B2 B 3 )2 = (B2 B1 )2 2(B 3 B1 )(B2 B 3 ).
2 2 2 2
Der durch die Verfeinerung hinzukommende Term 2(B 3 B1 )(B2 B 3 ) kann sowohl
2 2
positive als auch negative Werte annehmen (daher keine monotone Konvergenz !) und ist
im Erwartungswert Null. Auerdem gilt wegen der Symmetrie der Normalverteilung
h i
E (B 3 B1 )(B2 B 3 ) | (B 3 B1 )2 , (B2 B 3 )2 = 0
2 2 2 2
(Obwohl (B 3 B1 )(B2 B 3 ) nat urlich nicht unabhangig von (B 3 B1 )2 und (B2 B 3 )2

2 2 2 2
ist). Damit verhalt sich (B 3 B1 )(B2 B 3 ) wie der Zuwachs eines R uckwartsmartingals
2 2
(wobei wir noch auf alle quadratischen Schwankungen auf den Teilintervallen [1, 23 ] und
[ 32 , 2] bedingen m
ussten). Die P -f.s. Konvergenz gegen eine Zufallsvariable folgt dann aus
P2n 2
der Konvergenz von limn Mn , wobei Mn := k=1 B1+k/2n B1+(k1)/2n (f
ur den
formalen Beweis siehe Theorem 28 in Kapitel I von Protter [3]).
Definition 2.32. Sei (Xt )t0 ein reellwertiger stochastischer Prozess mit càdlàg Pfa-
den. Unter der Variation von X verstehen wir den nichtfallenden [0, ]-wertigen Prozess
Var(X) mit
2n 2n
X X
Var(X)t = sup |X kn t X k1
n t
| = lim |X kn t X k1
n t
|. (2.3)
nN 2 2 n 2 2
k=1 k=1
Man sagt, dass X von endlicher Variation ist, wenn Var(X)t < P -f.s. t < .
Bemerkung 2.33. F ur Prozesse mit rechts- (oder links-)stetigen Pfaden kann man zei-
gen, dass die Variation nicht groer w urde, wenn man statt den dyadischen Gittern in
(2.3) beliebige Gitter n = (tn0 , tn1 , . . . , tnkn ) mit 0 = tn0 tn1 . . . tnk = t betrachten
wurde. Fur eine rechtsstetige Funktion f : [0, T ] R gilt namlich
n 2n
X X
sup |f (tk ) f (tk1 )| = sup |f (tk2n ) f (t(k 1)2n )|, (2.4)
=(t0 ,t1 ,... ,tn ) k=1 nN
k=1
wobei das Supremum auf der linken Seite uber alle Gitter mit = (t0 , t1 , . . . , tn ) f
ur ein

n N und 0 = t0 t1 . . . tn = t gebildet wird (Ubungsaufgabe). Fur nicht-regulare
Pfade (wie etwa bei der Funktion t 7 1Q (t)) gilt (2.4) i.A. nicht.
Definition 2.32 hat den Vorteil, dass der Prozess nur an abzahlbar vielen Zeitpunkten
abgegriffen wird. Damit ist sofort klar, dass Var(X)t eine Ft -messbare Abbildung ist. Das
punktweise Supremum u berabzahlbar vieler Zufallsvariablen ist dagegen i.A. keine Zufalls-
variable.
14
Theorem 2.34. Sei X càdlàg und von endlicher Variation. Dann ist t 7 Var(X) nicht-
fallend und càdlàg.

Beweis: Ubungsaufgabe (Tipp: Benutze (2.4)).
Theorem 2.35. Die Standard-Brownsche-Bewegung hat P -f.s. unendliche Variation, d.h.
P (Var(B)t = ) = 1, t > 0.
Beweis. Wenn eine Folge in Wahrscheinlichkeit konvergiert, dann besitzt sie eine fast si-
cher konvergente Teilfolge nat urlich mit dem gleichen Grenzwert (siehe Theorem A.4).
Somit folgt mit Theorem 2.30(i) die Existenz einer Folge von Partitionen (n )nN des
(2)
Intervalls [0, t] mit mesh(n ) 0 und n (B) t, P -f.s. . Sei n = (tn0 , tn1 , . . . , tnkn ) eine
solche Folge.
Sei mit folgenden Eigenschaften

(1) Var(B)t () <
Pkn 2
(2) k=1 (Btk () Btk1 ()) t, n .
n n
Eigenschaften (2) gilt auf einer Einsmenge. Wenn wir also zeigen konnen, dass es dieses
, das beide Eigenschaften erfullt, gar nicht geben kann, ist das Theorem bewiesen. Es
gilt
kn
X
t = lim (Btnk () Btnk1 ())2
n
k=1
kn
!
X
lim sup sup |Btnk () Btnk1 ()| |Btnk () Btnk1 ()|
n k=1,... ,kn
k=1
Var(B)t () lim sup sup |B () Btnk1 ()|.
tn
k
(2.5)
n k=1,... ,kn
Wegen der gleichmaigen Stetigkeit des Pfades s 7 Bs () auf [0, t] konvergiert die Folge
(supk=1,... ,kn |Btnk ()Btnk1 ()|)nN gegen 0. Die Abschatzung (2.5) kann also nicht gelten.
Es folgt P (Var(B)t = ) = 1, t > 0.
3 Stochastische Integration
Definition 3.1. Ein stochastischer Prozess H = (Ht )t[0,T ] heit elementar vorher-
sehbar, wenn er sich schreiben lasst als
n
X
Ht () = Zi1 ()1]]Ti1 ,Ti ]] (, t), (3.1)
i=1

Mit dem nicht bewiesenen Theorem 2.30(ii) wissen wir sogar, dass entlang jeder verfeinernden Git-
n
terfolge, also z.B. n := 0, 21n t, . . . , 2 21
n t, t , fast sichere Konvergenz vorliegt. Allerdings sind wir im
folgenden auf diese st

arkere Aussage nicht angewiesen.
15
wobei n N, (Ti )i=0,1,... ,n Stoppzeiten mit 0 = T0 T1 Tn = T und Zi ,
i = 0, . . . , n 1, sind FTi -messbare Zufallsvariablen. |Zi | < (,,punktweise), i =
0, . . . , n 1. Mit den Symbolen [[ und ]] bezeichnen wir stochastische Intervalle, d.h. f
ur
Stoppzeiten und definieren wir
]], ]] := {(, t) [0, T ] | () < t ()}

]], [[:= {(, t) [0, T ] | () < t < ()}
[[, ]] := {(, t) [0, T ] | () t ()}
[[, [[:= {(, t) [0, T ] | () t < ()}
[[ ]] := [[, ]].
Die Menge der elementar vorhersehbaren Prozesse wird mit S bezeichnet. Ein Prozess der
Form (3.1) wird spater auch Elementarintegrand genannt.
Sei X ein stochastischer Prozess mit c`

adl`
ag-Pfaden. F ur einen elementar vorherseh-
baren Prozess H wie in (3.1) definieren wir das stochastische Integral IX (H) durch die
Zufallsvariable
n
X
IX (H) = Zi1 (XTi XTi1 ) L0 (, F, P ). (3.2)
i=1
H wird als Integrand und X als Integrator bezeichnet. Man sieht, dass IX damit wohl-
definiert ist, d.h. wenn es fur H noch eine zweite Darstellung (3.1) gibt, mussen die
Zufallsvariablen in (3.2) u
bereinstimmen. (3.2) nennt man auch Elementarintegral.
Bemerkung 3.2. In dieser Vorlesung entwickeln wir nur eine eindimensionale Inte-
grationstheorie, d.h. der Integrand und der Integrator sind reellwertig. F ur Rd -wertige
Prozesses H = (H 1 , . . . , H d ) und X = (X 1 , . . . , X d ) lasst sich das Integral dann als die
Summe der Integrale ,,H i nach X i definieren sofern alle d eindimensionalen Integrale
existieren. F
ur die meisten Anwendungen reicht diese komponentenweise Definition aus.
Mit einer mehrdimensionalen Integrationstheorie kann man jedoch das Integral ,,H nach
X mitunter auch definieren, wenn die komponentenweisen Integrale nicht existieren. F ur
die maximale Erweiterung des mehrdimensionalen Elementarintegrals reicht also eine
komponentenweise Betrachtung nicht aus.
In der Finanzmathematik spielen stochastische Integrale eine wichtige Rolle. IX (H)

kann namlich als Handelsgewinn, den man mit der Strategie H erzielen kann, interpretiert
werden. Die Zufallsvariable Ht ist dabei die Anzahl der risikobehafteten Aktie im Portfolio
zum Zeitpunkt t [0, T ] und X ist der Preisprozess der Aktie. Nehme der Einfachheit
halber an, es gabe einen risikolosen Bond mit konstantem Preis = 1. Zum Zeitpunkt Ti1
und St uckpreis XTi1 kaufe man Zi1 Aktien und verkaufe diese wieder zum Zeitpunkt
Ti und Stuckpreis XTi . Der (nicht notwendigerweise positive) Gewinn aus dieser Aktion
betragt Zi1 (XTi XTi1 ). Kapital, welches nicht in der Aktie investiert ist, soll in den
Bond investiert werden. Da letzterer jedoch konstanten Preis haben soll, entstehen daraus
keine Gewinne und die Investition in Bonds muss nicht explizit modelliert werden. Der
16
Gesamtgewinn bis T betragt folglich IX (H). Zi1 darf zwar zufallig sein, muss jedoch zum
Zeitpunkt Ti1 bekannt sein, da der Kauf ja zum Zeitpunkt Ti1 ausgef uhrt werden soll.
D.h. es darf nicht auf zuk unftige Ereignisse bedingt werden, die in Ti1 noch gar nicht
bekannt sind. Also muss Zi1 Fi1 -messbar sein,
Die Einschrankung auf elementare Prozesse der Form (3.1) bedeutet dabei, dass das
Portfolio nur endlich oft umgeschichtet werden darf. F ur die meisten Anwendungen (et-
wa die Replikation von Optionsauszahlungen) reicht dies jedoch nicht aus. Wenn die
Preisprozesse zeitstetig sind, sollte auch das Portfolio zeitstetig umgeschichtet werden
konnen. Zeitstetige Preisprozesse sind wiederum oft analytisch einfacher handhabbar als
vergleichbare zeitdiskrete Prozesse. Insbesondere bei der Analyse mit high-frequency data
ist die Arbeit mit ihnen effektiver. Bei der praktischen Implementierung der Ergebnisse
muss die Zeit dann nat urlich wieder diskretisiert werden.
Ziel: Fortsetzung der Abbildung H 7 IX (H) auf moglichst groe Menge von Inte-
granden H.
Bemerkung 3.3 (Einbettung zeitdiskreter Modelle). Zeitdiskrete Modelle lassen

sich als Spezialfall zeitstetiger Modelle interpretieren. Sei T N. Zu einem zeitdiskreten
Wertpapierpreisprozess Se und einer zeitdiskreten Handelsstrategie H, e beides Abbildungen
von {0, 1, . . . , T } nach R, wobei Se adaptiert und H e im zeitdiskreten Sinne vorhersehbar
bzgl. der Filtration (Fen )n=0,1,... ,T ist, definiere man
T
X
St () := Sen ()1[n,n+1) (t)
n=0
und
T
X
Ht () := H
e n ()1(n1,n] (t)
n=1
Zudem wird die Filtration in stetiger Zeit durch
Ft := Fe[t] , wobei [t] := max{s N0 | s t}.
definiert (d.h. neue Informationen kommen nur in t N hinzu).
Fur t N gilt St := limst Ss = St1 und damit St := St St = St St1 . Des

weiteres ist wegen der Fn1 -Messbarkeit von H ur alle n N der Prozess H elementar
e n f
vorhersehbar im Sinne von Definition 3.1 und das Elementarintegral (3.2) betragt
T
X
e n (Sen Sen1 ).
H
n=1
Es stimmt somit mit dem Endwert des Integrals aus der zeitdiskreten Vorlesung u
berein.
17
3.1 Lebesgue-Stieltjes-Integral
Bevor wir uns die Fortsetzung der Abbildung H 7 IX (H) aus (3.2) im Allgemeinen
anschauen, betrachten wir zunachst den Fall, dass der Prozess X endliche Variation hat,
d.h. Var(X)T < , P -f.s.
Definition 3.4. Mit V (bzw. V + ) bezeichnen wir die Menge der adaptierten Prozesse X
mit càdlàg Pfaden und Var(X)T < (bzw. t 7 Xt () nichtfallend).
Proposition 3.5. Sei X V. Dann existiert ein eindeutiges Paar (A, B) V + V +

mit X = X0 + A B und Var(X) = A + B. Es gilt A0 = B0 = 0. F ur jedes weitere
+ +
Paar (A, B) V V mit A0 = B0 = 0 und X = X0 + A B gilt A + B
e e e e e e e e Var(X).
Beweis. Setze A := XX0 +Var(X)

2
und B := Var(X)(XX
2
0)
, wobei der Prozess t 7 Var(X)t
nach Satz 2.34 càdlàg ist. Die Monotonie von A und B folgt aus der Abschatzung
|Xt2 Xt1 | Var(X)t2 Var(X)t1 , t1 t2 .
Die Eindeutigkeit ergibt sich sofort aus dem linearen Gleichungssystem, das (f
ur festes t)
das Paar (At , Bt ) erf
ullen muss.
Sei nun (A,e B)e V + V + mit X = X0 + A e B.
e Fur jedes t > 0 folgt aus der
Monotonie von A e und B e

Aek A e k1 X k X k1 0
nt
2 n t 2nt n t 2 2
und

ek B
B e k1 X k + X k1 0.
2nt n t 2nt n t 2 2
Addition ergibt

ek A
A ek B
e k1 + B e k1 X k X k1
nt
2 n t nt
2 n t nt
2 n t 2 2 2
und damit
2n
X
A et
et + B |X kn t X k1 |.
2 n t 2
k=1
Es folgt
2n
X
A et lim
et + B |X kn t X k1 | =: Var(X)t
n 2 n t 2
k=1
18
Durch
A ((s, t], ) := At () As (), s t bzw. B ((s, t], ) := Bt () Bs () (3.3)
lassen sich die Prozesse mit zufalligen Maen identifizieren (zufallige Mae bedeutet, dass
f
ur festes A (, ) und B (, ) Mae auf der Borelschen -Algebra von [0, T ] sind). Die
Identifikation (3.3) scheint fur rechtsstetige Prozesse A und B Sinn zu ergeben: wegen
i.A.
As+ = As aber As 6= As geht ein Sprung von A im Zeitpunkt s nicht in At As ein,
ein Sprung von A im Zeitpunkt t, also At At , dagegen schon. Mit der Identifikati-
on (3.3) wird klar, wieso in (3.1) die Intervalle die Gestalt ]]Ti1 , Ti ]] haben und
nicht etwa [[Ti1 , Ti [[.
In der Sprache der Matheorie bildet die Menge der endlichen Vereinigungen von In-
tervallen der Form (s, t] mit s t einen Ring und wegen der Rechtsstetigkeit der Pfade
von A ist A zunachst ein Prama auf diesem Ring . F ur t s gilt namlich (s, t]
und At As 0 = A (, ). Aus einem Fortsetzungssatz der Matheorie folgt, dass das
Prama auf dem Ring zu einem Ma auf der erzeugenden -Algebra eindeutig fortge-
setzt werden kann (siehe etwa Satz XI.2 und das anschlieende Beispiel in Brokate und
Kersting [1]) . Da (s, t] {t} und At As At f ur s t, muss fur die Forsetzung
A ({t}, ) = At gelten.
Sei H beschrankt und die Pfade t 7 Ht () Borel-messbar. Definiere pfadweise (d.h.

f
ur jedes getrennt) das Lebesgue-Stieltjes-Integral durch
Z T Z T Z T
Hs ()dXs () := Hs ()dAs () Hs ()dBs ()
0 0 0
Z T Z T
:= Hs ()dA (ds, ) Hs ()B (ds, ). (3.4)
0 0
Schrankt man sich auf elementare Integranden ein, d.h. H S, dann stimmen die In-
tegrale in (3.2) mit denen in (3.4) uberein. Wenn s 7 Hs () stetig ist (oder z.B. nur
linksstetig, was die Elementarintegranden aus (3.1) umfassen w
urde), dann existiert (3.4)
RT
auch als Riemann-Stieltjes-Integral, d.h. 0 Hs ()dXs () lasst sich punktweise durch
elementare Integrale aus (3.1) approximieren.

Ein System R von Teilmengen einer Menge e heit Ring, wenn folgende Eigenschaften gelten:
(i) R
(ii) A, B R = A \ B R
(iii) A, B R = A B R

Eine Abbildung : R [0, ] heit Prama, wenn folgende Eigenschaften gelten:
(i) () = 0 P
(ii) An R n N, An disjunkt, nN An R = (nN An ) = n=1 (An )

Alternativ kann man mit X ((s, t], ) := Xt () Xs () ein zufalliges signiertes Ma definieren, das
dann die Jordan-Zerlegung X = A B besitzt.
19
Bemerkung 3.6. Problem: Das Pfadweises Integral aus (3.4), das gewisse Stetigkeits-
eigenschaften im Integranden besitzt, lasst sich nicht auf Integratoren mit unendlicher
Variation (wie zum Beispiel Pfade der Brownschen Bewegung) ausdehnen (auch wenn
das Integral etwa nur f
ur alle stetigen Integranden erklart werden soll).
Sei x : [0, 1] R eine Funktion mit supt[0,1] |x(t)| < aber Var(x)1 = (ersteres
folgt z.B. aus Stetigkeit oder bereits aus càdlàg). x konnte z.B. ein Pfad der Brownschen
Bewegung sein. Nun kann man eine Folge (hn )nN von Elementar-Integranden hn : [0, 1]
R finden, die zwar alle supt[0,1] |hn (t)| 1 erf ullen, aber die trotzdem bewirken, dass
Ix (hn ) , n . Setzte dazu
2n
X
hn (t) = i1,n 1( i1
n ,
i
] (t), (3.5)
2 2n
i=1
wobei
i
i1

1 : f
ur x 2n
x 2n
> 0,
i1,n =
i i1

1 : f
ur x x 0 .

2n 2n
Es folgt
2 n
X i i1
Ix (hn ) = i1,n x n x
i=1
2 2n
2n
X i i 1
= x 2n x Var(x)1 = , n . (3.6)

2n
i=1
Aus (3.6) folgt mit dem Banach-Steinhaus-Theorem (,,Prinzip der gleichmaigen Be-
schranktheit) die Existenz einer stetigen (und damit beschrankten) Funktion h : [0, 1]
R mit
2n
X i1 i i1
lim sup h x n x = , (3.7)
n
i=1
2n 2 2n
d.h. statt einer Folge von Integranden gibt es sogar einen einzelnen Integranden, so
dass bei Verfeinerung des Gitters das Elementar-Integral beliebig gro werden kann .
n

Zu fester Funktion x betrachtet man die Folge von Gittern (n )nN , n = (0, 21n , 22n , . . . , 2 21
n , 1) und
beliebige stetige Funktionen h mit supt[0,1] |h(t)| 1. F

ur festes n N definiere den linearen Operator
2n
X i1 i i1
Tn (h) := h x x
i=1
2n 2n 2n
mit Norm
||Tn || := sup |Tn (h)| < . (3.8)

|h|1
20
Bemerkung 3.8. Um den Effekt des obigen Beispiels erzielen zu konnen, muss in den
Wert von i1,n , d.h. in h( i1
2n
+), bereits der Funktionswert von x zu dem spateren Zeit-
i
punkt 2n eingehen. Denkt man also an die Brownsche Bewegung und die Finanzmathe-
matik, so waren die Strategien (3.5) nur mit prophetischen Gaben realisierbar und deshalb
wohlmoglich gar nicht zulassig. Es besteht also noch Hoffnung, ein geeignetes Integral f
ur
alle ,,zulassigen Strategien definieren zu konnen.
Wie in (3.2) soll das zu entwickelnde stochastische Integral als Handelsgewinn inter-
pretiert werden konnen und damit gewisse okonomische Eigenschaften haben. Deshalb
schranken wir die Menge der Strategien H : [0, T ] R zunachst freiwillig ein.
Definition 3.9. Die vorhersehbare -Algebra P auf [0, T ] ist die kleinste -Algebra,
s.d. folgende Mengen messbar sind
(i) A {0} A F0
(ii) A (s, t], 0 s < t T, A Fs
Also formal
P := (E) := {M [0, T ] | M A -Algebren A auf [0, T ] mit E A} ,
wobei
E := {A {0} | A F0 } {A (s, t] | 0 s < t T, A Fs }. (3.10)
Ein Prozess H : [0, T ] R heit vorhersehbar, wenn er P B(R)messbar (d.h.

kurz gesagt Pmessbar) ist.
ur jedes stetige h mit |h| 1 g
Annahme f olte, dass
sup |Tn (h)| < (3.9)

nN
dann k
onnte man mit dem Banach-Steinhaus-Theorem schlieen, dass
sup ||Tn || < .

nN
Dies ist aber offenbar ein Widerspruch zu (3.6). Also gibt es ein |h| 1 mit
2n
X i1 i i1
sup h x x =

2n 2n 2 n
nN i=1

und damit (3.7) (gehe ggf. zu h u

ber).
Theorem 3.7 (Banach-Steinhaus). Sei X ein Banachraum und Y ein normierter Vektorraum. Sei
(T )I eine Familie von beschrankten linearen Operatoren von X nach Y . Wenn f ur jedes x X
die Menge {T x | I} beschr
ankt ist, dann ist auch {||T || | I} beschr
ankt.
21
ur alle t (0, T ] der t-Schnitt
Proposition 3.10. Wenn H vorhersehbar ist, dann ist f
Ht Ft -messbar, wobei
!
[
Ft := Fs ,
s<t
ur alle ist der -Schnitt t 7 Ht () (Pfad genannt) B([0, T ])-messbar.

und f
Zum Beweis benotigen wir folgende Proposition.

e eine nichtleere Menge, E eine
Proposition 3.11. [Erzeugung der Spur--Algebra] Sei
e und B .
Menge von Teilmengen von e Dann gilt
B (E) = B (B E),
wobei B (E) := {C e | A (E) mit C = B A} und B E entsprechend definiert

ist. (E) bezeichnet die kleinste -Algebra auf dem Grundraum , e die das Mengensystem
E umfasst (also der Schnitt aller -Algebren auf , e die E umfassen). Entsprechend ist
B (. . . ) die kleinste aller -Algebren auf dem kleineren Grundraum B.

Beweis: Ubungsaufgabe in der Vorlesung Integrationstheorie.
Beweis von Proposition 3.10. Sei H vorhersehbar und t (0, T ]. Dann ist die auf {t}
eingeschrankte Abbildung H|{t} messbar bzgl. der Spur--Algebra
( {t}) P := {( {t}) B | B P}
(Klar, da (H|{t} )1 (A) = ( {t}) H 1 (A) ( {t}) P f

ur alle A B(R)).
Nach Proposition 3.11 ist ( {t}) P tatsachlich eine -Algebra auf dem kleineren
Grundraum {t} und wird von den Mengen ( {t}) (A (t1 , t2 ]) erzeugt, wobei
t1 < t2 und A Ft1 (man beachte, dass ( {t}) (A {0}) = , so dass diese Mengen
zur Erzeugung nichts beitragen). Damit wird sie auch von allen Mengen der Form A {t}
mit A Ft1 und t1 < t erzeugt und folglich auch von A {t} mit A Ft . Da zudem
{A {t} | A Ft } bereits eine -Algebra auf {t} ist, gilt
Proposition 3.11
( {t}) P = ({A {t} | A Ft1 f
ur ein t1 < t})
= {A {t} | A Ft } .
Also muss Ht Ft -messbar sein.

Die zweite Aussage folgt analog, indem man f
ur festes die Spur--Algebra
({} [0, T ]) P = ({} (t1 , t2 ] f

ur t1 , t2 mit t1 < t2 ) = {} B([0, T ])
betrachtet.
22
Bemerkung 3.12. Aus der Ft -Messbarkeit von Ht f ur alle t folgt offenbar nicht die
Vorhersehbarkeit von H. Man betrachte den Fall, dass Ht () = f (t) f
ur eine Funktion f :
[0, T ] R, die nicht Borel-messbar ist. Damit ist H nicht vorhersehbar, aber f
ur festes
t ist Ht eine konstante Abbildung von nach R und damit bzgl. jeder -Algebra auf
messbar.
Bemerkung 3.13. Als Folge von Proposition 3.10 ist jeder vorhersehbare Prozess adap-
tiert. Die Umkehrung ist jedoch selbst dann falsch, wenn die Pfade des Prozesses Borel-
messbar sind. In Modellen mit Spr ungen im Aktienpreis X ware es auch zu wenig, von
einer Handelsstrategie H nur Adaptiertheit zu fordern, wie das folgende Beispiel zeigt.
Betrachte einen kompensierten Poisson-Prozess
Xt = Nt t, Nt := inf{n N | Y1 + Y2 + . . . + Yn > t} 1,
wobei (Yi )iN eine i.i.d. Folge von exp()-verteilten Zufallsvariablen ist.
X besitzt nur positive Spr unge, die aber nicht antizipierbar sind und denen eine lineare
Abwartsbewegung gegen ubersteht. Der Aktienpreisprozess erscheint demnach arbitragefrei
zu sein.
Definiere
:= inf{t | Xt = 1}
und H = 1[[ ]] . Es gilt
Z T
Hs ()dXs () = X ({ ()}, ) 1( () T )
0 | {z }
siehe (3.4)

ur Y1 () T
1 f
= X () ()1( () T ) =
0 f
ur Y1 () > T
ur die zweite Gleichheit beachte, dass (t 1/n, t] {t} f

F ur n , weswegen f
ur das das
Prama (3.3) fortsetzende Ma gelten muss
X ({t}, ) = lim X ((t 1/n, t], ) = lim (Xt () Xt1/n ()) = Xt ().
n n
H ware demnach eine Arbitragemoglichkeit. Allerdings ist H zwar adaptiert bzgl. der
urlichen Filtration von X, da {Ht = 1} = {Y1 = t}, aber nicht vorhersehbar.
nat
Theorem 3.14. P liee sich analog durch
(1) alle linksstetigen adaptieren Prozesse oder
(2) durch alle Mengen A {0}, A F0 und [[0, ]], Stoppzeit
erzeugen. Also formal
(E) = (E 0 ) = (E 00 ),
23
ur E aus (3.10) und
f
E 0 := {X 1 ([a, b)) | a, b R, X L},

e E 00 := {A {0} | A F0 } {[[0, ]] | Stoppzeit},
wobei
e := {X : [0, T ] R | Xt ist Ft -messbar t [0, T ]
L
und t 7 Xt () ist linksstetig }.
(Das Symbol L ist bereits f

ur die linksstetigen Prozesse mit existierenden endlichen rechten
Limiten belegt. In dem Theorem konnte man auch L e durch L ersetzen)
Kurzschreibweise

(E 0 ) = X : [0, T ] R | X L
e .
Folge: Jeder linksstetige adaptierte Prozess ist vorhersehbar.
F
ur den Beweis beachte man folgende Proposition.
Proposition 3.15. Seien E1 , E2 2 . Es gilt die Implikation

e
E1 (E2 ) = (E1 ) (E2 ).
Beweis. Sei E1 (E2 ). (E2 ) ist also eine -Algebra, die E1 umfasst. Damit muss nach
Definition von (E1 ) jede Menge aus (E1 ) auch in (E2 ) liegen.
Anwendung: Um zu zeigen, dass (E1 ) (E2 ), reicht es aus, jedes A E1 als
abzahlbaren Schnitt/Vereinigung oder Komplement von Elementen aus E2 darzustellen,
also z.B. A = nN An mit An E2 f
ur alle n N. Damit muss A in jeder -Algebra sein,
die E2 umfasst, also A (E2 ).
Beweis von Theorem 3.14. Schritt I: Sei A Fs und s < t. Definiere die Stoppzeit

t, A
A :=
s, 6 A.
Es gilt A (s, t] = [[0, A ]] \ [[0, s]]. Die Menge A (s, t] muss somit in jeder -Algebra
liegen, die E 00 umfasst. Es folgt E (E 00 ) und mit Proposition 3.15 (E) (E 00 ).
Schritt II: Sei eine Stoppzeit. Dann ist der Prozess 1[[0, ]] linksstetig und adaptiert. Ad-
aptiertheit gilt wegen { | 1[[0, ]] (, t) = 1} = { | t ()} = ( \ { < t}) Ft
(letzteres ist die einfache Richtung von Theorem 2.7). Zudem ist f ur A F0 der Pro-
zess 1A{0} linksstetig und adaptiert. Es folgt sogar E 00 E 0 und somit (E 00 ) (E 0 ).
24
Schritt III: Bleibt zu zeigen E 0 (E)(= P). Daf
ur ist zu zeigen, dass jeder Prozess
aus L P-messbar ist. Sei X L . Definiere eine Folge von Prozessen (X (n) )nN durch
e e
n
X
(n)
Xt := X0 1{0} (t) + X k1 T 1( k1 T, k T ] (t).
n n n
k=1
Die Zufallsvariable X k1 T wird nun weiter durch die Elementarfunktionen

n
L 2
X l1
1 l1 < Ll } , L N,
2
L { L X k1
n T
l=L
approximiert. Die Funktion

l1
(, t) 7 1 1 k1 k (t)
L { | l 1 X k1 () < l } ( n T, n T ]
T
| L {z n L}
F k1
n T
l1
= 1
L {(, t) [0, T ] | l 1 X k1 () < l , k 1 T < t k T }
T
| L n
{z L n n }
P
ist offenbar vorhersehbar. Da Summen und punktweise Limiten messbarer Funktionen

messbar sind und da
L 2
X l1
1 l1 < Ll } 1( k1 k
T ] X k1 T 1( k1 k
T ], L ,
2
L { L X k1
n T
n
T, n n n
T, n
l=L
punktweise auf [0, T ], folgt die P-Messbarkeit von X (n) . Wegen der Linksstetigkeit
von X konvergiert zudem X (n) punktweise (auf [0, T ]) gegen X. Dazu betrachte man
bei festem t (0, T ] zu jedem n das grote k, so dass k1
n
< t. Wegen der Linksstetigkeit
der Pfade konvergieren die Funktionswerte X k1 () gegen Xt (). Damit folgt, dass X
n
P-messbar ist.
Bemerkung 3.16. Vorhersehbarkeit eines Prozesses H (bzgl. der Filtration F) bedeu-

tet, dass der Wert von Ht schon kurz vor t bekannt ist. Es kann also keine plotzlichen

Uberraschungen geben. Der Wert von Ht lasst sich durch Beobachtung der Umwelt im In-
tervall [0, t) gewinnen, vgl. Proposition 3.10. Daher erscheint es plausibel, dass linksstetige
adaptierte Prozesse vorhersehbar sind.
Bemerkung 3.17. Die Rechtsstetigkeit des Integrators ist eher als eine Konvention zu
verstehen, d.h. Xt soll eben der Wert nach einem moglichen Sprung sein und man konnte
eine analoge Theorie auch mit linksstetigen Prozessen entwickeln (wobei dann auch die
berraschende Veranderungen Xt+ Xt
Filtration links- statt rechtsstetig sein sollte, um u
25
zu ermoglichen). Gegeben die Rechtsstetigkeit des Integrators hat jedoch die Linksstetig-
keit (bzw. Vorhersehbarkeit) des Integranden eine tiefere Bedeutung (wie in Abschnitt 3.1
diskutiert).
Zudem muss der Integrator ein recht regularer Prozess sein (z.B. rechte und linke
Limiten existieren und vieles mehr), der Integrand muss dagegen nur messbar bzgl. P
sein was ein sehr irregularen Pfadverhalten nicht ausschliet.
Beispiel 3.18. Ein Beispiel f
ur einen vorhersehbaren Prozess ohne regularem Pfadver-
halten ist der Prozess
Ht = 1{Bt 1} ,
wobei B eine Standard-Brownsche Bewegung ist. Es gilt
{(, t) [0, T ] |Ht () = 1} = {(, t) [0, T ] |Bt () [1, )}.
Die Menge auf der rechten Seite ist Element der vorhersehbaren -Algebra P, da P von
den adaptierten linksstetigen Prozessen erzeugt wird (und die Brownsche Bewegung ein
solcher ist). Offenbar ist der Pfad t 7 Ht () an der Ersteintrittszeit
() = inf{t 0 | Bt () 1}
nicht linksstetig. Der Prozess springt namlich von 0 auf 1. Trotzdem kann man stets
den Wert von Ht durch Beobachtung der Brownschen Bewegung auf [0, t) gewinnen. Der
rechte Limes von t 7 Ht () zum Zeitpunkt () existiert u
berhaupt nicht, da jeder Pfad
der Brownsche Bewegung nach sowohl in [1, ) als auch in (, 1) auftaucht.
3.2 Fortsetzung des Elementarintegrals

Wir kommen wieder auf das Integral IX (H) aus Definition 3.1 zur uck, das bisher als
0
Abbildung IX : S L definiert wurde. IX ist offenbar linear. Um den Definitionsbereich
zu erweitern, fordern wir von IX eine gewisse Stetigkeit.
Definition 3.19. Sei X adaptiert und càdlàg. X heit guter Integratork , wenn die
ur alle (H n )nN S und H S gilt die
Abbildung IX im folgenden Sinne stetig ist: F
Implikation
H n H gleichmaig auf [0, T ] IX (H n ) IX (H) in Wahrscheinlichkeit. (3.11)
Bemerkung 3.20. Da Vielfache und Summen von Elementarintegranden wieder Elemen-

tarintegranden sind, also insbesondere (H n H) S, und da die Abbildung H 7 IX (H)
linear ist, kann man aquivalent die Implikation (3.11) auch nur f
ur H = 0 fordern. Davon
werden wir im folgenden stets Gebrauch machen.
k
Man kann zeigen, dass die Menge der guten Integratoren mit der Menge der sog. Semimartingale
u
bereinstimmt. Letztere werden aber i.d.R. anders eingefuhrt (kommt spater), so dass wir bei Prozessen,
die (3.11) erf
ullen, zun
achst von guten Integratoren sprechen.
26
Bemerkung 3.21. Man beachte, dass (3.11) eine schwache Stetigkeit ist: F ur die Ele-
mentarintegranden wird gleichmaige Konvergenz vorausgesetzt, wahrend dies nur stocha-
stische Konvergenz der Elementarintegrale implizieren muss. Dies bedeutet, dass Prozesse
nicht unnotig als Integratoren ausgeschlossen werden.
Bemerkung 3.22. Wenn X ein guter Integrator ist, kann das Integral von H nach X f ur
alle beschrankten vorhersehbaren Integranden H konstruiert werden. In dieser Vorlesung
werden wir jedoch nur einen Zwischenschritt zeigen: die Konstruktion fur alle linkstetig
adaptierten Integranden (mit endlichen rechten Limiten).
Bemerkung 3.23. Aus Bemerkung 3.6 folgt, dass ein Prozess X, der deterministisch
ist und unendliche Variation besitzt, kein guter Integrator im Sinne von Definition 3.19
sein kann. Um jedoch entsprechende Integranden H n zu konstruieren, die die Implika-
n
tion (3.11) nicht erf
ullen, muss in H(k1)2n auch der Wert von Xk2n einflieen. Dies
kann aber im allgemeinen stochastischen Fall der Vorhersehbarkeit der H n widersprechen.

Theorem 3.24. Sei Q ein zu P absolutstetiges Ma, d.h. P (A) = 0 Q(A) = 0,
A F. Schreibweise: Q P . Jeder gute Integrator im Modell (, F, F, P ) ist auch ein
guter Integrator im Modell (, F, F, Q).
Lemma 3.25. Sei Q P und (Zn )nN eine Folge von reellwertigen Zufallsvariablen,
die in P -Wahrscheinlichkeit gegen eine reellwertigen Zufallsvariable Z konvergiert. Dann
konvergiert (Zn )nN auch in Q-Wahrscheinlichkeit gegen Z.
Beweise von Lemma 3.25. 1) Stochastische Konvergenz einer Folge (Zn )nN gegen Z ist
dazu aquivalent, dass jede Teilfolge (Znk )kN eine Teilfolge (Znkl )lN besitzt, die fast sicher
gegen Z konvergiert. Bei fast sicherer Konvergenz ist die Implikation klar, da jede P -
Nullmenge auch eine Q-Nullmenge ist.
2) Ein Alternativbeweis (ohne Benutzung des Teilfolgenkriteriums): Sei (Zn )nN eine
Folge von Zufallvariablen mit Zn Z P -stochastisch. F ur alle > 0 gilt

dQ
Q(|Zn Z| > ) = EP 1{|Zn Z|>} (3.12)
dP
und die Folge ( dQ 1 )

dP {|Zn Z|>} nN
konvergiert P -stochastisch gegen null, da

dQ
P 1{|Zn Z|>} > P (|Zn Z| > ), 0 > 0,
0

(3.13)
dP
ur n gegen null geht. Zudem ist ( dQ

und die rechte Seite von (3.13) f 1 )
dP {|Zn Z|>} nN
1
gleichgradig P -integrierbar und konvergiert damit auch in L (P ) gegen null. Also konver-
ur n gegen null, was Q-stochastische Konvergenz ergibt.
giert (3.12) f
Beweis von Theorem 3.24. Sei X ein guter Integrator im Modell (, F, F, P ) und H n
0 gleichmaig auf [0, T ]. Also gilt IX (H n ) 0 in P -Wahrscheinlichkeit. Die Aussage
des Satzes folgt, da Konvergenz in P -Wahrscheinlichkeit Konvergenz in Q-Wahrscheinlichkeit
nach sich zieht (siehe Lemma).

d.h. nur von t aber nicht von abh
angend
27
Bemerkung 3.26. In Anwendungen kommt es oft vor, dass man sich ein stochastisches
Modell unter verschiedenen Wahrscheinlichkeitsmaen anschauen mochte. Dafur ist es
wichtig, dass gewisse fundamentale Eigenschaften des Modells unter der Umgewichtung
der Wahrscheinlichkeiten nicht verloren gehen.
Theorem 3.27. Jeder Prozess aus V ist ein guter Integrator.
Beweis. Sei H S mit einer Darstellung (3.1). Es gilt
Xn
|IX (H)| |Zi1 | |XTi XTi1 |
i=1
sup |Ht |Var(X)T . (3.14)
t[0,T ]
Sei (H n )nN S mit H n 0 gleichmaig auf [0, T ]. D.h. es existiert eine Nullfolge
(an )nN R+ mit |Htn ()| n
an , (, t) [0, T ]. Wendet man (3.14) auf H an, dann
folgt P (|IX (H n )| > ) P Var(X)T > an P (Var(X)T = ) = 0, n , > 0.
Also konvergiert die Folge IX (H n ) stochastisch gegen 0 und es folgt die Behauptung.
Definition 3.28. Ein stochastischer Prozess X = (Xt )t[0,T ] heit quadratintegrierbar,
wenn E(Xt2 ) < f
ur alle t [0, T ].
Theorem 3.29. Jedes quadratintegrierbare Martingal ist ein guter Integrator.
Beweis. Vor uberlegung: Doobs Optional Sampling Theorem besagt: Sei X ein Martin-
gal und 1 2 [0, T ]-wertige Stoppzeiten. Dann gilt X1 = E(X2 |F1 ), P -f.s. Mit der
Jensenschen Ungleichung f ur bedingte Erwartungswerte folgt X21 = (E(XT | F1 ))2
E(XT2 | F1 ). Damit folgt aus E(XT2 ) < , dass auch E(X21 ) < .
Sei H S, mit |H| M , M R+ . Es gilt

E(IX (H)2 )
!2
Xn
=E Zi1 (XTi XTi1 )
i=1
" n
# " n
#
X X
2 2
=E Zi1 (XTi XTi1 ) + 2E Zi1 (XTi XTi1 )Zj1 (XTj XTj1 )
i=1 i<j
| {z }
=0
" n
#
X
2
=E Zi1 (XTi XTi1 )2
i=1
n
!
X
M 2E (XTi XTi1 )2
i=1 !2
X n
= M 2E (XTi XTi1 )
i=1
= M 2 E (XT x0 )2 .

(3.15)
28
ur 1 i < j n XTi XTi1 FTj1 -messbar ist und
Die gemischten Terme fallen weg, da f
damit

E Zi1 (XTi XTi1 )Zj1 (XTj XTj1 )

= E E Zi1 (XTi XTi1 )Zj1 (XTj XTj1 ) | FTj1

= E Zi1 (XTi XTi1 )Zj1 E (XTj XTj1 ) | FTj1 = 0.
| {z }
=0
H n 0 gleichmaig impliziert damit, dass IX (H n ) gegen 0 in L2 (P ) konvergiert und

damit in Wahrscheinlichkeit.
Definition 3.30 (Lokalisierung). Sei (Tn )nN eine Folge von [0, T ]-wertigen Stoppzeiten
mit T1 T2 . . . . (Tn )nN heit lokalisierend, wenn P (Tn = T ) 1 f
ur n . Der
Prozess X Tn mit XtTn := XtTn wird als gestoppter Prozess bezeichnet.
Bemerkung 3.31. Wichtig ist, dass der Endzeitpunkt T f ur jedes feste irgendwann
erreicht (und nicht nur approximiert) wird. Die Folge Tn = T n1 ist nicht lokalisierend !
Schaut man sich Prozesse statt auf [0, T ], T R+ , auf [0, ) an, so fordert man analog
n
P (Tn t) 1, t [0, ).
Definition 3.32. Ein stochastischer Prozess X ist ein lokales Martingal, wenn eine lo-
kalisierende Folge von Stoppzeiten (Tn )nN existiert, so dass die gestoppten Prozesse X Tn ,
ur alle n N Martingale sind. Entsprechend ist ein Prozess X lokal beschrankt, wenn ei-
f
ne lokalisierende Folge von Stoppzeiten (Tn )nN existiert, so dass die gestoppten Prozesse
X Tn beschrankt sind.
Allgemein kann man zu einer Klasse stochastischer Prozesse C die entsprechende lokale
Klasse Cloc definieren, d.h. X Cloc lokalisierende Folge von Stoppzeiten (Tn )nN mit
X Tn C fur alle n N.
Bemerkung 3.33. Die Folge Tn = T , n N, ist lokalisierend (f ur Prozesse, die auf
dem Zeitintervall [0, T ] definiert sind). Daher gilt C Cloc .
In stetiger Zeit ist das klassische Beispiel eines lokalen Martingals, das kein echtes
Martingal ist, der akkumulierte Handelsgewinn aus einer Verdoppelungsstrategie.
Beispiel 3.34 (Verdoppelungsstrategien). Sei (Yi )i=N eine i.i.d.-Folge von Laplace-
Zufallsvariablen mit P (Yi = 1) = P (Yi = 1) = 21 . i bezeichne die Anzahl der Geldein-
heiten, die der Spieler in das Spiel Yi setzt. Wir nehmen an, dass er in der 1. Runde 1
Geldeinheit setzt. Wenn er verliert, verdoppelt er in der nachsten Runde seinen Einsatz.
Sobald er das erste Mal gewinnt, hort er auf. Es gilt dann
1 = 1 und i = 2i1 1{Y1 =1,... ,Yi1 =1} ur i 2

f
und der Gesamtgewinn betragt
1 2 22 . . . 2k2 + 2k1 = 1 f
ur arg min{i | Yi = 1} = k < .
29
Da P (Yi = 1 i N) = 0 gilt

X
i Yi = 1, P f.s.
i=1
Der akkumulierte Gewinn kann wie folgt in ein zeistetiges Modell auf dem Zeitinter-
vall [0, 1] eingebettet werden:

X
Xt = i Yi 1(12i t)
i=1
Es wird also zu den Zeitpunkten 1/2, 3/4, 7/8, . . . gespielt. X ist offenbar ein càdlàg Pro-
zess, da auf jedem Pfad nur endlich oft gespielt wird, existiert die Summe.
Es gilt X0 = 0 und P (X1 = 1) = 1. Also kann X kein Martingal sein. X ist jedoch
urlichen Filtration F 0 (X)) ein lokales Martingal mit Lokalisierungsfolge
(bzgl. seiner nat

1 2n : wenn Yi = 1 i = 1, . . . , n
Tn :=
1 : sonst

Bzgl. der Filtration F 0 (X) sind die Tn , n N, Stoppzeiten und es gilt P (Tn = 1) =
1( 21 )n . Zudem sind X Tn Martingale, was daran liegt, dass hochstens n-mal gespielt wird.
Um mit Verdoppelungsstrategien sichere Gewinne erzielen zu konnen, muss man poten-

tiell unendlich lange spielen konnen m
ussen. Bei jedem konkreten Spiel ist dann trotzdem
nach endlich vielen Runden Schlu. Ist die Anzahl der Runden beschrankt, kann man
zwar keinen sicheren Gewinn erzielen, aber trotzdem mit einer sehen hohen Wahrschein-
lichkeit gewinnen. Dies ist jedooch nur interessant, wenn es mehr um das ,,Gewinnen an
sich und weniger um den zu gewinnenden Betrag geht, da dieser im Vergleich zu dem
moglichen Verlust sehr klein ist.
Proposition 3.35. Jedes beschrankte lokale Martingal ist ein (echtes) Martingal.
Beweis. Sei X ein lokales Martingal mit |X| M R+ und zugehoriger lokalisierender
ur alle n N und 0 s t T , A Fs erf
Folge (Tn )nN . F ullen die abgestoppten
Prozesse die Martingalbedingung
E (1A (XtTn XsTn )) = 0. (3.16)
Wegen {Tn = T } , P -f.s., n , konvergiert die Folge 1A (XtTn XsTn ) f
ur n
P -f.s. gegen
1A (Xt Xs ) .
Da |1A (XtTn XsTn ) | gleichmaig (durch 2M ) beschrankt sind, folgt auch
1A (XtTn XsTn ) 1A (Xt Xs ) , in L1 (P ), n ,
was zusammen mit (3.16) die Behauptung impliziert.
30
Theorem 3.36. Sei (Tn )nN eine lokalisierende Folge und seien die gestoppten Prozesse
X Tn , n N, gute Integratoren. Dann ist auch X ein guter Integrator.
Beweis. Sei (H m )mN S eine Folge mit H m 0 gleichmaig auf [0, T ]. Zu zeigen:
IX (H m ) 0 in Wkt., d.h.
> 0m m m P (|IX (H m )| > ) .
Sei > 0 gegeben. Da f ur alle n N auf der Menge {Tn = T } gilt, dass XtTn = Xt ,
t [0, T ] (und damit IX Tn = IX ), folgt
P (|IX (H m )| > ) P (|IX Tn (H m )| > ) + P (T n < T ), m, n N.
Wahle nun n gro genug, so dass P (Tn < T ) 2 . Da X Tn ein guter Integrator ist, gibt
es ein m N, so dass f
ur alle m m

P (|IX Tn (H m )| > ) .
2

Es folgt P (|IX (H m )| > ) 2
+ 2
ur alle m m und damit die Behauptung.
= f
Theorem 3.37. Die Menge der guten Integratoren bildet einen Vektorraum.
Beweis. Es gilt IX+Y (H n ) = IX (H n ) + IY (H n ). Da die Summe zweier Folgen, die
jeweils in Wahrscheinlichkeit gegen Null konvergieren, ebenso in Wahrscheinlichkeit gegen
Null strebt, ist mit X und Y auch X + Y ein guter Integrator.
Definition 3.38. Ein adaptierter Prozess X mit càdlàg Pfaden ist ein Semimartingal,
wenn er sich schreiben lasst als
X = M + A, (3.17)
wobei M ein lokales Martingal ist und A ein adaptierter Prozess von endlicher Variation.
Theorem 3.39 (Bichteler-Dellacherie). Die Menge der Semimartingale stimmt mit der
Menge der guten Integratoren u
berein.
Theorem 3.40 (Fundamental Theorem of Local Martingales). Sei M ein lokales Martin-
gal und c > 0. Dann existieren lokale Martingale N und A mit M = N + A, so dass A von
endlicher Variation ist und die Sprunge von N (dem Betrage nach) durch c beschrankt
sind.
Beweisansatz: Auf jedem Pfad besitzt M hochstens endlich viele Spr
unge, die be-
tragsmaig groer als c > 0 sind (da Pfad càdlàg). Definiere
X
M c := M Ms 1{|Ms |>c} .
s
unge von M c sind durch c beschrankt und der Prozess s Ms 1{|Ms |>c} ist
P
Die Spr
von endlicher Variation. Problem: M c ist i.A. kein lokales Martingal mehr. Deshalb muss
die Herausnahme der ,,groen Spr unge durch eine Drift kompensiert werden. Der Beweis
findet sich in Protter [3], Seite 102-104.
31
Korollar 3.41. Jedes lokale Martingal lasst sich als Summe eines lokalen quadratinte-
grierbaren Martingals und eines Prozesses von endlicher Variation schreiben.
Beweis. Sei M ein lokales Martingal. Nach Theorem 3.40 gilt M = N + A, wobei N
lokales Martingal mit |N | 1 und A Prozess von endlicher Variation. Definiere f ur
Tn
n N Tn := inf{t [0, T ] | |Nt | > n} T . F ur die gestoppten Prozesse N gilt
|N Tn | (|N0 | n) + c, da |NTn | |N0 | n. Damit ist E|NtTn |2 < , t [0, T ].
Beweis der einfachen Richtung von Theorem 3.39. Sei X ein Semimartingal, d.h. X be-
sitzt eine Darstellung (3.17). Mit Theorem 3.27 ist A ein guter Integrator. Mit Korol-
lar 3.41 lasst sich M als die Summe eines lokalen quadratintegrierbaren Martingals und
eines Prozesses endlicher Variation schreiben. Die Summanden sind jeweils gute Integra-
toren (Theoreme 3.29 und 3.36 bzw. Theorem 3.27). Da die Menge der guten Integratoren
einen Vektorraum bildet (siehe Theorem 3.37) ist auch die Summe X ein guter Integra-
tor.
Die Ruckrichtung von Theorem 3.39 findet sich in Protter [3], Theorem III.43. We-
sentliche Idee (aber noch weit entfernt von einem formalen Beweis !):
(1) o.B.d.A. T = 1. Betrachte die Elementarintegranden

n
X
Htn

:= sign E Xk/n X(k1)/n | F(k1)/n 1((k1)/n,k/n] (t),
k=1
ur die Elementarintegrale IX (H n ) gilt

wobei sign(x) := 1(x>0) 1(x0) . F
n
X
n

E(IX (H )) = E sign E Xk/n X(k1)/n | F(k1)/n Xk/n X(k1)/n
k=1
Xn

= E sign E Xk/n X(k1)/n | F(k1)/n E Xk/n X(k1)/n | F(k1)/n
k=1
n
!
X
= E E Xk/n X(k1)/n | F(k1)/n .
k=1
Wenn X ein guter Integrator ist, dann ,,sollte die Summe

n
X
E Xk/n X(k1)/n | F(k1)/n (3.18)
k=1
ur n nicht explodieren. Andernfalls liefert namlich die Folge (H n )nN explodie-

f
rende Elementarintegrale obwohl |H n | 1 (zumindest explodierieren die Erwartungswer-
te E(IX (H n )) . . . ).
(2) Fur festes n zerlege man den Prozess X entlang des Gitters {0, 1/n, 2/n, . . . , 1}
wie folgt:
n n

Mk/n M(k1)/n = Xk/n X(k1)/n E Xk/n X(k1)/n | F(k1)/n
32
und
Ank/n An(k1)/n = E Xk/n X(k1)/n | F(k1)/n .

Wenn (3.18) fur n nicht explodiert, dann konvergiert obige zeitdiskrete Zerlegung
gegen eine Zerlegung (3.17), der Grenzprozess limn An ist also von endlicher Variation.
Bisher haben wir das Elementarintegral nur f ur den Endzeitpunkt T definiert, d.h. der
0
Operator IX : S L bildet einen stochastischen Prozess auf eine Zufallsvariable ab. F ur
Anwendungen bei stochastischen Differentialgleichungen oder in der Finanzmathematik
ist es aber wichtig, stochastische Integrale als Prozesse zu betrachten. Der Vermogensver-
lauf eines Agenten wird als Prozess modelliert, der z.B. wahrend der Laufzeit ein gewisses
Niveau nicht unterschreiten darf.
ur ein H S und einen adaptierten càdlàg-Prozess X definiere die

Definition 3.42. F
lineare Abbildung
n
X
H 7 JX (H) = Zi1 (XTi XTi1 ),
i=1
Xn
wobei H = Zi1 1]]Ti1 ,Ti ]] .
i=1
Zi ist FTi -messbar (f

ur i = 0, . . . , n 1), 0 = T0 Tn = T . Wir nennen JX (H) das
stochastische Integral von H nach X und bezeichnen diesen Prozess synonym auch
mit H X (wie in der zeitdiskreten Vorlesung). Insbesondere bezeichnet H Xt den Wert
des Prozesses zum Zeitpunkt t [0, T ]. Der Funktionswert JX (H) ist ein Element aus D,
der Menge der Prozesse mit càdlàg-Pfaden. Es besteht nat urlich der Zusammenhang
JX (H)T = IX (H).
Wir wollen nun eine etwas starkere Stetigkeit der Abbildung H 7 JX (H) zeigen als
wir sie schon von der Abbildung H 7 IX (H) gefordert haben.
Definition 3.43. Eine Folge von Prozessen (H n )nN konvergiert gegen H gleichmaig in
n
Wahrscheinlichkeit (uniformly in probability = up), wenn supt[0,T ] |Htn Ht | 0 in
Wahrscheinlichkeit.
Interpretation: Konvergenz gilt gleichmaig in t [0, T ], aber nicht unbedingt

gleichmaig in .
Die up-Konvergenz ist offenbar metrisierbar, d.h. es existiert eine Metrik d : D D

R+ , so dass f
ur alle (Yn )nN D und Y D folgende Aquivalenz gilt
up
Yn Y, n d(Yn , Y ) 0, n .
33
Wahle dazu
!
d(X, Y ) := E sup |Xt Yt | 1 . (3.19)
t[0,T ]
Genaugenommen m
ussen wir statt Prozessen Aquivalenzklassen von Prozessen betrach-
ten. Dabei sind zwei Prozesse X und Y aquivalent, wenn sie ununterscheidbar sind. X,
Y sind genau dann ununterscheidbar, d.h. P (Xt = Yt t [0, T ]) = 1, wenn d(X, Y ) = 0.

Auf der Ebene der Aquivalenzklassen ist d damit tatsachlich eine Metrik.
Nat
urlich gibt es beliebig viele andere Metriken, die diese Aufgabe auch erf
ullen
w
urden.
Bemerkung 3.44. F ur einen metrischen Raum (X, d) gilt das folgende Teilfolgenkrite-
ur alle Folgen (xn )nN X und x X gilt
rium. F
d(xn , x) 0, n (nk )kN (nkl )lN mit d(xnkl , x) 0, l (3.20)
d.h. wenn zu jeder Teilfolge eine konvergente Teilfolge mit dem gleichen Limes existiert,
dann ist auch die Gesamtfolge konvergent.
Die P -fast sichere Konvergenz ist offenbar nicht metrisierbar. Nehme dazu an, de sei
eine Metrik, mit der man die P -fast sichere Konvergenz ableiten kann, d.h.
Zn Z, P -f.s. n d(Z
e n , Z) 0, n .
Fur eine Folge (Zn )nN , die stochastisch gegen Z konvergiert, existiert bekanntlich eine
P -f.s. konvergente Teilfolge. Damit ware die rechte Seite von (3.20) f ur d,
e (Zn )nN , Z
erf
ullt und (Zn )nN m
usste bereits P -f.s. gegen Z konvergieren, was i.A. nicht der Fall zu
sein braucht (siehe etwa das Gegenbeispiel (1.116)).
Definition 3.45. Der Raum S der Elementarintegranden ausgestattet mit der Metrik (3.19)
(also einer Metrik, die die gleichmaige Konvergenz in Wahrscheinlichkeit metrisiert)
wird mit Sup bezeichnet, also Sup = (S, d). Analog Dup f
ur die Prozesse mit càdlàg-Pfaden.
Theorem 3.46. Sei X ein guter Integrator. Dann ist die Abbildung JX : Sup Dup
ur alle (H n )nN S und H S gilt die Implikation
stetig, d.h. f
up up
H n H JX (H n ) JX (H).
Beweis. Wegen Linearitat, diesmal der Abbildung H 7 JX (H), reicht es aus, den Fall
H = 0 zu betrachten.
ur H n S gilt:
Schritt 1: Wir wollen zunachst zeigen, dass f
up
H n 0 gleichmaig auf [0, T ] JX (H n ) 0. (3.21)
34
Sei (H n )nN S eine Folge mit H n 0 gleichmaig auf [0, T ]. Definiere nun f
ur
festes > 0 die Stoppzeitfolge
Tn := inf{t 0 | |(H n X)t | } T, n N.
(Der Prozess t 7 (H n X)t = (J(H n ))t ist càdlàg.) Damit ist H n 1[[0,Tn ]] S und die
Folge (H n 1[[0,Tn ]] )nN konvergiert mit (H n )nN auch gleichmaig gegen Null. Da X ein
guter Integrator ist, zieht dies
IX (H n 1[[0,Tn ]] ) 0, n , in Wahrscheinlichkeit, (3.22)
nach sich. F
ur einen Prozess Y bezeichne
Yt := sup |Ys |.
0st
Es folgt
P ((H n X)T > ) P (|H n XTn | )

JX (H n ) rechtsstetig
= P (|H n 1[[0,Tn ]] XT | )
(3.22)
0, n .
(3.23)
(Wenn der Prozess JX (H n ) nicht rechtsstetig ware, konnte es passieren, dass er durch
einen Sprung erst unmittelbar nach Tn das Niveau u berschreitet, aber zum Zeitpunkt
Tn noch kleiner als ware. Die Ungleichung in (3.23) ware dann falsch)
up
Aus (3.23) folgt JX (H n ) 0, n .
up up
Schritt 2: Zeige nun: H n 0 JX (H n ) 0. Sei > 0 gegeben. Wegen Schritt 1
existiert ein > 0, so dass H S

|H| P ((JX (H))T > ) . (3.24)
2
(Wenn (3.24) nicht golte, ware Implikation (3.21) falsch). Definiere Rn := inf{t 0 |
|Htn | > }T . Rn ist offenbar eine Stoppzeit. Da H n ein Elementarintegrand ist, ergibt sich
dies direkt aus der Konstruktion von H n . Bei einem allgemeinen stochastischen Prozess
ware dies eine Anwendung von Theorem 2.17 (das allerdings nur unter der gemachten
Voraussetzung gilt, dass die Filtration rechtsstetig ist). Setze
e n := H n 1[[0,Rn ]] .
H
e n S und |H
Es gilt H e n | (weil H n linksstetig und H0n = 0). Aus (3.24) folgt, dass
e n )) > ) . Andererseits stimmen auf der Menge {Rn = T } die Prozesse H
P ((JX (H e
T 2
35
up
und H u berein. Wegen H n 0 existiert ein n N, so dass P (Rn < T ) /2 f
ur alle
n n . Es folgt:
P (JX (H n )T > ) P (Rn < T ) + P (JX (He n )T > )

+ = f ur alle n n
2 2
Beh.
Definition 3.47. Eine Folge (X n )nN von stochastischen Prozessen heit up-Cauchy-
Folge, wenn f
ur d aus (3.19) gilt
> 0 N N n, m N d(X n , X m ) . (3.25)
Offenbar ist (3.25) dazu aquivalent, dass f

ur alle > 0
P ( sup |Xtn Xtm | > ) 0, n, m . (3.26)

t[0,T ]
ur alle (H n )nN
Korollar 3.48. [von Satz 3.46] Sei X ein guter Integrator. Dann gilt f
S die Implikation
(H n )nN ist eine up-Cauchy-Folge = (JX (H n ))nN ist eine up-Cauchy-Folge.
Beweis. Da die up-Konvergenz durch d metrisiert wird, folgt aus Satz 3.46
> 0 > 0, so dass H S d(H, 0) d(JX (H), 0) . (3.27)
Wenn (H n )nN eine up-Cauchy-Folge ist, wird d(H n H m , 0) = d(H n , H m ) beliebig klein
f ur jedes > 0, dass d(JX (H n H m ), 0)
ur n und m gro genug. Mit (3.27) gilt damit f
ur n und m gro genug. Aus der Linearitat von JX folgt d(JX (H n ), JX (H m )) . Damit
f
ist (JX (H n ))nN eine up-Cauchy-Folge.
Theorem 3.49. Jede Cauchy-Folge bzgl. d besitzt einen Limes bzgl. d in D, d.h. der Raum
Dup ist vollstandig.
urlich ahnlich wie der Beweis der Vollstandigkeit von L0 (, F, P )
Beweis. Der Beweis ist nat
bzgl. der stochastischen Konvergenz. Zusatzlich muss gezeigt werden, dass sich die Pfa-
deigenschaften auf den Limesprozess u bertragen.
Sei (X n )nN D eine up-Cauchy-Folge, d.h. f

ur alle > 0 gilt P (supt[0,T ] |Xtn Xtm | >
) fur n, m gro genug. Wir wollen zeigen, dass dann eine Teilfolge (X nk )kN D
existiert mit
n
P ( sup |Xt k+1 Xtnk | > 2k ) 2k , k N. (3.28)
t[0,T ]
Definiere nk , k = 1, 2, 3, . . . rekursiv. Gegeben nk1 sei nk die kleinste nat

urliche Zahl
> nk1 , s.d. fu r alle n, m nk gilt P (supt[0,T ] |Xt Xt | > 2 ) 2k (wobei
n m k
36
n0 := 0 gesetzt wird, jedoch in (3.28) nicht eingeht). Die Existenz von nk N ist
durch (3.26) gewahrleistet. F ur die konstruierte Teilfolge gilt (3.28), da nk+1 , nk nk
(man beachte, dass es nicht ausreichen w urde, mit irgendwelchen n1 < n2 anzufangen, die
P (supt[0,T ] |Xtn2 Xtn1 | > 1/2) 1/2 erfullen, da dann nicht sichergestellt ist, dass man
zu diesem n2 ein n3 finden kann, das die entsprechende Bedingung erf ullt).
Aus Borel-Cantelli folgt

( )

nk+1 nk k
P sup |Xt Xt | > 2 f ur unendlich viele k N = 0. (3.29)

t[0,T ]
| {z }
=:A
Demnach ist f ur P -fast alle (X nk ())kN eine Cauchy-Folge bzgl. der Supremums-
norm auf [0, T ]. Die Menge der càdlàg Funktionen von [0, T ] nach R ist aber vollstandig
bzgl. der Supremumsnorm. Dies liegt an der Vollstandigkeit der reellen Zahlen (f ur jedes
feste t existiert ein Limes) und an der Tatsache, dass sich bei gleichmaiger Konvergenz
Rechtsstetigkeit und Existenz der linken Limiten auf die Grenzfunktion u bertragen . De-
finiere den Prozess X : [0, T ] R durch
n

limk Xt k () : fur alle t [0, T ] und 6 A (A aus (3.29))
Xt () :=
0 : fur alle t [0, T ] und A

X hat also uberall càdlàg-Pfade. Die Menge A ist erstmal nur FT -messbar. Wegen der
usual conditions ist A aber als Nullmenge auch F0 -messbar. Da auf der Menge (\A)
Ft Xt der punktweise Limes der Ft -messbaren t-Schnitte Xtnk ist, ist Xt Ft -messbar, d.h.
X ist adaptiert. Es gilt
P ( sup |Xtnk Xt | 0, k ) P ( \ A) = 1. (3.30)

t[0,T ]
Die Teilfolge konvergiert also bzgl. d gegen X. Da die Gesamtfolge eine Cauchy-Folge ist,
konvergiert auch die Gesamtfolge gegen X.
Definition 3.50. Unter Sup verstehen wir den Abschluss der Elementarintegranden unter
der (metrisierbaren) Konvergenz ,,uniformly in probability, d.h.
Sup := {H : [0, T ] R |(H n )nN S s.t.H n H uniformly in probability} .
Bemerkung 3.51. Der Gesamtraum in Definition 3.50 bestehe aus allen Abbildungen
up
[0, T ] R. H n H ist dann so zu verstehen, dass insbesondere die Groen supt[0,T ] |Htn

Sei (xk )kN eine Folge von càdlàg Funktionen in der Zeit, die gleichmaig gegen x konvergiert. Wir
wollen zeigen, dass x dann auch c` ag ist. Zu > 0 existiert ein k N mit |xk (s) x(s)| /3 f
adl` ur
alle s [0, T ]. Zu t und existiert ein > 0 mit |xk (s) xk (t)| /3 fur alle s [t, t + ]. Es folgt
|x(s) x(t)| 3/3 = f ur alle s [t, t + ] und damit Rechtsstetigkeit. Die Existenz und Endlichkeit
des linken Limes von x in t folgt mit lim supst x(s) lim supst xk (s) + /3 = lim inf st xk (s) + /3
lim inf st x(s) + 2/3.
37
Ht | F-messbar sein sollen. Der Beweis von Theorem 3.49 zeigt aber bereits, dass alle
approximierbaren Abbildungen adaptiert und linksstetig mit existierenden rechten Limi-
ten sein mussen. Man konnte sich also auch von vorneherein auf diesen Grundraum be-
schranken. In diesem Fall ware die Messbarkeit von supt[0,T ] |Htn Ht | sowieso gegeben.
Korollar 3.48 und Theorem 3.49 erlauben uns die folgende Definition.
Definition 3.52. Sei X ein guter Integrator, H Sup und (H n )nN S eine Folge, die
up
H approximiert, d.h. H n H. Das stochastische Integral von H nach X wird als Limes
(bzgl. d) der Cauchy-Folge der Elementarintegrale (JX (H n ))nN definiert. Wir bezeichnen
es wieder mit H X := JX (H).
Bemerkung 3.53. Es bleibt zu zeigen, dass JX (H) wohldefiniert ist, also die Defini-
tion nicht von der approximierenden Folge (H n )nN abhangt. Seien dazu (H 1,n )nN und
(H 2,n )nN Folgen, die H uniformly in probability approximierend. Folglich konvergiert auch
die alternierende Folge
1,(n+1)/2
H : f
ur n ungerade
3,n
H :=
2,n/2
H : f
ur n gerade
gegen H uniformly in probability. Die alternierende Folge (H 3,n )nN ist somit auch eine
up-Cauchy Folge. Mit Korollar 3.48 ist die Folge (JX (H 3,n ))nN der zugehorigen Elementa-
rintegrale eine Cauchy-Folge. Damit stimmen wegen der Dreiecksungleichung der Metrik d
die Grenzwerte von (JX (H 1,n ))nN und (JX (H 2,n ))nN bis auf Ununterscheidbarkeit
u
berein.
Die Abbildung JX : Sup D ist nun also definiert. Durch folgendes Theorem soll die
Abbildung charakterisiert werden.
Theorem 3.54. JX ist die bis auf Ununterscheidbarkeit eindeutige stetige Fortsetzung
des Elementarintegrals aus Definition 3.42 auf die Integrandenmenge Sup , wobei Stetigkeit
bzgl. der up-Konvergenz zu verstehen ist. D.h. wenn man ununterscheidbare stochastische

Prozesse miteinander identifiziert (Bildung von Aquivalenzklassen), ist JX die einzige
stetige Abbildung, die auf S mit dem Elementarintegral u bereinstimmt.
Beweis. Die Eindeutigkeit folgt aus der Implikation
up
H n H = (H n )nN ist eine up-Cauchy-Folge
und Korollar 3.48.
Fur die Existenz muss noch gezeigt werden, dass auch die auf Sup erweiterte Abbildung
stetig bzgl. der up-Konvergenz ist. Sei dazu (H n )nN Sup und H Sup mit H n H in
up (nun muss also auch die approximierende Folge nicht mehr elementar sein). Die Idee
besteht darin, Elementarstrategien zu finden, die sowohl nahe an H n als auch nahe an
H sind und dann die Definition der Fortsetzungsabbildung JX anzuwenden. Sei > 0.
38
F ur alle G S die
ur festes (!) H (bereits oben vorgegeben) existiert ein > 0, so dass f
Implikation
d(G, H) = d(JX (G), JX (H)) /2 (3.31)
gilt (Wenn die Implikation (3.31) nicht golte, gabe es eine Folge von Elementarintegranden,
die gegen H konvergiert und bei der die entsprechende Cauchy-Folge von Elementarinte-
gralen nicht gegen JX (H) konvergiert. Dies kann nicht sein, vgl. Bemerkung 3.53).
Nehme ein solches > 0. F ur n n() gilt d(H n , H) /2. Da H n Sup f ur alle
n n n
n N und wegen der Definition von JX (H ) existiert zu jedem H ein G S, so dass
sowohl d(Gn , H n ) /2 als auch
d(JX (Gn ), JX (H n )) /2. (3.32)
Aus der Dreiecksungleichung folgt d(Gn , H) f

ur alle n n() und mit (3.31)
d(JX (Gn ), JX (H)) /2. (3.33)
Aus (3.32), (3.33) folgt wieder mit der Dreiecksungleichung
d(JX (H n ), JX (H)) n n().
Damit gilt JX (H n ) JX (H) uniformly in probability.
Theorem 3.55. Die Menge S der elementaren Integranden liegt dicht (bzgl. der von
der metrisierbaren up-Konvergenz erzeugten Topologie) in der Menge L0 der adaptierten
càglàd (linksstetig mit existierenden endlichen rechten Limiten) Prozesse mit Start-
wert 0, also L0 Sup . Auerdem gilt Sup L0 , also Sup = L0 .
Folge: Das Integral H X ist f ur H L0 und X guter Integrator im Sinne von

Definition 3.19 (at a later date called semimartingale) definiert.
Beweis von Theorem 3.55. Ad ,,: Sei Y L0 . Der Prozess Y+ = (Yt+ )t[0,T ] bezeichne
die rechtsstetige Abanderung von Y , d.h. Yt+ := limst, s>t Ys . Offenbar gilt Y+ D. F
ur

> 0 definiere: T0 := 0 und

Tn+1 := inf{t > Tn | |Yt+ YTn + | > } T, n N0 .
ur n N
Definiere f
n
X
Y n, := YTi1 + 1]]Ti1
,T ]] .
i
(3.34)
i=1

F
ur Ti1 < t Ti gilt aber |Yt YTi1
+ | . Damit gilt f
ur festes die Implikation
Tn () = T sup |Yt () Ytn, ()| . (3.35)

t[0,T ]
39
Andererseits folgt aus Y càglàd, dass > 0
P (Tn = T ) 1 f
ur n . (3.36)
urde die Folge (Tn ())nN den Endzeitpunkt T

D.h. die Folge (Tn )nN ist lokalisierend. W
nicht erreichen, ware dies wegen T1 () < T2 () < . . . ein Widerspruch zur Linksstetigkeit

des Pfades t 7 Yt () zum Zeitpunkt limn Tn () T .

1/k
Sei nun k N. Wahle = 1/k. Wegen (3.36) existiert ein n(k) N, so dass P (Tn(k) <
T ) 1/k. Fur Y n(k),1/k S aus (3.34) gilt
!
(3.35)
n(k),1/k 1/k
P sup |Yt Yt | > 1/k P (Tn(k) < T ) 1/k.
t[0,T ]
up
Es gilt also Y n(k),1/k Y , k , und damit Y Sup .
Ad ,,: Nehme an, Y lasst sich gleichmaig in der Zeit durch eine Folge von Ele-
mentarfunktionen (Y n )nN approximieren. Die Linksstetigkeit von Y n und die Existenz
rechter Limiten u
bertragen sich offenbar auf den Limesprozess Y (analog zur Funote im
Beweis von Theorem 3.49).
Beispiel
Rt 3.56. Sei B eine Standard-Brownsche Bewegung. Das Integral B Bt =:
R0 Bs dBs ist also wegen der (Links-)Stetigkeit von B schonmal definiert. Um das Integral
Bs dBs zu berechnen, betrachten wir zunachst eine Approximation von B, namlich
2 n
X
Bun := B k1 1 k1 k (u),
n T ( n T, n T ]
u [0, T ]. (3.37)
2 2 2
k=1
Es gilt B n S n N und aus der gleichmaigen Stetigkeit der Pfade von B folgt
up
B n B fur n . Sei t ein Gitterpunkt, d.h. t = 2kn T f
ur k, n N (und damit m n
2 2 2 2
entsprechend). Wegen a b (a b) = 2b + 2ab = 2b(a b) gilt
2 n
X
n
JB (B )t = B k1
n T
(B kn T B k1
n T
)
2 2 2
k=1 mit k2n T t
X h i
1 1
= 2
(B 2k T 2
B k1 T ) 2
(B kn T B k1
n T
2
)
n 2 2n 2 2
k=1 mit k2n T t
2 n
1 2 1 X
= B (B kn T B k1 )2
2 t 2 2 n T 2
k=1 mit k2n T t
= I1 I2 . (3.38)
Nach Theorem 2.30 konvergiert I2 P -f.s. gegen 21 t und damit

1 2 1
lim JB (B n )t = B t, P f.s. (3.39)
n 2 t 2
40
Andererseits konvergiert wegen der Stetigkeit des Integrals H 7 JB (H) die Folge JB (B n )t
stochastisch gegen JB (B)t . Aus der Eindeutigkeit des stochastisches Limes folgt P (JB (B)t =
1
2
Bt2 12 t) = 1 f
ur alle Gitterpunkte t. Da die Gitter dicht in [0, T ] liegen, folgt aus der
Rechtsstetigkeit der Prozesse t 7 12 Bt2 12 t und t 7 JB (B)t die Ununterscheidbarkeit,
d.h.

1 2 1
P JB (B)t = Bt t, t [0, T ] = 1.
2 2
Im Gegensatz dazu folgt f
ur einen stetigen Prozess (At )t[0,T ] von endlicher Variation mit
A0 = 0 , dass
A At = 12 A2t (3.40)
(mit der Rechnung in (3.38), wenn man ber ucksichtigt, dass f
ur stetige Prozesse von
ur n gegen gegen 0 konvergiert)
endlicher Variation der Ausdruck I2 f
Bemerkung 3.57. Die Rechnung in (3.38) liefert uns eine weitere interessante Einsicht.
Wenn B (statt einer Brownschen Bewegung) ein beliebiger stetiger guter Integrator ist,
dann konvergiert B n aus (3.37) nach wie vor in up gegen B und damit ist JB (B n ) eine
up-Cauchy Folge. Folglich muss auch der Limes von
2 n
X
(B kn T B k1
n T
)2
2 2
k=1
ur n existieren, d.h.:
f
Fu
r stetige gute Integratoren existiert die quadratische Variation.
Der Limes existiert auch fur unstetige gute Integratoren. Dies ist allerdings an dieser
Stelle noch nicht klar, da dann B n zwar punktweise aber nicht mehr in up gegen B
konvergieren muss.
Betrachte einen Finanzmarkt, der aus einem risikolosen Wertpapier S 0 = 1 und einem
Wertpapier S 1 besteht. S 1 soll ein stetiger stochastischer Prozess von endlicher
Variation sein (also inbesondere ein guter Integrator). Handelsstrategien sind adaptierte
linksstetige Integranden H und das entwickelte stochastische Integral H S 1 modelliert
die akkumulierten Handelsgewinne.
Proposition 3.58. Wenn S 1 nicht P -f.s. konstant ist, dann gibt es eine Handelsstrategie
H mit P (H ST1 0) = 1 und P (H ST1 > 0) > 0, also eine Arbitragemoglichkeit.
Beweis. Wenn S 1 nicht P -f.s. konstant ist, dann existiert ein t0 (0, T ] mit P (St10 6=
S01 ) > 0. Wahle nun Ht = (St1 S01 )1(t t0 ). Aus (3.40) angewandt auf A = S 1 S01 folgt

1 1 2 0 mit Wahrscheinlichkeit 1
H ST1 = (S 1 S01 ) (S 1 S01 )t0 = St0 S01
2
> 0 mit Wahrscheinlichkeit > 0

41
Eigenschaften des Integrals H X
(a) Sei eine [0, T ]-wertige Stoppzeit. Dann gilt
(H X) = (H1[[0, ]] ) X = H (X ).
(b) Der Sprungprozess des Integrals, also der Prozess s 7 (H X)s , ist ununter-
scheidbar von dem Prozess s 7 Hs (Xs ).
(c) Assoziativitat: Der Prozess H X ist selber wieder ein guter Integrator im Sinne
von Definition 3.19 und fur G Sup gilt
G (H X) = (GH) X.
(d) Wenn H beschrankt und X ein quadratintegrierbares Martingal ist, dann ist auch
H X ein quadratintegrierbares Martingal.
(e) Wenn X ein lokal quadratintegrierbares Martingal ist (d.h. lokalisierende Folge
(Tn )nN mit E((XTTn )2 ) < und X Tn Martingal n N), dann ist auch H X ein
lokal quadratintegrierbares Martingal.
Bemerkung 3.59. In dieser Vorlesung f uhren wir das Integral formal nur fur H Sup
ur H L. Die Abbildung H X lasst sich jedoch noch sehr viel weiter fortsetzen
ein, d.h. f
(was allerdings entsprechend aufwendiger zu zeigen ist). Insbesondere lasst sich H X fur
alle lokal beschrankten vorhersehbaren Prozesse H definieren (wenn X ein guter Integrator
ist). Eigenschaften (a)-(d) gelten auch f
ur das allgemeine stochastische Integral. Bei (e)
muss noch gefordert werden, dass der Integrand H lokal beschrankt ist (was Prozesse aus
L0 sowieso sind).
Bemerkung 3.60. Bei Eigenschaft (e) kann man auch auf quadratintegrierbar verzich-
ten, d.h. jedes Integral mit lokal beschranktem Integranden nach einem lokalen Martingal
ist ein lokales Martingal (Der Beweis bed urfte aber mehr Vorarbeit). Wenn man f
ur H
Beschranktheit fordert, dann folgt aus X quadratintegrierbares Martingal, dass H X qua-

dratintegrierbares Martingal. Aus H beschrankt und X Martingal folgt aber nicht H X

Martingal.
ur H S. F
Beweis. Die Aussagen (a) und (b) gelten offensichtlich f ur H Sup folgen sie
durch Grenzubergang (Stetigkeit des Integrals). Bei (a) wird benutzt, dass mit X auch

der abgestoppte Prozess
Pn X ein guter Integrator ist:
Ad (a): Sei H = i=1 Zi1 1]]Ti1 ,Ti ]] . Es gilt
n
X n
X

Zi1 XTi (t ) XTi1 (t ) = Zi1 X(Ti )t X(Ti1 )t
i=1 i=1
Xn
= Zi1 XTi t XTi1 t , t [0, T ].
i=1
42
Pn
Der mittlere Ausdruck ist offenbar das Elementarintegral des Integranden i=1 Zi1 1]]Ti1 ,Ti ]] =
H1[[0, ]] .
Ad (b): Sei H = ni=1 Zi1 1]]Ti1 ,Ti ]] . Es gilt:
P
n
X
(H X) := H X (H X) =
Zi1 1]]Ti1 ,Ti ]] (X X )
i=1
n
!
X
= Zi1 1]]Ti1 ,Ti ]] X
i=1
= HX.
Ad (c): Schritt 1: Sei zunachst G S (d.h. das Integral JY (G) = JH X (G) ist auf jeden
Fall definiert, auch wenn Y kein Semimartingal ware). F ur H S und X Semimartingal
gilt
JY (G) = JX (GH), (3.41)
d.h. die Aussage gilt, wenn sowohl G also auch H elementar sind (lasst sich schnell nach-
rechnen).
up
Schritt 2: Sei H Sup und (H n )nN S mit H n H f ur n . Da X ein guter
Integrator ist, konvergiert der Prozess JX (H n ) gegen JX (H) in up. Damit existiert eine
Teilfolge (nk )kN mit
sup |JX (H nk )t JX (H)t | 0 P -f.s. k . (3.42)

t[0,T ]
Setze Y nk := JX (H nk ). Sei G S. JY (G) ist damit auf jeden Fall definiert, auch wenn
wir noch nicht gezeigt haben, dass Y ein guter Integrator ist. Es gilt
(3.42)
JY (G) = lim JY nk (G)
k
(3.41)
= lim JX (GH nk )
k
= JX (GH). (3.43)
up up
Die letzte Gleichheit gilt, da (GH nk )kN S, GH nk GH (die Konvergenz Gn 0
up
zieht die Konvergenz Gn H 0 nach sich) und X ein guter Integrator ist. Wir haben also
gezeigt, dass
JY (G) = JX (GH) G S, H Sup . (3.44)

up up
Da die Konvergenz Gn 0 die Konvergenz Gn H 0 nach sich zieht, folgt aus (3.44),
dass der Prozess Y = JX (H) ein guter Integrator ist. Die Aussage (3.44) lasst sich nun
wegen der gezeigten Stetigkeit von JY auf alle G Sup fortsetzen.
Ad d: Sei H Sup beschrankt und X quadratintegrierbar. Die den Integranden appro-

ximierende Folge (H n )nN S kann dann auch gleichmaig beschrankt gewahlt werden
43
(in n N). Es existiert also ein M R+ mit |H n | M f ur alle n N. H n X ist dann
n
offenbar ein Martingal (wegen H elementar kann man das schnell nachrechnen, dies geht
genauso wie in der zeitdiskreten Vorlesung). Des weiteren gilt f ur alle 0 s t T ,
A Fs (gleiche Abschatzung wie in (3.15))
kn
!
X 2 2
E 1A (H n Xt H n Xs )2 = E 1A HTnj1 +

XTjn t X(Tj1
n s)T n t
j
j=1
kn
!
X
M 2E 2
XtTj
2
n X(T n s)T n t
j1 j
j=1
M E(Xt2 ) E(Xs2 )
2

M 2 E(XT2 ) x20 < ,

(3.45)
wobei (Tjn )j=1,... ,kn die Stoppzeiten in der Darstellung von H n sind, also
kn
X
n
H := HTnj1 + 1]]Tj1
n ,T n ]] .
j
j=1
Fur die Abschatzung (3.45) braucht man offenbar die geforderte Quadratintegrierbarkeit
von X. Damit ist f ur feste 0 s t T , A Fs die Familie von Zufallsvariablen
(1A (H Xt H Xs ))nN gleichgradig integrierbar . Aus E (1A (H n Xt H n Xs )) =
n n
0, n N und der stochastischen Konvergenz der Elementarintegrale folgt somit wegen

gleichgradiger Integrierbarkeit
E (1A (H Xt H Xs )) = 0.
Damit ist H X schonmal ein Martingal. Wir wollen aber noch Quadratintegrierbarkeit
zeigen. Aus der stochastischen Konvergenz der Elementarintegrale folgt die Existenz einer
Teilfolge (nk )kN , so dass H nk Xt P -fast sicher gegen H Xt konvergiert. Mit dem
Lemma von Fatou gilt

E (H Xt )2 E lim inf (H nk Xt )2

=
k
Fatou
lim inf E (H nk Xt )2

k
(3.45)
M 2 E(Xt2 ) x20 .

Also ist H X ein quadratintegrierbares Martingal.

Eine Folge von Zufallsvariablen (Zn )nN ist genau dann gleichgradig integrierbar, wenn es eine Funk-
tion : R+ R+ mit (x)/x f
ur x gibt, so dass supnN E((|Zn |)) < (Ubungsaufgabe in
der Vorlesung Integrationstheorie).
44
Ad e: Jedes H Sup ist lokal beschrankt (mit lokalisierender Folge Tn1 := inf{t
2
0 | |Ht | > n} T ). Sei zudem (Tn2 )nN eine lokalisierende Folge, s.d. (X Tn )nN quadratin-
tegrierbare Martingale sind. Aus (d) folgt somit, dass
2
(H1[[0,Tn1 ]] ) X Tn
ur alle n N quadratintegrierbare Martingale sind. Aus (a) folgt

f
2 1 2
(H1[[0,Tn1 ]] ) X Tn = (H X)Tn Tn .
Da mit (Tn1 )nN und (Tn2 )nN auch die Minimumsfolge (Tn1 Tn2 )nN lokalisierend ist, folgt
Eigenschaft (e).
Definition 3.61. Sei (n )nN eine Folge von zufallige Partition gegeben durch n :=
(T0n , T1n , . . . , Tknn ), wobei 0 = T0n T1n Tknn = T , Stoppzeiten und kn N. Wir
sagen, dass (n )nN gegen die Identitat konvergiert, wenn
n
kn k := max |Tin Ti1
n
| 0 P-f.s.
i=1,...,kn
Sei Y ein beliebiger stochastischer Prozess und eine zufallige Partition mit = (T0 , T1 , . . . , Tk ).
Mit Y () bezeichnen wir den folgenden elementar vorhersehbaren Prozess
k
X
()
Y : (, t) 7 YTi1 ()1]]Ti1 ,Ti ]] (, t),
i=1
wobei := (T0 , T1 , . . . , Tk ). F
ur das dazugehorige Elementarintegral gilt also
k
X
Y () X = YTi1 (X Ti X Ti1 ).
i=1
Theorem 3.62. Sei X ein Semimartingal und Y ein Prozess aus D oder L. F ur eine
Folge (n )nN von zufalligen Partitionen, die gegen die Identitat konvergiert, gilt
n
Y (n ) X Y X up (uniformly in probability)
Proof. Theorem 21, Seite 57 in Protter [3].

up
Achtung: Theorem 3.62 ist nicht ,,trivial da, i.A. Y (n ) 6 Y , n . Die Konvergenz
gilt zwar punktweise, aber i.A. nicht gleichmaig in der Zeit (wenn Y stetige Pfade besitzt,
dann gilt die Konvergenz gleichmaig in der Zeit).
45
3.3 Quadratische Variation eines Semimartingals
Definition 3.63. Seien X, Y Semimartingale (also insbesondere aus D). Der quadrati-
sche Variationsprozess von X wird definiert durch
[X, X] := X 2 X02 2X X. (3.46)
Analog ist die quadratische Kovariation von X und Y definiert durch
[X, Y ] := XY X0 Y0 X Y Y X.
Aus der Bilinearitat und der Symmetrie der Abbildung (X, Y ) 7 [X, Y ] folgt:
[X, Y ] = 12 ([X + Y, X + Y ] [X, X] [Y, Y ]) (3.47)
(Polarisierungsidentitat)
Beispiel 3.64. Sei B eine Standard-Brownsche Bewegung. Mit Beispiel 3.56 gilt
[B, B]t = Bt2 2B Bt = Bt2 (Bt2 t) = t, t 0.
Die in (3.46) formal eingef uhrte quadratische Variation stimmt also fur die Brownsche
Bewegung mit dem Limes der quadratischen Schwankungen entlang eines (immer feiner
werdenden) Gitters u berein (siehe Theorem 2.30). (3.46) entspricht also dem, was man
anschaulich als die quadratische Variation eines Prozesses bezeichnen w urde. Dies gilt
auch fur beliebige (Semi-)Martingale, wie das folgende Theorem 3.65 zeigt. Insbesondere
existiert f
ur Semimartingale der Limes der quadratischen Schwankungen entlang einer
Folge von immer feiner werdenden Gittern (f ur beliebige Prozesse muss dieser Limes
nat
urlich nicht existieren).
Theorem 3.65. Sei X ein Semimartingal. Die quadratische Variation von X ist ein
càdlàg, nicht-fallender, adaptierter Prozess. Des weiteren gilt
(i) [X, X]0 = 0 und [X, X] = (X)2

| {z }
[X,X]t =[X,X]t [X,X]t
(ii) Fur eine Folge (n )nN von zufalligen Partitionen, die gegen die Identitat konver-
giert, gilt
kn
n n
X
(X Ti X Ti1 )2 [X, X], n , up., (3.48)
i=1
wobei n durch 0 = T0n T1n Tknn = T gegeben ist.
(iii) Wenn eine Stoppzeit ist, dann gilt [X , X] = [X, X ] = [X , X ] = [X, X] .
46
Beweis. Da X X als stochastisches Integral ein adaptierter Prozess mit càdlàg Pfaden
ist, ist auch [X, X] adaptiert und càdlàg.
Ad(i): Mit Eigenschaft b.) des Integrals gilt
(X X) = X X.
Zusammen mit der schonmal benutzen Gleichung (a b)2 = a2 b2 2b(a b) folgt

Eigenschaft b., & Definition von [X, X]
[X, X]t = (X 2 )t 2Xt (Xt )
= Xt2 Xt 2
2Xt (Xt Xt )
= (Xt Xt )2
= (Xt )2 .
Ad(ii): Wiederum mit der Gleichung (a b)2 = a2 b2 2b(a b) folgt

kn kn h i kn
Tin n Tin 2 n 2
X
Ti1 2
X
Ti1
X Tn n n
(X i1 X Ti X Ti1

(X X ) = X X 2
i=1 i=1 i=1
kn
X Tn n n
= (X T )2 X02 2 X i1 X Ti X Ti1
|i=1 {z }
up
X X nach Theorem 3.62
2 2
X X0 2X X, n , up.
Aus (ii) folgt die Monotonie des Prozesses [X, X]. Sei dazu s t. Jede Partition von [0, s]
kann zu einer Partition von [0, t] fortgesetzt werden, so dass die rechte Seite von (3.48)
mit der Zeit hochstens groer wird.
47
Ad(iii): folgt aus (ii).
Y1
z }| {
Y0
z }| {

X
0

X1

Q
k
Q
Q
Q
Q =X1 Y1
z }| {
X1 Y1 = X0 Y0 + Y0 (X1 X0 ) + X0 (Y1 Y0 ) + [X, Y ]1
Korollar 3.66. Der Prozess [X, Y ] hat endliche Variation und ist damit ein Semimar-
tingal.
Beweis. Folgt aus der Monotonie von [X, X] und der Polarisierungsidentitat [X, Y ] =
1
2
([X + Y, X + Y ] [X, X] [Y, Y ]).
Korollar 3.67. Die Menge der Semimartingale bildet eine Algebra (weil XY Semimar-
tingal).
Beweis. [X, Y ] Semimartingal XY Semimartingal.
Bemerkung 3.68. Da der Prozess [X, X] càdlàg, nicht-fallend und [X, X]t = (Xt )2 ,
t 0, konnen wir ihn (pfadweise) in einen stetigen Anteil und einen reinen Sprungan-
teil zerlegen, d.h.
X
[X, X]t = [X, X]ct + (Xs )2 , t 0. (3.49)
0<st
Definiere dazu den stetigen Anteil [X, X]c durch

X
[X, X]ct := lim [X, X]t (Xs )2 . (3.50)
n
0<st, |Xs |>1/n
Man beachte, dass es i.A. keinen ersten Sprung des Prozesses X auf [0, T ] gibt. Es kann
schon unendlich viele (sehr kleine) Spr
unge in der Umgebung der Null geben (dies ist
noch kein Widerspruch zur Rechtsstetigkeit von X in 0). Es gibt also keine kanonische
Reihenfolge, die Spr
unge zu summieren.
Da es Paber nur endlich viele Spr
unge dem Betrage nach groer als 1/n gibt, ist der
Ausdruck 0<st, |Xs |>1/n (Xs )2 wohldefiniert. Wegen [X, X] = (X)2 kompensiert
man gerade die groeren Spr unge des Variationsprozesses und die Differenz ist wegen
der Monotonie von [X, X] nichtnegativ. Da zudem die Differenz monoton fallend in n
48
ist, existiert der Limes. Die (moglicherweise unendliche) Summe 0<st (Xs )2 ist also
P
absolut konvergent und beschrankt durch [X, X] . Mochte man statt P [X, X] den Prozess
X selber um seine Spr Punge bereinigen, so kann es passieren, dass 0<st |Xs | =
und damit die Groe 0<st X s gar nicht definiert ist (in diesem Fall muss X von
unendlicher Variation sein). F ur Prozesse mit unendlicher Variation gibt es also i.A.
keine Zerlegung in einen stetigen und einen Sprung-Anteil.

Mit den gleichen Argumenten kann man zu jedem nicht-fallenden Prozess durch

X
Act := lim At (As+ As ) (At At )

n
0s<t, As+ As >1/n
| {z }
0
mit A0 := A0 den stetigen Anteil definieren. Hierzu beachte man noch, dass die linken und rechten
Limiten wegen Monotonie existieren. Beide Limiten konnen sich jedoch vom Wert des Prozesses unter-
scheiden.
49
Theorem 3.65 gilt sinngema auch f
ur die quadratische Kovariation [X, Y ], d.h.
Theorem 3.69. Seien X und Y Semimartingale. Der Prozess [X, Y ] erf

ullt folgende
Eigenschaften
(i) [X, Y ]0 = 0, [X, Y ] = XY .
(ii) Fur eine Folge (n )nN von zufalligen Partitionen, die gegen die Identitat konver-
giert, gilt
kn
n n n n
X
(X Ti X Ti1 )(Y Ti Y Ti1 ) [X, Y ], n , up.,
i=1
wobei n durch 0 = T0n T1n Tknn = T gegeben ist.
(iii) Wenn eine Stoppzeit ist, dann gilt
[X , Y ] = [X, Y ] = [X , Y ] = [X, Y ] .
Beweis. Geht analog zu Beweis Theorem 3.65 oder folgt aus Theorem 3.65 und der Pola-
risierungsidentitat (3.47). Ad (iii): Es gilt
[X , Y ] = X Y X0 Y0 (X ) Y Y (X )
= X Y X0 Y0 (X Y ) (Y X) + X (Y Y ) X 1]],T ]] Y
= (XY ) (X0 Y0 ) (X Y ) (Y X)
= [X, Y ]
Theorem 3.70. Sei X ein stetiges lokales Martingal mit [X, X]T = 0. Dann ist X
konstant, d.h. Xt = x0 t [0, T ].

Beweis. Ubung (Tipp: benutze, dass der Prozess X 2 [X, X] ein lokales Martingal ist).
Theorem 3.71. Seien X und Y Semimartingale und H, K L. Es gilt
[H X, K Y ] = (HK) [X, Y ],
also insbesondere
[H X, H X] = H 2 [X, X].
Beweis. Es reicht aus, die Aussage
[H X, Y ] = H [X, Y ] (3.51)
50
zu beweisen. Der Rest folgt aus der Symmetrie von [, ] und der Assoziativitat des In-
tegrals. Sei H zunachst von der Form H = Z1]]T1 T2 ]] , T1 , T2 Stoppzeiten, Z FT1 -messbare
Zufallsvariable. D.h., H X = Z(X T2 X T1 ). Es folgt:
[H X, Y ] = [Z(X T2 X T1 ), Y ]
= Z{[X T2 , Y ] [X T1 , Y ]}
= Z{[X, Y ]T2 [X, Y ]T1 }
= H [X, Y ].
Aus der Linearitat von [, ] und dem Integral folgt die Aussage fur alle H S.
Sei nun H Sup mit approximierender Folge (H n )nN S, d.h. H n H, n ,
n
up. Fur die rechte Seite von (3.51) gilt H n [X, Y ] H [X, Y ], up, da [X, Y ] ein
Semimartingal ist. Bleibt die entsprechende Aussage f ur die linke Seite von (3.51) zu
zeigen. Aus der Definition der Kovariation folgt
[H n X, Y ] = (H n X)Y (H n X) Y Y (H n X)
= (H n X)Y (H n X) Y (Y H n ) X
| {z } | {z } | {z }
(H X)Y (H X) Y (Y H)X=Y (H X)
up
[H X, Y ], n .
Theorem 3.72. Sei M ein lokales Martingal. M ist genau dann ein Martingal mit
E(Mt2 ) < f
ur alle t [0, T ], wenn E([M, M ]T ) < . In diesem Fall gilt
Varianz(Mt ) = E(Mt2 ) M02 = E ([M, M ]t ) , t [0, T ]. (3.52)
D.h. bei Martingalen ist der Erwartungswert der quadratischen Variation (rechte Seite
von 3.52) die Varianz.
Beweis. Nach Definition der quadratischen Variation gilt f
ur alle t
Mt2 = M02 + 2M Mt + [M, M ]t . (3.53)
Vom Prozess M M wissen wir, dass er ein lokales Martingal ist. Wurden wir den Unter-
schied zwischen lokalem und echtem Martingal einfach ignorieren, konnte man auf beiden
Seiten von (3.53) den Erwartungswert bilden, was dann den Term 2M Mt zum Ver-
schwinden bringen w urde, und das Theorem ware bereits bewiesen. Fur den vollstandigen
Beweis gehen wir wie folgt vor. Sei o.B.d.A. M0 = 0.
1. Schritt: Zuerst setzen wir voraus, dass M ein Martingal ist mit E(Mt2 ) < f ur
alle t [0, T ] (d.h. M ist ein quadratintegrierbares Martingal). Damit ist M M mit
Eigenschaft (e) des Integrals ein lokal quadratintegrierbares Martingal. Sei (Tn )nN eine
Lokalisierungsfolge, so dass (M M )Tn quadratintegrierbare Martingale sind. Aus (3.53)
folgt somit wegen E (M MtTn ) = 0, dass
2

E MtT n
= E ([M, M ]tTn ) , n N. (3.54)
51
Aus monotoner Konvergenz folgt

lim E ([M, M ]tTn ) = E lim [M, M ]tTn = E ([M, M ]t ) (3.55)
n n
(man beachte, dass die Folge (Tn )nN nichtfallend ist). Der Grenz
ubergang auf der linken
Seite von (3.54) ist etwas schwieriger, da die Konvergenz nicht monoton ist. Aus der
Doobschen Ungleichung fur quadratintegrierbare Martingale folgt aber
!
E sup Ms2 4E(Mt2 ) < .
s[0,t]
Damit ist (M 2 )t := sup0st Ms2 eine integrierbare Majorante und aus majorisierter Kon-
vergenz folgt
2
E(Mt2 ), n .

E MtT n
(3.56)
(3.54), (3.55) und (3.56) zusammen ergeben
> E(Mt2 ) = E ([M, M ]t ) , t [0, T ]. (3.57)
2. Schritt: Setzen wir nun E([M, M ]T ) < voraus. Wir wollen zunachst zeigen, dass
M ein lokal quadratintegrierbares Martingal ist. Wahle dazu die Lokalisierungsfolge
Tn := {t > 0 | |Mt | > n} T.

p
Es gilt M Tn T n + |MTn | n + [M, M ]T und damit M Tn T L2 (, F, P ).
Folglich sind M Tn , n N, quadratintegrierbare Martingale (M Tn ist als abgestopptes
lokales Martingal wieder ein lokales Martingal mit der quadratintegrierbaren Zufallsva-
Tn

riable M T , die den Prozess betragsmaig dominiert). Nun konnen wir den 1. Schritt
auf die abgestoppten Prozesse M Tn , n N, anwenden und mit (3.57) folgern
2 1. Schritt Theorem 3.65(iii)

E(MtTn
) = E([M Tn , M Tn ]t ) = E([M, M ]tTn ). (3.58)
Die rechte Seite konvergiert wieder wegen monotoner Konvergenz f ur n gegen

E([M, M ]t ) < . F ur die linke Seite gibt es die Majorante (M )t . Sobald von (M 2 )t
2
Integrierbarkeit gezeigt ist, ist der Beweis fertig. Aus der Doobschen Ungleichung f
ur die
quadratintegrierbaren Martingale M Tn , n N, folgt
(3.58)
E (M 2 )tTn 4E MtT
2

n
= 4E ([M, M ]tTn ) 4E ([M, M ]t ) < .
Damit folgt aus monotoner (!) Konvergenz f

ur den bei tTn abgestoppten Supremumspro-
zess
E (M 2 )t = lim E (M 2 )tTn 4E ([M, M ]t ) < .

n
52
Bemerkung 3.73. Der Beweis w urde sich etwas verkurzen, wenn wir ganz zu Anfang
benutzen wurden, dass M M als Integral nach einem lokalen Martingal ein lokales
Martingal ist. Wir benutzen dagegen nur die leichter zu zeigende (und im Skript gezeigte)
Aussage, dass Integrale nach lokal quadratintegrierbaren Martingalen lokal (quadratinte-
grierbare) Martingale sind.
Korollar
R t 3.74. Sei B eine eindimensionale Standard-Brownsche-Bewegung und H IL
2
mit E( 0 Hs ds) < . Dann gilt E(H Bt ) = 0 und
Z t
2 2
E((H Bt ) ) = E Hs ds , t [0, T ].
0
Rt
Beweis. Da H B ein lokales Martingal ist und [H B, H B]t = H 2 [B, B]t = 0
Hs2 ds
folgt das Korollar direkt aus Theorem 3.72.
Theorem 3.75. Sei H ein càdlàg, adaptierter Prozess und seien X, Y Semimartingale.
Sei (n )nN eine Folge zufalliger Partitionen, die gegen die Identitat konvergiert. Dann
konvergiert
kn
Tn Tn Tn Tn
X
n (X i X i1 )(Y i Y i1 )
HTi1
i=1
ur n (n ist wieder durch 0 =

gegen H [X, Y ] uniformly in probability (up) f
T0n T1n Tknn = T gegeben).
Beweis. Es gilt
Def. [,]
H [X, Y ] = H (XY ) H (X Y ) H (Y X)
Assoz.
= H (XY ) (HX) Y (HY ) X
und
kn
n n n n
X
T T T T
n (X i X i1 )(Y i Y i1 )
HTi1
i=1
kn kn
Tin Tin n n n n
X X
Ti1 Ti1 T T
= HTi1
n (X Y X Y ) n XT n (Y i Y i1 )
HTi1 i1
i=1 i=1
kn
n n
X
T T
n YT n (X i X i1 )
HTi1 i1
i=1
Damit folgt die Aussage mit Theorem 3.62.
3.4 Die It
o-Formel und einige Anwendungen
Theorem 3.76 (Ito-Formel). Sei X = (X 1 , . . . , X d ) ein d-Tupel von Semimartingalen
und f : Rd R besitze stetige zweite partielle Ableitungen. Dann ist der stochastische
53
Prozess f (X) wieder ein Semimartingal und es gilt bis auf Ununterscheidbarkeit
d
X f
f (Xt ) = f (X0 ) + (X ) Xti
i=1
xi
2f
X
1
+ 2 (X ) [X i , X j ]ct
1i,jd
x x
i j
d
X X f
+ {f (Xs ) f (Xs ) (Xs )Xsi } (3.59)
0<st i=1
x i
(wobei [, ]c in (3.50) definiert wurde).
Bemerkung 3.77. Die potentiell unendliche Summe in (3.59) ( uber alle Sprunge) ist
i
absolut konvergent. Stoppe dazu den Prozess bei Rk = inf{t | |Xt | k f
ur ein i = 1, . . . , d}
ab und entwickle die Funktion f um den Punkt x = Xs . Wegen
f (x + h) = f (x) + hf 0 (x) + O(h2 ), h 0, gleichmaig in x mit ||x|| k
und 0<st (Xs )2 < , P -f.s. (vgl. Bemerkung 3.68) ist die Summe 0<sRk {f (Xs )
P P
f (Xs ) dj=1 x
f i
P P
i
(X s )X s } konvergent. Da (Rk )kN lokalisierend ist muss auch 0<st . . .
konvergent sein.
F
ur d = 1 und einen reellwertigen càdlàg Prozess A von endlicher Variation reduziert
sich die Ito-Formel zu
Z t X
f (At ) = f (A0 ) + f (As ) dAcs + (f (As ) f (As )) .
0 0<st
Hierbei bezeichne Ac den stetigen Anteil des Prozesses A, der wegen der Rendlichen Varia-
t
tion von A analog zu (3.50) gewonnen werden kann. Man beachte, dass 0 f (As ) dAcs =
Rt
0
f (As ) dAcs , da eine Modifikation des Integranden an abzahlbar vielen Punkten bei einem
stetigen Integrator das Integral nicht verandert.
Die Ito-Formel ist also eine Verallgemeinerung des Hauptsatzes der Differential-
und Integralrechnung, wonach das Integral u ber die Ableitung einer Funktion die Funk-
tion selber (minus ihren Startwert) ergibt.
Bemerkung 3.78. In Anwendungen ist eines der Semimartingale oft die Zeit, also etwa
Xt1 = t. Es gilt dann [X 1 , X j ] = 0 f ur j = 1, 2, . . . , d (wegen [X 1 , X 1 ] = 0 und der
Cauchy-Schwarzschen Ungleichung) und X 1 = 0. Also z.B.
Z t Z t
1 t
Z
f (t, Bt ) = f (0, 0) + 1 f (s, Bs ) ds + 2 f (s, Bs ) dBs + 22 f (s, Bs ) ds
0 0 2 0
f
ur eine Standard Brownsche Bewegung B.
54
Korollar 3.79. Sei X ein stetiges Semimartingal und f C 2 (R). Dann ist f (X) wieder
ein Semimartingal und es gilt
f (Xt ) f (X0 ) = f 0 (X) Xt + 21 f 00 (X) [X, X]t . (3.60)
Beweis des Satzes f

ur X stetig. Wir setzen aus Bequemlichkeit und o.B.d.A. d = 1.
1.) Definiere Rk := inf{t | |Xt | k}, k N. Wegen Stetigkeit ist der gestoppte Pro-
zess |1{Rk >0} X Rk | durch k beschrankt. Wenn die Ito-Formel f
ur alle gestoppten Prozesse
Rk
1{Rk >0} X gilt, so gilt sie auch f ur X selber. Also kann X o.B.d.A. als beschrankt an-
genommen werden. Der Fall, dass X0 eine unbeschrankte Zufallsvariable ist, ist offenbar
abgedeckt, da |X0 ()| > k impliziert, dass Rk () = 0.
2.) Sei t (0, T ]. Es gilt :

n
X
f (Xt ) f (X0 ) = {f (X i t ) f (X i1 t )}
n n
i=1
n
X n
X
0
= f (X i1 t )(X i t X i1 t ) + 1
2
f 00 (X i1 t )(X i t X i1 t )2
n n n n n n
i=1 i=1
Taylor-Entwicklung
Xn
+ R(X i1 t , X i t ), (3.61)
n n
i=1
ur den Fehler R : [k, k] [k, k] R gilt

wobei f
1
|R(x, y)| (x y)2 r(|x y|) mit r(z) := sup |f 00 (z2 ) f 00 (z1 )|, z R+ .
2 kz1 ,z2 k, |z2 z1 |z
Nach Theorem 3.62 konvergiert die erste Summe in (3.61) f ur n in Wahrscheinlich-

0
keit gegen f (X ) Xt , wahrend nach Theorem 3.75 die zweite Summe in Wahrschein-

lichkeit gegen 21 f 00 (X )P [X, X] konvergiert.

t
n
Bleibt der Rest i=1 R(X i1 , X i ) zu betrachten. Dieser ist aber betragsm
t t aig
n n
beschrankt durch
X n
1
r max |X i t X i1 t | (X i t X i1 t )2 . (3.62)
2 i=1,...,n n n
i=1
n n

Lagrangesche Form des Restglieds besagt: Wenn f C 2 (R), dann existiert zu allen x, y R ein
[x, y] bzw. [y, x], so dass fR(y) = f (x) + f 0 (x)(y x) + 21 f 00 ()(y x)2 (folgt aus der Taylorschen
y
Formel, die das exakte Restglied x (y t)f 00 (t) dt liefert und dem Mittelwertsatz der Integralrechnung).
Damit gilt fur den Fehler R in (3.61)
1 00
R(x, y) = (f () f 00 (x))(y x)2 .
2
55
Wegen der Stetigkeit von f 00 (und damit gleichmaigen Stetigkeit von f 00 |[k,k] ) gilt r(z)
ur z 0 und damit
0 f
r( max |X i t X i1 t |) 0 in Wahrscheinlichkeit f
ur n .
i=1,...,n n n
Pn 2
Da nach Theorem 3.65 die Summe X i X i1 in Wahrscheinlichkeit gegen
i=1 n
t n
t
[X, X]t konvergiert und [X, X]t < P-f.s., folgt, dass (3.62) in Wahrscheinlichkeit gegen
0 konvergiert
1
f (Xt ) f (X0 ) = f 0 (X ) Xt + f 00 (X ) [X, X]t .
2
Wegen der Stetigkeit der Prozesse auf beiden Seiten von (3.60) folgt Ununterscheidbarkeit
Bemerkung 3.80. Wenn X zusatzlich von endlicher Variation ware, hatte man in der
obigen Taylor-Entwicklung bereits nach dem Glied 1. Ordnung (mit f 0 ) abbrechen konnen
mit der Fehlerabschatzung
|R(x,
e y)| |x y|e
r(|x y|) mit re(z) := sup |f 0 (z2 ) f 0 (z1 )|, z R+ .
kz1 ,z2 k, |z2 z1 |z
Wenn
Pn eX allerdings von unendlicher Variation ist, reicht die Abschatzung, die man f
ur
i=1 R(X i1 t , X i t ) erhalten w
n n
urde, nicht mehr aus.
Theorem 3.81. Sei X ein Semimartingal mit X0 = 0. Es existiert genau ein Semimar-
tingal Z, das folgende Gleichung erf
ullt:
Zt = 1 + Z Xt , t 0. (3.63)
Der stochastische Prozess Z ist gegeben durch

1 Y
Zt = exp(Xt [X, X]ct ) ((1 + Xs ) exp(Xs )) , (3.64)
2 0<st
wobei das (moglicherweise) unendliche Produkt u

ber alle Spr
unge absolut multiplizierbar
ist.
Sucht man bei Google nach absolut multiplizierbar, so findet man keinen seriosen
Eintrag. Gemeint ist damit nat urlich, dass die Reihenfolge, mit der man das Produkt
bildet, keine Rolle spielt. Eine Folge (an )nN R+ ist genau dann absolut multiplizierbar
mit positivem Grenzwert, wenn an > 0 f ur alle n N und (ln(an ))nN absolut summierbar
ist.
56
Wenn X > 1, folgt bei der logarithmierten Summe in (3.64) diese Eigenschaft aus
der absoluten Summierbarkeit der quadrierten Spr
unge von X und der Tatsache, dass
ln[(1 + x) exp(x)] = ln(1 + x) x = O(x2 ), x 0.
Man beachte, dass es im allgemeinen Fall hochstens endlich viele Sprunge kleiner/gleich
1 gibt, also hochstens endlich viele nicht-positive Faktoren in (3.64). Das Produkt in
(3.64) kann also nur Null werden, wenn ein Sprung der Hohe 1 auftritt.
Definition 3.82. Sei X ein Semimartingal mit X0 = 0. Die eindeutige Losung der In-
tegralgleichung (3.63) wird das stochastische Exponential von X genannt (oder auch
das Doleans-Dade Exponential von X). Man schreibt E(X) := Z, d.h.
E(X)t = 1 + E(X) Xt .
Beispiel 3.83. [Geometrische Brownsche Bewegung] Sei Xt = Bt , t 0, R und B
eine Standard-Brownsche Bewegung. Nach Theorem 3.81 gilt:
2

1
E(B)t = exp Bt [B, B]t = exp Bt t .
2 2
E(X) unterscheidet sich also i.A. vom gew ohnlichen Exponential exp(X). Der Un-
ungen gravierend: Xt geht in E(X)t nur affin-linear, aber
terschied ist jedoch erst bei Spr
in exp(Xt ) exponentiell ein.
Bemerkung 3.84. 1) Die Losung von (3.63) ist genau dann mit Wahrscheinlichkeit 1
positiv, wenn X > 1.
2.) Wenn X ein lokales Martingal ist, dann ist auch E(X) ein lokales Martingal (folgt
aus der lokalen Beschrankheit von E(X) und Bemerkung 3.60)
3) Wenn X ein Levy-Prozess ist (Prozess mit unabhangigen und stationaren Zuwachsen),
also z.B. eine Brownsche Bewegung, dann gilt auch die Implikation: X Martingal
E(X) Martingal.
Bemerkung 3.85. (3.63) ist ein Beispiel f ur eine sog. stochastische Differential-
gleichung (SDE, stochastic differential equation). Der Begriff Differentialglei-
chung ruhrt daher, dass man f ur (3.63) meist abk urzend schreibt dZt = Zt dXt und
Z0 = 1. Gemeint ist aber auch bei der differentiellen Schreibweise, dass Z die Integral-
gleichung (3.63) erf
ullt, d.h. dXt ist keine eigenstandige Groe.
Beweis der Existenz in Theorem 3.81 f
ur den Fall X stetig. Setze
Zt := exp(Kt ), mit Kt := Xt 21 [X, X]t .
Mit der Ito-Formel angewandt auf f = exp folgt:
1
exp(Kt ) = 1 + exp(K) Kt + 2
exp(K) [K, K]t
1 1
= 1 + exp(K) Xt 2
exp(K) [X, X]t + 2
exp(K) [K, K]t
[K,K]=[X,X]
= 1 + exp(K) Xt ,
d.h. Zt = 1 + Z Xt .
57
Eine weitere wichtige Anwendung der Ito-Formel ist das folgende Theorem.
Theorem 3.86 (Levys Theorem). Ein stochastischer Prozess X ist genau dann eine
Standard-Brownsche-Bewegung, wenn er ein lokales Martingal ist, das in Null startet und
[X, X]t = t, t 0.
Beweis. Wir haben bereits gezeigt, dass die Standard-Brownsche-Bewegung ein Martingal
ist und ihre quadratische Variation die Identitat ist. Zu zeigen bleibt die Umkehrung. Sei
X also ein lokales Martingal mit [X, X]t = t, t 0. Wegen [X, X] = (X)2 folgt, dass
X stetig sein muss. Fur festes u R definieren wir die Funktion
u2

2
f : R C, (x, t) 7 f (x, t) := exp iux + t , wobei i = 1
2
und wenden auf den komplexwertigen Prozess Zt := f (Xt , t) die Ito-Formel an :
Z t Z t
1 t
Z
Zt = Z0 + 1 f (Xs , s) dXs + 2 f (Xs , s) ds + 11 f (Xs , s) d[X, X]s
0 0 2 0
Z t
u2 t i2 u2 t
Z Z
= 1 + iu f (Xs , s) dXs + f (Xs , s) ds + f (Xs , s) d[X, X]s
0 2 0 2 0
Z t
= 1 + iu f (Xs , s) dXs , t 0.
0
Mit Theorem 3.72 ist X ein quadratintegrierbares Martingal. Aus der Beschranktheit
des Integranden Z auf kompakten Zeitintervallen (man beachte, dass X reellwertig ist
und damit sowohl Re(Z) als auch Im(Z) beschrankt sind) folgt mit Eigenschaft (d) des
Integrals, dass Z (bzw. Re(Z) und Im(Z)) ein (quadratintegrierbares) Martingal ist und
damit
u2 u2

E exp iuXt + t | Fs = exp iuXs + s , s t < .
2 2
Multiplikation beider
Seiten mit der komplexwertigen Fs -messbaren
2
Zufallsvariablen exp iuXs u2 t ergibt
2
u
E (exp(iu(Xt Xs )) | Fs ) = exp (t s) , s t < . (3.65)
2

Formal wendet man Theorem 3.76 (getrennt)
auf die reellwertigen Funktionen Re(f ) und Im(f )
u2 u2
an. Also auf (x, t) 7 Re(f (x, t)) = cos(ux) exp2 t und (x, t)
7 Im(f (x, t)) = sin(ux) exp 2 t .
1 f (. . . ), etc., kann man dann mit dem Vektor (1 Re(f (. . . )), (1 Im(f (. . . ))) identifizieren. Wegen cos0 =
sin und sin0 = cos, gilt 1 Re(f (. . . )) = uIm(f (. . . )), 1 Im(f (. . . )) = uRe(f (. . . )), 11 Re(f (. . . )) =
u2 Re(f (. . . )) und 11 Im(f (. . . )) = u2 Im(f (. . . )). Zudem gilt 2 Re(f (. . . )) = (u2 /2)Re(f (. . . )) und
2 Im(f (. . . )) = (u2 /2)Im(f (. . . )). Man beachte dabei, dass Xt und t reellwertig sind.

Mit der Definition der Multiplikation komplexer Zahlen und den Additionstheoremen f ur Co-
sinus und Sinus gilt exp(iuXt ) exp(iuXs ) = (cos(uXt ), sin(uXt )) (cos(uXs ), sin(uXs )) =
(cos(uXt ) cos(uXs ) sin(uXt ) sin(uXs ), cos(uXt ) sin(uXs ) + sin(uXt ) cos(uXs )) = (cos(u(Xt
Xs )), sin(u(Xt Xs ))) = exp(iu(Xt Xs )).
58
Sei Y eine Fs -messbare Zufallsvariable. F
ur die charakteristische Funktion des Vektors (Xt
Xs , Y ) gilt
E (exp(iu(Xt Xs ) + ivY )) = E (E (exp(iu(Xt Xs ) + ivY ) | Fs ))

= E (exp(ivY )E (exp(iu(Xt Xs )) | Fs ))
2
u
= E exp(ivY ) exp (t s)
2
2
u
= exp (t s) E (exp(ivY )) , u, v R.(3.66)
2
2
Da u 7 exp u2 (t s) die charakteristische Funktion einer Normalverteilung mit Er-
wartungswert 0 und Varianz t s ist, folgt aus (3.66), dass Xt Xs normalverteilt mit
Erwartungswert 0 und Varianz t s ist und aus der Produktdarstellung der charakteri-
stischen Funktion des Vektors (Xt Xs , Y ) folgt die stochastische Unabhangigkeit von
Xt Xs und Y . Da Y eine beliebige Fs -messbare Zufallsvariable war, folgt die stochasti-
sche Unabhangigkeit von Xt Xs und der -Algebra Fs .
3.5 Mawechsel
Bisher gab es nur ein einziges Wahrscheinlichkeitsma P (d.h. die Gewichtung der mogli-
chen Ereignisse war fest vorgegeben). In Anwendungen ist es oft wichtig, sich einen sto-
chastischen Prozess unter verschiedenen Wahrscheinlichkeitsmaen anzuschauen. So muss
in der Statistik das zugrundeliegende Wahrscheinlichkeitsma erst geschatzt werden (d.h.
aus einer Menge potentieller Mae muss eines ausgewahlt werden, das besonders gut zu
den beobachteten Daten passt). In der Finanzmathematik geht man oft zu einem neuen
ku nstlichen Wahrscheinlichkeitsma u ber, unter dem sich gewisse Groen einfacher
berechnen lassen.
Sei X ein Semimartingal auf dem Raum (, F, (Ft )t[0,T ] , P ) mit Darstellung
X = X0 + M + A, (3.67)
d.h. M ist ein P -lokales Martingal und A ist ein adaptierter Prozess, dessen Pfade càdlàg
und von endlicher Variation sind mit M0 = A0 = 0 . Wir wollen uns den stochastischen
Prozess X unter einem neuen Ma Q anschauen. Q soll aquivalent zu P sein, Q P ,
d.h. B F gilt Q(B) = 0 P (B) = 0. Der Prozess X selber als Abbildung von
[0, T ] nach Rd andert sich dabei nicht. Nur die Wahrscheinlichkeit, dass der realisierte
Pfad t 7 Xt () gewisse Werte annimmt, kann sich unter dem neuen Ma andern. Die
Nullmengen sollen aber invariant unter dem Mawechsel bleiben.

Wenn der endliche Variationsprozess A vorhersehbar ist, dann wird er als die Drift von X unter
P bezeichnet. Man kann zeigen, dass es unter der Nebenbedingung, dass A vorhersehbar sein muss,
keine zwei verschiedene Zerlegungen von X geben kann (allerdings besitzt nicht jedes Semimartingal eine
Zerlegung mit vorhersehbarem A). Im Allgemeinen ist die Zerlegung (3.67) jedoch nicht eindeutig, was
man sich am kompensierten Poisson-Prozess klarmachen kann.
59
Es soll im folgenden gezeigt werden, wie eine Zerlegung
X = X0 + M Q + AQ
unter Q aussehen konnte (d.h. M Q ist ein Q-lokales Martingal und AQ ist wieder ein
Prozess von endlicher Variation).
Oft soll das neue Ma Q so gewahlt werden, dass die Drift unter Q verschwindet, d.h.
AQ = 0, bzw. X ist ein Q-lokales Martingal.
Bemerkung 3.87. Die Forderung, dass Q dieselben Nullmengen wie P haben soll, be-
deutet anschaulich, dass ein Ereignis unter Q genau dann unmoglich ist, wenn es auch
unter P unmoglich ist. In zeitstetigen Modellen ist diese Forderung restriktiver als man
vielleicht vermuten w urde. Wenn X unter P z.B. eine Brownsche Bewegung mit Vola-
tilitat ist, also [X, X]t = 2 t, dann gibt es kein aquivalentes Ma Q unter dem X
eine Brownsche Bewegung mit einer anderen Volatilitat e 6= ist. Dies folgt sofort aus
2 2
P ([X, X]t = t) = 1 = Q([X, X]t = t).
Wenn X und Y unter P zwei unabhangige Brownsche Bewegungen sind, wenn also
f
ur den Kovariationsprozess gilt P ([X, Y ]t = 0) = 1 gilt, dann konnen X und Y unter
einem aquivalenten Ma nicht zu positiv oder negativ korrelierten Brownschen Bewegun-
gen werden (unter einem Mawechsel konnen X und Y stochastische Drifts bekommen,
die dann auch abhangig sein konnen, aber die kurzfristig dominierenden dBt -Terme blei-
ben unabhangig). Dieses Verhalten besitzt offenbar keine Entsprechung in zeitdiskreten
Modellen.
Definition 3.88. Sei Q P und FT = F. Unter dem Dichteprozess von Q verstehen
wir die càdlàg Modifikation des folgendes Prozesses:
Zt = EP dQ

dP
| Ft ,
dQ
wobei die Zufallsvariable dP
L1 (, F, P ) die Radon-Nikodym-Ableitung von Q nach P
bezeichne, d.h.

dQ
Q(B) = EP 1B B F. (3.68)
dP
Proposition 3.89. Z ist ein (strikt) positives P -Martingal mit EP (Zt ) = 1 f

ur alle
dQ
t [0, T ] und ZT = dP .
Beweis. Die Aussage zum Erwartungswert folgt mit der Wahl dQ von B = in (3.68). Aus
dQ dQ
der FT -Messbarkeit von dP folgt ZT = dP . F
ur die Menge dP = 0 F gilt

dQ dQ
Q =0 = EP 1{ dQ =0} =0
dP dP dP
und damit wegen Q P
dQ
> 0 P -f.s.
dP
60
Man beachte zudem, dass f
ur ein Martingal M die Implikation
P (MT > 0) = 1 = P (Mt > 0) = 1, t [0, T ]
gilt.
Proposition 3.90. Die Zufallsvariable Zt ist die Radon-Nikodym-Ableitung des auf Ft
eingeschrankten Maes Q bzgl. des auf Ft eingeschrankten Maes P , d.h.
d(Q |Ft )
= Zt .
d(P |Ft )
Beweis. Sei A Ft . Es gilt Q(A) = EP (1A dQ
dP
) = EP (1A EP ( dQ
dP
| Ft )). Da Zt zudem
Ft -messbar ist, folgt die Behauptung.
Bemerkung 3.91. In allen Anwendungen ist F0 die sog. P -triviale -Algebra also
F0 = {A F | P (A) = 0 oder P (A) = 1}. (3.69)
In diesem Fall gilt Z0 = 1 P -f.s. Da dies jedoch f
ur die folgenden Uberlegungen nicht
gebraucht wird und Mathematiker ungern uberfl
ussige Voraussetzungen machen, schlieen
wir andere F0 nicht aus.
Proposition 3.92. F
ur jede nichtnegative Zufallsvariable H gilt
EQ (H) = EP (HZT ) (3.70)
(wobei der Fall = nicht ausgeschlossen ist) und f ur jede Zufallsvariable H gilt
H L1 (, F, Q) HZT L1 (, F, P ).
ur Elementarfunktionen H = nk=1 k 1Ak . Wegen der
P
Beweis. Man zeige (3.70) zunachst f
Linearitat des Erwartungswertes gilt namlich
n
! n
X X
EQ k 1Ak = k Q(Ak )
k=1 k=1
Xn
= k EP (1Ak ZT )
k=1
n
! !
X
= EP k 1Ak ZT . (3.71)
k=1
Nun approximiert man ein beliebiges H 0 durch elementare H n , wobei

n2n
n
X k1
H := 1{(k1)2n H<k2n } .
k=1
2n
H n steigt f
ur n punktweise gegen H auf (und damit auch H n ZT gegen HZT ). Es
folgt mit dem Satz von der monotonen Konvergenz und (3.71)
EQ (H) = lim EQ (H n ) = lim EP (H n ZT ) = EP (HZT ).
n n
61
ur jede Zufallsvariable H mit EQ (|H|) < gilt
Proposition 3.93. F
EP (HZT | Ft )
EQ (H | Ft ) = , t [0, T ].
Zt
Beweis. Die Zufallsvariable EP (HZZTt | Ft ) ist Ft -messbar. Des weiteren gilt f
ur alle A Ft

EP (HZT | Ft ) EP (HZT | Ft )
EQ 1A = EP 1A ZT
Zt Zt

EP (HZT | Ft )
= EP EP 1A ZT | Ft
Zt

EP (HZT | Ft )
= EP 1A EP (ZT | Ft )
Zt

EP (HZT | Ft )
= EP 1A Zt
Zt
= EP (EP (1A HZT | Ft ))
= EP (1A HZT )
= EQ (1A H) .
ullt die Zufallsvariable EP (HZZTt | Ft ) die Bedingungen, die den bedingten Erwar-
Damit erf
tungswert von H unter der Information Ft bzgl. des Maes Q charakterisieren.
Proposition 3.94. Sei Q P und Zt = EP ( dQ dP
| Ft ) der zugehorige Dichteprozess. Ein
adaptierter càdlàg-Prozess M ist genau dann ein Q-(lokales) Martingal, wenn der Prozess
M Z ein P -(lokales) Martingal ist.
Der Beweis stimmt in weiten Teilen mit dem Beweis in diskreter Zeit u berein (siehe
dortiges Skript). Nur die Aussage mit ,,lokal lie sich in diskreter Zeit etwas vereinfachen.
Beweis. Schritt 1: Es gilt
M Q-Martingal EQ (1B (Mt Ms )) = 0, s t, B Fs
EP (1B (Mt Ms )ZT ) = 0, s t, B Fs
E[1B Ms ZT ]
= E[1B Ms E(ZT | Fs )] EP (1B (Mt Zt Ms Zs )) = 0, s t, B Fs
= E[1B Ms Zs ]
M Z ist P - Martingal

Schritt 2: Bleibt die entsprechende Aquivalenz f
ur lokale Martingale zu zeigen. Da P
und Q die gleichen Nullmengen haben, andert sich die Menge der lokalisierenden Folgen
von Stoppzeiten nicht und es gilt
Def.
M ist Q-lokales Martingal lokalisierende Folge (Tn )N mit M Tn ist Q-Mart.
Schritt 1
lokalisierende Folge (Tn )N mit M Tn Z ist P -Mart.
???
lokalisierende Folge (Tn )N mit (M Z)Tn ist P -Mart.
Def.
M Z ist P -lokales Martingal
62
Da (M Tn Z)Tn = M Tn Z Tn = (M Z)Tn und abgestoppte Martingale wieder Martingale sind,
???
ist die Richtung klar. F ur die Umkehrung bleibt noch zu zeigen, dass der Differenz-
prozess
M Tn Z Z Tn

ein P -Martingal ist.

Zunachst zeigen wir die Integrierbarkeit der Zufallsvariablen MtTn Zt ZtTn , t

ur reicht es, die Integrierbarkeit von MtTn Zt f

[0, T ]. Daf ur alle t [0, T ] zu zeigen (da
M Z ein Martingal ist). Diese folgt ausk
Tn Tn
EP (|MTn t Zt |) = EP (|MTn t |Zt )

= EP (EP (|MTn t |Zt | FTn t ))
= EP (|MTn t |EP (Zt | FTn t ))
= EP (|MTn t |ZTn t ) < . (3.72)
Der Erwartungswert in der letzten Zeile ist endlich, da M Tn Z Tn ein P -Martingal ist. Man
beachte, dass die Nicht-Negativitat des Dichteprozesses benutzt werden muss.
Tn Tn

Da die Integrierbarkeit von Mt Zt Zt nun gesichert ist, lasst sich unbeschwert
rechnen
EP MTTn (ZT ZTTn ) | FtTn = EP (EP (MTn (ZT ZTn ) | FTn ) | FtTn )

= EP MTn EP (ZT ZTn | FTn ) | FtTn = 0.

| {z }
=0
Folglich gilt, dass
EP MTTn (ZT ZTTn ) | Ft = EP MTTn (ZT ZTTn ) | FtTn = 0 auf der Menge {Tn > t}.

Da die Zufallsvariable MTn 1{Tn t} Ft -messbar ist, gilt auch auf der Menge {Tn t}, dass
EP MTTn (ZT ZTTn ) | Ft = EP MTn 1{Tn t} (ZT ZTn ) | Ft

= MTn 1{Tn t} EP (ZT ZTn | Ft )

= MTn 1{Tn t} Zt ZTn + EP (ZT Zt | Ft )

| {z }
=0
= MTn 1{Tn t} (Zt ZTn ) .
Insgesamt folgt, dass
EP MTTn (ZT ZTTn ) | Ft = MtTn (Zt ZtTn ),

t [0, T ].

Damit ist der Prozess M Tn Z Z Tn ein Martingal.
k
F
ur nichtnegative Zufallsvariablen (nicht notwendigerweise integrierbar) gilt der Satz vom iterierten
Erwartungswert: E(Y ) = E(E(Y | G)).
63
Proposition 3.95. Sei Q P . F
ur die Radon-Nikodym-Ableitung dQ/dP gilt dann
dQ/dP > 0 P -f.s. und
1
dQ
dP
ist die Radon-Nikodym-Ableitung von P bzgl. Q, d.h.

!
1
P (B) = EQ 1B dQ B F,
dP
also
dP 1
= dQ .
dQ dP
Beweis. Wegen Q P gilt P (dQ/dP > 0) = 1 und Q(dQ/dP > 0) = 1. Wahlt man
1B
speziell H := dQ/dP f
ur ein Ereignis B, so folgt aus Proposition 3.92
! !
1B 1B dQ
EQ dQ
= EP dQ dP
= P (B).
dP dP
Proposition 3.96. Sei Q P und Zt = EP ( dQ dP

| Ft ) der zugehorige Dichteprozess. Dann
1
ist der Prozess Z der Dichteprozess von P bzgl. Q, d.h.

1 dP
= EQ | Ft , t [0, T ]. (3.73)
Zt dQ
Beweis. Nach Proposition 3.95 ist Z1T die Radon-Nikodym-Ableitung von P bzgl. Q. Also
stimmt die Gleichung (3.73) schonmal f ur t = T. Wegen Proposition 3.94 ist der Prozess
1 dP
Z
ein Q-Martingal. Da der Prozess t 7 EQ dQ | Ft auch ein Q-Martingal ist und
Martingale durch ihre Endwerte eindeutig bestimmt sind, muss die Gleichung (3.73) f ur
alle t [0, T ] gelten.
Theorem 3.97 (Girsanov-Meyer-Theorem). Seien Q P , Z der Dichteprozess von Q

bzgl. P und X ein Semimartingal mit einer Zerlegung X = X0 + M + A, wobei M ein
P -lokales Martingal und A ein Prozess von endlicher Variation ist. Dann existiert unter
Q die folgende Zerlegung
MtQ := Mt Z
1
[Z, M ]t
und AQ
t := At + 1
Z
[Z, M ]t ,
d.h. X = M Q + AQ , wobei M Q ein Q-lokales Martingal und AQ ein Prozess von endlicher
Variation ist.
64
Bemerkung 3.98. 1.) Der Integrand Z1 ist i.A. nicht vorhersehbar. Das Integral Z1
[Z, M ]t existiert jedoch pfadweise als Lebesgue-Stieltjes-Integral, da der Integrator [Z, M ]
endliche Variation besitzt. Beachte dazu, dass P (inf 0uT Zu > 0) = 1 (da Z Martingal

mit positivem Endwert, Implikation ist Ubungsaufgabe). Zudem kann gezeigt werden, dass
1
der Prozess t 7 Z [Z, M ]t adaptiert und càdlàg ist.
2.) Man beachte, dass die Zerlegungen nicht eindeutig sind!
3.) Anschaulich: Wenn [Z, M ] ein wachsender Prozess ist, werden den Aufwartsbewe-
gungen von M unter Q mehr Gewicht gegeben als unter P . Damit besitzt M unter Q
eine positive Drift. Man muss von M den wachsenden Prozess Z1 [Z, M ] abziehen, um
ein Q-Martingal zu erhalten. Umgekehrt sieht es aus, wenn [Z, M ] fallt.
Beweis. Der Prozess AQ ist von endlicher Variation, da Integrale nach Prozessen von
endlicher Variation von endlicher Variation sind. Dabei ist wieder zu beachten, dass
P (inf t[0,T ] Zt > 0) = 1, auf jedem festen Pfad ist der Integrand also gleichmaig in
der Zeit von der Null entfernt. Es muss gezeigt werden, dass M Q ein Q-lokales Martingal
ist. Nach Proposition 3.94 ist dies dazu aquivalent, dass M Q Z ein P -lokales Martingal
ist. Es gilt
M Q Z = M0Q Z0 + MQ Z + Z M Q + [M Q , Z]

Q Q 1 1
= M0 Z0 + M Z + Z M + Z
[M, Z] + [M, Z] + [M, Z], Z
Z Z
Z 1
= M0Q Z0 + MQ Z + Z M + [M, Z] [[M, Z], Z].
Z Z
Wir wollen zeigen, dass ZZ
[M, Z] 1 [[M, Z], Z] = 0. Damit w
Z
are die Aussage
Q
bewiesen, da M Z und Z M als Integrale nach P -lokalen Martingalen P -lokale

Martingale sind. Den Prozess [M, Z] kann man analog zu (3.50) als Prozess von endlicher
in einen stetigen Anteil und in einen Sprunganteil zerlegen, d.h. [M, Z] = [M, Z]c +
Z
[M, Z]c Z1 [[M, Z]c , Z] = 0 (das erste Integral ist Null,
P
0<s Ms Zs . Es gilt Z
da Z auf jedem Pfad nur zu abzahlbar vielen Zeitpunkten ungleich Null ist und das
zweite Integral verschwindet wegen [[M, Z]c , [M, Z]c ] = 0 und der Cauchy-Schwarzschen
Ungleichung). Fur den Rest gilt
! " #
Z X 1 X
Ms Zs Ms Zs , Z
Z 0<s
Z 0<s
X Zs X 1
= Ms Zs Ms Zs Zs = 0.
0<s
Zs Z
0<s s
Heuristik: Wenn die Zeit diskret ist, d.h. Xt = Xt Xt1 , kann man (entspre-
chende Integrierbarkeit vorausgesetzt) schnell nachrechnen, dass M Q ein Q-Martingal ist
65
1
(beachte, dass Z
der Dichteprozess von P bzgl. Q ist, siehe Proposition 3.96):
EQ (MtQ | Ft1 )

Zt Mt
= EQ (Mt | Ft1 ) EQ | Ft1
Zt

Zt1
= EQ (Mt | Ft1 ) EQ (Mt | Ft1 ) + EQ Mt | Ft1
Zt

Mt 1
= EQ Zt1 | Ft1 EQ Zt1 Mt1 | Ft1
Zt Zt
M/Z & 1/Z sind QMartingale Mt1 1
= Zt1 Zt1 Mt1
Zt1 Zt1
= 0.
Beispiel 3.99. Prozesse mit càdlàg Pfaden von endlicher Variation werden im Folgenden
mit den von ihnen induzierten zufalligen Maen identifiziert. Sei namlich B ein monoton
ur festes durch B ((s, t], ) := Bt ()Bs () 0,
nicht-fallender Prozess, dann ist f
s < t ein (nicht-negatives) Ma auf der Borelschen -Algebra von [0, T ] gegeben. Die -
Additivitat von B folgt aus der Rechtsstetigkeit der Pfade von B. Da sich Prozesse von
endlicher Variation als Differenz zweier monotoner Prozesse schreiben lassen, konnen sie
mit signierten Maen identifiziert werden (Mae mit moglicherweiser negativer Masse).
Sei X ein stetiges Semimartingal mit einer Zerlegung (unter P ) X = M + A, wobei

A0 = 0. Die Prozesse M und A sollen stetig sein. Auerdem soll das von A induzierte
zufallige signierte Ma absolutstetig bzgl. des von dem monotonen Prozess [M, M ] indu-
zierten zufalligen Maes sein . Damit lasst sich die Dichte
dAt
t = , t [0, T ],
d[M, M ]t

definieren. Die Dichte existiert zunachst aus einer pfadweisen Uberlegung heraus. D.h.
Messbarkeit in ist erstmal nicht klar. Man kann aber zeigen, dass man (als Abbildung
vom Produktraum [0, T ] nach R) vorhersehbar wahlen kann, siehe Proposition I.3.13.
in Jacod/Shiryaev (2003) (Limit Theorems for Stochastic Processes). Es gilt
A = [M, M ].
Es soll nun ein neues Ma Q konstruiert werden mit X = M Q , d.h. AQ = 0. Q wird

durch seinen Dichteprozess Z charakterisiert. Z sei gegeben durch
Z = 1 (Z) M.

Diese Absolutstetigkeit korrespondiert zur Arbitragefreiheit des Finanzmarktmodells, wenn X der
Preisprozess eines risikobehafteten Wertpapiers ist und es daneben noch ein Wertpapier mit konstantem
Preisprozess gibt. W are dAt n
amlich nicht absolutstetig bzgl. d[M, M ]t dann gabe es eine vorhersehbare
Menge, auf der A entweder nur steigt oder nur fallt und auf der sich M mit Wahrscheinlichkeit 1 nicht
bewegt. Durch ein geschicktes Investment auf dieser Menge liee sich eine Arbitrage erzielen.
66
Z ist ein P -lokales Martingal. Um ein neues Ma konstruieren zu konnen, muss Z jedoch
ein echtes Martingal sein (was im folgenden vorausgesetzt wird). Es gilt
[Z, M ] = (Z) [M, M ].
Mit Theorem 3.97 folgt
1
MQ = M [Z, M ]
Z
= M + [M, M ]
= M +A
= X.
Theorem 3.100. Sei B unter P eine Standard-Brownsche Bewegung, R und Q
gegeben durch
2 T

dQ
= exp BT . (3.74)
dP 2
Dann ist der Prozess Be = (Bet )t[0,T ] mit B et := Bt t eine Standard-Brownsche Bewegung
unter Q.
Bemerkung 3.101. Die Teilaussage, dass B e ein Q-lokales Martingal ist, ist offenbar ein
Spezialfall des Girsanov-Meyer-Theorems (Theorem 3.97). Beachte hierzu, dass der zu Q
aus (3.74) gehorige Dichteprozess Z durch

2 T = 2 t
Zt = EP exp BT 2 | Ft exp Bt 2
Theorem 2.28(iii)
gegeben ist. Mit Beispiel 3.83 folgt, dass Z die stochastische Differentialgleichung (SDE)
Zt = 1 + (Z) Bt . (3.75)
erf
ullt. Es folgt
1 1
[Z, B]t = [(Z) B, B]t = t.
Z Z
Aus der Teilaussage folgt mit Levys Theorem (Theorem 3.86), dass B
e unter Q eine
Standard-Brownsche Bewegung ist.
Wir geben den Beweis von Theorem 3.100 nochmal ausf

uhrlich an, ohne Theorem 3.97
zu benutzen.
Beweis von Theorem 3.100 (ohne Benutzung von Theorem 3.97). Wir wollen zeigen, dass
das Produkt BZ
e unter P ein lokales Martingal ist. Es gilt
et Zt B
B e0 Z0 = B e Zt + Z B
et + [B,
e Z]t
| {z }
=0
(3.75)
= (BZ) B + Z B (Z) Id + [B, (Z) B]
t t t
}t
e
| {z
= (Z) [B, B]t
= (BZ
e + Z) Bt ,
67
wobei Id : [0, T ] R, (, t) 7 t. Da Integrale nach lokalen Martingalen lokale
Martingale sind, folgt, dass BZ
e ein P -lokales Martingal ist und mit Proposition 3.94 ist
B ein Q-lokales Martingal. Mit [B,
e e B]
e t = [B, B]t = t und Levys Theorem (Theorem 3.86)
folgt die Behauptung.
Bemerkung 3.102. Sei F = FB die von dem Prozess B erzeugte Filtration. Dann ist Q
aus (3.74) das einzige aquivalente Ma, das den Prozess B et = Bt t zu einem lokalen
Martingal macht. Nehme dazu an, B e sei ein lokales Martingal bzgl. eines weiteren Maes
Q P . Da Q([B, B]t = t) = P ([B,
e e e e e B]
e t = t) = 1, ist mit Theorem 3.86 der Prozess
(Bet )t[0,T ] eine Standard-Brownsche Bewegung unter Q. e Folglich gilt f
ur die multivariate
Verteilungsfunktion von (Bt1 Bt0 , Bt2 Bt1 , . . . , Btn Btn1 ) mit n N und 0 t0
t1 . . . tn , dass
e t1 Bt0 y1 , . . . , Btn Btn1 yn )
Q(B
= Q(
e B et1 B et0 y1 (t1 t0 ), . . . , B
etn B
etn1 yn (tn tn1 ))
n yk (tk tk1 )
x2
Z
Y 1
= p exp dx.
2(tk tk1 ) 2(tk tk1 )
k=1
Damit ist Qe auf der -Algebra F B , die von den Zufallsvariablen Bt1 Bt0 , Bt2 Bt1 , . . . , Btn
T
Btn1 , n N und 0 t0 t1 . . . tn erzeugt wird, bereits eindeutig bestimmt. Also
Q
e = Q.
In der Sprache der Finanzmathematik heit dies: wenn B e der (diskontierte) Preispro-
zess eines Wertpapieres ist (Bachelier Modell), dann ist Q aus (3.74) das eindeutige
aquivalente Martingalma. Es gibt also nur eine Moglichkeit durch einen aquivalenten
Mawechsel die Drift von B e herauszunehmen. Wie im Zeitdiskreten ist die Eindeutigkeit
des aquivalenten Martingalmaes i.W. dazu aquivalent, dass der Markt vollstandig ist, al-
so jede FB -messbare Zufallsvariable durch Handel mit dem Wertpapier mit Preisprozess B e
(und mit einem Wertpapier mit konstantem Preisprozess) repliziert werden kann.
4 Modellierung von Finanzm

arkten
Gegeben sei ein Finanzmarkt bestehend aus d + 1 handelbaren Wertpapieren, deren
(zufalligen) Preisprozesse durch die Semimartingale (St0 , St1 , . . . , Std )t[0,T ] modelliert wer-
den sollen. Betrachte eine Investorin mit Startkapital v0 R, die in diesem Finanzmarkt
investieren mochte. Es sei ihr erlaubt, ihr Vermogen wahrend der Laufzeit [0, T ] dyna-
misch zwischen den d + 1 Anlagemoglichkeiten umzuschichten. Mit dem vorhersehbaren
stochastischen Prozess (0t , 1t , . . . , dt )t[0,T ] wird die Handelsstrategie der Investorin mo-
delliert. it steht f
ur die Anzahl der Wertpapiere i, die die Investorin zum Zeitpunkt t
im Portfolio halt. it kann auch negative Werte annehmen, was bedeutet, dass sich die
Investorin in diesem Wertpapier verschuldet hat. Um die bisherigen Resultate anwenden
zu konnen, nehmen wir an, dass i L, i = 0, . . . , d (mit der allgemeinen Theorie ist
68
diese Einschrankung nicht notig, i muss im Wesentlichen nur vorhersehbar sein). Mit
d
X
Vt := it Sti , t [0, T ]
i=0
bezeichnen wir den Vermogensprozess der Investorin.

Definition 4.1. Eine Handelsstrategie = (0 , P
1 , . . . , d ) heit selbstfinanzierend, wenn
ur den zugehorigen Vermogensprozess Vt () = di=0 it Sti gilt:
f
d
X
Vt = V0 + i Sti , t [0, T ]. (4.76)
i=0
Man sagt auch: ist selbstfinanzierend zum Startkapital v0 , wenn zudem V0 = v0 f

ur ein
vorgegebenes v0 R. Differentielle Schreibweise:
d
X
dVt = it dSti , t [0, T ].
i=0
Interpretation: Eine Handelsstrategie ist selbstfinanzierend, wenn die Schwankun-

gen des zugehorigen Vermogensprozesses V () = di=0 i S i ausschlielich aus den Preis-
P
veranderungen der enthaltenen Wertpapiere resultieren. Es gibt also keine externe Kapi-
talentnahme oder -zuf uhrung. Alle Umschichtungen des Portfolio m ussen kostenneutral
erfolgen.
Es macht in der Regel wenig Sinn, zwei Vermogen zu verschiedenen Zeitpunkten di-
rekt miteinander zu vergleichen. 1 Euro zum Zeitpunkt 0 ist in der Regel mehr wert als
1 Euro zum Zeitpunkt 1. Deshalb vergleicht man beide Werte mit einem Bezugsprozess
(Nt )t[0,T ] , den wir Numeraire nennen. Sprich, Wertgroen werden als Vielfachheiten des
Numeraires ausgedr uckt. Statt Vt schauen wir uns den Prozess NVtt an.
Typisches Beispiel ist der Guthabenprozess eines risikolosen Bankkontos mit fester
Verzinsung r > 0, d.h. Nt = ert , t [0, T ].
Eine solche Anlagemoglichkeit muss nat urlich nicht existieren (Man beachte, dass kei-
ner der Preisprozesse S i , i = 0, . . . , d, deterministisch sein muss).
Wegen moglicher Wechselkursrisiken ist f ur den Begriff der Risikolosigkeit auch von
Bedeutung, in welcher Wahrung die Investorin rechnet. Wir werden spater sehen, dass
es rechentechnisch sinnvoll ist, f ur N den Preisprozess eines handelbaren Wertpapiers
0
anzusetzen, also z.B. S . Auch okonomisch kann es sinnvoll sein, ein handelbares Numeraire
zu wahlen. Nt lasst sich dann mit Startkapital N0 am Markt erzeugen. Dies deutet, dass
das erzielte Vermogen mit einer Referenzanlagemoglichkeit verglichen wird.
Zunachst wird aber nur vorausgesetzt, dass N ein Semimartingal ist mit
inf Nt > 0, P -f.s. (4.77)

t[0,T ]
69
(spater meistens N = S 0 , was bedeutet, dass wir Bedingung (4.77) auch an den Preispro-
zess S 0 stellen). Mit Sbi bzw. Vb bezeichnen wir die diskontierten Preis- und Vermogen-
sprozesse, d.h.
d
X
i
Sbi := SN und Vb := N
V
= i Sbi .
i=0
Proposition 4.2. Sei N ein Semimartingal, das (4.77) erf ullt. Dann sind der Pro-
i
zess 1/N und die diskontierten Preisprozesse S , i = 0, 1, . . . , d Semimartingale.
b
Bemerkung 4.3. Da man die urspr unglichen Wertgroen zur

uckerhalt, indem man die
0
diskontierten Wertgroen mit dem neuen Numeraire N := N erneut diskontiert , gilt:
1
Die diskontierten Wertgro en sind genau dann Semimartingale, wenn die

urspru nglichen Wertgr oen Semimartingale sind.
Beweis. Da Produkte von Semimartingalen wieder Semimartingale sind (Korollar 3.67),

reicht es zu zeigen, dass der Prozess N1 ein Semimartingal ist. Definiere dazu die wegen
(4.77) lokalisierende Folge Tn := inf{t 0 | Nt 1/n} T und den unmittelbar vor Tn
abgestoppten Prozess

Nt : f
ur t < Tn ,
n
Nt :=
NTn : ur t Tn
f

mit der Konvention N0 := 1 (wenn das Numeraire unterhalb von 1/n startet, ist der
neue Prozess also identisch 1). Offenbar ist N n ein Semimartingal. Nun wende man die
Ito-Formel auf N n und eine Funktion fn C 2 (R), die fn (x) = 1/x f
ur x 1/n erf
ullt,
n n 1
an. Es folgt, dass fn (N ) ein Semimartingal ist. Da nach Konstruktion N n ist auch
1 1 1 1 1
Nn
ein Semimartingal. Damit ist auch N Tn
= Nn
+ 1[[Tn ,T ]] NTn
NTn
ein Semimartin-
1
gal, d.h. ist ein lokales Semimartingal. Da lokale Semimartingale Semimartingale sind
N
(Theorem 3.36), folgt die Behauptung.
Theorem 4.4. Sei = (0 P , 1 , . . . , d ) eine Handelsstrategie und V der dazugehorige

Vermogensprozess, d.h. Vt = di=0 it Sti , t [0, T ]. ist genau dann selbstfinanzierend,
wenn
d
X
Vbt = Vb0 + i Sbti , t [0, T ]. (4.78)
i=0
Proof. Sei eine Strategie, die (4.78) erf

ullt. Damit ist Vb = Vb () ein Semimartingal
(mit Proposition 4.2 sind die diskontierten Preisprozesse Sb1 , . . . , Sbd Semimartingale und

Da die Pfade von N c`
adl` ullt N 0 die Bedingung (4.77),
ag sind, gilt P (supt[0,T ] Nt < ) = 1. Damit erf
die wir an ein Numeraire gestellt haben.
70
stochastische Integrale nach Semimartingalen sind Semimartingale). Aus V = Vb N folgt
V= V0 + N Vb + Vb N + [N, Vb ]
d d
! d
Pd
Assoz. & Vb = i S
bi & X X X
i i i i
i=0
= V0 + ( N ) S +
b S b N+ i [N, Sbi ]
Theorem 3.71
i=0 i=0 i=0
Xd
Assoz. = V0 + i (N Sbi + Sbi N + [N, Sbi ])
i=0
Xd d
X
i
= V0 + (N Sbi ) = V0 + i S i ,
i=0 i=0
also ist selbstfinanzierend. Die Umkehrung folgt analog mit N 0 = N1 und Vb = V N 0 .

Beachte dabei, dass N 0 = 1/N (wie N ) ein Semimartingal ist, was im Beweis von Propo-
sition 4.2 gezeigt wurde.
Theorem 4.4 besagt, dass die Selbstfinanzierungseigenschaft einer Strategie nicht
davon abhangt, ob alle Wertgroen als Vielfachheiten der Eins oder als Vielfachheiten des
Numeraires N verrechnet werden. Dies erweist sich als sehr n utzlich, wenn das Numeraire
der Preisprozess eines handelbaren Wertpapiers ist.
Ab jetzt sei N = S 0 . Zu vorgegebenem Startkapital v0 und Prozessen 1 , . . . , d wahle

man
d
X d
X
0t := vb0 + i Sbti it Sbti , (4.79)
i=1 i=1
wobei vb0 := v0 /S00 . Man beachte, dass dies f

ur t = 0 auf
d
X
00 = vb0 i0 Sb0i
i=1
f
uhrt, da Integrale in 0 starten. Dies bedeutet, dass der nach Investment in die Wertpapiere
S 1 bis S d verbleibende Rest des Startkapitals v0 in das Wertpapier S 0 investiert wird. F
ur
die rechte Seite von (4.79) gilt
d
X d
X
i
vb0 + Sbti it Sbti
i=1 i=1
d d
(i bi ) = i S
S bi X
i i
X
= vb0 + Sbt it Sbt
i
, t (0, T ]. (4.80)
i=1 i=1
Wenn 1 , . . . , d als adaptiert und linksstetig gewahlt wurden, dann ist der Prozess in
der letzten Zeile von (4.80) auch adaptiert und linksstetig. Damit ist 0 ein zulassiger
71
Integrand. Wegen 0 Sb0 = 0 und Theorem 4.4 ist (0 , 1 , . . . , d ) selbstfinanzierend
zum Startkapital v0 und es gilt
d
X
Vb = vb0 + i Sbi . (4.81)
i=1
Durch die Wahl von 0 in (4.79) ist also die Selbstfinanzierungsbedingung erf ullt, ohne
dass 0 in die rechte Seite von (4.81) eingeht. Fortan konnen diskontierte Vermogenpro-
zesse also mit der rechten Seite von (4.81) identifiziert werden, ohne dass man sich um
die Selbstfinanzierungsbedingung k ummern muss.

Wir fassen obige Uberlegungen in folgendem Theorem zusammen.
Theorem 4.5. Zu jedem Prozess (1 , . . . , d ) Ld und jedem Startkapital Pd v0 iexistiert

ein eindeutiges L, so dass ( , , . . . , ) selbstfinanzierend ist mit i=0 0 S0i = v0
0 0 1 d
ur die Eindeutigkeit beachte man, dass (0 , 1 , . . . , d )

Die Existenz ist oben gezeigt. F
nur selbstfinanzierend mit Starkapital v0 (d.h. diskontiertem Startkapital vb0 ) sein kann,
wenn (4.79) gilt. Zudem kommt 0 auf der rechten Seite von (4.79) nicht vor.
4.1 Das Black-Scholes-Modell

Gegeben seien zwei Wertpapiere mit Preisprozessen S 0 und S 1 .
St0 = exp(rt), t 0, r R, risikoloses Bankkonto,
St1 = s0 exp(t + Bt 21 2 t), t 0, R, > 0, (4.82)
d.h. dSt0 = rSt0 dt und dSt1 = St1 (dt + dBt ), bzw. St1 = s0 + (S 1 ) Idt + (S 1 ) Bt .
Nun wollen wir die ber uhmte Black-Scholes Formel herleiten .
Derivate sind Wertpapiere, deren Auszahlung sich von den Werten anderer Groen,
sog. Basiswerte (Underlyings), ableitet. Hier ist das Underlying die Aktie mit Preispro-
zess S 1 . Wir betrachten zunachst nur Derivate, deren Auszahlung lediglich vom Wert der
Aktie (Underlying) zum Zeitpunkt T abhangt:
(Plain Vanilla) Call-Option: Auszahlung H = (ST1 K)+

Put-Option: H = (K ST1 )+
allgemein pfadunahbhangiger Claim H = g(ST1 ),
wobei g : R+ R+ stetig ist.

ohne Benutzung des sog. Martingaldarstellungssatzes, siehe Theorem 4.10
72
Problem: Finde selbstfinanzierendes Portfolio, das nur aus Bonds S 0 und Aktien
S besteht, d.h. Vt = 0t St0 + 1t St1 , und den Claim H mit Wahrscheinlichkeit 1 repliziert,
1
d.h.
VT = v0 + 0 ST0 + 1 ST1 = H P-f.s. (4.83)
Zudem soll v0 R, die Kosten der Replikation von H, minimal sein. D.h. es darf kein
v00 < v0 geben, so dass (4.83) f
ur eine selbstfinanzierende Handelsstrategie mit Startkapital
0
v0 gilt.
Beispiel 4.6. Sei g(x) = ax, a R, d.h. H = aST1 . Diese Auszahlung ist trivialerweise
replizierbar. Wahle dazu 0 = 0, 1 = a und v0 = aS01 . Es gilt
aST1 = aS01 + a(ST1 S01 ) + 0 (ST0 S00 ).
D.h. lineare Auszahlungen sind stets replizierbar (unabhangig vom stochastischen Modell).
Problem: g ist i.A. nicht linear.
Ansatz: Nehme an, es existieren v0 R, 0 , 1 L und eine Wertfunktion v(, )
C 2,1 (R+ \ {0}, [0, T )) C 0 (R+ \ {0}, [0, T ]) mit
g(ST1 ) = v0 + 0 ST0 + 1 ST1 und v(St1 , t) = v0 + 0 St0 + 1 St1 .(4.84)
| {z } | {z }
prospektives Kapital retrospektives Kapital
Interpretation: Man nimmt an, dass die Auszahlung g(ST1 ) replizierbar ist und bezeichne
mit v(s, t) das (minimale) Kapital, das dazu benotigt wird, wenn der Aktienkurs zum
Zeitpunkt t gerade den Wert s annimmt.
Wir wollen zunachst notwendige Bedingungen an v0 , 0 , 1 und v(, ) formulieren, so
ullt werden kann. Damit werden wir eine Hedging-Strategie (0 , 1 ) und eine
dass (4.84) erf
Wertfunktion v bestimmen, von denen man dann zeigt, dass sie (4.84) tatsachlich erf ullen.
Sei v C 2,1 (R+ \ {0} [0, T ]). Mit der Ito-Formel gilt
Z t Z t
1 1 1
v(St , t) = v(s0 , 0) + 1 v(Ss , s) dSs + 2 v(Ss1 , s) ds
0 0
Rt
+ 21 0 11 v(Ss1 , s)(Ss1 )2 2 ds
Z t Z t
! 0 0
= v0 + r s Ss ds + 1s dSs1 . (4.85)
| 0 {z } 0
= 0t 0s dSs0
R
Z t Z t
!
= v0 + r (v(Ss1 , s) 1s Ss1 ) ds + 1s dSs1 .(4.86)
0 | {z } 0
=0s Ss0 wegen Ansatz (4.84)& Selbstfinanzierungsbedingung

Die Funktion soll aus C 2,1 sein, um die Ito-Formel anwenden zu konnen. Da jedoch die Auszahlungs-
funktion g nur als stetig vorausgesetzt wurde und v(x, T ) = g(x) f ur alle x gelten muss, kann Differen-
zierbartkeit nach der ersten Variablen sinnvollerweise nur auf (R+ \ {0}) [0, T ) gefordert werden. Die
zusatzlich geforderte Stetigkeit auf (R+ \ {0}) [0, T ] sichert dann den Grenzubergang t T .
73
Durch die Forderung, dass (0 , 1 ) selbstfinanzierend sein soll, erhalt man also zu jedem
1 ein passendes 0 und letzteres muss nicht mehr explizit in der Gleichung vorkommen.
Setze nun
1s := 1 v(Ss1 , s), s [0, T ],
und v0 := v(s0 , 0). Damit stimmen die dBt -Terme auf beiden Seiten von (4.85) u berein

(dBt geht nur in dSt1 ein). Die Ubereinstimmung der Drift-Terme ist aquivalent zu
Z t Z t Z t
1 !
1
2 v(Ss , s) ds + 2 11 v(Ss , s)(Ss ) ds = r (v(Ss1 , s) 1 v(Ss1 , s)Ss1 ) ds. (4.87)
1 1 2 2
0 0 0
ullt, wenn v auf (R+ \ {0}) [0, T ] die folgende partielle Differenti-
(4.87) ist offenbar erf
algleichung (PDE) erf ullt
1
2
2 x2 11 v(x, t) + rx1 v(x, t) + 2 v(x, t) = rv(x, t), (x, t) (R+ \ {0}) [0, T )(4.88)
mit der Endbedingung
v(x, T ) = g(x), x R. (4.89)
(4.89) ergibt sich aus (4.84). Die partielle Differentialgleichung (4.88) mit Endbedingung
(4.89) wird als Black-Scholes Differentialgleichung bezeichnet.
4.1.1 L
osung der Black-Scholes Differentialgleichung
Im Folgenden wollen wir die PDE (4.88) mit Endbedingung (4.89) mit einer Funktion v
C 2,1 ((R+ \ {0}) [0, T )) C 0 ((R+ \ {0}) [0, T ]) losen und damit die Existenz beweisen.
Dazu setzen wir voraus, dass g stetig ist und
|g(x)| L(1 + |x| ), > 1, (4.90)
ullt. Die Losung ist dann auch eindeutig in der Menge C 2,1 ((R+ \{0})[0, T ))C 0 ((R+ \
erf
{0}) [0, T ]) (f
ur den Eindeutigkeitsbeweis siehe z.B. Karatzas und Shreve [2], Satz 7.6,
Seite 366).
Man beachte hierbei die Unterscheidung zwischen [0, T ) und [0, T ]. Strikt vor T soll die
Funktion zweimal stetig differenzierbar in x sein, um die Ito-Formel anwenden zu konnen.
Fur t = T ist aber z.B. die Auszahlungsfunktion g(x) = (x K)+ nicht zweimal stetig
differenzierbar in x. Andererseits soll v auf der gesamten Menge (R+ \ {0}) [0, T ] stetig
sein. Ansonsten ware die Losung auf (R+ \ {0}) [0, T ) nicht mehr an die Endbedingung
gekoppelt, was letztere sinnlos machen w urde und auch die Eindeutigkeit der Losung ver-
letzen w urde.
Schritt 1: Zunachst mochten wir die partielle Differentialgleichung (4.88) mit Endbe-
dingung (4.89) durch geeignete Substitutionen in die sog. W armeleitungsgleichung
2 ve(y, ) = 11 ve(y, ), (y, ) R (0, T ]
74
mit Anfangsbedingung
ve(y, 0) = ge(y), y R.
u
berf
uhren.
Dazu machen wir zunachst folgende Variablentransformation: x = exp(y) (bzw. y =
ln(x)) und t = T 22 (bzw. = 21 2 (T t)). Man beachte, dass letzteres eine Umkehrung
der Zeit bedeutet. Zudem ist eine Business-Time, die bei hoherer Volatilitat schneller
verstreicht. Wir setzen

2
f (y, ) = v exp(y), T 2

und sehen, dass die Endbedingung (4.89) zur Anfangsbedingung
f (y, 0) = g(exp(y))
mutiert. F
ur die benotigten partiellen Ableitungen von f gilt
1 f (y, ) = 1 v(x, t)x

11 f (y, ) = 1 v(x, t)x + 11 v(x, t)x2
2
2 f (y, ) = 2 2 v(x, t)

Damit lasst sich (4.88) umschreiben zu
2 2 2
11 f (y, ) 1 f (y, ) + r1 f (y, ) 2 f (x, ) rf (y, ) = 0.
2 2 2
Multiplikation mit 2/ 2 ergibt

2r 2r
11 f (y, ) + 2
1 1 f (y, ) 2 f (y, ) = 2 f (y, ).

2r
Mit := 2
ergibt dies
11 f (y, ) + ( 1) 1 f (y, ) f (y, ) = 2 f (y, ).
Nun machen wir den Ansatz
f (y, ) = exp(y + )h(y, )
F
ur die benotigten partiellen Ableitungen gilt
1 f (y, ) = exp(y + )(h(y, ) + 1 h(y, ))

11 f (y, ) = exp(y + )(2 h(y, ) + 21 h(y, ) + 11 h(y, ))
2 f (y, ) = exp(y + )(h(y, ) + 2 h(y, ))
75
Es ergibt sich die PDE
11 h(y, ) + (2 + 1)1 h(y, ) + (2 + ( 1) )h(y, ) = 2 h(y, )
Die Parameter und konnen nun so gewahlt werden, dass 1 h und h verschwinden und
zwar mit
1
= (4.91)
2
und
2 ( 1)2 ( 1)2 ( 1)2 ( + 1)2
= + ( 1) = = = .(4.92)
4 2 4 4
Wir mussen also die PDE
i
11 h(y, ) = 2 h(y, ), y R, 0, T (4.93)
2
mit Anfangsbedingung
h(y, 0) = ge(y) := exp(y)g(exp(y)), y R, (4.94)
wobei = (1 )/2, losen. ge ist stetig, weil g stetig ist.
Feststellung: Sei y0 R. Die Dichte

(y y0 )2

y0 1
h (y, ) = exp , y R, (4.95)
4 4
der Normalverteilung N (y0 , 2 ) erf ur alle (y, ) R (0, (T )/2]
ullt die PDE (4.93) f
(zunachst ohne Anfangsbedingung, man beachte, dass f ur = 0 eine entsprechende Dichte
gar nicht existieren w
urde).
Die Feststellung ergibt sich durch folgende Rechnungen
(y y0 )2 (y y0 )2

y0 1 1
2 h (y, ) = exp
4 4 2 2 4
2

1 y y0 (y y0 )
1 hy0 (y, ) = exp
4 2 4
2
(y y0 )2

y0 1 (y y0 ) 1
11 h (y, ) = exp
4 4 2 2 4
Ausgehend von den Losungen (4.95) definieren wir uns nun eine Funktion, die die PDE
mit Anfangsbedingung (4.94) losen soll. Setze
Z
h(y, ) := ge(y0 )hy0 (y, ) dy0
Z

= ge(y0 )hy (y0 , ) dy0

i
y,2
= E(e g (Y )), y R, 0, T , (4.96)
2
76
wobei Y y,2 eine N (y, 2 )-verteilte Zufallvariable ist. Unter der Voraussetzung, dass Inte-
gration nach y0 und Differentiation nach bzw. y vertauscht werden d urfen, gilt
Z
2 h(y, ) = ge(y0 )2 hy0 (y, ) dy0
Z
= ge(y0 )11 hy0 (y, ) dy0

i
= 11 h(y, ), y R, 0, T .
2
Bleibt die Stetigkeit von h f ur 0 zu zeigen, wenn h auf R {0} durch (4.94) definiert
wird. Fur jedes y R konvergiert Y y,2 f ur 0 schwach gegen y. Da ge stetig ist,
folgt, dass auch ge(Y y,2 ) f
ur 0 schwach gegen ge(y) konvergiert. Unter der gemach-
ten Wachstumsbedingung (4.90) an g sind die Zufallsvariablen ge(Y y,2 ), (0, (T )/2]
gleichgradig integrierbar und es folgt
g (Y y,2 )) ge(y),
h(y, ) = E(e 0.
Damit ist die durch (4.94) und (4.96) definierte Funktion stetig und erf
ullt die Warmelei-
tungsgleichung. Durch R ucktransformation wollen wir nun die Losung der Black-Scholes
Differentialgleichung bestimmen. Es gilt
v(x, t)
2

= f ln(x), (T t)
2
2 2

= exp ln(x) + (T t) h ln(x), (T t)
2 2
2
Z
(z ln(x))2

1
= exp ln(x) + (T t) p exp 2 exp(z)g(exp(z)) dz
2 2 2 (T t) 2 (T t)
2 Z
2

:=zln(x) 1
= exp (T t) p exp 2 exp()g(x exp()) d
2 2 2 (T t) 2 (T t)
2
quadratische Erganzung 1 2 2
= exp (T t) exp (T t)
2 2
Z
( + 2 (T t))2

1
p exp g(x exp()) d
2 2 (T t) 2 2 (T t)
Z
2

1
= exp (r(T t)) p exp 2
2 2 (T t) 2 (T t)
2

g x exp r(T t) (T t) + d,
2
wobei in die letzte Gleichung die Substitution := + 2 (T t) und die Rechnun-
2 2
gen = 2 (T t) = + 2r
2 2
2 (T t) = + r 2 (T t) und + 2 =
1
4
(( + 1)2 + ( 1)2 ) = = 2r2 eingehen (f
ur die letzte Gleichungskette beachte
die Definitionen von und in (4.91) bzw. (4.92) und := 2r2 ).
77
4.1.2 Formaler Beweis der Replizierbarkeit von g(ST1 )
Wir wissen jetzt also, wie eine Replikationsstrategie aussehen m
usste, wenn sie existiert.
1
Beim formalen Beweis, dass tatsachlich eine Replikationsstrategie ist, geht man gerade
umgekehrt vor, beginnt also mit der Losung von (4.88).
Sei v C 2,1 ((R+ \ {0}) [0, T )) C 0 ((R+ \ {0}) [0, T ]) die Losung der PDE (4.88)
mit Endbedingung (4.89). Setze
1s := 1 v(Ss1 , s), s [0, T ) (4.97)
und
0s := ers v(Ss1 , s) 1 v(Ss1 , s)Ss1 ) ,

s [0, T ).
Es gilt also 0s Ss0 + 1s Ss1 = v(Ss1 , s).
0 und 1 sind zulassige Integranden (Hedging-Strategien), da sie adaptierte und
stetige Prozesse sind. Es gilt
Z t Z t
1 Ito & (4.88)
v(St , t) = v(s0 , 0) + 1 v(Ss , s) dSs + r (v(Ss1 , s) 1 v(Ss1 , s) Ss1 )ds
1 1
0 0 | {z }
=1s
t t
Wahl von 1 & 0
Z Z
= v(s0 , 0) + 1s dSs1 + r 0s Ss0 ds
Z0 t Z t0
= v(s0 , 0) + 1s dSs1 + 0s dSt0 , t [0, T ).
0 0
Damit ist (0 , 1 ) selbstfinanzierend und (4.84) in der Tat erf

ullt (f
ur letzteres lasst man
t gegen T konvergieren und benutzt die Stetigkeit von v bei T ).
Bemerkung 4.7. Bei einer Derivateauszahlung, die nichtlinear in ST1 ist, gilt typischer-
weise 11 v(x, t) 6= 0 f
ur alle x R+ \ {0} und t [0, T ). Mit der Ito-Formel impliziert
dies, dass die Hedging-Strategie (4.97) von unendlicher Variation ist. Es gilt namlich
Z t Z t
1 1 1 1
1 v(St , t) = 1 v(S0 , 0) + 11 v(Ss , s) dSs + . . . ds.
0 0
Bei Transaktionskosten oder einer Finanztransaktionssteuer w

urde die Strategie also zum
sofortigen Ruin f
uhren.
Wir haben gezeigt, dass ein Claim (Zufallsvariable) der Form H = g(ST1 ) replizierbar
ist. Im Folgenden wahlen wir S 0 als Numeraire, d.h.
Sbt0 1 und dSbt1 = Sbt1 (( r)dt + dBt ).
Mit obiger Replikationsstrategie 1 und dem Startkapital v0 := v(s0 , 0) gilt
g(ST1 )
= v0 + 1 SbT1 P-f.s.
ST0
78
Bemerkung 4.8. Der Martingaldarstellungssatz, siehe Theorem 4.10, liefert sogar, dass
jeder Claim H : R+ , der (Bt , t [0, T ])-messbar ist und eine gewisse Integrierbar-
keitsbedingung erf
ullt, durch den Endwert eines stochastischen Integral darstellbar ist. D.h.
jeder Claim kann durch eine dynamische Handelsstrategie in der Aktie (und dem Bond)
gewonnen werden. Ein Finanzmarktmodell, das diese Eigenschaft erf ullt wird vollstandig
genannt. Vollstandigkeit hangt also sowohl von der Menge der Zustanden ab, die in dem
stochastischen Modell ber ucksichtigt werden sollen, als auch von den Preisprozessen der
Wertpapiere, in die investiert werden kann.
Wir fuhren zunachst einen Mawechsel durch. Der diskontierte Aktienpreisprozess Sb1
erf
ullt die SDE
dSbt1 = Sbt1 (( r) dt + dBt ),
d.h.
Sbt1 = Sb1 ( r) Idt + Sb1 Bt .
r
Mit der Substitution B
et := Bt +

t folgt
dSbt1 = Sbt1 dB
et .
Definiere ein neues Ma Q durch

(r )2 T

dQ r
= exp BT .
dP 2 2
Nach Theorem 3.100 ist B e eine Standard-Brownsche Bewegung unter Q und Sb1 damit
ein Q-Martingal. Damit ist das Integral 1 SbR1 in jedem Fall ein Q-lokales Martingal.
T
Die quadratische Variation auf [0, T ] betragt 2 0 (1s )2 (Sbs1 )2 ds. Mit Theorem 3.72 kann
dann unter geeigneten Bedingungen an g, wie z.B. Lipschitz-Stetigkeit, gezeigt werden,
dass 1 Sb1 ein echtes Q-Martingal ist, was
EQ exp(rT )g(ST1 ) = v0 + EQ (1 SbT1 ) = v0

impliziert.
Bemerkung 4.9. Der Quotient r
wird Marktpreis des Risikos genannt. Er ist i.d.R.
positiv, konnte bei risiko-suchenden Marktteilnehmern aber auch negativ werden.
Theorem 4.10 (Martingaldarstellungssatz). Sei M ein lokales Martingal bzgl. der von
einer Brownschen Bewegung B erzeugten Filtration (FtB )t[0,T ] . Dann lasst sich M dar-
stellen als
Mt = v0 + Bt t [0, T ] P- f.s., (4.98)

RT
wobei ein vorhersehbarer stochastischer Prozess ist mit 0 (t )2 dt < , P -f.s.
Bemerkung 4.11. F ur diese Darstellung reicht es i.A. nicht mehr aus, nur linksstetige
Integranden zu betrachten. D.h. wir haben (strenggenommen) das Integral, das man in
(4.98) braucht, gar nicht definiert.
79
Beweis. Siehe Korollar 2 auf Seite 156.
Wendet man Theorem 4.10 auf B, e Q und das Martingal t 7 EQ (H|F b t ) an, so erhalt
man

1 1
e b1
EQ (H | Ft ) = v0 +
b e Bt = v0 +
e e S
b = v0 + St ,
Sb1 t Sb1
Hedging- Strategie %
insbesondere v0 = EQ (H).
b
Die Black-Scholes-Formel
ur den Claim H = g(ST1 ) den fairen Preis (zum Zeitpunkt 0)

Wir erhalten f
p = erT EQ (g(ST1 )),
also im Falle eines europaischen Calls:
p(s0 , r, , T, K) = erT EQ ((ST1 K)+ ).
Da S 1 unter Q eine geometrische Brownsche Bewegung mit Startwert s0 , Drift r und

Volatilitat ist, lasst sich p leicht bestimmen.
Wir berechnen E((beZ c)+ ) f ur eine N (a, 2 )- verteilte Zufallsvariable Z, d.h. Z ist
normalverteilt mit Erwartungswert a und Varianz 2 (vgl. z.B. Irle 1998, Seite 155).
(xa)2
Z
Z + 1
E(be c) = (bex c) p e 2 2 dx
{z|bez >c} 2 2
Z (xa)2
x 1
= b e p e 2 2 dx cP (Z > log( cb ))
2 2
log( cb )

log( cb ) a

(xa 2 )2
Z
a+ 2
2
1 Z a
= be p e 2 2
dx cP >
log( cb ) 2 2
c
a log( b )

2 Z a
= bea+ 2 P Z + 2 > log( cb ) cP

!
c
a log( cb )
2
log b a

a+ 2
2
Z a
= be P > c

! !
2 log( cb ) + a + 2 log( cb ) + a
= bea+ 2 c , (4.99)

wobei die Verteilungsfunktion der Standard-Normalverteilung

bezeichnet. Setzt man
2
in (4.99) b = s0 , a = (r 2 )T , = T und c = K, so erhalt man die ber uhmte
Black-Scholes-Formel:

Die Auszahlung H muss unter Q integrierbar sein.
80
s 2
s 2

log( K0 )+(r+ 2 )T rT log( K0 )+(r 2 )T
p(s0 , r, , T, K) = s0
T
Ke
T
Bemerkung 4.12. Es gilt p(s0 , r, , T, K) (s0 K)+ f

ur T 0.
Der Optionspreis im Black-Scholes Modell hangt also von 5 Parametern ab, s0 , r, , T, K.
Gewisse partielle Ableitungen von p nach diesen Parametern werden als die Greeks
bezeichnet
:= s0 p > 0 Delta der Option
Hedge-Parameter
:= s0 s0 p > 0 Gamma der Option

Wie schnell ist Hedge-Portfolio umzuschichten...
:= T p > 0 Theta der Option

Optionswert wachst mit der Restlaufzeit
V := p > 0 Vega der Option (wird manchmal auch mit Lambda der Option bezeichnet
Optionswert wachst mit der Volatilitat der Aktie
K p < 0
Ein Portfolio heit z.B. Delta-neutral, wenn die Summe der Deltas u
ber alle Posi-
tionen, die im Portfolio enthalten sind, Null ergibt.
Historische versus implizite Volatilit

at:
Um obige Theorie anwenden zu konnen, m ussen numerische Werte f ur die Parame-

ter s0 , r, T, K und festgelegt werden (Kalibrierung). s0 , T, K konnen direkt beobachtet
werden. Die Zinsrate r bestimmt sich aus dem Preis B(0, T ), den ein Bond mit Falligkeit T
zum Zeitpunkt 0 besitzt, durch die Gleichung B(0, T ) exp(rT ) = 1, also
ln(B(0, T ))
r= .
T
Einziges Problem ist das Schatzen der Volatilitat . Nimmt man die Voraussetzungen,
die man im Black-Scholes Modell gemacht hat, ernst, kann die Vola sehr robust aus
historischen Daten geschatzt werden. Definiere hierzu f ur aquidistante Gitterpunkte ti :=
it, i = 0, 1, . . . , n, t > 0,
!
St1i

1 2
i := ln = t + B t Bt .
St1i1 2 i i1
0 , 1 , . . . , n sind unabhangig und normalverteilt mit

1 2
EP (i ) = t
2
81
und
VarP (i ) = 2 t.
kann somit mit Hilfe der Stichprobenvarianz konsistent geschatzt werden, also
q
1
Pn 2
? n1 i=1 (i )
= ,
t
wobei
1
:= i .
n
Es gilt
n 2 !
? 2 1 X i 2 4 + o(1)
VarP (( ) ) = VarP = , n .
n 1 i=1 t t n
Hierf
ur beachte man, dass f
ur eine standardnormalverteilte Zufallsvariable N gilt
Var(N 2 ) = E(N 4 ) (E(N 2 ))2 = 3 1 = 2.

| {z }
W
olbung der Normalverteilung
Die Varianz des (quadrierten) Schatzers geht also mit wachsendem Stichprobenum-
fang n gegen Null. Interessant ist dabei, dass die Beobachtungen alle aus einem festen
Zeitintervall stammen konnen, das nicht mit n wachst und beliebig klein sein kann, etwa
atzers ? h
t0 , t1 , . . . , tn [0, ], > 0. Die Genauigkeit des Sch angt von n, nicht
aber von t ab. Man muss also, um einen statistisch guten Schatzer zu bekommen, theo-
retisch (!) nur beliebig kurz in die Vergangenheit zur uckgehen. Dies korrespondiert mit
dem fr uheren Ergebnis in Theorem 2.30, dass die quadratische Variation der Brownschen
Bewegung ein deterministischer Prozess ist. Den Schatzer ? nennt man die historische
Volatilit at.
Im Gegensatz dazu bestimmt sich die implizite Volatilit at implizit aus dem Preis
M
einer Option. Sei p der Marktpreis einer Call-Option mit Falligkeit T und Strike K. Die
implizite Volatilitat (K, T ) der Option bestimmt sich durch die Gleichung
pM = pBS (s0 , r, (K, T ), T, K).
Beim Call ist pBS streng monoton steigend in und kann alle Werte strikt zwischen
(s0 KerT )+ (Grenzwert f
ur 0) und s0 (Grenzwert f
ur ) annehmen.
Wenn pM also im Intervall
((s0 KerT )+ , s0 )
liegt, existiert auch ein eindeutiges (K, T ).
82
Definition 4.13. Eine selbstfinanzierende Handelsstrategie = (0 , . . . , d ) heit Ar-
bitrage, wenn f
ur den zugehorigen Vermogensprozess V () gilt
V0 = 0, P (VT 0) = 1 und P (VT > 0) > 0.
Proposition 4.14. Sei der Aktien- und der Bondpreisprozess wie im Black-Scholes Mo-
dell gegeben. Dann ist das Marktmodell genau dann statisch arbitragefrei, d.h. mit
Buy-and-hold Strategien aus Aktien, Bonds und Call-Optionen kann keine Arbitrage er-
zielt werden, wenn der Call-Preis pM im Intervall ((s0 KerT )+ , s0 ) liegt.
Definition 4.15. Eine statische Arbitrage, nennt man K

auferarbitrage, wenn die Op-
tion long und Verk
auferarbitrage, wenn die Option short ist.
Proof. Wenn pM s0 dann kann man durch Kauf einer Aktie und Leerverkauf eines
Calls eine statische Arbitrage erzielen. Sei pM (s0 K exp(rT ))+ . Ein nichtpositiver
Optionspreis liefert bereits ohne Investments in Aktie und Bonds eine Kauferarbitrage.
Im Fall s0 K exp(rT ) > 0 shorte man eine Aktie und kaufe K exp(rT ) Bonds, was
zusammen mit dem Besitz einer Option eine Arbitrage liefert.
Sei nun umgekehrt pM ((s0 KerT )+ , s0 ). Es ist zu zeigen, dass es keine statische
Arbitrage gibt. aST + b exp(rT ) kann die Auzahlung (ST K)+ nur mit Wahrscheinlich-
keit 1 dominieren, wenn a 1 und b 0 (hierzu betrachte man die Situationen, dass ST
sehr gro bzw. sehr klein wird). Wegen pM < s0 , kann man daher keine Verkauferarbitrage
erzielen.
Betrachte nun ein Portfolio, das aus einer Option, a Aktien und b Bonds besteht
und zum Zeitpunkt 0 ohne Kosten aufgebaut werden kann, also as0 + b + pM = 0. Wir
untersuchen nun die Situation, dass ST s0 exp(rT ). Der diskontierte Aktienpreis bleibt
in diesem Szenario also etwa konstant. Andererseits ist wegen exp(rT )(s0 exp(rT )
K)+ = (s0 K exp(rT ))+ < pM die diskontierte Optionsauszahlung kleiner als der
Optionspreis. Damit ist der Wert des Portfolios zum Zeitpunkt T in diesem Szenario
negativ, was eine Kauferarbitrage ausschliet.
Wegen Proposition 4.14 ist also davon auszugehen, dass der Marktpreis des Calls in
dem Intervall liegt und (K, T ) somit existiert. Andernfalls w
urde unter recht allgemeinen
Bedingungen an das stochastische Modell eine Arbitrage existieren, die keinen dynami-
schen Handel erfordern w urde (und somit einfach zu realisieren ware).
Die implizite Volatilitat ist also die Volatilitat, die der logarithmierte Aktienpreispro-
zess haben m usste, damit der Black-Scholes Preis der Option mit dem tatsachlichen Markt-
preis u
bereinstimmt. Waren die Voraussetzungen des Black-Scholes Modells alle erf ullt, so
musste in einem arbitragefreien Markt die implizite Volatilitat (K, T ) f ur alle K und T
mit der tatsachlichen Volatilitat ubereinstimmen (und letztere konnte sehr genau durch
die historische Volatilitat ? geschatzt werden). Da dies aber nicht der Fall ist, unter-
scheiden sich implizite und historische Volatilitat signifikant. Insbesondere hangt (K, T )
tatsachlich von K und T ab. Man spricht von einer Volatilitatsflache (volatility surface).
83
Auch wenn auf den ersten (und vielleicht auch den zweiten) Blick implizite Volati-
litatsflachen keine okonomisch sinnvollen Groen sind (sie beruhen auf dem Black-Scholes
Modell, das aber durch die nicht flache Gestalt der Volatilitatsflachen falsifiziert wird),
ist es oft zweckmaig mit impliziten Volatilitaten zu arbeiten. So kann man die implizite
Volatilitat einer sehr liquiden Option bestimmen und zur Bewertung einer weniger liqui-
den Option benutzen. Durch die implizite Volatilitat werden auch Markterwartungen
bzgl. der zuk unftigen Volatilitat eingebaut.
4.2 Lokales Volatilit

atsmodell
Nun soll ein Aktienpreismodell entwickelt werden, das vollstandig ist (d.h. jeder Claim ist
replizierbar) und dessen eindeutige Derivatepreise mit allen am Markt beobachteten Call-
Preisen C(K, T ) ubereinstimmt. Wir idealisieren, indem wir annehmen, dass Optionen zu
beliebiges Strikes und Falligkeiten am Markt gehandelt werden.
ur den Aktienpreis S 1 = S machen wir den Ansatz
F
dSt = St (r dt + (t, St ) dBt ), S0 = s0 R+ \ {0}, (4.100)
wobei B eine Standard Brownsche Bewegung unter dem Bewertungsma Q ist.
Im Gegensatz zum Konzept der impliziten Volatilitat soll also ein Aktienpreismodell
entwickelt werden, das alle am Markt beobachteten Plain Vanilla Optionspreise gleichzei-
tig aufnimmt. Damit tritt keine Inkonsistenz mehr auf. Die Funktion des Modelle besteht
dann darin, weniger liquide Derivate, f
ur die es keine Marktpreise gibt, zu bewerten.
Theorem 4.16 (Dupire Formel). Sei C(K, T ) := EQ (exp(rT )(ST K)+ ) f ur alle K, T ,
wobei S die SDE (4.100) erf ullt mit einer glatten Funnktion (, ). Dann gilt zwischen
C(, ) und (, ) der folgende Zusammenhang
1 2 2 T C(K, T ) + rKK C(K, T )
K (T, K) = , (4.101)
2 KK C(K, T )
wobei T C etc. die partiellen Ableitungen bezeichnen.
Beweisskizze. ST ist stetig verteilt (ohne Beweis) mit Dichtefunktion x 7 f (x, T ). Ablei-
ten von EQ (exp(rT )(ST K)+ ) nach K ergibt mit dem Differentiationslemma (Vertau-
schung von Ableitung und Integral)
K C(K, T ) = exp(rT )Q(ST > K) (4.102)
und
KK C(K, T ) = exp(rT )f (K, T ). (4.103)
Wie in der Heuristik aus Kapitel 1 wenden wir nun die Ito-Formel auf s 7 (sK)+ an.
Da die 2. Ableitung in s = K nicht existiert, muss die Funktion durch glatte Funktionen
approximiert werden. Es folgt
Z T
1 T
Z
+ +
(ST K) = (S0 K) + 1{St >K} dSt + lim 1{KSt K+} d[S, S]t ,
0 0 4 0
84
wobei d[S, S]t = St2 2 (t, St ) dt. Integration by parts ergibt
exp(rT )(ST K)+

Z T
+
= (S0 K) + exp(rt)1{St >K} dSt
0
1 T
Z Z T
2 2
+ lim exp(rt)1{KSt K+} St (t, St ) dt r exp(rt)(St K)+ dt.
0 4 0 0
Bildet man nun den Erwartungswert folgt mit Fubini
EQ exp(rT )(ST K)+

Z T
1 T
Z
+
exp(rt)f (K, t)K 2 2 (t, K) dt

= (S0 K) + r exp(rt)EQ St 1{St >K} dt +
0 2 0
Z T
r exp(rt)EQ ((St K)+ ) dt
0
Z T
1 T
Z
+
= (S0 K) + rK exp(rt)Q(St > K) dt + exp(rt)f (K, t)K 2 2 (t, K) dt.
0 2 0
Ableiten nach T ergibt

1
T C(K, T ) = rK exp(rT )Q(ST > K) + exp(rT )f (K, T )K 2 2 (T, K).
2
Zusammen mit (4.102) und (4.103) folgt
1
T C(K, T ) = rKK C(K, T ) + KK C(K, T )K 2 2 (K, T ).
2
Formal haben wir zu einem gegeben (, ) die Optionspreise und ihre Ableitungen
im Strike und der Falligkeit ausgerechnet. Bei der Kalibrierung geht man nun nat urlich
gerade umgekehrt vor: zu gegebenem C(, ) ist (, ) zu bestimmen. Hierbei sind die Ab-
leitungen in (4.101) nat
urlich durch finite Differenzen zu ersetzen. Unter recht allgemeinen
Bedingungen kann so eine positive Volatilitatsfunktion (, ) konstruiert werden. Hierzu
beachte man:
Wenn K 7 C(K, T ) nicht fallend oder nicht konvex ware, dann w

urde eine ,,mo-
dellunabhangige statische Arbitrage existieren.
Sei Zins nichtnegativ. Wenn T 7 C(K, T ) nicht steigend ware, dann w urde eine
,,modellunabhangige statische Arbitrage existieren (folgt aus Proposition 4.14).
85
4.3 Sprungrisiko
Betrachte nun statt S 1 aus (4.82) einen Aktienpreisprozess Se mit Preisdynamik.

1 1 2
Set = s0 exp t + Bt + aNt t t(exp(a) 1) , t 0, R, > 0, a 6= 0,
2
wobei N ein von B stochastisch unabhangiger Poisson-Prozess mit Rate > 0 ist. Zusatz-
unge der Hohe Set1 = Set
lich zum Diffusionsanteil kann es also Spr 1
(exp(a) 1) geben.
Ein Call (SeT1 K)+ oder ein Put (K SeT1 )+ ist in diesem Modell nicht replizierbar.
Wieso ? Nehme etwa an, die Call-Auszahlung (SeT1 K)+ sei replizierbar mit einer
dynamischen Hedging-Strategie e1 und einem Startkapital ve0 , d.h.

P ve0 + e1 SeT1 = (SeT1 K)+ = 1,
wenn wir o.B.d.A. r = 0 setzen (Gewinne im Bankkonto m ussen damit nicht betrachtet
werden). Da P (NT = 0) = exp(T ) > 0 (mit echt positiver Wahrscheinlichkeit gibt es
e1 auch eine Replikationsstrategie im entsprechenden Black-Scholes
keinen Sprung), muss
Modell ohne Sprunge sein und auch das erforderliche Kapital muss mit dem im Black-
Scholes Modell u
bereinstimmen. Um die dBt -Terme zu neutralisieren muss daf ur wie in
(4.85) gelten
e1s := 1 v(Ses
1
, s), s [0, T ], (4.104)
wobei v (erforderliches Kapital in Abhangigkeit vom Aktienkurs und der Zeit) die Wert-
funktion aus dem Black-Scholes Modell ist. Aus der Ito-Formel mit Spr ungen (Theo-
rem 3.76), der Wahl von e1 in (4.104) und der Tatsache, dass v die PDE 21 2 x2 11 v(x, t) +
2 v(x, t) = 0 lost, folgt
Z t
1 1
v(Set , t) v(s0 , 0) 1 v(Ses , s) dSes1
0
Z t
1
Rt
= 2 v(Ses , s) ds + 21 0 11 v(Ses1 1 2 2
, s)(Ses ) ds
0
Nt
X
+ v(SeT1i , Ti ) v(SeT1i , Ti ) 1 v(SeT1i , Ti )SeT1i
i=1

XNt

= v(SeT1 , Ti ) v(SeT1 , Ti ) 1 v(SeT1 , Ti )SeT1
| i i
{z i
}i
i=1
>0, da v(, t) strikt konvex
= Hedging-Fehler,
wobei (Ti )iN die Sprungzeitpunkte von N sind.
86
4.4 Constant Proportion Portfolio Insurance (CPPI)
Wir wollen nun interessante und in der Praxis verbreitete dynamische Investitionsstrate-
gien untersuchen. Dabei nehmen wir an, dass ein (kurzfristig) risikoloses Wertpapier mit
Preisprozess
Z t
Xt = exp rs ds , t 0,
0
und ein risikobehaftetes Wertpapier mit Preisprozess S zur Verfugung stehen. S sollte man
sich als einen Aktienindex vorstellen, in den direkt investiert werden kann. Ein Problem
groer institutioneller Anleger wie Versicherungen ist, dass sie einen groen Anteil des
eingesetzten Kapitals garantieren wollen oder m ussen, was ihre Investitionsmoglichkei-
ten in risikobehaftete Anlagen, die im Erwartungswert hohere Ertrage liefern, wesentlich
einschrankt. Ein Ausweg konnen sog. Wertsicherungskonzepte wie CPPI sein. CPPI ver-
folgt das Ziel, durch eine dynamische Handelsstrategie einen vorgegebenen Anteil des
Kapitals garantieren zu konnen, aber gleichzeitig vom hoheren erwarteten Ertrag der risi-
kobehafteten Anlage ,,essentiell zu profitieren. Es wird eine asymmetrische Renditever-
teilung angestrebt: Verluste sollen beschrankt und an besonders positiven Entwicklungen
des Aktienindexes soll u berproportional partizipiert werden. Dies wird erreicht, indem
der Aktienindex nach einer Aufwartsbewegung nachgekauft und die Position nach einer
Abwartsbewegung reduziert wird. Wenn die Markte sehr gut laufen, erzielt man damit
sogar mehr Gewinn als wenn das gesamte Startkapital V0 statisch in die Aktien inve-
stiert wird. Und das obwohl letztere Strategie keine Kapitalgarantie beinhaltet (im Black
Scholes Modell kann der Aktienkurs beliebt nahe an die Null kommen). Im Folgenden
versuchen wir, die Strategie zunachst verbal zu beschreiben.
Zum Zeitpunkt 0 wird das Starkapital V0 gedanklich aufgespalten. F ur ein [0, 1)
Rt
wird V0 wird ausschlielich risikolos investiert, was in t den Betrag Ft := V0 exp 0 rs ds
ergibt. Bei deterministischem Zins r ist dies die Garantie (ansonsten nehme man eine de-
terministische untere Abschatzung, also z.B. V0 ). Ft wird Untergrenze (floor) genannt.
Das verbleibende Kapital (1 )V , das typischerweise nicht so gro ist, versucht man nun
so in die Aktie zu investieren, dass man superlinear von Aufwartsbewegungen profitiert
und im schlimmsten Fall nur alles verliert (also keine Schulden hat, die durch Ft getilgt
werden m ussten) .
Genauer: Es wird nun ein frei wahlbares konstantes Vielfaches (multiple) m (0, )
des Puffers (cushion)
Z t
Ct := Vt V0 exp rs ds (4.105)
0

Beispiel: Gebe es einen uber die Zeit konstanten jahrlichen Zins von 2%. Nach einer Laufzeit von
15 Jahren m ochte ein Investmentfonds, der CPPI betreibt, die R uckzahlung des eingesetzte Kapitals
garantieren. Also wird = 1.0215 0.743 gewahlt.
87
in das risikobehaftete Wertpapier investiert, d.h.
mCt
t = . (4.106)
St
F
ur m > 1 bedeutet dies, dass man sich im risikolosen Wertpapier verschulden muss
(neben der oben beschriebenen Long-Position in X), um die Strategie selbstfinanzierend
zu machen.
Wir betrachten zunachst den Fall eines stetigen Aktienpreisprozessen, der die SDE
dSt = St (t dt + t dBt ) , S0 = s0 , (4.107)
ullt, wobei , L (also recht beliebige stochastische Prozesse). Mit Theorem 3.81
erf
gilt
Z t Z t
1 t 2
Z
St = s0 exp s ds + s dBs ds .
0 0 2 0 s
Formal setzen wir nur m (0, ) voraus, wobei sich obige Interpretationen ausschlielich
auf den Fall m > 1 beziehen.
Theorem 4.17. Zu gegebenem Startkapital v0 > 0 existierte eine eindeutige selbstfinan-

zierende Strategie (, ), die (4.105), (4.106) und V0 = v0 erf
ullt, wobei V der Vermogen-
sprozess zu (, ) ist, d.h. V = X + S. Es gilt
m(1 m) t 2
Z t
m(1 )v0 m1
Z
t = St exp s ds + (1 m) rs ds (4.108)
sm0 2 0 0
und
Z t t t
(1 )v0 m m(1 m)
Z Z
Vt = v0 exp rs ds + St exp s2 ds + (1 m) rs ds .
0 sm
0 2 0 0
Bemerkung 4.18. Im Black-Scholes Modell (in dem r und ja konstant sind) ist das
Vermogen in t also eine direkte Funktion des Aktienkurses in t und t selber. Es hangt also
nicht zusatzlich vom Aktienkursverlauf ab, was man ob des dynamischen Umschichtens
vielleicht erwartet hatte.
Beweis von Theorem 4.17. Wegen

R
t
mVt mv0 exp 0 s
r ds
t = (4.109)
St
und
Z t
t Xt = Vt t St = (1 m)Vt + mV0 exp rs ds
0
88
f
uhrt die Selbstfinanzierungsbedingung (4.76) zu folgender SDE f
ur V :
Z t s t
Rs
m Vs V0 exp
Z
ru du
Z
0
Vt = v0 + (1 m)Vs + mV0 exp ru du rs ds + dSs .
0 0 0 Ss
Beachte hierzu, dass f

ur die Gewinne im Bankkonto gilt: t dXt = t Xt rt dt.
F
ur den Puffer C erhalt man die SDE:
Z t Z t
mCs
Ct = C0 + dSs + (1 m)Cs rs ds (4.110)
0 Ss 0
also
Z Z
1
C = C0 E m dSs + (1 m) rs ds .
0 Ss 0
Nach Theorem 3.81 ist die Losung gegeben durch

Z t Z t
m2 t 1
Z
1
Ct = C0 exp m dSs + (1 m) rs ds d[S, S]s (4.111)
0 Ss 0 2 0 Ss2
Rt Rt
Mit 0 S1s dSs = ln(St ) ln(s0 ) + 0 2S1 2 d[S, S]s folgt
s
m t 1
Z
Ct = (1 )v0 exp m ln(St ) m ln(s0 ) + d[S, S]s
2 0 Ss2
Z t
m2 t 1
Z
+(1 m) rs ds d[S, S]s
0 2 0 Ss2
m(1 m) t 2
Z t
Stm
Z
= (1 )v0 m exp s ds + (1 m) rs ds . (4.112)
s0 2 0 0
F
ur die Strategie ergibt dies
t t
S m1

m(1 m)
Z Z
mCt
t = = m(1 )v0 t m exp s2 ds + (1 m) rs ds .
St s0 2 0 0
Bemerkung 4.19. F ur m = 1 ist die Strategie buy-and-hold. F

ur m > 1 ist die Strategie
offenbar monoton steigend im Aktienpreis. Wenn der Preis steigt wird also nachgekauft.
Betrachtet man nur den Puffer und nicht den Floor wird mehr als 100 % des Vermogens
in die Aktie investiert (Leverage/Fremdkapitalaufnahme), d.h. man verschuldet sich im
Bond. Bei Leverage fallt der relative Anteil des Aktienvermogens nachdem die Aktie ge-
stiegen ist. Dies liegt daran, dass die Schulden im Bond relativ an Gewicht verlieren und
der Aktienanteil von oben den 100 % naherkommt. Um den relativen Anteil m konstant
zu halten, m ussen also Aktien nachgekauft werden.
89
Bemerkung 4.20. Im Black-Scholes Modell vereinfacht sich das Endvermogen der CPPI
Strategie zu
m2 2

VT = v0 exp(rT ) + (1 )v0 exp mT + mBT + (1 m)rT T
2
= v0 exp(rT )
m2 2

+(1 )v0 exp m( r)T + rT + mBT T (4.113)
2
(vgl. (4.111) und beachte, dass im Black-Scholes Modell (1/S) St = t + Bt und

(1/S 2 ) [S, S]t = 2 t). Es folgt
E(VT ) = v0 exp(rT ) + (1 )v0 exp(m( r)T + rT ).
Man sieht, dass fur festes [0, 1), also einer festen Kapitalgarantie, das erwartete End-
vermogen f ur m gegen konvergiert, wenn > r. Mit einer statischen Strategie
hatte dies im Black-Scholes Modell nicht gelingen konnen. Die Kapitalgarantie hatte die
Zahl der Aktien, die im Portfolio gehalten werden konnen, beschrankt.
Trotzdem hat die CPPI Strategie, im Vergleich zu einer statischen Kombination aus
Aktie und Bond, selbst unter den idealisierenden Modellannahmen auch gravierende Nach-
teile. So betragt der Median von VT
m2 2

median(VT ) = v0 exp(rT ) + (1 )v0 exp m( r)T + rT T ,
2
was aus (4.113) und median(BT ) = 0 folgt. F ur m konvergiert der Median also
gegen nicht mehr als das garantierte Kapital v0 exp(rT ), was nat
urlich enttauschend ist.
Nun verallgemeinern wir (4.107) etwas, indem wir endlich viele verschiedene Sprunghohen
1 < a1 < a2 < . . . < an
des Aktienpreisen zulassen, also

n
!
X
dSt = St t dt + t dBt + ak dNtk ,
k=1
wobei N 1 , . . . , N n von B und voneinander unabhangige Poisson-Prozesse mit Parame-

tern i sind. Der Puffer bleibt genau dann mit Wahrscheinlichkeit 1 positiv, wenn a1 m >
1. Man sagt, dass die Strategie in diesem Fall kein gap risk (,,L uckenrisiko) besitzt.
(4.106) und die Selbstfinanzierungsbedingung f uhren auf die SDE
Z t Z t
mCs
Ct = C0 + dSs + (1 m)Cs rs ds
0 Ss 0
90
bzw.
n
X
dCt = mCt t dt + mCt t dBt + mCt ak dNtk + (1 m)Ct rt dt
k=1
C/C0 ist also das stochastische Exponential des Prozesses

Z t Z t n
X Z t
Lt := m s ds + m s dBs + m ak Ntk + (1 m) rs ds.
0 0 k=1 0
Nach Theorem 3.81 gilt
Ct = C0 E(L)t
Y
1 c
= C0 exp Lt [L, L]t ((1 + Ls ) exp(Ls ))
2 0<st
Z t Z t Z t
m2 t 2
Z
= C0 exp m s ds + m s dBs + (1 m) rs ds ds
0 0 0 2 0 s
Yn Y
(1 + mak Nsk ) (4.114)
k=1 0<st
Rt Rt
Die Idee ist nun wieder, 0
s ds + 0
s dBs durch ln(St ) auszudr
ucken. Es gilt
1 St
m (t dt + t dBt ) = m dSt m
St St
m 1
= md ln(St ) + 2
d[S, S]ct m ln(St )
2 St
n
m t 2
Z X
= md ln(St ) + s ds m ln(1 + ak Ntk ), (4.115)
2 0 k=1
wobei sich die zweite Gleichheit aus der Ito-Formel mit Spr
ungen ergibt und in die dritte
Gleichheit eingeht, dass unabhangige Poisson-Prozesse nicht gleichzeitig springen. Aus
(4.114) und (4.115) folgt
m(1 m) t 2
Z Z t
Ct = (1 )v0 exp m ln(St ) m ln(s0 ) + s ds + (1 m) rs ds
2 0 0
n X
! n Y
X Y
k
m ln(1 + ak Ns ) (1 + mak Nsk )
k=1 0<st k=1 0<st
t t n Y
Stm 1 + mak Nsk
Y
m(1 m)
Z Z
= (1 )v0 m exp s2 ds + (1 m) rs ds .
s0 2 0 0 k=1 0<st
(1 + ak Nsk )m
Wenn Spr unge existieren und m 6= 1, dann ist der Puffer Ct keine Potenz mehr des
Aktienpreises St .
91
A Anhang: Konvergenzbegriffe in der Stochastik
Einschub: Wir werden kurz die wichtigsten Konvergenzbegriffe in der Stochastik skiz-
zieren. Wir betrachten eine Folge (Zn )nN von reellwertigen Zufallsvariablen und eine
reellwertige Zufallsvariable Z. Alle Zufallsvariablen sollen auf dem gleichen Wahrschein-
lichkeitsraum (, F, P ) definiert sein.
Definition A.1. (1) (Zn )nN konvergiert stochastisch gegen Z, wenn f
ur alle > 0
P (|Zn Z| ) 1, n .
(2) (Zn )nN konvergiert fast sicher gegen Z, wenn P (Zn Z, n ) = 1.
(3) Sei p [1, ). (Zn )nN konvergiert in Lp gegen Z, wenn
E(|Zn Z|p ) 0, n
(2) ist aquivalent dazu, dass f

ur alle > 0
P (|Zm Z| m n) 1, n .
Damit sieht man, dass (2) = (1). Die Implikation (3) = (1) folgt aus der Abschatzung
E(|Zn Z|p ) p P (|Zn Z| > )
Andere Implikationen gelten nicht. Klassische Gegenbeispiele:
(2) 6 (3). Wahle = (0, 1) und P das Lebesgue-Ma (Gleichverteilung auf (0, 1)).
Setze. Z = 0 und Zn () = n1/p 1(0,1/n) (). F
ur jedes (0, 1) gilt Zn () Z(), n ,
also (2). Es gilt aber
1
E(|Zn Z|p ) = (n1/p )p P ((0, 1/n)) = n =1
n
und damit liegt keine Lp -Konvergenz vor.
(3) 6 (2) Stelle n N durch n = 2m + k, m N0 , k = 0, . . . , 2m 1 dar und definiere
Zn () = 1( k k+1
, ] () sowie wieder Z = 0. (1.116)
2m 2m
Es gilt
1
E(|Zn Z|p ) = P (Zn = 1) =
2m
Da mit n auch m folgt Lp -Konvergenz. F ur jedes (0, 1) gibt es aber
unendlich viele n mit Zn () = 1. Damit gibt es keine punktweise Konvergenz ((2) ist
nicht erf
ullt).
92
Definition A.2 (Gleichgradige Integrierbarkeit). Eine Folge (Zn )nN von reellwertigen
Zufallsvariablen heit gleichgradig integrierbar, wenn

sup E |Zn |1{|Zn |>M } 0, M .
nN
P
Lemma A.3 (Erstes Borel-Cantelli-Lemma). Sei (An )nN F mit
n=1 P (An ) < .
T S
Dann gilt P (,,An tritt f
ur unendlich viele n ein) = P An = 0.
mN nm

T S
Es gilt A := An F und
mN nm
\ [
An m n m An An f
ur unendlich viele n N.
mN nm
An tritt genau dann unendlich oft ein, wenn es nach jedem m nochmal eintritt.
S
Beweis. Sei m N. Es gilt A An und damit
nm
[
X
P (A) P ( An ) P (An ) 0 f
ur m ,
nm n=m
da
P
n=1 P (An ) < . Folglich kann die rechte Seite durch Wahl eines groen m beliebig
klein gemacht werden. Da die linke Seite nicht von m abhangt, muss sie 0 sein.
Wichtig f
ur Anwendungen sind die folgenden beiden Satze.
Theorem A.4. (1) impliziert fast sichere Konvergenz einer Teilfolge (Znk )kN gegen Z.
Beweis. Sei (Zn )nN eine Folge, die stochastisch gegen Z konvergiert. Offenbar lasst sich
dann eine Teilfolge (nk )kN konstruieren mit
P (|Znk Z| > 2k ) 2k , k = 1, 2, . . .
Definiere
A := {|Znk Z| 2k f
ur alle k auer hochstens endlich vielen}.
Aus dem Erstes Borel-Cantelli-Lemma folgt, dass P (Ac ) = 0 und damit P (A) = 1. Zudem
gilt A {Znk Z, k } und damit die Behauptung.
Theorem A.5. (1) und gleichgradige Integrierbarkeit der Folge (|Zn |p )nN implizieren
(3).
93
Beweis. Unter (1) und der gleichgradigen Integrierbarkeit der Folge (|Zn |p )nN folgere man
mit Hilfe einer Teilfolge (nk )kN , auf der fast sichere Konvergenz gilt, die Integrierbarkeit
von |Z|p . Es gilt namlich
Fatou
E (|Z|p ) = E lim inf |Znk |p lim inf E (|Znk |p ) < . (1.117)
k k
Wegen (1.117) und der Abschatzung
E (|Zn Z|p ) E ((|Zn | + |Z|)p ) 2p E (|Zn |p ) + 2p E (|Z|p )
zieht die gleichgradige Integrierbarkeit von (|Zn |p )nN die gleichgradige Integrierbarkeit
von (|Zn Z|p )nN nach sich. Dann schatze man ab
E(|Zn Z|p ) = E 1{|Zn Z|p >M } |Zn Z|p + E 1{|Zn Z|p M } |Zn Z|p

E 1{|Zn Z|p >M } |Zn Z|p + M P (|Zn Z| > ) + p , > 0, M > 0.

Wegen der gleichgradigen Integrierbarkeit von (|Zn Z|p )nN kann man zu festem > 0
ein M R+ finden, so dass

E 1{|Zn Z|p >M } |Zn Z|p , n N.
3
Durch geeignete Wahl von > 0 und n folgt E(|Zn Z|p ) f
ur alle n n und damit
die Behauptung.
Wenn E(|Zn |p ) < , n N und E(|Z|p ) < , dann gilt auch die Umkehrrichtung
(3) = (1) & gleichgradig Integrierbar. Die Zusatzforderung der gleichgradigen Inte-
grierbarkeit ist also i.W. auch notwendig um Lp -Konvergenz zu erhalten.
B Anhang: Erg
anzende Uberlegungen

Im folgenden finden sind einige Uberlegungen, die mittlerweile nicht mehr Bestand-

teil der Vorlesung sind und zur Verbesserung der Ubersicht ausgelagert wurden.
Alternative zur Einbettung aus Bemerkung 3.3.
Bemerkung B.1. Zeitdiskrete Modelle lassen sich als Spezialfall zeitstetiger Modelle in-
terpretieren. Zu einem zeitdiskreten Wertpapierpreisprozess Se mit
Se : {0, 1, . . . , T } R,
einer zeitdiskreten Handelsstrategie H

e mit
e : {0, 1, . . . , T } R
H
94
und einer zeitdiskreten Filtration (Fet )t=0,1,... ,T definiere folgende càdlàg Prozesse und fol-
gende rechtsstetige Filtration
St := Se[t] , (2.118)
Ht := H
e [t] und Ft := Fe[t] , (2.119)
wobei [t] := max{s N0 | s t}. Die Einbettung (2.118)/(2.119) erlaubt es, zeitdiskrete
Finanzmarktmodelle als Spezialfalle von zeitstetigen Finanzmarktmodellen zu betrachten.
Diese sehr w unschenswerte Eigenschaft ginge verloren, wenn man bei den zeitstetigen
Prozessen keine Sprunge zulassen wurde. Fur t N gilt St = St1 .
Proposition B.2. H ist genau dann (Ft )t[0,T ] -vorhersehbar im Sinne von Definition 3.9,
e t Fet1 -messbar f
wenn H e 0 Fe0 -messbar.
ur alle t = 1, . . . , T und H
Beweis. : Sei der zeitdiskrete Prozess im zeitdiskreten Sinne vorhersehbar. Wir werden
zeigen, dass die zeitstetigen Prozesse (, t) 7 Hn ()1[n,n+1) (t), n = 0, 1, . . . , T 1 und
(, t) 7 HT ()1{T } (t) vorhersehbar im Sinne von Definition 3.9 sind. Im Fall n = 0 folgt
dies aus (A {0}) P und (A (0, 1)) P f ur alle A F0 . Sei n {1, . . . , T 1}. Es
gilt
Hn 1(n1/m,n+11/m] Hn 1[n,n+1) punktweise auf [0, T ] f

ur m . (2.120)
Wegen n 1/m n 1 f ur alle m N und da Hn Fn1 -messbar ist, ist die linke Seite
ur alle m N vorhersehbar und damit auch ihr punktweiser Limes. Der Fall
von (2.120) f
n = T geht analog mit der Approximation durch HT 1(T 1/m,T ] . Da die Summe messba-
P 1
rer Funktionen messbar ist, folgt die Vorhersehbarkeit von H = Tn=0 Hn 1[n,n+1) +HT 1{T } .
: Wenn H vorhersehbar ist, dann ist mit Proposition 3.10 f ur alle n = 1, . . . , T

Hn (und damit auch H e n ) Fn -messbar. Da im Modell (2.119) Fn = Fen1 gilt, folgt die
Behauptung fur n = 1, . . . , T .
Die F0 -Messbarkeit von H0 folgt analog durch Betrachtung der Spur--Algebra [[0]]
e
P = {0} F0 .
Wir stellen noch einen Zusammenhang zu anderen -Algebren auf dem Produktraum
[0, T ] her (wieder im allgemeinen Modell), denen man in der Literatur des ofteren
begegnet, die aber in dieser Vorlesung keine gr oere Rolle spielen werden.
Definition B.3. (1) Die -Algebra der optionalen (oder gut-messbaren) Mengen auf
[0, T ] wird definiert durch
O := (X : [0, T ] R | X ist adaptiert und càdlàg) .
Ein Prozess X heit optional (oder gut-messbar), wenn er O-messbar ist.
95
(2) Ein Prozess X heit progressiv-messbar, wenn fur alle t [0, T ] die eingeschrankte
Abbildung X|[0,t] bzgl. der Produkt--Algebra Ft B[0,t] (auf dem Produktraum
[0, t]) messbar ist.
Es gelten die folgenden Implikationen
X vorhersehbar X optional X progressiv messbar X adaptiert .
Ein Beispiel f
ur einen progressiv messbaren Prozess, der nicht optional ist, findet sich in
Dellacherie Capacits et processus stochastiques, Springer-Verlag, Berlin, 1972, auf Seite
128.
Bemerkung B.4. Die optionale -Algebra O umfasst die -Algebra O0 , die durch die
Mengen A [s, t), 0 s < t T, A Fs erzeugt wird (oder aquivalent durch die
Mengen A [s, t]). Vgl. dies mit Definition 3.9 von P. Man mache sich z.B. anhand des
zeitdiskreten Modells aus Bemerkung B.1 klar, dass bereits O0 i.A. strikt groer ist als P.
Es kann also einen groen Unterschied machen, ob A (s, t] oder A [s, t]. Jede Menge
A (s, t], wobei A Fs , kann geschrieben werden als
[
A (s, t] = (A [s + 1/n, t]) .
nN
Wegen Fs Fs+1/n gilt A [s + 1/n, t] O n N und damit A (s, t] O also P O.

Bei einem Beweisversuch der Umkehrrichtung bekame man aber Probleme, da A [s, t],
A Fs wohl nur durch A (s n1 , t] zu approximieren ist. Problem dabei: A i.A. nicht
Fs1/n -messbar. Vielmehr gilt folgende Proposition
Proposition B.5. H aus (2.119) ist genau dann (Ft )t[0,T ] -optional im Sinne von Defi-
e t Fet -messbar ist f
nition B.3, wenn H ur alle t = 0, 1, . . . , T .
Beweis. Analog zum Beweis von Proposition B.2.
Der Spitzklammer-Prozess
Neben der quadratischen Variation [X, X] aus Definition 3.46 koexistiert die sog. vor-
hersehbare quadratische Variation < X, X >, die auch Spitzklammer-Prozess genannt
wird. < X, X > lasst sich f
ur alle lokal quadratintegrierbaren Martingale X definieren.
Dazu muss man etwas ausholen.
Definition B.6. Ein Prozess X = (Xt )t[0,T ] ist von Klasse (D), wenn die Familie von Zu-
fallsvariablen (X ), wobei die Menge der [0, T ]-wertigen Stoppzeiten durchlauft, gleich-
gradig integrierbar ist
Theorem B.7 (Doob-Meyer-Zerlegung). Sei X ein Submartingal von Klasse (D). Dann
existiert eine (bis auf Ununterscheidbarkeit) eindeutige Zerlegung von X in ein Martingal
M (mit M0 = 0) und einen vorhersehbaren, monoton steigenden Prozess A (mit A0 = 0),
d.h.
X = X0 + M + A. (2.121)

Gleichgradig integrierbar bedeutet, dass sup E |X |1{|X |>n} 0, n .
96
Bemerkung B.8. Im Gegensatz zu der Zerlegung (3.17) muss der Prozess A in (2.121)
vorhersehrbar sein. Dies macht die Zerlegung eindeutig. Die Zerlegung in (3.17) ist dage-
gen i.A. nicht eindeutig. Nehme dazu einen Poisson-Prozess N mit Rate > 0, d.h.
Nt := sup{n N0 | Tn t}, t 0,
wobei T0 = 0 und (Tn Tn1 )nN eine i.i.d. Folge von exponentialverteilten Zufallsvariablen
mit Parameter ist, d.h. P (T1 > t) = exp(t). Der Prozess N ist ein Semimartingal
bzgl. seiner kanonischen Filtration. Es gibt viele Moglichkeiten, ihn zu zerlegen, z.B.
Nt = Nt t + |{z}
t (2.122)
| {z }
Mt At
oder
0 + Nt .
Nt = |{z}
|{z}
M
ft A
et
(2.122) ist aber die einzige Zerlegung, in der A vorhersehrbar ist (und damit im gewissen
Sinne die kanonische Zerlegung) . t kann als Drift des Poisson-Prozesses interpretiert
werden, wahrend Nt t die zufalligen Schwankungen von Nt sind.
Wenn nun der Prozess X ein lokal quadratintegrierbares Martingal ist, d.h. X Tn sind
ur eine lokalisierende Folge T0 T1 T2 . . . , dann sind die Prozesse
Martingale f
2 Tn
(X ) Submartingale (Jensensche Ungleichung) und offenbar von Klasse (D). D.h. f ur
jedes n N existiert eine Doob-Meyer-Zerlegung
(X 2 )Tn = M n + An ,
wobei M n Martingale und An monoton steigende vorhersehbare Prozesse sind. Definiere
< X, X >t := lim Ant , t [0, T ]. (2.123)

n
Der Limes existiert f ur alle t [0, T ] P -f.s., da P (Tn T ) 1 f

ur n und
n+1 Tn nk
(A ) = A . Der càdlàg Prozess < X, X > ist durch die Eigenschaft charakteri-
siert, dass < X, X >0 = 0, < X, X > vorhersehbar und der Prozess X 2 < X, X > ein
lokales Martingal ist.

I.A. muss aber fur ein Semimartingal keine Zerlegung (3.17) mit vorhersehrbarem A existieren (kann
zum Beispiel passieren, wenn das Semimartingal nicht-integrierbare Spr unge besitzt, vgl. dazu den dis-
kreten Fall im Skript ,,Stochastische Finanzmathematik, Satz 1.4).
k
Letzteres folgt aus der Eindeutigkeit der Doob-Meyer Zerlegung und der Tatsache, dass abgestoppte
Martingale wieder Martingale und abgestoppte vorhersehbare Prozesse wieder vorhersehbare Prozesse
sind. Zudem kann man mit der Eindeutigkeit der Doob-Meyer Zerlegung zeigen, dass (2.123) nicht von
der Wahl der lokalisierenden Folge (Tn )nN abhangt. < X, X > ist als punktweiser Limes (auf dem
Produktraum [0, T ] betrachtet) von vorhersehbaren Prozessen (messbar bzgl. der vorhersehbaren
-Algebra) vorhersehbar.
97
Wenn X ein lokal quadratintegrierbares Martingal mit stetigen Pfaden ist, dann stim-
men die beiden quadratischen Variationsprozesse uberein, d.h. < X, X >= [X, X]. Dies
folgt aus der Eindeutigkeit der Doob-Meyer Zerlegung und der Tatsache, dass in diesem
Fall der Prozess [X, X] wegen [X, X] = (X)2 = 0 stetig ist (und damit vorhersehbar)
und der Prozess X 2 [X, X] = 2X X ein lokales Martingal ist (Eigenschaft (e) des
Integrals).
Literatur
[1] Brokate, M. und Kersting, G. (2011) Ma und Integral, Birkhauser.
[2] Karatzas, I. und Shreve, E.S. (1991) Brownian Motion and Stochastic Cal-
culus. Springer-Verlag, 2. Auflage.
[3] Protter, P. (2004) Stochastic Integration and Differential Equations. Springer-

Verlag, 2. Auflage.
98
Vorlesungsskript Finanzmathematik in stetiger Zeit
Christoph Ku
hn
Sommersemester 2007
letzte Aktualisierung: 6. Februar 2017
1
Inhaltsverzeichnis
1 Modellierung von Finanzm arkten 3
1.1 Das allgemeine stochastische Integral . . . . . . . . . . . . . . . . . . . . . 4
1.2 Notwendigkeit nichtregularer Handelsstrategien . . . . . . . . . . . . . . . 17
1.3 Zulassige Strategien und No-Arbitrage . . . . . . . . . . . . . . . . . . . . 19
2 Vollst
andige Finanzm arkte 24
2.1 Exotische Optionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.1.1 Statisches Hedgen von Barriere Optionen . . . . . . . . . . . . . . . 36
3 Wertpapiere mit Dividenden 38

3.1 Forwards . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.2 Futures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4 Optimales Stoppen und amerikanische Optionen 46

4.1 Optimales Stoppen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.1.1 Exkurs: Das Sekretarinnenproblem oder der optimale Immobilienkauf 48
4.2 Amerikanische Verkaufsoption (American put) . . . . . . . . . . . . . . . . 57
4.2.1 Ewige Put-Option . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5 Zinsmodelle 67
5.1 Heath, Jarrow, Morton . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5.1.1 Martingale Modeling . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.1.2 Optionen auf Bonds . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.2 Affine Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5.2.1 Beispiel: Vasicek Modell . . . . . . . . . . . . . . . . . . . . . . . . 88
5.2.2 Beispiel: Cox-Ingersoll-Ross Modell (CIR Modell) . . . . . . . . . . 92
5.2.3 Beispiel: Hull-White Modell . . . . . . . . . . . . . . . . . . . . . . 93
5.2.4 Mehrfaktormodelle . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5.3 Duration und Konvexitat . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
A Appendix: Selbstfinanzierungsbedingung 98
B Appendix: Essentielles Supremum 101
C Appendix: Erg
anzende Uberlegungen 103
2
1 Modellierung von Finanzm
arkten
Diese Vorlesung setzt die Vorlesung ,,Stochastische Analysis mit Finanzmathe-
matik fort. Einige Notationen und Zusammenhange werden kurz wiederholt. F
ur eine
ausf
uhrliche Behandlung siehe aber das Skript zu ebendieser Vorlesung.
Gegeben sei ein filtrierter vollstandiger Wahrscheinlichkeitsraum (, F, (Ft )t[0,T ] , P ),

der die
ublichen Voraussetzungen (usual conditions) erf ullt.
Auf diesem Wahrscheinlichkeitsraum wollen wir einen Finanzmarkt modellieren, der aus
d + 1 handelbaren Wertpapieren besteht. Die (zufalligen) Preisprozesse der Wertpapiere
sind durch die Semimartingale (St0 , St1 , . . . , Std )t[0,T ] gegeben.
Betrachte eine Investorin, die zum Startzeitpunkt t = 0 v0 R Geldeinheiten besitzt

und diese in obige Wertpapiere investieren mochte. Dabei kann sie ihr Vermogen laufend
zwischen den d + 1 Anlagemoglichkeiten hin- und herschichten. Wir machen viele implizi-
te Annahmen: Umschichtungen verursachen keine Transaktionskosten, die Preise werden
durch die Kaufe und Verkaufe der betrachteten Investorin nicht beeinflusst, Handelsge-
winne m ussen nicht versteuert werden , . . .
Mit dem vorhersehbaren stochastischen Prozess = (0t , 1t , . . . , dt )t[0,T ] wird die
Handelsstrategie der Investorin modelliert. it steht f
ur die Anzahl der Wertpapiere des
Typs i, die die Investorin zum Zeitpunkt t im Portfolio halt. it kann auch negative Werte
annehmen, was bedeutet, dass die Investorin in diesem Wertpapier verschuldet ist.
Um den Vermogensverlauf der Investorin mathematisch beschreiben zu konnen, braucht

man stochastische Integrale. In der Vorlesung ,,Stochastische Analysis haben wir
das stochastische Integral f
ur alle linksstetigen, adaptierten Prozesse (mit existierendem
rechten Limes) eingefuhrt. Mengenbezeichnung: L. Linksstetige Integranden reichen f ur
die meisten Anwendungen aus. Man denke zum Beispiel an die Modellierung zufalliger
Phanome durch stochastische Differentialgleichungen oder an die Hedging-Strategie im
Black-Scholes Modell mit einer Optionsauszahlung, die nur vom Endwert des Underly-
ings abhangt. Die Black-Scholes Formel f ur Plain-Vanilla Calls-/Puts kann mathematisch
rigoros mit Integranden aus L hergeleitetet werden (siehe [7]).
Als okonomisch sinnvolle Menge der erlaubten Handelsstrategien (Integranden) et-
wa in der Portfoliooptimierung erscheint L allerdings zu klein, was in Abschnitt 1.2
naher begrundet werden soll. Auch der Martingaldarstellungssatz f ur Brownsche Mar-
tingale, den man zur Analyse exotischer Optionen braucht und den wir in Kapitel 2
behandeln werden (Theorem 2.2) benotigt eine groere Menge an erlaubten Integranden.

Implizite Annahmen bedeutet, dass das mathematische Modell einen Markt beschreibt, in dem diese
Annahmen erf ullt sind. Sie beziehen sich auf die Interpretation des Modells. Es sind keine Annahmen im
mathematischen Sinne: Aus der G ultigkeit der Annahmen kann man nicht schlieen, dass das Modell so
aussieht wie es aussieht. Man kann also aus den Annahmen nichts formal herleiten. Eine Liste der Dinge,
die durch ein Marktmodell nicht abgebildet werden, liee sich beliebig fortsetzen. Sie ist also vorwiegend
als Abgrenzung zu anderen Modellen zu verstehen, bei denen diese idealisierenden Annahmen nicht erf ullt
sind. In der o konomischen Literatur ist es jedoch verbreitet, diese Art von Annahmen wie mathematische
Annahmen (also etwa wie 1 0) zu behandeln und unter ihnen Theoreme zu beweisen.
3
Die Idee bei der Konstruktion des stochastischen Integrals ist sehr ahnlich zum links-
stetigen Fall, den wir ausf
uhrlich behandelt haben.
1.1 Das allgemeine stochastische Integral

Wir fuhren das stochastische Integral H X zunachst f
ur alle reellwertigen, vorhersehba-
ren, lokal beschrankten Integranden H und alle reellwertigen Semimartingale X ein.
Zur Erinnerung:
Ein Prozess H : (0, T ] R heit vorhersehbar, wenn er messbar bzgl. der
vorhersehbaren -Algebra
P := ({A (s, t] | s < t, A Fs })
siehe [7]
= ({]]T1 , T2 ]] | T1 , T2 [0, T ]-wertige Stoppzeiten}
auf (0, T ] ist .
Ein Prozess H : (0, T ] R heit lokal beschrankt, wenn es eine Folge von
ur n und |H Tn | n
Stoppzeiten (Tn )nN gibt mit P (Tn T ) 1 f
(Hier mit der Konvention H Tn = 0 auf der Menge {Tn = 0}).
Bemerkung 1.1. F
ur einen vorhersehbaren Prozess H gilt folgende Aquivalent
H ist lokal beschrankt F
ur P -fast alle ist der Pfad (Ht ())t[0,T ] beschrankt.
(ohne Beweis) . Dass jeder Prozess aus L lokal beschrankt ist, sieht man bei der Wahl
der Lokalisierung Tn := inf{t [0, T ] | |Ht | n} T , die |H Tn | n gewahrleistet.
Theorem 1.2. Sei X ein reellwertiges Semimartingal und S die Menge der elementar
vorhersehbaren Prozesse (vgl. Def. 2.1 in [7]). Die Abbildung S D, H 7 H X mit
n
X
HX= Zi1 (XTi XTi1 ), (1.1)
i=1
wobei
n
X
Ht () = Zi1 ()1]]Ti1 ,Ti ]] (, t), (, t) [0, T ], (1.2)
i=1
(0 = T0 T1 Tn = T sind Stoppzeiten, Zi , i = 0, . . . , n 1, FTi -messbare ZV)

besitzt eine bis auf Ununterscheidbarkeit eindeutige Fortsetzung
JX : {H : (0, T ] R | H vorhersehbar und lokal beschrankt} D, H 7 JX (H)
mit folgenden Eigenschaften

Prozesse, die als Integranden dienen, werden im folgenden nur auf der der Menge (0, T ] definiert
(vgl. Bemerkung 1.4). P ist die Spur--Algebra der vorhersehbaren -Algebra, die auf [0, T ] gebildet
wurde, auf der Teilmenge (0, T ].

Ein Beweis finden sich in Kallsen [5], Lemma A.1
4
(i) H 7 JX (H) ist linear
ur alle reellwertigen vorhersehbaren, Prozesse H n , n N, und H gilt

(ii) (Stetigkeit) f
die Implikation
H n H punktweise auf (0, T ] und |H n | K f
ur einen vorhersehbaren, lokal
n
beschrankten Prozess K = JX (H ) JX (H), gleichmaig in Wahrscheinlich-
keit.
Zudem ist der Prozess JX (H) wiederum ein Semimartingal.
Definition 1.3. [Stochastisches Integral] Der Prozess JX (H) aus Theorem 1.2 heit sto-
chastisches Integral von H nach X. Wir bezeichnen auch die Fortsetzung mit H X
Bemerkung 1.4. F ur die Eindeutigkeit der Fortsetzung ist es notwendig, die Integranden
nur auf der kleineren Menge (0, T ] zu betrachten. Ansonsten ware fur eine F0 -messbare
Zufallsvariable Y mit H X z.B. auch H X := H0 Y + H X eine Fortsetzung des Ele-
mentarintegrals, die obige Bedingungen erf ullen w
urde. Dies liegt daran, dass elementare
uhrt haben), auf {0} verschwinden.
Integranden (so wie wir sie eingef
Bemerkung 1.5. Obwohl die vorhersehbare -Algebra von den stochastischen Interval-
len ]]T1 , T2 ]] erzeugt wird, existiert nicht zu jedem vorhersehbaren und beschrankten Pro-
zess H eine elementar vorhersehbare Folge (H n )nN mit H n H punktweise auf [0, T ].
Damit ist die Eindeutigkeit der Fortsetzung nicht trivial ! (Bisher wissen wir nur, dass
es nicht immer eine Approximation gleichmaig in t geben kann, da Cauchy-Folgen bzgl.
der Konvergenz ,,uniformly in probability von Elementarintegranden einen Grenzwert in
L besitzen.)
Betrachte etwa den deterministischen Fall = {}:
Proposition 1.6. Zu H = 1Q gibt es keine Folge (H n )nN von Elementarintegranden mit

H n H punktweise auf (0, 1].
Beweis. Wenn es eine approximierende Folge (H n )nN gabe, dann gabe es auch eine ap-
proximierende Folge, die nur Werte in {0, 1} annimmt (wieso ?) Also reicht es zu zeigen,
dass es keine Folge (n )nN von endlichen Vereinigungen von Intervallen der Form (s, t]
gibt mit 1n 1Q punktweise auf (0, 1].
Sei (n )nN eine beliebige Folge solcher Vereinigungen mit 1n (q) 1, n , fur
alle q Q (0, 1]. Wir wollen zeigen, dass dann die Menge
M := {t (0, 1] | t n f
ur unendlich viele n}
u
berabzahlbar sein muss (was wegen der Abzahlbarkeit von Q die Aussage impliziert).
Beginne dazu mit 1/2 Q. Es existiert ein n1 mit 1/2 n1 . Da die Intervalle links offen
sind, existiert ein > 0 mit [1/2 , 1/2] n1 . Aus dem Inneren von [1/2 , 1/2]
werden zwei rationale Zahlen q1 < q2 ausgewahlt. Suche dann zunachst nach einem n2 ,
n2 > n1 , s.d. [q1 0 , q1 ] n2 f ur ein 0 (0, q1 (1/2 )) und danach nach einem
n3 , n3 > n2 , s.d. [q2 00 , q2 ] n3 f
ur ein 00 (0, q2 q1 ). So entsteht ein Binarbaum:
5
zu jedem Knoten gibt es zwei mogliche Nachfolger. Das Intervall [1/2 , 1/2] besitzt
die disjunkten Teilintervalle [q1 0 , q1 ] und [q2 00 , q2 ] als mogliche Nachfolger. Wenn
die Lange der Intervalle mit wachsender Tiefe des Baums gegen Null geht, definiert jede
Moglichkeit den Baum von oben nach unten zu durchlaufen eine reelle Zahl als Grenzwert.
Alle Grenzwerte unterscheiden sich voneinander und liegen in M (f ur ersteres beachte,
0 00
dass es einen Zwischenraum zwischen [q1 , q1 ] und [q2 , q2 ] gibt und selbiges f ur
alle Iterationen gilt). Mit Cantors zweitem Diagonalargument folgt die Uberabz ahlbarkeit
von M . Folglich muss es auch irrationale Zahlen geben, die in M liegen, was 1n 1Q
punktweise auf (0, 1] unmoglich macht (man beachte, dass f ur die Argumentation das
Auswahlaxiom benutzt wird).
Allerdings gibt es (n )nN mit 1n (q) 1, n , f ur alle q (0, 1] und M ist
eine (uberabzahlbare) Lebesgue-Nullmenge. Wenn man also z.B. das Lebesgue-Ma auf
(0, 1] betrachtet und Pzusatzlich jeder rationalen Zahl aus (0, 1] die Punktmasse 1 gibt, was
dem Ma = + qQ q entspricht, kann man 1Q(0,1] durch Funktionen derSForm 1n
bis auf eine -Nullmenge punktweise approximieren (wahle dazu etwa n := nk=1 (qk
2n , qk ], wobei q1 , q2 , q3 , . . . eine beliebige Abzahlung von Q (0, 1] ist). Allerdings ist eine
Bedingung, die von einem Ma auf (0, T ] abhangt, konzeptionell nicht so befriedigend, da
es im stochastischen Modell auf der Zeitmenge (0, T ] kein exogen vorgegebenes Ma gibt
(im Gegensatz zum Ma P f ur die Ergebnismenge ).
Zur Erinnerung:
Definition 1.7. Ein Mengensystem A 2 wird Dynkinsystem genannt, wenn
e
eA
(1)
(2) A A = Ac :=
e \AA
S
ur jede Folge (An )nN paarweise disjunkter Mengen aus A gilt
(3) f nN An A
Bemerkung 1.8. Der Unterschied zu einer -Algebra besteht darin, dass (3) nur f ur
eine disjunkte Folge gelten muss. Daher kann man mit A B = (Ac B c )c nicht mehr
folgern, dass der Schnitt zweier Mengen aus dem Mengensystem wieder drin ist.
Bemerkung 1.9. In der Definition konnte man (2) durch
(2) A, B A mit A B = B \ A A
ersetzen.
Theorem 1.10 (Dynkinscher --Satz ). Sei E ein Mengensystem. (E) bezeichnet das
kleinste Dynkinsystem und (E) die kleinste -Algebra, das/die E umfasst, d.h.
(E) := {A | A A f
ur alle Dynkinsysteme A mit E A}
und
(E) := {A | A A f
ur alle -Algebren A mit E A}.
Wenn E durchschnittsstabil ist, d.h. A1 , A2 E = A1 A2 E, dann gilt (E) = (E).

Ein durchschnittsstabiles Mengensystem wird manchmal auch -System genannt und ein Dynkinsy-
stem -System.
6
Bemerkung 1.11. Das Theorem ist f ur Anwendungen sehr nutzlich. Haufig kann man
von einem Mengensystem zwar zeigen, dass es ein Dynkinsystem ist, nicht aber, dass es
auch eine -Algebra ist. Dies liegt daran, dass man bei einem Dynkinsystem nur abzahl-
bare Vereinigungen von disjunkten Mengen aus dem Mengensystem betrachten muss. Es
m
ussen also keine Uberlappungen ber
ucksichtigt werden.
Beweis von Theorem 1.10. Es muss gezeigt werden, dass (E) eine -Algebra ist. Da (E)
ein Dynkin-System ist, also insbesondere (3) mit disjunkten Mengen erf ullt, muss nur
noch gezeigt werden, dass (E) durchschnittsstabil ist. In diesem Fall kann namlich ei-
ne abzahlbare Vereinigung beliebiger Mengen aus (E) auf eine abzahlbare Vereinigung
disjunkter Mengen aus (E) zur uckgefuhrt werden (setze dazu Ae1 := A1 und A en :=
An Ac1 . . . Acn1 A f
S S
ur n 2. Es gilt nN An = nN A en A und die A en sind dis-
junkt). Um Durchschnittsstabilitat von (E) zu zeigen, definiere man fur jedes D (E)
die Menge
DD := {Q 2 | Q D (E)}.
e
(i) Man rechnet leicht nach, dass auch DD f

ur jedes D (E) ein Dynkinsystem ist.
(ii) Wegen der Durchschnittsstabilitat von E gilt f

ur jedes E E, dass E DE .
(iii) Aus (i) und der Minimalitat des erzeugten Dynkinsystems folgt, dass (E) DE
ur alle E E.
f
ur jedes D (E) und jedes E E, dass E D (E). Dies bedeutet

(iv) Mit (iii) gilt f
aber, dass E DD f ur alle D (E). Wegen (i) zieht dies (E) DD f ur alle
0 0
D (E) nach sich. D.h. f ur alle D, D (E) gilt D D (E).
Wir werden Satz 1.2 nur f ur den Fall beweisen, dass X ein quadratintegrierbares
Martingal ist. Jedes Semimartingal kann als Summe aus einem lokal quadratintegrierbaren
Martingal und einem Prozess von endlicher Variation dargestellt werden. Das Integral
nach dem Martingalanteil des Semimartingales ist nat urlich der interessantere Teil, weil
das Integral nach dem Anteil von endlicher Variation pfadweise als gewohnliches Lebesgue-
Stieltjes-Integral definiert werden kann. Der vollstandige Beweis von Theorem 1.2 findet
sich z.B. in Jacod/Shiryaev [4], Seiten 46 ff.
Beweis von Theorem 1.2 f
ur X quadratintegrierbares Martingal. Der Beweis besteht aus
6 Schritten.
Schritt 1: Eindeutigkeit. Der Beweis lauft vollig analog zu dem Beweis der Aussage,
dass zwei Wahrscheinlichkeitsmae, die auf einem durchschnittsstabilen Erzeuger der -
Algebra u ussen .
bereinstimmen, gleich sein m

Die geforderte Linearit
at der Fortsetzung braucht man f
ur die Eindeutigkeit (sie entspricht der Addi-
tivit
at von Wahrscheinlichkeitsmaen). Eine ,,stetige Fortsetzung des Elementarintegrals im Sinne von
7
Seien H 7 H X und H 7 H X zwei Fortsetzungen des Elementarintegrals, die
die Bedingungen (i) und (ii) erf
ullen. Wir wollen zeigen, dass die Menge
G := {A P | 1A X = 1A X bis auf Ununterscheidbarkeit}
ein Dynkinsystem ist. Bedingung (1) in Definition 1.7 ist offenbar erf ullt, da 1(0,T ] ein
elementar vorhersehbarer Prozess ist. Bedingung (2) folgt sofort aus 1Ac = 1(0,T ] 1A
und der geforderten Linearitat der beiden Fortsetzungen.
Ad (3): F
ur disjunkte A1 , A2 , . . . , An gilt
n
! n
X (i) X
1A1 A2 ...An X = 1Ak X = (1Ak X)
k=1 k=1
und aus (ii) folgt
1A1 A2 ...An X 1SmN Am X, n , gleichmaig in Wahrscheinlichkeit.
Dies gilt auch f

ur statt . Folglich ist auch Bedingung (3) erf
ullt (hierf
ur brauchen wir,
dass Limiten bzgl. der up-Konvergenz bis auf Ununterscheidbarkeit eindeutig sind) und
G ist ein Dynkinsystem.
Andererseits gilt f
ur die Menge der stochastischen Intervalle
E := {]]T1 , T2 ]] | T1 T2 Stoppzeiten mit T1 T2 },
dass E G und damit (E) G. Zudem ist E durchschnittsstabil, da
]]T1 , T2 ]]]]Te1 , Te2 ]] =]]T1 Te1 , (T2 Te2 ) T1 Te1 ]]
und Erzeuger der vorhersehbaren -Algebra auf dem Grundraum (0, T ]. Mit Theo-
rem 1.10 folgt (E) = (E). Zusammengefasst:
P = (E) = (E) G P,
also G = P.
Sei H ein vorhersehbarer, lokal beschrankter Prozess. H wird punktweise durch die
Prozesse
n 2
(n)
X k
H := 1 k1 k , n N, (1.3)
2
n { n <H n }
k=n
Bedingung (ii) im Theorem muss also nicht automatisch linear im Integranden sein obwohl das Elemen-
tarintegral selber naturlich linear ist. Dies liegt daran, dass nicht jeder vorhersehbare Prozess punktweise
durch elementar vorhersehbare Prozesse approximiert werden kann. Im Gegensatz dazu konnen adap-
tierte, linksstetige Integranden (wie wir in [7] gesehen haben) stets punktweise auf [0, T ] durch
Elementarstrategien approximiert werden.
8
approximiert. Aus G = P und der Linearitat (i) der Fortsetzungen folgt
H (n) X = H (n) X bis auf Ununterscheidbarkeit.
Zudem gilt |H (n) | |H| + 1, d.h. die Folge (H n )nN ist durch einen gemeinsamen vorher-
sehbaren, lokal beschrankter Prozess dem Betrage nach beschrankt. H (n) H punktweise
und die Stetigkeitsvoraussetzung (ii) liefert
HX=HX bis auf Ununterscheidbarkeit.
und damit Eindeutigkeit.

Schritt 2: F
ur den Existenzbeweis machen wir von der Einschrankung Gebrauch, dass
X = M ein quadratintegrierbares Martingal ist. Es gilt
E([M, M ]T ) = E(MT M0 )2 2E(M MT ) = E(MT M0 )2 = Var(MT ) < , (1.4)
siehe auch [7] fur eine ausf uhrliche Herleitung. Sei H elementar vorhersehbar und be-
schrankt. Es gilt die sog. Ito-Isometrie:
E (H MT )2 = E [[H M, H M ]T ] = E H 2 [M, M ]T ,

(1.5)
wobei die erste Gleichheit aus (1.4), angewandt auf das quadratintegriebare Martin-
gal H M , folgt und die zweite Gleichheit in [7] gezeigt wurde.
M (A) := E(1A [M, M ]T ), A P,
definiert ein Ma auf der vorhersehbaren -Algebra, das sog. Dol eans Ma. Mit dem
Satz von Fubini f
ur Ubergangskerne gilt f
ur alle vorhersehbaren Prozesse H:
Z
E(H [M, M ]T ) = H 2 dM .
2
Im Spezialfall, dass M eine Brownsche Bewegung ist, gilt M = P , wobei das

Lebesgue-Ma auf (0, T ] bezeichnet. I.A. ist M jedoch kein Produktma, da die quadra-
tische Variation zufallig sein kann.
Schritt 3: Man zeige: zu jedem vorhersehbaren, beschrankten Prozess H existiert eine

Folge von gleichmaig beschrankten Elementarintegranden (H (n) )nN mit
E (H (n) H)2 [M, M ]T 0, n .

(1.6)
Man beachte, dass wegen der endlichen Variation von [M, M ] das Integral (H (n) H)2
[M, M ]T pfadweise als Lebesgue-Stieltjes-Integral definiert werden kann. Sei
A := {A P | H = 1A erf
ullt (1.6)} .
9
Wir wollen zeigen, dass A eine -Algebra ist.
(1): 1(0,T ] lasst sich durch sich selber approximieren, also (0, T ] A.
(2): wenn 1A durch elementare H (n) approximiert wird, dann wird 1Ac durch die ele-
mentaren 1(0,T ] H (n) approximiert (beachte, dass 1(0,T ] H (n) 1Ac = (H (n) 1A )).
(3): Sei (Ak )kN A und (H (n,k) )nN , k = 1, 2, . . . approximierende Folgen von Ele-
mentarintegranden. F ur jedes m N gilt
h 2 i
E max{H (n,1) , . . . , H (n,m) } max{1A1 , . . . , 1Am } [M, M ]T
m
X
E (H (n,k) 1Ak )2 [M, M ]T 0,

n .
k=1
Da max{H (n,1) , . . . , H (n,m) } wiederum ein Elementarintegrand ist und
1A1 ...Am = max {1A1 , . . . , 1Am } ,

S S
folgt k=1,... ,m Ak A. Da 1A1 ...Am f
ur m gegen 1A mit A := lN Al konvergiert,
gilt
E (1A1 ...Am 1A )2 [M, M ]T 0,

m ,
und damit ist auch 1A im Sinne von (1.6) approximierbar (man benutze die Cauchy-
Schwarzsche Ungleichung). Da die Erzeugermengen ]]T1 , T2 ]] in A sind, folgt A = P k .

Sei nun H ein beliebiger vorhersebarer Prozess mit |H| K R+ . Ahnlich wie in
(1.3) betrachte man die Approximation
nK
e (n) :=
X k
H 1 k1 k , n N.
k=nK
n { n <H n }
Wegen A = P und der Abschatzung

m m
!2 m
X X X
al bl = (al bl )(ak bk )
l=1 l=1 l,k=1
m
1 X
(al bl )2 + (ak bk )2

2 l,k=1
m
X
m (al bl )2
l=1
gilt (1.6) f e (n) und somit auch f

ur H ur H.
k
Man beachte, dass die Ak in (3) nicht disjunkt sein m
ussen. Es kann also direkt gezeigt werden, dass
A eine -Algebra ist und nicht nur ein Dynkin-System.
10
Schritt 4: Sei H ein beschrankter und vorhersehbarer Prozess. Mit Schritt 3 existiert
eine Folge von gleichmaig beschrankten Elementarintegranden (H (n) )nN , so dass (1.6)
gilt. Wegen (1.5) ist die Folge von Zufallsvariablen (H (n) MT )nN eine Cauchy-Folge
in L2 (, F, P ). Zudem sind die Elementarintegrale H (n) M wieder quadratintegrierbare
Martingale und mit der Doobschen Ungleichung f ur quadratintegrierbare Martingale folgt
!
(m) (n)
2 2
E sup H Mt H Mt 4E H (m) MT H (n) MT .
t[0,T ]
Da der Raum D bzgl. der metrisierbaren Konvergenz uniformly in probability vollstandig

ist (siehe Skript [7]), lasst sich das Integral H M als Grenzwert der Cauchy-Folge H (n)
M definieren. Da H (n) M quadratintegrierbare Martingale sind (siehe Skript [7]) und
H (n) Mt in L2 (, F, P ) konvergieren (und damit erst recht in L1 (, F, P )) ist auch der
Grenzprozess H M ein quadratintegrierbares Martingal.
Es bleibt zu zeigen, dass H M wohldefiniert ist, d.h. die Definition hangt nicht von
der Wahl der approximierenden Folge ab. Sei dazu (H e (n) )nN eine weitere Folge, die (1.6)
erf
ullt. Aus der Dreiecksungleichung f ur die Norm
r h i
e e 2
(K, K) := E (K K) [M, M ]T (1.7)
folgt, dass die zusammengesetzte Folge

(n/2)
(n) H : f
ur n gerade
K = (n/2+1/2)
He : f
ur n ungerade.
auch eine Cauchy-Folge bzgl. ist. Mit (1.5) folgt, dass K (n) MT in L2 (, F, P ) eine
Cauchy-Folge ist. Da auch K (n) M quadratintegrierbare Martingale sind, folgt wieder
mit der Doobschen Ungleichung, dass die Prozesse K (n) M eine Cauchy-Folge bzgl. der
metrisierbaren Konvergenz uniformly in probability bilden. Dies wiederum ergibt, dass
die Grenzwerte von H (n) M und H e (n) M bis auf Ununterscheidbarkeit ubereinstim-

men .
Schritt 5: Auf die in Schritt 4 definierte Abbildung
{ reellwertige, vorhersehbare, beschrankte Prozesse} D, H 7 H M
u
bertragt sich die Ito-Isometrie (die in (1.5) f
ur Elementarintegranden gezeigt wurde).
Aus majorisierter Konvergenz folgt die geforderte Stetigkeit (ii) mit der Einschrankung,

Die Argumentation in Schritt 4 ist vollig analog zu Skript [7], wenn fur die Integranden die up-
Konvergenz durch die von aus (1.7) induzierte (schwachere) Konvergenz ersetzt wird. Mit Schritt 3
gilt, dass jeder beschr
ankte, vorhersehbare Prozess bzgl. approximierbar ist. Im Unterschied zum ent-
sprechenden Theorem in Skript [7] kommt in der Formulierung von Theorem 1.2 jedoch nicht vor.
Stetigkeit bzgl. punktweiser Konvergenz der Integranden ist hier ansprechender, da erst durch die
L
osung des Problems motiviert wird. Da die Stetigkeit (ii) in Theorem 1.2 dann jedoch schwacher ist,
musste in Schritt 1 die Eindeutigkeit der Fortsetzung bewiesen werden, wozu die zusatzlich zu fordernde
Linearitat der Fortsetzung gebraucht wurde.
11
dass die Majorante K ein beschrankter (und nicht nur lokal beschrankter Prozess) sein
muss. Damit ist die Existenz f ur alle beschrankten Integranden mit der abgeschwachten
Stetigkeit gezeigt. Die Linearitat folgt aus der Linearitat des Elementarintegrals und der
Approximation durch Elementarintegrale.
Schritt 6: Sei H ein vorhersehbarer lokal beschrankter Prozess, s.d. |H Tn | n f

ur eine
lokalisierende Folge (Tn )nN von Stoppzeiten. Da H1[[0,Tn ]] vorhersehbar und beschrankt
ist, ist das Integral von H1[[0,Tn ]] nach M mit Schritt 4 definiert. Definiere nun
H M := (H1]]0,Tn ]] ) M auf [[0, Tn ]]. (1.8)
Jedes (, t) ist in einer Menge [[0, Tn ]], n N, enthalten. Damit die linke Seite von (1.8)
wohldefiniert ist (also nicht von n und auch nicht von der Wahl der Folge (Tn )nN abhangt),
muss gezeigt werden, dass f ur alle Stoppzeiten 1 , 2 gilt
(H1]]0,1 ]] ) M = (H1]]0,2 ]] ) M auf [[0, 1 2 ]]. (1.9)
Wenn (1.9) gilt, ist es nicht moglich, mit verschiedenen Lokalisierungsfolgen durch (1.8)
verschiedene Integrale ,,H nach M zu definieren. (1.9) folgt aus
((H1]]0,i ]] ) M )1 2 = (H1]]0,1 2 ]] ) M, i {0, 1}. (1.10)
Hier geht Eigenschaft (a) in Theorem 1.21 des stochastischen Integrals ein, die f ur das
Integral mit beschrankten vorhersehbaren Integranden eigentlich an dieser Stelle noch
gezeigt werden m usste (f
ur linksstetige Integranden haben wir dies bereits getan).
Die Stetigkeitsbedingung (ii) f ur das in (1.8) definierte Integral kann man auf die
abgeschwachte Stetigkeit fur beschrankte Integranden (Schritt 5) zuruckf
uhren (Ubung).
Bemerkung 1.12. Der entscheidende Unterschied zu dem uniformly in probability

approach in [7] ist, dass H nicht mehr gleichmaig in der Zeit approximiert werden muss
(die Konvergenz in (1.6) ist wesentlich schwacher). In Beispiel 1.25 werden wir sehen,
dass die damit ermoglichte Erweiterung der Strategiemenge in der Portfoliooptimierung
von Interesse ist. Auch werden Investitionen zu einzelnen Zeitpunkten moglich. Etwa H =
1{t0 } , was bedeutet, dass die Investorin (nur) in den Sprung Mt0 Mt0 investiert .
Zum Zeitpunkt t0 kauft sie eine Aktie und verkauft sie wieder zum Zeitpunkt t0 .
Wir geben der Vollstandigkeit halber noch die Definition des allgemeinsten stocha-
stischen Integrals an. Nehme dazu an, dass das Integral fu r alle vorhersehbaren
lokal beschr ankten Integranden H bereits definiert ist. Im d-dimensionalen Fall
dass H = (H 1 , . . . , H d ) mit lokal beschrankten reellwertigen Prozessen H i
bedeutet dies, P
und H X := di=1 H i X.

H = 1{t0 } kann offenbar nicht gleichmaig in der Zeit durch Integranden der Form (1.2) approxi-
miert werden, wie das f
ur den uniformly in probability approach erforderlich ware.
12
Definition 1.13. [Allgemeinstes stochastisches Integral] Sei X ein Rd -wertiges Semimar-
tingal. Mit L(X) wollen wir die Menge aller Integranden H bezeichnen, f ur die wir H X
definieren konnen.

L(X) := H | H ist ein Rd -wertiger vorhersehbarer Prozess mit der Eigenschaft, dass
ein R-wertiges Semimartingal Z existiert mit Z0 = 0 und

ur alle n N. (1.11)
(H1{maxi=1,... ,d |H i |n} ) X = 1{maxi=1,... ,d |H i |n} Z f
| {z } | {z }
beschr
ankter Prozess beschr
ankter Prozess
ur H L(X) definiere H X := Z.
F
Bemerkung 1.14. Offenbar ist im Falle H L(X) das Integral H X wohldefiniert,

d.h. f
ur jedes H kann es bis auf Ununterscheidbarkeit hochstens ein Semimartingal Z
geben, das obige Bedingung erf ullt. Nehme dazu an, es gabe zwei Semimartingale Z und
Z,
e die (1.11) erfullen. Es folgt
1{maxi=1,... ,d |H i |n} Z = 1{maxi=1,... ,d |H i |n} Ze n N
(bis auf Ununterscheidbarkeit). F ur n gilt 1{maxi=1,... ,d |H i |n} 1 punktweise und

damit folgt mit der Stetigkeit aus Theorem 1.2 f
ur beschrankte Integranden
1{maxi=1,... ,d |H i |n} Z 1 Z = Z
und
1{maxi=1,... ,d |H i |n} Ze 1 Ze = Ze
(gleichmaig in Wahrscheinlichkeit). Es folgt Z = Ze bis auf Ununterscheidbarkeit.
Bemerkung 1.15. F ur die Menge (bP)loc der lokal beschrankten Prozesse gilt (bP)loc
L(X) (fur jedes Semimartingal X) und das Integral stimmt tatsachlich mit dem aus Theo-
rem 1.2 uberein. Dazu muss man nur zeigen, dass das Semimartingal Z = H X aus
Theorem 1.2 die Bedingung in (1.11) erf ullt. Dies folgt aus Eigenschaft (c) in Theo-
rem 1.21 f
ur das mit Theorem 1.2 definierte stochastische Integral mit lokal beschrankten
Integranden (hier nicht bewiesen).
Bemerkung 1.16. Das Attribut allgemeinstes lasst sich wie folgt erklaren. Man nehme
an, f
ur einen Integranden H liee sich ein Integral H X definieren, das ein Semimar-
tingal sei und es gelte zudem Assoziativitat (vgl. Theorem 1.21(c)) im Sinne von
1{maxi=1,... ,d |H i |n} (H X) = (H1{maxi=1,... ,d |H i |n} ) X, n N.
D.h. jedoch, die Bedingung in (1.11) ware f

ur Z = H X erf
ullt. Die Bedingung in (1.11)
ist damit auch notwendig f
ur ein Integral mit sinnvollen Eigenschaften.
13
Bemerkung 1.17. Es kann sein, dass das Integral H X im Sinne von Definition 1.11
existiert, aber die entsprechenden eindimensionalen Integrale H i X i nicht im Sinne
von Definition 1.11 existieren w urden. Dieses Phanomen kann auftreten, wenn sich beim
zugrundeliegenden Grenz ubergang die einzelnen Komponenten H j 1{maxi=1,... ,d |H i |n} X,
j = 1, . . . , d, gegenseitig kompensieren. Einfachstes Beispiel ist das Integral H X mit
H = (H 1 , H 1 ) und X = (X 1 , X 1 ), das stets existiert und Null ist (wenn H vorhersehbar
und X Semimartingal).
Bemerkung 1.18. An der hier gewahlten Definition von L(X) wird sofort deutlich,
dass die Menge der Integranden sich nicht andert, wenn wir zu einem aquivalentem
Ma Q u bergehen (da die Menge der Semimartingale sich unter einem Mawechsel nicht
verandert)
Definition 1.19. Eine Stoppzeit heit vorhersehrbar, wenn ihr Graph Element der
vorhersehrbaren -Algebra ist, d.h. [[ ]] P.
Beispiel 1.20. Deterministische Stoppzeiten t (0, T ] sind vorhersehrbar, da

1
{t} = nN (t , t] P.
n
Allgemeiner sind verschobene Stoppzeiten vorhersehbar, d.h. + mit Stoppzeit und
> 0. Spr
unge von (Compound-)Poisson-Prozessen sind dagegen nicht vorhersehrbar.
Die Eigenschaften des stochastischen Integrals H X wie wir sie f ur linksstetige H

formal hergeleitet haben, gelten auch f
ur das allgemeinere Integral nach Definition 1.13.
Wir f
uhren diese Eigenschaften (ohne Beweis) nochmal auf.
Theorem 1.21. Das stochastische Integral H ur H L(X) hat folgende Eigen-

X f
schaften:
(a) Sei eine [0, T ]-wertige Stoppzeit. Dann gilt
(H X) = (H1[[0, ]] ) X = H (X ).
(b) Der Sprungprozess des Integrals, also der Prozess s 7 (H X)s , ist ununter-
scheidbar von dem Prozess s 7 Hs> (Xs ).
(c) Assoziativitat: Der Prozess Y = H X ist ein Semimartingal (hier per Definition
der Menge L(X)). G L(Y ) ist aquivalent zu GH L(X) und in diesem Fall gilt
G Y = G (H X) = (GH) X.
(d) Bezeichne mit Mloc die Menge der lokalen Martingale. Es gilt folgende Implikation:
X Mloc und H vorhersehbar und lokal beschrankt = H X Mloc .

Die Menge L(X) hat viele interessante Eigenschaften und lasst sich auch vollig anders einf
uhren,
siehe z.B. Jacod/Shiryaev, Seiten 207 ff.
14
ur alle H L(X) gilt die Implikation: X Mloc und H X einseitig beschrankt
(e) F
= H X Mloc
(Ein Prozess Y heit einseitig beschrankt, wenn es ein a R gibt, so dass entweder
Y a bis auf Ununterscheidbarkeit oder Y a bis auf Ununterscheidbarkeit)
(f ) Sei eine vorhersehbare [0, T ]-wertige Stoppzeit und sei Y ein F -messbare (reell-
wertige) Zufallsvariable. Dann ist der Prozess H(, t) := Y ()1[[ ]] (, t) vorherseh-
bar und lokal beschrankt und es gilt H X = Y X 1[[,T ]]
Bemerkung 1.22. Eigenschaft (f ) wird es der Investorin erlauben, (nur) zu einem ein-
zelnen Zeitpunkt, namlich hier , in eine Aktie (mit Preisprozess X) zu investieren. Sie
kauft Y Aktien zum Zeitpunkt und verkauft sie zum Zeitpunkt bzw. + (wegen der
Rechtsstetigkeit der Preisprozesse ist diese Unterscheidung nicht relevant). Der Gewinn
(bzw. Verlust) aus dieser Transaktion betragt gerade Y X .
Definition 1.23. Sei B eine Standard-Brownsche Bewegung. Definiere

Z T
2 2
L (B) := H | H vorhersehbarer Prozess mit E Ht dt <
0
und
Z T
L2loc (B) := H | H vorhersehbarer Prozess mit P Ht2 dt < = 1 .
0
Die Bezeichnung ,,loc ist gerechtfertigt durch:
H L2loc (B) lokalisierende Folge (Tn )nN s.d. H1[[0,Tn ]] L2 (B).
Proposition 1.24. Es gilt L2loc (B) L(B), d.h. das stochastische Integral nach einer
ur alle Integranden H L2loc (B) definiert.
Brownschen Bewegung ist f
Beweis. Schritt 1: Sei H ein vorhersehbarer Prozess mit

Z T
2
P Ht dt < = 1. (1.12)
0
Definiere
Z t
Tn := inf{t [0, T ] | Hs2 ds = n} T.
0
Wegen (1.12) ist (Tn )nN lokalisierend. Es gilt

Z T
2
E Ht 1[0,Tn ] (t) dt n < .
0
15
Der Integrand H1[[0,Tn ]] ist i.A. nicht beschrankt. Wegen majorisierter Konvergenz lasst er
sich aber im folgenden Sinne durch beschrankte Integranden H (n,m) := H1[[0,Tn ]]{|H|m}
approximieren:
Z T 2
(n,m)
E Ht Ht 1[0,Tn ] (t) dt 0, m . (1.13)
0
Im Beweis von Theorem 1.2 wurde gezeigt, dass die Ito-Isometrie (1.5) nicht nur f ur
Elementarintegrale sondern f
ur alle Integrale mit beschrankten Integranden und quadra-
tintegrierbaren Martingalen als Integratoren gilt und damit
Z T 2
(n,m) 2
(n,m)
E (H B )
T =E Ht dt . (1.14)
0
Mit (1.13) und (1.14) folgt wie in Schritt 4 im Beweis von Theorem 1.2, dass (H (n,m)
B)mN eine up-Cauchy-Folge ist. Damit lasst sich das Integral (H1[[0,Tn ]] ) B als Limes der
Folge (H (n,m) B)mN f
ur m definieren. Wie in Schritt 6 im Beweis von Theorem 1.2
definiert man
H B := (H1[[0,Tn ]] ) B auf [[0, Tn ]].
Beachte zudem, dass (H1[[0,Tn ]] ) B ein quadratintegrierbares Martingal ist.
Schritt 2: Der in Schritt 1 konstruierte Prozess H B ist ein lokal quadratintegrier-

bares Martingal und damit ein Semimartingal. Es bleibt zu zeigen, dass Z := H B die
Bedingung in Definition 1.13 erf
ullt, also
(H1{|H|k} ) B = 1{|H|k} (H B) k N. (1.15)
Dies bedeutet dann H L(B). Offenbar reicht es aus (1.15) f ur H1[[0,Tn ]] statt f
ur H zu
zeigen. Die Assoziativitat des Integrals aus Theorem 1.21(c) nur auf beschrankte Inte-
granden angewandt ergibt
(H (n,m) 1{|H1[[0,Tn ]] |k} ) B = 1{|H1[[0,Tn ]] |k} (H (n,m) B).
Nun lasst man m gegen gehen. Wegen H (n,m) H1[[0,Tn ]] f ur m punktweise,

der Majorante k und der Stetigkeit des Integrals konvergiert die linke Seite gegen den
Prozess (H1{|H1[[0,Tn ]] |k} ) B uniformly in probability. Es bleibt zu zeigen, dass die rechte
16
Seite gegen 1{|H1[[0,Tn ]] |k} (H1[[0,Tn ]] B) konvergiert. Aus
2
(n,m)
E 1{|H1[[0,Tn ]] |k} (H T 1{|H1[[0,Tn ]] |k} (H1[[0,Tn ]] B)T
B)
2
(n,m)
=E 1{|H1[[0,Tn ]] |k} ((H
H1[[0,Tn ]] ) B)T

= E 1{|H1[[0,Tn ]] |k} [(H (n,m) H1[[0,Tn ]] ) B, (H (n,m) H1[[0,Tn ]] ) B]T
E [(H (n,m) H1[[0,Tn ]] ) B, (H (n,m) H1[[0,Tn ]] ) B]T

Z T
(n,m) 2
=E (Ht Ht 1[0,Tn ] (t)) dt
0
(1.13)
0, m
und der Doobschen-Ungleichung f ur quadratintegrierbare Martingale folgt 1{|H1[[0,Tn ]] |k}
(H (n,m) B) 1{|H1[[0,Tn ]] |k} (H1[[0,Tn ]] B) f
ur m uniformly in probability und
damit
(H1[[0,Tn ]] 1{|H1[[0,Tn ]] |k} ) B = 1{|H1[[0,Tn ]] |k} (H1[[0,Tn ]] B).
1.2 Notwendigkeit nichtregul

arer Handelsstrategien
Ein wichtiger Grund, uberhaupt zeitstetige Handelsstrategien zuzulassen (und sich nicht
auf elementare Strategien wie in (1.2) zu beschranken), ist, dass Optimierungsprobleme ihr
Maximum annehmen sollen. Bei elementaren Strategien ware dies nicht zu erwarten. Wenn
es das Optimierungskriterium erfordern sollte, laufend seine Strategie anzupassen, konnte
man in der Menge der Elementarstrategien bestenfalls eine approximierende Folge finden,
was die Analyse ziemlich unhandlich machen w urde. Die Konvergenz gleichmaig in
Wahrscheinlichkeit (gleichmaige Konvergenz in der Zeit), die auf L als den Abschluss der
Elementarstrategien f
uhrt (vgl. [7]), ist jedoch i.A. zu stark, als dass man den Maximierer
immer im Abschluss erwarten sollte. Dies demonstriert folgendes Beispiel:
Beispiel 1.25. Betrachte den deterministischen Aktienpreisprozess
Z t
S(t) = (s) ds, t [0, T ],
0
wobei eine beschrankte Borel-messbare Funktion ist. : [0, T ] R muss nicht regular
sein, also weder links- noch rechtsstetig. konnte etwa die Funktion

1
(t) := sin 1(t < T /2) (1.16)
T /2 t
sein, deren linker Limes in T /2 nicht existiert. S(t) ist als Lebesgue-Integral definiert
und stetig in t. Versuche, optimal in diese Aktie zu investieren, unter der Nebenbe-
dingung, dass f ur die Anzahl ((t))t[0,T ] , die hier nicht stochastisch sondern nur eine
17
(Borel-messbare) Funktion in der Zeit ist, gilt || 1. Aus der Assoziativitat des Integrals
(bzw. aus dem Trafosatz) folgt
Z T Z T
Handelsgewinn = (t) dS(t) = (t)(t) dt.
0 0
Offenbar lost

1 : fur (t) 0
(t)
b = (1.17)
1 : f
ur (t) < 0.
das Optimierungsproblem.
R T Aus Schritt 3 des Beweises von Theorem 1.2 folgt, dass der opti-
male Handelsgewinn 0 (t) b dS(t) durch Elementarintegranden (1.2) approximiert werden
kann. Die Borel-messbare Menge {t [0, T ] | (t) 0} lasst sich namlich durch endliche
Vereinigungen von Intervallen beliebig gut im Sinne des Lebesgue-Maes approximieren,
ur jedes > 0 existiert eine disjunkte Vereinigung von Intervallen = nk=1 (tk1 , tk ]
d.h. f
mit
({t [0, T ] | (t) 0} ) , (1.18)
wobei das Lebesgue-Ma und die symmetrische Differenz zweier Mengen symbo-
lisieren (die Menge der im Sinne von (1.18) f ur alle > 0 approximierbaren Men-
RT
gen ist eine -Algebra). Der maximale theoretische Handelsgewinn 0 (t) b dS(t) lasst
sich also durch endlich viele Portfolioumschichtungen zumindest approximieren. Daher
kann man die nicht regulare Funktion (1.17) als sinnvolle Losung des Investitionspro-
blems bezeichnen. Andererseits sieht man bei der Wahl des Driftterms (1.16), dass keine
linksstetige Stratgie das Optimum annimmt. Jedes Optimum muss namlich bis auf eine
Lebesguesche-Nullmenge mit (1.17) u bereinstimmen. Dies konnen aber nur Strategien e
mit (T /2 , T /2) { 6 und (T /2 , T /2) {
e = 1} = e = 1} = 6 f
ur alle > 0. Dies
ist aber mit der Existenz des linken Limes in T /2 nicht vereinbar.
(Man beachte, dass man den Effekt auch mit einem stetigem erreichen kann, etwa
durch Multiplikation von (1.16) mit dem Faktor T /2 t)
Der (interessantere) stochastische Fall sieht ganz ahnlich aus. Da man sein Kapi-
tel laufend ohne Transaktionskosten umschichten kann, bestimmen auch hier die lokalen
stochastischen Charakteristiken (Driftrate, lokale Volatilitat, Sprungrate)
Rt die RInvestitions-
t
entscheidungen. Beispiel wie oben mit dem Ito-Prozess St = s0 + 0 s ds + 0 s dWs .
RT
Analog kann der Claim H = 0 (t) dSbt , wobei Sb den diskontierten Aktienpreis be-
zeichnet, trivialerweise repliziert werden. Wenn wie in (1.16) gew ahlt ist, repliziert
jedoch im Black-Scholes Modell keine linksstetige Strategie den Claim (aus der
Ito-Isometrie folgt, dass eine den Claim H replizierende Strategie auf P -fast allen Pfaden
zu Lebesgue fast allen Zeitpunkten mit u bereinstimmen m usste).
Es ist also nicht verwunderlich, dass der Martingaldarstellungssatz, den wir spater be-
handeln werden (siehe Theorem 2.2), die groere Menge aus Definition 1.13 an erlaubten
Strategien benotigt. Man beachte jedoch, dass die Black-Scholes-Formel mit einer Opti-
onsauszahlung, die nur vom Endwert des Underlyings abhangt, mathematisch rigoros mit
Integranden aus L hergeleitetet werden konnte (siehe [7]).
18
Bemerkung 1.26. Mit Definition 1.13 ist das Elementarintegral hinreichend weit fortge-
setzt, um f
ur Optimierungsprobleme Maximierer zu erhalten. Bei typischen Beispielen
ist der Optimierer oder die Hedgingstrategie dann doch wieder ein linksstetiger stochasti-
scher Prozess. Obiges Beispiel zeigt aber, dass L keine okonomisch sinnvolle Menge f ur
die erlaubten Strategien ist.
1.3 Zul
assige Strategien und No-Arbitrage
Definition 1.27. Mit
d
X
Vt := it Sti , t [0, T ]
i=0
bezeichnen wir den Vermogensprozess der Investorin.

Definition 1.28. Eine Handelsstrategie = (0 , 1 , . . . , d ) heit selbstfinanzierend zum
ur den zugehorigen Vermogensprozess Vt () = di=0 it Sti gilt:
P
Startkapital v0 , wenn f
d
X d
X
i
Vt = v0 + Sti , t [0, T ], wobei v0 := i0 S0i . (1.19)
i=0 i=0
Differentielle Schreibweise:
d
X
dVt = it dSti , t [0, T ].
i=0
Interpretation: Eine Handelsstrategie ist selbstfinanzierend,

Pd wenn die Schwankun-
i i
gen des zugehorigen Vermogensprozesses V () = i=0 S ausschlielich aus den Preis-
veranderungen der im Portfolio enthaltenen Wertpapiere resultieren. Es gibt also keine
externe Kapitalentnahme oder -zuf uhrung. Alle Umschichtungen des Portfolio m ussen ko-
stenneutral erfolgen.
Es macht in der Regel wenig Sinn, zwei Vermogen zu verschiedenen Zeitpunkten di-
rekt miteinander zu vergleichen. 1 Euro zum Zeitpunkt 0 ist in der Regel mehr wert als
1 Euro zum Zeitpunkt 1. Deshalb vergleicht man beide Werte mit einem Bezugsprozess
(Nt )t[0,T ] , den wir Numeraire nennen. Sprich, Wertgroen werden als Vielfachheiten des
Numeraires ausgedr uckt. Statt Vt schauen wir uns den Prozess NVtt an.
Typisches Beispiel ist der Guthabenprozess eines risikolosen Bankkontos mit fester
Verzinsung r > 0, d.h. Nt = ert , t [0, T ].
Eine solche Anlagemoglichkeit muss nat urlich nicht existieren (Man beachte, dass kei-
i
ner der Preisprozesse S , i = 0, . . . , d, deterministisch sein muss).
Wegen moglicher Wechselkursrisiken ist f ur den Begriff der Risikolosigkeit auch von
Bedeutung, in welcher Wahrung die Investorin rechnet. Wir werden spater sehen, dass
es rechentechnisch sinnvoll ist, f ur N den Preisprozess eines handelbaren Wertpapiers
0
anzusetzen, also z.B. S . Auch okonomisch kann es sinnvoll sein, ein handelbares Numeraire
19
zu wahlen. Nt lasst sich dann mit Startkapital N0 am Markt erzeugen. Dies deutet, dass
das erzielte Vermogen mit einer Referenzanlagemoglichkeit verglichen wird.
Zunachst wird aber nur vorausgesetzt, dass N ein Semimartingal ist mit
inf Nt > 0, P -f.s. (1.20)
t[0,T ]
(spater meistens N = S 0 , was bedeutet, dass wir Bedingung (1.20) auch an den Preispro-
zess S 0 stellen). Mit Sbi bzw. Vb bezeichnen wir die diskontierten Preis- und Vermogen-
sprozesse, d.h.
Xd
i Si
S := N und V := N =
b b V
i Sbi .
i=0
Bemerkung 1.29. Mit der Ito-Formel und (1.20) folgt, dass der Prozess N1 ein Se-
mimartingal ist Damit sind diskontierte Wertgroen genau dann Semimartingale, wenn
die urspr
unglichen Wertgroen Semimartingale sind.
Theorem 1.30. Sei = (0P , 1 , . . . , d ) eine Handelsstrategie und V der dazugehorige
Vermogensprozess, d.h. Vt = di=0 it Sti , t [0, T ]. V ist genau dann selbstfinanzierend
zum Startkapital v0 , wenn
d
X
Vbt = vb0 + i Sbti , t [0, T ], (1.21)
i=0
v0
wobei vb0 := N0
.
Beweis: siehe Skript [7].
Bemerkung 1.31. Theorem 1.30 besagt, dass die Selbstfinanzierungseigenschaft einer
Strategie nicht davon abhangt, ob alle Wertgroen als Vielfachheiten der Eins oder als
Vielfachheiten des Numeraires N verrechnet werden.
Dies erweist sich als sehr nutzlich. Wahlt man N = S 0 , so ist (1.21) wegen Sb0 = 1
aquivalent zu:
d
X d
X
0t + it Sbti = vb0 + i Sbti . (1.22)
i=1 i=1
Da auf der rechten Seite von (1.22) nicht mehr vorkommt, kann man nach 0 auflosen
0
und erhalt
d
X d
X
0t = vb0 + i Sbti it Sbti
i=1 i=1
d d
(i bi ) = i S
S bi X X
= vb0 + i Sbt
i
it Sbt
i
(1.23)
i=1 i=1

Dazu definiere man die lokalisierende Folge Tn := inf{t 0 | Nt 1/n}. Dann wende man die It o-
Formel auf eine Funktion f C 2 (R) an, die f (x) = 1/x f ullt. Es folgt, dass der Prozess N1
ur x 1/n erf
bis strikt vor Tn (und damit auch bis einschlielich Tn ) ein Semimartingal ist. Da lokale Semimartingale
Semimartingale sind, folgt, dass N1 ein Semimartingal ist.
20
Der Prozess in der letzten Zeile von (1.23) ist offenbar vorhersehbar und lokal beschrankt
(da alle auftretenden Summanden dies sind). Damit ist 0 ein zulassiger Integrand,
der die Strategie (1 , . . . , d ) selbstfinanzierend macht ohne selber in den Ausdruck
vb0 + di=0 i Sbi einzugehen.
P
Im Folgenden sei stets N = S 0 , d.h. das Numeraire ist der Preisprozess

eines handelbaren Wertpapiers.
Definition 1.32. Eine selbstfinanzierende Strategie = (0 , 1 , . . . , d ) L(S) heit

zul ur den zugehorigen Vermogensprozess V gilt: Vbt a t [0, T ], f
assig, wenn f ur
0
ein a R+ (endlicher Kreditrahmen) (oder aquivalent: Vt aSt t [0, T ]).
Definition 1.33. (1) Eine zulassige Strategie heit Arbitragem oglichkeit, wenn
ur den zugehorigen Vermogensprozess V gilt V0 = 0, P (VT 0) = 1 und P (VT >
f
0) > 0. Ein Marktmodell heit arbitragefrei, wenn es in ihm keine Arbitra-
gemoglichkeit gibt.
(2) Eine Folge von zulassigen Strategien ((n) )nN heit Gewinnm oglichkeit mit
verschwindendem Risiko, wenn es eine Zufallsvariable f mit P (f 0) = 1,
P (f > 0) > 0 und eine Nullfolge (n )nN R \ {0}, n 0, gibt, so dass f
ur die Fol-
ge der zugehorigen diskontierten Vermogensprozesse Vb ( ) gilt, dass Vb0 ((n) ) = 0
(n)
und

P f VbT ((n) ) + n = 1, n N.
Ein Marktmodell erf

ullt die Bedingung no free lunch with vanishing risk
(NFLVR), wenn es in ihm keine Gewinnmoglichkeit mit verschwindendem Risiko
gibt .
Eine Gewinnmoglichkeit mit verschwindendem Risiko liefert also bis auf Verluste,
die gleichmaig gegen Null konvergieren, einen Arbitragegewinn f .
Wieso definiert man eine Arbitrage nicht wie folgt ?
ur Vb () muss gelten Vb0 = 0, P (Vbt 0, t [0, T ]) = 1 und P (VbT > 0) > 0 ? (1.24)
F
Betrachte dazu das folgende Finanzmarktmodell.
Beispiel 1.34. Sei T = 1 und : [0, 1] eine zufallige Zeit, die gleichverteilt ist,
d.h. P ( t) = t, t [0, 1]. (Ft )t[0,T ] soll die minimale Filtrierung sein, so dass eine
Stoppzeit ist, also Ft = ({ s}, s t). D.h. mit der Information zum Zeitpunkt t
wei man, ob in das Intervall [0, t] fallt oder nicht. Wenn noch nicht eingetreten ist,
gibt es aber keine weiteren Informationen. ist keine vorhersehbare Stoppzeit.

Englische Redewendung There aint no such thing as a free lunch, die durch den Science-Fiction-
Autor Robert A. Heinlein in seinem Roman The Moon Is a Harsh Mistress von 1966 popular gemacht
wurde.
21
Der Markt soll nun aus S 0 = 1 und einem risikobehafteten Wertpapier S 1 mit folgen-
dem Preisprozess bestehen:

1 1 t : f
ur > t
St :=
2 ur t.
: f
Der Markt ist nicht arbitragefrei. Ein risikoloser Gewinn lat sich erzielen, indem man
zum Zeitpunkt 0 eine Aktien zum Preis S01 = 1 kauft und daf ur einen Bond S 0 shortet.
Halt man diese Position bis zum Zeitpunkt 1 so ergibt dies mit Wahrscheinlichkeit 1 den
Gewinn 1. Diese Strategie ist zulassig, da der Vermogensprozess wahrend der gesamten
Laufzeit nach unten durch 1 beschrankt ist.
Das interessante an dem Beispiel ist, dass man eine Arbitrage nur erzielen kann, wenn
man sich zwischenzeitlich verschuldet. Dies ist in zeitdiskreten Modellen anders (siehe
z.B. Proposition 1.16 im Skript). In zeitdiskreten, nicht arbitragefreien Modellen (mit
endlichem Zeithorizont) existiert immer eine Arbitragestrategie, bei der man sich zwi-
schenzeitlich nicht verschulden muss. Man kann dort namlich die Arbitrage auch in einer
einzigen Handelsperiode erzielen.
Offenbar gibt es keine Strategie , die (1.24) erf

ullt. Wie kann man das zeigen ? Da
ur alle t [0, 1) m
P ( > t) > 0 f usste
Z t
u du 0 t [0, 1) (1.25)
0
gelten (dies sind die Handelsgewinne bis t, wenn > t). Die Investorin darf also im
zeitlichen Mittel nicht mehr long als short gehen. Andererseits kann der Kurs jederzeit
um mindestens 1 nach oben springen, was bei Short-Positionen R t zu Verlusten f
uhrt, die
die vorherigen Gewinne nicht dominieren d urfen. Also: t 0 u du 0 f ur Lebesgue-
fast alle t, da ansonsten Handelsgewinn mit positiver Wahrscheinlichkeit negativ w urde.
Das Lemma von Gronwall impliziert f ur jede integrierbare Funktion f und C R+ die
Implikation:
Z t
f (t) C f (u) du t 0 = f (t) 0 t 0.
0
Man beachte, dass es bei der Implikation ausreichen w urde, die linke Seite nur f
ur Lebesgue-
fast alle t zu fordern (wieso ?) Es folgt 0 und damit wegen (1.25) = 0 Lebesgue-fast
u
berall. F ur eine solche Strategie gilt aber P (Vb1 = 0) = 1.
Definition 1.35. Seien S i , i = 0, . . . , d nichtnegative Semimartingale. Ein Ma Q heit

aquivalentes Martingalma (AMM), bzgl. des Numeraires S 0 , wenn Q P und Sbi , i =
0, . . . , d, Q-lokale Martingale sind.
Bemerkung 1.36. (1) In zeitdiskreten Modellen wird von einem Martingalma gefor-
dert, dass unter ihm die diskontierten Preisprozesse echte Martingale sind. Man be-
achte jedoch, dass die beiden Definitionen konsistent zueinander sind, da in diskreter
Zeit jedes nichtnegative lokale Martingal ein echtes Martingal ist (siehe Skript [8]).
22
(2) Betrachte den st
uckweise konstanten nichtnegativen Preisprozess S mit S0 = 1 und
n
Y
S 12n = Ak , n = 1, 2, 3, . . .
k=1
d.h.
1
blog2 ( 1t )c
Y
St = Ak , t (0, 1),
k=1
wobei bxc := max{n N0 | n x} und (Ak )kN unter P i.i.d. ist mit P (A1 =
2) = P (A1 = 0) = 1/2. In jedem Zeitpunkt t = 1/2, 3/4, 7/8, . . . verdoppelt sich der
Aktienpreis oder er fallt auf 0, wo er dann auch bleibt. Der Markt ist arbitragefrei mit
eindeutigem Martingalma P , unter dem der Aktienpreis aber kein echtes Martingal
ist, da P (S1 = 0) = 1.
Lemma 1.37. Jedes nach unten beschrankte lokale Supermartingal ist ein Supermartin-
gal.
Bemerkung 1.38. Insbesondere ist jedes nach unten beschrankte lokale Martingal ein
Supermartingal.
Beweis. Sei Y ein lokales Supermartingal und o.B.d.A. Y 0. Es existiert also eine
lokalisierende Folge (Tn )nN von Stoppzeiten mit E [1A (Yt2 Tn Yt1 Tn )] 0 f
ur alle n
N, 0 t1 t2 T , A Ft1 .
Schritt 1: Zunachst zeigt man, dass t [0, T ] Yt integrierbar ist. Aus dem Lemma von
Fatou folgt
E(Yt ) lim inf E(YtTn ) lim inf E(Y0Tn ) = E(Y0T1 ) R+
n n
-
da Y Tn Supermartingale
Schritt 2: Es gilt 1A (Yt2 Tn Yt1 Tn ) Yt1 .

Damit kann man Fatou auf die nichtnegative Folge Zn := 1A (Yt2 Tn Yt1 Tn ) + Yt1
anwenden und es folgt (da EYt1 < ):

E(1A (Yt2 Yt1 )) = E lim [1A (Yt2 Tn Yt1 Tn ) + Yt1 ] E(Yt1 )
n
lim inf E(1A (Yt2 Tn Yt1 Tn ) + Yt1 ) E(Yt1 )
n
lim inf E(1A (Yt2 Tn Yt1 Tn )) 0.
n
Damit ist Y ein Supermartingal.

Bemerkung 1.39. In (endlicher) diskreter Zeit ist jedes nach unten beschrankte nicht-
negative lokale Martingal sogar ein Martingal und nicht nur ein Supermartingal (siehe
Skript [8]). Der Unterschied im Zeitstetigen besteht darin, dass aus Schritt 1 im Beweis,
namlich E(Yt ) < fur alle t [0, T ], nicht folgt, dass E(supt[0,T ] Yt ) < . Damit gibt
es keine integrierbare Majorante der punktweisen Konvergenz in Schritt 2.
23

Theorem 1.40. Sei Q ein AMM und eine zulassige Strategie. Dann ist Vb = Vb () ein
Q-Supermartingal.
Beweis. Da Vb = vb+ Sb und nach unten beschrankte Integrale nach lokalen Martingalen
wieder lokale Martingale sind (Theorem 1.21(e)), ist Vb ein Q-lokales Martingal und das
Theorem ergibt sich aus Lemma 1.37.

Theorem 1.41. Wenn ein AMM existiert, dann erf
ullt der Markt NFLVR.
Beweis. Sei eine zulassige Strategie mit Vb0 () = 0. Aus Theorem 1.40 folgt
EQ (VbT ()) 0. (1.26)
Nehme nun an, der Markt erf ulle nicht NFLVR. Dann gabe es eine Zufallsvariable f 0
mit P (f > 0) > 0, eine Folge ((n) )nN von zulassigen Strategien und eine Folge (n )nN
R \ {0}, n 0, so dass Vb0 ((n) ) = 0 und
0 f VbT ((n) ) + n .
Wegen (1.26) ergibt dies EQ (f ) 0 und somit Q(f = 0) = 1, was P (f = 0) = 1 nach sich
zieht. Dies ist aber ein Widerspruch zur Annahme. Also kann es kein NFLVR geben.

Die Umkehrung von Theorem 1.41 ware die interessante Richtung: NFLVR AMM.
Sie ist ungleich schwieriger und wurde von Delbaen und Schachermayer bewiesen.
Theorem 1.42. [Fundamental theorem of asset pricing (Debaen/Schachermayer)] Es

existiert genau dann ein AMM, wenn die Bedingung NFLVR erf
ullt ist.
2 Vollst
andige Finanzm
arkte
Definition 2.1. Ein Finanzmarktmodell heit vollstandig, wenn sich jede beschrankte
zufallige Auszahlung H L (, FT , P ) als Endwert eines selbstfinanzierenden Vermogen-
sprozesses darstellen lasst .
Sei (Bt )t[0,T ] = (Bt1 , . . . , Btn )t[0,T ] eine Standard n-dimensionale intrinsische Brown-
sche Bewegung auf einem vollstandigen Wahrscheinlichkeitsraum (, F, P ). Dies bedeutet,
dass die Prozesse B 1 , B 2 , . . . , B n stochastisch unabhangig sind und alle B k , k = 1, . . . , n
(eindimensionale) Standard Brownsche Bewegungen sind. Die von B erzeugte Filtrierung
FB := (FtB )t[0,T ] ist nun definiert als
FtB := (Bsi , s t, i = 1, . . . , n, N ), t [0, T ], (2.27)

Formal ist ein Finanzmarktmodell gegeben durch einen filtrierten Wahrscheinlichkeitsraum
(, F, (Ft )t[0,T ] , P ) und die Preisprozesse S 0 , S 1 , . . . , S d der handelbaren Wertpapiere. Insbesondere
hangt Vollstandigkeit (wie Arbitragefreiheit) auch von der Filtrierung (Ft )t[0,T ] also von dem Informa-
tionsverlauf der Agentinnen ab.

D.h. Bt Bs ist unabh angig von Bu fur alle 0 u s t T (Definition ohne Filtration).
24
wobei N die Menge der P -Nullmengen der -Algebra (Bsi , s T, i = 1, . . . , n) be-
zeichne. FtB ist also die kleinste -Algebra, die N umfasst und bzgl. der alle Bsi , s
t, i = 1, . . . , n messbar sind. Es lasst sich zeigen, dass (2.27) die ublichen Voraussetzun-
gen erfullt, vgl. Definition 1.2 in ([7]). Insbesondere ist die Filtration also rechtstetig (siehe
z.B. Karatzas und Shreve [6], Proposition 7.7 und Theorem 7.9 in Chapter 2).
Theorem 2.2 (Martingaldarstellungssatz). Sei M ein (reellwertiges) lokales Martingal
bzgl. FB . Dann lasst sich M darstellen als
Mt = v0 + Bt t [0, T ] P- f.s. (2.28)

R
T
(also bis auf Ununterscheidbarkeit), wobei v0 R und L(B) mit P 0 ||t ||22 dt < =
pPn
1 (|| ||2 bezeichnet die euklidische Norm auf dem Rn , d.h. ||x||2 := i 2
i=1 (x ) ).
Wir benotigen zunachst noch zwei Propositionen und eine mehrdimensionale Version
des Theorems von Levy, die nat
urlich von unabhangigem Interesse sind.
Proposition 2.3. Jedes stetige lokale Martingal von endlicher Variation ist (in der Zeit)
konstant.
Beweis. Sei M ein stetiges lokales Martingal von endlicher Variation. Da ein stetiger
Prozess von endlicher Absolutvariation verschwindende quadratische Variation besitzt,
gilt [M, M ] = 0 und damit
Mt2 = M02 + 2M Mt + [M, M ]t = M02 + 2M Mt , t 0.
Durch Lokalisierung kann M o.B.d.A. als beschrankt angenommen werden. Damit ist
M M ein Martingal und E(Mt2 ) = E(M02 ). Es folgt
E (Mt M0 )2 = E(Mt2 ) 2 +E(M02 )

E(Mt M0 )
| {z }
=E(E(Mt M0 | F0 ))=E(M0 E(Mt | F0 ))=E(M02 )
= E(Mt2 ) E(M02 )
= 0.
Proposition 2.4. F ur zwei stochastisch unabhangige Brownsche Bewegungen B 1 und B 2

gilt [B 1 , B 2 ] = 0.
Beweis. Seien s t. Es gilt
Bt1 Bt2 = Bs1 Bs2 + (Bt1 Bs1 )Bs2 + (Bt2 Bs2 )Bs1 + (Bt1 Bs1 )(Bt2 Bs2 ).
(B 1 ,B 2 )
Da Bt1 Bs1 und Bt2 Bs2 auch bedingt auf Fs stochastisch unabhangig voneinander
sind und damit
1 ,B 2 ) 1 ,B 2 ) 1 ,B 2 )
E[(Bt1 Bs1 )(Bt2 Bs2 ) | Fs(B ] = E[Bt1 Bs1 | Fs(B ]E[Bt2 Bs2 | Fs(B ] = 0,
25
ist der Produktprozess B 1 B 2 ein Martingal. Damit ist der Prozess
[B 1 , B 2 ] = B 1 B 2 B 1 B 2 B 2 B 1
ein stetiges lokales Martingal. Da [B 1 , B 2 ] aber gleichzeitig von endlicher Variation ist,
folgt mit Proposition 2.3 [B 1 , B 2 ] = [B 1 , B 2 ]0 = 0.
Theorem 2.5 (Levys Theorem, mehrdimensionale Version). Ein stochastischer Prozess

X = (X 1 , . . . , X n ) ist genau dann eine Standard n-dimensionale Brownsche-Bewegung,
wenn er ein lokales Martingal mit X0 = 0 ist (d.h. alle Komponenten X k sind lokale
Martingale mit X0k = 0) und f ur alle t 0

k l t : f
ur k = l
[X , X ]t = (2.29)
ur k 6= l
0 : f
gilt.
Beweis. Wir haben bereits gezeigt, dass die Standard-Brownsche-Bewegung ein Martingal
ist und ihre quadratischen Variationen/Kovariationen die Bedingung (2.29) erf ullen. Sei
X = (X 1 , . . . , X d ) also ein lokales Martingal mit (2.29). Wegen [X k , X k ] = (X k )2
n
folgt, dass X stetig sein muss. F u R > definieren
ur festes wir die Funktion (x, t) =

> u u
(x1 , . . . , xn , t) 7 f (x1 , . . . , xn , t) := exp iu x + 2 t , wobei i = 1, und wenden auf
den (komplexwertigen) Prozess Zt := f (Xt1 , . . . , Xtn , t) die Ito-Formel an, was
n Z
X t Z t
Zt = Z0 + k f (Xs1 , . . . , Xsn , s) dXsk + n+1 f (Xs1 , . . . , Xsn , s) ds
k=1 0 0
Z t
1 X
+ kl f (Xs1 , . . . , Xsn , s) d[X k , X l ]s
2 1l,kn 0
n Z t
u> u t
X Z
1 n k
= 1+ iuk f (Xs , . . . , Xs , s) dXs + f (Xs1 , . . . , Xsn , s) ds
k=1 0
2 0
n
1X t
Z
+ (iuk )2 f (Xs1 , . . . , Xsn , s) d[X k , X k ]s
2 k=1 0
X n Z t
= 1+i uk f (Xs1 , . . . , Xsn , s) dXsk , t 0.
k=1 0
ergibt. Da X ein lokales Martingal ist, ist Z als Integral nach einem lokalen Martingal auch
ein lokales Martingal. Aus der Beschranktheit von Z auf kompakten Zeitintervallen (man
beachte, dass X reellwertig ist) folgt, dass Z ein Martingal ist (folgt aus Lemma 1.37),
d.h.
u> u u> u

> >
E exp iu Xt + t | Fs = exp iu Xs + s , s t <
2 2
26
und damit
u> u

>

E exp(iu (Xt Xs )) | Fs = exp (t s) , s t < . (2.30)
2
Sei Y eine Fs -messbare Zufallsvariable. F ur die charakteristische Funktion des
1 d
Vektors (X , . . . , X , Y ) gilt dann
E exp(iu> (Xt Xs ) + ivY ) = E exp(ivY )E exp(iu> (Xt Xs )) | Fs

>
(2.30) u u
= E exp(ivY ) exp (t s)
2
>
u u
= exp (t s) E (exp(ivY )) , u Rd , v R.
2
Damit ist Xt Xs stochastisch unabhangig von jeder Fs -messbaren
Zufallsvariable Y und
u> u
somit von der -Algebra Fs . Da zudem exp 2 (t s) die charakteristische Funk-
tion einer n-dimensionalen Normalverteilung mit Erwartungswertvektor (0, . . . , 0) und
Varianz/Kovarianz-Matrix (t s)I ist, folgt (Xt Xs ) N ((0, . . . , 0), (t s)I), wobei I
die Einheitsmatrix ist. Damit folgt die Behauptung.
Wir werden hier nur die grundlegende Beweisidee f
ur Theorem 2.2 skizziern. F
ur einen
formalen Beweis siehe z.B. Protter, Abschnitt IV.3.
Beweisskizze f
ur Theorem 2.2. Sei o.B.d.A. M0 = 0.
Schritt 1. Jedes lokale Martingal bzgl. der von einer Brownschen Bewegung erzeugten
Filtration FB := (FtB )t[0,T ] ist stetig (ohne Beweis).
Schritt 2. Wegen der Stetigkeit ist M auch lokal beschrankt. Da jedes beschrankte
Martingal ein quadratintegrierbares Martingal ist, ist M ein lokal quadratintegrierbares
Martingal. Wenn fur alle n N die quadratintegrierbaren Martingale M Tn darstellbar im
Sinne von (2.28) sind, dann ist auch M darstellbar. Nehme dazu an, fur die quadratinte-
grierbaren Martingale M Tn gilt
M Tn = v0n + n B, bis auf Ununterscheidbarkeit, n N.
ur alle n m folgt
F
(v0m + m B)Tn = (M Tm )Tn = M Tn = v0n + n B, bis auf Ununterscheidbarkeit.
Insbesondere hangt v0n nicht von n ab und es folgt
P
M = v01 + B, bis auf Ununterscheidbarkeit, wobei := n=1 n 1]]Tn1 ,Tn ]] .
Damit kann o.B.d.A. angenommen werden, dass M ein echtes quadratintegrierbares Mar-
tingal ist, d.h. M ist ein echtes Martingal mit E(MT2 ) < .
27
Schritt 3: Der Beweis des Martingaldarstellungsatzes beruht nun auf einer Projektion
der Menge aller (reellwertigen) quadratintegrierbaren Martingale mit Startwert 0 auf den
Unterraum der (reellwertigen) quadratintegrierbaren Martingale, die sich als ein stocha-
stisches Integral nach einer Brownschen Bewegung schreiben lassen, d.h.
U := {H B |H L2 (B)},
wobei
Z T
2 n
L (B) := H | H R -wertiger vorhersehbarer Prozess mit E ||Ht ||22 dt < .
0
Mit Proposition 1.24 gilt L2 (B) L2loc (B) L(B). Zudem gilt
" n n
# n X n n Z
X
k k
X
l l
X
k l k l Proposition 2.4 X T k 2
H B , H B = H H [B , B ]T = (Ht ) dt
k=1 l=1 k=1 l=1 k=1 0
T
und damit die mehrdimensionale Ito-Isometrie

n
!2
X Z T
2 k k
E((H BT ) ) = E H B =E (Ht1 )2 + . . . + (Htn )2 dt (2.31)

k=1 0 | {z }
=||Ht ||22
ur alle H L2 (B). Die Projektion wird bzgl. des Skalarprodukt

f
(M, N ) := E(MT NT ) (2.32)
auf der Menge der quadratintegrierbaren Martingale gebildet. Da der Raum L2 (

[0, T ], P, P ) vollstandig ist (wobei das Lebesgue-Ma auf [0, T ] bezeichnet),
p folgt
aus (2.4) die Abgeschlossenheit des Unterraums U bzgl. als Norm ||M || := (M, M ).
Durch Projektion auf U zerlegt man M also in ein stochastisches Integral und einen
orthogonalen Anteil, d.h.
M =H
b B+N Kunita-Watanabe Zerlegung
b L2 (B) und N quadratintegrierbares Martingal mit
mit H
ur alle H L2 (B)
E((H BT )NT ) = 0 f (2.33)
Durch Benutzung von Schritt 1 und einer weiteren Lokalisierung erreicht man, dass
o.B.d.A. ||NT ||L < . Es gilt namlich f ur alle Stoppzeiten Tn und H L2 (B), dass
auch H1[[0,Tn ]] L2 (B) und aus (2.33) folgt
E((H BTn )NTn ) = E((H BTn )NT ) = E((H1[[0,Tn ]] BT )NT ) = 0.

1
Also kann o.B.d.A. ||NT ||L < angenommen werden. Wahle ein mit 0 < < ||NT ||L
und definiere ein neues Wahrscheinlichkeitsma Q durch
Q(A) := EP (1A (1 + NT )), A FTB .
28
Beachte, dass EP (NT ) = EP (MT ) EP (H BT ) = 0. Seien 0 s t T und A FsB .
Aus (2.33) und der Wahl von H i = 1A(s,t] , und H j = 0 f
ur j 6= i folgt
EQ (1A (Bti Bsi )) = EP (1A (Bti Bsi )) + EP (1A (Bti Bsi )NT ) = 0 + 0 = 0,
d.h. B i , i = 1, . . . , n, sind auch (Q, FB )-Martingale. Damit folgt aus Theorem 2.5, dass
B eine Q-Standard-Brownsche Bewegung ist (Beachte, dass der vektorwertige Prozess B
auch unter Q die quadratische Variation [B i , B i ]t = t bzw. [B i , B j ]t = 0 f
ur i 6= j hat).
Damit stimmen die endlich-dimensionalen Randverteilungen von B unter P und unter Q
miteinander u berein. Es folgt
Q|FTB = P |FTB
und damit P (NT = 0) = 1. Da N ein Martingal ist, folgt P (Nt = 0) = 1 f ur alle t T

und wegen Rechtsstetigkeit der Pfade P (Nt = 0, t [0, T ]) = 1. Damit gilt M = H b B
bis auf Ununterscheidbarkeit.
Wir kommen jetzt wieder auf das Black-Scholes Modell zur
uck, das das wichtigste
vollstandige Finanzmarktmodell ist. Sei also
St0 = exp(rt), t [0, T ], r R
und
1
St1 = exp(t + Bt 2 t), t [0, T ], R, R+
2
und Q das eindeutige aquivalente Martingalma , wobei
1 ( r)2

dQ r
= exp BT T
dP 2 2
(vgl. [7]). D.h. der Prozess Bet := Bt + r t ist ein Q-Martingal und es gilt

2

1
St = exp Bt t , t [0, T ]
b e
2
bzw.
dSbt1 = Sbt1 dB
et (2.34)
Interpretation: Im Fall > r werden die fur Bt Bs bzw. St1 Ss1 , s t, g

unstigen
Ereignisse unter Q schwacher gewichtet als unter dem urspr
unglichen Ma P .
H
Sei H L1 (, FTB , Q) ein beliebiger Claim und H
b=
exp(rT )
.
Wendet man Theorem 2.2 unter Q auf die Q-Standard-Brownsche Bewegung B
e und
das Q-Martingal t 7 EQ (H|F
b t ) an, so erhalt man
b | FtB ) = v0 +
EQ (H eB
et ,
29
mit v0 = EQ (H) ek . Und damit wegen (2.34)
b und einem vorhersehbaren Prozess

Sbt1 = v0 + Sb1 B
e e
v0 + e = v0 +
eB
et .
Sb1 Sb1 t
(2.35)

e
:=
Sb1
ist somit die Hedging-Strategie im Modell mit einer geometrischen Brownschen Bewe-
gung. Obige Rechnung zeigt, dass die Handelsmoglichkeiten in einem Modell mit einer
Brownschen Bewegung und einer geometrischen Brownschen Bewegung gleich sind.
In der Regel kennt man zu einem vorgegebenen Claim H zunachst den replizierenden
b | Ft )). Die Hedging-Strategie lasst
Vermogensprozess V (durch die Bedingung Vbt = EQ (H
sich dann durch folgenden Ansatz gewinnen. Sei
Vb = vb0 + 1 Sb1 .
Es gilt
[Vb , Sb1 ] = [1 Sb1 , Sb1 ] = 1 [Sb1 , Sb1 ]
[Vb , Sb1 ] und [Sb1 , Sb1 ] sind càdlàg Prozesse von endlicher Variation und lassen sich damit
-weise mit (signierten) Maen auf [0, T ] identifizieren. 1 ist die Radon-Nikodym Dichte
von [Vb , Sb1 ] bzgl. [Sb1 , Sb1 ], also
d[Vb , Sb1 ]
1t = . (2.36)
d[Sb1 , Sb1 ] t
b | Ft ) schreiben lasst als Vt = f (Sb1 , t) f
Im Fall, dass sich Vt = EQ (H ur eine glatte Funktion
t
f (z.B. Plain-Vanilla Optionen), folgt wegen
1
f (Sbt1 , t) = f (Sb01 , 0) + 1 f (Sb1 , ) Sbt1 + 2 f (Sb1 , ) Idt + 11 f (Sb1 , ) [Sb1 , Sb1 ]t
2
(Ito-Formel) eingesetzt f
ur Vb in (2.36), dass
[Vb , Sb1 ] = [1 f (Sb1 , ) Sb1 , Sb1 ] + 0 + 0 = 1 f (Sb1 , ) [Sb1 , Sb1 ]
und damit
1t = 1 f (Sbt1 , t).
k
Die It
o-Isometrie (1.5) u
bertragt sich auf alle vorhersehbaren Prozesse e2 [B, B]) < .
e mit E(
0 2 0 2
RT 0 2
Also gilt E( BT e BT ) = E(( ) e BT ) = E( 0 ( ) e dt). Daraus folgt, dass die
Hedgingstrategie e bis auf eine Nullmenge bzgl. des Maes P auf [0, T ] eindeutig ist, wobei
das Lebesguema auf [0, T ] bezeichne.
30
2.1 Exotische Optionen
Sogenannte Plain-Vanilla Optionen, deren Auszahlung nur vom Endwert des Basiswert-
papiers abhangt, haben wir bereits in [7] kennengelernt. Nun werden wir uns sog. pfa-
dabhangigen (exotische) Optionen (Exoten) europaischen Typs zuwenden, deren Aus-
zahlung H nicht nur vom Kurs des Basiswertpapiers zum Falligkeitszeitpunkt T abhangt
(d.h. von ST1 ), sondern in die der gesamte Pfad t 7 St1 eingehen kann. Exotisch bedeutet
nicht, dass diese Optionen nur selten gehandelt werden ! In diesem Abschnitt werden wir
pfadabhangige Optionen behandeln, deren Auszahlung vom Endwert und vom pfadweisen
Maximum des Basiswertpapiers abhangt.
Wichtige Beispiele sind Barriere Optionen:

Sei S = S 1 und K > S0 , d.h. die Option startet out of the money
H = (ST K)+ 1{mint[0,T ] St >L} Down and out call
mit 0 < L < S0 < K.
H = (ST K)+ 1{maxt[0,T ] St <L} Up and out call
mit 0 < S0 < K < L.
H = (ST K)+ 1{mint[0,T ] St <L} Down and in call
mit 0 < L < S0 < K.
H = (ST K)+ 1{maxt[0,T ] St >L} Up and in call
mit 0 < S0 < K < L.

Bzw. die entsprechenden Puts. Insgesamt gibt es also 8 Varianten. Da die Barrier-
Bedingung die Auszahlung der Option echt einschranken, aber andererseits eine positive
Auszahlung nicht ganzlich unmoglich machen soll, ist die Festlegung, ob L < K oder
L > K jeweils kanonisch.
Haufig emittierte Produkte sind auch sogenannte Bonuszertifikate
H = (ST K)1{St >L, t[0,T ]} + ST 1{St L, f

ur ein t[0,T ]}
, L < min{S0 , K},
oder sogenannte Hebelzertifikate
H = ST 1{St >L, t[0,T ]} , L < S0 .
31
L wird Barriere und K Bonusgrenze genannt. Rechtlich sind Zertifikate Schuldver-
schreibungen. Neben der Analyse von ST und mint[0,T ] St ist noch das Ausfallrisiko des
Emittenten zu beachten (siehe Lehman-Zertifikate).
Des weiteren passen in den mathematischen Rahmen dieses Abschnitts sog. Lookback-
Optionen
H = ST min St Lookback call
t[0,T ]
H = max St ST Lookback put

t[0,T ]
+
H= max St K Forward lookback call
t[0,T ]
+
H= K min St Forward lookback put
t[0,T ]
und auch One-touch Optionen

H = 1nS =L ur ein t [0, T ] .
f
o
t
Mathematisches Hilfsmittel ist das Spiegelungsprinzip f

ur die Brownsche Bewegung.
rT
Um im Black-Scholes Modell den fairen Preis EQ (e H) f ur obige Claims H zu bestim-
men, reicht es aus, die gemeinsame Verteilung des Endwertes einer Brownschen Bewegung
und ihres pfadweisen Maximums (bzw. Minimums) zu berechnen, d.h. die Verteilung von
(BT , MT ), wobei
MT := max Bt .
t[0,T ]
Theorem 2.6 (Spiegelungsprinzip).

P (MT > m, BT b) = P (BT > 2m b)
Z
x2

1
= exp dx, m > 0, b < m. (2.37)
2T 2mb 2T
Durch Ableiten von (2.37) nach m und b ergibt sich die gemeinsame Dichte von (MT , BT )
durch
P (MT dm, BT db)
Z
2 x2

1
= exp dx dm db
mb 2mb 2T 2T
(2m b)2

2(2m b)
= exp dm db m > 0, b < m. (2.38)
2T 3 2T

2(2mb) (2mb)2
(D.h. die Abbildung (m, b) 7 1(m > 0, b < m) 2T 3 exp 2T
ist eine Dichte des
Bildmaes P(MT ,BT ) bzgl. des zweidimensionalen Lebesgue-Maes auf R2 )
32
Beweis von (2.37). Sei m > 0, b < m. Definiere m := inf{t 0 | Bt m}. Es gilt {m
T } = {MT m}. Wegen der starken Markov-Eigenschaft der Brownschen Bewegung, ist
der zum Zeitpunkt m neu gestartete Prozess
B 0 := (Bm +u Bm )u0
wiederum eine intrinsische Standard-Brownsche Bewegung und zudem unabhangig von

der Vergangenheit FBm bis m (ohne Beweis, siehe z.B. Karatzas und Shreve [6]). Daraus
folgt
P (BT b | Fm ) = P (m + BT0 m b | (m ))
= g(b m, T m )
= 1 g(m b, T m )
= P (BT0 m > m b | (m ))
= P (BT > 2m b | Fm ) P -f.s, auf der Menge {m T },(2.39)
wobei g : R R+ [0, 1] mit g(a, u) := P (B eu a) f ur eine Standard-Brownsche

Bewegung B (also insbesondere B0 = 0). Es folgt (ausf
e e uhrlich aufgeschrieben)

P (m T, BT b) = E P (BT b | Fm )1{m T }
(2.39)
= E P (BT > 2m b | Fm )1{m T }
= P (m T, BT > 2m b). (2.40)
Beachte, dass das Ereignis {BT > 2m b} nur eintreten kann, wenn auch {MT m}
eintritt, also
{BT > 2m b} {m T }. (2.41)
Es folgt
P (MT m, BT b) = P (m T, BT b)
(2.40)
= P (m T, BT > 2m b)
(2.41)
= P (BT > 2m b)
Z
x2

1
= exp dx.
2T 2mb 2T
Nun sieht man auch, dass
P (MT > m, BT b) = lim P (MT m,

e BT b) = P (MT m, BT b)
mm
e
und es folgt (2.37).

Also eine Standard-Brownsche Bewegung bzgl. der Filtration, die von ihr selber erzeugt wird.
33
Man beachte, dass der Beweis an der Driftlosigkeit von B hangt: egal wann B das
Niveau m erreicht, sind zu diesem Zeitpunkt die Ereignisse {BT b} und {BT > 2m b}
gleich wahrscheinlich.
Die entsprechende gemeinsame Verteilung f ur eine Brownsche Bewegung mit Drift
ergibt sich aber nun aus Theorem 2.6 und dem Girsanov Theorem. Definiere dazu f
ur ein
R
et := Bt + t, t 0,
B
f
ur eine P -Standard-Brownische Bewegung B. B
e ist nun mit dem Theorem von Girsanov
eine Standard-Brownsche Bewegung unter dem Ma Pe, das durch

dPe 1 2 1 2
= exp BT T = exp B eT + T
dP 2 2
definiert wird. Es folgt, dass

dP 1 1 2
= e = exp BT T .
e
dPe dP 2
dP
fT := maxt[0,T ] B
Sei M et . Mit dem Transformationssatz f
ur Integrale ergibt sich f
ur die

Bildmae P(M eT ) und P(B
fT ,B
e e f die Dichte
T ,M T )
dP(MfT ,B
eT )
(m,
e eb)
dPe(M
fT ,B
e )
T
1 2
= exp b T ,
e f e R, b R.
ur alle m (2.42)
2
Die Lebesgue-Dichte beider Bildmae verschwinden, wenn m e < 0 oder eb > m.e F
ur diese
(m,
e b) konnte (2.42) beliebig gewahlt werden. Nun wendet man (2.38) auf B unter Pe an,
e e
also
fT dm,
Pe(M e B eT deb)
!
e eb)
2(2m e eb)2
(2m
= exp e deb, m
dm e > 0, eb < m.
e (2.43)
2T 3 2T
fT dm,
P (M e BeT deb)
dP(M fT ,B
eT )
fT dm,
= Pe(M e BeT deb) (m,
e eb)
dP(M
e fT ,B
e )
!T
e eb)2

e eb)
2(2m (2m 1 2
= exp exp eb T dme deb, m
e > 0, eb < m.
e(2.44)
2T 3 2T 2

Sei X eine R2 -wertige Zufallsvariable, PeX das Bildma von RPe unter X und g : R2 R eine messbare
2
Abbildung. Dann besagt der Transformationssatz EPe (g(X)) = R2 g(x) PeX (dx). Sei nun A B(R ). Man
wende den Satz auf X = (M fT , B
eT ) und die Funktion g(m, e eb) exp eb 1 2 T an.
e eb) := 1A (m, 2
34
Wir fassen zusammen:
Theorem 2.7 (Spiegelungsprinzip). Sei B eine Brownsche Bewegung mit Volatilitat
= 1 und Drift R. Die gemeinsame Dichte von (MT , BT ) ist gegeben durch
P (MT dm, BT db)
(2m b)2

1 2 2(2m b)
= exp b T exp dm db, m > 0, b < m.
2 2T 3 2T
Sei
mT = min Bt
t[0,T ]
zur Brownschen Bewegung mit Drift aus Theorem 2.7. Es gilt mT = maxt[0,T ] (Bt )
und (Bt )t0 ist eine Brownsche Bewegung mit Drift . Daher folgt aus Theorem 2.7
der folgender Satz f
ur die gemeinsame Verteilung von (mT , BT ):
Theorem 2.8 (Spiegelungsprinzip). Sei B eine Brownsche Bewegung mit Volatilitat
= 1 und Drift R. Die gemeinsame Dichte von (mT , BT ) ist gegeben durch
P (mT dm, BT db)
(b 2m)2

1 2 2(b 2m)
= exp b T exp dm db, m < 0, b > m.
2 2T 3 2T
Beweis. Es gilt
(B)
P (mT dm, BT db) = P (MT dm, BT db)
(B)
wobei MT = maxt[0,T ] (Bt ). Da B eine Brownsche Bewegung mit Drift ist folgt
aus Theorem 2.7
P (mT dm, BT db)
(B)
= P (MT dm, BT db)
(b 2m)2

1 2 2(b 2m)
= exp b T exp dm db, m < 0, b > m.
2 2T 3 2T
Mit den Theoremen 2.7 und 2.8 lassen sich alle aufgef
uhrten Optionspreise berechnen.
Wir geben exemplarisch den Preis f
ur den Down-and-out-call an:
Theorem 2.9. Sei pcall (s0 , T, K) wie in [7] der Black-Scholes-Preis eines Plain-Vanilla
Calls mit Strike K und Falligkeit T , wenn das Basiswertpapier den Startpreis s0 besitzt.
Dann gilt f
ur den Preis des Down-and-out-calls mit Barriere L < s0
2
2r
L2

rT

+

call L 2
call
e EQ (ST K) 1{mint[0,T ] St >L} = p (s0 , T, K) p , T, K .
s0 s0
| {z }
price of down and in call
35
Sei St = s0 exp rt + Bt 21 2 t , wobei B unter Q eine Standard-Brownsche Bewe-

gung sei. Die Auszahlung H = (ST K)+ 1{inf t[0,T ] St >L} lasst sich dann schreiben als
+
1 2
H = s0 exp rT + BT T K 1{inf t[0,T ] s0 exp(rt+Bt 1 2 t)>L}
2 2
+
r 1
= s0 exp BT + T T K 1{inf r 1 1
.
L
2 t[0,T ] (Bt + t 2 t)> ln s }
0
Der Erwartungswert EQ (H) lasst sich nun auf die gemeinsame Verteilung des Endwertes
einer Brownschen Bewegung mit Driftrate := r 12 und ihrem pfadweisen Infimum
zur
uckf
uhren, da H = h(B eT , m et := Bt + r t 1 t, mT := inf t[0,T ] B
e T ) mit B et und einer
2
geeigneten Funktion h : R R R+ .
Der Beweis von Theorem 2.9 folgt nun aus Theorem 2.8 nach vielen Umformungen.
Siehe z.B. Abschnitt 9.6 in Musiela und Rutkowski [9]. F
ur den Spezialfall r = 0 liefert
(2.48) eine alternative Herleitung.
2.1.1 Statisches Hedgen von Barriere Optionen

Es stellt sich die Frage, ob und ggf. wie Barriere Optionen (also Down/Up and out/in
Calls/Puts) durch gewohnliche Calls/Puts ,,statisch repliziert werden konnen. Mit ,,sta-
tisch ist gemeint, dass die Position der Standard-Option moglichst selten verandert wer-

den muss, also etwa nur beim erstmaligen Uberqueren der Barriere L. Die weniger liquiden
Exoten konnten dann mit den liquideren Plain Vanillas relativ einfach (ohne standiges
Umschichten) repliziert werden. Wir geben hierzu im Spezialfall des Black-Scholes Modells
mit risikolosem Zins r = 0 eine positive Antwort. Dazu benotigen wir zunachst folgendes
Theorem.
Theorem 2.10. Sei St = s0 exp Bt 12 2 t , wobei B unter dem Martingalma Q eine

Standard-Brownsche Bewegung ist. Seien pcall (s0 , K) und pput (s0 , K) die Black-Scholes
Preise fur Calls und Puts in Abhangigkeit vom Startpreis s0 der Aktie und vom Strike K.
Es gilt
pcall (s0 , K) = pput (K, s0 ) Put-Call-Symmetrie (2.45)
und
pcall (s0 , K) = pcall (s0 , K) R+ Homogenitatseigenschaft (2.46)
Beweis. Die G ultigkeit der Put-Call-Symmetrie verifiziert man sofort mit den Formeln
f
ur den Call- und Put-Black-Scholes-Preis im Fall r = 0. Alternativ kann man sie wie
36
folgt beweisen. Es gilt
+ !
1
EQ ((ST K)+ ) = EQ s0 exp BT 2 T K
2
+ !
1 1
= EQ exp BT 2 T s0 K exp BT + 2 T
2 2
+ !
1
= EQe s0 K exp BT + 2 T ,
2
wobei

dQ
e 1 2
= exp BT T .
dQ 2
Mit Theorem 3.100 aus dem Skript [7] wissen wir, dass unter Q
e der Prozess B eine Brown-
sche Bewegung mit Driftrate ist. Damit besitzt B die Driftrate 2 und es folgt die
call
Put-Call-Symmetrie.
Die Homogenit atseigenschaft folgt unmittelbar aus p (s0 , K) =
+
EQ s0 exp BT 21 2 T K

.
Betrachte nun einen Down-and-in-call mit K > L und s0 > L. Kaufe zur Absiche-
rung K/L Standard-Puts mit Strike L2 /K.
Fall 1: Der Aktienpreis S bleibt bis T uber der Barriere L. Dann verfallt der Down-
and-in-call. Andererseits ist auch der Standard-Put mit Strike L2 /K wertlos, da ST > L
und damit L2 /K < ST (beachte, dass L < K).
Fall 2: Der Aktienpreis S erreicht bis T die Barriere L. Zu dieser Stoppzeit verkaufe
man die K/L Standard-Puts mit Strike L2 /K und kaufe sich daf ur einen Standard-Call
mit Strike K und halte diesen bis T . Theorem 2.10 und die Tatsache, dass zu der Stoppzeit
der Aktienkurs L betragt, liefern, dass die Umschichtung selbstfinanzierend ist, d.h.
L2 (2.45) K call L2

K put (2.46) call
p L, = p ,L = p (L, K). (2.47)
L K L K
Zum Zeitpunkt T hat man genau die Optionsauszahlung.
Da der Down-and-out-call ein Standard-Call minus ein Down-and-in-call ist, lasst sich
f
ur ersteren damit auch eine ,,statische Absicherungsstrategie finden (kaufe zum Zeit-
punkt 0 einen Standard-Call mit Strike K und shorte die K/L Standard-Puts mit Strike
L2 /K, im Fall 2 wird die Position dann ohne Kosten aufgelost).

Bemerkung 2.11. Man beachte, dass obige Uberlegung nur f
ur r = 0 gilt und zudem am
Black-Scholes-Modell hangt. Im Fall r = 0 und fur K = L (was aber weniger interessant

ist) gilt obige Uberlegung jedoch modellunabhangig. Die Gleichheit (2.47) ergibt sich f
ur
L = K aus der modellunabhangigen Put-Call-Paritat: Call Put = Aktie Strike
37

Die Uberlegungen dieses Abschnittes liefern auch eine heuristische Herleitung des ar-
bitragefreien Preises aus Theorem 2.9 im Fall f ur r = 0 ohne Benutzung des Spiegelungs-
prinzips. Der arbitragefreie Preis sind die Kosten der Absicherung, also der Wert der K/L
Puts mit Strike L2 /K zum Startzeitpunkt, d.h.
L2
2
K put (2.45) K call L
p s0 , T, = p , T, s0
L K L K
2
(2.46) K s0 call L
= p , T, K
LK s0
1 2
L call L
= p , T, K . (2.48)
s0 s0
Den Anforderungen an einen mathematischen Beweis gen
ugt das obige Hedging-Argument
aber nat
urlich nicht.
3 Wertpapiere mit Dividenden

Bislang haben wir angenommen, dass Wertpapiere keine Dividenden aussch utten. Dies hat
die Darstellung vereinfacht, ist aber naturlich nicht realistisch. Zudem kann man Futures,
die wir in diesem Kapitel behandeln wollen, als spezielle Wertpapiere mit Dividenden-
ausschuttungen betrachten. Daher werden wir das Modell um Dividenden erweitern.
Gegeben seien die Wertpapierpreisprozesse (S 0 , S 1 , . . . , S d ) mit den dazugehorigen ku-
mulativen Dividendenprozessen (D0 , D1 , . . . , Dd ). Wie S i sollen auch Di Semimar-
tingale sein. Dti steht f
ur die kumulativen Dividendenaussch uttungen pro Aktie des Typs i
bis einschlielich zum Zeitpunkt t. Wir setzen keine Monotonie voraus, d.h. Aussch uttun-
gen d urfen auch negativ sein (Zusch uttung). Wichtig werden Dividendenprozesse mit
moglicherweise negativen Zuwachsen bei der Analyse von Futures.
Definition 3.1. Eine Handelsstratgie ist wie gehabt eine Rd+1 -wertiger vorhersehbarer
Prozess = (0 , 1 , . . . , d ). Der Vermogensprozess des Portfolios ist gegeben als
d
X
Vt () := it (Sti + Dti ), t [0, T ]. (3.49)
i=0
Eine Handelsstrategie heit selbstfinanzierend, falls
Vt () = V0 () + (S + D)t , t [0, T ]. (3.50)
Bemerkung 3.2. it ist die Anzahl der Wertpapiere vom Typ i, die die Agentin zwischen
t und t im Portfolio halt (also die Investition in den Sprung Sti ). Die Spr
unge Sti
und Dti sollte man sich als synchron vorstellen.
Sti ist der Preis ex Dividende, also der Preis nach Zahlung der Dividende in t.
Im Gegensatz dazu ist St der Preis cum Dividende. Beim Kauf der Aktie zu
diesem Preis bekommt man also noch die Dividende.
38
In der Realitat wird der Tag einer Dividendenzahlung vorher angekundigt (und ist
zumeist einen Tag nach der Hauptversammlung). Dividendenberechtigt sind dann die
Investoren, die die Aktien zum Handelsschluss des Vortages der Auszahlung besitzen.
uttung Dti ,,vorhersehbar, weil sie vom Vorstand vor-

Typischerweise ist die Ausch
her beschlossen wurde. Man kann dann erwarten, dass der Aktienkurs eine gegenlaufige
Bewegung macht, also
Sti + Dti = 0. (3.51)
Es kann somit niemand davon profitieren, die Aktie unmittelbar vor der Dividenden-
ausschuttung zu kaufen, die Dividende einzustreichen und danach sofort wieder zu ver-
kaufen. Wir setzen (3.51) jedoch nicht voraus, da am Ex-Dividende-Tag neue (posi-
tive oder negative) Informationen am Markt sein konnen und den Preis beeinflussen.
Eine schwachere Voraussetzung als (3.51) ware die folgende No-Arbitrage Bedingung:
6 A Ft mit
P (A {Sti + Dti < 0}) = 0 und P (A {Sti + Dti > 0}) > 0
oder
P (A {Sti + Dti > 0}) = 0 und P (A {Sti + Dti < 0}) > 0.
ur die Agentin zum Zeitpunkt t betragt somit di=0 it Dti .

P
Die Dividendenausschuttung f
Diese wird nun ,,unmittelbar nach t in die d + 1 Wertpapiere investiert. Wie bisher
auch gibt es also keine dauerhafte Kassenhaltung. Deshalb erscheint in (3.49) nur
D und nicht D. Man beachte jedoch, dass die Wiederanlage der Dividenden-
ausschu ttung Dt in die Wertpapiere noch nicht in die Anzahlen t eingehen
kann, da diese ja bereits das Investment zwischen t und t bezeichnen. Daher
mu ssen die Auszahlungen in (3.49) gesondert eingehen.
Bemerkung 3.3. Wie im Falle ohne Dividenden liee sich die Selbstfinanzierungsbedin-
gung wieder durch eine diskrete Approximation motivieren. Sei im diskreten Modell in
die Anzahl der Wertpapiere, die zwischen n 1 und n gehaltenP werden (also nach dem
i
Zuwachs Sn1 i
Sn2 ). Da die in n 1 angefallenen Dividenden di=0 in1 Dn1i
, wobei
i i i
Dn1 = Dn1 Dn2 , noch reinvestiert werden m ussen, lautet die Selbstfinanzierungs-
bedingung
d
X d
X
in Sn1
i
= in1 (Sn1
i i
+ Dn1 ), n = 1, 2, . . . (3.52)
i=0 i=0
Die linke Seite lasst sich zu

d
X d
X
in Sni Dni in Sni Sn1
i
+ Dni

+
i=0 i=0
39
umformen und die rechte Seite ist das Vermogen im zeitdiskreten Modell zum Zeitpunkt
n 1. Damit ist (3.52) aquivalent zu
d
X
in Sni + Dni

i=0
d
X d
X
in1 i i
in Sni + Dni ,

= Sn1 + Dn1 + n = 1, 2, . . . . (3.53)
i=0 i=0
und (3.53) ist der zeitdiskrete Spezialfall von Bedingung (3.50).
Von nun an setzen wir voraus, dass S 0 vorhersehbar ist.
Diese Annahme wird spater bei der Analyse von Futures essentiell sein. F ur die fol-
1
gende Definition ist sie nur bequem, da damit S 0 L(X) f ur jedes Semimartingal X (aus
der Vorhersehbarkeit und der Bedingung P (inf t[0,T ] St0 > 0) = 1 an das Numeraire S 0
folgt mit Bemerkung 1.1, dass der Prozess S10 lokal beschrankt ist).
Definition 3.4. Mit
b i := 1
D Di , i = 0, . . . , d. (3.54)
S0
bezeichnen wir die diskontierten Dividendenprozesse. Ferner heit wie gehabt
d
1 X
Vb () := 0 V () = i (Sbi + D
b i)
S i=0
bi = 1
diskontierter Vermogensprozess. Beachte, dass D S0
Di .
Definition (3.54) tragt der Tatsache Rechnung, dass die Zuwachse von D zu verschie-
denen Zeitpunkten ausgezahlt werden.

Der Ubergang zu diskontierten Groen funktioniert analog zu Theorem 1.30 auch f
ur
den Fall mit Dividenden:
Theorem 3.5. Wir setzen voraus, dass
[S 0 , Di ]c = 0 i = 0, . . . , d. (3.55)
Sei = (0 , 1 , . . . , d ) eine Handelsstrategie und V der dazugehorige Vermogensprozess.

ist genau dann selbstfinanzierend zum Startkapital v0 , wenn
d
X
Vbt () = vb0 + i (Sbi + D
b i )t , t [0, T ], (3.56)
i=0
v0
wobei vb0 := N0
.
40
Die Rechnungen im Beweis von Theorem 1.30 ergeben, dass die Zusatzbedingung
(3.55) erforderlich ist. Man beachte, dass der stetige Anteil der quadratischen Kovaria-
tion in zeitdiskreten Modellen sowieso verschwindet, so dass (3.55) hier nicht gefordert
werden muss.
Von nun an setzen wir voraus, dass D0 = 0.
Wie im Fall ohne Dividenden, siehe (1.23), kann (1 , . . . , d ) frei gewahlt werden. Der
Prozess 0 ergibt sich dann eindeutig aus der Selbstfinanzierungbedingung. Da Sb0 + D b0 =
1 kommt die nullte Komponente auf der rechten Seite von (3.56) nicht mehr vor. Die
Bedingung D0 = 0 ist also erforderlich, um weiterhin zu gewahrleisten, dass mit S 0 keine
Gewinne gemacht werden.
Definition 3.6. Ein AMM im Modell mit Dividenden ist ein Wahrscheinlichkeitma
i b i , i = 1, . . . , d, Q-lokale Martingale sind.
Q P gibt, so dass Sb + D
Da die Vermogensprozesse die gleiche Form wie im Fall ohne Dividenden haben,
mussen wir nur Sbi durch Sbi + D
b i ersetzen und es ergibt sich sofort ein Analogon zum
Satz 1.42.
Theorem 3.7. [FTAP (Delbaen/Schachermayer) with dividents] Der Markt erf

ullt genau

dann NFLVR, wenn es ein AMM gibt.
Beispiel 3.8. Nehme an, eine Aktiengesellschaft zahlt eine zeitkontinuierliche

Rt Dividende
mit Rate St pro Aktie aus, wobei R+ \ {0}. Also Dt = 0 Su du. Unter einem
Martingalma Q ist dann nichtR mehr der diskontierte Preisprozess ert St ein Martingal
t
sondern der Prozess ert St + 0 eru Su du.
Beispiel 3.9 (Tracker-Zertifikat). Bei einem Tracker-Zertifikat auf eine Aktie werden
die Dividendenaussch uttungen der Aktie automatisch in neue Aktien desselben Unterneh-
mens angelegt. Die Einbehaltung von Gewinnen nennt man auch Thesaurierung. Startet
das Zertifikat mit einer Aktie (bzw. dem Wert S0 ), dann besteht in Beispiel 3.8 das repli-
zierende Portfolio zum Zeitpunkt t aus t := exp(t) Aktien. Hierzu zeigen wir, dass die
Strategie (0, ) die Selbstfinanzierungsbedingung (3.50) erfullt. Mit der endlichen Varia-
tion von t 7 exp(t) und Integration by parts folgt namlich
Z t Z t
[,S]=0
exp(t)St = S0 + exp(u) dSu + Su exp(u) du
0
| 0 {z }
Rt
= 0 Su du
Z t
= S0 + exp(u) d(S + D)u . (3.57)
0
Alternativ zeigt man, dass t = exp(t) die Differentialgleichung
0 = mit 0 = 1
41
ullt und mit der Dividendenzahlung t St dt der Zukauf von t dt = 0t dt Aktien
erf
finanziert werden kann.
Der mit exp(rt) diskontierte Wert des Zertifikats betragt
Set := e(r)t St .
Mit Theorem 3.5 folgt die aquivalente Selbstfinanzierungsbedingung f

ur (0, )
Z t
St = S0 +
e e exp(u) d(Sb + D)
b u. (3.58)
0
Aus (3.58) folgt, dass f

ur ein Ma Q der Prozess Sb + D b genau dann ein Q-lokales Mar-
tingal ist, wenn der Prozess Se ein Q-lokales Martingal ist (Integrale von lokal beschrankten
Integranden nach lokalen Martingalen sind lokale Martingale und aus (3.58) folgt auch
b 0 + t eu dSeu ). Wir setzen nun voraus, dass sich die Aktie auch im Mo-
R
Sbt + D
b t = Sb0 + D
0
dell mit Dividenden wie eine geometrische Brownsche Bewegung (Black-Scholes Modell)
verhalt, also

1 2
St = S0 exp t + Bt t .
2
Dann gilt

1 2
St = S0 exp ( + r)t + Bt t .
e
2
Der Mawechsel im Black-Scholes Modell ist also gegeben durch
1 (r )2

dQ r
= exp BT T
dP 2 2
und der Prozess BtQ := Bt + +r

t ist unter Q eine Standard-Brownsche Bewegung.
Eingesetzt in den Preisprozess St ergibt dies

1 2
St = S0 exp t + Bt t
2

Q 1 2
= S0 exp t + Bt + (r )t t
2

1
= S0 exp (r )t + BtQ 2 t .
2
Nach dem Mawechsel f

uhrt die Dividendenaussch
uttung also zu einer Verringerung der
Drift der Aktie.
42
3.1 Forwards
Ein Forward ist ein Kontrakt bei dem zum Zeitpunkt 0 folgende Vereinbarung getroffen
wird: der Stillhalter (writer) verpflichtet sich zum Zeitpunkt T ein Basiswertpapier (z.B.
Aktie) zu liefern. Als Ausgleich liefert der Halter (ebenfalls zum Zeitpunkt T ) K R
Geldeinheiten. Im Gegensatz zu einer Option ist ein Forward also ein unbedingtes Ter-
mingeschaft, bei dem der Austausch in jedem Fall stattfindet.
Ein arbitragefreier Forwardpreis O0 ist ein K R, bei dem 0 zum Zeitpunkt 0 ein
arbitragefreier Preis f
ur den oben beschriebenen Kontrakt ist.
Nehme an, dass das Basiswertpapier selber handelbar ist mit Preisprozess S 1 . F ur
einen arbitragefreien Forwardpreis O0 muss gelten
1
ST O0
EQ = 0, f ur ein AMM Q. (3.59)
ST0
Wenn das Basiswertpapier keine Dividenden auszahlt,derdiskontierte Preisprozess S 1 /S 0
unter Q sogar ein echtes Martingal ist, und zudem EQ S10 < , kann man (3.59) nach
T
O0 auflosen und
1
S
EQ ST0 S01
O0 = T = , f
ur ein AMM Q. (3.60)
EQ S10 S00 EQ S10
T T
Wenn ST0 deterministisch ist, also S 0 z.B. ein risikoloses Bankkonto oder der Preisprozess
eines Bonds ohne Ausfallrisiko, dann folgt aus (3.60)
ST0 1
O0 = S (3.61)
S00 0
Da jedes positive Wertpapier als Numeraire gewahlt werden kann, bedeutet dies folgendes:
Wenn es ein Wertpapier mit deterministischem Endwert gibt (etwa ein Bond mit
Falligkeit T ohne Ausfallrisiko), dann ist der Forwardpreis eindeutig. Er ist der Startpreis
der Aktie aufgezinst auf den Zeitpunkt T . Beachte, dass diese Aussage modellunabhangig
ist, also nicht davon abhangt, mit welchem stochastischen Prozess die Aktie modelliert
wird.

Analoge Uberlegungen kann man auch f ur einen Forward-Preis Ot zum Zeitpunkt
t [0, T ] anstellen, also
1
S
EQ ST0 | Ft S1
Ot = T = t , f
ur ein AMM Q.
EQ S10 | Ft St0 EQ S10 | Ft
T T
Allerdings halt man dabei t stets fest, d.h. wir betrachten keinen Prozess, der gewisse
No-Arbitrage-Bedingungen erf ullt.
Bemerkung 3.10. O0 ist kein Preis im engeren Sinne. Es sind nicht die Kosten, ein
Wertpapier zum Zeitpunkt 0 zu erwerben. O0 ist vielmehr ein Bestandteil eines Kontraktes,
ahnlich dem Strikepreis bei Call- oder Put-Optionen.
43
Bemerkung 3.11. F ur1 eine Aktie mit Dividendenprozess D1 6= 0 gilt (3.59) nach wie
ST S 1
vor. Nun ist aber EQ S 0 + S10 DT1 = S00 und damit
T 0
1

ST S01 1

EQ ST0 S00
EQ S0
DT1
O0 = = , f
ur ein AMM Q.
1 1
EQ ST0
EQ ST0
Da der Halter des Forwards die Dividendenauszahlung der Aktie nicht erhalt, ist der
Forwardpreis kleiner als der aufgezinste Startpreis der Aktie.
Bemerkung 3.12. Haufig sind die Basisgroen von Forwards selber nicht handelbar.
Beispiele sind Forwards auf Energiepreise oder Rohstoffpreise. So verpflichtet sich etwa
der Stillhalter, eine bestimmte Energiemenge zum Zeitpunkt T zum Preis O0 zu liefern.
Da Energie nicht effizient lagerbar ist (also die Liefermenge nicht schon heute erzeugt
werden kann), wird mit dem Forward die Verpflichtung, eine bestimmte Energiemenge
zum Zeitpunkt T zur Verf ugung zu stellen, erst ,,handelbar gemacht, d.h. es entsteht
heute ein Preis fur die spatere Lieferung. Bei nicht handelbarer Basisgroe lasst sich mit
Hilfe der Arbitragetheorie nicht wie oben auf den Forwardpreis schlieen.
3.2 Futures
Ein Future unterscheidet sich von einem Forward eigentlich nur um ein buchhalterisches
Detail, das allerdings das Verstandnis erschwert. Auch beim Future wird im Zeitpunkt
0 ein Tausch Aktie gegen Geldeinheiten zum Zeitpunkt T vereinbart. Der tatsachliche
Austausch (Aktie gegen Geld) soll aber nicht erst zum Falligkeitszeitpunkt T erfolgen,
sondern die entsprechenden Zahlungen sollen kontinuierlich in [0, T ] gema der Wert-
entwicklung des quotierten Futurepreises erfolgen. Wenn z.B. die Aktie am Anfang des
Kontraktes ungewohnlich stark steigt, soll der Halter sofort mit entsprechenden Zahlungen
bedacht werden. Diese Zahlungen nennt man Settlement Zahlungen.
Die Settlement Zahlungen sollen so gro sein, dass nach den Zahlung der Future wieder
ein Wertpapier ist, das den Preis Null hat (wie der Forward zum Zeitpunkt 0).
Formal kann man einen Future als ein Wertpapier betrachten, dessen Preisprozess S 2
identisch Null ist (in das bzw. aus dem man also jederzeit ohne Kosten ein- oder aussteigen
kann) und das einen Dividendenprozess D2 besitzt, der den Futurepreisprozess darstellt
und dessen Zuwachse den Settlement Zahlungen entsprechen.
Der Futurepreisprozess (Dividendenprozess) besitzt die Endbedingung
DT2 = ST1 , (3.62)
da bei sofortigem Tausch die zu liefernden Geldeinheiten nat

urlich dem Aktienpreis ent-
sprechen mussen.
Frage: Bei welchen Prozessen D2 mit Endbedingung (3.62) ist der

Markt ((S 0 , 0), (S 1 , D1 ), (0, D2 )), bei gegebenen Prozessen S 0 , S 1 , D1 , arbitragefrei ?
44
Nach Theorem 3.7 ist NFLVR in dem um den Future erweiterten Markt dazu aquivalent,
dass
1 1
Sb2 + 0 D2 = D2
S S0
ein Q-lokales Martingal ist f ur ein Q Me ((S 0 , 0), (S 1 , D1 )) (letzteres soll die Men-
ge der Martingalmae im kleinen Markt bez uglich des dividendenfreien Wertpapiers S 0
als Numeraire sein). Da nach Voraussetzung der Prozess S 0 vorhersehbar ist und càdlàg
Pfade besitzt, ist er lokal beschrankt. Damit ist nach Theorem 1.21(d) der Dividenden-
prozess D2 = S 0 ( S10 D2 ) ein Q-lokales Martingal. Ignorieren wir den Unterschied
zwischen lokalen Martingalen und echten Martingalen so folgt mit (3.62), dass
Dt2 = EQ (ST1 | Ft ), ur ein Q Me ((S 0 , 0), (S 1 , D1 )).

f
Bemerkung 3.13. Im zeitdiskreten Spezialfall bedeutet die Vorhersehbarkeit von S 0 , dass

Sn0 Fn1 -messbar ist. Die Martingalbedingung lautet

1 2 2

EQ
S0 (Dn D n1 ) | F n1
= 0,
n N,
| n
{z }
1 2
= Dn 10 Dn1
2
S0 S
was wegen der Fn1 -Messbarkeit von Sn0 aquivalent zu
EQ Dn2 Dn12

| Fn1 = 0, n N,
ist.
Futurepreis
Man beachte, dass der Futurepreis und nicht der Prozess Numeraire ein Martin-
gal sein muss. Dies ist kein Widerspruch zur bisherigen Theorie, da ein Futurepreis kein
Wertpapierpreis im eigentlichen Sinne ist, sondern nur ein quotierter Preis der als Divi-
dendenzahlung interpretiert werden kann. Mochte man in einem Future eine Long-Position
einnehmen, so ist dies wegen S 2 = 0 jederzeit moglich ohne ein Gegengeschaft zu tatigen
oder Kapital binden zu m ussen. Der Gewinn ist dann dDt2 . Somit muss nicht die Diffe-
renz der passend gewichteten Drifte zweier Wertpapiere Null sein, sondern die Drift der
Dividendenauszahlung.
Beispiel 3.14. Sei nun D1 = 0, d.h. die Aktie zahlt keine Dividende aus. Falls ST0 deter-
ministisch und S 0 vorhersehbar und von endlicher Variation ist (letzteres wird f
ur (3.55)
benotigt) folgt
S0
Dt2 = EQ (SbT1 ST0 | Ft ) = ST0 EQ (SbT1 | Ft ) = ST0 Sbt1 = T0 St1 .
St
Der Futurepreisprozess stimmt also in diesem Fall mit dem Forwardpreisprozess u

berein.
45
Die Hedging-Strategien sind allerdings unterschiedlich. Es gilt
1 1 ST0
0+ D2 = (ST0 Sb1 ) = Sb1
S0 S0 S0
S0
Damit ist t1 := ST0 , t [0, T ] die bei positivem Zins dynamische (!) und i.A. auch
t
nicht-deterministische Hedging-Strategie in der Aktie gegen den Future. Die entsprechende
Hedging-Strategie gegen den Forward ist dagegen der konstante Prozess t1 := 1, t [0, T ].
I.A. unterscheiden sind also die beiden Kontrakte okonomisch, auch wenn die ,,Preise
bereinstimmen. Man beachte, dass die Hedging-Strategie 1 f
u ur den Future Teil eines
0 1 0 ST0 St1
Paars ( , ) mit = (S 0 )2 ist. Letzteres folgt aus der Selbstfinanzierungsbedingung
t
0 S 0 + 1 S 1 = 0. Nach Leistung der Settlement Zahlungen ist der Wert des Hedging-
Portfolios also immer Null. Da die Zahlungen fr uher als beim Forward stattfinden, m
ussen
zur Absicherung mehr Aktien gekauft werden, wenn der Zinssatz positiv ist.
Bemerkung 3.15. Die konzeptionelle Schwierigkeit eines Futures (z.B. im Gegensatz zu
einer Option) besteht darin, dass der Auszahlungsprozess nicht getrennt von der Preisbil-
dung auf Futuremarkten gesehen werden kann. Nur die akkumulierten Auszahlungen bis
T sind durch die Bedingung (3.62) exogen gegeben. Wann die Auszahlungen jedoch statt-
finden, was bei nicht-verschwindendem Zins relevant ist, ergibt sich jedoch erst durch die
Bewertung des Futures am Markt.
Im Gegensatz dazu hangt die Auszahlung einer europaischen oder amerikanischen Op-
tion nur von den Preisen auf den Aktienmarkten ab (die hier exogen gegeben sind) und
lediglich die Optionspreise, die Preise im eigentlichen Sinne sind, werden bestimmt.
4 Optimales Stoppen und amerikanische Optionen

Eine amerikanische Option (Derivat, Claim) zeichnet sich dadurch aus, dass der Hal-
ter den Aus ubungszeitpunkt wahlen kann. Somit hangt die Auszahlung im Gegensatz
zu europaischen Claims nicht nur vom Zufall (zufallige Entwicklung von Aktienprei-
sen, etc.) ab, sondern zusatzlich auch von der Aus ubungsstrategie des Halters. Diese
Strategie wird dem Verkaufer i.A. nicht bekannt sein, was die Analyse des Kontraktes
erschwert.
Ein amerikanischer Claim lasst sich durch einen nichtnegativen stochastischen Prozess
L = (Lt )t[0,T ] beschreiben. Der Prozess L soll càdlàg-Pfade besitzen. Die reellwertige
Zufallsvariable Lt legt dabei die (auf den Zeitpunkt 0) diskontierte Auszahlung an den
Halter fest, wenn dieser sich entscheidet, den Claim zum Zeitpunkt t auszu uben.
Definition 4.1. Ein Hedge zum Startkapital v0 R f
ur einen amerikanischen Claim L
ist eine zulassige Strategie mit
v0 + St Lt , t [0, T ], P -a.s. (4.63)
(4.63) liefert eine Absicherungsstrategie f
ur den Verkaufer der amerikanischen Option.
Das minimale Startkapital zu dem sich eine Hedging-Strategie finden lasst, wird als
Superhedgingpreis der Option bezeichnet.
46
Wenn der Verkaufer f ur die Option eine Pramie groer oder gleich v0 bekommt, ist
er auf der sicheren Seite: Er investiert gema der dynamischen Strategie bis der Halter
(Kaufer) sich zum Aus uben entschliet. Mit dem Wert des Portfolios v0 + St kann er
den Auszahlungbetrag Lt begleichen.
Bemerkung 4.2. Man beachte, dass f

ur obige Uberlegung nicht relevant ist, dass der
Halter zu einer Stoppzeit aus ubt. Der Halter der Option konnte auch ein Insider sein,
d.h. zu einem : [0, T ] aus uben, das bzgl. der Standard-Filtration keine Stoppzeit
ist. Ein extremer Fall ware, wenn der Kaufer zum Zeitpunkt
:= inf{t 0 | Lt = max Ls }
s[0,T ]
ausuben konnte (i.A. keine Stoppzeit). Trotzdem ist der Verkaufer durch abgesichert.
Wir werden sehen, dass es zumindest in vollstandigen Markten nicht gefahrlich ist, ame-
rikanische Optionen an Insider zu verkaufen. Der Insider kann zwar eine groere Aus-
zahlung erreichen als der Nicht-Insider. Diese Information wird aber gewissermaen in
Form des g unstigeren Ausubungsverhaltens an den Verkaufer weitergegeben, der dann mit
seinem Hedging-Portfolio mehr Gewinne macht.
4.1 Optimales Stoppen

Wie wir spater sehen werden bzw. wie man bereits jetzt vermuten wird, hangt die Analyse
amerikanischer Optionen eng mit dem Losen optimaler Stoppprobleme zusammen. Des-
halb wird hier zunachst die Theorie des optimalen Stoppens dargestellt. Diese ist nat
urlich
von sehr weitreichender Bedeutung und geht weit u ber die Anwendung auf amerikanische
Optionen hinaus.
Sei L obiger Auszahlungsprozess. Bei einem optimalen Stoppproblem stellt man sich
die Frage, wann man L optimal abstoppt, wobei in die Stoppentscheidung immer nur die
jeweils zur Verf
ugung stehenden Informationen eingehen d urfen und eine solche Entschei-
dung spater nicht mehr revidiert werden darf. Das Problem ist also
sup EQ (L ) (4.64)
S
wobei S die Menge der Stoppzeiten bezeichne. Q ist ein beliebiges Wahrscheinlichkeitsma
mit dem man die moglichen Ereignisse gewichten will. Es muss nat urlich nicht die Be-
deutung eines Martingalmaes (wie oben) haben. (4.64) ist ein wichtiges Beispiel fur ein
dynamisches Optimierungsproblem. Dynamisch bedeutet, dass die Stoppentscheidung
nicht zu einem einzelnen Zeitpunkt getroffen wird, sondern in eine Dynamik eingebunden
ist. Andere dynamisches Optimierungsproblem sind z.B. Portfoliooptimierungsprobleme
mit vorhersehbaren Handelsstrategien . Diese sind jedoch wesentlich komplexer. Bei
(4.64) gibt es zu jedem Zeitpunkt hochstens 2 Moglichkeiten: stoppen (wenn noch nicht
geschehen) oder nicht stoppen.
47
4.1.1 Exkurs: Das Sekret
arinnenproblem oder der optimale Immobilienkauf
Es gibt nat urlich auch interessante und relevante Stopp-Probleme, die man nicht in
die Form (4.64) bringen kann, wie etwas das klassische Sekret arinnenproblem. Hier
verfahrt der Entscheider nach dem Motto Das Beste oder nichts. Er mochte aus
n zufalligen Auszahlungen X1 , . . . , Xn mit einer moglichst hohen Wahrscheinlichkeit die
grote Auszahlung erhalten. Dabei bekommt er die Auszahlungen der Reihe nach gezeigt.
Er kann eine Auszahlung entweder nehmen oder ablehnen und auf eine hohere Auszah-
lung in der Zukunft hoffen. Lehnt er eine Auszahlung ab, ist diese f ur ihn unwiderruflich
verloren.
Der Name des Problems ist durch die Auswahl einer Sekretarin motiviert. Kandidaten
stellen sich nach und nach vor. Einem Kandidaten kann entweder zugesagt werden oder
man sagt ihm ab, was bedeutet, dass er enttauscht von dannen zieht und man ihn spater
nicht mehr fur den Job gewinnen kann. Das Problem hat viele Anwendungen im alltagli-
chen Leben. Am nachsten kommt es vielleicht dem Kauf einer Immobilie. Es gibt nach
und nach Immobilienangebote. Nach einer Besichtigung kann sich der Kaufinteressent
entscheiden, ob er das Objekt kaufen will oder nicht (wobei wir der Einfachheit halber
davon ausgehen, dass man jedes besichtigte Objekt auch bekommen w urde). Allerdings
muss man bei einem Objekt, das in Frage kommt, schnell zuschlagen. Man kann es also
nur mit Objekten vergleichen, die man in der Vergangenheit besichtigt hat.
Wir modellieren die Auszahlungen X1 , . . . , Xn als i.i.d. stetig verteile Zufallsvariablen.

Dabei soll kein Wissen u ber die stochastische Verteilung der Groen bekannt sein. Daher
beobachten wir nur die Ordnungsrelation, also etwa ob X2 > X1 (,,die zweite Immobilie
ist besser als die erste) oder X2 < X1 . Formal betrachten wir folgendes optimale Stopp-
Problem:
sup P (X > Xt t = 1, 2, . . . , n, t 6= )
S
= sup P (L = 1 und Lt = 0 t = + 1, . . . , n),
S
wobei
Lt := 1{Xt >Xs s<t} , t = 1, . . . , n
und
Ft = (L1 , . . . , Lt )
Man beachte, dass wegen der stetigen Verteilung P (Xs = Xt ) = 0 f ur s 6= t. Eigentlich
soll der Akteur zu jedem Zeitpunkt t die Ordnungsrelation der ersten X1 , . . . , Xt Objekte
kennen. Fur das Optimierungsproblem ist es jedoch nur relevant, ob ein neu hinzugekom-
menes Objekt besser als alle seine Vorganger ist oder nicht (also ob Lt = 1 oder Lt = 0).
Ob es das zweit- oder drittbeste ist, spielt bei obiger Zielfunktion und er i.i.d.-Annahme
keine Rolle.
48
Wie sieht die optimale Stoppzeit f
ur obiges Problem aus ?
Man u
berlege sich zunachst, dass von der Form
= min{t > a | Lt = 1} n (4.65)
ur ein festes a {0, . . . , n 1} sein muss. Klar: ein Stoppen bei Lt = 0 und t < n macht
f
keinen Sinn, da der Kauf einer Immobilie, die schlechter ist als einer ihrer Vorganger, nichts
zur Erfolgswahrscheinlichkeit beitragt. Wenn man f ur einen Zeitpunkt s im Fall Ls = 1
stoppt, w urde man fur einen Zeitpunkt t mit t > s beim Eintreten des Ereignisses Lt = 1
erst recht stoppen. Also muss das optimale von der Form (4.65) sein und wir m ussen
nur noch u ber a maximieren. F ur festes a ergibt sich die Erfolgswahrscheinlichkeit durch
n n1
1 X a aX1
pn (a) = = .
n t=a+1 t 1 n t=a t
Begr undung: Sei t die global beste Immobilie. t ist gleichverteilt auf {1, . . . , n}. Sei s die
beste Immobilie vor t. Gegeben t > 1 ist s gleichverteilt auf {1, . . . , t 1}. Es gibt nun 3
Falle
(1) a t
(2) s a < t
(3) a < s
Die beste Immobilie hat man dann und nur dann gefunden, wenn Fall 2 eintritt. Im Fall 1
ist die beste Immobilie zu fr
uh gekommen: man musste sich erst einen Uberblick verschaf-
fen. Im Fall 3 kauft man Immobilie s oder eine davor.
Es gilt
n1 n1
! n1 n1
!
a1 X 1 X 1 1X1 1 X 1
pn (a) pn (a 1) = + = 1 + .
n t=a
t t=a1 t n t=a t n t=a
t
Daher wird pn (a) durch

n1
X 1
an = max{a |
b 1}
t=a
t
maximiert. F
ur n gro erhalten wir die Approximation
a
pn (a) (ln(n) ln(a)) = (a/n) ln(a/n)
n
(x ln(x))0 = ln(x) 1 = 0 ergibt x = e1 und damit
n
an
b
e
49
Zusammenfassung: Man u berlege sich einen maximalen Zeitraum, an dessen Ende
man in jedem Fall eine Immobilie haben mochte. Diese Zeit teile man durch 2.718 und
schaue sich in diesem ,,Orientierungszeitraum alle verf
ugbaren Immobilien an ohne eine
zu kaufen. Nach Ablauf dieser Zeit nehme man die erste Immobilie, die mindestens so gut
ist wie die beste Immobilie in dem Orientierungszeitraum.
Die Wahrscheinlichkeit, dass man mit diesem Algorithmus die beste Immobilie findet,
betragt immerhin 1/e 37%.
Es ist u
berfl
ussig zu sagen, dass das Kriterium Das Beste oder nichts sehr risiko-
freudig ist. Wenn die beste Immobilie bei den ersten n/e zufallig dabei war, nimmt man
die n-te Immobilie, was fur groe n i.A. eine ziemlich schlechte Entscheidung sein wird.
Gewisse Abwandlungen des Kriteriums waren also sinnvoll.
Der Akteur arbeitet mit minimalen Informationen. Er verarbeitet nur, die Information
X2 > X1 nicht aber die absolute Groe von X2 . Letzteres konnte die optimale Strategie
nat
urlich i.A. verbessern. Allerdings w
urde die optimale Strategie dann auch von der
stochastischen Verteilung der Xt abhangen, die hier nicht eingeht und das Ergebnis so
wunderbar einfach macht. Exkursende.
In diesem Abschnitt wird auf das Essentielle Supremum zur uckgegriffen, siehe An-
hang B. Analog zu der zeitdiskreten Vorlesung definieren wir die Snell-Einh
ullende (snell
envelope)
ur t [0, T ] ist
Definition 4.3. F
St := { S mit t T }.
St ist also die Menge der [t, T ]-wertigen Stoppzeiten. Ein Prozess U = (Ut )t[0,T ] mit
càdlàg Pfaden und
Ut = ess sup St EQ (L | Ft ), P f.s., t [0, T ], (4.66)
wird Snell-Einhu llende des Prozesses L bzgl. des Maes Q genannt. Das essentielle
Supremum in (4.66) wird u ber die Menge der Zufallsvariablen {EQ (L | Ft ) | St }
gebildet und bezieht sich auf die -Algebra Ft , d.h. es ist die kleinste obere Schranke in
der Menge der Ft -messbaren Zufallsvariablen (siehe Definition B.1).
Theorem 4.4. Sei L ein nichtnegativer stochastischer Prozess mit càdàg-Pfaden und
EQ ( sup Lt ) < . (4.67)

t[0,T ]
Dann existiert die Snell-Einh

ullende U aus (4.66) und erf
ullt folgende Eigenschaften
(i) U L bis auf Ununterscheidbarkeit
(ii) U ist ein Q-Supermartingal
50
(iii) F
ur jedes Q-Supermartingal U
e gilt folgende Implikation
e L bis auf Ununterscheidbarkeit = U

U e U bis auf Ununterscheidbarkeit .
D.h. U ist das kleinste Q-Supermartingal, das L dominiert.
Theorem 4.5. Es gelte (4.67). Im Spezialfall, dass die Zeit diskret ist, lasst sich die
Snell-Einh
ullende auch durch die folgende R
uckwartsrekursion definieren
UT = LT , Ut1 = Lt1 EQ (Ut |Ft1 ), t = 1, . . . , T. (4.68)
Beweis von Theorem 4.5. Wir m ussen zeigen, dass U aus (4.68) die Bedingungen (i),(ii)
und (iii) aus Theorem 4.4 erf ullt (es kann hochstens einen Prozess geben, der alle 3
Bedingungen erf ullt).
Ad (i): klar.
Ad (ii): Wir mussen nur zeigen, dass EQ (Ut+1 |Ft ) Ut . Direkt aus (4.68) folgt
Ut = Lt EQ (Ut+1 |Ft ) EQ (Ut+1 |Ft ).
Ad (iii): Sei U
e ein Supermartingal, das L dominiert. Dann gilt U eT LT = UT . Wir
fahren mit einer Ruckwartsinduktion fort. Nehme an, wir w et Ut .
ussten bereits, dass U
Zu zeigen: Uet1 Ut1 . Da U
et1 EQ (U
U et |Ft1 ).
et1 Lt1 und der Induktionsvoraussetzung folgt

Zusammen mit U
et1 Lt1 EQ (Ut |Ft1 ) = Ut1 .
U
Proposition 4.6. F ur einen adaptierten Prozess X mit E|Xt | < und E(Xt |Fs ) Xs ,
P -f.s., s t sind folgende Aussagen aquivalent
(1) Zu X existiert eine càdlàg Version.
(2) Die Abbildung t 7 E(Xt ) ist càdlàg.
Beweis siehe Karatzas und Shreve [6], Theorem I.3.13.

Beweis von Theorem 4.4. Schritt 1: Zunachst soll gezeigt werden, dass U die Supermar-
tingaleigenschaft
EQ (Ut |Fs ) Us , s t.
erf
ullt. Offenbar ist die Menge der Zufallsvariablen
{EQ (L |Ft ) | St }
51
ur 1 , 2 St existiert eine Stoppzeit 3 St mit
maximumsstabil, d.h. f
EQ (L1 |Ft ) EQ (L2 |Ft ) = EQ (L3 |Ft ).
Man wahle

1 : on the set {EQ (L1 |Ft ) EQ (L2 |Ft )}
3 =
2 : on the set {EQ (L1 |Ft ) < EQ (L2 |Ft )}.
Damit existiert mit Theorem B.4 eine Folge (n )nN St mit
EQ (Ln |Ft ) ess sup St EQ (L | Ft ) = Ut . (4.69)
ur bedingte Erwartungswerte impliziert

Der Satz von der monotonen Konvergenz f

E(Ut |Fs ) = EQ lim EQ (Ln |Ft ) | Fs
n
= lim EQ (EQ (Ln |Ft ) | Fs )
n
= lim EQ (Ln |Fs )
n
Us (4.70)
Die Ungleichung gilt wegen n St Ss . Es bleibt zu zeigen, dass es eine Version von
(4.66) mit càdlàg Pfaden gibt (damit ist dann auch die Existenz der Snell-Einh ullenden
als Prozess gezeigt). Wir benutzen Proposition 4.6 und m ussen nur noch zeigen, dass die
Abbildung t 7 EQ (Ut ) rechtsstetig ist. Bildet man in (4.70) auf beiden Seiten den Er-
wartungswert so folgt, dass t 7 EQ (Ut ) monoton fallend ist (also insbesondere existieren
rechte und linke Limiten der Erwartungswertfunktion). Mit E(Ut ) E(E(L | Ft )) f ur
alle St und den Gleichungen in (4.70) fur s = 0 folgt
EQ (Ut ) = sup EQ (L ).
St
ur s t folgt
F
|EQ (Ut ) EQ (Us )| EQ ( sup Lu ) EQ (Lt )

sut
(zu jedem Ss betrachte man die Stoppzeit t St und schatze ab: E(L )E(L t )
E(supsut Lu ) E(Lt )).
Aus der Rechtsstetigkeit der Pfade von L und majorisierender Konvergenz wegen
(4.67) folgt daraus, dass t 7 EQ (Ut ) rechtsstetig ist und damit wegen Proposition 4.6
eine Version mit càdlàg Pfaden besitzt.

ur nichtfallende Folgen nichtnegativer Zufallsvariablen (Yn )nN gilt E(Yn | G)
Der Satz besagt: F
E(supmN Ym | G), n , P -f.s. Beweis: Offensichtlich gilt supmN E(Ym | G) E(supmN Ym | G).
Es bleibt daher nur noch zu zeigen, dass die Erwartungswerte der beiden Zufallsvariablen gleich
sind. Dies folgt aber aus E(E(supmN Ym | G)) = E(supmN Ym ) = supmN E(Ym ) (Satz vom ite-
rierten Erwartungswert und Satz von der monotonen Konvergenz f ur absolute Erwartungswerte) und
E(supmN E(Ym | G)) E(E(Yn | G)) = E(Yn ) f ur alle n N.
52
Schritt 2: Beweis der Eigenschaften: Wegen Schritt 1 ist U ein Supermartingal (Ein-
genschaft (ii)).
Wahlt man = t, so folgt P (Ut Lt ) = 1 und damit wegen Rechtsstetigkeit P (Ut
Lt , t [0, T ]) = 1 (Eigenschaft (i)).
Ad (iii): Offenbar ist U das kleinste Supermartingal. F e L und St folgt
ur U
namlich
Optional Sampling Theorem
U
et EQ Ue | Ft EQ (L | Ft ) , P f.s..
ur alle St gilt, folgt

Da dies f
et ess sup S EQ (L | Ft ) = Ut ,
U P f.s.,
t
et Ut ,
also P (U t [0, T ]) = 1 wegen Rechtsstetigkeit beider Prozesse.
Definition 4.7. Ein Prozess X = (Xt )t[0,T ] ist von Klasse (D), wenn die Familie von Zu-
fallsvariablen (|X |) S gleichgradig integrierbar ist, d.h. limc sup S E |X |1{|X |>c}
0.
Proposition 4.8. Jedes Martingal auf einem kompakten Zeitintervall ist von Klasse (D).
Beweis. Sei M ein Martingal, d.h. f ur alle S gilt M = E(MT | F ). Sei > 0
gegeben. Wahle d > 0 gro genug, so dass E |MT |1{|MT |>d} 2 und c > d 2 E(|MT |).
ur alle S
Dann gilt f

E |M |1{|M |>c} = E |E(MT | F )|1{|M |>c}

E E(|MT | | F )1{|M |>c}

= E |MT |1{|M |>c}

E |MT |1{|MT |>d} + E d1{|M |>c}
d
+ E(|M |)
2 c
d
+ E(E(|MT | | F ))
2 c
d
= + E(|MT |)
2 c

+ = .
2 2
Damit ist (|M |) S gleichgradig integrierbar.
Da f
ur die Snell-Einh
ullende U gilt
0 Ut EQ ( sup Lu |Ft ) EQ ( sup Lu |Ft )

tuT 0uT
(beachte, dass L 0 vorausgesetzt wurde) folgt mit Proposition 4.8, dass auch U ein
Prozess von Klasse (D) ist.
53
Theorem 4.9 (Doob-Meyer-Zerlegung). F
ur jedes Supermartingal X von Klasse (D)
existiert eine Zerlegung
X = X0 + M + A (4.71)
mit M0 = A0 = 0, M Martingal und A nicht-wachsender vorhersehbarer Prozess.
(Siehe Theorem 8 in Kapitel III in [10] f

ur einen Beweis)
Die Snell-Einh
ullende besitzt also eine Doob-Meyer-Zerlegung, was spater f
ur das Su-
perhedgen eines amerikanischen Claims im Black-Scholes Modell benotigt wird (siehe
Beispiel 4.12).
Bemerkung 4.10. Wenn der Auszahlungsprozess L von Klasse (D) ist, dann ist auch
die Snell-Einh
ullende U von Klasse (D). Der Beweis dieser Implikation bedarf jedoch
mehr Vorarbeit, weswegen wir aus Bequemlichkeit die restriktivere Voraussetzung (4.67)
gemacht haben.
Definiere f
ur alle > 0 die Stoppzeiten
:= inf{t 0 | Lt Ut } (4.72)

Theorem 4.11. (1) F ullende U , d.h. der
ur alle > 0 ist die abgestoppte Snell-Einh
Prozess (Ut )t[0,T ] ein Martingal.
(2) ist eine -optimale Stoppzeit, d.h.
E (L ) sup E (L ) .
S
(3) Sei
? := sup
>0
( ? ist offenbar eine [0, T ]-wertige Stoppzeit). ? ist genau dann eine optimale Stopp-
zeit, d.h.
E (L ? ) = sup E (L ) ,
S
wenn

E L ? 1{ < ? , >0} 0. (4.73)
(Zudem ist die linke Seite von (4.73) stets nichtpositiv) .

Wenn L keine negativen Spr unge besitzt, ist (4.73) nat
urlich erf
ullt. Die Bedingung ist jedoch deutlich
schwacher. Es darf keine negativen Spr
unge zu vorhersehbaren Stoppzeiten geben (siehe Definition 1.19).
Dies wurde z.B. von Levy-Prozessen erf
ullt sein, deren Spr unge sich nicht vorher ank undigen.
54
Des weiteren folgt aus (4.73), dass
P ( ? = 0 ) = 1, (4.74)
wobei
0 := inf{t 0 | Lt = Ut } = inf{t 0 | Lt Ut }.
(Wenn der Auszahlungsprozess stetig ist, kann also in (4.72) gleich Null gesetzt
werden. Ebenso in zeitdiskreten Modellen, vgl. Theorem 4.5)
Beweis. Aussage (1) ist wohl am schwierigesten zu beweisen. Wir m
ussen zeigen, dass
E(U ) = U0 , > 0. (4.75)

Da die abgestoppte Snell-Einh ullende U ein Supermartingal ist, w urde mit (4.75) Aus-
sage (1) folgen. Jedes Supermartingal, dessen erwarteter Endwert mit seinem Startwert
u
berinstimmt, ist namlich ein Martingal. Bleibt also (4.75)zu zeigen. Aus der Eigenschaft
des Supremums folgt, dass es eine Folge von Aus ubungsstrategien (n )nN gibt mit
1
E(Ln ) U0 .
n
n ist eine sog. (1/n)-optimale Strategie, d.h. der Wert der Zielfunktion, hier 7 E(L ),
ist hochstens um 1/n kleiner als das Supremum. Wir werden gleich sehen, dass in die-
sem Sinne eine -optimale Strategie ist. Aus der Definition von ist dies jedoch noch
nicht klar, da E(U ) < U0 noch nicht widerlegt ist.
Aus der Supermartingaleigenschaft von U folgt mit dem Optional Sampling Theorem
1
E(Un ) E(Un ) E(Ln ) U0 . (4.76)
n
Des weiteren gilt

E(Ln ) = E Ln 1{n < } + E Ln 1{n }

E (Un )1{n < } + E Un 1{n }
= E (Un ) P (n < )
U0 P (n < )
Damit folgt
1
P (n < ) . (4.77)
n
(4.77) impliziert stochastische Konvergenz von Un gegen U f ur n . Da U in der
Klasse (D) ist, folgt mit der Abschatzung

E(|Un U |) E 1{n < } |Un | + E 1{n < } |U | ,
55
auch L1 (P )-Konvergenz, also
E(Un ) E(U ), n .
Zusammen mit (4.76) ergibt dies
E(U ) U0 .
Da 0 sowieso gilt, folgt (4.75).
Ad (2): Wegen der Rechtsstetigkeit der Pfade von L und U gilt L U . Mit (1)
folgt
E(L ) E(U ) = U0 .
Ad (3) Man beachte, dass ? und mit fallendem nicht-fallend ist, d.h.
= lim0 .
?
ur jedes gibt es zwei Moglichkeiten: 1) () = ? () f

F ur > 0 klein genug, d.h.
die Pfade L () und U () springen zum Zeitpunkt () aufeinander. 2) () < ? ()
?
f
ur alle > 0, d.h. L () und U () nahern sich kontinuierlich aneinander an.
Es gilt
L L ? L ? 1{ e< ? , >0} ,
e 0, punktweise.
Wegen majorisierter Konvergenz folgt

U0 = lim E(L ) = E(L ? ) E L ? 1{ e< ? , e
>0} .
0

Daraus folgt, dass E L ? 1{ e< ? , e>0} 0 (andernfalls ware E(L ? ) > U0 ). Zudem
folgt, dass E(L ? ) = U0 genau dann, wenn E L ? 1{ e< ? , e>0} = 0.
Wegen U L und E(U ? ) U0 (optional sampling theorem) muss also unter der
Bedingung (4.73)
P (U ? = L ? ) = 1
gelten. Da zudem ? 0 folgt (4.74).

Die Stoppzeit ? ist also genau dann keine optimale Stoppzeit, wenn Fall (2) mit posi-
tiver Wahrscheinlichkeit eintritt und L gerade zum
Annaherungszeitpunkt einen negativen
Sprung machen kann mit E L ? 1{ < ? , >0} < 0.
Beispiel 4.12 (Black-Scholes Modell). Im Black-Scholes Modell lasst sich mit dem Mar-
tingaldarstellungssatz der Martingalanteil M der Doob-Meyer-Zerlegung (4.71) der Snell-
Einhullenden U als stochastisches Integral S schreiben. Damit folgt
U0 + S = U A U L
56
und ist ein Hedge f ur L zum Startkapital U0 . Wenn der Preis des amerikanischen
Claims L strikt groer als U0 ist, kann also der Verkaufer einen risikolosen Gewinn er-
zielen. Dies nennt man dann Verk auferarbitrage. Umgekehrt folgt aus der Minimalitat
der Snell-Einhullenden, dass U0 minimales Startkapital ist, um L zu hedgen. Mehr noch,
f
ur v0 < U0 kann der Kaufer eine Arbitrage erzielen. Dies nennt man K auferarbitrage.
Es gabe dann namlich eine Stoppzeit S0 mit EQ (L ) > v0 . Der Kaufer konnte parallel
zu der Longposition in der amerikanischen Option eine Shortposition im europaischen
Claim L aufmachen. Dies w urde zum Zeitpunkt 0 den Gewinn EQ (L ) v0 einbringen.
Zum Zeitpunkt konnte die amerikanische Option ausge ubt werden und die beiden Zah-
lungsverpflichtungen wurden sich gegeneinander aufheben. Die Bewertung amerikanischer
Optionen im Black/Scholes-Modell f uhrt also auf das Losen von Stopp-Problemen der
Form
sup EQ (L ). (4.78)
S
F
ur amerikanische Call-Optionen (ohne Dividenden) gibt es eine einfache Losung des
Stopp-Problems (4.78). Die optimale Ausubungsstrategie des Calls besteht darin, die Op-
tion erst zum Verfallszeitpunkt T auszu
uben. Damit stimmt der arbitragefreie Preis des
berein .
amerikanischen Calls mit dem des europaischen Calls u
Proposition 4.13. Seien r, K 0. Es gilt
sup EQ (er (S K)+ ) = EQ (erT (ST K)+ ).
S0,T
Beweis. Sei S0,T . Es gilt

EQ (erT (ST K)+ )
EQ EQ ((erT ST erT K)+ |F )

=
EQ (EQ (erT ST |F ) erT K)+ )

EQ (er S erT K)+

=
EQ er (S K)+ .

Die erste Ungleichung folgt aus der Jensenschen Ungleichung f
ur bedingte Erwartungs-
werte und die zweite gilt wegen r, K 0.
4.2 Amerikanische Verkaufsoption (American put)

ur 0 s t sei Ss,t die Menge aller [s, t]-wertigen Stoppzeiten,
Definition 4.14. F
d.h.
Ss,t := { S | s t}.

Man beachte jedoch, dass dies nur gilt, wenn keine Dividenden an die Aktienbesitzer ausgesch uttet
werden. Zahlt die Firma etwa eine zeitkontinuierliche Dividende mit Rate St d pro Aktie, d R+ \ {0},
dann ist nicht mehr der diskontierte Preisprozess ert St ein Q-Martingal sondern der Prozess ert St + d
R t ru
0
e Su du. S hat somit eine niedrigere Drift, was dazu f uhrt, dass es sich lohnen kann (und f
ur hohe
Aktienpreise sich auch lohnt), den Call vorzeitig auszu uben.
57
Setze
St := St,T
Nun wollen wir die amerikaische Put Option im BS-Modell naher untersuchen. L = Lx
ist also gegeben durch
Lxt = ert (K Stx )+ , t [0, T ],
wobei r R+ und
2

Stx = x exp rt + Wt t , t 0.
2
Die Abbildung P : R+ R+ R+ bezeichne den Startpreis der Put Option als Funktion
des Startpreises x der Aktie und der Laufzeit T , d.h.
P (x, T ) := sup EQ er (K Sx )+ .

S0,T
P wird auch als Wertfunktion bezeichnet. Es gilt
Utx = ess sup St EQ (er (K Sx )+ | Ft ) = ert P (Stx , T t). (4.79)
Anschaulich w urde man argumentierten, dass aufgrund der Markoveigenschaft des Aktie-
preisprozesses S x auch der Optionspreisprozess U Markov ist und sein Wert zum Zeitpunkt
t mit einer neu aufgelegten Option mit Laufzeit T t u bereinstimmen muss (um diese
mit Ut vergleichbar zu machen, diskontiert man auf den Zeitpunkt 0). Dieses Argument ist
allerdings etwas wackelig. So sind zum Beispiel abgestoppte Prozesse (S x ) , S nicht
mehr notwendigerweise Markov. Stx eingesetzt in die Wertfunktion P (, T t) bedeutet,
dass man zum Zeitpunkt t ein vollig neues Stoppproblem betrachtet (mit Startpreis Stx ).
Andererseits gehen in den Ausdruck Utx = ess sup St EQ (Lx | Ft ) auch Stoppzeiten ein,
die von der Information Ft nicht nur u ber den aktuellen Preis Stx abhangen. Allerdings
sind diese zusatzlichen Stoppzeiten f ur das Optimum nicht wichtig, da gegeben Stx die
Information Ft f ur die zukunftige Preisentwicklung von S x nicht relevant ist. Bei der opti-
malen Stoppstrategie aus St bedingt man daher nicht auf diese zusatzliche Information.
Wegen (4.79) und der Stetigkeit des Auszahlungsprozesses L folgt aus Theorem 4.11, dass
ur jedes t [0, T ] die Stoppzeit
f
t := inf{s t | P (Ssx , T s) = (K Ssx )+ }.
das Supremum in (4.79) annimmt. F ur P (x, T ) ist kein analytischer Ausdruck bekannt.
Wenn man P (x, T ) kennen w urde, ware t einfach zu bekommen und umgekehrt. Leider
sind aber beide nicht bekannt. Im Folgenden wollen wir Eigenschaften der Wertfunktion
untersuchen.

Ein formaler Beweis von (4.79) findet sich in El Karoui, Lepeltier, Millet, A Probabilistic Approach
of the Reduite, Probability and Mathematical Statistics 13, 97-121,1992, siehe Theorem 3.4 dort. Dies ist
eng verbunden mit sog. randomisierten Stoppzeiten. Bei randomisierten Stoppzeiten darf man seine Stop-
pentscheidung zusatzlich zum Verlauf der Zustandsvariablen (hier Aktienpreis) noch von dem Ausgang
stochastisch unabhangiger Experimente abhangig machen.
58
Lemma 4.15. (i) x 7 P (x, T ) ist konvex und monoton fallend.
(ii) T 7 P (x, T ) ist monoton wachsend.
(iii) P (x, T ) > 0, T > 0.
ur alle T R+ ist x 7 P (x, T ) Lipschitz-stetig mit Konstante 1, also

(iv) F
0 P (y, T ) P (x, T ) (y x) 0 x y < .
(v) (x, T ) 7 P (x, T ) ist stetig.
Beweis. Sei S x eine geometrische Brownsche Bewegung mit S0x = x. D.h.
2

x
St = x exp rt + Wt t , t 0.
2
(i) Es gilt
P (x, T ) = sup EQ er (K Sx )+ = sup EQ er (K xS1 )+

S0,T S0,T
Die Abbildung x 7 (K xs)+ ist f ur jedes s R+ konvex. Somit ist auch f ur festes
S0,T der Erwartungswert EQ (er (K xS1 )+ ) konvex in x . Sumprema konvexer
Funktionen sind konvexk . Somit ist x 7 P (x, T ) konvex. Die gleiche Beweiskette gilt f
ur
fallend statt konvex.
(ii) Monotonie in der Laufzeit folgt sofort aus der Definition und S0,T1 S0,T2 f ur
T1 T2 .
(iii) Es gilt

rT x + rT K x K
P (x, T ) EQ (e (K ST ) ) e Q ST > 0, x 0, T > 0.
2 2

Betrachte die Abbildung y 7 Eg(X, y), wobei X eine Zufallsvariable ist und g(x, ) konvex. F
ur
[0, 1] gilt
E [g(X, y1 + (1 )y2 )] E [g(X, y1 ) + (1 )g(X, y2 )] = E [g(X, y1 )] + (1 )E [g(X, y2 )] .
k
Sei I eine beliebige Indexmenge und fi , i I, konvexe Funktionen. F
ur [0, 1] gilt
fi (y1 + (1 )y2 ) fi (y1 ) + (1 )fi (y2 ) sup{fj (y1 ) | j I} + (1 ) sup{fj (y2 ) | j I}
ur alle i I und damit

f
sup{fi (y1 + (1 )y2 ) | i I} sup{fj (y1 ) | j I} + (1 ) sup{fj (y2 ) | j I}.
59
ur x y und beliebiges S0,T gilt
(iv) F
0 EQ (er (K Sx )+ EQ (er (K Sy )+ )
EQ (er (Sy Sx ))
= (y x)EQ (er S1 )
= y x, (4.80)
wobei in die letzte Gleichung eingeht, dass der diskontierte Preisprozess (ert St1 )0tT ein
Q-Martingal ist. Aus (4.80) folgt, dass
0 P (x, T ) P (y, T ) y x.
(v) Da x 7 P (x, T ) Lipschitz-stetig ist mit Konstante 1 (also Konstante insbesondere

unabhangig von T ), gen ugt es, die Stetigkeit von T 7 P (x, T ) zu zeigen.
Sei 0 T1 T2 < . Es gilt (nach (ii)) P (x, T1 ) P (x, T2 ). Sei S0,T2 eine
beliebige Ausubungsstrategie fur die Option mit Laufzeit T2 . Dann gilt T1 S0,T1 und
EQ (er (K Sx )+ ) EQ (er( T1 ) (K SxT1 )+ )

EQ ((er( T1 ) K er Sx )+ EQ (er( T1 ) (K SxT1 )+ )
EQ (|er Sx er( T1 ) SxT1 |)
EQ (|erT2 STx2 erT1 STx1 |). (4.81)
Die letzte Ungleichung gilt, da der Prozess t 7 ert Stx er(tT1 ) StT
x

1
ein Q-Martingal
und damit wegen der Jensenschen Ungleichung f ur bedingte Erwartungswerte
t 7 ert Stx er(tT1 ) StT

x

1
ein Q-Submartingal ist. Aus (4.81) folgt
|P (x, T2 ) P (x, T1 )| EQ (|erT2 STx2 erT1 STx1 |) 0, ur T2 T1

f
und damit die Behauptung. Obige Konvergenz f ur T2 T1 folgt aus punktweiser Kon-
vergenz und der Tatsache, dass jedes nichtnegative Submartingal auf einem kompakten
Zeitinterval betrachtet von Klasse (D) ist .
Definition 4.16. Seien
C := {(x, t) R+ R+ | P (x, t) > (K x)+ }
D := {(x, t) R+ R+ | P (x, t) = (K x)+ }
C wird Fortsetzungsbereich (continuation region) und D Stoppbereich (stopping region)

genannt.

Letzteres l
asst sich genau wie im Beweis von Proposition 4.8 zeigen.
60
Da P (x, t) (K x)+ gilt nat
urlich C D = R+ R+ .
Man beachte, dass t hier die Restlaufzeit der Option bezeichnet. Ware t die
usste man also T t in das zweite
verstrichene Zeit und T die Falligkeit der Option, m
Argument einsetzen.
Lemma 4.17. Sei t R+ und
Ct := {x R+ | (x, t) C} = {x R+ | P (x, t) > (K x)+ }
der t-Schnitt der Menge C. Dann ist f
ur t > 0 Ct von der Form
Ct = (bt , ) (4.82)
ur ein bt [0, K) (es gilt nat
f urlich C0 = ). Im Fall r > 0 gilt bt > 0 f
ur t > 0. F
ur r = 0
gilt bt = 0 f
ur t > 0.
Beweis. Nat
urlich ware bt durch (4.82) eindeutig bestimmt. Wir zeigen, dass
bt := inf Ct
tatsachlich (4.82) erf
ullt. Wir m
ussen zeigen
(1) bt 6 Ct
(2) Aus y > x Ct folgt y Ct
Zu (1): Im Falle bt = 0 folgt dies aus P (0, t) = K. F ur bt > 0 gilt nach Definition von
bt , dass P (x, t) = (K x)+ f ur alle x (0, bt ) also aufgrund der Stetigkeit von P auch
P (bt , t) = (K bt )+ , d.h. bt 6 Ct .
Zu (2): Sei y > x Ct . Nach Lemma 4.15(iv) gilt
P (y, t) P (x, t) (y x) > (K x)+ (y x) K y
und wegen P (y, t) > 0 (Lemma 4.15(iii)) auch P (y, t) > (K y)+ , d.h. y Ct . Aus (1)
und (2) folgt, dass Ct nur von der Gestalt (4.82) sein kann. Wegen Lemma 4.15(iii) ist
P (K, t) > 0 = (K K)+ , d.h. K Ct . Aus (4.82) folgt bt < K.
F
ur r = 0 kann man wie beim Call argumentieren. Es ist optimal, erst zum Zeit-
punkt T auszu
uben, also bt = 0 (man beachte, dass der Nullpunkt nie erreicht wird).
Sei r > 0. Den Beweis, dass dann bt > 0 f ur alle Restlaufzeiten t > 0 konnen wir an
dieser Stelle noch nicht f
uhren und verschieben dies daher auf den Beweis von Lemma 4.22,
wo zunachst das Problem mit unendlicher Laufzeit behandelt wird.
Anschaulich kann man bereits jetzt argumentieren, dass fur r > 0 der Prozess ert (K
St ) ein striktes Supermartingal ist und dass f
ur sehr kleine Werte von St die Wahrschein-
lichkeit jemals aus dem Geld zu kommen klein ist, also ert (K St )+ mit ert (K St )
mit sehr hoher Wahrscheinlichkeit bis T u bereinstimmt.
61
Proposition 4.18. Die Abbilding R+ \ {0} (0, K) mit t 7 bt ist monoton fallend.
Bei groerer (Rest-)Laufzeit muss der Aktienpreis also niedriger sein, damit die Ver-
kaufsoption ausgeubt wird.
Beweis. Weil t 7 P (x, t) wachsend ist, gilt Ct1 Ct2 f
ur alle t1 t2 , also
bt1 = inf Ct1 inf Ct2 = bt2 .
4.2.1 Ewige Put-Option

Explizite Losungen erhalt man f
ur die entsprechende Option mit unendlicher Laufzeit
(perpetual put). Probleme mit unendlicher Laufzeit sind einfacher, da die Restlaufzeit
t nicht in die Wertfunktion P eingeht. Ein Put mit unendlicher Laufzeit ist nach einer
Woche immer noch ein Put mit unendlicher Laufzeit (wobei eine entsprechende Aussage
f
ur einen dreimonatigen Put sicher falsch ware).
Der Auszahlungsprozess L ist also gegeben durch
Lt = ert (K Stx )+ , t R+ und L = 0
wobei fortan r > 0. Da die diskontierte Auszahlung L f ur t fast sicher gegen 0
konvergiert, konnten wir durch eine Zeitransformation, d.h. eine (monoton wachsende )
Bijektion : [0, T ] R+ {+} das Problem auf ein Stoppproblem in endlicher Zeit
zur
uckfuhren. Wir betrachten also den Auszahlungsprozess L e mit
e : [0, T ] R+ mit L(,
L e t) = L(, (t)). (4.83)
Da L f ur t gegen 0 konvergiert, existiert der linke Limes von Le an der Stelle T
und ist 0 (in Formeln: LeT = limt Lt = 0), insbesondere ist L e càdlàg/stetig. Die
Auszahlung zum Zeitpunkt T im endlichen Problem wird also mit der Auszahlung f ur
= im unendlichen Fall identifiziert und soll hier 0 sein. Damit k onnen wir die
fu
r einen endlichen Zeithorizont entwickelte Theorie des optimalen Stoppens
direkt u bertragen (dies ist i.A. nicht moglich, wenn limt Lt nicht existiert, also
etwa im Fall einer Brownschen Bewegung, oder die Stoppzeit nicht auch den Wert +
annehmen darf).
Wir betrachten also das Problem
P (x) := sup EQ er (K Sx )+ ,

(4.84)
S
wobei
2

Stx = x exp rt + Wt t , t0
2
mit der Konvention er (K S
x +
) := 0.
Wegen limt Lt = 0 =: L ist der zeittransformierte Prozess stetig. Damit wissen

wir bereits, dass das Suprumum in (4.84) angenommen wird.
62
Bemerkung 4.19. Beachte, dass hier auch den Wert annehmen darf. Auch wenn
dies moglicherweise zu der Auszahlung 0 f uhrt, kann es durchaus Sinn machen, unendlich
lange auf ein gunstiges Ereignis zu warten. Bei der Put-Option macht man dies im Fall
2
r > 2 , der bedeutet, dass Stx , t . Eine Put-Option, die aus dem Geld ist (d.h.
Stx > K), kann dies mit positiver Wahrscheinlichkeit wahrend der gesamten Laufzeit
bleiben. Musste die Stoppzeit Werte in R+ annehmen, so ware man genotigt, die Option
irgendwann auszu uben, auch wenn sie nicht im Geld ist. Dies kame einer Aufgabe der
Option gleich, was nat urlich nicht optimal sein kann. Durch limt ert (K Stx )+ = 0 ist
aber sichergestellt, dass das Supremum durch Stoppzeiten mit Wertebereich R+ zumindest
approximert werden kann.

Ahnlich zum Fall mit endlicher Laufzeit (vgl. Lemma 4.15) gilt folgendes.
Lemma 4.20. (i) x 7 P (x) ist konvex und monoton fallend.
(ii) P (x) > 0.
(iii) x 7 P (x) ist Lipschitz-stetig mit Konstante 1, also
0 P (y) P (x) (y x) 0 x y < .
Beweis. Analog zu Lemma 4.15.

Analog zum Fall mit endlicher Laufzeit definieren wir wieder Fortsetzungs- und Stopp-
bereich
Definition 4.21. Seien
C := {x R+ | P (x) > (K x)+ }
D := {x R+ | P (x) = (K x)+ }
Lemma 4.22. Es gilt analog
C = (b , )
und
D = R+ \ C = [0, b ]
ur ein b (0, K).

f
Beweis. Der Beweis lauft wie in Lemma 4.17 mit endlicher Laufzeit. Es bleibt nur noch
b > 0 zu zeigen.
Bei unendlicher Laufzeit konnen wir jedoch sofort ausschlieen, dass die optimale
Ausubungsgrenze 0 ist (ohne sie explizit zu bestimmen, was wir spater machen werden).
Ware sie namlich 0, dann w
urde mit Wahrscheinlichkeit 1 nie ausge
ubt, was nicht optimal
sein kann. Fur dieses Argument brauchen wir, dass eine optimale Stoppzeit existiert, was
63
mit der Zeittransformation in (4.83) im Fall r > 0 gezeigt wurde. Im Fall r = 0 gibt es
dagegen nur -optimale Stoppzeiten im Problem mit unendlicher Laufzeit.
Aus b > 0 und bt b folgt dann auch bt > 0 f
ur alle endlichen Restlaufzeiten t > 0.
Man beachte, dass wir bt = 0 f ur ein t > 0 nicht direkt ausschlieen konnten, da bei
endlicher Laufzeit, dann immer noch eine Ausubung zum Falligkeitzeitpunkt moglich ist,
dies also nicht mit einer verschwindenden Auszahlung einhergeht.
Die folgende Proposition werden wir spater f
ur die Bestimmung des Put-Preises benoti-
gen. Die mathematische Aussage ist nat urlich von unabhangigem Interesse.
ur R und
Proposition 4.23. Sei B eine Standard-Brownsche Bewegung. Definiere f
b R+ die Stoppzeit
b, := inf{t 0 | t + Bt b}.
Es gilt
p
E exp (b, ) 1{b, <} = exp b b 2 + 2 , 0. (4.85)
Speziell gilt

1, :0
P (b, < ) = (4.86)
e2b|| , : < 0.

(Die Abbildung: R+ [0, 1], E exp (b, ) 1{b, <} wird Laplace-Transformierte
der nichtnegativen Zufallsvariablen b, genannt)
Beweis. (4.86) ist nichts anderes als (4.85) f

ur = 0. Des weiteren reicht es aus, (4.85) f
ur
> 0 zu zeigen. Die entsprechende Aussage f ur = 0 folgt dann aus dem Grenz ubergang
0 (auf der linken Seite von (4.85) ist wegen exp (b, ) 1 majorisierte Konvergenz
anwendbar).
Sei also > 0. Betrachte den Prozess
exp(a(Bt + t) t), t 0.
Damit dieser Prozess ein Martingal wird, muss a R die quadratische Gleichung
a2
+ a = 0
2
losen. Da > 0 gibt es zwei Losungen. Wir betrachten die positive und bezeichen sie mit
a1 , d.h.
p
a1 = + 2 + 2,
und mit M bezeichnen wir das Martingal
Mt := exp (a1 (Bt + t) t) , t 0.
64
Damit folgt aus dem Optional Sampling Theorem angewandt auf die beschrankten Stopp-
zeiten b, n, n N, dass
1 = E M0

= E Mb, n

= E exp(a1 b b, )1{b, <n} + E exp(a1 (Bn + n) n)1{nb, } .
Der erste Erwartungswert konvergiert mit dem Satz von der monotonen Konvergenz:

E exp(a1 b b, )1{b, <n} E exp(a1 b b, )1{b, <} , n .
F
ur den zweiten gilt
exp(a1 (Bn + n) n)1{nb, } exp(a1 b n) exp(a1 b) n N
und damit folgt aus majorisierter Konvergenz:
E(exp(a1 (Bn + n) n)1{nb, } ) 0, n ,
also

1 = E exp(a1 b b, )1{b, <}
und damit
p
E exp (b, ) 1{b, <} = exp (a1 b) = exp b b 2 + 2 .
Theorem 4.24. Die Wertfunktion des Perpetual American Put ist gegeben durch
K x, : x b

P (x) = b

(K b ) x : x > b .
2r
mit = 2
und

b = K. (4.87)
+1
Interpretation: Wenn r klein oder gro, lohnt es sich lange zu warten.
Beweis. Wir m ussen nach Lemma 4.22 nur noch zeigen, dass b in der Tat durch (4.87)
gegeben ist und dass die erwartete diskontierte Auszahlung, wenn man in x > b startet

und beim erstmaligen Erreichen von b abstoppt (K b ) bx betragt. Um dies zu
verifizieren, m ur festes x R+ ) den folgenden Ausdruck u
ussen wir nur noch (f ber z R
maximieren:
z
u(z) := EQ er (K Sxz )+ ,

65
wobei
z := inf{t 0 | Stx z}
wieder mit der Konvention, dass er (K S
x +
) := 0.
Fall 1: z x, damit z = 0. Es folgt u(z) = (K x)+ .
Fall 2: z < x. Es folgt Sxz = z auf der Menge { z < } und

z z
u(z) = EQ er (K Sxz )+ = (K z)+ EQ er 1{ z <} .

1 2 1 2
x

Beachte, dass St = x exp rt + Wt 2 t . Setze := r 2 . Es gilt
z = inf{t 0 | Stx z}
1 z
= inf{t 0 | rt + Wt 2 t ln }
2 x
1 x
= inf{t 0 | Wt t ln }
z
Daraus folgt mit der vorausgegangenen Proposition (f ur die Laplace-Transformierte dieser

Stoppzeit)

r z
1 x 1 x p 2
EQ e 1{ z <} = exp ln ln + 2r
z z
z
p 1
= exp ( + 2 + 2r) ln .
x

p 2r + 2 +2r
2
Wegen + + 2r = ist dann
= 2r2 = und damit
z
u(z) = (K z)+ , z x.
x
Fassen wir die Falle 1 und 2 zusammen, so folgt
(K x)+ , : z xK

u(z) = z

(K z) x : z < x K
(zu Fall 1 wird in der ersten Zeile noch K z < x hinzugenommen, was jedoch offen-
sichtlich die Auszahlung 0 liefert, die zweite Zeile ist dann ein Unterfall von Fall 2).
ur z < x K
Es folgt f
z 1
u0 (z) = (K ( + 1)z).
x
Ist x > z := +1

K, dann ist u maximal in z und

z
u(z ) = (K z ) .
x
Ist dagegen x z , so ist u maximal in z und u(x) = (K x)+ (stoppe sofort).
66
5 Zinsmodelle
In diesem Kapitel wollen wir uns mit Zinsmarktmodellen beschaftigen. Die Besonderheit
von Zinsmarktmodellen besteht darin, dass sie typischerweise als Markte mit unendlich
vielen Wertpapieren idealisiert werden. Dies ist der (einzige) Grund, weswegen sie nicht
in den bisherigen Rahmen passen. Es entstehen neue konzeptionelle und mathematische
Probleme etwa: wie sehen Handelsstrategien bei einem Kontinuum von Wertpapieren
aus ?. Im Rahmen unserer kurzen Einf uhrung werden wir aber Problemen dieser Art aus
dem Weg gehen.
Abweichend von der bisherigen Notation bezeichnen wir den Zeithorizont mit T R+ .
Wir setzen die Existenz eines handelbaren Geldmarktkontos voraus, das gegeben ist
durch
Z t
0
St := exp rs ds , t [0, T ] (5.1)
0
ur einen vorhersehbaren und integrierbaren Prozess r : [0, T ] R. F

f ur jedes
T [0, T ] existiere eine handelbare Nullkuponanleihe mit Falligkeit T , genannt T -
Bond, die ein Wertpapier ist, das zum Zeitpunkt T den Wert 1 besitzt. Den Preisprozess
bezeichnen wir mit
B(, T ) = (B(t, T ))t[0,T ] , wobei B(T, T ) = 1.
Bemerkung 5.1. Nullkupon bedeutet, dass innerhalb der Laufzeit keine Auszahlungen
stattfinden also keine Zinskupons vereinbart sind. Der Emittent des Bonds verpflich-
tet sich lediglich, zum Zeitpunkt T eine Geldeinheit an den Halter des Bonds zu zahlen.
Wegen der allgemein positiven Zeitpraferenz ist zu erwarten, dass die zuk unftige Zahlung
der Hohe 1 zu einem fruheren Zeitpunkt weniger wert ist, d.h. B(t, T ) 1 f
ur t T . Der
Ausgabe- bzw. Handelspreis B(t, T ) bestimmt sich naturlich am Markt.
Der Einfachheit halber gehen wir davon aus, dass der Emittent nicht ausfallen kann,
also eine unendlich gute Bonitat besitzt.
Bemerkung 5.2. Im Gegensatz zu B(, T ) ist S 0 kein Wertpapier, das in der Praxis vor-
kommt. Es lasst sich aber durch sukzessives Investment in Bonds mit sehr kurzer Laufzeit
approximativ replizieren:
Heuristik: Sei > 0 klein. Starte zum Zeitpunkt 0 mit einer Geldeinheit und
1
kaufe Bonds mit Laufzeit .
B(0, )
1
Zum Zeitpunkt verwende den Erlos B(0,)
und
1 1
kaufe Bonds mit Restlaufzeit .
B(0, ) B(, 2)
67
Qn1 1
usw. Zum Zeitpunkt n verwende den Erlos k=0 B(k,(k+1)) und
n
Y 1
kaufe Bonds mit Restlaufzeit .
k=0
B(k, (k + 1))
Zum Zeitpunkt t betragt der Vermogensprozess zu dieser Strategie etwa
[ t ]
Y 1
(5.2)
k=0
B(k, (k + 1))
Gen ugend Stetigkeit des Modells vorausgesetzt, w

urde man erwarten, dass (5.2) f ur 0
konvergiert. Wir wurden dann St0 als den Limites von (5.2) definieren. Da wir obige Heu-
ristik nicht ohne weiteres rigoros machen konnen, definieren wir S 0 aber formal durch
(5.1) mit einer vorgegebenen kurfristigen Zinsrate (rt )t[0,T ] . und setzen die Handelbarkeit
von S 0 (neben der Handelbarkeit von B(, T )) voraus.
In einem konkreteren Modell, das spater eingef

uhrt wird, kann gezeigt werden, dass der
Vermogensprozess (5.2) aus der Roll-over Strategie f ur 0 in der Tat konvergiert
und RS sich als Grenzprozess definieren lasst. S besitzt zudem die Darstellung St0 =
0 0
t
ur einen vorhersehbaren Prozess (rt )t[0,T ] .
exp( 0 rs ds) f
Bemerkung 5.3. Es scheint in diesem Modell mehrere nat urliche Numeraires zu ge-
ben. Welches Wertpapier als risikolose Anlage empfunden wird, hangt namlich stark vom
Anlagehorizont ab, d.h. dem Zeitpunkt zu dem die Investorin das Wertpapier liquidieren
mochte. So garantiert St0 zwar kurzfristig eine risikolose Verzinsung mit Rate rt (bei einer
Diskretisierung der Zeit fur eine Periode). Bei einem langeren Investitionszeitraum wird
der Wertzuwachs aber zufallig. Andererseits ist der T -Bond f ur einen Investor, der Geld
zum Zeitpunkt T benotigt, nat urlich risikolos. Der Prozess B(, T ) wird sich aber vor T
i.A. stochastisch verhalten typischer Weise mit nichtverschwindendem Diffusionsterm,
siehe Abschnitt 5.1. Insbesondere ein Bond mit langer Laufzeit kann f ur einen Investor
mit kurzem Anlagehorizont eine sehr spekulative Anlage sein.
F
ur feste T sind die Prozesse B(, T ) wie gehabt Semimartingale, insbesondere sind
die Pfade t 7 B (t, T ) also càdlàg. Des weiteren wird gefordert:
Annahme 5.4. (i) Die Abbildung T 7 B(t, T ) sei f
ur festes t (und ) differenzierbar
(ii) Wir nehmen an, dass es ein aquivalentes Martingalma Q gibt, so dass alle mit S 0
diskontierten Bondpreise
B(, T )
(5.3)
S0
auf dem Intervall [0, T ] Q-Martingale sind.
68
Annahme 5.4(ii) ist nat
urlich eine starke Bedingung. Wir haben bereits in der Einfuhrungs-
vorlesung gesehen, dass im Fall unendlich vieler Wertpapiere die Existenz eines gemein-
sames Maes, das alle diskontierten Wertpapierpreisprozesse zu Martingalen macht, i.A.

nicht aus No-Arbitrage-Uberlegungen hergeleitet werden kann. Umgekehrt sichert An-
nahme 5.4(ii) Arbitragefreiheit zumindest unter der Bedingung, dass man nur mit end-
lich vielen Bonds handeln darf. Der in Aktienmarkten kritische Unterschied zwischen loka-
lem und echtem Martingal tritt hier dagegen nicht auf, solange P (rt 0, t [0, T ]) = 1,
da dann die Prozesse (5.3) beschrankt sind.
Bemerkung 5.5. Aus den Bondpreisen zum Zeitpunkt t lassen sich schon die Markt-
ur die Anlage wahrend aller spateren Zeitraume [S, T ] [t, T ]
zinsen zum Zeitpunkt t f
bestimmen.
B(t,S)
Shorte dazu zum Zeitpunkt t einen S-Bond und kaufe daf
ur B(t,T )
Anteile an T -Bonds.
Wegen
B(t, S)
+B(t, S) B(t, T ) = 0
B(t, T )
ist diese Transaktion zum Zeitpunkt t kostenneutral. Zum Zeitpunkt S muss man eine
B(t,S)
Geldeinheit bezahlen und zum Zeitpunkt T bekommt man daf ur B(t,T )
Geldeinheiten.
Man hat mit obiger Strategie im Intervall [S, T ] eine Geldeinheit angelegt (gebunden),
B(t,S)
die sich bis T zu B(t,T )
Geldeinheiten vermehrt hat. Der Zinssatz wurde bereits zum
Zeitpunkt t fixiert.
Die Forward-Rate L f
ur den Zins im Intervall [S, T ] ist also durch
B(t, S)
1 + L(t, S, T )(T S) =
B(t, T )
gegeben, d.h.
B(t, S) B(t, T )
L(t, S, T ) = .
(T S)B(t, T )
Aus den Bondpreisprozessen lassen sich analog eine ganze Reihe weiterer Zinsgeschafte
durch Replikationsargumente modellunabhangig ableiten, d.h. das konkrete stochastische

Modell geht gar nicht in die Uberlegungen ein. Mochte man dagegen Optionen auf zuk unf-
tige Zinssatze, Bondpreise etc. bewerten, braucht man wegen der nichtlinearen Auszah-
lungsstruktur ein konkretes stochastisches Modell.
Hierbei kann man einfache Zinsen, die sich auf einen endlichen Zeitraum beziehen
von stetigen Zinsen unterscheiden, die hypothetisch fur ein infinitesimal kleinen Zeitraum
gezahlt werden und die aufgrund des Zinseszinseffektes zu einem exponentiellen Wachstum
f
uhren.
Auerdem ist zwischen Spot-Raten und Forward-Raten zu unterscheiden. Bei
Spot-Raten beginnt der Anlagezeitraum sofort, wahrend sich Forward-Raten auf Anla-
gezeitraume beziehen, die erst in der Zukunft beginnen.
69
Definition 5.6. Seien 0 t < S < T T
(1) Unter dem augenblicklichen kurzfristigen Zins verstehen wir rt . Er ist der auf
dem Geldmarktkonto im unmittelbar folgenden infinitesimalen Zeitintervall ge-
zahlte Zins
(2) Die einfache, zur Zeit t festgelegte Forward-Rate f

ur [S, T ] heit LIBOR-Forward-
Rate und ist definiert durch
B(t, S) B(t, T )
L(t, S, T ) :=
(T S)B(t, T )
(siehe Bemerkung 5.5). LIBOR = London Interbank Offered Rate
(3) Die einfache Spot-Rate f

ur [t, T ] heit LIBOR-Spot-Rate und ist definiert als
1 B(t, T )
L(t, T ) := L(t, t, T ) = .
(T t)B(t, T )
(4) Die stetig verzinste, zur Zeit t festgelegte (durchschnittliche) Forward-Rate f

ur
[S, T ] ist definiert durch
ln(B(t, S)) ln(B(t, T ))

R(t, S, T ) := .
T S
Es gilt also exp(R(t, S, T )(T S)) = B(t, S)/B(t, T ).
(5) Die zur Zeit t festgelegte augenblickliche Forward-Rate f

ur den Falligkeitszeit-
punkt T ist definiert durch
d ln(B(t, T ))
f (t, T ) := lim R(t, S, T ) = .
ST dT
Im Englischen: (1) short rate (2) LIBOR forward rate (3) LIBOR spot rate (4)
continuously compounded forward rate (5) instantaneous forward rate
Bemerkung 5.7. Die Forward-Rate f (t, T ) entspricht dem vom Markt erwarteten
zuk
unftigen Zins fur den infinitesimalen Zeitraum [T, T + ds], d.h. die Erwartung wird
aus den momentanen Marktpreisen gewonnen (ggf. enthalt der Marktpreis auch eine Risi-
kopramie). Fur die Methodik der Finanzmathematik bedeutet dies, dass der Erwartungs-
wert bzgl. eines Martingalmaes Q und nicht bzgl. des tatsachlichen Maes P gebildet
wird. Trotzdem ist man aber an einem stochastischen Modell f ur die Dynamik t 7 f (t, T )
,,unter P interessiert !

Zu beachten ist, dass gegeben der Prozess S 0 , die Rate t 7 rt zunachst nur bis auf eine Lebesgue-
Nullmenge in [0, T ] eindeutig ist.
70
Aus Annahme 5.4(i) und der Definition von f folgt, dass
Z T Z T
d ln(B(t, s))
f (t, s) ds = ds = ln(B(t, t)) ln(B(t, T )) = ln(B(t, T ))
t t ds
und damit
Z T
B(t, T ) = exp f (t, s) ds . (5.4)
t
Die Abbildung
ln(B(t, T ))
T 7 R(t, t, T ) =
T t
wird als Zinsstrukturkurve (zum Zeitpunkt t) bezeichnet (wobei der durchschnittliche
stetige Zins eines Bonds i.A. in den durchschnittlichen Jahreszins umgerechnet wird).
Sie ist in aller Regel monoton steigend, d.h. f ur langere Anlagen gibt es eine hohere
durchschnittliche Verzinsung. Dies kann etwa mit einem hoheren Risiko einer Inflation
oder einer Verschlechterung der Bonitat des Emittenten erklart werden, das Bonds mit
langerer Laufzeit haben. Wie stark R steigt, hangt naturlich wesentlich von der aktuellen
Marktlage ab, da Mean-Reverting-Effekte des Zinsniveaus zu erwarten sind.
5.1 Heath, Jarrow, Morton

Heath, Jarrow und Morton f uhrten die Forward-Raten als ein Kurve ein, die von endlich
vielen unabhangigen Standard-Brownschen Bewegungen (W 1 , . . . , W n ) angetrieben wird.
Jeder Prozess f (, T ) lasst sich schreiben als
Z t n Z
X t
f (t, T ) = f (0, T ) + (s, T ) ds + i (s, T ) dWsi , t [0, T ], (5.5)
0 i=1 0
wobei ((, T ))T [0,T ] und ( i (, T ))T [0,T ] , i = 1, . . . , n, Familien von vorhersehbaren Pro-
zessen sind mit (, T ) L(Id) und i (, T ) L(W i ). Mit der Dynamik (5.5), die HJM-
Modellrahmen genannt wird, ist noch kein konkretes stochastisches Modell f ur die Dy-
namik der Forward-Raten festgelegt, aber die Gleichungen liefern uns bereits viel Struktur.
Im stochastischen Modell sind somit die Forward-Raten die ,,Basisgroen (was oko-
nomisch sinnvoll erscheint) und die Bondpreise leiten sich aus den Forward-Raten ab.
(5.4) wird dann als Definition der Bondpreisprozesse verstanden (bei der Kalibrierung des
Modells ist es nat
urlich umgekehrt).
Bemerkung 5.8. Ein stochastisches Modell der Forward-Raten wie in (5.5) beinhaltet
wesentlich mehr Informationen als nur ein stochastisches Modell der Short-Rate (rt )t[0,T ] .
In (5.5) steckt bereits die Risikopraferenz des Marktes bez
uglich der zuk
unftigen Entwick-
lung des Zinses.
71
Bemerkung 5.9. Fange alternativ mit der Modellierung der Short-Rate (rt )t[0,T ] an, die
nur von einer Brownschen Bewegung W 1 angetrieben sei, etwa wie im Vasi cek Modell
drt = a(b rt ) dt + dWt1 , t 0. (5.6)
R
t
Der Markt bestehend nur aus dem Geldmarktkonto St0 := exp 0 s
r ds ist noch nicht
vollstandig. So lasst sich zum Beispiel eine zum Zeitpunkt T stattfindende Auszahlung
der Hohe 1 nicht mit S 0 replizieren. Der Markt ist aber bereits bei Hinzunahme des Bon-
des B(, T ) typischerweise vollstandig. Mit der Dynamik f ur B(, T ) hatte man einen

Marktpreis des Risikos f ur (5.6) spezifiziert Alle anderen T -Bonds mit T [0, T ] lieen
sich nun bewerten. Man sieht, dass dieses Modell nicht die notige Flexibilitat besitzt, um
komplizierte Dynamiken der Forward-Raten (bzw. Bonds) adaquat abzubilden.
Bemerkung 5.10. In Modellen mit Brownschen Bewegungen gilt die ,,Faustregel, dass
ein Markt vollstandig ist, wenn es mindestens ein Wertpapier mehr gibt als unabhangige
Brownsche Bewegungen. Da es in Zinsmodellen potentiell sogar unendlich viele Bonds
gibt (oder zumindest Bonds mit sehr vielen verschiedenen Falligkeiten), konnen wir ein
vollstandiges Marktmodell erwarten. Zudem werden bei n Brownschen Bewegungen sogar
n + 1 Bondspreisprozesse B(, T1 ), . . . , B(, Tn+1 ) ausreichen, um jeden Claim replizieren
zu konnen. Alle weiteren Bonds waren somit redundant.
Aus der Dynamik f
ur die Forwardraten und dem Zusammenhang (5.4) kann man nun
die Dynamik f
ur die Bondpreisprozesse herleiten:
Theorem 5.11. Seien , i : [0, T ] [0, T ] R, (P B([0, T ])) B(R)-messbare
RT RT RT RT 2
mit der Eigenschaft, dass 0 0 |(t, s)| ds dt < , 0 0 ( i (t, s)) ds dt < , P -f.s.,
i = 1, . . . , n. Definiere
Z T
A(t, T ) := (t, s) ds
t
Z T
i
(t, T ) := i (t, s) ds, i = 1, . . . , n
t
ur T [0, T ], t [0, T ]. Es existiert eine P B([0, T ]) B(R)-messbare Version der

f
Abbildung (, t, T ) 7 f (t, T ). Definierte die Bondpreise (5.4) bzgl. dieser Version von f
und setze
rt := f (t, t), t [0, T ].
Der Prozess t 7rt ist vorhersehbar (in diesem Abschnitt setzen wir rt := rt bzw. St0 :=
Rt
exp 0 f (s, s) ds ).
ur jedes T [0, T ] gilt
F
n Z
!
Z t X t
B(t, T ) = B(0, T ) exp (A(u, T ) + ru ) du + i (u, T ) dWui , t [0, T ],
0 i=1 0

Bedingung ist, dass der stochastische Prozess B(, T ) so spezifiert wird, dass stets ein dWt1 -Term
vorkommt.
72
und der Prozess B(, T ) erf
ullt die stochastische Differentialgleichung
n
!
Z t
1X i
B(t, T ) = B(0, T ) + B(s, T ) rs + A(s, T ) + (s, T )i (s, T ) ds
0 2 i=1
n Z t
X
+ B(s, T )i (s, T ) dWsi , t [0, T ].
i=1 0
Zum Beweis benotigen wir den Satz f ur Fubini f ur stochastische Integrale. Dieser
sagt aus, dass man die Reihenfolge von stochastischer Integration und Lebesgue-Stieltjes
Integration vertauschen darf.
Die wesentliche Aussage des folgenden Satzes ist (5). Die vorherigen Aussagen braucht
man, um Aussage (5) u berhaupt formulieren zu konnen.
Theorem 5.12 (Satz von Fubini fur stochastische Integrale). Sei X ein Semimartingal.
Wir betrachten einen parameterabhangigen Integranden H : [0, T ] R R, der
(P B(R)) B(R)-messbar sein soll. Auf B(R) betrachten wir ein endliches Ma .
Nehme an, dass
sZ
H 2 (, , a) (da) L(X)
R
Dann gelten folgende Aussagen

(1) H(, , a) L(X) ur -fast alle a R
f
(2) Es gibt eine (O B(R)) B(R)-messbare Version der Abbildung
(, t, a) 7 Z(, t, a) := (H(, , a) X)t (), (5.7)
wobei O die optionale -Algebra auf [0, T ] bezeichnet

(D.h. das f ur jedes feste a R nur bis auf Evaneszenz eindeutig definiere In-
tegral (, t) 7 H(, , a) Xt () kann so gewahlt werden, dass die Gesamtabbil-
dung (, t, a) 7 H(, , a) Xt () messbar ist)
Wenn X stetig ist, dann existiert auch eine (P B(R)) B(R)-messbare Version
von (5.7).
R
(3) R Z(, , a) (da) existiert und ist ein Semimartingal
R
(4) R H(, , a) (da) L(X)
(5) Bis auf Ununterscheidbarkeit gilt

Z Z Z
H(, , a) (da) X= Z(, , a) (da) =: (H(, , a) X) (da). (5.8)
R R R

Eine Menge A [0, T ] heit evaneszent, wenn die Menge { | t [0, T ] mit (, t) A} eine
P -Nullmenge ist. Zwei Prozesse, die ununterscheidbar sind, stimmen also bis auf Evaneszenz u berein.
73
ur = ni=1 i ai (ai Dirac-Ma im Punkt ai R) bedeutet
P
Bemerkung 5.13. (i) F
die Aussage, dass das stochastische Integral linear im Integranden ist.
(ii) Aus Aussage (5) folgt, dass (bis auf eine P -Nullmenge) die rechte Seite von (5.8)
ur jedes a R gewahlt werden
nicht von den Versionen der Integrale abhangt, die f
mussen.
Ein Beweis von Satz 5.12 findet sich z.B. in Protter [10]. Wir geben hier nur eine
Beweisidee an.
Beweisidee. Wir wollen die Aussagen (2), (3) und (5), nachfolgend ,,die Aussagen ge-
ur alle beschrankten (P B(R)) B(R)-messbaren H beweisen.
nannt, f
Dazu beweise man die Aussagen zuachst f ur alle H der Form
H(, t, a) = 1((, t) K)1(a A), (5.9)
wobei K P und A B(R). F ur solche H sind die Aussagen recht offensichtlich: Man
wahle eine Version des Integralprozesses 1K X aus (Wenn X stetig ist, dann ist auch
der Integralprozess stetig und damit vorhersehbar).
Fur alle a R ist dann (1K X)1(a A) eine Version des Integralprozesses H(, , a)
X und
Z Z
(H(, , a) X)(da) = (1K X)(A) = ((A)1K ) X = H(, , a)(da) X.
R R
Nun wende man, wie bei der Eindeutigkeit der Fortsetzung das stochastische Elemen-
tarintegrals (Schritt 1 im Beweis von Theorem 1.2), ein Dynkin-Argument an. Sei E die
Menge der Teilmengen von [0, T ] R, die sich als endliche Vereinigung von Mengen
der Form K A schreiben lassen. Wegen der Linearitat des Integrals im Integranden
gelten die Aussagen f ur alle H = 1M mit M E. Die Menge der M , f ur die H = 1M
die Aussagen erf ullt, ist ein Dynkinsystem (hierf
ur wird auch die Stetigkeit des Integrals
benutzt). Da E ein durchschnittsstabiler Erzeuger der Produkt--Algebra P B(R) ist,
gelten die Aussagen mit dem Dynkinschem --Satz (Theorem 1.10) f ur alle H = 1M mit
M P B(R). Wegen Linearitat des Integrals im Integranden gelten die Aussagen dann
ur alle beschranken (P B(R)) B(R)-messbaren H.
f
Beweis von Theorem 5.11. Da die Integratoren in (5.5) stetige Prozesse sind, existiert
gema Aussage (2) in Satz 5.12 eine P B([0, T ]) B(R)-messbare Version der Abbil-
dung (, t, T ) 7 f (t, T ). Diese Version nennen wir die Forwardraten-Kurve. Die Abbil-
dung
(, t) 7 f (t, t) = rt () (5.10)
ist eine Komposition der Abbildungen (, t) 7 (, t, t) und (, t, T ) 7 f (t, T ). Erstere

ist P (P B([0, T ]))-messbar und letztere ist P B([0, T ]) B(R)-messbar. Damit ist
die Komposition (5.10) P B(R)-messbar, also vorhersehbar.
74
Es gilt mit dem (stochastischen) Fubini und Umformungen
Zt := ln(B(t, T ))
Z T
= f (t, s) ds
t
n Z
!
Z T Z t X t
= f (0, s) + (u, s) du + i (u, s) dWui ds
t 0 i=1 0
Z T Z tZ T n Z tZ T
Fubini X
= f (0, s) ds (u, s) ds du i (u, s) ds dWui
t 0 t i=1 0 t
Z T Z tZ T Xn Z t Z T
= f (0, s) ds (u, s) ds du i (u, s) ds dWui
0 0 u i=1 0 u
Z t Z tZ t Xn Z t Z t
+ f (0, s) ds + (u, s) ds du + i (u, s) ds dWui
0 0 u i=1 0 u
Z t n Z t
Fubini X
= Z0 + A(u, T ) du + i (u, T ) dWui
0 i=1 0
Z t Z tZ s n Z tZ
X s
+ f (0, s) ds + (u, s) du ds + i (u, s) dWui ds
0 0 0 i=1 0 0
Z t n Z t
X
= Z0 + (A(u, T ) + ru ) du + i (u, T ) dWui .
0 i=1 0
Rs P Rs
Dabei wird f ur die letzte Gleichheit rs = f (s, s) = f (0, s)+ 0 (u, s) du+ ni=1 0 i (u, s) dWui ,
P -f.s. fur alle s [0, t] benutzt.
Achtung: Der Satz von Fubini f ur stochastische Integrale (Theorem 5.12) wird beim
ersten mal f ur festes t [0, T ] auf die parameterabhangigen Prozesse (, s)1(t s T ),
i (, s)1(t s T ), s [0, T ], das Lebesgue-Ma und die stochastischen Integrale bis
zum Endwert t angewandt (t muss festgehalten werden, da hier die parameterabhangigen
Integranden von t abhangen). Beim zweiten mal wird Theorem 5.12 auf die parameter-
abhangigen Prozesse (, s)1( s), i (, s)1( s), s [0, T ] und das Lebesgue-Ma
angewandt.
Die Gleichheit gilt somit zunachst nur bis auf eine P -Nullmenge, die von t abhangen
kann. Da jedoch sowohl
Z T
t 7 f (t, s) ds
t
als auch
Z t n Z
X t
t 7 (A(u, T ) + ru ) du + i (u, T ) dWui
0 i=1 0
75
stetig sind, stimmen die Groen auch als Prozesse in t betrachtet bis auf Ununterscheid-
barkeit uberein. Ferner gilt
B(t, T ) = exp(Zt )
n Z
!
Z t X t
i
= B(0, T ) exp (A(u, T ) + ru ) du + (u, T ) dWui
0 i=1 0
Mit der Ito-Formel folgt (vgl. Skript [7]), dass der Prozess B(, T ) (f ur festes T ) die
stochastische Differentialgleichung
n
! n
!
1X i X
dB(t, T ) = B(t, T ) A(t, T ) + rt + ( (t, T ))2 dt + i (t, T ) dWti
2 i=1 i=1
erf
ullt.
Bemerkung 5.14. Unter den Voraussetzungen von Theorem 5.11 kann gezeigt werden,
dass die Erlose aus der Roll-over Strategie in (5.2), die das Vermogen permanent in

ur 0 gegen S 0 konvergiert (Ubungs-
neue Bonds kurz vor ihrer Falligkeit investiert, f
aufgabe).
Theorem 5.15. Zusatzlich zu den Voraussetzungen aus Theorem 5.11 setzen wir voraus
(i) Die Abbildungen T 7 (t, T ) und T 7 i (t, T ) seien f ur festes t [0, T ] (und
) stetig differenzierbar mit Ableitung (t, T ) und ( i )0 (t, T ), i = 1, . . . , n, so
0
RT RT RT RT
dass 0 0 |0 (t, s)| ds dt < , 0 0 |( i )0 (t, s)| ds dt < , P -f.s., i = 1, . . . , n.
(ii) Die Abbildung T 7 ur festes t [0, T ] differenzierbar mit in (0, T )

f (t, T ) ist f
stetiger Ableitung f 0 (t, T ).
Dann gilt
Z t n Z
X t
0
rt = r0 + (f (s, s) + (s, s)) ds + i (s, s) dWsi . (5.11)
0 i=1 0
Bemerkung 5.16. Die Dynamik der Short-Rate setzt sich also aus zwei Komponenten
zusammen. Die eine Komponente
Z t n Z
X t
(s, s) ds + i (s, s) dWsi (5.12)
0 i=1 0
ist die zeitliche Veranderung der Forward-Rate mit sofortiger Falligkeit, wie sie durch
(5.5) induziert wird (man betrachte also f (t, T ) f (t t, T ) f
ur T t). Die andere
Komponente
Z t
f 0 (s, s) ds
0
76
kommt nicht durch die Dynamik der Prozesse in (5.5) zustande, sondern dadurch, dass
sich die Short-Rate mit fortschreitender Zeit auf unterschiedliche Falligkeiten bezieht.
Im Spezialfall, dass f nicht von t abhangt, also f (t, T ) = f (T ) f ur alle t (d.h. Zinsen,
die sich auf unterschiedliche Zeitpunkte beziehen, konnen unterschiedlich sein, aber die
Markterwartungen u ber zukunftige Zinsen andern sich nicht), folgt mit dem Hauptsatz der
Differential- und Integralrechnung
Z t Z t
0
rt = f (t) = f (0) + f (s) ds = r0 + f 0 (s, s) ds.
0 0
Die Komponente (5.12) fallt in diesem Spezialfall also weg.
Bemerkung 5.17. Man beachte, dass die in Theorem 5.15 vorausgesetzte stetige Dif-
ferenzierbarkeit uber die vorher gemachten Voraussetzungen hinausgeht. Bisher konnten
Zinssatze, die sich auf benachbarte Zeitintervalle beziehen, sehr verschieden sein.
Beweis von Theorem 5.15. Nach dem Satz von Fubini f ur stochastische Integrale (Theo-
rem 5.12) gilt f ur alle 0 t T T auerhalb einer zunachst von t und T abhangigen
P -Nullmenge
Z T
f 0 (t, u) du = f (t, T ) f (t, t)
t
Z t n Z
X t
= f (0, T ) + (s, T ) ds + i (s, T ) dWsi
0 i=1 0
Z t n Z t
X
f (0, t) (s, t) ds i (s, t) dWsi
0 i=1 0
Z tZ T n Z tZ
X T
0
= f (0, T ) f (0, t) + (s, u) du ds + ( i )0 (s, u) du dWsi
0 t i=1 0 t
Z T Z T Z t n Z T Z t
Fubini X
= f 0 (0, u) du + 0 (s, u) ds du + ( i )0 (s, u) dWsi du
t t 0 i=1 t 0
n Z
!
Z T Z t X t
= f 0 (0, u) + 0 (s, u) ds + ( i )0 (s, u) dWsi du. (5.13)
t 0 i=1 0
Da beide Seiten von (5.13) in t, T stetige Modifikationen besitzen, kann die Ausnah-
menullmenge unabhangig von t, T gewahlt werden. Wegen der Stetigkeit der Ableitungen
folgt daraus, dass die Integranden in (5.13) (auerhalb einer globalen P -Nullmenge) u
ber-
einstimmen m ussen, d.h. fur alle t [0, T ] und u [t, T ] gilt
Z t Xn Z t
0 0 0
f (t, u) = f (0, u) + (s, u) ds + ( i )0 (s, u) dWsi
0 i=1 0
(Es mussen also keine Ausnahmenullmengen betrachtet werden). Damit kann man u = t
setzen und es folgt
Z u n Z u
X
0 0 0
f (u, u) = f (0, u) + (s, u) ds + ( i )0 (s, u) dWsi . (5.14)
0 i=1 0
77
Weiter folgt
Z t n Z
X t
f (t, t) = f (0, t) + (s, t) ds + i (s, t) dWsi
0 i=1 0
Z t Z t
0
= f (0, t) + (s, s) + (s, u) du ds
0 s
n Z t
X Z t
i i 0
+ (s, s) + ( ) (s, u) du dWsi
i=1 0 s
Z t Z t Z tZ u
Fubini 0
= f (0, 0) + f (0, u) du + (s, s) ds + 0 (s, u) ds du
0 0 0 0
n Z
X t n Z tZ
X u
+ i (s, s) dWsi + ( i )0 (s, u) dWsi du
i=1 0 i=1 0 0
Z t n
X t
Z
= r0 + (u, u) du + i (u, u) dWui
0 i=1 0
n Z
!
Z t Z u X u
+ f 0 (0, u) + 0 (s, u) ds + ( i )0 (s, u) dWsi du
0 0 i=1 0
t n Z t t
(5.14)
Z X Z
= r0 + (u, u) du + i
(u, u) dWui + f 0 (u, u) du.
0 i=1 0 0
Die Gleichheit gilt zunachst nur bis auf eine von t abhangige P -Nullmenge. Da jedoch von
der letzten Zeile (als Prozess in t betrachtet) eine stetige Modifikation existiert und der
Prozess t 7 f (t, t) wegen den Voraussetzungen stetig ist, kann die Nullmenge unabhangig
von t gewahlt werden.
Um Arbitragefreiheit sicherzustellen, haben wir gefordert, dass es ein Ma Q P
ur alle T [0, T ] die Prozesse B(,T
gibt, so dass f S0
)
Q-Martingale sind. Wir wollen nun
untersuchen, wann dies fur die in Satz 5.11 hergeleiteten Bondpreisprozesse B(, T ) und
den Guthabenprozess S 0 erf ullt ist. Im Folgenden setzen wir voraus, dass (Ft )t[0,T ] die
von der Brownschen Bewegung W = (W 1 , . . . , W n ) erzeugte Filtration ist.
Zur Erinnerung:
Definition 5.18. Sei X ein Semimartingal mit X0 = 0. Das stochastische Exponen-
tial von X ist die eindeutige Losung der Integralgleichung
Zt = 1 + Z Xt , t 0. (5.15)
Man schreibt E(X) := Z. E(X) wird auch das Doleans-Dade Exponential genannt.
F
ur stetige Semimartingale X gilt
E(X)t = exp(Xt 12 [X, X]t ).
78
Lemma 5.19. Sei F = FW = (FtW )t[0,T ] die von W = (W 1 , . . . , W n ) erzeugte Filtration
und F = FTW . Zu jedem Ma Q auf F mit Q P existiert ein Prozess H L(W ) (d.h.
ein vorhersehbarer Rn -wertiger Prozess H, der nach W integrierbar ist) mit
dQ
= E(H W )T .
dP
Ferner ist der Prozess W f1 , . . . , W

f = (W f n ) mit
f i := W i H i I
W (5.16)
eine Q-Standard-Brownsche Bewegung im Rn (wobei I(, t) := t).
Wir werden das Lemma auf eines der aquivalenten Martingalmae Q anwenden (Exi-
stenz haben wir vorausgesetzt).
Beweis. Sei Q P und Z der zu Q gehorige Dichteprozess, d.h.

dQ W
Zt = EP | Ft , t [0, T ].
dP
Nach dem Martingaldarstellungssatz (Theorem 2.2) lasst sich der Prozess Z Z0 mit
Z0 = 1 als ein Integral nach W schreiben. Es existiert also ein K L(W ) mit Z = 1 + K
W . Wegen Q P gilt Z > 0. Setze H := K Z
. Z ist als Martingal bzgl. einer Brownschen
1
Filtrierung stetig und damit ist Z lokal beschrankt. Folglich ist mit K auch H L(W ).
Es gilt
Z = 1 + (ZH) W = 1 + Z (H W ) (5.17)
also Z = E(H W ). Nach dem Girsanov-Meyer-Theorem (siehe [7]) ist f ur jedes i

{1, . . . , n} der Prozess W i Z1 [Z, W i ] ein Q-lokales Martingal und es gilt
" n
! #
1 (5.17) 1 X
W i [Z, W i ] = W i Z Hj W j , W i
Z Z j=1
" n #
X
= Wi Hj W j, W i
j=1
n
X
= Wi (H j [W j , W i ])
j=1
= W Hi I = W
i fi .
Mit Levys Theorem (siehe Theorem 2.5) folgt, dass Wf i unter Q Standard-Brownsche
Bewegungen sind und stochastisch unabhangig voneinander.
79
5.1.1 Martingale Modeling
Sei im Folgenden S 0 das Numeraire und Q ein aquivalentes Martingalma bzgl. S 0 , d.h.
die Prozesse B(,T
S0
) f1 , . . . , W
sind Q-Martingale. W f n seien unter Q Standard-Brownsche
Bewegungen und stochastisch unabhangig. Haufig modelliert man die Preisprozesse direkt
unter Q, d.h. das zugrunde liegende Modell unter P wird gar nicht spezifiziert. Diese
Vorgehensweise nennt man Martingale Modeling. Das folgende Theorem besagt, wie
die Drifts der Forward-Raten unter Q auszusehen haben.
Theorem 5.20 (Heath/Jarrow/Morton-Drift Bedingung). Sei f (, T ) wie in (5.5) unter

P spezifiziert und sei Q ein aquivalentes Martingalma. F ur alle T [0, T ] gilt
n
! n
X X
i i
f (, T ) = f (0, T ) (, T ) (, T ) I + i (, T ) W
fi
i=1 i=1
n
X
B(, T ) = (B(, T )
r) I + (B(, T )i (, T )) W
fi (5.18)
i=1
Z t n Z
X t
0
rt = r0 + f (s, s) ds + i (s, s) dW
fi ,
s t 0. (5.19)
0 i=1 0
f1 , . . . , W
Hierbei sind W f n unter Q stochastisch unabhangige Standard-Brownsche Bewe-
gungen, die sich von den Prozessen W 1 , . . . , W n aus (5.5) nur um Prozesse von endlicher
Variation unterscheiden.
Beweis. Nach Satz 5.11 gilt

n Z
!
Z t X t
B(t, T ) = B(0, T ) exp (A(u, T ) + ru ) du + i (u, T ) dWui
0 i=1 0
und damit
n Z
!
Z t t
B(t, T ) X
= B(0, T ) exp A(u, T ) du + i (u, T ) dWui . (5.20)
St0 0 i=1 0
Sei nun Q ein aquivalentes Martingalma. Aus Q P folgt mit Lemma 5.19 die Existenz
eines n-dimensionalen vorhersehbaren Prozesses H, so dass W f i := W i H i I unter Q
stochastisch unabhangige Standard-Brownsche Bewegungen sind und dQ dP
= E(H W )T .
Eingesetzt in (5.20) ergibt dies
Z t n Z t n Z t
!
B(t, T ) X X
= B(0, T ) exp A(u, T ) du + i (u, T )Hui du + i (u, T ) dW
fui .
St0 0 i=1 0 i=1 0
80
Mit der Ito-Formel kann der Prozess t 7 B(t,T St0
)
nun in seinen dt-Anteil und seinen dW ft -
Anteil zerleget werden (also in seinen Drift- und seinen Martingalanteil ,,unter Q). Damit
er ein Q-Martingal wird, muss sein dt-Anteil verschwinden, also
Z t n n
!
B(u, T ) X 1 X 2
i (u, T )Hui + i (u, T )

0
A(u, T ) + du = 0, t [0, T ]. (5.21)
0 Su i=1
2 i=1

Wegen P inf u[0,T ] B(u, T )/Su0 > 0 = 1 folgt aus (5.21)
Z t n n
!
X 1 X 2
i (u, T )Hui + i (u, T )

A(u, T ) + du = 0, t [0, T ]. (5.22)
0 i=1
2 i=1
Somit folgt zum einen, dass

n
! n Z
!
Z t t
1X i X
B(t, T ) = B(0, T ) exp ru ( (u, T ))2 du + i (u, T ) dW
fui
0 2 i=1 i=1 0
und damit (5.18). Da (5.22) f

ur alle T verschwindet, muss zum anderen auch die Ableitung
nach T verschwinden, was zu
Z t n n
!
X X
(u, T ) + i (u, T )Hui + i (u, T )i (u, T ) du = 0 (5.23)
0 i=1 i=1
f
uhrt. Es folgt
n
X
f (, T ) = f (0, T ) + (, T ) I + i (, T ) W i
i=1
n
X n
X
i fi +
= f (0, T ) + (, T ) I + (, T ) W ( i (, T )H i ) I
i=1 i=1
n
! n
(5.23) X X
= f (0, T ) i (, T )i (, T ) I+ i (, T ) W
fi .
i=1 i=1
Wendet man nun TheoremP 5.15 auf obige Dynamik der Forwardraten unter Q an, dann
folgt unter Benutzung von ni=1 i (t, t)i (t, t) = 0 Gleichung (5.19), also die Q-Dynamik
der Short-Rate.
Bemerkung 5.21. Aus (5.23) folgt, dass
n
X n
X
i
(t, T )Hti = (t, T ) i (t, T )i (t, T ), T [0, T ]. (5.24)
i=1 i=1
Fur festes t (und ) ist zu erwarten, dass in typischen Modellen das lineare Gleichungssy-
stem (5.24) Hti (), i = 1, . . . , n, eindeutig bestimmt (T durchlauft die reellen Zahlen und
f
ur jedes T gibt es eine Gleichung). Damit sind Zinsmarkte wegen der vielen handelbaren
Wertpapiere i.d.R. vollstandig.
81
Bemerkung 5.22. H i ist der Marktpreis des Risikos W i . Jede der n Risikoquellen kann
also einen anderen Marktpreis des Risikos besitzen. H i ist das Negative der Q-Driftrate
von W i . Die Bezeichnungen verallgemeinern nat
urlich die Uberlegungen aus dem Black-
Scholes Modell mit nur einer Risikoquelle (vgl. [7])
Bemerkung 5.23. Wir sind von einem Martingalma Q ausgegangen und haben gezeigt,
ur den zugehorigen Integranden H mit dQ
dass f dP
= E(H W )T die Bedingung (5.24)
gelten muss. Im Wesentlichen gilt auch die Umkehrung. Wenn man einen Prozess
H findet, der (5.24) erfu llt, so kann man i.d.R. durch dQ dP
= E(H W )T ein
Martingalma definieren. Hierzu beachte man, dass umgekehrt (5.22) aus (5.23) folgt,
da A(T, T ) = i (T, T ) = 0. Es tritt allerdings das technische Problem auf, dass H nicht
in L(W ) sein muss und dass E(H W ) nur ein lokales Martingal sein kann und kein
echtes Martingal. In diesem Fall lasst sich zu H kein Wahrscheinlichkeitsma definieren,
dass die notwendige Veranderung der Driftrate bewerkstelligt.
Bemerkung 5.24. Im sogenannten Einfaktormodell, d.h. im Fall n = 1, kann man
(5.24) nach H 1 auflosen und Arbitragefreiheit liegt vor, wenn f
ur festes t (und ) die
Implikation (t, T ) = 0 = (t, T ) = 0 gilt und im Fall von nicht-verschwindender
Volatilitat der Ausdruck
(t, T )
(t, T )
(t, T )
nicht von T abhangt.
Geht man statt von (5.23) von (5.22) aus, dann folgt
A(t, T ) + 21 ((t, T ))2

= Ht1 . (5.25)
(t, T )
Analog zum Black-Scholes Modell (siehe [7]) wird der Quotient auf der linken Seite von
(5.25) als Marktpreis des Risikos des T -Bonds (zum Zeitpunkt t und moglicherweise
abhangig von ) bezeichnet. Der Marktpreis des Risikos muss f ur alle Bonds gleich sein,
sonst gabe es in dem Einfaktormodell eine Arbitragemoglichkeit, die darin best
unde, den
Bond mit dem hoheren Marktpreis des Risikos zu kaufen und einen passenden Anteil des

Bonds mit dem geringeren Marktpreis des Risikos zu shorten. Okonomisch bedeutet diese
Definition, dass die Investorin einen kurzfristiges Anlagehorizont besitzt und daher das
Wertpapier S 0 als risikolos einstuft.
5.1.2 Optionen auf Bonds

F
ur die Bondpreisprozesse, die in Theorem 5.11 hergeleitet wurden, wollen wir Call- und
Put-Optionen europaischen Typs bewerten. Sei T S. Der Halter des Calls erwerbe das
Recht, einen Bond mit Falligekit S zum Zeitpunkt T zum vorher festgelegten Preis K
R+ zu erwerben. Die i.A. zufallige Auszahlung zum Zeitpunkt T ist also
(B(T, S) K)+ . (5.26)
82
Wegen der Put-Call-Paritat, die hier lautet
Callpreist=T Putpreist=T = (B(T, S) K)+ (K B(T, S))+ = B(T, S) K
= Callpreist=0 Putpreist=0 = B(0, S) KB(0, T ),
ergibt sich der Callpreis unmittelbar aus dem Putpreis. Wir machen im Folgenden die
Voraussetzung, dass n = 1 (Einfaktormodell) und dass die Volatilit aten determini-
ur alle T [0, T ] die Prozesse
stisch sind, d.h. wir setzen voraus, dass f e
(, Te)
nur von der Zeit t nicht aber von abhangen. Zur Erinnerung:
Z t Z t
B(t, T ) = B(0, T ) exp (A(u, T ) + ru ) du + (u, T ) dWu .
0 0
Naturlich sind mit unserer Forderung auch die Prozesse (, Te) deterministisch. Der ent-
B(,S)
scheidende Punkt beim weiteren Vorgehen ist nun, dass sich der Prozess B(,T )
ur S T
f
schreiben lasst als
B(t, S)
B(t, T )
Z t Z t
B(0, S)
= exp (A(u, S) A(u, T )) du + ((u, S) (u, T )) dWu (5.27)
B(0, T ) 0 0
ur alle t T . Nehmen wir nun den Bond mit Falligkeit T , also B(, T ), als neues Nu-
f
meraire, dann ist in (5.26) der diskontierte Strike wie im Black-Scholes-Modell determi-
nistisch. Der mit B(, T ) diskontierte Bond mit Falligkeit S hat nach (5.27) die gleiche
Struktur wie die Aktie im Black-Scholes-Modell. Dazu beachte, dass die moglicher Weise

stochastische Driftrate A(u, S)A(u, T ) beim Ubergang zum Martingalma verschwindet.
Eine zeitabhangige, aber deterministische Volatilitat (u, S) (u, T ) ist mathematisch
genauso zu handhaben wie eine konstante Volatilitat. Die Verteilung des diskontierten
Bonds ist unter dem Martingalma lognormal mit einer angepassten Varianz. Dies liegt
daran, dass fur deterministische Integranden Integrale nach der Brownschen Bewegung
normalverteilt sind (wie Summen unabhangiger normalverteilter Zufallsvariablen wieder
normalverteilt sind).
Bemerkung 5.25. Wenn (, ) deterministisch ist, ist auch (u, S) (u, T ) deter-
ministisch. Damit ist die Bedingung n = 1 keine wirkliche Einschrankung. Die gewich-
tete Summe unabhangiger Brownscher Bewegungen ist wieder eine Brownsche Bewegung
und da die Volatilitat (weil deterministisch) nicht von der Vergangenheit der Brownschen
Bewegungen abhangen darf, vergroert die Existenz mehrerer Brownscher Bewegungen
die Moglichkeiten der Modellierung eines nicht-konstanten diskontierten Preisprozesses
nicht.
83
Zunachst machen wir die Beobachtung, dass beim Wechsel vom Numeraire S 0 zu
B(, T ) sich auch das Martingalma Q verandert.
Theorem 5.26. Sei Q ein Martingalma f ur die Bonds bzgl. des Numeraires S 0 , d.h. die
Prozesse B(,
S0
Te)
, die auf [0, Te] definiert sind, Te [0, T ], sind Q-Martingale. Dann sind die
e T] eingeschr
auf [0, T ankten Prozesse
B(, Te)
B(, T )
QT -Martingale , wobei
dQT S 0 B(T, T ) 1
= 00 = 0 . (5.28)
dQ ST B(0, T ) ST B(0, T )
Definition 5.27. Das in (5.28) definierte Ma wird T -Forwardma genannt.
Mit den bisherigen Rechnungen gilt
Z t Z t
B(t, S) B(0, S)
= exp (A(u, S) A(u, T )) du + ((u, S) (u, T )) dWu
B(t, T ) B(0, T ) 0 0
Z t
1 t
Z
B(0, S) 2
= exp (A(u, S) A(u, T )) du + ((u, S) (u, T )) du
B(0, T ) 0 2 0
Z t
1 t
Z
2
exp ((u, S) (u, T )) dWu ((u, S) (u, T )) du
0 2 0
Z t Z t
B(0, S) 1 2
= exp ((u, S) (u, T )) dW
cu ((u, S) (u, T )) du ,
B(0, T ) 0 2 0

Allgemein: Seien S i die Preisprozesse und Q ein Martingalma bzgl. des Numeraires N . Nun mochte
man zum Numeraire S i0 wechseln. Wir setzen voraus, dass S i0 /N ein echtes Q-Martingal ist und dass
P (STi0 > 0) = 1. Es gilt dann
Si
sind Q-lokale Martingale
N
S i S i0 N0
sind Q-lokale Martingale
S i0 N S0i0
Si
sind Q-lokale
e Martingale
S i0
wobei
dQ
e S i 0 N0
= T i0
dQ NT S0
i0 i0
ur die letzte Implikation braucht man, dass der Prozess SN ein echtes Q-Martingal ist. Damit ist SN Ni00
F
S0
e i e
dQ St 0 N0 dQ
der Dichteprozess von Q bzgl. Q (es gilt EQ dQ | Ft = Nt i0 und Q ist wegen Q dQ > 0 = 1 und
e e
S0
e
dQ
EQ dQ = 1 ein zu Q aquivalentes Wahrscheinlichkeitsma. P (NT > 0) = 1 und N0 > 0 m ussen sowieso
gelten und wegen P (STi0 > 0) = 1 gilt auch P (STi0 /NT > 0) = 1 und S0i0 > 0) und die Aussage gilt mit
[7].
84
c eine Standard-Brownsche-Bewegung unter dem Forwardma QT ist.
t [0, T ], wobei W
Damit sind wir im Black-Scholes-Modell. Es gilt
Z T
QT B(T, S)
Var ln = ((u, S) (u, T ))2 du
B(T, T ) 0
Setze
Z T
2
:= ((u, S) (u, T ))2 du.
0
Wir erhalten f
ur die Auszahlung (5.26) den Optionspreis zum Zeitpunkt 0
B(0,S) 2 B(0,S) 2
log( KB(0,T ) )+ 2 log( KB(0,T ) ) 2
Callpreis = B(0, S)
KB(0, T )
wobei die Verteilungsfunktion der Standard-Normalverteilung bezeichnet. Die Formel

ist vollig analog zur Black-Scholes-Formel (siehe z.B. [7]). Die Rolle des risikolosen Bank-
kontos nimmt jetzt das Investment in den Bond mit Falligkeit T ein und die Aktie wird
durch den Bond mit Falligkeit S ersetzt. A(, S)A(, T ) geht wie im Black-Scholes-Modell
nicht in den Optionspreis ein. Der Markt ist vollstandig und es existiert die Hedging-
Strategie wie im Black-Scholes-Modell.
Mit der Put-Call-Paritat erhalt man den entsprechenden Putpreis.
5.2 Affine Modelle

Im folgenden werden wir uns mit einer Klasse von Zinsmodellen beschaftigen, die ana-
lytisch vergleichsweise einfach handhabbar sind. Zum einen wird vorausgesetzt, dass die
gesamte Zinsstruktur nur von der Short-Rate (rt )t[0,T ] abhangt, d.h. B(t, T ) = F (t, rt , T ).
Zudem soll die deterministische Funktion ln(F (t, r, T )) affin (d.h. linear plus eine Kon-
stante) im zweiten Argument sein.
Definition 5.28. Ein Zinsmodell heit affines Modell, wenn es deterministische Funk-
tionen A, C : [0, T ] [0, T ] R gibt mit
B(t, T ) = F (t, rt , T ) = exp(A(t, T ) C(t, T )rt ).
Annahme 5.29. Die Short-Rate (rt )t[0,T ] besitze die Dynamik
drt = (t, rt ) dt + (t, rt ) dWtQ , (5.29)
wobei : [0, T ]R R, : [0, T ]R R+ und W Q eine Standard-Brownsche Bewegung

unter einem Martingalma Q ist.
Man beachte, dass (t, rt ) und (t, rt ) (nur) u

ber rt von abhangen d
urfen.
85
Bemerkung 5.30. Aus der Q-Dynamik der Short-Rate ergeben sich offenbar die Bond-
preise. Aus der Martingaleigenschaft von B(,T
S0
)
folgt namlich
Z T
B(t, T ) = EQ exp( ru du) | Ft (5.30)
t
(Die Forward-Raten f (t, u) gehen in die Gleichung ,,indirekt u

ber das Martingalma Q
ein). Der Zusammenhang (5.30) gilt in allen Zinsmodellen. Solange rt unter Q jedoch
kein Markov-Prozess ist, liefert er noch nicht die Darstellung B(t, T ) = Fe(t, rt , T ).
(5.29) nennt man auch ein Einfaktormodell. Da unter Voraussetzung (5.29) die
Shortrate r (unter Q) ein Markov-Prozess ist, folgt mit (5.30), dass B(t, T ) = Fe(t, rt , T )
f
ur eine geeignete Funktion Fe. Folglich enthalt rt alle Informationen aus der Vergangen-
heit [0, t], die f
ur zuk
unftige Zinsen relevant sein konnten.
Theorem 5.31. Sei Annahme 5.29 erf ullt mit Funktionen und 2 , die affin im zweiten
Argument sind, d.h.
p
(t, r) = (t)r + (t) und (t, r) = (t)r + (t).
Dann ist das Zinsmodell affin im Sinne von Definition 5.28, wobei die Funktionen A(, T )
und C(, T ) die ODE
1
Ct (t, T ) + (t)C(t, T ) (t)C 2 (t, T ) = 1 und C(T, T ) = 0 (5.31)
2
und
1
At (t, T ) = (t)C(t, T ) (t)C 2 (t, T ) und A(T, T ) = 0
2
(in der Variablen t) erf
ullen (Ct etc. symbolisiert die erste partielle Ableitung von C nach
der ersten Komponente).
(5.31) wird Riccati Gleichung genannt.
Bemerkung 5.32. F
ur die Forward-Rates folgt
d ln(B(t, T ))
f (t, T ) = = AT (t, T ) + CT (t, T )rt . (5.32)
dT
Beweis. Schritt 1: Sei F C 1,2,0 (also hinreichend glatt, um die Ito-Formel anwenden zu
konnen). Mit Annahme 5.29 und der Ito-Formel folgt
F (t, rt , T )
Z t Z t
= F (0, r0 , T ) + Ft (u, ru , T ) du + Fr (u, ru , T )(u, ru ) du
0 0
1 t
Z Z t
2
+ Frr (u, ru , T ) (u, ru ) du + Fr (u, ru , T )(u, ru ) dWuQ . (5.33)
2 0 0
86
Rt
Erneut aus der Ito-Formel, der endlichen Variation des Bankkontoprozesses St0 = exp( 0 ru du)
und aus dSt0 = rt St0 dt folgt

F (t, rt , T ) 1 1
d 0
= 0
dF (t, rt , T ) 0 2 F (t, rt , T ) dSt0
St St (St )

1
dF (t, rt , T ) F (t, rt , T )rt dt .
= 0 |
(5.34)
St {z }
siehe (5.33)
Wenn es also umgekehrt eine Losung F (, , T ) der partiellen Differentialgleichung (PDE)

1
Ft (t, r, T ) + (t, r)Fr (t, r, T ) + 2 (t, r)Frr (t, r, T ) rF (t, r, T ) = 0 (5.35)
2
mit Endbedingung F (T, r, T ) = 1 gibt, dann sind die Prozesse
F (t, rt , T )
Rt
exp( 0 ru du)
ur alle T [0, T ] Q-lokale Martingale, da der dt-Term in (5.34) wegfallt. Wir gehen
f
hier davon aus, dass durch die Losung der PDE sichergestellt ist, dass die Prozesse auch
(echte) Q-Martingale sind. Da auch B(t,T St0
)
Q-Martingale mit gleichem Endwert sind, folgt
B(t, T ) = F (t, rt , T ). Die PDE (5.35) muss also in der Klasse der Funktionen F mit Dar-
stellung F (t, r, T ) = exp(A(t, T ) C(t, T )r) gelost werden.
ur F den Ansatz F (t, r, T ) = exp(A(t, T ) C(t, T )r), dann

Schritt 2: Machen wir f
ergibt die PDE (5.35)
1
At (t, T ) [1 + Ct (t, T )] r (t, r)C(t, T ) + 2 (t, r)C 2 (t, T ) = 0. (5.36)
2
Aus der Endwertbedingung F (T, r, T ) = 1 folgt A(T, T ) = C(T, T ) = 0. I.A. wird (5.36)
keine Losung haben: die Gleichung muss f ur alle r R gelten, aber A und C durfen nur von
t (und T ) abhangen. Sind jedoch sowohl als auch 2 affin in r, d.h. (t, r) = (t)r + (t)
und 2 (t, r) = (t)r + (t), dann ergibt (5.36)
1
At (t, T ) (t)C(t, T ) + (t)C 2 (t, T ) (5.37)
2
1 2
1 + Ct (t, T ) + (t)C(t, T ) (t)C (t, T ) r =: e
a + ebr = 0. (5.38)
2
Hier m
ussen also nur noch die von r unabhangigen Terme e
a und eb f
ur alle t verschwinden.
Die Riccati Gleichung
1
Ct (t, T ) + (t)C(t, T ) (t)C 2 (t, T ) = 1
2
87
mit Endbedingung C(T, T ) = 0 besitzt offenbar eine Losung. Setzt man diese Losung in
den ersten Term von (5.37) ein, so erhalt man f
ur A
1
At (t, T ) (t)C(t, T ) + (t)C 2 (t, T ) = 0,
2
RT RT
d.h. A(t, T ) = t At (u, T ) du+A(T, T ) = t ((t))C(t, T ) + 21 (u)C 2 (u, T ) du.

5.2.1 Beispiel: Vasi

cek Modell
Das Vasicek Modell ist gegeben durch
drt = (b art ) dt + dWtQ (5.39)

Wir konnen also Theorem 5.31 anwenden und erhalten
B(t, T ) = exp(A(t, T ) C(t, T )rt ),
wobei C die ODE
Ct (t, T ) aC(t, T ) = 1
erf
ullt, also
1
C(t, T ) = (1 exp(a(T t))) .
a
Zusammen mit
Z T
1 2 2
A(t, T ) = bC(u, T ) + C (u, T ) du
t 2
impliziert dies
[C(t, T ) T + t] ab 21 2

2 C 2 (t, T )
A(t, T ) = .
a2 4a
Mit f (t, T ) = AT (t, T ) + CT (t, T )rt folgt, dass im Vasicek Modell auch die Vola der
Forward-Rates (und nicht nur der Short-Rate) deterministisch ist. Damit lasst sich die
Optionsbewertung aus Abschnitt 5.1.2 anwenden. Insbesondere gilt
CT (t, T ) = exp(a(T t))
und
(exp(a(T t)) 1)(ab 21 2 ) 2 1
AT (t, T ) = 2
+ exp(a(T t)) (exp(a(T t)) 1)
a 2a a
Man sieht, dass
b 2
f (t, T ) 2 , f ur T
a 2a
(unabhangig von der Short-Rate in t). Wegen des Mean-Reverting Effekts hangt also der
langfristige Zins nicht mehr wesentlich vom kurfristiges Zins ab.
88
Definition 5.33. Eine Funktion f : R+ R Rn heit Lipschitz, wenn ein k R+
existiert mit
|f (t, x) f (t, y)| k|x y| t R+ , x, y R
und die Abbildung t 7 f (t, x) f

ur alle x R càdlàg ist.
f heit autonom, wenn f (t, x) = f (0, x), t R+ , x R.
Theorem 5.34. Sei Z = (Z 1 , . . . , Z n ) ein Semimartingal und f : R+ R Rn Lipschitz,

dann existiert f
ur die stochastische Differentialgleichung
X = X0 + f (, X ) Z (5.40)
eine eindeutige (starke) Losung in der Menge D (reellwertige, adaptierte Prozesse mit
càdlàg Pfaden). Die Losung ist ein Semimartingal. Andere Schreibweise f
ur (5.40)
n Z
X t
Xt = X 0 + f i (s, Xs ) dZsi , t [0, T ].
i=1 0
Differentielle Schreibweise von (5.40)

n
X
dXt = f i (t, Xt ) dZti .
i=1
Beweis: siehe Protter, Theorem 6 auf Seite 194.
Beispiel 5.35 (Ornstein-Uhlenbeck Prozess). Betrachte f

ur > 0 den Mean-Reverting
Prozess
Z t
Xt = X0 Xs ds + Zt (5.41)
0
mit Z0 = 0 (meistens Z Brownsche Bewegung, bzw. im Vasicek Modell Zt = bt + WtQ ).

Formal setzt man Zbt = (t, Zt ), f (t, x) = (x, 1). Die Losung von (5.41) ist offenbar
gegeben durch
Z t
t
Xt = X0 e + e(st) dZs , t [0, T ]. (5.42)
0
89
Man rechnet dies nach: Fur X aus (5.42) gilt:
Z t Z t
t (st)

Xt = X0 e + e 1 dZs + dZs
0 0
Z Z Z t
t (su)
= X0 e 1(0sut) e du dZs + dZs
R R 0
Z Z Z t
Fubini t (su)
= X0 e 1(0sut) e dZs du + dZs
R R 0
Z t Z t Z u Z t
u (su)
= X0 1 e du e dZs du + dZs
0 0 0 0
Z t Z t Z t
u u

= X0 1 e du Xu X0 e du + dZs
0 0 0
Z t
= X0 Xu du + Zt .
0
Rt
ur die zweite Gleichung benutzt man e(st) 1 = s e(su) du, s t. Die dritte
F
Gleichheit folgt aus dem Theorem 5.12, dem Satz von Fubini f ur stochastische Integrale.
F
ur die f
unfte Gleichheit benutzt man die Definition von X in (5.42) an der Stelle u.
Fur das Vasicek Modell wahlt man = a und Zt = bt + WtQ . (5.42) ergibt dann
Z t Z t
at a(st)
rt = r0 e + b e ds + ea(st) dWsQ
0
Z t0
b
= r0 eat + (1 eat ) + ea(st) dWsQ , t 0.
a 0
Mit dieser Darstellung der Shortrate im Vasicek Modell konnen wir nun die Options-
preisberechnung aus Abschnitt 5.1.2 anwenden. Nicht alle der im folgenden gemachten
Berechnungen werden f ur die Optionspreisbestimmung zwingend benotigt insbesondere
w
urde die Driftrate der Shortrate unter dem Forwardma nicht gebraucht. Zur besseren
Ubersicht rechnen wir sie jedoch aus.
Der Call mit Auszahlung (B(T, S) K)+ f

ur T S soll bewertet werden.
B(t, T )
Zt =
B(0, T )St0
ist der Dichteprozess des T -Forwardmaes bzgl. des eindeutigen Martingalmaes Q bzgl.
des Numeraires S 0 . Mit Girsanov-Meyer folgt, dass
Z t
QT Q 1
Wt := Wt d[Z, W Q ]u
0 Z u
eine Standard-Brownsche Bewegung unter QT ist.

Mit Ito gilt
dB(t, T ) = C(t, T )B(t, T ) dWtQ + . . . dt
90
und
1
dZt = dB(t, T ) + . . . dt
B(0, T )St0
B(t, T )
= C(t, T ) dWtQ + . . . dt
B(0, T )St0
= Zt C(t, T ) dWtQ + . . . dt.
Also
1
d[Z, W Q ]t = C(t, T ) dt
Zt
und damit
Z t
T
WtQ = WtQ + C(u, T ) du.
0
Eingesetzt in die SDE der Shortrate folgt

T
drt = (b 2 C(t, T ) art ) dt + dWtQ
und
Z t Z t
at a(st) 2
rt = r0 e +b e ds ea(st) C(s, T ) ds
Z t 0 0
T
+ ea(st) dWsQ
0
2 1 2 t a(2stT )
Z
C(t,T )= a1 (1exp(a(T t))) at at
= r0 e + b (1 e ) + e ds
a a a 0
Z t
T
+ ea(st) dWsQ
0
b 2 2

at
2 (1 eat ) + 2 ea(tT ) ea(t+T )

= r0 e +
a a 2a
Z t
T
+ ea(st) dWsQ .
0

B(T,S)
Damit ist ln = A(T, S) C(T, S)rT unter QT normalverteilt mit
B(T,T )

T B(T, S) T
VarQ ln = VarQ (C(T, S)rT )
B(T, T )
= C 2 (T, S)VarQ (rT )
Z T
2 2
= C (T, S) exp(2(s T )) ds
0
2
1 2
= (1 exp(aT )) (1 exp(2T ))
a2 2
e2 .
=:
91
F
ur den Callpreis zum Zeitpunkt 0 gilt (vgl. Abschnitt 5.1.2)
B(0,S) 2 B(0,S) 2
log( KB(0,T ) )+ e2 log( KB(0,T ) ) e2
Callpreis = B(0, S)
e
KB(0, T )
e
wobei die Verteilungsfunktion der Standard-Normalverteilung bezeichnet.
5.2.2 Beispiel: Cox-Ingersoll-Ross Modell (CIR Modell)

Das CIR Modell ist gegeben durch die SDE
p
drt = (b art ) dt + |rt | dWtQ mit r0 = x, (5.43)
wobei a, b, x > 0. (5.43) besitzt eine eindeutige nichtnegative Losung (mit diesem Wissen
kann der Absolutbetrag in (5.43) auch weggelassen werden) . Die Nichtnegativitat ist
nat
urlich gegenuber dem Vasicek Modell ein bedeutender Vorteil. Wir konnen zunachst
wieder Theorem 5.31 anwenden und erhalten
B(t, T ) = exp(A(t, T ) C(t, T )rt ).
Die Funktionen A und C kann man nach wieder ausrechnen, was wir im folgenden machen
wollen. Es ist nur etwas aufwendiger.
C erfullt die ODE
1
Ct (t, T ) aC(t, T ) 2 C 2 (t, T ) = 1, t < T and C(T, T ) = 0. (5.44)
2
Die Losung ist gegeben durch
2 (exp(c(T t)) 1)
C(t, T ) = (5.45)
(a + c) (exp(c(T t)) 1) + 2c

mit c = a2 + 2 2 . Zusammen mit
Z T
A(t, T ) = b C(u, T ) du
t
impliziert dies
!
2c exp 12 (a + c)(T t)

2b
A(t, T ) = 2 ln .
(a + c) (exp(c(T t)) 1) + 2c

Beweisskizze: (5.43) besitzt eine eindeutige Losung (siehe Proposition 5.2.13 in Karatzas und Shre-
rt | dWtQ mit re0 = x. Die eindeutige Losung
p
ve [6]). Gleiches gilt f
ur die SDE de rt = a(e rt 0) + |e
dieser SDE bleibt 0, sobald sie das erste Mal 0 erreicht hat (wieso ?). Damit gilt re 0. Andererseits
ist die Driftrate als Funktion von rt bzw. ret bei der ersten SDE groer, wahrend die Volatilitaten als
Funktionen von rt bzw. ret gleich sind. Mit einem Vergleichssatz f ur SDEs (comparison theorem, siehe
Proposition 5.2.18 in [6]) impliziert dies, dass r re.
92
Aus (5.45) folgt limT CT (t, T ) = 0. Wie im Vasicek Modell verschwindet also der
Einfluss des kurzfristigen Zinses rt asymptotisch auf den langfristigen Zins.
Weitere beliebte Short-Rate Modelle, die Annahme 5.29 erf

ullen, sind
Dothan Modell: drt = art dt + rt dWtQ
Ho-Lee Modell: drt = b(t) dt + dWtQ
Hull-White (erweitertes Vasicek Modell): drt = (b(t) a(t)rt ) dt + (t) dWtQ
p
Hull-White (erweitertes CIR Modell): drt = (b(t) a(t)rt ) dt + (t) |rt | dWtQ
5.2.3 Beispiel: Hull-White Modell

In den Modellen von Vasicek und Cox-Ingersoll-Ross konnte eine gewisse funktionale
Abhangigkeit der Bondpreise in der Falligkeit T hergeleitet werden. Dies ist einerseits
erfreulich, andererseits bedeutet dies, dass das Modell leicht falsifizierbar ist: Da reale
Bondpreiskurven typischerweise nicht genau diese Form haben werden, konnen die Para-
meter nicht so gewahlt werden, dass die Bondpreiskurve T 7 B(0, T ) im Modell mit dem
Markt u bereinstimmt. Daher wurden die Modelle von Hull/White entsprechend verall-
gemeinert, um sie an beliebige Bondpreiskurven T 7 B(0, T ) anpassen (kalibrieren) zu
konnen.
Wird werden folgende Erweiterung des Vasicek Modells betrachten:
drt = (b(t) art ) dt + dWtQ
(d.h. der Parameter b aus (5.39) wird zeitabhangig, wahrend die anderen Parameter kon-
stant bleiben). F
ur die Funktion C verandert sich durch die Verallgemeinerung nichts,
d.h.
t C(t, T ) aC(t, T ) = 1
und damit
1
C(t, T ) = (1 exp(a(T t))) .
a
93
F
ur A gilt nun
T
2 2
Z
A(t, T ) = b(u)C(u, T ) + C (u, T ) du. (5.46)
t 2
Zu einer vorgegebenen Funktion T 7 f (0, T ) wollen wir t 7 b(t) nun so wahlen, dass die
zum Zeitpunkt 0 beobachtete Forwardkurve mit dem Modell u bereinstimmt. Es gilt
(5.32)
f (0, T ) = T A(0, T ) + T C(0, T )r(0)
Z T
2 T
Z
(5.46) und C(T,T )=0
= b(u)T C(u, T ) du T C 2 (u, T ) du + T C(0, T )r(0)
0 2 0
Z T
T C 2 (u,T )=u C 2 (u,T ) 2
= b(u) exp(a(T u)) du 2 (exp(aT ) 1)2 + T C(0, T )r(0)
2a
|0 {z } | {z }
=(T ) =g(T )
Die Funktion erf

ullt die Differentialgleichung
T (T ) = a(T ) + b(T )
und es folgt
b(T ) = T (T ) + a(T ) = T (f (0, T ) + g(T )) + a(f (0, T ) + g(T )). (5.47)
Durch die Wahl von (5.47), wobei
f (0, T ) = T ln(B(0, T )) und T f (0, T ) = T T ln(B(0, T ))
nat
urlich durch Differenzenquotienten zu ersetzen sind, ist das Modell also an die Bond-
preise, die u
ber die am Markt zum Zeitpunkt 0 beobachtet werden, kalibriert.
Setzt man alles in f (t, T ) = T A(t, T )+T C(t, T )r(t) ein, so ergibt sich nach einigen
Umformungen
f (t, T ) = f (0, T ) exp(a(T t))f (0, t)

2
2 (exp(a(T t)) 1) (exp(a(T t)) exp(a(T + t)))
2a
+ exp(a(T t))r(t).
Man sieht nat

urlich, dass das zum Zeitpunkt 0 kalibrierte Modell zu einem spateren
Zeitpunkt t > 0 typischerweise trotzdem unvertraglich mit den Bondpreisen am Markt
sein wird.
5.2.4 Mehrfaktormodelle
Der Nachteil von Einfaktormodellen ist, dass T 7 f (0, T ) zwar perfekt an die Bondpreise
zum Startzeitpunkt kalibriert werden kann (siehe Abschnitt 5.2.3), die Dynamik der Zins-
strukturkurve aber ausschlielich von der Shortrate bestimmt wird. Es ist offensichtlich,
94
dass sich daher gewisse Phanomene nicht gut abbilden lassen: so sind kurz und langfri-
stige Zinsen eng aneinander gekoppelt. In der Realitat gibt es aber z.B. Marktphasen,
in denen ein kurzfristiger Zins voraussagbar niedrig ist, wahrend die Markterwartungen
u
ber langfristige Zinsen stark schwanken.
Um mehr Flexibilitat zu erlauben, kann man einen mehrdimensionalen Prozess einf uhren,
dessen aktueller Wert alle relevanten Informationen u ber zukunftige Zinsen widerspiegelt.
Naturlich gibt es hierzu viele verschiedene Modelle. Ein sehr gut interpretierbares Modell
ist das folgende:
Beispiel 5.36 (Hull-White Zweifaktor-Modell). Im Unterschied zu dem Modell aus Ab-
schnitt 5.2.3 ist der ,,Zielprozess (also b(t)/a mit den Bezeichnungen dort) stochastisch.
Das Modell ist definiert durch
drt = ((t) + ut art ) dt + dWtQ , r0 = r,
und
dut = e
aut dt + ftQ ,
e dW u0 = 0,
wobei : R+ R ein vorgegebener deterministischer Prozess ist (etwa wie in Ab-
schnitt 5.2.3 gewahlt, um sicherzustellen, dass die Forwardratenkurve zum Startzeitpunkt
den beobachteten Daten entspricht). (W Q , W f Q ) ist eine zweidimensionale Brownsche Be-
wegung mit [W Q , Wf Q ]t = t f
ur ein [1, 1].
Man kann zeigen, dass das Modell affin ist, wenn man in Definition 5.28 die Shortrate
durch einen geeigneten zweidimensionalen stochastischen Prozess ersetzt. Dies erlaubt
eine Optionspreisbewertung ahnlich wie im Vasicek Modell. Der interessierte Leser sei
hierzu auf Abschnitt 4.2.5 in Brigo und Mercurio [1] verwiesen.
5.3 Duration und Konvexit

at
Definition 5.37. Eine Anleihe sei gegeben durch die folgenden deterministische Zahlun-
gen: Einzahlung P0 > 0 in t0 und Auzahlungen c1 , c2 , . . . , cn > 0 in t1 < t2 < . . . < tn mit
t1 > t0 .
(cn konnte als Endauszahlung und ck , k = 1, . . . , n 1 als vorzeitige Zinszahlungen

(Kupons) interpretiert werden)
Die kontinuierliche Rendite (yield) des Kontraktes ist definiert als das eindeuti-
ge r R, das
n
X
P0 = ck exp(r(tk t0 )) (5.48)
k=1

lost .

Es existiert eine eindeutige L
osung, da die rechte Seite von (5.48) strikt monoton fallend in r ist und
gegen bzw. 0 konvergiert f ur r bzw. r .
95
Die Macaulay-Duration der Anleihe ist definiert als
Pn
(tk t0 )ck exp(
r(tk t0 ))
D := k=1
P0
wobei r die Yield bezeichnet .
Die Duration bezeichnet also die durchschnittliche Zeit, die das Kapital P0 gebun-
den ist, wobei die Auszahlungen mit ihren Diskontierungsfaktoren gewichtet werden. Im
Extremfall der Nullkuponanleihe (d.h. ck = 0 f
ur k < n) stimmt die Duration mit der
Laufzeit der Anleihe u
berein.
Interpretation: Nehme an, zum Zeitpunkt t0 steigt/fallt der Zins. Dies hat zur Fol-
ge, dass P0 fallt/steigt. Nehme ferner an, dass sich das Zinsniveau danach nicht mehr
verandert. Die Duration ist nun der Zeitpunkt, an dem der Wert der Anleihe wieder sein
altes Niveau erreicht vorausgesetzt, dass Auszahlungen zum zeitlich konstanten Zinssatz
wieder neu angelegt werden. Anders ausgedr uckt: der Wert der Anleihe zur Duration ist
immun gegen uber Zinsanderungen zum Startzeitpunkt vorausgesetzt, dass Auszahlun-
gen vor der Duration wieder neu angelegt werdenk .
Hierzu beachte man: ein Zinsanstieg fuhrt einerseits zu einem geringeren Barwert der
Anleihe. Andererseits werden vorzeitige Auszahlungen bei Reinvestition hoher verzinst,
was zu einem hoheren Ertragen f
uhrt. Zur Duration neutralieren sich die beiden Effekte.

Man beachte, dass obige Uberlegungen implizit vorausgesetzen, dass das Zinsniveau
ur alle t, s [t0 , tn ], s t.
nach t0 konstant bleibt, genauer: f (t, s) = r f
Proposition 5.38. Sei p(r) die rechte Seite von (5.48) als Funktion in r. Es gilt
dp(r)
= Dp( r)
dr r=r

Im Zeitdiskreten gibt es eine Unterscheidung zwischen der ,,Macaulay-Duration und der sog. ,,mo-
difizierten Duration, die jedoch bei stetiger Verzinsung verschwindet.
k
Werden Auszahlungen wieder neu angelegt, dann betragt der Wert der Anleihe zu einem Zeitpunkt
t [t0 , tn ]
n
X
ck exp(r(t tk )).
k=1
Die Ableitung nach r in r = r betr

agt
n
X
(t tk )ck exp(
r(t tk ))
k=1
" n n
#
X X
r(t t0 )) (t t0 )
= exp( r(tk t0 ))
ck exp( (tk t0 )ck exp(
r(tk t0 ))
k=1 k=1
r(t t0 )) [(t t0 )P0 DP0 ]
= exp(
und verschwindet genau dann, wenn t = t0 + D.
96
und damit
1 dp(r)
D= .
p(r) dr r=r
Beweis. Es gilt
n
dp(r) X
= (tk t0 )ck exp(
r(tk t0 )) = Dp(
r).
dr r=r

k=1
Die Duration ist ein wichtige Groe, mit der man einfache Portfolios konstruieren
kann, die gegen Zinsanderungsrisiken zum Startzeitpunkt naherungsweise immun sind.
Definition 5.39. Die Konvexit

at der Anleihe ist definiert als
1 d2 p(r)
C := .
p(r) dr2 r=r
Man beachte, dass der Wert der Anleihe konvex im Zinsniveau ist. Die lineare Appro-
ximation
r + r) p(
p( r)
Dr
p(
r)
u
berschatzt daher Kursverluste bei steigenden Zinsen und unterschatzt Kursgewinne bei
fallenden Zinsen. Eine entsprechende Korrektur liefert eine Taylor-Approximation zweiter
Ordnung mit der Konvexitat C > 0:
r + r) p(
p( r) 1
Dr + C(r)2 .
p(
r) 2
97
A Appendix: Selbstfinanzierungsbedingung
F
ur den interessierten Leser sind hier ein paar Uberlegungen zur Selbstfinanzierungsbe-
dingung in zeitstetigen Modellen zu finden. Dies ist nicht Bestandteil der Vorlesung.
Motivierendes zur Selbstfinanzierungsbedingung in zeitstetigen Modellen
Selbstfinanzierende Handelstrategien zeichnen sich dadurch aus, dass Portfolioum-

schichtungen kostenneutral erfolgen. D.h. der Kauf neuer Wertpapiere eines bestimmten
Typs muss durch den Verkauf anderer Wertpapiere finanziert werden. Ausschlaggebend ist
naturlich das Preisverhaltnis der Wertpapiere zum Zeitpunkt der Portfolioumschichtung.
Der Einfachheit halber seien f
ur die folgenden Uberlegungen alle Preisprozesse S i ste-
0 1 d
tig. Sei = ( , t , . . . , ) eine Handelsstrategie, d.h. ein vorhersehbarer stochastischer
Prozess. Nehme zunachst an, dass st uckweise konstant ist, der Wert von soll sich
nur zu den Zeitpunkten t1 , . . . , tk verandern. Die Selbstfinanzierungsbedingung aus der
zeitdiskreten Finanzmathematik lautet dann
d
X
(itl itl1 )Stil = 0, l = 1, . . . , k (1.49)
i=0
d.h. zum Zeitpunkt tl werden itl itl1 Wertpapiere vom Typ i zum Preis Stil hinzugekauft.
(Die Notationen stimmen hier allerdings nicht mit der diskreten Vorlesung u berein !!!)
(1.49) ist offenbar aquivalent zu
d
X d
X d
X
itl Stil itl1 Stil1 = itl1 (Stil Stil1 ), l = 1, . . . , k (1.50)
i=0 i=0 i=0
(siehe zeitdiskrete Vorlesung). (1.49) bezieht sich direkt auf die Portfolioumschichtun-
gen und besagt, dass diese kostenneutral erfolgen m ussen. Dagegen besagt (1.50), dass
Vermogensveranderungen des Portfolios ausschlielich aus den Preisveranderungen der in
ihm enthaltenen Wertpapiere resultieren. (1.49) hat gegen uber (1.50) den Vorteil, dass
sich eine solche Bedingung auch f ur sog. unvollkommene Finanzmarkte formulieren lasst
(Markte mit Transaktionskosten, illiquide Markte). Dies liegt daran, dass sich (1.49) nur
auf die tatsachlichen Transaktionspreise und Zeitpunkte, an denen das Portfolio umge-
schichtet wird, bezieht. Es muss kein Marked-to-Market derjenigen Aktien vorgenommen
werden, die sich im Portfolio befinden, aber gar nicht getauscht werden. Man stelle sich
etwa einen Markt mit einem Bid-Ask-Spread vor, d.h. es gibt einen Kaufspreisprozess und
einen Verkauftspreisprozess (letzterer ist naturlich niedriger). Dies entspricht proportio-
nalen Transaktionskosten. Bedingung (1.49) liee sich analog mit Bid- und Ask-Preisen
formulieren. Da es aber nicht den Marktpreisprozess gibt (ebenso wie es nicht den (ein-
dimensionalen) kanonischen Vermogensprozess gibt), w urde die Bedingung (1.50) keinen
Sinn ergeben.
Nun wollen wir (wieder f ur den Standardfall vollkommener Markte) schauen, wie
man die Selbstfinanzierungseigenschaft bei beliegigem = (0 , 1t , . . . , d ) formulieren
98
kann, d.h. es darf zeitstetig umgeschichtet werden. Sei (n )nN eine verfeinernde Fol-
ge von Gittern, d.h. n = (tn0 , tn1 , . . . , tnkn ). Statt it betrachte zunachst den Prozess
Pkn i
i,n
t = l=1 tn
l1
1(tnl1 ,tnl ] (t). Ein selbstfinanzierender Vermogensprozess mit Startkapi-
Pkn i
tal 0 ware definiert durch Vtn = l=1 tn
l1
(Stinl t Stinl1 t ). Wegen der Stetigkeit des
stochastischen Integrals besitzten die Handelsgewinne kl=1
Pn i
tnl1 (Stinl t Stinl1 t ) kompo-
Rt
nentenweise einen Limes und zwar das stochastische Integral 0 iu dSui . Der Fehler im
Handelsgewinn, den man macht, indem man zum Zeitpunkt t nicht it sondern itnl1 Ak-
tien halt, wobei t (tnl1 , tnl ], geht also gegen Null (und zwar f ur jedes i separat). Die
zeitstetige Selbstfinanzierungsbedingung lautet also
d
X d
X d Z
X t
it Sti = i0 S0i + iu dSui , t [0, T ]. (1.51)
i=0 i=0 i=0 0
Pkn i
Fur die approximierenden Prozesse i,n t = l=1 tn
l1
1(tnl1 ,tnl ] (t) sind nat
urlich die Bedin-
gungen (1.49)Pknund i(1.50)i nochi aquivalent. Ausgehend von (1.49) entsteht aber das Pro-
blem, dass l=1 (tnl tnl1 )Stnl i.A. nicht komponentenweise konvergiert. Handelsstrate-
gien m ussen keine Semimartingale sein. Die Anzahlen an Aktien im Portfolio konnen sehr
viel starker schwanken als die Aktienpreise (in der Theorie der vollkommenen Finanzmark-
te). Fur den allgemeinen Fall gibt es daher keine zeitstetige Selbstfinanzierungsbedingung,
die wie (1.49) ausschaut. Es gilt
X d
kn X kn X
X d
(itnl t itnl1 t )Stinl = Stinl1 (itnl t itnl1 t )
l=1 i=0 l=1 i=0
Xkn X d
+ (Stinl Stinl1 )(itnl t itnl1 t ) (1.52)
l=1 i=0
Wenn die i Semimartingale sind (was i.A. nicht sein muss, was aber z.B. der Fall ist,
wenn it = f (Sti , t) f ur n gegen
ur eine glatte Funktion f ) dann konvergiert (1.52) f
d Z t d
!
X X
Sui diu + [S i , i ]t = 0, , t [0, T ]. (1.53)
i=0 0 i=0
Wenn i sogar endliche Variation haben, dann ist (1.53) aquivalent zu

d Z
X t
Sui diu = 0, , t [0, T ].
i=0 0
ur den allgemeinen Fall, dass S i Spr

(siehe auch (1.55) f unge haben konnen)
Bemerkung A.1. Statt wie in (1.19) erschiene es nat urlicher, die Selbstfinanzierungsei-
genschaft direkt u
ber die Kostenneutralitat der Umschichtungen im Portfolio zu definieren
99
(wie es in zeitdiskreten Modellen gemacht wird, siehe z.B. Skript Stochastische Finanz-
mathematik).
Im Folgenden soll gezeigt werden, wie eine entsprechende Bedingung in zeitstetigen
Modellen aussehen konnte.
Nehme dazu an, dass 0 , 1 , . . . , d (vorhersehbare) Semimartingale sind (i.A. m

ussen
Integranden keine Semimartingale sein !). P Insbesondere haben die i (in dieser Bemer-
ur den Prozess V = di=0 i S i gilt
kung) càdlàg Pfade. F
d
X d
X d
X
Vt = V0 + i Sti + Si it + [i , S i ]t
i=0 i=0 i=0
Xd d
X d
X X
= V0 + i Sti (i ) Sti + Si it + [i , S i ]ct + is Ssi
i=0 i=0 i=0 0<st
d
X d
X d
X
= V0 + i Sti + Si it + [i , S i ]ct (1.54)
i=0 i=0 i=0
Begrundung fur (1.54): Die erste Gleichheit ist die Definition des Kovariationsprozesses.
Wegen Bemerkung 1.1 ist i ein lokal beschrankter vorhersehbarer Prozess (und das
Integral (i ) S i damit definiert). Betrachte den vorhersehbaren Prozess i 1{|i |1/n}
bzw. das Integral i 1{|i |1/n} S i . Da der Prozess i 1{|i |1/n} nur zu endlich vielen
Zeitpunkten ungleich Null ist, folgt mit Theorem 1.21(b), dass
X
(i 1{|i |1/n} ) Sti = is Ssi .
0<st, |is |1/n
Da die Folge i 1{|i |1/n} (sogar gleichmassig) gegen i konvergiert (f

ur n ),
i
konvergieren auch die entsprechenden Integrale 1{|i |1/n} S gegen i S i , und
i
zwar gleichmaig in Wahrscheinlichkeit (vgl. Theorem 1.2, und es folgt

X
(i ) Sti = is Ssi .
0<st
(dritte Gleichung in (1.54)). F ur zwei Semimartingale X und Y sind die abzahlbar vielen
Produkt-Spr unge Xs Ys (f ur s (0, t]) absolut summierbar, vgl. (2.21) in [7].
(1.54) liefert, dass die Selbstfinanzierungbedingung (1.19) aquivalent ist zu
d
X d
X
Si it + [i , S i ]ct = 0, t [0, T ]. (1.55)
i=0 i=0
(1.19) ist also erstaunlicher Weise i.A. nicht aquivalent zu

d
X
Si it = 0, t [0, T ] (1.56)
i=0
100

wie die Uberlegungen in diskreten Modellen vermuten lassen. (1.55) und (1.56) sind z.B.
aquivalent, wenn i von endlicher Variation sind, was aber bei typischen Strategien nicht
der Fall ist (z.B. 1t = f (St1 , t) im Black-Scholes Modell. Dann gilt [1 , S 1 ]c = 1 f (S 1 , )
[S 1 , S 1 ]c ). Eine Begr
undung f ur dieses Phanomen ist, dass die itk itk1 Aktien, die zum
Zeitpunkt tk P hinzugekauft werden, den St uckpreis Stik haben. Die akkumulierten Kosten
betragen also k Stik (itk itk1 ). Das stochastische Integral Si i wird jedoch durch
die Summe k Stik1 (itk itk1 ) approximiert. Der Fehler betragt k (itk itk1 )(Stik
P P
Stik1 ) und konvergiert gegen [i , S i ]c , den stetigen Anteil der quadratischen Kovariation
von i und S i , d.h. der Fehler konvergiert i.A. nicht gegen Null.
Man beachte, dass das oben beschriebene Phanomen nicht von den Spr ungen verursacht
wird, sondern vom stetigen Anteil der quadratischen Kovariation.
B Appendix: Essentielles Supremum

Sei G F eine Teil--Algebra von F und M eine nichtleere Menge von G-messbaren R
{}-wertigen Zufallsvariablen (M ist i.A. u berabzahlbar). Wir wollen nun das Supre-
mum der Zufallsvariablen X M bilden. Wenn M abzahlbar ist, konnen wir einfach das
punktweise Supremum der Zufallsvariablen X M bilden, d.h. X ? () := supXM X().
X ? ist dann auch wieder (G-)messbar, also eine Zufallsvariable. Im uberabzahlbaren Fall
muss dies nicht mehr der Fall sein. Aber auch in Fallen, in denen das punktweise Su-
premum messbar ist, kann es zu unerw unschten Ergebnissen kommen, wenn man auf
P -fast-sicher-Aussagen hinaus will. Betrachte dazu das folgende Beispiel: = [0, 1] und
M = {1{y} |y [0, 1]} und P ist das Lebesgue-Ma auf [0, 1]. Dann gilt supXM X() = 1,
[0, 1], aber P (X = 0) = 1 fur jedes einzelne X M.
Definition B.1. Eine Zufallsvariable Z ist ein essentielles Supremum von M bez uglich
einer -Algebra G und eines Maes P , wenn sie die folgenden drei Eigenschaften erf
ullt
(i) Z ist G-messbar
(ii) P (Z X) = 1 X M
(iii) Fur jede G-messbare Zufallsvariable Z 0 die Eigenschaft (ii) erf

ullt, gilt P (Z 0 Z) =
1
Wir werden sehen, dass es P -f.s. ein eindeutiges essentielles Supremum gibt. Wir schrei-
ben dann ess supM := Z. Das essentielle Infimum kann man dann durch
ess infM := ess sup(M) (2.57)
definieren.
Bemerkung B.2. Das Ma P brauchen wir bei der Definition nur zur Festlegung der
Nullmengen, d.h. der Mengen N G mit P (N ) = 0. Gehen wir also zu einem aquivalenten
Martingalma Q u ber, so andert sich die Definition nicht.
101
Bemerkung B.3. Analog zu dem Supremum in R sucht man hier auch die kleinste
Schranke, die alle X M dominiert. Nur sucht man diese Schranke in der Menge der
G-messbaren Zufallsvariablen und versteht Dominanz im P -f.s. Sinne.
Theorem B.4. F ur jede nichtleere Menge von R {}-wertigen Zufallsvariablen M,

gibt es ein bis auf P -Nullmengen eindeutiges essentielles Supremum (mit Werten in R
{}).
Ist daruberhinaus M maximumsstabil, d.h. X1 , X2 M = X1 X2 M, dann
existiert eine Folge (Xn )nN M mit
lim Xn = ess supM P -f.s. (2.58)

n
Wenn M maximumsstabil ist und E(X ) < f

ur ein X M, dann existiert E(ess supM)
als Element in (, ] und es gilt
E(ess supM) = sup E(X). (2.59)

{XM | E(X) existiert}
Beweis. Eindeutigkeit: Seinen Z1 , Z2 zwei Zufallsvariablen, die (i)-(iii) erf

ullen. Dann gilt
P (Z2 Z1 ) = P (Z1 Z2 ) = 1.
Existenz: Sei f : R {} [0, 1] eine strikt monotone, stetige Funktion. Definiere

folgende Menge M f := {X1 . . . Xk |Xi M, k N}. Sei m := sup f EP f (X).
XM
Wegen f 1 gilt auch m 1. Nach Definition des Supremums in R existiert eine Folge
(Yn )nN M
f mit
m = sup EP f (Yn ). (2.60)

nN
Da Mf maximumsstabil und f monoton ist, kann die Folge (Yn )nN , die (2.60) erf
ullen soll,
monoton aufsteigend gewahlt werden, d.h. Y1 Y2 Y3 . . . . Wir wollen zeigen, dass
das punktweise Supremum
Z := sup Yn
nN
eine Version des essentiellen Supremums ist. Z kann Werte in R {} annehmen.

Offenbar ist Z G-messbar. Sei X M. Mit dem Satz von der monotonen Konvergenz und
der geforderten Stetigkeit von f folgt EP f (X Z) = supnN EP f (X Yn ). Da X Yn M
f
folgt weiter
EP f (X Z) EP f (Z).
Wegen P (X Z Z) = 1 und der strikten Monotonie von f folgt daraus, dass P (X >
Z) = P (f (X Z) > f (Z)) = 0 und damit (ii). Sei nun Z 0 eine Zufallsvariable mit
P (Z 0 X) = 1 X M. Dann gilt P (Z 0 Yn ) = 1 n N und damit P (Z 0 Z) = 1.
102
Wenn M maximumsstabil ist, dann gilt M
f = M. Die Folge (Yn )nN aus dem Exi-
stenzbeweis erf
ullt dann (2.58).
Sei X0 M mit E(X0 ) < . Wegen ess supM X0 P -f.s., hat auch der Negativan-
teil von ess supM endlichen Erwartungswert und E(ess supM) existiert als Element in
(, ]. Die Abschatzung E(ess supM) sup{XM | E(X) existiert} E(X) folgt aus der
Monotonie des Erwartungswertes. Fur die Umkehrung betrachte die Folge (X0 Yn )nN
M, wobei (Yn )nN wieder die Folge aus dem Existenzbeweis ist. Mit dem Satz von der
monotonen Konvergenz (angewandt auf die nichtnegative Folge (X0 Yn + X0 )nN ) folgt
limn E(X0 Yn ) = E(ess supM) und damit (2.59).
Bemerkung B.5. Der Existenzbeweis in Theorem B.4 beruht darauf, dass die Zufalls-
variablen aus M messbar bzgl. der -Algebra G sind, bzgl. der das essentielle Supremum
erklart ist. Das essentielle Supremum bzgl. der -Algebra G lasst sich aber auch f
ur eine
Menge M von Zufallsvariablen definieren, die nur bzgl. der groeren -Algebra F messbar
sein m ussen. Definiere dazu zunachst die Menge
M0 := {Y : R {} G-messbar | P (Y X) = 1 X M} .
Definiere nun das essentielle Supremum von M bzgl. G durch
ess supG M := ess infM0 := ess sup (M0 ) ,
wobei ess sup (M0 ) gema Theorem B.4 bzgl. der Menge M0 gebildet wird, die aus
G-messbaren Zufallsvariablen besteht.
Es ist klar, dass ess supG M die Bedingungen aus Definition B.1 erf ullt. Sei X M.
0 0
Fur jedes Y M gilt P (Y X) = 1 und damit auch P (ess infM X) = 1. Also ist
ullt. Nehme nun an, Z 0 ist G messbar und P (Z 0 X) = 1 f
(ii) erf ur alle X M. Dies
bedeutet Z 0 M0 und damit P (Z 0 ess infM0 ) = 1. Also ist (iii) erfullt.
ur ein solchen essentielles Supremum ist die L -Norm

Ein Beispiel f
||X|| := inf{m R | P (|X| m) = 1}.
||X|| ist das essentielle Supremum der einelementrigen Menge M = {X} bzgl. der
trivialen -Algebra G = {, }.
C Appendix: Erg
anzende Uberlegungen

Im folgenden finden sind einige Uberlegungen, die mittlerweile nicht mehr Bestandteil der

Vorlesung sind und zur Verbesserung der Ubersicht ausgelagert wurden.
Bemerkung C.1. Der Beweis von Theorem 1.2 beruht darauf zu zeigen, dass beliebi-
ge vorhersehbare Prozesse durch elementar vorhersehbare Prozesse geeignet approximiert
103
werden konnen. Als Alternative zur abstrakten Argumentation in Schritt 3, dass die Men-
ge der vorhersehbaren Mengen, deren Indikatorfunktionen approximierbar sind, eine -
Algebra ist, wollen wir noch eine zweite Herleitung f ur (1.6) angeben, die konstruktiver
ist. Allerdings machen wir hierf ur die weitere Einschrankung, dass X ein stetiges qua-
dratintegrierbares Martingal ist.
Um (1.6) zu zeigen, kann man in zwei Schritten vorgehen. F ur H linksstetig folgt die
Aussage wie in [7]. Definiere dazu
n
X
(n)
Ht = H k1 1 k1 k
(t)
n n
,n
k=1
Punktweise Konvergenz und die Beschranktheit von H ergibt (1.6). Also muss nur noch
gezeigt werden, dass ein beliebiger vorhersehbarer, beschrankter Prozess durch Elemente
aus L im Sinne von (1.6) approximiert werden kann.
Wir gehen o.B.d.A. davon aus, dass
P ([M, M ]t [M, M ]s > 0) = 1 (3.61)
f
ur alle s < t. Ware dies nicht der Fall, m usste man eine Zeittransformation durchf
uhren,
worauf wir hier verzichten wollen. Zu n N definiere den vorhersehbaren und stetigen
Prozess
R
(n) (t1/n,t]
Hs d[M, M ]s
Ht := .
[M, M ]t [M, M ]t1/n
Nun wenden wir pfadweise das Lebesguesche Differentialtionstheorem auf die Abbildung
t 7 Ht () und das vonR [M, M ] induzierte Ma an. Das Differentiationstheorem besagt,
dass die Funktion t 7 (0,t] Hs d[M, M ]s fast u
berall, bis auf eine [M, M ]-Nullmenge, dif-
ferenzierbar ist und die Ableitung [M, M ]-fast u berall mit H u bereinstimmt. F ur einen
Beweis im Spezialfall [M, M ]t = t siehe [2], Seite 90 (klassisches Lebesguesches Diffe-
rentiationstheorem) und f ur die Zuruckf
uhrung des allgemeinen Falls auf den Spezialfall
(n)
ur ein t, wo dies der Fall ist, konvergiert somit Ht gegen Ht . H (n)
siehe [3], Seite 70. F
konvergiert damit punktweise gegen H bis auf eine Ausnahmemenge A [0, T ] mit
E(1A [M, M ]T ) = 0. Da die Folge (H (n) )nN gleichmaig beschrankt ist, folgt (1.6).
Literatur
[1] Brigo, D. und Mercurio, F. (2006) Interest Rate Models Theory and Prac-
tice, Springer-Verlag.
[2] Brokate, M. und Kersting, G. (2011) Ma und Integral, Birkhauser.

Damit H (n) (links-)stetig ist, ben
otigen wir neben (3.61) (was durch eine Zeittransformation erreicht
werden kann) leider die Einschrankung, dass [M, M ] und damit auch M stetig ist.
104
[3] Carmona, R. A. und Nualart, D. (1990) Nonlinear Stochastic Integrators,
Equations and Flows, Stochastics Monographs, Gordon and Breach Science Pu-
blishers, Volume 6.
[4] Jacod, J. und Shiryaev, A.N. (2003) Limit Theorems for Stochastic Processes.
Springer-Verlag, 2. Auflage.
[5] Kallsen, J. (1998) Semimartingale Modelling in Finance, Dissertation Univer-

sitat Freiburg i. Br.
[6] Karatzas, I. und Shreve, E.S. (1991) Brownian Motion and Stochastic Cal-
culus. Springer-Verlag, 2. Auflage.
[7] Kuhn, C. Vorlesungsskript Stochastische Analysis mit Finanzmathematik.

http://ismi.math.uni-frankfurt.de/kuehn/.
[8] Kuhn, C. Vorlesungsskript Stochastische Finanzmathematik.

[9] Musiela, M. and Rutkowski, M. (1997) Martingale methods in financial mo-

delling, Springer.

Verlag, 2. Auflage.
105
Vorlesungsskript ,,Levy-Prozesse und stochastische
Kontrolltheorie
Christoph Ku
hn
Sommersemester 2008
letzte Aktualisierung: 10. Juli 2016
1
Inhaltsverzeichnis
1 Einfu
hrung 3
1.1 Starke Losungen von stochastischen Differentialgleichungen . . . . . . . . . 3
2 Stochastisches Kontrollproblem und Hamilton-Jacobi-Bellmann Glei-

chung 12
2.1 Die Hamilton-Jacobi-Bellmann (HJB) Gleichung . . . . . . . . . . . . . . . 18
2.2 Verifikationssatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 Anwendungen 24
3.1 Portfoliooptimierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4 Ein Steilkurs in Levy-Prozessen 29

4.1 Poisson-Zufallsma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2 Modellierung von Aktienpreisen mit Levy-Prozessen . . . . . . . . . . . . . 48
2
1 Einfu
hrung
Sei (, F, (Ft )t[0,T ] , P ) ein filtrierter Wahrscheinlichkeitsraum, der die ,,
ublichen Vor-
aussetzungen erf ulle. T R+ ist der endliche Zeithorizont des Modells. Sei W =
(Wt1 , . . . , Wtm )t[0,T ] eine Standard m-dimensionale Brownsche Bewegung auf (, F, (Ft )t[0,T ] , P )
(dies bedeutet insbesondere, dass W 1 , . . . , W m stochastisch unabhangig sind).
Definition 1.1. Sei k N, U Rk . Mit U0 bezeichnen wir die Menge der vorhersehbaren
Prozesse mit Werten in U . U0 wird Kontrollprozess oder Kontrolle genannt.
Seien
b: [0, T ] Rn U Rn (t, x, u) 7 b(t, x, u)
und
: [0, T ] Rn U Rn,m (t, x, u) 7 (t, x, u)
B([0, T ] Rn U ) B(Rn )-messbare bzw. B([0, T ] Rn U ) B(Rn,m )-messbare Funk-

tionen, die folgende Lipschitz-Bedingung erf ullen: es existiert ein K R+ s.d.
||b(t, x, u) b(t, y, u)|| + ||(t, x, u) (t, y, u)||

K||x y||, (t, x, y, u) [0, T ] Rn Rn U, (1.1)
qP P
n m
p n,m
2
wobei ||A|| := Spur (AA> ) = i=1 j=1 Aij die Hilbert-Schmidt Norm von A R
bezeichnet.
Ein Kontrollprozess U0 heit zul assig, wenn
Z T
||b(t, x, t )|| + ||(t, x, t )|| dt < , x Rn .
2 2

E (1.2)
0
Die Menge der zulassigen Kontrollprozesse wird mit U bezeichnet.
1.1 Starke Lo
sungen von stochastischen Differentialgleichungen
Theorem 1.2. F ur jeden zulassigen Kontrollprozess U besitzt die stochastische Dif-
ferentialgleichung (SDE)
m
X
dXti i
= b (t, Xt , t ) dt + ij (t, Xt , t ) dWtj , i = 1, . . . , n, X0 = x. (1.3)
j=1
zu gegebenem Startwert x Rn eine eindeutige starke Losung, d.h. es existiert ein (bis
auf Ununterscheidbarkeit) eindeutiger adaptierter, stetiger Prozess X = (X 1 , . . . , X n ), so
dass
Z m Z
X
i
X =x + i i
b (t, Xt , t ) dt + ij (t, Xt , t ) dWtj , i = 1, . . . , n. (1.4)
0 j=1 0
3
F
ur die eindeutige Losung X gilt
!
2
E sup ||Xt || < . (1.5)
t[0,T ]
Bemerkung 1.3. Grob gesprochen bedeutet ,,starke Losung, dass wir X als einen (ste-
tigen) adaptierten Prozess auf dem ex ante gegebenen filtrierten Wahrscheinlichkeits-
raum finden, wahrend man bei einer ,,schwachen Losung den Wahrscheinlichkeitsraum
moglicherweise noch vergroern muss und dieser damit Teil der Losung wird.
Betrachte dazu als Beispiel die SDE
dXt = sign(Xt ) dWt mit X0 = 0, (1.6)
wobei sign(y) = 1 fur y 0 und sign(y) = 1 f ur y < 0. Die Funktion sign ist offenbar
nicht Lipschitz, Theorem 1.2 ist also nicht anwendbar. Bzgl. der Filtration (FtW )t[0,T ] , die
nur von der Brownschen Bewegung W erzeugt wird, besitzt die SDE auch keine Losung
(ohne Beweis, aber siehe Erklarung unten). Gibt man sich aber statt W , den Prozess X
als Brownsche Bewegung vor und definiert
W
f := sign(X) X,
dann gilt
f = sign(X) (sign(X) X) = (sign2 (X)) X = X.
sign(X) W (1.7)
Bzgl. der von X erzeugten Filtration (FtX )t[0,T ] ist der Integrand sign(X) vorhersehbar
und W f damit ein lokales Martingal. Da zudem [W f, Wf ] = (sign2 (X)) [X, X] = [X, X]
gilt, folgt mit dem Theorem von Levy, dass W f (wie W ) eine Standard Brownsche Be-
wegung ist. Daher kann man wegen (1.7) sagen, dass (1.6) trotzdem eine Losung hat
(schwache Losung). W f ist an die von X erzeugte Filtration adaptiert, aber nicht umge-
kehrt.
Ware X eine starke Losung von (1.6) auf der Filtration (FtW )t[0,T ] , dann golte auch
sign(X) X = sign(X) (sign(X) W ) = sign2 (X) W = W . W ware somit an
|X|
die von |X| erzeugte Filtration (Ft )t[0,T ] adaptiert (ohne Beweis, aber plausible, die
Vorzeichenfunktion ist i.W. symmetrisch, da die Menge {X = 0} nicht in das Integral
eingeht, damit kann man aus sign(X) X das Vorzeichen von X nicht beobachten). Da
die von |X| erzeugte Filtration echt kleiner als die von X erzeugte Filtration ist, ist X
nicht an (FtW )t[0,T ] adaptiert, ein Widerspruch. Also kann es keine starke Losung auf
der Filtration (FtW )t[0,T ] geben. F
ur einen formalen Beweis siehe z.B. Karatzas, Shreve
[Brownian Motion and Stochastic Calculus].
Bemerkung 1.4. Man beachte, dass die Integrale auf der rechten Seite von (1.4) unter
den Voraussetzungen (1.1) und (1.2) f
ur alle stetigen, adaptierten Prozesse X existieren.
Bemerkung 1.5. Die dynamische Kontrolle besteht also in der Beeinflussung der lokalen
Driftrate und der lokalen Volatilitat des Prozesses X, wobei dies i.A. nicht unabhangig
voneinander geschehen kann. i , i = 1, . . . , k nennt man auch die Kontrollvariablen
und X i , i = 1, . . . , n die Zustandsvariablen.
4
Beispiel 1.6 (Dynamischer Handel). Seien die diskontierten Preisprozesse der verf
ugba-
ren Wertpapiere gegeben durch S 0 = 1 und
" m
#
X
dSti = Sti i dt + ei,j dWtj , i = 1, . . . , d.

j=1
blich durch den vorhersehbaren Prozess i die Anzahl an Wertpapieren

Spezifiziere wie u
vom Typ i, die eine Investorin in ihrem Portfolio halt. F ur den Vermogensprozess X gilt
d d
" m
#
X X X
dXt = it dSti = (it Sti i ) dt + ei,j ) dWtj
(it Sti
i=1 i=1 j=1
d
" m
#
X X
= (ti Xt i ) dt + ei,j ) dWtj
(ti Xt , (1.8)
i=1 j=1
wobei
it Sti
ti := (1.9)
Xt
der Anteil des Gesamtvermogens ist, das zum Zeitpunkt t im i-ten Wertpapier investiert
ist. Die Substitution (1.9) macht deutlich, dass fur die Beschreibung der Vermogensdy-
namik die Zustande der Wertpapierpreise nicht zwingend benotigt werden. (1.8) passt in
den Rahmen von (1.3) mit n = 1 und k = d: Der Vermogensprozess ist die eindimen-
sionale Zustandsvariable, die Anzahl der Kontrollvariablen ist um 1 kleiner als die An-
zahl der verf
ugbaren Wertpapiere. Die stochastischen Gewinnm oglichkeiten um den
Zeitpunkt t sind namlich unabhangig von den Wertpapierpreisen zum Zeit t, da aktuelle
Wertpapierpreise die Drift und die Volatilitat gleichermaen beinflussen. Dies war eine
wichtige Beobachtung von Robert C. Merton und f uhrt bei der groen Anzahl verf
ugbarer
Wertpapiere zu einer enormen Reduktion der benotigten Zustandsvariablen (die Anzahl der
Kontrollvariablen wird zwar nicht reduziert, aber wir werden sehen, dass f ur die Hand-
habbarkeit eines Nutzen-Optimierungsproblems die Anzahl der Zustandvariablen kritischer
ist).
Statt dem ,,Anteil des Gesamtvermogens investiert im i-ten Wertpapier wird oft auch
der ,,Eurobetrag investiert im i-ten Wertpapier als Kontrollvariable gewahlt, also
eti := it Sti (1.10)
(was zweckmaig ist, hangt von der Nutzenfuktion ab, in die man das kontrollierte Vermogen
einsetzen mochte). Entscheidend ist, dass auch bei der Substitution (1.10) die Wertpapier-
preise eliminiert und somit als Zustandsvariablen nicht benotigt werden.
Die Lipschitz-Stetigkeit (1.1) erscheint eine nat
urliche Bedingung zu sein, um Existenz
und Eindeutigkeit einer Losung zu gewahrleisten. Betrachte dazu folgende deterministi-
sche Beispiele (d.h. = 0)
5
Beispiel 1.7. Offenbar besitzt die Differentialgleichung
dXt
= Xt2 , X0 = 1.
dt
auf [0, 1) die (eindeutige) Losung
1
Xt = , t [0, 1),
1t
die jedoch bei 1 explodiert. Man beachte, dass die Lipschitz-Bedingung (1.1) nicht erfullt
ist. Fur jedes M (1, ) kann man Theorem 1.2 jedoch auf die abgewandelte Differen-
tialgleichung dXt = (Xt2 M ) dt anwenden. Solange M
die Losung X der abgewandelten
Differentialgleichung dem Betrag nach kleiner als M bleibt, ist sie auch die eindeutige
Losung der urspr ur t 1 1/ M der Fall.
undlichen Differentialgleichung. Dies ist f
Lasst man nun M gegen laufen, ergibt dies Existenz und Eindeutigkeit f ur t [0, 1).
Beispiel 1.8. Die Differentialgleichung
dXt 2/3
= 3Xt , X0 = 0.
dt
ur jedes a R+ {+} der Prozess
besitzt mehrere Losungen und zwar ist f

0 : ur t a ,
f
Xt :=
(t a)3 : f
ur t > a

eine Losung. Man beachte, dass die Lipschitz-Bedingung (1.1) nicht erf
ullt ist.
Lemma 1.9 (Gronwall). Seien f, g : [0, T ] R integrierbare Funktionen und C R+ ,
s.d.
Z t
f (t) g(t) + C f (s) ds, t [0, T ]. (1.11)
0
Dann gilt
Z t
f (t) g(t) + C eC(ts) g(s) ds, t [0, T ].
0
Ist g konstant G R, dann folgt f (t) GeCt , t [0, T ].

Rt
Beweis. Setze F (t) := 0 f (s) ds und h(t) := F (t)eCt . Dann gilt unter (1.11)
h0 (t) = f (t)eCt CF (t)eCt g(t)eCt .
h(0) = 0 und Integration liefern

Z t Z t
Ct Ct 0
F (t) = e h(t) = e h (s) ds eC(ts) g(s) ds, t [0, T ].
0 0
6
Eingesetzt in (1.11) ergibt dies
Z t
f (t) g(t) + CF (t) g(t) + C eC(ts) g(s) ds, t [0, T ].
0
Bemerkung 1.10. Um die Notationen zu vereinfachen, nehmen wir im folgenden an,

dass n = m = 1. Der allgemeine Fall gilt nat
urlich analog.
Beweis von Satz 1.2. Eindeutigkeit: Seien X und X e Losungen von (1.3), also nach Defi-
nition insbesondere adaptiert und stetig. Es gilt
Z t Z t
Xt Xt =
e b(s, Xs , s ) b(s, Xs , s ) ds +
e (s, Xs , s ) (s, Xs , s ) dWs .
e
0 0
Wir konnen o.B.d.A. annehmen, dass X und X e beschrankt sind. Andernfalls lokalisiert
man die lokal beschrankten Prozesse und zeigt Gleichheit zunachst nur auf den stocha-
stischen Intervallen [[0, Tn ]] mit Tn := inf{t 0 | |Xt | |X
et | > n} T . F
ur festes n N
mussen b und auf ]]Tn , T ]] gleich Null gesetzt werden (dies sei durch den Kontrollprozess
moglich). Die abgestoppten, dem Betrage nach durch n beschrankten Prozsse X Tn und
Xe Tn sind dann Losungen der modifizierten SDE (1.3), die die Bedingungen (1.1) und (1.2)
nach wie vor erf ullt. Wenn f ur alle n N Gleichheit bis auf Ununterscheidbarkeit gilt,
mussen auch die gesamten Prozesse bis auf Ununterscheidbarkeit gleich sein.
Mit der Cauchy-Schwarzschen Ungleichung, der Jensenschen Ungleichung und der

Ito-Isometrie folgt
2
E Xt Xt e
Z t 2 Z t 2
2E b(s, Xs , s ) b(s, Xs , s ) ds + 2E
e (s, Xs , s ) (s, Xs , s ) dWs
e
0 0
Z t 2 Z t 2
2T E b(s, Xs , s ) b(s, Xs , s ) ds + 2E
e (s, Xs , s ) (s, Xs , s ) ds
e
0 0
Z t 2
2
2(T + 1)K E Xs X es ds,
0
wobei in die letzte Ungleichung die Lipschitz-Bedingung (1.1) und Fubini eingeht. Nun
2
wenden wir f ur f (t) := E Xt Xt , g = 0 und C := 2(T + 1)K 2 das Lemma von Gron-
e
wall an. Wegen der angenommenen R tBeschranktheit von X und X gilt f (t) < f
ur alle
e
t [0, T ]. Es gilt zudem f (t) C 0 f (s) ds, was mit dem Lemma f = 0 nach sich zieht.
Da X und X e als Losungen von (1.3) stetige Pfade besitzen, folgt Ununterscheidbarkeit.
7
Existenz: Wir werden eine Losung durch eine Variation des Picardschen Iterations-
ur gewohnliche Differentialgleichungen) konstruieren. Setze X (0) := x und
verfahren (f
Z t Z t
(n+1) (n)
Xt := x + b(s, Xs , s ) ds + (s, Xs(n) , s ) dWs , n = 0, 1, 2, . . . (1.12)
0 0
(1) (2) Rt
(Beispiel: b(t, x, u) = x und (t, x, u) = 0 ; Xt = x+xt, Xt = x+ 0 (x+xs) ds =
(n) (t)k
x + xt + 21 x2 t2 und allgemein Xt = x nk=0
P
k!
x exp(t) f
ur n )
Durch Induktion nach n zeigt man, dass die Integrale auf der rechten Seite von (1.12)
wohldefiniert sind. Hierf
ur braucht man Voraussetzung (1.2), die Lipschitzstetigkeit von
b und im Argument X (n) und die Tatsache, dass X (n) als stetiger adaptierter Prozess
lokal beschrankt ist.
Schritt 1: Man zeige zunachst, dass

(n) 2

E sup Xs < n N. (1.13)
0st
Man f
uhre wieder eine Induktion nach n durch. Es gilt

(n+1) 2

E sup Xs
0st
Z s 2 ! Z s 2 !
2E sup b(u, Xu(n) , u ) du + 2E sup (u, Xu(n) , u ) dWu
0st 0 0st 0
Z t Z t
2
2tE b (s, Xs(n) , s ) ds + 8E 2
(s, Xs(n) , s ) ds
0 0
Z t 2
Z t Z t
2
2(t + 4)K E ds + 2tE Xs(n)
b (s, 0, s ) ds + 8E (s, 0, s ) ds 2 2
0 0 0
Z t Z t
2 (n) 2 2 2

2t(t + 4)K E sup Xs + 2tE b (s, 0, s ) ds + 8E (s, 0, s ) ds .
0st 0 0
In die zweite Ungleichung gehen die Ito-Isometrie und die Doobschen-Ungleichung f ur qua-
dratintegrierbare Martingale ein. In die dritte Ungleichung geht die Lipschitz-Stetigkeit

Rt 2 Rt
von b und ein. Die Erwartungswerte E 0 b (s, 0, s ) ds und E 0 2 (s, 0, s ) ds sind
wegen Voraussetzung (1.2) endlich (man beachte, dass es wegen der Lipschitz-Stetigkeit
bei dieser Voraussetzung egal ist, ob man sie f ur ein x oder f
ur alle x macht).
Schritt 2: Wir wollen die Differenz
X (n+1) X (n) = M + B
abschatzen, wobei
Z t
(s, Xs(n) , s ) (s, Xs(n1) , s ) dWs

Mt :=
0
8
Z t
b(s, Xs(n) , s ) b(s, Xs(n1) , s ) ds.

Bt :=
0
M ist ein lokales Martingal. Wegen

Z t Z t
(n) (n1)
2 2
2
E (s, Xs , s ) (s, Xs , s ) ds K E Xs(n) Xs(n1) ds
0 0
Schritt 1
<
(mit der Lipschitz-Bedingung (1.1) und Fubini) ist M ein quadratintegrierbares Martingal
und mit der Doobschen Ungleichung f ur quadratintegrierbare Martingale folgt
!
Doob
E sup Ms2 4E Mt2

s[0,t]
Z t
Ito-Isometrie 2
= 4E (s, Xs(n) , s ) (s, Xs(n1) , s ) ds
0
Z t 2
2
4K E Xs(n) Xs(n1) ds . (1.14)
0
Mit der Cauchy-Schwarzschen Ungleichung und der Jensenschen Ungleichung folgt f

ur
den Anteil von endlicher Variation
Z t
2
2
Bt t b(s, Xs(n) , s ) b(s, Xs(n1) , s ) ds (1.15)
0
und da die rechte Seite von (1.15) monoton steigend ist

! Z t
2 (n) (n1)
2
E sup Bs tE b(s, Xs , s ) b(s, Xs , s ) ds
s[0,t] 0
Z t 2
tK 2 E Xs(n) Xs(n1) ds. (1.16)
0
Setze
!
n
(t) := E sup (Xs(n+1) Xs(n) )2 , n = 0, 1, 2, . . .
s[0,t]

Z t
n
(t) C n1 (s) ds, n = 1, 2, 3, . . . , t [0, T ] (1.17)
0
f
ur eine geeignete Konstante C. Es folgt aus (1.2)
Z t Z t
0 2 2
(t) CE b (s, x, s ) ds + ||(s, x, s )|| ds =: C
e < .
0 0
9
Iteriert man (1.17) und nutzt schlielich die Monotonie von 0 (u) in u aus, so erhalt man
Z t Z tZ s
n n1 2 (Ct)n 0
(t) C (s) ds C n2 (u) du ds . . . (t) (1.18)
0 0 0 n!
RtRt Rt Rt n
(da 0 0 n 0 n1 . . . 0 2 dt1 . . . dtn1 dtn = tn! ). Mit der Markovschen Ungleichung folgt

!
!
X X
P sup |Xs(n+1) Xs(n) | > 2n = P sup (Xs(n+1) Xs(n) )2 > 4n
n=1 s[0,t] n=1 s[0,t]
X
4n n (t)
n=1

0
X (4Ct)n e 4Ct < .
(t) Ce
n=1
n!
Aus dem Lemma von Borel-Cantelli folgt
(n+1) (n)
P ( sup |Xt Xt | > 2n f
ur unendlich viele n N) = 0
t[0,T ]
Demnach ist f ur P -fast alle (X (n) ())nN eine Cauchy-Folge bzgl. der Supremums-
norm. Wegen der Vollstandigkeit der Supremumsnorm existiert ein Prozess X D mit
(n)
P (supt[0,T ] |Xt Xt | 0, n ) = 1. Da Konvergenz ,,gleichmaig in Wahrschein-
lichkeit der Integranden, Konvergenz ,,gleichmaig in Wahrscheinlichkeit der Integrale
impliziert, folgt aus der Lipschitz-Stetigkeit der Funktionen b und im zweiten Argument,
dass
Z t Z t
(n)
t 7 x + b(s, Xs , s ) ds + (s, Xs(n) , s ) dWs (1.19)
0 0
ur n gegen
f
Z t Z t
t 7 x + b(s, Xs , s ) ds + (s, Xs , s ) dWs
0 0
konvergiert. Da aber (1.19) der Prozess X n+1 ist, der f ur n auch ,,gleichmaig
in Wahrscheinlichkeit gegen X konvergiert, m ussen die beiden Grenzprozesse bis auf
Ununterscheidbarkeit u bereinstimmen, d.h. X ist starke Losung der SDE (1.3).
Schritt 3: Bleibt zu zeigen, dass die eindeutige Losung die Integrierbarkeitseigen-
schaft (1.5) erf
ullt. Hierzu mache man sich zunachst klar, dass f
ur zwei Prozesse Y und
Z die Dreiecksungleichung
s
2
E sup (Ys + Zs )
0st
s
2 2
E sup Ys + 2E sup |Ys | sup |Zs | + E sup Zs
0st 0st 0st 0st
s s
2 2
E sup Ys + E sup Zs . (1.20)
0st 0st
10
2
gilt (in die zweite Ungleichung gehen die Cauchy-Schwarzsche Ungleichung und sup0st |Ys | =
2
sup0st Ys2 , sup0st |Zs | = sup0st Zs2 ein). Aus der iterativen Anwendung von (1.20)
und (1.18) folgt
s s
2 X n 2
(n) (k) (k1)
E sup Xs x+ E sup Xs Xs
0st 0st
k=1
n
r
X (Ct)k 0
x+ (t)
k=1
k!

r
X (Ct)k 0
x+ (t) < , n N.
k=1
k!
Mit Fatou folgt

2 2
E sup (Xs ) lim inf E sup Xs(n) <
0st n 0st
und somit (1.5).

Beispiel 1.11 (Ornstein-Uhlenbeck Prozess). Betrachte f
ur > 0 den Mean-Reverting
Prozess
Z t
Xt = X0 Xs ds + Wt . (1.21)
0
Die Losung von (1.21) ist offenbar gegeben durch

Z t
t
X t = X0 e + e(st) dWs , t [0, T ]. (1.22)
0
Rt
Man rechnet dies nach durch (beachte, dass e(st) 1 = s e(su) du). F ur X aus
(1.22) gilt:
Z t Z t
t (st)

Xt = X0 e + e 1 dWs + dWs
0 0
Z Z Z t
t (su)
= X0 e 1(0sut) e du dWs + dWs
R R 0
Z Z Z t
Fubini t (su)
= X0 e 1(0sut) e dWs du + dWs
R R 0
Z t Z t Z u Z t
u (su)
= X0 1 e du e dWs du + dWs
0 0 0 0
Z t Z t Z t
u u

= X0 1 e du Xu X0 e du + dWs
0 0 0
Z t
= X0 Xu du + Wt .
0
Die dritte Gleichheit folgt aus dem Satz von Fubini f
ur stochastische Integrale. F
ur die
f
unfte Gleichheit benutzt man die Definition von X in (1.22) an der Stelle u.
11
2 Stochastisches Kontrollproblem und Hamilton-Jacobi-
Bellmann Gleichung
Seien
f : [0, T ] Rn U R, (t, x, u) 7 f (t, x, u)
und
g : Rn R, x 7 g(x)
stetige Funktionen (Stetigkeit ist eigentlich eine unnotig harte Voraussetzung und kann
durch Messbarkeit ersetzt werden, wir machen sie hier aber, um die L ucken in den folgen-
den Beweisen so klein wie moglich zu halten).
Sei x Rn . Wir wollen eine zulassige Kontrolle finden, so dass zusammen mit dem
zum Zeitpunkt 0 in x gestarteten und mit kontrollierten Prozess X den Ausdruck
Z T
E f (s, Xs , s ) ds + g(XT ) . (2.1)
0
maximiert.
Beispiel 2.1. Betrachte das optimale Konsum- und Investitionsproblem in einem frik-
tionslosen Finanzmarkt mit den diskontierten Preisprozessen aus Beispiel 1.6. Der dis-
kontierte Vermogensprozess ist dann der eindimensionale Kontrollprozess und x R das
vorgegebene Startkapital der Investorin. ti , i = 1, . . . , d, soll den Anteil des Gesamt-
vermogens, das zum Zeitpunkt t im i-ten Wertpapier investiert ist, spezifizieren. Zudem
konsumiert die Investorin. DerR t akkumulierte Konsum muss absolutstetig bzgl. der verstri-
d+1
chenen Zeit sein, also Ct = 0 cs ds, wobei (ct )t[0,T ] die Konsumrate ist. c := ist eine
zusatzliche Kontrollvariable. Der Vermogensprozess ist dann formal als Losung der SDE
d d
" m
#
X X X j
i i i i i i,j
dXt = t dSt ct dt = (t Xt ) dt + e ) dWt ct dt, X0 = x,
(t Xt
i=1 i=1 j=1
definiert. Zudem setzen wir
f (t, x, ) = exp(t)( d+1 ) und g(x) = exp(T )x .
u(y) = y , (0, 1) ist die Powernutzenfunktion und die Zeitpraferenz der Investorin.
fallt oft mit dem risikolosen Zins r zusammen, was aber nicht zwingend ist.
Um das Optimierungsproblem (2.1) losen zu konnen, f uhren wir nun zunachst eine
ur festes t [0, T ] konnen wir X = X t,x, auch als
dynamische Version von (2.1) ein. F
Losung der SDE
dXs = b(s, Xs , s ) ds + (s, Xs , s ) dWs , s [t, T ], Xt = x.
12
definieren, d.h. der Prozess startet erst bei t. Die eingeschrankte SDE besitzt mit
Satz 1.2 auch eine eindeutige starke Losung. Der Prozess X = X t,x, hangt also for-
mal von seinem Startzeitpunkt, -wert und der Kontrolle ab.
Die Gewinnfunktion J (u.a. in Abhangigkeit von der gewahlten Kontrolle) ist de-
finiert als
Z T
t,x, t,x,
J (t, x, ) := E f (s, Xs , s ) ds + g(XT ) | Ft .
t
Man beachte, dass J (t, x, ) auch gegeben den Wert von x in t i.A. eine Ft -messbare
Zufallsvariable ist und keine Konstante (wieso ?)
Die Wertfunktion V ist definiert als
V (t, x) := ess supU J (t, x, )

Z T
t,x, t,x,
= ess supU E f (s, Xs , s ) ds + g(XT ) | Ft . (2.2)
t
Das essentielle Supremum in (2.2) wird offenbar u

ber eine maximumsstabile Menge
(1) (2)
von Zufallsvariablen gebildet. Seien , U. Setze
(3) := (1) 1(t,T ]A + (2) 1(t,T ](\A) ,
wobei
n Z T
(1) (1)
A := E f (s, Xst,x, , s(1) ) ds + g(XTt,x, ) | Ft
t
Z T o
(2) (2)
E f (s, Xst,x, , s(2) ) ds + g(XTt,x, ) | Ft Ft .
t
Es gilt
Z T
(3) (3)
E f (s, Xst,x, , s(3) ) ds + g(XTt,x, ) | Ft
t
Z T
(1) (1)
= 1A E f (s, Xst,x, , s(1) ) ds + g(XTt,x, ) | Ft
t
Z T
(2) (2)
+1\A E f (s, Xst,x, , s(2) ) ds
+ g(XTt,x, )
| Ft
t
Z T
t,x, (1) (1) t,x, (1)
=E f (s, Xs , s ) ds + g(XT ) | Ft
t
Z T
t,x, (2) (2) t,x, (2)
E f (s, Xs , s ) ds + g(XT ) | Ft . (2.3)
t
13
Bemerkung 2.2. Unter den gemachten Voraussetzungen existieren Versionen der be-
dingten Erwartungswerte und essentiellen Suprema, so dass die Ausnahmenullmengen
{J (t, x, ) > V (t, x)} zwar von nicht aber von t und x abhangen. Beweisidee: Kon-
struierte die Groen zunachst nur f
ur alle rationalen t, x. Die abzahlbare Vereinigung der
Ausnahemnullmengen bleibt eine Ausnahmenullmenge (abhangig von der Kontrolle ).
Wegen Stetigkeit von X t,x, in (t, x) und von f und g kann nun alles auf die Versionen
f
ur rationale t, x zur
uckgef
uhrt werden.
ur alle x Rn .
Wir setzen voraus, dass f, g 0 und V (0, x) < f
Bemerkung 2.3. Im Prinzip ist man nur an der Zahl V (0, x) f ur ein festes x Rn
interessiert also an dem Wert des Optimierungsproblems zum Startzeitpunkt mit Start-
wert X0 = x. Zur Bestimmung dieses Wertes erweist es sich allerdings als sehr n utzlich,
Aussagen u ber den ,,Zwischenwert des Optimierungsproblems zum Zeitpunkt t (0, T )
unter der Bedingung Xt = x0 zu machen (wobei x0 alle moglichen Werte durchlauft, die Xt
annehmen kann). Dazu dient die etwas allgemeinere Definition der Wertfunktion (2.2).
V (t, x) kann interpretiert werden als die erwartete Auszahlung (wenn die laufenden Aus-
zahlungen erst bei t beginnen) unter der Bedingung Xt = x und unter der Annahme, dass
man sich zwischen t und T optimal verhalt. Die Kontrolle vor t spielt offenbar keine Rolle
f
ur V (t, x) (sie beeinflusst aber i.A. den Zustand x, in dem man zum Zeitpunkt t den
Prozess X neu startet)
Theorem 2.4 (Dynamisches Programmierprinzip). Sei t [0, T ] und eine [t, T ]-wertige
Stoppzeit. Es gilt
Z
t,x, t,x,
V (t, x) = ess supU E f (s, Xs , s ) ds + V (, X ) | Ft . (2.4)
t
Zudem existieren deterministische Versionen von V (t, x) (d.h. f

ur die optimale Kontrolle
hangt die Gewinnfunktion von der Information Ft nur uber den Wert des Prozesses X in
t ab).
Beweisskizze. Sei U und eine [t, T ]-wertige Stoppzeit. Es lassen sich Versionen von
Losungsfamilien (X t,x, )t[0,T ], xR finden, so dass auerhalb einer ,,globalen P -Nullmenge
gilt
,Xt,x, ,
Xst,x, = Xs , s (2.5)
(die P -Nullmenge kann von abhangen, nicht aber von s, t, x und ). Anschaulich er-
scheint (2.5) klar: die Zuwachse des Prozesses X t,x, um die Zeitpunkte s mit s hangen
nur von s , s, dWs und dem aktuellen Wert Xst,x, des Prozesses ab. Also kann man auch
statt X t,x, eine erst bei gestartete SDE nehmen, wobei man unter Nutzung der Infor-
mation F die SDE mit dem Startwert x e = Xt,x, wahlt, d.h. in die Losungsfamilie X et,ex,
t,x,
f
ur (e
t, x
e) den zufalligen Wert (, X ) einsetzt (streng mathematisch werden wir (2.5)
hier aber nicht beweisen).
14
Bezeichne mit Ve (t, x) die rechte Seite von (2.4). F ur alle U gilt
Z
t,x,
J (t, x, ) = E f (s, Xs , s ) ds | Ft
t
Z T
t,x, t,x,
+E f (s, Xs , s ) ds + g(XT ) | Ft

Z
(2.5) t,x,
= E f (s, Xs , s ) ds | Ft
t
Z T
,Xt,x, , ,Xt,x, ,
+E f (s, Xs , s ) ds + g(XT ) | Ft

Z
t,x,
= E f (s, Xs , s ) ds | Ft
t

Z T
t,x, t,x,
,X , ,X ,
+E
E f (s, Xs

, s ) ds + g(X T

) | F | F t

|
{z }
=J (,Xt,x, ,)
Z
f (s, Xst,x, , s ) ds | Ft + E J (, Xt,x, , ) | Ft .

= E (2.6)
t
ur alle (s, y, ) gilt V (s, y) J (s, y, ) folgt aus (2.6), dass

Da f
Z
f (s, Xs , s ) ds | Ft + E V (, Xt,x, , ) | Ft
t,x,

J (t, x, ) E (2.7)
t
und damit
P (V (t, x) Ve (t, x)) = 1. (2.8)
Die umgekehrte Richtung werden wir nur skizzieren: Sei (sm , ym )mN eine dichte Folge
in [t, T ] Rn . Wegen der in (2.3) gezeigten Maximumsstabilitat folgt die Existens einer
(von m abhangigen) Folge (e k )kN mit
J (sm , ym , ek ) V (sm , ym ), P f.s., k .
Somit existiert zu jedem (sm , ym ) und jedem m > 0 eine m -optimale (,,fast optimale)
Strategie m im folgenden Sinne:
P (J (sm , ym , m ) V (sm , ym ) m ) 1 m
(Da J (sm , ym , ek ) und V (sm , ym ) Zufallsvariablen sind, kommt J (sm , ymP

, ek ) i.A. nicht
gleichmaig in an V (sm , ym ) ran). Da man m so wahlen kann, dass auch mN m klein
ist, lassen sich zu jedem > 0 Strategien finden, so dass
P (J (sm , ym , m ) V (sm , ym ) m N) 1 . (2.9)
15
Neben > 0 werde nun auch U fixiert. Wegen der Lipschitz-Stetigkeit der Ko-
effizienten
q b und ist die Losung der SDE stetig im Startwert (s, y) bzgl. der Norm
E(supu[t,T ] ||Xu ||2 ) (gleichmaig in der Kontrolle ). Da zudem f und g als stetig vor-
ausgesetzt wurden, kann gezeigt werden, dass die Wertfunktion V (s, y) stetig in s und y
ist. Damit kann aus den Strategien in (2.9) eine zulassige Kontrolle ,,zusammengeklebt
werden, die
P J (, Xt,x, , ) V (, Xt,x, ) 2 1 2

(2.10)
ullt. kann von der Form
erf
t,x,
= 1[[0,]] + m 1]],T ]]

mit m = arg min me = 1, . . . , m0 | | sm
e | + |X ym
e|
gewahlt werden, d.h. stimmt vor mit der Kontrolle u berein. Diese Wahl ist moglich,
da nur die Werte von auf dem Intervall ]], T ]] in J (, Xt,x, , ) eingehen. Da ande-

rerseits mit auf dem stochastischen Intervall ]]t, ]] mit ubereinstimmt, folgt aus
(2.6)
E(V (t, x)) E(J (t, x, ))
Z
(2.6) t,x,
= E f (s, Xs , s ) ds + E J (, Xt,x, , )

t
Z
= auf ]]t,]]
f (s, Xs , s ) ds + E J (, Xt,x, , )
t,x,

= E
t
(2.10) und J 0
Z
f (s, Xst,x, , s ) ds + E V (, Xt,x, ) h(),

E
t
wobei
E 1A V (, Xt,x, ) .

h() := 2 + sup
AF , P (A)2
Zunachst lasst man zu festem U gegen 0 laufen. Integrierbarkeit von V (, Xt,x, )

ur 0 und damit
vorausgesetzt, folgt h() 0 f
Z
f (s, Xs , s ) ds + E V (, Xt,x, ) .
t,x,

E(V (t, x)) E
t
Nun kann man auf der rechten Seite das Supremum uber alle U bilden und schlieen
Z
t,x, t,x,

E(V (t, x)) sup E f (s, Xs , s ) ds + E V (, X ) = E(Ve (t, x))
U t
und mit (2.8) P (V (t, x) = Ve (t, x)) = 1.

F
ur eine integrierbare Zufallsvariable Y gilt:
> 0 > 0 A F P (A) = E (Y 1A )
(siehe z.B. Satz 7.37 in [4]).
16
Bemerkung 2.5. Nicht f ur alle Optimierungsprobleme gibt es ein dynamisches Program-
mierprinzip. Betrachte z.B.
V (t, x) := sup E XTt,x, Varianz(XTt,x, ) .

(2.11)
U
f
ur ein > 0 (auch hier w urden Erwartungswert und Varianz des optimal kontrollier-
ten Prozesses durch die Information Ft nicht verandert, d.h. E(. . . | Ft ) = E(. . . ) und
Varianz(. . . | Ft ) = Varianz(. . . ) und wir konnen direkt ohne Bedingen auf die Informa-
tion Ft mit dem gewohnlichen Supremum arbeiten ). (2.11) konnte ein Portfoliooptimie-
rungsproblem f ur einen Erwartungswert/Varianz-Optimierer auf einem Markt mit einer
risikobehafteten Aktie mit diskontiertem Preisprozess (St )t[0,T ] sein, also
Z T Z T
sup E x + s dSs Varianz x + s dSs . (2.12)
U 0 0
Das Problem (2.11) ist zeitinkonsistent im folgenden Sinne: Nimmt man die f ur den
Zeitpunkt 0 und den Startwert x optimale dynamische Kontrolle b = (b s )s[0,T ] und be-
trachtet zum spateren Zeitpunkt t > 0 das erneuerte Optimierungsproblem mit zufalligem
Startwert Xt0,x,b , dann stellt man fest, dass die Kontrolle b (eingeschrankt auf das Inter-
vall [t, T ]) i.A. nicht mehr optimal fur das erneuerte Problem ist.
Besitzt die Aktie eine nicht-verschwindene Drift, dann besteht in (2.12) namlich die
Moglichkeit, Gewinne oder Verluste aus der Vergangenheit tendenziell auszugleichen,
was fur den Optimierer interessant ist, da es die Gesamtvarianz reduziert. Bei einem neu
gestarteten Problem entfallt dieser Anreiz. Beispiel ?
Grundlage f
ur das Dynamische Programmierprinzip ist, dass die Zielfunktion das sog.
Unabh angigkeitsaxiom erfullt. Sei eine Praferenzordnung auf der Menge der eindi-
mensionalen Wahrscheinlichkeitsverteilungen . erf
ullt das Unabhangigkeitsaxiom (in-
dependence axiom), wenn f ur alle Verteilungsfunktionen F 1 , F 2 , F 3 und (0, 1] die
Implikation
F 1 F 2 = F 1 + (1 )F 3 F 2 + (1 )F 3 (2.13)

Zur Erinnerung: Varianz(Y | G) := E((Y E(Y | G))2 | G). Es gilt die Zerlegung
Varianz(Y ) = E (Varianz(Y | G)) + Varianz(E(Y | G)).

ist also eine bin
are Relation auf der Menge der Wahrscheinlichkeitsverteilungen, d.h. sie ordnet
jedem Paar den Wert ,,wahr oder ,,falsch zu. Die Interpretation von ,,F 1 F 2 ist, dass der Agent
allige Auszahlung mit Verteilung F 1 einer zufalligen Auszahlung mit Verteilung F 2 (im strikten
eine zuf
Sinne) vorziehen w aferenzordnung muss die folgenden Eigenschaften erf
urde. Eine Pr ullen:
ur alle F 1 , F 2 gilt
Asymmetrie: F
F1 F2 = F 2 6 F 1 .
Negative Transitivit ur alle F 1 , F 2 , F 3 gilt

at: F
F1 F2 = (F 1 F 3 oder F 3 F 2 ).
17
gilt.
ur A F1 kann dann, gegeben eine Kontrolle vor 1, die optimale Kontrolle nach 1
F
separat auf den Mengen A und \ A gefunden werden. Die Teilprobleme sind lediglich
u
ber die Kontrolle vor 1 miteinander gekoppelt, da diese beide Teilprobleme beinflusst (vor
1 wei man noch nicht, ob A oder \ A eintritt). Dazu werden F 1 und F 2 aus (2.13) auf
bedingte Verteilungen der Endauszahlung gegeben, dass das Ereignis A eintritt, angewandt
und F 3 auf bedingte Verteilungen gegeben \ A. Das Unabhangigkeitsaxiom besagt, dass
eine Verbesserung der bedingten Verteilung gegeben A stets eine Verbesserung der abso-
luten Verteilung nach sich zieht unabhangig davon was die bedingte Verteilung gegeben
\ A ist.
Beim Mittelwert-Varianzproblem ist (2.13) offenbar nicht erf

ullt, da sich die Varianz
als mittlere quadratische Abweichung vom Erwartungswert bestimmt, der u ber den Ge-
samtraum gebildet wird. Dazu betrachte man fur die Praferenzordnung
F1 F2 : Varianz(X1 ) < Varianz(X2 ), wobei X1 F 1 , X2 F 2
das Beispiel: F 1 (x) = 1(x1) , F 2 (x) = 21 1(x0) + 12 1(x1) und F 3 (x) = 1(x0) (die erste
und dritte ZV ist also deterministisch mit Erwartungswert 1 bzw. 0 und die zweite ist
Bernoulli-verteilt mit Parameter 1/2). Es gilt also F 1 F 2 . Wahle nun = 1/2. 21 F 1 +
1 3
2
F ist Bernoulli-verteilt mit Parameter 1/2 und 12 F 2 + 21 F 3 ist Bernoulli-verteilt mit
Paramter 1/4. Da letztere Verteilung die kleinere Varianz hat (Varianz der Bernoulli-
Verteilung = p(1 p)), gilt 12 F 2 + 21 F 3 12 F 1 + 12 F 3 und damit (2.13) offenbar nicht.
2.1 Die Hamilton-Jacobi-Bellmann (HJB) Gleichung

Sei H : [0, T ] Rn Rn Rn,n R

> 1 >
H(t, x, p, A) := sup b(t, x, u) p + Spur[(t, x, u)(t, x, u) A] + f (t, x, u) (2.14)
uU 2
Definiere den Operator zweiter Ordnung Lu

1
Lu (t, x) := b(t, x, u)> D(t, x) + Spur[(t, x, u)(t, x, u)> D2 (t, x)],
2
wobei D und D2 den Gradienten bzw. die Hesse-Matrix der Abbildung x 7 (t, x) be-
zeichnet.
Die Wertfunktion V (t, x) ist in unserem Modellrahmen immer deterministisch (hangt

also nur von x und nicht noch zusatzlich von ab). Setzt man zusatzlich eine gewisse
Glattheit der Funktion V : [0, T ] Rn R voraus (die aber nicht in jeder Anwendung
gegeben sein muss !), dann lost V eine gewisse PDE. Dies soll nun in zwei Schritten gezeigt
werden.
18
Proposition 2.6. Nehme an, die Wertfunktion V aus (2.2) sei in C 1,2 ([0, T ), Rn ) und
ur alle u U Rk stetig. Dann gilt f
f (, , u) sei f ur alle (t, x) [0, T ) Rn
V
(t, x) + H(t, x, DV (t, x), D2 V (t, x)) 0
t
Beweis. Seien (t, x) [0, T ) Rn und u U fest. Betrachte den mit der konstanten
Kontrolle = u bei t in x gestarteten Prozess X = X t,x,u . Fur h > 0 definiere die
Stoppzeit
h := inf{s > t | s t > h oder ||Xs x|| > 1}.
ur jedes gibt es nat

F urlich ein e h() > 0, s.d. h = t + h f ur h e
h(). Aus dem
dynamischen Programmierprinzip (2.4) folgt
Z h
t,x,u t,x,u
0 V (t, x) E f (s, Xs , u) ds + V (h , Xh )
t
Z h
Ito V u
= E (s, Xs ) + (L V )(s, Xs , u) + f (s, Xs , u) ds
t t
Z h
>
E DV (s, Xs ) (s, Xs , u) dWs .
t
Da DV auf dem stochastischen Intervall ]]t, h ]] beschrankt ist, gilt

Z h
>
E DV (s, Xs ) (s, Xs , u) dWs = 0
t
und wir erhalten

Z h
1 V u
E (s, Xs ) + (L V )(s, Xs ) + f (s, Xs , u) ds 0.
h t t
Aus V C 1,2 ([0, T ), Rn ) und der Stetigkeit von X folgt zunachst, dass obige Zufallsva-
ur h 0 punktweise gegen
riable f
V
(t, x) + (Lu V )(t, x) + f (t, x, u)
t
konvergiert. Da die Zufallsvariablen gleichmaig in h beschrankt sind, folgt Konvergenz
der Erwartungswerte und damit
V
(t, x) + (Lu V )(t, x) + f (t, x, u) 0.
t
Proposition 2.7. Nehme an, die Wertfunktion erf ullt V C 1,2 ([0, T ), Rn ) und die Funk-
tion H sei stetig. Dann gilt auch die ,,Umkehrung von Proposition 2.6 also
V
(t, x) + H(t, x, DV (t, x), D2 V (t, x)) 0 (2.15)
t
19
Beweis. Sei (t0 , x0 ) [0, T ) Rn . Nehme an, dass
V
(t0 , x0 ) + H(t0 , x0 , DV (t0 , x0 ), D2 V (t0 , x0 )) < 0. (2.16)
t
Dies wollen wir zu einem Widerspruch f uhren. Insbesondere wollen wir zeigen, dass unter
der Annahme (2.16) das Supremum auf der rechten Seite von (2.4) f ur eine geeignete
Stoppzeit strikt kleiner als V (t, x) ware, also V (t0 , x0 ) < V (t0 , x0 ).
e
Ein Problem ist, dass wir noch nicht wissen, dass das Supremum V (t0 , x0 ) durch eine
dynamische Kontrolle angenommen wird. Wir wissen nur, dass es beliebig gut approxi-
miert wird, so dass wir uns etwas Luft verschaffen m
ussen.
Definiere dazu die C 1,2 ([0, T ), Rn )-Funktion

n
X
(t, x) := V (t, x) + |xi xi0 |3 + (t t0 )2 .
i=1
Der Korrekturterm ist so gewahlt, dass er im Punkt (t0 , x0 ) die Funktion und alle in (2.15)
vorkommenden Ableitungen nicht verandert, d.h.
( V )
( V )(t0 , x0 ) = 0, (D DV )(t0 , x0 ) = 0, (t0 , x0 ) = 0 (2.17)
t
und
(D2 D2 V )(t0 , x0 ) = 0. (2.18)
Wegen (2.17)/(2.18) und der (geforderten) Stetigkeit von H existiert ein > 0 mit t0 +
< T und

h(t, x) := (t, x) + H(t, x, D(t, x), D2 (t, x))
t
X n
n 2
< 0, t t0 , x R mit (t t0 ) + |xi xi0 |3 . (2.19)
i=1
ur := /2 > 0 U eine -optimale Strategie in dem Sinne, dass

Sei nun f
E (J (t0 , x0 , )) V (t0 , x0 ) .
Zu X = X t0 ,x0 , definiere die Stoppzeit
:= inf{s > t0 | (s, Xs ) 6 N }
mit
n
X
2
N := {(t, x) | (t t0 ) + |xi xi0 |3 }.
i=1
20
nimmt Werte im Intervall (t0 , t0 + ] an. Wegen der Stetigkeit von X gilt P ((, X )
N ) = 1 und damit
( V )(, X ) = = 2. (2.20)
Es gilt
Z
f (s, Xs , s ) ds + V (, X ) V (t0 , x0 )
t0
Z
(2.20)
= f (s, Xs , s ) ds + (, X ) (t0 , x0 ) 2
t0

2
Z Z Z
Ito 1
= (s, Xs ) ds + (s, Xs )b(s, Xs , s ) ds + 2
(s, Xs ) 2 (s, Xs ) ds
t0 t t0 x 2 t0 x
Z Z

+ f (s, Xs , s ) ds + (s, Xs )(s, Xs , s ) dWs 2
t0 t0 x
Z

(s, Xs ) + H(s, Xs , D(s, Xs ), D2 (s, Xs )) ds
t0 t
Z

+ (s, Xs )(s, Xs , s ) dWs 2
t0 x
(2.19)
Z

(s, Xs )(s, Xs , s ) dWs 2. (2.21)
t0 x
Die vorletzte Ungleichung folgt aus dem Supremum u ber u U in der Definition von H.

Die letzte Ungleichung folgt aus (2.19). Da x (s, Xs )(s, Xs , s ) auf ]]t0 , ]] beschrankt ist,
fallt bei der Erwartungswertbildung der dWt -Term weg und es folgt
(2.21)
Z
E (J (t0 , x0 , )) V (t0 , x0 ) E f (s, Xs , s ) ds + V (, X ) +
t0
(2.7)
E (J (t0 , x0 , )) + ,
was nat
urlich ein Widerspruch ist.
Wir haben damit gezeigt:
Theorem 2.8. Unter den Voraussetzungen der Propositionen 2.6 und 2.7 erf
ullt die
Wertfunktion die Hamilton-Jacobi-Bellmann (HJB-) Gleichung
V
(t, x) + H(t, x, DV (t, x), D2 V (t, x)) = 0, t (0, T ), x Rn .
t
2.2 Verifikationssatz
Um die Optimalitat einer Strategie zu beweisen, braucht man nat urlich gerade die Um-
kehrung von Satz 2.8: jede Losung der HJB-Gleichung ist die Wertfunktion. Diese Aussage
21
nennt man Verifikationssatz. Hat man erstmal die Wertfunktion gefunden, lasst sich die
optimale Strategie einfach aus (2.14) gewinnen, indem man f ur jedes Paar (t, x) das k-
dimensionale Maximierungsproblem

> 1 > 2
sup b(t, x, u) DV (t, x) + Spur[(t, x, u)(t, x, u) D V (t, x)] + f (t, x, u)
uU 2
lost.
Theorem 2.9. Sei v C 1,2 ([0, T ), Rn ) C([0, T ] Rn ). Erf

ullen v und f quadratische
Wachstumsbedingungen, d.h.
|v(t, x)| + |f (t, x, u)| C(1 + |x|2 ), (t, x, u) [0, T ] Rn U.
Nehme an v(T, x) = g(x), x Rn und es existiert f ur alle (t, x) [0, T ) Rn ein

b(t, x) der Funktion u 7 Lu v(t, x) + f (t, x, u), so dass
Maximierer u
v
0 = (t, x) + H(t, x, Dv(t, x), D2 v(t, x))
t
v
= (t, x) + Lub(t,x) v(t, x) + f (t, x, u
b(t, x))
t
und die SDE
dXs = b(s, Xs , u
b(s, Xs )) ds + (s, Xs , u
b(s, Xs )) dWs , Xt = x. (2.22)
zu jedem Startzeitpunkt t [0, T ] und Startwert x Rn eine eindeutige starke Losung X =

X t,x besitzt . Nehme zudem an, dass b mit bs := u
b(s, Xs ) eine zulassige Kontrolle definiert.
Dann gilt v = V und b ist eine optimale Kontrolle.
Beweis. Seien (t, x) [0, T ) Rn und U ein beliebiger Kontrollprozess. Zu dem

zugehorigen Prozess X = X t,x, definiere die Stoppzeiten
( Z s 2 )
v
m := inf s > t | (u, Xu )(u, Xu , u ) du = m T, m N.
t x
v
Da v C 1,2 ([0, T ), Rn ) ist x auf kompakten Mengen der Gestalt [0, T ] [K, K]n
beschrankt. Damit ist sichergestellt, dass P (m T, m ) = 1. Achtung: Es ist
R T v 2
nicht klar, ob (m )mN lokalisierend ist, also ob t x (u, Xu )(u, Xu , u ) du eine P -f.s.
v
endliche Zufallsvariable ist, da x bei T explodieren konnte. Es folgt (siehe [6])
Z m 2 Z m 2 !
v v
E (s, Xs )(s, Xs , s ) dWs = E (s, Xs )(s, Xs , s ) ds m <
t x t x

Formal kann man (2.22) als eine SDE auffassen, die nicht kontrolliert wird, d.h. bei der die Koeffizien-
ten in (1.3) nur von t und x abh angen. Die Koeffizienten sind durch die Abbildungen (t, x) 7 b(t, x, u
b(t, x))
und (t, x) 7 (t, x, u
b(t, x)) gegeben.
22
und
Z m
v
E (s, Xs )(s, Xs , s ) dWs | Ft = 0. (2.23)
t x
Mit der Ito-Formel und
v v
+ Lu v + f (, , u) + H(, , Dv, D2 v) = 0 u U (2.24)
t t
gilt
v(t, x)
Z m Z m
Ito v v
= v(m , Xm ) (s, Xs ) ds (s, Xs )b(s, Xs , s ) ds
t t t x
1 m 2 v
Z Z m
2 v
2
(s, Xs ) (s, Xs , s ) ds (s, Xs )(s, Xs , s ) dWs
2 t x t x
Z m Z m
v s v
= v(m , Xm ) + L v (s, Xs ) ds (s, Xs )(s, Xs , s ) dWs
t t t x
Z m
v 2
v(m , Xm ) + H(, , Dv, D v) (s, Xs ) ds
t t
Z m Z m
v
+ f (s, Xs , s ) ds (s, Xs )(s, Xs , s ) dWs
t t x
Z m Z m
v
= v(m , Xm ) + f (s, Xs , s ) ds (s, Xs )(s, Xs , s ) dWs .
t t x
Zusammen mit (2.23) folgt
Z m
v(t, x) E v(m , Xm ) + f (s, Xs , s ) ds | Ft , m N. (2.25)
t
Nun wollen wir zum Limes m u bergehen. Wegen der Stetigkeit von X gilt (m , Xm )
(T, XT ) punktweise. Zusammen mit der Stetigkeit von v auf ganz [0, T ] Rn folgt, dass
die Zufallsvariable auf der rechten Seite von (2.25) punktweise gegen
Z T Z T
v(T, XT ) + f (s, Xs , s ) ds = g(XT ) + f (s, Xs , s ) ds
t t
konvergiert. Zudem d
urfen unter den gemachten Voraussetzungen bedingte Erwartungs-
wertbildung und Limesbildung vertauscht werden, da
Z m

v(m , Xm ) + f (s, Xs , s ) ds

t
Z T
2 2
C 1 + Xm + T + |Xs | ds
t
!
C (1 + T ) 1 + sup |Xs2 | L1 (, F, P )
s[t,T ]
23
wegen (1.5). Somit gilt
Z T
v(t, x) E g(XT ) + f (s, Xs , s ) ds | Ft , U.
t
Wir m ussen noch zeigen, dass es eine zulassige Kontrolle gibt, f

ur die Gleichheit gilt. Unter
den gemachten Voraussetzungen funktioniert dies vollig analog, indem wir ausnutzen, dass
die Strategie b (2.24) mit Gleichheit erfullt.
Bemerkung 2.10. Der Beweis von Theorem 2.9 baut nicht auf Theorem 2.4 auf. In ver-
gleichbaren Situationen muss das dynamische Programmierprinzip, das in seiner groeren
Allgemeinheit (keine Glattheitannahme an die Wertfunktion) oft schwieriger zu zeigen ist,
also nicht vorab bewiesen werden.
Als Nebenprodukt von Theorem 2.9 erhalt man, dass die optimale Kontrolle Markov
ist, also nur von der Zeit und den aktuellen Werten der Zustandsvariablen abhangt.
3 Anwendungen
3.1 Portfoliooptimierung
Betrachte den Black-Scholes Markt, der aus zwei Wertpapieren, einem risikolosen Bond
und einer risikobehafteten Aktie, besteht.

0 1 1 2
St = exp(rt) und St = exp t + Wt t
2
Der vorhersehbare Prozess = (t )t[0,T ] soll hier den Anteil des Vermo gens, den
der Investor in die Aktie investiert bezeichnen. Der verbleibende Anteil 1 t des
Vermogens wird dann in den risikolosen Bond investiert (man beachte, dass der Wer-
tebereich von nicht auf [0, 1] beschrankt ist). Zudem kann der Investor wahrend der
Laufzeit [0, T ] konsumieren. Der vorhersehbare stochastische Prozess (ct )t[0,T ] bezeichne
die Lebesgue-Rate mit der der Investor konsumieren mochte. Unter der Strategie (, c)
besitzt der Vermogensprozess X = X t,x,(,c) die Dynamik
dSt1 dSt0
dXt = t Xt + (1 t )X t ct dt
St1 St0
= t Xt ( dt + dWt ) + (1 t )Xt r dt ct dt
= [Xt (r + ( r)t ) ct ] dt + Xt t dWt
Wir betrachten folgendes Optimierungsproblem

Z T
s T
V (t, x) = sup E e U1 (cs ) ds + e U2 (XT )
,c t
24
wobei U1 , U2 Nutzenfunktionen sind. Der Paramter modelliert die Zeitpaferenz der
Investorin. Sie kann sich vom riskolosen Zins r unterscheiden. soll die Bedingung
Z T
2
E |t | dt < .
0
erf
ullen.
Man sieht, dass dieses Problem in den Rahmen des stochastisches Kontrollproblems
aus Kapitel 2 fallt, wobei der Kontrollprozess (, c) offenbar zweidimensional ist.
Die HJB Gleichung zu diesem Problem lautet
v(t, x)
0 = + sup Lu v(t, x)
t uU
v(t, x)
=
t
v(t, x) 1 2 2 2 2 v(t, x)

t
+ sup [x(r + ( r)) c] + x + e U1 (c) (3.1)
R, cR+ x 2 x2
und
v(T, x) = eT U2 (x).
Bemerkung 3.1. In unserer Formulierung des Problems ist V (t, x) in Nutzeneinheiten

,,zum Zeitpunkt 0 zu verstehen (der optimale erwartete Nutzen wird also durch exp(t)
auf den Zeitpunkt 0 diskontiert). Alternativ kann man ein ahnliches Problem formulieren,

bei dem V (t, x) als Nutzeneinheiten zum Zeitpunkt t zu verstehen ist (Ubung).
Schritt 1: Das optimale Aktieninvestment und die optimale Konsumrate zum Zeit-
punkt t lassen sich nun ,,gegeben die noch unbekannte Wertfunktion v bestimmen. Unter
der Bedingung, dass x 7 v(t, x) konkav ist, lauten die hinreichenden first order conditi-
ons f
ur das Optimum in (3.1)
v(t,x)
r x
b= 2
(3.2)
x 2 v(t,x)
2 x
und

1 t v(t, x)
c=
b (U10 ) e . (3.3)
x
25
Schritt 2: Setzt man (3.2) und (3.3) in (3.1) ein, so ergibt dies die PDE
" #
2 v(t,x)

v(t, x) ( r) 0 1 v(t, x) v(t, x)
0 = + rx 2
x
2 v(t,x) (U1 ) et
t x x
x2
v(t,x)
! 2
1 2 ( r)2 2 v(t, x)

x t 0 1 t v(t, x)
+ x 2 + e U1 (U1 ) e (3.4)
2 2 x vx(t,x)
2
x2 x
" v(t,x) #
1 ( r)2 x

v(t, x) 0 1 v(t, x) v(t, x)
= + rx 2 2 v(t,x) (U1 ) et
t 2 x x
x2

1 v(t, x)
+et U1 (U10 ) et . (3.5)
x
Diese PDE muss nun gelost werden.
Bemerkung 3.2. Die Konkavitat der Wertfunktion in x musste f ur die Resultate in Ka-
pitel 2 (insbesondere f
ur das dynamische Programmierprinzip) nicht vorausgesetzt werden.
Meistens kann man aber nur mit ihr zeigen, dass das Supremum in der HJB-Gleichung
endlich ist und angenommen wird.
Beispiel 3.3. Um die Losung explizit bestimmen zu konnen, betrachten wir den Spezialfall,
dass U1 (x) = U2 (x) = 1 x , (0, 1). In diesem Fall vereinfacht sich die PDE (3.4) zu
1
v(t,x)
!
1 ( r)2 x
1
v(t, x) v(t, x) v(t, x)
+ rx 2 2 v(t,x) et
t 2 x x
x2

t 1 v(t, x) 1

t 1
+e e
x
v(t,x)
!
v(t, x) 1 ( r)2 x v(t, x)
= + rx 2 2 v(t,x)
t 2 x
x2

1
1 v(t, x)
+et/(1)
x
!
=0 (3.6)

mit Endbedingung v(T, x) = eT x . Bei der Gestalt der Nutzenfunktionen und der Dy-
namik des Aktienkurses liegt es nahe, es mit dem Ansatz
x
v(t, x) = et f (t)

zu versuchen. Setzt man dies mit den entsprechenden Ableitungen in (3.6) ein, so erhalt
man die gew ohnliche Differentialgleichung

1 ( r)2

t x

0
e f (t) f (t) r + ( 1)(f (t)) 1 =0 (3.7)
2 2 1
26
mit Endbedingung f (T ) = 1. (3.7) lasst sich schreiben als

f 0 (t) = a1 f (t) + a2 (f (t)) 1 , f (T ) = 1,
2 1
wobei a1 = 12 (r)
2

1
r + und a2 = 1. Setze h(t) := (f (t)) 1 . Die ODE wird zu
der linearen ODE
1
h0 (t) = f 0 (t) (f (t)) 1
1

1
= a1 f (t) + a2 (f (t)) 1 (f (t)) 1
1
1 1 1
= a1 f (t) 1 + a2
1 1
1 1
= a1 h(t) + a2
1 1
1
= a1 h(t) 1 (3.8)
1
mit der Endbedingung h(T ) = 1. (3.8) besitzt die eindeutige Losung

a1 1 1
h(t) = exp (T t) 1 + .
1 a1 a1
Setzt man dies wieder in v ein, so erhalt man
1
t a1 1 1 x
v(t, x) = e exp (T t) 1 + .
1 a1 a1
Setzt man die Wertfunktion in die Ausdr
ucke f
ur die optimale Strategie in (3.2) und (3.3)
ein, so erhalt man
v(t,x)
r x r 1
bt =
2 =
2 x v(t,x)
2
2 1
x
und

1 t v(t, x) 1
ct =
b (U10 ) e = (f (t)) 1 Xt .
x
Fur 6= 0, = r = 0 ist a1 < 0, die Funktion f (t) somit monoton fallend und damit ist
1
(f (t)) 1 monoton steigend. Der Konsum ist also proportional zum aktuellen Vermogen
und wachst ceteris paribus mit der Zeit. Dies liegt daran, dass bei einer langen Restlauf-
zeit als gunstig empfundene Gewinnmoglichkeiten bestehen, die bei sofortigem Konsum
des Vermogens nicht realisert werden konnten.
Der Vermogensprozess X = X t,x,(b,bc) zu der optimalen Strategie erf

ullt die SDE
( r)2 1

1 r 1
dXt = Xt r + 2
(f (t)) 1 dt + Xt 2 dWt
1 1
27
Die Koeffizienten unterscheiden sich von der Standard-Geometrischen Brownschen Be-
wegung nur um zeitabhangige aber deterministische Faktoren. Mit dem Verifikations-
satz Theorem 2.9 folgt, dass (b
, b
c) eine optimale Kontrolle ist.
28
4 Ein Steilkurs in L
evy-Prozessen
Definition 4.1 (Levy-Prozess). Ein adaptierter Prozess X = (Xt )tR+ mit càdlàg Pfaden,
Werten in Rd und X0 = 0 ist ein L evy-Prozess, wenn er folgende Eigenschaften erf ullt
(i) Unabhangige Zuwachse: f ur alle n N, 0 t1 . . . tn sind die Zufallsvariablen
Xt1 , Xt2 Xt1 , . . . , Xtn Xtn1 stochastisch unabhangig.
ur alle 0 s t haben die Zufallsvariablen Xt Xs und

(ii) Stationare Zuwachse: f
Xts die gleiche Verteilung.
Bemerkung 4.2. Man nennt einen Prozess, der die Bedingungen aus Definition 4.1
erf
ullt auch einen intrinsischen Levy-Prozess. Allgemeiner kann man einen Levy-Prozess
bzgl. eine Filtration (Ft )tR+ definieren. (ii) wird dann durch die Forderung ersetzt, dass
ur alle 0 t1 t2 die Zufallsvariable Xt2 Xt1 stochastisch unabhangig von der -
f
Algebra Ft1 ist. F ur die von X erzeugte Filtration (FtX )tR+ sind die Definitionen dann
aquivalent.
Bemerkung 4.3. Wenn X càdlàg Pfade besitzt und Bedingung (ii) erf
ullt, kann man
daraus
(iii) Stochastische Stetigkeit:
lim P (||Xt+h Xt || > ) = 0, > 0, t R+

h0
folgern. Offensichtlich folgt aus der Rechtsstetigkeit von X Eigenschaft (iii) mit der Ein-
schrankung h 0 und h > 0. Die Konvergenz gilt dann aber auch f ur h < 0, da Xt+h Xt
und Xt Xth mit (ii) die gleiche Verteilung haben.
(iii) bedeutet, dass der Prozess zu einem vorgegebenen Zeitpunkt t R+ nur mit
Wahrscheinlichkeit 0 springt. Da aber R+ uberabzahlbar ist, bedeutet dies nicht, dass der
Prozess wahrend der gesamten Zeit nur mit Wahrscheinlichkeit 0 springt.
Bemerkung 4.4. Jeder Levy-Prozess X ist bzgl. seiner nat urlichen Filtration (FtX )tR+
ein Semimartingal. Dies folgt aus der Levy-Ito Zerlegung (Theorem 4.20). Ohne Benut-
zung des Theorems konnen wir die Aussage bereits plausible machen, wenn wir zusatzlich
E(|Xt |) < fordern (was aber nicht jeder Levy-Prozess erfullt). Es gilt dann E(Xt ) =
tE(X1 ) (wieso ?) und der Prozess t 7 Xt E(Xt ) ist wegen (i) ein (FtX )tR+ -Martingal.
Definition 4.5 (Unendliche Teilbarkeit). Eine Verteilungsfunktion F auf dem Rd heit
unendlich teilbar, wenn es zu jedem n N unabhangig, identisch verteilte Zufallsvaria-
blen Y1 , . . . , Yn gibt, so dass die Summe Y1 + . . . + Yn die Verteilungsfunktion F besitzt.
Theorem 4.6. Sei X = (Xt )tR+ ein Levy-Prozess. Dann besitzt f ur jedes t R+ der
Zufallsvektor Xt eine unendlich teilbare Verteilungsfunktion. Umgekehrt existiert zu jeder
unendlich teilbaren Verteilungsfunktion F ein Wahrscheinlichkeitsraum (, F, P ) auf dem
ein Levy-Prozess X = (Xt )tR+ definiert ist, so dass X1 wie F verteilt ist.
29
Proof. ,, Sei X ein Levy-Prozess, t > 0 und n N. Offenbar gilt
n
X
Xt = X kt X (k1)t
n n
k=1
und die Zufallsvariablen X nt , X 2t X 1t , . . . , Xt X (n1)t sind i.i.d. Also ist die Verteilung
n n n
von Xt unendlich teilbar.
,, Siehe z.B. Theorem 7.10 in Sato [10] (Den Beweis werden wir hier nicht f
uhren,
aber es wird spater klar werden, wie X konstruiert werden kann).
Bemerkung 4.7. Auer der Einpunkt-Verteilung ist keine Wahrscheinlichkeitsvertei-
lung, die nur Werte aus einer kompakten Menge annimmt, unendlich teilbar.
Wenn eine d-dimensionale Verteilungsfunktion unendlich teilbar ist, m ussen auch die
Randverteilungen unendlich teilbar sein. Daher reicht es, den eindimensionalen Fall zu
beweisen. Nehme also an, dass P (Y [a, b]) = 1 und Y = Y1 + . . . , Yn , wobei Yi i.i.d. Es
gilt P (Y1 > b/n)n = P (Y1 > b/n, . . . , Yn > b/n) P (Y > b) = 0 und P (Y1 < a/n)n =
P (Y1 < a/n, . . . , Yn < a/n) P (Y < a) = 0. Es folgt P (Y1 [a/n, b/n]) = 1 und damit
2 2
Var(Y1 ) ban
ur die Varianz von Y bedeutet dies Var(Y ) = nVar(Y1 ) (ba)
. F n
. Da

diese Uberlegung f ur jedes n N gilt, folgt Var(Y ) = 0.
Alle auf kompakten Zeitintervallen beschrankten Levy-Prozesse sind also lineare Funk-
tionen in der Zeit, d.h. Xt = t.
Proposition 4.8 (Charakteristische Funktion eines Levy-Prozesses). Sei X = (Xt )t[0,T ]
ein Rd -wertiger Levy-Prozess. Dann existiert eine stetige Funktion : Rd C, die wir
charakteristischen Exponenten des Prozesses X nennen wollen, so dass
E(exp(iu> Xt )) = et(u) , u Rd , t R+ . (4.1)
Die Verteilung von Xt , t R+ , ist durch die Verteilung von X1 eindeutig bestimmt.
ur jedes t R+ die charakteristische Funktion des Zufallsvek-
Beweisskizze. Definiere f
tors Xt
Xt (u) := E(exp(iu> Xt )), u Rd .
Sei s t. Da Xt = Xs + Xt Xs und die Zufallsvektoren Xs und Xt Xs stochastisch

unabhangig sind und letzterer die gleiche Verteilung wie Xts besitzt, gilt
Xt (u) = E[exp(iu> Xt )]
= E[exp(iu> Xs + iu> (Xt Xs ))]
= E[exp(iu> Xs )]E[exp(iu> (Xt Xs ))]
= E[exp(iu> Xs )]E[exp(iu> Xts )]
= Xs (u)Xts (u), u Rd . (4.2)
30
ur alle q N gilt
Aus (4.2) folgt, dass f
q
X1 (u) = X1/q (u) , u Rd . (4.3)
Man kann zeigen, dass f ur charakteristische Funktionen von unendlich teilbaren Vertei-
lungsfunktionen gilt X1 (u) 6= 0 fur alle u R (siehe z.B. Lemma 7.5 in Sato [10]). Es
existiert eine eindeutige stetige Funktion f : C C mit f (0) = 0 und exp(f (u)) =
X1 (u) fur alle u R. f wird der ,,ausgezeichnete Logarithmus von X1 genannt, d.h.
ln(X1 ) := f . Des weiteren existiert eine eindeutige stetige Funktion g : C C mit
g(0) = 1 und g(u)q = X1 (u) f ur alle u R (die q-te Faltungswurzel von X1 ist also
als stetige Funktion eindeutig definiert). Zwischen f und g besteht der Zusammenhang
g(u) = exp(f (u)/q) (siehe Lemma 7.6 in [10] f ur diese Aussagen). Zusammen mit (4.3)
und der Stetigkeit von u 7 X1/q (u) folgt

ln (X1 (u))
X1/q (u) = exp , u Rd . (4.4)
q
ur alle p N gilt
Wiederum aus (4.2) folgt, dass f
p
Xp/q (u) = X1/q (u) , u Rd .
Wir gehen analog zu oben vor. Statt der q-ten Wurzel aus X1 ziehen wir die p-te Wurzel
aus Xp/q und erhalten

ln Xp/q (u)
X1/q (u) = exp , u Rd . (4.5)
p
ur alle p, q N
Aus (4.4) und (4.5) folgt f

ln Xp/q (u)
ln (X1 (u))

exp = exp , u Rd .
p q
Bildet man von beiden Seiten die p-te Potenz ergibt dies

p
exp ln Xp/q (u) = exp ln (X1 (u)) , u Rd , (4.6)
q
wobei die linke Seite mit Xp/q (u) u
bereinstimmt.
Aus Eigenschaft (iii) in Bemerkung 4.3 und majorisierter Konvergenz folgt, dass f
ur
jedes u die Abbildung t 7 Xt (u) stetig ist. Damit u
bertragt sich (4.6) auch auf die
irrationalen t und es folgt
Xt (u) = et ln(X1 (u)) , t R+ , u Rd .
Setze (u) := ln(X1 (u)). Da sich aus X1 eindeutig bestimmt, ist die Verteilung von
Xt durch die Verteilung von X1 eindeutig festgelegt.
31
Theorem 4.9 (Levy-Khintchine Formel). Sei F eine eindimensionale Wahrscheinlich-
keitsverteilung und
(u) := ln(E(exp(iuY ))), uR
der charakteristische Exponent von F (wobei Y F ) . F ist genau dann unendlich teilbar,
wenn
R es ein Tripel (, , ) gibt, wobei R, R+ und ein Ma auf R \ {0} mit
R
(1 x2 )(dx) < , so dass gilt
Z
1 2 2
eiux 1 iux1{|x|1} (dx), u R.

(u) = iu u + (4.7)
2 R
Zudem ist das Tripel durch die Wahrscheinlichkeitsverteilung eindeutig gegeben.
Definition 4.10. aus (4.7) wird Levy-Ma und (, , ) Levy-Tripel der unendlich
teilbaren Verteilungsfunktion F genannt.
Bemerkung 4.11. Der Term iux1{|x|1} in (4.7) sichert die Integrierbar bzgl. des Ma-
es . Dies sieht man an einer Taylorentwicklung der Funktion x 7 eiux im Nullpunkt
und der geforderten -Integrierbarkeit
R von x 7 1 x2 . Man beachte jedoch, dass, wenn
ein endliches Ma ist, der Term R iux1{|x|1} (dx) mit dem Term iu zusammengefasst
werden kann und damit in der Darstellung verschwindet.
Auf einen vollstandigen Beweis von Theorem 4.9 verzichten wir. Das folgende Beispiel
macht jedoch eine Richtung des Theorems (aus der Darstellung (4.7) folgt die unendliche
Teilbarkeit) f
ur wesentliche Spezialfalle deutlich. Die umgekehrte Richtung (unendliche
Teilbarkeit impliziert Darstellung (4.7)) folgt aus der nicht bewiesen Richtung von Theo-
rem 4.6 und Theorem 4.20 (Levy-Ito Zerlegung), das wir ohne Benutzung von Theorem 4.9
beweisen werden (kommt spater).
Beispiele 4.12. (i) Normalverteilung. Sei Y N (, 2 ). Es gilt

1 2 2
E (exp(iuY )) = exp iu u , u R.
2
Die n-te Wurzel betragt

2 !
1
exp i u u2 ,
n 2 n

was die Verteilungsfunktion der Normalverteilung mit Erwartungswert n
und Vari-
2
anz n ist.
( = 0 liefert nat
urlich die Einpunkt-Verteilung)

ln(. . . ) ist wiederum als der ,,ausgezeichnete Logarithmus der stetigen komplexwertigen Funktion
u 7 E(exp(iuY )) zu verstehen.
32
(ii) Zusammengesetzte Poisson-Verteilung. Sei N eine Poisson-verteilte Zufalls-
variable mit Parameter > 0 und (k )kN eine i.i.d. Folge von Zufallsvariablen mit
Verteilungsfunktion F , die unabhangig von N ist. Es gilt
PN X Pn n
E e iu k=1 k = E e iu k=1 k e
n0
n!
n
X Z n
= e iux
F (dx) e
n0 R n!
Z n

R
eiux F (dx)
X

R
eiux F (dx) iux 1
= e e R e R e F (dx)
n0 R n!
| {z }
=1
= e R (e 1) F (dx) .
iux
R

(4.8)
Aus der Darstellung folgt sofort, dass die n-te Wurzel der charkteristischen Funktion
die charakteristische Funktion einer zufalligen Summe mit Poisson-Parameter n
PN
ist (und der gleichen Verteilung der Summanden R k ). Damit ist k=1 k unendlich
teilbar. Das Levy-Tripel ist gegeben durch = 0<|x|1 xF (dx), = 0 und (dx) =
F (dx).
(iii) Gammaverteilung. Betrachte f ur , r > 0 das Wahrscheinlichkeitsma mit Dichte

r r1 x
(r)
x e : f
ur x > 0
f,r (x) =
0 ur x 0.
: f
R
wird als Groenparameter und r als Formparameter bezeichnet. (r) := 0 tr1 exp(t) dt
bezeichnet die Gamma-Funktion (f ur n N gilt (n) = (n 1)!).
ur r N ist die Gammaverteilung die Verteilung der Summe von r unabhangigen,
F
exponentialverteilten Zufallsvariablen mit gleichem Parameter . Der Zeitpunkt Y
des r-ten Sprungs eines Poisson-Prozesses N mit Parameter ist also eine gam-
maverteilte Zufallsvariable. F
ur alle t > 0 gilt namlich
r1 t
(t)k r
X Z
t
P (Y t) = P (Nt r) = 1 e = xr1 ex dx,
k=0
k! 0 (r 1)!
wobei sich die letzte Gleichung durch Differentiation nach t ergibt (die Produktregel
f
uhrt zu einer Teleskopsumme).
Wir rechnen zunachst die Laplace-Transformierte der Gammaverteilung aus. F

ur
33
alle R+ gilt
Z Z
r
ex f,r (x) dx = r ( + )(( + )x)r1 e(+)x dx
0 ( + ) (r) 0
Z
y:=(+)x r
= r y r1 ey dy
( + ) (r) 0
r
=
( + )r
1
= r . (4.9)
1 +
Auf
R dem Gebiet G := {a + bi | a R , b R} sind die Funktionen (a + bi) 7
(a+bi)x 1
e f,r (x) dx und (a + bi) 7 1 a+bi r endlich und holomorph. Wegen (4.9)
0 ( )
ist die komplexe Null Haufungspunkt der Menge, wo die beiden Funktionen u berein-
stimmen. Da beide Funktionen holomorph sind, folgt mit dem Identitatssatz, dass
sie auf ganz G u bereinstimmen. Insbesondere folgt f ur die charakteristische Funktion
Z
1
eiux f,r (x) dx = r
0 1 iu
(4.10)
Mit
" #n
1 1
r =
1 iu iu r/n

1
folgt die unendliche Teilbarkeit der Gammaverteilung (die n-te Wurzel der Vertei-
lung ist sogar wieder eine Gamma-Verteilung, nun mit Parameter (, r/n)).
F
ur das Levy-Tripel erhalten wir
Z 1
= x(dx), (4.11)
0
= 0 und
rx1 ex dx : f

ur x > 0
(dx) =
0 ur x 0.
: f
Dies kann man mit folgendem Lemma zeigen
Lemma 4.13 (Frullani Integral). Fur alle , r > 0 und z C, s.d. Re(z) 0 gilt
Z
1 1
= exp (1 exp(zx))rx exp(x) dx .
(1 z/)r 0
34
Mit dem Lemma folgt f
ur den charakteristischen Exponenten
Z
iux
1 x iu
(u) = r e 1 e dx = r ln 1 , u R. (4.12)
0 x
Die Wahl von a in (4.11) garantiert nun, dass der Ausdruck iu1|x|1 in dem Inte-
gral nach kompensiert wird und daher im mittleren Term von (4.12) nicht mehr
vorkommt.
Nach Theorem 4.6 existiert ein Levy-Prozess (Xt )tR+ , so dass X1 gammaverteilt
ist. Ein solcher Prozess wird Gamma-Prozess genannt.
Wie man in (ii) sieht, muss die Levy-Khintchine R Formel fur einen zusammenge-
setzten Poisson-Prozess die Gestalt (u) = R (eiux 1) F (dx) mit F (R) = 1 be-
sitzen. Insbesondere ist das Levy-Ma eines zusammengesetzten Poisson-Prozesses
endlich, also (R) < . Der Gamma-Prozess ist demnach kein zusammengesetzter
Poisson-Prozess. Er besitzt unendlich viele Spr unge. Der Gamma-Prozess ist nicht-
fallend, besitzt also trotz der unendlich vielen Spr
unge endliche Variation (Offenbar
ist jeder Levy-Prozess X mit P (X1 0) = 1 nicht-fallend).
(i) und (ii) aus Beispiel 4.12 zusammen mit Bemerkung 4.11 und der Tatsache, dass
die Faltung zweier unendlich teilbaren Verteilungsfunktionen wieder unendlich teilbar ist,
zeigen eine Richtung von Theorem 4.9 (aus der Darstellung (4.7)R folgt die unendliche
ur den Spezialfall, dass ein endliches Ma ist, also R 1 (dx) < .
Teilbarkeit) f
4.1 Poisson-Zufallsma
Definition 4.14 (Poisson-Zufallsma). Sei (, F, P ) ein Wahrscheinlichkeitsraum, E
Rn und ein -endliches Ma auf B(E) . Ein Poisson-Zufallsma M auf B(E) mit
Intensitatsma ist eine Abbildung
M : B(E) N0 {+}, (, A) 7 M (, A)
mit den Eigenschaften

(i) Fur P -fast alle ist M (, ) ein N {+}-wertiges Radon-Mak auf E und
ur alle A B(E) ist M (, A) eine N {+}-wertige Zufallsvariable.
f
ur jedes A B(E) mit (A) < ist M (, A) eine Poisson-verteilte Zufallsvariable

(ii) F
mit Parameter (A), d.h.
((A))k
P (M (, A) = k) = exp((A)) , k N.
k!
ur A B(E) mit (A) = gilt P (M (, A) = ) = 1.
F

S
-endlich : (En )nN B(E) mit E = nN En und (En ) < n N.
k
D.h. kompakte Mengen haben endliche Masse.
35
(iii) Seien m N und A1 , . . . , Am B(E) disjunkt. Dann sind die Zufallsvariablen
M (, A1 ), . . . , M (, Am ) stochastisch unabhangig.
Bemerkung 4.15. Im Folgenden ist E = R+ (Rd \ {(0, . . . , 0)}, wobei die erste Kom-
ponente die Zeit modelliert.
Definition 4.16. Sei X = (Xt )tR+ ein Rd -wertiger stochastischer Prozess mit càdl` ag
d
Pfaden. Definiere das zufallige Ma JX : B(R+ (R \ {(0, . . . , 0)})) N0 {+}
JX (A) = #{t | Xt 6= 0 und (t, Xt ) A}, A B(R+ Rd ).
JX wird als Sprungma des Prozesses X bezeichnet (#{. . . } ist die Anzahl der Elemente
einer Menge, Xt 6= 0 bedeutet nat
urlich nur, dass in mindestens einer der d Komponen-
ten ein Sprung stattfindet).
Da zu festem > 0 jeder Prozess mit càdlàg Pfaden auf dem Zeitintervall [0, T ]
hochstens endlich viele Spr
unge besitzt, die dem Betrag nach groer als ist, ist JX ein
-endliches Ma, das auf [0, T ] (R \ [, ])d endlich ist.
Definition 4.17 (Levy-Ma). Sei X = (Xt )tR+ ein Rd -wertiger Levy-Prozess. Das Ma
: B(Rd ) [0, ] definiert durch
(B) := E (# {t [0, 1] | Xt 6= 0, Xt B}) , B B(Rd )
wird als Levy-Ma bezeichnet.
(Man beachte, dass das Levy-Ma aus Theorem 4.9 bzgl. einer Verteilung und nicht
bzgl. eines Levy-Prozesses definiert war. Ein Zusammenhang zwischen den beiden Maen
wird in Bemerkung 4.26 hergestellt werden)
Proposition 4.18. Sei X = (Xt )tR+ ein zusammengesetzter Poisson-Prozess, d.h. Xt =

PNt
i=1 i , wobei N ein Poisson-Prozess mit Parameter > 0 ist und (i )iN eine i.i.d. Folge
von Zufallsvariablen mit Verteilungsfunktion F , die unabhangig von N ist. Dann ist JX
ein Poisson-Zufallsma auf R+ Rd mit Intensitatsma (dt dx) = dtF (dx).
Proof. Ad Eigenschaft (ii): Sei A = (t1 , t2 ] B. Mit einer analogen Rechnung wie in
36
Beispiel 4.12(ii) gilt

Nt2
X
E exp iu 1(j B)
j=Nt1 +1
n
!!
X X
(t2 t1 ) ((t2 t1 ))n
= E exp iu 1(j B) e
n0 j=1
n!
X n ((t2 t1 ))n
= eiu P (1 B) + 1 P (1 B) e(t2 t1 )
n0
n!
iu
= e(t2 t1 ) e(t2 t1 )((e 1)P (1 B)+1)
X iu n 1
e(t2 t1 )((e 1)P (1 B)+1) (t2 t1 )((eiu 1)P (1 B) + 1)
n0
n!
| {z }
=1
= exp (t2 t1 )(eiu 1)P (1 B) , u R.

Dies ist die charakteristische Funktion der Poisson-Verteilung zum Parameter (t2
t1 )P (1 B).
Ad Eigenschaft (iii): Nun wollen wir Unabhangigkeit von JX (A1 ) und JX (A2 ) f ur
A1 A2 = zeigen. Betrachte zunachst den Fall A1 = (t1 , t2 ] B1 und A2 = (t1 , t2 ]
B2 mit B1 B2 = . Wir berechnen die charakteristische Funktion der Zufallsvariablen
(JX (A1 ), JX (A2 )).
E (exp (iuJX (A1 ) + ivJX (A2 )))

Nt2 Nt2
X X
= E exp iu 1(j B1 ) + iv 1(j B2 )
j=Nt1 +1 j=Nt1 +1
X
iu iv
n (t2 t1 ) ((t2 t1 ))n
= e P (1 B1 ) + e P (1 B2 ) + 1 P (1 B1 ) P (1 B2 ) e
n0
n!
= exp (t2 t1 ) (e 1)P (1 B1 ) + (eiv 1)P (1 B2 )
iu
= exp (t2 t1 )(eiu 1)P (1 B1 ) exp (t2 t1 )(eiv 1)P (1 B2 )

= E (exp (iuJX (A1 ))) E (exp (ivJX (A2 ))) , u, v R. (4.13)
Damit sind JX (A1 ) und JX (A2 ) unabhangig. F ur A1 = (s1 , s2 ] B1 und A2 = (t1 , t2 ]

B2 mit 0 s1 s2 t1 t2 < gilt die Aussage wegen der Unabhangigkeit der
Zuwachse eines zusammengesetzen Poisson-Prozessen. Wegen der Additivitat von JX gilt
ur den durchschnittsstabilen Erzeuger {(t1 , t2 ]B | B B(Rd \{(0, . . . , 0)})}
die Aussage f
von B(R+ (Rd \ {(0, . . . , 0)})) und somit (wegen -Additivitat von JX und ) auch f ur
die gesamte -Algebra.

P n P (ba)n
n=0 bn an! exp(a) = n=0 n! exp(ba) exp(ba) exp(a) = exp((b 1)a)
37
Ein zusammengesetzter Poisson-Prozess X kann also geschrieben werden als
X Z
Xt = Xs = xJ(ds dx).
st [0,t]Rd
Proposition 4.19. F
ur einen zusammengesetzten Poisson-Prozess X mit endlicher Va-
rianz gilt
Z Z
E(Xt ) = t xF (dx), Var(Xt ) = t x2 F (dx).
R R
Proof. Folgt mit Darstellung (4.8) der charakteristischen Funktion:

PN
t
E eiu k=1 k
R
exp t R (eiux 1) F (dx)
=
u Z u Z
iux iux

= ti xe F (dx) exp t e 1 F (dx) , u R,
R R
und damit
PN
t
2 E eiu k=1 k Z Z 2
2 2 2
= t x F (dx) t x F (dx) .
u2

u=0 R R
Es folgt
PN
t
iu k=1
1 E e k Z
E(Xt ) = = t x F (dx)

i u

u=0 R
und
PNt
2 iu k=1 k
E e Z Z 2
E(Xt2 ) = = t 2
x F (dx) + t 2 2
x F (dx) .

u2

u=0 R R
F
ur die Varianz bedeutet dies
Z
Varianz(Xt ) = E(Xt2 ) (E(Xt )) = t 2
x2 F (dx).
R
Theorem 4.20 (Levy-Ito Zerlegung). Sei X = (Xt )tR+ ein Rd -wertiger Levy-Prozess
mit Levy-Ma aus Definition 4.17. Es gilt
(i) ist ein -endliches Ma auf Rd \ {0} f
ur das gilt
Z Z
2
|x| (dx) < and (dx) < .
|x|1 |x|1
38
(ii) Das Sprungma von X, das wir mit JX bezeichnen, ist ein zufalliges Poisson-Ma
auf R+ Rd mit Intensitat e(dx) := (dx)dt.
(iii) Es existiert ein Rd und eine d-dimensionale Brownsche Bewegung (Bt )tR+ mit
Kovarianzmatrix A Rdd s.d.
Xt = t + Bt + Xt1 + lim X
et (4.14)
0
wobei
Z
Xt1 := xJX (ds dx)
0st, |x|>1
Z
et :=
X x(JX (ds dx) e(ds dx))
0st, |x|1
Z
= xJeX (ds dx)
0st, |x|1
mit JeX := JX e (die Differenz ist wohldefiniert). Die Prozesse X 1 , Xe und B

ur T R+
sind unabhangig voneinander. Die Konvergenz in (4.14) gilt P -f.s. und f
gleichmaig in t [0, T ].
(Offenbar sind und A durch den Levy-Prozess eindeutig bestimmt)
Definition 4.21. (, A, ) wird das charakteristische Tripel des Levy-Prozesses X

genannt.
Zum Beweis von Theorem 4.20 benotigen wir folgendes Lemma.
Lemma 4.22. Sei (Xt , Yt )tR+ ein Levy-Prozess. Wenn Y ein zusammengesetzter Poisson-
Prozess ist und X und Y niemals zusammen springen, d.h. P (Xt Yt = 0, t R+ ) = 1,
dann sind die Prozesse stochastisch unabhangig voneinander.
ur alle s t die Zufallsvariablen

Beweisskizze. Schritt 1: Zunachst zeigen wir, dass f
Xt Xs und Yt Ys unabhangig voneinander sind. O.B.d.A. s = 0 und t = 1. F ur alle
u, v R betrachte die Prozesse
exp(iuXt ) exp(ivYt )
Mt = und Nt = , t 0.
E[exp(iuXt )] E[exp(ivYt )]

Eine d-dimensionale Brownsche Bewegung ist ein Prozess, der sich als lineare Transformation einer
d-dimensionalen Standard-Brownschen Bewegung B e schreiben lasst, d.h. B = C B e f
ur eine Matrix C
(die Komponenten von B sind stochastisch unabhangig). Die Zuwachse von B sind also multivariat
e
normalverteilt (was mehr ist als normalverteilte Komponenten !) Fur die Kovarianzmatrix gilt A = C > C.
Man beachte, dass B = 0 nicht ausgeschlossen ist, was bedeuten w urde, dass der Brownsche Anteil in
(4.14) verschwindet.
39
Man beachte, dass wegen der unendlichen Teilbarkeit von Xt und Yt die charakteristischen
Funktionen E[exp(iuXt )] und E[exp(ivYt )] nicht verschwinden konnen, siehe Lemma 7.5
ur s t gilt
in Sato [10]. F
exp(iuXt ) exp(iuXs ) exp(iu(Xt Xs ))

=
E[exp(iuXt )] E[exp(iuXs )] E[exp(iu(Xt Xs ))]
und Xt Xs ist stochastisch unabhangig von (Xu , Yu )0us . Damit ist M (und analog
N ) ein komplexwertiges Martingal bzgl. der von X und Y erzeugten Filtration (d.h.
Re(M ) und Im(M ) sind reellwertige Martingale). Zudem sind M und N auf kompakten
Zeitintervallen beschrankt.
N hat endliche und sogar integrierbare Variation auf [0, 1]. F
ur jedes n folgt aus der
Martingaleigenschaft beider Prozesse
" n #
X
E(M1 N1 ) 1 = E Mk/n Nk/n M(k1)/n N(k1)/n
" k=1
n
# " n
#
X X
= E M(k1)/n Nk/n N(k1)/n +E N(k1)/n Mk/n M(k1)/n
k=1 k=1
| {z }
=0
" n
#
X
+E Mk/n M(k1)/n Nk/n N(k1)/n
" nk=1 #
X
= E Mk/n M(k1)/n Nk/n N(k1)/n
k=1
Z 1

= E M[(sn+1)]/n M[(sn)]/n dNs ,
0
wobei [. . . ] die Gauklammer bezeichnet und

u 1 : f
ur u N
[u] =
[u] : sonst.
Fur n konvergiert der Integrand punktweise gegen M (hierzu beachte man, dass
[(sn)]/n < s [(sn + 1)]/n f ur alle s > 0), was wegen der Stetigkeit des Integrals
Z 1 Z 1 " #
X
E M[(sn+1)]/n M[(sn)]/n dNs E Ms dNs = E Ms Ns = 0
0 0 st
Also gilt E(M1 N1 ) = 1 und damit
E [exp(iuX1 ) exp(ivY1 )] = E [exp(iuX1 )] E [exp(ivY1 )] , u, v R.
D.h. X1 und Y1 sind unabhangig.
40
Schritt 2: Seien n N und t1 . . . tn . Aus Schritt 1 und der Unabhangigkeit der
Zuwachse von (X, Y ) folgt die gemeinsame Unabhangigkeit der 2n Zufallsvariablen
Xt1 , Yt1 , Xt2 Xt1 , Yt2 Yt1 , . . . , Xtn Xtn1 , Ytn Ytn1
(die charakteristische Funktion dieses 2n-dimensionalen Zufallsvektors lasst sich fakto-

risieren). Damit sind insbesondere die beiden Zufallsvektoren (Xt1 , Xt2 , . . . , Xtn ) und
(Yt1 , Yt2 , . . . , Ytn ) voneinander stochastisch unabhangig.
Lemma 4.23. Sei E Rn und M ein Poisson-Zufallsma auf B(E) mit Intensitat .
F
R ur fjede Menge B B(E) und jede messbare Funktion f : E C mit (B) < und
(x)
B
e (dx) < gilt
Z Z
f (x)

E exp f (x)M (dx) = exp e 1 (dx)
B B
ur Elementarfunktionen, d.h. f = m
P
Proof. F k=1 k 1Ak , k C, Ak B(E), A1 , . . . , Am
disjunkt, gilt die Aussage mit der gleichen Rechnung wie in (4.13).
Beweis von Theorem 4.20 ohne Benutzung von Theorem 4.9.
1. Schritt: F
ur > 0 definiere
Z

Xt :=
b xJX (ds dx)
0st, |x|1
und R := X X b . X
b ist ein zusammengesetzter Poissonprozess. Offenbar ist (X
b , R )
wieder ein Levy-Prozess. Nehme ein beliebiges u 6= 0 und t > 0. Es gilt E(exp(iuXt )) 6= 0
(siehe Lemma 7.5 in Sato [10]) und damit
|E(exp(iuXt ))| > 0.

b und R unabhangig sind, gilt
Da mit Lemma 4.22 die Prozesse X
bt ))E(exp(iuRt ))
E(exp(iuXt )) = E(exp(iuX
Da |E(exp(iuRt ))| E(| exp(iuRt )|) = 1 ist |E(exp(iuX

b ))| gleichmaig in von der
t
Null entfernt. Aus Lemma 4.23 folgt
Z
iux

exp t
e 1 (dx) C > 0
|x|1
was
Z Z
iux

< ln(C) Re t e 1 (dx) = t (cos(ux) 1) (dx)
|x|1 |x|1

Zur besseren Lesbarkeit ist der Beweis f ur d = 1 aufgeschrieben. Man kann ihn jedoch
auch
R mehrdimensional lesen. |x| ist irgendeine zu maxi=1,... ,d |xi | aquivalente Norm. Integrale wie
0st, |x|1
xJ X (ds dx) sind vektorwertige Zufallsvariablen.
41
und damit
Z Z
2

|x| 1 (dx) C
e (1 cos(ux)) (dx) C
b< (4.15)
|x|1 |x|1
R
f
ur geeignete Konstanten C
b und Ce (unabhangig von ) nach sich zieht. Da t 7 xJX (ds
0st, |x|>1
dx) ein zusammengesetzter Poissonprozess ist, ist zudem die erwartete Anzahl der Spr unge
von X im Zeitintervall [0, 1], die dem Betrage nach groer als 1 sind, endlich, also
((1, )) < . Aus (4.15) fur 0 folgt
Z
|x|2 1 (dx) < .

(4.16)
R
2. Schritt: Definiere
Z
n e 1/(n+1) X
e 1/n =
Y := X x (JX (ds dx) e(ds dx))
0st, 1/(n+1)|x|<1/n
(Y n )nN sind kompensierte zusammengesetzte

R Poissonprozesse. Mit Proposition 4.19 gilt
E(Ytn ) = 0 und Var(Ytn ) = t 1/(n+1)|x|<1/n |x|2 (dx). Zudem sind Y n voneinander un-
abhangig. Daher gilt wegen (4.16)
m
! m
X X
Ytk Var Ytk

Var =
k=n k=n
Z
= t |x|2 (dx)
1/(m+1)|x|<1/n
Z
|x|2 1 (dx) < ,

t n, m N, n m. (4.17)
R
Definiere die Prozesse Z n := nk=1 Y k . Fur jedes t R+ ist (Ztn )nN wegen (4.17) eine
P
L2 (, F, P )-Cauchy Folge. Da Z n bzgl. der Filtration FtX := (Xs , s t, N ) quadratin-
tegrierbare Martingale sind, folgt mit der Doobschen Ungleichung
!
E sup (Zsn Zsm )2 4E (Ztn Ztm )2

s[0,t]
Z
= 4t |x|2 (dx)
Z1/(m+1)|x|<1/n
|x|2 1 (dx) < ,

4t n, m N. (4.18)
R
F
ur quadratintegrierbare Martingale auf R+ definiere die Metrik
( ! )
d(M, M 0 ) := inf >0|E sup (Mt Mt0 )2 .
t[0,1/]
42
Aus (4.18) folgt, dass die Folge von Martingalen (Z n )nN bzgl. der Metrik d eine Cauchy-
Folge ist. Wegen der Vollstandigkeit des Raumes der quadratintegrierbaren Martingale
ausgestattet mit der Metrik d gibt es einen F X -adaptierten Grenzprozess Z mit d(Z n , Z)
0, n . Der Grenzprozess lim0 X e := Z existiert also (und ist ein Martingal). Hierzu
X
wird benutzt, dass F die usual conditions erf ullt (auf Pfaden, wo Z n nicht konvergiert,
kann Z identisch Null gesetzt werden). Mit Kolmogorovs three series theorem konvergiert
die Folge (sup0st |Zsn Zs |)nN f
ur alle t R+ auch P -f.s. gegen Null.
c 1 e ist nach Konstruktion stetig und mit Lem-
Der Prozess X := X X lim0 X
1 e , > 0, und damit unabhangig
ma 4.22 unabhangig von X und unabhangig von allen X
von lim0 X e .
3. Schritt: Es bleibt zu zeigen, dass X c eine Brownsche Bewegung mit Drift ist. X c ist
offenbar ein Levy-Prozess, d.h. die Zuwachse sind schonmal unabhangig. Sei s < t. F ur
n N definiere
c c
nk := Xs+ k
(ts)
Xs+ k1
(ts)
, k = 1, . . . , n.
n n
Also
n
X
Xtc Xsc = nk .
k=1
Die Zufallsvariablen n1 , . . . , nn sind i.i.d. (die Verteilung hangt nur vom ersten, nicht
jedoch vom zweiten Index ab) und aus der Stetigkeit von X c folgt
max |nk | 0, n , P f.s.
k=1,... ,n
Mit dem zentralen Grenzwertsatz von Feller/Levy (siehe z.B. Theorem 4.15 in Kal-
lenberg [3]) folgt, dass Xtc Xsc normalverteilt ist
Corollary 4.24. Ein stetiger Prozess X mit unabhangigen Zuwachsen sowie E(Xt ) = 0
ur alle t R+ ist eine Standard Brownsche Bewegung.
und Var(Xt ) = t f
Proof. Folgt aus der Tatsache, dass in diesem Spezialfall X c = X. Zudem muss man
beachten, dass fur die Anwendung des Grenzwertsatz von Feller/Levy nicht gebraucht
D
wird, dass nk1 = nk2 .
Wenn man die Brownsche Bewegung mathematisch elegant einf uhren mochte und
dabei Verstandlichlichkeit nicht besonders wichtig ist, w
urde man also auf die Forderung,
dass die Zuwachse normalverteilt sind, verzichten, da sich dies bereits aus den anderen
Forderungen, die man an eine Brownsche Bewegung stellt, ableiten lasst.
Corollary 4.25 (Korollar der Levy-Ito Zerlegung). Jeder Levy-Prozess X ist ein Se-
mimartingal bzgl. der Filtration FtX := (Xs , s t, N ), wobei N alle Nullmengen von
(, F, P ) bezeichnet.

Im
Pd mehrdimensionalen Fall wende man das Argument auf beliebige Linearkombinatio-
nen i=1 i ((X c )it (X c )is ) an, die dann auch normalverteilt sein m
ussen. Mit dem Cramer-Wold Device
folgt, dass der Vektor Xtc Xsc multivariat normalverteilt ist.
43
Proof. Dies folgt aus der Darstellung (4.14). Zunachst machen wir die Feststellung, dass
die Prozesse X 1 und Xe adaptiert sind (Spr
unge von X sind mit dem Informationsver-
lauf F X beobachtbar und Kompensation deterministisch). Der Prozess t 7 t ist es
sowieso. Damit sind alle 4 Summanden in (4.14) adaptiert. Der Prozess t 7 t + Xt1 kann
f
ur die Semimartingal-Zerlegung als Prozess von endlicher Variation und B + lim0 X e
als Martingalanteil gewahlt werden.
(Die ensprechende Aussage f ur die Filtration F 0 (X) := (Xs , s t) ohne Nullmen-
generweiterung gilt genauso, im Beweis muss aber ein klein bisschen anders argumentiert
werden, wieso ?)
Nun konnen wir ohne wesentlichen zusatzlichen Aufwand die Levy-Khintchine Formel
beweisen.
Beweis von Theorem 4.9. Sei F eine unendlich teilbare Verteilungsfunktion. Dann exi-
stiert ein Wahrscheinlichkeitsraum (, F, P ) auf dem ein Levy-Prozess X = (Xt )tR+
definiert ist, so dass X1 wie F verteilt ist (vgl. Theorem 4.6).
Die Levy-Ito Zerlegung von X zeigt, dass f ur jedes t R die Zufallsvariable Xtc +
Xt1 + Xe f
t ur 0 gegen Xt konvergiert. Dies zieht Konvergenz der charakteristischen
Funktionen nach sich. Da die Komponenten Xtc , Xt1 und X e unabhangig sind, gilt
t
Z
c 1 1 2 2 iux

E(exp(iu(Xt + Xt + Xt ))) = exp itu t u exp t
e e 1 (dx)
2 R
Z
iux

exp t e 1 iux (dx) , u R
|x|1
ur gegen
und wegen (4.16) konvergiert der Ausdruck f
Z
1 2 2 iux

exp itu t u + t e 1 iux1{|x|1} (dx) , u R. (4.19)
2 R
(4.19) muss dann die charakteristische Funktion der Zufallsvariablen Xt sein. Mit t = 1
folgt, dass der charakteristische Exponent von F die Darstellung (4.7) besitzt.
Bemerkung 4.26. Das Tripel (, , ) aus Theorem 4.9 ist eindeutig durch F gegeben
(ohne Beweis, siehe Beweis von Theorem 8.1(ii) in Sato [10]). Daher stimmt das Levy-
Tripel (, , ) der Verteilung von X1 mit dem charakteristischen Tripel (, A, ) des
Levy-Prozesses X uberein.
Aus Theorem 4.20 (Levy-Ito Zerlegung) werden wir einige (Pfad-)Eigenschaften eines
Levy-Prozesses in Abhangigkeit von seinem charakteristischen Tripel (, A, ) herleiten.
Proposition 4.27. Ein reellwertiger Levy-Prozess ist von endlicher Variation (besitzt
also mit Wahrscheinlichkeit 1 endliche Variation), wenn f
ur sein charakteristisches Tri-
pel (, A, ) gilt
Z
A = 0 und |x|(dx) < . (4.20)
|x|1
44
Wenn (4.20) nicht erf
ullt ist, dann besitzt X mit Wahrscheinlichkeit 1 unendliche Varia-
tion.
Proof. 1. Teil der Aussage: Setze man (4.20) voraus. In diesem Fall kann der Grenz
uber-
gang im Beweis von Theorem 4.20 auch ohne Kompensation des Sprungmaes JX durch
durchgefuhrt werden und der (zufallige) Gausche Anteil verschwindet. Wir werden
zeigen, dass
Z
Xt = bt + xJX (ds dx) + lim Xt (4.21)
0st, |x|>1 0
R
ur ein b Rd , wobei Xt = 0st, |x|1 xJX (ds dx). Die ersten beiden Terme sind
f
ur jedes > 0 ist X ein zusammengesetzter Poisson-
offenbar von endlicher Variation. F
Prozess mit Variation
Z

Variation(X )t = |x|JX (ds dx).
0st, |x|1
Sei (n )nN eine Nullfolge. Mit Fubini (f

ur Ubergangskerne)
folgt
Z
n+1 n
E (Variation (X X )t ) = E |x|JX (ds dx)
0st, n+1 |x|<n
Z
= t |x|(dx).
n+1 |x|<n
Da die rechte Seite summierbar in n N ist, existiert wegen der Vollstandigkeit des
Raumes der adaptierten Prozesse mit càdlàg Pfaden und endlicher Variation ausgestattet
mit der Variationsnorm d(A, A0 ) := E (Variation(A A0 )t ) ein reellwertiger Grenzpro-
zess lim0 X mit càdlàg Pfaden und endlicher Variation gegen den X in der Variations-
norm konvergiert, also
Z

E Variation(lim X )t = t |x|(dx) < .
0 0<|x|1

Es mag n
utzlich sein, JX als Ubergangskern von (, F) nach (R+ Rd , B(R+ Rd )) zu betrachten
und das Ma
Z Z
d
P JX : F B(R+ R ) [0, ], A 7 1A (, s, x)JX () (ds, dx)P (d)
ur alle B B(R+ Rd )
zu definieren. P JX nennt man das Produkt von P und JX . Offenbar gilt f
P JX ( B) = e(B),
wobei e das Intensit

atsma von JX ist (siehe Theorem 4.20(ii)). Der Satz von Fubini f
ur Ubergangskerne
besagt, dass
Z Z Z
f d(P JX ) = f (, s, x) JX () (ds, dx)P (d)
Man wendet ihn nun aufR die Funktion f (, s, x) = |x|10st,Rn+1 |x|<n an. Da f nicht von abhangt,
allt die linke Seite mit |x|10st, n+1 |x|<n e(ds, dx) = t |x|1n+1 |x|<n (dx) zusammen.
f
45
R
Aus Theorem 4.20 folgt (4.21) mit b = |x|1
x(dx).
Die Variation des Levy-Prozesses nach Herausnahme der groen Spr

unge ist also sogar
integrierbar.
2. Teil der Aussage: Man setze P (Variation(X)t < ) > 0 voraus. Betrachte die
Levy-Ito-Zerlegung (4.14). Sei > 0. Die Variation eines Prozesses X mit càdlàg Pfaden
ist stets groer als die Variation, die nur von den Sprungen von X, die dem Betrage nach
grosser als sind, erzeugt wird, also
Z
Variation(X)t |x|JX (ds dx) (4.22)
0st, |x|1
(die rechte Seite von (4.22) ist f

ur alle Pfade endlich). Es folgt
Variation(X)t
Z
|x|JX (ds dx)
0st, |x|1
Z Z
=t |x|(dx) + |x| (JX (ds dx) (dx) ds) (4.23)
|x|1 0st, |x|1
Die Varianz der Zufallsvariablen auf der rechten Seite ist mit Proposition 4.19
Z
t |x|2 (dx)
<|x|1
R
Wegen 0<|x|1
|x|2 (dx) < konvergiert
Z
|x| (JX (ds dx) (dx) ds) (4.24)
0st, |x|1
mit Kolmogorovs three series theorem fast sicher gegen eine endliche Zufallsvariable
(analog zum BeweisRder Levy-Ito Zerlegung). R
Nehme nun an, 0<|x|1 |x|(dx) = . Dies bedeutet, dass |x|1 |x|(dx) f ur 0
gegen unendlich konvergiert, was wegen (4.23) und der Konvergenz von (4.24) gegen eine
R-wertige Zufallsvariable mit P (Variation(X)t < ) > 0 nicht vereinbar ist. Also gilt
Z
|x|(dx) < . (4.25)
0<|x|1
Wenn nun aber (4.25) gilt, dann lasst sich X wegen Theorem 4.20 schreiben als
Z Z
Xt = ( x(dx))t + Bt + xJX (ds dx).
|x|1 0st, xRd
R
Mit den Argumenten aus dem Beweis des 1. Teils ist 0st, xRd xJX (ds dx) ein Prozess
von endlicher Variation (hat also mit Wahrscheinlichkeit 1 endliche Variation).
R Also muss
wegen der Annahme P (Variation(X)t < ) > 0 der Prozess t 7 Bt +( |x|1 x(dx))t
zumindest mit positiver Wahrscheinlichkeit endliche Variation haben, was = 0 nach sich
zieht.
46
Bemerkung 4.28. Es gilt

Z Z

E(Variation(X)t ) E
|x|JX (ds dx) = t
|x|(dx). (4.26)
| 0st, 0<|x|<1
{z } 0<|x|<1
P
= 0<st |Xs |
Man beachte jedoch, dass selbst P (Variation(X)t < ) = 1 i.A. nicht E(Variation(X)t ) <
nach sich zieht, so dass (4.26) die Zerlegung in (4.23) nicht ersetzen kann.
nR o
Bemerkung 4.29. Das Ereignis 0st, xRd
|x|JX (ds dx) = Ft ist ein 0-1-
Ereignis. D.h. die Sprunge eines Levy-Prozesses erzeugen entweder mit Wahrscheinlich-
keit 1 unendliche Variation oder sie besitzen mit Wahrscheinlichkeit 1 endliche Variation.
Dies besagt schon Proposition 4.27. Man kann dies aber auch einfacher sehen. Definiere
dazu fur festes t R+ die Folge von -Algebren

n := (Xs )1{1/(n+1)<|Xs |1/n} 0 s t , n N.
n enthalt alle Informationen uber Sprunge von Xnauf [0, t], die betragsmaig groer
o als
R
1/(n + 1) und kleiner als 1/n sind. Das Ereignis 0st, xRd
|x|JX (ds dx) = ist
bzgl. der Folge (n )nN ein terminales Ereignis, d.h.
Z \ !
[
|x|JX (ds dx) = m .
0st, xRd nN mn
Sei n N. Da es auf jedem Pfad nur endlich viele Spr unge groer als 1/n gibt, sind
diese Sprunge f
ur die Frage, ob der Pfad endliche oder unendliche Variation besitzt, nicht
relevant. Hat man also f ur irgendein n N die Information u ber alle m mit m n,
dann wei man, ob der Pfad endliche Variation besitzt oder nicht. Also ist dasSEreignis,
dass der Pfad unendliche Variation besitzt, fur alle n N in der -Algebra mn m
T S
enthalten und damit definitionsgema auch in nN mn m .
Zudem ist das Ereignis wegen Lemma 4.22 von allen n stochastisch unabhangig. Da-
mit folgt mit Kolmogorovs 0-1-Gesetz, dass
Z
P |x|JX (ds dx) = {0, 1}.
0st, xRd
Proposition 4.30. Sei n N und X ein reellwertiger Levy-Prozess mit charakteristi-

schem Tripel (, A, ). Das n-te absolute Moment von Xt , also E(|Xt |n ), ist genau dann
endlich f
ur ein t > 0 oder aquivalent f
ur alle t > 0, wenn
Z
|x|n (dx) <
|x|1
Beweis: siehe Beweis von Theorem 25.3 in Sato [10].
47
4.2 Modellierung von Aktienpreisen mit L
evy-Prozessen
Modelliere Aktienpreisprozess S = (St )t0 durch
St = S0 exp(Lt ), t 0,
wobei L ein Levy-Prozess ist.
Theorem 4.31. Sei L ein Levy-Prozess. Es gilt
(exp(Lt ))t0 ist ein lokales Martingal (exp(Lt ))t0 ist ein Martingal.
Proof. Da jedes Martingal auch ein lokales Martingal ist, muss nur gezeigt werden.
Sei also L ein Levy-Prozess und exp(L) ein lokales Martingal. Es reicht zu zeigen,
ur alle T R+ der bei T abgestoppte Prozess ein Martingal ist. O.B.d.A. T = 1.
dass f
Da exp(L) nichtnegativ ist, folgt, dass exp(L) ein echtes Supermartingal ist, insbesondere
sind alle exp(Lt ) integrierbar mit
E (exp(Lt )) 1.
Da exp(L1 ) > 0 folgt

1
a := ln R+
E(exp(L1 ))
und damit
E (exp(L1 + a)) = 1.
Wegen obiger Integrierbarkeitsbedingung gilt (ohne Beweis, siehe Theorem 25.17 in Sa-
to [10])
Z
ohne Beweis 2 x
E (exp(Lt + at)) = exp t + a + + (e 1 x1{|x|1} )(dx)
R
Z t
2 x
= exp + a + + (e 1 x1{|x|1} )(dx)
R
t
= (E (exp(L1 + a)))
= 1, t [0, 1].
Damit folgt
E (exp(L1 + a) | Ft ) = exp(Lt + at)E (exp(L1 Lt + a(1 t)) | Ft )
= exp(Lt + at)E (exp(L1 Lt + a(1 t))) = exp(Lt + at).
Also ist der Prozess (exp(Lt + at))t[0,1] ein Martingal und damit von Klasse (D). Wegen
exp(Lt ) exp(Lt + at), t [0, 1],
ist auch (exp(Lt ))t[0,1] von Klasse (D). Da jedes lokale Martingal von Klasse (D) ein
Martingal ist, folgt die Behauptung.
48
Beispiel 4.32 (Merton Modell).
Nt
X
Lt = t + Wt + Yi
i=1
wobei Yi N (Y , Y2 ). Die charakteristische Funktion von L1 ist

1 2 2 2 u2 /2
iY uY
L1 (u) = exp iu u + e 1 .
2
Es gilt
E(L1 ) = + Y
und
Var(L1 ) = 2 + 2Y + Y2 .
Beispiel 4.33 (Kou Modell).

Nt
X
Lt = t + Wt + Yi ,
i=1
wobei Yi ,,doppelt exponentialverteilt mit Parametern p [0, 1], 1 , 2 > 0 ist, also die
Dichtefunktion
p1 e1 x

ur x 0
: f
fY (x) =
(1 p)2 e2 x : f
ur x < 0.
besitzt. Die charakteristische Funktion von L1 ist

1 2 2 p 1p
L1 (u) = exp iu u + .
2 1 iu 2 + iu
Es gilt
p (1 p)
E(L1 ) = +
1 2
und
p (1 p)
Var(L1 ) = 2 + .
12 22
To be continued
49
Literatur
[1] Cont, R. and Tankov, P. (2004) Financial Modelling with Jump Processes.
Chapman & Hall/CRC.
[2] Fleming, W.H., Soner, H.M. (2006) Controlled Markov Processes and Visco-
sity Solutions. Springer-Verlag, 2. Auflage.
[3] Kallenberg, O. (1997) Foundations of Modern Probability. Springer-Verlag.
[4] Klenke, A. (2008) Wahrscheinlichkeitstheorie. Springer-Verlag, 2. Auflage.
[5] Korn, R. (1997) Optimal Portfolios Stochastic Models for Optimal Investment
and Risk Management in Continuous Time. World Scientific.
[6] Kuhn, C. Vorlesungsskript Stochastische Analysis mit Finanzmathematik.

[7] Kyprianou, A.E. (2006) Introductory Lectures on Fluctuations of Levy Proces-

ses with Applications. Springer-Verlag.
[8] ksendal, B. and Sulem, A. (2007) Applied Stochastic Control of Jump Dif-
fusions. Springer-Verlag, 2. Auflage.

Verlag, 2. Auflage.
[10] Sato, K.-I. (1999) Levy Processes and Infinitely Divisible Distributions. Cam-
bridge studies in advanced mathematics.
[11] Touzi, N. (2002) Stochastic Control Problems, Viscosity Solutions, and Appli-
cations to Finance. Special Research Semester, Lecture Notes, Pisa.
[12] Pham, H. (2009) Continuous-time Stochastic Control and Optimzation with Fi-
nancial Applications. Springer-Verlag.
[13] Yong, J. and Zhou, X.Y. (1999) Stochastic Controls Hamiltonian Systems
and HJB Equations. Springer-Verlag.
50
Klebert Kentia
Prof. Dr. Christoph K
uhn WS 2015/16

Ubung zur Finanzmathematik in stetiger Zeit I
Blatt 1
Abgabe Dienstag, 15.12.2015 vor der Vorlesung
Aufgabe 1 (4 Punkte)
Seien B 1 und B 2 zwei stochastisch unabhangige Standard Brownsche Bewegun-
ur alle T R+ die quadratische Kovariation
gen. Zeigen Sie, dass f
n
2
X
1 1 2 2
Bk2n T B(k1)2n T Bk2n T B(k1)2n T
k=1
ur n in L2 gegen 0 konvergiert.
f
Wir betrachten einen Finanzmarkt mit n riskanten Wertpapieren (St1 , . . . , Stn )t[0,T ]
und einem Numeraire (St0 )t[0,T ] . Ferner sei P ein risikoneutrales aquivalentes
Martingalma, d.h. die diskontierten Preisprozesse (St1 /St0 , . . . , Stn /St0 )t[0,T ] sind
Martingale unter P P .
Ist Sti > 0 P -f.s. f ur alle t [0, T ] und ein i {1, . . . , n}, so kann man (statt
S ) das Wertpapier S i als ein neues Numeraire wahlen. Zeigen Sie:
0
1. Es existiert ein Ma P i P , so dass die mit S i diskontierten Preisprozesse

(St1 /Sti , . . . , Stn /Sti , St0 /Sti )t[0,T ] Martingale unter P i sind. Geben Sie den
Dichteprozess von P i bez uglich P an.1

2. ur den arbitragefreien Preis t (H) := St0 E P [H/ST0 |Ft ] eines Derivates
F
H 0, berechnet unter P , gilt

i Pi H
t (H) = St E |Ft , 0 t T,
STi
und es gilt die folgende Formel f ur den Numeraire-Wechsel

i Pi H j Pj H
St E |Ft = St E |Ft
STi STj
ur alle i, j {1, . . . , n} falls S i , S j > 0.
f
1. Sie k
onnen Proposition 3.93 in Vorlesungsnotizen anwenden.
1
Sei W eine Brownsche Bewegung auf (, F, P ). Wir betrachten das Finanz-
marktsmodell von Bachelier mit Zinssatz r = 0, (diskontiertem) Assetkurs Xt =
X0 + mt + Wt , 0 t T, mit X0 = x0 R und Filtration Ft = (Xs : s
t) = (Ws : s t).
1. Bestimmen sie das aquivalente Martingalma P P und begr unden Sie,
2
wieso es eindeutig ist.
2. Berechnen Sie moglichst
R T explizit f
ur das in T fallige pfadabhangige Derivat
mit Auszahlung H = 0 Xu2 du den Wertprozess

Vt := E P [H|Ft ], 0 t T.
2. Sie k
onnen den Girsanov-Meyer-Satz benutzen wie in Theorem 3.100 der Vorlesung benut-
zen.
2
uhn WS 2015/16

Ubung zur Stochastischen Analysis mit
Finanzmathematik
Blatt 1
Aufgabe 1 (5 Punkte) Gegeben sei ein filtrierter Messraum (, F, (Ft )t[0,T ] ).
F
ur eine Stoppzeit definiert man die sog. -Vergangenheit als
F := {A F|A { t} Ft , t [0, T ]}. (1)
Sei eine weitere Stoppzeit, wobei . Zeigen Sie folgende Aussagen:
1. F ur ein t [0, T ] stimmt die rechte Seite von (1) mit Ft aus der
ur = t f
berein (was erst die Notation F rechtfertigt).
Filtration u
2. F ist eine -Algebra
3. F F
Aufgabe 2 (5 Punkte) Sei (, F, P ) durch das Intervall (0, 1), die Borelsche
Algebra und das Lebesguema gegeben. Definiere
Ft := {A F | (t, 1) A oder A (0, t]}, 0t<1
und Ft = F f
ur t 1
ur Y L1 (, F, P ) das Martingal Mt = E[Y |Ft ], t [0, 2],
(i) Zeigen Sie, dass f
gegeben ist durch
1 R1
Y (s)ds, falls t < ,
Mt () = 1t t .
Y (), falls t
(ii) Sei Y () = (1 ) fur 0 < < 1/2. Zeigen Sie, dass Y L2 (, F, P )
ur Mt = E[Y |Ft ] gilt
und f
1 1 1
Mt () =
= Y (t), t<
(1 ) (1 t) 1
Sei X ein adaptierter Prozess mit càdlàg-Pfaden und sei A R eine abgeschlos-
sene Menge. Wir definieren
() := inf{t > 0|Xt () A oder Xt () A}.
Zeigen Sie, dass eine Stoppzeit ist.
1
Klebert Kentia
uhn WS 2015/16

Ubung zur Finanzmathematik in Stetiger Zeit I
Blatt 2
Aufgabe 4 (4 Punkte) Wir betrachten ein Standard Black-Scholes Modell f
ur
0 1
zwei Wertpapiere mit Preisprozessen S und S :
dSt0 = rSt0 dt und dSt1 = St1 (dt + dBt ), t [0, T ],
wobei r, R und (0, ) Konstante sind. Berechnen Sie explizit den arbi-
tragefreien Preis des Claims X = (ST1 ) zum Zeitpunkt t = 0, wobei R eine
beliebige Konstante ist.
Aufgabe 5 (4 Punkte) Man betrachte in einem Finanzmarkt mit zwei Wertpa-

pieren (S 0 , S 1 ) eine Strategie (0 , 1 ) mit: 1t = SV01 f
ur t [0, t1 ), 1t = 210 f
ur
0
1 1 1
t [t1 , t2 ) und t = 0 fur t t2 , wobei V0 , S0 gegeben sind und 0 < t1 < t2 .
1. Wahle 0 , so dass die Strategie selbstfinanzierend ist.
2. Gegeben , , r im Black-Scholes Modell von Aufgabe 4. Wie gro ist die
Wahrscheinlichkeit, dass 0t2 < 0? Geben Sie diese Wahrscheinlichkeit mit-
hilfe von Normalverteilungsfunktionen an!
Aufgabe 6 (4 Punkte) Sei X ein stetiges Semimartingal und E(X) das stochas-
tische Exponential von X.
1. Zeigen Sie
1
E(X)d = dX + d[X, X].
E(X)
2. Sei weiterhin p R. Zeigen Sie

p p(p 1)
(E(X)) = E pX + [X, X] .
2
Tipp: Ito-Formel
1. d.h. das gesamte Vermogen ist anfangs in die Aktie S 1 investiert. Zum Zeitpunkt t1 wird
die Anzahl der Aktien verdoppelt. Im Zeitpunkt t2 werden schlielich alle Aktien verkauft.
1
uhn WS 2015/16

Finanzmathematik
Blatt 2
Aufgabe 4 (4 Punkte) Sei f : [0, T ] R eine rechtsstetige Funktion. Zeigen Sie,

dass
n 2n
X X
sup |f (tk ) f (tk1 )| = sup |f (T k2n ) f (T (k 1)2n )|
=(t0 ,t1 ,...,tn ) k=1 nN
k=1
wobei das Supremum auf der linken Seite u ber alle Gitter mit = (t0 , t1 , . . . , tn )
ur ein n N und 0 = t0 t1 . . . tn = T gebildet wird.
f
Sei f : [0, T ] R eine stetige Funktion.
1. Geben Sie eine Folge von Gittern (n )nN auf [0, T ] an, so dass f ur die
(2)
quadratische Variation von f enlang der Gitter gilt: limn n (f ) = 0
(vgl. Theorem 2.31).
(2)
2. Geben Sie eine Folge von Gittern (n )nN auf [0, T ] an, so dass limn n (f ) =
0 und limn mesh(n ) = 0. Tipp: Verwenden Sie eine Gitterfolge, die auf
jeden Fall unendlich fein wird, und benutzen Sie dann (1) auf den einzelnen
Abschnitten.
Aufgabe 6 (4 Punkte) Sei X ein càdlàg Prozess mit Var(X)T < . Zeigen Sie,
dass dann der Prozess Var(X) nichtfallend und càdlàg ist (vgl. Theorem 2.34 im
Skript).
1
Klebert Kentia
uhn WS 2015/16

Blatt 3
Aufgabe 7 (4 Punkte) Der Preisprozess einer Aktie in $US ist durch die SDE
dSt = St dt + St dBt1 , t [0, T ],
gegeben, wobei und Konstanten sind und B 1 eine Standard Brownsche Be-
wegung unter P ist. Der Wechselkurs eEUR/$US ist durch Y gegeben. F ur Y
Dollar bekommt man also einen Euro. Der Prozess Y hat die Dynamik
dYt = Yt dt + Yt dBt2 , t [0, T ],
wobei und Konstanten sind und B 2 eine P -Standard Brownsche Bewegung
ist. Die Brownsche Bewegungen B 1 und B 2 sind unabhangig voneinander.
Wir betrachten nun den Claim
H = log (ZT )2 ,

in EUR. Hierbei ist (Zt )t[0,T ] der Preisprozess der Aktie in eEUR. Die amerika-
nische Shortrate sei rF und die europaische rD .
Berechne den arbitragefreien Preis (in eEUR) zur Zeit t des Claims H. Durch
welche Wertpapiere kann der Claim repliziert werden ?
Achtung: nicht alle obigen Angaben werden f
ur die Losung benotigt.
Aufgabe 8 (4 Punkte) Berechnen Sie die Martingal-Darstellung, d.h. den vor-

hersehbaren Integranden L2 (B), so dass
Z T
H = E[H] + t dBt ,
0
zu folgenden Funktionalen H einer Brownschen Bewegung (Bt )t[0,T ] 1 :

RT
1. 0
Bt dt,
3
2. B ,
RT 2 R
T T
3. 0
g(t)dBt 0 g 2 (t)dt f
ur eine deterministische Funktion g.
1. Tipp: It
o-Formel
1
Aufgabe 9 (4 Punkte) Wir betrachten eine arbitragefreie Preisentwicklung zwei-
er Wertpapiere S 1 und S 2 , welche gegeben ist durch
dSt1 = St1 (t11 dBt1 + t12 dBt2 ), und dSt2 = St2 (t21 dBt1 + t22 dBt2 ), t [0, T ],
mit S01 = S02 = 1, ij R (i, j = 1, 2) und unabhangigen Brownschen Bewegungen

B 1 und B 2 . Der Zinssatz r der risikolosen Anlage sei zur Einfachheit Null.
Eine europaische Austausch-Option gibt dem Kaufer das Recht, zur Falligkeit
T eine Anzahl von n2 Einheiten der Aktie S 2 gegen n1 Einheiten der Aktie S 1 zu
tauschen. Bei Cash-Settlement ist die Auszahlung der Option demnach
H = (n1 ST1 n2 ST2 )+ .
Berechnen Sie mit Hilfe eines Numerairewechsel-Argumentes (siehe Aufgabe 2)

und der Black-Scholes-Formel den arbitragefreien Preisprozess dieser Option.
2
Klebert Kentia
uhn WS 2015/16

Finanzmathematik
Blatt 3
Aufgabe 7 (4 Punkte) F
ur adaptierte Prozesse X, Y , die càdlàg oder càglàd
sind, definiere !
d(X, Y ) := E sup |Xt Yt | 1
t[0,T ]
Zeigen Sie:
1. d definiert eine Metrik (wobei ununterscheidbare Prozesse miteinander iden-
tifiziert werden sollen).
2. Die Metrik d metrisiert die gleichmaige Konvergenz in Wahrscheinlichkeit.
1. Zeigen Sie, dass jeder stetige, adaptierte Prozess mit beschranktem Start-
wert lokal beschrankt ist.
2. Sei (Mt )t0 ein Lokalmartingal auf (, F, F = (Ft )t[0,T ] , P ). Zeigen Sie,
dass M ein Martingal ist, wenn
n o
M(M ) = M : is eine F-Stoppzeit mit T
gleichgradig integrierbar ist.
Aufgabe 9 (4 Punkte) Man nennt eine Klasse C von stochastischen Prozessen

stabil, wenn f ur alle X C und Stoppzeiten auch der gestoppte Prozess X
in C ist. F ur eine Klasse C stochastischer Prozesse bezeichne Cloc die Klasse der
Prozesse, die lokal zu Klasse C gehoren, d.h. X Cloc , wenn f ur X eine lokali-
sierende Folge (n )nN (d.h. (n )n nicht-fallend und P (n = T ) 1 f
ur n )
n 0
existiert, so dass (X )nN C. Seien C und C zwei stabile Klassen stochastischer
Prozesse. Zeigen Sie:
1. (C C 0 )loc = Cloc Cloc
0
2. Cloc ist stabil und (Cloc )loc = Cloc

Bemerkungen und Tipps zu 2: Beachten Sie bei der Aufgabe, dass bei einer
lokalisierenden Folge die Stoppzeiten nicht-fallend sein m ussen. Sie d
urfen ohne
Beweis benuten, dass abzahlbare Infima von Stoppzeiten wiederum Stoppzeiten
sind. Wenden Sie zudem das Lemma von Borel-Cantelli an.
1
Klebert Kentia
uhn WS 2015/16

Blatt 3
Aufgabe 10 (4 Punkte) Eine binare Option ist ein Claim der einen bestimmten
Betrag auszahlt, wenn der Aktienpreis zum Falligkeitszeitpunkt in ein vorher
festgelegtes Intervall fallt. Liegt der Aktienpreis auerhalb dieses Intervalls, wird
nichts ausgezahlt.
Wir betrachten eine binare Option H, die dem Halter K Euro zum Zeitpunkt T
auszahlt, wenn der Aktienpreis S in das Intervall [a, b] fallt. Gegeben seien r, , S0
im Black-Scholes Modell f ur S: Bestimmen Sie den arbitragefreien Preis dieser
binaren Option in Form von Normalverteilungsfunktionen.
1
Betrachten Sie das Standard Black Scholes Modell,
R t 1 wobei die Aktie S zusatzlich
eine stetige Dividende D zahlt, wobei Dt = 0 Su du.
1. Leiten Sie f
ur diesen Fall, wie im Skript, die Black-Scholes PDE f ur v her,
1 1
also den arbitragefreien Preis v(St , t) eines Claims h(ST ), wenn die zugrun-
de liegende Aktie eine Dividende aussch uttet.
2. Diskutieren Sie den Einfluss der Dividendenzahlung auf den Optionspreis.
Bitte wenden!
1
Aufgabe 12 (4 Punkte) Sei S ein stetiges Semimartingal mit stetiger quadrati-
scher Variation [S, S]t , t [0, T ], die die (positive) Preisentwicklung eines liquiden
Wertpapiers beschreibt.

1. Zeigen Sie, dass f ur eine Funktion h C 2 (0, ) gilt1 : F ur alle ist
Z Z S0
0 + 00
h(ST ) = h(S0 )+h (S0 )(ST S0 )+ (ST K) h (K)dK+ (KST )+ h00 (K)dK.
S0 0
Bemerkung: Die obige Gleichung zeigt, wie man den Claim mit Auszahlung
h(ST ) durch eine statische Cash-Position h(S0 ) und eine statische Position in
Standard (Vanilla) Call- und Put-Optionen mit Falligkeit T und verschiedenen
Aus
ubungskursen K (Strikes) replizieren kann.
2. Zeigen Sie, dass fur einen Variance Swap (ein Derivat, welches es zum Ziel
hat, realisierte (kumulative,
quadrierte)
Volatilitat handelbar zu machen) mit
Auszahlung H = log S, log S T zur Zeit T gilt, dass
Z T
H= t dSt + 2 log S0 2 log ST ,
0
ur ein geeignete Strategie .2

f
3. Wenden Sie die Gleichung in Aufgabe 12.1. an h = log und finden Sie aus
Aufgabe 12.2., in welcher Weise H durch eine dynamische Handelstrategie in
S und eine statische Position in Call- und Put-Optionen repliziert (gehedged)
werden kann.
1. Hinweis: Hauptsatz der Differential- und Integralrechnung (HDI), und Satz von Fubini
2. Hinweis: It
o-Formel.
2
Klebert Kentia
uhn WS 2015/16

Finanzmathematik
Blatt 4
Aufgabe 10 (6 Punkte) Sei B eine Brownsche Bewegung auf (, F, (Ft )tT , P ).
1. Zeigen Sie mit Hilfe der Ito-Formel, dass f
ur eine deterministische
RT Funktion
1
h C ([0, T ]) das stochastische Integral h BT = 0 hs dBs pfadweise

definiert werden kann (d.h. u ber das Integral von B nach h).
2. Zeigen Sie, dass h BT eine

R T normalverteilte Zufallsvariable ist mit Erwar-
2 1
tungswert 0 und Varianz 0 hs ds .
3. Beweisen Sie damit, dass die Abbildung
JB ()T : C 1 ([0, T ]) L2 ([0, T ], dt) L2 (, P )
mit h 7 JB (h)T = h BT sich in eindeutigerweise stetig auf L2 ([0, T ], dt)

RT
ur h L2 ([0, T ], dt) gilt
fortsetzen lasst, so dass E(JB (h)2T ) = 0 h2s ds f
und uns eine Isometrie (welche?) liefert, wobei wir mit JB (h)T auch die
Fortsetzung bezeichnen2 . Wir konnen so h BT := JB (h)T definieren f ur
2
h L ([0, T ], dt).
1
Aufgabe 11 (6 Punkte) Seien B und B 2 zwei Brownsche Bewegungen auf
R t
(, F, (Ft )tT , P ) mit [B 1 , B 2 ]t = 0 s ds f
ur einen vorhersehbaren Prozess mit
Werten in [1, 1]. Man sagt dann, dass B 1 und B 2 zwei korrelierte Brownsche
Bewegungen mit Korrelationsprozess sind. Zeigen Sie:
RT 1
1. Ist deterministisch und gilt 0 1 2 ds < , dann sind durch
s
Z Z
1
1
W =B 1
und W = 2
p dBs2 p s dBs1
2
1 s 2
1 s
0 0
zwei unabhangige Brownsche Bewegungen W 1 und W 2 gegeben3 .
1. Sie konnen benutzen, dass f

ur Zufallsvariablen (Zn )nN , Z mit limn Zn = Z in Verteilung
gilt limn Zn () = Z () f ur alle R, wobei X : 7 E eiX die charakteristische
Funktion der Zufallsvariable X bezeichnet.
2. Benutzen Sie dafur das klassische Resultat, dass C 1 ([0, T ]) dicht in L2 ([0, T ], dt) ist.
3. Benutzen Sie die mehrdimensionale Levy-Charakterisierung.
1
2. Sind umgekehrt zwei unabhangige Brownsche Bewegungen W 1 , W 2 auf
(, F, (Ft )tT , P ) gegeben, dann definieren
Z Z p
1 1 2 1
B =W und B = s dWs + 1 2s dWs2
0 0
zwei korrelierte Brownsche Bewegungen mit Korrelationsprozess .
2
Klebert Kentia
uhn WS 2015/16

Blatt 5
Aufgabe 13 (4 Punkte) Sei (, F, (Ft )t[0,T ] , P ) einer filtrierte Warscheinlich-

keitsraum, und der Prozess
dYt = dt + dBt , t [0, T ],
B1

0 1 3
wobei = ,= , und B = eine 2-dimensional Brown-
1 1 2 B2
sche Bewegung ist. Finden Sie ein Ma Q P , so dass

3
B
et = t + Bt , t [0, T ]
1
e ein Q-Martingal ist.1

eine Q-Brownsche Bewegung ist und Y = Y0 + B
Aufgabe 14 (4 Punkte) Sei Wt = (Wt1 , Wt2 , Wt3 ) eine 3dimensionale Brownsche

Bewegung. Definiere
Y3
X := sgn(W1i ),
i=1
und
Mt1 := Wt1 , Mt2 := Wt2 , Mt3 := XWt3
Zeige, dass (M 1 , M 2 ), (M 1 , M 3 ) und (M 2 , M 3 ) jeweils 2dimensionale Brownsche
Bewegungen sind, aber (M 1 , M 2 , M 3 ) keine 3dimensionale Brownsche Bewegung
ist. Die betrachtete Filtration sei dabei jeweils die nat urliche Filtration der je-
weiligen Prozesse.
Bemerkung: sgn(x) := 1{x0} 1{x<0} .
1. Hinweis: Satz von Girsanov-Meyer.
1
Aufgabe 15 (4 Punkte) Wir betrachten wieder das Black-Scholes Modell. Die
Aktie zahlt nun jedoch zu den deterministischen Zeitpunkten t1 , . . . , tn mit 0 <
1
t1 < t2 < . . . < tn < T Dividenden der Hohe (St ) aus, wobei eine stetige
Funktion ist. Zwischen den Dividendenzahlungen folgt die Aktie die Dynamik
dSt1 = St1 (dt + dBt ) (1)
d.h. die Gleichung (1) gilt auf den Intervallen [ti , ti+1 ), sowie [0, t1 ) und [tn , T ].
(a) Begrunden Sie, warum die folgende Bedingung notwendig und hinreichend
f
ur Arbitragefreiheit ist:
St1i = St1i (St1i )
(b) Wie sehen die Black-Scholes PDEs (mit Randbedingungen) in diesem Mo-
dell aus? (mit Begrundung)
(c) Geben Sie eine explizite Formel (analog zur Black-Scholes Formel ohne
Dividenden) fur die Berechnung des arbitragefreien Preises des Claims H =
(ST1 K)+ mit Falligkeit in T an, wenn (s) = cs. .
2
Klebert Kentia
uhn WS 2015/16

Finanzmathematik
Blatt 5
Aufgabe 12 (4 Punkte) Sei (Xt )tT ein adaptierter stetiger Proze auf (, F, (Ft )tT , P )
mit stetiger quadratischer Variation ([X, X]t )tT , und sei (At )tT ein adaptier-
ter stetiger monoton wachsender Proze mit A0 = 0. Zeigen Sie, dass folgende
Aussagen aquivalent sind:
1. ur alle t [0, T ].
X ist ein lokales Martingal mit [X, X]t = At P -f.s. f
2. Der Proze
1
Gt := exp(Xt 2 At ), t [0, T ]
2
ur alle R.1
ist ein lokales Martingal f
1. Seien a, , x0 Parameter in R. Sei t 7 Bt , t [0, T ], ein typischer Pfad
der Brownschen Bewegung, also eine stetige Funktion mit B0 = 0 und
quadratischer Variation [B, B]t = t, t [0, T ]. Finden Sie ein X = (Xt )tT ,
welches die stochastische Differentialgleichung (SDE)
dXt = aXt dt + dBt , t [0, T ],
mit Anfangsbedingung X0 = x0 lost.2

2. Wir betrachten eine geometrische Brownsche Bewegung
Xt = x0 exp(Bt + t), t [0, T ]
mit Start in x0 > 0, wobei (Bt )t[0,T ] eine (Standard) Brownsche Bewegung
bezeichnet.
(a) Berechnen Sie [X, X].
(b) Gegeben p 6= 0, fur welche Parameterwerte , ist (Xtp )t[0,T ] ein Mar-
tingal?
1. Hinweis: Schreiben Sie G mittels ein stochastisches Exponential, und benutzen Sie Bemer-
kung 3.84.2) aus der Vorlesung.
2. Hinweis: Leiten Sie zun ur Yt = eat Xt her.
achst mittels Ito-Formel eine SDE dYt = . . . f
1
Aufgabe 14 (4 Punkte) Sei B eine Standard-Brownsche Bewegung auf [0, T ]
bzgl. einer Filtration (Ft )t0 und := inf{t [0, T ] | Bt = 1}. Mit der Zeit-
transformation (t) = t/(1 t) f ur t < 1 und (1) = 1, sowie Fet := F(t)
und Xt := B(t) definieren wir auf dem Zeitintervall [0, 1] einen (Fet )t[0,1] -
adaptierten Prozess X. Zeigen Sie, dass X bzgl. (Fet )t[0,1] ein lokalen Martingal,
aber kein Martingal ist.
2
Klebert Kentia
uhn WS 2015/16

Blatt 6
Aufgabe 16R t (4 Punkte) Sei S 0 das handelbare Geldmarktkonto gegeben durch

St = exp 0 rs ds , t T, wobei r der Short-Rate Prozess ist. Betrachte den
0

HJM-Forward Rate Prozess f (, T ), mit

Z t Z t
f (t, T ) = f (0, T ) + (t, s)ds + (t, s)dWs , t [0, T ],
0 0
wobei W eine Standard-Brownsche-Bewegung ist. Man nimmt an

Z T Z T Z T Z T 2
|(t, s)|dt ds < und (t, s) dt ds < , P -f.s..
0 0 0 0
Nach Theorem 5.11 (siehe Skript) gilt dann, dass der Bond-Preis erf ullt
Z t Z t
B(t, T ) = B(0, T ) exp (A(u, T ) + ru )du + (u, T )dWu , t [0, T ],
0 0
mit (A(, T ))T [0,T] und ((, T ))T [0,T] gegeben durch
Z T Z T
A(t, T ) := (t, s)ds und (t, T ) := (t, s)ds, t [0, T ].
t t
Zeigen Sie, dass die zum Zeitpunkt t = 1 Erlose H n aus der Roll-over Strategie,
die das Vermogen permanent in neue Bonds kurz vor ihrer Falligkeit investiert
(siehe Bemerkung 5.2 im Skript), mit
n
Y 1
Hn = k k+1

k=0
B n
, n
konvergiert in Wahrscheinlichkeit gegen S10 f

ur n .
Tipp: Sie konnen den Satz von majorisierten Konvergenz und Ito-Isometrie be-
nutzen.
1
Aufgabe 17 (4 Punkte) Sei die Volatilitatsstruktur der Bond Dynamik (unter

einem Aquivalenten Martingal Ma Q )
dB(t, T ) = B(t, T ) (rt dt + (t, T )dWt ) , t [0, T ]
gegeben durch (t, T ) = c(T t) f
ur ein c (0, ).
1. Bestimmen Sie die Koeffizienten , der SDE
df (t, T ) = (t, T )dt + (t, T )dWt , t [0, T ].
ur die HJM-Forward Rates. Finden Sie f (t, T ) als Funktion von t, T, c und W
f
sowie der initialen Forward Kurve f (0, T ).
2. Bestimmen Sie hieraus die Short Rate rt und ihre Dynamik drt (unter Q ).
Rt Rt
3. Berechnen Sie 0 ru du und 0 (u, T )dWu und damit schlielich eine explizite
Darstellung der Zero Bond Preise B(t, T ), t [0, T ], welche insbesondere zeigt,
dass diese (unter Q ) lognormal verteilt sind.
Aufgabe 18 (4 Punkte) Sei B(t, T ) positive (Zero Koupon) Bond Preise.

1. Seien i = > 0, T0 > 0, Ti := Ti1 + i f ur i N, 2 m N und
:= m. Wir definieren (simple) Forward Market Rates L bzw. L f

ur 1- sowie
mPerioden via
B(t, Ti1 )
(1 + i Lit ) := , t Ti1 ,
B(t, Ti )
bzw.
L ) :=
k B t, T(k1)m
(1 + t , t T(k1)m .
B(t, Tk m )
Beweisen Sie
Ykm
L
(1 + k ) := (1 + i Lit ), t T(k1)m .
t
i=(k1)m+1
2. Eine Floating Rate Note (FRN) hat folgenden Zahlungsstrom: Gegeben t <
T0 < T1 < . . . < Tn und i = Ti Ti1 zahlt der FRN in Ti , i = 1, . . . , n,
die Coupons ci := i LiTi1 sowie zudem in Tn das Notional 1 an den Halter.

Beweisen Sie, dass unter Annahme von Existenz eines Aquivalenten Martingal
N
Maes Q bez uglich eines Numeraires N die FRN zu jeder Zeit t = T0 , . . . , Tn1
den konstanten Wert 1 hat.1 , und fur t T0 den Wert B(t, T0 ) hat.
Tipp: Stellen Sie dazu zuerst den Zahlungsstrom mittels (Zero Coupon) Bonds
dar und berechnen Sie die bedingte Erwartung der geeignet mit N diskontierten
zukunftigen Zahlungen unter QN .
1. Man sagt dazu the note is trading at par
2
Klebert Kentia
uhn WS 2015/16

Finanzmathematik
Blatt 6
1. Sei Z eine N (m, 2 )-verteilte Zufallsvariable auf einem Wahrscheinlichkeits-
raum (, A, P ) f ur ein m R, > 0. Finden Sie ein Wahrscheinlichkeits-
ma Q P , so dass Z N (0, 2 )-verteilt unter Q ist.1
2. Seien nun Z1 , . . . , Zn i.i.d. N (m, 2 )-verteilte Zufallsvariablen auf (, A, P ).
Bestimmen Sie Q P , so dass Z1 , . . . , Zn i.i.d. N (0, 2 )-verteilt unter Q
sind.
3. Sei
Xk
Sk := Zi , k = 1, . . . , n
i=1
Konstruieren Sie ein Q P , so dass (Sk )1kn ein Q-Martingal bzgl. der
Filtration Fk := (Z1 , . . . , Zk ), k = 1, . . . , n ist.
1. Seien m R \ {0}, n R und x0 R. Bestimmen Sie eine explizite Losung
der Form Xt = F (t, Bt ) welche die SDE
dXt = (mXt + n)dBt , t [0, T ],
mit Startwert X0 = x0 lost.

2. Seien 0, s0 > 0, r C0 ([0, T )) und > 0. Konstruieren Sie explizit
einen Proze S, der in S0 = s0 startet und die SDE
Z t
dSt = rt St dt + St + (1 )St exp ru du dBt , t [0, T ]
0
lost.2
1. Hinweis: Betrachten Sie Q via Dichte dQ

dP = g(Z) f
ur eine geeignete Funktion g.
Rt
achst Xt = St exp( 0 ru du).
2. Hinweis: Konstruieren Sie zun
1
Aufgabe 17 (4 Punkte) Sei (, F, (Ft )t[0,T ] , P ) ein filtrierter W-Raum, B eine
Standard Brownsche Bewegung und 0 = t0 t1 . . . tn = T . Definiere zwei
Approximationen von B durch
n
X n
X
Ht1 () = Bti1 ()1(ti1 ,ti ] (t), Ht2 () = Bti ()1(ti1 ,ti ] (t).
i=1 i=1
RT
Wir betrachten IB (H i ), i = 1, 2. Mit diesen konnen wir evt. 0
Bs dBs als
Grenzobjekt definieren. Aber:
1. Zeigen Sie, dass E[IB (H 1 )] = 0 und E[IB (H 2 )] = T .
2. Welcher Unterschied besteht zwischen H 1 und H 2 , den offensichtlich auch
nicht die Wahl eines beliebig feinen Gitters ausgleichen kann?

1 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

1 PDF

Uploaded by

Copyright:

Available Formats

Vorlesungsskript ,,Stochastische Finanzmathematik

1 Modellierung arbitragefreier Finanzm

2 Derivatebewertung und Hedging 42

5 Neutrale Derivatebewertung 110

6 Amerikanische Optionen 112

6.4 Nutzenbasierte Bewertung amerikanischer Optionen in unvollstandigen Mark-

8 Minimierung des Hedging-Fehlers in unvollst

0 Crashkurs in Ma- und Integrationstheorie

Ein Tripel (, F, P ) nennen wir einen Wahrscheinlichkeitsraum

: beliebige Menge, nennen wir ein Ergebnis

F: Mengensystem bestehend aus Teilmengen von , d.h. F 2 , wobei 2 die

(iv) Wahrscheinlichkeitsma P : F [0, 1], P () = 1, -additiv, d.h. f

Interpretation: F = {A | A ist beobachtbares Ereignis}.

Man beachte, dass wegen

:= {A | A A -Algebren A auf mit E A} .

ur jede -Algebra A gilt A und damit (E).

(ii) Sei A (E). Damit ist A A f

(iii) Seien A1 , A2 , . . . (E). Es folgt A1 , A2 , . . . A f

Proposition 0.2. Seien E1 , E2 2 . Es gilt die Implikation

E1 (E2 ) = (E1 ) (E2 ).

Anwendung: Um zu zeigen, dass (E1 ) (E2 ), reicht es aus, jedes A E1 als

Beispiel 0.3. E1 := {{a} | a R} und E2 := {(a, b) | a, b R, a < b}. Es gilt zwar

Definition 0.4 (Borelsche -Algebra). Seien n N und = Rn . Die Borelsche -

ur a, b Rn mit a < b (d.h. ai < bi i = 1, . . . , n) definieren wir den offenen Quader

(a, b) := (a1 , b1 ) (a2 , b2 ) . . . (an , bn )

Definiere E2 := {(a, b) | a, b Rn , a < b}.

Beweis. 1. Aus E2 E1 folgt (E2 ) (E1 ).

2. Sei O eine offene Teilmenge des Rn . Zunachst zeigen wir, dass

Sei nun A eine beliebige -Algebra mit E2 A, also (a, b) A f

Quadern in A liegt. Aus (0.1) folgt O

Proposition 0.2 folgt (E1 ) (E2 ) und damit insgesamt Gleichheit.

Proposition 0.9. Sei E 0 ein Erzeuger von F 0 , d.h. (E 0 ) = F 0 und es gelte f 1 (E 0 ) F

Beweis. Aus f 1 (0 \ B 0 ) = \ f 1 (B 0 ) und f 1 (nN Bn0 ) = nN f 1 (Bn0 ) folgt, dass

ur B 00 F 00 , dass B 0 := g 1 (B 00 ) F 0 . Weiter gilt

Proposition 0.11. Jede stetige Funktion f : Rn R ist B n B-messbar.

Definition 0.12 (Zufallsvariable). Eine reellwertige Zufallsvariable ist eine Abbildung

(Yi , i I) := ({Yi1 (B) | B B(R), i I})

die Borelsche--Algebra auf R bezeichnet, wird numerische Zufallsvariable genannt.

Proposition 0.13. Seien Y1 , Y2 , . . . numerische Zufallsvariablen, dann sind

inf Yn , sup Yn , lim inf Yn , lim sup Yn

wiederum numerische Zufallsvariablen.

Die anderen Aussagen folgen ahnlich.

Proposition 0.14. Seien Y1 und Y2 reellwertige Zufallsvariablen. Dann sind auch

Y1 + Y2 , Y1 Y2 , Y1 Y2 , min{Y1 , Y2 }, max{Y1 , Y2 } (0.4)

reellwertige Zufallsvariablen. Des weiteren gilt

{Y1 Y2 }, {Y1 = Y2 }, {Y1 Y2 } F. (0.5)

Beweis. Die Abbildung 7 (Y1 (), Y2 ()) ist F-B 2 -messbar. F

{ | (Y1 (), Y2 ()) (a1 , b1 ) (a2 , b2 )}

Definition 0.15 (Nullmenge). Eine Menge N F heit eine P -Nullmenge, wenn P (N ) =

0.1 Das Integral

Der Erwartungswert einer reellwertigen Zufallsvariablen Y : R bzgl. eine Maes P

ur nichtnegative Funktionen). Sei f : [0, ] F

Bemerkung 0.18. Nat

ur messbare Funktionen f, g 0 gilt

Beweis. Ad (i): Sei h 0 eine Elementarfunktion mit h f . Es folgt, dass e

{f 1/n} {f > 0}, n ,

folgt die Behauptung mit der -Additivitat von P .

I(hn ) I(h) hmax P (fn h ).

f dP < , dann sei das Integral definiert

f dP < . Der Raum der P -

L0 (, F, P ) bezeichnet den Raum der R-wertigen Zufallsvariablen.

L (, F, P ) bezeichnet den Raum der Zufallsvariablen f f

Mit Lp (, F, P ), p [1, ), L0 (, F, P ) und L (, F, P ) bezeichnet man die entspre-