Skript zur Vorlesung ,,Stochastische Analysis”

Version vom 19.04.2007

J. Creutzig

i
Kapitel I

Stochastische Prozesse

Literatur:

Revuz/Yor, Karatzas, Shreve (1999, Chap. 1).

1 Grundlegende Definitionen
1.1 Motivation
Ein mechanisches Bewegungsmodell

Ein Teilchen mit vernachlässigbarer Masse kollidiert zufällig mit vielen anderen (mas-
sebehafteten) Teilchen; wie kann man seinen zufälligen Pfad (in Newtonscher Mecha-
nik) statistisch beschreiben?
Erste Idee: Modellierung der Kollisionseffekte durch random walk: (Yi )i∈N eine i.i.d. Fol-
ge von R3 –wertigen Zufallsgrößen; Zn+1 := Zn + Yn Ort des Teilchens nach n–ter
Kollision.
Probleme:

• Wollen eigentlich zeitliche Darstellung, keine ereignisbestimmte (n ist nicht Zeit,

sondern Anzahl der Kollisionen).

• Verteilung von Yi wie bestimmen? Verteilung von Zn ?

• Schon für kurze Zeiten wird die Anzahl der Kollisionen enorm sein; Zählen von
Kollisionen unpraktikabel.

Lösung durch Idealisierung/Vereinfachung:

• Statt R3 R1 (z.B. x–Koordinate)

• Xt : Ort des Teilchens zur Zeit t ∈ [0, ∞[; reellwertige Zufallsvariable.

• Xt+h − Xt : Summe von sehr vielen unabhängigen ’Zn ’ −→ Xt+h − Xt asym-

ptotisch normalverteilt, unabhängig von allen Xs für s ≤ t, und die Verteilung
sollte nicht von t abhängen (wohl aber von h).

1
 • Symmetrieüberlegungen: E (Xt+h − Xt ) = 0.

• Skalierungsüberlegungen: Wegen Unabhängigkeit von (Xt+2h −Xt+h ) von Xt+h , Xt

und Verteilungsgleichheit von (Xt+2h − Xt+h ), ((Xt+h − Xt )) sollte gelten:

Var(Xt+2h − Xt ) = Var(Xt+2h − Xt+h ) + Var(Xt+h − Xt ) = 2 Var(Xt+h − Xt )

−→ Var(Xt+h − Xt ) sollte linear von h abhängen.

Definition 1. Sei (Ω, A, P) ein Wahrscheinlichkeitsraum. Eine (eindimensionale) Brown-

sche Bewegung (auf Ω) ist eine Familie X = (Xt )t∈[0,∞[ von reellwertigen Zufallsgrößen
Xt : Ω → R mit folgenden Eigenschaften:

1. X0 = 0;

2. Für alle t, h ≥ 0 ist Xt+h − Xt N (0, h)–verteilt und unabhängig von σ(Xs : s ≤
t)1 ;

3. Für jedes feste ω ∈ Ω ist die Zuordnung t 7→ Xt (ω) eine stetige Funktion.

Frage: Existiert eine BB? Eindeutigkeit?

Drei Lösungsansätze:

(a) Konstruktiv: Man erstellt eine Folge von konkret angebbaren ’zufälligen Funktio-
nen’, zeigt, daß diese in geeigneter Hinsicht konvergieren, und daß der Grenzwert
der Definition genügt (Wiener/Karhunen–Loewe, Donsker)

(b) Analytisch: Man definiert ein elementares stochastisches Integral und erklärt Xt
als stochastisches Integral von 1[0,t] .

(c) Generisch: Konsistenz– und Stetigkeitssatz von Kolmogorov.

Ein Modell für sukzessive Ausfälle

In einem Produktivsystem fällt ein bestimmtes Werkteil sehr oft aus; es wird um-
gehend ersetzt, aber jeder solche Ausfall kostet Produktionszeit und Material. Der
Hersteller braucht eine statistische Beschreibung, wie sich die sukzessiven Ausfälle
’zeitlich verteilen’.
Modellierungsansatz: Zt sei die Anzahl der bis zur Zeit t ausgefallenen Teile. Dann
sollte gelten: Der Zuwachs im Zeitfenster [t, t + h], also Zt+h − Zt , ist näherungsweise
poissonverteilt2 ; weiter sollte Zt+h − Zt unabhängig von Zs , s ≤ t, sein3 . Zusätzlich
1
σ(Xs : s ≤ t) ist die kleinste σ–Algebra A0 , sodaß alle Xs A0 –meßbar sind ([Link].2.3,
[Link].2.2, [Link]. 06/07 ); es folgt leicht aus [Link].5.1, daß ein Zufallsgröße genau dann von allen
Vektoren der Form (Xs1 , . . . , Xsm ) mit si ≤ t unabhängig ist, wenn sie von σ(Xs : s ≤ t) unabhängig
ist.
2
Es gibt viele ’Möglichkeiten’ (z.B. Umläufe des Gesamtsystems), wie das Bauteil ausfallen kann,
aber bei jedem einzelnen Umlauf ist die [Link] eines Ausfalles sehr klein ⇒ Poissonscher Grenzwert-
satz
3
Das ist eine eventuell kritische Vereinfachung, weil Alterungseffekte nicht beachtet werden.

2
sollten in einem doppelt so großen Zeitfenster im Schnitt doppelt so viele Ausfälle zu
erwarten sein; der Parameter der Poissonverteilung von Zt+h − Zt sollte daher linear
von h abhängen. Und schließlich sind solcherart beobachtbare ’Ausfallverläufe’, als
Funktionen betrachtet, stückweise konstant, rechtsseitig stetig und linksseitig konver-
gent.

Definition 2. Ein Poissonprozeß der Intensität λ > 0 ist eine Familie von Zufalls-
größen
Zt : Ω → R, t≥0,
sodaß gilt:

(i) Z0 = 0.

(ii) Für t ≥ 0, h > 0 ist Zt+h −Zt Poissonverteilt mit Parameter h·λ und unabhängig
von σ(Zs : s ≤ t).

(iii) Für jedes feste ω ∈ Ω ist die Funktion

t 7→ Xt (ω)

cadlag 4 , d.h. an jeder Stelle rechtsseitig stetig und linksseitig konvergent.

Problem: Existenz? Eindeutigkeit?

Zwei Lösungsansätze:

(a) Direkte Konstruktion (s.z.B. Sato, p.15–17).

(b) Generisch mit Konsistenzsatz von Kolmogorov.

Aktienkurse

Ein sehr einfaches diskretes Modell für Aktienkurse ist wie folgt: Eine i.i.d. Folge
(Yn )n∈N von positiven Zufallsgrößen beschreibt die relativen Kursänderungen pro Zeit-
einheit (Wochen, Tage, Stunden,..); der Aktienkurs wird dann modelliert als

An+1 = An · Yn+1 . (1)

Man interessiert sich für das Verhalten dieses Modelles, wenn man die Zeiteinteilung
immer weiter verfeinert. Dazu ist es zweckmäßig, das Modell umzuschreiben: Setzt
man z.B. Rn = Yn − 1, so kann man (1) umschreiben zu

∆An := (An+1 − An ) = An · Rn+1 ,

und wenn wir mit S den von R induzierten random walk bezeichnen5 , erhalten wir

∆An = An · ∆Sn . (2)

4
Continu à droite, limites à gauche.
5
also S0 = 0, Sn+1 = Sn + Rn+1

3
Nun kann man sich eine Folge von ’immer feineren’ zufälligen Irrfahrten S N vorstellen,
zu denen man jeweils passend eine Aktienkurssimulation gemäß (2) erstellen kann. Es
stellt sich sofort die Frage, ob man die Irrfahrten so wählen kann, daß die Kurssimula-
tionen in einem geeigneten Sinne konvergieren, und ob man ein zeitstetiges ’Analogon’
der Gleichung (2) der Art
dAt = At · dSt (3)
für die Grenzprozesse erklären und beweisen kann. Dies führt unmittelbar zur Idee
stochastischer Differentialgleichungen.

1.2 Stochastische Prozesse, Pfadraum, Verteilung

Sei

• (Ω, A, P ) Wahrscheinlichkeitsraum,

• (S, S) meßbarer Raum,

• I 6= ∅.

Definition 3. Eine Familie X = (Xt )t∈I von Zufallsvariablen

Xt : Ω → S, t ∈ I,

heißt stochastischer Prozeß (mit Zustandsraum S (genauer (S, S)) und Parameter-
menge I (auch ’auf I’ oder ’über’ I)).

Für uns relevantester Fall: I ⊆ R, z.B. I = [0, ∞[ oder I = [0, T ], S = Rd . Im

folgenden sei stets Sei X = (Xt )t∈I ein stochastischer Prozeß mit Zustandsraum S.

Definition 4. Die Abbildung

U : Ω → SI , ω 7→ (Xt (ω))t∈I

heißt Pfadabbildung; für jedes ω ∈ Ω heißt U (ω) = (Xt (ω))t∈I ein Pfad (Realisierung,
Trajektorie) von X.

Wir sagen kurz6 , daß X stetige/meßbare/ beschränkte/integrierbare.. Pfade hat,

wenn alle Pfade von X stetig/meßbar/beschränkt/integrierbar sind.

Bemerkung 1. Wir bezeichnen mit SI die Produkt–σ–Algebra auf S I , vergleiche

[Link].3.1 in [Link]. 06/07. Der meßbare Raum (S I , SI ) wird auch Pfadraum genannt.
Aus [Link].3.1 in [Link]. 06/07 folgt sofort, daß U A–SI – meßbar ist; genauer gilt
sogar, daß

σ(U ) = U −1 (SI ) = U −1 (B) : B ∈ SI = σ(Xs : s ∈ I) .



6
Manchmal sagen wir auch ganz kurz, daß S stetig/beschränkt/.. ist.

4
Definition 5. Das Verteilungsgesetz PU von U (also das Bildmaß von P unter U )
heißt die Verteilung von X (auf/in dem Pfadraum). Für n ∈ N, t1 , . . . , tn ∈ I heißt
PXt1 ,...,Xtn eine endlichdimensionale Randverteilung.
Bemerkung 2. (a) Sei J ⊆ I endlich. Betrachten wir auf dem Pfadraum die kano-
nische Projektionsabbildung π(I, J) : S I → S J , so ist das Bildmaß der Vertei-
lung von X unter π gerade die Verteilung von (Xt )t∈J (also bei J = {t1 , . . . tn }
gleich7 P(Xt1 ,...,Xtn ) ). Sind zwei Prozesse X, Y gegeben, deren endlichdimensionale
Verteilungen sämtlich übereinstimmen, so folgt hieraus leicht, daß die Verteilun-
gen von X und Y auf der Algebra der meßbaren Rechtecke ([Link].3.1, [Link].
06/07 ) übereinstimmen; daraus ergibt sich aber ([Link].4.4, [Link]. 06/07 ),
daß die Verteilungen von X und Y identisch sind.

(b) Jeder stochastische Prozeß X mit Pfadraum S erzeugt durch die Pfadabbildung
in kanonischer Weise ein Wahrscheinlichkeitsmaß auf (S I , SI ); ist umgekehrt µ
ein Wahrscheinlichkeitsmaß auf (S I , SI ), so definiert die Koordinatenabbildung

Xt : S I → S, Xt (ω) := ω(t)

einen stochastischen Prozeß mit Zustandsraum S und Verteilung im Pfadraum

µ. Man hat also eine Korrespondenz zwischen stochastischen Prozessen und
Wahrscheinlichkeitsmaßen auf dem Pfadraum, völlig analog zur Korrespondenz
zwischen Zufallsvariablen und Wahrscheinlichkeitsmaßen. Das ist insbesondere
nützlich, wenn man die Existenz von stochastischen Prozessen mit gewissen
Eigenschaften zeigen will.

(c) Mit Hilfe der Verteilung von X lassen sich alle Fragen
Allerdings werden nicht alle Eigenschaften eines Prozesses ([Link] der
Pfade) von der Verteilung bestimmt, s. dazu Bemerkung 3.
Definition 6. (i) Zwei stochastische Prozesse X und Y mit gleichem Zustands-
raum S heißen identisch verteilt (oder haben die gleichen endlichdimensionalen
d
Verteilungen), kurz X = Y , wenn ihre Verteilungen auf dem Pfadraum über-
einstimmen.

(ii) Zwei stochastische Prozesse X, Y mit gleichem Zustandsraum, die auf dem glei-
chen Wahrscheinlichkeitsraum(Ω, A, P) definiert sind, heißen Versionen vonein-
ander ^
:⇔ P(Xt = Yt ) = 1 .
t∈I

(iii) X,Y wie in (ii) heißen ununterscheidbar, falls P–f.s. gilt:8

^
Xt = Yt .
t∈I

7
Ein kleiner Unterschied liegt darin, daß wir auf S J keine Anordnung ausgezeichnet haben.
8
Erinnerung: Das heißt, daß ein Ω0 ∈ A existiert mit P(Ω0 ) = 1, und derart, daß für alle ω ∈ Ω0
die Bedingung gilt. Die Menge der ω, sodaß Xt (ω) = Yt (ω) für alle t, muß i.A. keineswegs meßbar
sein!

5
Wir schreiben kurz, X hat eine stetige/beschränkte/.. Version, wenn eine Version Y
von X existiert, sodaß Y stetige/beschränkte/.. Pfade hat.
Bemerkung 3. (a) Offenbar gilt ’ununterscheidbar ⇒ Versionen ⇒ identisch ver-
teilt’; die Umkehrungen gelten aber nicht. Beispielsweise ist der Prozeß

Xt : ([0, 1], B([0, 1], λ) → R , Xt (ω) = 1{t} (ω)

eine Version des Nullprozesses Yt (ω) = 0, aber nicht ununterscheidbar hiervon;

im Gegenteil gilt sogar
n ^ o
ω : Xt (ω) = 0 = ∅ .
t∈I

Man beachte auch, dass zwar X und der Nullprozeß die gleiche Verteilung ha-
ben, aber der eine nur unstetige Pfade, der andere nur stetige Pfade besitzt.
Allerdings hat X eine stetige Version, d.h., es gibt eine Version mit stetigen
Pfaden.

(b) Sind X, Y Versionen voneinander, und haben X, Y stetige Pfade, so sind X, Y

ununterscheidbar (s. Übung).

1.3 Der Kolmogorovsche Konsistenzsatz

Sei

• (Ω, A, P ) Wahrscheinlichkeitsraum,

• (S, S) meßbarer Raum,

• I 6= ∅.

Wir setzen P0 (I) := J ⊆ I : #J < ∞ , und setzen

π(I, J) : S I → S J , (f (t))t∈I 7→ (f (t))t∈J .

Ein stochastischer Prozeß X = (Xt )t∈I mit Zustandsraum (S, S) erzeugt durch die
Definition
µJ := P(Xt )t∈J , J ∈ P0 (I) ,
stets eine Familie (µJ )J∈P0 (I) von Wahrscheinlichkeitsmaßen µJ auf (S J , SJ ); diese
Familie ist konsistent 9 im folgenden Sinne: Für J1 ⊆ J2 gilt µJ1 = µJ2 ◦ π −1 (J1 , J2 ).
Ziel dieses Anschnittes ist es, die Umkehrung für ”schöne” Zustandsräume zu zeigen.
Satz 1. [Daniell 1918, Kolmogorov 1933] Sei S ein vollständiger separabler metrischer
Raum mit S = B(S); ferner sei (µJ )J∈P0 (I) eine konsistente Familie von Wahrschein-
lichkeitsmaßen. Dann existiert ein (in Verteilung eindeutig bestimmter) stochastischer
Prozeß X, sodaß (µJ )J∈P0 (I) die Familie der endlichdimensionalen Verteilungen von
X ist.
9
Diese Eigenschaft wird auch projektiv genannt.

6
Man sieht mit Hilfe von Bemerkung 1 sofort ein, daß dies gleichbedeutend ist mit dem
folgenden Satz:
Satz 2. [Daniell 1918, Kolmogorov 1933] Sei S ein vollständiger separabler metrischer
Raum mit S = B(S); ferner sei (µJ )J∈P0 (I) eine konsistente Familie von Wahrschein-
lichkeitsmaßen. Dann existiert genau ein Wahrscheinlichkeitsmaß µ auf (S I , SI ) mit
µJ = µ ◦ π −1 (I, J) für alle J ∈ P0 (I).
(Man vergleiche dies Ergebnis mit den schon bekannten Ergebnissen für
(i) Produktmaße: I, (S, S) beliebig → Prozeß aus unabhängigen Variablen;
(ii) Markov–Kerne: I = N, (S, S) beliebig (Ionesa–Tulcea);
siehe [Link].8 in [Link]. 06/07.)
Zur Vorbereitung des Beweises benötigen wir ein paar Hilfssätze:
Satz 3. (Äußere Regularität von Borelmaßen)
Es sei (M, d) ein metrischer Raum und ν ein Wahrscheinlichkeitsmaß auf (M, B(M )).
Dann gilt
ν(A) = inf{ν(O) : O ⊇ A, O offen} = sup{ν(C) : C ⊆ A, A abgeschlossen} .
Beweis. Sei A das System aller Mengen A ∈ B(M ), für die obiges gilt. Dann ist A
komplementstabil und S ∈ A. Weiter enthält A alle abgeschlossenen Mengen: Ist A
abgeschlossen, so gilt offenbar
ν(A) ≤ inf{ν(O) : O ⊇ A, O offen} ;
umgekehrt gibt es eine Folge von offenen Mengen On , z.B. On := {x : d(x, A) < 1/n},
sodaß On & A, und damit folgt
ν(A) = inf{ν(O) : O ⊇ A, O offen} .
Schließlich zeigen wir noch, daß A abgeschlossen ist unter abzählbaren Vereinigun-
gen; hieraus folgt sofort, daß A eine σ–Algebra ist und somit gleich B(M ), und also
die Behauptung. Seien also Ai ∈ A und ε > 0, so finden sich offene Oi ⊇ Ai und
abgeschlossene Ci ⊆ Ai mit
ν(Oi \Ci ) = ν(Oi \Ai ) + ν(Ai \Ci ) ≤ ε/2i .
Wählt man nun i0 so, daß
[ [ 
ν Oi \ Oi0 ≤ ε/2 ,
i i≤i0
S S S
so folgt i≤i0 Ci ⊆ i Ai ⊆ i Oi , und
[ [  [ [ i0

X
ν Oi \ Ci ≤ ν ( Oi \ Oi ) + ν(Oi \Ci ) ≤ ε .
i i≤i0 i i≤i0 i=1

Dies impliziert [ [  [ [ 
ν Oi \ Ai + ν Ai \ Ci ≤ ε ,
i i i i≤i0
S
und somit ist i Ai ∈ A.

7
Satz 4. (Innere Regularität von Borelmaßen)
Es sei M ein vollständiger separabler metrischer Raum und ν ein Wahrscheinlichkeits-
maß auf (M, B(M )). Dann gilt

ν(A) = sup{ν(C) : C ⊆ A, C kompakt} .

Beweis. Wir zeigen zunächst, daß ν Radonsch ist, also

sup{ν(C) : C ⊆ M, C kompakt} = 1 . (4)

Sei (mi )i∈N dicht in M . Bilde

Bn,i := {m ∈ M : d(m, mi ) < 1/n} , i, n ∈ N .

Sei nun ε > 0 beliebig und n ∈ N fest. (Bn,i )i∈N überdeckt M . Wähle in = in (ε) ∈ N
mit
 [in 
ν M \ Bn,i ≤ ε · 2−n .
i=1
T∞ Sin
Sei B := n=1 i=1 Bn,i . Dann
∞
X in
[
ν(M \B̄) ≤ ν(M \N ) ≤ ν(M \ Bn,i ) ≤ ε .
n=1 i=1

Um (4) zu folgern, müssen wir noch zeigen, daß B̄ kompakt ist. Dazu zeigen wir,
daß jede Folge in B eine Cauchy–Teilfolge enthält. Sei also (zi )i∈N ∈ B. Dann ex.
i∗1 ∈ {1, . . . , i1 }, sodaß |{i ∈ N : zi ∈ B1,i∗1 }| = ∞. Man kann also eine Teilfolge aus
zi auswählen, die stets in B1,i∗1 liegt. Durch Iteration und das klassische Diagonalisie-
rungsargument bekommt man so eine Folge von Indices i∗n und eine Teilfolge (yn ) von
(zi ), welche für alle m ≤ n erfüllt: yn ∈ Bm,i∗m . Hieraus folgt wegen diam (Bm,i ) ≤ 1/m
sofort, daß yn eine Cauchyfolge ist. Weil M vollständig ist, existiert ein Grenzwert für
yn in B̄. Also ist B̄ kompakt, und (4) folgt. Nun sei A ∈ B(M ) beliebig; nach Satz
3 existiert für ε > 0 eine abgeschlossene Menge C ⊆ A mit ν(A\C) ≤ ε. Wegen (4)
gibt es auch eine kompakte Menge K ⊆ M mit ν(M \K) ≤ ε. D := C ∩ K ⊆ A ist
kompakt, und
ν(A\D) ≤ 2ε .

Weiter benötigen wir zwei Lemmata über metrische Räume.

Lemma 1. Ist S ein vollständiger separabler metrischer Raum und J eine endli-
che Menge, so ist S J , versehen mit der Produktmetrik, ein vollständiger separabler
metrischer Raum, und B(S)J = B(S J ).

Beweis. (vgl. auch [Link].3.3 in [Link]. 06/07.) Die einzig nichttriviale Aussage ist
die letzte. Weiter gilt (ganz ohne Voraussetzungen), daß B(S)J ⊆ B(S J ), denn Pro-
dukte offener Teilmengen von S sind ein Erzeugendensystem von B(S)n (s.z.B. [Link].3.1(ii)

8
in [Link]. 06/07 ). Für die umgekehrte Inklusion sei o.E. S J = S n und (mi )i∈N dicht
in S; dann ist die Menge
n o
B := B(mi , q) : i ∈ N, q ∈ Q

eine abzählbare Basis der Topologie von S 10 ; ferner ist B n11 eine abzählbare Basis der
Topologie von S n . Dies impliziert

B(S n ) = σ(B n ) ; (5)

da offenbar B n aus meßbaren Rechtecken besteht, hat man weiter

B n ⊆ B(S)n

und mit (5) folgt B(S n ) ⊆ B(S)n .

Lemma 2. Es sei I 6= ∅ und Jn ∈ P0 (I). Weiter seien Kn ⊆ S Jn kompakt, und wir
setzen n
\
Yn = π −1 (I, Jl )(Kl ) .
l=1
T
Falls für jedes n ∈ N gilt, daß Yn 6= ∅ ist, so ist n Yn 6= ∅.

(Dies verallgemeinert den Cantorschen Durchschnittssatz im Falle I = {t}.)

Beweis. Es sei (yn )n∈N eine beliebige Folge mit yn ∈ Yn . Für t ∈ Jn und m ≥ n ist
ym ∈ Yn , also folgt

ym (t) = π(Jn , {t})[π(I, Jn ) (ym ) )] ∈ π(Jn , {t})(Kn ) .

|{z} | {z }
∈π −1 (I,Jn )(Kn )) kompakt
Setze J = ∞
S
n=1 Jn . Wir können nun wieder durch iterative Teilfolgenbildung und
Diagonalisierung eine Teilfolge ynl bilden, sodaß für jedes t ∈ J die Folge ynl (t) kon-
vergiert; wir definieren z̃ ∈ S J durch

z̃(t) := lim ynl (t) , t∈J .

l→∞

Nun wählen wir ein beliebiges z ∈ S I mit π(I, J)(z) = z̃; nun folgt leicht (zt )t∈Jn ∈ Kn
T
aufgrund der Abgeschlossenheit von Kn , und damit z ∈ n Yn .

Beweis von Satz 2. Die Eindeutigkeit folgt aus Bemerkung 1;

Existenz: Wir definieren zunächst einen passenden Inhalt auf einer SI erzeugenden
Algebra, und zeigen, daß dieser Inhalt stetig in der leeren Menge ist. Dann läßt sich
nach dem Satz von Caratheodory der Inhalt zu einem Maß auf SI fortsetzen.
Für J ∈ P0 (I) sei AJ das System von Mengen der Form π −1 (I, J)(B)S 12 mit B ∈ SJ .
Auf AJ definiert
µ̃J (π −1 (I, J)(B)) := µJ (B)
10
D.h., daß jede offene Menge Vereinigung von Elementen von B ist)
11
Hier ist das kartesische Produkt gemeint
12
also genau die Mengen, die in den J–Koordinaten meßbar festgelegt sind

9
 ein Wahrscheinlichkeitsmaß. Wir betrachten nun die Algebra
[
SI0 := AJ .
J∈P0 (I)

Sicher ist SI0 ⊆ SI , und da die meßbaren Rechtecke in SI0 liegen, folgt SI = σ(SI0 ).
Wegen der Konsistenz der Familie ist µ̃|AJ := µ̃J wohldefiniert13 und ein Inhalt auf
SI0 . Nun zeigen wir Stetigkeit in der leeren Menge: Seien Zn ∈ SI0 mit Zn & ∅.

Annahme: inf n µ̃(Zn ) = α > 0.

Es sei Zn = π −1 (I, Jn )(Bn ) mit Bn ∈ SJn . OBdA können wir J1 ⊆ J2 ⊆ · · ·
voraussetzen. Nach Lemma 1 und Satz 4 existieren kompakte Mengen Cn mit
µJn (Bn \Cn ) ≤ 2−n α. Setze Kn = π −1 (I, Jn )(Cn ), dann folgt
µ̃(Zn \Kn ) ≤ 2−n α.
S
Da Kn ⊆ Zn , folgt auch Yn := i≤n Ki ⊆ Zn . Andererseits ist Zn \Yn ⊆
S
i≤n Zi \Ki , und daher folgt
n
[ X
µ̃(Zn ) − µ̃(Yn ) ≤ µ̃( (Zi \Ki )) ≤ µ̃(Zi \Ki ) < α.
i=1

Da µ̂(Zn ) ≥ α, folgt hieraus µ̂(Yn ) > 0, und damit Yn 6= ∅ für jedes n. Aus
T
Lemma 2 folgt nun n Yn 6= ∅, ein Widerspruch.
Also ist µ̃ stetig in der leeren Menge. Nach [Link].4.1 in [Link]. 06/07 ist µ̃ ein
Prämaß; nach dem Satz von Caratheodory ([Link].4.3 in [Link]. 06/07 ) kann man
µ̃ also zu einem Maß µ auf σ(SI0 ) = SI fortsetzen. Nach Konstruktion ist offenbar
µ ◦ π −1 (I, J) = µJ .
Definition 7. In der Situation von Satz 2 nennen wir µ den projektiven Limes der
Familie (µJ ), µ = limJ µJ .
Bemerkung 4. Aus Übungsaufgaben 1,2 lassen sich mit obigem Satz sofort eine
reiche Klasse von Prozessen konstruieren. Es sei hierzu I 6= ∅ und C : I × I → R
symmetrisch und nichtnegativ definit14 Nach Übung 1, Teil (d) existiert für jede end-
liche Teilmenge J (genau) eine Normalverteilung µJ = N (0, (C(t, s))t,s∈J ); man sieht
mit Teil (c) sofort, daß diese Familie konsistent ist. Folglich existiert ein zentrierter
Gaußprozeß X auf I, sodaß Cov (Xt , Xs ) = C(t, s). Umgekehrt läßt sich leicht zeigen,
daß für jeden reellwertigen Prozeß Y die Kovarianzfunktion C̃(t, s) := Cov (Yt , Ys )
symmetrisch und nichtnegativ definit ist. (Offenbar teilen sich also viele Prozesse die
gleiche Kovarianzfunktion.) Insbesondere existiert ein Gaußprozeß X = (Xt )t≥0 mit
Cov (Xt , Xs ) = min{s, t}. Das ist trotz Aufgabe 2, Teil (b), aber nicht unbedingt eine
Brownsche Bewegung, da die Stetigkeit der Pfade nicht gegeben sein muß.
13
Denn man rechnet mit der Konsistenz leicht nach, daß z.B.
µ̃J∪{t} π −1 (I, J ∪ {t})(B × S) = µ̃J π −1 (I, J)(B) .

14
D.h., daß jede Matrix (C(t, s))t,s∈J , J endlich, nichtnegativ definit ist. Dies zu prüfen, ist oft
allerdings nichttrivial.

10
Eine andere Anwendung ist die Existenz von Prozessen mit unabhängigen Zuwächsen.

Definition 8. Sei I = [0, ∞[, X = (Xt )t∈I ein stochastischer Prozeß auf (Ω, A, P )
mit Zustandsraum (Rd , B(Rd )).

(i) X hat unabhängige Zuwächse (Inkremente), falls für alle n ∈ N und 0 ≤ t0 <
· · · < tn die Folge Xt1 − Xt0 , . . . , Xtn − Xtn−1 unabhängig ist.
d
(ii) X hat stationäre Zuwächse, falls für alle 0 ≤ s < t gilt: Xt − Xs = Xt−s − X0 .

Beispiel 1. Brownsche Bewegung und Poissonprozeß (so sie denn existieren) sind
Beispiele für Prozesse mit stationären und unabhängigen Zuwächsen.

Sei X ein Prozeß mit unabhängigen Zuwächsen; setze νs,t := PXt −Xs , 0 ≤ s ≤ t.

Bemerkung 5. (i) Offenbar gilt νs,t = νs,r ∗ νr,t , 0 ≤ s < r < t .

(ii) Falls X0 = 0 f.s. , so ist die Verteilung von X schon durch (νs,t ) eindeutig
bestimmt, denn für 0 = t0 < . . . < tn ist

(Xt1 , . . . , Xtn ) = Σn (Xt1 − Xt0 , . . . , Xtn − Xtn−1 ) ,

wenn man X
Σn : R n → Rn , Σn ((xi )i≤n ) := (( xi ))i≤n
j≤i

setzt. Also
PXt1 ,...,Xtn = (νt1 ,t0 ∗ · · · ∗ νtn ,tn−1 ) ◦ Σ−1
n .

Satz 5. Sei (νt,s )0≤s<t eine Familie von Wahrscheinlichkeitsmaßen auf (Rd , B(Rd )).
Es gelte
∀0 ≤ s < u < t νs,t = νs,u ∗ νu,t . (6)
Dann existiert ein Wahrscheinlichkeitsraum (Ω, A, P ) und ein darauf definierter sto-
chastischer Prozeß X = (Xt )t∈[0,∞[ mit Zustandsraum (Rd , B(Rd )), sodaß

(i) X0 = 0.

(ii) X hat unabhängige Zuwächse.

(iii) ∀0 ≤ s < t : PXt −Xs = νs,t .

X ist durch diese Forderungen in seiner Verteilung eindeutig bestimmt.

Beweis. Mit Σn wie oben setzen wir für J = {t1 , . . . , tn }, ti < ti+1 ,

µJ := νt1 ,0 ∗ · · · ∗ νtn ,tn−1 ) ◦ Σ−1

n .

Mit leichter Mühe zeigt man, daß dies eine projektive Familie ist; nun verbleibt, Satz
1 anzuwenden.

11
Ein Spezialfall sind Prozesse mit unabhängigen und stationären Zuwächsen mit X0 =
0, bei denen PXt −Xs = PXt−s gilt. Hier wird X in seiner Verteilung schon durch
νt := νt,0 bestimmt; die Familie (νt ) heißt Faltungshalbgruppe (νt ∗ νs = νt+s ).

Beispiel 2. (a) Sei λ > 0. Mit νt = Poi(λt) hat man νt ∗νs = νt+s (s.z.B. [Link].3.3
in [Link]. 06/07 ); nach Satz 5 existiert somit ein Prozeß Y = (Yt )t≥0 mit un-
d
abhängigen Zuwächsen und Yt+h − Yt = Poi(λh). Dieser Prozeß hat offenbar
monoton wachsende Pfade; wir konstruieren nun eine Version dieses Prozesses
mit cadlag–Pfaden. Für jedes feste t > 0, ω ∈ Ω sei nun Z0 (ω) = 0 und

Zt (ω) := lim Yt (ω) ;

s%t

dann ist Z = (Zt )t≥0 ein Prozeß mit rechtsstetigen Pfaden; man rechnet leicht
nach (s.Übung), daß Z eine Version von Y ist, und damit ein Poissonprozeß.

(b) Aus dem Poissonprozeß lassen sich leicht allgemeinere Sprung-/Zählprozesse

konstruieren, die ’compound Poisson processes’ (’verbundenen/gemischten’ Pois-
sonprozesse). Der einzige Unterschied zum Poissonprozeß ist der, daßdie Sprunghöhen
nicht mehr deterministisch 1 sind, sondern zufällig (und unabhängig von den
Sprungzeiten) ausgewürfelt werden.

(c) Die Γ–Verteilung,

αc
Z
Γc,α (B) := · xc−1 e−αx dx, c, α > 0
Γ(c) B∩]0,∞[

hat die Faltungseigenschaft Γc1 ,α ∗ Γc2 ,α = Γc1 +c2 ,α . Daher ist für feste α, λ > 0
die Familie
νt := Γλt,α
eine Faltungshalbgruppe, und es existiert folglich ein stochastischer Prozeß X
mit X0 = 0 und unabhängigen, stationären Zuwächsen Xt+h − Xt ∼ Γλh,α . Auch
hier läßt sich zeigen, daß X eine Version mit cadlag–Pfaden besitzt; das ist aber
etwas aufwändiger.

Wir würden nun gerne mehr über den Poissonprozeß lernen; zum Beispiel interessiert
uns die Folge der Sprungzeiten

Sn := inf t > 0 : Zt ≥ n

und der Wartezeiten

ξn := Sn − Sn−1 (S0 := 0) .
Da offenbar ξ1 > t ⇔ Zt = 0, hat man

P(ξ1 > t | ξ1 > s) = P(Zt = 0 | Zs = 0)

= P(Zt − Zs = 0 | Zs = 0)
= P(Zt − Zs = 0)
= P(ξ1 > t − s) ;

12
hieraus ergibt sich leicht, daß ξ1 exponentialverteilt ist mit Parameter λ. Die Un-
abhängigkeit der Zuwächse von der Vergangenheit suggeriert nun, daß die ganze Folge
(ξn )n∈N eine i.i.d. Folge sein sollte; genauer würde man anhand der Modellierungsidee
erwarten, daß der Prozeß (Zt+S1 − ZS1 )t≥0 wieder ein Poissonprozeß der Intensität λ
und unabhängig von S1 ist; ξ2 ist dann die erste Sprungzeit dieses neuen Prozesses,
wäre also i.i.d. zu ξ1 . Die Fragen, die sich hier aufdrängen, sind:

(i) Darf man überhaupt ZS1 etc., als Zufallsgröße auffassen? Meßbarkeit?

(ii) Sicher gilt nicht für alle ’zufälligen Zeiten’ S = S(ω), daß (Zt+S − ZS )t≥0 wieder
ein von S unabhängiger Poissonprozeß ist; für welche Art von ’vernünftigen’
’zufälligen Zeiten’ kann man so etwas sagen?

(iii) Allgemeiner würden wir gerne sagen, daß ein Prozeß wie der Poissonprozeß oder
die Brownsche Bewegung, ’ab’ einer ’zufälligen Zeit’ betrachtet, in seiner zukünf-
tigen Entwicklung nicht von der ’Vorgeschichte’ abhängt; was sind die richtigen
Begriffe und Konzepte, um dies exakt und nutzbringend zu formulieren?

Diese Fragen führen auf natürliche Weise zu den Konzepten einer Filtration (’Vor-
geschichte’), einer Stopzeit (’vernünftige zufällige Zeit’) und der Markoveigenschaft
(’Unabhängigkeit von der Vorgeschichte’).

1.4 Filtrationen
Seien nun

• (Ω, A, P) Wahrscheinlichkeitsraum,

• I ⊆ R (z.B. I = [0, T ], I = [0, ∞[),

• (S, S) Meßraum,

• X, Y S–wertige Prozesse auf I, definiert auf (Ω, A, P).

Definition 9.

(i) Eine Filtration (auf I über (Ω, A, P)) ist eine Familie F = (Ft )t∈I von σ-Algebren
Ft ⊆ A mit
∀ s, t ∈ I : s < t ⇒ Fs ⊆ Ft .

(ii) X heißt F–adaptiert, falls für alle t ∈ I gilt: Xt Ft -S-meßbar.

(iii) Die kanonische Filtration zu X ist

FX
t = σ ({Xs : s ≤ t}) , t ∈ I.

Bemerkung 6. Offenbar ist FX die kleinste Filtration, zu der X adaptiert ist.

13
Bemerkung 7. Es Sei I = [0, ∞[ oder I = [0, T ]. Für t ∈ I sei

Ut : Ω → S [0,t] , Ut (ω)) := (Xs (ω))s≤t

die eingeschränkte Pfadabbildung. Dann sieht man leicht, daß σ({Ut }) = FX

t . Für
V : Ω → R zeigt dann das Faktorisierungslemma ([Link].2.8 in [Link]. 06/07 ), daß
eine Abbildung V : Ω → R genau dann FX t -B(R)-meßbar ist, wenn V = g((Xs )s≤t )
[0,t]
mit einem S –B(R)–meßbaren g. Intuitiv formuliert:

FX
t –meßbare Abbildungen sind genau die, welche nur die Infor-
mation über X bis zur Zeit t benutzen.

Dies rechtfertigt die Ansicht, Filtrationen ’codieren’ die zur Zeit t ’verfügbaren’ In-
formationen. Wieder intuitiv:

Eine Abbildung nutzt das durch F codierte Wissen über Ge-

schehnisse höchstens bis zur Zeit t genau dann, wenn sie Ft –
meßbar ist.

Im folgenden sei I = [0, ∞[. Gegeben: Filtration F = (Ft )t∈I in A.

Allgemein ist für einen stochastischen Prozeß X nicht klar, ob z.B. das ’Ereignis’ At =
{Xs ≤ 1 ∀s ∈ [0, t]} meßbar ist; die folgende Definition ist eine Art Minimalforderung,
die solche Eigenschaften garantiert.
Definition 10.

(i) X heißt meßbar, falls

I × Ω → S, (t, ω) 7→ Xt (ω)

(B(I) ⊗ A)-S-meßbar ist.

(ii) X progressiv meßbar (bzgl. F), falls für jedes t ≥ 0 die Abbildung

[0, t] × Ω → S, (s, ω) 7→ Xs (ω)

(B([0, t]) ⊗ Ft )-S-meßbar ist.

Bemerkung 8. (a) Ist X meßbar, so ist nach Fubini auch für jedes feste ω die
Abbildung t 7→ Xt (ω) meßbar; X hat also meßbare Pfade. Die Umkehrung gilt
i.A. aber nicht.

(b) Ist X progressiv meßbar, so ist auch für jedes feste t die Abbildung Xt (·) : Ω → S
Ft –S–meßbar; folglich ist X F adaptiert. Auch hier ist die Umkehrung falsch.
Ferner ist für jedes A ∈ S
[
{(t, ω) ∈ I×Ω : Xt (ω) ∈ A} = {(s, ω) ∈ [0, t] × Ω : Xs (ω) ∈ A} ∈ B([0, t])⊗A ,
| {z }
t∈N
∈B([0,t])⊗Ft

und also ist X auch meßbar.

14
 (c) Man kann mit ein wenig Aufwand zeigen: Ist X meßbar und adaptiert, so exi-
stiert eine progressiv meßbare Version von X (s. Karatzas/Shreve, p.5). Ist man
also an der konkreten Version von X nicht interessiert, sind die Konzepte im
wesentlichen austauschbar.

Proposition 1.

X adaptiert und rechtsseitig (linksseitig) stetig ⇒ X progressiv meßbar.

(n) (n)
Beweis. Im Falle rechtsseitiger Stetigkeit. Fixiere t > 0, setze I0 = {0} und Ik =
](k − 1)/2n · t, k/2n · t] für n ∈ N und k = 1, . . . , 2n . Definiere
(n)
Xs(n) (ω) = Xk/2n ·t (ω), falls s ∈ Ik .

Dann folgt für alle ω ∈ Ω und s ∈ [0, t]

lim Xs(n) (ω) = Xs (ω).

n→∞

Ferner gilt für B ∈ S

2n
[ (n)
{(s, ω) ∈ [0, t] × Ω : Xs(n) (ω) ∈ B} = {(s, ω) ∈ Ik × Ω : Xk/2n ·t (ω) ∈ B}
k=0
[2n  
(n)
= Ik × {Xk/2n ·t ∈ B} ∈ B([0, t]) ⊗ Ft .
k=0

Im Folgenden werden wir manchmal eine gewisse ’Stetigkeit im Erkenntnisgewinn’

brauchen:

Definition 11. F heißt rechtsseitig stetig, falls

\
∀ t ∈ I : Ft = Ft+ε .
ε>0

Bemerkung 9. Offenbar ist für jede Filtration F durch

\
F∗t := Ft+ε
ε>0

eine rechtsstetige Filtration F∗ definiert, die F verfeinert, also Ft ⊆ Ft∗ erfüllt.

Beispiel 3. Ist P(R = +1) = P(R = −1) = 1/2, und ist Xt = R · t, so ist FX nicht
rechtsstetig in 0: X0 = 0, also FX X
0 = {∅, Ω}; für t > 0 ist aber Ft = σ(R) 6= F0 .
X

Das entspricht dem ’spontanen Erkenntnisgewinn’ über R, sobald t > 0. Das Beispiel
zeigt auch, daß stetige Prozesse keine rechtsstetigen kanonischen Filtrationen erzeugen
müssen.

15
1.5 Stopzeiten
Oft wird bei Beobachtung eines zufälligen Prozesses auf das Eintreten eines vom Prozeßver-
lauf abhängigen Ereignisses gewartet. Zur Modellierung solcher Ereignisse werden Stopzeiten
erklärt und untersucht.
Sei F = (Ft )t≥0 Filtration über (Ω, A, P ).

Definition 12. Eine Abbildung T : Ω → I ∪ {∞} heißt

(i) T Stopzeit (bzgl. F), falls

∀t∈I: {T ≤ t} ∈ Ft .

(ii) T optionale Zeit (bzgl. F), falls

∀t∈I: {T < t} ∈ Ft .

Bemerkung 10. (a) Für T beliebig definiere XtT := 1{T ≤t} ; dann ist T F Stopzeit
genau dann, wenn X T F–adaptiert ist (s. Übung). Analog ist T optionale Zeit
genau dann, wenn XtT := 1{T <t} F–adaptiert ist.

(b) Betrachte die kanonische Filtration FX bezüglich eines Prozesses. Genau dann
ist T Stopzeit bzgl. FX , wenn für jedes t ∈ I eine Menge B ∈ S[0,t] mit

{T ≤ t} = {ω ∈ Ω : X· (ω)|[0,t] ∈ B}

existiert, siehe Bemerkung 7. T is also FX –Stopzeit genau dann, wenn das

’Auslösen’ von T durch die zeitliche Entwicklung von X kontrolliert wird.

Proposition 2.
T Stopzeit ⇒ T optionale Zeit.
Es gilt ⇔“ im Falle einer rechtsseitig stetigen Filtration.
”
Beweis. ⇒’”:
” ∞
[
{T < t} = {T ≤ t − 1/n} ∈ Ft .
| {z }
n=1
∈Ft−1/n

⇐’”: Für jedes m ∈ N

”
∞
\
{T ≤ t} = {T < t + 1/n} ∈ Ft+1/m .
| {z }
n=m
∈Ft+1/n

Mit der Stetigkeitsannahme folgt {T ≤ t} ∈ Ft .

Proposition 3. Mit S, T , T1 , . . . sind auch S + T und supn∈N Tn Stopzeiten bzgl. F.

Im Falle einer rechtsseitig stetigen Filtration gilt dies auch für inf n∈N Tn .

16
Beweis. sup und inf erledigt man mit Bem.10 und Prop.2; zur Summe:

{S + T > t}
= {S = 0, T > t} ∪{0 < S < t, S + T > t} ∪ {S = t, T > 0} ∪ {S > t}
| {z } | {z } | {z }
∈Ft ∈Ft ∈Ft

sowie [
{0 < S < t, S + T > t} = {r < S < t, T > t − r} ∈ Ft .
| {z }
r∈Q∩]0,t[ ∈Ft

Definition 13. Eintrittszeit in Γ ∈ B(Rd ):15

HΓ (ω) = inf{t ∈ I : Xt (ω) ∈ Γ}.

HΓ heißt Debút– oder Eintrittszeit von X in Γ.

Proposition 4. Sei X zu F adaptiert. Dann

(i) X rechtsseitig stetig ∧ Γ offen ⇒ HΓ optionale Zeit.

(ii) X stetig ∧ Γ abgeschlossen ⇒ HΓ Stopzeit.

Beweis. ad (i): Es gilt

[ [
{HΓ < t} = {Xs ∈ Γ} = {X ∈ Γ} ∈ Ft .
| s{z }
s∈[0,t[ s∈Q∩[0,t[ ∈Fs

ad (ii): Wir führen den ε–Saum einer Menge ein: Für ε > 0 sei

Γε := x ∈ Rd : inf |x − y| < ε ,

y∈Γ
T
hierbei sei | · | der euklidische Abstand. Offenbar ist Γε offen, und Γ = n∈N Γ1/n (Γ ist
abgeschlossen). Ferner gilt wegen der Stetigkeit von X für alle t > 0 und alle ω ∈ Ω:
Es existiert ein s ≤ t, sodaß Xs (ω) ∈ Γ
⇔ Für alle n ∈ N existiert eine Zahl s < t, sodaß Xs (ω) ∈ H1/n .
Also ist \
{HΓ ≤ t} = {HΓ1/n < t} ∈ Ft .
n∈N
| {z }
∈Ft nach (i)

Bemerkung 11. Der vorige Satz kann viel allgemeiner formuliert und bewiesen wer-
den: Ist die Filtration F rechtsstetig und vollständig (d.h. jede Teilmenge A einer
Nullmenge B ∈ Ft gehört auch zu Ft ), und ist X progressiv meßbar, so ist für jedes
Γ ∈ S die Größe HΓ eine Stopzeit, vergleiche hierzu [D-M 78], Kapitel IV, Theorem
50. Umgekehrt kann jede Stopzeit als Debútzeit geschrieben werden, siehe Übung.
15
Wie üblich: inf ∅ = ∞.

17
Gegeben: Stopzeit T .

Definition 14. σ-Algebra der T -Vergangenheit:

FT = {A ∈ A : ∀ t ∈ I : A ∩ {T ≤ t} ∈ Ft }.

Intuitiv gesprochen: Eigentlich möchte man in FT die Ereignisse sammeln, die ’zur
Zeit T entscheidbar’ sind. Um dies zu modellieren, sammelt man alle Ereignisse mit
der Eigenschaft, daß sie zur Zeit t ’entscheidbar’ (Ft –meßbar) sind, falls T ≤ t.

Bemerkung 12. Man rechnet leicht nach, daß FT eine σ-Algebra und T FT -B(I ∪
{∞})-meßbar ist.

Betrachte den Prozeß X zur Stopzeit T 16 ,

(
XT (ω) (ω), T (ω) < ∞ ,
XT : Ω → S, XT (ω) :=
0, T (ω) = ∞ ,

und den gestoppten Prozeß17

(XT ∧t )t∈I .

Proposition 5. Sei X progressiv meßbar. Dann

(i) XT ist FT -S-meßbar.

(ii) (Xt∧T )t∈I ist progressiv meßbar und bezüglich Ft∧T –adaptiert.

Beweis. ad (ii): Fixiere t > 0, setze B = B([0, t]). Die Abbildung

[0, t] × Ω → [0, t] × Ω, (s, ω) 7→ (T (ω) ∧ s, ω)

ist B ⊗ Ft -B ⊗ Ft -meßbar18 . Die Abbildung

[0, t] × Ω → S, (z, ω) 7→ Xz (ω)

ist n.V. B ⊗ Ft -S-meßbar. Betrachte die Komposition.

ad (i): Es gilt

{XT ∈ B} ∩ {T ≤ t} = {XT ∧t ∈ B} ∩ {T ≤ t} ∈ Ft
| {z } | {z }
∈Ft wg. (ii) ∈Ft

für B ∈ S.

Eine enorm praktische Eigenschaft von Stopzeiten ist die monotone Approximier-
barkeit durch diskrete Stopzeiten. Wir sagen, daß eine Stopzeit T endlich ist, wenn
∞∈ / T (Ω); falls P(T = ∞) = 0, heißt T fast sicher endlich.
16
Mitunter wird XT im Falle T = ∞ auch anders oder gar nicht definiert. Wir werden nur mit
f.s. endlichen Stopzeiten arbeiten, weswegen die genaue Definition in diesem Kurs eigentlich egal ist.
17
Notation ∧ für min.
18
{T ∧ s ≤ u} = [0, t] × {T ≤ u} ∪ [0, u] × Ω.

18
Satz 6. Es sei T eine F–Stopzeit.

(i) Es existiert eine Folge von Stopzeiten Tn : Ω → [0, ∞[, sodass Tn (ω) % T (ω)
für alle ω ∈ Ω, und #Tn (Ω) < ∞ für alle n ∈ N.

(ii) Es existiert eine Folge von Stopzeiten Tn , sodaß Tn (Ω) höchstens abzählbar ist
und Tn & T überall. Wenn T endlich ist, kann Tn endlich gewählt werden.

Beweis. (i) : Dies leistet

Tn := 2n ∧ 2−n b2n T c .

(ii): Wähle (
∞, T = ∞,
Tn :=
2−n d2n T e , T < ∞ .

Lemma 3. Ein Zufallsvektor (ξ1 , . . . , ξn ) ist genau dann unabhängig von einer σ–
Algebra F, wenn für alle stetigen, beschränkten Funktionen f : Rn → C gilt:

E (f (ξ1 , . . . , ξn ) · 1H ) = (E f (ξ1 , . . . , ξn )) · E (1H ), ∀H ∈ F .

Beweis. Die Notwendigkeit ist trivial, daß die Bedingung hinreicht, sieht man so: Es
folgt sofort, daß für jede stetige beschränkte Funktion g : R → C gilt

E (f (ξ1 , . . . , ξn ) · g(1H )) = (E f (ξ1 , . . . , ξn )) · E (g(1H )), ∀H ∈ F .

Insbesondere gilt dies für f (x1 , . . . , xn ) = eιhx,λi und g(xn+1 ) = eιλn+1 xn+1 ; dies impli-
ziert für die charakteristischen Funktionen, daß

ϕ(ξ1 ,...,ξn ,1H ) = ϕ(ξ1 ,...,ξn ) · ϕ1H ,

also die gewünschte Unabhängigkeit.

Satz 7. Ist X ein rechtsstetiger (linksstetiger) Prozeß mit unabhängigen und stati-
onären Zuwächsen, und ist T eine FX –adaptierte, endliche Stopzeit, so ist der Prozeß
(Xt+T − XT )t≥0 verteilungsgleich zu X, FXt+T –adaptiert und unabhängig von FT . Ins-
besondere ist er unabhängig von (Xt∧T )t≥0 .

Beweis. Setze kurz F = FX und Ys,t := Xs+t − Xs . Es ist offensichtlich, daß Yt,T =
Xt+T − XT Ft+T –meßbar ist (dies gilt ganz allgemein). Folglich genügt zu zeigen, daß
für s1 , . . . , sm ≥ 0, H ∈ FT und f : Rm → C stetig und beschränkt gilt:

E f (Ys1 ,T , . . . Ysm ,T ) · 1H ) = E f (Xs1 , . . . Xsm ) · E 1H . (7)

Denn hieraus folgt mit H = Ω, daß

E f (Ys1 ,T , . . . Ysm ,T )) = E f (Xs1 , . . . Ysm ) ,

und dies impliziert (mit f als charakteristischer Funktion) Gleichheit der endlichdi-
mensionalen Verteilungen von X und Y·,T . Andererseits folgt dann auch

E f (Ys1 ,T , . . . Ysm ,T ) · 1H ) = E f (Ys1 ,T , . . . Ysm ,T ) · E 1H ,

19
und das impliziert nach Lemma 3 Unabhängigkeit.
Fall 0: T ist deterministisch, T (ω) = t überall. In diesem Falle ist Ys,T = Ys,t , und
(7) ist trivial.
Fall 1: T nimmt abzählbar viele Werte an.
In diesem Falle gibt es ti ≥ 0 und disjunkte Mengen Ai ∈ FX ti , sodaß

ti · 1Ai .
X
T =
i≥0

Die linke Seite von (7) läßt sich dann mit Fall 0 ausrechnen19 :
E f (Ys1 ,T , . . . Ysm ,T ) · 1H = E f (Ys1 ,ti , . . . Ysm ,ti ) · 1T =ti · 1H

X

| {z }
i≥0
Fti –meßbar

E f (Xs1 , . . . Xsm ) · E 1T =ti · 1H

X


=
i≥0
= E f (Xs1 , . . . Xsm ) · E 1H .
Fall 2: T beliebig, aber endlich. Wähle endliche Tn & T mit Tn (Ω) abzählbar. Aus
der Rechtsstetigkeit von X und der Stetigkeit von f folgt, daß
f (Ys1 ,Tn , . . . Ysm ,Tn )) · 1H → f (Ys1 ,T , . . . Ysm ,T )) · 1H ,
und da f beschränkt ist, impliziert Lebesgue die Konvergenz der Erwartungswerte;
aus Fall 1 folgt dann (7).

2 Martingale
Gegeben: Filtration F = (Ft )t∈I und adaptierter reellwertiger Prozeß X = (Xt )t∈I auf
(Ω, A, P ) mit
∀ t ∈ I : E(|Xt |) < ∞.
Kurzschreibweise: (Xt , Ft )t∈I , falls X an F adaptiert.
Definition 15. (Xt , Ft )t∈I Submartingal, falls
∀ s, t ∈ I : s < t ⇒ Xs ≤ E(Xt | Fs ).
Supermartingal : ≥“, Martingal =“.
” ”
Beispiel 4. Für einen Poisson-Prozeß (Xt , Ft )t∈I mit Intensität λ > 0 und 0 ≤ s < t
gilt
E(Xt | Fs ) = E(Xt − Xs | Fs ) + E(Xs | Fs ) = E(Xt − Xs ) + Xs = λ(t − s) + Xs .
Also liegt ein Submartingal vor.
Definiere einen kompensierten Poisson-Prozeß durch
Mt = Xt − λt.
Dann ist (Mt , Ft )t∈I ein Martingal.
19
Beachte, daß f beschränkt ist, daher ist Lebesgue anwendbar, um Summation und Erwartungs-
wert zu vertauschen

20
Die Martingaltheorie im kontinuierlichen Fall I = [0, ∞[ wird oft unter Rückgriff auf
den vorab betrachteten diskreten Fall entwickelt. Wir diskutieren einige Elemente
dieser Theorie.

2.1 Martingale in diskreter Zeit

Zunächst sei I = N0 .
Beispiel 5. Cox-Ross-Rubinstein Modell: einfaches Modell für Aktienkurs zu Zeiten
t ∈ N0 . Wähle
A0 > 0, 0 < p < 1, 0 < d < u,
und betrachte (Yt )t∈N iid. mit

P ({Yt = u}) = p = 1 − P ({Yt = d}).

Definiere F0 = {∅, Ω} und

t
Y
At = A0 · Ys , Ft = σ({Y1 , . . . , Yt })
s=1

für t ∈ N. Klar: F = FA . Für ganzzahlige 0 ≤ s < t

t
!
Y
E(At | Fs ) = As · E Yk = As · E(Y1 )t−s = (pu + (1 − p)d)t−s · As .
k=s+1

Also
(At , Ft )t∈N0 Submartingal ⇔ E(Y1 ) ≥ 1
und
1−d
(At , Ft )t∈N0 Martingal ⇔ d<1<u ∧ p= .
u−d
Wir sehen später: ein geeigneter Grenzübergang liefert die geometrische Brownsche
Bewegung; auf diesem stochastischen Modell basiert die Black-Scholes-Formel.
Frage: Gibt es im Martingal-Fall eine Stopzeit (Verkaufsstrategie) T mit E(AT ) > A0 ?

Die folgenden Sätze 8, 9 und 11 sind Varianten des optional sampling theorems.
Satz 8.

(Xt , Ft )t∈N0 Martingal ⇔

∀ T beschränkte Stopzeit : E(XT ) = E(X0 ).

Beweis. ⇒“ Gelte T (ω) ≤ N für alle ω ∈ Ω. Dann: E(|XT |) ≤ N

P
” t=0 E(|Xt |) < ∞.
Weiter:
N
X N
X
E(XT ) = E(1{T =t} · Xt ) = E(1{T =t} · E(XN | Ft ))
t=0 t=0
N
X N
X
= E(E(1{T =t} · XN | Ft )) = E(1{T =t} · XN ) = E(XN ) = E(X0 ).
t=0 t=0

21
 ⇐“ Für s < t und A ∈ Fs ist zu zeigen:
”
Z Z
Xt dP = Xs dP.
A A

Definiere
T = s · 1A + t · 1Ω\A .
Klar: T ist beschränkte Stopzeit. Also:

E(X0 ) = E(XT ) = E(1A · Xs + 1Ω\A · Xt ) = E(Xt ) − E(1A · Xt ) + E(1A · Xs ).

Beachte schließlich, daß n.V. insbesondere E(X0 ) = E(Xt ) gilt.

Satz 9. Sei (Xt , Ft )t∈N0 Martingal und T Stopzeit mit

Z
P ({T < ∞}) = 1 ∧ E(|XT |) < ∞ ∧ lim |Xt | dP = 0.
t→∞ {T >t}

Dann
E(XT ) = E(X0 ).

Beweis. Für Tn = min{T, n} gilt

Z Z
|E(XT ) − E(XTn )| ≤ |XT | dP + |Xn | dP
{T >n} {T >n}

und somit limn→∞ E(XTn ) = E(XT ). Satz 8 liefert E(X0 ) = E(XTn ).

Satz 10 (Doobsche Zerlegung). Für

t
X t
X



Mt = Xs − E(Xs | Fs−1 ) + X0 , At = E(Xs | Fs−1 ) − Xs−1
s=1 s=1

gilt

(i) Xt = Mt + At ,

(ii) (Mt , Ft )t∈N0 ist Martingal,

(iii) (Xt , Ft )t∈N0 Submartingal ⇔ (At )t∈N0 P -f.s monoton wachsend.

Beweis. Übung.

Satz 11. Sei (Xt , Ft )t∈N0 Submartingal. Für beschränkte Stopzeiten S ≤ T gilt20

XS ≤ E(XT | FS )

und somit
E(XS ) ≤ E(XT ).
Im Martingal-Fall gilt jeweils =“.
”
20
Beachte, daß XS FS -meßbar ist. Vgl. Proposition 5 im kontinuierlichen Fall.

22
Beweis. Weil das Ereignis {XS ≥ E(XT | FS ) + 1/n} eine FS –meßbare Menge ist,
genügt es zu zeigen, daß
Z Z
XS dP ≤ E(XT | FS ) dP ∀A ∈ FS .
A A

Wir verwenden die Doob–Meyer–Zerlegung X = M + A. Offenbar ist AS ≤ AT , also

AS = E(AS | FS ) ≤ E(AT | FS ), und es bleibt zu zeigen, daß
Z Z Z
MS dP = E(MT | FS ) dP = MT dP .
A A A

Sei R = S · 1A + T · 1Ac 21 . Dann gilt

{R ≤ t} = ({S ≤ t} ∩ A) ∪ ({T ≤ t} ∩ Ac ) ∈ Ft .

Also ist R eine beschränkte Stopzeit, und nach Satz 8 haben wir

E(MT ) = E(M0 ) = E(MR ) = E(MS · 1A ) + E(MT · 1Ac ) ;

durch Subtraktion von E(MT · 1Ac ) folgt die Behauptung.

Ist X Martingal, so sind X und −X Submartingale; aus dem schon bewiesenen folgt
dann
E(XS ) ≤ E(XT | FS ) und E(−XS ) ≤ E(−XT | FS ) ,
und also die Gleichheit.

Gegeben: (Xt , Ft )t∈I mit I = {t0 , . . . , tn } für t0 < · · · < tn sowie a < b. Definiere
Stopzeiten

T1 = inf{t ∈ I : Xt ≤ a},
T2 = inf{t ∈ I : Xt ≥ b, t > T1 },
..
.
T2k+1 = inf{t ∈ I : Xt ≤ a, t > T2k },
T2k+2 = inf{t ∈ I : Xt ≥ b, t > T2k+1 },
..
.

sowie die Anzahl der Überquerungen (Upcrossings) des Intervalls [a, b] von unten nach
oben (
0, falls T2 = ∞,
UIX (a, b) =
max{k ∈ N : T2k ≤ tn }, sonst.

Satz 12 (Upcrossing-Inequality). Für jedes Submartingal (Xt , Ft )t∈I gilt

E((Xtn − a)+ ) − E((Xt0 − a)+ )

E(UIX (a, b)) ≤ .
b−a
21
Ac = Ω\A ∈ FS ⊆ FT

23
Beweis. Sei OBdA a = 0; Da wegen der Jensenschen Ungleichung auch X + ein Sub-
+
martingal ist und E(UIX (0, b)) = E(UIX (0, b)), können wir weiter oBdA X ≥ 0
annehmen. Definiere Stopzeiten S0 = t0 und Si = Ti ∧ tn für i ∈ N. Dann
∞
X ∞
X
Xtn − Xt0 = (XS2j − XS2j−1 ) + (XS2j+1 − XS2j )
j=1 j=0

sowie ∞
X
(XS2j − XS2j−1 ) ≥ b · UIX (0, b).
j=1

Satz 11 sichert
E(XS2j+1 ) ≥ E(XS2j ).
Fazit
E(Xtn ) − E(Xt0 ) ≥ b · E(UIX (0, b)).

Satz 13 (Submartingal-Ungleichungen). Für jedes Submartingal (Xt , Ft )t∈I und

µ > 0 gilt

P ({ max Xti ≥ µ}) ≤ 1/µ · E(Xt+n ),

i=0,...,n

P ({ min Xti ≤ −µ}) ≤ 1/µ · E(Xt+n ) − E(Xt0 ) .

i=0,...,n

Beweis. Siehe Chung (1974, Theorem 9.4.1).

Schließlich noch zwei Martingalkonvergenzsätze mit I = −N bzw. I = Z.

Proposition 6. Gegeben: Submartingal22 (Xt , Ft )t∈−N mit

inf E(Xt ) > −∞. (8)

t∈−N

Dann existiert X−∞ ∈ L1 (Ω, A, P ), so daß

lim Xt = X−∞ P -f.s. und in L1 .

t→−∞

Beweis. Siehe Chung (1974, Theorem 9.4.7) oder Gänssler/Stute (1977, Satz 6.5.10).

Proposition 7. Gegeben: Filtration (Ft )t∈Z und Zufallsvariable Y auf (Ω, A, P ) mit
E(|Y |) < ∞. In L1 (Ω, A, P ) und P -f.s. gilt
  [   \ 
lim E(Y | Ft ) = E Y | σ Ft , lim E(Y | Ft ) = E Y | Ft .
t→∞ t→−∞
t∈Z t∈Z

Beweis. Siehe Chung (1974, Thm. 9.4.8).

22
Sogenanntes inverses Submartingal.

24
2.2 Martingale in stetiger Zeit
Im folgenden sei I = [0, ∞[.

Satz 14 (Optional Sampling Theorem). Für jedes rechtsseitig stetige Martingal

(Xt , Ft )t∈I gilt
∀ T beschränkte Stopzeit : E(XT ) = E(X0 ).

Beweis. Gelte T (ω) ≤ N für alle ω ∈ Ω. Für n ∈ N sei Tn definiert durch

Tn (ω) = k/2n ⇔ T (ω) ∈ [(k − 1)/2n , k/2n [ .

Für t ∈ [(k − 1)/2n , k/2n [ zeigt Proposition 2

{Tn ≤ t} = {Tn ≤ (k − 1)/2n } = {T < (k − 1)/2n } ∈ F(k−1)/2n ⊆ Ft ,

d.h. Tn ist Stopzeit.

Für alle ω ∈ Ω:
Tn (ω) ≤ N + 1 ∧ lim Tn (ω) & T (ω).
n→∞

Somit wegen der rechtsseitigen Stetigkeit:

lim XTn (ω) = XT (ω). (9)

n→∞

Satz 11 zeigt
E(XN +1 | FTn ) = XTn .
Also ist {XTn : n ∈ N} gleichgradig integrierbar, siehe Übung 2.5. Mit (9) folgt

lim E(XTn ) = E(XT ).

n→∞

Schließlich ist (Xk/2n )k≤2n ein Martingal, und deshalb zeigt Satz 8

∀ n ∈ N : E(XTn ) = E(X0 ).

Die folgenden Begriffe und Ergebnisse sind grundlegend bei der Einführung des sto-
chastischen Integrals.

Definition 16. F erfüllt die üblichen Voraussetzungen, falls

(i) F rechtsseitig stetig,

(ii) {A ⊆ Ω : ∃ B ∈ A : A ⊆ B ∧ P (B) = 0} ⊆ F0 .

25
Satz 15. Erfüllt seien

(i) (Xt , Ft )t∈I Submartingal,

(ii) t 7→ E(Xt ) rechtsseitig stetig,

(iii) die üblichen Voraussetzungen.

Dann existiert eine cadlag Modifikation Y von X, so daß (Yt , Ft )t∈I ein Submartingal
ist.

Beweis. Sei n ∈ N fest; wir setzen Qn := [0, n] ∩ Q und wählen eine aufsteigende Folge
S
Qk ⊆ Qn von endlichen Teilmengen mit Qn = k Qk . Aus Satz 13 erhalten wir
2
P (max |Xt | ≥ µ) ≤ E(Xn+ ) . (10)
t∈Qk µ
Weiterhin: Falss das Ereignis supt∈Qn |Xt | = ∞ eintritt, so folgt, daß für jedes m ∈ N
ein k ∈ N existiert mit supt∈Qk |Xt | ≥ 2m ; folglich hat man für jedes m ∈ N mit (10):

P (sup |Xt | = ∞) ≤ sup P (sup |Xt | ≥ 2m ) ≤ 2−m+1 E(Xn+ ) .

t∈Qn k∈N t∈Qk

Also existiert B ∈ A mit P (B) = 1 und

∀ω∈B ∀n∈N: sup |Xt (ω)| < ∞.

t∈[0,n]∩Q

Für a < b beliebig sei

UnX (a, b) = sup UQXk (a, b)
k∈N

sowie \ \
Cn (a, b) = {UnX (a, b) < ∞}, C= Cn (a, b).
n∈N a<b
a,b∈Q

Aus Satz 12 und der monotonen Konvergenz folgt P (Cn (a, b)) = 1, also P (C) = 1.
Für ω ∈ B ∩ C existieren die Grenzwerte

Xtr (ω) = lim Xs (ω),

s&t,s∈Q

für jedes t ≥ 0: Wären nämlich α < β zwei Häufungspunkte von Xs (ω) für s & t, s ∈
Q, so würde für ein Intervall [a, b] ⊆ (αβ) folgen, daß UnX (a, b) = ∞ für n ≥ t. Setze
Yt (ω) = X r (t)(ω) für ω ∈ B ∩ C und andernfalls Yt (ω) = 0. Man verifiziert, daß Y ein
cadlag Prozeß ist. Die üblichen Voraussetzungen sichern, daß Y zu F adaptiert ist.
Sei s ∈ I. Wähle sn ∈ Q mit sn & s. Für A ∈ Fs
Z Z Z
Xs dP ≤ E(Xsn | Fs ) dP = Xsn dP.
A A A

Die L1 -Konvergenz gem. Proposition 6 liefert E(|Ys |) < ∞ und

Z Z
lim Xsn dP = Ys dP, (11)
n→∞ A A

26
so daß
P (Xs ≤ Ys ) = 1 ∀s ≥ 0 . (12)
Die rechtsseitige Stetigkeit von s 7→ E(Xs ) und (11) liefern

E(Xs ) = E(Ys ),

Mit (12) ergibt sich P (Ys = Xs ) = 1 für alle s ≥ 0, d.h. Y ist Modifikation von X.
Hieraus folgt sofort, daß Y ein Submartingal ist.
Definition 17. (At , Ft )t∈I wachsend, falls

(i) A0 = 0,

(ii) A besitzt rechtsseitig stetige, monoton wachsende23 Pfade,

(iii) ∀ t ∈ I : E(At ) < ∞.

Bemerkung 13. Wir integrieren erstmals bezüglich eines stochastischen Prozesses.
Sei (At , Ft )t∈I wachsend und (Xt )t∈I meßbar. Dann sind die Lebesgue-Stieltjes Inte-
grale Z t
It± (ω) = Xs± (ω) dAs (ω), ω ∈ Ω,
0
für t ∈ I wohldefiniert. Sei (Xt , Ft )t∈I progressiv meßbar und gelte

∀ ω ∈ Ω : It± (ω) < ∞.

Dann ist
It (ω) = It+ (ω) − It− (ω), ω ∈ Ω,
für t ∈ I wohldefiniert, rechtsseitig stetig und progressiv meßbar.
Beispiel 6. Der Poisson-Prozeß (Nt , FN
t )t∈I ist wachsend. Setze

Jt (ω) = {Sn (ω) : n ∈ N} ∩ [0, t].

Dann gilt #Jt (ω) = Nt (ω) < ∞ und für X meßbar ist
X
It (ω) = Xs (ω).
s∈Jt (ω)

Wir formulieren nun ein kontinuierliches Analogon der Doobschen Zerlegung.

Die Summe eines Martingals M und eines wachsenden Prozesses A (bzgl. derselben
Filtration) ist ein Submartingal. Ist jedes Submartingal so darstellbar? Ist diese Dar-
stellung eindeutig?
Beispiel 7. Sei (Xt , Ft )t∈I Poisson-Prozeß mit Intensität λ > 0. Dann

Xt = Xt − λt + |{z}
λt .
| {z }
=Mt =At

Wir wissen: (Mt , Ft )t∈I ist ein Martingal. Klar: (At , Ft )t∈I ist wachsend.
23
As (ω) ≤ At (ω), falls s ≤ t.

27
Satz 16 (Doob-Meyer-Zerlegung). Erfüllt seien24

(i) (Xt , Ft )t∈I stetiges Submartingal,

(ii) ∀ t ∈ I : Xt ≥ 0,

(iii) die üblichen Voraussetzungen.

Dann existiert ein stetiges Martingal (Mt , Ft )t∈I und ein stetiger wachsender Prozeß
(At , Ft )t∈I mit
∀ t ∈ I ∀ ω ∈ Ω : Xt (ω) = Mt (ω) + At (ω).
Diese Zerlegung ist eindeutig bis auf Ununterscheidbarkeit.

Beweis. Karatzas/Shreve, (1999, Chap. 1.4).

Korollar 1. Seien A(1) , A(2) F–adaptierte stetige, wachsende, integrierbare Prozesse

auf [0, a], sodaß M := A(1) − A(2) ein F–Martingal ist mit M0 = 0. Dann sind A(1)
und A(2) ununterscheidbar.

Beweis. Dann ist

A(1) = 0 + A(1) = M0 + A(2) ;
die Eindeutigkeit der Doob-Meyer-Zerlegung liefert die Behauptung.

Im folgenden: F erfülle die üblichen Voraussetzungen. Kurz: Martingal statt Martingal

bzgl. F. Gleichheit von Prozessen im Sinne der Ununterscheidbarkeit.

Definition 18. X quadratisch integrierbar, falls

∀ t ∈ I : E(Xt2 ) < ∞.

Bez.: Mc2 = Mc2 (F) sei der Vektorraum aller stetigen, quadratisch integrierbaren Mar-
tingale mit X0 = 0.

Bemerkung 14. Klar: für X ∈ Mc2 ist X 2 = (Xt2 )t∈I stetiges Submartingal.

Definition 19. Quadratische Variation von X ∈ Mc2 ist der25 stetige, wachsende
Prozeß (At )t∈I in der Doob-Meyer-Zerlegung

Xt2 = Mt + At

von X 2 . Bez.: hXit = At .

Vgl. Übung 3.3.b für den kompensierten Poisson-Prozeß.

24
Allgemeinere Fassung bei Karatzas, Shreve (1999).
25
Eindeutig bestimmt bis auf Ununterscheidbarkeit.

28
Definition 20. Für X, Y ∈ Mc2 heißt26

hX, Y it = 14 (hX + Y it − hX − Y it ), t ∈ I,

der Kreuz-Variationsprozeß. X und Y heißen orthogonal, falls

hX, Y i = 0.

Proposition 8. Für X, Y ∈ Mc2 gilt

(i) hX, Xi = hXi,

(ii) äquivalent sind

(a) XY − Z ist Martingal ∧ Z = A0 − A00 mit A0 , A00 stetig, wachsend,

(b) Z = hX, Y i,

(iii) äquivalent sind

(a) X, Y orthogonal,
(b) XY Martingal,
27
(c) E((Xt − Xs ) · (Yt − Ys ) | Fs ) = 0 für alle 0 ≤ s < t,

(iv) h·, ·i ist symmetrisch und bilinear,

(v) hX, Y i2 ≤ hXi · hY i.

Beweis. ad (i):
hX, Xit = 14 h2Xit = hXit .
ad (ii): (b) ⇒ (a)“: (X + Y )2 − hX + Y i und (X − Y )2 − hX − Y i sind Martingale,
”
somit auch ihre Differenz

(X + Y )2 − (X − Y )2 − hX + Y i + hX − Y i = 4XY − 4hX, Y i.

(a) ⇒ (b)“: Folgt aus Lemma 1.

”
ad (iii): (a) ⇔ (b)“ folgt aus (ii).
”
(b) ⇔ (c)“.
”
E((Xt − Xs ) · (Yt − Ys ) | Fs ) = E(Xt Yt + Xs Ys − Xt Ys − Xs Yt | Fs )
= E(Xt Yt | Fs ) − Xs Ys .

ad (iv): Symmetrie klar. Für α ∈ R sind

(αX) · Y − hαX, Y i und α · (XY ) − α · hX, Y i

gem. (ii) Martingale. Mit (ii) folgt ebenfalls αhX, Y i = hαX, Y i. Beweis der Additi-
vität analog.
ad (v): Folgt wie üblich aus (iv) und hXit ≥ 0.
26
Polarisation.
27
Inkremente sind bedingt unkorreliert“.
”

29
Bemerkung 15. Sei π = {t0 , . . . , tm } mit 0 = t0 < · · · < tm = t Zerlegung von [0, t].
Ferner sei p ∈ ]0, ∞[. Dann heißt
m
p
(p)
X
Vt (X; π) = Xtk − Xtk−1
k=1

p-te Variation von X auf [0, t] bzgl. π. Ferner heißt

kπk = max (tk − tk−1 )

k=1,...,m

die Feinheit von π. Dann läßt sich zeigen (vgl. Karatzas/Shreve, S.32ff.): Für X ∈ Mcs
und jede Folge πn von Partitionen mit kπn k → 0 gilt:
(2)
Vt (X; π) → hXit in Wahrscheinlichkeit . (13)

Falls hXit > 0, so hat man für jedes p < 2 in (13) fast sicher Divergenz, und für jedes
p > 2 Konvergenz gegen 0. Weiter: Falls hXit = 0 für ein t > 0, so ist X f.s. 0 auf
ganz [0, t], siehe Übung 6.1. Dies zeigt:

Ein Prozeß X ∈ M2c , der nicht konstant Null ist, ist mit Wahr-
scheinlichkeit 1 von unbeschränkter Variation.

Somit kann man ein stochastische Integral nach X nicht ’einfach Pfad für Pfad’ im
Lebesgue–Stieltjes–Sinne erklären.

30