Skript

zur Vorlesung
Finanzmathematik

Dr. Jan Rudl

TU Dresden

Version 3.0
Oktober 2013
2

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
Inhaltsverzeichnis

Vorwort 7

Notationen 8

Einführende Bemerkungen 10

1 Klassische Finanzmathematik 11
1.1 Zinsrechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.1.1 Lineare und exponentielle Verzinsung . . . . . . . . . . . . . . . . . . . . . 12
1.1.2 Äquivalenz von Zahlungsreihen . . . . . . . . . . . . . . . . . . . . . . . . 13
1.1.3 Mittlerer Zahlungstermin . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.1.4 Gemischte Verzinsung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.5 Unterjährige Verzinsung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.1.6 Stetige Verzinsung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2 Rentenrechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2.1 Ewige Rente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.2 Renten mit veränderlichen Raten . . . . . . . . . . . . . . . . . . . . . . . 19
1.3 Tilgungsrechnung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2 Stochastische Finanzmathematik in diskreter Zeit 23

2.1 Finanzinstrumente und ihre Preisprozesse . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.1 Basiswertpapiere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.1.2 Derivative Wertpapiere . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2 Einperioden-Marktmodell mit endlich vielen Zuständen . . . . . . . . . . . . . . . 32
2.2.1 Grundlagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2.2 Portfolio und Wert eines Portfolios . . . . . . . . . . . . . . . . . . . . . . 33
2.2.3 Arbitrage und Arbitragefreiheit . . . . . . . . . . . . . . . . . . . . . . . . 34
2.2.4 Replizierbare Auszahlungsprofile . . . . . . . . . . . . . . . . . . . . . . . . 38
2.2.5 Vollständigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2.6 Einperioden-Binomialmodell . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.2.7 Wahrscheinlichkeitstheoretische Betrachtung und risikoneutrales Maß . . . . 44

3
4 Inhaltsverzeichnis

2.2.8 Put-Call-Parität . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
2.2.9 Diskontiertes Einperiodenmarktmodell . . . . . . . . . . . . . . . . . . . . 47
2.3 Einperioden-Marktmodell mit allgemeinem Zustandsraum . . . . . . . . . . . . . . 49
2.3.1 Grundlagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.3.2 Portfolio und Arbitrage . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.3.3 Replizierbarkeit und Vollständigkeit . . . . . . . . . . . . . . . . . . . . . . 57
2.4 Allgemeines Mehrperioden-Marktmodell . . . . . . . . . . . . . . . . . . . . . . . 60
2.4.1 Grundlagen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2.4.2 Portfolio, Handelsstrategie, Arbitrage . . . . . . . . . . . . . . . . . . . . . 63
2.4.3 Replizierbarkeit und Vollständigkeit . . . . . . . . . . . . . . . . . . . . . . 68
2.5 Mehrperioden-Binomialmodell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
2.5.1 Preise von Europäischen Auszahlungsprofilen im CRR-Modell . . . . . . . . 76
2.5.2 Konvergenzeigenschaften des CRR-Modells . . . . . . . . . . . . . . . . . . 82

3 Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell 87

3.1 Grundlegendes zum Black-Scholes-Modell . . . . . . . . . . . . . . . . . . . . . . 87
3.1.1 Der Wienerprozess . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
3.1.2 Simulation eines Wienerprozesses und einer geometrischen Brown’schen Be-
wegung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
3.1.3 Martingaleigenschaften des Wienerprozesses . . . . . . . . . . . . . . . . . 95
3.2 Das äquivalente Martingalmaß im Black-Scholes-Modell . . . . . . . . . . . . . . . 99
3.3 Bewertung von pfadunabhängigen Optionen . . . . . . . . . . . . . . . . . . . . . 105
3.3.1 Auszahlungsprofile und Wertprozesse . . . . . . . . . . . . . . . . . . . . . 106
3.3.2 Bewertung eines pfadunabhängigen Derivats . . . . . . . . . . . . . . . . . 107
3.3.3 Black-Scholes-Formel für Europäische Optionen und Put-Call-Parität . . . . 108
3.4 Sensitivitäten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
3.4.1 Sensitivitäten von Europäischen Call- und Put-Optionen . . . . . . . . . . . 112
3.5 Parameterschätzung im Black-Scholes-Modell . . . . . . . . . . . . . . . . . . . . 116
3.5.1 Schätzung der Zinsrate r . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
3.5.2 Schätzung der Volatilität σ . . . . . . . . . . . . . . . . . . . . . . . . . . 118
3.6 Der Preis einer Barrier-Option . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
3.7 Handelsstrategie, Arbitrage und Replizierbarkeit . . . . . . . . . . . . . . . . . . . 138

4 Allgemeine zeitstetige Finanzmarktmodelle 149

4.1 Überblick über bisher behandelte Finanzmarktmodelle und Aussagen zur Arbitrage-
freiheit und Vollständigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
4.1.1 Allgemeines (zeitdiskretes) Mehrperioden-Marktmodell . . . . . . . . . . . 149
4.1.2 Mehrperioden-Binomialmodell . . . . . . . . . . . . . . . . . . . . . . . . . 151
4.1.3 Black-Scholes-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
4.2 Grundsätzliche Überlegungen zu allgemeinen zeitstetigen Finanzmarktmodellen . . . 158

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
Inhaltsverzeichnis 5

4.3 Allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen . . . . . . . . . . 160

4.3.1 Handelsstrategie und Arbitrage . . . . . . . . . . . . . . . . . . . . . . . . 163
4.3.2 Martingalmaß und lokales Martingalmaß . . . . . . . . . . . . . . . . . . . 168
4.3.3 Asymptotische Arbitrage und Vollständigkeit . . . . . . . . . . . . . . . . . 172

A Anhang zur klassischen Finanzmathematik 177

A.1 Zinsberechnungsmethoden (Day Count Conventions) . . . . . . . . . . . . . . . . 177
A.1.1 30/360-Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
A.1.2 Actual-Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 180
A.1.3 Business-252-Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
A.1.4 Herleitung der Tageszählerformel . . . . . . . . . . . . . . . . . . . . . . . 192
A.1.5 Berechnung des Datums aus einer gegebenen Tageszahl . . . . . . . . . . . 193

B Anhang zur stochastischen Finanzmathematik in diskreter Zeit 201

B.1 Grundlagen aus der linearen Algebra . . . . . . . . . . . . . . . . . . . . . . . . . 201
B.1.1 Vektorräume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
B.1.2 Skalarprodukt . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
B.1.3 Lineare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 204
B.1.4 Adjungierte Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
B.1.5 Trennungssatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
B.2 Beweis des 1. Fundamentalsatzes im EPMK . . . . . . . . . . . . . . . . . . . . . 207
B.3 Grundlagen aus der Maßtheorie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
B.3.1 Mengensysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
B.3.2 σ-Algebra der Borel-Mengen . . . . . . . . . . . . . . . . . . . . . . . . . 210
B.3.3 Mengenfunktionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
B.3.4 Messbare Abbildungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
B.3.5 Produktmaße . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
B.3.6 Faltungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
B.4 Grundlagen aus der Integrationstheorie . . . . . . . . . . . . . . . . . . . . . . . . 216
B.4.1 µ-Integrale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
B.4.2 Maße mit Dichten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
B.4.3 Integration bezüglich eines Bildmaßes . . . . . . . . . . . . . . . . . . . . . 218
B.4.4 Beziehung zwischen Riemann- und Lebesgue-Integral . . . . . . . . . . . . 218
B.4.5 Satz von Fubini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
B.4.6 Lp -Räume . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
B.5 Grundlagen aus der Wahrscheinlichkeitstheorie . . . . . . . . . . . . . . . . . . . . 220
B.5.1 Unabhängigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
B.5.2 Unkorreliertheit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 222
B.6 Beweis des 1. Fundamentalsatzes im EPM . . . . . . . . . . . . . . . . . . . . . . 223
B.7 Beweis des 2. Fundamentalsatzes im EPM . . . . . . . . . . . . . . . . . . . . . . 228

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
6 Inhaltsverzeichnis

B.8 Beweis des Lemmas 2.43 im MPM . . . . . . . . . . . . . . . . . . . . . . . . . . 232

B.9 Bedingte Erwartungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
B.10 Beweis des 1. Fundamentalsatzes im MPM . . . . . . . . . . . . . . . . . . . . . . 239
B.11 Beweis des Lemmas 2.51 im MPM . . . . . . . . . . . . . . . . . . . . . . . . . . 243
B.12 Beweis Arbitragefreiheit und Vollständigkeit des CRR-Modells . . . . . . . . . . . . 247

C Anhang zum Black-Scholes-Modell 251

C.1 Beweis der Nichtdifferenzierbarkeit der Pfade des Wienerprozesses . . . . . . . . . 251
C.2 Erzeugung von Pseudo-Zufallszahlen . . . . . . . . . . . . . . . . . . . . . . . . . 254
C.2.1 Erzeugung gleichverteilter Zufallszahlen . . . . . . . . . . . . . . . . . . . 255
C.2.2 Erzeugung normalverteilter Zufallszahlen . . . . . . . . . . . . . . . . . . . 255
C.2.3 Verwerfungsmethoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
C.2.4 Ziggurat-Methode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
C.3 Logarithmische Normalverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
C.4 Ein Lemma vom Fubini-Typ für bedingte Erwartungen . . . . . . . . . . . . . . . . 272
C.5 Stoppzeiten, erweiterte natürliche Filtration und das Reflexionsprinzip für den Wie-
nerprozess . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
C.6 p-Variation und Variation des Wienerprozesses . . . . . . . . . . . . . . . . . . . . 282
C.7 Ein Arbitragebeispiel im Zusammenhang mit der Begriffsbildung eines stochasti-
schen Integrals . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
C.8 Das Itō-Integral bezüglich des Wienerprozesses . . . . . . . . . . . . . . . . . . . . 287
C.9 Ein Arbitragebeispiel im Zusammenhang mit selbstfinanzierenden Handelsstrategien 291

D Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen 293

D.1 Filtrierte Wahrscheinlichkeitsräume mit den „üblichen Bedingungen“ und vollstän-
dige Wahrscheinlichkeitsräume . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
D.2 Progressive Messbarkeit und Vorhersagbarkeit . . . . . . . . . . . . . . . . . . . . 296
D.3 Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martingale . . . . . . . . . . . . 301
D.4 Lokale Martingale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
D.5 Stochastische Riemann-Stieltjes-Integrale und quadratischer Variationsprozess . . . 339
D.6 Semimartingale und verallgemeinerte Itō-Doeblin-Formel . . . . . . . . . . . . . . . 351

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
 7

Vorwort
Dieses Skript ist aus einer sechsstündigen Vorlesung „Finanzmathematik“ an der Fachrichtung
Mathematik der TU Dresden entstanden. Die erforderlichen mathematischen Grundkenntnisse in
Maß-, Integrations- und Wahrscheinlichkeitstheorie sowie in der Theorie der stochastischen Prozesse
sind im Anhang überblicksartig aufgeführt.

Inhaltlich ist dieses Skript eng an die übliche Standardliteratur (die jeweils zum Anfang des jeweiligen
Abschnitts genannt wird) angelehnt. Die Vorlesungen von Herrn Prof. Dr. Volker Nollau und Herrn
Dr. Lothar Partzsch an der TU Dresden zu Teilgebieten der Finanzmathematik haben ebenfalls
Eingang gefunden. Einen großen Einfluss hatte außerdem meine Tätigkeit bei der Maravon GmbH,
aus der sich eine Vielzahl praxisrelevanter Ergänzungen ergeben hat.

Vom mathematischen Inhalt her basiert das vorliegende Skript – bis auf wenige Ausnahmen – somit
auf bereits vorliegenden Ergebnissen. Mein Eigenanteil beschränkt sich daher im Wesentlichen auf
die (hoffentlich) durchgehende Konsistenz der Darstellung.

Dresden, Oktober 2013 Jan Rudl

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
8

Notationen

• N := {1, 2, . . .}, N0 := N ∪ {0}, R0+ := [0, ∞), R>0 := (0, ∞)

   
 x1   y1 
 .   . 
• x= .  m  .  m
 . ∈R , y= . ∈R (m ∈ N)
   
xm ym

– xT := (x1 , . . . , xm )

– 0m := (0, . . . , 0)T ∈ Rm , 1m := (1, . . . , 1)T ∈ Rm

m
X
– x · y := xj yj ∈ R („übliches“ Skalarprodukt)
j=1

– x≥y :⇐⇒ xj ≥ yj ∀j = 1, . . . , m
x>y :⇐⇒ x ≥ y ∧ x 6= y
(d.h. für mindestens ein j ∈ {1, . . . , m} ist xj > yj )
x  y :⇐⇒ xj > yj ∀j = 1, . . . , m
 
 max(x1 , 0) 
 
 +  max(x2 , 0) 
– x :=  .
 
..

 
 
 
max(xm , 0)

 
 A11 · · · A1m 
• A=
  n×m
 ... ∈R
...  (n, m ∈ N) :
 
An1 · · · Anm

 
 Ai1 
 . 
.  m (i-te Zeile als Spaltenvektor)
 . ∈R
– Ai := 
 
Aim
 
 A1j 
 . 
j .  n (j-te Spalte)
A :=  . ∈R
 
Anj

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
 9

 
 A11 · · · An1 
– AT := 
 
. . . . . .  ∈ Rm×n
 
 
A1m · · · Anm
 
 A1 · x 
 . 
. 
 .  ∈ R („übliches“ Matrixprodukt)
n
– A • x := 
 
An · x

– Zusammenhang zwischen Skalar- und Matrixprodukt: x · y = xT • y

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
10 Inhaltsverzeichnis

Einführende Bemerkungen
• Finanzmathematik (Mathematical Finance) – Disziplin der angewandten Mathematik, die
sich insbesondere mit der Analyse und dem Vergleich von Zahlungsströmen und der Ermitt-
lung theoretischer Barwerte (present values) von Finanzprodukten beschäftigt.

• Untergliederung in

– klassische Finanzmathematik (Zins-, Renten- und Tilgungsrechnung) und

– stochastische (bzw. moderne) Finanzmathmatik (Grundproblem: „Fairer Preis“ für
eine Aktienoption)

• Unterscheidung von stochastischer Finanzmathematik in

– diskreter Zeit (Grundmodell: Cox-Ross-Rubinstein- oder Binomialmodell) und

– stetiger Zeit (Grundmodell: Black-Scholes-Modell)

• Benötigte theoretische Grundlagen: Stochastische Prozesse (insbesondere Martingale) sowie

Stochastische Differentialgleichungen

• Modellierung ist sehr wichtig!

• Geschichte:

– 1900: Dissertation „Théorie de la spéculation“, Louis Bachelier (1870-1946)

∗ erfuhr erst 50 Jahre später Anerkennung
∗ arbeitete mit Wiener-Prozessen (5 Jahre vor Albert Einstein!)
∗ Preisformeln für Aktienoptionen wurden angegeben
∗ Bachelier Finance Society – Internationale finanzmathematische Gesellschaft
– 1908: „Theorie der Börsengeschäfte“, Vinzenz Bronzin (1872-1970)
∗ „vergessene“ Arbeit, nahm in weiten Teilen des Black-Scholes-Modell vorweg
– 1973: Black-Scholes-Modell
∗ Standardmodell für die Bewertung von Aktienoptionen
∗ Annahme: Aktienkurse sind logarithmisch normalverteilt
∗ Originalarbeiten: Black, Fischer S. (1938–1995) & Scholes, Myron S. (* 1941):
The Pricing of Options and Corporate Liabilities, Journal of Political Economy 81,
1973, S. 637-654
Merton, Robert C. (* 1944): Theory of Rational Option Pricing, Bell Journal of
Economics and Management Science 4, 1973, S. 141-183
∗ Merton und Scholes erhielten dafür 1997 den Nobelpreis (Black war zu diesem
Zeitpunkt bereits verstorben).

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
Kapitel 1

Klassische Finanzmathematik

• Im Wesentlichen „Elementarmathematik“, aber hilfreich zum Verständnis grundlegender Be-

griffe und Zusammenhänge in der Finanzmathematik

• Wichtig für Rechnungs- und Versicherungswesen

• Literatur: Jürgen Tietze, Einführung in die Finanzmathematik [13]

1.1 Zinsrechnung
• Wirtschaftswissenschaftliche Definition: Zins (interest) – Entgelt für ein über einen be-
stimmten Zeitraum zur Nutzung überlassenes Sach- oder Finanzgut (Kapital)
Hier: Finanzgut (Kapital)

• Laufzeit: Dauer der Kapitalüberlassung

• Zinszuschlagstermine: Zeitpunkte, zu denen die Zinsen fällig (und mit dem Kapital zusam-
mengefasst) werden
Üblich: jährlich, halbjährlich, vierteljährlich, monatlich

• Zinsperiode: Zeitraum zwischen zwei Zinszuschlagsterminen (bzw. dem Überlassungstermin

des Kapitals und dem ersten Zinszuschlagstermin)

• Nachschüssige Verzinsung: Zinsen werden am Ende der Zinsperiode gezahlt (im Folgenden
vorausgesetzt)
Vorschüssige Verzinsung: Zahlung zu Beginn der Zinsperiode

• Verzinsungsarten: Lineare (einfache) Verzinsung (simple interest) – Zinsen werden

zeitanteilig berechnet und erst am Ende der Laufzeit dem Kapital zugeschlagen, d.h., in-
nerhalb der Laufzeit existiert kein Zinszuschlagstermin.

11
12 Kapitel 1. Klassische Finanzmathematik

Exponentielle Verzinsung (Zinseszins): (compound interest) – Zinsen werden nach jeder

Zinsperiode dem Kapital hinzugefügt und selbst wieder verzinst, d.h., innerhalb der Laufzeit
existieren ein oder mehrere Zinszuschlagstermine.

• Übliche Bezeichnungen:
n ∈ R>0 – Laufzeit (in Zeiteinheiten, üblicherweise Jahre)
K0 ∈ R – Anfangskapital (initial balance)
Kn ∈ R – Endkapital
i∈R – Zinsrate (Zinssatz, interest rate), bezogen auf dieselbe Zeiteinheit
wie die Laufzeit
p := 100 · i – Zinsfuß

• Berechnung von Kn bei gegebenen K0 , i, n: Aufzinsung (compounding )

Berechnung von K0 bei gegebenen Kn , i, n: Abzinsung bzw. Diskontierung (discounting )

• Die Berechnung von Jahresbruchteilen erfolgt mit Hilfe sogenannter Zinsberechnungs-

methoden (day count conventions, siehe Abschnitt A.1). Die jeweils angewendete Zinsbe-
rechungsmethode muss ggf. explizit vereinbart werden.

1.1.1 Lineare und exponentielle Verzinsung

• Berechnungsformeln für das Endkapital Kn :

Lineare Verzinsung: Kn(simp) = K0 · (1 + i · n)

Zinseszinsrechnung: Kn(comp) = K0 · (1 + i)n

1
• Bei der Zinseszinsrechung heißt 1 + i Aufzinsungsfaktor und Diskontfaktor.
1+i
• Beispiel: K0 = 100, i = 5%

n 1 2 5 10 15 20 30 40
(simp)
Kn 105 110 125 150 175 200 250 300
(comp)
Kn 105 110.25 127.62 162.89 207.89 265.33 432.19 704.00

• Zahlungsreihe:
Endliche Folge von Zahlungen K0,1 , K0,2 , . . . , K0,k ∈ R (k ∈ N)
mit gemeinsamem Laufzeit-Ende n ∈ R>0 und jeweiligen Zahlungszeitpunkten n1 , n2 , . . . ,
nk ∈ [0, n]
(d.h. die jeweiligen Laufzeiten betragen n − n1 , n − n2 , . . . , n − nk ).

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
1.1. Zinsrechnung 13

• Der Endwert einer Zahlungsreihe wird – in Verallgemeinerung des Begriffs Endkapital –

ebenfalls mit Kn bezeichnet.

• Berechnungsformeln für den Endwert Kn einer Zahlungsreihe:

k
X  
Lineare Verzinsung: Kn(simp) = K0,m · 1 + i · (n − nm )
m=1
k
X
Zinseszinsrechnung: Kn(comp) = K0,m · (1 + i)(n−nm )
m=1

• Beispiel: k = 10, K0,m = 100, nm = m − 1 (m = 1, . . . , k), i = 5%, n = 10

(regelmäßige Zahlungen vom Jahr 0 bis zum Jahr 9 in Höhe von 100, gesucht ist der Wert
im Jahr 10)

10 
X  
Kn(simp) = 100 · 1 + i · 10 − (m − 1)
m=1
X10  10
X 
= 100 · (1 + i · m) = 100 · 10 + i · m
m=1 m=1
1  10 · 11   
= 100 · 10 + i · = 100 · 10 + 0.05 · 55 = 1275
2

10
X
Kn(comp) = 100 · (1 + i)(10−(m−1))
m=1
10
X 2 1.0510 − 1
= 100 · 1.05m = 100 · 1.05 · = 1320.68
1.05 − 1
m=1

1.1.2 Äquivalenz von Zahlungsreihen

• Äquivalenzprinzip der Finanzmathematik: „Zahlungsreihen dürfen nur dann miteinander
verglichen werden, wenn diese zuvor auf denselben Stichtag auf- bzw. abgezinst wurden.“

• Der Wert einer Zahlungsreihe zum Zeitpunkt t ∈ R wird mit Kt bezeichnet. Man erhält
diesen durch summandenweises Aufzinsen bzw. Diskontieren der Zahlungen K0,1 , . . . , K0,k .
k
1 P k·(k+1)
m= 2
m=1
∞ ∞
2 q
qm = 1
qm =
P P
1−q
und 1−q
für |q| < 1,
m=0 m=1
k k
m 1−q k+1 q k+1 −1 1−q k q k −1
qm = q ·
P P
q = 1−q
= q−1
und 1−q
=q· q−1
für |q| =
6 1
m=0 m=1

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
14 Kapitel 1. Klassische Finanzmathematik

• Berechnungsformeln für den Wert Kt einer Zahlungsreihe z. Ztpkt. t:

k k
(simp)
X   X K0,m
Lineare Verzinsung: Kt = K0,m · 1 + i · (t − nm ) +
1 + i · (nm − t)
m=1,t≥nm m=1,t<nm

k
(comp)
X
Zinseszinsrechnung: Kt = K0,m · (1 + i)(t−nm )
m=1
k
X
= K0,m · (1 + i)(n−nm ) · (1 + i)(t−n)
m=1
= Kn(comp) · (1 + i)(t−n)

• Der Wert zum Stichtag t = 0 wird auch als Barwert (bzw. Gegenwartswert, present value)
bezeichnet.

• Bemerkung: Bei der linearen Verzinsung ist – im Gegensatz zur Zinseszinsrechnung – die
Festlegung, dass die Zahlungen K0,1 , . . . , K0,k ausgehend von den jeweiligen Zahlungs-
zeitpunkten n1 , . . . , nk (und nicht etwa von der Laufzeit n aus) aufgezinst bzw. diskontiert
werden, unbedingt erforderlich, da ansonsten die Ergebnisse abweichen können, wie das fol-
gende Beispiel zeigt:
Gegeben sei eine Zahlungsreihe mit K0,1 = 100, K0,2 = 200, n1 = 0, n2 = 2, n = 2 und
i = 5%.
(simp)
– Bei linearer Verzinsung beträgt der Endwert K2 = 100 · 1.1 + 200 = 310.
– Nun ist der Wert zum Zeitpunkt t = 1 gesucht. Gemäß obiger Formel ergibt sich
(simp)
K1 200
= 100 · 1.05 + 1.05 = 105 + 190.48 = 295.48 .
– Hätte man den Endwert 310 diskontiert, würde sich 310
1.05 = 295.24 ergeben.
– Bei Diskontierung des Endwertes ist bei linearer Verzinsung das Ergebnis sogar abhängig
von der Laufzeit: Hätte man z.B. als Laufzeit n = 3 gewählt, würde der entsprechende
(simp)
Endwert K3 = 100·1.15+200·1.05 = 325 betragen. Dieser Wert auf den Zeitpunkt
t = 1 diskontiert ergibt 325
1.1 = 295.45 .

• Definition 1.1 Zwei Zahlungsreihen heißen äquivalent zum Stichtag t ∈ R, falls sie zum
Zeitpunkt t denselben Wert besitzen.

• Lemma 1.2 Sind zwei Zahlungsreihen zum Stichtag t ∈ R äquivalent, so sind sie es bei
Anwendung der Zinseszinsrechnung auch zu jedem beliebigen anderen Stichtag t̃ ∈ R. Diese
Aussage gilt bei Anwendung der linearen Verzinsung nicht immer.
(comp) (comp)
Beweis: Gegeben seien zwei Zahlungsreihen mit den Werten K̃t = K̂t zum Zeit-
punkt t ∈ R. Für jeden beliebigen anderen Stichtag t̃ ∈ R gilt dann analog zu obigen Formeln
ist
(comp) (comp) (comp) (comp)
K̃t̃ = K̃t · (1 + i)t̃−t = K̂t · (1 + i)t̃−t = K̂t̃ ,

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
1.1. Zinsrechnung 15

d.h., die Zahlungsreihen sind auch zum Zeitpunkt t̃ ∈ R äquivalent.

Das folgende Beispiel zeigt, dass dies bei Anwendung der linearen Verzinsung nicht immer
der Fall ist: Gegeben seien zwei Zahlungsreihen mit

K̃0,1 = K̃0,2 = 150, ñ1 = 0, ñ2 = 1, ñ = 2 und

K̂0,1 = K̂0,2 = 100, K̂0,3 = 115, n̂1 = 0, n̂2 = 1, n̂3 = 2, n̂ = 2.

Für i = 10% ergibt sich für die jeweiligen Endwerte

(simp)
K̃2 = 150 · 1.2 + 150 · 1.1 = 345 und
(simp)
K̂2 = 100 · 1.2 + 100 · 1.1 + 115 = 345,

d.h., die beiden Zahlungsreihen sind (bei Anwendung der linearen Verzinsung) zum Stichtag
t = 2 äquivalent. Zum Zeitpunkt t = 0 ergibt sich jedoch
(simp)
K̃0 = 150 + 150
1.1 = 286.36 und
(simp) 100 115
K̂0 = 100 + 1.1 + 1.2 = 286.74,
d.h., die beiden Zahlungsreihen sind (bei Anwendung der linearen Verzinsung) zum Stichtag
t = 0 nicht äquivalent. 

• Bemerkung: Bei Anwendung der linearen Verzinsung wird beim Vergleich von n zwei Zah-
lungsreihen üblicherweise der Tag der letzten auftretenden Zahlung, d.h. max max ñm̃ ,
m̃=1,...,k̃
o
max n̂m̂ , als Stichtag gewählt.
m̂=1,...,k̂

1.1.3 Mittlerer Zahlungstermin

• Gegeben sei eine Zahlungsreihe mit den Zahlungen K0,1 , . . . , K0,k , den dazugehörigen Zah-
lungsterminen n1 , . . . , nk , der Laufzeit n sowie der Zinsrate i.
Die Summe
k
X
K = K0,m
m=1
aller Zahlungen wird als nominelle Summe bezeichnet. Derjenige Zeitpunkt n̄, für den der
Endwert einer Einmalzahlung in Höhe von K äquivalent ist mit dem Endwert der gegebenen
Zahlungsreihe, wird als mittlerer Zahlungstermin (oder Zeitzentrum) bezeichnet.

• Bestimmungsgleichungen für den mittleren Zahlungstermin n̄:

k
X   
Lineare Verzinsung: K0,m · (1 + i · (n − nm ) = K · 1 + i · (n − n̄)
m=1
k
X 
Zinseszinsrechnung: K0,m · 1 + i)(n−nm ) = K · (1 + i)n−n̄
m=1

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
16 Kapitel 1. Klassische Finanzmathematik

• Bei Verwendung der linearen Verzinsung lässt sich die Bestimmungsgleichung durch elemen-
tare Umformung zu
k
X
K0,m · (n − nm ) = K · (n − n̄)
m=1

vereinfachen. Ist es zu bemerken, dass der mittlere Zahlungstermin bei linearer Verzinsung
unabhängig von der Zinsrate i ist.

1.1.4 Gemischte Verzinsung

• Im Folgenden wird der Einfachheit halber von einer Zahlungsreihe mit genau einer Zahlung
z. Ztpkt. 0 (d.h. von einem Anfangskapital K0 ) ausgegangen.

• Fällt der Beginn oder das Ende einer Kapitalüberlassungsfrist nicht auf einen Zinszuschlags-
termin, wird in der Bankenpraxis häufig die sogenannte gemischte Verzinsung angewen-
det. Dabei werden die anfallenden Zinsen vor dem ersten bzw. nach dem letzten Zins-
zuschlagstermin jeweils durch lineare Verzinsung berechnet. Zwischen dem ersten und
letzten Zinszuschlagstermin werden die Zinsen durch Zinseszinsrechnung bestimmt.
Bezeichnung: n ∈ R>0 – Laufzeit in Jahren (wie bisher)
t1 ∈ [0, n] – erster Zinszuschlagstermin
t2 ∈ [t1 , n] – letzter Zinszuschlagstermin

• Endwert Kn bei gemischter Verzinsung:

 
Kn(mix) = K0 · (1 + i · t1 ) · (1 + i)t2 −t1 · 1 + i · (n − t2 )

• Beispiel: Anfangskapital K0 = 100, Zinsrate i = 12%, Laufzeit n = 2 von Oktober bis

übernächsten Oktober, Zinszuschlagstermine am Jahresanfang
=⇒ t1 = 0.25, t2 = 1.25
(mix)
=⇒ K2 = 100 · (1 + 0.12 · 0.25) · (1 + 0.12)1 · (1 + 0.12 · 0.75)
= 100 · 1.03 · 1.12 · 1.09 = 125.74
(comp)
• Zum Vergleich: Die übliche Zinseszinsrechnung würde zu K2 = 100 · 1.122 = 125.44
führen (bei Zinsperioden kleiner als einem Jahr liefert die lineare Verzinsung stets höhere
Werte).

• Problem: Äquivalenzbetrachtungen sind – wie bei der linearen Verzinsung – vom gewähl-
ten Stichtag abhängig. Außerdem beeinflusst eine „Parallelverschiebung“ der Laufzeit das
Ergebnis.
Beispiel: Wie oben, aber Laufzeit von Juli bis übernächsten Juli
(mix)
=⇒ t1 = 0.5, t2 = 1.5 =⇒ K2 = 100 · 1.06 · 1.12 · 1.06 = 125.84

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
1.1. Zinsrechnung 17

1.1.5 Unterjährige Verzinsung

• Gibt es innerhalb eines Jahres mehrere Zinszuschlagstermine, spricht man von unterjähriger
Verzinsung (period compounding ). Diese ist lediglich im Zusammenhang mit der Zinseszins-
rechnung von Bedeutung (da bei linearer Verzinsung stets das Anfangskapital als Bezugsgröße
gewählt wird).

• Es ist zwischen der nominellen Zinsrate inom (nominal interest rate) und der effektiven
Zinsrate ieff (effective interest rate) zu unterscheiden.

• f – Anzahl der unterjährigen Zinszuschlagstermine

(üblich: f = 2 – halbjährlich, f = 4 – vierteljährlich, f = 12 – monatlich)
(comp)
• Endwert Kn,f bei unterjähriger Verzinsung (Laufzeit n):

 f ·n
(comp) inom
Kn,f = K0 · 1 +
f

• Beispiel: K0 = 100, n = 2, f = 4, inom = 8%

 4·2
(comp) 0.08
=⇒ K2,4 = 100 · 1 + 4 = 100 · (1.02)8 = 117.17

(comp)
• Zum Vergleich: Bei jährlicher Verzinsung (f = 1) würde sich K2,1 = 100 · (1.08)2 =
116.64 ergeben.

• Die nominelle Zinsrate stellt somit die Berechnungsgrundlage dar, aus der sich der jeweilige
inom
Zinssatz für die Zinsperiode (Halbjahr, Quartal, Monat) ergibt.
f
• Die effektive Zinsrate ist diejenige Zinsrate, die bei jährlicher Verzinsung denselben Zins-
ertrag liefern würde. Es besteht demnach die Beziehung

inom f
 
1+ = 1 + ieff
f

0.08 4
 
• Beispiel: Wie oben, f = 4, inom = 8% =⇒ ieff = 1+ − 1 = 8.24%
4

1.1.6 Stetige Verzinsung

• Lässt man bei der unterjährigen Verzinsung die Anzahl der Zinszuschlagstermine f unendlich
groß (und damit die Zinsperioden unendlich klein) werden, ergibt sich formal

inom f
 
lim 1 + = einom
f →∞ f

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
18 Kapitel 1. Klassische Finanzmathematik

• Die Verzinsung unter Verwendung dieses Aufzinsungsfaktor einom wird auch als stetige Ver-
zinsung (continous compounding ) bezeichnet.

• Aufgrund der „angenehmen“ Eigenschaften der e-Funktion (insbesondere bezüglich Differen-

zieren und Integrieren) wird die stetige Verzinsung insbesondere bei formal-mathematischen
Untersuchungen verwendet.

• In diesem Zusammenhang wird die nominelle Zinsrate inom auch als stetige Zinsrate (con-
tinuously compounded interest rate) oder Zinsintensität bezeichnet.

• Die dazugehörige effektive (Jahres-)Zinsrate ieff ergibt sich aus

einom = 1 + ieff

• Beispiel: Die zur stetigen Zinsrate inom = 8% gehörige effektive Zinsrate ist ieff = e0.08 −1 =
8.33%.

1.2 Rentenrechnung
• Unter einer Rente versteht man eine periodische Folge von Zahlungen. Mathematisch
ist dies eine Zahlungsreihe, deren Zahlungszeitpunkte eine arithmetische Folge mit der
Differenz δ > 0 bilden, d.h., für die Folge der Zahlungszeitpunkte n1 , . . . , nk , k ∈ N ∪ {∞},
gilt n1 ∈ R0+ und nm+1 − nm = δ für m ∈ {1, . . . , k − 1}.

• Bemerkungen:

1. Die Zahlungen einer Rente werden als Raten bezeichnet.

2. Für k = ∞ (und folglich auch unendlicher Laufzeit n) erhält man die sogenannte
ewige Rente (siehe Abschnitt 1.2.1). Im Folgenden wird jedoch (zunächst) k < ∞
vorausgesetzt.
3. Im Folgenden werden jährliche Zinszuschlagstermine angenommen, die mit den Zah-
lungszeitpunkten der Rente übereinstimmen, d.h. δ = 1 und n1 ∈ {0, 1}.
4. Im Fall von nm = m (m = 1, . . . , k) spricht man von einer nachschüssigen Rente,
im Fall von nm = m − 1 von einer vorschüssigen Rente. In beiden Fällen beträgt
die Laufzeit n = k. Bei einer nachschüssigen Rente erfolgt die erste Zahlung z. Ztpkt.
1 und die letzte Zahlung z. Ztpkt. n, bei einer vorschüssigen Rente erfolgt die erste
Zahlung z. Ztpkt. 0 und die letzte Zahlung z. Ztpkt. n − 1.
5. Im Folgenden werden ausschließlich nachschüssige Renten betrachtet. Die entspre-
chenden Formeln für vorschüssige Renten ergeben sich aus den Formeln für nach-
schüssige Renten durch Abdiskontierung um eine Periode (d.h. Division durch 1 + i).
6. Es kommt grundsätzlich die Zinseszinsrechnung zur Anwendung.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
1.2. Rentenrechnung 19

7. Die Zinsrate i ist konstant über die gesamte Laufzeit.

• Annahme: Zahlungen in gleicher Höhe R > 0

k
X
=⇒ Endwert Kn = K0,m · (1 + i)(n−nm )
m=1
Xn n−1
X 
(n−m)
= R · (1 + i) = R· 1 + i)m
m=1 m=0
(1 + i)n − 1 (1 + i)n − 1
= R· = R·
(1 + i) − 1 i
Kn 1 − (1 + i)−n
=⇒ Barwert K0 = = R ·
(1 + i)n i

1.2.1 Ewige Rente

• Annahme: Zahlungen in gleicher Höhe R > 0 erfolgen unendlich lange (n = k = ∞)
Endwert und Barwert ergeben sich als Grenzwerte der entsprechenden Werte der endlichen
Rente:
(1 + i)n − 1
Endwert K∞ := lim Kn = lim R · → ∞ für i > 0
n→∞ n→∞ i
1 − (1 + i)−n R
Barwert K0∞ := lim K0 = lim R · = für i > 0
n→∞ n→∞ i i
• Interpretation des Barwertes einer ewigen Rente: Der Barwert K0∞ entspricht genau demje-
nigen Betrag, der jährlich Zinsen in Höhe von R erzeugt, denn es gilt K0∞ · i = R.

• Übungsaufgabe: Bestimmen Sie den Endwert und den Barwert einer ewigen Rente für den
Fall i ≤ 0.

1.2.2 Renten mit veränderlichen Raten

• Arithmetisch veränderliche Rente:
Zahlungen K0,m := R + (m − 1) · d mit R > 0 und d ∈ R
=⇒ K0,1 = R, K0,m+1 − K0,m = d für m ∈ {1, . . . , k − 1} (k ∈ N)
(1 + i)n − 1 n · d
 
d
=⇒ Endwert Kn = R + · − (Übungsaufgabe)
i i i

• Geometrisch veränderliche Rente:

Zahlungen K0,m := R · (1 + idyn )m−1 mit R > 0 und idyn ∈ R

idyn – Dynamik-Rate, 1 + idyn – Dynamik-Faktor

K0,m+1
=⇒ K0,1 = R, = 1 + idyn für m ∈ {1, . . . , k − 1} (k ∈ N)
K0,m

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
20 Kapitel 1. Klassische Finanzmathematik

(1 + i)n − (1 + idyn )n
=⇒ Endwert Kn = R · für i 6= idyn (Übungsaufgabe)
i − idyn

• Übungsaufgabe: Bestimmen Sie den Endwert einer geometrisch veränderlichen Rente für
den Fall i = idyn .

1.3 Tilgungsrechnung
• Mathematisch kann die Tilgungsrechnung als eine Variante der Rentenrechnung aufgefasst
werden, wobei der Barwert K0 der Rente der Höhe einer zurückzuzahlenden (zu tilgenden)
Schuld (z.B. Kredit oder Hypothek) entspricht.

• Die Zahlungen K0,1 , . . . , K0,k (k ∈ N) der Rente heißen in diesem Zusammenhang Annui-
täten.

• Im Folgenden werden – wie bei der Rentenrechnung – jährliche Zinszuschlagstermine ange-

nommen, die mit den Zahlungszeitpunkten der Annuitäten übereinstimmen. Die Laufzeit sei
n ∈ N (Jahre).

• Charakteristisch für die Tilgungsrechnung ist die additive Aufspaltung der Annuitäten K0,m
(m = 1, . . . , n) in einen Zinsanteil Zm und einen Tilgungsanteil Tm , d.h.

K0,m = Zm + Tm , m = 1, . . . , n, mit
n
X  m−1
X 
Tm = K0 , Z1 := i · K0 und Zm := i · K0 − Tj .
m=1 j=1

• Prinzipiell unterscheidet man zwei Tilgungsarten: Die Ratentilgung und die Annuitätentil-
gung.

• Die Ratentilgung ist durch konstante Tilgungsanteile, d.h.

K0
Tm := für alle m = 1, . . . , n
n

gekennzeichnet. Der Zinsanteil (und damit die Annuität) verringert sich somit von einem
K0
Zahlungszeitpunkt zum nächsten um i · . Die Ratentilgung kann demzufolge als eine
n
arithmetisch veränderliche Rente (s.o.) mit
K0 K0
K0,1 := + i · K0 und d := −i ·
n n
aufgefasst werden. Für den Endwert Kn ergibt sich (siehe obige Formel)

(1 + i)n − 1 n · d
 
d
Kn = K0,1 + · −
i i i

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
1.3. Tilgungsrechnung 21

(1 + i)n − 1
 
K0 K0
= + i · K0 − · + K0
n n i
 
= K0 · (1 + i)n − 1 + K0 = K0 · (1 + i)n ,

was dem Endwert der Schuld K0 z. Ztpkt. n entspricht.

• Die Annuitätentilgung ist durch konstante Annuitäten, d.h.

K0,m := A für alle m = 1, . . . , n

gekennzeichnet. Aus obiger Endwert-Formel für Renten gleicher Höhe ergibt sich zur Bestim-
mung von A die Gleichung

(1 + i)n − 1 !
A· = K0 · (1 + i)n
i
und folglich

(1 + i)n
A = K0 · i · (i 6= 0).
(1 + i)n − 1

• Übungsaufgabe: Bestimmen Sie die Annuität A bei Annuitätentilgung im Fall i = 0.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
22 Kapitel 1. Klassische Finanzmathematik

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
Kapitel 2

Stochastische Finanzmathematik in
diskreter Zeit

• Wesentlicher Unterschied zwischen klassischer und stochastischer Finanzmathematik: „Zah-

lungsströme“ (Verallgemeinerung von Zahlungsreihen auf ggf. stetige Zeit) sind stochasti-
schen Einflüssen unterworfen
=⇒ Wert eines Zahlungsstromes zu einem Zeitpunkt t ∈ R0+ ist ebenfalls stochastisch

• Modellierung der „Wertentwicklungen“ stochastischer Zahlungsströme („Preisprozesse“) im

Rahmen sogenannter Marktmodelle

Wesentliche Komponenten eines Marktmodells:

• Zeithorizont n ∈ R>0 (entspricht der Laufzeit aus der klassischen Finanzmathematik)

• Menge von Handelszeitpunkten T ⊂ [0, n] mit {0, n} ⊂ T (entspricht den Zahlungszeit-

punkten einer Zahlungsreihe aus der klassischen Finanzmathematik)

• Zustandsmenge Ω 6= ∅ – beschreibt mögliche „zukünftige Szenarien“

• Menge von N + 1 (N ∈ N0 ) Preisprozessen S 0 , . . . , S N : T × Ω → R (Verallgemeinerung

der Werte zu den Zeitpunkten t ∈ T einer Zahlungsreihe aus der klassischen Finanzmathe-
matik)

Bemerkungen:
 
• Den zukünftigen Szenarien können mit Hilfe eines Wahrscheinlichkeitsraums Ω, F, P
Wahrscheinlichkeiten zugeordnet werden.

• Dem Preisprozess S 0 kommt in vielen Fällen eine Sonderrolle als „Diskontierungsprozess“

(dem sogenannten „Numéraire“) zu.

23
24 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

 
• In Verbindung mit einem Wahrscheinlichkeitsraum Ω, F, P kann ein Preisprozess S als ein
 
stochastischer Prozess St mit St : ω ∈ Ω → S(t, ω) ∈ R aufgefasst werden (falls er
t∈T
den üblichen Messbarkeitsforderungen genügt).

• Die von einem Preisprozess S abgeleitete Funktion S(t, .) : Ω → R, t ∈ T, heißt Preis zum
Zeitpunkt t. Der Preis zum Zeitpunkt n wird auch als (Europäisches) Auszahlungsprofil
bezeichnet, der Preis zumZeitpunkt
 0 auch einfach nur als Preis. In Verbindung mit einem
Wahrscheinlichkeitsraum Ω, F, P ist ein Preis zum Zeitpunkt t eine Zufallsgröße.

• Grundlegende Problemstellung: Geeignete Ergänzung eines auf T̂×Ω (T̂ ⊂ T) gegebenen

(„zeitlich unvollständig bekannten“) Preisprozesses zu einem („zeitlich vollständig bekannten“)
Preisprozess auf T × Ω unter Beachtung eines geeigneten „Äquivalenzprinzips“ (in Verallge-
meinerung der Äquivalenz von Zahlungsreihen aus der klassischen Finanzmathematik)

• Klassifizierung von im Folgenden behandelten Modellen:

Modell T Ω Preisprozesse

Einperioden-Marktmodell
mit endlich vielen Zuständen {0, n} |Ω| ∈ N endlich viele
(Abschnitt 2.2)
Einperioden-Marktmodell beliebig (auch
mit allgemeinem Zustandsraum {0, n} überabzählbar endlich viele
(Abschnitt 2.3) unendlich)
Allgemeines
Mehrperioden-Marktmodell {0, 1, . . . , n} beliebig endlich viele
(Abschnitt 2.4)
Mehrperioden-Binomialmodell 2 (ein Bond und
{0, 1, . . . , n} |Ω| = 2n
(Abschnitt 2.5) eine Aktie, s.u.)
Black-Scholes-Modell 2 (ein Bond und
[0, n] beliebig
(Abschnitt 3.1) eine Aktie, s.u.)
Allgemeines zeitstetiges
[0, n]
Marktmodell mit
bzw. beliebig endlich viele
stetigen Preisprozessen
[0, ∞)
(Abschnitt 4.3)

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.1. Finanzinstrumente und ihre Preisprozesse 25

2.1 Finanzinstrumente und ihre Preisprozesse

Bemerkung: Es ist im Folgenden stets zwischen der mathematischen Definition und der wirt-
schaftswissenschaftlichen Interpretation zu unterscheiden. In der Literatur wird – aus mathe-
matischer Sicht – ein Finanzinstrument (Wertpapier, security, asset) häufig als ein Preisprozess
definiert. Hier jedoch wird ein Finanzinstrument als ein Tupel von charakteristischen Parametern
angesehen, aus denen sich dazugehörige Preisprozesse bzw. Auszahlungsprofile ableiten lassen.

2.1.1 Basiswertpapiere

Basiswertpapiere sind dadurch gekennzeichnet, dass ihre Preisprozesse nicht in direkter (d.h. funk-
tionaler) Beziehung zu anderen Preisprozessen stehen. Sie weisen somit eine gewisse „Eigenstän-
digkeit“ auf.

[Link] Anleihe

Definition 2.1 Eine Anleihe (festverzinsliches Wertpapier, bond, loan) ist ein Ein-Tupel (g)B mit
g ∈ R>0 . Der zugehörige Preisprozess S(g)B ist streng positiv und besitzt das Auszahlungsprofil

S(g)B (n, .) ≡ g.

Bemerkung: Eine Anleihe ist demnach durch eine sichere (d.h. von ω ∈ Ω unabhängige) Aus-
zahlung zum Zeitpunkt n gekennzeichnet. Die charakteristische Zahl g wird als Nominalwert
(Nennwert, nominal amount, notional amount, face value, par value) bezeichnet.

[Link] Aktie

Eine Aktie (stock, share) besitzt keinen charakterisierenden Parameter und ist durch einen streng
positiven Preisprozess gekennzeichnet, dessen Auszahlungsprofil (im Gegensatz zur Anleihe) nicht
konstant ist.

Bemerkung: Bei dem Preisprozess einer Aktie handelt es sich um einen sehr allgemeinen Prozess,
der nicht nur für das Finanzinstrument „Aktie“ spezifisch ist, sondern ebenso für die Preisent-
wicklung von Zinsen, Währungen (currencies) oder Rohstoffe (commodities) herangezogen werden
kann.

2.1.2 Derivative Wertpapiere

Derivative Wertpapiere (Derivate, derivatives) sind dadurch gekennzeichnet, dass ihr Preisprozess
(und insbesondere ihr Auszahlungsprofil) in einem funktionalen Zusammenhang zu dem Preisprozess
eines Basiswertpapiers steht.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
26 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

[Link] Futures/Forwards

Aus wirtschaftswissenschaftlicher Sicht handelt es sich bei Futures bzw. Forwards1 um soge-
nannte unbedingte Termingeschäfte: Zwei Vertragsparteien verpflichten sich, ein bestimmtes
Finanzinstrument (z.B. Aktie oder Anleihe, aber auch Währungen oder Zinsraten) zu einem festge-
legten Zeitpunkt (Ausübungszeitpunkt, Fälligkeit, maturity ) zu einem bei Vertragsabschluss fest-
gelegten Preis (der sogenannte Basispreis oder Ausübungspreis, exercise price, strike (price)) zu
kaufen bzw. zu verkaufen. Der Käufer eines Futures wird dabei als „long position“, der Verkäu-
fer als „short position“ bezeichnet. Das zugrundeliegende Finanzinstrument heißt Basiswert oder
Underlying.

Der Käufer (long position) eines Futures profitiert dabei in dem Fall, dass das Underlying zum
Ausübungszeitpunkt einen höheren Wert als den vereinbarten Ausübungspreis besitzt, da in diesem
Fall das Underlying zum geringeren Preis gekauft und zum höheren „Marktpreis“ verkauft werden
kann. Der Verkäufer (short position) profitiert im genau gegenteiligen Fall.

Üblicherweise wird bei Futures der Ausübungspreis dergestalt festgelegt, dass der Preis des Futures
(zum Zeitpunkt 0) Null ist.

Es folgt die mathematische Definition eines Futures2 :

 
Definition 2.2 Ein Future ist ein Paar U, K̃ , wobei U eine Funktion U : Ω → R (ge-
Fut
nannt das Underlying) und K̃ eine positive reelle Zahl (genannt der Strike) ist. Der zugehörige
Preisprozess S  besitzt das Auszahlungsprofil
U,K̃
Fut

S  (n, .) := U (.) − K̃1,

U,K̃
Fut

wobei 1 die Eins-Funktion auf Ω bezeichnet.

s
N
.....
....
.....
.....
.
......
.
u − K̃ .
....
.....
.....
.....
..
......
.
.....
.....
.....
K̃ ..
..
.....
....
.....
..... Iu = U (ω)
.....
.....
..
......
....
.....
.....
.....
.
..
......
.
.....
....
.....
.....
.
......
.
.
.....
−K̃
Abbildung 2.1: Auszahlungsprofil eines Futures in Abhängigkeit vom Wert des Underlyings
1
Futures und Forwards unterscheiden sich im Wesentlichen in der Art der Geschäftsabwicklung – der Futures-
Handel ist erheblich stärker standardisiert und reglementiert als der Forwards-Handel. Aus mathematischer Sicht
ergeben sich daraus keine Unterschiede in der Behandlung.
2
Da mathematisch zwischen Futures und Forwards nicht unterschieden zu werden braucht, wird im Folgenden
lediglich von Futures gesprochen.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.1. Finanzinstrumente und ihre Preisprozesse 27

Bemerkungen:

1. Die obige Definition betrachtet einen Future aus der „long position“, d.h. aus der Sicht
des Käufers. Der Preisprozess aus Sicht des Verkäufers (der „short position“) wäre dann
−S  .
U,K̃
Fut

2. Im Folgenden gelte folgende Vereinbarung: Wenn nicht anders angegeben, werden Preispro-
zesse stets aus Sicht der „long position“ betrachtet.

3. Als Underlying werden üblicherweise Auszahlungsprofile anderer Finanzinstrumente (beispiels-

weise einer Aktie) herangezogen.

4. Der Ausübungszeitpunkt n eines Futures entspricht üblicherweise dem Zeithorizont des jeweils
betrachteten Marktmodells.

5. Wie bereits oben erwähnt, wird bei einem Future üblicherweise der Strike K̃ so gewählt, dass

S  (0) ≡ 0
U,K̃
Fut

gilt.

[Link] Europäische Call-Option

Bemerkung: „Europäische“ Wertpapiere sind dadurch gekennzeichnet, dass eine Auszahlung aus-
schließlich zum letzten Handelszeitpunkt n erfolgt. „Amerikanische“ Wertpapiere können Auszah-
lungen zu jedem beliebigen Handelszeitpunkt t ∈ T realisieren. Der Handel mit Europäischen oder
Amerikanischen Wertpapieren ist – selbstverständlich – nicht auf europäische oder amerikanische
Handelsplätze beschränkt.

Aus wirtschaftswissenschaftlicher Sicht hat der Käufer (long position) einer Europäischen
Call-Option das Recht (aber im Gegensatz zum Future nicht die Pflicht), ein bestimmtes Finan-
zinstrument (underlying ) zu einem festgelegten Zeitpunkt (Ausübungszeitpunkt, Fälligkeit, matu-
rity ) zu einem bei Vertragsabschluss festgelegten Preis (Basispreis, Ausübungspreis, exercise price,
strike (price)) zu kaufen. Demgegenüber hat der Verkäufer (short position) einer Europäischen
Call-Option die Pflicht, auf Wunsch des Käufers das Finanzinstrument zum Ausübungszeitpunkt
zu dem festgelegten Preis zu liefern.

Bemerkungen:

1. Der Käufer einer Call-Option wird sein Kaufrecht sicherlich nur dann ausüben, wenn der
Wert des Underlyings zum Ausübungszeitpunkt höher ist als der festgelegte Ausübungspreis,
da in diesem Fall das Underlying zum geringeren Ausübungspreis gekauft und zum höheren
Marktpreis verkauft werden kann.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
28 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

2. Der Preis (z. Ztpkt. 0) einer Call-Option ist stets positiv, da das Auszahlungsprofil einer Opti-
on aufgrund des Wahlrechts stets nichtnegativ ist. Eine rational nachvollziehbare Bestimmung
des Preises einer Option war erstmals Anfang der 70er mit Hilfe der Black-Scholes-Formel
möglich (siehe Kapitel „Stochastische Finanzmathematik in stetiger Zeit“). Das Problem der
Preisbestimmung für eine Option ist demnach als das grundlegende Ausgangsproblem der
modernen Finanzmathematik anzusehen.
 
Definition 2.3 Eine Europäische Call-Option ist ein Paar U, K̃ , wobei U eine Funktion
ECO
U : Ω → R (genannt das Underlying) und K̃ eine positive reelle Zahl (genannt der Strike) ist.
Der zugehörige Preisprozess S  besitzt das Auszahlungsprofil
U,K̃
ECO

 +
S  (n, .) := U (.) − K̃1 .
U,K̃
ECO

s
N
.....
.....
.....
.....
..
......
....
.....
(u − K̃)+ ..
..
.....
.....
.....
....
.....
.....
.....
..
......
.
.....
.....
.....
.....
.
......
.
.
.....
.... I u = U (ω)
K̃
Abbildung 2.2: Auszahlungsprofil einer Europäischen Call-Option in Abhängigkeit vom Wert des
Underlyings

Bemerkungen:

1. Aus praktischer Sicht realisiert der Käufer einer Call-Option erst im Fall U (ω) − K̃ >
S  (0, ω) Gewinn, d.h., wenn die tatsächliche Auszahlung der Option z. Ztpkt. n
U,K̃
ECO
den Preis der Option z. Ztpkt. 0 übersteigt. Der Wert K̃ + S  (0, ω) wird auch als
U,K̃
ECO
break-even-point bezeichnet.

2. Umgekehrt entspricht der größtmögliche Verlust aus Sicht des Käufers genau dem Preis der
Option z. Ztpkt. 0 (nämlich für den Fall, dass die Option im Fall U (ω) ≤ K̃ nicht ausgeübt
wird).

3. Selbst wenn der break-even-point noch nicht erreicht sein sollte, wird der Käufer einer Call-
Option sein Kaufrecht im Fall U (ω) > K̃ stets ausüben, um die Kosten für den Kauf der
Option ggf. wenigstens teilweise auszugleichen.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.1. Finanzinstrumente und ihre Preisprozesse 29


out of the money falls U (ω)  K̃





4. Eine Call-Option heißt in the money falls U (ω)  K̃,


at the money falls U (ω) ≈ K̃



wobei „“ („deutlich kleiner“), „“ („deutlich größer“) und „≈“ („ungefähr“) mathematisch
nicht näher spezifiert sind.

5. Der Wert einer Option zum Zeitpunkt t < n setzt sich zusammen aus dem sogenannten
inneren Wert, der sich aus dem Wert des Preisprozesses des Underlyings z. Ztpkt. t im
Bezug zum Strike K̃ ergibt, und dem sogenannten Zeitwert, der die zukünftige Möglichkeit
des positiven Gewinns bewertet.

[Link] Europäische Put-Option

Bei einer Put-Option handelt es sich um eine Verkaufsoption, Aus wirtschaftswissenschaftli-

cher Sicht hat der Käufer (long position) einer Europäischen Put-Option das Recht (aber
nicht die Pflicht), ein bestimmtes Finanzinstrument (underlying ) zu einem festgelegten Zeitpunkt
(Ausübungszeitpunkt, Fälligkeit, maturity ) zu einem bei Vertragsabschluss festgelegten Preis (Ba-
sispreis, Ausübungspreis, exercise price, strike (price)) zu verkaufen. Demgegenüber hat der Ver-
käufer (short position) einer Europäischen Put-Option die Pflicht, auf Wunsch des Käufers das
Finanzinstrument zum Ausübungszeitpunkt zu dem festgelegten Preis zu kaufen.
Bemerkung: Der Käufer einer Put-Option wird sein Verkaufsrecht sicherlich nur dann ausüben,
wenn der Wert des Underlyings zum Ausübungszeitpunkt niedriger ist als der festgelegte Aus-
übungspreis. In diesem Fall wird er das Underlying zum niedrigeren Marktpreis kaufen und dem
Verkäufer der Put-Option zum höheren Strike verkaufen.
 
Definition 2.4 Eine Europäische Put-Option ist ein Paar U, K̃ , wobei U eine Funktion
EPO
U : Ω → R (genannt das Underlying) und K̃ eine positive reelle Zahl (genannt der Strike) ist.
Der zugehörige Preisprozess S  besitzt das Auszahlungsprofil
U,K̃
EPO
 +
S  (n, .) := K̃1 − U (.) .
U,K̃
EPO

s
N
.....
K̃ .....
.....
.....
.....
.....
.....
.....
.....
(K̃ − u)+
.....
.....
.....
.....
.....
.....
.....
.....
....
Iu = U (ω)
K̃
Abbildung 2.3: Auszahlungsprofil einer Europäischen Put-Option in Abhängigkeit vom Wert des
Underlyings

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
30 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

Bemerkungen:

1. Die Bemerkungen zu Europäischen Call-Optionen gelten analog auch für Europäische Put-
Optionen – jeweils von der anderen „Seite“ des Strikes aus gesehen.

2. Optionen und Futures dienen nicht nur spekulativen Zwecke, sondern eignen sich insbesondere
auch zur Absicherung (hedging ) von Kursschwankungen.

3. Europäische Call- bzw. Put-Optionen werden (umgangssprachlich) auch als Plain Vanilla
Optionen bezeichnet.

4. Durch additive Kombination der Auszahlungsprofile zweier Europäischer Optionen (Call/Put

in long/short position) lassen sich weitere Auszahlungsprofile mit speziellen Eigenschaften
erzeugen (sogenannte Spreads oder Straddles).

Übungsaufgaben:

1. Erläutern Sie das folgende Zitat von Serge Demoliére3 : „Welcher Laie wird wohl je verstehen,
dass der Verkäufer der Verkaufsoption bei der Ausübung der Verkaufsoption durch den Käufer
der Verkaufsoption der Käufer der von dem Käufer der Verkaufsoption verkauften Wertpapiere
ist.“

2. Informieren Sie sich in der einschlägigen Literatur über Spreads und Straddles und untersu-
chen Sie deren Eigenschaften.

[Link] Asiatische Optionen

Aus wirtschaftswissenschaftlichen Sicht ähneln die Asiatischen Optionen den Europäischen

Optionen, wobei das Underlying aus dem Durchschnitt eines Preisprozesses S zu bestimmten
Zeitpunkten T̃ ⊂ T gebildet wird.
  
Definition 2.5 Eine Asiatische Call- bzw. Put-Option ist ein Tupel S, T̃, K̃ bzw. S, T̃,
 AsCO
K̃ , wobei S ein Preisprozess, T̃ ⊂ T mit T̃ < ∞ eine Menge von Handelszeitpunkten sowie
AsPO
K̃ eine positive reelle Zahl ist. Die zugehörigen Preisprozesse S  bzw. S 
S,T̃,K̃ S,T̃,K̃
AsCO AsPO
besitzen die Auszahlungsprofile
 +
S  (n, .) := 1 P
S(t, .) − K̃1 = S  (n, .) bzw.
S,T̃,K̃ |T̃| 1 P
S(t,.),K̃
t∈T̃ |T̃|
AsCO t∈T̃ ECO
 +
1 P
S  (n, .) := K̃1 − |T̃|
S(t, .) = S  (n, .).
1 P
S,T̃,K̃ t∈T̃ S(t,.),K̃
|T̃|
AsPO t∈T̃ EPO

3
derzeitiges Vorstandsmitglied der Landesbank Berlin

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.1. Finanzinstrumente und ihre Preisprozesse 31

[Link] Barrier-Optionen

• Auszahlungsprofile wie bei den Europäischen Optionen, wobei nur dann eine Auszahlung
erfolgt, wenn der zugrunde liegende Preisprozess S eine vorgegebene Schranke B̃ erreicht
oder nicht
Dabei unterscheidet man folgende Varianten:

– Knock-out Optionen mit den Spezialfällen down-and-out (d&o) bzw. up-and-out

(u&o): Nullauszahlung, falls untere bzw. obere Schranke erreicht wird
– Knock-in Optionen mit den Spezialfällen down-and-in (d&i) bzw. up-and-in (u&i):
Nullauszahlung, falls untere bzw. obere Schranke nicht erreicht wird
– Jeweils Ausprägungen als Call- oder Put-Option möglich
 
• Mathematische Beschreibung durch ein Tripel S, B̃, K̃ (zugrundeliegender Preisprozess S
sowie B̃, K̃ > 0) mit den jeweiligen Bezeichnungsindizes d&oCO, d&oPO, . . . , u&iCO,
u&iPO und zugehörige Preisprozesse mit den Auszahlungsprofilen (Auswahl)4
 
0 falls min S(t, .) ≤ B̃ 0 falls min S(t, .) ≤ B̃
 

t∈T t∈T
S(S,B̃,K̃)d&oCO (n, .) :=  + =
 S(n, .) − K̃1 sonst S S(n,.),K̃ (n, .) sonst
 
  
ECO
 
0 falls max S(t, .) < B̃ 0 falls max S(t, .) < B̃
 

t∈T t∈T
S(S̄,B̃,K̃)u&iPO (n, .) :=  + =
 K̃1 − S(n, .) sonst S S(n,.),K̃ (n, .) sonst
 
  
EPO

[Link] Lookback-Optionen

• Lookback-Optionen ähneln den Europäischen Optionen, wobei der (zufallsabhängige) Strike

durch das Minimum (bei einem Lookback Call) bzw. das Maximum (bei einem Lookback
Put) des Preisprozesses S des Underlyings bestimmt wird.
   
• Mathematische Beschreibung durch das Ein-Tupel S bzw. S (zugrundelie-
LbCO LbPO
gender Preisprozess S) und zugehörige Preisprozesse mit den Auszahlungsprofilen
S  (n, .) := S(n, .) − min S(t, .) bzw. S  (n, .) := max S(t, .) − S(n, .)
S t∈T S t∈T
LbCO LbPO

4
Dabei wird Existenz von min S(t, .) bzw. max S(t, .) vorausgesetzt.
t∈T t∈T

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
32 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

2.2 Einperioden-Marktmodell mit endlich vielen Zuständen

Literatur:

• Jürgen Kremer, Einführung in die Diskrete Finanzmathematik [7]

• Alison Etheridge, A Course in Financial Calculus [4]

Vereinfachungen des Modells gegenüber der Realität:

• Keine Transaktionskosten

• Keine Dividendenzahlungen

• Kauf/Verkauf von Finanzinstrumenten in beliebigen (reellwertigen) Stückzahlen möglich

• Kein Preisunterschied zwischen Kauf und Verkauf (kein bid-ask-spread )

2.2.1 Grundlagen

 Ein Einperioden-Marktmodell
Definition 2.6  mit K ∈ N Zuständen (Bezeichnung: EPMK )
ist ein Tupel n, T, Ω, S , . . . , S
1 N mit

• Zeithorizont n ∈ R>0

• Menge von Handelszeitpunkten T = {0, n}

• Zustandsmenge Ω = {ω1 , . . . , ωK }, K ∈ N

• N Preisprozessen S 1 , . . . , S N : T × Ω → R mit

S 1 (0, .) ≡ b1 , . . . , S N (0, .) ≡ bN (b1 , . . . , bN ∈ R)

Bemerkungen:

1. Das EPMK enthält alle wesentlichen Komponenten eines Marktmodells gemäß den Bemer-
kungen am Anfang dieses Kapitels. In diesem speziellen Fall wird jedoch auf den Preisprozess
S 0 zur Vereinfachung der kommenden Betrachtungen verzichtet. Dessen Rolle als „Diskon-
tierungsprozess“ wird später S 1 einnehmen.

2. Die Preisprozesse sind nicht auf die Preisprozesse von Basiswertpapieren (Aktien und Anlei-
hen) eingeschränkt.

3. Der konkrete Wert des Zeithorizonts n ist für die weiteren Betrachtungen nicht von Interesse.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.2. Einperioden-Marktmodell mit endlich vielen Zuständen 33

4. Die Werte b1 . . . , bN sind die (auf Ω konstanten) Preise der Preisprozesse z. Ztpkt. 0. Sie
lassen sich in einem Vektor
 
 b1 
 . 
.  N
b :=   .  ∈ R
 
bN

zusammenfassen.

5. Die Auszahlungsprofile der Preisprozesse (d.h. die Werte z. Ztpkt. n) lassen sich mittels einer
N × K-Matrix
   
1 1
 D11 . . . D1K   S (n, ω1 ) . . . S (n, ωK ) 
 . ..  .. ..
.  ∈ RN ×K
  
D :=   . .  :=   . . 
   
DN 1 . . . DN K N N
S (n, ω1 ) . . . S (n, ωK )

beschreiben.
 
6. Ein EPMK ist demnach ebenso durch ein Paar b, D mit b ∈ RN und D ∈ RN ×K
bestimmt.

2.2.2 Portfolio und Wert eines Portfolios

 
Definition 2.7 Gegeben sei ein EPMK b, D mit b ∈ RN und D ∈ RN ×K . Dann heißt ein
N -dimensionaler Vektor
 
 h1 
 . 
.  N
h :=  .  ∈ R
 
hN

ein Portfolio. Für ein Portfolio h heißt

n
X
V0 (h) := h · b = hi · bi ∈ R
i=1

der Wert des Portfolios h z. Ztpkt. 0 und

 
    N
P
1 1 Di1 hi 
 Vn (h)  D · h

 i=1
 .   .  ..

. .  = D T • h ∈ RK
 
Vn (h) :=  .  :=  .  = 
     . 
    N 
K K
Vn (h) D ·h  P
DiK hi

i=1

der Wertvektor des Portfolios h z. Ztpkt. n.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
34 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

Bemerkungen:

1. Wirtschaftswissenschaftlich bezeichnet ein Portfolio eine Sammlung von Finanzinstrumen-

ten, d.h., den Besitz einer bestimmten Anzahl von Finanzinstrumenten. Mathematisch von
Interesse ist dabei lediglich die jeweilige „Stückzahl“ hi (i = 1, . . . , N ) des zum Preisprozess
S i gehörenden Finanzinstruments (im Folgenden kurz als „Finanzinstrument i“ bezeichnet).

2. hi ≥ 0 entspricht dem Kauf von hi Einheiten des Finanzinstruments i z. Ztpkt. 0, hi < 0

dem Verkauf von −hi Einheiten des Finanzinstruments i z. Ztpkt. 0.

3. Im EPMK findet keine Änderung des Portfolios statt, d.h., z. Ztpkt. n werden immer noch
dieselben Anteile von Finanzinstrumenten gehalten wie z. Ztpkt. 0.

4. V0 (h): Kapital, das für den Kauf des Portfolios h aufzuwenden ist
V0 (h) < 0: Kapitaleinnahme in Höhe von −V0 (h) bei Zusammenstellung des Portfolios h z.
Ztpkt. 0

5. Vnj (h) (j = 1, . . . , K): Wert des Portfolios h z. Ztpkt. n im Zustand ωj (Gewinn, der im
Zustand ωj bei Verkauf des Portfolios h erzielt wird)
Vnj (h) < 0: Zahlungsverpflichtung in Höhe von −Vnj (h) im Zustand ωj z. Ztpkt. n

2.2.3 Arbitrage und Arbitragefreiheit

• Wirtschaftswissenschaftlich bezeichnet eine Arbitrage die Möglichkeit eines risikolosen Ge-

winns.

• In der Realität existieren Arbitragen üblicherweise nur kurze Zeit, da diese auf Preisun-
terschieden beruhen, die durch Marktmechanismen (verstärkter Kauf oder Verkauf) schnell
ausgeglichen werden.

• Von einem „vernünftigen“ theoretischen Marktmodell ist zu erwarten, dass es Arbitragen

ausschließt.

• Der Begriff der „Arbitragefreiheit“ wird sich im Folgenden als von entscheidender Bedeutung
für die Bestimmung eines „vernünftigen“ Preises für ein Finanzinstrument herausstellen.
 
Definition 2.8 Ein Portfolio h ∈ RN heißt eine Arbitrage im EPMK b, D , falls

V0 (h) ≤ 0 und Vn (h) > 0K („Arbitrage Typ I“)

oder

V0 (h) < 0 und Vn (h) ≥ 0K , („Arbitrage Typ II“)

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.2. Einperioden-Marktmodell mit endlich vielen Zuständen 35

 
−V0 (h)
d.h.   > 0K+1 ,
Vn (h)
 
gilt. Ein EPMK b, D heißt arbitragefrei, falls in ihm keine Arbitrage existiert.

Bemerkungen:

1. Zur Interpretation: Liegt eine Arbitrage Typ I vor, braucht z. Ztpkt. 0 kein Kapital zum Erwerb
des Portfolios eingesetzt zu werden, und z. Ztpkt. n besteht keine Zahlungsverpflichtung,
wobei in mindestens einem zukünftigen Zustand Gewinn erzielt wird.
Bei einer Arbitrage Typ II wird z. Ztpkt. 0 eine Kapitaleinnahme beim Zusammenstellen des
Portfolios realisiert, und z. Ztpkt. n besteht keine Zahlungsverpflichtung.

2. Der möglicherweise nahe liegende Gedanke, eine Arbitrage allgemeiner durch

V0 (h) · 1K < Vn (h)

zu definieren, ist jedoch nicht sinnvoll: In diesem Fall würde in jedem EPMK , das eine An-
leihe enthält, deren Preis (realistischerweise) geringer als der Nominalwert ist, eine Arbitrage
existieren.
Letztlich ist die Arbitragefreiheit dadurch gekennzeichnet, dass kein Preisprozess einen ande-
ren „dominiert“ (z.B. dass bei gleichem Preis ein „günstigeres“ Auszahlungsprofil existiert).

Unter einer zusätzlichen Voraussetzung lässt sich eine Arbitrage jedoch einfacher charakterisieren:
 
Lemma 2.9 Gegeben sei ein EPMK b, D . Falls es ein Portfolio h+ ∈ RN mit

V0 (h+ ) > 0 und Vn (h+ ) > 0K

gibt, sind folgende Aussagen äquivalent:

 
(i) Es gibt in b, D eine Arbitrage.

(ii) Es gibt ein Portfolio h̃ ∈ RN mit

V0 (h̃) = 0 und Vn (h̃) > 0K .

Beweis: (ii) =⇒ (i): Offensichtlich, da in (ii) ein Spezialfall der Arbitrage Typ I vorliegt.
(i) =⇒ (ii): Sei h ∈ RN eine Arbitrage. Da aus V0 (h) = 0 sofort (ii) folgt, braucht lediglich
V0 (h) < 0 (und folglich Vn (h) ≥ 0K , „Arbitrage Typ II“) betrachtet zu werden.
V0 (h)
Wegen V0 (h+ ) > 0 (n.V.) gibt es in diesem Fall ein λ > 0 (nämlich λ := − ), für das
V0 (h+ )
V0 (h) + λ · V0 (h+ ) = 0

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
36 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

gilt. Wegen
 
V0 (h) + λ · V0 (h+ ) = b · h + λ · b · h+ = b · h + λh+ = V0 (h + λh+ )

ist somit

V0 (h + λh+ ) = 0.

Es verbleibt demnach,

Vn (h + λh+ ) > 0K

zu zeigen: Wegen Vn (h+ ) > 0K und Vn (h) ≥ 0K folgt dies jedoch unmittelbar aus
 
Vn (h + λh+ ) = D T • h + λh+ = D T • h + λ · D T • h+
λ · Vn (h+ ) > 0K ,
= Vn (h) + |{z}
| {z } | {z }
>0
≥0K >0K

d.h., das Portfolio h̃ := h + λh+ leistet das Gewünschte. 

 
Bemerkung: Die Voraussetzung von Lemma 2.9 ist insbesondere dann erfüllt, wenn b, D ein
Finanzinstrument i ∈ {1, . . . , N } mit bi > 0 und D i > 0K enthält: In diesem Fall leistet das Port-
folio h+ := (0, . . . , 0, 1, 0, . . . , 0)T mit der „1“ an der i-ten Stelle das Gewünschte. Im Speziellen
gilt dies, wenn ein Finanzinstrument mit streng positivem Preisprozess vorliegt.

Das folgende Lemma enthält eine für die weiteren Betrachtungen wichtige Folgerung aus der
Arbitragefreiheit eines EPMK :
 
Lemma 2.10 In einem arbitragefreien EPMK b, D gilt5

ker D T ⊥ b, d.h. V0 (h) = 0 für alle h ∈ RN mit Vn (h) = 0K .

Beweis: Indirekt: Angenommen, es gäbe ein Portfolio h ∈ RN mit Vn (h) = 0K , aber V0 (h) 6= 0.
Für den Fall V0 (h) < 0 wäre dann h eine Arbitrage Typ II, ansonsten wäre −h eine Arbitrage Typ
II. Widerspruch! 

Bemerkung: Die Umkehrung dieses Lemmas gilt nicht immer: Insbesondere imFall T
 ker D =
1
 
{0N } gilt stets ker D T ⊥ b, allerdings ist zum Beispiel für b, D mit b :=   und D :=
1
   
1 1  −1
  das Portfolio h :=   eine Arbitrage Typ I.
3 4 1

Übungsaufgabe: Finden Sie ein weiteres Beispiel für den Fall ker D T 6= {0N }.

5
Zu Grundlagen der linearen Algebra siehe Abschnitt B.1.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.2. Einperioden-Marktmodell mit endlich vielen Zuständen 37

Die
 folgenden
 beiden Sätze stellen eine erste Beziehung zwischen der Arbitragefreiheit eines EPMK
b, D und der Lösbarkeit des linearen Gleichungssystems Dψ = b her:
 
Satz 2.11 In einem arbitragefreien EPMK b, D gilt

b ∈ Im D, d.h., es gibt einen Vektor ψ ∈ RK mit Dψ = b.

Beweis: Aus der Arbitragefreiheit folgt gemäß Lemma 2.10 b ⊥ ker D T . Nun ist aber auch – siehe
(B.1) und (B.2) –

ker D T ⊥ Im D und RN = ker D T ⊕ Im D.

Daraus folgt, dass jeder Vektor, der orthogonal zu ker D T ist, in Im D enthalten ist, so auch b.


 
Satz 2.12 Gegeben sei ein EPMK b, D . Gibt es einen Vektor ψ  0K , für den Dψ = b gilt,
 
so folgt daraus die Arbitragefreiheit von b, D .

Beweis: Sei ψ  0K eine Lösung des LGS Dψ = b. Dann gilt für jedes Portfolio h ∈ RN

V0 (h) = b · h = bT • h = (D • ψ)T • h = (ψ T • D T ) • h
= ψ T • (D T • h) = ψ · (D T • h) = ψ · Vn (h).

Im Fall Vn (h) > 0K („beinahe“ Arbitrage Typ I) ergibt sich wegen ψ  0K

V0 (h) = ψ · Vn (h) > 0,

d.h., in diesem Fall liegt keine Arbitrage vor.

Im Fall Vn (h) ≥ 0K („beinahe“ Arbitrage Typ II) ergibt sich analog

V0 (h) = ψ · Vn (h) ≥ 0,

d.h., auch in diesem Fall liegt keine Arbitrage vor.

In allen anderen Fällen für Vn (h) kann offensichtlich ebenfalls keine Arbitrage vorliegen. 

 
Satz 2.13 (1. Fundamentalsatz) Ein EPMK b, D ist genau dann arbitragefrei, wenn eine Lö-
sung ψ ∈ RK des linearen Gleichungssystems Dψ = b mit ψ  0K existiert.

Beweis: Siehe Abschnitt B.2.

Bemerkung: Ein solcher Vektor ψ  0K heißt Zustandspreisvektor (state price vector). Inter-
pretation erfolgt im nächsten Abschnitt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
38 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

2.2.4 Replizierbare Auszahlungsprofile

Im Folgenden wird der Fall betrachtet, dass ein Wertvektor z. Ztpkt. n (z.B. das Auszahlungsprofil
einer Option) bekannt ist, nicht aber dessen Preis z. Ztpkt. 0. Entscheidend dabei ist zunächst die
Frage, ob es ein Portfolio gibt, das diesen Wertvektor „nachbilden“ kann.
 
Definition 2.14 Gegeben sei ein EPMK b, D mit b ∈ RN und D ∈ RN ×K . Dann heißt ein
K-dimensionaler Vektor
 
 c1 
 . 
.  K
c :=   .  ∈ R
 
cK

ein Auszahlungsprofil (claim).

Ein Auszahlungsprofil c ∈ RK heißt replizierbar (erreichbar, absicherbar, attainable), wenn

c ∈ Im D T

gilt (d.h. ∃h ∈ RN , so dass c = D T h = Vn (h)).

Ein Portfolio h ∈ RN , für das

c = Vn (h)

gilt, heißt replizierendes Portfolio (hedge) für das Auszahlungsprofil c.

Die Menge
n o
H(c) := h ∈ RN | c = Vn (h)

wird als Menge der replizierenden Portfolios von c bezeichnet.

Bemerkung: Gibt es für ein Auszahlungsprofil c ∈ RK ein replizierendes Portfolio h ∈ RN , lässt

sich für dieses Portfolio stets ein Preis V0 (h) z. Ztpkt. 0 angeben. Da das replizierende Portfolio
allerdings nicht eindeutig bestimmt sein muss, stellt sich die Frage, unter welchen Bedingungen
dann wenigstens der Preis von unterschiedlichen replizierenden Portfolios (selbstverständlich für
dasselbe Auszahlungsprofil c ∈ RK !) eindeutig bestimmt ist.
 
Satz 2.15 Gegeben seien ein EPMK b, D und ein replizierbares Auszahlungsprofil c ∈ RK .
Dann sind folgende Aussagen äquivalent:

1. Für alle h, h̃ ∈ H(c) gilt V0 (h) = V0 (h̃).

2. Es gilt ker D T ⊥ b.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.2. Einperioden-Marktmodell mit endlich vielen Zuständen 39

Beweis: Sei ĥ eine spezielle Lösung von c = D T h. Dann ist auch ĥ + f für jedes f ∈ ker D T
eine Lösung dieses LGS, da

D T • (ĥ + f ) = D T ĥ + D T f = D T ĥ + 0K = D T ĥ

ist. Somit gilt für alle h, h̃ ∈ H(c) stets

h − h̃ ∈ ker D T .

Außerdem ist

V0 (h) − V0 (h̃) = b · (h − h̃) = 0

genau dann, wenn b ⊥ (h − h̃) gilt. Da h − h̃ jeder beliebige Vektor f ∈ ker D T sein kann, folgt
daraus die Behauptung. 

Es zeigt sich, dass insbesondere die Arbitragefreiheit hinreichend für die Eindeutigkeit des Preises
eines Auszahlungsprofils ist:
 
Satz 2.16 („Law of One Price“) Es seien b, D ein arbitragefreies EPMK mit Zustandspreis-
vektor ψ  0K sowie c ∈ RK ein replizierbares Auszahlungsprofil. Dann gilt:

1. Sind sowohl h ∈ RN als auch h̃ ∈ RN replizierende Portfolios von c, so ist

V0 (h) = V0 (h̃).

2. Für jedes Portfolio h ∈ H(c) gilt

V0 (h) = ψ · c.

Bezeichnung: c0 (c) := ψ · c („Preis des Auszahlungsprofils c“)

 
3. Das erweiterte EPMK b̃, D̃ mit
   
 b  D 
b̃ :=  ∈R
N +1
und D̃ :=   ∈ R(N +1)×K
c0 (c) cT

ist ebenfalls arbitragefrei.

Beweis: „1.“ ist eine direkte Folgerung aus Lemma 2.10 und Satz 2.15.
Zu 2.: Wegen b = Dψ und c = Vn (h) ergibt sich

V0 (h) = b · h = Dψ · h = (D • ψ)T • h
= (ψ T • D T ) • h = ψ · (D T • h) = ψ · Vn (h) = ψ · c.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
40 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

Zu 3.: Wegen b = Dψ und c0 (c) = ψc ergibt sich sofort

       
D  D • ψ   b   b 
 •ψ =   =   =  ,
cT cT • ψ c·ψ c0 (c)

 
d.h., ψ  0K ist auch der Zustandspreisvektor des erweiterten EPMK b̃, D̃ . Daraus folgt gemäß
 
Satz 2.13 die Arbitragefreiheit von b̃, D̃ . 

Bemerkungen:

1. Aus Aussage 2. ergibt sich insbesondere, dass der Preis eines replizierbaren Auszahlungsprofils
in einem arbitragefreien EPMK ohne Kenntnis des replizierenden Portfolios lediglich mit Hilfe
eines Zustandspreisvektors ψ  0K bestimmt werden kann.

2. Mit Hilfe des Preises c0 (c) wird das Auszahlungsprofil c zu einem Preisprozess S N +1 mit

S N +1 (0, .) ≡ c0 (c) und S N +1 (n, .) = c

vervollständigt. Eine Aufnahme dieses Preisprozesses in das EPMK ist „unschädlich“ für die
Arbitragefreiheit.

3. Der Preis c0 (c) eines Auszahlungsprofils wird auch als fairer Preis bezeichnet.

4. Die Preisformel c0 (c) = ψ · c ermöglicht eine unmittelbare Interpretation des Zustands-

preisvektors ψ: Da sich der faire Preis als Skalarprodukt aus dem Auszahlungsprofil und dem
Zustandspreisvektor ergibt, geben die Komponenten des Zustandspreisvektors somit an, mit
welchem Gewicht die Komponenten eines Auszahlungsprofils (d.h. die jeweiligen Auszahlun-
gen für die Zustände ω1 , . . . , ωK ) in den Preis dieses Auszahlungsprofils eingehen. Speziell
für die Auszahlungsprofile
 
0
   
1  
1 0
.
 .. 
 
0  
(1)   (2)  (K)

c = . , c =  0 , ..., c =
 
 .. 
 
 ... 
  0
     
     
0   1
0

(d.h., c(j) beschreibt eine Auszahlung in Höhe von 1 im Zustand ωj , ansonsten eine Null-
Auszahlung) ergibt sich (Arbitragefreiheit vorausgesetzt) für ψ = (ψ1 , . . . , ψK )T

c0 (c(j) ) = ψ · c(j) = ψj (j = 1, . . . , K).

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.2. Einperioden-Marktmodell mit endlich vielen Zuständen 41

2.2.5 Vollständigkeit
 
Definition 2.17 Ein EPMK b, D heißt vollständig (complete), falls jedes Auszahlungsprofil
replizierbar ist, d.h., falls

Im D T = RK

gilt bzw. D T surjektiv ist.

 
Satz 2.18 (2. Fundamentalsatz) Ein arbitragefreies EPMK b, D ist genau dann vollständig,
wenn der Zustandspreisvektor ψ ∈ RK (d.h. die Lösung des Gleichungssystems Dψ = b mit
ψ  0K ) eindeutig bestimmt ist.
 
Beweis: Nach Definition ist b, D genau dann vollständig, wenn Im D T = RK gilt. Da allgemein

rg D = rg D T = dim Im D T

gilt, ist die Vollständigkeit somit gleichbedeutend mit

rg D = K,

d.h., D besitzt vollen Spaltenrang. Dies wiederum ist gleichbedeutend mit der eindeutigen Lös-
barkeit des Gleichungssystems Dψ = b unter der Voraussetzung, dass überhaupt eine Lösung
existiert. Diese Voraussetzung ist gemäß Satz 2.13 durch die Arbitragefreiheit gegeben, die sogar
die Existenz eines Zustandspreisvektors ψ  0K impliziert. 

 
Bemerkung: Aus obigem Beweis ist ersichtlich, dass die Vollständigkeit des EPMK b, D äquiva-
lent ist zu rg D = K. In einem vollständigen EPMK muss daher stets N ≥ K („Es gibt mindestens
ebenso viele Finanzinstrumente wie Zustände“) gelten, da andernfalls rg D ≤ N < K wäre.

2.2.6 Einperioden-Binomialmodell

Ein Beispiel für ein sehr einfaches EPMK ist das sogenannte Ein-Perioden-Binomialmodell:
 
Definition 2.19 Ein EPM2 b, D heißt ein Einperioden-Binomialmodell mit den reellen Pa-
rametern d > 0, u > d, r > −1 und s0 > 0, falls
   
   1  1 + r 1 + r
b, D =    ,  
s0 d · s0 u · s0


ist.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
42 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

Bemerkungen:

1. Ein Einperioden-Binomialmodell besteht aus N = 2 Finanzinstrumenten und K = 2 Zustän-

den.

2. Das Finanzinstrument 1 ist eine Anleihe mit Preis 1 z. Ztpkt. 0 und dem konstanten Aus-
zahlungprofil (1 + r) · 12 z. Ztpkt. n.

3. r kann als Zinssatz interpretiert werden.

4. Finanzinstrument 2 ist eine Aktie mit Preis s0 > 0 z. Ztpkt. 0 und den Werten d · s0 im
Zustand ω1 bzw. u · s0 im Zustand ω2 mit u > d > 0 z. Ztpkt. n.

5. „u“ steht für „up“ und „d“ für „down“.

Satz 2.20 Ein Einperioden-Binomialmodell mit den Parametern d, u, r und s0 ist genau dann
arbitragefrei, wenn

u > 1+r > d

gilt. In diesem Fall ist es auch vollständig.

Beweis: Wegen

det D = (1 + r) · u · s0 − (1 + r) · d · s0 = s0 · (1 + r) · (u − d) > 0

ist das Gleichungssystem Dψ = b stets eindeutig lösbar und besitzt die Lösung (Anwendung der
Cramer’schen Regel)
  
 1 1 + r 
det 
 
s u · s
 
1  0 0 
ψ = ·
  
det D 


 1 + r 1 
det 
 
d · s0 s0
 

 
1 u · s0 − s0 · (1 + r)
=
s0 · (1 + r) · (u − d) (1 + r) · s0 − d · s0
 

 
1 u − (1 + r)
= .
(1 + r) · (u − d) (1 + r) − d


Die Arbitragefreiheit des Einperioden-Binomialmodells ist gemäß Satz 2.13 gleichbedeutend mit
ψ  02 . Wegen (1 + r) · (u − d) > 0 ist dies jedoch genau dann der Fall, wenn u > 1 + r und

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.2. Einperioden-Marktmodell mit endlich vielen Zuständen 43

d < 1 + r ist. Aufgrund der Eindeutigkeit der Lösung ψ ist das Einperioden-Binomialmodell in
diesem Fall gemäß Satz 2.18 auch vollständig. 

Bemerkung: In den Bedingungen für die Arbitragefreiheit in einem Binomimalmodell spiegelt sich
das „Wesen der Arbitragefreiheit“ wider: Der Wert der Aktie z. Ztpkt. n (o.B.d.A. wird s0 = 1
angenommen) muss – zustandsabhängig – sowohl größer als auch kleiner als der Wert 1 + r der
Anleihe z. Ztpkt. n werden „dürfen“, ansonsten würde ein Finanzinstrument das andere von der
Wertentwicklung her „dominieren“.

Beispiel: Einperioden-Binomialmodell mit d = 0.9, u = 1.1, r = 0.05 und s0 = 100:

   
   1  1.05 1.05
=⇒ b, D =    ,  
100 90 110


     
1 u − (1 + r) 1 0.05 5/21
=⇒ ψ =  =  = 
(1 + r) · (u − d) (1 + r) − d 0.21 0.15
  
5/7

(siehe Beweis von Satz 2.20)

   
• Europäische Call-Option U, K̃ = S 2 (n, .), 100 :
ECO ECO
 +   
90 − K̃ 0
Auszahlungsprofil c =   =  
 + 
110 − K̃ 10
   
5/21  0  50
=⇒ Preis c0 (c) = ψ · c =  ·  = ≈ 7.14
5/7 10 7

   
• Europäische Put-Option U, K̃ = S 2 (n, .), 100 :
EPO EPO
 +   
 K̃ − 90   10
Auszahlungsprofil c =  + =  
K̃ − 110 0
   
5/21 10 50
=⇒ Preis c0 (c) = ψ · c =  ·  = ≈ 2.38
5/7 0 21

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
44 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

2.2.7 Wahrscheinlichkeitstheoretische Betrachtung und risikoneutrales Maß

   
Gemäß Definition 2.6 ist ein EPMK b, D ein Tupel n, T, Ω, S 1 , . . . , S N mit

• Zeithorizont n ∈ R>0

• Menge von Handelszeitpunkten T = {0, n}

• Zustandsmenge Ω = {ω1 , . . . , ωK }, K ∈ N

• N Preisprozessen S 1 , . . . , S N : T × Ω → R.

Es gilt
   
1 1 S 1 (n, ωK ) 
 S (0, ωj )   S (n, ω1 )
...
.. .
.. ..
(j = 1, . . . , K) und D = 
   
b = 
 . 
  . .

   
S N (0, ωj ) N N
S (n, ω1 ) . . . S (n, ωK )

Notationen:

• Sti := S i (t, .) für t ∈ T und i = 1, . . . , N

 
1
 St 
 . 
• S t :=  . 
 .  – R -wertiger Preisvektor z. Ztpkt. t ∈ T
N
 
StN

Jetzt: Zuordnung von Wahrscheinlichkeiten zu den einzelnen

 Zuständen ω1 , . . . , ωK ∈ Ω durch
Einführung eines Wahrscheinlichkeitsraumes Ω, F, P mit

• F = 2Ω
 
• P {ω} > 0 für alle ω ∈ Ω
 
Interpretation: P {ω} – Wahrscheinlichkeit für das Eintreten eines Zustandes ω ∈ Ω
(empirisch oder subjektiv)
Bezeichnung: Physisches Maß (market measure, physical m., empirical m., natural m.,
actual m.)
Wird nicht zur Preisbestimmung verwendet!

Bemerkungen:

1. Die Preisprozesse S 1 , . . . , S N sind nun stochastische Prozesse.

2. Die Preisvektoren S 0 und S n sind zufällige RN -wertige Vektoren, wobei S 0 auf Ω konstant
ist.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.2. Einperioden-Marktmodell mit endlich vielen Zuständen 45

3. Der Preis

V0 (h) = h · S 0

des Portfolios h ∈ RN z. Ztpkt. 0 ist eine auf Ω konstante Zufallsgröße.

4. Der Wert

Vn (h) = h · S n

des Portfolios h ∈ RN z. Ztpkt. n ist eine Zufallsgröße, d.h., für h ∈ RN ist Vn (h) : Ω → R.
Zwischen Vn (h) und dem bisherigen Wertvektor Vn (h) ∈ RK besteht der Zusammenhang
 
 Vn (h)(ω1 ) 
 .. 
Vn (h) =   . 

 
Vn (h)(ωK )

5. Eine Arbitrage ist nun charakterisiert durch

 
V0 (h) ≤ 0 und Vn (h) ≥ 0 und P Vn (h) > V0 (h) > 0,

d.h., für wenigstens ein ω ∈ Ω gilt Vn (h)(ω) > V0 (h). Später in allgemeineren Modellen
wird für eine Arbitrage P Vn (h) > 0 > 0 gefordert werden. Dies entspricht dann lediglich
der „Arbitrage Typ I“ aus Definition 2.8, aber nicht mehr der „Arbitrage Typ II“.

6. Ein Auszahlungsprofil ist nun eine Zufallsgröße C : Ω → R (bisher c ∈ RK ).

7. Existenz eines Zustandspreisvektors ψ = (ψ1 , . . . , ψK )T  0K

=⇒ Konstruktion eines Wahrscheinlichkeitsmaßes Q : F → [0, 1] mit
K
ψj X
Q({ωj }) := (j = 1, . . . , K) mit d := ψj (2.1)
d
j=1

Bezeichnung: Risikoneutrales Maß (später auch: Äquivalentes Martingalmaß) (risk-

neutral measure, equivalent martingale m., fictitious m., artificial m.)

8. Preis des Auszahlungsprofils C:

K
X   K
X
c0 (C) := d · EQ (C) = d · C(ωj ) · Q {ωj } = ψj · C(ωj ) (2.2)
j=1 j=1

9. Der Wert d > 0 kann als Diskontfaktor interpretiert werden, da d gleich dem Preis einer
Anleihe mit Nominalwert 1 (d.h. konstante Auszahlung in Höhe von 1 z. Ztpkt. n) ist.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
46 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

10. Der Preis eines Auszahlungsprofils in einem arbitragefreien EPMK ist demnach der diskon-
tierte Erwartungswert des Auszahlungsprofils bezüglich dem risikoneutralen Maß.

Beispiel: Obiges Einperioden-Binomialmodell

  mit d = 0.9, u = 1.1, r = 0.05 und s0 = 100 besitzt

5/21
den Zustandspreisvektor ψ =  .
5/7
=⇒ d = ψ1 + ψ2 = 20/21
=⇒ Risikoneutrales Maß Q : 2Ω → [0, 1] mit
  ψ 5/21 1   ψ 5/7 3
1 2
Q {ω1 } = = = und Q {ω2 } = = =
d 20/21 4 d 20/21 4
   
• Europäische Call-Option U, K̃ = Sn2 , 100 :
ECO ECO

0 für ω = ω

1
Auszahlungsprofil C := C(ω) =
10 für ω = ω2


50
=⇒ Preis c0 (C) = d · EQ (C) = 20/21 · (1/4 · 0 + 3/4 · 10) = ≈ 7.14
7
   
• Europäische Put-Option U, K̃ = Sn2 , 100 :
EPO EPO

10 für ω = ω

1
Auszahlungsprofil P := P (ω) =
0 für ω = ω2


50
=⇒ Preis c0 (P ) = d · EQ (P ) = 20/21 · (1/4 · 10 + 3/4 · 0) = ≈ 2.38
21

2.2.8 Put-Call-Parität
 
Satz 2.21 Gegeben seien ein arbitragefreies EPMK n, T, Ω, S 1 , . . . , S N sowie die replizierbaren
Auszahlungsprofile C bzw. P einer Europäischen Call- bzw. Put-Option mit demselben Underlying
Sni (i ∈ {1, . . . , N }) und Strike K̃ ∈ R0+ . Dann gilt für die Preise c0 (C) bzw. c0 (P ) dieser
Optionen die sogenannte Put-Call-Parität

c0 (C) − c0 (P ) = S0i − d · K̃,

wobei d der Diskontfaktor gemäß (2.1) ist.

Beweis: Für die Auszahlungprofile C bzw. P gilt

 +  +
C = Sni − K̃1 bzw. P = K̃1 − Sni .

Offensichtlich ist (siehe auch Abbildungen 2.2 und 2.3)

C − P = Sni − K̃1. (2.3)

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.2. Einperioden-Marktmodell mit endlich vielen Zuständen 47

Aufgrund der Arbitragefreiheit des EPMK existiert ein Zustandspreisvektor und somit ein risiko-
neutrales Maß Q sowie ein Diskontfaktor d > 0. Erwartungswertbildung und Multiplikation mit d
in (2.3) führt zu

d · EQ (C) − d · EQ (P ) = d · EQ (Sni ) − d · K̃ · EQ (1).

Dies ist aber gemäß (2.2) gerade

c0 (C) − c0 (P ) = S0i − d · K̃

(die konstanten Zufallsvariablen werden hierbei als reelle Zahlen betrachtet). 

Beispiel: Siehe oben mit c0 (C) = 50/7, c0 (P ) = 50/21, S02 = 100, K̃ = 100 und d = 20/21:

c0 (C) − c0 (P ) = 50/7 − 50/21 = 100/21 = 100 · (1 − 20/21) = S02 − d · K̃

Bemerkung: Mit Hilfe der Put-Call-Parität lässt sich der Preis einer Put-Option aus dem Preis
einer Call-Option (und umgekehrt) berechnen, falls beide dasselbe Underlying und denselben Strike
Si
besitzen. Beide Preise stimmen offensichtlich überein, falls K̃ = 0 gilt.
d

2.2.9 Diskontiertes Einperiodenmarktmodell

   
Definition 2.22 Gegeben sei ein EPMK n, T, Ω, S 1 , . . . , S N bzw. b, D mit S 1 > 0, d.h.
St1 (ω) > 0 für alle t ∈ T und ω ∈ Ω (der Preisprozess S 1 ist streng positiv),
  bzw. b1 > 0 und
D11 , . . . , D1K > 0. Dann heißt das EPMK n, T, Ω, S , . . . , S
1 N bzw. b, D mit
e e e e
Si S i (ω)
S i := 1 , d.h. S it (ω) := 1t für alle t ∈ T und ω ∈ Ω, bzw.
e S e St (ω)
1 1
b := b und D j := D j (j = 1, . . . , K)
e b1 e D 1j

das dazugehörige diskontierte Einperiodenmarktmodell, das Finanzinstrument 1 Numéraire

und der dazugehörige Preisprozess S 1 Diskontierungsprozess.

Bemerkung: In einem diskontierten EPMK gilt S 1 ≡ 1 bzw. b1 = D11 = . . . = D1K = 1.

e e e e
   
Lemma 2.23 Gegeben sei ein EPMK b, D mit dazugehörigem diskontierten EPMK b, D .
Dann gilt:
e e
 
1. Besitzt b, D einen Zustandspreisvektor ψ = (ψ1 , . . . , ψK )  0K , dann besitzt auch
 
b, D einen Zustandspreisvektor ψ = (ψ 1 , . . . , ψ K )  0K mit
e e e e e
D1j
ψ j = ψj · (j = 1, . . . , K).
e b1

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
48 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

2. Es gilt rg D = rg D.
e
3. Ist das dazugehörige diskontierte EPMK arbitragefrei, so gilt für den Diskontfaktor

d = 1.
e

Beweis: Zu 1.: Der Zustandspreisvektor ψ  0K ist eine Lösung des Gleichungssystems Dψ = b.

Da es ein dazugehöriges diskontiertes EPMK gibt, muss demnach b1 , D11 , . . . , D1K > 0 gelten.
Für i = 1, . . . , N ergibt sich daher
K K
X X Dij  
Dij · ψj = bi =⇒ · ψj · D1j = bi
D1j
j=1 j=1
K  
X Dij D1j bi
=⇒ · ψj · = .
D1j b b1
j=1 |{z} | {z 1 } |{z}
= Dij = ψj = bi
e e e
Somit gilt für ψ zum einen ψ  0 , zum anderen ist ψ eine Lösung des Gleichungssystems
K

D ψ = b, also ein
e Zustandspreisvektor
e für das diskontierte EPM
e
K.
ee e
Zu 2.: Die Spalten von D ergeben sich aus den Spalten von D durch Multiplikation mit einer
positiven reellen Zahl. Dies verändert den Spaltenrang und somit den Rang der gesamten Matrix
e

nicht.

Zu 3.: Da das diskontierte EPMK arbitragefrei ist, gibt es einen Zustandspreisvektor ψ  0K ,

aus dem sich – analog zu den Betrachtungen für ein nicht diskontiertes EPM K – ein risikoloses
e
Maß Q sowie ein Diskontfaktor d konstruieren lässt, so dass für jedes in b, D replizierbare
Auszahlungsprofil
e e e
e C
e
Q
c0 (C ) = d · Ee (C ) (2.4)
e e e
gilt. Insbesondere für C = S 1n ≡ 1 ergibt sich aufgrund der Arbitragefreiheit c0 (C ) = S 10 = 1 und
folglich d = 1.
e e e e

e
Aus den Aussagen 1. und 2. dieses Lemmas ergeben sich unmittelbar die beiden folgenden Sätze:

Satz 2.24 Ein EPMK ist genau dann arbitragefrei, wenn das dazugehörige diskontierte EPMK
arbitragefrei ist.

Satz 2.25 Ein EPMK ist genau dann vollständig, wenn das dazugehörige diskontierte EPMK
vollständig ist.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.3. Einperioden-Marktmodell mit allgemeinem Zustandsraum 49

2.3 Einperioden-Marktmodell mit allgemeinem Zustandsraum

Literatur:

• Hans Föllmer und Alexander Schied, Stochastic Finance. An Introduction in Discrete Time
[5]

Es gelten weiterhin – wie beim EPMK – folgende Vereinfachungen des Modells gegenüber der
Realität:

• Keine Transaktionskosten

• Keine Dividendenzahlungen

• Kauf/Verkauf von Finanzinstrumenten in beliebigen (reellwertigen) Stückzahlen möglich

• Kein Preisunterschied zwischen Kauf und Verkauf (kein bid-ask-spread )

2.3.1 Grundlagen

Definition 2.26 EinEinperioden-Marktmodell

  (mit allgemeinem Zustandsraum) (Bezeichnung:

EPM) ist ein Tupel n, T, Ω, F, P , S , . . . , S
0 N mit

• Zeithorizont n ∈ R>0

• Menge von Handelszeitpunkten T = {0, n}

 
• Wahrscheinlichkeitsraum Ω, F, P mit

– nichtleerer Zustandsmenge Ω
– σ-Algebra F, die die verfügbare Information bzw. Gesamtheit aller beobachtbaren
Ereignisse zum Zeitpunkt n beschreibt
– Wahrscheinlichkeitsmaß P, das die (empirischen oder subjektiven) Wahrscheinlichkeiten
für das Eintreten eines Ereignisses F ∈ F beschreibt („physisches Maß“)

• N + 1 nichtnegativen Preisprozessen S 0 , . . . , S N : T × Ω → R0+ mit

– S i (0, .) konstant (i = 0, . . . , N ) und

– S i (n, .) F-messbar (i = 0, . . . , N )

sowie

– S 0 (., .) > 0.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
50 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

Bemerkungen:

1. Gegenüber dem EPMK ist dieses Modell in Bezug auf den Zustandsraum Ω allgemeiner,
in Bezug auf die Preisprozesse, für die hier Nichtnegativität gefordert wird, allerdings nicht.
Dessen ungeachtet besteht natürlich die Möglichkeit, Auszahlungsprofile in ihren Positiv- und
Negativteil aufzuspalten und diese als zwei eigenständige Prozesse dem Modell hinzuzufügen.

2. 
Die Preisprozesse
 sind aufgrund der Messbarkeitseigenschaft stochastische Prozesse auf
Ω, F, P .

3. Das EPM enthält (im Unterschied zum EPMK ) N +1 (und nicht nur N ) Finanzinstrumente.
Das Finanzinstrument 0 ist von Anfang an gegenüber den übrigen Finanzinstrumenten durch
die Positivität herausgehoben und besitzt die Funktion eines Numéraires bzw. der zugehörige
(streng positive!) Preisprozess S 0 die Funktion eines Diskontierungsprozesses.
Ein einfacher Diskontierungsprozess ist beispielsweise

S 0 (0, .) ≡ 1 und S 0 (n, .) ≡ 1 + r

mit „Zinssatz“ r > −1 (wobei lediglich r ≥ 0 wirtschaftlich sinnvoll ist).

4. Die Nichtnegativität
 sichert
 (zusammen
 mit
 der Messbarkeitseigenschaft) die Existenz der
Integrale E S (n, .) , . . . , E S (n, .) . Diese können allerdings den Wert +∞ anneh-
P 0 P N

men.

Bezeichnungen:

• Sti := S i (t, .) für t ∈ T und i = 0, . . . , N (s.o.)

 
0
 St 
 . 
• S t :=  . 
 .  – R
N +1 -wertiger (zufälliger) Preisvektor z. Ztpkt. t ∈ T
 
StN
 
1
 St 
 . 
• S −0 . 
 .  – R -wertiger (zufälliger) Preisvektor z. Ztpkt. t ∈ T
:=  N
t
 
StN
(ohne Diskontierungsprozess!)
Si
• S i := 0 – diskontierter Preisprozess für i = 0, . . . , N
e S
 
0
S t 
 e. 
• S t :=  ..  – RN +1 -wertiger diskontierter (zufälliger) Preisvektor z. Ztpkt. t ∈ T
e  
 
SN
et

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.3. Einperioden-Marktmodell mit allgemeinem Zustandsraum 51

 
1
 St 
 e. 
• S −0 . 
 .  – R -wertiger diskontierter (zufälliger) Preisvektor z. Ztpkt. t ∈ T
:=  N
t
e  
SN
et
Bemerkung: Da die Zufallsgrößen S00 , . . . , S0N bzw. S 00 , . . . , S N
0 konstant sind, werden sie im
Folgenden – wo zweckmäßig – als (nichtnegative) reelle Zahlen betrachtet.
e e

2.3.2 Portfolio und Arbitrage

   
Definition 2.27 Gegeben sei ein EPM n, T, Ω, F, P , S 0 , . . . , S N . Dann heißt ein N + 1-
dimensionaler Vektor
 
 h0 
 . 
.  N +1
h :=   .  ∈ R
 
hN

ein Portfolio und ein N -dimensionaler Vektor

 
 h1 
 . 
h−0 :=  .  N
 .  ∈ R
 
hN

das (ggf. dazugehörige) verkürzte Portfolio.

Für ein Portfolio (bzw. verkürztes Portfolio) h bzw. h−0 heißt

Vt (h) := h · S t bzw. Vt−0 (h−0 ) := h−0 · S −0

t

der Wert des Portfolios (bzw. verkürzten Portfolios) h bzw. h−0 z. Ztpkt. t ∈ T. Die
dazugehörigen diskontierte Werte sind

V t (h) := h · S t bzw. V −0 −0
t (h ) := h
−0
· S −0
t .
e e e e

Bemerkung: Für ein Portfolio h ∈ RN +1 sowie dessen dazugehöriges verkürztes Portfolio h−0 ∈
RN gilt für t ∈ T

Vt (h) = Vt−0 (h−0 ) + h0 · St0 und V t (h) = V −0 −0

t (h ) + h0 (2.5)
e e
sowie
Vt (h) Vt−0 (h−0 )
V t (h) = und V −0 −0
t (h ) = .
e St0 e St0

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
52 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

Definition 2.28 Ein Portfolio h ∈ RN +1 heißt Arbitrage im EPM, falls

 
V0 (h) ≤ 0, Vn (h) ≥ 0 P-f.s. und P Vn (h) > 0 > 0 (2.6)

gilt. Ein EPM heißt arbitragefrei, falls in ihm keine Arbitrage existiert.

Bemerkungen:

1. Eigenschaft (2.6) ist aufgrund der strengen Positivität des Diskontierungsprozesses äquivalent
zu
 
V 0 (h) ≤ 0, V n (h) ≥ 0 P-f.s. und P V n (h) > 0 > 0. (2.7)
e e e

2. Der Begriff der Arbitrage im EPM ist konsistent mit dem Begriff „Arbitrage Typ I“ gemäß
Definition 2.8 im EPMK , nicht jedoch mit dem Begriff „Arbitrage Typ II“ im EPMK . Aller-
dings existiert wegen des Numéraires und Lemma 2.9 im EPM zu einer „Arbitrage Typ I“
immer auch eine „Arbitrage Typ II“, so dass der Begriff der Arbitragefreiheit konsistent mit
demjenigen im EPMK ist.

Aus folgendem Lemma ist ersichtlich, dass sich eine Arbitrage auch allein mit Hilfe eines verkürzten
Portfolios charakterisieren lässt.

Lemma 2.29 In einem EPM gibt es genau dann eine Arbitrage, wenn es ein verkürztes Portfolio
h−0 ∈ RN gibt mit
 
−0 −0
V −0
n (h −0
) ≥ V 0 (h −0
) P-f.s. und P V −0
n (h −0
) > V 0 (h−0
) > 0. (2.8)
e e e e
Beweis: =⇒: Sei h ∈ RN +1 eine Arbitrage. Somit gilt gemäß (2.7)
 
V 0 (h) ≤ 0, V n (h) ≥ 0 P-f.s. und P V n (h) > 0 > 0.
e e e
Wegen (2.5) erhält man für das Portlio h und dessen dazugehöriges verkürztes Portfolio h−0 ∈ RN

V (h) = V −0 (h−0 ) + h0 ≤ 0 =⇒ V −0 (h−0 ) ≤ −h0 und

e0 e0 e0
V (h) = V −0 (h−0 ) + h0 ≥ 0 P-f.s. =⇒ V −0 (h−0 ) ≥ −h0 P-f.s.
en en en
und folglich zunächst

−0
V −0 −0 −0
n (h ) ≥ V 0 (h ) P-f.s..
e e
Weiter ergibt sich wegen V 0 (h) ≤ 0
e
   
P V n (h ) > V −0
−0 −0
(h −0
) = P V −0
(h −0
) + h 0 > V −0
(h −0
) + h 0
e e0 e
n
 e
0

= P V n (h) > V 0 (h)

e e
Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.3. Einperioden-Marktmodell mit allgemeinem Zustandsraum 53

 
≥ P V n (h) > 0 > 0 n.V..
e
⇐=: Sei nun h−0 ∈ RN ein verkürztes Portfolio mit den Eigenschaften (2.8). Dieses lässt sich
durch

h0 := −V −0 −0
0 (h )
e
zu einem (nicht verkürzten) Portfolio h ∈ RN +1 ergänzen. Dieses Portfolio ist aber eine Arbitrage,
da zum einen

V 0 (h) = V −0 −0 −0 −0 −0 −0
0 (h ) + h0 = V 0 (h ) − V 0 (h ) = 0
e e e e
und zum anderen

−0
V n (h) = V −0 −0 −0 −0 −0
n (h ) + h0 = V n (h ) − V 0 (h )
e e e e
gilt. Letzter Ausdruck ist n.V. P-f.s. nichtnegativ und mit positiver Wahrscheinlichkeit positiv. 

Bemerkung: Anhand von Lemma 2.29 lässt sich außerdem das „Wesen der Arbitrage“ treffend
charakterisieren: In einem diskontierten Modell ist der Wert des (diskontierten) Diskontierungs-
prozesses sowohl zum Zeitpunkt 0 als auch zum Zeitpunkt n konstant Eins. Somit stellt jedes
aus den übrigen Finanzinstrumenten gebildete Portfolio, das mit positiver Wahrscheinlichkeit einen
Wertzuwachs ohne das Risiko eines Verlusts erfährt, eine Arbitrage dar, da dieses Portfolio die
Wertentwicklung des Diskontierungsprozesses dominiert.

Wie im EPMK wird sich zeigen, dass die Arbitragefreiheit in enger Verbindung zu einem sogenann-
ten risikoneutralen Maß steht, das im Folgenden definiert wird.
   
Definition 2.30 Gegeben sei ein EPM n, T, Ω, F, P , S 0 , . . . , S N . Ein Wahrscheinlichkeits-
 
maß Q auf Ω, F heißt risikoneutrales Maß, falls es folgende Eigenschaften besitzt:

1. Q ist äquivalent zu P, d.h.

Q  P und P  Q6 .

 
2. EQ S n = S 0 , d.h.
e e
 i
Sn S0i
EQ = für i = 0, . . . , N . (2.9)
Sn0 S00

6
Für alle F ∈ F gilt P(F ) = 0 ⇐⇒ Q(F ) = 0.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
54 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

Bemerkungen:

1. Die Äquivalenz der Maße P und Q war im EPMK natürlicherweise gegeben, da dort P auf
allen Elementarereignissen {ω} mit ω ∈ Ω eine positive Wahrscheinlichkeit besaß. Dies wird
im EPM nicht vorausgesetzt. P braucht nicht einmal für Elementarereignisse definiert zu sein
(nämlich falls diese nicht zur σ-Algebra F gehören).

2. Aufgrund der Äquivalenz der Maße P und Q ist jede Arbitrage bezüglich P auch eine Arbitra-
ge bezüglich Q (und umgekehrt), da bei der Definition der Arbitrage lediglich die Nullmengen
von P eine Rolle spielen.
 
3. Die Existenz des Erwartungswertes EQ S n (ggf. mit Wert +∞ in einzelnen Komponenten)
ist durch die Nichtnegativität und Messbarkeit der Preisprozesse gesichert.
  Aus Eigenschaft
e

(2.9) folgt allerdings auch insbesondere, dass der Erwartungswert E S n endlich ist, d.h.,
Q

S n ist Q-integrierbar.
e
e
4. Die charakterisierende Eigenschaft des risikoneutralen Maßes, dass der erwartete diskontierte
zukünftige Wert eines Portfolios gleich dem diskontierten heutigen Wert dieses Portfolio ist,
zeigt gewissermaßen die „Neutralität“ bzw. „Fairness“ dieses Maßes. Diese Eigenschaft war
bereits im EPMK in (2.4) erkennbar.
   
Satz 2.31 (1. Fundamentalsatz) Ein EPM n, T, Ω, F, P , S 0 , . . . , S N ist genau dann ar-
bitragefrei, wenn ein risikoneutrales Maß existiert. In diesem Fall gibt es ein risikoneutrales Maß,
das eine beschränkte Dichte bezüglich P besitzt.

Beweis: ⇐=: Nach Voraussetzung existiere ein risikoneutrales Maß Q. Angenommen, es gebe im
EPM eine Arbitrage h ∈ RN +1 . Für diese gilt – gemäß obiger Bemerkung – nicht nur bezüglich
P, sondern auch bezüglich Q
 
V 0 (h) ≤ 0, V n (h) ≥ 0 Q-f.s. und Q V n (h) > 0 > 0.
e e e
Da Q ein risikoneutrales Maß ist, ergibt sich
X N XN   X N   
i Q i Q
V 0 (h) = hi · S 0 = hi · E S n = E hi · S n = EQ V n (h) .
i

i=0 i=0 i=0

e e e e e
Insbesondere ist also V n (h) Q-integrierbar und es gilt (da h als Arbitrage angenommen wurde und
somit V 0 (h) ≤ 0 ist)
e
e  
EQ V n (h) ≤ 0.
e
 
Nun ist aber auch V n (h) ≥ 0 Q-f.s. und Q V n (h) > 0 > 0. Daraus wiederum folgt
e e
 
EQ V n (h) > 0.
e
Widerspruch!

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.3. Einperioden-Marktmodell mit allgemeinem Zustandsraum 55

=⇒: Siehe Anhang B.6



Bemerkungen:

1. Satz 2.31 gilt auch unter der allgemeineren Annahme, dass der Preisvektor S 0 ∈ RN +1 zum
Zeitpunkt t = 0 sowie die Portfolios h ∈ RN +1 nicht konstant, sondern zufällig und messbar
bezüglich einer σ-Algebra F0 ⊂ F sind (obiger Satz stellt dann einen Spezialfall für den
Fall F0 = {0, Ω} dar). Allerdings sind die dazugehörigen Überlegungen um ein Vielfaches
aufwändiger, siehe Föllmer/Schied [5]. Eine solche allgemeinere Aussage für ein EPM wird
jedoch im Rahmen des Mehrperioden-Marktmodells benötigt.

2. Satz 2.31 gilt nicht immer, wenn anstatt einer endlichen Anzahl von Preisprozessen eine
abzählbar unendliche Anzahl S 0 , S 1 , . . . verwendet wird, wie das folgende Beispiel zeigt:
Sei Ω = N, F = P(Ω) und P ein Wahrscheinlichkeitsmaß mit P({ω}) > 0 für alle ω ∈ Ω.
Für die Preisprozesse S 0 , S 1 , . . . gelte

S0 ≡ 1 (d.h., die diskontierten stimmen mit den undiskontierten

Preisprozessen überein),
S01 = S02 = ... 1 =(d.h., die Preise zum Zeitpunkt 0 sind gleich Eins),




 0 ω=i

i
Sn (ω) := 2 ω = i + 1 (i = 1, 2, . . . .)


1 sonst



Die Preisprozesse zum Zeitpunkt n lassen sich demnach als unendlich-dimensionale Vektoren
der Form
     
0 1 1
 
2
 
0
 
1
     
1 2 0
Sn1 =   , Sn2 =   , Sn3 =   , . . .
     
1 1 2
     
1 1 1
     
. . .
.. .. ..

darstellen. Für ein Portfolio h = (h0 , h1 , h2 , . . .)T ∈ R∞ ist dann

∞
X ∞
X
V0 (h) = hi · S0i = hi sowie (2.10)
i=0 i=0

∞ V (h) − h für ω = 1

X
i 0 1
Vn (h)(ω) = hi · Sn (ω) = (ω ∈ Ω).
i=0
V (h) − h + h
 0 ω ω−1 sonst

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
56 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

Zunächst wird gezeigt, dass dieses Modell arbitragefrei ist. Eine notwendige Bedingung für
eine Arbitrage h ist

V0 (h) ≤ 0 und Vn (h) ≥ 0

(wegen S 0 ≡ 1 genügt es, die undiskontierten Werte zu betrachten; außerdem braucht

Vn (h) ≥ 0 nicht P-f.s. zu gelten, da alle Elementarereignisse n.V. positive Wahrscheinlich-
keiten besitzen).
∞
Ist hi = ∞ bzw. −∞, ergibt sich wegen (2.10) sofort V0 (h) = Vn (h) = ∞ bzw. −∞,
P
i=0
so dass in diesem Fall die notwendige Bedingung niemals erfüllt sein kann. O.B.d.A. wird
deswegen
∞
X
hi < ∞
i=0

angenommen. Aus (2.10) ergibt sich dann


−h für ω = 1

1
Vn (h)(ω) − V0 (h) = (ω ∈ Ω).
−hω + hω−1
 sonst

Aus der notwendigen Bedingung folgt Vn (h) − V0 (h) ≥ 0 und somit

h1 ≤ 0 sowie hω ≤ hω−1 für ω > 1,

∞
also 0 ≥ h1 ≥ h2 ≥ . . . . Da hi als konvergent vorausgesetzt wurde, muss demnach
P
i=0
h0 , h1 , . . . eine Nullfolge sein. Dies ist nur für das Portfolio h = 0∞ erfüllbar, das aber keine
Arbitrage ist. Demnach ist das Modell arbitragefrei.

In diesem Modell gibt es aber kein risikoneutrales Wahrscheinlichkeitsmaß Q mit EQ (S n ) =

S 0 = 1∞ , denn für i > 1 ist
∞
X ∞
X
Q
E (Sni ) = Sni (ω) · Q({ω}) = Q({ω}) + Q({i + 1}) − Q({i})
ω=1 ω=1
= 1 + Q({i + 1}) − Q({i}).

Wegen EQ (Sni ) = S0i = 1 folgt daraus

Q({i + 1}) = Q({i})

für i > 1. Da aber Q({ω}) > 0 für alle ω ∈ Ω vorausgesetzt wurde, würde daraus
∞
X
Q(Ω) = Q({ω}) = ∞
ω=1

folgen, d.h., Q wäre kein Wahrscheinlichkeitsmaß. Widerspruch!

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.3. Einperioden-Marktmodell mit allgemeinem Zustandsraum 57

2.3.3 Replizierbarkeit und Vollständigkeit

 
 
Definition 2.32 Gegeben sei ein EPM n, T, Ω, F, P , S , . . . , S . Dann heißt eine reellwer-
0 N
 
tige Zufallsgröße C auf Ω, F, P ein Auszahlungsprofil (im EPM) und die Zufallsgröße

C
C := 0
e Sn

das dazugehörige diskontierte Auszahlungsprofil.

Ein Auszahlungsprofil C heißt replizierbar, wenn es ein Portfolio h ∈ RN +1 gibt, so dass

C = Vn (h) P-f.s. bzw. C = V n (h) P-f.s.

e e
gilt. Ein solches Portfolio heißt replizierendes Portfolio für das Auszahlungsprofil C.

Die Menge
n o
H(C) := h ∈ RN +1 | C = Vn (h) P-f.s.

wird als Menge der replizierenden Portfolios von C bezeichnet.

   
Satz 2.33 („Law of One Price“) Es seien n, T, Ω, F, P , S 0 , . . . , S N ein arbitragefreies
EPM sowie C ein replizierbares Auszahlungsprofil. Dann gilt:

1. Sind sowohl h ∈ RN +1 als auch h̃ ∈ RN +1 replizierende Portfolios von C, so ist

V0 (h) = V0 (h̃).

2. Unabhängig von der speziellen Wahl eines risikoneutralen Maßes Q gilt für jedes Portfolio
h ∈ H(C)

V0 (h) = S00 · EQ (C ).
e

Bezeichnung: c0 (C) := S00 · EQ (C ) („Preis des Auszahlungsprofils C“)

  e  
3. Das erweiterte EPM n, T, Ω, F, P , S 0 , . . . , S N , S N +1 mit

S0N +1 := c0 (C) und SnN +1 := C

ist ebenfalls arbitragefrei.

Beweis: Zu 2.: Die Arbitragefreiheit impliziert die Existenz eines risikoneutralen Maßes Q, für das
gemäß Definition
 
EQ S n = S 0
e e
Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
58 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

 
gilt. Insbesondere ist EQ S n endlich. Für jedes Portfolio h ∈ RN +1 gilt daher zum einen
e
     
h · EQ S n = EQ h · S n = EQ V n (h) ,
e e e
zum anderen
 
h · EQ S n = h · S 0 = V 0 (h),
e e e
also
 
V 0 (h) = EQ V n (h) . (2.11)
e e
Insbesondere ist demnach V n (h) für jedes h ∈ RN +1 Q-integrierbar.
Ist nun h ein replizierendes Portfolio für das Auszahlungsprofil C, d.h. gilt
e

C = Vn (h) P-f.s. bzw. C = V n (h) P-f.s.,

e e
so folgt daraus die Q-Integrierbarkeit von C sowie
e
     
EQ C = EQ V n (h) = V 0 (h) und somit V0 (h) = S00 · EQ C .
e e e e
Diese Überlegungen gelten unabhängig von der speziellen Wahl des risikoneutralen Maßes Q.

Zu 1.: Wegen 2. gilt für jedes replizierende Portfolio h ∈ RN +1

V0 (h) = S00 · EQ (C )
e
unabhängig von der speziellen Wahl von h.

Zu 3.: Für die ersten N + 1 Preisprozesse gilt

 
EQ S in = S i0 (i = 0, . . . , N ).
e e
Für den N + 2-ten Preisprozess S N +1 gilt wegen 2.
 
EQ S N +1
· S00 = c0 (C) = S0N +1 ,
en
also ebenfalls
 
EQ S N n
+1
= SN0
+1
.
e e
Somit ist Q auch für das erweiterte EPM ein risikoneutrales Maß und das erweiterte EPM gemäß
Satz 2.31 arbitragefrei. 

Bemerkung: Die Q-Integrierbarkeit von C (oder wenigstens die Existenz des Integrals EQ (C) –
ggf. mit Wert ∞) ist nicht
 immer gesichert, da aus der Existenz eines
 risikolosen Maßes Q zwar
die Endlichkeit von E S n , nicht aber die Endlichkeit von E S n folgt.
Q Q
e
Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.3. Einperioden-Marktmodell mit allgemeinem Zustandsraum 59

Definition 2.34 Ein EPM heißt vollständig, falls jedes Auszahlungsprofil replizierbar ist.

Satz 2.35 (2. Fundamentalsatz) Ein arbitragefreies EPM ist genau  dann vollständig,
 wenn das
risikoneutrale Maß eindeutig bestimmt ist. In diesem Fall ist dim L Ω, F, P ≤ N + 1.
0

Beweis: =⇒: Die vorausgesetzte Arbitragefreiheit sichert die Existenz eines risikoneutralen Ma-
ßes Q. Ist das EPM darüber hinaus noch vollständig, ist jedes Auszahlungsprofil C replizierbar,
also insbesondere auch das Auszahlungsprofil C = 1A · Sn0 für ein beliebiges A ∈ F. Für jedes
risikoneutrale Maß Q ergibt sich zum einen

EQ (C ) = EQ (1A ) = Q(A),
e
zum anderen gemäß Satz 2.33

c0 (C)
EQ (C ) =
e S00

und somit
c0 (C)
Q(A) = .
S00

Aufgrund der Eindeutigkeit des Preises c0 (C) ergibt sich daraus die Eindeutigkeit des risikoneutralen
Maßes Q, da die Funktionswerte Q(A) (für ein beliebiges, aber festes A ∈ F) nicht von der
speziellen Wahl des risikoneutralen Maßes Q abhängen.

⇐=: Siehe Anhang B.7 

 
Bemerkung: Die Eigenschaft dim L0 Ω, F, P ≤ N + 1 kann dahingehend interpretiert werden,
dass – analog zum EPMK – in einem arbitragefreien und vollständigen EPM die „Feinkörnigkeit“
des Zustandsraums Ω nicht größer als die Anzahl N + 1 der Finanzinstrumente im Modell ist.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
60 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

2.4 Allgemeines Mehrperioden-Marktmodell

Es gelten weiterhin – wie beim EPM – folgende Vereinfachungen des Modells gegenüber der
Realität:

• Keine Transaktionskosten

• Keine Dividendenzahlungen

• Kauf/Verkauf von Finanzinstrumenten in beliebigen (reellwertigen) Stückzahlen möglich

• Kein Preisunterschied zwischen Kauf und Verkauf (kein bid-ask-spread )

2.4.1 Grundlagen
Verallgemeinerung gegenüber dem Einperioden-Marktmodell:

• Betrachtung von n + 1 (n ∈ N) Handelszeitpunkten t = 0, 1, . . . , n

 
• Wie im EPM sei ein Wahrscheinlichkeitsraum Ω, F, P gegeben. Jetzt:
Beschreibung des (zeitlichen) Informationsverlaufs (bzw. des Informationszuwachses)
  in den
Handelszeitpunkten t = 0, . . . , n mit Hilfe einer (zeitdiskreten) Filtration Ft , d.h.
t=0,...,n
einer Folge F0 , . . . , Fn von Unter-σ- Algebren von F mit

F0 ⊂ F1 ⊂ . . . ⊂ Fn ⊂ F.

Alternative Bezeichnung: Ft – Menge der z. Ztpkt. t ∈ {0, . . . , n} beobachtbaren Ereig-

nisse (observable events)

Bemerkung: Die σ-Algebra F0 der z. Ztpkt. 0 beobachtbaren Ereignisse ist in Verbindung mit
dem Wahrscheinlichkeitsmaß P durch folgende Eigenschaft ausgezeichnet.
Annahme: Das Wahrscheinlichkeitsmaß P ist auf F0 trivial, d.h.

P(A) ∈ {0, 1} für alle A ∈ F0 .

Bemerkungen:

1. P ist auf F0 trivial.

 
⇐⇒ Ω ist ein Atom von Ω, F0 , P .
⇐⇒ Alle F0 -messbaren Zufallsgrößen sind P-fast sicher konstant.
n o
2. Auf der trivialen σ-Algebra ∅, Ω sind alle Wahrscheinlichkeitsmaße trivial.

3. Ist X eine F0 -messbare Zufallsgröße und P auf F0 trivial, so ist X integrierbar und es gilt
X = EX P-f.s. .

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.4. Allgemeines Mehrperioden-Marktmodell 61

 
4. Ist X eine integrierbare Zufallsgröße auf Ω, F, P , so gilt
 
E X | F0 = EX P-f.s. (2.12)

für jede Unter-σ-Algebra F0 , auf der P trivial ist.

     
Definition 2.36 Ein Quadrupel Ω, F, Ft , P mit obigen Eigenschaften ( Ft
t=0,...,n t=0,...,n
ist eine Filtration und P ist trivial auf F0 ) heißt (zeitdiskreter) filtrierter Wahrscheinlichkeits-
raum.

Beispiel: Periodenanzahl n = 3, in jeder Periode sollen sich jeweils 2 neue „Entwicklungsmöglich-

keiten“ ergeben:
......................... •
.......

............. • ..........................
...................................................
•
............ ..........................
..... .........
.............
•
.............
.............
....... ..........................
..................
. .............
.............
..........................
. •
............
.......
.......
....... .............
•
.................................................
..........................
.......
.......
....
.... ... .............
•
............

•
............
•
.......
.......
....... .........................
• ..........................
.......
....... ........................
....... ............. ..................................................
•
....... ............. ................
....... .............
.......
....... .........................
•
..............
.............
.............
.............
............. •
.......................
•
.............................................................
..........................
•
..........................
...............

I t
0 1 2 3
n o
• Ω = {ω1 , ω2 }3 = (ω̃1 , ω̃2 , ω̃3 ) | ω̃1 , ω̃2 , ω̃3 ∈ {ω1 , ω2 }

• F = 2Ω

• F0 = {∅, Ω}
n o
• F1 = ∅, Ω, {(ω1 , ω1 , ω1 ), (ω1 , ω1 , ω2 ), {(ω2 , ω1 , ω1 ), (ω2 , ω1 , ω2 ),
(ω1 , ω2 , ω1 ), (ω1 , ω2 , ω2 )}, (ω2 , ω2 , ω1 ), (ω2 , ω2 , ω2 )}
| {z }| {z }
=: F1 =: F2
= σ(F1 , F2 )
(F1 – 1. Komponente ist ω1 , F2 – 1. Komponente ist ω2 )
=: F1,1 =: F1,2
zn }| o{ zn }| o{
• F2 = σ (ω1 , ω1 , ω1 ), (ω1 , ω1 , ω2 ) , (ω1 , ω2 , ω1 ), (ω1 , ω2 , ω2 ) ,
n o n o
(ω2 , ω1 , ω1 ), (ω2 , ω1 , ω2 ) , (ω2 , ω2 , ω1 ), (ω2 , ω2 , ω2 )
| {z } | {z }
=: F2,1 =: F2,2

(Fi,j – 1. Komponente ist ωi , 2. Komponente ist ωj )

• F3 = F

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
62 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

   
Definition 2.37 Gegeben sei ein filtrierter Wahrscheinlichkeitsraum Ω, F, Ft , P . Ein
    t=0,...,n
 
stochastischer Prozess Xt auf Ω, F, P heißt adaptiert an die Filtration Ft ,
t=0,...,n t=0,...,n
wenn Xt Ft -messbar für alle t ∈ {0, . . . , n} ist.

Beispiel:
  Gegeben sei der filtrierte Wahrscheinlichkeitsraum
  aus obigem Beispiel. Für einen an
Ft adaptierten stochastischen Prozess Xt gilt dann
t=0,...,3 t=0,...,3

• X0 = const

• X1 (ω) = fi für ω ∈ Fi (i = 1, 2, f1 , f2 ∈ R)
(d.h., X1 ist jeweils konstant auf F1 und F2 )

• X2 (ω) = fi,j für ω ∈ Fi,j (i, j = 1, 2, fi,j ∈ R)

• X3 beliebig
   
Definition 2.38 Ein Mehrperioden-Marktmodell (MPM) ist ein Tupel n, T, Ω, F, Ft ,
  t=0,...,n
P , S 0 , . . . , S N mit

• Zeithorizont n ∈ N

• Menge von Handelszeitpunkten T = {0, 1, . . . , n}

   
• filtriertem Wahrscheinlichkeitsraum Ω, F, Ft , P mit P trivial auf F0
t=0,...,n
 
• N + 1 nichtnegativen, an Ft adaptierten Preisprozessen
t=0,...,n

S 0 , . . . , S N : T × Ω → R0+ mit S 0 (., .) > 0.

Bemerkungen:

1. Da P trivial auf F0 ist, sind sämtliche Preise z. Ztpkt. 0 P-f.s. konstant.

2. Der Zeithorizont n gibt – im Unterschied zum EPM – keinen realen Zeitpunkt an, sondern
ist als Index eines realen Zeitpunkts zu interpretieren. Dies ermöglicht es, den realen Endzeit-
punkt zu fixieren, während die Anzahl an Handelszeitpunkten n + 1 variieren (und für asym-
ptotische Betrachtungen sogar gegen Unendlich gehen) kann. Für n = 1 und F0 = {0, Ω}
ergibt sich dann als Spezialfall ein EPM.

3. Das Finanzinstrument 0 besitzt – wie beim EPM – die Funktion eines Numéraires bzw. der
dazugehörige (streng positive) Preisprozess S 0 die Funktion eines Diskontierungsprozesses.
Ein einfacher Diskontierungsprozess ist beispielsweise

St0 = (1 + r)t mit r > 0 und t ∈ {0, . . . , n}.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.4. Allgemeines Mehrperioden-Marktmodell 63

Bezeichnungen (analog zum EPM für t ∈ {0, . . . , n} und i ∈ {0, . . . , N }):

   
0 1
 St   St 
..  −0  ... 
• Sti := S i (t, .), S t := 
   
  . , S t :=  
   
StN StN
   
0 1
 St   St 
Si  e. 
. 
 e. 
 .. 
• S i := 0 ,  . ,
S t :=  S −0
t :=
e S e   e  
 
SN SN
et et

2.4.2 Portfolio, Handelsstrategie, Arbitrage

     
Definition 2.39 Gegeben sei ein MPM n, T, Ω, F, Ft , P , S0, . . . , SN .
t=0,...,n

• Dann heißt eine Ft -messbare RN +1 -wertige

Zufallsgröße H Portfolio z. Ztpkt. t ∈ {0, . . . ,
n}.
 
• Ein an Ft (man beachte n − 1 anstatt n!) adaptierter RN +1 -wertiger stochas-
t=0,...,n−1 
tischer Prozess H = H t (auch hier n − 1!) heißt Handelsstrategie.
t=0,...,n−1

• Das – analog zum EPM – zu einem Portfolio H z. Ztpkt. t ∈ {0, . . . , n} dazugehörige

verkürzte Portfolio z. Ztpkt. t H −0 ist eine Ft -messbare RN -wertige Zufallsgröße.
 
• Die zu einer Handelsstrategie H = H t gehörige verkürzte Handelsstrategie ist
  t=0,...,n−1  
−0
ein an Ft adaptierter RN -wertiger stochastischer Prozess H = H −0 t .
t=0,...,n−1 t=0,...,n−1

Bemerkungen:
 
• Ist H = H t eine Handelsstrategie, so sind H t Portfolios z. Ztpkt. t = 0, . . . ,
t=0,...,n−1
n − 1.

• Für n = 1 werden die Bezeichnungen Portfolio und Handelsstrategie synonym verwendet.

Definition 2.40 Für ein Portfolio (bzw. verkürztes Portfolio) H = (H 0 , H 1 , . . . , H N )T bzw.

H −0 = (H 1 , . . . , H N )T z. Ztpkt. t ∈ {0, . . . , n} heißt
N
X N
X
Vt (H) := H · S t = i
H · Sti bzw. Vt−0 (H −0 ) := H −0
· S −0
t = H i · Sti
i=0 i=1

der Wert des Portfolios (bzw. verkürzten Portfolios) H bzw. H −0

z. Ztpkt. t.
Die dazugehörigen diskontierten Werte sind
N N
Vt (H) X i i −0 V −0 (H) X i i
V t (H) := = H · St bzw. V (H −0 ) := t 0 = H · St.
e St0 i=0
e e t St i=1
e

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
64 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

Bemerkungen:

• 
Graphische Veranschaulichung
 der Wertänderung für eine gegebene Handelsstrategie H =
H 0 , . . . , H n−1 :

V0 (H 0 ) V1 (H 1 ) V2 (H 2 ) ··· Vn−1 (H n−1 )

..... ..... ..... ..... .....
.... ... ... ... ... ... ... ... ... ...
.....................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
.. ..... .. ..... .. ..... ..... .. ..... ..
..... ..... ..... ..... .....
0 .....
.....1
..
.....
2
.....
..
.....
.....
..
.....
.....
.. n−1 n .....
.....
..

V1 (H 0 ) V2 (H 1 ) ··· Vn−1 (H n−2 ) Vn (H n−1 )

• Die Portfolios können zu den Handelszeitpunkten t = 0, . . . , n − 1 zunächst beliebig verän-

dert werden. Es ist jedoch „vernünftig“ zu fordern, dass diese Veränderungen den Wert des
Portfolios unverändert lassen, d.h., es sollte weder Geld „von außen“ zugeführt bzw. „nach au-
ßen“ abgeführt werden. Mit anderen Worten: Die Portfolios sollen lediglich „umgeschichtet“
werden. Diese Eigenschaft wird in der folgenden Definition ausgedrückt.
 
Definition 2.41 Eine Handelsstrategie H = H t heißt selbstfinanzierend, falls
t=0,...,n−1
   
Vt H t−1 = Vt H t P-f.s. für t = 1, . . . , n − 1 (2.13)

gilt.

Bemerkung: Eigenschaft (2.13) ist äquivalent zu

   
V t H t−1 = V t H t P-f.s. für t = 1, . . . , n − 1.
e e
 
Definition 2.42 Eine selbstfinanzierende Handelsstrategie H = H t heißt Arbitrage
t=0,...,n−1
im MPM, falls
 
V0 (H 0 ) ≤ 0, Vn (H n−1 ) ≥ 0 P-f.s. und P Vn (H n−1 ) > 0 > 0 (2.14)

gilt. Ein MPM heißt arbitragefrei, falls in ihm keine Arbitrage existiert.

Bemerkungen:

• Eigenschaft (2.14) ist äquivalent zu

 
V 0 (H 0 ) ≤ 0, V n (H n−1 ) ≥ 0 P-f.s. und P V n (H n−1 ) > 0 > 0. (2.15)
e e e

• Obige Definition von Arbitrage im MPM ist konsistent mit derjenigen im EPM.

Analog zum EPM lässt sich auch im MPM eine Arbitrage mit Hilfe einer verkürzten Handels-
strategie charakterisieren.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.4. Allgemeines Mehrperioden-Marktmodell 65


Lemma 2.43 Die folgenden Aussagen sind in einem Mehrperioden-Marktmodell M = n, T,
    
Ω, F, Ft 0
, P , S , ..., S N äquivalent:
t=0,...,n

(a) M ist nicht arbitragefrei.

(b) Es gibt einen Zeitpunkt t ∈ {0, . . . , n − 1} und ein verkürztes Portfolio H −0 z. Ztpkt. t, so
dass
 
V −0 (H −0
) ≥ V −0
(H −0
) P-f.s. und P V −0
(H −0
) > V −0
(H −0
) > 0 (2.16)
e t+1 et e t+1 et
gilt („Ein-Perioden-Arbitrage“).

(c) Es gibt einen Zeitpunkt t ∈ {0, . . . , n − 1} und ein beschränktes verkürztes Portfolio H −0
z. Ztpkt. t, so dass (2.16) gilt.
 
(d) Es gibt eine Arbitrage H = H 0 , H 1 , . . . , H n−1 in M mit V 0 (H 0 ) = 0, deren dazuge-
−0
e
hörige verkürzte Handelsstrategie H beschränkt ist.

Beweis: Siehe Anhang B.8

Bemerkung: Die Eigenschaft der Arbitragefreiheit wird im Folgenden – in Verallgemeinerung der

Ergebnisse aus Abschnitt
 2.3.2
 – mit Hilfe eines risikoneutralen Maßes (bzw. äquivalenten Martin-
galmaßes) Q auf Ω, F, P charakterisiert werden.
 
Definition 2.44 Ein stochastischer Prozess X = Xt auf einem filtrierten Wahrschein-
    t=0,...,n  
lichkeitsraum Ω, F, Ft , Q heißt (Q-)Martingal bezüglich Ft , falls er folgen-
t=0,...,n t=0,...,n
de Eigenschaften besitzt:
 
1. X ist adaptiert an Ft .
t=0,...,n

2. EQ (|Xt |) < ∞ für alle t = 0, . . . , n.

3. EQ (Xt | Fs ) = Xs Q-f.s. für alle s < t, s, t ∈ {0, . . . , n}.

Bemerkungen:

• Zur Einführung in bedingte Erwartungen siehe Anhang B.9

• Ein Martingal ist die mathematische Beschreibung eines „fairen Spiels“.

    
Definition 2.45 Gegeben sei ein Mehrperioden-Marktmodell n, T, Ω, F, Ft , P ,
t=0,...,n
  
S 0 , . . . , S N . Ein Wahrscheinlichkeitsmaß Q auf Ω, F heißt äquivalentes Martingalmaß,
falls es folgende Eigenschaften besitzt:

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
66 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

1. Q ist äquivalent zu P.
 
2. Der RN +1 -wertige diskontierte Preisvektorprozess S t ist ein Q-Martingal, d.h.
e t=0,...,n
 i
Ssi

Q St
E | Fs = Q-f.s. für alle s < t, s, t ∈ {0, . . . , n}, i ∈ {0, . . . , N }.
St0 Ss0

Bemerkungen:

1. Ein äquivalentes Martingalmaß ist – ebenso wie das physische Maß P – trivial auf F0 .

2. Im EPM gilt gemäß (2.11) für jedes Portfolio h ∈ RN +1

 
EQ V n (h) = V 0 (h).
e e
Unter gewissen einschränkenden Voraussetzungen gibt es auch im MPM eine analoge Aussage
für eine selbstfinanzierende Handelsstrategie H, wie das folgende Lemma zeigt.
 
Lemma 2.46 Gegeben seien eine selbstfinanzierende Handelsstrategie H = H 0 , H 1 , . . . , H n−1
−0
mit P-f.s. beschränkter dazugehöriger verkürzter Handelsstrategie H sowie ein äquivalentes
Martingalmaß Q. Dann gilt
   
EQ V n (H n−1 ) = V 0 H 0 Q-f.s. .
e e
Beweis: Allgemein gilt mit H t := (Ht0 , . . . , HtN )T für t ∈ {0, . . . , n − 1}

V (H n−1 )
en
n−2
X   
= V 0 (H 0 ) + V t+1 (H t+1 ) − V t (H t ) + V n (H n−1 ) − V n−1 (H n−1 )
t=0
e e e e e
(„Teleskopsumme“)
n−1
X 
= V 0 (H 0 ) + V t+1 (H t ) − V t (H t ) (selbstfinanzierend)
t=0
e e e
n−1
X
= V 0 (H 0 ) + Ht · (S t+1 − S t )
t=0
e e e
n−1
XX N
= V 0 (H 0 ) + Hti · (S it+1 − S it ).
t=0 i=0
e e e

Wegen S 0t = 1 für t = 0, . . . , n kann der Summand für i = 0 weggelassen werden. Somit ist
e
n−1
XX N
V (H n−1 ) = V 0 (H 0 ) + Hti · (S it+1 − S it ) Q-f.s. . (2.17)
en e t=0 i=1
e e

Sei i ∈ {1, . . . , N }.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.4. Allgemeines Mehrperioden-Marktmodell 67

• Für t ∈ {0, . . . , n} ist S it ∈ L1 (Q), da Q als äquivalentes Martingalmaß vorausgesetzt wurde

und folglich EQ |S it | < ∞ gilt.
e
e
• Für t ∈ {0, . . . , n − 1} ist gemäß Voraussetzung Hti ∈ L∞ (Q).

• Demnach ist EQ Hti · (S it+1 − S it ) < ∞ für t ∈ {0, . . . , n − 1} (siehe Abschnitt B.4.6),
und gemäß Eigenschaft 7 von bedingten Erwartungen (siehe Abschnitt B.9) gilt aufgrund der
e e

Ft -Messbarkeit von Hti

   
EQ Hti · (S it+1 − S it ) | Ft = Hti · EQ S it+1 − S it | Ft Q-f.s. (2.18)
e e e e
 
• Da S it ein Martingal bezüglich Q ist, gilt
e t=0,...,n
 
EQ S it+1 | Ft = S it Q-f.s. für t ∈ {0, . . . , n − 1}
e e
und somit
 
EQ S it+1 − S it | Ft = 0 Q-f.s. für t ∈ {0, . . . , n − 1},
e e
also – wegen (2.18) –
 
EQ Hti · (S it+1 − S it ) | Ft = 0 Q-f.s. für t ∈ {0, . . . , n − 1}.
e e

• Wegen Eigenschaft 5 von bedingten Erwartungen ergibt sich demnach für t ∈ {0, . . . , n − 1}
     
EQ Hti · (S it+1 − S it ) | F0 = EQ EQ Hti · (S it+1 − S it ) | Ft | F0
e e e e
= 0 Q-f.s. . (2.19)

Aus (2.17) ergibt sich mit (2.19) sowie den Eigenschaften 4 und 1 von bedingten Erwartungen
 
EQ V n (H n−1 ) | F0
e
  n−1
XX N  
= EQ V 0 (H 0 ) | F0 + EQ Hti · (S it+1 − S it ) | F0
t=0 i=1
e e e
= V 0 (H 0 ) Q-f.s.
e
und schließlich wegen (2.12)
 
EQ V n (H n−1 ) = V 0 (H 0 ) Q-f.s. .
e e


Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
68 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

Satz 2.47 (1. Fundamentalsatz) Ein Mehrperioden-Marktmodell ist genau dann arbitragefrei,
wenn ein äquivalentes Martingalmaß existiert. In diesem Fall gibt es ein äquivalentes Martingalmaß,
das eine beschränkte Dichte bezüglich P besitzt.

Beweis: ⇐=: Indirekt: Angenommen, es existiert ein äquivalentes Martingalmaß Q,aber das Modell
ist nicht arbitragefrei. Gemäß Lemma 2.43 existiert dann eine Arbitrage H = H 0 , H 1 , . . . ,

−0
H n−1 mit V 0 (H 0 ) = 0, deren dazugehörige verkürzte Handelsstrategie H beschränkt ist.
Gemäß Lemma 2.46 wäre dann
e

   
EQ V n (H n−1 ) = V 0 H 0 = 0. (2.20)
e e

Da aber H eine Arbitrage ist, gilt

 
V n (H n−1 ) ≥ 0 P-f.s. und P V n (H n−1 ) > 0 > 0,
e e

was aufgrund der Äquivalenz von P und Q gleichbedeutend ist mit

 
V n (H n−1 ) ≥ 0 Q-f.s. und Q V n (H n−1 ) > 0 > 0.
e e
Daraus folgt aber
 
EQ V n (H n−1 ) > 0,
e
was ein Widerspruch zu (2.20) ist.

=⇒: Siehe Anhang B.10



2.4.3 Replizierbarkeit und Vollständigkeit

 
Definition 2.48 Eine Zufallsgröße C auf Ω, F, P heißt Europäisches Auszahlungsprofil.
Ein Europäisches Auszahlungsprofil C heißt Derivat, wenn es messbar ist bezüglich der von den
Preisprozessen S 0 , . . . , S N erzeugten σ-Algebra. Die dazugehörige Zufallsgröße

C
C := 0
e S n

heißt diskontiertes Europäisches Auszahlungsprofil.

Bemerkung: „Europäische Wertpapiere“ sind dadurch gekennzeichnet, dass eine Auszahlung aus-
schließlich am Ende der Laufzeit (hier: Handelszeitpunkt n) erfolgt. „Amerikanische Wertpapiere“
können Auszahlungen zu jedem beliebigen Handelszeitpunkt t = 1, . . . , n realisieren.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.4. Allgemeines Mehrperioden-Marktmodell 69

Definition 2.49 Ein Europäisches

 Auszahlungsprofil
 C heißt replizierbar, falls eine selbstfinan-
zierende Handelsstrategie H = H t existiert, so dass
t=0,...,n−1

Vn (H n−1 ) = C P-f.s. (2.21)

gilt. Eine solche Handelsstrategie heißt replizierende Handelsstrategie.

Bemerkungen:

1. Eigenschaft (2.21) ist gleichbedeutend mit

V (H n−1 ) = C P-f.s. .
en e

2. Die Eigenschaft der Replizierbarkeit ist im MPM nicht „stark“ genug, um ein „Law of One
Price“ analog zum EPM zu liefern. Deswegen wird im Folgenden die dafür erforderliche
Eigenschaft der starken Replizierbarkeit eingeführt.

Definition 2.50 Ein Europäisches Auszahlungsprofil C heißt stark replizierbar, wenn

 +  +
(a) sowohl sein Positivteil C + := C als auch sein Negativteil C − := − C replizierbar
sind

oder
 
(b) es eine C replizierende Handelsstrategie H = H t gibt, so dass die dazugehörige
  t=0,...,n−1
−0
verkürzte Handelsstrategie H = H −0 t P-f.s. beschränkt ist.
t=0,...,n−1

Bemerkungen:

• Aus der Replizierbarkeit von C folgt nicht immer die Replizierbarkeit von C + und C − : Sei
beispielsweise N = 1 sowie Sn0 ≡ 1 und

2 für ω = ω1





Sn1 (ω) = 0 für ω = ω2


1 sonst



für zwei ausgewählte ω1 , ω2 ∈ Ω mit {ω1 }, {ω2 } ∈ F und P({ω1 }), P({ω2 }) > 0. Dann ist

für ω = ω1

1



C(ω) = −1 für ω = ω2


0 sonst



Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
70 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

wegen C = Sn1 − Sn0 replizierbar, aber weder

 
1 für ω = ω1 0 für ω = ω1

 


 

 
C + (ω) = 0 für ω = ω2 noch C − (ω) = 1 für ω = ω2

 

0 sonst 0 sonst

 


(jede Handelsstrategie erzeugt Vielfache von Sn1 plus einer Konstanten).

Sind andererseits sowohl C + als auch C − replizierbar mit den dazugehörigen replizierenden
+ − + −
Handelsstrategien H bzw. H , so ist H := H −H („−“ „punktweise“) die replizierende
Handelsstrategie für C = C + − C − .

• Hinreichend für die starke Replizierbarkeit im Sinne von (b) ist beispielsweise die Endlichkeit
 T
des Grundraums Ω, da dann jedes Portfolio H = H 0 , . . . , H N durch max H i (ω)
ω∈Ω,i∈{0,...,N }
beschränkt ist.

• Das Portfolio H 0 ist aufgrund der F0 -Messbarkeit P-f.s. konstant und somit P-f.s. be-
schränkt, weswegen dies nicht explizit gefordert werden müsste.

• Die angegebenen
 Eigenschaften sind hinreichend für die Integrierbarkeit der diskontierten
Werte V 1 (H 1 ), . . . , V n−1 (H n−1 ), V n (H n−1 ) bezüglich eines äquivalenten Martingal-
maßes Q.
e e e

Unter Verwendung der starken Replizierbarkeit kann Lemma 2.46 verallgemeinert werden:

Lemma 2.51 Es seien Q ein  äquivalentes

 Martingalmaß, C ein stark replizierbares Europäisches
Auszahlungsprofil und H = H t die dazugehörige replizierende Handelsstrategie. Dann
  t=0,...,n−1
 
ist der Prozess V = V t := V 0 (H 0 ), . . . , V n−1 (H n−1 ), V n (H n−1 ) ein Q-Martingal
 e e t=0,...,n e e e
bezüglich Ft .
t=0,...,n

Beweis: Siehe Anhang B.11

Satz 2.52 („Law of One Price“) Gegeben seien ein arbitragefreies MPM sowie ein stark repli-
zierbares Europäisches Auszahlungsprofil C. Dann gilt:
   
1. Sind sowohl H = H t als auch H̃ = H̃ t replizierende Handels-
t=0,...,n−1 t=0,...,n−1
strategien von C, so ist V0 (H 0 ) = V0 (H̃ 0 ) Q-f.s. .
 
Bezeichnung: c0 (C) := EQ V0 (H 0 ) („Preis des Europäischen Auszahlungsprofils C“)

2. Unabhängig von der speziellen Wahl eines äquivalenten Martingalmaßes Q gilt

c0 (C) = EQ (S00 ) · EQ (C ).
e

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.4. Allgemeines Mehrperioden-Marktmodell 71

     
3. Das erweiterte MPM n, T, Ω, F, Ft 0 N
, P , S , ..., S , S N +1 mit
t=0,...,n
 
S0N +1 := c0 (C) und StN +1 := St0 · EQ C | Ft (t = 1, . . . , n)
e
ist ebenfalls arbitragefrei.

Beweis: Zu 1.: Mit Lemma 2.51 ergibt sich:

1. C ist Q-integrierbar, da C replizierbar und V n (H n−1 ) integrierbar ist (aufgrund der Q-

 
Martingaleigenschaft von V t ).
e e
e t=0,...,n
2. Es ist
     
EQ V n (H n−1 ) | Ft = EQ C | Ft = V t H t P-f.s.
e e e
für t ∈ {0, . . . , n − 1}, also insbesondere
   
EQ C | F0 = V 0 H 0 P-f.s.
e e
und somit
   
EQ C = V 0 H 0 P-f.s. . (2.22)
e e
 
Da der Erwartungswert EQ C nur von dem Auszahlungsprofil C , nicht aber von der speziell
gewählten replizierenden Handelsstrategie abhängt, ist somit Aussage 1 von Satz 2.52 gezeigt.
e e

Zu 2. – Teil 1: Die Existenz des „undiskontierten“ Erwartungswertes EQ (C) ist im Allgemeinen

nicht gesichert. Es gilt allerdings (siehe (2.22))
   
EQ V0 (H 0 ) | F0 = EQ S00 · V 0 (H 0 ) | F0 = S00 · V 0 (H 0 )
e  e
0 Q
= S0 · E C P-f.s.
e
Die Bildung des unbedingten Erwartungswertes auf beiden Seiten führt zu
 
c0 (C) = EQ (V0 (H 0 )) = EQ (S00 ) · EQ C .
e


Zu 3.: Ist Q ein äquivalentes Martingalmaß in einem arbitragefreien MPM n, T, Ω, F,
  
Ft 0
, S , ..., S N und C ein stark replizierbares Europäisches Auszahlungsprofil, so
t=0,...,n
     
ist Q auch in dem erweiterten MPM n, T, Ω, F, Ft , P , S 0 , . . . , S N , S N +1 mit
t=0,...,n
 
S0N +1 := c0 (C) und StN +1 := St0 · EQ C | Ft (t = 1, . . . , n)
e
Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
72 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

  
ein äquivalentes Martingalmaß, da der diskontierte Prozess S N +1
)t=0,...,n mit S N +1
= EQ C
      et e0 e
(E C = E C | F0 P-f.s.) und S t
Q Q N +1
= E C | Ft , t ∈ {1, . . . , n}, gemäß Lemma 2.51
Q

ebenfalls ein Q-Martingal ist. Damit ist Aussage 3 von Satz 2.52 gezeigt.
e e e e

Zu 2. – Teil 2: Der Preis c0 (C) = EQ (S00 ) · EQ (C ) eines stark replizierbaren Europäischen

Auszahlungsprofils C ist eindeutig bestimmt und hängt insbesondere nicht von der konkreten Wahl
e

des äquivalenten Martingalmaßes ab, denn jeder andere Preis führt zu einer Arbitrage, wie folgende
Überlegungen zeigen:

• Fall 1: Seien ĉ> c0(C) ein anderer Preis für das Auszahlungsprofil C und der RN +1 -wertige
Prozess H = H t eine replizierende Handelsstrategie für C im nicht erweiterten
t=0,...,n−1
MPM.
 
>
• Die RN +2 -wertige selbstfinanzierende Handelsstrategie H = H>
t im erweiter-
t=0,...,n−1
ten MPM, definiert für t ∈ {0, . . . , n − 1} durch
 
−
 
0
ĉ c 0 (C)
 Ht   S00

   
 H1    
 t  0 
 .  
..

H> :=  ..  +  
t 

 
  . 

H N   
 t   0 

  
0

−1

(Idee: „Billig kaufen, teuer verkaufen“, d.h., kaufe zum Zeitpunkt 0 die replizierende Han-
delsstrategie zum Preis c0 (C), verkaufe Finanzinstrument N + 1 zum Preis ĉ und lege die
Differenz in dem Numéraire an), ist eine Arbitrage im erweiterten MPM:
 
Der Wert von H > 0 im erweiterten MPM zum Zeitpunkt 0 ist wegen c0 (C) = V 0 H 0 P-f.s.

  ĉ − c0 (C)
V0 H 0 − ĉ + S00 · = 0 P-f.s. .
S00

 
Der Wert von H>
n−1 im erweiterten MPM zum Zeitpunkt n ist wegen SnN +1 = Vn H n−1
P-f.s. und der Positivität des Numéraires
  ĉ − c0 (C) Sn0  
Vn H n−1 − SnN +1 + Sn0 · = · ĉ − c0 (C) > 0 P-f.s. .
S00 S00

• Fall 2: Sei nun ĉ < c0 (C) ein 

anderer
 Preis für das Auszahlungsprofil C. In diesem Fall
<
ist die Handelsstrategie H = H t <
im erweiterten Marktmodell, definiert für
t=0,...,n−1

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.4. Allgemeines Mehrperioden-Marktmodell 73

t ∈ {0, . . . , n − 1} durch
 
−
 
0
c0 (C) ĉ
 −Ht   S00

   
 −H 1   
t  0 
 .  

..

H< :=  ..  + 
 
t 

 
  . 

−H N   
 t  0 
   
0
 
1

(Idee: Verkaufe zum Zeitpunkt 0 die replizierende Handelsstrategie zum Preis c0 (C), kaufe
Finanzinstrument N + 1 zum Preis ĉ und lege die Differenz in dem Numéraire an), eine
Arbitrage im erweiterten MPM.

Damit ist Aussage 2 von Satz 2.52 gezeigt. 

 
Bemerkung: Ist C Fn -messbar, so ist SnN +1 = Sn0 · EQ C
0
Sn
| Fn = C. Allerdings ist C aufgrund
der Replizierbarkeit „P-f.s. Fn -messbar“, so dass allgemein SnN +1 = C P-f.s. gilt.

Lemma 2.53 Hängt in einem arbitragefreien MPM der Preis EQ (C ) eines diskontierten Europäi-
schen Auszahlungsprofils C nicht von der speziellen Wahl des äquivalenten Martingalmaßes Q ab,
e

so ist das Europäische Auszahlungsprofil C replizierbar.

e

Ohne Beweis.

Definition 2.54 Ein MPM heißt vollständig, falls jedes Europäische Auszahlungsprofil replizierbar
ist.

Bemerkung: Sind alle Europäische Auszahlungsprofile replizierbar, so sind es auch die jeweiligen
Positiv- und Negativteile, d.h., in einem vollständigen Mehrperioden-Marktmodell sind alle Euro-
päischen Auszahlungsprofile stark replizierbar.

Lemma 2.55 Ein arbitragefreies Mehrperioden-Marktmodell ist vollständig, wenn jedes P-f.s. be-
schränkte diskontierte Europäische Auszahlungsprofil replizierbar ist.

Ohne Beweis.

Satz 2.56 (2. Fundamentalsatz:) Ein arbitragefreies MPM ist genau dann vollständig, wenn das
äqivalente Martingalmaß eindeutig bestimmt ist.

Beweis: =⇒: Analog zum Beweis von Lemma 2.35 im EPM.

⇐=: Ist Q ein eindeutig bestimmtes äquivalentes Martingalmaß, so existiert für jedes P-f.s. be-
schränkte diskontierte Europäische Auszahlungsprofil C der Preis EQ (C ) und dieser ist eindeutig
e e
Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
74 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

bestimmt. Gemäß Lemma 2.53 ist C dann replizierbar und gemäß Lemma 2.55 ist das arbitragefreie
MPM vollständig.
e


Bemerkung: Es lässt sich außerdem zeigen, dass in einem arbitragefreien MPM die Eindeutigkeit

des äquivalenten Martingalmaßes Q äquivalent dazu ist, dass jedes Q-Martingal M = M t
e t=0,...,n
dargestellt werden kann als
e

t−1
X
Mt = M0 + H s · (S s+1 − S s ) P-f.s. für t ∈ {1, . . . , n} (2.23)
s=0
e e e e
 
(siehe dazu auch (B.27)), wobei H = H t eine Handelsstrategie ist. Dies ist die diskrete
t=0,...,n−1
Version des sogenannten Martingaldarstellungssatzes, der sich – bei geeigneter Definition eines
t−1
„diskreten stochastischen Integrals“ – auch als „M t = M 0 + H s dS s “ schreiben lässt.
R
e e 0 e

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.5. Mehrperioden-Binomialmodell 75

2.5 Mehrperioden-Binomialmodell
Spezialfall eines Mehrperioden-Marktmodells mit folgenden Annahmen:

• 2 Wertpapiere, d.h. N = 1

• Das Numéraire ist nichtzufällig und bestimmt durch einen Zinssatz r > −1.

• Die Wertentwicklung des Wertpapiers 1 erfolgt, ausgehend von einem Startwert s0 > 0 und
bestimmt durch zwei Faktoren u („up“) und d („down“) mit u > d > 0, gemäß folgenden
Pfaden:
........
.
...
..
........
........
........
... s0 · u3 .............
.......
.......
........ .......
........
... s0 · u2 ............
.......
.......
.......
....... ...
........ ....... . .
........ ....... .......
........ ....
........
........ s0 · u .............
.......
.......
.......
.......
..
s0 · u2 d
..
............
.......
........ ....... . .... .......
........ ....... .... . .......
s0 ...
...........
.
. .
........
........
.......
.......
...... s0 · ud ..
..........
....
.......
.......
.......
...... ...
........ ....
.......
.. .......
....... ...........
. .
........ ... ....... ...
...
s0 · d .............
........
........
........ .. ...........
......
.
s0 · ud2 ............
.......
.......
.......
.....
...
s0 · d2
.
...........
.
. ..
........
.......
.......
...... ...
........
........ ...
. .........
... ....
d3 . . .
s0 · . . .
.......
........
........
........
...
...
... . . . .
......................................................................................................................................................................................................................................................................................................................................................................................................................
.. .. .. .. .. t
0 1 2 3 n
     
Definition 2.57 Ein MPM n, T, Ω, F, Ft ,P , S0, S1 mit zwei Finanzprodukten
t=0,...,n
heißt (Mehrperioden-)Binomialmodell oder CRR- (Cox-Ross-Rubinstein-) Modell7 mit n Perioden,
wenn es – in Abhängigkeit von den Parametern d, u, r und s0 mit r > −1, u > d > 0 und s0 > 0
– folgende Eigenschaften besitzt:
• Ω = {u, d}n

• F = 2Ω
n o
• F0 = {0, Ω}, Ft = σ Fω1 ,...,ωt ∈ F : ω1 , . . . , ωt ∈ {u, d}
n o
mit Fω1 ,...,ωt := (ω̃1 , . . . , ω̃t , . . . , ω̃n ) ∈ Ω : ω̃s = ωs ∀s = 1, . . . , t für alle t = 1, . . . , n
 
• P {ω} > 0 für alle ω ∈ Ω

• St0 ≡ (1 + r)t für alle t = 0, . . . , n


u · S 1 (ω , . . . , ω ) für ω = u

t−1 1 n t
• S01 ≡ s0 , 1
St (ω1 , . . . , ωt , . . . ωn ) =
d · S 1 (ω , . . . , ω ) für ω = d
 t−1 1 n t

1 (ω , . . . , ω ) für alle t = 1, . . . , n
= ωt · St−1 1 n

7
Cox, J., Ross, S., Rubinstein, M., Option pricing: a simplified approach, J. Financial Economics 7 (1979),
229-263

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
76 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

 
Bezeichnung: n, d, u, r, s0
Bemerkungen:
 
• Es gilt Ft = σ S01 , . . . , St1 für alle t = 0, . . . , n sowie Fn = F.

• Zum Zeitpunkt t = 1, . . . , n nimmt St1 genau t + 1 verschiedene Werte an, und zwar ist für
(ω1 , . . . , ωn ) ∈ Ω
t
Y n o
St1 (ω1 , . . . , ωt , . . . , ωn ) = s0 · ωs = s0 ·uk(t) ·dt−k(t) mit k(t) := s ∈ {1, . . . , t} : ωs = u .
s=1

 
Satz 2.58 Ein CRR-Modell n, d, u, r, s0 ist genau dann arbitragefrei, wenn

d < 1+r < u

gilt. In diesem Fall ist das CRR-Modell vollständig und das eindeutig bestimmte äquivalente Mar-
tingalmaß Q besitzt folgende Eigenschaften:
1
St+1
1. Die Quotienten , t = 0, . . . , n − 1, sind stochastisch unabhängig bezüglich Q.
St1
1+r−d
2. Das Wahrscheinlichkeitsmaß Q ist bestimmt durch den Parameter q := und es
u−d
gilt
 1 
S
Q t+1 = u = q für alle t = 0, . . . , n − 1 (2.24)
St1

sowie
n o
Q (ω1 , . . . , ωn ) = q |{t:ωt =u}| · (1 − q)|{t:ωt =d}| . (2.25)

Beweis: Siehe Anhang B.12

2.5.1 Preise von Europäischen Auszahlungsprofilen im CRR-Modell

Bemerkungen:
 
• Wegen F = Fn = σ S01 , . . . , Sn1 ist jedes Europäische Auszahlungsprofil C im CRR-Modell
ein Derivat. Für das zugehörige diskontierte Europäische Auszahlungsprofil C gilt
e
C
C =
e (1 + r)n

• Aufgrund der Endlichkeit des Zustandsraums Ω ist jede Zufallsgröße im CRR-Modell inte-
grierbar.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.5. Mehrperioden-Binomialmodell 77

• Wegen P({ω}) > 0 für alle ω ∈ Ω gibt es – außer der leeren Menge – keine P-Nullmengen.
Somit gelten insbesondere Beziehungen zwischen bedingten Erwartungen nicht nur P-f.s.,
sondern sogar punktweise für alle ω ∈ Ω.

• In einem arbitragefreien CRR-Modell mit dem (eindeutig bestimmten) äquivalenten Martin-

galmaß Q ist der Preis eines Europäischen Auszahlungsprofils C
  EQ (C)
c0 (C) = EQ (S00 ) · EQ C = .
e (1 + r)n
 
Der dazugehörige diskontierte Preisprozess V C = V C , . . . , V C
mit
e e0 en
 
VC := EQ
C | Ft (t = 0, . . . , n)
et e
ist ein Q-Martingal. Speziell ergibt sich
 
EQ C | Ft
VC = (t = 0, . . . , n)
et (1 + r)n
 
bzw. für den undiskontierten Preisprozess V C = V0C , . . . , VnC
 
EQ C | Ft
VtC = (t = 0, . . . , n)
(1 + r)n−t
und somit

V C = C, VnC = C und V C = V0C = c0 (C).

en e e0
1+r−d
• Wegen (2.25) ist mit q =
u−d
Z
EQ (C) = C dQ
X n o
= C(ω1 , . . . , ωn ) · Q (ω1 , . . . , ωn )
(ω1 ,...,ωn )∈Ω
X
= C(ω1 , . . . , ωn ) · q |{t:ωt =u}| · (1 − q)|{t:ωt =d}| (2.26)
(ω1 ,...,ωn )∈Ω

Damit ist es möglich, den Preis jedes Europäischen Auszahlungsprofils C zu bestimmen.

• Hängt das Europäische Auszahlungsprofil C lediglich von Sn1 und nicht von der gesamten
„Vorgeschichte“ S01 , . . . , Sn−1
1 ab (beispielsweise wie bei den „einfachen“ Europäischen Call-
und Put-Optionen), kann C ebenso wie Sn1 lediglich n + 1 verschiedene Werte C0 , . . . , Cn
– in Abhängigkeit von der Anzahl der „up“-Bewegungen – annehmen, d.h.

C(ω1 , . . . , ωn ) = Ck für k = {t : ωt = u} .

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
78 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

Da es genau nk verschiedene Pfade gibt, bei denen genau k „up“-Bewegungen auftreten,

vereinfacht sich in diesem Fall die Formel (2.26) zu

n  
X n
Q
E (C) = Ck · · q k · (1 − q)n−k . (2.27)
k
k=0

Lemma 2.59 Gegeben seien ein arbitragefreies CRR-Modell mit dem äquivalenten Martingalmaß
Q und ein Europäisches Auszahlungsprofil C. Der (diskontierte) Preisprozess V C bzw. V C – und
EQ (C)
e
somit der Preis c0 (C) = = V C
= V 0
C – lässt sich folgendermaßen rekursiv bestimmen:
(1 + r)n e 0
Für t = n − 1, n − 2, . . . , 0 ist
1+r−d
V C (ω) = q · V C u
(ωt+1 ) + (1 − q) · V C d
(ωt+1 ) mit q = (2.28)
et e t+1 e t+1 u−d
C (ω u ) + (1 − q) · V C (ω d )
q · Vt+1 t+1 t+1 t+1
bzw. VtC (ω) = (2.29)
1+r
für alle ω ∈ Ω, wobei sich ωt+1
u bzw. ωt+1
u jeweils dadurch ergeben, dass bei ω = (ω1 , . . . , ωn ) die
t + 1-te Komponente gleich u bzw. d gesetzt wird, d.h.

u
ωt+1 := (ω1 , . . . , ωt , u, ωt+2 , . . . , ωn ) bzw. ωt+1
d
:= (ω1 , . . . , ωt , d, ωt+2 , . . . , ωn ).

Die Initialisierung erfolgt durch V C = C bzw. VnC = C.

en e
 
Beweis: Aufgrund der Martingaleigenschaft von V C , . . . , V C
ist
e0 en
 
VC = EQ
V C
| Ft (t = 0, . . . , n − 1),
et e t+1
d.h.
Z Z
V C
t
dQ = V C dQ für alle A ∈ Ft .
e e t+1
A A

Da die σ-Algebra Ft von den Mengen Fω1 ,...,ωt mit ω1 , . . . , ωt ∈ {u, d} erzeugt wird (siehe Defi-
nition 2.57), ist V C auf den Mengen Fω1 ,...,ωt konstant. Somit gilt für eine beliebige, aber feste
et
Menge Fω1 ,...,ωt
Z  
VC dQ = V C
(ω1 , . . . , ω t , u, . . . , u) · Q Fω 1 ,...,ω t . (2.30)
et et
Fω1 ,...,ωt

Die Zufallsgröße V C ist auf den Mengen Fω1 ,...,ωt ,u bzw. Fω1 ,...,ωt ,d konstant. Somit ergibt sich
e t+1
Z Z Z Z
C C C
V dQ = V dQ = V dQ + V C dQ
e t+1 e t+1 e t+1 e t+1
Fω1 ,...,ωt Fω1 ,...,ωt ,u ∪Fω1 ,...,ωt ,d Fω1 ,...,ωt ,u Fω1 ,...,ωt ,d
   
= VC (ω1 , . . . , ω t , u, . . . , u) · Q Fω 1 ,...,ω t ,u + V C
(ω1 , . . . , ω t , d, . . . , d) · Q Fω 1 ,...,ω t ,d ,
e t+1 e t+1
Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.5. Mehrperioden-Binomialmodell 79

woraus wegen (2.25)

Z
VC dQ (2.31)
e t+1
Fω1 ,...,ωt
   
= Q Fω1 ,...,ωt · q · V C (ω1 , . . . , ω t , u, . . . , u) + (1 − q) · V C
(ω1 , . . . , ω t , d, . . . , d)
e t+1 e t+1
folgt. Aus (2.30) und (2.31) ergibt sich (2.28) und daraus unmittelbar (2.29). 

Lemma 2.60 Gegeben seien ein arbitragefreies CRR-Modell mit dem äquivalenten Martingalmaß
Q und ein Europäisches Auszahlungsprofil C mit dem (diskontierten) Preisprozess V C bzw. V C .
   T e
Die replizierende Handelsstrategie H = H t mit H t = Ht0 , Ht1 ist bestimmt durch
t=0,...,n−1

VC −VC C − V C · (1 + r)
Vt+1 t
Ht1 = e t+1 t
= und (2.32)
S 1t+1 − S 1t 1 − S 1 · (1 + r)
e
St+1 t
e e
VtC − Ht1 · St1
Ht0 = V C − Ht1 · S 1t = (t = 0, . . . , n − 1). (2.33)
et e (1 + r)t

Beweis: Für eine replizierende (und damit auch selbstfinanzierende) Handelsstrategie gilt allgemein
wegen S 10 = . . . = S 1n = 1
e e
   
VC − V C
= H t · S − S = Ht
1
· S 1
− S 1
e t+1 e t e t+1 e t e t+1 e t
für t = 0, . . . , n − 1, woraus unmittelbar
C
Vt+1 VtC
VCt+1
−VC (1+r)t+1
− (1+r)t
C − V C · (1 + r)
Vt+1 t
Ht1 = e 1 e 1t = =
S −S
1
St+1
−
St1 St+1 − St1 · (1 + r)
1
e t+1 e t (1+r)t+1 (1+r)t

folgt. Es ist allerdings zu zeigen, dass dieser Ausdruck Ft -messbar ist trotz der auftretenden Ft+1 -
messbaren Zufallsgrößen.
Für ω = (ω1 , . . . , ωn ) ∈ Ω ist wegen (2.29)
 
C C V C (ω) − q · V C (ω u ) + (1 − q) · V C (ω d )
Vt+1 (ω) − Vt (ω) · (1 + r) t+1 t+1 t+1 t+1 t+1
1 1 = 1 1 .
St+1 (ω) − St (ω) · (1 + r) ωt+1 · St (ω) − St (ω) · (1 + r)
Für ω = ωt+1
u ergibt sich daraus
 
C (ω u ) − q · V C (ω u ) + (1 − q) · V C (ω d )
Vt+1 t+1 t+1 t+1 t+1 t+1 1−q V C (ω u ) − V C (ω d )
= · t+1 t+1 1 t+1 t+1 ,
u · St1 (ωt+1
u ) − S 1 (ω u ) · (1 + r)
t t+1 u − (1 + r) St (ω)

für ω = ωt+1
d

 
C (ω d ) − q · V C (ω u ) + (1 − q) · V C (ω d )
Vt+1 t+1 t+1 t+1 t+1 t+1 −q V C (ω u ) − V C (ω d )
= · t+1 t+1 1 t+1 t+1 .
d · St1 (ωt+1
d ) − S 1 (ω d ) · (1 + r)
t t+1 d − (1 + r) St (ω)

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
80 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

1+r−d
Wegen q = erhält man zum einen
u−d
1−q u − d − (1 + r) + d 1
=   = ,
u − (1 + r) (u − d) u − (1 + r) u−d

zum anderen
−q d − (1 + r) 1
=   = ,
d − (1 + r) (u − d) d − (1 + r) u − d

so dass sich in beiden Fällen

C (ω) − V C (ω) · (1 + r)
Vt+1 C (ω u ) − V C (ω d )
Vt+1
t t+1 t+1 t+1
1 1 = 1
St+1 (ω) − St (ω) · (1 + r) St (ω) · (u − d)

ergibt. Da sowohl Vt+1

C (ω u ) als auch V C (ω d ) lediglich von (ω , . . . , ω ) abhängen, ist der
t+1 t+1 t+1 1 t
Ausdruck
C − V C · (1 + r)
Vt+1 t 1
1 − S 1 · (1 + r) = Ht
St+1 t

somit Ft -messbar.
Die Behauptung (2.33) folgt direkt aus

V C = H t · S t = Ht0 · S 0t + Ht1 · S 1t = Ht0 + Ht1 · S 1t .

et e e e e


V C −V C
Bemerkung: Der Ausdruck Ht1 = e e kann als „diskrete Ableitung“ des diskontierten Wer- t+1 t
S 1 −S 1
t+1 t
tes eines Auszahlungsprofils nach dem
e einzigen
e im CRR-Modell enthaltenen „echt stochastischen“
Wertpapier verstanden werden. Eine wie hier auf einer Ableitung basierende replizierende Handelss-
trategie wird auch als Delta Hedge bezeichnet.

Beispiel: CRR-Modell (n, d, u, r, s0 ) = (2, 0.9, 1.1, 0.05, 100)

1+r−d 1.05 − 0.9
=⇒ q = = = 0.75
u−d 0.2
(Wahrscheinlichkeit einer „up“-Bewegung unter dem risikoneutralen Maß)
Wertentwicklung von S 1 :

........
.. 121
........
........
.............
0.75
........
........
........
.
110 .......
.......
.......
.....
.......... .......
100 .........
........
........
........ .... ...........
....... 99
........ .......
.............
0.25 ...
90 ........
........
........
...
81
S01 S11 S21

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.5. Mehrperioden-Binomialmodell 81

• Europäische Call-Option (S21 , 100)ECO :

........
... 21
........
........
........
........
...
........ ? ............
.......
.......
.......
........
?
.......
..............
........
........
........ .............
.......
..
0
........ .....
? . . ...
... ..........
........
........
........
...
0
c0 (C) V1C C

Rekursive Berechnung (t = 1):

........
... 21
........
....... q·C(u,u)+(1−q)·C(u,d) 0.75·21+0.25·0
.............
........
........
...... 15 .......
....... 1+r = 1.05 = 15
........... .......
?
..
.. .......
............
........
........
........ .
. .......
.......
...... 0
........ .....
..
.............
...
0 ........
........
........
...
0

t = 0:
........
... 21
........
........
............
........
...
........ 15 .......
.......
........ .......
............
. .......
10.71 .
........
........
........ ............
....... 0
........
........ ..........
.............
...
0 ........
........
........
...
0

• Europäische Put-Option (S21 , 100)EPO :

........
... 0
........
........
............
........
...
........ 0.24 .......
.......
........ .......
............
. .......
1.42 .
........
........
........ ............
....... 1
........
........ ..........
.............
...
5.24 ........
........
........
...
19
 
• Asiatische Call-Option S 1 , {1, 2}, 100 (Auszahlung pfadabhängig!):
AsCO
121+110
........
... 15.5 2 = 115.5
.......
........
..............
........
....
........ 12.14 ........
........ 99+110
= 104.5
..
..........
........ ........
... 4.5 2
8.67 .
........
........
........ ........
...
99+90
........
........ .
..............
...........
. ...
0 2 = 94.5
...
0 ........
........
........
... 99+81
0 2 = 90

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
82 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

 
• Barrier Optionen: Up-and-out Put-Option S 1 , 105, 100 :
u&oPO

........
... 0
........
........
..............
.......
........ 0 ........
...
.
...........
...........
........ ........
........
... 0 Obere Schranke überschritten!
1.25 ........
........
.......
........
.
........
........ ...
..............
....
. . .
1
...
5.24 ........
........
........
...
19
 
• Lookback Call-Option S 1 :
LbCO

........
... 21 min : 100
........
........
..............
........
........
.
15 ........
.
...
..........
.
.
........
........
........
........
... 0 min : 99
12.25 ........
........
.......
........
.
........
........ ...
..............
.....
.. .
9 min : 90
...
6.43 ........
........
........
...
0 min : 81

2.5.2 Konvergenzeigenschaften des CRR-Modells

Wird ein Endzeitpunkt T > 0 fest vorgegeben und die Periodenanzahl n des CRR-Modells erhöht,
lässt sich zeigen, dass unter bestimmten Annahmen die Verteilung von Sn1 gegen eine logarithmi-
sche Normalverteilung konvergiert. Dies kann auch für die Herleitung expliziter Bewertungsformeln
(beispielsweise die „Black-Scholes-Formel“) für bestimmte Finanzprodukte verwendet werden.
√
Definition 2.61 Für die Parameter T > 0 (Endzeitpunkt), r̂ > −1 (Zinssatz) und σ > T ·
ln(1 + r̂) (Volatilität) sei eine Folge von CRR-Modellen
 
n, d(n) , u(n) , r(n) , s0
n=1,2,...

mit

• r(n) := (1 + r̂)T /n − 1
√
• u(n) := eσ T /n und
√
• d(n) := e−σ T /n

(Bezeichnung: Folge konvergierender CRR-Modelle) gegeben. Die dazugehörigen Preisprozesse wer-

den mit S (n)0 und S (n)1 bezeichnet.

Lemma 2.62 Für eine Folge konvergierender CRR-Modelle gemäß Definition 2.61 gilt
(n)0
1. Sn = (1 + r̂)T für alle n ∈ N, d.h., die Diskontierungsprozesse besitzen in allen betrach-
teten CRR-Modelle zum Endzeitpunkt denselben Wert.
 
2. Für n ∈ N ist jedes CRR-Modell n, d(n) , u(n) , r(n) , s0 arbitragefrei.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.5. Mehrperioden-Binomialmodell 83

Beweis:
 t
(n)0
1. Wegen St = 1 + r(n) und 1 + r(n) = (1 + r̂)T /n ist
 n  n
Sn(n)0 = 1 + r(n) = (1 + r̂)T /n = (1 + r̂)T .

2. Wegen Satz 2.58 genügt es,

u(n) > 1 + r(n) > d(n)

für alle n ∈ N zu zeigen. Zunächst erhält man

u(n) > 1 + r(n) > d(n)

√ √
⇐⇒ eσ T /n > (1 + r̂)T /n > e−σ T /n
T
p p
⇐⇒ σ · T /n > n · ln (1 + r̂) > −σ · T /n
p
⇐⇒ σ > T /n · ln (1 + r̂) > −σ
p p
⇐⇒ σ > T /n · ln (1 + r̂) ∧ σ > − T /n · ln (1 + r̂)

pT /n · ln (1 + r̂) für ln (1 + r̂) ≥ 0

⇐⇒ σ >
− T /n · ln (1 + r̂) für ln (1 + r̂) < 0
p

p
⇐⇒ σ > T /n · ln (1 + r̂)
√
Aus σ > T · ln (1 + r̂) folgt σ > T /n · ln (1 + r̂) für alle n ∈ N und damit die
p

Behauptung. 

Lemma
 2.63 Für n ∈ N bezeichne Q(n) das äquivalente Martingalmaß für das CRR-Modell
n, d(n) , u(n) , r(n) , s0 , das bestimmt ist durch den Parameter

1 + r(n) − d(n)
q (n) :=
u(n) − d(n)

(siehe Satz 2.58). Dann gilt

1
1. lim q (n) =
n→∞ 2
!
(n)

(n)1
 σ2
2. lim EQ ln Sn = ln s0 + T · ln (1 + r̂) −
n→∞ 2
 
(n) (n)1
3. lim VarQ ln Sn = σ2 · T
n→∞

Beweis:

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
84 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

1. Mit x := T /n und der Regel von Bernoulli-de l’Hospital erhält man

p

√
(n) 1 + r(n) − d(n) (1 + r̂)T /n − e−σ T /n
lim q = lim = lim √ √
n→∞ n→∞ u(n) − d(n) n→∞
eσ T /n − e−σ T /n
2
(1 + r̂)x − e−σx
= lim
x↓0 eσx − e−σx
2
(1 + r̂)x ln(1 + r̂)2x + σe−σx 1
= lim = .
x↓0 σeσx + σe−σx 2

n (n)1
(n)1
Y S
2. Wegen Sn = s0 · t
(n)1
ist
t=1 St−1

n (n)1
X St
ln Sn(n)1 = ln s0 + ln (n)1
t=1 St−1

(n)1
St
Da die Quotienten (n)1
für t = 1, . . . , n identisch zweipunktverteilt sind, ergibt sich
St−1
 
(n)1
(n) St   
EQ ln
(n)1
= q (n) · ln u(n) + 1 − q (n) · ln d(n)
St−1
  1
= q (n) · ln u(n) + 1 − q (n) · (n)
  ln u
= q (n) · ln u(n) − 1 − q (n) · ln u(n)
 
= ln u(n) · 2q (n) − 1

und somit
(n)
   
EQ ln Sn(n)1 = ln s0 + n · ln u(n) · 2q (n) − 1 .

Weiter erhält man

 
lim n · ln u(n) · 2q (n) − 1
n→∞
√ 
1 + r(n) − d(n)

σ T /n
= lim n · ln e · 2· −1
n→∞ u(n) − d(n)
2
(1 + r̂)x − e−σx
 
T
= lim 2 · σx · 2 · −1
x↓0 x eσx − e−σx
2
T σ 2(1 + r̂)x − e−σx − eσx
= lim ·
x↓0 x eσx − e−σx

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
2.5. Mehrperioden-Binomialmodell 85

2
(1 + r̂)x − cosh(σx)
= T σ · lim
x↓0 x · sinh(σx)
2
(1 + r̂)x ln(1 + r̂)2x − σ sinh(σx)
= T σ · lim
x↓0 xσ · cosh(σx) + sinh(σx)
2
 
(1 + r̂)x ln(1 + r̂) 4x2 ln(1 + r̂) + 2 − σ 2 cosh(σx)
= T σ · lim
x↓0 xσ 2 · sinh(σx) + 2σ · cosh(σx)
2 ln(1 + r̂) − σ 2
= Tσ ·
2σ
σ2
 
= T · ln(1 + r̂) −
2

und somit die gewünschte Aussage.

3. Wegen

(n)1
St  
ln (n)1
= ln d(n) + ln u(n) − ln d(n) · 1{S (n)1 /S (n)1 =u(n) }
St−1 t t−1

ist
 
(n)1
(n) St   2  
VarQ ln
(n)1
= ln u(n) − ln d(n) · q (n) · 1 − q (n)
St−1
 2  
= 2 ln u(n) · q (n) · 1 − q (n)
 2  
= 4 ln u(n) · q (n) · 1 − q (n)

und somit – wegen der Unabhängigkeit der Quotienten –

(n)
   2  
VarQ ln Sn(n)1 = 4n · ln u(n) · q (n) · 1 − q (n)
 √ 2  
σ T /n (n) (n)
= 4n · ln e ·q · 1−q
 
= 4σ 2 T · q (n) · 1 − q (n) .

Es ergibt sich schließlich

(n)
   
lim VarQ ln Sn(n)1 = lim 4σ 2 T · q (n) · 1 − q (n)
n→∞ n→∞
 
= 4σ 2 T lim q (n) lim 1 − q (n) = σ 2 T.
n→∞ n→∞

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
86 Kapitel 2. Stochastische Finanzmathematik in diskreter Zeit

(n)1
Satz 2.64 Die Verteilungen von ln Sn konvergieren unter Q(n) für n !→ ∞ schwach gegen
σ2 √
eine Normalverteilung mit den Parametern ln s0 + T · ln (1 + r̂) − und σ T , d.h., die
2
(n)1
Verteilungen von Sn konvergieren gegen eine logarithmische Normalverteilung, also gegen die
Verteilung von
 
2
σWT +T · ln(1+r̂)− σ2
s0 · e ,
√
wobei WT eine Normalverteilung mit Parametern 0 und T besitzt.

Beweis: Die Aussage ergibt sich als Verallgemeinerung des zentralen Grenzwertsatzes. Die Para-
meter erhält man aus Lemma 2.63. 

Bemerkung: Wird anstatt eines diskreten Zinssatzes r̂ ein stetiger Zinssatz


r̃ verwendet (d.h.
2
σWT +T · r̃− σ2
er̃ = 1 + r̂), ergibt sich als Grenzverteilung die Verteilung von s0 · e .

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
Kapitel 3

Stochastische Finanzmathematik in
stetiger Zeit: Das
Black-Scholes-Modell

Literatur:

• Alison Etheridge, A Course in Financial Calculus [4]

• Albrecht Irle, Finanzmathematik [6]

• René L. Schilling und Lothar Partzsch, Brownian Motion [9]

3.1 Grundlegendes zum Black-Scholes-Modell

Es gelten weiterhin – wie beim MPM – folgende Vereinfachungen des Modells gegenüber der
Realität:

• Keine Transaktionskosten

• Keine Dividendenzahlungen

• Kauf/Verkauf von Finanzinstrumenten in beliebigen (reellwertigen) Stückzahlen möglich

• Kein Preisunterschied zwischen Kauf und Verkauf (kein bid-ask-spread )

   
Definition 3.1 Ein Black-Scholes-Modell ist ein Tupel T, Ω, F, P , S , S , das durch die
0 1

Parameter T, r, σ, µ und s0 bestimmt ist, mit

• Zeithorizont T > 0

• stetige Zinsrate r > 0

87
88 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

• Volatilität σ > 0

• Drift µ ∈ R

• Startwert s0 > 0

sowie

• Handelszeitraum T = [0, T ]
 
• Wahrscheinlichkeitsraum Ω, F, P

• Preisprozess einer Anleihe St0 ≡ ert , t ∈ T

σ2
• Preisprozess einer Aktie St1 = s0 · eµt · eσWt − 2
·t
,
 
wobei (Wt )t∈T ein Wienerprozess über dem Wahrscheinlichkeitsraum Ω, F, P ist.

Bemerkungen:

1. Analog zum zeitdiskreten Mehrperiodenmodell sollen im Folgenden Begriffe wie

• (selbstfinanzierende) Handelsstrategie
• Arbitrage
• Replizierbarkeit
• Vollständigkeit
• Äquivalentes Martingalmaß

definiert und deren Zusammenhänge untereinander untersucht werden.

Es wird sich zeigen, dass der Begriff der „selbstfinanzierenden Handelsstrategie“ und die
damit zusammenhängenden Begriffe Arbitrage, Replizierbarkeit und Vollständigkeit prinzipiell
schwieriger zu handhaben sind als im zeitdiskreten Modell.
Deswegen wird zunächst der Begriff des „Äquivalenten Martingalmaßes“ und dessen Bedeu-
tung für die Festsetzung eines fairen Preises ausgesuchter Finanzprodukte untersucht werden.

2. Grundlegend für die Eigenschaften des Black-Scholes-Modells sind die Eigenschaften des
Wienerprozesses, auf den im Folgenden als erstes eingegangen werden wird.

3. Der Preisprozess der Aktie ist Lösung der stochastischen Differentialgleichung

dSt
= µdt + σdWt (3.1)
St
(wird später mit Mitteln der stochastischen Analysis gezeigt).
Diese Differentialgleichung kann aber bereits jetzt durch folgende Überlegungen motiviert
werden:

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.1. Grundlegendes zum Black-Scholes-Modell 89

• Zweidimensionale Taylor-Formel für eine unendlich oft (partiell) differenzierbare Funktion

S : U → R, U ⊆ R2 offen, (x, t), (x0 , t0 ) ∈ U :

S(x, t) = S(x0 , t0 ) + Sx (x0 , t0 ) · (x − x0 ) + St (x0 , t0 ) · (t − t0 ) +


1
· Sxx (x0 , t0 ) · (x − x0 )2 + 2 · Sxt (x0 , t0 ) · (x − x0 ) · (t − t0 ) +
2
 
1
Stt (x0 , t0 ) · (t − t0 ) + · Sxxx (x0 , t0 ) · (x − x0 )3 + . . .
2
3!

• Abbruch nach der 2. partiellen Ableitung Sxx :

S(x, t) ≈ S(x0 , t0 ) + Sx (x0 , t0 ) · (x − x0 ) + St (x0 , t0 ) · (t − t0 ) +

1
· Sxx (x0 , t0 ) · (x − x0 )2
2

• Alternative
 Schreibweise mit x := x + ∆x, t := t + ∆t, x0 := x und t0 := t
∆x, ∆t > 0, (x + ∆x, t + ∆t) ∈ U :

S(x + ∆x, t + ∆t) ≈ S(x, t) + Sx (x, t) · ∆x + St (x, t) · ∆t +

1
· Sxx (x, t) · ∆2 x
2

σ2
• Anwendung auf S(x, t) := s0 · eµt · eσx− 2
·t
(damit ist S(Wt , t) = St1 ) mit Sx = σ · S,
2
St = (µ − σ2 ) · S und Sxx = σ 2 · S:

σ2
 
S(x + ∆x, t + ∆t) ≈ S(x, t) + σ · S(x, t) · ∆x + µ − · S(x, t) · ∆t +
2
σ 2
· S(x, t) · ∆2 x
2

• Mit ∆S(x, t) := S(x + ∆x, t + ∆t) − S(x, t) ergibt sich

σ2 σ2
 
∆S
≈ σ∆x + µ − ∆t + ∆2 x
S 2 2

• Mit x := Wt und ∆x := ∆Wt := Wt+∆t − Wt erhält man weiter formal

σ2 σ2
 
∆S
≈ σ∆Wt + µ − ∆t + ∆2 Wt
S 2 2
 
und wegen E ∆2 Wt = Var Wt+∆t − Wt = ∆t (Erläuterung siehe unten)

σ2 σ2

∆S
≈ σ∆Wt + µ − ∆t + ∆t = µ∆t + σ∆Wt ,
S 2 2

was strukturell der stochastischen Differentialgleichung (3.1) entspricht.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
90 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

3.1.1 Der Wienerprozess

Definition 3.2 Sei T = [0, T ] bzw.
 T =[0, ∞). Ein stochastischer Prozess W = (Wt )t∈T über
einem Wahrscheinlichkeitsraum Ω, F, P heißt ein Wienerprozess (im Zeitintervall T), falls er
folgende Eigenschaften besitzt:

(a) W0 (ω) = 0 für alle ω ∈ Ω

(b) Für eine beliebige Folge 0 = t0 < t1 < . . . < tn (n ∈ N, tn ∈ T) sind die Zufallsgrößen

Wt1 − Wt0 , Wt2 − Wt1 , . . . , Wtn − Wtn−1

unabhängig.

(c) Für beliebige s, t ∈ T mit s < t ist

Wt − Ws ∼ N(0, t − s),

d.h., Wt − Ws ist normalverteilt mit Erwartungswert 0 und Varianz t − s.

(d) t 7→ Wt (ω) ist stetig für alle ω ∈ Ω, d.h., W besitzt stetige Pfade.

Bemerkungen:

1. Der Namensgeber des Wienerprozesses ist der amerikanische Mathematiker Norbert Wiener
(1894-1964). Ihm gelang 1923 der erste Existenzbeweis für diesen Prozess.

2. Der Wienerprozess wird oft auch als Brown’sche Bewegung bezeichnet (wobei dann übli-
cherweise die Bezeichnung Bt anstatt Wt verwendet wird). 1827 beobachtete der schottische
Botaniker Robert Brown die irregulären „zitternden“ Bewegungen von Pflanzenpollen in ei-
nem Wassertropfen, die durch Stöße der Wassermoleküle erzeugt werden. Bekannt wurde der
Wienerprozess durch eine Arbeit von Einstein 1905, wobei er von Bachelier bereits 1900 in
seiner Arbeit über Finanzmärkte verwendet wurde.

3. Die Zufallsgrößen Wt − Ws (t, s ∈ T, s < t) werden auch als Zuwächse bezeichnet. Diese
Zuwächse sind gemäß (b) nicht nur unabhängig, sondern gemäß (c) auch stationär, d.h.,
die Zuwächse hängen nur von der Differenz t − s und nicht von den konkreten Werten für t
und s ab. Bezeichnung:

Wt − Ws ∼ Wt+h − Ws+h

für t, s, t + h, s + h ∈ T. Somit ist der Wienerprozess ein Lévy-Prozess (Paul Lévy: französi-
scher Mathematiker, 1886-1971), d.h., ein Prozess mit unabhängigen, stationären Zuwächsen,
dessen Pfade rechtsseitig stetig sind und linksseitige Limites besitzen („càdlàg“).

4. Wt ist normalverteilt mit Erwartungswert 0 und Varianz t (siehe (c) mit s = 0).

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.1. Grundlegendes zum Black-Scholes-Modell 91

5. Die Verteilung des Zuwachses Wt − Ws (t, s ∈ T, s < t) besitzt die Dichte

2
1 − x
pt−s : x 7→ p e 2(t−s) .
2π(t − s)

6. Für beliebige t, s ∈ T (es muss nicht notwendigerweise s < t gelten) erhält man für die
Kovarianz von Wt und Ws

cov (Ws , Wt ) = min(s, t),

denn für den Fall s ≤ t erhält man

   
cov (Ws , Wt ) = E (Ws − EWs ) · (Wt − EWt ) = E Ws · Wt
 
unabh.
= E Ws · (Wt − Ws ) + EWs2 = EWs · E (Wt − Ws ) + Var (Ws )
= 0 · 0 + s,

für den Fall s > t analog cov (Ws , Wt ) = t.

Der n-dimensionale Vektor (Wt1 , . . . , Wtn ) mit 0 < t1 < . . . < tn und tn ∈ T besitzt
demnach eine n-dimensionale Normalverteilung mit Erwartungswertvektor 0n und Kovari-
anzmatrix K = (Kij )i,j=1,...,n mit Kij = min(ti , tj ). Die dazugehörige Dichte ist demnach
1 1 T −1
f(Wt1 ,...,Wtn ) : (x1 , . . . , xn ) 7→ p · e− 2 (x1 ,...,xn ) ·K ·(x1 ,...,xn )
n
(2π) · det K

Ein Wienerprozess ist somit ein Gaußprozess (d.h. ein stochastischer Prozess, dessen end-
lichdimensionale Verteilungen (mehrdimensionale) Normalverteilungen sind) mit der Mittel-
wertfunktion t 7→ EWt = 0 und der Kovarianzfunktion (s, t) 7→ cov (Ws , Wt ) = min(s, t)
(s, t ∈ T).

7. Alternativ kann zur Bestimmung der endlichdimensionalen Verteilungen von W man von der
Verteilung des n-dimensionalen Vektors der Zuwächse (Wt1 , Wt2 − Wt1 , . . . , Wtn − Wtn−1 )
mit 0 < t1 < . . . < tn ausgehen, dessen Kovarianzmatrix eine Diagonalmatrix D mit den
Elementen ti − ti−1 (i = 1, . . . , n, t0 := 0) ist und dessen Verteilung somit die Dichte
n x2
− 12 i
P
1 t −ti−1
f(Wt1 ,Wt2 −Wt1 ,...,Wtn −Wtn−1 ) : (x1 , . . . , xn ) 7→ s ·e i=1 i
n
(2π)n ·
Q
(ti −ti−1 )
i=1

besitzt. Die lineare Transformation mittels der n × n-Matrix

 
1 0
. .
. .. (3.2)

A= .


 
1 ··· 1

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
92 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

führt dann zu
   
 Wt1   Wt1 
   
 Wt   Wt − Wt 
 2 2 1 
 . =A· .. sowie K = A · D · AT .

 .. 

 

 . 

   
Wtn Wtn − Wtn−1

8. Ein Wienerprozess ist ein Markovprozess (Andrej Markov: russischer Mathematiker, 1856-
1922), d.h., ein Prozess mit der Eigenschaft

P(Wt ∈ B | Wu , u ≤ s) = P(Wt ∈ B | Ws ) P-f.s.

für B ∈ B und s, t ∈ T, s ≤ t („gedächtnisloser Prozess“). Darüber hinaus ist er homogen,

d.h., die Übergangsdichte
(x−y)2
 
1 − 2(t−s)
p(s, t, x, y) := p ·e „ P(Wt = y | Ws = x)“
2π(t − s)

mit s, t ∈ T, s < t, x, y ∈ R hängt lediglich von der Differenz t − s und nicht von den
konkreten Werten von s und t ab (dies entspricht der Stationarität der Zuwächse). Die Dichte
der Verteilung des Vektors (Wt1 , . . . , Wtn ) mit 0 < t1 < . . . < tn und tn ∈ T lässt sich dann
auch als Produkt der Übergangsdichten
n
Y
f(Wt1 ,...,Wtn ) : (x1 , . . . , xn ) 7→ p(ti−1 , ti , xi−1 , xi ) (3.3)
i=1
n (xi −xi−1 )2
− 21
P
1 ti −ti−1
= s ·e i=1
n
(2π)n ·
Q
(ti − ti−1 )
i=1

mit t0 = 0 und x0 := 0 angeben. Diese Dichte unterscheidet sich von der Dichte der
Zuwächse lediglich in dem Ausdrücken „(xi − xi−1 )2 “ anstatt „x2i “ im Exponenten.

9. Es gibt mehrere Existenzbeweise für den Wienerprozess (siehe Vorlesung „Stochastische Pro-
zesse“):

• Satz von Kolmogorov: „Kanonische Konstruktion“ eines stochastischen Prozesses, des-

sen endlichdimensionale Verteilungen bekannt sind
• Lévy-Ciesielski-Darstellung mit Hilfe geeigneter Reihendarstellungen (Zbigniew Ciesiel-
ski: polnischer Mathematiker, *1934)
• Lévys Polygon-Approximation
• Wiener-Ansatz über trigonometrischen Reihen

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.1. Grundlegendes zum Black-Scholes-Modell 93

• Donskers Invarianzprinzip (Monroe D. Donsker: amerikanischer Mathematiker, 1925-

1991): Approximation durch stückweise lineare Pfade (theoretische Grundlage für Si-
mulationen, s.u.)

Lemma 3.3 Der Wienerprozess W = (Wt )t∈T besitzt folgende sogenannte Invarianzeigenschaf-
ten:

1. (−Wt )t∈T ist ein Wienerprozess („Spiegelungsinvarianz“).


[0, ∞) für T = [0, ∞)

2. (c · Wt/c2 )t∈T̃ mit T̃ = ist ein Wienerprozess für alle c > 0
[0, c2 · T ] für T = [0, T ]


(„Skaleninvarianz“).

3. (t · W1/t )t∈T mit t · W1/t := 0 für t = 0 und T = [0, ∞) ist ein Wienerprozess („Projekti-
onsinvarianz“).

4. (WT −t − WT )t∈T ist für T = [0, T ] ein Wienerprozess („Invarianz bei Zeitumkehr“).

[0, ∞) für T = [0, ∞)

5. (Wt+c − Wc )t∈T̃ mit T̃ = ist ein Wienerprozess für c ∈ T
[0, T − c] für T = [0, T ]


(„Erneuerungseigenschaft“).

Beweis: Siehe Vorlesung „Stochastische Prozesse“

Lemma 3.4 Die Pfade t 7→ Wt (ω) eines Wienerprozesses W = (Wt )t∈T sind für P-fast alle ω ∈ Ω
nirgendwo differenzierbar.

Beweis: siehe Anhang C.1

Bemerkung: Aufgrund der Nichtdifferenzierbarkeit der Pfade des Wienerprozesses ist ein auf den
Wienerprozess aufbauendes Differentialkalkül (wie für die stochastische Differentialgleichung (3.1)
benötigt) problematisch. Tatsächlich wird sich zeigen, dass stochastische Differentialgleichungen
wie (3.1) lediglich eine Schreibweise für stochastische Integral gleichungen sind.
Weitere „pathologische“ Eigenschaften des Wienerprozesses:

• Fast alle Pfade sind Hölder-stetig für α < 1/2, aber nicht für α = 1/2, insbesondere sind sie
nicht Lipschitz-stetig (d.h. Hölder-stetig für α = 1).

• Fast alle Pfade sind nirgends monoton.

• Die lokalen Maxima fast aller Pfade liegen dicht.

• Jede reelle Zahl wird fast sicher unendlich oft erreicht. Außerdem wird fast sicher immer
wieder zur Null zurückgekehrt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
94 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

3.1.2 Simulation eines Wienerprozesses und einer geometrischen Brown’schen

Bewegung
• Zur Simulation des Pfades eines Wienerprozesses W = (Wt )t∈T wird eine Folge Z1 , Z2 , . . .
von unabhängigen und identisch standardnormalverteilten Zufallsgrößen benötigt. Die Erzeu-
gung entsprechender Zufallszahlen wird in Abschnitt C.2 beschrieben.

• Für t ∈ T und n ∈ N gilt allgemein

n 
X 
Wt = W i ·t − W i−1 ·t
n n
i=1
 
(„Teleskopsumme“). Da die Zufallsgrößen W i ·t − W i−1 ·t unabhängig und identisch nor-
n n
malverteilt sind mit Erwartungswert Null und Varianz t/n, gilt demnach bei Verwendung
einer Folge Z1 , Z2 , . . . von unabhängigen und standardnormalverteilen Zufallsgrößen
n
X
bzw.
p p
Wt ∼ t/n · Zi W i ·t ∼ W i−1 ·t + t/n · Zi
n n
i=1

Mit δ := δ(t, n) := t/n erhält man somit für i = 1, . . . , n

√
Wi·δ ∼ W(i−1)·δ + δ · Zi .

• Wird nun zwischen den „Zwischenpunkten“

√ √ √ X n
0, δ · Z1 , δ · (Z1 + Z2 ), . . . , δ · Zi
i=1

linear interpoliert und geht n → ∞, so lässt sich zeigen, dass diese Pfade gegen die Pfade
eines Wienerprozesses konvergieren (Donskers Invarianzprinzip).

• Zur Simulation der Pfade des Preisprozesses der Aktie (St1 )t∈T im Black-Scholes-Modell mit
σ2
St1 = s0 · eµt · eσWt − 2
t

kann nun die Simulation eines solchen Wienerprozesses verwendet werden. Mit obigen Be-
zeichnungen ist
√ P n
n
σ· δ· Zi √
(µ−σ 2 /2)·t 2 /2)·t
Y
St1 ∼ s0 · e ·e i=1 = s0 · e(µ−σ · eσ· δ·Zi

i=1
n √
δ·Zi +δ·(µ−σ 2 /2)
Y
= s0 · eσ·
i=1

bzw.
√
1 1 δ·Zi +δ·(µ−σ 2 /2)
Si·δ ∼ S(i−1)·δ · eσ·

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.1. Grundlegendes zum Black-Scholes-Modell 95

• Aufgrund der multiplikativen Konstruktion wird der Preisprozess der Aktie (St1 )t∈T auch als
geometrische Brown’sche Bewegung mit Drift µ ∈ R, Volatilität σ > 0 und Startwert
s0 > 0 bezeichnet.

• Die üblicherweise verwendete Zeiteinheit ist „Jahre“.

3.1.3 Martingaleigenschaften des Wienerprozesses

     
Definition 3.5 Es sei Ω, F, Ft , P ein filtrierter Wahrscheinlichkeitsraum, d.h., Ω, F, P
t∈T
 
ist ein Wahrscheinlichkeitsraum und Ft eine Filtration, d.h. eine Familie von Unter-σ-Alge-
t∈T
bren Ft ⊂ F für t ∈ T mit

Fs ⊂ Ft für s < t, s, t ∈ T.
 
Dann heißt ein stochastischer Prozess X = Xt auf diesem filtrierten Wahrscheinlichkeitsraum
  t∈T
ein (P-)Martingal bezüglich Ft , falls er folgende Eigenschaften besitzt:
t∈T
 
1. X ist adaptiert an Ft , d.h. Xt ist Ft -messbar für alle t ∈ T.
t∈T

2. E(|Xt |) < ∞ für alle t ∈ T.

3. E(Xt | Fs ) = Xs P-f.s. für alle s < t, s, t ∈ T.

Bemerkungen:

1. Ein Martingal ist die mathematische Beschreibung eines „fairen Spiels“: Wird die Filtration
als die zeitliche Entwicklung der zur Verfügung stehenden Information interpretiert, besagt
Eigenschaft 3., dass die beste „Vorhersage“ des zukünftigen Wertes des betrachteten Prozes-
ses der derzeitige Zustand des Prozesses selbst ist, dass also „im Mittel“ keine Verbesserung
oder Verschlechterung des derzeitigen Zustands zu erwarten ist.
 
2. Insbesondere gilt für ein Martingal X = Xt aufgrund der „Tower property“ (siehe
t∈T
Anhang B.9)
   
EXt = E Xt | {0, Ω} = E E(Xt | F0 ) | {0, Ω} = EX0 für alle t ∈ T,

d.h., der Erwartungswert hängt nicht von t ab.

3. Eine lineare Transformation eines Martingals ist aufgrund der Linearität der bedingten Er-
wartung wiederum ein Martingal.

Wegen der Martingaleigenschaft ist der Wienerprozess und einige seiner Transformationen in be-
sonderem Maße zur Beschreibung von „fairen Spielen“ (wie z.B. ein Finanzmarkt) geeignet.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
96 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell


Lemma 3.6 Es sei W = (Wt )t∈T ein Wienerprozess über einem Wahrscheinlichkeitsraum Ω, F,
    
P und Ft die dazugehörige natürliche Filtration, d.h. Ft = σ Ws , s ∈ [0, t] . Dann gilt:
t∈T
 
(a) (Wt )t∈T ist ein Martingal bezüglich Ft .
t∈T
 
(b) (Wt2 − t)t∈T ist ein Martingal bezüglich Ft .
t∈T
1 2
 
(c) (eaWt − 2 a t )t∈T ist ein Martingal bezüglich Ft für alle a ∈ R.
t∈T
 
Beweis: Eigenschaft 1. eines Martingals ist aufgrund der Konstruktion von Ft erfüllt. Zu
t∈T
Eigenschaft 2. ergibt sich, da Wt normalverteilt mit Erwartungswert 0 und Varianz t ist:

(a) Es gilt
Z∞ Z∞
  1 x2 1 x2
E |Wt | = |x| · √ · e− 2t dx = 2 x· √ · e− 2t dx
2πt 2πt
−∞ 0
r Z∞
2 x2
x2
= x · e− 2t dx (Subst. z = 2t ⇒ dx = xt dz)
πt
0
r Z∞ r r
2 −z 2t h −z i∞ 2t
= t · e dz = · −e = < ∞
πt π 0 π
0

für alle t ∈ T.

(b) Es gilt
   
E |Wt2 − t| ≤ E Wt2 + t = 2t < ∞
√
für alle t ∈ T. Da Wt / t standardnormalverteilt ist, ist darüber hinaus Wt2 /t χ2 -verteilt
mit Freiheitsgrad 1 (eine Summe von n unabhängigen standardnormalverteilten Zufallsgrö-
ßen besitzt eine χ2 -Verteilung mit Freiheitsgrad n). Der Erwartungswert einer χ2 -verteilten
Zufallsgröße gleich der Anzahl der Freiheitsgrade.

(c) Da die Zufallsgröße a · Wt − 21 a2 t normalverteilt ist mit den Parametern

 
1 2 1
µ t = E a · Wt − a t = − a2 t und
2 2
 
1
σt2 = Var a · Wt − a2 t = Var (a · Wt ) = a2 t,
2
1 2
ist ea·Wt − 2 a t logarithmisch normalverteilt (siehe Anhang C.3) mit den Parametern µt und
σt2 . Somit ist
σt2
 
a2 t
 
a·Wt − 12 a2 t 1 2 1 2
E e = E ea·Wt − 2 a t = eµt + 2 = e− 2 a t+ 2 = 1 < ∞

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.1. Grundlegendes zum Black-Scholes-Modell 97

(dass dieser Erwartungswert nicht von t abhängt, sollte nicht überraschen; im Gegenteil: Dies
ist eine notwendige Bedingung für die Martingaleigenschaft – siehe obige Bemerkung).

Es verbleibt, Eigenschaft 3. zu zeigen:

(a) Für s < t, s, t ∈ T, ergibt sich wegen der Unabhängigkeit von Wt − Ws von Fs und der
Fs -Messbarkeit von Ws
   
E Wt | Fs = E Ws + (Wt − Ws ) | Fs
   
= E Ws | Fs + E Wt − Ws | Fs
 
= Ws + E Wt − Ws = Ws

(b) Für s < t, s, t ∈ T, ergibt sich wegen der Unabhängigkeit von Wt − Ws von Fs , der Fs -
Messbarkeit von Ws („Taking out what is known“, siehe Anhang B.9) und der N(0, t − s)-
Verteilung von Wt − Ws
   2   
2 2
E Wt − Ws | Fs = E Wt − Ws + 2Ws · Wt − Ws | Fs
 2     
= E Wt − Ws | Fs + 2E Ws · Wt − Ws | Fs
 2   
= E Wt − Ws + 2Ws · E Wt − Ws | Fs

= Var (Wt − Ws ) +2Ws · E Wt − Ws ) = t − s,
| {z } | {z }
= t−s
= 0

also
     
E Wt2 − t | Fs = E Wt2 | Fs − t + Ws2 − E Ws2 | Fs
 
= E Wt2 − Ws2 | Fs − t + Ws2 = (t − s) − t + Ws2
= Ws2 − s.

(c) Für s < t, s, t ∈ T, ist a · (Wt − Ws ) normalverteilt mit den Parametern µ = 0 und
σ 2 = a2 · (t − s), somit ist ea·(Wt −Ws ) log-normalverteilt mit dem Erwartungswert
σ2
  1 2
E ea·(Wt −Ws ) = eµ+ 2 = e 2 a ·(t−s) .

Es ergibt sich daher

 1 2

E eaWt − 2 a t | Fs
1 2
  1 2
 
= e− 2 a t · E ea·(Wt −Ws +Ws ) | Fs = e− 2 a t · E eaWs · ea·(Wt −Ws ) | Fs

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
98 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

1 2
  1 2
 
= e− 2 a t · eaWs · E ea·(Wt −Ws ) | Fs = eaWs − 2 a t · E ea·(Wt −Ws )
1 2 1 2 1 2
= eaWs − 2 a t · e 2 a ·(t−s)
= eaWs − 2 a s

Bemerkungen:
1 2
1. Der Prozess (eaWt − 2 a t )t∈T wird auch als Exponentialmartingal bezeichnet.

2. Im Black-Scholes-Modell wird der Preisprozess einer Aktie durch den Prozess (St1 )t∈T mit
 
2
2 σWt − σ2 −µ ·t+ln s0
σWt − σ2 t
St1 = s0 · eµt · e = e

mit Drift µ ∈ R, Volatilität σ > 0 und Startwert s0 > 0 beschrieben. Da die Zufallsgröße
!
σ2
σWt − − µ · t + ln s0
2
 2 
eine Normalverteilung mit Erwartungswert µt = ln s0 − σ2 − µ · t und Varianz σt2 = σ 2 t
besitzt, ist St1 somit log-normalverteilt mit dem Erwartungswert
 
σ2 2
σ2 ln s0 − −µ ·t+ σ2 t
µt + 2t
ESt1 = e = s0 · eµt
2
= e

Insbesondere ist der Preisprozess der Aktie selbst (d.h. eine geometrische Brown’sche Be-
wegung) nur für den Fall µ = 0 ein P-Martingal bezüglich der natürlichen Filtration des
Wienerprozesses.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.2. Das äquivalente Martingalmaß im Black-Scholes-Modell 99

3.2 Das äquivalente Martingalmaß im Black-Scholes-Modell

Wie oben bereits erwähnt, soll die Preisfindung im Black-Scholes-Modell zunächst über ein äqui-
valentes Martingalmaß erfolgen, dass analog zu dem im zeitdiskreten Mehrperioden-Marktmodell
definiert ist. Aufgrund der Interpretation eines Martingals als „faires Spiel“ ist diese Vorgehenswei-
se plausibel, wobei der Zusammenhang zwischen dem äquivalenten Martingalmaß und der (bisher
weder definierten noch behandelten) Arbitragefreiheit des Black-Scholes-Modells erst später unter-
sucht werden wird.

Definition
 3.7 Gegeben sei eindurch die Parameter T, r, σ, µ und s0 bestimmtes Black-Scholes-
   
Modell T, Ω, F, P , S 0 , S 1 . Ein Wahrscheinlichkeitsmaß Q auf Ω, F heißt äquivalentes
Martingalmaß im Black-Scholes-Modell, falls es folgende Eigenschaften besitzt:

1. Q ist äquivalent zu P, d.h., Q und P besitzen dieselben Nullmengen.

 
2. Der diskontierte Preisprozess der Aktie S t mit
e t∈T
S1 σ2
S t := t0 = s0 · e(µ−r)·t · eσWt − 2 t
e St
 
ist ein Q-Martingal bezüglich der natürlichen Filtration des Wienerprozesses Ft , d.h.
t∈T
 
E Q
S | Fs = Ss Q-f.s. für alle s < t, s, t ∈ T.
et e

Bemerkungen:

1. Gilt µ = r, so ist der diskontierte Preisprozess der Aktie ein Exponentialmartingal und somit
P bereits ein äquivalentes Martingalmaß. Da der Erwartungswert des Preisprozesses der Aktie
z. Ztpkt. t s0 · eµt ist, bedeutet dies, dass sich der Preisprozess der Aktie im Mittel wie der
Preisprozess der Anleihe verhält. In der Praxis wird häufig von dieser Annahme ausgegangen,
so dass für die Preisfindung in diesem Fall das „natürliche gegebene“ Maß P selbst verwendet
wird.

2. Ist µ 6= r, so wird im Folgenden ein äquivalentes Martingalmaß Q konstruiert, bezüglich

dessen sich der Preisprozess der Aktie und der Preisprozess
  der Anleihe im Mittel gleich
verhalten. Insbesondere wird sich zeigen, dass W̃ = W̃t mit
t∈T

µ−r
W̃t := Wt + ·t für t ∈ T
σ
ein Wienerprozess bezüglich Q ist, da sich in diesem Fall
µ−r
Wt = W̃t − ·t
σ

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
100 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

und somit

σ2 σ2
S = s0 · e(µ−r)·t · eσWt − 2
t
= s0 · e(µ−r)·t · eσW̃t −(µ−r)·t− 2
t
et
σ2
= s0 · eσW̃t − 2 t (3.4)

ergibt, d.h., durch den Maßwechsel erfolgt eine „Verschiebung“ des Wienerprozesses, die dazu
führt, dass sich der Preisprozess der Aktie im Mittel wie der Preisprozess der Anleihe verhält.
Die theoretische Grundlage dafür liefert der folgende Satz, der ein Spezialfall des Satzes von
Girsanov darstellt (Igor Wladimirowitsch Girsanov, 1934-1967, russischer Mathematiker).

3. Es wird später noch gezeigt werden, dass das äquivalente Martingalmaß im Black-Scholes-
Modell eindeutig bestimmt ist. Im Folgenden wird daher bereits von „dem“ äquivalenten
Martingalmaß gesprochen.

 Es seien
Satz 3.8  W = (Wt )t∈T (T = [0, T ]) ein Wienerprozess über einem Wahrscheinlichkeits-
raum Ω, F, P und a ∈ R eine reelle Zahl. Seien weiter

1 2
LT := e−aWT − 2 a T
   
eine Zufallsgröße auf Ω, F, P sowie P̃ ein Wahrscheinlichkeitsmaß auf Ω, F mit der Dichte
LT bezüglich P, d.h.
Z
P̃(A) := LT dP für alle A ∈ F.
A
 
Dann ist der Prozess W̃ = W̃t mit
t∈T

W̃t := Wt + a · t für t ∈ T
 
ein Wienerprozess über dem Wahrscheinlichkeitsraum Ω, F, P̃ .

Beweis: Zu zeigen ist:

(a) W̃0 (ω) = 0 für alle ω ∈ Ω

(b) Für eine beliebige Folge 0 = t0 < t1 < . . . < tn (n ∈ N, tn ∈ T) sind die Zufallsgrößen

W̃t1 − W̃t0 , W̃t2 − W̃t1 , . . . , W̃tn − W̃tn−1

bezüglich P̃ unabhängig.

(c) Für beliebige s, t ∈ T mit s < t ist W̃t − W̃s ∼ N(0, t − s) bezüglich P̃.

(d) t 7→ W̃t (ω) ist stetig für alle ω ∈ Ω, d.h., W̃ besitzt stetige Pfade.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.2. Das äquivalente Martingalmaß im Black-Scholes-Modell 101

Zu (a): Es gilt W̃0 (ω) = W0 (ω) + a · 0 = W0 (ω) = 0 für alle ω ∈ Ω, da W ein Wienerprozess ist.

Zu (d): W besitzt stetig Pfade, somit auch W̃ .

Zu (c): Die Zuwächse W̃t − W̃s sind auch bezüglich P (hier noch nicht P̃!) normalverteilt, und
zwar mit Erwartungswert a · (t − s) und Varianz t − s, denn
 
W̃t − W̃s = Wt − Ws + a · (t − s) ∼ N a · (t − s), t − s

Zu (b): W̃ besitzt unabhängige Zuwächse bezüglich P (hier noch nicht P̃!), da

Wt1 − Wt0 + a · (t1 − t0 ), Wt2 − Wt1 + a · (t2 − t1 ), . . . , Wtn − Wtn−1 + a · (tn − tn−1 )

und somit auch

W̃t1 − W̃t0 , W̃t2 − W̃t1 , . . . , W̃tn − W̃tn−1

unabhängig bezüglich P sind.

Es verbleibt zu zeigen, dass W̃ bezüglich P̃ unabhängige Zuwächse mit

 
W̃t − W̃s ∼ N 0, t − s

für s, t ∈ T mit s < t besitzt. Dies geschieht, indem die endlichdimensionalen Verteilungen des
Vektors W̃t1 , . . . , W̃tn bezüglich P̃ mit 0 < t1 < . . . < tn ≤ T (n ∈ N) betrachtet werden.
O.B.d.A. sei tn = T , denn für den Fall tn < T kann noch ein zusätzlicher Zeitpunkt tn+1 := T
eingeführt werden. Mit t0 := 0 ergibt sich für Borel-Mengen B1 , . . . , Bn
  Z
P̃ W̃t1 ∈ B1 , . . . , W̃tn ∈ Bn = LT dP
n o
W̃t1 ∈B1 ,...,W̃tn ∈Bn
Z
1 2
= e−aWT − 2 a T
dP
n o
W̃t1 ∈B1 ,...,W̃tn ∈Bn
Z
1 2
= e−aW̃T + 2 a T
dP (Übergang zu W̃T , WT = W̃T − a · T )
n o
W̃t1 ∈B1 ,...,W̃tn ∈Bn
n  
1 2 P
a T −a· W̃ti −W̃ti−1
Z
2
= e i=1 dP (Teleskopsumme, tn = T, t0 = 0)
n o
W̃t1 ∈B1 ,...,W̃tn ∈Bn
n
1 2 P
a T −a· xi −xi−1
Z
2
= e i=1 dPW̃  (x
1 , . . . , xn ) mit x0 := 0
1 ,...,W̃n
B1 ×...×Bn
(Transformationssatz, Übergang zur Verteilung)

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
102 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

Für weitere Untersuchungen wird nun die Verteilung der Zuwächse W̃t1 − W̃t0 , . . . , W̃tn−1 − W̃tn
betrachtet. Die Transformation zwischen W̃t1 , . . . , W̃tn und den Zuwächsen geschieht mittels der
Matrizen
 
  1 0 0 · · · 0
 
1 0 −1 1 0 · · · 0 
. .
   
. . bzw. −1
  
A = .
 .  A =  0 −1 1 0 
 .
  
. .. ..
. .
  
1 ··· 1  .
 

 
0 · · · 0 −1 1

(siehe dazu auch (3.2) in Bemerkung 7. zu Definition 4.1.3), denn es ist

       
 x1   x1   x1   x1 
       
 x2   x2 − x1   x2 − x1  x 
−1  2 
 .  = A· .. bzw. .. = A ·  . 
     
 ..   .. 
  
 

 . 


 . 
  
       
xn xn − xn−1 xn − xn−1 xn

für x1 , . . . , xn ∈ R. Mit
n
1 2 P
2
a T −a· zi
n
g : (z1 , . . . , zn ) ∈ R 7→ e i=1

erhält man
 
P̃ W̃t1 ∈ B1 , . . . , W̃tn ∈ Bn
Z  
= g A−1 (x1 , . . . , xn ) dPW̃  (x
1 , . . . , xn )
1 ,...,W̃n

B1 ×...×Bn =A(A−1 (B1 ×...×Bn ))

Z (Transformationssatz,
= g (z1 , . . . , zn ) dPA−1 W̃
1 ,...,W̃n
 (z
1 , . . . , zn ) Übergang zur Verteilung
A−1 (B1 ×...×Bn ) der Zuwächse)
n
1 2 P
a T −a·
Z zi
2
= e i=1 dPW̃  (z
1 , . . . , zn )
t1 −W̃t0 ,...,W̃tn−1 −W̃tn
A−1 (B1 ×...×Bn )

Da die Zuwächse W̃ti − W̃ti−1 (i = 1, . . . , n) bezüglich P unabhängig und normalverteilt mit

Erwartungswert a · (ti − ti−1 ) und Varianz (ti − ti−1 ) sind (s.o.), besitzt PW̃ −W̃ ,...,W̃ −W̃

t1 t0 tn−1 tn

bezüglich λn , dem Lebesgue-Maß auf B(Rn ), die Dichte

n
Y
fW̃  : (z1 , . . . , zn ) ∈ Rn 7→ f(W̃t (zi )
t1 −W̃t0 ,...,W̃tn−1 −W̃tn i −W̃ti−1 )
i=1

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.2. Das äquivalente Martingalmaß im Black-Scholes-Modell 103

2
− 21
n
P (zi −a·(ti −ti−1 ))
1 ti −ti−1
= s ·e i=1
n
(2π)n ·
Q
(ti − ti−1 )
i=1

Somit ist
 
P̃ W̃t1 ∈ B1 , . . . , W̃tn ∈ Bn
2
Z 1 2
a T −a·
n
P
zi − 12
n
P (zi −a·(ti −ti−1 ))
1 2 ti −ti−1
= s · e i=1 i=1 dλn (z1 , . . . , zn )
n
(2π)n ·
Q
(ti − ti−1 ) A−1 (B1 ×...×Bn )
i=1

Für den Exponenten ergibt sich

n n
2
1 2 X 1 X zi − a · (ti − ti−1 )
a T −a· zi −
2 2 ti − ti−1
i=1 i=1
n n
1 2 X 1 X zi2 − 2zi a(ti − ti−1 ) + a2 (ti − ti−1 )2
= a T −a· zi −
2 2 ti − ti−1
i=1 i=1
n n n n
1 2 X 1X zi2 X 1 X
= a T −a· zi − +a· zi − a2 (ti − ti−1 )
2 2 ti − ti−1 2
i=1 i=1 i=1
|i=1 {z }
= T
n
1X zi2
= −
2 ti − ti−1
i=1

Da das Lebesgue-Maß λn invariant gegenüber linearen Transformationen A mit det A = 1 (und

somit auch invariant gegenüber linearen Transformationen A−1 mit det A−1 = 1) ist, ergibt sich
mit
n zi2
− 12
P
n t −ti−1
h : (z1 , . . . , zn ) ∈ R 7→ e i=1 i

durch Rücktransformation
v
  u n
Y
u
P̃ W̃t1 ∈ B1 , . . . , W̃tn ∈ Bn · t(2π)n · (ti − ti−1 )
i=1
Z
= h (z1 , . . . , zn ) dλn (z1 , . . . , zn )
A−1 (B1 ×...×Bn )
Z
h (z1 , . . . , zn ) dA−1 λn (z1 , . . . , zn )


=
A−1 (B1 ×...×Bn )
Z  
= h A−1 (x1 , . . . , xn ) dλn (x1 , . . . , xn )
A(A−1 (B1 ×...×Bn ))

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
104 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

n (xi −xi−1 )2
− 12 ·
Z P
ti −ti−1
= e i=1 dλn (x1 , . . . , xn )
B1 ×...×Bn

und somit
 
P̃ W̃t1 ∈ B1 , . . . , W̃tn ∈ Bn
n (xi −xi−1 )2
− 12 ·
Z P
1 ti −ti−1
= s · e i=1 dλn (x1 , . . . , xn )
n
(2π)n ·
Q
(ti − ti−1 ) B1 ×...×Bn
i=1

Die Funktion
n (xi −xi−1 )2
− 21 ·
P
n 1 ti −ti−1
f : (x1 , . . . , xn ) ∈ R 7→ s ·e i=1
n
(2π)n ·
Q
(ti − ti−1 )
i=1

ist aber gerade die Dichte der endlichdimensionalen Verteilung eines Wienerprozesses in der Mar-
kovschen Darstellung (siehe (3.3) in Bemerkung 8. zu Definition 4.1.3). 

Satz 3.9 In einem Black-Scholes-Modell

  mit Zinsrate r > 0, Drift µ ∈ R, Volatität σ > 0 und

einem Wienerprozess W = Wt , T = [0, T ], über einem Wahrscheinlichkeitsraum Ω, F, P
t∈T
ist durch
Z  2
− µ−r ·WT − 12 µ−r T
Q(A) := LT dP mit LT := e σ σ
(A ∈ F)
A

ein äquivalentes Martingalmaß gegeben.

 Wegen
Beweis:  LT > 0 sind Q und P äquivalent. Außerdem ist gemäß Satz 3.8 der Prozess
W̃ = W̃t mit
t∈T

µ−r
W̃t := Wt + · t, t ∈ T,
σ
 
ein Wienerprozess über dem Wahrscheinlichkeitsraum Ω, F, Q . Aus (3.4) in obiger Bemerkung
 
2. ergibt sich dann, dass der diskontierte Preisprozess der Aktie S t ein Martingal bezüglich
e t∈T
Q ist. 

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.3. Bewertung von pfadunabhängigen Optionen 105

3.3 Bewertung von pfadunabhängigen Optionen

Zusammenfassung der bisherigen Ergebnisse:
   
• Ein Black-Scholes-Modell T, Ω, F, P , S , S
0 1 ist bestimmt durch die Parameter

– Zeithorizont T > 0,
– Zinsrate r > 0,
– Volatilität σ > 0,
– Drift µ ∈ R und
– Startwert s0 > 0.
 
• Der (deterministische) Preisprozess der Anleihe ist S 0 = St0 mit
t∈T

St0 ≡ ert ,
 
der Preisprozess der Aktie ist S 1 = St1 mit
t∈T

σ2
St1 = s0 · eµt · eσWt − 2
·t
,
 
wobei W = (Wt )t∈T ein Wienerprozess über dem Wahrscheinlichkeitsraum Ω, F, P ist.

• Bezüglich des äquivalenten Martingalmaßes Q im Black-Scholes-Modell besitzt der Preispro-

zess der Aktie die Darstellung
σ2
St1 = s0 · ert · eσW̃t − 2
·t
,
 
wobei W̃ = (W̃t )t∈T ein Wienerprozess über dem Wahrscheinlichkeitsraum Ω, F, Q ist.
Es gilt
µ−r
W̃t = Wt + ·t (t ∈ T).
σ
Plakativ gesprochen, „tauscht“ das äquivalente Martingalmaß Q die Drift µ des Aktien-
preisprozesses gegen
 die Zinsrate r des Anleihenprozesses aus. Der diskontierte Aktien-
preisprozess S = S t mit
e e t∈T
σ2
S t = s0 · eσW̃t − 2
·t
e
 
ist ein Q-Martingal bezüglich der natürlichen Filtration Ft sowohl des Wienerprozesses
t∈T
W bezüglich P als auch des Wienerprozesses W̃ bezüglich Q (beide Prozesse unterscheiden
sich voneinander lediglich in dem deterministischen Ausruck „ µ−r
σ · t“, so dass sie dieselben
natürlichen Filtrationen erzeugen).

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
106 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

• Analog zum zeitdiskreten Mehrperioden-Marktmodell wird im Folgenden eine Preisfestset-

zung („Bewertung“) für ein gegebenes (Europäisches) Auszahlungsprofil C durch Erwartungs-
wertbildung mit dem äquivalenten Martingalmaß Q unter Beachtung der Diskontierung vorge-
nommen. Eine Rechtfertigung dieser Vorgehensweise über die Arbitragefreiheit erfolgt später.

3.3.1 Auszahlungsprofile und Wertprozesse

   
Definition 3.10 Gegeben sei ein Black-Scholes-Modell T, Ω, F, P , S , S
0 1 mit dem äqui-
 
valenten Martingalmaß Q und der natürlichen Filtration Ft eines Wienerprozesses W .
t∈T
 
• Eine Zufallsgröße C auf Ω, F, P mit
 
EQ |C| < ∞

heißt Europäisches Auszahlungsprofil.

• Ein Europäisches Auszahlungsprofil C heißt Derivat, wenn es FT -messbar ist.

• Ein Derivat C heißt pfadunabhängig, wenn es eine Funktion h : (0, ∞) → R gibt, so dass
C = h(ST1 ) gilt, ansonsten pfadabhängig.

• Die Zufallsgröße

C
C := 0 = C · e−rT
e S T

heißt diskontiertes Europäisches Auszahlungsprofil.

• Der Prozess V C = (VtC )t∈T bzw. V C = (V C )t∈T mit

e et
   
−rT
C Q
V t := E C | Ft = e Q
· E C | Ft bzw.
e e
 
−r(T −t)
VtC := St0 · V C = e · E Q
C | Ft
et

heißt Preisprozess (oder Wertprozess) bzw. diskontierter Preisprozess (oder Wertprozess)

des Europäischen Auszahlungsprofils C.

• Der Wert

c0 (C) := EQ (C ) = V C
0
= V0C
e e
heißt Preis des Europäischen Auszahlungsprofils C.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.3. Bewertung von pfadunabhängigen Optionen 107

Bemerkungen:

1. Hier wird – im Gegensatz zum zeitdiskreten Mehrperioden-Marktmodell – die absolute Q-

Integrierbarkeit des Europäischen Auszahlungsprofils C vorausgesetzt. Da der Diskontierungs-
prozess (d.h. der Preisprozess der Anleihe) im Black-Scholes-Modell deterministisch ist, ist
dies gleichbedeutend mit der Integrierbarkeit des diskontierten Europäischen Auszahlungs-
profils C . Außerdem ist dadurch die Existenz des Wertprozesses V C gesichert.
e
2. Für ein Derivat C gilt VTC = C bzw. V C = C . Außerdem sind V0C bzw. V C konstant, da
eT e0
gemäß Definition des Wienerprozesses W0 ≡ 0 und somit F0 = {∅, Ω} ist.
e
 
3. Der diskontierte Wertprozess V C ist ein Q-Martingal bezüglich Ft : Wegen der „Tower
t∈T
property“ gilt nämlich für s, t ∈ T und s < t
e

       
Q C
E V t | Fs = E E C | Ft | Fs = EQ C | Fs = V C
Q Q
e e e es

EineErweiterung des Black-Scholes-Modells

 um den Wertprozess V C , d.h. eine Betrachtung
 
von T, Ω, F, P , S 0 , S 1 , V C , verändert das äquivalente Martingalmaß Q nicht.

3.3.2 Bewertung eines pfadunabhängigen Derivats


Lemma 3.11 Es sei C ein pfadunabhängiges Derivat in einem Black-Scholes-Modell T,
  
0
Ω, F, P , S , S 1 mit C = h(ST1 ), dem äquivalenten Martingalmaß Q und der natürlichen
 
Filtration Ft eines Wienerprozesses W . Dann gilt
t∈T

für t = T
  
C
EQ C | Ft = mit
gt (St1 ) für t ∈ [0, T )


Z∞  √  
1 σ· T −t·u+(T −t)· r− 12 σ 2 1 2
gt (x) := √ · h x·e · e− 2 u du
2π
−∞

für t ∈ [0, T ) und x ∈ R>0 .

 
Beweis: Für t = T ist EQ C | FT = C klar, da C ein Derivat und somit FT -messbar ist. Für
t ∈ [0, T ) ergibt sich
  
ST1
    
Q
E C | Ft Q 1 Q
= E h(ST ) | Ft = E h S 1 · St | Ft 1
(St1 > 0)
t
   
Q σ·(WT −Wt )+(T −t)·(µ− 12 σ 2 ) 1
= E h e · St | Ft
   
σ·(W̃T −W̃t )+(T −t)·(r− 12 σ 2 )
= E h eQ 1
· St | Ft (Übergang zu W̃ , d.h. µ → r)

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
108 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

Da St1 Ft -messbar und W̃T − W̃t unabhängig von Ft ist, erhält man gemäß Satz C.2 (siehe Anhang
C.4)
    
σ·(W̃T −W̃t )+(T −t)·(r− 12 σ 2 )
E C | Ft = gt (St ) mit gt (x) := E h x · e
Q 1 Q

Aufgrund der Normalverteilung von W̃T − W̃t ergibt sich weiter

  √ W̃ −W̃ 
σ· T −t· √TT −t t +(T −t)·(r− 12 σ 2 )
Q
gt (x) = E h x · e ( W̃√TT−−t
W̃t
∼ N(0, 1))
Z∞  √  
1 σ· T −t·u+(T −t)· r− 12 σ 2 1 2
= √ · h x·e · e− 2 u du
2π 
−∞

Bemerkung: Für t = 0 ergibt sich insbesondere wegen S01 = s0

Z∞  √  
  1 σ· T ·u+T · r− 12 σ 2 1 2
Q
E C = √ · h s0 · e · e− 2 u du.
2π
−∞

Außerdem erhält man aus obigem Lemma direkt  den (diskontierten)

 Wertprozess C C
 V = (Vt )t∈T
bzw. V C = (V C )t∈T über VtC = e−r(T −t) · EQ C | Ft bzw. V C = e−rT · EQ C | Ft .
e et et

3.3.3 Black-Scholes-Formel für Europäische Optionen und Put-Call-Parität

   
Satz 3.12 Gegeben seien ein Black-Scholes-Modell T, Ω, F, P , S , S 0 1 mit dem äquiva-
 
lenten Martingalmaß Q, der natürlichen Filtration Ft eines Wienerprozesses W sowie eine
  t∈T
Europäische Call-Option ST1 , K̃ mit Strike K̃ > 0 und Auszahlungsprofil
ECO
 +
C := ST1 − K̃ .

Dann gilt für t ∈ [0, T )

√
     
r·(T −t)
Q
E C | Ft 1
= St · e 1 1
· Φ ut (St ) + σ · T − t − K̃ · Φ ut (St ) mit
 
(r − 21 σ 2 ) · (T − t) − ln K̃
x
ut (x) := √ (x ∈ R>0 ),
σ· T −t
wobei Φ die Verteilungsfunktion der Standardnormalverteilung bezeichnet.

Beweis: Eine Europäische Call-Option ist ein pfadunabhängiges Derivat, so dass Lemma 3.11 mit
  
EQ C | Ft = gt St1 ), h(x) := (x − K̃)+ und
Z∞  √  
1 σ· T −t·u+(T −t)· r− 12 σ 2 1 2
gt (x) := √ · h x·e · e− 2 u du
2π
−∞

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.3. Bewertung von pfadunabhängigen Optionen 109

Z∞  √   +
1 σ· T −t·u+(T −t)· r− 21 σ 2 1 2
= √ · x·e − K̃ · e− 2 u du (3.5)
2π
−∞

(x ∈ R>0 ) angewendet werden kann. Es verbleibt demnach zu zeigen, dass

√
   
r·(T −t)
gt (x) = x · e · Φ ut (x) + σ · T − t − K̃ · Φ ut (x)

ist. Der Ausdruck in den Klammern in (3.5) ist genau dann positiv, wenn
√  
σ· T −t·u+(T −t)· r− 12 σ 2
x·e > K̃,

also
!
√
 
1 K̃
σ · T − t · u + (T − t) · r − σ 2 > ln
2 x

und somit
   
K̃
ln x − (T − t) · r − 12 σ 2
u > √ =: −ut (x)
σ· T −t
gilt. Man erhält
Z∞  √   
1 σ· T −t·u+(T −t)· r− 12 σ 2 1 2
gt (x) = √ · x·e − K̃ · e− 2 u du
2π
−ut (x)
Z∞ √
Z∞
r·(T −t) 1 − 12 (u−σ· T −t)2 1 1 2
= x·e ·√ · e du − K̃ · √ · e− 2 u du
2π 2π
−ut (x) −ut (x)
(Integrale über Dichten von Normalverteilungen)
√
     
r·(T −t)
= x·e · 1 − Φ − ut (x) − σ · T − t − K̃ · 1 − Φ − ut (x)

√
   
r·(T −t)
= x·e · Φ ut (x) + σ · T − t − K̃ · Φ ut (x)

(Φ(z) = 1 − Φ(−z) für z ∈ R).



Bemerkungen:

1. Für den Wertprozess V C = (VtC )t∈T des Auszahlungsprofils C einer Europäischen

 Call-
Option mit Strike K̃ ergibt sich somit wegen Vt = e
C −r(T −t) Q
· E C | Ft
√
   
C 1 1 −r(T −t) 1
Vt = St · Φ ut (St ) + σ · T − t − e · K̃ · Φ ut (St ) .

Der Preis c0 (C) des Auszahlungsprofils C einer Europäischen Call-Option mit Strike K̃
(„Black-Scholes-Formel“) ist demnach
√
   
∗ −rT
C
c0 (C) = V0 = s0 · Φ u + σ · T − e · K̃ · Φ u∗

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
110 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

mit
 
(r − 12 σ 2 ) · T − ln K̃
s0
∗
u := u0 (s0 ) = √ . (3.6)
σ· T
   
St1
2. Wegen ln K̃
= − ln K̃
St1
, t ∈ [0, t), ergibt sich die alternative Darstellung

 !   ! 
St1 St1
+(r+ 12 σ 2 )·(T −t) +(r− 12 σ 2 )·(T −t)
 ln K̃  ln K̃
VtC = St1 · Φ   − e−r(T −t) · K̃ · Φ 
 
√ √ .
 σ· T −t   σ· T −t 

Für t = 0 wird häufig auch die Darstellung

   
c0 (C) = s0 · Φ d1 − e−rT · K̃ · Φ d2

mit
 
s0
ln K̃
+ T · (r + 12 σ 2 ) √
d1 := √ und d2 := d1 − σ · T (3.7)
σ· T
verwendet.

3. Analog zum zeitdiskreten Fall (siehe Satz 2.21) ergibt sich die Put-Call-Parität

c0 (C) − c0 (P ) = s0 − e−rT · K̃, (3.8)

wobei
 +
P := K̃ − ST1
 
das Auszahlungsprofil einer Europäischen Put-Option ST1 , K̃ ist.
EPO
Die Put-Call-Parität lässt sich folgendermaßen herleiten: Für die Auszahlungsprofile C und
P gilt (siehe auch Abbildungen 2.2 und 2.3)

C − P = ST1 − K̃ · 1,

wobei 1 die konstante Funktion ω ∈ Ω 7→ 1 bezeichnet. Die Bildung von bedingten Erwar-
tungen bezüglich Q auf beiden Seiten von (3.8) führt zu
     
EQ C | Ft − EQ P | Ft = EQ ST1 | Ft − K̃ · 1,

für t ∈ T. Da Q das äquivalente Martingalmaß ist, gilt

ST1
     
Q
E ST1 | Ft = ST0 ·E Q
| Ft = e rT
·E Q
S | Ft
ST0 eT

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.3. Bewertung von pfadunabhängigen Optionen 111

= erT · S t = er(T −t) · St1

e
und somit
   
EQ C | Ft − EQ P | Ft = er(T −t) · St1 − K̃ · 1.
 
Wegen VtC = e−r(T −t) · EQ C | Ft führt Multiplikation mit e−r(T −t) zu

VtC − VtP = St1 − e−r(T −t) · K̃ · 1, (3.9)

woraus sich für t = 0 die Put-Call-Parität ergibt.

   
4. Der Preisprozess V P = VtP einer Europäischen Put-Option ST1 , K̃ mit P =
 + t∈T EPO
K̃ − ST1 lässt sich nun aus der Put-Call-Parität in der Darstellung (3.9) herleiten: Für
t ∈ [0, T ) (VTP = P ist klar) ergibt sich

VtP = VtC − St1 + e−r(T −t) · K̃ · 1

 √   
= St1 · Φ ut (St1 ) + σ · T − t − e−r(T −t) · K̃ · Φ ut (St1 ) − St1 + e−r(T −t) · K̃ · 1
√
     
= e−r(T −t) · K̃ · 1 − Φ ut (St1 ) − St1 · 1 − Φ ut (St1 ) + σ · T − t
   √ 
= e−r(T −t) · K̃ · Φ − ut (St1 ) − St1 · Φ − ut (St1 ) − σ · T − t .

Für t = 0 erhält man daraus

   √ 
c0 (P ) = e−rT · K̃ · Φ − u∗ − s0 · Φ − u∗ − σ · T
  
= e−rT · K̃ · Φ − d2 ) − s0 · Φ − d1

mit u∗ , d1 und d2 wie in (3.6) und (3.7) angegeben.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
112 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

3.4 Sensitivitäten
Die Sensitivitäten geben die „Empfindlichkeit“ des Preises eines Auszahlungsprofils gegenüber Än-
derungen von Preisparametern an und entsprechen mathematisch den partiellen Ableitungen nach
den jeweiligen Parametern (wobei die Existenz der jeweiligen partiellen Ableitungen vorausgesetzt
wird). Im Folgenden wird daher der Preis V0C eines Auszahlungsprofils C zum Zeitpunkt 0 als
Funktion vom Startwert s0 der zugrundeliegenden Aktie, der Volatilität σ, des Zeithorizonts T und
der Zinsrate r angesehen, d.h.

V0C = V0C (s0 , σ, T, r).

Es sei angemerkt, dass eine Änderung dieser Parameter auch den Übergang zu einem anderen
Black-Scholes-Modell bedeutet.
Aufgrund der Bezeichnung der partiellen Ableitungen mit griechischen Buchstaben heißen die Sen-
sitivitäten auch „The Greeks“. Die wichtigsten von ihnen sind im Folgenden aufgeführt:
∂V0C
1. Delta ∆ :=
∂s0
∂∆ ∂ 2 V0C
2. Gamma Γ := =
∂s0 ∂s20
∂V0C
3. Vega ν := (eigentlich „nü“!)
∂σ
∂V0C
4. Theta Θ := (Sensitivität gegenüber Laufzeitverkürzung !)
∂(−T )
∂V0C
5. Rho ρ :=
∂r

3.4.1 Sensitivitäten von Europäischen Call- und Put-Optionen

Ausgehend von dem Preis V0C des Auszahlungsprofils C einer Europäischen Call-Option mit Strike
K̃, d.h.
   
V0C = V0C (s0 , σ, T, r) = s0 · Φ d1 − e−rT · K̃ · Φ d2

mit
 
s0
+ T · (r + 12 σ 2 )
ln K̃
d1 = d1 (s0 , σ, T, r) = √ und
σ· T
√
d2 = d2 (s0 , σ, T, r) = d1 − σ · T ,
1 2
ergibt sich zunächst, wobei φ : x 7→ √1
2π
· e− 2 x die Dichte der Standardnormalverteilung bezeich-
net,
 √  √
φ(d1 ) − 21 (d21 −d22 ) − 21 d21 −(d1 −σ· T )2 1
T −σ 2 ·T )
= e = e = e− 2 (2d1 ·σ·
φ(d2 )

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.4. Sensitivitäten 113

√  −1 K̃ −rT
T + 12 σ 2 ·T
= e−d1 ·σ· = e− ln(s0 /K̃)−r·T = eln(s0 /K̃) · e−rT = ·e
s0
und somit

s0 · φ(d1 ) − e−rT · K̃ · φ(d2 ) = 0. (3.10)

Damit ergibt sich für die Sensitivitäten:

1. Für das Delta ∆C einer Europäischen Call-Option erhält man

∂V0C ∂d1 ∂d2

∆C = = Φ(d1 ) + s0 · · φ(d1 ) − e−rT · K̃ · ·φ(d2 )
∂s0 ∂s0 ∂s0
|{z}
∂d1
= ∂s0

∂d1  
= Φ(d1 ) + · s0 · φ(d1 ) − e−rT · K̃ · φ(d2 ) = Φ(d1 ) > 0.
∂s0 | {z }
= 0 siehe (3.10)

Für das Delta ∆P der entsprechenden Europäischen Put-Option ergibt sich wegen der Put-
Call-Parität V0P = V0C − s0 + e−rT · K̃

∂V0P ∂V0C  
∆P = = − 1 = Φ(d1 ) − 1 = − 1 − Φ(d1 ) = −Φ(−d1 ) < 0.
∂s0 ∂s0

Das heißt, bei steigendem s0 steigt der Preis einer Call-Option und sinkt der Preis einer
Put-Option. Das ist plausibel, da ein höheres s0 eine größere Wahrscheinlichkeit nach sich
zieht, dass der Preis der Aktie am Laufzeitende ebenfalls höher ist, was vorteilhaft für den
Call und nachteilhaft für den Put ist.

2. Für das Gamma ΓC einer Europäischen Call-Option erhält man

∂∆C ∂d1 1 1 1
ΓC = = · φ(d1 ) = · · √ · φ(d1 )
∂s0 ∂s0 K̃ s0 /K̃ σ · T
φ(d1 )
= √ > 0,
s0 · σ · T

für das Gamma ΓP einer Europäischen Put-Option wegen ∆P = Φ(d1 ) − 1 ebenfalls

φ(d1 )
ΓP = ΓC = √ > 0.
s0 · σ · T

Das heißt, bei steigendem s0 steigt das Delta sowohl einer Call- als auch einer Put-Option.
Das ist plausibel, da eine konvexe Veränderung des Preises s0 der Aktie eine verstärkende
Wirkung auf das jeweilige Delta besitzt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
114 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

3. Für das Vega ν C einer Europäischen Call-Option erhält man

∂V0C ∂d1 ∂d2

νC = = s0 · · φ(d1 ) − e−rT · K̃ · ·φ(d2 )
∂σ ∂σ ∂σ
|{z}
∂d1 √
= ∂σ
− T
∂d1   √
= · s0 · φ(d1 ) − e−rT · K̃ · φ(d2 ) + T · e−rT · K̃ · φ(d2 )
∂σ | {z }
= 0 siehe (3.10)
√
= T · e−rT · K̃ · φ(d2 ) > 0,

für das Vega ν P einer Europäischen Put-Option wegen der Put-Call-Parität V0P = V0C −
s0 + e−rT · K̃ ebenfalls
√
νP = νC = T · e−rT · K̃ · φ(d2 ) > 0.

Das heißt, bei steigendem σ steigt sowohl der Preis einer Call- als auch einer Put-Option.
Das ist plausibel, da ein größeres σ extremere Preise der Aktie am Laufzeitende nach sich
zieht, was für beide Optionstypen vorteilhaft ist.

4. Für das Theta ΘC einer Europäischen Call-Option erhält man

∂V0C
ΘC =
∂(−T )
∂d1 ∂d2
= s0 · · φ(d1 ) − r · e−rT · K̃ · Φ(d2 ) − e−rT · K̃ · · φ(d2 )
∂(−T ) ∂(−T )
√
| {z }
∂(d1 −σ· −(−T )) ∂d1 σ
= ∂(−T )
= ∂(−T )
+ √
2 T

∂d1    σ 
= · s0 · φ(d1 ) − e−rT · K̃ · φ(d2 ) −e−rT · K̃ · r · Φ(d2 ) + √ · φ(d2 )
∂(−T ) | {z } 2· T
= 0 siehe (3.10)
σ
= −e−rT · K̃ · r · Φ(d2 ) − √ · e−rT · K̃ · φ(d2 )
2· T | {z }
= s0 ·φ(d1 ) siehe (3.10)

s0 · σ · φ(d1 )
= −e−rT · K̃ · r · Φ(d2 ) − √ < 0,
2· T

für das Theta ΘP einer Europäischen Put-Option wegen der Put-Call-Parität V0P = V0C −
s0 + er·(−T ) · K̃
  s · σ · φ(d )
0
ΘP = ΘC + r · e−rT · K̃ = −e−rT · K̃ · r · Φ(d2 ) − 1 − √ 1
2· T
s0 · σ · φ(d )
= e−rT · K̃ · r · Φ(−d2 ) − √ 1 .
2· T

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.4. Sensitivitäten 115

Das heißt, bei abnehmender Laufzeit T sinkt der Preis einer Call-Option. Das ist plausibel,
da der Preis der Aktie dann nicht mehr so viel „Zeit“ hat, sich in vorteilhafte Extrembereiche
zu bewegen.
Bei einer Put-Option hängt das Verhalten bei abnehmender Laufzeit T aufgrund der Be-
schränkheit des Gewinns sehr stark vom aktuellen Preis der Aktie s0 ab: Ist s0 nahe bei
Null, kann der Gewinn kaum mehr vergrößert werden, so dass eine kürzere Laufzeit die
Wahrscheinlichkeit erhöht, dass der Preis der Aktie in der vorteilhaften Region (nahe Null)
verbleibt.

5. Für das Rho ρC einer Europäischen Call-Option erhält man

∂V0C ∂d1 ∂d2

ρC = = s0 · · φ(d1 ) + T · e−rT · K̃ · Φ(d2 ) − e−rT · K̃ · · φ(d2 )
∂r ∂r ∂r
|{z}
∂d1
= ∂r

∂d1  
= · s0 · φ(d1 ) − e−rT · K̃ · φ(d2 ) + T · e−rT · K̃ · Φ(d2 )
∂r | {z }
= 0 siehe (3.10)

= T · e−rT · K̃ · Φ(d2 ) > 0,

für das Rho ρP einer Europäischen Put-Option wegen der Put-Call-Parität V0P = V0C − s0 +
e−rT · K̃
 
ρP = ρC − T · e−rT · K̃ = T · e−rT · K̃ · Φ(d2 ) − 1
= −T · e−rT · K̃ · Φ(−d2 ) < 0.

Das heißt, bei steigendem r steigt der Preis einer Call-Option und sinkt der Preis einer Put-
Option. Dieser Effekt ist nicht unmittelbar einsichtig. Aus Sicht des Strikes ist allerdings
folgende Interpretation möglich: Ein Betrag in Höhe von K̃ zum Zeitpunkt T besitzt heute
den Wert e−rT · K̃. Wird r erhöht, sinkt somit e−rT · K̃ und die Differenz s0 − e−rT · K̃
wird größer. Dies bedeutet für den heutigen Zeitpunkt einen Vorteil für die Call-Option und
einen Nachteil für die Put-Option, der sich auch preislich auswirkt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
116 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

3.5 Parameterschätzung im Black-Scholes-Modell

Von den fünf Parametern des Black-Scholes-Modells (Zeithorizont T > 0, Zinsrate r > 0, Volatili-
tät σ > 0, Drift µ ∈ R, Startwert s0 > 0) brauchen lediglich die Zinsrate r > 0 und die Volatilität
σ > 0 geschätzt zu werden, denn

• der Zeithorizont T ist vorgegeben,

• die Drift µ wird bei Verwendung des äquivalenten Martingalmaßes durch die Zinsrate r ersetzt
und

• der Startwert s0 entspricht dem aktuellen Wert der betrachteten Aktie.

3.5.1 Schätzung der Zinsrate r

Die Zinsrate r wird im Black-Scholes-Modell als konstant angesehen. Dies ist in der Realität nicht
gegeben. Neben der zeitlichen Änderung hängt die Zinsrate außerdem von

• der (Währungs-)region (EUR, US-Dollar USD, Britisches Pfund GBP, Schweizer Franken
CHF, ...) und dem

• Fälligkeitszeitpunkt ab: Üblicherweise ist die (nominelle) Zinsrate für kurzfristige Laufzeiten
niedriger als für längere Laufzeiten. Die Kurve, die die Zinsrate in Abhängigkeit von der
Laufzeit angibt, wird Zinsstrukturkurve (term structure, yield curve) genannt.

Da die Zinsrate r im Black-Scholes-Modell der Zinssatz einer risikolosen Anleihe (d.h. einer nicht
mit dem Risiko des Zahlungsausfalls behafteten Anleihe) ist, wird sie auch als risikolose Zins-
rate (risk free interest rate) bezeichnet. Üblicherweise wird die risikolose Zinsrate von geeigneten
Staatsanleihen (d.h. von deutschen Staatsanleihen für den EUR-Bereich, von amerikanischen für
den USD-Bereich oder von britischen für den GBP-Bereich) abgeleitet.

Für die Ermittlung der Zinsrate r kann folgende Vorgehensweise angewendet werden:

• Da die Zinsrate (im Gegensatz zum Black-Scholes-Modell) laufzeitabhängig ist, sollte als
Referenzlaufzeit der Zeithorizont T verwendet werden.

• Für verschiedene Währungsregionen gibt es Übersichten über Zinsraten für „quasi-risikolose“

Produkte (dies sind im Allgemeinen Staatsanleihen „solider“ Länder) in Abhängigkeit von der
Laufzeit, z.B.
[Link]

[Link]
[Link]

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.5. Parameterschätzung im Black-Scholes-Modell 117

• Da die Zinsrate lediglich für bestimmte Laufzeiten (Wochen, Monate, Jahre) angegeben sind,
muss die für die Laufzeit T benötigte Zinsrate ggf. durch Interpolation bestimmt werden.
Als Methoden kommen dafür unter anderem in Frage:

– Lineare Interpolation
– Kubische Splines
– Nelson-Siegel-Methode: Die Zinsrate i(T ) in Abhängigkeit von der Laufzeit T wird
beschrieben mittels einer Funktion
!
1 − e−T /τ 1 − e−T /τ −T /τ
i(T ) := β0 + β1 · + β2 · −e ,
T /τ T /τ
wobei die Parameter β0 , β1 , β2 und τ durch geeignete Methoden aus den vorhandenen
Punkten der Zinsstrukturkurve geschätzt werden (z.B. durch die Methode der kleinsten
Quadrate). Dabei besitzen die Parameter folgende Interpretation:
∗ β0 : Langfristige Zinsrate
∗ β1 : Kursdifferenz zwischen lang- und kurzfristigen Zinsen („spread“)
∗ β2 : Krümmungsparameter zur Modellierung der mittelfristigen Zinsen
∗ τ : „Abklingparameter“ für extreme Laufzeiten (d.h. T → 0 bzw. T → ∞)
– Svensson- bzw. erweiterte Nelson-Siegel-Methode: Analog zur Nelson-Siegel-Methode
wird die Funktion
! !
1 − e−T /τ1 1 − e−T /τ1 −T /τ1 1 − e−T /τ2 −T /τ2
i(T ) := β0 +β1 · +β2 · −e +β3 · −e
T /τ1 T /τ1 T /τ2
mit den zusätzlichen Parametern β3 und τ2 (sowie τ1 anstatt τ ) verwendet. Diese
Methode wird von der Deutschen Bundesbank angewendet (siehe dazu auch http:
//[Link]/[Link] ).
– Bei der so ermittelten Zinsrate i(T ) handelt es sich überlicherweise um eine nominelle
Zinsrate. Da in sehr vielen Ländern unterjährige Zinszuschlagstermine (z.B. zwei oder
vier in den USA und im UK) üblich sind, muss ggf. zunächst die effektive Zinsrate ieff
mittels
i(T ) f
 
1+ = 1 + ieff ,
f
wobei f die Anzahl der jährlichen Zinszuschlagstermine bezeichnet, bestimmt werden
(siehe Abschnitt 1.1.5) und diese in die im Black-Scholes-Modell verwendete stetige
Zinsrate r mittels

er = 1 + ieff

überführt werden (siehe Abschnitt 1.1.6). Zusammengefasst ergibt sich demnach

!
i(T )
r = f · ln 1 + .
f

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
118 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

3.5.2 Schätzung der Volatilität σ

Die Volatilität σ beschreibt im Black-Scholes-Modell die Standardabweichung des logarithmierten
Preisprozesses der Aktie auf Jahresbasis: Es ist nämlich
!
σ 2
ln St1 = ln s0 + σ · Wt + µ − · t, t ∈ T,
2

und somit
 
Var ln St1 = Var (σ · Wt ) = σ 2 · t.

Dies gilt sowohl bei Verwendung des „natürlichen“ Maßes P als auch bei Verwendung des äquiva-
lenten Martingalmaßes Q, da beim Übergang von P zu Q lediglich die (deterministische) Drift µ
durch die Zinsrate r und der Wienerprozess W bezüglich P durch einen Wienerprozess W̃ bezüglich
Q ersetzt wird.

Zur Schätzung von σ können grundsätzlich zwei unterschiedliche Verfahren verwendet werden:

1. Schätzung aus historischen Preisdaten (führt zur sogenannten historischen Volatilität)

2. Schätzung aus den Preisen bereits vorhandener Optionen für dieselbe Aktie (führt zur soge-
nannten impliziten Volatilität)

[Link] Historische Volatilität

   
Lemma 3.13 Gegeben seien ein Black-Scholes-Modell T, Ω, F, P , S , S
0 1 mit Volatilität
σ und n + 1 (n ∈ N) äquidistante Zeitpunkte t0 , . . . , tn ∈ T mit t0 < . . . < tn sowie δ := ti − ti−1
für alle i = 1, . . . , n. Dann ist
n
1 1 X 2
2
σ̂ (U1 , . . . , Un ) := · Ui − Ū mit
δ n−1
i=1
n
!
St1i 1X
Ui := ln und Ū := Ui
St1i−1 n
i=1

ein erwartungstreuer Schätzer für σ 2 .

Beweis: Es wird gezeigt, dass U1 , . . . , Un unabhängig und identisch verteilt mit

Var (Ui ) = σ 2 · δ

für alle i = 1, . . . , n sind. Dann folgt aus einem Standardresultat der Mathematischen Statistik,
dass die korrigierte Stichprobenvarianz
n
1 X 2
Ui − Ū
n−1
i=1

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.5. Parameterschätzung im Black-Scholes-Modell 119

ein erwartungstreuer Schätzer für σ 2 · δ ist, d.h., dass

 
n 
1 X  2
E Ui − Ū  = σ 2 · δ
n−1
i=1

gilt. Für Ui (i = 1, . . . , n) erhält man

 
! σ 2
St1i  s0 · eσWti +(µ− 2 )·ti 
Ui = ln = ln  
St1i−1
 
2
σWti−1 + µ− σ2 ·ti−1
 
s0 · e
!
 
σ2
= σ · Wti − Wti−1 + ti − ti−1 · µ −
2
!

σ2
= σ · Wti − Wti −δ + δ · µ − .
2

Da die Differenzen Wti − Wti −δ für i = 1, . . . , n unabhängig und identisch normalverteilt mit
Erwartungswert 0 und Varianz δ  sind, sind daher auch U1 , . . . , Un unabhängig und identisch nor-
2
malverteilt mit Erwartungswert δ· µ − σ2 und Varianz σ 2 ·δ bezüglich P bzw. mit Erwartungswert
 2

δ · r − σ2 und Varianz σ 2 · δ bezüglich Q. 

Bemerkungen:

1. Der Schätzer σ̂ 2 (U1 , . . . , Un ) ist zwar ein erwartungstreuer Schätzer für σ 2 , allerdings ist
σ̂ 2 (U1 , . . . , Un ) kein erwartungstreuer Schätzer für die Volatilität σ, denn aus der Jen-
p

sen’schen Ungleichung ergibt sich, da die Wurzelfunktion konkav ist:

p  r  
E 2
σ̂ (U1 , . . . , Un ) ≤ E σ̂ 2 (U1 , . . . , Un ) = σ

Das heißt, der Schätzer σ̂ 2 (U1 , . . . , Un ) unterschätzt die tatsächliche Volatilität σ. Aller-
p

dings lässt sich zeigen, dass er asymptotisch erwartungstreu ist. Ein erwartungstreuer Schätzer
(unter der Annahme der Normalverteilung) für die Volatilität σ ist beispielsweise
  v
n−1 u n 
Γ
r
1 2 uX 2
·√   ·t Ui − Ū ,
δ 2 · Γ n2 i=1

wobei Γ die Γ-Funktion bezeichnet (siehe „Schätzer für Standardabweichung“).

2. In der Praxis wird – trotz der Verzerrung – meist

r v u n
p
2
1 u 1 X 2
σ̂ (U1 , . . . , Un ) = · t Ui − Ū
δ n−1
i=1

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
120 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

als Schätzer für die historische Volatilität verwendet, wobei die Zeitdifferenz δ üblicherweise
„ein Handelstag“ ist. Um eine Unterschätzung der Volatilität zu vermeiden, ist auch
r v u n
1 u 1X 2
·t Ui
δ n
i=1

als Schätzer für σ gebräuchlich.

3. Ist δ „ein Handelstag“, so ist 1/δ die Anzahl der Handelstage pro Jahr. Für die Anzahl der
Handelstage pro Jahr gibt es keine einheitliche Festlegung. Folgende Werte sind dabei üblich:

• Für weltweit an den Börsen gehandelte Produkte werden 260 Handelstage (52 Wochen
mit 5 Arbeitstagen) angenommen. 1
• In UK gibt es genau 8 weitere freie Tage im Jahr, an der New Yorker Börse 7 bis 8 weitere
freie Tage im Jahr (u.a. durch Verschiebung von datumsgebundenen Feiertagen wie
Weihnachten oder Neujahr), so dass häufig auch 252 Handelstage pro Jahr angenommen
werden (siehe Abschnitt A.1.3).

Ist σ̂δ ein Schätzer für die „tägliche Volatilität“, lässt sich somit daraus mittels
√ √
260 · σ̂δ bzw. 252 · σ̂δ

ein Schätzer für die jährliche Volatilität σ bestimmen.

4. Ist δ „ein Handelstag“, so wird üblicherweise für n ein Wert zwischen 65 (Vierteljahr) und
130 (Halbjahr) verwendet.
 1 
S
5. Der Ausdruck ln S 1 ti wird auch als logarithmierte oder stetige Rendite der Aktie für
ti−1

den Zeitraum von ti−1 bis ti bezeichnet. Insbesondere für eine stetig verzinste Anleihe mit
St ≡ ert ergibt sich
!
Sti
ln = ln er·(ti −ti−1 ) = r · (ti − ti−1 ).
Sti−1

Außerdem ist
 
St1
ln 1 i 
St
St1i−1 ·e i−1
= St1i .

Der obige Schätzer für die Volatilität entspricht damit – vereinfacht ausgedrückt – der Stan-
dardabweichung der täglichen logarithmierten Rendite.
1
Genau genommen sollte von 261 Handelstage pro Jahr ausgegangen werden, denn 365.25 · 5/7 ≈ 260.89.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.5. Parameterschätzung im Black-Scholes-Modell 121

Demgegenüber heißt

St1i − St1i−1 St1i

= −1
St1i−1 St1i−1

die einfache oder diskrete Rendite der Aktie für den Zeitraum von ti−1 bis ti . Insbesondere
für eine diskret jährlich verzinste Anleihe St ≡ (1 + i)t ergibt sich

Sti (1 + i)ti
−1 = − 1 = (1 + i)ti −ti−1 − 1.
Sti−1 (1 + i)ti−1

Außerdem ist
  S1 
1 ti
Sti−1 · 1 + −1 = St1i .
St1i−1

[Link] Implizite Volatilität und Smile-Effekt

• Die implizite Volatilität (implied volatility ) erhält man durch Bestimmung von σ aus dem
realisierten Marktpreis

V0C = V0C (s0 , σ, T, r)

eines Derivats C für dasselbe Underlying S 1 („Umkehrung der Black-Scholes-Formel“), wobei

die übrigen Parameter Startwert s0 , Laufzeit T und Zinsrate r bekannt sind. Die Laufzeit T
sollte dabei idealerweise mit der Laufzeit des verwendeten Black-Scholes-Modells übereinstim-
men bzw. dieser sehr nahe kommen (theoretisch ist σ zwar konstant und somit unabhängig
von T , in der Praxis jedoch nicht).

• Üblicherweise sind die Preisformeln V0C nicht explizit nach σ auflösbar, so dass numerische
Verfahren angewendet werden müssen, z.B. das Newton-Verfahren: Ausgehend von einem
Startwert σ0 , der „hinreichend nahe“ (σ0 = 0.2 ist in vielen Fällen angemessen) an dem
wahren Wert σ liegen sollte, werden iterativ mittels

V0C (s0 , σn , T, r) V0C (s0 , σn , T, r)

σn+1 := σn − = σn − (n ∈ N0 )
∂V0C (s0 ,σ,T,r) ν C (s0 , σn , T, r)
∂σ |σ=σn

V0C (s0 ,σn ,T,r)

neue Näherungen σn+1 für σ bestimmt. Das Verfahren wird abgebrochen, wenn ν C (s0 ,σn ,T,r)
,
d.h. σn+1 − σn , hinreichend klein ist.

• In der Praxis tritt außerdem der Effekt auf, dass die Volatilität σ von der Differenz s0 − K̃
folgendermaßen abhängt:

– Ist s0 ≈ K̃ (d.h. sowohl die Call- auch die Put-Option befinden sich „at the money“),
ist die implizite Volatilität vergleichsweise kleiner.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
122 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

– Im Bereich der Extremwerte s0  K̃ bzw. s0  K̃ („deep in the money” bzw. „deep

out of the money“ für Call-Optionen bzw. umgekehrt für Put-Optionen) ist die implizite
Volatilität vergleichsweise größer.
– Wird die implizite Volatilität als Funktion des Strikes K̃ angesehen, hat der Graph
dieser Funktion die Gestalt eines „Lächelns“ mit dem Minimum bei s0 , weswegen diese
Abhängigkeit der impliziten Volatilität von K̃ auch als Smile-Effekt bezeichnet wird.

• Die Verwendung der impliziten anstatt der historischen Volatilität hat – trotz der Verzerrung
durch den Smile-Effekt – den Vorteil, dass sich der so bestimmte Preis konsistent zu den
Marktpreisen vergleichbarer Produkte verhält.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.6. Der Preis einer Barrier-Option 123

3.6 Der Preis einer Barrier-Option

• Bei Barrier-Optionen handelt es sich um pfadabhängige Derivate, so dass die Methoden für
die Bewertung von pfadunabhängigen Derivaten des vorigen Abschnitts nicht angewendet
werden können.

• Zu Barrier-Optionen siehe Abschnitt [Link]: Auszahlungsprofile wie bei den Europäischen

Optionen, wobei nur dann eine Auszahlung erfolgt, wenn der zugrunde liegende Preisprozess
S 1 eine vorgegebene Schranke B̃ erreicht oder nicht.
Dabei unterscheidet man folgende Varianten:

– Knock-out Optionen mit den Spezialfällen down-and-out (d&o) bzw. up-and-out

(u&o): Nullauszahlung, falls untere bzw. obere Schranke erreicht wird
– Knock-in Optionen mit den Spezialfällen down-and-in (d&i) bzw. up-and-in (u&i):
Nullauszahlung, falls untere bzw. obere Schranke nicht erreicht wird
– Jeweils Ausprägungen als Call- oder Put-Option möglich
 
• Mathematische Beschreibung durch ein Tripel S 1 , B̃, K̃ (Preisprozess der Aktie im Black-
Scholes-Modell S 1 sowie B̃, K̃ > 0) mit den jeweiligen Bezeichnungsindizes d&oCO, d&oPO,
. . . , u&iCO, u&iPO und zugehörige Auszahlungsprofilen (Auswahl)2

0 falls min St1 ≤ B̃
  +
C(S 1 ,B̃,K̃)d&oCO =  t∈T
+ = ST1 − K̃1 · 1{min S 1 >B̃}
sonst
t
 ST1 − K̃1
 t∈T


0 falls max St1 < B̃
  +
C(S 1 ,B̃,K̃)u&iPO =  t∈T
+ = K̃1 − ST1 · 1{max S 1 ≥B̃}
sonst
t
 K̃1 − ST1
 t∈T

• Die Preisbestimmung für eine Barrier-Option mit Auszahlungsprofil C erfolgt mit Hilfe des
äquivalenten Martingalmaßes Q über

c0 (C) = e−rT · EQ (C).

• Zur Berechnung des Erwartungswertes EQ (C) ist die Kenntnis der gemeinsamen Verteilung
von ST1 und max St1 bzw. min St1 erforderlich. Es wird sich im Folgenden zeigen, dass es
t∈T t∈T
ausreicht, die gemeinsame Verteilung von

WT + a · T und max(Wt + a · t)
t∈T

2
Die Existenz von min St1 bzw. max St1 kann dabei vorausgesetzt werden, da der zugrunde liegende Wienerprozess
t∈T t∈T
stetig ist und jede reelle Zahl von ihm mit positiver Wahrscheinlichkeit erreicht wird – somit ist auch S 1 stetig und
nimmt jede positive reelle Zahl mit positiver Wahrscheinlichkeit an.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
124 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

für a ∈ R zu betrachten. Eine analoge Betrachtung für das Minimum ist nicht erforderlich, da
das Minimum aufgrund folgender Überlegungen in ein entsprechendes Maximum überführt
werden kann (hier für den Fall der down-and-out Barrier-Option):
   
1 1
min St > B̃ = ω ∈ Ω : min St (ω) > B̃
t∈T t∈T
   
σ2
 σWt (ω)+ µ− 2 ·t 
= ω ∈ Ω : min s0 · e > B̃
 t∈T 
 
 2
 !
 σ B̃ 
= ω ∈ Ω : min σWt (ω) + µ − · t > ln
 t∈T 2 s0 
 
  !
 µ σ 1 B̃ 
= ω ∈ Ω : min Wt (ω) + − · t > · ln
 t∈T σ 2 σ s0 
 
  !
 σ µ 1 B̃ 
= ω ∈ Ω : max −Wt (ω) + − · t < − · ln
 t∈T 2 σ σ s0 
( )
1 B̃ σ µ
= max(−Wt + a · t) < − · ln mit a := − .
t∈T σ s0 2 σ

Aufgrund der Spiegelungsinvarianz des Wienerprozesses (d.h. −W ist ebenfalls ein Wiener-
prozess) ergibt sich daraus

  !
1 1 B̃
P min St > B̃ = P max(−Wt + a · t) < − · ln
t∈T t∈T σ s0
!
1 B̃
= P max(Wt + a · t) < − · ln .
t∈T σ s0

• Zunächst wird die gemeinsame Verteilung von WT und max Wt betrachtet. Dafür benötigt
t∈T
man Stoppzeiten und das Reflexionsprinzip (siehe Anhang C.5). Aufgrund der Verwendung
von Stoppzeiten wird außerdem im Folgenden als „Standardfiltration“ die um die Nullmengen
von F erweiterte natürliche Filtration des Wienerprozesses verwendet.

Lemma 3.14 Für x ≥ 0 und y ≥ 0 gilt

 
P max Wt ≥ x, WT < x − y = P (WT > x + y) .
t∈T

Beweis: Es sei

τ{x} = inf {t ∈ T : Wt = x}

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.6. Der Preis einer Barrier-Option 125

der Zeitpunkt des ersten Berührens der Schranke x durch den Prozess W . Ist max Wt (ω) ≥ x
t∈T
für ein ω ∈ Ω, so gilt für dasselbe ω auch τ{x} (ω) ≤ T , ansonsten τ{x} (ω) = ∞. τ{x} ist eine
Stoppzeit (bezüglich der erweiterten natürlichen Filtration des Wienerprozesses).
Der dazugehörige reflektierte Prozess W (τ{x} ) ist ebenfalls ein Wienerprozess. Auch W (τ{x} ) berührt
die Schranke x erstmalig zum Zeitpunkt τ{x} , da er vor τ{x} wie der Prozess W verläuft. Man erhält
demnach
   
P max Wt ≥ x, WT < x − y = P τ{x} ≤ T, WT < x − y
t∈T
 
(τ{x} )
= P τ{x} ≤ T, WT <x−y .

(τ )
Da wegen τ{x} ≤ T der Prozess WT {x} zum Zeitpunkt T bereits am Wert x reflektiert wurde, ist
   
(τ )
P τ{x} ≤ T, WT {x} < x − y = P τ{x} ≤ T, WT > x + y

und wegen
n o n o
WT > x + y ⊂ τ{x} ≤ T

somit
 
P max Wt ≥ x, WT < x − y = P (WT > x + y) .
t∈T 

Daraus ergibt sich die Verteilung von max Wt :

t∈T

Lemma 3.15 Es gilt max Wt ∼ WT .

t∈T

Beweis:
 Da die Intervalle [x, ∞), x ∈ R, die Borel’sche σ-Algebra erzeugen, genügt es,
P max Wt ≥ x für x ∈ R zu betrachten. Für x < 0 ist wegen W0 = 0 offensichtlich
t∈T
   
P max Wt ≥ x = 1 = P WT ≥ x .
t∈T

Für x ≥ 0 ergibt sich

     
P max Wt ≥ x = P max Wt ≥ x, WT ≥ x + P max Wt ≥ x, WT < x
t∈T t∈T t∈T

Wegen
 
{WT ≥ x} ⊂ max Wt ≥ x
t∈T

sowie Lemma 3.14 mit y = 0 ergibt sich weiter wegen P (WT = x) = 0

       
P max Wt ≥ x = P WT ≥ x + P WT > x = 2 · P WT ≥ x .
t∈T

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
126 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

 
Dies ist aber gerade P WT ≥ x , denn wegen der Spiegelungsinvarianz des Wienerprozess (und
folglich WT ∼ (−WT )) erhält man
 
P WT ≥ x = P (WT ≥ x) + P (WT ≤ −x) = P (WT ≥ x) + P (−WT ≥ x)
 
= P (WT ≥ x) + P (WT ≥ x) = 2 · P WT ≥ x .


Bemerkungen:
1. Aus diesem Lemma ergibt sich insbesondere
   
P max Wt = x = P WT = x = 0
t∈T

für alle x ∈ R und somit für x ≥ 0 und y ≥ 0 (siehe Lemma 3.14)

   
P max Wt ≥ x, WT < x − y = P max Wt > x, WT < x − y
t∈T t∈T
 
= P max Wt > x, WT ≤ x − y
t∈T
= P (WT > x + y) .

2. Für die Verteilungsfunktion von max Wt gilt

t∈T
!
x
Fmax Wt (x) = 2 · Φ √ −1
t∈T T
für x ≥ 0, denn aus dem Beweis zu obigem Lemma erhält man
   
Fmax Wt (x) = P max Wt ≤ x = P WT ≤ x
t∈T t∈T
   
= 1 − P WT > x = 1 − P WT ≥ x
   
= 1 − 2 · P WT ≥ x = 1 − 2 · 1 − P (WT < x)
!
  x
= 1 − 2 · 1 − P (WT ≤ x) = 2 · Φ √ − 1.
T

Nun ergibt sich für die gemeinsame Verteilung von max Wt und WT :
t∈T
 
Lemma 3.16 Der Vektor max Wt , WT besitzt die Verteilungsfunktion
t∈T

0 für x ≤ 0



  
F  : (x, y) ∈ R2 7→ 2 · Φ √xT − 1 für 0 < x ≤ y
max Wt ,WT     
t∈T 
Φ √y − 1 + Φ 2x−y sonst

 √
T T

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.6. Der Preis einer Barrier-Option 127

Beweis: Es wird
 
P max Wt ≤ x, WT ≤ y = F  (x, y)
t∈T max Wt ,WT
t∈T

betrachtet.
Fall 1: x ≤ 0: Wegen W0 = 0 ist stets max Wt ≥ 0. Demnach ist
t∈T

F  (x, y) = 0 für x < 0

max Wt ,WT
t∈T

und wegen
 
P max Wt = 0 = 0
t∈T

folglich

F  (x, y) = 0 für x ≤ 0.
max Wt ,WT
t∈T

Fall 2: 0 < x ≤ y: In diesem Fall ist

 
max Wt ≤ x ⊂ {WT ≤ y}
t∈T

und somit wegen obiger 2. Bemerkung

  !
x
F  (x, y) = P max W ≤ x
t = 2·Φ √ − 1.
max Wt ,WT
t∈T
t∈T T

Fall 3: x > 0 und y < x: Wegen obiger 1. Bemerkung ergibt sich

   
P max Wt ≤ x, WT ≤ y = P (WT ≤ y) − P max Wt > x, WT ≤ y
t∈T t∈T
!  
y
= Φ √ − P max Wt ≥ x, WT < x − (x − y)
T t∈T
!
y
= Φ √ − P (WT > 2x − y)
T
! !
y 2x − y
= Φ √ −1+Φ √ .
T T 

 
Bemerkung: Der Vektor max Wt , WT besitzt die λ2 -Dichte
t∈T

0 für x ≤ 0 oder y ≥ x

f  : (x, y) ∈ R2 7→ (2x−y)2
2x−y
max Wt ,WT
t∈T √ 2

2πT
· T ·e − 2T
für x > 0 und y < x,

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
128 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

denn

0 für x ≤ 0

∂F  (x, y) 


max Wt ,WT

für 0 < x ≤ y

= 0 
t∈T
f  (x, y) =
max Wt ,WT ∂x∂y  2x−y

t∈T 
 ∂Φ √
 ∂x∂yT sonst



und
 
2x−y ! !
∂Φ √
T ∂ 2 2x − y 2 2x − y
= √ ·φ √ = − · φ0 √
∂x∂y ∂y T T T T
mit
1 1 2
φ0 (z) = −z · √ · e− 2 z (z ∈ R).
2π

Zur Preisbestimmung von Barrier-Optionen wird die gemeinsame Verteilung von max(Wt + a · t)
t∈T
und WT + a · T für a ∈ R benötigt. Für diese Verteilung ergibt sich folgende Aussage:
 
Lemma 3.17 Für a ∈ R besitzt der Vektor max(Wt + a · t), WT + a · T die Verteilungsfunk-
t∈T
tion

0 für x ≤ 0




    
F  : (x, y) ∈ R2 7→ Φ x−a·T
√
T 
+ e2ax · Φ x+a·T
√ für 0 < x ≤ y
max(Wt +a·t),WT +a·T
t∈T

   T 
Φ y−a·T − e2ax · Φ y−2x−a·T sonst

 √ √
T T

Beweis: Es wird
 
P max(Wt + a · t) ≤ x, WT + a · T ≤ y = F  (x, y)
t∈T max(Wt +a·t),WT +a·T
t∈T

betrachtet.
 
• Gemäß dem Satz von Girsanov (Satz 3.8) ist Ŵ = Ŵt mit
t∈T

Ŵt := Wt − a · t

bezüglich dem zu P äquivalenten Maß P̂, das die Dichte

dP̂ 1 2
= eaWT − 2 a T
dP
bezüglich P besitzt, ein Wienerprozess. 3

3
Man beachte, dass hier der Prozess (Wt − a · t)t∈T und nicht der Prozess (Wt + a · t)t∈T – wie hier sonst üblich
– der Wienerprozess bezüglich P̂ ist. Dies führt dazu, dass sich bei der Dichte ddP
P̂
das Vorzeichen von a gegenüber
der üblichen Betrachtungsweise umkehrt.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.6. Der Preis einer Barrier-Option 129

 
• Da sowohl die gemeinsame Verteilung als auch die Dichte von max Wt , WT bekannt sind
t∈T
(siehe Lemma 3.16 und die darauf folgende Bemerkung), ergibt sich für x, y ∈ R
 
P max(Wt + a · t) ≤ x, WT + a · T ≤ y
t∈T
 
= P̂ max(Ŵt + a · t) ≤ x, ŴT + a · T ≤ y
t∈T
 
= P̂ max Wt ≤ x, WT ≤ y
t∈T
Z
= dP̂
{max Wt ≤x, WT ≤y}
t∈T
Z
1 2
= eaWT − 2 a T
dP
{max Wt ≤x, WT ≤y}
t∈T
Z
− 21 a2 T
= e eaỹ dP  (x̃, ỹ)
max Wt ,WT
t∈T
(−∞,x]×(−∞,y]
Z
1 2
= e− 2 a T
eaỹ · f  (x̃, ỹ) dλ2 (x̃, ỹ)
max Wt ,WT
t∈T
(−∞,x]×(−∞,y]
Zx Zy
1 2
= e− 2 a T
eaỹ · f  (x̃, ỹ) dỹ dx̃
max Wt ,WT
t∈T
x̃=−∞ ỹ=−∞

• Für x ≤ 0 folgt daraus wegen

f  (x, y) =0 für x ≤ 0
max Wt ,WT
t∈T

sofort

F  (x, y) = 0 für x ≤ 0.
max(Wt +a·t),WT +a·T
t∈T

• Für x > 0 ist somit zunächst

 
P max(Wt + a · t) ≤ x, WT + a · T ≤ y
t∈T
Zx Zy
− 12 a2 T
= e eaỹ · f  (x̃, ỹ) dỹ dx̃.
max Wt ,WT
t∈T
x̃=0 ỹ=−∞

Für x > 0 und y < x ist

 
P max(Wt + a · t) ≤ x, WT + a · T ≤ y
t∈T

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
130 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

Zx min(y,x̃)
2x̃ − ỹ − (2x̃−ỹ)2
Z
− 12 a2 T 2
= e eaỹ · √ · ·e 2T dỹ dx̃,
2πT T
x̃=0 ỹ=−∞

für x > 0 und y ≥ x ist

 
P max(Wt + a · t) ≤ x, WT + a · T ≤ y
t∈T
Zx Zx̃
− 21 a2 T 2 2x̃ − ỹ − (2x̃−ỹ)2
= e eaỹ · √ · ·e 2T dỹ dx̃.
2πT T
x̃=0 ỹ=−∞

Es genügt demnach, im Folgenden den Fall x > 0 und y < x zu betrachten, da der Fall
x > 0 und y ≥ x sich aus diesem für y = x ergibt.

• Vertauschung der Integrationsreihenfolge (Skizze!) führt im betrachteten Fall x > 0 und

y < x wegen
   
0 < x̃ ≤ x −∞ < ỹ ≤ y 

 
 
 
=
 −∞ < ỹ ≤ min(y, x̃) 
   max(0, ỹ) < x̃ ≤ x 
 
   
 −∞ < ỹ ≤ 0   0 < ỹ ≤ y 
   
= ∪

 0 < x̃ ≤ x    ỹ < x̃ ≤ x 


mit der Substitution

√
2x̃ − ỹ dz 2 T
z := √ (⇒ = √ ⇒ dx̃ = · dz)
T dx̃ T 2
zu
 
P max(Wt + a · t) ≤ x, WT + a · T ≤ y
t∈T

− 12 a2 T Zy Zx
e aỹ 2 2x̃ − ỹ − (2x̃−ỹ)2
= √ e √ · √ ·e 2T dx̃ dỹ
2πT T T
ỹ=−∞ x̃=max(0,ỹ)

1 2 Zy Z(x)
e− 2 a T 1 2
= √ e aỹ
z · e− 2 z dz dỹ
2πT
ỹ=−∞ (x̃=max(0,ỹ))
1 2 Zy
e− 2 a T h 1 2 (x̃=x)
i
= √ eaỹ · −e− 2 z dỹ
2πT (x̃=max(0,ỹ))
ỹ=−∞

− 12 a2 T Zy  x̃=x
e (2x̃−ỹ)2
aỹ −
= √ e · −e 2T dỹ
2πT x̃=max(0,ỹ)
ỹ=−∞

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.6. Der Preis einer Barrier-Option 131

 
Z0 y
− 21 a2 T 
(2x̃−ỹ)2
 x̃=x Z 
(2x̃−ỹ)2
 x̃=x
e
= √ · eaỹ · −e− 2T dỹ + eaỹ · −e− 2T dỹ 
 
2πT x̃=0 x̃=ỹ
ỹ=−∞ ỹ=0

1 2 Z0
e− 2 a T 
 
ỹ 2 (2x−ỹ)2
aỹ − 2T − 2T
= √ · e · e −e dỹ
2πT
ỹ=−∞

Zy  2

ỹ 2 (2x−ỹ)
+ eaỹ · e− 2T − e− 2T dỹ 


ỹ=0
1 2 Zy
e− 2 a T
 
ỹ 2 (2x−ỹ)2
aỹ − 2T − 2T
= √ · e · e −e dỹ
2πT
ỹ=−∞
Zy
1 ỹ 2 −2aT ỹ+a2 T 2 (2x−ỹ)2 −2aT ỹ+a2 T 2
= √ · e− 2T − e− 2T dỹ
2πT
ỹ=−∞
Zy
1 (ỹ−aT )2 (ỹ−2x)2 −2aT (ỹ−2x)+a2 T 2 −4aT x
= √ · e− 2T − e− 2T dỹ
2πT
ỹ=−∞
Zy
1 (ỹ−aT )2 (ỹ−2x−aT )2
= √ · e− 2T − e− 2T · e2ax dỹ
2πT
ỹ=−∞
! !
y−a·T 2ax y − 2x − a · T
= Φ √ −e ·Φ √
T T
! !
y−a·T 2ax 2x − y + a · T
= Φ √ +e ·Φ √
T T

Bemerkungen:

1. Im Folgenden wird nicht die gemeinsame Verteilung von max(Wt + a · t) und WT + a · T für
t∈T
a ∈ R, sondern die bedingte Verteilung von WT + a · T unter max(Wt + a · t) ≤ z für ein
t∈T
festes z ∈ R benötigt, da die Barriere üblicherweise fest gewählt ist. Insbesondere benötigt
man die bedingte Dichte

fWT +a·T | max(Wt +a·t)≤z : y ∈ R 7→

t∈T

0 für z ≤ 0 oder y ≥ z

   
 √1T · φ y−a·T
 √
T
− e2az · √1T · φ y−2z−a·T
√
T
für z > 0 und y < z,

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
132 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

die man aus

∂F  (x, y)
max(Wt +a·t),WT +a·T
t∈T

∂y x=z

erhält.
 
2. Wegen P max(Wt + a · t) = z = 0 für z ∈ R ist
t∈T

fWT +a·T | max(Wt +a·t)<z = fWT +a·T | max(Wt +a·t)≤z .

t∈T t∈T

Satz 3.18 Es sei

V0C (K̃) = s0 · Φ(d1 ) − e−rT · K̃ · Φ(d2 )

der Preis des Auszahlungsprofils C einer Europäischen Call-Option mit Strike K̃ sowie d1 = d1 (K̃)
und d2 = d2 (K̃) gemäß (3.7). Weiter sei
 +
C(S 1 ,B̃,K̃)d&oCO = ST1 − K̃1 · 1{min S 1 >B̃}
t
t∈T

das Auszahlungsprofil einer Europäischen down-and-out Call-Option mit Schranke B̃ < s0 und
Strike K̃ > B̃. Dann ist der Preis dieses Auszahlungsprofils
2r
 
c0 C(S 1 ,B̃,K̃)d&oCO = V0C (K̃) − γ −(1+ σ2 ) · V0C (γ 2 K̃)

mit γ := s0
B̃
.

Beweis: Es ist
   
c0 C(S 1 ,B̃,K̃)d&oCO = e−rT · EQ C(S 1 ,B̃,K̃)d&oCO
!
 +
−rT Q
= e ·E ST1 − K̃1 · 1{min S 1 >B̃} ,
t
t∈T

wobei Q das äquivalente Martingalmaß im betrachteten Black-Scholes-Modell ist. Der Wienerpro-

zess bezüglich Q wird im Folgenden mit W̃ bezeichnet.

• Damit die oben hergeleitete bedingte Verteilung von W̃T + a · T unter max(W̃t + a · t) ≤
t∈T
z für noch zu bestimmende Werte a, z ∈ R verwendet werden kann, müssen zunächst
entsprechende Umformungen erfolgen:
!
 +
Q
E ST1 − K̃1 · 1{min S 1 >B̃}
t
t∈T

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.6. Der Preis einer Barrier-Option 133

 
   +
σ2
 σWT + µ− 2 ·T 
= EQ s0 · e − K̃1 · 1
   
2
 σWt + µ− σ2 ·t 
min s 0 ·e >B̃
 
 t∈T 

(Übergang zu W̃ , µ → r)
 
   +
σ2
 σ W̃T + r− 2 ·T 
= EQ s0 · e − K̃1 · 1
   
2
 σ W̃t + r− σ2 ·t 
min s 0 ·e >B̃
 
 t∈T 
 
  !+
σ· W̃T −a·T
= EQ 
 
 s0 · e − K̃1 · 1( )
min s0 ·e (
σ W̃t −a·t ) >B̃ 
t∈T

mit
σ r
a := − .
2 σ
• Für die Menge der Indikatorfunktion ergibt sich
(   )
σ W̃t −a·t
min s0 · e > B̃
t∈T
( )
 1 B̃
= min W̃t − a · t > · ln
t∈T σ s0
( )
  1 B̃
= max − W̃t − a · t < − · ln
t∈T σ s0
   
= max −W̃t + a · t < z
t∈T

mit
1 s0 ln γ
z := · ln = .
σ B̃ σ

• Somit ist
!
 +
EQ ST1 − K̃1 · 1{min S 1 >B̃}
t
t∈T
 !+ 
 
σ· W̃T −a·T
= EQ  s0 · e − K̃1 · 1   
max −W̃t +a·t <z
t∈T
 !+ 
 
−σ· −W̃T +a·T
= EQ  s0 · e − K̃1 · 1   
max −W̃t +a·t <z
t∈T

(Spiegelungsinvarianz des Wienerprozesses: W̃ ∼ −W̃ )

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
134 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

 !+ 
 
−σ· W̃T +a·T
= EQ  s0 · e − K̃1 · 1   
max W̃t +a·t <z
t∈T

Z   !+
−σ· W̃T +a·T
= s0 · e − K̃1 · 1    dQ.
max W̃t +a·t <z
t∈T

• Durch Übergang zur bedingten Verteilung ergibt sich

!
 +
Q
E ST1 − K̃1 · 1{min S 1 >B̃}
t
t∈T
Z  +
= s0 · e−σy − K̃ dQW̃T +a·T | max(W̃t +a·t)<z (y)
t∈T

Z∞  +
= s0 · e−σy − K̃ · fW̃T +a·T | max(W̃t +a·t)<z (y) dy.
t∈T
−∞

Da s0 > B̃ vorausgesetzt wurde (ansonsten wäre die betrachtete down-and-out Option

wertlos), ist γ = sB̃0 > 1 und somit

ln γ
z = > 0.
σ

Wegen fW̃T +a·T | max(W̃t +a·t)<z (y) > 0 für z > 0 und y < z erhält man weiter
t∈T

!
 +
EQ ST1 − K̃1 · 1{min S 1 >B̃}
t
t∈T

Zz     !
−σy
+ 1 y−a·T 2az y − 2z − a · T
= s0 · e − K̃ ·√ · φ √ −e ·φ √ dy
T T T
−∞

• Aus s0 · e−σy > K̃ folgt

1 s0
y < · ln ,
σ K̃
und da K̃ > B̃ vorausgesetzt wurde (bei einer down-and-out Option liegt der Strike übli-
cherweise oberhalb der Schranke), ist
1 s0 1 s0 ln γ
· ln < · ln = = z
σ K̃ σ B̃ σ
und somit
!
 +
Q
E ST1 − K̃1 · 1{min S 1 >B̃}
t
t∈T

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.6. Der Preis einer Barrier-Option 135

1 s
σ
·ln 0
K̃    !
y−a·T y − 2z − a · T
Z 
1 
= s0 · e−σy − K̃ · √ · φ √ − e2az · φ √ dy
T T T
−∞
1 s
σ
·ln 0
Z K̃
1 (y−aT )2
= s0 · √ · e−σy · e− 2T dy
2πT
−∞
1 s
σ
·ln 0
Z K̃
1 (y−aT )2
− K̃ · √ · e− 2T dy
2πT
−∞
1 s
σ
·ln 0
Z K̃
1 (y−2z−aT )2
−e 2az
· s0 · √ · e−σy · e− 2T dy
2πT
−∞
1 s
σ
·ln 0
Z K̃
1 (y−2z−aT )2
+ e2az · K̃ · √ · e− 2T dy
2πT
−∞

• Für das erste Integral ergibt sich

1 s
σ
·ln 0
Z K̃
1 (y−aT )2
s0 · √ · e−σy · e− 2T dy
2πT
−∞
 
T 2 ·(σ 2 −2·a·σ)· ln sK̃0 − (a − σ) · T
1
σ
= s0 · e 2T · Φ √ 
T
   
s0 σ r
  
σ2 ln − σ · ( − ) − σ · T

σ r
T · 2 − 2 − σ ·σ  K̃ 2 σ
= s0 · e · Φ √


σ· T
 
s0 σ2
ln + (r + 2 ) · T
= s0 · erT · Φ  K̃ √  = s0 · erT · Φ(d1 ).
σ· T

• Für das zweite Integral erhält man

1 s
σ
·ln 0
Z K̃
1 (y−aT )2
K̃ · √ · e− 2T dy
2πT
−∞
 
1 s0
σ · ln K̃
− a · T
= K̃ · Φ  √ 
T
   
s0 σ r
 ln K̃ − σ · 2 − σ · T 
= K̃ · Φ  √ 
σ· T

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
136 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

 2

ln sK̃0 + (r − σ2 ) · T
= K̃ · Φ  √  = K̃ · Φ(d2 ).
σ· T

• Für das dritte Integral ergibt sich

1 s
σ
·ln 0
Z K̃
1 (y−2z−aT )2
e 2az
· s0 · √ · e−σy · e− 2T dy
2πT
−∞
 
s0 1
− 4zσT
T 2 ·(σ 2 −2·a·σ)· ln − 2z −σ (a − σ) · T
= e2az · e ·e
2T · s0 · Φ 
2T K̃ √ 
T
 
s0 σ2
ln − 2 ln γ + (r + 2 ) · T
= e2z(a−σ) · erT · s0 · Φ  K̃ √ 
σ· T
 
2

σ r

ln s0
− ln γ 2 + (r + σ 2 ) · T
·ln γ· 2 − σ −σ 2
= eσ · erT · s0 · Φ  K̃ √ 
σ· T
 
s0 σ2
 ln γ 2 K̃ + (r + 2 ) · T 
 1− 2r2 −2
= eln γ σ
· erT · s0 · Φ  √ 
σ· T
 
− 1+ 2r2
 
= γ σ · erT · s0 · Φ d1 (γ 2 K̃) .

• Für das vierte Integral erhält man

1 s
σ
·ln 0
Z K̃
1 (y−2z−aT )2
e2az · K̃ · √ · e− 2T dy
2πT
−∞
   
2 σ
·ln γ· − σr s0
1
e σ 2 · ln σ − 2z − a · T
= · γ 2 K̃ · Φ  K̃ √ 
γ2 T
 1− 2r2  
s0 σ2
eln γ σ
 ln γ 2 K̃ + (r − 2 ) · T 
= · γ 2 K̃ · Φ  √
γ2

σ· T
 
− 1+ 2r2
 
= γ σ · γ 2 K̃ · Φ d2 (γ 2 K̃) .

• Somit ist
 
c0 C(S 1 ,B̃,K̃)d&oCO
!
 +
−rT Q
= e ·E ST1 − K̃1 · 1{min S 1 >B̃}
t
t∈T

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.6. Der Preis einer Barrier-Option 137

 
− 1+ 2r2
 
−rT rT
= e · s0 · e · Φ(d1 ) − K̃ · Φ(d2 ) − γ σ · erT · s0 · Φ d1 (γ 2 K̃)
  !
− 1+ 2r2
 
+γ σ · γ 2 K̃ · Φ d2 (γ 2 K̃)
2r
= V0C (K̃) − γ −(1+ σ2 ) · V0C (γ 2 K̃)


Bemerkungen:

1. Mit Hilfe von

   
V0 (K1 , K2 ) := s0 · Φ d1 (K2 ) − e−rT · K1 · Φ d2 (K2 )

ist der Preis des Auszahlungsprofils C einer Europäischen Call-Option mit Strike K̃

c0 (C) = V0 (K̃, K̃)

sowie der Preis des Auszahlungsprofils Cd&o,B̃<K̃ einer Europäischen down-and-out Call-
Option mit Strike K̃ und Schranke B̃ < K̃
2r
c0 (Cd&o,B̃<K̃ ) = V0 (K̃, K̃) − γ −(1+ σ2 ) · V0 (γ 2 K̃, γ 2 K̃).

Für den Fall K̃ ≤ B̃ erhält man völlig analog zu obigen Überlegungen den Preis
2r
c0 (Cd&o,K̃≤B̃ ) = V0 (K̃, B̃) − γ −(1+ σ2 ) · V0 (γ 2 K̃, γ 2 B̃)

und somit für den allgemeinen Fall

2r
   
c0 (Cd&o ) = V0 K̃, max{K̃, B̃} − γ −(1+ σ2 ) · V0 γ 2 K̃, γ 2 max{K̃, B̃} .

2. Der Preis des Auszahlungsprofils Cd&i einer Europäischen down-and-in Call-Option lässt sich
aus dem entsprechenden Preis von Cd&o mit demselben Strike B̃ und derselben Schranke K̃
herleiten: Wegen
!
 +  +
Cd&i = ST1 − K̃1 · 1{min S 1 ≤B̃} = ST1 − K̃1 · 1 − 1{min S 1 >B̃}
t t
t∈T t∈T
 +
= ST1 − K̃1 − Cd&o

ergibt sich

c0 (Cd&i ) = c0 (C) − c0 (Cd&o ) .

3. Die Preise der Auszahlungsprofile anderer Barrier-Optionen (auch von Barrier-Put-Optionen)

ergeben sich durch geeignete Transformationen sowie durch geeignet angepasste Put-Call-
Paritäten (für eine Übersicht siehe z.B. [Link]
[Link] ).

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
138 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

3.7 Handelsstrategie, Arbitrage und Replizierbarkeit

Einführende Bemerkungen:
    
• In einem (zeitdiskreten) Mehrperiodenmarktmodell n, T∗ , Ω, F, Ft , P , S0, . . . ,
 t=0,...,n
S N mit T = {0, 1, . . . , n} ist ein Portfolio H z. Ztpkt t ∈ T eine Ft -messbare RN +1 -
∗ ∗
   
wertige Zufallsgröße sowie eine Handelsstrategie H = H t ein an Ft
t=0,...,n−1 t=0,...,n−1
(man beachte n − 1 anstatt n!) adaptierter RN +1 -wertiger stochastischer Prozess.

• Analog dazu ergeben sich die Definitionen eines Portfolios und dessen Wert zum Zeitpunkt
t ∈ T sowie einer Handelsstrategie und deren Wertprozess in einem Black-Scholes-Modell:
   
Definition 3.19 Gegeben seien ein Black-Scholes-Modell T, Ω, F, P , S , S 0 1 mit T =
 
[0, T ], T > 0, und Ft∗ , die erweiterte natürliche Filtration des S 1 erzeugenden Wienerpro-
t∈T
zesses W .
 
0
H 
• Dann heißt eine Ft∗ -messbare R2 -wertige Zufallsgröße H =   ein Portfolio z. Ztpkt
H1
t ∈ T sowie
σ2
Vt (H) := H 0 · St0 + H 1 · St1 = H 0 · ert + H 1 · s0 · eµt · eσWt − 2
·t

der Wert des Portfolios H z. Ztpkt. t ∈ T.

   
• Ein an Ft∗ adaptierter R2 -wertiger stochastischer Prozess H = H t heißt eine
t∈T t∈T
Handelsstrategie sowie
 
V (H) := Vt (H t )
t∈T

der Wertprozess der Handelsstrategie H.

Bemerkungen:

• In einem zeitdiskreten Mehrperiodenmarktmodell (MPM) ist eine Arbitrage eine selbstfinan-

zierende Handelsstrategie mit bestimmten Eigenschaften. Die Eigenschaft der Selbstfinanzie-
rung beinhaltet, dass zu den jeweiligen Handelszeitpunkten die Portfolios nur „wertneutral“
verändert werden dürfen, d.h., dass der Wert des „alten“ Portfolios mit dem des
 „neuen“
 Port-
folios übereinstimmt. Im zeitdiskreten MPM ist eine Handelsstrategie H = H t
t=0,...,n−1
demnach gemäß Definition genau dann selbstfinanzierend, falls
   
Vt H t−1 = Vt H t P-f.s. für t = 1, . . . , n − 1

gilt. Das lässt sich folgendermaßen graphisch veranschaulichen:

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.7. Handelsstrategie, Arbitrage und Replizierbarkeit 139

V0 (H 0 ) V1 (H 1 ) V2 (H 2 ) ··· Vn−1 (H n−1 )

.. .. .. .. ..
.......................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
... ..... .. ..... ... ..... ..... ... ..... ..
..... ..... ..... ..... .....
.. ..... .. ..... .. ..... ..... .. ..... ..
.....
0 .....
.....1
...
.....
2
.....
...
.....
.....
...
.....
.....
... n−1 n .....
....

V1 (H 0 ) V2 (H 1 ) ··· Vn−1 (H n−2 ) Vn (H n−1 )

• In dem zeitstetigen Black-Scholes-Modell stellt sich die Definition der Selbstfinanzierung na-
türlicherweise ungleich schwieriger dar. Es wird sich sogar herauszustellen, dass dies lediglich
mit einem erweiterten Integralbegriff, nämlich dem des Itō-Integrals4 , sinnvoll möglich ist.

• Um analoge Betrachtungen wie im zeitdiskreten Modell zu ermöglichen und die Verallge-

meinerung auf das zeitstetige Modell zu motivieren, werden zunächst sogenannte einfache
Handelsstrategien betrachtet, die auf Zeitintervallen „konstant“ sind, d.h., aus einer endlichen
Anzahl von Portfolios gebildet werden:
 
Definition 3.20 Eine Handelsstrategie H = H t im Black-Scholes-Modell heißt einfach,
t∈T
wenn es Zeitpunkte t0 , t1 , . . . , tn ∈ T, n ∈ N, mit

0 = t0 < t1 < . . . < tn = T

gibt, so dass

mit i(t) := max j = 0, . . . , n − 1 : tj ≤ t


H t = H ti(t)

für t ∈ T gilt. Eine einfache Handelsstrategie heißt selbstfinanzierend, falls

   
Vti H ti−1 = Vti H ti P-f.s. für i = 1, . . . , n − 1

gilt.

Bemerkungen:
 
• Eine einfache Handelsstrategie H = H t ist demnach bereits durch n Portfolios H 0 ,
t∈T
H 1 , . . . , H n−1 zu den Zeitpunkten t0 , t1 , . . . , tn−1 eindeutig bestimmt und es ist

H0 für t ∈ [0, t1 )





für t ∈ [t1 , t2 )

H 1

Ht = . ..

 .. .



H n−1 für t ∈ [tn−1 , tn ]



4
Itō Kiyoshi, 1915-2008, japanischer Mathematiker. „Itō“ ist der Familienname, der im Japanischen üblicherweise
vorangestellt ist. Die erste Publikation im Zusammenhang mit dem Itō-Integral ist auf Japanisch und stammt aus
dem Jahr 1942. Im Jahr 2000 wurde durch Öffnung eines versiegelten Umschlags an der Französischen Akademie
der Wissenschaften bekannt, dass der deutsch-französische Mathematiker Wolfgang Doeblin (1915-1940), Sohn des
deutschen Schriftstellers Alfred Döblin (Roman „Berlin Alexanderplatz“), bereits 1940 ähnliche Resultate erzielte.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
140 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

• Für einfache Handelsstrategien ist nun folgende Charakterisierung der Selbstfinanzierung

möglich: Für i = 1, . . . , n − 1 ist

 
Vti H ti − Vti−1 H ti−1
     
= Vti H ti − H ti−1 + Vti H ti−1 − Vti−1 H ti−1
| {z }
= 0 P-f.s. bei Selbstfinanzierung
   
= Ht0i−1 · St0i − St0i−1 + Ht1i−1 · St1i − St1i−1 P-f.s..

Durch Bildung einer Teleskopsumme erhält man für i = 1, . . . , n − 1

Vti H ti − Vt0 H t0
Xi   Xi  
= Ht0j−1 · St0j − St0j−1 + Ht1j−1 · St1j − St1j−1 P-f.s.
j=1 j=1

und somit die Charakterisierung der Selbstfinanzierung bei einfachen Handelsstrategien durch

i
X   Xi  
Ht0j−1 · St0j St0j−1 Ht1j−1 · St1j − St1j−1 P-f.s. (3.11)


Vti H ti = V0 (H 0 )+ − +
j=1 j=1

• Lässt man die Handelszeitpunkte immer dichter beieinander liegen, erhält man aus (3.11) für
t ∈ [0, T ] die Integralgleichung
Zt Zt
Vt (H t ) = V0 (H 0 ) + Hs0 dSs0 + Hs1 dSs1 (3.12)
0 0

als Charakterisierung der Selbstfinanzierung bei allgemeinen Handelsstrategien, wobei sich

die Frage nach der Existenz und überhaupt der Definition der auftretenden Integrale stellt.

• Die Integralgleichung (3.12) wird später auch formal als stochastische Differentialglei-
chung

dVt (H t ) = Ht0 dSt0 + Ht1 dSt1 , t ∈ [0, T ],

geschrieben werden, wobei zu beachten ist, dass es – im Gegensatz zur klassischen Ana-
lysis – in der stochastischen Analysis keinen eigenständigen Differentialkalkül gibt, sondern
stochastische Differentialgleichungen lediglich abkürzende Schreibweisen für stochastische
Integralgleichungen darstellen.
Rt
• Zunächst wird das erste Integral Hs0 dSs0 aus (3.12) pfadweise, d.h.
0

Zt
Hs0 (ω) dSs0
0

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.7. Handelsstrategie, Arbitrage und Replizierbarkeit 141

Rt
für ein festes ω ∈ Ω, betrachtet. Dieses kann als Riemann-Stieltjes-Integral f (s) dg(s)
0
(siehe (D.15)) aufgefasst werden. Hinreichend für die Existenz des Riemann-Stieltjes-Integrals
sind dabei folgende Eigenschaften von g bzw. f :

– g ist auf [0, t] von beschränkter Totalvariation (zu Total- bzw. p-Variation siehe Anhang
C.6). Dies umfasst unter anderem alle Funktionen, die auf [0, t] Treppenfunktionen, mo-
noton oder Lipschitz-stetig sind. Zur Klasse der auf [0, t] Lipschitz-stetigen Funktionen
gehören insbesondere diejenigen auf (0, t) differenzierbaren Funktionen, deren erste Ab-
leitung beschränkt ist. In dem speziellen Fall g(s) = Ss0 = ers ist g monoton und somit
von beschränkter Totalvariation.
– f ist auf [0, t] stückweise stetig und besitzt andere Sprungstellen als g.

• Weitere hinreichende Bedingung für die Existenz des Riemann-Stieltjes-Integrals: f und g sind
stückweise stetig mit unterschiedlichen Sprungstellen sowie f bzw. g sind von beschränkter
Variation der Ordnung p bzw. q mit p1 + 1q > 1.

• Regel der partiellen Integration für Riemann-Stieltjes-Integrale:

Zt Zt
f (s) dg(s) = f (t) · g(t) − f (0) · g(0) − g(s) df (s) (3.13)
0 0

Insbesondere impliziert die Existenz des Integrals auf der linken Seite die Existenz des Integrals
auf der rechten Seite.

• Sind die Funktion f sowie die Ableitung g 0 von g auf [0, t] Riemann-integrierbar, dann existiert
Rt
das Riemann-Stieltjes-Integral f (s) dg(s) und es gilt
0

Zt Zt
f (s) dg(s) = f (s) · g 0 (s) ds.
0 0

In dem speziellen Fall g(s) = Ss0 = ers ist demnach

ZT
f (s) ds < ∞
0

eine hinreichende Bedingung für die Existenz des betreffenden Riemann-Stieltjes-Integrals für
alle t ∈ [0, T ].
RT
• Notwendig für die Existenz des Integrals |f (s)| ds ist die Messbarkeit von f bezüglich
0
B([0, T ]). Für den Prozess (Ht0 )t∈T (der ersten Komponente der Handelsstrategie H) werden
daher üblicherweise vorausgesetzt:

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
142 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

1. (Ht0 )t∈T ist progressiv messbar, d.h. H 0 : (t̃, ω) ∈ [0, t] × Ω 7→ Ht̃0 (ω) ist mess-
bar bezüglich B([0, t]) ⊗ Ft∗ für alle t ∈ T („doppelte Messbarkeit“ bzw. „doppelte
Adaptiertheit“).
ZT
2. Hs0 ds < ∞ P-f.s.
0

Diese Voraussetzungen implizieren die fast sichere Existenz des stochastischen Riemann-
Rt
Stieltjes-Integrals Hs0 dSs0 für t ∈ [0, T ].
0

Rt
• Zunächst erscheint es naheliegend, auch das zweite Integral Hs1 dSs1 aus (3.12) pfadweise
0
zu betrachten, d.h.

Zt
Hs1 (ω) dSs1 (ω)
0

für ein festes ω ∈ Ω, wobei hier der Integrator ebenfalls stochastisch ist. Unabhängig da-
von, dass eine Existenz dieses Integrals als pfadweises Riemann-Stieltjes-Integral aufgrund
der unbeschränkten Totalvariation des Wienerprozesses (und somit auch von S 1 ) nicht zu
erwarten ist (siehe dazu auch Anhang C.6), zeigt sich darüber hinaus, dass ein solcher Inte-
gralbegriff auch aus wirtschaftlicher Sicht ungeeignet ist, da bereits vergleichsweise einfache
„selbstfinanzierende“ Handelsstrategien5 Arbitragemöglichkeiten bieten6 (siehe Anhang C.7).

• Die Einführung eines „neuen“, geeigneten Integralbegriffs (den des Itō-Integrals) erfolgt
zunächst für Integrale mit dem Wienerprozess als Integrator, d.h. Integrale der Gestalt

Zt
Xs dWs (t ∈ [0, T ])
0

für geeignete stochastische Prozesse X = (Xt )t∈[0,T ] (siehe Anhang C.8). Insbesondere für
X = W ergibt sich für das Itō-Integral

Zt
1 1
Ws dWs = · Wt2 − · t,
2 2
0

wobei der Ausdruck „− 12 · t“ einen „Korrekturterm“ gegenüber dem klassischen Riemann-

Stieltjes-Integral darstellt.
5
Handelsstrategien, die (3.12) erfüllen
6
Der Begriff der Arbitrage ist zwar noch nicht definiert, in Analogie zum (zeitdiskreten) MPM
 wird aber bereits

hier eine selbstfinanzierende Handelsstrategie H mit V0 (H 0 ) ≤ 0, VT (H T ) ≥ 0 P-f.s. und P VT (H T ) > 0 > 0
als Arbitrage angesehen.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.7. Handelsstrategie, Arbitrage und Replizierbarkeit 143

Rt
• Zur Definition des Integrals Hs1 dSs1 ist eine geeignete Darstellung des Differentials dSs1
0
erforderlich. Diese erhält man mit Hilfe der Itō-Doeblin-Formel für Itō-Integrale bezüglich
W (siehe Lemma C.15):
 
Lemma 3.21 Der Prozess S 1 = St1 des Black-Scholes-Modells besitzt die Darstellung
t∈[0,T ]

Zt Zt
St1 = s0 + µ· Ss1 ds + σ · Ss1 dWs , t ∈ [0, T ]. (3.14)
0 0

Beweis: Die angegebene Darstellung ergibt sich als direkte Anwendung der Itō-Doeblin-Formel
(C.6)
Zt Zt Zt
1
g(t, Wt ) = g(0, 0) + gt (s, Ws ) ds + gx (s, Ws ) dWs + · gxx (s, Ws ) ds, t ∈ [0, T ],
2
0 0 0

für
 
µ− 12 σ 2 ·t
g(t, Wt ) = St1 mit g(t, x) := s0 · e · eσ·x , (t, x) ∈ [0, T ] × R.

Es ist
 
1 2
gt (t, x) = µ − σ · g(t, x), gx (t, x) = σ · g(t, x) und gxx (t, x) = σ 2 · g(t, x)
2
und somit

St1 = g(t, Wt )
Zt   Zt Zt
1 2 1
= g(0, 0) + µ − σ · g(s, Ws ) ds + σ · g(s, Ws ) dWs + · σ 2 · g(s, Ws ) ds
2 2
0 0 0
Zt Zt
= s0 + µ · Ss1 ds + σ · Ss1 dWs , t ∈ [0, T ].

0 0

Bemerkungen:

1. Die differentielle Schreibweise von (3.14) ist

dSt1 = µSt1 dt + σSt1 dWt , t ∈ [0, T ] (3.15)

also formal
dSt1
= µdt + σdWt , t ∈ [0, T ] (3.16)
St1
 
(siehe (3.1)). S 1 = St1 wird daher auch als Lösung der stochastischen Differential-
t∈[0,T ]
gleichung (3.16) bezeichnet, wobei diese lediglich eine formale Schreibweise für die Integral-
gleichung (3.14) darstellt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
144 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

Rt
2. Formal ergibt sich nun für das Integral Hs1 dSs1
0

Zt Zt  
Hs1 dSs1 := Hs1 d µSs1 ds + σSs1 dWs
0 0
Zt Zt
:= µ · Hs1 · Ss1 ds +σ· Hs1 · Ss1 dWs . (3.17)
0 0

 
Da der Prozess aufgrund der fast sicheren Stetigkeit des enthaltenen Wiener-
Ss1
s∈[0,t]  
prozesses ebenfalls fast sicher (pfad-)stetig ist, ist Ss1 somit fast sicher beschränkt.
s∈[0,t]
Rt Rt
Demnach folgt aus der Existenz der Integrale Hs1 ds und Hs1 dWs die Existenz der Inte-
0 0
Rt Rt
grale Hs1 · Ss1 ds und Hs1 · Ss1 dWs .
0 0
Voraussetzung für die (fast sichere) Existenz beider Integrale aus (3.17) für t ∈ T (und somit
Rt
die fast sichere Existenz des Itō-Integrals Hs1 dSs1 für t ∈ T) ist folglich (siehe Anhang C.8)
0

(a) (Ht1 )t∈T ist progressiv messbar.

ZT  2
(b) Hs1 ds < ∞ P-f.s.
0
 
3. Der Prozess gehört zur sehr allgemeinen Klasse der sogenannten Itō-Prozesse.
St1
t∈T  
Ein fast sicher (pfad-)stetiger Prozess X = Xt heißt ein Itō-Prozess, falls es progressiv
   t∈T

messbare Prozesse Y 0 = Yt0 und Y 1 = Yt1 mit
t∈T t∈T

ZT ZT  2
Yt0 dt < ∞ und Yt1 dt < ∞ fast sicher
0 0

gibt, so dass X die Darstellung

Z t Z t
dXt = Yt0 dt + Yt1 dWt , d.h. Xt = X0 + Ys0 ds + Ys1 dWs ,
0 0

für t ∈ T besitzt.
 
• Um für eine allgemeine Handelsstrategie H = H t im Black-Scholes-Modell überhaupt
t∈T
die Selbstfinanzierung gemäß (3.12) charakterisieren zu können, ist zunächst die Existenz der
auftretenden Integrale zu sichern, was zum Begriff der zulässigen Handelsstrategie führt:

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.7. Handelsstrategie, Arbitrage und Replizierbarkeit 145

 
0
Ht 
 
Definition 3.22 Eine Handelsstrategie H = Ht mit H t =   im Black-Scholes-
t∈T Ht1
Modell heißt zulässig, wenn folgende Voraussetzungen erfüllt sind:
   
1. Ht0 und Ht1 sind progressiv messbar.
t∈T t∈T

ZT
2. Ht0 dt < ∞ P-f.s.
0

ZT  2
3. Ht1 dt < ∞ P-f.s.
0

 
0
Ht 
 
Definition 3.23 Eine zulässige Handelsstrategie H = mit H t =   im Black-
Ht
Ht1 t∈T
 
Scholes-Modell heißt selbstfinanzierend, wenn für deren Wertprozess V (H) = Vt (H t ) die
t∈T
folgende Integralgleichung für t ∈ [0, T ] gilt:

Zt Zt
Vt (H t ) = V0 (H 0 ) + Hs0 dSs0 + Hs1 dSs1 (3.18)
0 0

Bemerkung: Die differentielle Schreibweise von (3.18) ist

dVt (H t ) = Ht0 dSt0 + Ht1 dSt1 , t ∈ T.

 
Definition 3.24 Eine selbstfinanzierende Handelsstrategie H = H t im Black-Scholes-Modell
 t∈T
heißt eine Arbitrage, wenn für deren Wertprozess V (H) = Vt (H t ) das Folgende gilt:
t∈T
 
V0 (H 0 ) ≤ 0, VT (H T ) ≥ 0 P-f.s. und P VT (H T ) > 0 > 0

Bemerkung: Aus folgendem Lemma ergibt sich, dass das Black-Scholes-Modell bezüglich selbst-
finanzierender Handelsstrategien nicht arbitragefrei ist:

Lemma 3.25 Im Black-Scholes-Modell gibt es eine selbstfinanzierende Handelsstrategie, die eine

Arbitrage ist.

Beweis: Siehe Anhang C.9

Bemerkung: Damit es im Black-Scholes-Modell keine Arbitragen gibt, ist eine Verschärfung der
Eigenschaft der Zulässigkeit erforderlich:

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
146 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

 
Definition 3.26 Eine selbstfinanzierende Handelsstrategie H = H t im Black-Scholes-Modell
t∈T
heißt regulär,
 wenn
 es eine Q-integrierbare Zufallsgröße Y gibt, so dass für den Wertprozess
V (H) = Vt (H t ) das Folgende gilt:
t∈T

Vt (H t ) ≥ Y für alle t ∈ [0, T ].

Bemerkungen:

1. Die obige Definition wäre auch lediglich für zulässige Handelsstrategien möglich.

2. Die Beschränkung des Wertprozesses nach unten bedeutet, dass ein potentiell unendlicher
Verlust ausgeschlossen sein soll. Tatsächlich ist es so, dass Arbitragen häufig an potentiell
unerschöpfliche finanzielle Mittel gekoppelt sind (beispielsweise bei der „Dopplungsstrategie“:
Bei „Kopf oder Zahl“ wird nach jedem verlorenen Spiel der Einsatz verdoppelt).

3. Die in Anhang C.9 behandelte Arbitrage ist nicht regulär, da der dort betrachtete Wertprozess
zwar nach oben, aber nicht nach unten beschränkt ist. Für die (zufällige) untere Schranke Y
von regulären Handelsstrategien muss außerdem offenbar Y ≤ V0 (H 0 ) gelten.
 
Lemma 3.27 Es sei H = H t eine reguläre Handelsstrategie im Black-Scholes-Modell und
  t∈T
V (H) = Vt (H t ) der dazugehörige Wertprozess. Dann ist der diskontierte Wertprozess
 t∈T 
V (H) = e−rt · Vt (H t ) ein Q-Supermartingal bezüglich der erweiterten natürlichen Fil-
t∈T
tration Ft t∈T des Wienerprozesses im Black-Scholes-Modell (Q ist dabei das äquivalente Mar-
∗
e

tingalmaß im Black-Scholes-Modell), d.h., es gilt

1. V (H) ist adaptiert an Ft∗ t∈T .

e
 
2. EQ e−rt · Vt (H t ) < ∞ für alle t ∈ T.
 
3. EQ e−rt · Vt (H t ) Fs∗ ≤ e−rs · Vs (H s ) Q-f.s. für alle s < t, s, t ∈ T.

Ohne Beweis.
Bemerkung: Es lässt sich zeigen, dass der diskontierte Wertprozess einer selbstfinanzierenden (ggf.
nicht regulären) Handelsstrategie eine „schwächere“ Art von Martingal, nämlich ein sogenanntes
lokales Martingal, ist (siehe Bemerkung zu Definition 4.7).

Satz 3.28 Das Black-Scholes-Modell ist arbitragefrei bezüglich regulärer (selbstfinanzierender)

Handelsstrategien.
 
Beweis: Indirekt: Angenommen, die reguläre Handelsstrategie H = H t ist eine Arbitrage.
  t∈T
Wegen V0 (H 0 ) ≤ 0 und VT (H T ) ≥ 0 Q-f.s. und Q VT (H T ) > 0 > 0 gilt dann
   
EQ V0 (H 0 ) ≤ 0 und EQ VT (H T ) > 0

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
3.7. Handelsstrategie, Arbitrage und Replizierbarkeit 147

und somit
   
EQ V0 (H 0 ) < EQ e−rT · VT (H T ) .

Dies ist aber ein Widerspruch zur Supermartingal-Eigenschaft von V (H), aus der sich
  e
EQ e−rT · VT (H T ) F0∗ ≤ V0 (H 0 ) Q-f.s.

und somit
   
EQ e−rT · VT (H T ) ≤ EQ V0 (H 0 )

ergibt. 

Definition 3.29 Ein Derivat C (d.h. eine FT -messbare

  Zufallsgröße) heißt replizierbar, wenn es
eine selbstfinanzierende Handelsstrategie H = H t mit
t∈T

VT (H T ) = C P-f.s.

gibt. Eine solche Handelsstrategie heißt replizierende Handelsstrategie oder Hedge.

Bemerkung: In Definition 3.10 wurde der Preisprozess (VtC )t∈T eines Europäischen Auszahlungs-
profils C mittels
 
VtC := e−r(T −t) · EQ C | Ft , t ∈ T,

definiert und festgestellt, dass der dazugehörige diskontierte Preisprozess ein Martingal ist. Es
stellt sich die Frage, unter welchen Voraussetzungen dieser Preisprozess (fast sicher) mit dem
diskontierten Preisprozess einer replizierenden Handelsstrategie übereinstimmt, d.h., unter welchen
Voraussetzungen der diskontierte Preisprozess einer replizierenden Handelsstrategie ein Martingal
ist und somit die Preisfindung mit Hilfe des äquivalenten Martingalmaßes Q erfolgen kann.

Satz 3.30 Ist ein Derivat C in einem Black-Scholes-Modell quadratisch Q-integrierbar, d.h.
EQ C 2 < ∞, dann existiert eine replizierende Handelsstrategie, deren diskontierter Wertprozess
ein Q-Martingal ist.

Ohne Beweis.
Bemerkungen:

1. Das Black-Scholes-Modell ist somit in Bezug auf quadratisch integrierbare Derivate vollstän-
dig.

2. Dieser Satz liefert sofort die Eindeutigkeit des auf FT∗ eingeschränkten Martingalmaßes:
Analog zur Vorgehensweise im (zeitdiskreten) Einperiodenmodell (Lemma 2.35) werden die
quadratisch integrierbaren Derivate C = 1F mit F ∈ FT∗ betrachtet, für die EQ (C) = Q(F )
gilt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
148 Kapitel 3. Stochastische Finanzmathematik in stetiger Zeit: Das Black-Scholes-Modell

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
Kapitel 4

Allgemeine zeitstetige
Finanzmarktmodelle

Literatur:

• Nicholas H. Bingham und Rüdiger Kiesel, Risk-Neutral-Valuation [3]

• Alison Etheridge, A Course in Financial Calculus [4]

• Albrecht Irle, Finanzmathematik [6]

• Marek Musiela und Marek Rutkowski, Martingale Methods in Financial Modelling [8]

• Albert N. Shiryaev, Essentials of Stochastic Finance: Facts, Models, Theory [12]

4.1 Überblick über bisher behandelte Finanzmarktmodelle und

Aussagen zur Arbitragefreiheit und Vollständigkeit
4.1.1 Allgemeines (zeitdiskretes) Mehrperioden-Marktmodell
    
• Ein Mehrperioden-Marktmodell (MPM) ist ein Tupel n, T, Ω, F, Ft , P , S0,
 t=0,...,n
. . . , S N mit

– Zeithorizont n ∈ N
– Menge von Handelszeitpunkten T = {0, 1, . . . , n}
   
– filtriertem Wahrscheinlichkeitsraum Ω, F, Ft , P mit P trivial auf F0
t=0,...,n
 
– N + 1 nichtnegativen, an Ft adaptierten Preisprozessen
t=0,...,n

S 0 , . . . , S N : T × Ω → R0+ mit S 0 (., .) > 0.

149
150 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

   
0 0
 St   St  i
 .   e. 
• St =  .  ..  mit S i = S
 . , St = 
e   e S0
(i = 0, . . . , N )
   
StN StN
e
• Das Finanzinstrument 0 besitzt die Funktion eines Numéraires bzw. der dazugehörige (streng
positive) Preisprozess S 0 die Funktion eines Diskontierungsprozesses.

• Eine Ft -messbare RN +1 -wertige Zufallsgröße H heißt Portfolio z. Ztpkt. t ∈ {0, . . . , n}.

 
• Ein an Ft (man beachte n − 1 anstatt n!) adaptierter RN +1 -wertiger stochas-
t=0,...,n−1 
tischer Prozess H = H t (auch hier n − 1!) heißt Handelsstrategie.
t=0,...,n−1

• Für ein Portfolio H = (H 0 , H 1 , . . . , H N )T z. Ztpkt. t ∈ {0, . . . , n} heißt

N
X
Vt (H) = H · S t = H i · Sti
i=0

der Wert des Portfolios z. Ztpkt. t. Der dazugehörige diskontierte Wert ist
N
Vt (H) X
V t (H) = 0 = H i · S it .
e S t i=0
e
 
• Eine Handelsstrategie H = H t heißt selbstfinanzierend, falls
t=0,...,n−1
   
Vt H t−1 = Vt H t P-f.s. für t = 1, . . . , n − 1

gilt. Äquivalente Darstellung1 :

    t−1
X
(4.1)


Vt H t = V0 H 0 + H s · S s+1 − S s P-f.s.
s=0

für t = 1, . . . , n − 1.
    t−1
Formale Darstellung als diskretes Integral: Vt H t = V0 H 0 + H s dS s
R
0
 
• Eine selbstfinanzierende Handelsstrategie H = H t heißt Arbitrage im MPM,
t=0,...,n−1
falls
 
V0 (H 0 ) ≤ 0, Vn (H n−1 ) ≥ 0 P-f.s. und P Vn (H n−1 ) > 0 > 0

gilt.
1





Vs (H s ) − Vs−1 H s−1 = Vs H s − H s−1 +Vs H s−1 − Vs−1 H s−1 und Summation für s = 1, . . . , t
| {z }
0

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.1. Überblick über bisher behandelte Finanzmarktmodelle 151

 
• Ein Wahrscheinlichkeitsmaß Q auf Ω, F heißt äquivalentes Martingalmaß, falls es fol-
gende Eigenschaften besitzt:

1. Q ist äquivalent zu P, d.h. Q und P besitzen dieselben Nullmengen.

 
2. Der RN +1 -wertige diskontierte Preisvektorprozess S t ist ein Q-Martingal, d.h.
e t=0,...,n
 
EQ S it | Fs = S is Q-f.s. für alle s < t, s, t ∈ {0, . . . , n}, i ∈ {0, . . . , N }.
e e
• 1. Fundamentalsatz: Ein Mehrperioden-Marktmodell ist genau dann arbitragefrei, wenn ein
äquivalentes Martingalmaß existiert.
 
• Eine Zufallsgröße C auf Ω, F, P heißt Europäisches Auszahlungsprofil. Ein Euro-
päisches Auszahlungsprofil C heißt Derivat, wenn es messbar ist bezüglich der von den
Preisprozessen S 0 , . . . , S N erzeugten σ-Algebra. Die dazugehörige Zufallsgröße
C
C = 0
e Sn

heißt diskontiertes Europäisches Auszahlungsprofil.

• Ein Europäisches Auszahlungsprofil

  C heißt replizierbar, falls eine selbstfinanzierende Han-
delsstrategie H = H t existiert, so dass
t=0,...,n−1

Vn (H n−1 ) = C P-f.s.

gilt. Eine solche Handelsstrategie heißt replizierende Handelsstrategie oder Hedge.

• Ein MPM heißt vollständig, falls jedes Europäische Auszahlungsprofil replizierbar ist.

• 2. Fundamentalsatz: Ein arbitragefreies MPM ist genau dann vollständig, wenn das äqiva-
lente Martingalmaß eindeutig bestimmt ist.

4.1.2 Mehrperioden-Binomialmodell
• Ein Mehrperioden-Binomialmodell bzw. CRR- (Cox-Ross-Rubinstein-) Modell ist ein
MPM mit Zeithorizont n ∈ N und zwei Wertprozessen S 0 („festverzinsliche Anleihe“) und
S 1 („Aktie“), das durch die Parameter

– Abwärtsfaktor („down“) d > 0

– Aufwärtsfaktor („up“) u > d
– (diskrete) Zinsrate r > −1
– Startwert s0

folgendermaßen bestimmt ist:

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
152 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

– Ω = {u, d}n
– St0 ≡ (1 + r)t für alle t = 0, . . . , n

u · S 1 (ω , . . . , ω ) für ω = u

t−1 1 n t
– S01 ≡ s0 , 1
St (ω1 , . . . , ωt , . . . ωn ) =
d · St−1 (ω1 , . . . , ωn ) für ωt = d
 1

1 (ω , . . . , ω ) für alle t = 1, . . . , n
= ωt · St−1 1 n

....
...
..........
.........

.........
.........
..... s0 · u3 ...............
........
........
.... s0 · u2 ................
........
........
........
.... ...
.......... ........ ........
.......... .....

.........
.........
... s0 · u ................
........
........
........
...... s0 · u2 d
.
..............
.
........
..........
........ .......... ........
s0 ..................
..........
........
........
.
....... s0 · ud .............
. ...
........
........
........
.
....... ...
..........
.......... . .........
.
........
........ ...........
ud2
. . ..
..
s0 · d .
.............
..........
.......... ........
..
........ s0 · .
...........
........
........
.......
.
....
s0 · d2 . . .
........... .. .
..........
........
........
... ...
.......... ... ........
.... ......
s0 · d3 . . . .
......... . .
..........
..........
....
...
... . . . .
..........................................................................................................................................................................................................................................................................................................................................................................................................................
. . . . t
0 1 2 3 n
 
• Bezeichnung: n, d, u, r, s0
 
• Satz: Ein CRR-Modell n, d, u, r, s0 ist genau dann arbitragefrei, wenn d < 1 + r < u
gilt. In diesem Fall ist das CRR-Modell vollständig, das eindeutig bestimmte
 äquivalente

1
St+1
Martingalmaß Q ist bestimmt durch den Parameter q = 1+r−d
u−d und es gilt Q St1
=u =q
für alle t = 0, . . . , n − 1.

• Gegeben sei eine Folge von CRR-Modellen

 
n, d(n) , u(n) , r(n) , s0 ,
n=1,2,...

die durch die Parameter T > 0 (fester Endzeitpunkt), r̂ > −1 (Zinssatz pro Zeiteinheit)
√
und σ > T · ln(1 + r̂) (Volatilität) folgendermaßen bestimmt ist:

– r(n) = (1 + r̂)T /n − 1
√
– u(n) = eσ T /n und
√
– d(n) = e−σ T /n

Die dazugehörigen Preisprozesse der Aktie werden mit S (n)1 und die dazugehörigen äquiva-
lenten Martingalmaße mit Q(n) bezeichnet.
Dann konvergieren die Verteilungen von S (n)1 gegen die Verteilung von
 
2
σWT +T · ln(1+r̂)− σ2
ST1 := s0 · e ,
√
wobei WT eine normalverteilte Zufallsgröße mit den Parametern 0 und T ist.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.1. Überblick über bisher behandelte Finanzmarktmodelle 153

• 
Die Zufallsgröße ST1 ist logarithmisch normalverteilt mit den Parametern ln s0 + T ·
  2 √
ln 1 + r̂ − σ2 und σ T , d.h.,

!
σ2
ln ST1 = ln s0 + σWT + T · ln (1 + r̂) −
2

ist normalverteilt mit ebendiesen Parametern.

• Wird anstatt eines diskreten Zinssatzes r̂ ein stetiger Zinssatz r̃ verwendet (d.h. er̃ = 1 + r̂)
ergibt sich als Grenzverteilung die Verteilung von
 
2
σWT +T · r̃− σ2
s0 · e .

4.1.3 Black-Scholes-Modell
• Das Black-Scholes-Modell ist die zeitstetige Verallgemeinerung des CRR-Modells.
   
• Ein Black-Scholes-Modell ist ein Tupel T, Ω, F, P , S , S , das durch die Parameter
0 1

– Zeithorizont T > 0
– stetige Zinsrate r > 0
– Volatilität σ > 0
– Drift µ ∈ R
– Startwert s0 > 0

bestimmt ist mit

– Handelszeitraum T = [0, T ]
 
– Wahrscheinlichkeitsraum Ω, F, P
 
– Preisprozess einer Anleihe S 0 = St0 mit St0 ≡ ert , t ∈ T
t∈T
σ2
 
– Preisprozess einer Aktie S 1 = St1 mit St1 = s0 · eµt · eσWt − 2 ·t ,
t∈T
 
• (Wt )t∈T : Wienerprozess über dem Wahrscheinlichkeitsraum Ω, F, P

• Die Zufallsgrößen St1 , t ∈ T, sind logarithmisch normalverteilt mit den Parametern ln s0 +

2
µ · t − σ2 · t und σ 2 t.

• Sei T = [0, T ] bzw. T = [0, ∞). Ein stochastischer Prozess W = (Wt )t∈T über einem
Wahrscheinlichkeitsraum Ω, F, P heißt ein Wienerprozess (im Zeitintervall T), falls er
folgende Eigenschaften besitzt:

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
154 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

(a) W0 (ω) = 0 für alle ω ∈ Ω

(b) Für eine beliebige Folge 0 = t0 < t1 < . . . < tn (n ∈ N, tn ∈ T) sind die Zufallsgrößen

Wt1 − Wt0 , Wt2 − Wt1 , . . . , Wtn − Wtn−1

unabhängig.
(c) Für beliebige s, t ∈ T mit s < t ist

Wt − Ws ∼ N(0, t − s),

d.h., Wt − Ws ist normalverteilt mit Erwartungswert 0 und Varianz t − s.

(d) t 7→ Wt (ω) ist stetig für alle ω ∈ Ω, d.h., W besitzt stetige Pfade.

• Alternative Bezeichung: Brown’sche Bewegung

• Ein Wienerprozess ist ein Prozess mit unabhängigen, stationären und normalverteilten Zu-
wächse. Er gehört zur Klasse der Lévy-Prozesse, der Gaußprozesse sowie der Markovpro-
zesse.

• Die Pfade eines Wienerprozesses sind fast sicher nirgends differenzierbar.

• Martingaleigenschaft:
 
(a) (Wt )t∈T ist ein Martingal bezüglich seiner natürlichen Filtration Ft , d.h.
t∈T
 
1. W ist adaptiert an Ft , d.h. Wt ist Ft -messbar für alle t ∈ T.
t∈T
2. E(|Wt |) < ∞ für alle t ∈ T.
3. E(Wt | Fs ) = Ws P-f.s. für alle s < t, s, t ∈ T.
1 2
 
(b) (eaWt − 2 a t )t∈T ist ein Martingal (Exponentialmartingal) bezüglich Ft für alle
t∈T
a ∈ R.

• Der Preisprozess
 der
 Aktie S ist für µ = 0 ein P-Martingal, der diskontierte Preisprozess
1

der Aktie S = S t mit

e e t∈T
S1 σ2
S t = t0 = s0 · e(µ−r)·t · eσWt − 2 t
e St

ist für µ = r ein P-Martingal.

 
• Ein Wahrscheinlichkeitsmaß Q auf Ω, F heißt äquivalentes Martingalmaß im Black-
Scholes-Modell, falls es folgende Eigenschaften besitzt:

1. Q ist äquivalent zu P.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.1. Überblick über bisher behandelte Finanzmarktmodelle 155

2. Der diskontierte Preisprozess der Aktie S ist ein Q-Martingal bezüglich der natürlichen
  e
Filtration des Wienerprozesses Ft , d.h.
t∈T
 
EQ S t | Fs = S s Q-f.s. für alle s < t, s, t ∈ T.
e e

• Mit

µ−r
W̃t = Wt + ·t
σ
ist
σ2
S = s0 · eσW̃t − 2 t .
et
 
Ist nun W̃ = W̃t ein Wienerprozess bezüglich eines zu P äquivalenten Wahrscheinlich-
t∈T
keitsmaßes Q, so wäre Q ein äquivalentes Martingalmaß.

• Ein solches äquivalentes Martingalmaß erhält man durch Anwendung eines Spezialfalls des
Satzes von Girsanov.

• „Rechenregel“: Beim Übergang vom Wienerprozess W bez. P zum Wienerprozess W̃ bez. Q

wird die Drift µ des Preiprozesses der Aktie S 1 durch die Zinsrate r „ausgetauscht“.
 
• Die im Folgenden verwendete sogenannte Standardfiltration Ft∗ ist die um die Null-
t∈T
mengen von F erweiterte natürliche Filtration des S 1 erzeugenden Wienerprozesses W , d.h.,

Ft∗ = σ (Ft ∪ N ) mit Ft = σ (Ws , s ≤ t) und N = A ∈ F : P(A) = 0 .



Dadurch wird sichergestellt, dass alle Ersteintrittszeiten Stoppzeiten bezüglich dieser Filtra-
tion sind (wichtig bei der Betrachtung von Barrier-Optionen) – Ersteintrittszeiten in offene
Mengen sind im Allgemeinen nur bezüglich rechtsseitig stetiger Filtrationen Stoppzeiten. Die
Standardfiltration ist rechtsseitig stetig.

• Analog zum zeitdiskreten MPM ergibt sich nun:

 
H0
– Eine Ft∗ -messbare R2 -wertige Zufallsgröße H =   heißt ein Portfolio z. Ztpkt.
 
H1
t ∈ T sowie Vt (H) = H 0 · St0 + H 1 · St1 der Wert des Portfolios H z. Ztpkt. t ∈ T.
   
– Ein an Ft∗ adaptierter R2 -wertiger stochastischer Prozess H = H t heißt
t∈T   t∈T
eine Handelsstrategie sowie V (H) = Vt (H t ) der Wertprozess der Handels-
t∈T
strategie H.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
156 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

• Die Selbstfinanzierung ist in Verallgemeinerung des diskreten Falls (4.1) charakterisiert

durch die Integralgleichung
Zt Zt
Vt (H t ) = V0 (H 0 ) + Hs0 dSs0 + Hs1 dSs1 , (4.2)
0 0

Rt Rt
wobei Hs0 dSs0 als pfadweises Riemann-Stieltjes-Integral und Hs1 dSs1 als die Summe
0 0

Zt Zt
µ· Hs1 · Ss1 ds +σ· Hs1 · Ss1 dWs
0 0

eines pfadweisen Riemann-Integrals und eines Itō-Integrals definiert ist.

• Um die Existenz der auftretendenstochastischen

 Integrale zu sichern, muss die Handelsstra-
0
Ht 
 
tegie H = H t mit H t =   zulässig sein, d.h.
t∈T Ht1
   
1. H 0 = Ht0 und H 1 = Ht1 sind progressiv messbar, d.h. H 0 : (t̃, ω) ∈
t∈T t∈T
[0, t] × Ω 7→ Ht̃0 (ω) ist messbar bezüglich B([0, t]) ⊗ Ft∗ für alle t ∈ T (H 1 analog).
RT
2. Ht0 dt < ∞ P-f.s.
0
RT  2
3. Ht1 dt < ∞ P-f.s.
0

• Die differentielle Schreibweise der Selbstfinanzierungsbedingung Vt (H t ) = V0 (H 0 ) +

Rt 0 0 Rt 1 1
Hs dSs + Hs dSs ist
0 0

dVt (H t ) = Ht0 dSt0 + Ht1 dSt1 , t ∈ T.

 
• Analog zum zeitdiskreten MPM: Eine selbstfinanzierende Handelsstrategie H t im
  t∈T
Black-Scholes-Modell heißt eine Arbitrage, wenn für deren Wertprozess Vt (H t )
t∈T
 
V0 (H 0 ) ≤ 0, VT (H T ) ≥ 0 P-f.s. und P VT (H T ) > 0 > 0

gilt.

• Satz: Das Black-Scholes-Modell ist arbitragefrei

  bezüglich regulärer Handelsstrategien. Eine
selbstfinanzierende Handelsstrategie H t im Black-Scholes-Modell heißt regulär, wenn
t∈T  
es eine Q-integrierbare Zufallsgröße Y gibt, so dass für den Wertprozess Vt (H t )
t∈T

Vt (H t ) ≥ Y für alle t ∈ [0, T ]

gilt.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.1. Überblick über bisher behandelte Finanzmarktmodelle 157

 
• Eine Zufallsgröße C auf Ω, F, P mit
 
EQ |C| < ∞

heißt Europäisches Auszahlungsprofil.

• Ein Europäisches Auszahlungsprofil C heißt Derivat, wenn es FT -messbar ist.

• Der Wert

c0 (C) := e−rT · EQ (C)

heißt Preis des Europäischen Auszahlungsprofils C.

• Ein
 Derivat
 C heißt replizierbar, wenn es eine selbstfinanzierende Handelsstrategie H =
Ht mit
t∈T

VT (H T ) = C P-f.s.

gibt. Eine solche Handelsstrategie heißt replizierende Handelsstrategie oder Hedge.

• Satz: Ist ein Derivat C in einem Black-Scholes-Modell

  quadratisch Q-integrierbar, dann
existiert eine replizierende Handelsstrategie H t , deren diskontierter Wertprozess ein
t∈T
Q-Martingal ist. Insbesondere gilt c0 (C) = V0 (H 0 ).

• Das Black-Scholes-Modell ist somit in Bezug auf quadratisch integrierbare Derivate vollstän-
dig. Außerdem ist das auf FT∗ eingeschränkte Martingalmaß eindeutig bestimmt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
158 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

4.2 Grundsätzliche Überlegungen zu allgemeinen zeitstetigen

Finanzmarktmodellen
• Das Black-Scholes-Modell sollte sich als Spezialfall eines allgemeinen zeitstetigen Finanz-
marktmodelles ergeben (analog dazu, dass das CRR-Modell ein Spezialfall eines zeitdiskreten
MPM ist).

• Die Definition einer selbstfinanzierenden Handelsstrategie im Black-Scholes-Modell (4.2)

Zt Zt
Vt (H t ) = V0 (H 0 ) + Hs0 dSs0 + Hs1 dSs1
0 0

müsste somit verallgemeinert werden. Insbesondere stellt sich die Frage, welche Preisprozesse
allgemein als Integratoren der auftretenden stochastischen Integrale in Frage kommen.

• Ebenso stellt sich die Frage, ob der Begriff des äquivalenten Martingalmaßes u.U. allgemeiner
gefasst werden muss und welcher Zusammenhang mit den (im allgemeinen Modell noch zu
definierenden) Eigenschaften der Arbitragefreiheit und Vollständigkeit besteht.

• Der im Folgenden zugrunde gelegte filtrierte (zeitstetige) Wahrscheinlichkeitsraum

   
Ω, F, Ft ,P ,
t∈T

wobei sowohl T = [0, T ] mit Zeithorizont T > 0 als auch T = [0, ∞) möglich ist, wird – zur
Vermeidung technischer Schwierigkeiten – als vollständig und den „üblichen Bedingungen“
genügend vorausgesetzt (siehe Anhang D.1).

• Als Integrator für Itō-Integrale wurde bisher der Wienerprozess W = (Wt )t∈[0,T ] verwen-
 
det, als Integranden adaptierte und progressiv messbare Prozesse X = Xt mit der
t∈[0,T ]
Eigenschaft
RT
Xs2 ds < ∞ f.s.
0

Mit geringfügigen Einschränkungen an den Integranden (vorhersagbar anstatt progressiv

messbar ) können auch erheblich allgemeinere Integratoren (u.a. auch nicht-stetige wie
Sprungprozesse) verwendet werden (zu den Begriffen „progressiv messbar“ und „vorhersagbar“
siehe Anhang D.2).

• Zunächst lässt sich das Itō-Integral für rechtsseitig stetige L2 -Martingale als Integratoren
verallgemeinern (siehe Anhang D.3), später auch auf rechtsseitig stetige lokale L2 -Martingale,
die als Spezialfall die stetigen lokalen Martingale mit beschränktem Startwert enthalten (siehe
Anhang D.4). Die verwendeten Integratoren sind dabei dadurch gekennzeichnet, dass diese
lediglich in trivialen Spezialfällen von lokal beschränkter Variation sind (siehe Satz D.32) und
üblicherweise eine endliche quadratische Variation ungleich Null besitzen.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.2. Grundsätzliche Überlegungen zu allgemeinen zeitstetigen Finanzmarktmodellen 159

• Für Prozesse von lokal beschränkter Variation lassen sich stochastische Riemann-Stieltjes-
Integrale definieren (siehe Anhang D.5), wobei hier insbesondere die stetigen Prozesse von
lokal beschränkter Variation von Interesse sind.

• Als Integranden für beide Integraltypen sind insbesondere stetige Prozesse mit beschränktem
Startwert geeignet. Diese Prozesse sind lokal beschränkt (aber im Allgemeinen nicht von
lokal beschränkter Variation!).

• Ein Semimartingal ist ein Prozess, der sich additiv aus einem lokalen Martingal und einem
Prozess von lokal beschränkter Variation zusammensetzt. Hier sind vor allem die stetigen Se-
mimartingale S von Interesse, die – bis auf fast sichere Gleichheit – die eindeutige Darstellung

S = S0 + M (0) + V (0) (4.3)

besitzen, wobei S0 der Startwert, M (0) ein stetiges lokales Martingal mit Startwert Null
und V (0) ein stetiger Prozess von lokal beschränkter Variation mit Startwert Null ist (siehe
Anhang D.6).

• Aus der verallgemeinerten Itō-Doeblin-Formel (Satz D.39) erhält man, dass alle (ggf. mehr-
dimensionalen) Transformationen von stetigen Semimartingalen, die mittels einer Funktionen
mit stetigen zweiten partiellen Ableitungen beschrieben werden können, ebenfalls stetige Se-
mimartingale sind.

• Die Integration bezüglich stetiger Semimartingale wird gemäß (4.3) summandenweise be-
züglich M (0) (Itō-Integral) und bezüglich V (0) (stochastisches Riemann-Stieltjes-Integral)
durchgeführt. Als Integranden sind wiederum stetige Prozesse mit beschränktem Startwert
geeignet. Der sich daraus ergebende, von der oberen Integralgrenze abhängige Integralpro-
zess ist wiederum ein stetiges Semimartingal, d.h., stetige Semimartingale sind auch bezüglich
Integration abgeschlossen.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
160 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

4.3 Allgemeines zeitstetiges Marktmodell mit stetigen Preispro-

zessen
Definition 4.1 Ein allgemeines zeitstetiges
  Marktmodell mit stetigen Preisprozessen ist ein Tupel
 
T, Ω, F, (Ft )t∈T , P , S 0 , . . . , S N mit

• Handelszeitraum T = [0, ∞) oder T = [0, T ] mit Zeithorizont T > 0

 
• vollständigem filtrierten Wahrscheinlichkeitsraum Ω, F, (Ft )t∈T , P , der den „üblichen
Bedingungen“ genügt (siehe Anhang D.1) und mit P trivial auf F0 (d.h. P(F0 ) = 0 oder
P(F0 ) = 1 für alle F0 ∈ F0 )

• N + 1 stetigen, an (Ft )t∈T adaptierten Semimartingalen

S0, . . . , SN : T × Ω → R mit S 0 (., .) > 0 (Diskontierungsprozess),

den sogenannten Preisprozessen.

Bemerkungen:

1. Bezeichnungen analog zum (zeitdiskreten) Mehrperiodenmarktmodell für t ∈ T und i =

0, . . . , N :
 
0
 St 
.. 
Sti := S i (t, .), S t := 

 . 

 
StN

2. Da P trivial auf F0 ist, ist der Startwert jedes Preisprozesses (und allgemein jedes an (Ft )t∈T
adaptierten Prozesses) fast sicher konstant und damit auch fast sicher beschränkt.

3. Aufgrund der Stetigkeit sind die Preisprozesse vorhersagbar und damit progressiv messbar.
   
4. Ein allgemeines zeitstetiges Marktmodell T, Ω, F, (Ft )t∈T , P , S , S mit zwei stetigen
0 1
 
Preisprozessen S 0 = (St0 )t∈T und S 1 = (St1 )t∈T ist ein Black-Scholes-Modell T, Ω, F,
 
P ,S ,S0 1 gemäß Definition 3.1, falls

• T = [0, T ] mit T > 0,

• St0 ≡ ert (t ∈ T) mit r > 0 und
2
σWt − σ2 t
• St1 = s0 · eµt · e (t ∈ T) mit s0 > 0, µ ∈ R und σ > 0

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.3. Allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen 161

 
ist, wobei (Wt )t∈T ein Wienerprozess bezüglich Ω, F, (Ft )t∈T , P ist. Der Prozess S 0
ist dabei stetig und aufgrund der Monotonie von beschränkter Variation (und somit ein
Semimartingal). Der Prozess S 1 lässt sich darstellen als Produkt
σ2
St1 = Vt · Mt mit Vt := s0 · eµt und Mt := eσWt − 2
t
,

wobei V = (Vt )t∈T ein stetiger Prozess von beschränkter Variation und M = (Mt )t∈T ein
stetiges Martingal ist (siehe Lemma 3.6). Für das Produkt dieser beiden Prozesse ergibt sich
gemäß Satz D.36 (verallgemeinerte Itō-Doeblin-Formel) und der daraus abgeleiteten Regel
der partiellen Integration (D.30) die Semimartingaldarstellung von S 1 mittels

Zt Zt
St1 = s0 + Ms dVs + Vs dMs
0 0
Zt 2  Zt σ2
  
σWs − σ2 s
= s0 + e d s0 · eµs + s0 · eµs d eσWs − 2 s (4.4)
0 0

(t ∈ T) bzw. – in der differentiellen Schreibweise –

dSt1 = Mt dVt + Vt dMt .

Aus (3.14) und (3.15) ist bereits bekannt, dass S 1 außerdem die Darstellung

Zt Zt
St1 = s0 + µ · Ss1 ds +σ· Ss1 dWs
0 0
Zt 2
Zt
σ2
µs σWs − σ2 s
= s0 + µs0 · e e ds + σs0 · eµs eσWs − 2
s
dWs (4.5)
0 0

(t ∈ T) bzw. als stochastische Differentialgleichung

dSt1 = µSt1 dt + σSt1 dWt , t ∈ T,

besitzt. Aufgrund der fast sicheren Eindeutigkeit der Semimartingaldarstellung stimmen die
in (4.4) und (4.5) auftretenden Integralprozesse überein: Für ein Riemann-Stieltjes-Integral
gilt
Z t Z t
f dg = f (s)g 0 (s) ds, d.h. formal dg = g 0 dt („ dg
dt = g “)
0 (4.6)
0 0

und somit in (4.4)

 
d s0 · eµs = µs0 · eµs ds, s ∈ T,

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
162 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

was zum ersten Integral in (4.5) führt. Für ein Itō-Integral bezüglich des Wienerprozesses W
ist gemäß der Itō-Doeblin-Formel C.15 formal
 
1
dg(t, Wt ) = gt (t, Wt ) + 2 · gxx (t, Wt ) dt + gx (t, Wt )dWt , t ∈ T,

also in (4.4)

σ2 σ2
 
d eσWs − 2 s = σ · eσWs − 2 s dWs , s ∈ T,

woraus sich das zweite Integral in (4.5) ergibt.

5. Das Modell lässt sich auch auf càdlàg Semimartingale verallgemeinern (càdlàg – fast sicher
rechsseitig stetig mit existierenden linksseitigen Limites). Damit können auch Sprungprozesse
wie z.B. der Poisson-Prozess in das Modell integriert werden. Die mathematische Handhabung
ist dann allerdings entsprechend aufwändiger.

6. Bezeichnungen für diskontierte Preisprozesse analog zum (zeitdiskreten) Mehrperioden-

marktmodell für t ∈ T und i = 0, . . . , N :
 
0
i
S t 
i S  e.. 
S := 0 , S t :=  .  
e S e  

StN
e

Insbesondere ist S 0 ≡ 1.
e
7. Die diskontierten Preisprozesse S 0 , . . . , S N sind ebenfalls stetige Semimartingale: Zunächst
! e e
1 1
ist der Prozess 0 = ein stetiges Semimartingal, denn gemäß der verallgemei-
S St0
t∈T
nerten Itō-Doeblin-Formel für (stetige) Semimartingale D.37 sind Transformationen mittels
zweimal stetig differenzierbarer Funktionen h : R → R wiederum (stetige) Semimartingale.
Der genannte Satz muss allerdings dahingehend verallgemeinert werden, dass er auch für
Funktionen h : U → R, wobei U ⊂ R eine offene Menge ist, gilt, da die hier betrach-
tete Funktion h : s 7→ 1s lediglich auf (0, ∞) definiert ist.2 Es ergibt sich in differentieller
Schreibweise für t ∈ T
!
1     1   h i
d = dh St0 = h0 St0 dSt0 + h00 St0 d S 0
St0 2 t
 −2  −3 h i
= − St0 dSt0 + St0 d S0 .
t

2
siehe Wolfgang Hackenbroch und Anton Thalmaier, Stochastische Analysis: Eine Einführung in die Theorie der
stetigen Semimartingale, Teubner Verlag, 1994

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.3. Allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen 163

Gemäß der mehrdimensionalen Itō-Doeblin-Formel D.39 ist das Produkt zweier (stetiger)
Semimartingale wieder ein (stetiges) Semimartingal, und es ergibt sich gemäß (D.34) für
i = 1, . . . , N und t ∈ T
! !  
i i 1 i 1 1 i i 1
dS t = d St · 0 = St d + 0 dSt + d S , 0 .
e St St0 St S t

4.3.1 Handelsstrategie und Arbitrage

In Analogie zum (zeitdiskreten) Mehrperioden-Marktmodell (Definition 2.39 und folgende) und zum
Black-Scholes-Modell (Definition 3.19 und folgende) ergeben sich folgende Begriffe im allgemeinen
zeitstetigen Marktmodell mit stetigen Preisprozessen:

Definition 4.2 Gegeben sei ein allgemeines

  zeitstetiges Marktmodell mit stetigen Preisprozessen
 
T, Ω, F, (Ft )t∈T , P , S 0 , . . . , S N .  
0
H 
 . 
• Dann heißt eine Ft -messbare RN +1 -wertige Zufallsgröße H =  . 
 .  ein Portfolio z.
 
HN
Ztpkt. t ∈ T sowie
N
X
Vt (H) := H · S t = H i · Sti
i=0

der Wert des Portfolios H z. Ztpkt. t ∈ T.

   
• Ein an Ft adaptierter RN +1 -wertiger stochastischer Prozess H = H t heißt eine
t∈T t∈T
Handelsstrategie sowie
 
V (H) := Vt (H t )
t∈T

der Wertprozess der Handelsstrategie H.

Bemerkungen:

1. Die dazugehörigen diskontierten Werte bzw. Wertprozesse sind

Vt (H)  
V (H) := = H · S t (t ∈ T) bzw. V (H) := V t (H t )
et St0 e e e t∈T

2. An eine Handelsstrategie wurde in der vorgenommenen Definition lediglich die Voraussetzung

der Adaptiertheit gestellt. Da für den wichtigen Begriff der selbstfinanzierenden Handelss-
trategie jedoch die Integrierbarkeit bezüglich der Preisprozesse benötigt wird, werden im
Folgenden diejenigen Handelsstrategien als zulässig bezeichnet, für die die entsprechenden
Integrale gebildet werden können:

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
164 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

 
0
 Ht 
 . 
. 
 
Definition 4.3 Eine Handelsstrategie H = H t mit H t = 
 .  in einem allgemeinen
t∈T  
HtN
zeitstetigen Marktmodell mit stetigen Preisprozessen S 0 , . . . , S N heißt zulässig, wenn die Integrale

Zt Zt
Hsi dSsi und Hsi dS is (4.7)
e
0 0

für alle t ∈ T und i = 0, . . . , N existieren.

Bemerkungen:

   
1. Die Bedingungen, die an die einzelnen Komponenten Ht0 , . . . , HtN einer Han-
t∈T t∈T
delsstrategie gestellt werden müssen, um jeweils die Integrierbarkeit zu sichern, können – je
nach Gestalt der dazugehörigen Preisprozesse S 0 , . . . , S N bzw. diskontierten Preisprozesse
– recht unterschiedlich sein.

2. Insbesondere ist die Stetigkeit einer Handelsstrategie hinreichend für die Existenz der Integrale
bezüglich beliebiger stetiger Preisprozesse (siehe Anhang D.6). Aufgrund des fast sicheren
konstanten Startwertes (P ist trivial auf F0 ) sind solche Handelsstrategien – analog zu den
Betrachtungen in Satz D.29 – lokal beschränkt und somit L2 -Prozesse.

3. Ist ein (stetiger) Preisprozess S = (St )t∈T ein lokales Martingal, so sind gemäß (D.23)
diejenigen Prozesse H = (Ht )t∈T bezüglich S integrierbar, die vorhersagbar sind und für die

Zt
Hs2 d[S]s < ∞ f.s. für alle t ∈ T
0

gilt.

4. Bei Itō-Integralen können im Fall stetiger Integratoren sogar progressiv messbare anstatt
vorhersagbare Integranden betrachtet werden. Der Begriff der zulässigen Handelsstrategie
im Black-Scholes-Modell (siehe Definition 3.22) ergibt sich dann als Spezialfall der hier vor-
genommenen allgemeineren Definition.

5. Die im Black-Scholes-Modell erfolgte Definition einer selbstfinanzierenden Handelsstrategie

(siehe Definition 3.23) kann nun auf das vorliegende Modell verallgemeinert werden:

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.3. Allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen 165

 
0
 Ht 
 . 
. 
 
Definition 4.4 Eine zulässige Handelsstrategie H = H t mit H t = 
 .  im allgemei-
t∈T  
HtN
nen
 zeitstetigen
 Marktmodell heißt selbstfinanzierend, wenn für deren Wertprozess V (H) =
Vt (H t ) die folgende Gleichung für t ∈ T gilt:
t∈T

N Z t
X
Vt (H t ) = V0 (H 0 ) + Hsi dSsi (4.8)
i=0 0

Bemerkungen:

1. Wie bisher besagt die Eigenschaft der Selbstfinanzierung, dass sämtliche Wertänderungen
einer Handelsstrategie ausschließlich auf Änderungen der Preisprozesse („dSsi “) zurückzu-
führen sind und Änderungen der Handelsstrategie („Portfolioumschichtungen“) „wertneutral“,
d.h. ohne Zu- oder Abflüsse externer „Geldmengen“, erfolgen.

2. Differentielle Schreibweise von (4.8):

N
X
dVt (H t ) = Hti dSti = H t · dS t
i=0

(man beachte die formale Ähnlichkeit dieser Schreibweise zur Beziehung Vt (H t ) = H t · S t ).

3. Das folgende Lemma besagt, dass die Eigenschaft der Selbstfinanzierung auch über die dis-
kontierten Preisprozesse charakterisiert werden kann:
 
Lemma 4.5 Eine zulässige Handelsstrategie H = H t im allgemeinen zeitstetigen Markt-
t∈T
modell ist genau dann selbstfinanzierend, wenn für deren diskontierten Wertprozess V (H) =
 
die folgende Gleichung für t ∈ T gilt:
e
V t (H t )
e t∈T

N Z t
X
V (H t ) = V 0 (H 0 ) + Hsi dS is (4.9)
et e i=1 0
e

(Ohne Beweis)

Bemerkungen:

1. Die Summe in (4.9) beginnt erst mit i = 1 und nicht mit i = 0 wie in (4.8). Bei der Ver-
wendung diskontierter Preisprozesse stimmt tatsächlich die bei i = 1 beginnende Summe
Rt
mit der bei i = 0 beginnenden Summe überein, da S 0 ≡ 1 und somit Hs0 dS 0s = 0 ist.
e 0 e

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
166 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

Beim Übergang zur diskontierten Betrachtung brauchen somit lediglich verkürzte Handelss-
trategien bzw. Portfolios (d.h. Handesstrategien bzw. Portfolios ohne die nullte Komponente)
untersucht zu werden – analog zur Vorgehensweise im (zeitdiskreten) Mehrperiodenmarkt-
modell.

2. Dieses Lemma ist auch als „Numéraire Invarianz Theorem“ bekannt, da es außerdem be-
sagt, dass die Eigenschaft der Selbstfinanzierung unabhängig von der speziellen Wahl des Dis-
kontierungsprozesses erhalten bleibt. Insbesondere besitzen Marktmodelle, die sich lediglich
in ihren Diskontierungsprozessen voneinander unterscheiden, dieselben selbstfinanzierenden
Handelsstrategien (auf der Menge der für alle betrachteten Marktmodelle zulässigen Han-
delsstrategien, die sich wegen (4.7) im Hinblick auf die Menge der Handelsstrategien, die
bezüglich der diskontierten Preisprozesse integrierbar sind, unterscheiden können).

3. Differentielle Notation: dVt (H t ) = H t · dS t ⇐⇒ dV t (H t ) = H t · dS t

e e
4. In Analogie zu Definition 2.42 im zeitdiskreten Mehrperiodenmarktmodell und zu Definition
3.24 im Black-Scholes-Modell wird nun die Arbitrage und die Arbitragefreiheit definiert, wobei
hier und im Folgenden der Handelszeitraum T als beschränkt, d.h. T = [0, T ], angenommen
wird:
 
Definition 4.6 Eine selbstfinanzierende Handelsstrategie H = H t heißt eine Arbitrage in
t∈T
einem allgemeinen zeitstetigen Marktmodell mit stetigen Preisprozessen
  und beschränktem Han-
delszeitraum T = [0, T ], wenn für deren Wertprozess V (H) = Vt (H t ) die folgenden Bedin-
t∈T
gungen gelten:

1. V0 (H 0 ) ≤ 0

2. VT (H T ) ≥ 0 P-f.s.
 
3. P VT (H T ) > 0 > 0

Ein allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen und beschränktem Handels-
zeitraum heißt arbitragefrei, falls in ihm keine Arbitrage existiert.

Bemerkungen:

1. Eine Arbitrage für einen unbeschränkten Handelszeitraum T = [0, ∞) kann auf unterschiedli-
che Art und Weise definiert werden: Zum einem könnte die Existenz eines (von der jeweiligen
Handelsstrategie H abhängigen) Zeitpunkts T > 0 gefordert werden, so dass die obigen Be-
dingungen 2. und 3. erfüllt sind.3 Zum anderen könnte als zusätzliche Bedingung die fast
3
siehe Steven E. Shreve, Stochastic Calculus for Finance II: Continuous-Time Models, Springer Verlag, 2004

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.3. Allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen 167

sichere Existenz von V∞ (H ∞ ) := lim Vt (H t ) verlangt werden, für das dann obige Be-
t→∞
dingungen 2. und 3. erfüllt sein sollen.4 Die überwiegende Anzahl der Autoren behandelt
jedoch ausschließlich den Fall eines beschränkten Handelszeitraums. Es sei darauf hingewie-
sen, dass insbesondere die Definition einer lokalisierenden Folge (siehe Definition D.21), die
beispielsweise für ein lokales Martingal verwendet wird, entscheidend davon abhängt, ob der
Handelszeitraum beschränkt oder unbeschränkt ist.

2. In der Literatur wird häufig die Bedingung 1. durch

1b. V0 (H 0 ) = 0

ersetzt. Dies stellt zwar eine Einschränkung derjenigen Handelsstrategien, die eine Arbitrage
sind, dar, lässt aber die Eigenschaft des Modells, arbitragefrei zu sein, unberührt, da aufgrund
des streng positiven Diskontierungsprozesses sich zu jeder Arbitrage, die Bedingung 1. erfüllt,
eine Arbitrage finden lässt, die Bedingung 1b. erfüllt (siehe dazu auch Lemma 2.9): Sei
nämlich H eine Arbitrage gemäß Definition 4.6 mit V0 (H 0 ) < 0. Dann ist

V0 (H 0 )
H := −
S00

wegen S00 > 0 eine positive, F0 -messbare Zufallsgröße, für die

V0 (H 0 ) + H · S00 = 0  
0
 Ĥt 
 . 
. 
 
gilt. Dann ist aber die Handelsstrategie Ĥ = Ĥ t mit Ĥ t = 
 . , definiert durch
t∈T  
 ĤtN
H 0 + H für i = 0

t
Ĥti := (t ∈ T)
Hti
 für i = 1, . . . , N

wegen

Vt (Ĥ t ) = Vt (H t ) + H · S00 = Vt (H t ) − V0 (H 0 )

eine Arbitrage mit V0 (Ĥ 0 ) = 0 und VT (Ĥ T ) > 0 P-f.s..

3. Wie im (zeitdiskreten) Mehrperiodenmarktmodell sind die Arbitrage-Bedingungen in Defini-

tion 4.6 äquivalent zu den entsprechenden Bedingungen unter Verwendung der diskontierten
Werten
 
V 0 (H 0 ) ≤ 0, V T (H T ) ≥ 0 P-f.s. und P V T (H T ) > 0 > 0.
e e e
4
siehe Freddy Delbaen und Walter Schachermayer, The Mathematics of Arbitrage, Springer Verlag, 2nd Printing
2008

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
168 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

4.3.2 Martingalmaß und lokales Martingalmaß

Im (zeitdiskreten) Mehrperiodenmarktmodell war die Arbitragefreiheit äquivalent zur Existenz ei-
nes äquivalenten Martingalmaßes (1. Fundamentalsatz 2.47), wobei der Begriff des „äquivalenten
Martingalmaßes“ im allgemeinen zeitstetigen Marktmodell noch zu definieren ist. Dieses äquiva-
lente Martingalmaß (in einem arbitragefreien zeitdiskreten Modell) konnte dann zur Bestimmung
eines „fairen Preises“ verwendet werden („Law of One Price“ 2.52). Im zeitstetigen Fall zeigt sich
bereits für das Black-Scholes-Modell, dass dieses bezüglich selbstfinanzierender Handelsstrategien
nicht arbitragefrei ist (Lemma 3.25). Demnach ist für das allgemeine zeitstetige Marktmodell auch
keine solch vergleichsweise einfache Aussage wie für das zeitdiskrete Mehrperiodenmarktmodell zu
erwarten. Zunächst werden jedoch – analog zu Definition 2.45 und Definition 3.7 – für das hier
betrachtete allgemeine zeitstetige Marktmodell die Begriffe des äquivalenten Martingalmaßes sowie
des äquivalenten lokalen Martingalmaßes eingeführt:

Definition
  4.7 Gegeben sei ein allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen
  
T, Ω, F, (Ft )t∈T , P , S 0 , . . . , S N . Ein Wahrscheinlichkeitsmaß Q auf Ω, F heißt äqui-
valentes Martingalmaß bzw. äquivalentes lokales Martingalmaß in diesem Modell, falls es
folgende Eigenschaften besitzt:

1. Q ist äquivalent zu P, d.h., Q und P besitzen dieselben Nullmengen.

 
2. Der RN +1 -wertige diskontierte Preisvektorprozess S t ist ein Q-Martingal, d.h.
e t∈T
 i
Ssi

Q St
E | Fs = Q-f.s. für alle s < t, s, t ∈ T, i ∈ {0, . . . , N },
St0 Ss0

bzw. ein lokales Q-Martingal , d.h., es gibt eine lokalisierende

  τnFolge (τn )n∈N , so dass die bei
τn gestoppten diskontierten Preisvektorprozesse St für alle n ∈ N Q-Martingale
e t∈T
sind.

Bemerkung: Falls in einem allgemeinen zeitstetigen Marktmodell mit stetigen Preisprozessen ein
äquivalentes lokales Martingalmaß Q existiert, so ergibt sich daraus – unter ! der Voraussetzung
t
H i := (Hti )t∈T ∈ L2,loc , d.h. H i vorhersagbar und Q (Hsi )2 d[S i ]s < ∞ = 1 für alle t ∈ T und
R
Si
0 e
i = 1, . . . , N , siehe (D.23) – wegen Satz D.27, (4.9) und der Vektorraum-Eigenschaft der lokalen
e

Martingale, dass jeder diskontierte Wertprozess V (H) einer selbstfinanzierenden Handelsstrategie

H ein lokales Martingal ist. Sollte Q ein „echtes“ (d.h. nicht nur lokales) Martingalmaß sein,
e

ergibt sich daraus trotz Satz D.16 allerdings nicht, dass jeder diskontierte Wertprozess ein „echtes“
Martingal ist: Dies wäre lediglich dann der Fall, wenn für die Komponenten H 1 = (Ht1 )t∈T , . . . ,
H N = (HtN )t∈T der Handelsstrategie H

H i ∈ L2S i (i = 1, . . . , N )
e
Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.3. Allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen 169

gelten würde. Für den allgemeineren Fall

H i ∈ L2,loc
Si
(i = 1, . . . , N )
e
Rt
wird das Integral Hsi dS is für t ∈ T und i = 1, . . . , N gemäß Definition D.26 wie für ein lokales
0 e
Martingal gebildet, so dass in diesem Fall Satz D.27 „für lokale Martingale“ angewendet werden
muss. Selbst im Black-Scholes-Modell ist demnach der diskontierte Wertprozess lediglich ein lokales
Martingal (siehe Bemerkung zu Lemma 3.27) und kein Martingal, was zur Existenz von Arbitragen
führt (für die Arbitragefreiheit eines Modells ist die Supermartingal-Eigenschaft der relevanten
diskontierten Wertprozesse hinreichend, siehe Satz 3.28). Die folgende Definition und der darauf
folgende Satz sind unmittelbare Verallgemeinerungen von Definition 3.26 und Satz 3.28 im Black-
Scholes-Modell.
 
Definition 4.8 Eine selbstfinanzierende Handelsstrategie H = H t im allgemeinen zeits-
t∈T
tetigen Marktmodell mit stetigen Preisprozessen heißt regulär, wenn es eine Q-integrierbare
 Zu-
fallsgröße Y gibt, so dass für den diskontierten Wertprozess V (H) = V t (H t ) das Folgende
t∈T
gilt:
e e

V (H t ) ≥ Y für alle t ∈ T.
et
Ist Y ≡ −δ mit δ ∈ R, so heißt H δ-regulär oder streng regulär.

Bemerkungen:

1. Jede streng reguläre Handelsstrategie ist regulär. Jede δ1 -reguläre Handelsstrategie ist auch
δ2 -regulär für δ2 < δ1 .

2. Diese Definition einer regulären Handelsstrategie ist konsistent mit derjenigen im Black-
Scholes-Modell, wo der undiskontierte Wertprozess betrachtet wurde, da im Black-Scholes-
Modell der Diskontierungsprozess deterministisch ist und somit ein diskontierter Wertprozess
genau dann regulär ist, wenn dies auch für den undiskontierten Wertprozess gilt. Bei allge-
meinen Diskontierungsprozessen ist dies nicht immer der Fall.

Satz 4.9 Existiert in einem allgemeinen zeitstetigen Marktmodell mit stetigen Preisprozessen und
beschränktem Handelszeitraum T = [0, T ] ein äquivalentes lokales Martingalmaß, so ist das Modell
arbitragefrei bezüglich regulärer Handelsstrategien.

Beweis: Gemäß obiger Bemerkung sind bei Existenz eines äquivalenten lokalen Martingalmaßes die
diskontierten Wertprozesse von selbstfinanzierenden Handelsstrategien lokale Martingale (bezüglich
des äquivalenten lokalen Martingalmaßes), insbesondere also diejenigen von regulären Handelsstra-
tegien. Gemäß Lemma D.24 sind reguläre Handelsstrategien sogar Supermartingale bezüglich des
äquivalenten lokalen Martingalmaßes, da der diskontierte Wertprozess zum Zeitpunkt Null Q-fast

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
170 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

sicher beschränkt und damit integrierbar ist. Die Aussage ergibt sich dann völlig analog zum Beweis
von Satz 3.28.


Bemerkungen:

1. Die Voraussetzung der Regularität hätte dahingehend abgeschwächt werden können, dass die-
jenigen selbstfinanzierenden Handelsstrategien betrachtet werden, deren diskontierte Wert-
prozesse bezüglich des äquivalenten lokalen Martingalmaßes Supermartingale sind.

2. Bezüglich der Menge der selbstfinanzierenden Handelsstrategien mit beschränktem Wertpro-

zess ist wegen Lemma D.23 jedes äquivalente lokale Martingalmaß ein (echtes) Martingalmaß.

3. Die Umkehrung von Satz 4.9 kann unter schärferen Voraussetzungen an die Handelsstrate-
gien (streng regulär) und einer schwächeren Arbitrageforderung („asymptotische Arbitrage“)
gezeigt werden (siehe später Satz 4.12).

4. Für eine spezielle Struktur des Diskontierungsprozesses S 0 wird im folgenden Satz gezeigt,
dass die Existenz eines äquivalenten Martingalmaßes bzw. lokalen Martingalmaßes äquivalent
ist zu einer speziellen Struktur der Preisprozesse. Dazu ist allgemein zu bemerken, dass die
Martingal-Eigenschaft eines Prozesses (und damit sowohl die lokale Martingal-Eigenschaft als
auch die Semimartingal-Eigenschaft) von der speziellen Wahl des Wahrscheinlichkeitsmaßes
P abhängt. Es kann allerdings gezeigt werden, dass ein Semimartingal bezüglich P auch ein
Semimartingal bezüglich eines zu P äquivalenten Maßes Q ist.

Lemma 4.10 In einem allgemeinen zeitstetigen Marktmodell mit stetigen Preisprozessen T,
  
Ω, F, (Ft )t∈T , P , S 0 , . . . , S N sei der Diskontierungsprozess S 0 gegeben durch St0 := er(t) ,
wobei r : T → R eine einmal stetig differenzierbare (deterministische) Funktion ist. Ein zu P
äquivalentes Wahrscheinlichkeitsmaß Q ist genau dann ein äquivalentes Martingalmaß bzw. lokales
Martingalmaß, falls sich alle Preisprozesse S 0 , . . . , S N in der Form

dSti = r0 (t) · Sti dt + dMti (i = 0, . . . , N, t ∈ T) (4.10)

darstellen lassen, wobei M i = (Mti )t∈T (i = 0, . . . , N ) ein stetiges Martingal bzw. stetiges lokales
Martingal bezüglich Q mit Startwert Null ist.

Beweis: Die Funktion t ∈ T 7→ e−r(t) ∈ (0, ∞) ist nach Voraussetzung stetig, so dass sie als Inte-
grand sowohl von Itō- als auch von stochastischen Riemann-Stieltjes-Integralen verwendet werden
kann. Für St0 = er(t) erhält man aus der Regel der partiellen Integration für Semimartingale (D.34)
für t ∈ T und i = 0, . . . , N
Zt   Zt h i
−r(t) −r(0) −r(s)
S it = Sti ·e = S0i ·e + Ssi d e + e−r(s) dSsi + S 1 , S 0 .
e t
0 0

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.3. Allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen 171

h i
Da S0 ein Prozess von beschränkter Variation ist, ist der Kovariationsprozess S , S
1 0 Null.
t t∈T
Somit ergibt sich in differentieller Schreibweise
 
dS it = Sti d e−r(t) + e−r(t) dSti
e
(4.6)
= −r0 (t) · e−r(t) · Sti dt + e−r(t) dSti .

„Multiplikation“ mit er(t) führt zu5

er(t) dS it = −r0 (t) · Sti dt + dSti ,

e

also

dSti = r0 (t) · Sti dt + er(t) dS it . (4.11)

e
 
Sei nun Q ein äquivalentes (lokales) Martingalmaß, d.h. der stetige Prozess S it ist für alle
e t∈T
i = 0, . . . , N ein (lokales) Martingal bezüglich Q. Dann ist auch gemäß Satz D.16 bzw. Satz D.27
mit Bemerkungen
 
Zt
M0i =0
     
er(t) dS it =  er(s) dS is  =: Mti = dMti
 
e t∈T e t∈T t∈T
0
t∈T

ein stetiges (lokales) Martingal bezüglich

 Q mit Startwert Null und man erhält die Richtung „=⇒“
der obigen Aussage. Ist umgekehrt Mti ein stetiges (lokales) Martingal mit Startwert Null
t∈T
bezüglich eines zu P äquivalenten Wahrscheinlichkeitsmaßes Q, so gilt wegen der Eindeutigkeit der
Semimartingaldarstellung und (4.11) für i = 0, . . . , N und t ∈ T

Zt
dMti = e r(t)
dS it , also Mti = er(s) dS is .
e e
0

Aufgrund der Substitutionsregel ist dann

Zt
−r(t)
dS it = e dMti , also S it = S i0 + e−r(s) dMsi ,
e e e
0

und wegen Satz D.16 bzw. Satz D.27 ebenfalls ein (lokales) Martingal bezüglich Q.


Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
172 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

Bemerkungen:
(t)
1. Wegen St0 = er ist in (4.10) dSt0 = r0 (t) · St0 dt und somit M 0 ≡ 0.

2. Dieses Lemma kann auf das Black-Scholes-Modell angewendet werden: Für den Diskontie-
rungsprozess S 0 gilt dort St0 = er·t mit r > 0, d.h. r(t) = r · t sowie r0 (t) = r. Be-
züglich des dortigen äquivalenten Martingalmaßes Q besitzt der Aktienpreisprozess S 1 mit
σ2
St1 = s0 · eµt · eσWt − 2 t (wobei W = (Wt )t∈T ein Wienerprozess bezüglich P ist) die
differentielle Darstellung

dSt1 = r · St1 dt + σ · St1 dW̃t ,

wobei W̃ = (W̃t )t∈T ein Wienerprozess bezüglich Q ist. Aufgrund der Stetigkeit von S 1 ist
(σ · St1 dW̃t )t∈T ebenfalls ein stetiges Martingal mit Startwert Null.

4.3.3 Asymptotische Arbitrage und Vollständigkeit

Die Umkehrung von Satz 4.9 ist mit Hilfe folgender schwächeren Arbitragedefinition möglich:

Definition 4.11 Eine Folge von selbstfinanzierenden Handelsstrategien

    
(k) (k)
H = Ht
k∈N t∈T k∈N

mit der dazugehörigen Folge von Wertprozessen

    
(k) (k)
V (H ) = Vt (H t )
k∈N t∈T k∈N

heißt eine asymptotische Arbitrage in einem allgemeinen zeitstetigen Marktmodell mit stetigen
Preisprozessen und beschränktem Handelszeitraum T = [0, T ], wenn folgenden Bedingungen erfüllt
sind:
5
Tatsächlich steht hinter der Multiplikation in der differentiellen Schreibweise die Substitutionsregel für Itō-
Integrale und stochastische Riemann-Stieltjes-Integrale (siehe 2. Bemerkung zu Satz D.27):

dS it = −r0 (t) · e−r(t) · Sti dt + e−r(t) dSti

Zt Zt
e
⇐⇒ Si − Si = − r0 (s) · e−r(s) · Ssi ds + e−r(s) dSsi
et e0
0 0
Zt Zt ! Zt !
(D.28) r(s)
Rs 0 −r(u)
Rs −r(u)
=⇒ e dS is = e r(s)
d − r (u) · e · Sui du + r(s)
e d e dSui
e 0 0
0 0 0
Zt Zt Zt
Subst. 0 −r(s)
⇐⇒ er(s)
dS is = − e r(s)
· r (s) · e · Ss ds + er(s) · e−r(s) dSsi
i
e
0 0 0
Zt Zt
⇐⇒ er(s) dS is = − r0 (s) · Ssi ds + Sti − S0i
e
0 0

⇐⇒ er(t) dS it = −r0 (t) · Sti dt + dSti .

e
Durch „Multiplikation“ mit e−r(t) lässt sich ebenso die Umkehrung zeigen.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.3. Allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen 173

 
(k)
1. V0 H 0 = 0 für alle k ∈ N

2. Es existiert eine nichtnegative Zufallsgröße V ∗ ≥ 0 mit

 
P V∗ >0 > 0
 
und eine Folge nichtnegativer reeller Zahlen δ (k) mit lim δ (k) = 0, so dass
k∈N k→∞
 
(k)
VT H T ≥ V ∗ − δ (k) f.s.

für alle k ∈ N gilt.

Ein allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen und beschränktem Handels-
zeitraum heißt asymptotisch arbitragefrei, falls in ihm keine asymptotische Arbitrage existiert.

Bemerkungen:

1. Der Begriff „asymptotische Arbitrage“ wird in der Literatur mit teilweise abweichender Be-
deutung verwendet.
   
2. Jede Arbitrage H = H t mit V0 H 0 = 0 ist eine asymptotische Arbitrage (mit
t∈T
(k)
H = H und = 0 für alle k ∈ N sowie V ∗ ≡ 0). Somit ist jedes asymptotisch
δ (k)
arbitragefreie Marktmodell arbitragefrei. Dabei ist der Begriff „asymptotisch arbitragefrei“ im
Sinn von „frei von asymptotischen Arbitragen“ zu verstehen.

3. Werden lediglich streng reguläre Handelsstrategien betrachtet, entspricht die asymptotische

Arbitragefreiheit der in der Literatur verwendeten sogenannten NFLVR-Bedingung („No Free
Lunch with Vanishing Risk“), die – wie auch der folgende Fundamentalsatz – auf Arbeiten
von Freddy Delbaen (ETH Zürich) und Walter Schachermayer (Universität Wien) aus den
90er Jahren zurückgeht.

Satz 4.12 (1. Fundamentalsatz) Ein allgemeines zeitstetiges Marktmodell mit stetigen Preis-
prozessen und beschränktem Handelszeitraum ist genau dann asymptotisch arbitragefrei bezüglich
streng regulärer Handelsstrategien, wenn ein äquivalentes lokales Martingalmaß existiert.

(Ohne Beweis)
Bemerkungen:

1. Sind die Preisprozesse außerdem noch beschränkt, ist die asymptotische Arbitragefreiheit be-
züglich streng regulärer Handelsstrategien äquivalent zur Existenz eines äquivalenten (echten)
Martingalmaßes.

2. Als nächtes ist die Bestimmung eines „fairen Preises“ für ein Auszahlungsprofil („contingent
claim“) von Interesse. Die entsprechenden Begriffe werden im Folgenden eingeführt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
174 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

  
Definition 4.13 Gegeben sei ein allgemeines zeitstetiges Marktmodell T, Ω, F, (Ft )t∈T , P ,

0
S , ..., S N mit stetigen Preisprozessen und beschränktem Handelszeitraum T = [0, T ].
 
• Eine Zufallsgröße C auf Ω, F, P heißt Europäisches Auszahlungsprofil. Ist C messbar
bezüglich FT , so heißt sie Derivat.

• Die dazugehörige Zufallsgröße

C
C := 0
e ST
heißt diskontiertes Europäisches Auszahlungsprofil.

• Ein Europäisches Auszahlungsprofil

  C heißt replizierbar, falls eine selbstfinanzierende Han-
delsstrategie H = H t existiert, so dass
t∈T

VT (H T ) = C P-f.s. (4.12)

gilt. Eine solche Handelsstrategie heißt replizierende Handelsstrategie.

• Das Marktmodell heißt vollständig, wenn jedes Europäische Auszahlungsprofil replizierbar

ist.

Bemerkungen:

1. Eigenschaft (4.12) ist gleichbedeutend mit

V (H T ) = C P-f.s. .
eT e
2. Diese Definition ist konsistent mit Definition 2.48 im (zeitdiskreten) Mehrperiodenmodell.
Die im Black-Scholes-Modell zusätzlich vorausgesetzte Integrierbarkeit bezüglich des äqui-
valenten Martingalmaßes (Definition 3.10) wird hier nicht verlangt, da die Existenz eines
Martingalmaßes im betrachteten allgemeinen Marktmodell nicht vorausgesetzt wurde.

3. Der gesuchte „faire Preis“ eines Auszahlungsprofils lässt sich im (zeitdiskreten) Mehrperi-
odenmodell als eindeutiger Erwartungswert bezüglich eines äquivalenten Martingalmaßes be-
stimmen (siehe Satz 2.52 „Law of One Price“). Voraussetzungen im zeitdiskreten Modell sind
dabei die Arbitragefreiheit sowie Integrierbarkeitsbedingungen („strenge Replizierbarkeit“) an
die replizierenden Handelsstrategien. Diese beiden Voraussetzungen sorgen dafür, dass der
diskontierte Wertprozess einer replizierenden Handelsstrategie ein Martingal bezüglich des
äquivalenten Martingalmaßes ist (siehe Lemma 2.51). Im zeitdiskreten Modell ist die Arbi-
tragefreiheit äquivalent zur Existenz eines äquivalenten Martingalmaßes, was im zeitstetigen
Modell nicht der Fall ist. Die Existenz eines äquivalenten (lokalen) Martingalmaßes Q sowie
die Q-Martingaleigenschaft des Wertprozesses der replizierenden Handelsstrategie müssen
hier explizit gefordert werden.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
4.3. Allgemeines zeitstetiges Marktmodell mit stetigen Preisprozessen 175

 
Satz 4.14 („Law of One Price“) Gegeben sei ein allgemeines zeitstetiges Marktmodell T, Ω,
 
F, (Ft )t∈T , P , S , . . . , S
0 N mit stetigen Preisprozessen und beschränktem Handelszeitraum
T = [0, T ], für das ein äquivalentes lokales Martingalmaß Q existiert, sowie ein replizierbares

Europäisches Auszahlungsprofil C mit der replizierenden Handelsstrategie H = H t . Ist der
  t∈T
dazugehörige diskontierte Wertprozess V (H) = V t (H t ) ein Q-Martingal, so gilt:
e e t∈T

1. Das diskontierte Europäische Auszahlungsprofil C ist Q-integrierbar und

e
 
Vt (H t ) = St0 · EQ C | Ft f.s. für alle t ∈ T.
e
 
Bezeichnung: c0 (C) := EQ V0 (H 0 ) („Preis des Europäischen Auszahlungsprofils C“)

2. Unabhängig von der speziellen Wahl eines äquivalenten lokalen Martingalmaßes Q, für das
V (H) ein Martingal ist, gilt
e
c0 (C) = EQ (S00 ) · EQ (C ).
e

3. Das um den Prozess S N +1 := H erweiterte allgemeine zeitstetige Marktmodell

   
0 N N +1
T, Ω, F, (Ft )t∈T , P , S , . . . , S , S

ist bezüglich regulärer Handelsstrategien arbitragefrei.

 
Beweis: Zu 1.: Da V t (H t ) ein Q-Martingal ist, ist V t (H t ) Q-integrierbar für alle t ∈ T,
t∈T
und es gilt
e e

 
EQ V T (H T ) | Ft = V t (H t ) f.s. für alle t ∈ T.
e e
Aus V T (H T ) = C Q-f.s. ergibt sich dann direkt die Aussage.
Zu 2.: Aufgrund der Martingaleigenschaft des diskontierten Wertprozesses stimmen die Erwartungs-
e e

werte für jedes „Martingalmaß“ überein.

Zu 3.: Da das betrachtete Wahrscheinlichkeitsmaß Q auch für den neu hinzugenommenen Preispro-
zess S N +1 ein äquivalentes lokales Martingalmaß ist, ergibt sich die Aussage aus Satz 4.9.


Bemerkungen:

1. Es verbleibt die Frage nach der Charakterisierung der Vollständigkeit. Im (zeitdiskreten) Mehr-
periodenmodell war die Vollständigkeit bei vorliegender Arbitragefreiheit gleichbedeutend mit
der Eindeutigkeit des äquivalenten Martingalmaßes (2. Fundamentalsatz 2.56).

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
176 Kapitel 4. Allgemeine zeitstetige Finanzmarktmodelle

2. Für entsprechende Aussagen im allgemeinen zeitstetigen Marktmodell sind Einschränkun-

gen an das Modell bzw. die zu replizierenden Europäischen Auszahlungsprofile erforderlich.
Grundlagen hierfür sind in den meisten Fällen sogenannte Martingaldarstellungssätze.

3. Da beispielsweise im Black-Scholes-Modell die Stochastik auf dem Wienerprozess beruht, der

ein L2 -Prozess ist, sind dort alle quadratisch integrierbaren Derivate replizierbar (siehe Satz
3.30).

4. In einem zeitstetigen Marktmodell mit nichtnegativen Preisprozessen ist die Vollständigkeit

bezüglich beschränkter Derivate äquivalent zur Eindeutigkeit des äquivalenten lokalen Mar-
tingalmaßes.

5. In allgemeineren Modellen muss das Konzept der äquivalenten lokalen Martingalmaße auf
dasjenige der sogenannten äquivalenten σ-Martingalmaße erweitert werden: In einem all-
gemeinen zeitstetigen Marktmodell ist die Vollständigkeit bezüglich beschränkter Derivate
äquivalent zur Eindeutigkeit des äquivalenten σ-Martingalmaßes.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
Anhang A

Anhang zur klassischen

Finanzmathematik

A.1 Zinsberechnungsmethoden (Day Count Conventions)

• Zweck: Berechnung von Datumsdifferenzen als Jahresbruchteile (insbesondere im Zusam-
menhang mit Zinsrechnung)

• Andere Bezeichnungen: Zinsmethode, Zinsusance (day count fraction, day count basis, day
count method)

• Es existieren verschiedene teilweise historisch gewachsene Konventionen. Eine Standardisie-

rung (auch der Notationen) ist noch nicht erfolgt.

Definition A.1 Ein Datum ist ein Tripel natürlicher Zahlen (d, m, y) ⊂ N3 mit genau einer der
folgenden Eigenschaften:

1. (d, m) ∈ {1, . . . , 30} × {4, 6, 9, 11}

2. (d, m) ∈ {1, . . . , 31} × {1, 3, 5, 7, 8, 10, 12}

3. (d, m) ∈ {1, . . . , 28} × {2}

    
4. (d, m) = (29, 2) ∧ (400 | y) ∨ (4 | y) ∧ ¬(100 | y)

Die Menge aller Daten werde mit D bezeichnet. Für das Tripel (d, m, y) heißt d Tag, m Monat
und y Jahr.

Bemerkungen: (d1 , m1 , y1 ), (d2 , m2 , y2 ) ∈ D :

• (d1 , m1 , y1 ) = (d2 , m2 , y2 ) ⇐⇒ d1 = d2 ∧ m1 = m2 ∧ y1 = y2

177
178 Anhang A. Anhang zur klassischen Finanzmathematik

• (d1 , m1 , y1 )  (d2 , m2 , y2 ) :⇐⇒ (y1 < y2 )

 
∨ (y1 = y2 ) ∧ (m1 < m2 )
  
∨ (m1 , y1 ) = (m2 , y2 ) ∧ (d1 ≤ d2 )
 
• (d1 , m1 , y1 ) ≺ (d2 , m2 , y2 ) ⇐⇒ (d1 , m1 , y1 )  (d2 , m2 , y2 )
 
∧ (d1 , m1 , y1 ) 6= (d2 , m2 , y2 )

• Die Menge D ist wohlgeordnet, d.h., jede nichtleere Teilmenge von D besitzt bezüglich „≺“
ein kleinstes Element. Insbesondere besitzt jedes Element aus D einen Nachfolger und (bis
auf (1, 1, 1)) einen Vorgänger. Der Nachfolger von (d, m, y) ∈ D werde mit (d, m, y)+ , der
Vorgänger mit (d, m, y)− bezeichnet (für (d, m, y)  (1, 1, 1)).

Übungsaufgabe: Überprüfen Sie, welche der folgenden Eigenschaften die obigen Relationen „“
bzw. „≺“ besitzen: Reflexivität, Irreflexivität, Transitivität, Drittengleichheit, Symmetrie, Antisym-
metrie, Asymmetrie, Linearität, Konnexität, Trichotomie.

Definition A.2 Es sei D2 := {(x, y) ∈ D2 | x  y} die Menge aller Datumspaare, bei denen
das zweite Datum nicht kleiner als das erste ist. Eine Zinsberechnungsmethode (day count
convention) ist eine Funktion δ : D2 → R0+ mit den Eigenschaften

1. δ(x, x) = 0, x ∈ D,

2. δ(x, y) ≤ δ(x, z) + δ(z, y), (x, y), (x, z), (z, y) ∈ D2 .

Bemerkung: Die Eigenschaft

δ(x, y) = 0 =⇒ x = y, (x, y) ∈ D2 , (A.1)

wird nicht gefordert. Tatsächlich besitzen viele in der Praxis verwendeten Zinsberechnungsmethoden
diese Eigenschaft nicht. Somit ist die Verallgemeinerung δ ∗ : D × D → R0+ von δ auf D2 mit

δ(x, y) für x  y

∗
δ (x, y) := (x, y ∈ D)
δ(y, x) sonst


keine Metrik, sondern lediglich eine Semimetrik (bzw. Pseudometrik) auf D.

A.1.1 30/360-Methoden
• Annahme: Jeder Monat hat 30 Tage und das gesamte Jahr 360 Tage.

• Historisch bedingte Methode zur Vereinfachung von Rechnungen

• Es gibt mehrere Varianten von 30/360-Methoden, die sich hinsichtlich der Behandlung der
Monate mit 31 Tagen und des 28. und 29. Februars unterscheiden (siehe Tabelle A.1).

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
A.1. Zinsberechnungsmethoden (Day Count Conventions) 179

d∗2 d∗1 d∗2

d∗1 für d2 = 31 und für (d1 , m1 , y1 )+ = für (d2 , m2 , y2 )+ =
Bezeichnung
für d1 = 31
d1 < 30 d1 ≥ 30 (1, 3, y1 ) 1 (29, 2, y1 ) 2 (1, 3, y2 ) (29, 2, y2 )

30/360 3 d1 d2 d1 d2

30E/360
30 30 d1 d2
Eurobond

30E+/360 30 d2 4 d1 d2

30E/360
30 30 30 30
Italian

30E/360
30 30 30 d1 30
ISDA Typ I 5

30E/360
30 30 30 d1 d2
ISDA Typ II

30U/360
30 d2 30 d1 d2
US Typ I

30U/360
30 d2 30 30 d1 30∗ d2
US Typ II
∗ falls zusätzlich noch (d1 , m1 , y1 )+ = (1, 3, y1 ) gilt, ansonsten d∗2 = d2

Tabelle A.1: Übersicht über gebräuchliche 30/360-Methoden (die Verwendung der Bezeichnungen
erfolgt nicht einheitlich)

Definition A.3 Eine 30/360-Methode δ : D2 → R0+ ist eine Zinsberechnungsmethode der

Form
  m2 − m1 d∗ − d∗1
δ (d1 , m1 , y1 ), (d2 , m2 , y2 ) := y2 − y1 + + 2 ,
12 360
 
(d1 , m1 , y1 ), (d2 , m2 , y2 ) ∈ D2 , wobei

d∗1 := d∗1 (d1 , m1 , y1 ) ∈ {1, . . . , 31} und

1
Diese Bedingung ist gleichbedeutend damit, dass (d1 , m1 , y1 ) der letzte Februartag ist, d.h. d1 = 29 für ein
Schaltjahr, ansonsten d1 = 28.
2
Diese Bedingung ist gleichbedeutend damit, dass (d1 , m1 , y1 ) der 28. Februar in einem Schaltjahr ist, d.h. der
vorletzte Februartag.
3
auch bekannt als „deutsche kaufmännische Zinsmethode“
4
Dies ist gleichbedeutend mit der Ersetzung durch den folgenden Monatsersten, wie in manchen Beschreibungen
angegeben.
5
ISDA – „International Swaps and Derivatives Association Inc.“

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
180 Anhang A. Anhang zur klassischen Finanzmathematik

 
d∗2 := d∗2 (d1 , m1 , y1 ), (d2 , m2 , y2 ) ∈ {1, . . . , 31}

folgende Eigenschaften besitzen:

 
d∗1 := d1 für (d1 < 31) ∧ (d1 , m1 ) ∈
/ {28, 29} × {2} und
   
d∗2 := d2 für d2 < 31 ∧ (d2 , m2 ) ∈/ {28, 29} × {2}

Übungsaufgaben:

1. Finden Sie Beispiele, bei denen obige 30/360-Zinsberechnungsmethoden zu unterschiedlichen

Ergebnissen führen.

2. Untersuchen Sie, welche der obigen 30/360-Methoden die Eigenschaft (A.1) besitzen und
welche nicht.

A.1.2 Actual-Methoden
• Actual-Methoden basieren auf taggenauen Berechnungen von Datumsdifferenzen.

• Es gibt mehrere Varianten von Actual-Methoden, die sich u.a. hinsichtlich der Bezugsgröße
(Kalendertage pro Jahr) unterscheiden (siehe Tabelle A.2).

• Bei einigen Actual-Methoden (z.B. „Act/365L“ und „Act/Act ICMA“) treten als Zusatzpara-
meter noch die Anzahl der jährlichen Zahlungstermine f ∈ {1, 2, 3, 4, 6, 12} eines Referenz-
produkts (coupon frequency, im Folgenden auch Anzahl von Referenzzahlungen genannt)
sowie ein ausgewähltes Datum (d, m, y) ∈ D für diese Zahlungen (coupon payment date,
im Folgenden auch Referenzdatum genannt) auf 6 . f = 1 entspricht dabei einer jährlichen
Zahlung, f = 2 einer halbjährlichen, f = 4 einer vierteljährlichen usw.. Der zeitliche Abstand
12
in Monaten zwischen den entsprechenden Referenzzahlungen ist dann .
f

Zunächst wird eine Funktion benötigt, die die Differenz (in Tagen) zwischen zwei Daten angibt:

Definition A.4 Die Funktion ∆ : D2 → N ∪ {0}, definiert durch

∆ (1, 1, 1), (1, 1, 1) := 0,
 
∆ (1, 1, 1), (d, m, y) := 1 + ∆ (1, 1, 1), (d, m, y)− , (d, m, y)  (1, 1, 1), und






∆ (d1 , m1 , y1 ), (d2 , m2 , y2 ) := ∆ (1, 1, 1), (d2 , m2 , y2 ) − ∆ (1, 1, 1), (d1 , m1 , y1 ) ,
(d2 , m2 , y2 )  (d1 , m1 , y1 )  (1, 1, 1),

heißt Tageszähler (day counter).

6
Dies ist insbesondere wegen des Monatstages von Interesse.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
A.1. Zinsberechnungsmethoden (Day Count Conventions) 181

Bemerkungen:

1. Der Wert des Tageszählers kann direkt über die Formel

∆ (1, 1, 1), (d, m, y)
       
153 · m̃ − 2 ỹ ỹ ỹ
= d+ + 365 · ỹ + − + − 398, 7 (A.2)
5 4 100 400

(m + 12, y − 1) für m = 1, 2

mit (m̃, ỹ) :=
(m, y)
 sonst.

bestimmt werden. Diese Formel basiert auf der Gauß’schen Wochentagsformel und ihrer
Modifikation durch Zeller 1882 (auch bekannt als „Zellers Kongruenz“). 8

Für allgemeine Daten (d2 , m2 , y2 )  (d1 , m1 , y1 ) erhält man (mit analogen Bezeichnungen
m̃1 , m̃2 , ỹ1 und ỹ2 anstatt m1 , m2 , y1 and y2 gemäß (A.2))

∆ (d1 , m1 , y1 ), (d2 , m2 , y2 )
   
153 · m̃2 − 2 153 · m̃1 − 2
= (d2 − d1 ) + − +
5 5
           
ỹ2 ỹ1 ỹ2 ỹ1 ỹ2 ỹ1
+ 365 · (ỹ2 − ỹ1 ) + − − + + −
4 4 100 100 400 400

2. Die umgekehrte Aufgabenstellung, d.h., das Ermitteln eines Datums (d, m, y) ∈ D anhand
eines gegebenen Werts des Tageszählers ∆ (1, 1, 1), (d, m, y) , wird in Abschnitt A.1.5 be-

schrieben.

Definition A.5 Eine Actual-Methode δf,(d,m,y) : D2 → R0+ mit den Parametern f ∈ {1, 2, 3,
4, 6, 12} (coupon frequency) und (d, m, y) ∈ D (coupon payment date) ist eine Zinsberechnungs-
methode der Form
 
δf,(d,m,y) (d1 , m1 , y1 ), (d2 , m2 , y2 ) :=
   
∆ (d1 , m1 , y1 ), (d˜1 , m̃1 , ỹ1 )   ∆ (d˜2 , m̃2 , ỹ2 ), (d2 , m2 , y2 )
+ δ̃ (d1 , m1 , y1 ), (d2 , m2 , y2 ) + ,
n1 n2
8
Siehe Abschnitt A.1.4 für Einzelheiten. Hierbei ist zu beachten, dass sämtliche Formeln (und Wochentagsbe-
rechnungen) gemäß dem Gregorianischen Kalender erfolgen, der frühestens am 15. Oktober 1582 eingeführt wurde
(auf Donnerstag, dem 4. Oktober 1582, folgte Freitag, der 15. Oktober 1582).
8
„b.c“ ist die sogenannte Entier- oder Gaußfunktion und bezeichnet die größte ganze Zahl, die kleiner oder gleich
dem Ausdruck in der Klammer ist („Runden Richtung −∞“). Beispielsweise ist b−0.1c = −1.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
182 Anhang A. Anhang zur klassischen Finanzmathematik

 
(d1 , m1 , y1 ), (d2 , m2 , y2 ) ∈ D2 , mit

(d1 , m1 , y1 )  (d˜1 , m̃1 , ỹ1 )  (d˜2 , m̃2 , ỹ2 )  (d2 , m2 , y2 ),

n1 , n2 ∈ {336, . . . , 372} und

n o
12 · δ̃ ∈ 0, 1, . . . , (y2 − y1 ) · 12 + (m2 − m1 ) + 1 .

Die Ausdrücke (d˜1 , m̃1 , ỹ1 ), (d˜2 , m̃2 , ỹ2 ), n1 , n2 sowie δ̃ können dabei sowohl von (d1 , m1 , y1 ) und
(d2 , m2 , y2 ) als auch von den Parametern f und (d, m, y) abhängen.

Bemerkungen:

1. Die Ausdrücke n1 und n2 in obiger Definition stellen inhaltlich mögliche „formale“ Tage
pro Jahr dar. Dass hierbei nicht nur die Werte 365 und 366 auftreten, hängt damit zu-
sammen, dass bei manchen Berechnungsmethoden (z.B. „Act/Act ICMA“) diese „formalen“
Tage pro Jahr als (tatsächliche) Tage pro Berechnungseinheit (Halbjahr, Vierteljahr, Monat)
multipliziert mit der Anzahl der Berechnungseinheiten pro Jahr (der coupon frequency, also
1, 2, 3, 4, 6 oder 12) berechnet werden. Als „Extremwerte“ ergeben sich 12 · 28 = 336 bzw.
12 · 31 = 372.

2. 12·δ̃ gibt in manchen Actual-Methoden die Anzahl der ganzen Monate an, die im betrachteten
Zeitraum von (d1 , m1 , y1 ) bis (d2 , m2 , y2 ) enthalten sind. Diese kann eine durch (d1 , m1 , y1 )
und (d2 , m2 , y2 ) vorgegebene Obergrenze nicht überschreiten.

3. Der Darstellung einer Actual-Methode als Summe dreier Summanden liegt die Tatsache
zugrunde, dass sich sämtliche praxisrelevante Actual-Methoden in einen zeitlichen „Anfangs-“,
„Mittel-“ und „Schlussteil“ aufspalten lassen, die sich von der rechnerischen Behandlung her
unterscheiden können. Die Daten (d˜1 , m̃1 , ỹ1 ) bzw. (d˜2 , m̃2 , ỹ2 ) geben dabei das zeitliche
Ende des Anfangsteils bzw. den zeitlichen Beginn des Schlussteils an.

Für die Angabe konkreter praxisrelevanter Actual-Methoden sind folgende Bezeichnungen hilfreich:

Definition A.6 Die tatsächliche Anzahl Tage im Jahr y ∈ N werde mit

 
∆y := ∆ (1, 1, y), (1, 1, y + 1)

bezeichnet.

Bemerkung: Es gilt ∆y = 366, falls y ein Schaltjahr (leap year ) ist, ansonsten ∆y = 365.

Da im Folgenden auch Daten eine Rolle spielen, die gegenüber einem Referenzdatum um gan-
ze Monate verschoben sind (um beispielsweise Daten für weitere Referenzzahlungszeitpunkte zu
ermitteln), wird eine entsprechend geeignete Notation eingeführt:

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
A.1. Zinsberechnungsmethoden (Day Count Conventions) 183

Definition A.7 Ein um k Monate, k ∈ Z, verschobenes Datum werde mit

   
(k) (k) (k) (k)
(d, m, y) := d , m , y ∈ D, k > − m + (y − 1) · 12 ,

bezeichnet. Dabei ist

 
(k) m+k−1
y := y + ,
12
 
m(k) := (m + k − 1) mod 12 + 1, 9
  
28 für (m(k) = 2) ∧ d ∈ {29, 30, 31} ∧ (∆y(k) = 365)



  
29 für (m(k) = 2) ∧ d ∈ {30, 31} ∧ (∆ (k) = 366)


y
d(k) :=  



 30 für (d = 31) ∧ m(k) ∈ {4, 6, 9, 11}

d sonst.



Bemerkung: Bezeichnet d einen Tag, der für manche Monate nicht existiert (z.B. für manche
Fälle mit d ∈ {29, 30, 31}), so liefert (d, m, y)(k) in diesem Fall den letzten Tag des betreffenden
Monats, z.B. (30, 3, 2009)(−1) = (28, 2, 2009).

Wie in den Bemerkungen zu Definition A.5 bereits angesprochen, kann sich „formal“ die Anzahl
von Tagen im Jahr auch auf einen Referenzzeitraum (Halbjahr, Vierteljahr, Monat) beziehen und
entsprechend auf das Jahr „hochgerechnet“ werden. Eine entsprechend modifizierte Anzahl von
Tagen im Jahr wird durch folgende Definition bereitgestellt.

Definition A.8 Die auf eine Anzahl f von Referenzzahlungen pro Jahr und auf ein Re-
( 12 )
ferenz(end)datum (d, m, y)  (1, 1, 1) f , (d, m, y) ∈ D, bezogene Anzahl Tage im Jahr y
werde mit
 
(− 12 )
∆f,(d,m,y) := f · ∆ (d, m, y) f , (d, m, y)

bezeichnet.

Bemerkungen:

1. Für y ∈ N gilt ∆y = ∆1,(1,1,y+1) .

2. Für eine gegebene Anzahl f von Referenzzahlungen und ein gegebenes Referenzdatum
+
( 12 ) (− 12
) (− 12
)
(d, m, y)  (d, m, y) f heißt der Zeitraum (d, m, y) f , (d, m, y) f , ...,
(d, m, y) Referenzperiode.
9
„aj mod
k b“ gibt den ganzzahligen Rest der Division a/b zweier ganzer Zahlen a, b ∈ Z, b 6= 0, an. Es gilt
a = ab · b + a mod b. Für ein positives b gilt stets a mod b ≥ 0. Beispielsweise ist −1 mod 12 = 11, da
(−1) · 12 + 11 = −1 ist.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
184 Anhang A. Anhang zur klassischen Finanzmathematik

Übungsaufgabe: Bestimmen Sie, welche Werte ∆f,(d,m,y) für f ∈ {1, 2, 3, 4, 6, 12} und (d, m, y)
∈ D annehmen kann.

Bezeichnung (d˜1 , m̃1 , ỹ1 ) n1 (d˜2 , m̃2 , ỹ2 ) n2 δ̃

Act/360 (d2 , m2 , y2 ) 360 – 10 – 11 – 12

Act/365 (d2 , m2 , y2 ) 365 – – –

365 bzw.
Act/365L (d2 , m2 , y2 ) – – –
366 13

min (d2 , m2 , y2 )
Act/Act für y1 = y2 , max(0,
(1, 1, y1 + 1), ∆y1 ∆y2
ISDA 14  (1, 1, y2 ) y2 − y1 − 1)
(d2 , m2 , y2 ) sonst

ỹ1 := y1 bzw.
y1 + 1 16 ,
Act/Act 365 bzw.
m̃1 := m2 , – – y2 − ỹ1
AFB 15 366 18
d˜1 := d2
bzw. 29 17

ỹ2 − ỹ1 +
Act/Act 20 20
∆f,(d˜1 ,m̃1 ,ỹ1 ) ∆ ( 12 ) m̃2 − m̃1
ICMA 19 (d, m, y)(k1 ) (d, m, y)(k2 ) f,(d˜2 ,m̃2 ,ỹ2 ) f +
12

Tabelle A.2: Übersicht über gebräuchliche Actual-Methoden

Übungsaufgaben:

1. Untersuchen Sie, welche Actual-Methoden unter welchen Bedingungen dieselben Ergebnisse

erzeugen (betrachten Sie in diesem Zusammenhang insbesondere „Act/Act ICMA“ für f = 1).

2. Untersuchen Sie, welche Actual-Methoden die Eigenschaft (A.1) besitzen und welche nicht.

3. Untersuchen Sie anhand eines geeigneten Beispiels, inwieweit das Ergebnis der Methode
„Act/Act ICMA“ von der Wahl der Parameter f und (d, m, y) abhängt.

4. Veranschaulichen Sie anhand geeigneter Beispiele die Unterschiede zwischen den drei
„Act/Act“-Methoden für f = 1 und f = 2.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
A.1. Zinsberechnungsmethoden (Day Count Conventions) 185

A.1.3 Business-252-Methoden

• Bei Business-252-Methoden werden ausschließlich die Arbeitstage innerhalb eines Zeitraums

auf eine (feste) Anzahl von üblicherweise 252 Arbeitstagen bezogen.

• Arbeitstage sind Tage, die keine Wochenendtage oder Feiertage sind. Welche diese genau
sind, unterscheidet sich von Land zu Land (teilweise sogar von Region zu Region).

• Business-252-Methoden unterscheiden sich auch noch hinsichtlich der Behandlung des End-
 
10
In diesem Fall wird formal (d˜2 , m̃2 , ỹ2 ) = (d2 , m2 , y2 ) gesetzt, da dann ∆ (d˜2 , m̃2 , ỹ2 ), (d2 , m2 , y2 ) = 0 gilt.
 
11
Wenn ∆ (d˜2 , m̃2 , ỹ2 ), (d2 , m2 , y2 ) = 0 ist, kann n2 beliebig gewählt werden.
12
entspricht δ̃ ≡ 0
13
Hier ist die Anzahl der Zahlungstermine f und das Referenzdatum (d, m, y) von Bedeutung (für letzteres sollte
 (d, m, y) (d2 , m2 , y2) gelten):
sinnvollerweise
y n
n o o 
+
 S
366 für


 (f = 1) ∧ (d1 , m1 , y1 ) , . . . , (d, m, y) ∩ (29, 2, ỹ) 6= ∅

  ỹ=y1
 
n1 := ∨ (f > 1) ∧ (1, 3, y)− = (29, 2, y)





365 sonst


Die Zahl 366 wird somit als Nenner gewählt, wenn im Fall f = 1 (Referenzzahlung erfolgt jährlich) ein 29. Februar
im Datumsbereich zwischen dem Anfangsdatum (d1 , m1 , y1 ) und dem Referenzdatum (d, m, y) enthalten ist. Im
Fall f > 1 (Referenzzahlungen erfolgen mehrmals jährlich) wird die Zahl 366 als Nenner gewählt, wenn das Jahr y
des Referenzdatums (d, m, y) ein Schaltjahr ist.
14
Zugrundeliegende Regel: Tage in Schaltjahren werden durch 366 dividiert, andere Tage durch 365.
15
AFB – „Association Française de Banques“
Zugrundeliegende Regel: Vollständige Jahre zwischen Anfangs- und Enddatum werden – beginnend von hinten
mit dem Enddatum – „herausgeschnitten“. Endet dann der verbleibende restliche Zeitraum (ausgehend vom An-
fangsdatum)  auf dem 28. Februar eines Schaltjahres, wird stattdessen der 29. Februar gesetzt.


für (m2 > m1 ) ∨ (m2 = m1 ) ∧ (d2 ≥ d1 )

y1
16
ỹ1 :=
y1 + 1 sonst

  
29 für (y2 > ỹ1 ) ∧ (d2 , m2 , ỹ1 )+ = (29, 2, ỹ1 )

17 ˜
d1 :=
d2 sonst

   n o n o
366 für (d1 , m1 , y1 )+ , . . . , (d˜1 , m̃1 , ỹ1 ) ∩

(29, 2, y 1 ) ∪ (29, 2, ỹ1 ) 6= ∅

18
n1 :=
365 sonst



Regel: Falls die zusammengefügten Tage von Anfangs- und Endjahr einen 29. Februar enthalten, werden 366 Tage
genommen, ansonsten 365 Tage.
19
ICMA – „International Capital Market Association“
Auch hier ist die Anzahl der Zahlungstermine f und das Referenzdatum (d, m, y) von Bedeutung: Zunächst wird
das erste (ggf. verschobene) Referenzdatum (d, m, y)(k1 ) ermittelt, das nicht vor dem Anfangsdatum (d1 , m1 , y1 )
liegt, dann das letzte Referenzdatum (d, m, y)(k2 ) , das nicht hinter dem Enddatum (d2 , m2 , y2 ) liegt. Zwischen
beiden Daten wird mit ganzen Monaten gerechnet. Im Anfangsbereich (d.h. bis (d, m, y)(k1 ) ) wird mit der aus
der jeweiligen Referenzperiode abgeleiteten Anzahl an Jahrestagen gewichtet (siehe Definition A.8), analog für den
(k2 )
Endbereich (d.h. ab n (d, m, y) ). Dabei wird der erste Tag
o jeder Periode nmitgezählt, der letzte nicht.
(k· 12 (k· 12
o
20 12 ) 12 )
k1 := f
·min k ∈ Z | (d, m, y) f  (d1 , m1 , y1 ) , k2 := f
·max k ∈ Z | (d, m, y) f  (d2 , m2 , y2 )

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
186 Anhang A. Anhang zur klassischen Finanzmathematik

datums bzw. des Zahltags (payment date) in Abhängigkeit davon, ob das Enddatum ein
Arbeitstag ist oder nicht (die entsprechenden Regeln heißen Date-Rolling-Conventions):

– Actual : Der Zahltag bleibt unverändert.

– Following : Ist das Enddatum kein Arbeitstag, so wird der Zahltag auf den nächsten
Arbeitstag verschoben.
– Previous: Ist das Enddatum kein Arbeitstag, so wird der Zahltag auf den vorangegan-
genen Arbeitstag verschoben.
– Modified Following: Wie Following, außer wenn der Zahltag (gegenüber dem Enddatum)
im nächsten Monat liegt. In diesem Fall wird dann wie bei Previous verfahren.
– Modified Previous: Wie Previous, außer wenn der Zahltag (gegenüber dem Enddatum)
im vorangegangenen Monat liegt. In diesem Fall wird dann wie bei Following verfahren.

Definition: Ein Wochentags-Indikator ist eine Funktion w : D → {0, . . . , 6} mit

   
−
w (d, m, y) = w (d, m, y) + 1 mod 7 für alle (d, m, y)  (1, 1, 1)

und
   
= w (d, m, y) − 1 mod 7 für alle (d, m, y)  (1, 1, 1).
+


w (d, m, y)

Bemerkungen:

1. Ist genau ein Wert des Wochentags-Indikators fixiert (z.B. w (24, 12, 2009) = 5), dann

lassen sich definitionsgemäß auch alle anderen Werte des Wochentags-Indikator ableiten, da
sich die Folge 0, 1, 2, 3, 4, 5, 6, 0, 1, . . . von Funktionswerten des Wochentags-Indikators
unendlich wiederholt.

2. Die Zuordnung der tatsächlichen Wochentagsnamen zu den Funktionswerten des Wochen-

tags-Indikators ist nicht festgelegt, d.h., in Abhängigkeit des konkreten Wochentags-Indika-
tors kann der Wert 0 beispielsweise sowohl für einen Sonntag als auch für jeden anderen
Wochentag stehen.

3. Eine allgemein übliche Regel zur Bestimmung des Wochentags lässt sich aus Zellers Kongru-
enz ableiten (siehe Formel (A.2) bei den Bemerkungen zur Definition A.4 des Tageszählers).
Der dazugehörige Wochentags-Indikator wZ ist bestimmt durch
       !

13 · m̃ − 2 ỹ ỹ ỹ
wZ (d, m, y) := d+ + ỹ + − + mod 7
5 4 100 400

(m + 12, y − 1) für m = 1, 2

mit (m̃, ỹ) :=
(m, y)
 sonst

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
A.1. Zinsberechnungsmethoden (Day Count Conventions) 187

für (d, m, y) ∈ D. 21 Die Zuordnung zu den tatsächlichen Wochentagen geschieht dann

gemäß
wZ 0 1 2 3 4 5 6
Wochentag Dienstag Mittwoch Donnerstag Freitag Samstag Sonntag Montag

Beispiel: Der 24. Dezember 2009 ist ein Donnerstag, da

wZ (24, 12, 2009)
       !
154 2009 2009 2009
= 24 + + 2009 + − + mod 7
5 4 100 400
= (24 + 30 + 2009 + 502 − 20 + 5) mod 7 = 2550 mod 7 = 2.

Definition: Ein Arbeitstag-Indikator ist eine Funktion b : D → {0, 1}.

Bemerkungen:

1. Der Wert „1“ eines Arbeitstag-Indikators steht für einen Arbeitstag, der Wert „0“ für einen
Wochenendstag oder einen Feiertag.

2. Ein einfacher Arbeitstag-Indikator wäre



 0 für w (d, m, y)
∈ {a, b}


Z
b{a,b} (d, m, y) := 1 − 1{a,b} wZ (d, m, y) =
1 sonst


mit a, b ∈ {0, . . . , 6} und a 6= b, was gleichbedeutend ist mit einem „Nicht-Wochenende-

Indikator“. Ist speziell a = 4 und b = 5, sind alle Tage außer Samstag und Sonntag Arbeits-
tage.

3. Die Konventionen für Nicht-Arbeitstage (auch für Wochenenden – beispielsweise in islami-

schen Ländern, in denen oft Freitag ein Feiertag ist) sind von Land zu Land verschieden (in
Indien ist beispielsweise der Samstag ein normaler Arbeitstag – für eine globale Übersicht
siehe [Link] Demnach gibt es län-
derspezifische Arbeitstag-Indikatoren wie z.B. bUSA , bUK , bPL , bCH , bA , bD , . . . (siehe Tabelle
A.3).
21
Da lediglich der Wochentag und nicht die Anzahl an Tagen von Interesse ist, tritt hier im Unterschied zu Zellers
Kongruenz lediglich
j der Summand
k jỹ anstatt k365 · ỹ auf, denn (365 · ỹ)
j mod 7k= (364 · ỹ + ỹ)j mod k7 = ỹ mod 7.
Außerdem kann 13·m̃−2
5
anstatt 153·m̃−2
5
verwendet werden, da 153·m̃−2
5
= 28 · m̃ + 13·m̃−2
5
und (28 · m̃)
mod 7 = 0. j k j k
Bemerkung: In der Original-Version von Zellers Kongruenz wird 13·(m̃+1) 5
anstatt 13·m̃−2
5
verwendet. Wegen
13·(m̃+1) 13·m̃+13
5
= 5
= j13·m̃−2
5
+ 3 kbezeichnet „3“ den Dienstag, d.h. „0“ ist ein Samstag. In der Variante von
Gauß tritt der Ausdruck 13·(m̃−2)−1
5
auf. Wegen 13·(m̃−2)−1
5
= 13·m̃−27
5
= 13·m̃−2
5
− 5 bezeichnet dann „0“ den
Sonntag.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
188 Anhang A. Anhang zur klassischen Finanzmathematik

4. Für einen effizienten und einfach zu implementierenden Algorithmus zur Bestimmung von
länderspezifischen Feiertagen ist es vorteilhaft, die entsprechenden Daten für jedes Land
jahresweise in Tabellenform abzuspeichern. Zur automatischen Berechnung der Feiertage
ist insbesondere der Termin des Ostersonntags von Interesse, für dessen Bestimmung es
Algorithmen gibt22 .

Tabelle A.3: Feiertagsübersicht für einige ausgewählte Länder

Name Datum USA UK PL CH A D

Wochenende Sa/So X X X X X X
Neujahr Jan 1 X(±) X+ X X X X
(New Year’s Day )
Berchtoldstag Jan 2 X
Epiphanias Jan 6 X (X)
(Epiphany )
Martin Luther 3. Mo im Jan X
King’s Birthday
Presidents’ Day 3. Mo im Feb X
Josefstag Mar 19 (X)
Karfreitag OS − 2 X X (X) X
(Good Friday )
Ostermontag OS + 1 X X X X X
(Easter Monday )
Christi Himmelfahrt OS + 39 X X XF
(Ascension Thursday )
Pfingstmontag OS + 50 X X XF
(Whit Monday )
Fronleichnam OS + 60 X X (X)
(Corpus Christi)
Tag der Arbeit Mai 1 X X X X
(Labour Day )
Florianstag Mai 4 (X)
Early May Bank 1. Mo im Mai X

22
Es ist allerdings zu beachten, dass sich der Ostertermin im westeuropäischen Bereich von dem im osteuropäischen
Bereich unterscheiden kann, da in Westeuropa (in katholischer Tradition) der „übliche“ gregorianische Kalender
zur Bestimmung des Ostertermins verwendet wird, in Osteuropa (in orthodoxer Tradition) jedoch der julianische
Kalender.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
A.1. Zinsberechnungsmethoden (Day Count Conventions) 189

Name Datum USA UK PL CH A D

Memorial Day / letzter Mo im Mai X X

Spring Bank
Mariä Himmelfahrt Aug 15 X (X)
(Assumption of Mary )
Summer Bank letzter Mo im Aug X
US Labor Day 1. Mo im Sep X
Rupertstag Sep 24 (X)
Kärntner Volkabstimmung Okt 10 (X)
(Carinthian Plebiscite)
Columbus Day 2. Mo im Okt XN
Reformationstag Okt 31 (X)
(Reformation Day )
Allerheiligen Nov 1 X X (X)
(All Saints)
Veteran’s Day / Nov 11 X±N (X)
Martinstag
Leopoldstag Nov 15 (X)
Buß- und Bettag Mi vor Nov 23 (X)
(Repentance Day )
Thanksgiving 4. Do im Nov X
Mariä Empfängnis Dez 8 X
(Immaculate Conception)
Heiligabend Dez 24 X (X)(F )
(Christmas Eve)
1. Weihnachtstag Dez 25 X± X+ X X X X
(Christmas)
2. Weihnachtstag Dez 26 X‡ X X X X
(Boxing Day )
Silvester Dez 31 X (X)(F )
(New Year’s Eve)

Nationalfeiertag(e) Jul 4± Mai 3 Aug 1 Okt 26 Okt 3F

Nov 11

OS – (Westeuropäischer) Ostersonntag
± Fällt der Feiertag auf einen Samstag, ist der Freitag davor arbeitsfrei, fällt der Feiertag auf einen

Sonntag, ist der darauffolgende Montag arbeitsfrei.

(±) Wie ± , aber keine Verschiebung des freien Tages an der New York Stock Exchange

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
190 Anhang A. Anhang zur klassischen Finanzmathematik

+ Fällt der Feiertag auf einen Samstag oder Sonntag, ist der darauffolgende Montag arbeitsfrei.
‡ Fällt der Feiertag auf einen Samstag, ist der darauffolgende Montag arbeitsfrei, fällt der Feiertag
auf einen Sonntag oder Montag, ist der darauffolgende Dienstag arbeitsfrei.
(X) Regionaler Feiertag
N Kein Feiertag an der New York Stock Exchange

F Kein Feiertag an der Frankfurter Börse

(F ) Freier Tag an der Frankfurter Börse

Definition: Ein Arbeitstagzähler ist eine Funktion ∆b : D2 → N ∪ {0}, wobei b ein Arbeitstag-
Indikator ist, mit
(d2 ,m2 ,y2 )

X


∆b (d1 , m1 , y1 ), (d2 , m2 , y2 ) := b (d, m, y) , (d1 , m1 , y1 ), (d2 , m2 , y2 ) ∈ D2 .
(d,m,y)=(d1 ,m1 ,y1 )

Bemerkungen:

1. Sowohl der erste Tag (d1 , m1 , y1 ) als auch der letzte Tag (d2 , m2 , y2 ) werden von einem
Arbeitstagzähler ∆b mit berücksichtigt, falls beide Tage Arbeitstage sind. Sind beispielsweise
sowohl (d1 , m1 , y1 ) als auch (d1 , m1 , y1 )+ Arbeitstage, so ergibt sich
 
∆b (d1 , m1 , y1 ), (d1 , m1 , y1 )+ = 2.

Im Gegensatz dazu würde der Tageszähler ∆ folgendes Ergebnis liefern:

 
∆ (d1 , m1 , y1 ), (d1 , m1 , y1 )+ = 1.

2. Die Anzahl an Nicht-Wochenende-Tagen zwischen zwei Daten (d1 , m1 , y1 ), (d2 , m2 , y2 ) ∈

D2 kann mit Hilfe von Zellers Wochentags-Indikator wZ , dem dazugehörigen Nicht-Wochen-

ende-Indikator b{a,b} (a, b ∈ {0, . . . , 6} und a 6= b) und dem Tageszähler ∆ unter Verwendung
der Formel


∆b{a,b} (d1 , m1 , y1 ), (d2 , m2 , y2 )
$
%
∆ (d1 , m1 , y1 ), (d2 , m2 , y2 ) + 1
= ×5+
7
  
wZ ((d1 ,m1 ,y1 ))+ ∆((d1 ,m1 ,y1 ),(d2 ,m2 ,y2 ))+1 mod 7
X
+ 1 − 1{a,b} (w)
w=wZ ((d1 ,m1 ,y1 ))+1

wZ ((d1 ,m1 ,y1 ))

mit . . . = 0 bestimmt werden.
P
w=wZ ((d1 ,m1 ,y1 ))+1

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
A.1. Zinsberechnungsmethoden (Day Count Conventions) 191

Definition: Eine Business-252-Methode δb : D2 → R0+ mit einem Arbeitstag-Indikator b ist

eine Zinsberechnungsmethode der Gestalt

∆b (d1 , m1 , y1 ), (d2 , m2 , y2 ) − i∗ (d2 , m2 , y2 )

δb (d1 , m1 , y1 ), (d2 , m2 , y2 ) := ,
252

(d1 , m1 , y1 ), (d2 , m2 , y2 ) ∈ D2 , mit i∗ : D → {0, 1}.

Bemerkungen:

1. Anstatt des Nenners 252 kann auch ein geeigneter anderen Nenner verwendet werden: Da
die durchschnittliche Anzahl an Nicht-Wochenende-Tagen etwa 261 ist (≈ 365.25
7 × 5), wird
die tatsächliche Anzahl an Arbeitstagen durch die Feiertage bestimmt: Im UK sind dies 8, in
des USA 10 bzw. 8 oder 7 (New York Stock Exchange), in der Bundesrepublik Deutschland
9 (bundesweite Feiertage), weswegen der Nenner 252 für diese Länder angemessen ist. In
anderen Ländern mit mehr Feiertagen ist der Nenner 250 möglicherweise geeigneter.

2. Die Funktion i∗ hängt von der gewählten Date-Rolling-Convention ab (siehe Tabelle A.5).

Date-Rolling-Convention i∗ = 0 i∗ = 1

Actual sonst


b (d2 , m2 , y2 ) = 0

Following sonst


b (d2 , m2 , y2 ) = 0

Previous – immer

b (d2 , m2 , y2 ) = 0 ∧ m+ = m2

Modified Following n mit (d+ , m+ , y + ) := o

23 sonst


min (d, m, y)  (d2 , m2 , y2 ) | b (d, m, y) = 1

b (d2 , m2 , y2 ) = 0 ∧ m− 6= m2

Modified Previous n mit (d− , m− , y − ) := o

24 sonst


max (d, m, y) ≺ (d2 , m2 , y2 ) | b (d, m, y) = 1

Tabelle A.5: Beziehung zwischen der gewählten Date-Rolling-Convention der Funktion i∗

23
(d+ , m+ , y + ) bezeichnet den ersten Arbeitstag nach (d2 , m2 , y2 ). Ist dieser in demselben Monat wie
(d2 , m2 , y2 ), wird das Enddatum wie „Following“ modifiziert, ansonsten wie „Previous“.
24 −
(d , m− , y − ) bezeichnet den letzten Arbeitstag vor (d2 , m2 , y2 ). If it is not in the same month (d2 , m2 , y2 ),
then it is treated as “Following”, otherwise as “Previous”.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
192 Anhang A. Anhang zur klassischen Finanzmathematik

A.1.4 Herleitung der Tageszählerformel

Das Verständnis von Formel (A.2) hängt von zwei entscheidenden Ideen ab: Zum einen wird an-
genommen, dass das Jahr mit dem Monat März beginnt und die Monate Januar und Februar die
Monate Nummer 13 und 14 des Vorjahres sind. Dies hat den Vorteil, dass der von der Tagesanzahl
her problematische Monat Februar der jeweils letzte Monat eines „Jahres“ ist und somit die Ta-
geszählung eines mit März beginnenden „Jahres“ nicht beeinflusst. Zum anderen kann der Wechsel
der Monate mit 30 oder 31 Tagen durch den Ausdruck
 
3 · m̃ − 2
.
5

beschrieben werden. j k j k j k
3·(m̃+1)
Bemerkung: Ebenso hätte auch der Ausdruck 5 = 3·m̃+3
5 = 3·m̃−2
5 + 1 verwendet
werden können.

Für m̃ = 3, . . . , 14 (März bis Februar) ergibt sich

Monat Mar Apr Mai Jun Jul Aug Sep Okt Nov Dez Jan Feb
m̃ 3 4 5 6 7 8 9 10 11 12 13 14
j k
3·m̃−2
5 1 2 2 3 3 4 5 5 6 6 7 8
Differenz 1 0 1 0 1 1 0 1 0 1 1

Die „Differenz“ gibt genau an, ob es sich um einen 30-Tage-Monat (bei einer Differenz
j kvon 0)
oder um einen 31-Tage-Monat (bei einer Differenz von 1) handelt. Der Ausdruck 3·m̃−2
5 kann
daher als kumulativer Tage-Offset im Vergleich mit Monaten mit gleicher Tagesanzahl 30 be-
trachtet werden: Die „5“ für Oktober gibt beispielsweise an, dass zwischen dem ersten März
(einschließlich) und dem ersten Oktober (ausschließlich) nicht nur 7 × 30 Tage liegen, sondern
7 × 30 + 5 (für Oktober) − 1 (für März) Tage, da die vier Monate März, Mai, Juli und August
jeweils 31 Tage haben. Der auftretende Faktor „3/5“ ist insbesondere deswegen zu diesem Zweck
gut geeignet, weil der durchschnittliche monatliche Offset

7/11 ≈ 6/10 = 3/5

beträgt (von den 11 Monaten März bis Januar haben 7 Monate 31 Tage).

Um nun die Gesamtanzahl der Tage eines mit März beginnenden „Jahres“ zu erhalten, sind lediglich
noch ein Vielfaches von 30-Tages-Monaten zu addieren, d.h.
     
3 · m̃ − 2 3 · m̃ − 2 153 · m̃ − 2
30 · m̃ + = 30 · m̃ + = .
5 5 5

Daraus ergibt sich

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
A.1. Zinsberechnungsmethoden (Day Count Conventions) 193

Month Mar Apr May Jun Jul Aug Sep Oct Nov Dec Jan Feb
m̃ 3 4 5 6 7 8 9 10 11 12 13 14
j k
153·m̃−2
5 91 122 152 183 213 244 275 305 336 366 397 428
difference 31 30 31 30 31 31 30 31 30 31 31

Das Subtrahieren von 398 in der Tageszähler-Formel (A.2) dient lediglich dazu, ∆ (1, 1, 1),
(1, 1, 1) = 0 zu erhalten.25

A.1.5 Berechnung des Datums aus einer gegebenen Tageszahl

Die Problemstellung hier besteht darin, ein Datum (d, m, y) ∈ D anhand einer gegebenen Tageszahl
∆ (1, 1, 1), (d, m, y) gemäß (A.2) zu bestimmen. Die Tageszahl wird im Folgenden kurz mit ∆

bezeichnet. Um die Problematik der Schaltjahre in den Griff zu bekommen, wird analog zu den
Betrachtungen in Abschnitt A.1.4 davon ausgegangen, dass jedes „Jahr“ mit dem 1. März beginnt
und mit dem 28. oder 29. Februar endet. Zu diesem Zweck wird das Startdatum des Tageszählers
von 1. Januar 0001 auf das (fiktive) Datum 1. März 0000 verschoben.26 Das heißt, dass der ∆-Welt
um 306 erhöht wird (um die Anzahl Tage zwischen dem „1. März 0000“ und dem 1. Januar 0001).

Die Bestimmung des Datums aus einer gegebenen Tageszahl ∆ geschieht nun in folgenden Schrit-
ten:

1. ∆ := ∆ + 306 (Verschieben des Startdatums auf den „1. März 0000“)

2. Bestimmen des Jahrs y von ∆.

3. Bestimmen des Monats m von ∆.

4. Bestimmen des Tages d von ∆.

Bestimmung des Jahres

Die Jahre können in folgende vier „Zyklen“ gemäß den Regeln des Gregorianischen Kalenders ein-
geteilt werden:

1. Ein-Jahres-Zyklus: 365 Tage

Der kleinste Zyklus ist ein Nicht-Schaltjahr mit 365 Tagen und wird als Ein-Jahres-Zyklus
bezeichnet. Das Jahr vom „1. März 0000“ bis zum 1. März 0001 ist solch ein Ein-Jahres-
Zyklus.
 
25 153 · m̃ − 2
Ansonsten wäre der Wert, der sich aus der Tageszähler-Formel ergibt, d + = 1 + 397 (siehe den
5
Wert für Januar in obiger Tabelle).
26
Tatsächlich gibt es kein Jahr „0“: Das Jahr vor 1 n. Chr. ist 1 v. Chr.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
194 Anhang A. Anhang zur klassischen Finanzmathematik

2. Vier-Jahres-Zyklus: 1.461 Tage

Der nächste Zyklus besteht aus vier aufeinanderfolgenden Jahren, wobei von einem Schaltjahr
und drei Nicht-Schaltjahren ausgegangen wird.27 Der Vier-Jahres-Zyklus hat eine Länge von
4 × 365 + 1 = 1461 Tagen. Die Jahre vom „1. März 0000“ bis zum 1. März 0004 bilden einen
solchen Zyklus.

3. 100-Jahres-Zyklus: 36.524 Tage

Der nächste Zyklus besteht aus 100 aufeinanderfolgenden Jahren, wobei angenommen wird,
dass genau ein Jahr darunter ist, dessen Jahreszahl durch 100, aber nicht durch 400 teilbar
ist. Das heißt, dieser 100-Jahre-Zyklus besteht aus 25 Vier-Jahres-Zyklen, wobei einer dieser
Vier-Jahres-Zyklen gar kein Schaltjahr enthält, d.h., einen Tag weniger besetzt. Demnach
hat der 100-Jahres-Zyklus ist eine Länge von 25 × 1461 − 1 = 36524 Tagen. Die Jahre vom
„1. März 0000“ bis zum 1. März 0100 bilden einen solchen Zyklus.

4. 400-Jahres-Zyklus: 146.097 Tage

Der letzte Zyklus besteht aus 400 aufeinanderfolgenden Jahren. Dieser Zyklus enthält genau
ein Jahr, dessen Jahreszahl durch 400 teilbar ist (ein Schaltjahr) und drei Jahre, deren
Jahreszahlen durch 100, aber nicht durch 400 teilbar sind (keine Schaltjahre). Das heißt, der
400-Jahres-Zyklus besteht aus vier 100-Jahres-Zyklen sowie einem zusätzlichen Tag. Dieser
Zyklus hat somit eine Länge von 4 × 36524 + 1 = 146097 Tagen. Die Jahre vom „1. März
0000“ bis zum 1. März 0400 bilden einen solchen Zyklus.

Die Idee besteht nun darin, beginnend mit dem größten Zyklus die Anzahl von Jahres-Zyklen einer
gegebenen Tageszahl ∆ zu bestimmen (wobei der Tageszähler mit dem „1. März 0000“ beginnt).
Dies kann gemäß folgendem Rechenschema durchgeführt werden, wobei y die Anzahl der durch ∆
bestimmten Jahre angibt:
 
∆
1. t :=
146097
t bestimmt die Anzahl der vollständigen 400-Jahres-Zyklen. Somit ist

y := 400 · t und ∆ := ∆ − t · 146097.

Die verbleibende Jahresanzahl in ∆ ist nun kleiner als 400.

 
∆
2. t :=
36524
Ist t ≤ 3, dann beschreibt t die Anzahl vollständiger 100-Jahres-Zyklen.
Allerdings kann auch der Fall t = 4 auftreten, nämlich wenn ∆ = 4 · 36524 = 146096. t = 4
ist aber inhaltlich nicht zutreffend, da das alle 400 Jahre auftretende Schaltjahr ignoriert
27
Diese Annahme trifft nicht auf jede Folge von 4 Jahren zu, beispielsweise, wenn die Nicht-Schaltjahre 1700,
1800 and 1900 enthalten sind!

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
A.1. Zinsberechnungsmethoden (Day Count Conventions) 195

wurde. In diesem Fall wird daher t := 3 gesetzt, da erst mit ∆ = 146097 ein 400-Jahres-
Zyklus vollständig wäre. Somit ist

y := y + 100 · t und ∆ := ∆ − t · 36524.

Die verbleibende Jahresanzahl in ∆ ist nun kleiner als 100.

 
∆
3. t :=
1461
t bestimmt die Anzahl vollständiger Vier-Jahres-Zyklen. Somit ist

y := y + 4 · t und ∆ := ∆ − t · 1461.

Die verbleibende Jahresanzahl in ∆ ist nun kleiner als 4.

 
∆
4. t :=
365
Ist t ≤ 3, dann beschreibt t die Anzahl der vollständigen Ein-Jahres-Zyklen.
Analog zum Fall der 100-Jahres-Zyklen kann auch hier der Fall t = 4 auftreten, nämlich
wenn ∆ = 4 · 365 = 1460. t = 4 ist aber inhaltlich nicht zutreffend, da das alle 4 Jahre
auftretende Schaltjahr ignoriert wurde.28 In diesem Fall wird daher t := 3 gesetzt, da erst
mit ∆ = 1461 ein 4-Jahres-Zyklus vollständig wäre. Somit ist

y := y + t und ∆ := ∆ − t · 365.

Der Wert ∆ ist nun kleiner als 366, wobei ∆ die verbleibende Tagesanzahl eines Jahres y
ist, das am 1. März beginnt (beispielsweise steht ∆ = 365 für den 29. Februar des Jahres
y + 1, ∆ = 364 für den 28. Februar des Jahres y + 1, ∆ = 0 für den 1. März des Jahres y).

Somit stellt sich der vollständige Algorithmus zur Bestimmung der Jahreszahl y aus einer Tageszahl
∆ (mit Startdatum 1. März 0000) folgendermaßen dar:
 
∆
t := , y := 400 · t, ∆ := ∆ − t · 146097
146097
 
∆
t := , if (t = 4) then t := 3, y := y + 100 · t, ∆ := ∆ − t · 36524
36524
 
∆
t := , y := y + 4 · t, ∆ := ∆ − t · 1461
1461
 
∆
t := , if (t = 4) then t := 3, y := y + t, ∆ := ∆ − t · 365
365

Dieser Algorithmus kann (aus Performance-Gründen) unter ausschließlicher Verwendung von In-
teger-Arithmetik implementiert werden. Darüber hinaus gibt es folgende kompaktere Variante des
Algorithmus’:
28
Der Fall, dass eine durch 100, aber nicht durch 400 auftretende Jahreszahl enthalten ist, kann nicht auftreten,
da eine solche Jahreszahl bereits in einem 100-Jahres-Zyklus enthalten wäre.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
196 Anhang A. Anhang zur klassischen Finanzmathematik

   
4·∆+3 t
t := , y := 100 · t, ∆ := ∆ − t · 36524 −
146097 4
   
4·∆+3 t
t := , y := y + t, ∆ := ∆ − t · 365 −
1461 4

Hierbei besteht die grundlegende Idee darin, zum einen die 400- und 100-Jahres-Zyklen und zum
anderen die 4- und Ein-Jahres-Zyklen zusammenzufassen, wie im Folgenden für den Fall der 4- und
Ein-Jahres-Zyklen gezeigt wird:

Wenn alle 400- und 100-Jahres-Zyklen bereits erkannt wurden, verbleiben somit weniger als 100
Jahre. In diesem Zeitbereich tritt genau alle 4 Jahre ein Schaltjahr auf, d.h., die durchschnittliche
Länge eines Jahres in Tagen beträgt

1461
= 365.25.
4
Sei nun ∆ eine Tageszahl innerhalb der ersten vier Jahre, d.h. 0 ≤ ∆ ≤ 1461. Mit Hilfe des
Ausdrucks
 
∆+x
, (A.3)
365.25

soll nun die korrekte Jahreszahl ermittelt werden, wobei x geeignet gewählt werden muss. Dies ist
der Fall, wenn die folgenden Ungleichungen gelten:

n · 365 + x n · 365 − 1 + x
≥ n > für n = 1, 2, 3 und
365.25 365.25
n · 365 + x + 1 n · 365 + x
≥ n > für n = 4,
365.25 365.25
das heißt, x muss so gewählt werden, dass der erste Tag der Jahre 1, 2, 3 und 4 (mit den jeweiligen
Tageszahlen 365, 2 · 365, 3 · 365 und 4 · 365 + 1 = 1461 – Schaltjahr!) korrekt von dem letzten Tag
des jeweiligen Vorjahres (mit den jeweiligen Tageszahlen 364, 2 · 365 − 1, 3 · 365 − 1 und 4 · 365)
unterschieden werden kann. 29 Die Ungleichungen

n · 365 + x
≥ n für n = 1, 2, 3
365.25
führen zu
n
x ≥ 365.25 · n − 365 · n = für n = 1, 2, 3
4
und folglich

x ≥ 0.75,
29
Zur Erinnerung: Der erste Tag des Jahres 4 ist der 1. März 0004, der 29. Februar einen Tag zuvor gehört
„formal“ noch zum Jahr 0003, da die Tageszählung hier am 1. März 0000 beginnt.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
A.1. Zinsberechnungsmethoden (Day Count Conventions) 197

die Ungleichung
n · 365 + x
n > für n = 4
365.25
führt zu

x < 1.

Die übrigen Ungleichungen ergeben x < 1+ n4 für n = 1, 2, 3 sowie x ≥ 0 für n = 4. Demnach kann
x in (A.3) beliebig aus dem Intervall [0.75, 1) gewählt werden. Der Ausdruck (A.3) kann ebenfalls für
alle anderen Jahre bis zum Jahr 99 verwendet werden (das Jahr 100 ist kein Schaltjahr, weswegen
in diesem Fall die Formel nicht anwendbar ist), da
k · 1461 + n · 365 + x n · 365 + x
= 4·k+
365.25 365.25
für k = 0, . . . , 24 und n = 1, 2, 3, 4 (mit (k, n) 6= (24, 4)) ist, d.h., die Konstellation der ersten vier
Jahren wiederholt sich in den folgenden vier Jahren (á 1461 Tagen), so dass dasselbe x verwendet
werden kann.
Da x beliebig aus dem Intervall [0.75, 1) gewählt werden kann, ist es naheliegend, eine möglichst
einfache Wahl zu treffen, z.B. so, dass Integer-Arithmetik verwendet werden kann. Dies ist bei-
spielsweise der Fall für x = 0.75, denn
   
∆ + 0.75 4·∆+3
= ,
365.25 1461
was genau die Formel aus der oben genannten kompakten Form des Algorithmus’ darstellt.
Die Betrachtungen für die 100- und 400-Jahres-Zyklen (mit 146097/4 = 36524.25 als durch-
schnittliche Tagesanzahl in 100 Jahren) sind analog.

Bestimmung des Monats

Es wird angenommen, dass ∆ ≤ 365 als „Endprodukt“ des obigen Algorithmus’ kein vollständiges
Jahr mehr umfasst und das Jahr mit dem 1. März beginnt. Wird der Ausdruck
 
153 · m̃ − 2
,
5
in Formel (A.2) zur Berechnung der Tageszahl für einen bestimmten Monat m̃ (wobei m̃ =
3, . . . , 14) gleich ∆ gesetzt und (unter „freier Behandlung“ der Gaußfunktion) nach m̃ umgestellt,
ergibt sich der Ausdruck
 
5·∆+2
.
153
Da ∆ höchstens den Wert 365 annehmen kann, ist
     
5·∆+2 5 · 365 + 2 1827 j k
≤ = = 11 16
17 = 11.
153 153 153

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
198 Anhang A. Anhang zur klassischen Finanzmathematik

Die folgende Tabelle zeigt, dass sich mit Hilfe dieses Ausdrucks
 
5·∆+2
m :=
153
für m = 0 der Monat März, für m = 1 der Monat April, für m = 11 der Monat Februar usw.
ergibt, da der Ausdruck 5 · ∆ + 2 für den jeweils Monatsersten des Monats m um mindestens 0
und höchstens 4 größer ist als der Ausdruck m · 153 (andernfalls würde sich für ∆ − 1 nicht der
Vormonat ergeben):

Mar 1 Apr 1 Mai 1 Jun 1 Jul 1 Aug 1 Sep 1 Okt 1 Nov 1 Dez 1 Jan 1 Feb 1

m 0 1 2 3 4 5 6 7 8 9 10 11
∆ 0 31 61 92 122 153 184 214 245 275 306 337

5·∆+2 2 157 307 462 612 767 922 1072 1227 1377 1532 1687
m · 153 0 153 306 459 612 765 918 1071 1224 1377 1530 1683

Um die tatsächliche Monatszahl zu erhalten, ist lediglich noch folgende Korrektur durchzuführen
(für die Monate Januar und Februar ist auch die Jahreszahl zu erhöhen):

if m > 9 then
m := m − 9
y := y + 1
else
m := m + 3

Bestimmung des Tages

Es wird angenommen, dass ∆ ≤ 365 als „Endprodukt“ des Algorithmus’ zur Bestimmung des
Jahres kein vollständiges Jahr mehr umfasst und der Monat m gemäß obigem Algorithmus (ohne
die abschließende Korrektur) bekannt ist, d.h., das Jahr beginnt mit dem 1. März und m = 0
bezeichnet den Monat März, m = 1 bezeichnet den Monat April, m = 11 bezeichnet den Monat
Februar usw.. Die Tagesanzahl in den vollen Monaten m ist dann
 
153 · m + 2
,
5
wie aus folgender Tabelle ersichtlich ist:

Mar Apr Mai Jun Jul Aug Sep Okt Nov Dez Jan Feb

m 0 1 2 3 4 5 6 7 8 9 10 11
j k
153·m+2
5 0 31 61 92 122 153 184 214 245 275 306 337
Differenz 31 30 31 30 31 31 30 31 30 31 31

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
A.1. Zinsberechnungsmethoden (Day Count Conventions) 199

Da der erste Tag eines Monats (nach Abzug der vollen Monaten) durch ∆ = 0 bestimmt ist, ergibt
sich für den Tag eines Monats d
 
153 · m + 2
d := 1 + ∆ − .
5

Der vollständige Algorithmus zur Bestimmung eines Datums (d, m, y) bei gegebener Tageszahl
∆ (1, 1, 1), (d, m, y) ist demnach

∆ := ∆ + 306
   
4·∆+3 t
t := , y := 100 · t, ∆ := ∆ − t · 36524 −
146097 4
   
4·∆+3 t
t := , y := y + t, ∆ := ∆ − t · 365 −
1461 4
 
5·∆+2
m :=
153
 
153 · m + 2
d := 1 + ∆ −
5
if m > 9 then
m := m − 9
y := y + 1
else
m := m + 3

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
200 Anhang A. Anhang zur klassischen Finanzmathematik

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
Anhang B

Anhang zur stochastischen

Finanzmathematik in diskreter Zeit

B.1 Grundlagen aus der linearen Algebra

B.1.1 Vektorräume
 
Definition B.1 (Körper) Ein Tripel K, +, · , bestehend aus einer Menge K und zwei binären
Verknüpfungen „+“ und „·“ (die üblicherweise Addition und Multiplikation genannt werden), heißt
Körper, wenn es folgende Eigenschaften für alle a, b, c ∈ K besitzt:

1. Additive Eigenschaften:

(a) a + (b + c) = (a + b) + c (Assoziativität)

(b) a + b = b + a (Kommutativität)

(c) Es gibt ein Element 0 ∈ K mit 0 + a = a (additiv neutrales Element – „Null“).

(d) Zu jedem a ∈ K existiert das additiv inverse Element −a mit (−a) + a = 0.

2. Multiplikative Eigenschaften:

(a) a · (b · c) = (a · b) · c (Assoziativität)

(b) a · b = b · a (Kommutativität)

(c) Es gibt ein Element 1 ∈ K mit 1 · a = a (multiplikativ neutrales Element – „Eins“) und
es ist 1 6= 0.

(d) Zu jedem a ∈ K \ {0} existiert das multiplikativ inverse Element a−1 mit a−1 · a = 1.

(e) a · (b + c) = a · b + a · c (Links-Distributivität)

201
202 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

Bemerkungen:

1. Die Rechts-Distributivität folgt aus der multiplikativen Kommutativität und der Links-Distri-
butivität.
   
2. R, +, · mit der üblichen Addition und Multiplikation ist ein Körper, Z, +, · allerdings
nicht (das multiplikativ inverse Element existiert nur für 1 und −1).
 
3. Ist klar, welche Addition und Multiplikation gemeint ist, wird ein Körper K, +, · auch kurz
als K bezeichnet.

DefinitionB.2 (Vektorraum)
 Es sei K ein Körper mit dem multiplikativ neutralen Element 1.
Ein Tripel V, +, · , bestehend aus einer Menge V und zwei Verknüpfungen

+: V ×V → V (Addition) und
·: K ×V → V (skalare Multiplikation1 ),

wird Vektorraum genannt, wenn es folgende Eigenschaften für alle u, v, w ∈ V und α, β ∈ K

besitzt:

1. Additive Eigenschaften:

(a) u + (v + w) = (u + v) + w (Assoziativität)
(b) u + v = v + u (Kommutativität)
(c) Es gibt ein Element 0 ∈ V mit 0 + v = v (neutrales Element – „Nullvektor“).
(d) Zu jedem v ∈ V existiert das additiv inverse Element −v mit (−v) + v = 0.

2. Skalar-multiplikative Eigenschaften:

(a) α · (u + v) = α · u + α · v
(b) (α + β) · v = α · v + β · v (α + β ist dabei die Körper-Addition)
(c) (α · β) · v = α · (β · v) (α · β ist dabei die Körper-Multiplikation)
(d) 1 · v = v

Bemerkungen:

1. Die Elemente eines Vektorraums werden auch Vektoren genannt.

2. Jeder Vektorraum enthält wenigstens den Nullvektor.

3. Es ist zwischen der Addition und Multiplikation innerhalb des Körpers und der Addition und
skalaren Multiplikation des Vektorraums zu unterscheiden, auch wenn beide oftmals gleich
bezeichnet werden.
1
Ein Element eines Körpers wird als Skalar bezeichnet.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.1. Grundlagen aus der linearen Algebra 203

 
4. Ist klar, welche Addition und Multiplikation gemeint ist, wird ein Vektorraum V, +, · auch
kurz als V bezeichnet.

5. Gilt K = R, wird V auch als reeller Vektorraum bezeichnet.

6. Rn (n ∈ N) ist mit der komponentenweisen Addition und skalaren Multiplikation auf dem
Körper R ein Vektorraum.

7. Für v1 , . . . , vn ∈ V (n ∈ N) und α1 , . . . , αn ∈ K heißt

n
X
αi · vi
i=1

eine Linearkombination der Vektoren v1 , . . . , vn . Jede Linearkombination ist selbst Element

des Vektorraums.

8. Ist S eine Teilmenge von V , so wird die Menge aller Linearkombinationen von Vektoren aus
S die lineare Hülle von S genannt.

9. Eine Teilmenge S von V heißt linear abhängig, wenn sich der Nullvektor auf nicht-triviale
Weise als eine Linearkombination von Vektoren v1 , . . . , vn ∈ S ausdrücken lässt, ansonsten
linear unabhängig. „Nicht-trivial“ bedeutet, dass mindestens ein Skalar (ein Koeffizient der
Linearkombination) von Null verschieden ist.

10. Eine Teilmenge S von V heißt Basis von V , wenn sie linear unabhängig und die lineare Hülle
von S gleich dem gesamten Vektorraum ist.

11. Die Anzahl der Vektoren in einer Basis von V wird als Dimension von V bezeichnet. Bezei-
chung: dim V .
Speziell ist dim Rn = n für n ∈ N.

12. Eine nichtleere Teilmenge S von V heißt Untervektorraum, falls S selbst wiederum ein
Vektorraum über demselben Körper ist. Eine nichtleere Teilmenge S von V ist genau dann
ein Untervektorraum, wenn sie abgeschlossen bezüglich der Vektoraddition und der skalaren
Multiplikation ist.

B.1.2 Skalarprodukt

Definition B.3 (Skalarprodukt) Sei V ein reeller Vektorraum. Ein Skalarprodukt (oder inneres
Produkt) auf V ist eine positiv definite symmetrische Bilinearform

h·, ·i : V × V → R,

d.h., es gilt für alle u, v, w ∈ V und α, β ∈ R

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
204 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

1. hu, ui > 0 für u 6= 0 (positive Definitheit)

2. hu, vi = hv, ui (Symmetrie)

3. hu, αv + βwi = αhu, vi + βhu, wi (Rechts-Linearität)

Bemerkungen:

1. Die Links-Linearität folgt aus der Rechts-Linearität und der Symmetrie.

2. Eine Bilinearform ist eine Funktion, die zwei Vektoren einen skalaren Wert zuordnet und
linear in ihren beiden Argumenten ist.

3. Zwei Vektoren u, v ∈ V heißen orthogonal, wenn hu, vi = 0 gilt. Bezeichung: u ⊥ v.

Eine Teilmenge S von V heißt orthogonal, wenn alle darin enthaltenen Vektoren paarweise
orthogonal sind. Eine orthogonale Teilmenge S von V ist stets linear unabhängig.
Zwei Teilmengen S, T von V heißen orthogonal, wenn s ⊥ t für alle (s, t) ∈ S × T gilt.
Bezeichnung: S ⊥ T
Ein Vektor v ∈ V und eine Teilmenge S von V heißen orthogonal, wenn {v} ⊥ S gilt.
Bezeichnung: v ⊥ S.

B.1.3 Lineare Abbildungen

Definition B.4 (Lineare Abbildung) Seien V, W Vektorräume über einem gemeinsamen Körper
K. Eine Abbildung

L:V →W

heißt lineare Abbildung, falls für alle u, v ∈ V und für alle α, β ∈ K

L(α · u + β · v) = αL(u) + βL(v)

gilt.

Definition B.5 (Bild) Das Bild einer linearen Abbildung L (Bezeichung: Im L – „image“) ist die
Menge aller Bildvektoren
n o
Im L := w ∈ W | w = L(v), v ∈ V .

Definition B.6 (Kern) Der Kern einer linearen Abbildung L (Bezeichung: ker L) ist die Menge
aller Urbild-Vektoren v ∈ V , die auf den Bild-Nullvektor 0 ∈ W abgebildet werden, d.h.
n o
ker L := v ∈ V | L(v) = 0 .

Bemerkungen:

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.1. Grundlagen aus der linearen Algebra 205

1. Im L ist ein Untervektorraum von W , ker L ist ein Untervektorraum von V .

2. Für lineare Abbildungen L gilt der Dimensionssatz

dim V = dim ker L + dim Im L.

3. Eine Sonderrolle nehmen die linearen Abbildungen von und in endlichdimensionale Vek-
torräume (d.h. dim V = m und dim W = n mit n, m ∈ N) ein:

(a) Jede lineare Abbildung (von und in endlichdimensionale Vektorräume) kann mit Hilfe
einer Matrix A ∈ Rn×m beschrieben werden. Umgekehrt kann eine Matrix A auch als
lineare Abbildung A : Rm → Rn aufgefasst werden.
(b) Der Zeilenrang einer Matrix A ∈ Rn×m ist die maximale Anzahl linear unabhängiger
Zeilen, aufgefasst als Vektoren des Rm . Der Spaltenrang einer Matrix A ∈ Rn×m
ist die maximale Anzahl linear unabhängiger Spalten, aufgefasst als Vektoren des Rn .
Allgemein gilt: Zeilenrang = Spaltenrang.
Bezeichnung: rg A.
(c) Es gilt rg A = dim Im A.

B.1.4 Adjungierte Abbildungen

Satz B.7 Es seien V, W reelle Vektorräume mit den Skalarprodukten h., .iV bzw. h., .iW sowie
L : V → W eine lineare Abbildung. Dann gibt es eine eindeutig bestimmte lineare Abbildung

L∗ : W → V

mit der Eigenschaft

hw, LviW = hL∗ w, viV

für alle w ∈ W und v ∈ V . Diese Abbildung L∗ heißt die zu L adjungierte Abbildung.

Bemerkungen:

1. Die durch eine Matrix A ∈ Rn×m beschriebene lineare Abbildung A : Rm → Rn besitzt

(bei Verwendung des üblichen Skalarprodukts) die adjungierte Abbildung AT : Rn → Rm ,
wobei AT die transponierte Matrix von A ist.

2. Es gilt

ker L ⊥ Im L∗ und ker L∗ ⊥ Im L,

also insbesondere

ker A ⊥ Im AT und ker AT ⊥ Im A. (B.1)

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
206 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

3. Es gilt

V = ker L ⊕ Im L∗ und W = ker L∗ ⊕ Im L,

also insbesondere

Rm = ker A ⊕ Im AT und Rn = ker AT ⊕ Im A. (B.2)

Dabei ist für zwei Untervektorräume S und T

n o
S + T := s + t | s ∈ S ∧ t ∈ T .

Gilt außerdem S ∩ T = {0}, so schreibt man auch S ⊕ T (die sogenannte „direkte innere
Summe“).

B.1.5 Trennungssatz
Satz B.8 Sei K̂ eine kompakte und konvexe Teilmenge des Rn und sei L̂ ein Untervektorraum
des Rn mit Skalarprodukt h., .i. Wenn L̂ und K̂ disjunkt sind, so gibt es ein φ ∈ Rn mit folgenden
Eigenschaften:

1. hφ, ui > 0 für alle u ∈ K̂

2. hφ, vi = 0 für alle v ∈ L̂

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.2. Beweis des 1. Fundamentalsatzes im EPMK 207

B.2 Beweis des 1. Fundamentalsatzes im EPMK

 
„Ein EPMK b, D ist genau dann arbitragefrei, wenn eine Lösung ψ ∈ RK des linearen Glei-
chungssystems Dψ = b mit ψ  0K existiert.“

Beweis: ⇐=: Dies ist die Aussage von Satz 2.12.

=⇒: Gemäß Satz 2.11 ist die Existenz einer Lösung des LGS Dψ = b gesichert, nicht aber die
Existenz einer streng positiven Lösung.
Zum Beweis dieser Aussage wird der Trennungssatz B.8 benötigt.

• Seien zunächst
 
−V0 (h)
L : RN → RK+1 mit L(h) :=  
Vn (h)

eine lineare Abbildung mit dem Bild

L̂ := Im L ⊂ RK+1

und
n o
K̂ := x := (x1 , . . . , xK+1 ) ∈ RK+1 | x > 0K+1 ∧ x1 + . . . + xK+1 = 1
⊂ RK+1
0+ \ {0
K+1
}

eine kompakte und konvexe Menge (Nachweis als Übungsaufgabe!).

• Offensichtlich gilt x > 0K+1 für alle x ∈ K̂. Wegen der vorausgesetzten Arbitragefreiheit
(d.h., es gibt kein Portfolio h ∈ RN mit L(h) > 0K+1 ) ist demnach

L̂ ∩ K̂ = ∅.

• Damit sind die Voraussetzungen von Satz B.8 erfüllt. Insbesondere gibt es einen Vektor
φ ∈ RK+1 mit

φ · x > 0 für alle x ∈ K̂ und (B.3)

φ · y = 0 für alle y ∈ L̂. (B.4)

• Für diesen Vektor φ ∈ RK+1 gilt φ  0K+1 , denn offensichtlich sind die K+1-dimensionalen
Standardbasisvektoren e1 := (1, 0, . . . , 0)T , . . . , eK+1 := (0, . . . , 0, 1)T ∈ K̂ und φ·ej ergibt
für j = 1, . . . , K + 1 jeweils die j-te Komponente von φ, die gemäß (B.3) positiv ist.

• Aus (B.4) ergibt sich wegen L̂ = Im L

φ · L(h) = 0 für alle h ∈ RN . (B.5)

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
208 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

• Der Vektor φ  0K+1 möge nun geschrieben werden als

 
 φ1 
φ =   mit φ1 > 0 und φ̃  0K .
φ̃

Aus (B.5) ergibt sich dann für alle h ∈ RN

   
φ1  −V0 (h)
0 = φ · L(h) =   ·   = −φ1 V0 (h) + φ̃ · Vn (h).
φ̃ Vn (h)

Daraus folgt

φ1 V0 (h) = φ̃ · Vn (h)

und somit wegen φ1 > 0 und φ̃  0K

φ̃
V0 (h) = ψ · Vn (h) mit ψ :=  0K . (B.6)
φ1

Auf der rechten Seite der Gleichung ergibt sich (es handelt sich um eine reelle Zahl!)
 
ψ · Vn (h) = ψ · D T • h = ψ T • D T • h
 T
= ψT • DT • h = hT • D • ψ
 
= h· D•ψ .

Wegen V0 (h) = h · b ergibt sich aus (B.6)

 
h·b = h· D•ψ für alle h ∈ RN ,

also insbesondere auch für die Standardbasisvektoren des RN . Daraus folgt

b = Dψ mit ψ  0K .

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.3. Grundlagen aus der Maßtheorie 209

B.3 Grundlagen aus der Maßtheorie

B.3.1 Mengensysteme
Bezeichnungen:
• Ω – beliebige Menge2
• P(Ω) – Potenzmenge von Ω; andere Bezeichnung: 2Ω
Def. Mengensystem (in Ω): Menge2 von Teilmengen von Ω
Beispiele für Ω = {1, 2, 3}: P(Ω), {∅}, {Ω}, {{1}}, {∅, Ω, {1}, {2}, {1, 2}};
nicht Ω, {1}; je nach Definition: ∅

Spezielle Mengensysteme F
Bezeichnung definierende Eigenschaft(en) Beispiele für Ω = {1, 2, 3}
P(Ω), alle einelementigen Mengen-
∩-stabiles3
A, B ∈ F ⇒ A ∩ B ∈ F systeme, {∅, Ω}, {{1}, {1, 2}, Ω},
Mengensystem nicht {{1, 2}, {2, 3}}, {{1}, {2}}

(i) A, B ∈ F ⇒ A ∪ B ∈ F 4
P(Ω), {∅}, {∅, {1}},
Ring (ii) A, B ∈ F ⇒ A \ B ∈ F 5
nicht {{1}}, {∅, {1}, {1, 2}, Ω}
(iii) ∅ ∈ F 6

P(Ω), {∅, Ω}, {∅, {1}, {2, 3}, Ω},

Algebra Ring mit Ω ∈ F 7
nicht {∅}, {∅, {1}, Ω}

Algebra mit
σ-Algebra   ∞
S 8
siehe Algebra9
An ∈F ⇒ An ∈ F
n∈N n=1

(i) Ω ∈ F
(ii) A ∈ F ⇒ A ∈ F
Dynkin-System siehe Algebra11
 
(iii) An ∈ F, paarw. disj.
n∈N
∞
An ∈ F 10
S
⇒
n=1
  Sn
4 Somit ist bei einem Ring für jede endliche Folge Ai ∈ F (n ∈ N) auch i=1 Ai ∈
i=1,...,n
F.
5 Jeder Ring ist ∩-stabil wegen A ∩ B = A \ (A \ B).
6 Diese definierende Eigenschaft eines Rings wird nur dann benötigt, wenn leere Mengensyste-
me auftreten dürfen. Andernfalls folgt ∅ ∈ F wegen A \ A = ∅ aus Eigenschaft (ii).
2
Einige Autoren verlangen die Nichtleere.
3
„durchschnittstabiles “

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
210 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

7 Damit ist bei einer Algebra für jedes A ∈ F auch A ∈ F. Wegen A \ B = A ∪ B sind die
definierenden Eigenschaften einer Algebra sogar
(i) Ω∈F
(ii) A ∈ F =⇒ A ∈ F
(iii) A, B ∈ F =⇒ A ∪ B ∈ F

∞ ∞ ∞
8 Bei einer σ-Algebra ist wegen An auch
T S T
An = An ∈ F.
n=1 n=1 n=1

9 Jede endliche Algebra ist auch eine σ-Algebra.

10 Dynkin-Systeme und σ-Algebren unterscheiden sich nur in Eigenschaft (iii) voneinander. Aller-
dings sind Dynkin-Systeme [Link]. nicht ∩-stabil. ∩-stabile Dynkin-Systeme sind σ-Algebren.
11 Für |Ω| ≤ 3 ist
n jedes Dynkin-System
o auch eine σ-Algebra. Für Ω = {1, 2, 3, 4} ist allerdings
das von E = {1, 2}, {2, 3} erzeugte Dynkin-System keine σ-Algebra.

Bezeichnung: σ(F) – kleinste σ-Algebra, die das Mengensystem F enthält

 
Beispiele: σ({∅}) = σ({Ω}) = {∅, Ω}, σ {{1}} = {∅, {1}, {2, 3}, Ω},
   
σ {{1}, {2}} = σ {{1}, {2}, {3}} = P(Ω)

B.3.2 σ-Algebra der Borel-Mengen

Definitionen:
n o
• I – Menge aller rechts offenen Intervalle [a, b[ := x ∈ R | a ≤ x < b , a, b ∈ R,
in R
• F – System aller Vereinigungsmengen von je endlich vielen Elementen aus I
• B = σ(I) = σ(F) – σ-Algebra der Borel-Mengen von R (auch: Borel’sche σ-Algebra)

Bemerkungen:

1. [a, b[ = ∅ für a ≥ b

2. F ist ein Ring in R.

3. Die Elemente von B heißen Borel-Mengen. Wegen

∞
\ ∞
[
[a, b] = [a, b + 1/n[, ]a, b[= [a + 1/n, b[ und ]a, b] = [a, b] \ [a, a]
n=1 n=1

sind auch

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.3. Grundlagen aus der Maßtheorie 211

• [a, b] ∈ B für a, b ∈ R,
• ]a, b[ ∈ B für a, b ∈ R,
• ]a, b] ∈ B für a, b ∈ R und
∞
• N ∈ B wegen N = [n, n] sowie Q ∈ B (Q ist abzählbar.)
S
n=1

4. Die σ-Algebra der Borel-Mengen B wird auch von der Menge der offenen bzw. abgeschlosse-
nen bzw. links offenen Intervalle erzeugt. Ebenso ist die Menge der uneigentlichen Intervalle
] − ∞, x] bzw. ] − ∞, x[ (x ∈ R) ein Erzeuger von B.

5. Wird die Menge I d der halboffenen Intervalle des Rd betrachtet, wobei „≤“ und „<“ kom-
ponentenweise gilt, gelangt man analog zu dem Ring F d und der σ-Algebra B d der Borel-
Mengen von Rd .

6. Es gibt Teilmengen des Rd , die keine Borel-Mengen sind, d.h., es gilt B d 6= P(Rd ) (zum
Beweis siehe z.B. Bauer, Maß- und Integrationstheorie, 1992, Satz 8.6).

B.3.3 Mengenfunktionen

Definition: Sei F ein Mengensystem. Eine Abbildung µ : F → [−∞, ∞] heißt Mengenfunkti-

on12 .

Eine Mengenfunktion µ auf einem Ring R heißt Inhalt, wenn sie folgende Eigenschaften besitzt:

(i) µ(A) ≥ 0 für alle A ∈ R

(ii) µ(∅) = 0
(iii) µ(A ∪ B) = µ(A) + µ(B) für alle disjunkten A, B ∈ R (endliche Additivität13 )

Ein Inhalt µ auf einem Ring R heißt Prämaß, wenn für jede Folge (An )n∈N paarweise disjunkter
∞
Mengen in R mit
S
An ∈ R
n=1

∞
[  ∞
X
µ An = µ(An ) (σ-Additivität)
n=1 n=1

gilt. Ist außerdem µ auf einer σ-Algebra A definiert, so heißt µ ein Maß.
12
Man beachte, dass eine Mengenfunktion die Werte −∞ und ∞ annehmen kann.
13
Somit gilt für jede endliche Folge A1 , . . . , An ∈ R paarweise disjunkter Mengen
!
n
S Pn
µ Ai = µ(Ai ).
i=1 i=1

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
212 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

Beispiele:

• Es sei F das System der Vereinigungsmengen

 von je endlich vielen Intervallen aus I. Für jedes
1 f ür ω ∈ F

ω ∈ R ist εω : F ∈ F 7→ εω (F ) := ein Prämaß und dessen Fortsetzung
0 f ür ω ∈/F
auf die Borel’sche σ-Algebra B ein Maß, das sogenannte Dirac-Maß.

• Es sei F das System der Vereinigungsmengen von je endlich vielen Intervallen aus I. Die
Mengenfunktion λ : F → [0, ∞], die jedem Intervall [a, b[ ∈ I ⊂ F, a, b ∈ R, seinen
sogenannten Elementarinhalt

λ([a, b[) = max(0, b − a)

zuordnet, ist ein Prämaß und heißt Lebesgue’sches Prämaß.

Da jedes F ∈ F als Vereinigung endlich vieler paarweise disjunkter Intervalle I1 , . . . , In ∈ I
n
dargestellt werden kann, gilt wegen der Additivität λ(F ) =
P
λ(Ii ).
i=1
Die Fortsetzung von λ auf die Borel’sche σ-Algebra B wird als Lebesgue-Borel’sches Maß
bezeichnet. Es gilt

λ([a, b[) = λ(]a, b]) = λ([a, b]) = λ(]a, b[) = max(0, b − a)

für alle a, b ∈ R sowie

λ([a, a]) = 0 für alle a ∈ R und somit λ(N) = λ(Q) = 0.

• Analog ist die Mengenfunktion λd : F d → [0, ∞], die jedem Intervall

[a, b[ ∈ I d ⊂ F d , a := (α1 , . . . , αd )T ∈ Rd , b := (β1 , . . . , βd )T ∈ Rd ,

den Elementarinhalt

  (β − α ) · (β − α ) · . . . · (β − α ) für b > a

d 1 1 2 2 d d
λ [ (α1 , . . . , αd ), (β1 , . . . , βd ) [ =
0
 sonst

zuordnet, ein Prämaß und dessen Fortsetzung auf B d ein Maß.

Wichtige Eigenschaften von Inhalten:

• Ein Inhalt µ auf einem Ring R heißt endlich, wenn µ(A) < ∞ für alle A ∈ R gilt.
Ist insbesondere R eine Algebra, so ist µ genau dann endlich, wenn µ(Ω) < ∞ gilt.
 
• Ein Inhalt µ auf einem Ring R heißt σ-endlich oder σ-finit, wenn eine Folge An ∈R
n∈N
∞
mit Ω = An existiert, so dass µ(An ) < ∞ für alle n ∈ N gilt.
S
n=1

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.3. Grundlagen aus der Maßtheorie 213

Bemerkungen:

• Jeder endliche Inhalt µ auf einer Algebra ist auch σ-finit. Dies gilt [Link]. jedoch nicht für
einen Inhalt auf einem Ring : Auf dem Ring R = {∅} mit Ω 6= ∅ existiert z.B. kein σ-finiter
Inhalt.

• Das Lebesgue’sche Prämaß λd ist endlich (wegen Rd ∈ / F d ) und σ-finit, das Lebesgue-
Borel’sche Maß λd dagegen nur σ-finit, aber nicht endlich (wegen Rd ∈ Bd und Rd =
∞
[n − 1, n] ∪ [−n, −n + 1] ).
S
n=1

Wichtige Aussagen der Maßtheorie:

• Fortsetzungssatz: Jedes Prämaß µ auf einem Ring R kann auf der σ-Algebra σ(R) zu
einem Maß fortgesetzt werden.

• Eindeutigkeitssatz: Sei E ein ∩-stabiler Erzeuger einer σ-Algebra A = σ(E). Stimmen zwei
Maße auf E überein und sind sie „auf E σ-finit“, so sind sie auch auf A gleich.
(Insbesondere kann jedes σ-endliche Prämaß – wie z.B. das Lebesgue’sche Prämaß – auf
eindeutige Weise zu einem Maß fortgesetzt werden.)

B.3.4 Messbare Abbildungen

Definition: Seien Ω eine Menge, A eine σ-Algebra in Ω und µ ein Maß auf A. Dann heißt
 
• das Paar Ω, A ein messbarer Raum und
 
• das Tripel Ω, A, µ ein Maßraum.

   
Definition: Seien Ω, A und Ω0 , A0 messbare Räume sowie T : Ω → Ω0 eine Abbildung. T
heißt A-A0 -messbar, falls
n o
T −1 (A0 ) := ω ∈ Ω : T (ω) ∈ A0 ∈ A für alle A0 ∈ A0
   
gilt. Schreibweise: T : Ω, A → Ω0 , A0
Ist klar, welche σ-Algebren gemeint sind, heißt T einfach nur messbar.

Bemerkungen:

• Jede konstante Abbildung T : Ω → Ω0 ist messbar.

   0 0

• Jede stetige Abbildung T : Rd , B d → Rd , B d (d, d0 ∈ N) ist messbar.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
214 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

 
• Sei Ω, A ein messbarer Raum. Für A ⊂ Ω ist die Abbildung 1A : Ω → {0, 1} mit

1 falls ω ∈ A

1A (ω) := (Indikatorfunktion von A)
0 sonst


genau dann messbar, falls A ∈ A ist.

n o
• T −1 (A0 ) := A ⊂ Ω : ∃A0 ∈ A0 mit A = T −1 (A0 ) ist die Menge aller Urbilder von
T . Die Messbarkeit von T ist gleichbedeutend mit

T −1 (A0 ) ⊂ A.

T −1 (A0 ) ist ebenfalls eine σ-Algebra und heißt die von T erzeugte σ-Algebra.
Schreibweise: σ(T )
σ(T ) ist die kleinste σ-Algebra, bezüglich der T messbar ist.

• Durch die Abbildung T wird auf A0 ein Maß

   
µ0 : A0 ∈ A0 7−→ µ T −1 (A0 ) = µ {ω ∈ Ω : T (ω) ∈ A0 }

erzeugt, das sogenannte Bildmaß T (µ) bzw. µT .

Messbare Abbildungen „transportieren“ somit ein Maß von einem messbaren Raum in einen
anderen.

B.3.5 Produktmaße

n
• Mengenprodukt: Ωi := Ω1 × Ω2 × . . . × Ωn
i=1
n 
 
n
• Produkt von σ-Algebren:
N
Ai := A1 ⊗ A2 ⊗ . . . ⊗ An := σ Ai
i=1 i=1

n
Ai ist im Allgemeinen keine σ-Algebra.
i=1
 
• Es sei Ωi , Ai , µi eine Folge von Maßräumen. Die Mengenfunktion
i=1,...,n

n 
n 
n  n
π∗ : Ai 7−→ π ∗
Q
Ai ∈ Ai := µi (Ai ) ∈ [0, ∞]
i=1 i=1 i=1 i=1
ist im Allgemeinen kein Maß. Sind µ1 , . . . , µn jedoch σ-endlich, so existiert eine eindeutige
n n
Fortsetzung der Mengenfunktion π ∗ auf Ai zu einem Maß π auf Ai , dem sogenannten
N
i=1 i=1
Produktmaß
n
N
µi := µ1 ⊗ µ2 ⊗ . . . ⊗ µn := π.
i=1

n n n 
Das Tupel µi ist dann ein Maßraum.
N N
Ωi , Ai ,
i=1 i=1 i=1

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.3. Grundlagen aus der Maßtheorie 215

B.3.6 Faltungen
• Seien nun speziell Ωi ≡ Rd , Ai ≡ B d (i = 1, . . . , n) und µ1 , . . . , µn endliche Maße.
Ohne Beschränkung der Allgemeinheit sei im Folgenden d = 1.

n n n   n 
Dann ist µi = Rn , B n , µi ein Maßraum.
N N N
R, B,
i=1 i=1 i=1 i=1

• Die (Summations-)Abbildung
n
Fn : (x1 , . . . , xn ) ∈ Rn 7−→
P
xi ∈ R
i=1

n
   
erzeugt auf dem messbaren Raum R, B das Maß
N
µi :
i=1 Fn

n
 
N
B ∈ B 7−→ µi (B) :=
i=1 Fn
 n n n o
(x1 , . . . , xn ) ∈ Rn |
N P
µi xi ∈ B ∈ [0, ∞[,
i=1 i=1

das sogenannte Faltungsprodukt

 n 
N
µ1 ∗ µ2 ∗ . . . ∗ µn := µi .
i=1 Fn

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
216 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

B.4 Grundlagen aus der Integrationstheorie

B.4.1 µ-Integrale
 
Gegeben sei ein Maßraum Ω, A, µ .

• E – Menge der Elementarfunktionen (reellwertig, nichtnegativ, A-messbar, nimmt nur endlich

viele Werte an)
n
A1 , . . . , An paarw. disjunkt,
Z X
Für f ∈ E ist f dµ := αi µ(Ai ).
i=1 α1 , . . . , αn ∈ R0+

– Das Integral hängt nicht von der speziellen Darstellung von f ab.
– Die maßtheoretische Vereinbarung 0 · ∞ = 0 ist zu berücksichtigen.

• Numerische Funktion: Funktion mit Werten in R := R ∪ {∞} ∪ {−∞}

• E ∗ – Menge der A-messbaren, nichtnegativen numerischen Funktionen

 
+
Es gilt: E ∗ = f : Ω → R0 ∃(fn )n∈N ∈ E isoton mit f = sup fn
n∈N
Z Z
Für f ∈ E ∗ ist f dµ := sup fn dµ.
n∈N

– Das Integral hängt nicht von der speziellen Wahl der Folge (fn )n∈N ab, d.h., Integration
und Supremumsbildung „dürfen“ vertauscht werden.
– Das Integral von f aus E ∗ ist auch für den Fall f dµ = ∞ definiert.
R

– Aus f dµ < ∞ folgt wegen der maßtheoretischen Vereinbarung 0 · ∞ = 0 im Allge-

R

meinen NICHT f < ∞, da {f = ∞} := {ω ∈ Ω | f (ω) = ∞} eine µ-Nullmenge sein

kann. Allerdings gilt in diesem Fall f < ∞ µ-fast überall.

• Integration von beliebigen numerischen Funktionen:

f : Ω → R ist µ-integrierbar :⇐⇒ f ist A-messbar
Z
und f + dµ < ∞, f + := max(f, 0),
Z
und f − dµ < ∞, f − := max(−f, 0)
Z Z Z
Für integrierbare numerische Funktionen f ist f dµ := f + dµ − f − dµ.

Z Z
– Alternative Bezeichnung: f (ω) dµ(ω) := f dµ

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.4. Grundlagen aus der Integrationstheorie 217

– Ist f A-messbar, so sind f + , f − ∈ E ∗ , d.h., die Integrale f + dµ und f − dµ sind

R R

(auch für f + dµ = ∞ und f − dµ = ∞) definiert. Die Endlichkeitsforderungen

R R

f dµ < ∞ und f − dµ < ∞ dienen zur Vermeidung des undefinierten Ausdrucks

R + R

„∞ − ∞“ in obiger Definition.
– Die Integrierbarkeit einer Funktion hängt somit auch vom verwendeten Maß µ ab, wes-
wegen manchmal genauer von der µ-Integrierbarkeit und vom µ-Integral gesprochen
wird.
– Im Spezialfall µ = λd spricht man von Lebesgue-Integrierbarkeit bzw. vom Lebesgue-
Integral. Ist µ ein Borel-Maß, d.h. auf B d definiert, spricht man auch von (Lebesgue-)
Stieltjes-Integrierbarkeit bzw. vom (Lebesgue-)Stieltjes-Integral.

• Die Eigenschaft η gilt µ-fast überall. :⇐⇒ Es existiert eine µ-Nullmenge N (∈ A),
so dass alle ω ∈ N die Eigenschaft η be-
sitzen.
Ist µ ein Wahrscheinlichkeitsmaß (d.h. µ(Ω) = 1), so sagt man auch „µ-fast sicher“ anstatt
„µ-fast überall“.

• f integrierbar =⇒ |f | < ∞ µ-fast überall

• f integrierbar und f = g µ-fast überall =⇒ g integrierbar

Z Z
• f integrierbar und f = g µ-fast überall =⇒ f dµ = g dµ
Z Z
• f, g integrierbar: f ≤ g =⇒ f dµ ≤ g dµ

• Weitere Verallgemeinerung des Integralbegriffs auf fast überall definierte messbare numerische
Funktionen:

f (messbar, numerisch) µ-fast überall auf Ω definiert Z Z

und f 0 integrierbare Fortsetzung von f auf Ω =⇒ f dµ := f 0 dµ

• Einschränkung des Integrationsbereichs auf A ∈ A für integrierbares f :

Z Z
f dµ := 1A · f dµ
A

B.4.2 Maße mit Dichten

 
Gegeben sei ein Maßraum Ω, A, µ .

• Für jedes f ∈ E ∗ (d.h., f ist A-messbar, numerisch und nichtnegativ) wird durch
Z
ν(A) := f dµ, A ∈ A,
A

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
218 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

ein Maß ν auf A definiert. f heißt Dichte des Maßes ν bezüglich µ.

dν
Schreibweise: ν = f µ oder f =
dµ
Z Z
• Für ϕ ∈ E ∗ und ν = f µ mit f ∈ E ∗ gilt: ϕ dν = ϕ · f dµ

• Für f, g ∈ E ∗ gilt: f = g µ-fast überall =⇒ f µ = gµ

(Umkehrung gilt, falls f oder g zusätzlich noch µ-integrierbar sind, d.h. f dµ < ∞ oder
R
R
g dµ < ∞)

• Ein Maß ν auf A heißt µ-stetig (andere Bezeichnung: absolutstetig bezüglich µ), wenn
jede µ-Nullmenge auch eine ν-Nullmenge ist.
Schreibweise: ν  µ

• Satz von Radon-Nikodym: Ist das Maß µ σ-finit, so besitzt ein Maß ν auf A genau dann
eine Dichte f ∈ E ∗ bezüglich µ, wenn ν µ-stetig ist.
Diese Dichte f ist µ-fast überall eindeutig bestimmt.
Ist darüber hinaus auch ν σ-endlich, so gilt f < ∞ µ-fast überall.

B.4.3 Integration bezüglich eines Bildmaßes

   
Gegeben seien ein Maßraum Ω, A, µ , ein messbarer Raum Ω0 , A0 sowie eine (A, A0 )-messbare
Abbildung T : Ω → Ω0 mit Bildmaß µT auf A0 .

• Für jede (A0 , B)-messbare Funktion f 0 : Ω0 → R gilt:

f 0 ist µT -integrierbar ⇐⇒ f 0 (T ) = f 0 ◦ T ist µ-integrierbar

und (in diesem Fall)

Z Z
f 0 dµT = f 0 (T ) dµ (B.7)
Z Z
Alternative Bezeichnung: f 0 (x) dµT (x) := f 0 dµT

B.4.4 Beziehung zwischen Riemann- und Lebesgue-Integral

• Integrierbarkeit auf einem kompakten Intervall: Ist eine messbare Funktion f : [a, b] →
R auf dem Intervall [a, b] ⊂ R Riemann-integrierbar, so ist f auch auf [a, b] Lebesgue-
integrierbar, und es gilt
Z Zb
f dλ = f (x) dx
[a,b] a

Die Umkehrung gilt im Allgemeinen nicht (Gegenbeispiel: f := 1Q | [a,b] ).

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.4. Grundlagen aus der Integrationstheorie 219

• Eine beschränkte Funktion f : [a, b] → R ist genau dann Riemann-integrierbar, wenn die
Menge der Unstetigkeitsstellen von f auf dem Intervall ]a, b[ das Lebesgue-Maß Null besitzt.

• Uneigentliche Integrierbarkeit: Sei eine messbare Funktion f : (a, b) ⊂ R → R für alle

Intervalle [c, d] ⊂ (a, b) Riemann-integrierbar. Dann ist f genau dann Lebesgue-integrierbar,
wenn |f | uneigentlich Riemann-integrierbar ist.
Aus der uneigentlichen Riemann-Integrierbarkeit von f folgt jedoch im Allgemeinen nicht die
Lebesgue-Integrierbarkeit von f (Gegenbeispiel: f : x ∈ (0, ∞) 7→ sin x/x).

B.4.5 Satz von Fubini

• Seien (Ω1 , A1 , µ1 ) und (Ω2 , A2 , µ2 ) zwei Maßräume mit zwei σ-finiten Maßen µ1 , µ2 und
f : Ω1 × Ω2 → R nichtnegative messbare oder eine µ1 ⊗ µ2 -integrierbare Funktion.
Z Z Z 
Dann gilt f d(µ1 ⊗ µ2 ) = f (ω1 , ω2 ) dµ1 (ω1 ) dµ2 (ω2 )
Z Z 
= f (ω1 , ω2 ) dµ2 (ω2 ) dµ1 (ω1 ).

B.4.6 Lp -Räume
 
Definition: Sei Ω, A, µ ein Maßraum. Dann bezeichnet
 
• Lp Ω, A, µ für 1 ≤ p < ∞ die Menge aller p-fach integrierbaren Funktionen auf Ω,
 
• L∞ Ω, A, µ die Menge aller messbaren, µ-fast überall beschränkten Funktionen auf Ω,
 
• L0 Ω, A, µ die Menge aller messbaren, µ-fast überall endlichen Funktionen auf Ω.

 
• Abkürzende Bezeichung: Lp := Lp (µ) := Lp Ω, A, µ für p ∈ [1, ∞] ∪ {0}.

• Für endliche Maße µ ist Lp ⊂ Lq für p > q.

• Integrierbarkeit des Produkts von integrierbaren Funktionen: Für f ∈ Lp und g ∈ Lq

1 1
mit p, q ∈ [1, ∞] und + = 1 (wobei ∞ 1
:= 0) gilt f · g ∈ L1 .
p q

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
220 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

B.5 Grundlagen aus der Wahrscheinlichkeitstheorie

 
Definition: Sei Ω, A ein messbarer Raum.

• Ein Maß P auf A heißt Wahrscheinlichkeitsmaß, falls

 
P Ω = 1

gilt.
 
• Ein Maßraum Ω, A, P heißt Wahrscheinlichkeitsraum, falls P ein Wahrscheinlichkeits-
maß ist.

• Die Elemente der σ-Algebra A werden Ereignisse genannt.

 
• Eine messbare Abbildung X auf einem Wahrscheinlichkeitsraum Ω, A, P heißt Zufalls-
größe oder Zufallsvariable14 .

• Das Bildmaß X(P) bzw. PX von X heißt Verteilung von X.

• Ist X P-integrierbar, so heißt das Integral

Z
X dP

Erwartungswert von X. Bezeichnung: E(X)

In diesem Fall gilt (siehe (B.7))

Z Z
EX = Id dPX = x dPX (x),

wobei Id die Identität Id : x ∈ R 7→ x ∈ R bezeichnet.

• Ist X 2 integrierbar, so heißt

Z  2 Z  2
Var (X) := X − E(X) dP = x − E(X) dPX (x)

die Varianz von X und Var (X) die Standardabweichung von X. Es gilt
p

   2
Var (X) = E X 2 − E(X) .

14
Das Wahrscheinlichkeitsmaß P ist für die Messbarkeit allerdings ohne Bedeutung.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.5. Grundlagen aus der Wahrscheinlichkeitstheorie 221

B.5.1 Unabhängigkeit
 
Definition: Sei Ω, A, P ein Wahrscheinlichkeitsraum.

• Zwei Ereignisse A, B ∈ A heißen unabhängig, falls

P(A ∩ B) = P(A) · P(B)

gilt.

• Eine Familie Ai )i∈I (I ⊂ N) von Ereignissen aus A heißt unabhängig, wenn für jede
nichtleere endliche Teilmenge J = {i1 , . . . , in } von I
 
\n Yn  
P  Aij  = P Aij
j=1 j=1

gilt.
Bemerkung: Die paarweise Unabhängigkeit ist notwendig, aber nicht hinreichend für die
Unabhängigkeit.

• Eine Familie Ai )i∈I (I ⊂ N) von Unter-σ-Algebren von A heißt unabhängig, wenn jede

Familie Ai )i∈I von Ereignissen mit Ai ∈ Ai unabhängig ist.

• Eine Familie Xi )i∈I (I ⊂ N) von Zufallsgrößen auf dem gemeinsamen Wahrscheinlichkeits-
  
raum Ω, A, P heißt unabhängig, wenn die Familie σ(Xi ))i∈I der von Ihnen erzeugten
σ-Algebren unabhängig ist.

• Charakterisierung der Unabhängigkeit durch das Produkt der Verteilungen: Endlich

viele Zufallsgrößen X1 , . . . , Xn sind genau dann unabhängig, wenn die Verteilung des Vektors
(X1 , . . . , Xn )T gleich dem Produkt der Einzelverteilungen ist, d.h.
n
O
P(X1 ,...,Xn )T = PXi .
i=1

• Multiplikationssatz: Für n unabhängige und integrierbare oder nichtnegative Zufallsgrößen

X1 , . . . , Xn gilt
 
Yn n
Y
E  Xi  = E (Xi ) .
i=1 i=1

• Verteilung der Summe unabhängiger Zufallsgrößen: Die Verteilung einer Summe S :=

X1 + . . . , Xn von n unabhängigen Zufallsgrößen X1 , . . . , Xn ist gleich dem Faltungsprodukt
der Einzelverteilungen, d.h.

PS = PX1 ∗ . . . ∗ PXn .

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
222 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

B.5.2 Unkorreliertheit
• Für zwei integrierbare Zufallsgrößen X und Y , deren Produkt XY integrierbar ist, heißt
   
cov (X, Y ) := E X − E (X) · Y − E (Y ) = E (XY ) − E (X) · E (Y )

die Kovarianz von X und Y .

• Gilt

cov (X, Y ) = 0,

so heißen X und Y unkorreliert.

• Zwei unabhängige, integrierbare Zufallsgrößen sind unkorreliert. Die Umkehrung gilt jedoch
nicht immer.

• Gleichheit von Bienaymé: Für endlich viele paarweise unkorrelierte Zufallsgrößen X1 , . . . ,

Xn gilt
 
Xn Xn
Var  Xi  = Var (Xi ) .
i=1 i=1

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.6. Beweis des 1. Fundamentalsatzes im EPM 223

B.6 Beweis des 1. Fundamentalsatzes im EPM

Von Satz 2.31 verbleibt zu zeigen, dass aus der Arbitragefreiheit des EPM die Existenz eines
risikoneutralen Maßes folgt, das darüber hinaus noch eine beschränkte Dichte bezüglich P besitzt.
Dafür wird der folgende Trennungssatz benötigt:

Lemma B.9 Sei C ⊂ Rn eine nicht-leere konvexe Menge mit 0n ∈

/ C. Dann gibt es ein φ ∈ Rn
mit folgenden Eigenschaften:

1. φ · x ≥ 0 für alle x ∈ C

2. φ · x0 > 0 für wenigstens ein x0 ∈ C

Beweis: Siehe Föllmer/Schied

Nun zu dem verbleibenden Beweisteil von Satz 2.31. Die Beweisidee beruht darauf, die Existenz
eines Maßes Q mit der Eigenschaft
 
EQ S −0
n
− S −0
0
= 0N
e e
zu zeigen. Obiger
 Trennungssatz
 B.9 wird dann dazu verwendet, die Gegenannahme („Es gibt kein
Maß Q mit E S n − S 0
Q −0 −0
= 0N .“) zum Widerspruch zur vorausgesetzten Arbitragefreiheit zu
führen.
e e

• Sei Y −0 := S −0 n
− S −0 .
e e e0    
∗
Für jedes Wahrscheinlichkeitsmaß P∗ auf Ω, F ist das Integral EP Y −0 wohldefiniert,
da Y −0 (aufgrund der Nichtnegativität von S −0 ) nach unten durch den konstanten Vektor
e
n  −
e e
−S −0 beschränkt ist und somit für den Negativteil Y −0
von Y −0
e0 e e
∗
  ∗
 
EP (Y −0 )− ≤ EP (−S −0 )− = (−S −0 )− < ∞ · 1N
e e0 e0
gilt. Somit ist
  
  
∞ · 1 N für EP∗ (Y −0 )+ = ∞
∗
EP Y −0 := ∗
  ∗
  e
e EP (Y −0 )+ − EP (Y −0 )−
 sonst.
e e
Insbesondere ist ein zu P äquivalentes Wahrscheinlichkeitsmaß Q genau dann ein risikoneu-
trales Maß (d.h. EQ (S n ) = S 0 ), wenn
e e
 
EQ Y −0 = 0N (B.8)
e
gilt. Die 0-te Komponente der N + 1-dimensionalen Vektoren S n und S 0 braucht wegen
 
S 0n = S 00 = 1 und somit EQ S 0n − S 00 = 0 nicht berücksichtigt zu werden.
e e
e e e e
Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
224 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

• Für ein verkürztes Portfolio h−0 ∈ RN ist

h−0 · Y −0 = V −0 (h−0 ) − V −0 (h−0 ).

e en e0
Demnach ist gemäß Lemma 2.29 die Existenz einer Arbitrage im EPM äquivalent mit der
Existenz eines verkürzten Portfolios h−0 ∈ RN mit
 
h−0 · Y −0 ≥ 0 P-f.s. und P h−0 · Y −0 > 0 > 0. (B.9)
e e
• Ohne Beschränkung der Allgemeinheit sei
  q
EP |Y −0 | < ∞ mit |Y −0 | := Y −0 · Y −0 . (B.10)
e e e e
Andernfalls kann anstatt P das Maß P̂ mit der Dichte
1 !
dP̂ 1 + |Y −0 | 1
= mit c := E P
dP c 1 + |Y −0 |
e
e
verwendet werden, das folgende Eigenschaften besitzt:
1
1. Wegen 0 ≤ |Y −0 | < ∞ ist 0 < ≤ 1. Somit ist auch 0 < c ≤ 1 und P̂
e 1 + |Y −0 |
dP̂
e
wegen der erfolgten Normierung durch c ein Wahrscheinlichkeitsmaß. Außerdem ist
dP
beschränkt. Insbesondere besitzt dann jedes Maß Q, das bezüglich P̂ eine beschränkte
Dichte besitzt, wegen
dQ dQ dP̂
= ·
dP dP̂ dP
ebenfalls eine bezüglich P beschränkte Dichte.
dP̂
2. Wegen > 0 sind P und P̂ äquivalent. Insbesondere wird durch den Übergang von
dP
P zu P̂ die Arbitragefreiheit des EPM nicht gefährdet.
3. Wegen
 
|Y −0 |
EP e −0 |
  1+|Y EP (1) 1
EP̂ |Y −0 | = e ≤ =
e c c c
 
ist EP̂ |Y −0 | < ∞, da c > 0 ist.
e
• Sei nun Q die Menge aller zu P äquivalenten Wahrscheinlichkeitsmaße, die eine beschränkte
dQ
Dichte bezüglich P besitzen. Q ist eine konvexe Menge, denn für zwei Wahrscheinlich-
dP
keitsmaße Q0 , Q1 ∈ Q gilt für

Qα := α · Q1 + (1 − α) · Q0 mit α ∈ (0, 1) (B.11)

und alle F ∈ F

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.6. Beweis des 1. Fundamentalsatzes im EPM 225

1. P(F ) = 0 ⇐⇒ Q0 (F ) = Q1 (F ) = 0 ⇐⇒ Qα (F ) = α ·Q1 (F )+(1−α)·Q0 (F ) = 0

(„⇐=“ wegen α, 1 − α > 0 und Q1 , Q0 ≥ 0) sowie
Z Z Z  
dQ1 dQ0 dQ1 dQ0
2. Qα (F ) = α · dP + (1 − α) · dP = α· + (1 − α) · dP,
dP dP dP dP
F F F
dQ1 dQ0 dQ1 dQ0
wobei α · + (1 − α) · beschränkt ist, da und beschränkt sind.
dP dP dP dP
Außerdem ist Q nichtleer, da P ∈ Q ist und P bezüglich sich selbst die beschränkte Dichte
1 (Einsfunktion) besitzt.

• Die Menge
   
C := EQ Y −0 | Q ∈ Q ⊂ RN
e

ist die Menge aller (endlichen) Erwartungswerte von Y −0 , die durch zu P äquivalente Maße
mit beschränkter Dichte bezüglich P gebildet werden. Gemäß (B.8) ist 0N ∈ C gleichbedeu-
e

tend mit der Existenz eines risikoneutralen Maßes.

Diese Menge soll im Folgenden im Zusammenhang mit Lemma B.9 verwendet werden, so
dass zunächst überprüft werden muss, ob im Bezug auf die Menge C die Voraussetzungen
von Lemma B.9 erfüllt sind:

1. C enthält wegen (B.10) und der Beschränktheit der Dichten bezüglich P ausschließlich
endliche Werte, so dass C ⊂ RN gesichert ist (siehe Anhang B.4.6: Das Produkt einer
integrierbaren und einer beschränkten Funktion ist stets integrierbar).
 
2. C ist nichtleer, da P ∈ Q und somit EP Y −0 ∈ C ist.
e
3. C ist konvex: Zu allen Vektoren x0 , x1 ∈ C gibt es Maße Q0 , Q1 ∈ Q, so dass
   
x0 = EQ0 Y −0 und x1 = EQ1 Y −0
e e
gilt. Da Q konvex ist, ist auch Qα gemäß (B.11) mit α ∈ (0, 1) in Q enthalten und
somit auch E α Y −0 ∈ C. Für diesen Erwartungswert gilt nun, da Qα die Dichte
Q

dQ1 dQ0
e
α· + (1 − α) · bezüglich P besitzt,
dP dP
  Z
−0
EQα
Y = Y −0 dQα
e e  
Z
−0 dQ1 dQ0
= Y · α· + (1 − α) · dP
e dP dP
Z Z
dQ1 dQ0
= α Y −0 · dP + (1 − α) Y −0 · dP
e dP e dP
  
= αEQ1 Y −0 + (1 − α)EQ0 Y −0 = αx1 + (1 − α)x0 ,
e e
d.h. αx1 + (1 − α)x0 ∈ C.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
226 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

4. Die Eigenschaft 0N ∈ / C wird im Folgenden angenommen werden, um diese zum Wi-

derspruch zur Arbitragefreiheit zu führen.

/ C. Dann gibt es gemäß Lemma B.9 einen Vektor h−0 ∈ RN mit

• Angenommen, es ist 0N ∈

1. h−0 · x ≥ 0 für alle x ∈ C und

2. h−0 · x0 > 0 für wenigstens ein x0 ∈ C.

Dies ist gleichbedeutend mit

   
1. h−0 · EQ Y −0 = EQ h−0 · Y −0 ≥ 0 für alle Q ∈ Q und
e
   e 
∗ ∗
2. h−0 · EQ Y −0 = EQ h−0 · Y −0 > 0 für wenigstens ein Q∗ ∈ Q.
e e
Für Q ergibt sich daher sofort
∗

 
Q∗ h−0 · Y −0 > 0 > 0,
e
was aufgrund der Äquivalenz von Q∗ und P gleichbedeutend ist mit
 
P h−0 · Y −0 > 0 > 0.
e
Gemäß (B.9) würde dann die Gültigkeit von

h−0 · Y −0 ≥ 0 P- bzw. Q∗ -f.s.

e
die Existenz einer Arbitrage im EPM implizieren, was ein Widerspruch zur vorausgesetzten
Arbitragefreiheit wäre. Daraus würde 0N ∈ C und gemäß (B.8) die Existenz eines risikoneu-
tralen Maßes folgen. Es verbleibt demnach zu zeigen, dass die Eigenschaft h−0 · Y −0 ≥ 0
P-f.s. – unter der Annahme 0N ∈ / C – tatsächlich gilt.
e

• Es wird im folgenden letzten Schritt

 
EP h−0 · Y −0 · 1{h−0 ·Y −0 <0} ≥ 0
e e
gezeigt, woraus dann – wie gewünscht –

h−0 · Y −0 ≥ 0 P-f.s.
e
folgt. Sei nun (φn )n=2,3,... mit
 1 1
φn := 1− · 1{h−0 ·Y −0 <0} + · 1{h−0 ·Y −0 ≥0}
n e n e
eine Folge von Zufallsgrößen. Offensichtlich ist

lim φn = 1{h−0 ·Y −0 <0} .

n→∞
e
Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.6. Beweis des 1. Fundamentalsatzes im EPM 227

Gemäß dem Satz von der majorisierten Konvergenz („Satz von Lebesgue“) ist dann
   
EP h−0 · Y −0 · 1{h−0 ·Y −0 <0} = lim EP h−0 · Y −0 · φn .
e n→∞ e
e
Es genügt demnach,
 
EP h−0 · Y −0 · φn ≥ 0 für alle n = 2, 3, . . .
e
zu zeigen. Wegen
1 1
≤ φn ≤ 1 −
n n
ist auch 1
n ≤ EP (φn ) ≤ 1 − 1
n für alle n = 2, 3, . . . und somit

φn
P
E (φ n)

eine beschränkte streng positive Dichte bezüglich P. Somit sind die Maße
dQn φn
:= P für n = 2, 3, . . .
dP E (φn )

sämtlich in Q enthalten und folglich gilt – gemäß obiger Argumentation unter der Annahme
/C–
0N ∈
   
EP h−0 · Y −0 · φn = EQn h−0 · Y −0 · EP (φn ) ≥ 0
e e
für alle n = 2, 3, . . . . 

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
228 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

B.7 Beweis des 2. Fundamentalsatzes im EPM

Von Satz 2.35 verbleibt zu zeigen, dass aus der Eindeutigkeit
 des
 risikoneutralen Maßes die Voll-
ständigkeit folgt. Außerdem soll in diesem Fall dim L Ω, F, P ≤ N + 1 gelten.
0

Zunächst jedoch soll die Menge der replizierbaren Auszahlungprofile mit Hilfe von Lp -Räumen
charakterisiert werden.
   
Lemma B.10 Gegeben seien ein arbitragefreies EPM n, T, Ω, F, P , S 0 , . . . , S N sowie
n o
V := V n (h) | h ∈ RN +1
e e
die Menge aller zu replizierbaren Auszahlungsprofilen gehörigen diskontierten Auszahlungsprofile.
Dann gilt
 
dim V ≤ dim L0 Ω, F, P .
e
Ist das EPM darüber hinaus noch vollständig, gilt sogar

dim V = dim L0 (Ω, F, P).

e
Beweis: In einem arbitragefreien EPM ist jedes zu einem replizierbaren Auszahlungsprofil C gehö-
rige diskontierte Auszahlungsprofil C integrierbar bezüglich jedes beliebigen risikoneutralen Maßes
Q, d.h.,
e

 
V ⊂ L1 Ω, F, Q .
e
Allgemein ist (da jedes Wahrscheinlichkeitsmaß ein endliches Maß ist)
   
L1 Ω, F, Q ⊂ L0 Ω, F, Q ,
 
wobei L0 Ω, F, Q die Menge der Q-f.s. endlichen (d.h. reellwertigen) Zufallsgrößen beschreibt.
Aufgrund der Äquivalenz von Q und P ist
   
L0 Ω, F, Q = L0 Ω, F, P ,

folglich
 
V ⊂ L0 Ω, F, P
e
und somit
 
dim V ≤ dim L0 Ω, F, P .
e
Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.7. Beweis des 2. Fundamentalsatzes im EPM 229

Ist das EPM außerdem noch vollständig, ist jede reellwertige

 Zufallsgröße replizierbar. In diesem
Fall stimmen – bis auf P-Nullmengen – V und L Ω, F, P überein. Demnach gilt
0
e
 
dim V = dim L0 Ω, F, P . 
e

Bemerkung: Die Menge V ist ein endlich-dimensionaler Vektorraum mit

e
dim V ≤ N + 1.
e
Im Fall der Arbitragefreiheit und Vollständigkeit eines gegebenen EPM ist somit auch
 
dim L0 Ω, F, P ≤ N + 1.

Die Zustandsmenge Ω lässt sich demnach in diesem Fall in höchstens N + 1 „Hauptbestandteile“

aufspalten, die in folgender Definition als „Atome“ bezeichnet werden.
 
Definition B.11 Sei Ω, F, P ein Wahrscheinlichkeitsraum. Ein Ereignis A ∈ F heißt Atom von
 
Ω, F, P , falls

P(A) > 0 und P(B) ∈ {0, P(A)} für alle B ⊂ A

gilt.

Bemerkung: Die Hinzunahme einer beliebigen Nullmenge zu einem Atom erzeugt wieder ein Atom.
Atome sind demnach bis auf Nullmengen eindeutig bestimmt.

Lemma B.12 Für alle p ∈ {0} ∪ [1, ∞] gilt

 
dim Lp Ω, F, P (B.12)
n o
= sup n ∈ N | ∃ Partition A1 , . . . , An von Ω mit Ai ∈ F und P(Ai ) > 0 (i = 1, . . . , n) .
 
Außerdem ist n0 := dim Lp Ω, F, P < ∞ genau dann, wenn eine Partition von Ω in n0 Atome
 
von Ω, F, P existiert.

n
Beweis: Sei A1 , . . . , An eine Partition von Ω (d.h. Ai = Ω und Ai ∩ Aj = ∅ für i 6= j, i, j =
S
i=1
1, . . . , n) mit Ai ∈ F und P(Ai ) > 0 (i =1, . . . , n). Dann sind die Zufallsgrößen 1A1 , . . . , 1An
linear unabhängige Vektoren in L Ω, F, P (da die Indikatorfunktionen beschränkt sind, sind sie
p

in L∞ und damit auch in allen Lp mit p ∈ {0} ∪ [1, ∞] enthalten) und es gilt folglich
 
dim Lp Ω, F, P ≥ n.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
230 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

Für
n o
sup n ∈ N | ∃ Partition A1 , . . . , An von Ω mit Ai ∈ F und P(Ai ) > 0 (i = 1, . . . , n) = ∞

ist die Gleichheit (B.12) offensichtlich. Ist nun

n o
sup n ∈ N | ∃ Partition A1 , . . . , An von Ω mit Ai ∈ F und P(Ai ) > 0 (i = 1, . . . , n) < ∞

sowie n0 das entsprechende Maximum und A1 , . . . , An0 die dazugehörige Partition, so sind  A1 , . . .,
An0 Atome, da ansonsten n0 kein Maximum wäre. In diesem Fall ist jede Zufallsgröße auf Ω, F, P
auf den Ereignissen A1 , . . . , An0 P-f.s. konstant und folglich P-f.s.
 gleich
 einer Linearkombination
der Zufallsgrößen 1A1 , . . . , 1An0 , die somit eine Basis des L Ω, F, P bilden, d.h.
p

 
dim Lp Ω, F, P = n0 . 

Das folgende Lemma liefert eine hinreichende Bedingung für die Replizierbarkeit, die im darauf
folgenden Satz von entscheidender Bedeutung sein wird.

Lemma B.13 In einem arbitragefreien EPM sei für ein Auszahlungsprofil C die Menge Q(C)
diejenige Menge von risikoneutralen Maßen, für die das diskontierte Auszahlungsprofil C integrierbar
ist. Ist dann die dazugehörige Menge
e
n o
C 0 (C) := EQ (C ) | Q ∈ Q(C)
e e
einelementig, so ist C replizierbar.

Ohne Beweis.

Satz B.14 Ist in einem arbitragefreien EPM

 das risikoneutrale
 Maß eindeutig bestimmt, so ist das
EPM vollständig. Außerdem gilt dim L Ω, F, P ≤ N + 1.
0

Beweis: Sei C ein Auszahlungsprofil, dessen dazugehöriges diskontiertes Auszahlungsprofil C P-f.s.

beschränkt ist, d.h.
e
 
C ∈ L∞ Ω, F, P .
e
Somit ist C nicht nur bezüglich P, sondern auch bezüglich des zu P äquivalenten (als eindeutig
bestimmt vorausgesetzten) risikoneutralen Maßes integrierbar und die Menge C 0 (C) aus Lemma
e

B.13 besteht nur aus einem einzigen Element, woraus die Replizierbarkeit von C folgt. Folglich ist
e
 
L∞ Ω, F, P ⊂ V
e
und somit
 
dim L∞ Ω, F, P ≤ dim V ≤ N + 1.
e
Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.7. Beweis des 2. Fundamentalsatzes im EPM 231

Da gemäß Lemma B.12 die Dimension aller Lp -Räume übereinstimmt, ist demnach auch
 
dim L0 Ω, F, P ≤ N + 1
 
und es gibt eine Partition von Ω in höchstens N +1 Atome. Jede Zufallsgröße auf Ω, F, P ist auf
jedem
 dieser Atome
 P-f.s. konstant. Da es nur endlich viele Atome gibt, ist daher jede Zufallsgröße
auf Ω, F, P (d.h. jedes Auszahlungsprofil und auch jedes diskontierte Auszahlungsprofil) P-f.s.
beschränkt und folglich – analog zur Argumentation am Anfang dieses Beweises – replizierbar, d.h.,
das EPM ist vollständig. 

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
 232 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

B.8 Beweis des Lemmas 2.43 im MPM

(d) ⇒ (a) Klar.
 
(a) ⇒ (b) Es seien Ĥ = Ĥ 0 , . . . , Ĥ n−1 eine Arbitrage in M und
   
t := min s ∈ {0, . . . , n−1} | V s+1 (Ĥ s ) ≥ 0 P-f.s. und P V s+1 (Ĥ s ) > 0 > 0 . (B.13)
e e
Der Zeitpunkt t ist wohldefiniert, da nach Voraussetzung (siehe (2.15))
 
V n (Ĥ n−1 ) ≥ 0 P-f.s. und P V n (Ĥ n−1 ) > 0 > 0
e e
gilt. Da t der kleinste Zeitpunkt mit der Eigenschaft (B.13) ist, gilt für t ≥ 1 (da ansonsten
Ĥ t−1 nicht definiert wäre)
 
P V t (Ĥ t−1 ) < 0 > 0 oder V t (Ĥ t−1 ) ≤ 0 P-f.s.,
e e
was gleichbedeutend ist mit
 
entweder P V t (Ĥ t−1 ) < 0 > 0 oder V t (Ĥ t−1 ) = 0 P-f.s.. (B.14)
e e

Da jede Arbitrage selbstfinanzierend ist, ist (B.14) gleichbedeutend mit

 
entweder P V t (Ĥ t ) < 0 > 0 oder V t (Ĥ t ) = 0 P-f.s.. (B.15)
e e
Diese Eigenschaft gilt auch für t = 0, da bei einer Arbitrage V 0 (Ĥ 0 ) ≤ 0 P-f.s. vorausgesetzt
wird.
e

−0  −0 −0

Sei nun Ĥ = Ĥ 0 , . . . , Ĥ n−1 die zu Ĥ gehörige verkürzte Handelsstrategie. Allgemein
gilt (allerdings nur bei Betrachtung der diskontierten Portfoliowerte!) für s ∈ {0, . . . , n − 1}
 T
mit Ĥ s := Ĥs0 , . . . , ĤsN

−0 −0
 
V (Ĥ s ) − V s (Ĥ s ) = Ĥs0+ V −0 (Ĥ s ) − Ĥs0 + V −0 (Ĥ s )
e s+1 e e s+1
e s
−0 −0
= V −0
s+1
(Ĥ s ) − V −0
s
(Ĥ s ). (B.16)
e e

Es werden die Fälle von (B.15) unterschieden:

Fall 1: V t (Ĥ t ) = 0 P-f.s.
e
Für diesen Fall ergibt sich wegen (B.16)
−0 −0
V −0 (Ĥ t ) − V −0 (Ĥ t ) = V t+1 (Ĥ t ) − V t (Ĥ t ) = V t+1 (Ĥ t ) ≥ 0 P-f.s.,
e t+1 et e e e
−0
so dass H −0 := Ĥ t wegen (B.13) die Bedingung (2.16) erfüllt.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
 B.8. Beweis des Lemmas 2.43 im MPM 233

 
Fall 2: P V t (Ĥ t ) < 0 > 0
e
−0
 T
In diesem Fall erfüllt mit Ĥ t := Ĥt1 , . . . , ĤtN
 
Ĥ 1·1
 t {V t (Ĥ t )<0} 
−0 e.
−0 ..
 
H := Ĥ t · 1{V (Ĥ t )<0} :=  


et  
ĤtN · 1{V (Ĥ t )<0}
et
die Bedingung (2.16), denn wegen (B.16) und V t+1 (Ĥ t ) ≥ 0 P-f.s. (siehe (B.13)) ergibt
sich
e

−0 −0
 
V −0 (H −0
) − V −0
(H −0
) = V −0
( Ĥ t ) − V −0
(Ĥ t ) · 1{V (Ĥ t )<0}
e t+1 et e
t+1
et  et
= V (Ĥ t ) − V t (Ĥ t ) · 1{V (Ĥ t )<0}
e t+1 e et
≥ −V t (Ĥ t ) · 1{V (Ĥ t )<0} P-f.s. . (B.17)
e et
Der Ausdruck (B.17)  ist aber nicht-negativ
 und sogar mit positiver Wahrscheinlichkeit positiv,
da hier der Fall P V t (Ĥ t ) < 0 > 0 betrachtet wird.
e
(b) ⇒ (c) Für den Zeitpunkt t ∈ {0, . . . , n − 1} und das verkürzte Portfolio H −0 z. Ztpkt. t aus (b)
gibt es eine Konstante c > 0, so dass
     
−0 −0 −0 −0 −0
P V t+1 H > Vt H und H ≤c >0
e e
 T
gilt. Dabei bezeichnet für H −0 := H 1 , . . . , H N

H −0 := max Hi .
i∈{1,...,N }

Denn: Für k ∈ N sei

     
Z k := ω ∈ Ω : V −0 H −0
(ω) > V −0
H −0
(ω) und max H i
(ω) ≤ k .
e t+1 et i∈{1,...,N }

Offensichtlich ist
∞
[      
−0 −0 −0 −0
1
Z ⊂Z 2
... und k
Z = ω ∈ Ω : V t+1 H (ω) > V t H (ω) .
k=1
e e
Aufgrund der Stetigkeit des Maßes P (siehe z.B. Bauer ...) gilt nach Voraussetzung
  [ ∞ 
lim P Z k = P Z k = p > 0.
k→∞
k=1

Somit gibt es für jedes ε mit 0 < ε < p ein k0 := k0 (ε), so dass für alle k ≥ k0
 
P Zk ≥ p − ε > 0

gilt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
 234 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

(c) ⇒ (d) Grafische Veranschaulichung:

s 0 ··· t−1 t t+1 ··· n−1 n

... . . . . .
.................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
... ... ... ... ... ...
  . . . . . .
     
−0 −0
0 Hs0 · · · 0 −V H V H t · · · V Ht
Hs =  et e t+1 e t+1
 

H −0
s 0N ··· 0N H −0 0N ··· 0N
.................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................
     
Vs H s 0 ··· 0 0 V t+1 H t · · · V t+1 H t
e  e   e    
V s H s−1 0 0 V H t · · · V H t V Ht
e e t+1   e 
t+1
 e t+1
= V −0 H −0 − V −0 H −0 aus (b)
e t+1 et
Mit Hilfe des Zeitpunkts t ∈ {0, . . . , n − 1} aus (b) und des verkürzten Portfolios H −0 z.
−0
Ztpkt. t aus (c) lässt sich folgende verkürzte Handelsstrategie H = H −0 −0
0 , H1 , . . . ,

H −0
n−1 erzeugen:

H −0
t := H
−0
und H s−0 ≡ 0N für s ∈ {0, . . . , n − 1} \ {t} (B.18)
−0
Offensichtlich ist H beschränkt.
Diese verkürzte Handelsstrategie
 wird nun
 folgendermaßen zu einer nicht verkürzten Han-
delsstrategie H = H 0 , H 1 , . . . , H n−1 mit
 
0
 Hs 
H s :=   (s = 0, . . . , n − 1)
H −0
s

erweitert:
 
−0
1. H00 := −V −0 H 0
e0
Damit ist
   
−0
V 0 H 0 = H00 + V −0 H 0 = 0. (B.19)
e e0
2. Für s = 1, . . . , n − 1 sei iterativ
   
Hs0 := V s H s−1 − V −0 H −0
s . (B.20)
e es
Damit ist
     
V s H s = Hs0 + V −0 H −0
s = V H s−1
e es es
für s = 1, . . . , n − 1, d.h., H ist selbstfinanzierend.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.8. Beweis des Lemmas 2.43 im MPM 235

Es bleibt noch zu zeigen, dass H eine Arbitrage ist:

 
– Aufgrund der Konstruktion ist gemäß (B.19) V 0 H 0 = 0.
e  
−0 −0
– Für t ≥ 1 ist wegen (B.18) H 0 ≡ 0 und somit H00 = −V −0
N H 0 = 0.
e0
In diesem Fall ergibt sich für s < t (s ≥ 0) wegen H s ≡ 0
−0 N

 
V −0 H −0
s = 0,
es
woraus
 man
 aus (B.20) wegen H0 = 0 für s ≥ 1 induktiv H s−1 ≡ 0
0 N +1 sowie

V H s−1 = 0 und Hs0 = 0 erhält. Daraus folgt (für den Fall t ≥ 1)

es
H t−1 ≡ 0N +1 . (B.21)
   
−0
– Für t = 0 ist wegen (B.18) H00 = −V −0 H 0 = −V −0
H −0
.
e0 e0
Für t ≥ 1 ist wegen (B.21) und (B.18)
       
−0 −0
Ht0 = V t H t−1 − V −0 H t = −V −0
H t = −V −0
H −0
. (B.22)
e et et et
Somit gilt (B.22) auch für t ≥ 0, und es ergibt sich
   
0 −0 −0
V H t = Ht + V t H = 0.
et e
– Für t + 1 erhält man dann
         
−0
V t+1 H t = Ht0 + V −0 H t = V −0
H −0
+ Ht
0
= V −0
H −0
− V −0
H −0
.
e e t+1 e t+1 e t+1 et
Folglich gilt wegen (2.16) gemäß Voraussetzung
 
V (H t ) ≥ 0 P-f.s. und P V t+1 (H t ) > 0 > 0 (B.23)
e t+1 e
Für t = n − 1 ist somit bereits gezeigt, dass H eine Arbitrage ist.
 
– Für t < n − 1 und s > t (s ≤ n − 1) gilt V −0 s
H −0
s = 0, da wegen (B.18) H 0s ≡ 0N
ist. Somit ergibt sich aus (B.20)
e
     
Hs0 = V s H s−1 − V −0 H −0
s = V H s−1 .
e es es
 
Wegen V −0 H −0
s = 0 erhält man weiter
e s+1
   
V s+1 H s = Hs0 + V −0 H −0
s
e e s+1 
= Hs0 = V s H s−1 ,
e
woraus rekursiv
   
V s+1 H s = V t+1 H t ,
e e
Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
236 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

also insbesondere
   
V n+1 H n = V t+1 H t
e e
folgt. Wegen (B.23) ist somit gezeigt, dass H eine Arbitrage ist.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.9. Bedingte Erwartungen 237

B.9 Bedingte Erwartungen

 
Definition: Es seien Ω, F, P ein Wahrscheinlichkeitsraum, C eine Unter-σ-Algebra von F und
 
X eine integrierbare oder nichtnegative Zufallsgröße auf Ω, F, P .
Eine C-messbare und integrierbare oder nichtnegative Zufallsgröße Y heißt bedingte Erwartung
von X bez. C, falls
Z Z
Y dP = X dP für alle C ∈ C
C C

gilt. Bezeichnung: E(X | C) := Y

Bemerkung: E(X | C) ist nur P-fast sicher eindeutig bestimmt. Sämtliche Aussagen, bei denen
bedingte Erwartungen auftreten, gelten somit im Allgemeinen auch nur P-fast sicher.

Beispiel: Sei (Bi )i∈I , I ⊂ N, eine disjunkte Zerlegung von Ω mit Bi ∈ F und P(Bi ) > 0 sowie
C(Bi )i∈I die von (Bi )i∈I erzeugte Unter-σ-Algebra von F. R
X dP
  X Bi
Dann ist E X | C(Bi )i∈I = E X | Bi · 1Bi mit E X | Bi := .



P(Bi )
i∈I
 
Eigenschaften: Es seien X, Y integrierbare oder nichtnegative Zufallsgrößen auf Ω, F, P und
C, C1 , C2 Unter-σ-Algebren von F.

1. X C-messbar: E(X | C) = X P-f.s. Spezialfall: E(X | F) = X P-f.s.

2. E(X | {∅, Ω}) = EX

3.



X ≤ Y P-f.s. =⇒ E X|C ≤ E Y |C P-f.s.

4. (α, β ∈ R bzw. α, β ≥ 0)




E αX + βY | C = α E X | C + β E Y | C P-f.s.
   
5. C1 ⊂ C2 : E E X | C1 | C2 = E E X | C2 | C1 = E X | C1




P-f.s.
(„Tower property“, „Die kleinste σ-Algebra gewinnt.“)
   
6. C1 unabhängig von σ σ(X), C : E X | σ(C, C1 ) = E X | C


P-f.s.

Spezialfall: C unabhängig von σ(X): E X | C = EX P-f.s.

(„Unabhängige σ-Algebren können weggelassen werden.“)

7. X C-messbar und E|XY | < ∞ oder X, Y nichtnegativ:

(„Taking out what is known.“)



E XY | C = XE Y | C P-f.s.
X ∈ Lp (P), Y ∈ Lq (P) (1 ≤ p, q ≤ ∞) mit p−1 + q −1 = 1 =⇒ E|XY | < ∞ 15

Spezialfälle: X beschränkt (p = ∞), X, Y quadratisch integrierbar (p, q = 2)

15
Lp (P) – Menge aller p-fach P-integrierbaren [Link]. (1 ≤ p < ∞) bzw. P-f.s. beschränkten [Link]. (p = ∞)

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
238 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

 
8. ϕ : R → R konvex und E|ϕ(X)| < ∞: E(ϕ(X) | C) ≥ ϕ E(X | C) P-f.s.
(Jensen’sche Ungleichung)

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.10. Beweis des 1. Fundamentalsatzes im MPM 239

B.10 Beweis des 1. Fundamentalsatzes im MPM

Von Satz 2.47 verbleibt zu zeigen, dass aus der Arbitragefreiheit des MPM die Existenz eines
äquivalenten Martingalmaßes folgt, das darüber hinaus noch eine beschränkte Dichte bezüglich P
besitzt.

• Ein MPM kann als Verkettung von n EPM betrachtet werden, wobei die Preise der Finan-
zinstrumente am Anfang der jeweiligen Handelsperiode nicht – wie im „klassischen“ EPM –
als konstant, sondern als messbar bezüglich einer σ-Algebra F̃ ⊂ F angesehen werden. Für
die t-te Handelsperiode (t ∈ {1, . . . , n}) zwischen den Zeitpunkten t − 1 und t wäre speziell

F̃ = Ft−1 sowie F = Ft .

Die definierende Eigenschaft (2.9) für ein risikoneutrales Maß Q wäre dann entsprechend
   
EQ S t | Ft−1 = S t−1 P-f.s. bzw. EQ S t − S t−1 | Ft−1 = 0 P-f.s., (B.24)
e e e e
wobei in diesem Fall zusätzlich noch
 
EQ S t < ∞
e
 
gefordert werden muss (das Integral EQ S t existiert wegen S t ≥ 0 zwar stets, hat aber
evtl. den Wert ∞).
e e

• Nun wird durch Rückwärtsinduktion (von n nach 1) gezeigt, dass es für jedes, aus einer
Handelsperiode t ∈ {1, . . . , n} abgeleitete EPM ein risikoneutrales Maß Qt mit folgenden
Eigenschaften gibt:

1. Qt ist äquivalent zu P.
2. Qt besitzt eine beschränkte Dichte bezüglich P.
 
3. EQt S k < ∞ für alle k = t, t + 1, . . . , n
e 
4. EQ t S k − S k−1 | Fk−1 = 0 P-f.s. für alle k = t, t + 1, . . . , n
e e
In diesem Fall wäre nämlich Q1 das gesuchte äquivalente Martingalmaß, denn aus 4. er-
gäbe sich für s < t, s, t ∈ {0, . . . , n}, mit den bekannten Eigenschaften von bedingten
Erwartungen

  t
 X   
Q1 Q1
E S t − S s | Fs = E S k − S k−1 | Fs
k=s+1
e e e e
t
X  
= EQ1 S k − S k−1 | Fs
k=s+1
e e

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
240 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

t
X    
Q1 Q1
= E E S k − S k−1 | Fk−1 | Fs = 0 P-f.s.
k=s+1
e e

und somit die charakteristische Martingal-Eigenschaft

 
EQ1 S t | Fs = S s Q1 -f.s. .
e e

• Da n.V. das MPM arbitragefrei ist, gibt es gemäß Lemma 2.43 auch keine Einperioden-
Arbitrage. Somit sind alle im Folgenden betrachteten EPM arbitragefrei.

• Induktionsanfang für t = n: Es wird die Handelsperiode zwischen den Zeitpunkten n − 1 und

n betrachtet. Satz 2.31 gilt auch in dieser (allgemeineren) Situation (siehe auch Bemerkung
zu Satz 2.31), d.h., es gibt ein risikoneutrales Maß Qn mit den Eigenschaften

1. Qn ist äquivalent zu P.
2. Qn besitzt eine beschränkte Dichte bezüglich P.
 
3. EQn S n < ∞
e 
4. EQ n S n − S n−1 | Fn−1 = 0 P-f.s.
e e
• Die obigen genannten 4 Eigenschaften mögen nun für t + 1 mit 1 ≤ t < n − 1 gelten.

• Für t wird dann ein EPM mit dem physischen Maß Qt+1 betrachtet. Es ergibt sich aus der
verallgemeinerten Version von Satz 2.31

1. Qt ist äquivalent zu Qt+1 .

2. Qt besitzt eine beschränkte Dichte bezüglich Qt+1 .
 
3. EQt S t < ∞
e 
4. EQ t S t − S t−1 | Ft−1 = 0 Qt+1 -f.s.
e e
Aufgrund der (gemäß Induktionsannahme) Äquivalenz von Qt+1 und P ergibt sich sofort

1. Qt ist äquivalent zu P.
 
4. EQt S t − S t−1 | Ft−1 = 0 P-f.s.
e e
Da (n. [Link].) Qt+1 eine beschränkte Dichte bezüglich P besitzt, besitzt auch Qt die
beschränkte Dichte
dQt dQt dQt+1
= ·
dP dQt+1 dP

bezüglich P. Somit gilt Eigenschaft 2. .

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.10. Beweis des 1. Fundamentalsatzes im MPM 241

• Zu Eigenschaft 3.:
 
EQt S k < ∞
e
gilt auch für k = t + 1, . . . , n, denn für ein beliebiges, aber festes k = t + 1, . . . , n ist
 
Qt
 
Qt+1 dQt
E Sk = E Sk · .
e e dQt+1
dQt dQt
Da (n. [Link].) S k ∈ L1 (Qt+1 ) und dQt+1 beschränkt ist, also dQt+1 ∈ L∞ (Qt+1 ) gilt, ist
auch
e

dQt
Sk · ∈ L1 (Qt+1 )
e dQt+1
 
dQt
(siehe Abschnitt B.4.6), d.h. EQt+1 Sk · dQt+1 < ∞ und somit
e
 
EQt S k < ∞.
e
• Es verbleibt zu zeigen, dass Eigenschaft 4.
 
EQt S k − S k−1 | Fk−1 = 0 P-f.s. auch für k = t + 1, . . . , n
e e
gilt. Dies geschieht, indem
   
EQt S k − S k−1 | Fk−1 = EQt+1 S k − S k−1 | Fk−1 P-f.s. für k = t + 1, . . . , n
e e e e
 
nachgewiesen wird: Sei k = t + 1, . . . , n beliebig, aber fest. Wegen EQt S k < ∞ existiert
    e
auch EQt S k | Fk−1 und somit EQt S k − S k−1 | Fk−1 wegen
e e e
   
EQt S k − S k−1 | Fk−1 = EQt S k | Fk−1 − S k−1 P-f.s.
e e e e
ebenfalls. Gemäß Definition der bedingten Erwartung und wegen der Eigenschaften von Ma-
dQt
ßen mit Dichten, der Ft -Messbarkeit der Dichte dQ t+1
sowie der Äquivalenz von Qt und
Qt+1 gilt für alle F ∈ Fk−1 (k − 1 ≥ t!)
Z   Z
EQt S k − S k−1 | Fk−1 dQt = S k − S k−1 dQt
e e e e
F F
Z   dQ
t
= S k − S k−1 · dQt+1
e e dQ t+1
F
Z   dQ 
Qt+1 t
= E S k − S k−1 · | Fk−1 dQt+1
e e dQt+1
F
Z   dQ 
t dQt+1
= EQt+1 S k − S k−1 · | Fk−1 · dQt
e e dQt+1 dQt
F

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
242 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

Z  dQ

t dQt+1
= EQt+1 S k − S k−1 | Fk−1 · · dQt
e e dQt+1 dQt
F
Z  
= EQt+1 S k − S k−1 | Fk−1 dQt P-f.s.
e e
F

und folglich
   
EQt S k − S k−1 | Fk−1 = EQt+1 S k − S k−1 | Fk−1 P-f.s. .
e e e e

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.11. Beweis des Lemmas 2.51 im MPM 243

B.11 Beweis des Lemmas 2.51 im MPM

Es ist zu zeigen, dass V folgende Eigenschaften besitzt:
e  
1. V ist adaptiert an Ft .
e t=0,...,n

2. EQ (|V t |) < ∞ für alle t = 0, . . . , n

e
3. E (V t | Fs ) = V s Q-f.s. für alle s < t, s, t ∈ {0, . . . , n}.
Q
e e
Zu 1.: V t (H t ) ist für t ∈ {0, . . . , n − 1} offensichtlich Ft -messbar und V n (H n−1 ) ist Fn -messbar.
Es ist zu bemerken, dass das Auszahlungsprofil C trotz der Replizierbarkeit (d.h. C = Vn (H n−1 )
e e

P-f.s.) nicht Fn -messbar zu sein braucht, da es auf P-Nullmengen, die möglicherweise nicht in Fn
enthalten sind, von Vn (H n−1 ) abweichen kann.

Zu 3.:

• Die angegebene Eigenschaft ist gleichbedeutend mit

EQ (V t+1 | Ft ) = V t P-f.s. für alle t ∈ {0, . . . , n − 1}, (B.25)

e e
da zum einen Q und P äquivalent sind und zum anderen aus (B.25) für t ∈ {1, . . . , n} und
m := m(t) ∈ {1, . . . , t} wegen Eigenschaft 5 von bedingten Erwartungen
       
Q Q Q Q
E V | Ft−m = E . . . E E V t | Ft−1 | Ft−2 . . . | Ft−m
et e
   
Q Q
= E . . . E V t−1 | Ft−2 . . . | Ft−m
e
 
Q
= E . . . V t−2 . . . | Ft−m
e
= V t−m P-f.s.
e
folgt.
 
• Allgemein gilt für t ∈ {0, . . . , n − 1}, da H selbstfinanzierend ist (d.h. V t+1 = V t+1 H t+1
  e e
= V t+1 H t P-f.s. für t ∈ {0, . . . , n − 2}),
e
V − V = H t · S t+1 − H t · S t
e t+1 e t e e
= H t · S t+1 − S t P-f.s.,
e e
woraus
 
V t = V t+1 − H t · S t+1 − S t P-f.s. (B.26)
e e e e
folgt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
244 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

−0
• Betrachtet werde der Fall, dass die verkürzte replizierende Handelsstrategie H P-f.s. be-
schränkt ist:

– Analog zu (2.17) ist

t−1 X
X N
Vt = V0+ Hsi · (S is+1 − S is ) P-f.s. für t ∈ {1, . . . , n}. (B.27)
s=0 i=1
e e e e

– V 0 ist aufgrund der F0 -Messbarkeit P-f.s. konstant, somit sowohl P-f.s. als auch Q-f.s.
beschränkt und folglich Q-integrierbar.
e

– Hsi ist für s ∈ {0, . . . , n − 1} und i ∈ {1, . . . , N } nach Voraussetzung P-f.s. beschränkt
und somit auch Q-f.s. beschränkt, d.h. Hsi ∈ L∞ (Q).
– (S is+1 − S is ) ist für s ∈ {0, . . . , n − 1} und i ∈ {1, . . . , N } Q-integrierbar, da der
e e  
diskontierte Preivektorprozess S t ein Q-Martingal ist, d.h., (S is+1 − S is ) ∈
e t=0,...,n e e
L1 (Q).
– Somit ist auch das Produkt Hsi ·(S is+1 −S is ) ∈ L1 (Q) und folglich ebenfalls V t ∈ L1 (Q),
d.h., die Zufallsgrößen V 0 , . . . , V n sind Q-integrierbar.
e e e
e e
– Analog zum Beweis von Lemma 2.46 ergibt sich
   
Q
E H t · S t+1 − S t | Ft = 0 P-f.s.
e e
und somit
 
EQ V t+1 | Ft = V t P-f.s.
e e
für t ∈ {0, . . . , n − 1}.
– Für den Fall einer P-f.s. beschränkten verkürzten replizierenden Handelsstrategie ist
damit alles gezeigt. Die folgenden Überlegungen betreffen somit ausschließlich den Fall
von stark replizierbaren Auszahlungsprofilen, deren verkürzte replizierende Handelss-
trategien nicht P-f.s. beschränkt sind, da hier zunächst weder die Integrierbarkeit von
V , . . . , V n noch die Existenz der in 3. benötigten bedingten Erwartungen vorausgesetzt
e0
werden kann.
e

• O.B.d.A. sei C ≥ 0, denn andernfalls können die folgenden Betrachtungen für den Positivteil
 +e  +
C + := C bzw. den Negativteil C − := −C und deren replizierende Handelsstrategien
(die nach Voraussetzung existieren) getrennt durchgeführt werden.
e e e e

• Zunächst wird

V ≥ 0 P-f.s (B.28)
et
für alle t ∈ {0, . . . , n} durch Rückwärtsinduktion gezeigt.

Für t = n ist dies wegen V n = C P-f.s. klar.

e e
Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.11. Beweis des Lemmas 2.51 im MPM 245

Die Behauptung (B.28) gelte für t + 1 ∈ {0, . . . , n − 1}.

Für t erhält man aus (B.26)

 
V t = V t+1 − H t · S t+1 − S t P-f.s.,
e e e e
woraus wegen der Induktionsannahme
 
V ≥ −H t · S t+1 − S t P-f.s.
et e e
folgt.
Sei nun ein beliebiges c > 0 gegeben. Multiplikation mit 1{|H t |≤c} führt – unter Verwendung
(c)
der Notation H t := H t · 1{|H t |≤c} – zu
 
(c) (c)
V t 1{|H t |≤c} = H t · S t ≥ −H t · S t+1 − S t P-f.s. .
e e e e
(c)
Da H t beschränkt und sowohl S t als auch S t+1 aufgrund der Martingaleigenschaft Q-
integrierbar sind, sind die Produkte auf beiden Seiten der Ungleichung Q-integrierbar. So-
e e

mit „dürfen“ bedingte Erwartungen gebildet werden, und es ergibt sich, da V t 1{|H t |≤c} Ft -
messbar ist, aus den Eigenschaften 1 und 3 von bedingten Erwartungen sowie analog zum
e

Beweis von Lemma 2.46

 
V t 1{|H t |≤c} = EQ V t 1{|H t |≤c} | Ft
e e 
 
Q (c)
≥ −E H t · S t+1 − S t | Ft
e e
 
(c)
= −H t · EQ S t+1 − S t | Ft
e e
= 0 P-f.s. .

Somit ist V t 1{|H t |≤c} ≥ 0 P-f.s. für ein beliebiges c > 0, und man erhält für c → ∞ die für
diesen Beweisschritt gewünschte Aussage.
e

• Somit sind zunächst die bedingten Erwartungen von V 0 , . . . , V n wohldefiniert. Sei nun wieder
(c)
wie im vorangegangenen Beweisschritt ein beliebiges c > 0 gegeben und H t = H t ·
e e

1{|H t |≤c} für t ∈ {0, . . . , n − 1}. Mit den bekannten Begründungen ergibt sich
     
Q
E V t+1 | Ft − V t · 1{|H t |≤c} = EQ V t+1 · 1{|H t |≤c} | Ft − V t · 1{|H t |≤c}
e e e e
 
= EQ V t+1 · 1{|H t |≤c} − V t · 1{|H t |≤c} | Ft
e 
e
 
Q (c)
= E H t · S t+1 − S t | Ft
e e
 
(c) Q
= H t · E S t+1 − S t | Ft
e e

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
246 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

= 0 P-f.s. .
   
Somit ist EQ V t+1 | Ft − V t · 1{|H t |≤c} = 0 P-f.s. für ein beliebiges c > 0, und man
e e
erhält für c → ∞
 
EQ V t+1 | Ft − V t = 0 P-f.s.
e e
und folglich
 
EQ V t+1 | Ft = Vt P-f.s. .
e e

Zu 2.: Es erfolgt eine Induktion über t = 0, . . . , n:

Für t = 0 ergibt sich, dass V 0 F0 -messbar, also P-f.s. konstant und somit Q-integrierbar ist.
Sei nun V t Q-integrierbar (t ∈ {0, . . . , n − 1}).
e

Für t + 1 erhält man (wegen V 0 , . . . , V n ≥ 0)

e
e e
     
EQ (|V t+1 |) = EQ (V t+1 ) = EQ EQ (V t+1 | Ft ) = EQ V t = EQ |V t | < ∞.
e e e e e


Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.12. Beweis Arbitragefreiheit und Vollständigkeit des CRR-Modells 247

B.12 Beweis Arbitragefreiheit und Vollständigkeit des CRR-

Modells
 
• Ein Wahrscheinlichkeitsmaß Q auf Ω, F ist gemäß Definition genau dann ein äquivalentes
Martingalmaß, falls es folgende Eigenschaften besitzt:

1. Q ist äquivalent zu P.
 
2. Der RN +1 -wertige diskontierte Preisvektorprozess ist ein Q-Martingal, d.h. S t
e t=0,...,n
 i
Ssi

St
EQ | Fs = Q-f.s. für alle s < t, s, t ∈ {0, . . . , n}, i ∈ {0, . . . , N }.
St0 Ss0

Eigenschaft 2. ist im Falle des CRR-Modells gleichbedeutend mit

1
St1
 
St+1
EQ
| F t = Q-f.s. für alle t ∈ {0, . . . , n − 1}
(1 + r)t+1 (1 + r)t
(siehe dazu auch (B.25)), was wiederum gleichbedeutend ist mit

EQ (St+1
1
| Ft ) = (1 + r) · St1 Q-f.s. für alle t ∈ {0, . . . , n − 1}. (B.29)

• Zunächst wird untersucht, welche Eigenschaften ein Wahrscheinlichkeitsmaß Q besitzen

muss, um (B.29) zu erfüllen (die Äquivalenz von P und Q wird dabei noch nicht berücksich-
tigt):

– Da der Grundraum Ω endlich ist, existieren alle auftretenden bedingten Erwartungen.

– Sei nun t ∈ {0, . . . , n−1} fest, aber beliebig. Es ergibt sich wegen St1 > 0 und aufgrund
der Eigenschaft 7 von bedingten Erwartungen
 1   1 
1 St+1 Q St+1
Q 1 Q
E (St+1 | Ft ) = E St · 1 | Ft = St · E 1
| Ft Q-f.s. .
St St1
Somit ist (B.29) gleichbedeutend mit
 1 
St+1
EQ | Ft = 1 + r Q-f.s. . (B.30)
St1
1
St+1
– Der Quotient kann gemäß der Definition eines CRR-Modells lediglich die Werte
St1
u und d annehmen. Trivialerweise gilt
1
St+1
= u · 1n St+1
1
o + d · 1n 1
St+1
o
St1 1 =u 1 =d
St St

   
und somit wegen Q A | Ft = EQ 1A | Ft (A ∈ F)
 1   1   1 
Q St+1 St+1 St+1
E | Ft = u·Q = u | Ft + d · Q = d | Ft
St1 St1 St1

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
248 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

 1    S1 
St+1 t+1
= u·Q = u | Ft + d · 1 − Q = u | Ft
St1 St1
 1 
St+1
= Q = u | Ft · (u − d) + d Q-f.s.,
St1
woraus wegen (B.30)
 1 
St+1 1+r−d
Q 1 = u | Ft = = q Q-f.s.
St u−d
folgt.
 1 
St+1
– Insbesondere gilt Q = u = q, denn wegen der Eigenschaften 2 und 5 von
St1
bedingten Erwartungen ergibt sich
 1   
St+1 Q
Q =u = E 1 St+1 n 1
o
St1 =u
St1
 
Q
= E 1 St+1 n 1
o | F0
=u
S1
 t  
= E EQ 1n St+1
Q
1
o | Ft | F0
=u
St1
  1 
Q St+1 
= E Q = u | Ft | F0
St1
= EQ (q) = q.
 S1   S1 
– Da grundsätzlich Q St+11 = u ∈ [0, 1] gilt, erhält man aus Q St+11 = u = q =
t t
1+r−d
≥0
u−d
d ≤ 1+r
1+r−d
und aus ≤ 1 zunächst 1 + r − d ≤ u − d und somit
u−d
u ≥ 1 + r,

also d ≤ 1 + r ≤ u.

• Nun kann „=⇒“ und (2.24) gezeigt werden: Da das CRR-Modell arbitragefrei ist, existiert
gemäß Satz 2.45 (1. Fundamentalsatz)
 S 1 ein zu P äquivalentes Martingalmaß. Für das obige
Wahrscheinlickeitsmaß Q mit Q S 1 = u = q für t ∈ {0, . . . , n − 1} konnte bereits
t+1
t
gezeigt werden, dass der diskontierte Preisvektorprozess für d ≤ 1 + r ≤ u ein Martingal
bezüglich Q ist. Da das Wahrscheinlichkeitsmaß Q außerdem noch äquivalent zu P ist,
besitztes – außer der leeren Menge – keine SweiterenNullmengen. Somit ist sowohl der
1
St+1 1
Fall Q S 1 = u = 0 als auch der Fall Q S 1 = d = 0 ausgeschlossen. Daraus folgt
t+1
t  S1  t

0 < q < 1 wegen Q S 1 = u = q und somit analog zu obigen Überlegungen d < 1+r < u.
t+1
t

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
B.12. Beweis Arbitragefreiheit und Vollständigkeit des CRR-Modells 249

 S1 
S11 Sn1
• Die Unabhängigkeit der Zufallsgrößen S01
, ..., 1
Sn−1
wird gezeigt: Aus Q S 1 = u | Ft = q
t+1
t

Q-f.s. für ein beliebiges, aber festes t ∈ {0, . . . , n − 1} folgt aufgrund der Eigenschaft 5 von
bedingten Erwartungen
 S1 
t+1
Q = u | Fs = q Q-f.s. für s ≤ t.
St1
n S1 o
Aus dieser Eigenschaft ergibt sich zunächst die Unabhängigkeit des Ereignisses t+1
St1
=u
von der σ-Algebra Fs , denn aus
 
Q
E 1 St+1
n 1
o | Fs = q Q-f.s.
=u
St1

ergibt sich aufgrund der Definition der bedingten Erwartung

Z Z
1 St+1
n 1
o dQ = q dQ für alle A ∈ Fs ,
=u
St1
A A

was wegen
Z  S1 
q dQ = q · Q(A) = Q St+11 = u · Q(A)
t
A

und
Z Z  n S1 o
1n St+1
1
o dQ = dQ = Q A ∩ St+11 = u
=u t
St1
A
n 1
o
St+1
A∩ =u
St1

gleichbedeutend ist mit

 n S1 o  S1 
Q A ∩ St+1 1 = u = Q(A) · Q St+11 = u für alle A ∈ Fs .
t t

n S1 o n S1 o
Mit dem Ereignis = u ist auch das Gegenereignis St+1
t+1
St1 1 = d unabhängig von der
 S1  t

σ-Algebra Fs und somit auch σ St+1 1 .

t
 
Wegen Fs = σ S01 , . . . , Ss1 ist jede σ-Algebra, die aus einer beliebigen Auswahl aus den
S11 Ss1
Zufallsgrößen S01
, ..., 1
Ss−1
gebildet wird, eine Teilmenge von Fs und somit ebenfalls unab-
1
St+1
hängig von St1
.

S11 Sn1
• Aus der Unabhängigkeit der Zufallsgrößen S01
, ..., 1
Sn−1
ergibt sich

   1 1

S
Q {(ω1 , . . . , ωn )} = Q S11 = ω1 , . . . , SS1 n = ωn
0 n−1

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
250 Anhang B. Anhang zur stochastischen Finanzmathematik in diskreter Zeit

n  1 
S
Y
= Q S 1t = ωt
t−1
t=1
Yn
= q 1{u} (ωt ) · (1 − q)1{d} (ωt )
t=1
|{t:ωt =u}|
= q · (1 − q)|{t:ωt =d}|

und somit (2.25).

1+r−d
• Nun wird „⇐=“ gezeigt: Für d < 1 + r < u kann für q = ein Wahrscheinlichkeits-
u−d
maß Q durch
n o
Q (ω1 , . . . , ωn ) := q |{t:ωt =u}| · (1 − q)|{t:ωt =d}|

konstruiert werden. Dieses ist – wie sich aus obigen Überlegungen in umgekehrter Reihenfolge
ergibt – ein äquivalentes Martingalmaß. Somit ist das CRR-Modell arbitragefrei.

• Die Vollständigkeit des CRR-Modells ergibt sich wegen Satz 2.56 (2. Fundamentalsatz) aus
der Eindeutigkeit des Parameters q, woraus die Eindeutigkeit des äquivalenten Martingalma-
ßes Q folgt.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
Anhang C

Anhang zum Black-Scholes-Modell

C.1 Beweis der Nichtdifferenzierbarkeit der Pfade des Wiener-

prozesses
• O.B.d.A. sei T = [0, ∞): Ist nämlich ein Pfad W (ω) des Wienerprozesses auf [0, ∞) nir-
gendwo differenzierbar, dann erst recht nicht auf [0, T ] für T > 0.

• Im Folgenden wird gezeigt, dass die Menge

n o
A := ω ∈ Ω : W (ω) ist an wenigstens einer Stelle differenzierbar

die Teilmenge einer P-Nullmenge ist. Damit umgeht man auch mögliche Messbarkeitspro-
bleme für A.

• Die Menge A ist eine Teilmenge der Menge

n o
B := ω ∈ Ω : W (ω) ist an wenigstens einer Stelle Lipschitz-stetig

Ein spezieller Pfad W (ω ∗ ) ist an der Stelle t0 = t0 (ω ∗ ) ∈ T Lipschitz-stetig, wenn es eine

Zahl δ > 0 gibt, so dass für alle t aus einer Umgebung Uδ (t0 ) ⊂ T um t0

Wt (ω ∗ ) − Wt0 (ω ∗ ) ≤ L · |t − t0 |

für ein L > 0 gilt.

 
• Ist W (ω ∗ ) an der Stelle t0 Lipschitz-stetig, so gibt es eine natürliche Zahl k = k Uδ (t0 ) ∈
N sowie eine natürliche Zahl j = j(k) ∈ N, so dass
 
j j j+3
≥ t0 und , ∈ Uδ (t0 ),
k k k
n o
d.h., es gibt ein Gitter 0, k1 , k2 , . . . , so dass wenigstens 4 Gitterpunkte rechts von t0 in der
δ-Umgebung um t0 enthalten sind, und zwar kj , j+1 j+2 j+3
k , k und k . Dies ist insbesondere
deswegen möglich, weil die Menge T rechtsoffen ist. Dass es mindestens 4 Gitterpunkte sind,
ist für den weiteren Verlauf entscheidend.

251
252 Anhang C. Anhang zum Black-Scholes-Modell

• Ist W (ω ∗ ) an der Stelle t0 Lipschitz-stetig, so gilt in Bezug auf obige Gitterpunkte wegen
der Dreiecksungleichung und j+3 j+2
k − t0 ≤ k bzw. k − t0 ≤ k für i = j + 1, j + 2, j + 3
4 3

   
Wi/k (ω ∗ ) − W(i−1)/k (ω ∗ ) = Wi/k (ω ∗ ) − Wt0 (ω ∗ ) − W(i−1)/k (ω ∗ ) − Wt0 (ω ∗ )

≤ Wi/k (ω ∗ ) − Wt0 (ω ∗ ) + W(i−1)/k (ω ∗ ) − Wt0 (ω ∗ )

i
≤ L· − t0 + L · i−1
k k − t0
 
≤ L · k4 + k3 = L · k7

• Insbesondere ist somit für obige spezielle t0 , L, k und j

 
ω ∈ Ω : Wt (ω) − Wt0 (ω) ≤ L · |t − t0 | ∀t ∈ Uδ (t0 )
 
7 L
⊂ ω ∈ Ω : Wi/k (ω) − W(i−1)/k (ω) ≤ L · k =: Ck,i

für i = j + 1, j + 2, j + 3 und somit

 
ω ∈ Ω : Wt (ω) − Wt0 (ω) ≤ L · |t − t0 | ∀t ∈ Uδ (t0 )
i=j+3
\
L L
⊂ Ck,i =: Dk,j
i=j+1

• Wegen der Unabhängigkeit und Stationarität der Zuwächse sowie W0 = 0 ergibt sich
j+3
Y j+3
Y
L L L L 3
P(Dk,j ) = P(Ck,i ) = P(Ck,1 ) = P(Ck,1 )
i=j+1 i=j+1
n o3
7
= P |W1/k | ≤ L · k

Da W1/k normalverteilt ist mit Mittelwert 0 und Varianz 1/k, erhält man
7
L· k
n o x2
Z
7 1 −
P |W1/k | ≤ L · k = p e| {z2/k} dx
2π/k ≤1
7
−L· k
√
k 1 c(L) 14L
≤ √ · 14L · = √ mit c(L) := √ ,
2π k k 2π
also
L c(L)3
P(Dk,j ) ≤
k 3/2
Der Exponent 3/2 ist dabei die direkte Folge davon, dass oben 4 Gitterpunkte innerhalb der
δ-Umgebung gewählt wurden.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.1. Beweis der Nichtdifferenzierbarkeit der Pfade des Wienerprozesses 253

• Das Ereignis Dk,j

L beschreibt – im Wesentlichen – die Lipschitz-Stetigkeit für eine bestimm-

te Lipschitzkonstante L, eine besimmte Gittergröße 1/k sowie ein bestimmtes Zeitintervall

[j/k, j +3/k]. Die Untersuchung muss demnach noch auf die gesamten Wertebereiche ausge-
dehnt werden. Zunächst wird der untersuchte Zeitbereich auf [0, n + 2/k], n ∈ N, erweitert,
indem
k·n−1
[
L L
Dk,j =: Ek,n
j=0

betrachtet wird. Es ergibt sich

k·n−1 k·n−1
L
X
L
X c(L)3 c(L)3 c(L)3
P(Ek,n ) ≤ P(Dk,j ) ≤ = k · n · = n · √
j=0 j=0
k 3/2 k 3/2 k
√
Der Ausdruck „ k“ im Nenner ist wiederum eine Folge der Wahl von 4 Gitterpunkten.

• Nun wird das durch k ∈ N spezifizierte Gitter fein genug gewählt, um alle Stellen zu
erfassen, an denen Lipschitz-Stetigkeit vorliegt. Ein Grenzübergang k → ∞ (und folglich
L ) = 0) wäre dafür bereits ausreichend, allerdings soll das dazugehörige Ereig-
lim P(Ek,n
k→∞
nis noch mengentheoretisch beschrieben werden. Hierfür ist der mengentheoretische Limes
inferior geeignet:
∞ \
[ ∞
FnL := lim inf Ek,n
L
= L
Em,n
k→∞
k=1 m=k

enthält diejenigen ω ∈ Ω, die schließlich eine hinreichende „Gitterfeinheit“ aufweisen, um

Stellen mit Lipschitz-Stetigkeit im Zeitbereich [0, n + 2/k] zu „entdecken“. Es ergibt sich

P(FnL ) ≤ lim inf P(Ek,n

L L
) = lim P(Ek,n ) = 0
k→∞ k→∞

• Um für den gesamten Zeitbereich T und alle Lipschitzkonstanten L die zugehörigen Stellen
mit Lipschitz-Stetigkeit zu erfassen, muss schließlich noch
∞ [
[ ∞
FnL ⊃ B
L=1 n=1

betrachtet werden. Da aber abzählbare Vereinigungen von P-Nullmengen wiederum P-Null-

mengen ergeben, ist
[ ∞ [∞ 
L
P Fn = 0
L=1 n=1

und der Satz somit bewiesen.

Bemerkung: Diese Aussage wurde erstmals bereits 1931 von Raymond Payley (englischer Mathe-
matiker, 1907-1933, starb bei einem Skiunfall), Norbert Wiener und Antoni Zygmund (polnisch-
amerikanischer Mathematiker, 1900-1992) gezeigt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
254 Anhang C. Anhang zum Black-Scholes-Modell

C.2 Erzeugung von Pseudo-Zufallszahlen

• Üblicherweise werden normalverteilte Zufallszahlen oder gleichverteilte Zufallszahlen benö-
tigt.

• Jede Programmiersprache (oder andere Kalkulationssysteme wie z.B. Excel) enthält üb-
licherweise einen (Pseudo-)Zufallszahlengenerator, der im Intervall [0, 1] bzw. [0, 1) (im
Rahmen der Maschinengenauigkeit) gleichverteilte Zufallszahlen erzeugt (Befehl für Excel:
ZUFALLSZAHL()). Normalverteilte Zufallszahlen können aus gleichverteilten Zufallszahlen er-
zeugt werden (s.u.).

• Ausgehend von einem oder mehreren Initialisierungswerten (den sogenannten „Seeds“), er-
zeugen Zufallszahlengeneratoren üblicherweise eine deterministische Folge von Zahlen gemäß
einem bestimmten Algorithmus. Diese Zahlen werden daher auch als Pseudo-Zufallszahlen
bezeichnet. Die Möglichkeit, ausgehend von Startwerten eine Folge von „Zufallszahlen“ re-
produzieren zu können, ist für die Nachvollziehbarkeit von Simulationen von entscheidender
Bedeutung. Außerdem ist es insbesondere bei Simulationen mit einer sehr langen Folge von
Zufallszahlen effizient, zum Zweck der Reproduzierbarkeit nicht die gesamte Folge, sondern
lediglich die Seeds zu speichern.

• Zur zufälligen Initialisierung von Seeds kann von der Computerhardware verursachtes „Sys-
temrauschen“ („/dev/random“ unter UNIX) verwendet werden.

• Die Güte eines Zufallszahlengenerators ist unter anderem gekennzeichnet durch die Länge
der Periode, ab der sich die Zahlenfolge wiederholt, sowie die Erfüllung von Verteilungs- und
Unabhängigkeitsannahmen. Die Periode eines Zufallszahlengenerators sollte aufgrund theo-
retischer Untersuchungen bekannt sein (eine Periode von wenigstens 1020 wäre wünschens-
wert). Die Verteilungsannahmen können mit Hilfe deskriptiver Statistiken (z.B. Berechnung
der zentralen Momente) oder Verteilungstests untersucht werden. In Bezug auf die Unab-
hängigkeit wird die Autokorrelation der Folge von Zufallszahlen betrachtet (z.B. mit Hilfe
des Spektraltests).

• Folgende empirische Momente lassen sich mit Hilfe von Excel schnell überprüfen. Dabei
bezeichnet
µk := E (X − EX)k , k ∈ N,
das k-te zentrale Moment einer Zufallsgröße X:
Moment Bezeichnung Wert für U[0, 1] Wert für N(0, 1) Excel-Befehl
µ1 Mittelwert 1/2 0 MITTELWERT(Bereich )
σ 2 = µ2 Varianz 1/12 ≈ 0,0833 1 VARIANZ(Bereich )
γ1 = µ3 /σ 3 Schiefe 0 0 SCHIEFE(Bereich )
µ4 /σ 4 Kurtosis 1,8 3 –
(Wölbung)
γ2 = µ4 /σ 4 − 3 Exzess −1,2 0 KURT(Bereich )

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.2. Erzeugung von Pseudo-Zufallszahlen 255

• Die Dichte einer Verteilung mit Schiefe γ1 > 0 heißt rechtsschief oder linkssteil, d.h., der
linke Teil der Dichte ist steiler und der rechte Teil flacher als bei der Dichte der Normalver-
teilung. Andernfalls (γ1 < 0) heißt die Dichte linksschief oder rechtssteil.

• Die Dichte einer Verteilung mit Exzess γ2 > 0 heißt steilgipflig: Die Wahrscheinlichkeitsmas-
se ist gegenüber der Normalverteilung stärker in der Mitte und an den Enden konzentriert.
Andernfalls (γ2 < 0) heißt die Dichte flachgipflig.

C.2.1 Erzeugung gleichverteilter Zufallszahlen

• Um bei der Erzeugung von Zufallszahlen nicht von der jeweiligen Programmumgebung bzw.
von den jeweiligen Programmversionen abhängig zu sein, kann es sinnvoll sein, Zufallszah-
lengeneratoren selbst zu implementieren.

• Derzeit sehr populär sind zum einen der sogenannte Mersenne-Twister 1 (1997) von Makoto
Matsumoto und Takuji Nishimura (Hiroshima University), zum anderen die KISS-Generatoren
(KISS – „Keep it simple and stupid“) von George Marsaglia (1924–2011, Florida und Washing-
ton State University). Der KISS32-Generator (zur Verwendung mit 32-bit-Variablen, 2003)
hat eine Periode von 1037 , der KISS64-Generator (zur Verwendung mit 64-bit-Variablen,
2009 in einem Diskussionsforum veröffentlicht) eine Periode von 1075 . Die KISS-Generatoren
sind sehr schnell und codeeffizient (4 Zeilen!) zu implementieren und benötigen lediglich 4
Seeds. Eine „SuperKISS“-Version (2009) besitzt sogar eine Periode von 104000000 .

• Weiterführende Literatur: David Jones, Good Practice in (Pseudo) Random Number Gene-
ration for Bioinformatics Applications, University College London, Technical Reports 2010,
[Link]

C.2.2 Erzeugung normalverteilter Zufallszahlen

Die im Folgenden genannten Verfahren erzeugen standard-normalverteilte Zufallszahlen aus [0, 1]-
gleichverteilten Zufallszahlen und unterscheiden sich hinsichtlich der Aufwändigkeit der Implemen-
tierung sowie der Geschwindigkeit. Ist außerdem X eine standard-normalverteilte Zufallsgröße, so
ist

σ · X + µ ∼ N(µ, σ 2 ).

1
Eine Mersenne-Zahl ist eine Primzahl der Form 2p − 1, wobei p ebenfalls eine Primzahl ist. Der Mersenne-
Twister hat die Periode 219937 − 1 ≈ 4 · 106000 . Der französische Mönch Marin Mersenne (1588–1648) war Theologe,
Mathematiker und Musikttheoretiker.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
256 Anhang C. Anhang zum Black-Scholes-Modell

C.2.2.1 Inversionsmethode

Ist U eine im Intervall [0, 1] gleichverteilte Zufallsgröße und bezeichne Φ die Verteilungsfunktion
der Standard-Normalverteilung, dann ist

Φ−1 (U ) ∼ N(0, 1),

denn für x ∈ R gilt

   
P Φ−1 (U ) ≤ x = P U ≤ Φ(x) = Φ(x)
 
wegen P U ≤ u = u für u ∈ [0, 1].

• Die Inversionsmethode ist insbesondere dann empfehlenswert, wenn Φ−1 problemlos berech-
net kann, z.B. in Excel durch NORMINV(ZUFALLSZAHL();0;1). Da für Φ−1 kein geschlosse-
ner analytischer Ausdruck bekannt ist, besteht alternativ – evtl. aufwändig – die Möglichkeit
der approximativen Berechnung z.B. durch Polynome.

• Die Inversionsmethode lässt sich auch auf beliebige andere Verteilungen (auch für solche mit
nur rechtsseitig stetigen Verteilungsfunktionen) verallgemeinern.

C.2.2.2 Zwölferregel

Allgemein gilt (Spezialfall des Zentralen Grenzwertsatzes): Für eine Folge (Xi )i∈N unabhängiger
und identisch verteilter Zufallsgrößen mit EX1 = µ und Var (X1 ) = σ 2 < ∞ konvergiert die
Verteilung der Folge
n
P
Xi − n · µ
i=1
√
σ· n
für n → ∞ gegen eine Standard-Normalverteilung. Für den Spezialfall X1 ∼ U[0, 1] (und folglich
µ = 1/2 sowie σ 2 = 1/12) ergibt sich für ein hinreichend großes n ∈ N
n
P
Xi − n/2
i=1
p ≈ ∼ N(0, 1).
n/12
Insbesondere für n = 12 erhält man die sogenannte Zwölferregel
12
X
Xi − 6 ≈ ∼ N(0, 1),
i=1

d.h., dass sich eine Standard-Normalverteilung durch Addition zwölf unabhängiger N(0, 1)-verteilter
Zufallsgrößen approximieren lässt2 .
2
Auf keinen Fall darf dafür 12 · U − 6 mit U ∼ U[0, 1] verwendet werden: Dies führt zu einer Gleichverteilung
auf dem Intervall [−6, 6]!

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.2. Erzeugung von Pseudo-Zufallszahlen 257

Implementierung in Excel:

ZUFALLSZAHL() + ZUFALLSZAHL() + ZUFALLSZAHL() + ZUFALLSZAHL() +

ZUFALLSZAHL() + ZUFALLSZAHL() + ZUFALLSZAHL() + ZUFALLSZAHL() +
ZUFALLSZAHL() + ZUFALLSZAHL() + ZUFALLSZAHL() + ZUFALLSZAHL() − 6

C.2.2.3 Box-Muller-Methode

Die Box-Muller-Methode3 erzeugt aus zwei unabhängigen und identisch U∗ (0, 1]-verteilten Zufalls-
größen U1 und U2 (d.h. U1 , U2 ∼ U[0, 1] mit U1 , U2 ∈ (0, 1]) mittels
p
X1 := −2 · ln U1 · cos(2π · U2 ) und
p
X2 := −2 · ln U1 · sin(2π · U2 )

zwei unabhängige (!) standard-normalverteilte Zufallsgrößen X1 und X2 .

• Die theoretische Grundlage beruht auf folgenden Überlegungen: Die Funktion

     
√
u1  g1 (u1 , u2 )  −2 · ln u1 · cos(2π · u2 )
g :   7→   :=  √ , u1 , u2 ∈ (0, 1],
u2 g2 (u1 , u2 ) −2 · ln u1 · sin(2π · u2 )

besitzt die Inverse

     
x2 2
1 +x2
−1 −
x1  g1 (x1 , x2 ) e 2
g −1 :   7→ :=  , x1 , x2 ∈ R,
 
 −1 
x2 g2 (x1 , x2 ) 1
2π · arctan∗ (x 1 , x2 )

wobei

für x1 = 0, x2 > 0



π/2


für x1 = 0, x2 < 0



3π/2


für x1 ≥ 0, x2 = 0

2π
arctan∗ (x1 , x2 ) :=


arctan(x2 /x1 ) für x1 > 0, x2 > 0


π + arctan(x2 /x1 ) für x1 < 0






2π + arctan(x2 /x1 ) für x1 > 0, x2 < 0



Werte im Bereich (0, 2π] annimmt (der Arkustangens arctan dagegen nimmt Werte lediglich
im Bereich (−π/2, π/2) an).
Sind U1 und U2 unabhängige und identisch U∗ (0, 1]-verteilte Zufallsgrößen, so besitzt deren
gemeinsame Verteilung die Dichte

fU1 ,U2 : (x1 , x2 ) 7→ 1(0,1]2 (x1 , x2 ), x1 , x2 ∈ R.

3
George Box und Mervin Muller 1958

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
258 Anhang C. Anhang zum Black-Scholes-Modell

Für die Dichte der Verteilung von g(U1 , U2 ) gilt dann gemäß dem allgemeinen Transforma-
tionssatz
 
∂g1−1 ∂g1−1
 ∂x1 ∂x2 
   
−1
fg(U1 ,U2 ) : (x1 , x2 ) 7→ fU1 ,U2 g (x1 , x2 ) · det 
  ,
 ∂g2−1 −1 
∂g2 
∂x1 ∂x2

(x1 , x2 ) ∈ R2 \ {(0, 0)}. Es ergibt sich

 
x2 +x2 x2 +x2
− 12 2 − 12 2
 −x1 · e −x2 · e 
fg(U1 ,U2 ) (x1 , x2 ) = 1 · det  1
 
− x2 1 x1 
· · 
2π x21 + x22 2π x21 + x22

1 1 x2 +x2
− 12 2
= · 2 · e · (−x1 − x22 )
2π x1 + x22
1 x2 2
1 +x2
= · e− 2 .
2π

Dies ist aber die Dichte der Verteilung eines Vektors (X1 , X2 ) von unabhängigen und iden-
tisch standard-normalverteilten Zufallsgrößen.

• Alternative Herleitung der Box-Muller-Methode unter Verwendung von Polarkoordinaten:

– Ein Punkt (x1 , x2 ) in einem kartesischen Koordinatensystem ist durch Angabe der eu-
klidischen Distanz r = x21 + x22 vom Koordinatenursprung sowie des Winkels ϑ mit
p

der x1 -Achse eindeutig bestimmt (Polarkoordinaten). Es gilt

x1 = r · cos ϑ und x2 = r · sin ϑ.

– Die Dichte der Verteilung eines Vektors (X1 , X2 ) von zwei unabhängigen und identisch
N(0, 1)-verteilten Zufallsgrößen ist rotationssymmetrisch bezüglich der z-Achse, d.h.
die Dichte hängt lediglich von dem Abstand zum Ursprung und nicht von dem Winkel
mit der x1 -Achse ab.
– Der stochastische
 Vektor (R, Θ) sei der zu (X1 , X2 ) gehörige Vektor, der für jeden

Punkt x1 = X1 (ω), x2 = X2 (ω) für ω ∈ Ω die zugehörigen Polarkoordinaten r =

R(ω), ϑ = Θ(ω) angibt. Insbesondere ist also R2 = X12 + X22 .
– Wegen
x2 2
1 +x2 2 /2
e− 2 = e−r

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.2. Erzeugung von Pseudo-Zufallszahlen 259

ergibt sich für die gemeinsame Verteilungsfunktion von (R, Θ) (unter Beachtung, dass
bei Übergang zu Polarkoordinaten die Funktionaldeterminante r als Faktor auftritt –
siehe obiger Transformationssatz) mit r̃ ≥ 0 und 0 < ϑ̃ ≤ 2π

F(R,Θ) (r̃, ϑ̃) = P(R ≤ r̃, Θ ≤ ϑ̃)

Zr̃ Zϑ̃
1 2
= · e−r /2 · r dϑ dr
2π
r=0 ϑ=0
Zr̃
ϑ̃ 2 /2
= r · e−r dr
2π
r=0

Substitution s := r2 /2 führt zu
r̃Z2 /2
ϑ̃ ϑ̃  2
F(R,Θ) (r̃, ϑ̃) = e−s ds = · 1 − e−r̃ /2 )
2π 2π
s=0

Für die Randverteilungen von R und Θ ergibt sich demnach

2 /2
FR (r) = P(R ≤ r) = F(R,Θ) (r, 2π) = 1 − e−r (r ≥ 0)

und
ϑ
FΘ (ϑ) = P(Θ ≤ ϑ) = lim F(R,Θ) (r, ϑ) = (0 ≤ ϑ ≤ 2π)
r→∞ 2π
Somit besitzt Θ eine Gleichverteilung auf dem Intervall (0, 2π] und R eine Rayleigh-
Verteilung4 mit dem Parameter λ = 2. Außerdem sind R und Θ unabhängig wegen
FR,θ (r, ϑ) = FR (r) · FΘ (ϑ) für r ≥ 0 und ϑ ∈ (0, 2π].
– Der (zufällige) Winkel Θ lässt sich somit aus einer U∗ (0, 1]-verteilten Zufallsgröße U
mittels

Θ = 2π · U

erzeugen, der (zufällige) Abstand R – analog zur Inversionsmethode – mittels

q
R = FR−1 (Ũ ) = −2 · ln(1 − Ũ )

aus einer U∗ [0, 1)-verteilten Zufallsgröße Ũ (d.h. Ũ ∼ U[0, 1] mit Ũ ∈ [0, 1)).
– Ist U eine U∗ (0, 1]-verteilte Zufallsgröße, so ist folglich
p
R ∼ −2 · ln(U ).
4
Dichte bzw. Verteilungsfunktion einer Rayleigh-verteilten Zufallsgröße X mit Parameter λ > 0: fX (x) =
2 2
2
λ
· x · e−x /λ · 1[0,∞) (x) bzw. FX (x) = (1 − e−x /λ ) · 1[0,∞) ; John William Strutt, 3. Baron Rayleigh (1842-
1919): englischer Physiker, erhielt den Nobelpreis für Physik. Die Rayleigh-Verteilung ist ein Spezialfall der Weibull-
Verteilung.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
260 Anhang C. Anhang zum Black-Scholes-Modell

– Aus

X1 = R · cos Θ und X2 = R · sin Θ

ergeben sich dann obige Formeln der Box-Muller-Methode.

• Implementierung in Excel (unter Beachtung, dass „ZUFALLSZAHL()“ den Wert Null, aber
nicht den Wert Eins annehmen kann):

WURZEL(−2 ∗ LN(1 − ZUFALLSZAHL())) ∗ COS(2 ∗ PI() ∗ ZUFALLSZAHL())

bzw.

WURZEL(−2 ∗ LN(1 − ZUFALLSZAHL())) ∗ SIN(2 ∗ PI() ∗ ZUFALLSZAHL())

C.2.2.4 Polar-Methode

Die Polar-Methode von George Marsaglia und Thomas Bray (1964) erzeugt zwei standard-normal-
verteilte unabhängige Zufallsgrößen X1 und X2 gemäß folgendem Algorithmus:
1. Es seien u1 , u2 zwei Zufallszahlen als Realisierungen von zwei unabhängigen U∗ [0, 1]-verteil-
ten Zufallsgrößen U1 und U2 sowie

s2 := v12 + v22 mit vi := 2 · ui − 1 (i = 1, 2)

(v1 und v2 sind somit Realisierungen von zwei unabhängigen U∗ [−1, 1]-verteilten Zufallsgrö-
ßen V1 und V2 ).

2. Ist s2 > 1 oder s2 = 0, gehe zurück zu Schritt 1.

3. Mit
r
−2 · ln s2
p :=
s2
sind

x1 := v1 · p und x2 := v2 · p

Realisierungen von zwei unabhängigen standard-normalverteilten Zufallsgrößen X1 und X2 .

• Die theoretische Grundlage der Polar-Methode ist derjenigen der Box-Muller-Methode, bei der
die („einheits-quadratische“) Dichte einer zweidimensionalen Gleichverteilung auf die Dichte
einer zweidimensionalen Standard-Normalverteilung transformiert wird, sehr ähnlich. Bei der
Polar-Methode wird jedoch nicht von einer Gleichverteilung auf dem Einheitsquadrat, sondern
von einer Gleichverteilung auf dem Einheitskreis ausgegangen, d.h., von einem zufälligen
Vektor (V1 , V2 ), dessen Verteilung die Dichte
1
f(V1 ,V2 ) (x1 , x2 ) = ·1 2 2 (x1 , x2 ), x1 , x2 ∈ R,
π {(x1 ,x2 ):x1 +x2 ≤1}
besitzt.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.2. Erzeugung von Pseudo-Zufallszahlen 261

• Es bezeichne (S, Θ) den zu (V1 , V2 ) gehörigen stochastischen Vektor „in Polarkoordinaten“

(siehe Box-Muller-Methode), d.h.

V1 = S · cos Θ und V2 = S · sin Θ.

Um daraus einen stochastischen Vektor (R, Θ̂) zu erhalten, der die Polarkoordinaten ei-
nes Vektors (X1 , X2 ) von zwei unabhängigen standard-normalverteilten Zufallsgrößen an-
gibt, braucht lediglich der „Abstand“ S des „Kreisvektors“ (V1 , V2 ) auf den „Abstand“ R
eines standard-normalverteilten Vektors (X1 , X2 ) transformiert zu werden; der Winkel Θ des
„Kreisvektors“ kann dabei übernommen werden, d.h. Θ̂ = Θ sowie

X1 = R · cos Θ und X2 = R · sin Θ.

• Unter Verwendung von (V1 , V2 ) erhält man

X1 = R · V1 /S und X2 = R · V2 /S.

für S > 0, d.h., X1 und X2 können für S > 0 ohne explizite Bestimmung von Θ direkt aus
V1 und V2 berechnet werden.

• Die Zufallsgröße S 2 ist U[0, 1]-verteilt: Analog zu den Betrachtungen für die Box-Muller-
Methode erhält man für die gemeinsame Verteilungsfunktion von (S, Θ)

Zs̃ Zϑ̃
1 ϑ̃ · s̃2
F(S,Θ) (s̃, ϑ̃) = P(S ≤ s̃, Θ ≤ ϑ̃) = · s dϑ ds =
π 2π
s=0 ϑ=0

für s̃ ∈ [0, 1], ϑ̃ ∈ [0, 2π] und demnach

FS (s) = P(S ≤ s) = P(S 2 ≤ s2 ) = FS 2 (s2 ) = s2 (s ∈ [0, 1])

sowie
ϑ
FΘ (ϑ) = (ϑ ∈ [0, 2π]).
2π
Somit sind S und Θ auch unabhängig.

• Für eine U∗ [0, 1)-verteilte Zufallsgröße S 2 erhält man analog zu den Betrachtungen für die
Box-Muller-Methode
p
R = −2 ln(1 − S 2 )

bzw. – falls S 2 U∗ (0, 1]-verteilt ist –

p
R ∼ −2 ln S 2 ,

und folglich
p p
X1 ∼ −2 ln S 2 · V1 /S und X2 ∼ −2 ln S 2 · V2 /S

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
262 Anhang C. Anhang zum Black-Scholes-Modell

• Die Ausdrücke V1 /S und V2 /S hängen lediglich von Θ und nicht von S ab, was die eben
genannte Gleichheit in Verteilung rechtfertigt.

• Es bleibt noch zu klären, auf welche Weise ein zufälliger Vektor (V1 , V2 ), der auf dem Einheits-
kreis gleichverteilt ist, erzeugt werden kann. Dies aber leistet gerade die „Verwerfungsregel“
aus Schritt 2. des obigen Algorithmus’: Dort sind (v1 , v2 ) zunächst gleichverteilte Werte auf
dem Quadrat [−1, 1] × [−1, 1]. Sollten diese Werte nicht innerhalb des Einheitskreises liegen
(d.h. v12 + v22 > 1), wird ein neues Paar von Zufallszahlen erzeugt. Die „Verwerfung“ findet
durchschnittlich in
π
1− ≈ 21.5%
4
aller Fälle statt (das Verhältnis Kreisfläche zur Quadratfläche ist π/4).

• Der Vorteil der Polar-Methode gegenüber der Box-Muller-Methode besteht darin, dass keine
Berechnung des Kosinus bzw. Sinus erforderlich ist, was einen Geschwindigkeitsvorteil be-
deutet5 . Dem steht der Nachteil der Verwerfung bereits erzeugter Zufallszahlen gegenüber.

• Die Implementierung in Excel ist aufgrund der Verwerfungsregel nicht elementar möglich.
Hier ist eine Programmierung z.B. mit Hilfe von VBA („Visual Basic for Applications“ –
Skriptsprache für Microsoft-Office-Anwendungen) erforderlich.

C.2.3 Verwerfungsmethoden
• Allgemein sind Verwerfungsmethoden dadurch gekennzeichnet, dass zunächst Zufallszahlen
gemäß einer „angenehmen“ Verteilung (beispielsweise Gleichverteilung) erzeugt werden, von
denen aber lediglich nur diejenigen verwendet werden, die einer anderen (weniger „angeneh-
men“) Verteilung entsprechen. Die Polarmethode ist bereits ein Beispiel für eine Verwerfungs-
methode, da hier auf einem Quadrat gleichverteilte Zufallszahlen verwendet werden, um auf
einem Kreis gleichverteilte Zufallszahlen durch „Weglassen“ zu erzeugen.

• Prinzipiell unterscheidet man zwei Arten von Verwerfungsmethoden, um Zufallszahlen von

eindimensionalen Verteilungen zu erzeugen. Diese werden im Folgenden beschrieben.

C.2.3.1 Verwerfungsmethode mittels eines gleichverteilten Vektors

• Generell lassen sich Zufallszahlen einer stetig verteilten Zufallsgröße Z mit der Dichte fZ
erzeugen, indem ein Vektor (X, Y ) verwendet wird, der auf der Fläche unterhalb der Dichte
fZ gleichverteilt ist, d.h. es gilt

0 ≤ Y ≤ fZ (X) P-f.s.
5
Plakativ wird die beschriebene Vorgehensweise an manchen Stellen als „direktes Rechnen in Polarkoordinaten“
bezeichnet, woher auch der Name dieser Methode stammt.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.2. Erzeugung von Pseudo-Zufallszahlen 263

sowie

Zx̃ fZ
Z (x) Zx̃
P(X ≤ x̃) = dy dx = fZ (x) dx = P(Z ≤ x̃),
x=−∞ y=0 x=−∞

d.h., die Zufallsgröße X besitzt dieselbe Verteilung wie die Zufallsgröße Z.

• Da in der praktischen Anwendung ein solcher Vektor (X, Y ) meist schwer zu erzeugen ist,
wird üblicherweise eine Gleichverteilung auf dem Bereich zwischen der x-Achse und einer
Funktion g mit

fZ ≤ g

erzeugt, wobei g bezüglich der Gleichverteilung eine „angenehmere“ Struktur aufweist, z.B.
stückweise linear ist. Zufallszahlen (x, y) mit y > fZ (x) werden verworfen (g selbst braucht
keine Dichte zu sein).
Der Algorithmus lässt sich dann folgendermaßen beschreiben:
n o
1. Erzeuge einen Vektor (x, y) von auf der Fläche (x, y) ∈ R2 : 0 ≤ y ≤ g(x)
gleichverteilten Zufallszahlen.
2. Gilt y ≤ fZ (x), so ist x eine wie Z verteilte Zufallszahl, ansonsten wiederhole Schritt
1.

C.2.3.2 Verwerfungsmethode mittels einer „ähnlich“ verteilten Zufallszahl

• Sollen Zufallszahlen einer stetig verteilten Zufallsgröße Z mit einer auf dem Intervall I ⊂ R
positiven Dichte fZ erzeugt werden, kann dies mit Hilfe der Dichte fX einer ebenfalls stetig
verteilten Zufallsgröße X mit der Eigenschaft

fZ ≤ c · fX (c > 0)

(wegen fZ (x) > 0 für x ∈ I muss demnach auch fX (x) > 0 für x ∈ I gelten) sowie einer
von X unabhängigen U[0, 1]-verteilen Zufallsgröße U geschehen. Es ist nämlich
!
fZ (X)
P (Z ≤ x̃) = P X ≤ x̃ U ≤ (x̃ ∈ R),
c · fX (X)

fZ (x)
d.h., eine wie X verteilte Zufallszahl x ∈ I wird lediglich in c·f X (x)
·100% aller Fälle akzeptiert
und ansonsten verworfen, was zu einer wie Z verteilten Zufallsgröße führt.

• Theoretische Begründung: Es gilt

 
fZ (X)
P X ≤ x̃, U ≤ c·f
!
fZ (X) X (X)
P X ≤ x̃ U ≤ =  
c · fX (X) fZ (X)
P U ≤ c·f X (X)

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
264 Anhang C. Anhang zum Black-Scholes-Modell

Gemäß den „Rechenregeln“ für bedingte Wahrscheinlichkeiten ergibt sich wegen P(U ≤ u) =
fZ (x)
u für u ∈ [0, 1] und c·f X (x)
∈ (0, 1] für x ∈ I
! Z !
fZ (X) fZ (X)
P X ≤ x̃, U ≤ = P U≤ X=x dPX (x)
c · fX (X) c · fX (X)
(−∞,x̃]∩I
Z !
fZ (x)
= P U≤ · fX (x) dλ(x)
c · fX (x)
(−∞,x̃]∩I
Z
fZ (x)
= · fX (x) dλ(x)
c · fX (x)
(−∞,x̃]∩I
Z
1 1
= · fZ (x) dλ(x) = · P(Z ≤ x̃)
c c
(−∞,x̃]∩I

Weiter ist
! !
fZ (X) fZ (X) 1
P U≤ = lim P X ≤ x̃, U ≤ =
c · fX (X) x̃→∞ c · fX (X) c

und somit
!
1
fZ (X) c · P(Z ≤ x̃)
P X ≤ x̃ U ≤ = = P(Z ≤ x̃).
c · fX (X) 1/c

• Der Algorithmus lässt sich dann folgendermaßen beschreiben:

1. Erzeuge eine Zufallszahl x ∈ I gemäß einer Verteilung mit der Dichte fX sowie eine
U∗ [0, 1]-verteilte Zufallszahl u.
fZ (x)
2. Ist u ≤ c·f X (x)
, wobei fZ ≤ c · fX für ein c > 0 gilt, so ist die unter 1. erzeugte
Zufallszahl x wie Z verteilt, ansonsten wiederhole Schritt 1.

• Beispiel: Zufallszahlen aus dem „rechten Ende“ der Standard-Normalverteilung

2
– Sei r ≥ 0 und φ die Dichte der Standard-Normalverteilung, d.h. φ(x) = √1 e−x /2
2π
für
x ∈ R. Dann lässt sich aus φ „rechts von r“ wiederum eine Dichte

φ(x)
φr : x ∈ R 7→ ·1 (x)
1 − Φ(r) [r,∞)

bilden. Φ ist dabei die Verteilungsfunktion der Standard-Normalverteilung. Der Aus-

druck „1 − Φ(r)“ dient der Normierung dieser aus dem „rechten Ende“ einer Nor-
malverteilung erzeugten „neuen“ Dichtefunktion φr . Für r = 0 ist φ0 die Dichte einer
„halb-normalen Verteilung“, d.h. der Verteilung von |Z| für eine standard-normalverteilte
Zufallsgröße Z.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.2. Erzeugung von Pseudo-Zufallszahlen 265

– Sei r > 0 und X eine mit dem Parameter r exponentialverteilte

 Zufallsgröße, d.h.
fX (x) = r · e −r·x · 1[0,∞) (x) und FX (x) = 1 − e−r·x · 1[0,∞) (x) für x ∈ R. Die um
r verschobene Zufallsgröße X + r besitzt dann die Dichte

fX+r (x) = r · e−r·(x−r) · 1[r,∞) (x)

und die Verteilungsfunktion

 
FX+r (x) = 1 − e−r·(x−r) · 1[r,∞) (x).

– Im Folgenden ist demnach I = [r, ∞) wegen φr (x) > 0 sowie fX+r (x) > 0 für x ∈ I.
Es gilt nun

φr ≤ cr · fX+r

mit
1 1 1 2
cr := √ · · · e−r /2 ,
2π r 1 − Φ(r)

denn aus (x − r)2 /2 ≥ 0 für x ∈ R folgt

(x−r)2
e− 2 ≤ 1

sowie
x2 r2 2 /2
e− 2 ≤ e−rx+ 2 = e−r·(x−r) · e−r

und somit für x ≥ r

1 1 x2
φr (x) = √ · · e− 2
2π 1 − Φ(r)
1 1 1 2
≤ √ · · · r · e−r·(x−r) · e−r /2 = cr · fX+r (x),
2π 1 − Φ(r) r
d.h., die Voraussetzung für die Anwendung obiger Verwerfungsmethode ist erfüllt.
– Für x ≥ r erhält man weiter
x2
φr (x) e− 2 (x−r)2
= −r·(x−r)−r2 /2 = e− 2
cr · fX+r (x) e

Somit ergibt sich für eine U∗ (0, 1]-verteilte Zufallsgröße U und eine mit dem Parameter
r exponentialverteilte Zufallsgröße X die „Annahmeregel“

φr (X + r) X2
U ≤ = e− 2 bzw. − 2 ln U ≥ X 2 .
cr · fX+r (X + r)

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
266 Anhang C. Anhang zum Black-Scholes-Modell

– Eine mit dem Parameter r > 0 exponentialverteilte Zufallsgröße X kann aus einer
U∗ (0, 1]-verteilten Zufallsgröße V mittels obiger Inversionsmethode erzeugt werden:
Aus FX (x) = 1 − e−r·x für x ≥ 0 folgt

ln(1 − x)
FX−1 (x) = − für x ∈ [0, 1).
r
Ist V U∗ (0, 1]-verteilt, so ist 1 − V U∗ [0, 1)-verteilt, und folglich ist

ln V
FX−1 (1 − V ) = −
r
exponentialverteilt mit dem Parameter r.
– Die „Annahmeregel“ lässt sich demnach mit Hilfe zweier unabhängiger U∗ (0, 1]-verteilter
Zufallsgrößen U und V mittels

ln V 2
 
−2 ln U ≥ −
r

beschreiben.
– Der dazugehörige Algorithmus stellt sich nun folgendermaßen dar:
1. Erzeuge zwei unabhängige auf dem Intervall (0, 1] gleichverteilte Zufallszahlen u
und v.6
2. Berechne x := −(ln v)/r.
3. Gilt −2 ln u < x2 , wiederhole ab Schritt 1., ansonsten ist x + r eine gemäß einer
Verteilung mit der Dichte φr verteilte Zufallszahl.
– Diese Methode geht auf George Marsaglia und Wai Wan Tsan 1984 zurück. Der Algo-
rithmus ist u.a. beschrieben in der Online-Version von Non-Uniform Random Variate
Generation, Luc Devroye, 1986, [Link]

C.2.4 Ziggurat-Methode
• Die Ziggurat-Methode wurde 2000 von George Marsaglia und Wai Wan Tsang entwickelt
und ist allgemein auf stetig verteilte Zufallsgrößen, deren Verteilung eine glockenförmige sym-
metrische oder streng monoton fallende Dichte besitzt, anwendbar. Dieser Algorithmus gilt
insbesondere als einer der schnellsten zur Erzeugung standard-normalverteilter Zufallszahlen.

• Dabei wird die Fläche unterhalb der Dichte zunächst durch n aufeinanderliegende Rechte-
cke gleichen Volumens eingehüllt, wobei diese aufgrund der vorausgesetzten Glockenstruktur
bzw. Monotonie der Dichte von oben nach unten immer breiter (und folglich auch flacher
wegen des gleichen Volumens) werden – wie bei einem Ziggurat (gestufter Tempelturm in
Mesopotamien). Der unterste Block, der auf der x-Achse aufliegt, enthält dabei auch die
6
Sind u bzw. v auf dem Intervall [0, 1) gleichverteilt, wird stattdessen 1 − u bzw. 1 − v verwendet.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.2. Erzeugung von Pseudo-Zufallszahlen 267

gesamten Enden der Dichte. Auf die oberen Blöcke wird dann die erste oben genannte Ver-
werfungsmethode, für die Enden des untersten Blocks – in Abhängigkeit von der betrachteten
Verteilung – evtl. die zweite o.g. Verwerfungsmethode angewendet.

• Die jeweils rechten Begrenzungen dieser Rechtecke werden mit x1 , x2 , . . . , xn−1 bezeich-
net (der untere Block hat im Allgemeinen keine Begrenzung, da er die Enden der Dichte
aufnimmt), wobei x1 < x2 < . . . < xn−1 gilt. O.B.d.A. sei die Dichte streng monoton
fallend mit positiven Werten für x ≥ 0. Es gilt mit x0 := 0, wobei f die betreffende Dichte
bezeichnet (Skizze!):
   
x1 · f (x0 ) − f (x1 ) = x2 · f (x1 ) − f (x2 )
= ...
 
= xn−1 · f (xn−2 ) − f (xn−1 )
Z∞
= xn−1 · f (xn−1 ) + f (x) dx
xn−1

Die „Einhüllende“ g für die Fläche der Dichte ist somit für x ≥ 0

f (x0 ) für 0 ≤ x ≤ x1






f (x1 ) für x1 < x ≤ x2



.. ..


g(x) = . .


für xn−2 < x ≤ xn−1




 f (xn−2 )

für x > xn−1

f (x)


• Zur Bestimmung der n − 1 Stellen x1 , . . . , xn−1 sowie der (konstanten) Fläche V der jewei-
ligen Blöcke ist das folgende System von n nichtlinearen Gleichungen zu lösen:
 
x1 · f (x0 ) − f (x1 ) − V = 0
 
x2 · f (x1 ) − f (x2 ) − V = 0
..
.
 
xn−1 · f (xn−2 ) − f (xn−1 ) − V = 0
Z∞
xn−1 · f (xn−1 ) + f (x) dx − V = 0
xn−1

Dabei genügt es, die Lösungen für V und xn−1 zu kennen, da sich die Lösungen xn−2 , xn−3 ,
. . . , x1 aus der zweiten bis vorletzten Gleichung rekursiv über
!
−1 V
xi = f + f (xi+1 ) (i = n − 2, n − 3, . . . , 1)
xi+1

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
268 Anhang C. Anhang zum Black-Scholes-Modell

ergeben.

• Speziell für den Fall der Standardnormalverteilung genügt es, die unnormierte Dichte
2 /2
φ∗ : x 7→ e−x

für x ≥ 0 zu betrachten. Diese Normierung lässt die Werte x1 , . . . , xn−1 unverändert. Für
die Umkehrfunktion erhält man
√
φ∗−1 : x 7→ −2 · ln x für x ∈ (0, 1].

Für n = 256 ergibt sich gemäß Marsaglia und Tsang 2000

V = 0.00492867323399 und
x255 = 3.6541528853610088.
√
(256 · V ≈ 1.26174 ≈ 1.0067 · 2π/2, d.h., die einhüllende Fläche ist ungefähr 0,67% größer
als die tatsächliche Fläche unterhalb der „Dichte“.)

• Durch
V
xn :=
f (xn−1 )

wird ein „fiktiver Randpunkt“ des unteren Blocks mit der Eigenschaft xn · f (xn−1 ) = V er-
zeugt: Die Fläche unterhalb des Endes der Dichte entspricht dabei der Fläche eines Rechtecks
zwischen den Punkten xn−1 und xn mit der Höhe f (xn−1 ).

• Nach Initialisierung der Werte x0 , . . . , xn (und sinnvollerweise auch von f0 := f (x0 ), . . . ,

fn−1 := f (xn−1 )) wird eine Zufallszahl gemäß folgendem Algorithmus erzeugt:

1. Wähle einen der n Blöcke rein zufällig aus. Da alle Blöcke dieselbe Fläche besitzen, wird
damit der Bereich, in dem eine zweidimensionale Gleichverteilung realisiert wird, „im Sinne
der Gleichverteilung“ eingeschränkt. Üblicherweise stellen Programmiersprachen einen ganz-
zahligen Zufallszahlengenerator zur Verfügung bzw. eine solche Zahl kann aus dem zufälligen
Bitmuster einer U[0, 1]-verteilten Zufallszahl extrahiert werden.

2. Sei i ∈ {1, . . . , n} die Nummer des ausgewählten Blocks. Innerhalb des ausgewählten Blocks
wird nun über die gesamte Blocklänge wiederum eine Gleichverteilung realisiert, indem z.B.
eine U[0, 1]-verteilte Zufallszahl u mit der jeweiligen Blocklänge multipliziert wird. Ist die
ursprünglich zugrunde liegende Dichte (wie bei der Standard-Normalverteilung) achsensym-
metrisch, wird die auf der Blocklänge gleichverteilte Zufallszahl x mittels

x := (2 · u − 1) · xi bzw. x := u · xi

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.2. Erzeugung von Pseudo-Zufallszahlen 269

(bei einer ursprünglich „einseitigen“ Dichte) berechnet. 7

3. Ist |x| ≤ xi−1 , so befindet sich die Obergrenze fi−1 des betrachteten Blocks unterhalb der
Kurve der betrachteten Dichte, und x ist die gesuchte Zufallszahl.

4. Andernfalls wird zwischen i = n (unterster Block einschließlich der Enden) oder i < n
unterschieden:

i = n: Es wird eine Zufallszahl aus dem rechten Ende der Dichte (|x| > xn−1 ) erzeugt. Im
Fall der Normalverteilung kann dies z.B. mit dem im vorigen Abschnitt beschriebe-
nen Algorithmus geschehen. Diese Zufallszahl wird mit demselben Vorzeichen wie x
versehen.
i < n: Die Zufallszahl x liegt in einem Bereich, in dem die Oberseite des einhüllenden Rechtecks
oberhalb der Kurve der betrachteten Dichte liegt (Skizze!). Hier wird nun zu dem bereits
vorhandenen x-Wert ein (gleichverteilter) y-Wert mittels
 
y := fi + v · fi−1 − fi

aus einer U∗ [0, 1]-verteilten Zufallszahl v erzeugt. Der Punkt (x, y) befindet sich un-
terhalb der Kurve der Dichte, wenn

y ≤ f (x)

oder – äquivalent –

f (x) − fi
v ≤
fi−1 − fi

gilt. Ist dies der Fall, so ist x die gewünschte Zufallszahl. Andernfalls wird x verworfen
und der Algorithmus startet wieder bei Schritt 1.

• Die Schnelligkeit der Ziggurat-Methode beruht darauf, dass in den meisten Fällen ledig-
lich eine Multiplikation (Schritt 2.) und ein Vergleich (Schritt 3.) notwendig sind, um eine
standard-normalverteilte Zufallszahl zu erzeugen.

• Eine umfassende Übersicht über Verfahren zur Erzeugung normalverteilter Zufallsgrößen bie-
tet Gaussian Random Number Generators, David B. Thomas, Wayne Luk, Philip H.W. Leong,
John D. Villasenor, ACM Computing Surveys, 2007, [Link]
cfm?id=1287622

7
In einer optimierten Version der Ziggurat-Methode wird die Blocknummer i und der x-Wert mit Hilfe einer
einzigen Zufallszahl erzeugt. Hierbei sollte jedoch auf die Unabhängigkeit dieser beiden zufälligen Ereignisse geachtet
werden, siehe z.B. An improved ziggurat method to generate normal random samples, Jurgen Doornik, 2005,
[Link]

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
270 Anhang C. Anhang zum Black-Scholes-Modell

C.3 Logarithmische Normalverteilung

 
• Eine positive Zufallsgröße Y > 0 über einem Wahrscheinlichkeitsraum Ω, F, P heißt lo-
garithmisch normalverteilt (oder kurz: log-normalverteilt) mit den Parameter µ ∈ R und
σ 2 > 0, falls die Zufallsgröße X := ln Y normalverteilt mit den Parametern µ = EX und
σ 2 = Var (X) ist. Ist umgekehrt X normalverteilt mit den Parametern µ und σ 2 , so ist
Y := eX log-normalverteilt mit den Parametern µ und σ 2 .

• Sei Y eine mit Parametern µ und σ 2 log-normalverteilte Zufallsgröße. Ihre Verteilungsfunktion

FY ergibt sich dann aus der Verteilungsfunktion Φ der Standardnormalverteilung für x > 0
über
 
    ln x − µ
FY (x) = P Y ≤ x = P ln Y ≤ ln x = Φ
σ

und FY (x) = 0 für x ≤ 0. Für die Dichte fY ergibt sich dann aus der Dichte φ der
Standardnormalverteilung für x > 0
 
ln x−µ
dFY (x) dΦ σ 1 1

ln x − µ

fY (x) = = = · ·φ
dx dx x σ σ
1 1 (ln x−µ)2
= √ · · e− 2σ2
2πσ 2 x

und fY (x) = 0 für x ≤ 0 (Skizze!).

• Die Dichte fY nimmt ihr Maximum bei

2
x∗ = eµ−σ

an, denn wegen φ0 (x) = −x · φ(x) (x ∈ R) erhält man

   
dfY (x) 1 1 ln x − µ 1 1 1 1 0 ln x − µ
= − 2 · ·φ + · · · ·φ
dx x σ σ x σ x σ σ
   
1 ln x − µ ln x − µ !
= φ · −σ− = 0
x2 σ 2 σ σ

und somit
ln x∗ − µ
= −σ
σ

• Der Erwartungswert EY und die Varianz Var (Y ) einer mit den Parameter µ und σ 2 log-
normalverteilten Zufallsgröße Y kann mit Hilfe einer standardnormalverteilten Zufallsgröße
Z über
 n   
n µ+σZ
= E enµ+nσZ


E Y = E e (n ∈ N)

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.3. Logarithmische Normalverteilung 271

bestimmt werden. Es ergibt sich

Z∞ Z∞
1 z2 1 z 2 −2nσ
n nµ+nσz
· √ · e− 2 dz = enµ · √ · e− 2 dz


E Y = e
2π 2π
−∞ −∞
Z∞
1 z 2 −2nσ+n2 σ 2 n2 σ 2
= enµ · √ · e− 2 · e 2 dz
2π
−∞
Z∞
2 2 1 (z−nσ)2 n2 σ 2
nµ+ n 2σ
= e · √ · e− 2 dz = enµ+ 2
2π
−∞
| {z }
= 1

und somit

2
EY = eµ+σ /2 sowie
   2 2 2 2
 2 
Var (Y ) = E Y 2 − EY = e2µ+2σ − e2µ+σ = e2µ+σ eσ − 1 .

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
272 Anhang C. Anhang zum Black-Scholes-Modell

C.4 Ein Lemma vom Fubini-Typ für bedingte Erwartungen

In diesem Abschnitt geht es um die mathematische Begründung der in der Finanzmathematik
häufig verwendeten „Rechenregel“ für bedingte Erwartungen, dass auch in verketteten Funktionen
der „messbare Anteil“ aus der bedingten Erwartung herausgezogen und bezüglich des „unabhängigen
Anteils“ der unbedingte Erwartungswert berechnet werden „darf“, d.h.
     
E f (X, Y ) | C = E f (x, Y ) = g(X) mit g(x) := E f (x, Y ) , (C.1)
x=X

wobei die Zufallsgröße X messbar bezüglich C und die Zufallsgröße Y unabhängig von C ist.

Als Folgerung aus einer solchen „Regel“ ergibt sich dann nämlich unmittelbar mit f (x, y) := h(x·y)
     
E h(X · Y ) | C = E h(x · Y ) = g(X) mit g(x) := E h(x · Y ) .
x=X

Die folgenden Überlegungen gehen dabei für die Vorlesung „Finanzmathematik“ von Lothar Partzsch
zurück.

Bemerkungen:

1. Gegeben seien zwei nichtnegative oder

 integrierbare
 reellwertige Zufallsgrößen X und Y
auf einem Wahrscheinlichkeitsraum Ω, F, P sowie eine Unter-σ-Algebra C ⊂ F. Ist
X C-messbar und Y unabhängig von C, so ergibt sich unter der Voraussetzung, dass das
Produkt X · Y nichtnegativ oder integrierbar ist, direkt aus den „Rechenregeln“ für bedingte
Erwartungen
   
E X ·Y |C = X · E Y | C = X · EY = g(X)
mit g(x) := x · EY = E(x · Y )

2. Dieses Resultat lässt sich unmittelbar auf vektorwertige Zufallsgrößen X : Ω → Rm (m ∈ N)

und Y : Ω → Rn (n ∈ N) sowie Funktionen f1 : Rm → R und f2 : Rn → R folgendermaßen
verallgemeinern:
   
E f1 (X) · f2 (Y ) | C = f1 (X) · E f2 (Y ) = g(X) (C.2)
   
mit g(x) := f1 (x) · E f2 (Y ) = E f1 (x) · f2 (Y )

Hierbei muss dann allerdings die Nichtnegativität bzw. Integrierbarkeit von f1 (X), f2 (Y )
und f1 (X) · f2 (Y ) vorausgesetzt werden.

3. Im folgenden Lemma wird – bezogen auf den allgemeinen Fall (C.1) – zunächst der Spezialfall
C = σ(X) betrachtet.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.4. Ein Lemma vom Fubini-Typ für bedingte Erwartungen 273

Lemma C.1 Es seien X : Ω → Rm (m ∈ N) und Y  : Ω → R (n ∈ N) zwei unabhängige

n

zufällige Vektoren auf einem Wahrscheinlichkeitsraum Ω, F, P . Weiter sei f : Rm × Rn → R

eine B(Rm+n )-B(R) messbare Funktion mit f (x, Y ) nichtnegativ für alle x ∈ Rm oder f (X, Y )
integrierbar und f (x, Y ) integrierbar für alle x ∈ Rm . Dann gilt
   
E f (X, Y ) | X = g(X) P-f.s. mit g(x) := E f (x, Y ) .

Beweis: Für eine Borel-Menge B m ∈ B(Rm ) ist X −1 (B m ) ∈ σ(X) (für den Spezialfall B m = Rm
erhält man X −1 (B m ) = Ω). Da f (X, Y ) nichtnegativ oder integrierbar ist, ergibt sich
  Z
E f (X, Y ) · 1X −1 (B m ) = f (X, Y ) · 1X −1 (B m ) dP
Ω
Z
= f (x, y) · 1B m (x) dP(X,Y ) (x, y).
Rm ×Rn

Aufgrund der Unabhängigkeit von X und Y ist die gemeinsame Verteilung P(X,Y ) gleich dem
Produktmaß PX ⊗ PY , und es ergibt sich wegen des Satzes von Fubini
 
E f (X, Y ) · 1X −1 (B m )
Z  
= f (x, y) · 1B m (x) d PX ⊗ PY (x, y)
Rm ×Rn
Z Z 
= f (x, y) dPY (y) · 1B m (x) dPX (x)
Rm Rn
Z Z 
= f (x, Y ) dP · 1B m (x) dPX (x)
Rm Ω
Z  
= E f (x, Y ) · 1B m (x) dPX (x)
Rm
Z Z
= g(x) · 1B m (x) dPX (x) = g(X) · 1X −1 (B m ) dP.
Rm Ω

Nun gibt es zu jedem C ∈ σ(X) eine Borel-Menge B m ∈ B(Rm ), so dass C = X −1 (B m ) gilt.

Man erhält demnach
Z Z Z Z
f (X, Y ) dP = f (X, Y ) · 1C dP = g(X) · 1C dP = g(X) dP
C Ω Ω C

Da g(X) messbar bezüglich σ(X) ist, entspricht dies der Definition der bedingten Erwartung von
f (X, Y ) bezüglich X, d.h.
 
E f (X, Y ) | X = g(X) P-f.s.


Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
274 Anhang C. Anhang zum Black-Scholes-Modell

Bemerkung: Für einen Wienerprozess W = (Wt )t∈T erhält man aus obigem Lemma sofort
   
E f (Ws , Wt − Ws ) | Ws = g(Ws ) P-f.s. mit g(x) := E f (x, Wt − Ws )

für s < t, s, t ∈ T. Benötigt wird jedoch eine noch allgemeinere Aussage, in der die Bedin-
gung σ(Ws ) allgemein durch eine σ-Algebra,
 bezüglich der Wt − Ws unabhängig ist, ersetzt wird
(beispielsweise durch σ Wt , t ∈ [0, s] ).
 
Satz C.2 Gegeben seien ein Wahrscheinlichkeitsraum Ω, F, P , eine Unter-σ-Algebra C ⊂ F

sowie zwei zufällige Vektoren X : Ω → Rm (m ∈ N) und Y : Ω → Rn (n ∈ N) auf Ω, F,

P , wobei X messbar ist bezüglich C und Y unabhängig von C. Weiter sei f : Rm × Rn → R
eine B(Rm+n )-B(R) messbare Funktion mit f (x, Y ) nichtnegativ für alle x ∈ Rm oder f (X, Y )
integrierbar und f (x, Y ) integrierbar für alle x ∈ Rm . Dann gilt
   
E f (X, Y ) | C = g(X) P-f.s. mit g(x) := E f (x, Y ) . (C.3)

Beweis: Die Vorgehensweise aus Lemma C.1 lässt sich nicht unmittelbar verallgemeinern, da nicht
jede Menge C ∈ C eine Urbildmenge von X sein muss, d.h., es gilt σ(X) ⊂ C. Hier wird daher
der Weg der algebraischen Induktion beschritten, d.h., ausgehend von einer „einfachen“ Funktion
f wird die gewünschte Eigenschaft (C.3) für immer „komplexere“ Funktionen f gezeigt.

1. Die Eigenschaft (C.3) ist „linear“ in folgendem Sinne:

Sei f1 , . . . , fk eine Folge von Funktionen, die die Voraussetzungen des Satzes sowie (C.3)
erfüllen. Die Nichtnegativtäts- bzw. Integrierbarkeitsvoraussetzungen gelten dabei jeweils für
die gesamte Folge, d.h.

(a) für i = 1, . . . , k ist fi (x, Y ) nichtnegativ für alle x ∈ Rm bzw.

(b) für i = 1, . . . , k sind fi (X, Y ) integrierbar und fi (x, Y ) integrierbar für alle x ∈ Rm .

Im Fall (a) wird im Folgenden

k
X
f := αi · fi mit αi ∈ R0+ (i = 1, . . . , k)
i=1

betrachtet (in diesem Fall ist f messbar und f (x, Y ) ≥ 0 für alle x ∈ Rm ), im Fall (b)

k
X
f := αi · fi mit αi ∈ R (i = 1, . . . , k)
i=1

(in diesem Fall ist f messbar und sowohl f (X, Y ) integrierbar als auch f (x, Y ) integrierbar
für alle x ∈ Rm ).

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.4. Ein Lemma vom Fubini-Typ für bedingte Erwartungen 275

In jedem der beiden Fälle gilt (C.3) auch für die Funktion f , denn es ist

  k
X  k
X  
E f (X, Y ) | C = E αi · fi (X, Y ) | C = αi · E fi (X, Y ) | C
i=1 i=1
k
X  
= αi · gi (X) mit gi (x) := E fi (x, Y ) , x ∈ Rm .
i=1

Für ω ∈ Ω ergibt sich

k
X   k
X  
αi · gi (X) (ω) = αi · gi X(ω)
i=1 i=1
k
X     k
X   
= αi · E fi X(ω , Y ) = E αi · fi X(ω , Y )
i=1 i=1
       
= E f X(ω , Y ) = g X(ω) mit g(x) := E f (x, Y ) , x ∈ Rm ,
 
= g(X) (ω)

 
und somit E f (X, Y ) | C = g(X).

2. Die Eigenschaft (C.3) gilt für f = 1M mit M ∈ B(Rm ) × B(Rn ):

Jede Menge M ∈ B(Rm ) × B(Rn ) lässt sich darstellen als M = B m × B n mit B m ∈ B(Rm )
und B n ∈ B(Rn ). Somit gilt

f (X, Y ) = 1M (X, Y ) = 1B m ×B n (X, Y ) = 1B m (X) · 1B n (Y )

und folglich gemäß (C.2), da 1M nichtnegativ ist, die gewünschte Eigenschaft (C.3).

3. Die Eigenschaft (C.3) gilt für f = 1M mit M ∈ B(Rm ) ⊗ B(Rn ) = B(Rm+n ):

Es sei
 
D := M ∈ B(Rm ) ⊗ B(Rn ) : f = 1M erfüllt Eigenschaft (C.3) ,

d.h., es wird D = B(Rm ) ⊗ B(Rn ) gezeigt:

(a) D ist ein Dynkin-System:

i. Es gilt ∅ ∈ D wegen 1∅ ≡ 0 und Rm × Rn ∈ D wegen 1Rm ×Rn ≡ 1.
ii. Aus M ∈ D folgt M ∈ D, denn es gilt 1M = 1 − 1M und Eigenschaft (C.3) ist
„linear“ (siehe 1., denn sowohl 1M (X, Y ) ist integrierbar als auch 1M (x, Y ) ist
integrierbar für alle x ∈ Rm , da 1M beschränkt ist).

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
276 Anhang C. Anhang zum Black-Scholes-Modell

∞
iii. Für jede disjunkte Folge (Mk )k∈N ∈ D gilt
S
Mk ∈ D:
k=1
Aufgrund der Disjunktheit der Mengen M1 , M2 , . . . ist
k
X
1∞
S = lim 1Mi .
Mk k→∞
k=1 i=1

Wegen des Satzes von der monotonen Konvergenz für bedingte Erwartungen sowie
der „Linearität“ von (C.3) ergibt sich
   Xk 
E 1∞ S (X, Y ) | C = E lim 1Mi (X, Y ) | C
Mk k→∞
k=1 i=1
k
X  k
X  
= lim E 1Mi (X, Y ) | C = lim E 1Mi (X, Y ) | C
k→∞ k→∞
i=1 i=1
k
X  
= lim gi (X) mit gi (x) := E 1Mi (x, Y ) , x ∈ Rm .
k→∞
i=1
Für ω ∈ Ω ist nun weiter
X k   k
X  
lim gi (X) (ω) = lim gi X(ω)
k→∞ k→∞
i=1 i=1
Xk    k
X  
= lim E 1Mi X(ω), Y = lim E 1Mi X(ω), Y
k→∞ k→∞
i=1 i=1
 k
X     
= E lim 1Mi X(ω), Y = E 1∞
S X(ω), Y
k→∞ Mk
i=1 k=1
   
= g X(ω) mit g(x) := E 1 ∞
S (x, Y ) , x ∈ Rm ,
Mk
k=1
 
= g(X) (ω)
und somit
 
E 1∞S (X, Y ) | C = g(X).
Mk
k=1

(b) Wegen 2. ergibt sich

B(Rm ) × B(Rn ) ⊂ D.

Da B(Rm ) × B(Rn ) durchschnittsstabil ist, gilt

   
σ B(Rm ) × B(Rn ) = δ B(Rm ) × B(Rn )

und somit
   
B(Rm ) ⊗ B(Rn ) = σ B(Rm ) × B(Rn ) = δ B(Rm ) × B(Rn )
⊂ δ(D) = D ⊂ B(Rm ) ⊗ B(Rn ),
d.h. D = B(Rm ) ⊗ B(Rn ).

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.4. Ein Lemma vom Fubini-Typ für bedingte Erwartungen 277

k
4. Die Eigenschaft (C.3) gilt für einfache Funktionen f = ci ·1Mi mit Mi ∈ B(Rm )⊗B(Rn ),
P
i=1
ci ∈ R0+ , i = 1, . . . , k (k ∈ N): Dies ergibt sich direkt aus der „Linearität“ von (C.3) (siehe
1.).

5. Die Eigenschaft (C.3) gilt für alle messbaren Funktion f : Rm × Rn → R mit f (x, Y )
nichtnegativ für alle x ∈ Rm :

Ist f B(Rm+n )-B(R)-messbar, so sind insbesondere auch f (X, Y ) F-B(R)-messbar und

f (x, Y ) F-B(R)-messbar für allenx ∈ Rm .oFür jede nichtnegative Funktion f (x, Y ) mit
x ∈ Rm gibt es dann eine Folge fk (x, Y ) isoton wachsender einfacher Funktionen,
k∈N
so dass

f (x, Y ) = sup fk (x, Y )

k∈N

gilt. Ist f (x, Y ) nichtnegativ für alle x ∈ Rm , so ist insbesondere auch f (X, Y ) nichtnegativ
und

f (X, Y ) = sup fk (X, Y ).

k∈N

Der Satz von der monotonen Konvergenz für nichtnegative Funktionen und bedingte Erwar-
tungen liefert nun
     
E f (X, Y ) | C = E sup fk (X, Y ) | C = sup E fk (X, Y ) | C
k∈N k∈N
 
= sup gk (X) mit gk (x) := E fk (x, Y ) , x ∈ Rm .
k∈N

Für ω ∈ Ω ist nun weiter

   
sup gk (X) (ω) = sup gk X(ω)
k∈N k∈N
     
= sup E fk X(ω), Y = E sup fk X(ω), Y
k∈N k∈N
      
= E f X(ω), Y = g X(ω) mit g(x) := E f (x, Y ) , x ∈ Rm ,
 
= g(X) (ω)

und somit
 
E f (X, Y ) | C = g(X).

6. Die Eigenschaft (C.3) gilt für alle messbaren Funktionen f : Rm × Rn → R mit f (X, Y )
integrierbar und f (x, Y ) integrierbar für alle x ∈ Rm :

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
278 Anhang C. Anhang zum Black-Scholes-Modell

 +
Da f (X, Y ) integrierbar ist, ist auch der Positivteil f (X, Y ) und der Negativteil
 −
f (X, Y ) integrierbar (analog für f (x, Y ) mit x ∈ Rm ). Da sowohl die Positiv- als
auch die Negativteile nichtnegativ sind, gilt (C.3) wegen 5. zunächst für die Positiv- und
 +
Negativteile und wegen der „Linearität“ von (C.3) somit auch für f (X, Y ) = f (X, Y ) −
 −
f (X, Y ) (analog für f (x, Y ) mit x ∈ Rm ).


Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.5. Stoppzeiten, erweiterte natürliche Filtration und das Reflexionsprinzip für den Wienerprozess
279

C.5 Stoppzeiten, erweiterte natürliche Filtration und das Refle-

xionsprinzip für den Wienerprozess
 
Definition C.3 Gegeben seien ein Wahrscheinlichkeitsraum Ω, F, P , ein Zeitbereich T =
   
[0, T ], T > 0, sowie eine Filtration Ft . Eine Zufallsgröße τ : Ω → T ∪ {∞} auf Ω, F, P
t∈T 
heißt Stoppzeit (stopping time) bezüglich Ft , falls
t∈T

{τ ≤ t} ∈ Ft

für alle t ∈ T gilt.

Bemerkungen:

1. Für eine Stoppzeit kann zu jedem Zeitpunkt t ∈ T auf Basis der in Ft enthaltenen Infor-
mationen entschieden werden, ob das Ereignis {τ ≤ t} eingetreten ist. Insbesondere kann
eine Stoppzeit als Wartezeit bis zum Eintreten eines bestimmmten Ereignisses interpretiert
werden. Der Wert „∞“ berücksichtigt dabei die Möglichkeit, dass das betreffende Ereignis
nicht in endlicher Zeit eintritt.

2. Diese Definition kann auf den Fall unbeschränkter Zeitbereiche (z.B. T = [0, ∞)) verallge-
meinert werden.
 
3. Die Sprechweise „τ ist adaptiert an Ft “ ist zwar inhaltlich nahe liegend, jedoch aus ma-
t∈T
thematischer Sicht nicht korrekt, da nur stochastische Prozesse
 an
 Filtrationen adaptiert
  sein
können. Tatsächliche ist aber der stochastische Prozess 1{τ ≤t} adaptiert an Ft .
t∈T t∈T
 
4. Ist (Xt )t∈T ein stochastischer Prozess auf Ω, F, P und τ eine Stoppzeit, dann heißt
 
Xmin(t,τ )
t∈T

der bei τ gestoppte Prozess. Insbesondere ist

Xmin(t,τ ) = Xt · 1{t<τ } + Xτ · 1{t≥τ } (t ∈ T).

 
Der gestoppte Prozess Xmin(t,τ ) ist somit für t ≥ τ (für ein festes ω ∈ Ω) konstant.
t∈T
 
5. Sind τ1 und τ2 Stoppzeiten bezüglich einer Filtation Ft , so sind auch min(τ1 , τ2 ) und
  t∈T
max(τ1 , τ2 ) Stoppzeiten bezüglich Ft .
t∈T

Um einen Prozess (Xt )t∈T beim Erreichen eines bestimmten Wertebereichs B ⊂ R (z.B. im
Spezialfall B = {x} mit x ∈ R) zu stoppen, wird im Folgenden die Ersteintrittszeit τB : Ω →
T ∪ {∞} mit

τB (ω) := inf t ∈ T : Xt (ω) ∈ B .

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
280 Anhang C. Anhang zum Black-Scholes-Modell

betrachtet. Es zeigt sich, dass – selbst bei Beschränkung auf Prozesse mit stetigen Pfaden – diese
Ersteintrittszeit bei einer offenen Menge nur unter zusätzlichen Voraussetzungen eine Stoppzeit
bezüglich der vom Prozess (Xt )t∈T erzeugten natürlichen Filtration ist.

Lemma C.4 Sei (Xt)t∈T ein stochastischer Prozess mit stetigen Pfaden auf dem Wahrscheinlich-
keitsraum Ω, F, P , (Ft )t∈T die durch (Xt )t∈T erzeugte Filtration (d.h. Ft = σ(Xs , s ≤ t)),
B ⊂ R und τB : Ω → T ∪ {∞} die dazugehörige Ersteintrittszeit mit {τB ≤ T } ∈ FT . Dann gilt:

(a) Ist B eine abgeschlossene Menge, so ist τB eine Stoppzeit bezüglich (Ft )t∈T .

(b) Ist B eine offene Menge, so gilt

{τB < t} ∈ Ft

für alle t ∈ T.

(c) Ist B eine offene Menge, so ist τB eine Stoppzeit bezüglich (Ft+ )t∈T mit

FT für t = T


Ft+ := (C.4)
F sonst
T
s∈(t,T ] s



Ohne Beweis.
Bemerkungen:

1. Eine Filtration mit Eigenschaft C.4 heißt rechtsseitig stetig. Diese Eigenschaft sichert, dass
alle Ersteintrittszeiten in offene Mengen bei Prozessen mit stetigen Pfaden Stoppzeiten sind.

2. Für eine Ersteintrittszeit τ{x} mit x ∈ R (d.h. Zeitpunkt des erstmaligen Berührens einer
Schranke) gilt unter den Voraussetzungen des obigen Lemmas
n o
Xτ{x} (ω) (ω) = x für ω ∈ τ{x} ≤ T .

Im Bezug auf einen Wienerprozess W = (Wt )t∈T erhält man nun folgende wichtige Aussagen:

Lemma C.5 (Erweiterte natürliche

 Filtration)
 Es seien W = (Wt )t∈T ein Wienerprozess auf
dem Wahrscheinlichkeitsraum Ω, F, P mit der natürlichen Filtration (Ft )t∈T und
n o
N := A ∈ F : P(A) = 0
 
die Menge aller Nullmengen in F. Dann ist die Filtration Ft∗ mit
t∈T

Ft∗ := σ (Ft ∪ N )

rechtsseitig stetig und wird als erweiterte natürliche Filtration von W bezeichnet.

Ohne Beweis.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.5. Stoppzeiten, erweiterte natürliche Filtration und das Reflexionsprinzip für den Wienerprozess
281

Bemerkungen:

1. Die Verwendung der erweiterten natürlichen Filtration sichert, dass alle Ersteintrittszeiten
Stoppzeiten bezüglich dieser Filtration sind.

2. Die sonstigen Eigenschaften des Wienerprozesses bleiben bei Verwendung der erweiterten
natürlichen Filtration anstelle der natürlichen Filtration unverändert.

Lemma C.6 (Reflexionsprinzip)

  Es seien W = (Wt )t∈T ein Wienerprozess auf dem Wahrschein-
lichkeitsraum Ω, F, P und τ eine Stoppzeit bezüglich der erweiterten natürlichen Filtration
 
(τ )
Ft∗ von W . Dann ist der Prozess W (τ ) := (Wt )t∈T mit
t∈T

für t ≤ τ (ω)

W (ω)
(τ ) t
Wt (ω) := (ω ∈ Ω)
2 · W

τ (ω) (ω) − Wt (ω) für t > τ (ω)

ein Wienerprozess.

Ohne Beweis.

Bemerkungen:

1. Die Verwendung der erweiterten natürlichen Filtration sichert, dass auch Ersteintrittszeiten
in offene Mengen Stoppzeiten sind und obiger Satz auf diese angewendet werden kann.

2. Für t > τ (ω) ist

 
2 · Wτ (ω) (ω) − Wt (ω) = Wτ (ω) (ω) − Wt (ω) − Wτ (ω) (ω) .

Ist τ demnach eine Ersteintrittszeit τ = τB mit B ⊂ R, so wird der Prozess am Wert

WτB (ω) (ω) gespiegelt. Für B = {x} (x ∈ R) entspricht dies einer Reflexion an einer Schran-
ke x. Für B = {0} erhält man wegen W0 ≡ 0 als Spezialfall die bereits bekannte Spiege-
lungsinvarianz.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
282 Anhang C. Anhang zum Black-Scholes-Modell

C.6 p-Variation und Variation des Wienerprozesses

Definition C.7 Gegeben seienneine Funktiono f : [0, t] → R, eine positive reelle Zahl p > 0 sowie
eine endliche Zerlegung Π = t0 , t1 , . . . , tn mit n ∈ N und 0 = t0 < t1 < . . . < tn = t von
[0, t].

• Dann heißt
n
p
X
SpΠ (f ) := f (ti ) − f (ti−1 )
i=1

die p-Variationsumme von f bezüglich Π.

• Die kleinste obere Schranke aller p-Variationssummen

Vp (f ) := sup SpΠ (f )
Π

heißt totale p-Variation. Im Fall p = 1 heißt diese auch Totalvariation, im Fall p = 2

quadratische Variation.

• Es bezeichne |Π| := max ti − ti−1 den Feinheitsgrad einer Zerlegung Π. Für eine Folge


i=1,...,n
(Πk )k∈N von Zerlegungen mit lim |Πk | = 0 heißt der Grenzwert – im Fall seiner Existenz –
k→∞

vp(Πk )k∈N (f ) := lim SpΠk (f )

k→∞

die p-Variation von f bezüglich (Πk )k∈N .

Bemerkung: Die p-Variation kann von der konkret gewählten Zerlegungsfolge abhängen.

Lemma C.8 Der Wienerprozess W = (Ws )s∈[0,t] besitzt im quadratischen Mittel die quadratische
Variation t, d.h.
 2
lim E S2Πk (W ) − t = 0
k→∞

für alle Folgen von Zerlegungen (Πk )k∈N mit lim |Πk | = 0.
k→∞

Beweis:
• Für ein festes k ∈ N gilt
 
E S2Πk (W )
 
n n
X 2 X  2
= E Wti − Wti−1  = E Wti − Wti−1
i=1 i=1
n
X  
= Var Wti − Wti−1 (Wti − Wti−1 ∼ N(0, ti − ti−1 ))
i=1
Xn
= (ti − ti−1 ) = t.
i=1

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.6. p-Variation und Variation des Wienerprozesses 283

• Somit ergibt sich für ein festes k ∈ N

 
2 n
   X 2
E S2Πk (W ) − t = Var S2Πk (W ) = Var  Wti − Wti−1 
i=1

(unabhängige Zuwächse)
Xn  2 
= Var Wti − Wti−1 (Gleichheit von Bienaymé)
i=1
Xn  4
= E Wti − Wti−1 − (ti − ti−1 )2
i=1
(X ∼ N(0, σ 2 ) ⇒ EX 4 = 3σ 4 )
Xn n
X
= 3 · (ti − ti−1 )2 − (ti − ti−1 )2 = 2 · (ti − ti−1 ) · (ti − ti−1 )
i=1 i=1
n
X
≤ 2· (ti − ti−1 ) · max (ti − ti−1 )
i=1,...,n
i=1
n
X
= 2 · |Πk | · (ti − ti−1 ) = 2 · t · |Πk |
i=1

und lim 2 · t · |Πk | = 0.

k→∞


Bemerkungen:
∞
1. Für alle Folgen von Zerlegungen (Πk )k∈N mit |Πk | < ∞ lässt sich zeigen, dass
P
k=1

lim S2Πk (W ) = t P-f.s.

k→∞

gilt.

2. Das folgende Lemma sagt aus, dass die Pfade des Wienerprozesses nicht nur fast sicher von
unendlicher Totalvariation, sondern sogar für p < 2 fast sicher von unendlicher p-Variation
sind.

Lemma C.9 Für p < 2 gilt

Vp (W ) = ∞ P-f.s.

Beweis: Für δ mit 0 < δ < 2 und eine Folge von Zerlegungen (Πk )k∈N mit lim |Πk | = 0 ist für
k→∞
ein festes k ∈ N
n 
X 2
S2Πk (W ) = Wti − Wti−1
i=1

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
284 Anhang C. Anhang zum Black-Scholes-Modell

n
δ X 2−δ
≤ max Wti − Wti−1 · Wti − Wti−1
i=1,...,n
i=1
δ
Πk
= max Wti − Wti−1 · S2−δ (W )
i=1,...,n
δ
≤ max Wti − Wti−1 · V2−δ (W )
i=1,...,n

Für k → ∞ ist die linke Seite im quadratischen Mittel endlich und somit wenigstens für eine
Teilfolge auch fast sicher endlich. Auf der rechten Seite ist
δ
lim max Wti − Wti−1 = 0 P-f.s.
k→∞ ti ∈Πk

wegen der fast sicheren Stetigkeit der Pfade des Wienerprozesses. Somit ist

V2−δ (W ) = ∞ P-f.s.

Bemerkung: Analog zum Beweis des vorigen Lemmas lässt sich zeigen, dass die p-Variation des
Wienerprozesses für p > 2 Null ist, indem für δ > 0
δ
Πk
S2+δ (W ) ≤ max Wti − Wti−1 · S2Πk (W ) → 0 · t
i=1,...,n

betrachtet wird. Dies macht deutlich, dass die quadratische Variation im Zusammenhang mit dem
Wienerprozess die „geeignete Variation“ ist.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.6. Arbitragebeispiel (stochastisches Integral) 285

C.7 Ein Arbitragebeispiel im Zusammenhang mit der Begriffs-

bildung eines stochastischen Integrals
Das folgende Beispiel soll verdeutlichen, dass die formale Verwendung des Riemann-Stieltjes-
Integrals bei einem vom Wienerprozess abgeleiteten Integrator zu Ergebnissen führt, die aus fi-
nanzmathematischer Sicht unplausibel sind. Hier wird zum Beispiel gezeigt, dass sich bereits für
eine vergleichsweise einfache selbstfinanzierende Handelsstrategie eine Arbitragemöglichkeit ergibt.

• Es seien der Zinssatz r := 0, H00 := 0 und Ht1 := St1 − S01 für t ∈ [0, T ].

• Dann ist ebenfalls V0 (H 0 ) = H00 · S00 + H01 · S01 = 0.

Rt
• Da St0 ≡ 1 für alle t ∈ [0, T ], ist Hs0 dSs0 = 0 für alle t ∈ [0, T ]. Die Selbstfinanzierungs-
0
bedingung vereinfacht sich somit zu
Zt
Vt (H t ) = Hs1 dSs1 .
0

• Da Ht0 die Selbstfinanzierungsbedingung nicht beeinflusst, kann es wegen

Vt (H t ) = Ht0 · St0 + Ht1 · St1

für t ∈ [0, T ] durch

Ht0 = Vt (H t ) − Ht1 · St1

bestimmt werden. Die so konstruierte Handelsstrategie ist selbstfinanzierend.

• Der Wert des Portfolios H T zum Endzeitpunkt T ergibt sich aus der Selbstfinanzierungsbe-
dingung
ZT ZT
VT (H T ) = Hs1 dSs1 = (Ss1 − S01 ) dSs1 .
0 0

RT
• Wird (Ss1 − S01 ) dSs1 als pfadweises Riemann-Stieltjes-Integral angesehen, so ergibt sich
0
zunächst, da S01 konstant ist,
ZT ZT
(Ss − S0 ) dSs = (Ss1 − S01 ) d(Ss1 − S01 )
1 1 1

0 0

und wegen der Regel der partiellen Integration für Riemann-Stieltjes-Integrale (3.13)
ZT ZT
(Ss − S0 ) d(Ss − S0 ) = (ST − S0 ) − 0 − (Ss1 − S01 ) d(Ss1 − S01 ),
1 1 1 1 1 1 2

0 0

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
286 Anhang C. Anhang zum Black-Scholes-Modell

also
ZT
1
VT (H T ) = (Ss1 − S01 ) d(Ss1 − S01 ) = (ST1 − S01 )2 .
2
0
 
Wegen P ST1 = S01 = 0 erhält man
 
P VT (H T ) > 0 > 0

und die betrachtete Handelsstrategie ist somit eine Arbitrage.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.8. Das Itō-Integral bezüglich des Wienerprozesses 287

C.8 Das Itō-Integral bezüglich des Wienerprozesses

Bemerkung: Die Definition eines stochastischen Integrals mit dem Wienerprozess als Integrator ist
von erheblicher technischer Komplexität. Hier werden lediglich die wichtigsten Aspekte dargestellt.
 
Definition C.10 Ein stochastischer Prozess Xs heißt einfach auf einem filtrierten Wahr-
    s∈[0,t]
scheinlichkeitsraum Ω, F, Fs , P , wenn es eine Zerlegung {t0 , t1 , . . . , tn } von [0, t] mit
s∈[0,t]

0 = t0 < t1 < . . . < tn = t

gibt, so dass Xti für i = 0, . . . , n − 1

• Fti -messbar und

• quadratisch integrierbar

ist und
n o
Xs = Xti (s) mit i(s) := max j = 0, . . . , n − 1 : tj ≤ s , s ∈ [0, t],

gilt.

Bemerkungen:

1. Ein einfacher stochastischer Prozess ist auf den Intervallen [0, t1 ), [t1 , t2 ), . . . , [tn−2 , tn−1 ),
und [tn−1 , t] zeitlich konstant.

2. Für die allgemeine Definition eines Itō-Integrals werden Grenzübergänge im quadratischen

Mittel vorgenommen, weswegen die quadratische Integrierbarkeit der einfachen Prozesse be-
nötigt wird.

3. Ein einfacher stochastischer Prozess X ist progressiv messbar, d.h., X : (s̃, ω) ∈ [0, s]×Ω 7→
Xs̃ (ω) ist messbar bezüglich B([0, s])⊗Fs für alle s ∈ [0, t], also ist X insbesondere adaptiert
an (Fs )s∈[0,t] .

4. Eine einfache Handelsstrategie gemäß Definition 3.20, die quadratisch integrierbar ist, ist ein
einfacher stochastischer Prozess.

Definition C.11 Gegeben seien ein Wienerprozess W = (Ws )s∈[0,t] auf einem Wahrscheinlich-
   
keitsraum Ω, F, P mit der erweiterten natürlichen Filtration Fs∗ sowie ein einfacher
  s∈[0,t]
stochastischer Prozess X = Xs auf dem entsprechenden filtrierten Wahrscheinlichkeits-
s∈[0,t]
raum. Dann heißt
Zt n
X  
I(X) := Xs dWs := Xti−1 · Wti − Wti−1
0 i=1

das Itō-Integral von X.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
288 Anhang C. Anhang zum Black-Scholes-Modell

Bemerkung: Entscheidend bei der Definition des Itō-Integrals ist, dass die Zeitindizes ti−1 der
Zufallsgrößen Xti−1 jeweils am linken Rand der Intervalle [ti−1 , ti ), i = 1, . . . , n, liegen.

Lemma C.12 Das Itō-Integral I(X) von einfachen stochastischen Prozessen X besitzt folgende
Eigenschaften:

1. I(X) ist linear.

2. I(X) ist quadratisch integrierbar und es gilt die Itō-Isometrie

 
2 Zt
 2
E I(X) = E  Xs ds .
 

 
3. I(X) ist ein (pfad-)stetiges Martingal bezüglich Fs∗ .
s∈[0,t]
!
Rt Rt
 
2 2
Bemerkung: Es gilt E Xs ds = E Xs ds.
0 0

Definition C.13 Gegeben seien ein Wienerprozess W = (Ws )s∈[0,t] auf einem Wahrscheinlich-
   
keitsraum Ω, F, P mit der erweiterten natürlichen Filtration Fs∗ sowie ein progressiv
  s∈[0,t]
messbarer und quadratisch integrierbarer Prozess X = Xs auf dem entsprechenden filtrier-
s∈[0,t]
ten Wahrscheinlichkeitsraum. Dann heißt

I(X) := lim I(X k ) im quadratischen Mittel

k→∞

das Itō-Integral von X, wobei (X k )k∈N eine (beliebige) Folge von einfachen stochastischen Pro-
zessen ist, die im Sinne der Norm . mit
 
Zt
2
Xk := E  Xsk ds
 

gegen X konvergiert.

Bemerkungen:

1. Gemäß Definition des Limes im quadratischen Mittel gilt demnach

 2
lim E I(X k ) − I(X) = 0.
k→∞

2. Die Eigenschaften aus Lemma C.12 gelten entsprechend.

3. Das Itō-Integral ist P-fast sicher eindeutig bestimmt.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.8. Das Itō-Integral bezüglich des Wienerprozesses 289

!
Rt 2
4. Aus E Xs ds < ∞ folgt
0

 Zt 
2
P Xs ds < ∞ = 1. (C.5)
0

Tatsächlich ist es möglich (aber technisch aufwändig), ein Itō-Integral auch für diejenigen
Prozesse X zu definieren, die lediglich (C.5) erfüllen. Im allgemeinen Fall kann dann allerdings
nicht mehr von der Gültigkeit der Itō-Isometrie ausgegangen werden.

5. Es ist möglich, das Itō-Integral auch bezüglich allgemeineren Prozessklassen (z.B. der Klasse
der rechtsseitig stetigen (lokalen) L2 -Martingale, siehe Abschnitt D.3 und Definition D.26)
zu definieren.

6. Zur konkreten Berechnung eines Itō-Integrals kann für Spezialfälle das folgende Lemma ver-
wendet werden. Dieses Lemma ermöglicht eine Charakterisierung des Itō-Integrals mit Hilfe
von Riemann-Stieltjes-Summen.

Lemma C.14 (Berechnung Itō-Integral) Es seien W = (Ws )s∈[0,t] ein Wienerprozess und f :
R → R eine stetige Funktion. Dann gilt
  Xnk    
I f (W ) = lim f Wti−1 · Wti − Wti−1 in Wahrscheinlichkeit
k→∞
i=1
o
für jede Folge (Πk )k∈N von Zerlegungen Πk := {t0 , t1 , . . . , tnk des Intervalls [0, t] mit lim Πk
k→∞
= 0.

Bemerkungen:

1. Charakteristisch für das Itō-Integral in der Darstellung

 als
 Riemann-Stieltjes-Summe ist, dass
für den Integranden f (W ) jeweils die Werte f Wti−1 an der linken Grenze des Intervalls
[ti−1 , ti ) verwendet
 werden
 im Gegensatz zum Riemann-Stieltjes-Integral, bei dem ein be-
liebiger Wert f Wτ mit τ ∈ [ti−1 , ti ) verwendet wird. Tatsächlich hängt der Grenzwert
der Riemann-Stieltjes-Summe von der betrachteten Stelle innerhalb des Intervalls ab. Es sind
daher abweichende Definitionen eines stochastischen Integrals möglich8 . Allerdings ist von
diesen Möglichkeiten das Itō-Integral das einzige, dass die Martingal-Eigenschaft besitzt.
Rt
2. Mit Hilfe der Riemann-Stieltjes-Summe lässt sich nun Ws dWs berechnen. Für ein festes
0
k ∈ N ergibt sich zunächst für die quadratische Variationssumme S2Πk (W ) von W bezüglich
Πk (siehe Definition C.7)
nk 
X 2
S2Πk (W ) = Wti − Wti−1
i=1
8
z.B. das sogenannte Stratonovich-Integral, bei dem jeweils die Werte in der Intervallmitte verwendet werden

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
290 Anhang C. Anhang zum Black-Scholes-Modell

nk 
X 
= Wt2i − 2 · Wti · Wti−1 + Wt2i−1
i=1
nk 
X  nk 
X 
= Wt2i − Wt2i−1 −2· −Wt2i−1 + Wti−1 · Wti
i=1 i=1
(Teleskopsumme)
Xnk  
2
= Wt − 2 · Wti−1 · Wti − Wti−1
i=1

und somit
nk
X   1 1
Wti−1 · Wti − Wti−1 = · Wt2 − · S2Πk (W ).
2 2
i=1

Da W im quadratischen Mittel die quadratische Variation t besitzt (siehe Lemma C.8), erhält
man
Zt nk
X   1 1
Ws dWs = lim Wti−1 · Wti − Wti−1 = · Wt2 − · t
k→∞ 2 2
0 i=1

im quadratischen Mittel.

3. Ein weiteres sehr nützliches „Werkzeug“ zum Rechnen mit Itō-Integralen ist die Itō-Doeblin-
Formel:

Lemma C.15 (Itō-Doeblin-Formel) Für eine Funktion g : (t, x) ∈ [0, T ] × R 7→ g(t, x) ∈ R ∈

C 1,2 (d.h. bezüglich der ersten Komponente einmal, bezüglich der zweiten Komponente zweimal
stetig differenzierbar) gilt
Zt Zt Zt
1
g(t, Wt ) = g(0, 0)+ gt (s, Ws ) ds+ gx (s, Ws ) dWs + · gxx (s, Ws ) ds, t ∈ [0, T ], (C.6)
2
0 0 0

wobei gt , gx und gxx jeweils die partiellen Ableitungen nach der ersten und zweiten Komponente
bezeichnen.

Bemerkungen:

1. Die differentielle Schreibweise für die Itō-Doeblin-Formel ist

 
dg(t, Wt ) = gt (t, Wt ) + 12 · gxx (t, Wt ) dt + gx (t, Wt )dWt .

Rt Rt
2. Die Integrale gt (s, Ws ) ds bzw. gxx (s, Ws ) ds sind dabei stochastische Riemann-Stieltjes-
0 0
Rt
Integrale, das Integral gx (s, Ws ) dWs ist ein Itō-Integral.
0

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
C.9. Ein Arbitragebeispiel im Zusammenhang mit selbstfinanzierenden Handelsstrategien 291

C.9 Ein Arbitragebeispiel im Zusammenhang mit selbstfinanzie-

renden Handelsstrategien
1
• Es seien r := 0, µ := 0 und σ := 1 und somit St0 ≡ 1 und St1 = eWt − 2 t für t ∈ T. Dann ist

dSt1 = µSt1 dt + σSt1 dWt = St1 dWt , t ∈ T,

die Selbstfinanzierungsbedingung vereinfacht sich zu

dVt (H t ) = Ht0 dSt0 + Ht1 dSt1 = Ht1 dSt1 = Ht1 St1 dWt , t ∈ T.

• Da Ht0 die Selbstfinanzierungsbedingung nicht beeinflusst, kann es wegen

Vt (H t ) = Ht0 · St0 + Ht1 · St1

für t ∈ [0, T ] durch

Ht0 = Vt (H t ) − Ht1 · St1

bestimmt werden. H00 wird dabei so gewählt, dass V0 (H 0 ) = 0 gilt. Da St0 konstant ist, sind
keine weiteren Integrierbarkeitsvoraussetzungen für Ht0 erforderlich.

• Idee: (Ht1 )t∈T wird nun so definiert, dass der dazugehörige Wertprozess jede beliebige reelle
Schranke a ∈ R fast sicher erreicht und beim Erreichen dieser Schranke gestoppt wird. Für
a > 0 hätte man dann eine Arbitrage. Dies geschieht in folgenden Schritten:

1. Betrachtet wird der Prozess (It )t∈[0,T ) , definiert durch

Z t
1
It := √ dWs
0 T −s
für t ∈ [0, T ) (man beachte, dass t < T ist!). Aufgrund der Martingal-Eigenschaft des
Itō-Integrals ist E(It ) = I0 = 0 und somit wegen der Itō-Isometrie
Z t
1
Var (It ) = E (It )2 = ds
0 T − s
s=t
T
= − ln(T − s) = − ln(T − t) + ln T = ln .
s=0 T −t
für t ∈ [0, T ).
2. Folglich gilt lim Var (It ) → ∞. Außerdem lässt sich zeigen, dass
t→T
 
IT ·(1−e−s )
s∈[0,∞)

ein Wienerprozess auf dem Zeitintervall [0, ∞) ist (aus s := ln TT−t folgt t = T · (1 −
e−s )). Somit ist (It )t∈[0,T ) ein von [0, ∞) auf [0, T ) „gestauchter“ Wienerprozess.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
292 Anhang C. Anhang zum Black-Scholes-Modell

3. Für a ∈ R sei

τa := inf t ∈ [0, t) : It = a

der (zufällige) Zeitpunkt des erstmaligen Erreichens der Schranke a. τa ist eine Stoppzeit
und es gilt aufgrund der Konstruktion von (It )t∈[0,T )

P(τa < T ) = 1

fü alle a ∈ R.
4. Für t ∈ [0, T ] ist nun

1
für t < T



1
√ · 1{t≤τa <T }
Ht1 := St · T − t
0 sonst



5. Wegen der Selbstfinanzierungsbedingung (s.o.) ist

Z T Z T
1
VT (H T ) = Ht1 St1 dWt1 = √ · 1{t≤τa <T } dWt = Iτa = a.
0 0 T −t

Somit ist VT (H T ) > 0 für a > 0 und wegen V0 (H 0 ) = 0 die betrachtete Handelsstra-
tegie eine Arbitrage.
6. Außerdem ist Vt (H t ) = Imin(t,τa ) für t ∈ [0, T ) und die betrachtete Handelsstrategie
zulässig.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
Anhang D

Anhang zu allgemeinen zeitstetigen

Finanzmarktmodellen

D.1 Filtrierte Wahrscheinlichkeitsräume mit den „üblichen Be-

dingungen“ und vollständige Wahrscheinlichkeitsräume
• Im Folgenden sei T := [0, T ], T > 0, oder T := [0, ∞).

Definition D.1 Man sagt, dass ein filtrierter Wahrscheinlichkeitsraum Ω, F, (Ft )t∈T , P den

„üblichen Bedingungen“ genügt (satisfies the “usual conditions”), wenn er folgende Eigenschaf-
ten besitzt:

1. Die Filtration (Ft )t∈T ist rechtsseitig stetig (siehe auch (C.4)), d.h. Ft = Ft+ für alle t ∈ T
mit

FT für T = [0, T ] und t = T


Ft+ =
F sonst
T
s>t,s∈T s



2. Die Unter-σ-Algebra F0 (und damit alle Ft für t ∈ T) enthält alle P-Nullmengen, d.h.
n o
F ∈ F : P(F ) = 0 ⊂ F0

Bemerkungen:

1. Eigenschaft 1 sichert, dass eine hinreichend große Menge von Stoppzeiten zur Verfügung
steht. Insbesondere sind Ersteintrittszeiten in offene Mengen Stoppzeiten bezüglich rechts-
seitig stetigen Filtrationen. Interpretiert bedeutet die rechtsseitige Stetigkeit von Filtrationen,
dass ein infinitesimal kleiner „Schritt“ in die „Zukunft“ keine „Überraschungen“ in Form von
„unerwarteten Ereignissen“ bereithält.

293
294 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

2. Eigenschaft 2 sichert, dass Modifikationen (bzw. synonym Versionen) von adaptierten Pro-

zessen ebenfalls adaptiert sind, d.h., sind X = (Xt )t∈T und Y = (Yt )t∈T Prozesse auf Ω,

F, P mit

P(Xt = Yt ) = 1 für alle t ∈ T,

und ist X adaptiert an eine Filtration (Ft )t∈T , so ist auch Y adaptiert an (Ft )t∈T . So-
mit können u.U. geeignete (z.B. stetige) Modifikationen von Prozessen „ohne technische
Schwierigkeiten“ betrachtet werden. Beispielsweise besitzt jedes Martingal bezüglich eines
Wahrscheinlichkeitsraums, der den „üblichen Bedingungen“ genügt, eine eindeutige càdlàg
Modifikation („càdlàg“ – „continu á droite, limites á gauche“ bzw. „RCLL“ – „right conti-
nuous, left limits“), d.h., eine Modifikation, deren Pfade fast sicher rechtsseitig stetig sind
und deren linksseitige Limites existieren.

3. Aus Lemma C.5 ist bekannt, dass die um die Nullmengen erweiterte natürliche Filtration eines
Wienerprozesses bereits rechtsseitig stetig ist, d.h., dass Eigenschaft 2 die Eigenschaft 1 nach
sich zieht. Dasselbe gilt darüber hinaus für die allgemeinere Klasse der Lèvy-Prozesse, d.h.,
càdlàg Prozesse mit unabhängigen, stationären Zuwächsen, deren Pfade rechtsseitig stetig
sind und linksseitige Limites besitzen (siehe Protter, Stochastic Integrals and Differential
Equations). Neben den Wienerprozessen gehören auch die Poissonprozesse („Sprungprozes-
se“) zu den Lèvy-Prozessen.

4. Für die Klasse der starken Markov-Prozesse erhält man analoge Aussagen, wenn zusätzlich

noch die Vollständigkeit des zugrunde liegenden Wahrscheinlichkeitsraums Ω, F, P (siehe
nachfolgende Definition) vorausgesetzt wird (siehe Karatzas & Shreve, Brownian Motion and
Stochastic Calculus).
 
Definition D.2 Ein Wahrscheinlichkeitsraum Ω, F, P heißt vollständig, wenn F alle Teilmen-
gen von Nullmengen enthält, d.h.,

F ∈ F, P(F ) = 0, D ⊂ F =⇒ D ∈ F

Bemerkungen:
 
1. Ist Ω, F, P ein nicht vollständiger Wahrscheinlichkeitsraum und
n o
N := D ⊂ Ω : ∃F ∈ F mit D ⊂ F und P(F ) = 0

die Menge aller Teilmengen von P-Nullmengen, so ist

   
Ω, σ F ∪ N , PN ,
 
wobei PN das auf σ F ∪ N erweiterte Wahrscheinlichkeitsmaß ist, ein vollständiger Wahr-
 
scheinlichkeitsraum, die sogenannte Vervollständigung von Ω, F, P .

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.1. Filtrierte W-Räume mit den „üblichen Bedingungen“ und vollständige W-Räume 295

2. Üblicherweise werden vollständige filtrierte Wahrscheinlichkeitsräume, die den „üblichen Be-

dingungen“ genügen, vorausgesetzt, da diese aus „technischer“ Sicht (siehe obige Bemerkun-
gen) „angenehm“ sind. Für diese gilt insbesondere N ⊂ F0 .

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
296 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

D.2 Progressive Messbarkeit und Vorhersagbarkeit

• Im Folgenden sei T := [0, T ], T > 0, oder T := [0, ∞).

• Die progressive Messbarkeit eines Prozesses wurde bereits für einen beschränkten Zeitbe-
reich [0, T ] und die erweiterte natürliche Filtration (Ft∗ )t∈[0,T ] eines Wienerprozesses verwen-
det (siehe Abschnitt 3.7 und Abschnitt C.8) Die folgende Definition ist in Bezug auf den
Zeitbereich und die Filtration allgemeiner.
   
Definition D.3 Gegeben sei ein filtrierter Wahrscheinlichkeitsraum Ω, F, Ft , P . Ein
t∈T
 
stochastischer Prozess X = (Xt )t∈T auf Ω, F, P – betrachtet als Abbildung X : T × Ω → R
 
– heißt progressiv messbar bezüglich Ft , falls für alle t ∈ T die auf [0, t] eingeschränkte
t∈T
Abbildung

X : [0, t] × Ω → R B([0, t]) ⊗ Ft -messbar

[0,t]

ist.

Bemerkungen:

• Die progressive Messbarkeit eines stochastischen Prozesses X = (Xt )t∈T ist gleichbedeutend
damit, dass für jedes t ∈ T und jede Borel-Menge B ∈ B die Menge
n o
(s, ω) ∈ [0, t] × Ω : Xs (ω) ∈ B

zur Produkt-σ-Algebra B([0, t]) ⊗ Ft gehört.

 
• Jeder progressiv messbare Prozess X = (Xt )t∈T ist an Ft adaptiert: Sei t ∈ T beliebig,
t∈T
aber fest. Mit der Abbildung t̂ : ω ∈ Ω 7→ (t, ω) ∈ [0, t] × Ω ist

Xt = X ◦ t̂.
[0,t]

Die Abbildung t̂ ist Ft -B([0, t])⊗Ft -messbar. Aus der progressiven Messbarkeit von X ergibt
sich die B([0, t]) ⊗ Ft -B-Messbarkeit von X . Daraus folgt die Ft -Messbarkeit von Xt .
[0,t]

• Die progressive Messbarkeit eines stochastischen Prozesses X = (Xt )t∈T sichert beispiels-
weise, dass die Familie von Abbildungen Y = (Yt )t∈T mit

Yt := sup Xs
s∈[0,t]

überhaupt ein stochastischer Prozess, d.h. F-messbar, ist: Für eine (zeitdiskrete) Folge von
Zufallsgrößen (Xn )n∈N ist zwar bekannt, dass auch sup Xn eine Zufallsgröße ist. Im Fall einer
n∈N
überabzählbaren Indexmenge (wie z.B. [0, t]) ist dies jedoch nicht immer der Fall. Aus der
progressiven Messbarkeit von X folgt jedoch die Adaptiertheit (und somit die Messbarkeit)
von Y .

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.2. Progressive Messbarkeit und Vorhersagbarkeit 297

 
Lemma D.4 Jeder links- oder rechtsseitig stetige, an eine Filtration Ft adaptierte stochas-
  t∈T
tische Prozess ist progressiv messbar bezüglich Ft .
t∈T
 
Beweis: Sei X = (Xt )t∈T ein an Ft adaptierter, links- oder rechtsseitig stetiger Prozess.
t∈T
Fall 1: Rechtsseitige Stetigkeit

• Sei t ∈ T und t > 0. Für n ∈ N werde das Intervall [0, t] in 2n links abgeschlossene und
rechts offene Intervalle
     n 
t t 2t 2 −1
0, n , , , ..., · t, t
2 2n 2n 2n
unterteilt.

• Der auf diesen Intervallen konstruierte Prozess Xr,[0,t]

n : [0, t] × Ω → R mit
n −1
2X
n  (s) · X k+1
Xr,[0,t] (s, ω) := 1h k
·t, k+1 ·t 2n
·t (ω) + 1{t} (s) · Xt (ω), (s, ω) ∈ [0, t] × Ω,
2n 2n
k=0

ist rechtsseitig stetig.

• Aufgrund der Adaptiertheit von X sind alle auftretenden Werte X 1n ·t , . . . , X 2nn−1 ·t , Xt mess-
2 2
bar bezüglich Ft . Da außerdem alle auftretenden Intervalle Borel-Mengen sind, ist Xr,[0,t] n

somit messbar bezüglich B([0, t]) ⊗ Ft .

• Es gilt aufgrund der rechtsseitigen Stetigkeit von X

n
lim Xr,[0,t] (s, ω) = X (s, ω) für alle s ∈ [0, t] und ω ∈ Ω.
n→∞ [0,t]

• Da der Grenzwert einer Folge messbarer Funktionen ebenfalls messbar ist, ist somit auch
n
lim Xr,[0,t] =X messbar bezüglich B([0, t]) ⊗ Ft .
n→∞ [0,t]

• Für t = 0 ist X =X trivialerweise messbar bezüglich {0} ⊗ F0 , da X0 aufgrund der

[0,t] {0}
Adaptiertheit von X F0 -messbar ist.

• Somit ist X messbar für alle t ∈ T bezüglich B([0, t]) ⊗ Ft und folglich progressiv
[0,t]
messbar.

Fall 2: Linksseitige Stetigkeit: Es wird analog zum rechtsseitig stetigen Fall verfahren mit dem Unter-
schied, dass links offene und rechts abgeschlossene Intervalle verwendet werden und ein (linksseitig
stetiger) Prozess X`,[0,t]
n : [0, t] × Ω → R mit
n −1
2X
n
X`,[0,t] (s, ω) := 1{0} (s) · X0 (ω) + 1 k
·t, k+1
i (s)
·t
·X k
·t (ω), (s, ω) ∈ [0, t] × Ω,
2n 2n 2n
k=0

konstruiert wird.


Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
298 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Bemerkungen:

• Insbesondere ist jeder (für alle ω ∈ Ω) pfadstetige Prozess (wie beispielsweise der Wiener-
prozess gemäß Definition 3.2) progressiv messbar bezüglich seiner natürlichen Filtration.

• Liegt lediglich eine f.s. Pfadstetigkeit vor, gilt obige Aussage nicht immer. Für diesen Fall
sind zusätzliche Forderungen an den filtrierten Wahrscheinlichkeitsraum (vollständig, den
„üblichen Bedingungen“ genügend) erforderlich.

• Für progressiv messbare Prozesse X = (Xt )t∈T mit der Eigenschaft

Zt
Xs2 ds < ∞ f.s. für alle t ∈ T
0

lassen sich Itō-Integrale mit stetigen, quadratisch integrierbaren Martingalen als Integratoren
(wie z.B. der Wienerprozess) definieren. Für eine weitere Verallgemeinerung auf nicht-stetige
Integratoren (z.B. Sprungprozesse) ist eine Einschränkung der Eigenschaft der progressiven
Messbarkeit erforderlich. Dies führt zum Begriff des vorhersagbaren (predictable) bzw. syn-
onym vorhersehbaren (previsible) Prozessen.
   
Definition D.5 Gegeben sei ein filtrierter Wahrscheinlichkeitsraum Ω, F, Ft , P . Ein
t∈T
 
stochastischer Prozess X = (Xt )t∈T auf Ω, F, P – betrachtet als Abbildung X : T × Ω → R
 
– heißt vorhersagbar bezüglich Ft , falls X messbar bezüglich
t∈T
n o n o
P := σ(R) mit R := {0} × F0 : F0 ∈ F0 ∪ (s, t] × Fs : Fs ∈ Fs , s < t, s, t ∈ T
 
ist. Die σ-Algebra P wird auch als vorhersagbare σ-Algebra bezüglich Ft bezeichnet.
t∈T

Bemerkungen:

• Entscheidend bei obiger Definition ist, dass die Mengen Fs ∈ Fs und nicht Fs ∈ Ft (mit
s < t) verwendet werden, d.h., die Messbarkeit von Xt „hinkt“ der Ft -Messbarkeit zeitlich
„hinterher“. Das zukünftige Verhalten eines solchen Prozesses ist demnach in dem Sinne
„vorhersagbar“, dass die σ-Algebra Ft zum Zeitpunkt t mehr Informationen enthält, als der
vorhersagbare Prozess selbst „benötigt“ bzw. in einem infinitesimal kleinen Zeitpunkt vor t
das Verhalten des Prozesses zum Zeitpunkt t bereits vorhergesagt werden kann. Wie sich
zeigen wird, gibt es eine enge Verbindung mit der linksseitigen Stetigkeit von Prozessen.
 
• Jeder bezüglich Ft vorhersagbare Prozess X = (Xt )t∈T ist progressiv messbar und
 t∈T

somit adaptiert an Ft : Ist X vorhersagbar, so ist die Einschränkung X für t ∈ T
t∈T [0,t]
messbar bezüglich
n o n o
σ(R[0,t] ) mit R[0,t] := {0} × F0 : F0 ∈ F0 ∪ (s, t] × Fs : Fs ∈ Fs , s < t, s ∈ T .

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.2. Progressive Messbarkeit und Vorhersagbarkeit 299

Wegen R[0,t] ⊂ B([0, t]) ⊗ Ft ist somit X messbar bezüglich B([0, t]) ⊗ Ft , damit X
[0,t]
progressiv messbar und folglich adaptiert.
   
Lemma D.6 Die vorhersagbare σ-Algebra P bezüglich Ft wird durch alle an Ft ad-
t∈T t∈T
aptierten linksseitig stetigen Prozesse erzeugt.
   
Beweis: Sei Ω, F, Ft , P der zugrunde liegende filtrierte Wahrscheinlichkeitsraum und
t∈T
n   o
X := X = (Xt )t∈T : X ist linksseitig stetig und adaptiert an Ft
t∈T
 
die Menge aller linksseitig stetigen und an Ft adaptierten Prozesse. Dann ist
t∈T
 
P` := σ S × F ∈ T × Ω : ∃X ∈ X, B ∈ B mit X −1 (B) = S × F

die von diesen Prozessen erzeugte σ-Algebra.

P ⊂ P` :

• Sei S × F ∈ R: Dann ist entweder S = {0} und F ∈ F0 oder S = (s, t] mit s < t, s, t ∈ T,
und F ∈ Fs .

• Die Indikatorfunktion 1S×F ist ein stochastischer Prozess T × Ω → {0, 1}. Gemäß Kon-
  
struktion ist er in der Darstellung 1S×F mit 1S×F (ω) = 1 für (t, ω) ∈ S × F
t t∈T t
 
adaptiert an Ft und aufgrund der Verwendung von rechts abgeschlossenen Intervallen
t∈T
linksseitig stetig, also 1S×F ∈ X.

P` ⊂ P :

• Sei X = (Xt )t∈T ∈ X und für n ∈ N


2n −1
1 k ·T, k+1 ·T i (t) · X kn ·T (ω) für T = [0, T ]
 P
1 (t) · X (ω) +

{0} 0


2n 2n 2

 k=0
X n (t, ω) := n −1)
 n·(2P
für T = [0, ∞)

1{0} (t) · X0 (ω) + 1 k , k+1 i (t) · X kn (ω)



2n 2n 2
k=0

• Da X n linksseitig stetig ist, ist lim X n = X.

n→∞

• Außerdem ist X n vorhersagbar, da die auftretenden Zufallsgrößen X kn ·T bzw. X kn aufgrund

2 2
der Adaptiertheit von X F kn ·T - bzw. F kn -messbar sind und die einzelnen Summanden von
2 2
X n durch den Wert an der jeweils linken Intervallgrenze bestimmt sind. Somit ist auch
X = lim X n vorhersagbar. 
n→∞

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
300 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Bemerkungen:

• Wegen Lemma D.4 und Lemma D.6 sind für linksseitig stetige (und somit überhaupt stetige)
Prozesse progressive Messbarkeit und Vorhersagbarkeit gleichbedeutend.
 
• Vorhersagbare Prozesse bezüglich Ft sind – im Gegensatz zu progressiv messbaren
t∈T  
Prozessen – adaptiert an die dazugehörige linksseitig stetige Filtration Ft− mit
t∈T
[
Ft− := Fs .
s∈[0,t)

Im Fall eines zeitdiskreten stochastischen Prozesse (Xn )n∈N0 , der bezüglich einer zeitdis-
kreten Filtration (Fn )n∈N0 vorhersagbar ist, bedeutet dies, dass Xn für n ∈ N messbar ist
bezüglich Fn−1 .

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.3. Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martingale 301

D.3 Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martin-

gale
• Im Folgenden sei T := [0, T ], T > 0, oder T := [0, ∞).
   
• Außerdem sei im Folgenden Ω, F, Ft , P der zugrunde liegende filtrierte Wahr-
t∈T
scheinlichkeitsraum und
n o n o
P = σ(R) mit R = {0} × F0 : F0 ∈ F0 ∪ (s, t] × Fs : Fs ∈ Fs , s < t, s, t ∈ T

die dazugehörige vorhersagbare σ-Algebra gemäß Definition D.5. Jedes Element R ∈ R wird
auch als vorhersagbares Rechteck bezeichnet.

Definition
 D.7 Gegeben sei ein stochastischer Prozess (Xt )t∈T auf einem Wahrscheinlichkeits-
raum Ω, F, P . Dieser Prozess wird als Lp -Prozess (p ≥ 1) bezeichnet, falls
p
E Xt < ∞

für alle t ∈ T gilt.

Bemerkungen:

1. Da ein Wahrscheinlichkeitsmaß ein endliches Maß ist, ist ein Lp -Prozess auch ein Lq -Prozess
mit q ≤ p, q ≥ 1 (siehe Abschnitt B.4.6).

2. Der Wienerprozess ist ein L2 -Prozess, also insbesondere auch ein L1 -Prozess.

3. Im Folgenden wird – in teilweiser Analogie zu Abschnitt C.8, in dem das Itō-Integral von pro-
gressiv messbaren und quadratisch integrierbaren Prozessen bezüglich des Wienerprozesses
konstruiert wurde, – das Integral von vorhersagbaren und bezüglich eines noch zu spezi-
fizierenden Maßraumes quadratisch integrierbaren Prozessen bezüglich rechtsseitig stetiger
L2 -Martingale definiert. 1

4. Für diesen Zweck wird ein durch ein rechtsseitig stetiges L2 -Martingal M = (Mt )t∈T be-
stimmtes und auf der vorhersagbaren σ-Algebra P definiertes Maß

µM : P → [0, ∞],

das sogenannte Doléansmaß, verwendet (µM ist aufgrund des Wertebereichs kein Wahr-
scheinlichkeitsmaß!). Zunächst wird jedoch für einen L1 -Prozess X = (Xt )t∈T eine Men-
genfunktion

νX : R → [0, ∞)
1
Es sei darauf hingewiesen, dass die Vorhersagbarkeit eine stärkere Forderung als die progressive Messbarkeit
darstellt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
302 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

definiert. Später wird sich zeigen, dass für ein rechtsseitig stetiges L2 -Martingal M

µM = νM 2
R

gilt (man beachte M 2 := (Mt2 )t∈T auf der rechten Seite!).

Definition D.8 Für einen L1 -Prozess X = (Xt )t∈T bezeichne

νX : R → [0, ∞)

eine Mengenfunktion, definiert durch

 
νX {0} × F0 := 0 für F0 ∈ F0 und
   
νX (s, t] × Fs := E (Xt − Xs ) · 1Fs für s, t ∈ T, s < t, Fs ∈ Fs .

Bemerkungen:

1. Die Mengenfunktion νX ist für L1 -Prozesse wohldefiniert: Da Xt − Xs zur Menge L1 gehört

und 1Fs beschränkt ist (d.h., 1Fs gehört zur Menge L∞ , siehe Abschnitt B.4.6), gehört das
Produkt dieser beiden Zufallsgrößen zu L1 , d.h., der Erwartungswert des Produkts existiert.

2. Ist M = (Mt )t∈T ein L1 -Martingal, so gilt νM ≡ 0: Für {0} × F0 , F0 ∈ F0 , ist dies gemäß
Definition der Fall. Für s < t, s, t ∈ T, und Fs ∈ Fs ergibt sich (siehe Eigenschaften der
bedingten Erwartung in Abschnitt B.9)
   
νM (s, t] × Fs = E (Mt − Ms ) · 1Fs
2
  
= E E (Mt − Ms ) · 1Fs Fs
3
  
= E 1Fs · E Mt − Ms Fs
4
  
= E 1Fs · E(Mt Fs ) − Ms
5
  
= E 1Fs · Ms − Ms = 0

3. Ist M = (Mt )t∈T ein L2 -Martingal, so gilt für s, t ∈ T, s < t, und Fs ∈ Fs

   
νM 2 (s, t] × Fs = E (Mt − Ms )2 · 1Fs ,
2
„Tower property“
3
„Taking out what is known.“
4
Linearität, Ms ist Fs -messbar
5
Martingaleigenschaft

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.3. Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martingale 303

 
denn: Zunächst einmal ist E (Mt − Ms )2 · 1Fs wohldefiniert: Da M ein L2 -Prozess ist,
ist (Mt − Ms )2 = Mt2 − 2Mt Ms + Ms2 ein L1 -Prozess und somit (Mt − Ms )2 · 1Fs ein
L1 -Prozess. Es ergibt sich
       
E (Mt − Ms )2 · 1Fs = E Mt2 1Fs − 2E Mt Ms 1Fs + E Ms2 1Fs
6      
= E Mt2 1Fs − 2E E(Mt |Fs )Ms 1Fs + E Ms2 1Fs
7      
= E Mt2 1Fs − 2E Ms Ms 1Fs + E Ms2 1Fs
   
= E (Mt2 − Ms2 ) · 1Fs = νM 2 (s, t] × Fs

Besitzt M darüber hinaus noch unabhängige Zuwächse, so ist

 
νM 2 (s, t] × Fs = E(Mt − Ms )2 · E(1Fs ) = E(Mt − Ms )2 · P(Fs ).

Ist M = W ein Wienerprozess, ergibt sich demnach

 
νW 2 (s, t] × Fs = (t − s) · P(Fs ). (D.1)

Satz D.9 Für jedes rechtsseitig stetige L2 -Martingal M = (Mt )t∈T existiert ein eindeutig be-
stimmtes Maß

µM : P → [0, ∞] mit µM = νM 2 , M 2 = (Mt2 )t∈T .

R

Dieses Maß wird als Doléansmaß bezeichnet.

Beweis:

1. R ist ∩-stabil: Dies folgt zum einen daraus, dass der Durchschnitt zweier links offener und
rechts abgeschlossener Intervalle entweder die leere Menge8 oder ebenfalls ein links offenes
und rechts abgeschlossenes Intervall ist. Zum anderen gilt Fs ∩Ft ∈ Ft für Fs ∈ Fs , Ft ∈ Ft ,
s < t (s, t ∈ T), da Fs ⊂ Ft und Ft eine σ-Algebra ist.

2. Falls µM existiert, so ist es auf R σ-finit: Es gilt nämlich

∞
[  
T×Ω = En mit E0 := {0} × Ω und En := (n − 1, n] ∩ T × Ω (n ∈ N),
n=0

wobei En ∈ R (n ∈ N0 ) ist sowie νM 2 (E0 ) = 0 und νM 2 (En ) = E(Mn − Mn−1 )2 < ∞ für
 2
n ∈ N und T = [0, ∞) bzw. νM 2 (En ) = E Mmin(n,T ) − Mmin(n−1,T ) < ∞ für n ∈ N
und T = [0, T ] gilt.
6
„Tower property“ und „Taking out what is known.“
7
Martingaleigenschaft
8
Die leere Menge ist in R enthalten, da ∅ ∈ F0 und {0} × ∅ = ∅ ist.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
304 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

3. Mit diesen Voraussetzungen ist der maßtheoretische Eindeutigkeitssatz anwendbar: Falls µM

existiert und auf einem ∩-stabilen Erzeugendensystem σ-finit ist, so ist es eindeutig bestimmt.
Es verbleibt demnach, die Existenz von µM , d.h. die Fortsetzung von νM 2 auf P, zu zeigen
(zu maßtheoretischen Grundlagen siehe Abschnitt B.3).

4. Der maßtheoretische Fortsetzungssatz besagt, dass jedes Prämaß9 auf einem Ring10 zu einem
Maß auf einer σ-Algebra fortgesetzt werden kann.

5. Das Mengensystem R ist kein Ring, da die Differenz zweier Mengen aus R nicht in R
enthalten zu sein braucht. Allerdings ist die Menge
[ n 
R̃ := Ri : n ∈ N, R1 , . . . , Rn ∈ R paarw. disjunkt
i=1

aller endlicher Vereinigungen von Mengen aus R ein Ring.

6. Die Erweiterung ν̃M 2 von νM 2 auf R̃ mittels

 
n
[ Xn
ν̃M 2  Ri  := νM 2 (Ri ) mit n ∈ N, R1 , . . . , Rn ∈ R paarw. disjunkt
i=1 i=1

ist endlich-additiv und endlich (analog zur Konstruktion des Lebesgue’schen Prämaßes). Es
verbleibt demnach zu zeigen, dass ν̃M 2 ein Prämaß, also σ-additiv ist. Dies ist (wegen der
Endlichkeit) genau dann der Fall, wenn ν̃M 2 ∅-stetig ist, d.h., wenn für jede Folge (An )n∈N
mit An ∈ R̃ und An ↓ ∅

lim ν̃M 2 (An ) = 0

n→∞

gilt.

7. Die entsprechenden Betrachtungen lassen sich im Wesentlichen (wobei auf eine Vielzahl
technischer Details verzichtet wird) auf Mengen der Gestalt
 
n 1
Bs := s, s + × Fs
n

für s, s + n1 ∈ T und ein beliebiges, aber festes Fs ∈ Fs reduzieren (es gilt Bsn ↓ ∅ und
Bsn ∈ R für alle s, s + n1 ∈ T). Man erhält
  
ν̃M 2 (Bsn ) = E − 2
Ms+ 1 Ms2
· 1Fs
n
 
2 2 2 2
≤ E Ms+ 1 − Ms · 1Fs ≤ E Ms+ 1 − Ms
n n

9
Ein Prämaß unterscheidet sich von einem Maß lediglich dadurch, dass es auf einem Ring und nicht auf einer
σ-Algebra definiert ist. Insbesondere ist ein Prämaß σ-additiv.
10
Ein Mengensystem S ist ein Ring, falls aus A, B ∈ S folgt, dass sowohl A ∪ B ∈ S als auch A \ B ∈ S ist.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.3. Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martingale 305

Dieser Wert hängt nicht mehr von der konkreten Menge Fs ∈ Fs ab. Somit verbleibt zu
klären, unter welchen Bedingungen lim E Ms+ 2
1 − Ms = 0 und somit lim ν̃M 2 (Bs ) = 0
2 n
n→∞ n n→∞
für alle s ∈ T (mit s < T für T = [0, T ]) gilt.

8. Der entscheidende Begriff in diesem Zusammenhang ist der der gleichgradigen Integrier-
barkeit (uniform integrability ): Ein stochastischer Prozess (Xt )t∈T heißt gleichgradig inte-
grierbar, wenn
 
lim sup E 1{|Xt |>c} · Xt = 0
c→∞ t∈T

gilt.11 Zur gleichgradigen Integrierbarkeit gibt es folgende wichtige Aussagen:

(i) Seien X eine integrierbare Zufallsgröße und (Ft )t∈T eine Filtration. Dann ist der sto-
chastische Prozess
  
E X | Ft
t∈T

gleichgradig integrierbar.
(ii) Seien (Xn )n∈N eine Folge(!) integrierbarer Zufallsgrößen und X eine integrierbare Zu-
fallsgröße. Dann gilt lim E Xn − X = 0 genau dann, wenn (Xn )n∈N gleichgradig
n→∞
integrierbar ist und lim Xn = X in Wahrscheinlichkeit gilt.
n→∞

9. Insbesondere ist wegen (i) jedes Martingal und jedes nichtnegative Submartingal, d.h., ein
an eine Filtration (Ft )t∈T adaptierter L1 -Prozess X = (Xt )t∈T mit
 
E Xt | Fs ≥ Xs ≥ 0 für alle s < t (s, t ∈ T)

gleichgradig integrierbar.

10. Ist M = (Mt )t∈T (wie hier) ein L2 -Martingal, so ist (Mt2 )t∈T ein (nichtnegatives) L1 -
Submartingal und somit gleichgradig integrierbar: Wegen der Jensen’schen Ungleichung für
bedingte Erwartungen gilt nämlich
    2
2
E Mt | Fs ≥ E Mt | Fs = Ms2

für s < t, s, t ∈ T.

11. Wegen der rechtsseitigen Stetigkeit von M ist auch M 2 rechtsseitig stetig. Insbesondere gilt
1 = Ms für alle s ∈ T (mit s < T für T = [0, T ]) sogar pfadweise und somit
2
lim Ms+ 2
n→∞ n

wegen Aussage (ii) zur gleichgradigen Integrierbarkeit lim E Ms+

2 2 = 0 für alle
1 − Ms
n→∞ n
s ∈ T (mit s < T für T = [0, T ]). 


11
Äquivalente Definition: sup E|Xt | < ∞ und für alle ε > 0 existiert ein δ := δ(ε) > 0, so dass sup E 1F ·
 t∈T t∈T

Xt ≤ ε für alle F ∈ F mit P(F ) ≤ δ gilt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
306 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Bemerkungen:

• Das Doléans-Maß µW eines Wienerprozesses W = (Wt )t∈(T ) ist

µW = λ ⊗ P,

denn für s < t (s, t ∈ T) und Fs ∈ Fs ergibt sich wegen (D.1)

   
µW (s, t] × Fs = νW 2 (s, t] × Fs = (t − s) · P(Fs ).
R

• Durch das Doléans-Maß µM ist – wie sich zeigen wird – der Integrator eines Itō-Integrals
bezüglich rechtsseitig stetiger L2 -Martingale bestimmt.

• Zunächst wird – in Analogie zu den einfachen stochastischen Prozessen (siehe Abschnitt C.8)
– ein stochastisches Integral bezüglich sogenannter elementarer vorhersagbarer Prozesse
konstruiert.

Definition D.10 Es bezeichnet

X n 
E := αi 1Ri : n ∈ N, α1 , . . . , αn ∈ R, R1 , . . . , Rn ∈ R paarw. disj.
i=1

die Menge der elementaren

 vorhersagbaren
 Prozesse bezüglich des gegebenen filtrierten Wahr-
scheinlichkeitsraums Ω, F, (Ft )t∈T , P .

Bemerkungen:
 
• Für R = (s, t] × Fs ist durch 1R ein stochastischer Prozess 1R (u, .) mit
u∈T

für ω ∈

0 / Fs
1R (u, ω) = 1(s,t] (u) · 1Fs (ω) =
1(s,t] (u) für ω ∈ Fs


gegeben.

• Nachfolgend wird ein stochastisches Integral sowohl für den Prozess 1R als auch allgemein
für elementare vorhersagbare Prozesse definiert.

Definition D.11 Sei Z = (Zt )t∈T ein stochastischer Prozess.

(i) Für jedes vorhersagbare Rechteck R ∈ R und dem dazugehörigen stochastischen Prozess 1R
wird durch
Z Z
1{0}×F0 dZ := 0, 1(s,t]×Fs dZ := 1Fs · (Zt − Zs )

mit F0 ∈ F0 , s < t (s, t ∈ T) und Fs ∈ Fs ein stochastisches Integral definiert.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.3. Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martingale 307

n
(ii) Für jeden elementaren vorhersagbaren Prozess X ∈ E in der Darstellung X = αi 1Ri mit
P
i=1
n ∈ N, α1 , . . . , αn ∈ R, R1 , . . . , Rn ∈ R paarw. disj. wird durch
Z Xn Z
X dZ := αi · 1Ri dZ
i=1

ein stochastisches Integral definiert.

Bemerkungen:

• An den Integrator Z werden bei den vorgenommenen Definitionen keine weiteren Vorausset-
zungen gestellt. Die Integrale sind pfadweise definiert.

• Das Integral X dZ für einen elementaren vorhersagbaren Prozess X hängt nicht von der
R

gewählten Darstellung für X ab und ist linear.

• Das folgende Lemma zeigt die Verbindung zwischen der vorgenommenen Integraldefinition
und dem Integral bezüglich des Doléansmaßes.

Lemma D.12 Für jedes rechtsseitig stetige L2 -Martingal M = (Mt )t∈T mit dem dazugehörigen
Doléansmaß µM und jeden elementaren vorhersagbaren Prozess X ∈ E gilt
Z  Z 2 
2
X dµM = E X dM .

Beweis:

• Der elementare vorhersagbare Prozess X besitze die Darstellung

n
X
X = αi 1Ri mit n ∈ N, α0 , . . . , αn ∈ R, R0 , . . . , Rn ∈ R paarw. disj.,
i=0

wobei o.B.d.A. R0 = {0} × F0 sowie Ri = (si , ti ] × Fi mit si < ti (si , ti ∈ T) und Fi ∈ Fsi
für i = 1, . . . , n gilt.12

• Es ergibt sich
Z 2 n
X Z n
2 13  X Z 2
X dM = αi 1Ri dM = αi 1Ri dM
i=0 i=1
n
X 2
= αi · 1Fi · (Mti − Msi )
i=1
n X
X n n
X
= αi αj 1Fi ∩Fj (Mti − Msi )(Mtj − Msj ) + αi2 1Fi (Mti − Msi )2
i=1 j=1 i=1
j6=i

12
Falls X auf {0} × Ω gleich Null ist, wird α0 := 0 gesetzt. Gibt es neben R0 noch weitere Mengen {0} × F0 mit
F0 ∈R F0 , auf denen
R X von Null verschieden ist, werden diese bei den folgenden Überlegungen „wie R0 “ behandelt.
13
1R0 dM = 1{0}×F0 dM = 0 per. def.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
308 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

• Es wird obige Doppelsumme für i 6= j betrachtet. Wegen Ri ∩ Rj = ∅ gilt

(i) Fi ∩ Fj = ∅ oder (ii) (si , ti ] ∩ (sj , tj ] = ∅.

Im Fall (i) ist 1Fi ∩Fj = 0 und somit der entsprechende Summand ebenfalls Null.
Im Fall (ii) werde o.B.d.A. ti ≤ sj angenommen. Es ergibt sich
 
E 1Fi ∩Fj (Mti − Msi )(Mtj − Msj )
14
  
= E E 1Fi ∩Fj (Mti − Msi )(Mtj − Msj ) Fsj
15
  
= E 1Fi ∩Fj (Mti − Msi )E Mtj − Msj Fsj
16
  
= E 1Fi ∩Fj (Mti − Msi ) E(Mtj | Fsj ) − Msj
17
 
= E 1Fi ∩Fj (Mti − Msi )(Msj − Msj ) = 0

Der Erwartungswert der obigen Doppelsumme ist somit stets Null.

• Daraus erhält man weiter

Z 2
E X dM
n
X  18 n
X  
= E αi2 1Fi (Mti − Msi )2 = αi2 · νM 2 (si , ti ] × Fi
i=1 i=1
19 n
X   Z
= αi2 · µM (si , ti ] × Fi = X 2 dµM
i=1

Bemerkungen:
 
• L2 bezeichne die Menge der über dem Wahrscheinlichkeitsraum Ω, F, P quadratisch inte-
grierbaren Zufallsgrößen, L2M für ein rechtsseitig
 stetiges L -Martingal M (auf dem filtrier-
2

ten Wahrscheinlichkeitsraum Ω, F, (Ft )t∈T , P ) die Menge der über dem „vorhersagbaren“
 
Maßraum T × Ω, P, µM quadratisch integrierbaren Funktionen. Sowohl L2 als auch L2M
sind Vektorräume.
14
tower property
15
„Taking out what is known.“
16
Linearität und Messbarkeit
17
Martingaleigenschaft
18
Siehe Bemerkung 3. zu Definition D.8
19
Satz D.9

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.3. Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martingale 309

• Auf L2 wird durch

Z
Y := EY 2
= Y 2 dP für eine Zufallsgröße Y ∈ L2
L2

eine Norm definiert, auf L2M entsprechend durch

Z
X := X 2 dµM für einen stochastischen Prozess X ∈ L2M .
L2M

L2 und L2M sind damit vollständige normierte Vektorräume, d.h., Vektorräume, in denen jede
Cauchy-Folge einen Grenzwert (bezüglich der jeweiligen Norm) besitzt, der ebenfalls in dem
Vektorraum enthalten ist.20

• Somit gilt gemäß Lemma D.12 für X ∈ E (wobei E ein linearer Unterraum von L2M ist):
Z
X = X dM
L2M L2

Der lineare Operator

Z
IM : E → L 2
mit I(X) := X dM, X ∈ E, (D.2)

ist demnach wegen X = IM (X) eine Isometrie, d.h. eine normerhaltende Abbil-
L2M L2
dung.

• Der folgende Satz bringt die Konstruktion eines stochastischen Integrals für allgemeine vor-
hersagbare, bezüglich µM quadratisch integrierbare Prozesse mit einem rechtsseitig stetigen
L2 -Martingal M als Integrator zu einem vorläufigen Abschluss.

Satz D.13 Der Integraloperator IM : E → L2 gemäß (D.2) besitzt eine eindeutige Fortsetzung
I˜M : L2M → L2 unter Beibehaltung der Isometrie. Für X ∈ L2M heißt dann
Z
I˜M (X) = X dM (D.3)

das Itō-Integral von X bezüglich M . Alternative Bezeichnung: Xs dMs

R
T

20
In einem Vektorraum V mit der Norm [Link] heißt eine Folge (xn )n∈N eine Cauchy-Folge, wenn es für jedes
ε > 0 einen Index N := N (ε) gibt, so dass

xm − xn < ε für alle m, n ≥ N

V

gilt. Bei einer Cauchy-Folge liegen somit schließlich alle Folgenglieder unendlich dicht beieinander. Jede konvergente
Folge ist eine Cauchy-Folge. In einem vollständigen Vektorraum gilt auch die Umkehrung.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
310 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Beweis:

• E ist dicht in L2M , d.h., für die Vervollständigung Ē von E gilt Ē = L2M (ohne Beweis).

• Allgemein gilt: Sind U und V vollständige normierte Räume, U1 ein dichter Teilraum von U
und

J : U1 → V

eine lineare Isometrie, dann lässt sich J eindeutig als lineare Isometrie

J˜ : U → V

fortsetzen:

– Da U1 dicht in U ist, gibt es zu jedem u ∈ U eine Folge (un )n∈N mit un ∈ U1

(n ∈ N), so dass lim un = u (d.h. lim u − un = 0) gilt. Jede konvergente Folge
n→∞ n→∞ U
ist außerdem eine Cauchy-Folge, also auch (un )n∈N .
 
– Für die Folge J(un ) mit J(un ) ∈ V (n ∈ N) gilt dann aufgrund der Linearität
n∈N
und der Isometrieeigenschaft von J für m, n ∈ N

J(um ) − J(un ) = J(um − un ) = um − un .

V V U
 
Da (un )n∈N eine Cauchy-Folge ist, ist somit auch J(un ) eine Cauchy-Folge. Da
  n∈N
V vollständig ist, besitzt J(un ) einen Grenzwert in V . Dieser Grenzwert hängt
n∈N
nicht von der konkreten Wahl der Folge (un )n∈N ab, so dass

˜
J(u) := lim J(un )
n→∞

gesetzt werden kann.

– Außerdem lässt sich die Linearität und die Isometrieeigenschaft von J˜ zeigen.

• Anwendung dieser Aussage auf die gegebene Situation: L2 und L2M sind vollständige nor-
mierte Räume, E ein dichter Teilraum von L2M und IM : E → L2 eine lineare Isometrie.
Somit lässt sich IM eindeutig auf L2M unter Beibehaltung der Isometrie fortsetzen.


Bemerkungen:

• Das in Abschnitt C.8 bezüglich des Wienerprozesses definierte Itō-Integral ist ein Martingal
bezüglich der erweiterten natürlichen Filtration des Wienerprozesses. Eine analoge Eigen-
schaft des hier definierten allgemeineren Integrals wäre daher wünschenswert.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.3. Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martingale 311

• Es wird sich zeigen, dass das hier definierte Integral sogar ein rechtsseitig stetiges L2 -
Martingal ist und somit wieder als Integrator eines anderen Integrals verwendet werden kann.

• Das gemäß (D.3) definierte Itō-Integral Xs dMs ist zunächst noch kein stochastischer Pro-
R
T
zess, sondern eine quadratisch integrierbare Zufallsgröße. Durch die Einführung einer oberen
Intervallgrenze wird daraus in folgender Definition ein stochastischer Prozess abgeleitet, des-
sen Eigenschaften dann näher untersucht werden.

Definition D.14 Es seien M ein rechtsseitig stetiges L2 -Martingal und X ∈ L2M . Dann bezeichnet
für t ∈ T
Zt Z Z
Xs dMs := 1[0,t] X dM = 1[0,t] (s)Xs dMs
0 T
!
Rt
Insbesondere ist Xs dMs ein stochastischer Prozess (bezüglich der gegebenen Filtration
0 t∈T
(Ft )t∈T ).

Bemerkungen:

• Ist X ∈ L2M , so ist aufgrund der Beschränkheit der Indikatorfunktion auch 1[0,t] X ∈ L2M für
t ∈ T.
!
Rt
• Der folgende Satz liefert zunächst die L -Martingal-Eigenschaft von
2 Xs dMs . Die
0 t∈T
(rechtsseitige) Stetigkeit wird später noch untersucht.

Satz D.15 Es seien M ein rechtsseitig stetiges L2 -Martingal und X ∈ L2M . Dann gilt

Z  Zt
E X dM Ft = Xs dMs
0
!
Rt
für alle t ∈ T. Außerdem ist Xs dMs ein L2 -Martingal.
0 t∈T

Beweis:

1. Sei zunächst X ∈ E, also ein elementarer vorhersagbarer Prozess, der o.B.d.A. die Darstellung
n
αi 1Ri mit n ∈ N, α1 , . . . , αn ∈ R, und R1 , . . . , Rn ∈ R paarw. disj. besitzt, wobei
P
X=
i=1
Ri = (si , ti ] × Fi mit si < ti (si , ti ∈ T) und Fi ∈ Fsi für i = 1, . . . , n ist. Der Fall
Ri = {0} × F0 mit F0 ∈ F0 kann dabei vernachlässigt werden, da dieser bei der Integration
keine Rolle spielt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
312 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Dann ist
n
X
1[0,t] X = αi 1Ri 1[0,t]
i=1
Xn n
X
= αi 1(si ,ti ]×Fi 1[0,t] = αi 1(min(si ,t),min(ti ,t)]×Fi
i=1 i=1

und folglich

Zt n
X  
Xs dMs = αi 1Fi Mmin(ti ,t) − Mmin(si ,t) .
0 i=1

Diese Zufallsgröße ist für alle t ∈ T in L2 , da M ein L2 -Prozess ist.

Für X ∈ E und t ∈ T ergibt sich somit
Z  n
X   
E X dM Ft = E αi 1Fi Mti − Msi Ft
i=1
n
X    
= αi E 1Fi Mti − Msi Ft
i=1

Für i = 1, . . . , n und t ≤ si ergibt sich aufgrund der „Tower property“, „Taking out what is
known“ und der Martingaleigenschaft von M
   
E 1Fi Mti − Msi Ft
   
= E E 1Fi (Mti − Msi ) | Fsi Ft
   
= E 1Fi E Mti − Msi | Fsi Ft
   
= E 1Fi Msi − Msi Ft = 0
 
= 1Fi (Mt − Mt ) = 1Fi Mmin(ti ,t) − Mmin(si ,t)

sowie für t > si

   
E 1Fi Mti − Msi Ft
 
= 1Fi · E Mti − Msi Ft
    
= 1Fi · E Mti | Ft − E Msi Ft
   
= 1Fi · Mmin(ti ,t) − Msi = 1Fi Mmin(ti ,t) − Mmin(si ,t) .

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.3. Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martingale 313

Somit ist
Z  n
X   Zt
E X dM Ft = αi 1Fi Mmin(ti ,t) − Mmin(si ,t) = Xs dMs .
i=1 0

Daraus folgt für s < t (s, t ∈ T) wegen der „Tower property“

 Zt   Z 
E Xu dMu Fs = E E X dM | Ft ) Fs
0
Z  Zs
= E X dM Fs = Xu dMu
0
!
Rt
und folglich die Martingaleigenschaft von Xu dMu für X ∈ E. Für X ∈ E gilt somit
0 t∈T
die Behauptung.

2. Nun erfolgt die „übliche Erweiterung“ von X ∈ E auf X ∈ L2M (siehe Beweis von Satz D.13):
 
• Sei X ∈ L2M und X (k) eine Folge in E mit
k∈N

L2M - lim X (k) = X

k→∞

und folglich

L2M - lim 1[0,t] X (k) = 1[0,t] X für t ∈ T.

k→∞

Aufgrund der Isometrie-Eigenschaft des Integraloperators I˜ (siehe (D.3) ) ist somit

Z Z
L - lim X dM =
2 (k)
X dM sowie (D.4)
k→∞

Zt Zt
L2 - lim Xs(k) dMs = Xs dMs
k→∞
0 0
!
Rt
für t ∈ T, d.h., Xs dMs ist ein L2 -Prozess.
0 t∈T
• Es verbleibt,
Z  Zt
E X dM Ft = Xs dMs
0

zu zeigen, da daraus
! analog zu den Betrachtungen unter 1. die Martingaleigenschaft
Rt
von Xs dMs folgt.
0 t∈T

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
314 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

• Wegen 1. ist

Z  Zt
(k)
E X dM Ft = Xs(k) dMs
0

für alle k ∈ N und t ∈ T und folglich

Z  Zt
L - lim E
2 (k)
X dM Ft = Xs dMs .
k→∞
0

Es verbleibt demnach zu zeigen, dass

Z  Z 
L - lim E
2 (k)
X dM Ft = E X dM Ft , also
k→∞

Z  Z !2
lim E E X (k) dM Ft − E X dM Ft = 0
k→∞

gilt. Dies erhält man jedoch wegen

Z  Z !2
(k)
E E X dM Ft − E X dM Ft

Z Z !2
= E E X (k) dM − X dM Ft

21 Z Z 2 !
≤ E E X (k) dM − X dM Ft

22  Z Z 2 !
(k)
≤ E E X dM − X dM Ft

23
Z Z 2
(D.4)
= E X (k)
dM − X dM → 0 für k → ∞. 

Bemerkungen:

• Um Aussagen über die rechtsseitige !

Stetigkeit des aus dem Itō-Integral X dM mit X ∈ L2M
R

Rt
abgeleiteten Prozesses Xs dMs , der gemäß dem vorausgegangenen Satz ein L2 -
0 t∈T
Martingal ist, treffen zu können, muss zunächst beachtet werden, dass die Elemente der
Menge der L2 -Martingale nicht einzelne Prozesse, sondern Äquivalenzklassen von Prozessen
sind. Jedes Element einer solchen Äquivalenzklasse ist eine Modifikation (oder Version) eines
21
Jensen’sche Ungleichung
22
Jensen’sche Ungleichung für bedingte Erwartungen
23
Tower property

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.3. Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martingale 315

anderen Elementes derselben Äquivalenzklasse.

  Dabei sind zwei gegebene Prozesse X =
(Xt )t∈T und Y = (Yt )t∈T auf Ω, F, P Modifikationen voneinander, wenn

P(Xt = Yt ) = 1 für alle t ∈ T

gilt (dadurch ist demnach die Äquivalenzrelation bestimmt).

• Damit bei Prozessmengen, bei denen die Adaptiertheit an eine gegebene Filtration eine Rolle
spielt (z.B. die Menge der L2 -Martingale), die einzelnen Äquivalenzklassen auch „hinreichend
groß“ sind, um Elemente mit gewünschten Eigenschaften wie z.B. Stetigkeit zu enthalten,
wird der zugrunde liegende filtrierte Wahrscheinlichkeitsraum als vollständig und den üblichen
Bedingungen genügend vorausgesetzt (siehe Abschnitt D.1). Im Folgenden wird grundsätzlich
angenommen, dass diese Voraussetzung erfüllt ist.

• Der folgende Satz sagt aus, dass es in jeder Äquivalenzklasse von Itō-Integralen einen Reprä-
sentanten mit rechtsseitig stetigen Pfaden gibt.

Satz D.16 Es seien M ein rechtsseitig

! stetiges L2 -Martingal und X ∈ L2M . Dann existiert eine
Rt
Modifikation von Xs dMs mit rechtsseitig stetigen Pfaden, die also ein rechtsseitig stetiges
0 t∈T
L2 -Martingal ist.

Beweis:

1. Sei zunächst X ∈ E ein elementarer vorhersagbarer Prozess. Analog zu der Darstellung von
X im Beweis von Satz D.15 ist
Zt n
X  
Xs dMs = αi 1Fi Mmin(ti ,t) − Mmin(si ,t) .
0 i=1

Aus der rechtsseitigen

! Stetigkeit von M folgt sofort die rechtsseitige Stetigkeit von
Rt
Xs dMs .
0 t∈T

Im Folgenden bezeichne für X ∈ E und t ∈ T

Zt
IM (X)t := Xs dMs .
0

Die Bezeichnung
Z Z
IM (X) = Xs dMs = X dM
T

wurde bereits in (D.2) eingeführt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
316 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

 
2. Sei nun X ∈ L2M und X (k) eine Folge in E mit L2M - lim X (k) = X.
k∈N k→∞
 
(k)
• Wegen 1. ist der Prozess IM (X )t für alle k ∈ N rechtsseitig stetig.
t∈T
• Im Folgenden wird eine der Doob’schen Ungleichungen (Joseph L. Doob, 1910-2004,
amerikanischer Mathematiker) verwendet: Für ein rechtsseitig stetiges L2 -Martingal M
gilt für alle t ∈ T und γ > 0
!
1
P sup Ms ≥ γ ≤ 2 · EMt2
s≤t γ
 
• Für j < k (j, k ∈ N) ist auch IM (X (k) )t − IM (X (j ) )t ein rechtsseitig stetiges
t∈T
Martingal. Anwendung der obigen Doob’schen Ungleichung auf diese Differenz ergibt
für γ := 2−m mit m ∈ N
!
P sup I (X ( ) ) − I (X ( ) ) ≥ 2
k
M
j
t M
−m
t
t∈T
     2
≤ 22m · E IM X (k) − IM X (j )
   
= 22m · IM X (k) − IM X (j ) (D.5)
L2
Mit Hilfe dieser Ungleichung lässt sich somit die maximale pfadweise Abweichung
! von
t
  
(rechtsseitig stetigen) Approximationen IM X (k) für , mit
R
Xs dMs
t t∈T 0
! t∈T
Rt
deren Hilfe auf die rechtsseitige Stetigkeit von Xs dMs geschlossen werden
0 t∈T
soll, über die erwartete quadratische Abweichung dieser Approximationen abschätzen.
 
• Wegen L2M - lim X (k) = X ist L2 - lim IM (X (k) ) = X dM . Somit ist IM (X (k) )
R
k→∞ k→∞ k∈N
eine L2 -Cauchy-Folge und folglich existiert eine Folge (km )m∈N von aufsteigenden In-
dizes km ∈ N (m ∈ N) mit k1 < k2 < . . ., so dass
   
IM X (km+1 ) − IM X (km ) ≤ 2−3m für alle m ∈ N
L2

gilt. Mit (D.5) ergibt sich

∞
!
P sup IM (X (km+1 ) )t − IM (X (km ) )t ≥ 2−m
X

m=1 t∈T
∞    
IM X (km+1 ) − IM X (km )
X
≤ 22m ·
m=1 L2
∞  m
X 1
≤ < ∞.
2
m=1

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.3. Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martingale 317

• Aus dem Lemma von Borel-Cantelli24 folgt dann

 
P lim sup Am = 0
m→∞

mit
( )
Am := ω ∈ Ω : sup IM (X (km+1 ) )t (ω) − IM (X (km ) −m
)t (ω) ≥ 2 .
t∈T

• Es sei Ω0 := lim sup Am . Dann ist

m→∞

P(Ω1 ) = 1 mit Ω1 := Ω0 .
Für Ω1 erhält man
∞ [
\ ∞ ∞ \
[ ∞
Ω1 = lim sup Am = Am = Am = lim inf Am
m→∞ m→∞
`=1 m=` `=1 m=`
n o
= ω ∈ Ω : ω ∈ Am für schließlich alle m

= ω ∈ Ω : sup IM (X (km+1 ) )t (ω) − IM (X (km ) )t (ω) < 2−m
t∈T

für schließlich alle m (D.6)

• Für ω ∈ Ω und X ∈ E bezeichne IM (X)T (ω) die Funktion

t ∈ T 7→ IM (X)t (ω).
 
Die Funktionenfolge IM (X (km ) )T (ω) ist somit für ω ∈ Ω1 gemäß (D.6) eine
m∈N
Cauchy-Folge bezüglich der Supremumsnorm. Diese besitzt (bezüglich der Supremums-
norm) für ω ∈ Ω1 als Grenzwert die Funktion
 Zt 
t ∈ T 7→ Xs dMs (ω)
0

(wobei X = L2M - lim X (k) ) und konvergiert gegen diese sogar gleichmäßig (die gleich-
k→∞
mäßige Konvergenz ist die Konvergenz bezüglich der Supremumsnorm).
• Aufgrund der gleichmäßigen Konvergenz überträgt  sich für ω ∈ Ω1 
die Eigenschaft
 
der rechtsseitigen Stetigkeit von der Funktionenfolge IM X (k) (ω) auf deren
T k∈N
 t 
Grenzwert t 7→
R
Xs dMs (ω).
0
24
Lemma von Borel-Cantelli: Sei (Am )m∈N eine Folge von Ereignissen. Dann gilt:
P∞  
I. P(Am ) < ∞ =⇒ P lim sup Am = 0
m=1 m→∞
P∞  
II. P(Am ) = ∞ und (Am )m∈N paarweise unabhängig =⇒ P lim sup Am = 1
m=1 m→∞

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
318 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

• Für ω ∈ Ω0 (Ω0 ist eine P-Nullmenge!) wird

 Zt 
Xs dMs (ω) := 0 für alle t ∈ T
0
!
Rt
gesetzt. Man erhält somit eine rechtsseitig stetige Modifikation von Xs dMs .
0 t∈T


Bemerkungen:

• O.B.d.A. kann somit angenommen werden, dass der von dem Itō-Integral X dM mit X ∈
R
!
Rt
L2M abgeleitete Prozess Xs dMs ein rechtsseitig stetiges L2 -Martingal ist und somit
0 t∈T
wiederum als Integrator eines Itō-Integrals verwendet werden kann.

• Aus obigem Beweis ist ersichtlich, dass alle von einem Itō-Integral abgeleiteten Prozesse fast
sicher rechtsseitig stetig sind, da die betreffende Menge Ω0 , wo dies nicht der Fall ist, eine
P-Nullmenge ist.

• Ebenso kann man obigem Beweis entnehmen, dass, falls der Integrator M ein stetiges L2 -
Martingal ist, dies ebenso – fast sicher – für den von dem dazugehörigen Itō-Integral abge-
leiteten Prozess gilt. Außerdem gibt es eine stetige Modifikation.

• In obigem Beweis wurde (implizit) vorausgesetzt, dass eine Cauchy-Folge bezüglich der Su-
premumsnorm einen Grenzwert besitzt. Genau genommen ist dafür noch die zusätzliche
Annahme der Existenz linksseitiger Limites von M erforderlich.25

• Für Itō-Integrale gelten außerdem folgende beiden Aussagen vom „Radon-Nikodym-“ bzw.
„Substitutionstyp“:

Satz D.17 Es seien M ein rechtsseitig stetiges L2 -Martingal, X ∈ L2M sowie Y = (Yt )t∈T ein
stochastischer Prozess mit

Zt
Yt := Xs dMs ,
0

also ebenfalls ein rechtsseitig stetiges L2 -Martingal.

25
Die Eigenschaft der rechtsseitigen Stetigkeit und der Existenz linksseitiger Limites braucht tatsächlich nur fast
sicher zu gelten – damit lässt sich die Klasse der als Integratoren in Frage kommenden Prozesse auf càdlàg L2 -
Martingale verallgemeinern.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.3. Das Itō-Integral bezüglich rechtsseitig stetiger L2 -Martingale 319

dµY
(i) Es gilt = X 2 (µY besitzt die Dichte X 2 bezüglich µM ), d.h.
dµM
Z
µY (P ) = X 2 dµM für alle P ∈ P.
P

 
(ii) Sei Z ∈ L2Y . Dann ist ZX = Zt · Xt ∈ L2M und es gilt
t∈T
Z Z
Z dY = ZX dM.

Beweis:
Zu (i): Gemäß Satz D.9 genügt es, µY , d.h. die Mengen P = R = (s, t] × Fs ∈ R mit s < t
R
(s, t ∈ T) und Fs ∈ Fs , zu betrachten:

26     Zt Zs 2 
µY (R) = E 1Fs · (Yt − Ys )2 = E 1Fs Xu dMu − Xu dMu
0 0
 Z 2  27  Z 2
= E 1Fs 1(s,t] X dM = E 1Fs 1(s,t] X dM

28
Z 2 Z 2
= E 1Fs 1(s,t] X dM = E 1R X dM
29
Z Z
= 1R X 2 dµM = X 2 dµM
R

Zu (ii):

1. Für Z = 1R mit R = (s, t] × Fs und s < t (s, t ∈ T) sowie Fs ∈ Fs ergibt sich

Z Z
Z dY = 1Fs · (Yt − Ys ) = 1Fs 1(s,t] X dM
30
Z Z
= 1Fs 1(s,t] X dM = ZX dM

2. Für Z ∈ E erhält man die Aussage aufgrund der Linearität.

 
3. Für Z ∈ L2Y gibt es zunächst eine Folge Z (n) ∈ E mit
n∈N

L2Y - lim Z (n) = Z

n→∞
26
siehe Bemerkung 3. zu Definition D.8
27
12(s,t] = 1(s,t]
28
Für X ∈ E ist dies unmittelbar ersichtlich. Für X ∈ L2M ergibt sich dieser Schritt durch die übliche Erweiterung.

29
Lemma D.12 und Satz D.13
30
siehe obige Fußnote 28

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
320 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

und somit
Z Z
L2 - lim Z (n) dY = Z dY.
n→∞

• Aus (i) erhält man, dass µY die Dichte X 2 bezüglich µM besitzt. Aufgrund der Sub-
stitutionsregel der Maß- und Integrationstheorie ist somit
Z Z
2
Z dµY = Z 2 X 2 dµM

und folglich ZX ∈ L2M .

• Außerdem ist für n ∈ N
Z Z 2
(n)
E Z dY − Z dY
Z   2 Z  2
(n)
= E Z − Z dY = Z (n) − Z dµY
Z  2
= Z (n) − Z X 2 dµM

und demnach wegen L2 - lim Z (n) dY = Z dY

R R
n→∞
Z  2
lim Z (n) − Z X 2 dµM
n→∞
Z Z 2
(n)
= lim E Z dY − Z dY = 0,
n→∞

d.h.

L2M - lim (Z (n) − Z)X = 0

n→∞

bzw.

L2M - lim Z (n) X = ZX.

n→∞

• Somit ist
Z Z
L - lim
2
Z (n)
X dM = ZX dM
n→∞

und schließlich
Z Z
Z dY = L - lim Z (n) dY
2
n→∞
Z Z
= L - lim Z X dM =
2 (n)
ZX dM.
n→∞

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.4. Lokale Martingale 321

D.4 Lokale Martingale

• Im Folgenden sei T := [0, T ], T > 0, oder T := [0, ∞).

• Aus Abschnitt D.3 ist bekannt, dass für ein rechtsseitig stetiges L2 -Martingal M und X ∈ L2M
(die Menge der vorhersagbaren Prozesse, die bezüglich des Doléansmaßes µM quadratisch
integrierbar sind) der Prozess
 
Zt Z 
 Xs dMs  = 1[0,t] X dM
 
t∈T
0
t∈T

ebenfalls ein rechtsseitig stetiges L2 -Martingal ist. Für die Existenz dieses Prozesses genügt
es somit, lediglich

1[0,t] X ∈ L2M für alle t ∈ T

zu fordern.

• Eine weitere Verallgemeinerung des Itō-Integrals ist möglich, wenn anstatt einer reellen Zahl
t ∈ T als „Obergrenze“ des Integrals eine Stoppzeit τ bezüglich der Filtration (Ft )t∈T des
zugrunde liegenden filtrierten Wahrscheinlichkeitsraums Ω, F, (Ft )t∈T , P verwendet, d.h.

ein Integral
Z
1[0,τ ] X dM

betrachtet wird. Zunächst wird jedoch der sogenannte gestoppte Prozess eingeführt und
festgestellt, dass ein gestopptes rechtsseitig stetiges Martingal (bzw. Submartingal31 bzw.
Supermartingal32 ) wiederum ein rechtsseitig stetiges Martingal (bzw. Submartingal bzw. Su-
permartingal) ist:

Definition D.18 Für einen an (Ft )t∈T adaptierten stochastischen Prozess X und eine Stoppzeit
τ bezüglich (Ft )t∈T heißt
 
X τ := Xmin(t,τ ) , d.h.
t∈T
Xtτ (ω) = Xmin 
t,τ (ω)
 (ω) für alle t ∈ T und ω ∈ Ω,

der bei τ gestoppte Prozess.

Satz D.19 Gegeben seien ein filtrierter Wahrscheinlichkeitsraum Ω, F, (Ft )t∈T , P , ein rechts-

seitig stetiges Martingal (bzw. Submartingal bzw. Supermartingal) M bezüglich (Ft )t∈T sowie eine
Stoppzeit τ bezüglich (Ft )t∈T . Dann ist auch der gestoppte Prozess M τ ein rechtsseitig stetiges
Martingal (bzw. Submartingal bzw. Supermartingal).

Beweis: Siehe Bemerkung 5. zu Satz D.28.

31
E(Xt | Fs ) ≥ Xs
32
E(Xt | Fs ) ≤ Xs

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
322 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Bemerkungen:

• Ist M ein L2 -Prozess, so ist es auch M τ .

• Für eine Stoppzeit τ ist das stochastische Intervall [0, τ ] bestimmt durch
n o
[0, τ ] = (t, ω) ∈ T × Ω : 0 ≤ t ≤ τ (ω) .

• Jedes stochastische Intervall [0, τ ] ist in der vorhersagbaren σ-Algebra P enthalten, d.h.

[0, τ ] ∈ P mit P = σ(R),

n o n o
R = {0} × F0 : F0 ∈ F0 ∪ (s, t] × Fs : Fs ∈ Fs , s < t, s, t ∈ T ,

denn:

– Für eine Stoppzeit τ sowie k, n ∈ N ist

  !  
k−1 k k−1
, ∩ T × ω ∈ Ω : τ (ω) ≥ ∈ R.
2n 2n 2n

Somit ist für n ∈ N

  !  
[ k−1 k k−1
Pn := {0} × Ω ∪ , ∩ T × ω ∈ Ω : τ (ω) ≥ ∈ P.
2n 2n 2n
k∈N

– Ist (t, ω) ∈ Pn , so gilt

 
k−1 k−1
τ (ω) ≥ max ,k ∈ N : t > bzw.
2n 2n
 
h i k k
t ∈ 0, τn (ω) ∩ T mit τn (ω) := min , k ∈ N : τ (ω) < ,
2n 2n
d.h., für dasjenige k ∈ N, für das
k−1 k
≤ τ (ω) < n
2n 2
gilt, ist
k
τn (ω) = .
2n
– Demnach ist τn eine Stoppzeit für n ∈ N und

Pn = [0, τn ].

– Wegen τn ↓ τ ist
\
[0, τ ] = [0, τn ]
n∈N

und somit wegen [0, τn ] ∈ P ebenfalls [0, τ ] ∈ P.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.4. Lokale Martingale 323

• Für einen stochastischen Prozess X = (Xt )t∈T und eine Stoppzeit τ ist der stochastische
Prozess 1[0,τ ] X definiert durch
 
1[0,τ ] X (t, ω) := 1[0,τ ] (t, ω) · X(t, ω) für (t, ω) ∈ T × Ω.

Ist X ein vorhersagbarer Prozess (d.h. P-messbar), so ist es auch 1[0,τ ] X, da wegen [0, τ ] ∈ P
der Prozess 1[0,τ ] ebenfalls vorhersagbar und ein Produkt messbarer Zufallsgrößen wiederum
messbar ist.

• Ist X ∈ L M für ein rechtsseitig

2
 stetiges L2 -Martingal M (L2M – Menge der über dem
Maßraum T × Ω, P, µM quadratisch integrierbaren Funktionen), so ist für eine Stoppzeit
τ wegen der Beschränktheit der Indikatorfunktion auch 1[0,τ ] X ∈ L2M , d.h., das Itō-Integral
1[0,τ ] X dM kann gebildet werden.
R

• In diesem Fall kann für eine endliche Stoppzeit τ gezeigt werden, dass
Z Zτ
1[0,τ ] X dM = Xs dMs P-f.s. (D.7)
0
Rt
gilt (im Fall T = [0, T ] sei dabei 0 Xs dMs := X dM für t > T ), d.h.
R

 
Z  τZ(ω)

1[0,τ ] X dM (ω) =  Xs dMs  (ω) für P-fast alle ω ∈ Ω.

 

Z∞ Z
Nach Einführung von Xs dMs := X dM gilt dies auch für unendliche Stoppzeiten
Rt 0
( 0 Xs dMs war bisher lediglich für t ∈ [0, ∞) definiert).

• Das folgende Lokalisationslemma liefert eine wichtige theoretische Grundlage für die folgende
Verallgemeinerung des Itō-Integrals.

Lemma D.20 (Lokalisationslemma) Gegeben seien ein filtrierter Wahrscheinlichkeitsraum Ω,

F, (Ft )t∈T , P , ein rechtsseitig stetiges L2 -Martingal M bezüglich (Ft )t∈T , ein Prozess X ∈ L2M
sowie eine Stoppzeit τ bezüglich (Ft )t∈T . Außerdem sei M τ der bei τ gestoppte Prozess. Dann
gilt:
Z Z
1[0,τ ] X ∈ L2M τ und 1[0,τ ] X dM = 1[0,τ ] X dM τ .

Beweis:

• Gemäß Satz D.19 ist auch der gestoppte Prozess M τ ein rechtsseitig stetiges L2 -Martingal,
so dass sowohl die Bezeichnung L2M τ als auch das Itō-Integral mit dem Integrator M τ sinnvoll
ist.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
324 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

• Die Menge L2M τ bezeichnet für das

 rechtsseitig stetige L -Martingal M die Menge der über
2 τ

dem Maßraum T × Ω, P, µM τ quadratisch integrierbaren Funktionen.

• Sei zunächst X = 1R mit R = (s, t] × Fs ∈ R (s < t, s, t ∈ T, Fs ∈ Fs ). Dann ist für fast

alle ω ∈ Ω
Z  Z 
1[0,τ ] X dM (ω) = 1[0,τ ] 1R dM (ω)
 
τZ(ω)
(D.7) 
=  1(s,t]×Fs (u, .) dMu  (ω)


0
Z 
= 1(s,t]×Fs ∩ (0,τ (ω)]×Ω ∩ {0}×Ω dM (ω)
 
Z
=  1     dM  (ω)
min s,τ (ω) , min t,τ (ω) ×Fs
!
33  
= 1Fs · Mmint,τ (ω) − Mmin s,τ (ω)
 (ω)
  Z 
= 1Fs · (Mtτ − Msτ ) (ω) = ... = 1[0,τ ] X dM τ
(ω),

d.h.
Z Z
1[0,τ ] X dM = 1[0,τ ] X dM τ f.s.

(wobei im Folgenden diejenige Modifikation von 1[0,τ ] X dM betrachtet wird, für die diese
R

Gleichheit für alle ω ∈ Ω gilt).

• Für X = 1R gilt 1[0,τ ] X ∈ L2M τ , denn wegen 1[0,τ ] X ∈ L2M ist 1[0,τ ] X dM ∈ L2
R

(Isometrieeigenschaft des Itō-Integrals), somit wegen obiger Gleichheit auch 1[0,τ ] X dM τ ∈

R

L2 und folglich 1[0,τ ] X ∈ L2M τ . Insbesondere ist

  Z Z  2
µM τ R ∩ [0, τ ] = 1[0,τ ] 1R dµM τ = 1[0,τ ] X dµM τ
Z 2 Z 2
τ
= E 1[0,τ ] X dM = E 1[0,τ ] X dM
Z  2 Z
= 1[0,τ ] X dµM = 1[0,τ ] 1R dµM
 
= µM R ∩ [0, τ ] .

• Die allgemeine Aussage folgt mit Hilfe der „üblichen Erweiterungen“.



33
siehe Definition D.11 (i)

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.4. Lokale Martingale 325

Definition D.21 Gegeben sei ein filtrierter Wahrscheinlichkeitsraum Ω, F, (Ft )t∈T , P . Dann

heißt eine monoton wachsende Folge (τn )n∈N von Stoppzeiten bezüglich (Ft )t∈T mit

∞ für T = [0, ∞)

lim τn = f.s.
n→∞ T für T = [0, T ]


eine lokalisierende Folge bezüglich (Ft )t∈T .

Definition D.22 Gegeben seien ein filtrierter Wahrscheinlichkeitsraum sowie

  Ω, F, (F t ) t∈T , P
ein stochastischer Prozess (Xt )t∈T auf Ω, F, P . Dann heißt (Xt )t∈T ein lokales Martingal
bezüglich (Ft )t∈T , falls es eine lokalisierende Folge (τn )n∈N bezüglich (Ft )t∈T gibt, so dass die
gestoppten Prozesse
   
X τ1 = Xmin(t,τ1 ) , X τ2 = Xmin(t,τ2 ) , ...
t∈T t∈T

Martingale bezüglich (Ft )t∈T sind.

Bemerkungen:

• Ein Prozess X = (Xt )t∈T ist definitionsgemäß genau dann ein lokales Martingal, wenn es
eine lokalisierende Folge (τn )n∈N gibt, so dass die Prozesse X τn für alle n ∈ N Martingale
sind.

• Analog heißt X = (Xt )t∈T ein lokales L2 -Martingal bzw. stetiges bzw. rechtsseitig stetiges
lokales L2 -Martingal, wenn es eine lokalisierende Folge (τn )n∈N gibt, so dass die Prozesse
X τn für alle n ∈ N diese Eigenschaft besitzen.

• Jedes Martingal X = (Xt )t∈T ist auch ein lokales Martingal: Für die lokalisierende Folge
(τn )n∈N mit

∞ für T = [0, ∞)

τn ≡
T für T = [0, T ]


für alle n ∈ N ist nämlich min(t, τn ) = t für alle t ∈ T und somit X τn ≡ X für alle n ∈ N.

• Ein lokales Martingal kann als „asymptotisches“ Martingal betrachtet werden: Es gilt nämlich
für t ∈ T

lim Xtτn (ω) = lim Xmin(t,τn (ω)) (ω) = Xt (ω) (D.8)

n→∞ n→∞

für fast alle ω ∈ Ω, d.h. P-f.s. lim Xtτn = Xt .

n→∞

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
326 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

• Die Konstruktion eines Beispiels für ein lokales Martingal, das kein Martingal ist, ist ver-
gleichsweise aufwändig: Seien W 1 = (Wt1 )t∈T , W 2 = (Wt2 )t∈T und W 3 = (Wt3 )t∈T drei
stochastisch unabhängige Wienerprozesse und R = (Rt )t∈T definiert durch
1
q
Rt := (Wt1 + c)2 + (Wt2 + c)2 + (Wt3 + c)2 mit c := √
3
 
1
(„Bessel-Prozess der Ordnung 3“). Dann lässt sich zeigen, dass zwar ein lokales
 R t t∈T
1
Martingal, aber kein Martingal ist, da der Erwartungswert E von t abhängt: Es ist
Rt
nämlich
  !
1 1
E = E p
Rt (Wt1 + c)2 + (Wt2 + c)2 + (Wt3 + c)2
 
1
= E q √ ,
 
√ √
( tZ 1 + c)2 + ( tZ 2 + c)2 + ( tZ 3 + c)2

wobei Z 1 , Z 2 , Z 3 drei unabhängige

  standard-normalverteilte Zufallsgrößen
  sind. Für t = 0
1 1
ist gemäß Konstruktion E = 1, für t → ∞ ergibt sich E → 0.
R0 Rt
• Der diskontierte Wertprozess einer selbstfinanzierenden (und ggf. nicht regulären) Handels-
strategie in einem Black-Scholes-Modell ist im Allgemeinen ein lokales Martingal, aber kein
Martingal (siehe Bemerkung zu Lemma 3.27).

• Die folgenden beiden Lemmas geben hinreichende Bedingungen dafür an, dass ein lokales
Martingal ein Martingal bzw. Supermartingal ist. Aus dem zweiten Lemma D.24 ergibt sich
außerdem die definierende Bedingung für eine reguläre Handelsstrategie im Black-Scholes-
Modell (Definition 3.26) und somit im Wesentlichen der Beweis für die Aussage, dass der
Wertprozess einer diskontierten regulären Handelsstrategie im Black-Scholes-Modell ein Su-
permartingal ist (Lemma 3.27), die entscheidend war für die Aussage über die Arbitragefrei-
heit des Black-Scholes-Modells (Satz 3.28).

Lemma D.23 Jedes beschränkte lokale Martingal ist ein Martingal.

Beweis:

• Satz von der majorisierten Konvergenz für bedingte Erwartungen: Sei  (Xn )n∈N  eine Folge
von integrierbaren Zufallsvariablen auf einem Wahrscheinlichkeitsraum Ω, F, P , die fast
sicher gegen eine Zufallsgröße X konvergieren. Wenn sup |Xn | integrierbar ist, dann ist auch
n∈N
X integrierbar und es gilt
   
lim E Xn | G = E lim Xn | G f.s. (D.9)
n→∞ n→∞

für alle Unter-σ-Algebren G ⊂ F.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.4. Lokale Martingale 327

 
• Sei nun (Xt )t∈T ein beschränktes lokales Martingal mit der dazugehörigen Filtration Ft
t∈T
und lokalisierenden Folge (τn )n∈N . Aufgrund der Beschränkheit ist Xt integrierbar für alle
t ∈ T und es gibt ein K > 0, so dass |Xt | ≤ K für alle t ∈ T gilt. Wegen (D.8) ist
   
E Xt | Fs = E lim Xtτn | Fs
n→∞

und weiter wegen (D.9) und sup Xtτn ≤ K

n∈N
   
E lim Xtτn | Fs = lim E Xtτn | Fs
n→∞ n→∞
34 (D.8)
= lim Xsτn = Xs f.s.
n→∞

für s < t, s, t ∈ T. 

Lemma D.24 Es seien Y eine integrierbare Zufallsgröße und M ein lokales Martingal bezüglich
einer Filtration (Ft )t∈T mit Mt ≥ Y für alle t ∈ T. Dann gilt
 
E Mt | Fs ≤ Ms für alle s < t, s, t ∈ T.

Ist außerdem M0integrierbar,

 so ist M ein Supermartingal. Gilt darüber hinaus EM0 = EMt für
ein t ∈ T, so ist Ms ein Martingal.
s∈[0,t]

Beweis:

• Sei (τn )n∈N eine lokalisierende Folge für M . Dann sind die Prozesse M τn Martingale für alle
n ∈ N, d.h., es gilt
 
E Mt | Fs = Msτn für alle n ∈ N und s < t (s, t ∈ T).
τn

• Lemma von Fatou für bedingte Erwartungen: Sei (X  n )n∈N eine

 Folge von nichtnegativen
Zufallsvariablen auf einem Wahrscheinlichkeitsraum Ω, F, P . Dann gilt
   
E lim inf Xn | G ≤ lim inf E Xn | G f.s. (D.10)
n→∞ n→∞

für alle Unter-σ-Algebren G ⊂ F.

• Das Lemma von Fatou lässt sich auf Folgen (Xn )n∈N von Zufallsgrößen verallgemeinern,
die nach unten durch eine integrierbare Zufallsgröße Y beschränkt sind, denn es gilt, da
Xn + Y ≥ 0 für alle n ∈ N ist,
     
E Y | G + E lim inf Xn | G = E Y + lim inf Xn | G
n→∞ n→∞
   
= E lim inf (Y + Xn ) | G ≤ lim inf E Y + Xn | G
n→∞ n→∞
        
= lim inf E Y | G + E Xn | G = E Y | G + lim inf E Xn | G .
n→∞ n→∞

34
X τn ist Martingal für n ∈ N

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
328 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

• Wegen (D.8) und des Lemmas von Fatou ergibt sich

     
E Mt | Fs = E lim Mtτn | Fs = E lim inf Mtτn | Fs
n→∞ n→∞
 
τn
≤ lim inf E Mt | Fs = lim inf Msτn = Ms f.s.
n→∞ n→∞

für s < t, s, t ∈ T.

• Zur Supermartingaleigenschaft von M fehlt noch die Integrierbarkeit von Mt für alle t ∈ T.
Wegen der Integrierbarkeit von Y ergibt sich
   
M0 ≥ E Mt | F0 ≥ E Y | F0

für alle t ∈ T und daraus wegen der Integrierbarkeit von M0 aufgrund der „tower property“

EM0 ≥ EMt ≥ EY

die Integrierbarkeit von Mt für alle t ∈ T und somit die Supermartingaleigenschaft.

• Ist nun darüber hinaus EM0 = EMt für ein t ∈ T, so ergibt sich aus der Supermartingalei-
genschaft und der „tower property“
  
EM0 = EMt = E E Mt | Fs
  
≥ EMs = E E Ms | F0 ≥ EM0

für s < t (s ∈ T) und somit EMs = EM0 für alle s ∈ [0, t]. Ein Supermartingal mit dieser
Eigenschaft ist aber ein Martingal.


Bemerkung: Im Folgenden erfolgt nun die Verallgemeinerung des Itō-Integrals auf rechtsseitig
stetige lokale L2 -Martingale als Integratoren und entsprechend allgemeinere Integranden.

2,loc
Definition D.25 Für ein rechtsseitig stetiges lokales L2 -Martingal M bezeichne LM die Menge
aller vorhersagbaren (d.h. P-messbaren) Prozesse X, für die eine lokalisierende Folge (τn )n∈N für
M existiert (d.h. M τn ist ein rechtsseitig stetiges L2 -Martingal für alle n ∈ N), so dass

1[0,τn ] X ∈ L2M τn für alle n ∈ N

gilt.

Bemerkungen:
Z
• Die Integrale 1[0,τn ] X dM τn existieren für alle n ∈ N.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.4. Lokale Martingale 329

• Da eine lokalisierende Folge (τn )n∈N aufsteigend ist, gilt für n, k ∈ N

  !τn
 
τn+k τn τn+k



M = M t
= Mmin(t,τn+k ,τn )
t∈T t∈T
 
= Mmin(t,τn ) = M τn .
t∈T

Aus dem Lokalisationslemma D.20 folgt somit

Z Z
1[0,τn ] X dM τn+k = 1[0,τn ] X dM τn (D.11)

(hier kann M noch nicht als Integrator verwendet werden, da es kein L2 -Martingal, sondern
lediglich ein lokales L2 -Martingal ist).

• Wegen (D.7) ergibt sich weiter

Z Z
τn
1[0,τn ] X dM = 1[0,τn ] X dM τn+k
Z Zτn
τ
= 1[0,τn ] 1[0,τn+k ] X dM τn+k = 1[0,τn+k ] (s, .) Xs dMs n+k f.s.
0

und somit
Zt min(t,τ
Z n)
τ
1[0,τn ] (s, .) Xs dMsτn = 1[0,τn+k ] (s, .) Xs dMs n+k f.s.
0 0

für alle t ∈ T, d.h.

   
Zt Zt
τ  τn+k 
 1[0,τn ] (s, .) Xs dMs n  (ω) =  1[0,τn+k ] (s, .) Xs dMs  (ω)
 

0 0

für fast alle ω ∈ Ω und t ∈ [0, τn (ω)] ∩ T.

• Für jedes t ∈ T stellt das Integral

Zt
τ
1[0,τn+k ] (s, .) Xs dMs n+k
0

somit eine fast sichere Fortsetzung von

Zt
1[0,τn ] (s, .) Xs dMsτn
0

dar, was die folgende Definition eines allgemeineren Itō-Integrals rechtfertigt:

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
330 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Definition D.26 Für ein rechtsseitig stetiges lokales L2 -Martingal M mit lokalisierender Folge
(τn )n∈N und X ∈ L2,loc
M bezeichne für t ∈ T

Zt Zt
Xs dMs := P-f.s. lim 1[0,τn ] (s, .) Xs dMsτn .
n→∞
0 0

Bemerkungen:

• Die obige Definition ist unabhängig von der gewählten lokalisierenden Folge.

• Bei dieser Definition ist das Vorhandensein einer oberen Integralgrenze unbedingt erforder-
lich, d.h., ein Integral in der Schreibweise X dM ist nicht definiert. Dies stellt aber keine
R

Einschränkung dar, da im Folgenden ohnehin lediglich der Prozess

 
Zt
 Xs dMs 
 

0
t∈T

von Interesse ist.

• Analog zu Satz D.16 für Itō-Integrale bezüglich rechtsseitig stetiger L2 -Martingale gilt der
folgende Satz:

2,loc
Satz D.27 Es seien M ein rechtsseitig!stetiges lokales L2 -Martingal und X ∈ LM . Dann exis-
t
tiert eine Modifikation von mit rechtsseitig stetigen Pfaden, die ein lokales L2 -
R
Xs dMs
0 t∈T
Martingal ist.

Beweis:

• Sei (τn )n∈N eine lokalisierende Folge von M . Dann ist für n ∈ N

 Zt  ! τn  min(t,τ
Z n) 
Xs dMs = Xs dMs
t∈T t∈T
0 0
 Zt 
= 1[0,τn ] (s, .) Xs dMs
t∈T
0

• Für fast alle ω und t ∈ T gilt gemäß Definition D.26

 Zt 
1[0,τn ] (s, .) Xs dMs (ω)
0

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.4. Lokale Martingale 331

 Zt 
= lim 1[0,τk ] (s, .) 1[0,τn ] (s, .) Xs dMsτk (ω)
k→∞,k≥n
0
 Zt 
= lim 1[0,τn ] (s, .) Xs dMsτk (ω)
k→∞,k≥n
0
 Zt 
(D.11)
= lim 1[0,τn ] (s, .) Xs dMsτn (ω)
k→∞
0
 Zt 
= 1[0,τn ] (s, .) Xs dMsτn (ω),
0

τn
Rt
   t 
d.h. ist eine Modifikation von
R
1[0,τn ] (s, .) Xs dMs = Xs dMs
0 t∈T 0 t∈T
 t 
1[0,τn ] (s, .) Xs dMsτn für n ∈ N, wofür gemäß Satz D.16 eine Modifikation mit
R
0 t∈T
rechtsseitig stetigen Pfaden existiert, die ein L2 -Martingal ist.

Bemerkungen:

1. Ist M ein stetiges lokales L2 -Martingal, so gibt es – analog!

zu der entsprechenden Bemerkung
Rt
zu Satz D.16 – eine stetige Modifikation von Xs dMs .
0 t∈T

2. Analog zu Satz D.17 gilt folgende Substitutionsregel: Es seien M ein rechtsseitig steti-
ges lokales L2 -Martingal, X ∈ L2,loc
M sowie Y = (Yt )t∈T ein stochastischer Prozess mit
Rt
Yt := Xs dMs , also ebenfalls ein rechtsseitig stetiges lokales L2 -Martingal. Für Z ∈ L2,loc
Y
0
ist dann ZX ∈ L2,loc
M und es gilt

Zt Zt
Zs dYs = Zs Xs dMs für alle t ∈ T.
0 0

3. Im Folgenden wird ein äußerst wichtiger Spezialfall von rechtsseitig stetigen lokalen L2 -
Martingalen, nämlich die stetigen lokalen Martingale mit beschränktem Startwert, betrach-
tet. Für die weiteren Überlegungen wird zunächst folgender Spezialfall des sogenannten
Optional-Sampling-Theorems (auch als Doob’sches Optional-Stopping-Theorem bezeich-
net) – hier in der zeitdiskreten Variante – benötigt.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
332 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Lemma D.28 (Zeitdiskretes Optional-Sampling-Theorem

  für beschränkte Stoppzeiten)
Gegeben seien ein Wahrscheinlichkeitsraum Ω, F, P mit einer zeitdiskreten Filtration (Fn )n∈N0
und ein an diese Filtration adaptierter integrierbarer stochastischer Prozess M = (Mn )n∈N0 . Dann
ist M genau dann ein (zeitdiskretes) Martingal, wenn für jede beschränkte (diskrete) Stoppzeit τ
bezüglich (Fn )n∈N0

EMτ = EM0

gilt.

Beweis:

=⇒: Sei M ein Martingal und τ eine beschränkte Stoppzeit mit τ ≤ N, N ∈ N. Dann ist
N
X   35 N
X  
EMτ = E Mn · 1{τ =n} = E E(MN | Fn ) · 1{τ =n}
n=0 n=0
36 XN   37 N
X  
= E E(MN · 1{τ =n} | Fn ) = E MN · 1{τ =n}
n=0 n=0
 N
X  38
= E MN · 1{τ =n} = EMN = EM0
n=0
| {z }
= 1Ω

⇐=: Da die Integrierbarkeit und Adaptiertheit vorausgesetzt wurde, bleibt nur noch E Mn | Fm

= Mm mit m < n, m, n ∈ N0 zu zeigen, d.h., dass gemäß Definition der bedingten Erwartung
Z Z
Mm dP = Mn dP für alle F ∈ Fm
F F

gilt.
Zu jedem F ∈ Fm wird durch

m für ω ∈ F

τF (ω) := = m · 1F + n · 1Ω\F
n für ω ∈ Ω \ F


eine (beschränkte) Stoppzeit definiert, denn es ist


∅ ∈ Fk für k = 0, . . . , m − 1





{τF ≤ k} = F ∈ Fk für k = m, . . . , n − 1


Ω ∈ F für k = n, . . .


k

35
Martingaleigenschaft
36
Inverses „Taking out what is known.“
37
Tower property
38
Martingaleigenschaft

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.4. Lokale Martingale 333

Nach Voraussetzung ergibt sich für alle F ∈ Fm

   
EM0 = EMτF = E Mn · 1{τF =n} + E Mm · 1{τF =m}
Z Z Z Z
= Mn dP + Mm dP = EMn − Mn dP + Mm dP
Ω\F F F F

und wegen EMn = EM0 (τ ≡ n ist ebenfalls eine beschränkte Stoppzeit) somit Mm dP =
R
R F
Mn dP. 
F

Bemerkungen:

1. Das „reine“ Optional-Sampling-Theorem beinhaltet lediglich die Richtung „von links nach
rechts“, d.h., dass für ein Martingal M = (Mn )n∈N0 bezüglich (Fn )n∈N0 und eine be-
schränkte Stoppzeit τ bezüglich (Fn )n∈N0

EMτ = EM0

gilt. Dazu ist zu bemerken, dass EMn = EM0 für alle n ∈ N0 bereits unmittelbar aus der
Martingaleigenschaft folgt.

2. Das Optional-Sampling-Theorem (in diskreter Zeit) gilt auch unter folgenden schwächeren
Voraussetzungen an die Stoppzeit τ :
Z
P(τ < ∞) = 1, E |Mτ | < ∞ und lim |Mn | dP = 0
n→∞
{τ >n}

Denn: Die Stoppzeit τn = min(τ, n) ist beschränkt für alle n ∈ N, so dass gemäß Lemma
D.28

EMτn = EM0

gilt. Im Folgenden wird formal M∞ ≡ 0 gesetzt. Da n.V. {τ = ∞} eine P-Nullmenge ist,

werden dadurch die folgenden Integrationen nicht beeinflusst. Wegen E |Mτ | < ∞ ist auch
EMτ < ∞ und es ergibt sich weiter für n ∈ N

EMτ − EMτn
Z Z Z Z
= Mτ dP + Mτ dP − Mτn dP − Mτn dP
{τ ≤n} {τ >n} {τ ≤n} {τ >n}
39
Z Z Z Z
= Mτ dP + Mτ dP − Mτ dP − Mn dP
{τ ≤n} {τ >n} {τ ≤n} {τ >n}
Z Z 40 Z Z
= Mτ dP − Mn dP ≤ Mτ dP + Mn dP
{τ >n} {τ >n} {τ >n} {τ >n}

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
334 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

41 Z Z
≤ |Mτ | dP + |Mn | dP
{τ >n} {τ >n}

Nach Voraussetzung ist

Z
lim |Mn | dP = 0
n→∞
{τ >n}

und wegen des Satzes von der majorisierten Konvergenz (anwendbar, da sup 1{τ >n} |Mτ | ≤
n∈N
|Mτ | integrierbar ist) ergibt sich
Z Z
lim 1{τ >n} |Mτ | dP = |Mτ | · lim 1{τ >n} dP
n→∞ n→∞
Z
= |Mτ | · 1{τ =∞} dP = 0.

Somit ist

lim EMτ − EMτn = lim |EMτ − EM0 | = 0

n→∞ n→∞

und folglich EMτ = EM0 .

3. Das Optional-Sampling-Theorem lässt sich für rechtsseitig stetige Martingale auf einen konti-
nuierlichen Zeitbereich verallgemeinern (der Beweis führt diesen Fall mittels einer geeigneten
Diskretisierung auf den zeitdiskreten Fall zurück).

4. Eine weitere Formulierung des Optional-Sampling-Theorems ist folgende: Sei (Mt )t∈T ein
rechtsseitig stetiges Martingal (bzw. Submartingal bzw. Supermartingal) bezüglich einer Fil-
tration (Ft )t∈T und σ, τ beschränkte Stoppzeiten bezüglich (Ft )t∈T mit σ ≤ τ (≤ T für
T = [0, T ]). Dann gilt
 
Mσ = E Mτ | Fσ f.s.,

d.h.
    
Mσ(ω) (ω) = E Mτ (ω) | Fσ(ω) (ω) für fast alle ω ∈ Ω
   
(bzw. Mσ ≤ E Mτ | Fσ bzw. Mσ ≥ E Mτ | Fσ ) und somit

EMσ = EMτ

(bzw. EMσ ≤ EMτ bzw. EMσ ≥ EMτ ).

Eine analoge Formulierung (ohne Stetigkeitsvoraussetzung) gibt es für den zeitdiskreten Fall.
39
τn = τ auf {τ ≤ n} und τn = n auf {τ > n}
40
Dreiecksungleichung
41
Jensen’sche Ungleichung

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.4. Lokale Martingale 335

5. Aus dem Optional-Sampling-Theorem in der Formulierung von Bemerkung 4. erhält man

sofort, dass ein bei einer (beliebigen) Stoppzeit τ̃ gestopptes rechtsseitig stetiges Martingal
M (bzw. Submartingal bzw. Supermartingal) bezüglich der Filtration (Ft )t∈T ein (rechts-
seitig stetiges) Martingal (bzw. Submartingal bzw. Supermartingal) bezüglich der Filtration
(Fmin(t,τ̃ ) )t∈T ist, denn τ := min(t, τ̃ ) ≤ t und σ := min(s, τ̃ ) ≤ s sind für s < t und
s, t ∈ T zwei beschränkte Stoppzeiten, die die Voraussetzungen des Satzes aus Bemerkung
4. erfüllen.

In einem weiteren Schritt kann gezeigt werden, dass M τ̃ auch bezüglich der ursprünglichen
Filtration (Ft )t∈T ein Martingal ist.

Satz D.29 Ein stetiges lokales Martingal M = (Mt )t∈T mit beschränktem M0 ist ein (stetiges)
lokales beschränktes Martingal und damit auch ein (stetiges) lokales L2 -Martingal.

Beweis:

• Sei (τn )n∈N eine lokalisierende Folge von M , d.h., M τn ist ein stetiges Martingal für alle
n ∈ N.

• Für k ∈ N ist

n o ∞ für T = [0, ∞)

σk := inf t ∈ T : |Mt | ≥ k mit inf ∅ :=
T für T = [0, T ]


eine Stoppzeit.

• Der Prozess M σk ist beschränkt für alle k ∈ N, denn

– für ω ∈ Ω und t < σk (ω) ist

Mtσk (ω) = Mmint,σ  (ω) = Mt (ω) < k,

k (ω)

da andernfalls σk (ω) ≤ t wäre,

– für ω ∈ Ω und σk (ω) = 0 ist nach Voraussetzung

Mtσk (ω) = Mmint,σ  (ω) = M0 (ω) ≤ sup |M0 | < ∞,

k (ω)

– für ω ∈ Ω und σk (ω) ≤ t sowie σk (ω) > 0 ist aufgrund der Stetigkeit von M

Mtσk (ω) = Mσk (ω) (ω) = k.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
336 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Somit ist |Mtσk | ≤ max k, sup |M0 | für alle t ∈ T und k ∈ N, d.h., M ist ein lokal


beschränkter Prozess und somit ein lokaler L2 -Prozess mit der lokalisierenden Folge
(σk )k∈N . 42

• Da M τn für n ∈ N ein Martingal ist, so ist es gemäß Satz D.19 auch

σ
M τn n = M min(τn ,σn ) .
 
Somit ist die Aussage unter Verwendung der lokalisierenden Folge min(τn , σn ) ge-
n∈N
zeigt.

• Alternativ kann auch ohne Verwendung von Satz D.19 gezeigt werden, dass M σk ein Mar-
tingal für alle k ∈ N und somit M ein lokal beschränktes Martingal mit der lokalisierenden
Folge (σk )k∈N ist. Dies ist gemäß Lemma D.28 genau dann der Fall, wenn

EMτσk = EM0σk = EM0

für alle beschränkten Stoppzeiten τ gilt – dies ist demnach noch zu zeigen.

• Ist nun τ eine beliebige beschränkte Stoppzeit, so ist auch min(τ, σk ) eine beschränkte
Stoppzeit für alle k ∈ N. Da M τn gemäß Voraussetzung ein Martingal für alle n ∈ N ist,
liefert die zeitstetige Variante des obigen Optional-Sampling-Theorems D.28
τn
EMmin(τ,σk)
= EM0τn = EM0 .

• Es verbleibt somit zu zeigen, dass

τn
EMτσk = lim EMmin(τ,σ k)
= EM0 (D.12)
n→∞

gilt:

– Wegen (D.8) ist

τn
P-f.s. lim Mmin(τ,σ k)
= Mmin(τ,σk ) = Mτσk .
n→∞

– Daraus folgt nach dem Satz von der majorisierten Konvergenz das gewünschte Resultat
(D.12), falls sup Mmin(τ,σ
τn
k)
integrierbar ist. Dies ist aber wegen
n∈N

τn σk 
Mmin(τ,σ k)
= M min(τ,τn ) ≤ max k, sup |M0 |

der Fall.


42
Noch zu zeigen wäre, dass lim σk = ∞ bzw. lim σk = T f.s. ist. Hierfür sind ggf. σ̃k (ω) :=
 k→∞ k→∞

für Mk (ω) ≤ k

k
und σ̂k := max σ̃k für ω ∈ Ω und k ∈ N zu betrachten.
i=1,...,k
σk (ω)
 sonst

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.4. Lokale Martingale 337

Bemerkungen:

• Somit können auch stetige lokale Martingale mit beschränktem Startwert als Integratoren
von Itō-Integralen verwendet werden.

• Der folgende Satz sagt insbesondere aus, dass stetige lokale Martingale mit beschränktem
Startwert auch als Integranden von Itō-Integralen mit ebensolchen Prozessen als Integratoren
verwendet werden können und dass die daraus abgeleiteten Prozesse wiederum stetige lokale
Martingale mit beschränktem Startwert sind. Für stetige lokale Martingale M = (Mt )t∈T
mit beschränktem Startwert können dann insbesondere Integral-Prozesse der Gestalt
 
Zt
 Ms dMs 
 

0
t∈T

gebildet werden.

Satz D.30 Seien M ein stetiges lokales Martingal mit beschränktem Startwert
! und X ein stetiger
t
2,loc
Prozess mit beschränktem Startwert. Dann gilt X ∈ LM und ist ein stetiges
R
Xs dMs
0 t∈T
lokales Martingal mit beschränktem Startwert.

Beweis:

• Sei (τn )n∈N eine lokalisierende Folge von M , d.h., M τn ist ein stetiges Martingal für alle
2,loc
n ∈ N. Da X stetig ist, ist es auch vorhersagbar. Gemäß Definition D.25 ist X ∈ LM
dann gleichbedeutend mit

1[0,τn ] X ∈ L2M τn

für alle n ∈ N, d.h., 1[0,τn ] X ist bezüglich des Doléansmaßes µM τn quadratisch integrierbar.
Dies wird im Folgenden gezeigt.

• Analog zum Beweis von Satz D.29 wird angenommen, dass (σn )n∈N mit
n o
σn := inf t ∈ T : |Mt | + |Xt | ≥ n

eine solche lokalisierende Folge ist. Im Folgenden sei daher (τn )n∈N = (σn )n∈N .

• Aufgrund der Beschränktheit von M0 und X0 gibt es außerdem ein N ∈ N, so dass

|M0 | + |X0 | ≤ N

gilt. Analog zum Beweis von Satz D.29 sind demnach M und X lokal beschränkte Prozesse,
für die

Mtτn ≤ n+N und Xtτn ≤ n+N (D.13)

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
338 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

für alle t ∈ T und n ∈ N gilt. Für n ∈ N ergibt sich

43
Z  2 Z

2
1[0,τn ] X dµM τn = 1[0,τn ] X τn dµM τn
(D.13)
Z 44
Z 2
2 2 τ
≤ (n + N ) 1[0,τn ] dµM τn = (n + N ) · E 1[0,τn ] dM n

 2
Zτn 2
(D.7)

= (n + N )2 · E  dM τn  = (n + N )2 · E Mττnn − M0τn
 

0
 2 (D.13)  2
≤ 2
(n + N ) · E Mττnn + M0τn ≤ (n + N )2 · E 2 · (n + N )

≤ 4 · (n + N )4 < ∞

und somit 1[0,τn ] X ∈ L2M τn .

!
Rt
• Gemäß Bemerkung 1. zu Satz D.27 ist Xs dMs ein stetiges lokales L2 -Martingal,
0 t∈T
R0
also auch ein stetiges lokales Martingal, das den beschränkten Startwert Xs dMs = 0
0
besitzt.


43
Für (t, ω) ∈ T × Ω ist 1[0,τn ] (t, ω) · X(t, ω) = 1[0,τn (ω)] (t) · Xt (ω) = 1[0,τn (ω)] (t) · X   (ω) =
min t,τ n (ω)

1[0,τn (ω)] (t) · Xtτn (ω)

44
Itō-Isometrie

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.5. Stochastische Riemann-Stieltjes-Integrale und quadratischer Variationsprozess 339

D.5 Stochastische Riemann-Stieltjes-Integrale und quadrati-

scher Variationsprozess
• Im Folgenden sei T := [0, T ], T > 0, oder T := [0, ∞).

• Gegeben seien – analog zu den Betrachtungen in Abschnitt C.6 –

– eine Funktion f : T → R,
– eine positive reelle Zahl p > 0 sowie
n o
– eine endliche Zerlegung Π[0,t] = t0 , t1 , . . . , tn von [0, t] (t ∈ T) mit n ∈ N und
0 = t0 < t1 < . . . < tn = t.

• Dann heißt
n
[0,t] p
X
SpΠ (f ) := f (ti ) − f (ti−1 ) (D.14)
i=1

die p-Variationsumme von f bezüglich Π[0,t] .

• Die kleinste obere Schranke aller p-Variationssummen von f auf dem Intervall [0, t] (t ∈ T)
[0,t]
Vp[0,t] (f ) := sup SpΠ (f )
Π[0,t]

heißt totale p-Variation auf [0, t]. Im Fall p = 1 heißt diese auch Totalvariation oder
einfach nur Variation, im Fall p = 2 quadratische Variation.
[0,t]
• Ist Vp (f ) < ∞, so heißt f von beschränkter p-Variation auf [0, t], andernfalls von
unbeschränkter p-Variation auf [0, t].

• Ist f für alle t ∈ T von beschränkter p-Variation auf [0, t], dann heißt f von lokal be-
schränkter p-Variation.

• Insbesondere sind alle Treppen-, monotone und Lipschitz-stetige Funktionen auf [0, t] von
beschränkter (Total-)Variation auf [0, t]. Beispielsweise sind die Pfade eines Poissonprozesses
aufgrund der Monotonie von lokal beschränkter Variation.

• Von besonderem Interesse sind dabei insbesondere Folgen von immer „feineren“ Zerlegungen
eines Intervalls [0, t] (t ∈ T): Es bezeichne Π[0,t] := max ti − ti−1 den Feinheitsgrad


i=1,...,n
 
[0,t] [0,t]
einer Zerlegung Π . Eine Folge Πk
[0,t] von Zerlegungen mit lim Πk = 0 heißt
k∈N k→∞
reguläre Zerlegungsfolge. Falls der Grenzwert
[0,t]
Π
lim Sp k (f )
k→∞
 
[0,t]
existiert, heißt er die p-Variation von f bezüglich der regulären Zerlegungsfolge Πk .
k∈N

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
340 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

• Ist f auf [0, t] von beschränkter p-Variation, dann existiert auch die p-Variation von f bezüg-
lich jeder regulären Zerlegungsfolge von [0, t], wobei dieser Wert von der konkret gewählten
Zerlegungsfolge abhängen kann.
n o
• Für zwei Funktionen f, g : T → R, eine Zerlegung Π[0,t] = t0 , t1 , . . . , tn sowie einen
sogenannten Zwischenvektor ξ := (ξ1 , . . . , ξn ) mit ξi ∈ [ti−1 , ti ] heißt
n  
Π[0,t] ,ξ
X
S (f, g) := f (ξi ) · g(ti ) − g(ti−1 )
i=1

die Riemann-Stieltjes-Summe von f bezüglich Π[0,t] , ξ und g.

Für g : t 7→ t erhält man die entsprechende Riemann-Summe von f .
 
[0,t]
• Existiert nun für f, g : T → R und jede reguläre Zerlegungsfolge Πk sowie jede
k∈N
dazugehörige Folge von Zwischenvektoren ξ k k∈N der Grenzwert

[0,t]
lim S Πk ,ξk
(f, g)
k→∞

und ist dieser eindeutig bestimmt, so heißt f auf [0, t] Riemann-Stieltjes-integrierbar und

Zt Zt
[0,t]
f dg := f (s) dg(s) := lim S Πk ,ξk
(f, g) (D.15)
k→∞
0 0

das Riemann-Stieltjes-Integral von f bezüglich g auf [0, t].

Rt
• Ein Riemann-Stieltjes-Integral f dg besitzt unter anderem folgende Eigenschaften:
0

– Das Riemann-Stieltjes-Integral ist nicht nur bezüglich des Integranden, sondern auch
bezüglich des Integrators linear, d.h.

Zt Zt Zt
f d(g1 + g2 ) = f dg1 + f dg2 , (D.16)
0 0 0

Rt Rt
falls sowohl f dg1 als auch f dg2 existieren.
0 0
– Sind sowohl f als auch die Ableitung g 0 von g auf [0, t] Riemann-integrierbar, so existiert
Rt
das Riemann-Stieltjes Integral f dg und es gilt
0

Zt Zt
f dg = f (s) · g 0 (s) ds.
0 0

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.5. Stochastische Riemann-Stieltjes-Integrale und quadratischer Variationsprozess 341

Rt
– Das Riemann-Stieltjes-Integral f dg existiert insbesondere dann, wenn g auf [0, t] von
0
beschränkter Variation und f auf [0, t] stückweise stetig mit anderen Sprungstellen als
g ist.
– Ist f auf [0, t] stetig und g eine Treppenfunktion auf [0, t] mit Sprüngen der Höhe
g1 , . . . , gn an den Stellen s1 , . . . , sn , so ist
Zt n
X
f dg = f (si ) · gi
0 i=1

(„Summen sind Riemann-Stieltjes-Integrale“).

Rt
– Existiert das Riemann-Stieltjes-Integral f dg, so existiert auch das Riemann-Stieltjes-
0
Rt
Integral g df (Vertauschung von Integrator und Integrand!) und es gilt
0

Zt Zt
f dg + g df = f (t) · g(t) − f (0) · g(0). (D.17)
0 0

Speziell erhält man somit für stetige Funktionen f , die auf [0, t] von beschränkter
Variation sind,
Zt
2· f df = f (t)2 − f (0)2 . (D.18)
0
 
• Ein stochastischer Prozess V = (Vt )t∈T auf Ω, F, P heißt ein Prozess von lokal be-
 
schränkter Variation, falls sämtliche Pfade Vt (ω) von V mit ω ∈ Ω von lokal be-
  t∈T
schränkter Variation sind, d.h., wenn Vs (ω) von beschränkter Variation für alle ω ∈ Ω
s∈[0,t]
und t ∈ T ist.

• Für Prozesse V = (Vt )t∈T von lokal beschränkter Variation und Prozesse X = (Xt )t∈T
lässt sich demnach unter geeigneten Voraussetzungen an X (z.B. Stetigkeit) für t ∈ T ein
stochastisches Integral
Zt
Xs dVs
0

als pfadweises Riemann-Stieltjes-Integral bilden, d.h.

 
Zt Zt
 Xs dVs  (ω) := Xs (ω) dVs (ω).
 

0 0

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
342 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Insbesondere existiert dann ein stochastischer Integral-Prozess

 
Zt
 Xs dVs  . (D.19)
 

0
t∈T

• Analog zu Satz D.30 gibt es auch für stochastische Riemann-Stieltjes-Integrale eine Aussage,
unter welchen Voraussetzungen an den Integranden X und den Integrator V der Integralpro-
zess (D.19) wiederum als Integrator eines stochastischen Riemann-Stieltjes-Integrals in Frage
kommt (d.h., welche Klassen von Prozessen in Bezug auf Integration „abgeschlossen“ sind).

Satz D.31 Seien V = (Vt )t∈T ein stetiger Prozess von lokal beschränkter Variation und X =
Rt 
(Xt )t∈T ein stetiger Prozess mit beschränktem Startwert. Dann ist der Integralprozess Xs dVs
0 t∈T
ebenfalls ein stetiger Prozess von lokal beschränkter Variation.

(Ohne Beweis)

Bemerkungen:

1. Analog zu Satz D.29 und zum Beweis von Satz D.30 ergibt sich aus der Stetigkeit und dem
beschränktem Startwert des Prozesses X die lokale Beschränktheit dieses Prozesses, d.h.,
es gibt eine lokalisierende Folge (τn )n∈N und eine Folge (an )n∈N natürlicher Zahlen (z.B.
an := n + sup |X0 |), so dass

X τn ≤ an

für alle n ∈ N gilt. Tatsächlich ist neben der Stetigkeit die lokale Beschränktheit von X
hinreichend dafür, dass der Integralprozess in Satz D.31 ein Prozess von lokal beschränkter
Variation ist.

2. Somit können stetige Prozesse X mit beschränktem Startwert als Integranden sowohl von
stochastischen Riemann-Stieltjes-Integralen (bezüglich eines stetigen Prozesses V von lokal
beschränkter Variation) als auch von Itō-Integralen (bezüglich eines stetigen lokalen Martin-
gals M mit beschränktem Startwert) verwendet werden. Darüber hinaus können für solche
Prozesse M und V , falls V0 beschränkt ist, für t ∈ T die Integrale

Zt
Vs dMs (Itō-Integral) und
0
Zt
Ms dVs (stochastisches Riemann-Stieltjes-Integral)
0

gebildet werden.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.5. Stochastische Riemann-Stieltjes-Integrale und quadratischer Variationsprozess 343

3. Es stellt sich umgekehrt die Frage, ob Prozesse, die als Integratoren eines Itō-Integral ver-
wendet werden, auch als Integratoren für stochastische Riemann-Stieltjes-Integrale in Frage
kommen. Der nächste Satz beantwortet diese Frage – in Bezug auf Prozesse von lokal be-
schränkter Variation als Integrator – mit „Nein“, da lediglich triviale stetige lokale Martingale
von lokal beschränkter Variation sind:
(0)
Satz D.32 Es sei M (0) = (Mt )t∈T ein stetiges lokales Martingal von lokal beschränkter Variation
und M0 = 0. Dann gilt

M (0) ≡ 0.

(Ohne Beweis)
Bemerkungen:
• Der obige Satz gilt auch für ein stetiges lokales Martingal M = (Mt )t∈T , wenn der Startwert
M0 eine beliebige, aber beschränkte Zufallsgröße ist: In diesem Fall wird der Prozess (Mt −
M0 )t∈T betrachtet und es folgt M ≡ M0 , d.h. ein stetiges lokales Martingal von lokal
beschränkter Variation mit beschränktem Startwert ist konstant.

• Für stetige Prozesse von lokal beschränkter Variation V = (Vt )t∈T gilt gemäß (D.18)
Zt
2· Vs dVs = Vt2 − V02 ,
0

wobei hier ein stochastisches Riemann-Stieltjes-Integral verwendet wird.

• Für stetige lokale Martingale M = (Mt )t∈T mit beschränktem Startwert kann analog ein
Itō-Integral
Zt
Ms dMs
0

gebildet werden, allerdings zeigt bereits der Spezialfall eines Wienerprozesses W = (Wt )t∈T ,
dass
Zt
2 · Ws dWs 6= Wt2 − W02 = Wt2
0
!
Rt
gilt: Der Prozess ist wie der Wienerprozess selbst ein stetiges Martingal
Ws dWs
0 t∈T  
(siehe Satz D.16 mit Bemerkungen). Der Prozess Wt2 dagegen ist kein Martingal, wohl
t∈T
aber der Prozess
 
Wt2 − t
t∈T
(siehe Lemma 3.6).

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
344 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

 
• Im Folgenden wird derjenige Prozess [M ] = [M ]t , für den für ein stetiges lokales
t∈T
Martingal M mit beschränktem Startwert
Zt
2· Ms dMs = Mt2 − M02 − [M ]t
0

gilt, als quadratischer Variationsprozess bezeichnet. Der quadratische Variationsprozess stellt

somit gewissenermaßen einen „Korrekturterm“ für das Rechnen mit Itō-Integralen gegenüber
dem Rechnen mit stochastischen Riemann-Stieltjes-Integralen dar. Für einen Wienerprozess
W ist beispielsweise [W ]t = t für t ∈ T.

Definition D.33 Es sei M = (Mt )t∈T ein stetiges lokales Martingal mit beschränktem M0 . Dann
heißt der Prozess
  Zt
[M ] = [M ]t mit [M ]t := Mt2 − M02 − 2 · Ms dMs
t∈T
0

der quadratische Variationsprozess von M .

Bemerkungen:

• Die Bezeichnung „quadratischer Variationsprozess“ ist durch folgende Eigenschaft

 motiviert:

[0,t]
Es seien M = (Mt )t∈T ein stetiges lokales Martingal mit beschränktem M0 und Πk
k∈N
eine reguläre Zerlegungsfolge mit t ∈ T \ {0}. Dann gilt für die quadratische Variation
bezüglich dieser Zerlegungsfolge
[0,t] h i
Π
lim S2 k (M ) = M in Wahrscheinlichkeit. (D.20)
k→∞ t

Ist M darüber hinaus noch beschränkt, so gilt (D.20) im quadratischen Mittel, d.h. im Sinne
der L2 -Konvergenz.

• Für stetige Prozesse von lokal beschränkter Variation (Vt )t∈T gilt – gemäß obigen Betrach-
tungen –
Zt
Vt2 − V02 −2· Vs dVs = 0,
0

d.h., die Definition eines quadratischen Variationsprozesses für stetige Prozesse von lokal
beschränkter Variation wäre nicht sinnvoll, zumal der quadratische Variationsprozess eben
gerade ein wesentliches Unterscheidungskriterium zwischen stetigen lokalen Martingalen mit
beschränktem Startwert gegenüber stetigen Prozessen von lokal beschränkter Variation dar-
stellt. Lediglich für konstante lokale Martingale ist der quadratische Variationsprozess Null
(siehe dazu auch Satz D.32).

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.5. Stochastische Riemann-Stieltjes-Integrale und quadratischer Variationsprozess 345

• Ist M lediglich ein rechtsseitig stetiges lokales L2 -Martingal mit existierenden linksseiti-
gen Limites
  („càdlàg“), kann unter Verwendung des linksseitig stetigen Prozesses M− =
(M− )t mit
t∈T

(M− )t := lim Ms
s↑t

für t ∈ T \ {0} und (M− )0 := M0 ebenfalls der quadratische Variationsprozess unter Ver-
wendung des Integrals

Zt
(M− )s dMs
0

gebildet werden.

• Aus der Beziehung

Zt
Mt2 − M02 − [M ]t = 2 · (M− )s dMs
0

für t ∈ T leiten sich aus den Sätzen D.16 und D.27 einschließlich der dazugehörigen Bemer-
kungen unmittelbar folgende Eigenschaften von [M ] ab:

– Es gibt immer eine rechtsseitig stetige Modifikation von [M ], da es immer eine rechts-
Rt
seitig stetige Modifikation von (M− )s dMs gibt und M wenigstens rechtsseitig stetig
0
ist.
– Ist M stetig, so gibt es immer eine stetige Modifikation von [M ].
– Der Prozess
 
2 2
Mt − M0 − [M ]t (D.21)
t∈T

Rt
ist immer ein lokales L2 -Martingal, da (M− )s dMs ein lokales L2 -Martingal ist. Ist M
0
darüber hinaus ein Martingal, so ist (D.21) ebenfalls ein Martingal.

• Für ein stetiges lokales Martingal M mit beschränktem M0 gibt es eine Modifikation des
dazugehörigen quadratischen Variationsprozesses [M ], die monoton wachsend und somit von
beschränkter Variation ist. Somit kann [M ] als Integrator eines stochastischen Riemann-
Stieltjes-Integrals verwendet werden. Außerdem ist diese Modifikation von [M ] wegen [M ]0 =
0 nichtnegativ.

• Für ein rechtsseitig stetiges L2 -Martingal M (nicht lokales Martingal!) gelten folgende Be-
ziehungen zwischen dem Doléansmaß µM und dem quadratischen Variationsprozess [M ]:

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
346 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

1. Für t ∈ T ist
 
    Zt
µM [0, t] × Ω = EMt2 − EM02 = E [M ]t = E  d[M ]s  ,
 

denn

  45   46  
µM [0, t] × Ω = µM (0, t] × Ω = E (Mt2 − M02 ) · 1Ω
 
t
47
Z
= E [M ]t + 2 · (M− )s dMs 
 

0
 
Zt
= E[M ]t + 2 · E  (M− )s dMs 
 

0
48
= E[M ]t .

Daraus ergibt sich sofort

 
E [M ]t < ∞ für alle t ∈ T.

2. Für jede vorhersagbare Menge A ∈ P und jedes t ∈ T lässt sich darüber hinaus zeigen,
dass
 
   Zt
µM A ∩ [0, t] × Ω = E  1A (s, .) d[M ]s  (D.22)
 

gilt.
3. Aufgrund der bekannten Isometrie zwischen dem L2 und dem L2M gilt für X ∈ L2M
und t ∈ T
 2
Zt Z
E  Xs dMs  = X 2 dµM .
 

0 [0,t]

45
µM ({0} × Ω) = 0
46
(0, t] × Ω ∈ R
47
gemäß (verallgemeinerter) Definition
! von [M ]
t
48
R
Der Prozess (M− )s dMs ist ein Martingal, da M ein Martingal ist; somit sind die Erwartungswerte für
0
t∈R
alle t ∈ T gleich dem Erwartungswert für t = 0, der wiederum Null ist.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.5. Stochastische Riemann-Stieltjes-Integrale und quadratischer Variationsprozess 347

Ist X auf [0, t] beschränkt, lässt sich mit Hilfe von (D.22) die sogenannte Itō-Isometrie
 2  
Zt Zt
E  Xs dMs  = E  Xs2 d[M ]s 
   

0 0

zeigen (siehe dazu auch Lemma C.12 für den Spezialfall des Wienerprozesses).
! Diese
t
gilt ebenfalls für (allgemeine) X ∈ L2M und t ∈ T, falls E Xs2 d[M ]s < ∞ gilt.
R
0

• Mit Hilfe des quadratischen Variationsprozesses [M ] eines stetigen lokalen Martingals M mit
2,loc
beschränktem M0 können diejenigen Prozesse X ∈ LM (siehe Definition D.25) charakte-
risiert werden, für die das Itō-Integral bezüglich M gebildet werden kann. Es gilt nämlich

   

 Z t 

 
L2,loc = X vorhersagbarer Prozess: P  Xs d[M ]s < ∞ = 1 für alle t ∈ T
2
 
M  
 
 0 

(D.23)

Wird speziell ein Wienerprozess W betrachtet, so ist

   

 Z t 

 
2,loc
LW = X vorhersagbarer Prozess: P  Xs ds < ∞ = 1 für alle t ∈ T
2
 

 

 0 

(siehe dazu auch (C.5)).

• In der Literatur wird für ein lokales L2 -Martingal M teilweise auch der vorhersagbare qua-
dratische Variationsprozess
 
hM i = hM it
t∈T
verwendet („angle bracket process“ gegenüber dem „square bracket process“), der ein vor-
hersagbarer Prozess ist. Für stetige lokale L2 -Martingale stimmen beide Variationsprozesse
überein.

• Analog zum quadratischen Variationsprozess für ein stetiges lokales Martingal M mit be-
schränktem Startwert lässt sich ein Kovariationsprozess für zwei stetige lokale Martingale M
und N mit jeweils beschränkten Startwerten definieren:

Definition D.34 Es seien M = (Mt )t∈T bzw. N = (Nt )t∈T zwei stetige lokale Martingale mit
beschränktem M0 bzw. N0 . Dann heißt der Prozess
 
  1
[M, N ] = [M, N ]t mit [M, N ]t := [M + N ]t − [M − N ]t
t∈T 4
der Kovariationsprozess von M und N .

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
348 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Bemerkungen:

• Für zwei reelle Funktion f, g : T → R und eine endliche Zerlegung Π[0,t] = {t0 , . . . , tn } mit
t0 = 0 und tn = t (t ∈ T, n ∈ N) lässt sich analog zu (D.14) die Kovariationssumme
n    
Π[0,t]
X
S (f, g) := f (ti ) − f (ti−1 ) · g(ti ) − g(ti−1 )
i=1

definieren. Da für zwei reelle Zahlen a, b

   
1 1 2
(a + b)2 − (a − b)2 = a + 2ab + b2 − a2 + 2ab − b2 = a · b
4 4
gilt, ist
n    
[0,t]
X
SΠ (f, g) = f (ti ) − f (ti−1 ) · g(ti ) − g(ti−1 )
i=1 | {z } | {z }
a b
n 
X 1 2
= · f (ti ) − f (ti−1 ) + g(ti ) − g(ti−1 )
4
i=1
 2 
− f (ti ) − f (ti−1 ) − g(ti ) + g(ti−1 )
 
1 [0,t] [0,t]
= S2Π (f + g) − S2Π (f − g) .
4

• Aus (D.20) lässt sich dann folgende Eigenschaft des Kovariationsprozesses [M,  N ] zweier

[0,t]
stetiger lokaler Martingale M und N mit beschränkten Startwerten ableiten: Sei Πk
k∈N
eine reguläre Zerlegungsfolge mit t ∈ T \ {0}. Dann gilt für die Kovariation bezüglich dieser
Zerlegungsfolge
 [0,t] [0,t]

Πk
[0,t] 1 Πk Πk
lim S (M, N ) = · lim S2 (M + N ) − lim S2 (M − N )
k→∞ 4 k→∞ k→∞
 
1
= · [M + N ]t − [M − N ]t in Wahrscheinlichkeit.
4
 
• Wegen a · b = 1
2 (a + b)2 − a2 − b2 für a, b ∈ R gilt außerdem
 
1
[M, N ] = [M + N ] − [M ] − [N ] (D.24)
2
für zwei stetige lokale Martingale M und N mit beschränkten Startwerten.

• Definition D.34 lässt sich auf càdlàg lokale L2 -Martingale M und N verallgemeinern. In
Analogie zu Definition D.33 gilt außerdem für t ∈ T
Zt Zt
[M, N ]t = Mt · Nt − M0 · N0 − (M− )s dNs − (N− )s dMs
0 0

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.5. Stochastische Riemann-Stieltjes-Integrale und quadratischer Variationsprozess 349

bzw. im Falle der Stetigkeit

Zt Zt
[M, N ]t = Mt · Nt − M0 · N0 − Ms dNs − Ns dMs . (D.25)
0 0

Dies lässt sich mit der verallgemeinerten Itō-Doeblin-Formel (siehe Abschnitt D.6) zeigen.

• Es gilt [M ] = [M, M ].

• Der Kovariationsprozess [M, N ] ist von lokal beschränkter Variation, da er als Linearkombi-
nation von quadratischen Variationsprozessen49 von lokal beschränkter Variation dargestellt
werden kann. Somit kommt [M, N ] – ebenso wie quadratische Variationsprozesse – als Inte-
grator eines stochatischen Riemann-Stieltjes-Integrals in Frage.

• Wird der Kovariationsprozess [M, N ] als Integrator eines stochastischen Riemann-Stieltjes-

Integrals in der Form des Differentials d[M, N ]s verwendet, ist häufig auch die Schreibweise

„dMs dNs “

(„Produkt“ von Differentialen) anzutreffen. Analog ist

„dMs dMs “ bzw. „(dMs )2 “

eine alternative Schreibweise für d[M ]s , falls der quadratische Variationsprozess [M ] als
Integrator verwendet wird.

• Da für den quadratischen Variationsprozess [W ] eines Wienerprozesses W

[W ]t = t für t ∈ T

gilt, wird dies häufig auch als „Rechenregel“

„dWt dWt = dt“

geschrieben.

• Formal kann [V ] ≡ 0 für den quadratischen Variationsprozess eines Prozesses V von lokal
beschränkter Variation gesetzt werden. Dasselbe gilt für den Kovariationsprozess, falls we-
nigstens einer der beiden Prozesse ein Prozess von lokal beschränkter Variation ist. Dies führt
beispielsweise im Zusammenhang mit dem Wienerprozess W zu den „Rechenregeln“

„dWt dVt = 0“ und „dVt dVt = 0“.

Insbesondere gilt dies für dVt = dt.

49
M + N bzw. M − N sind ebenfalls stetige lokale Martingale mit beschränktem Startwert; allgemein ist jede
Linearkombination lokaler Martingale wiederum ein lokales Martingal, d.h., die Menge der lokalen Martingale bildet
ebenso wie die Menge der Prozesse von lokal beschränkter Variation einen Vektorraum.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
350 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

• Für zwei unabhängige Wienerprozesse W 1 = (Wt1 )t∈T und W 2 = (Wt2 )t∈T ergibt sich
h i
W 1, W 2 ≡ 0 (d.h. „dWt1 dWt2 = 0“), (D.26)

denn bekanntlich ist für t ∈ T

h i h i
W1 = W2 = t
t t

und 12 (W 1 +W 2 ) aufgrund der Unabhängigkeit von W 1 und W 2 wiederum ein Wienerprozess,

so dass
h i h i
W 1 + W 2 = 2 · 21 (W 1 + W 2 ) = 2t
t t

und somit wegen (D.24)

 i
h
1 2
i 1 h 1 2
i h
1
i h
2
W ,W = W +W − W − W ≡ 0
2

gilt.

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.6. Semimartingale und verallgemeinerte Itō-Doeblin-Formel 351

D.6 Semimartingale und verallgemeinerte Itō-Doeblin-Formel

• Im Folgenden sei T := [0, T ], T > 0, oder T := [0, ∞).

• Für einen stetigen Prozess X = (Xt )t∈T mit beschränktem Startwert X0 kann gemäß den
Ausführungen in Abschnitt D.4 sowohl ein Itō-Integral
Z t
Xs dMs
0

bezüglich eines stetigen lokalen Martingals M = (Mt )t∈T mit beschränktem Startwert M0 als
auch gemäß den Ausführungen in Abschnitt D.5 ein stochastisches Riemann-Stieltjes-Integral
Z t
Xs dVs
0

bezüglich eines stetigen Prozesses von lokal beschränkter Variation V = (Vt )t∈T gebildet
werden.

• Gemäß Satz D.32 sind diese beiden, als Integratoren geeigneten Prozessklassen in gewissem
Sinn „disjunkt“. Es sind jedoch Prozesse denkbar, die sich additiv in ein lokales Martingal und
in einen Prozess von lokal beschränkter Variation aufspalten lassen. Dies führt im Folgenden
zum Begriff des Semimartingals, für das sich unmittelbar auch ein Integral bilden lässt:

Definition D.35 Ein Prozess S = (St )t∈T heißt ein stetiges Semimartingal mit Startwert S0 ,
(0) (0)
wenn es ein stetiges lokales Martingal M = Mt
(0) mit M0 = 0 und einen stetigen Prozess
  t∈T
(0) (0)
von lokal beschränkter Variation V (0) = Vt mit V0 = 0 gibt, so dass
t∈T

S = S0 + M (0) + V (0) , d.h. (D.27)

(0) (0)
St = S0 + Mt + Vt für alle t ∈ T

gilt. Der quadratische Variationsprozess [S] von S ist definiert als

h i h i
S := M (0) .

Ist außerdem X = (Xt )t∈T ein stetiger Prozess mit beschränktem Startwert X0 , so bezeichnet für
t∈T
Z t Z t Z t
Xs dSs := Xs dMs(0) + Xs dVs(0) (D.28)
0 0 0

das stochastische Integral von X bezüglich S.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
352 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Bemerkungen:

1. Die Darstellung (D.27) ist – bis auf fast sichere Gleichheit – eindeutig: Angenommen, S0 +
M̃ (0) + Ṽ (0) wäre eine alternative Darstellung von S. Dann ergibt sich

M (0) + V (0) = M̃ (0) + Ṽ (0) .

Somit ist

M (0) − M̃ (0) = Ṽ (0) − V (0)

ein stetiges lokales Martingal von lokal beschränkter Variation mit Startwert 0. Gemäß Satz
D.32 ist dann M (0) − M̃ (0) = V (0) − Ṽ (0) ≡ 0, d.h., die Darstellung ist eindeutig.

2. Der aus dem Integral bezüglich eines stetigen Semimartingals S gebildete Integralprozess
Z t !
Xs dSs
0
t∈T

(X ist dabei
Rein stetiger Prozess
 mit beschränktem Startwert) ist wieder ein Semimartingal: In
t (0)
(D.28) ist 0 Xs dMs gemäß Satz D.30 ein stetiges lokales Martingal mit Startwert
R  t∈T
t (0)
0 sowie 0 Xs dVs gemäß Satz D.31 ein stetiger Prozess von lokal beschränkter
t∈T
Variation mit Startwert 0.

3. Für den quadratischen Variationsprozess [S] eines stetigen Semimartingals S = S0 + M (0) +

Rt
V (0) mit beschränktem Startwert S0 (um die Existenz des Integrals Ss dSs zu sichern)
0
ergibt sich analog zu definition D.33 für t ∈ T (aus Gründen der besseren Lesbarkeit wird
M = M (0) und V = V (0) verwendet)
Zt Zt
1  2 
[S]t = St2 − S02 −2· Ss dSs bzw. Ss dSs = · St − S02 − [S]t ,
2
0 0

denn
Zt Zt Zt
Ss dSs = Ss dMs + Ss dVs
0 0 0
Zt Zt
= (S0 + Ms + Vs ) dMs + (S0 + Ms + Vs ) dVs
0 0
Zt Zt Zt
= S0 dMs + Ms dMs + Vs dMs
0 0 0
Zt Zt Zt
+ S0 dVs + Ms dVs + Vs dVs
0 0 0

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.6. Semimartingale und verallgemeinerte Itō-Doeblin-Formel 353

Zt
1 2 
= S0 · (Mt − M0 ) + Mt − M02 − [M ]t + Vs dMs
2
0
Zt
1 2 
+ S0 · (Vt − V0 ) + Ms dVs + Vt − V02
2
0

50
Zt Zt
1 2 
= S0 · (Mt + Vt ) + Mt + Vt2 − [M ]t + Vs dMs + Ms dVs
2
0 0
51 1 2 
= S0 · (Mt + Vt ) + Mt + Vt2 − [M ]t + Mt · Vt
2
1 2  1 1
= S0 + Mt2 + Vt2 + 2S0 Mt + 2S0 Vt + 2Mt Vt − S02 − [M ]t
2 2 2
1 2 2

= (S0 + Mt + Vt ) − S0 − [M ]t
2
1 2 
= St − S02 − [S]t
2

4. Wird in Definition D.35 der Prozess M allgemeiner als ein càdlàg lokales L2 -Martingal und
der Prozess V als ein càdlàg Prozess von lokal beschränkter Variation vorausgesetzt, erhält
man ein sogenanntes càdlàg Semimartingal (bzw. RCLL Semimartingal), für das analog zu
obiger Vorgehensweise ebenfalls ein Integral gebildet werden kann. Im Folgenden beschränken
wir uns jedoch auf die (einfacher zu handhabenden) stetigen Semimartingale.

5. Eine Vielzahl weiterer „angenehmer“ Eigenschaften von stetigen Semimartingalen erhält man
mit Hilfe der folgenden verallgemeinerten Itō-Doeblin-Formel, die für den Spezialfall eines
Wiener-Prozesses bereits aus Lemma C.15 bekannt ist.

Satz D.36 (Verallgemeinerte Itō-Doeblin-Formel) Es seien V ein stetiger Prozess von lokal
beschränkter Variation mit beschränktem Startwert V0 , M ein stetiges lokales Martingal mit be-
schränktem Startwert M0 und g ∈ C 1,2 eine Funktion g : (v, m) ∈ R × R 7→ g(v, m) ∈ R
(d.h. bezüglich der ersten Komponente einmal, bezüglich der zweiten Komponente zweimal stetig
differenzierbar). Dann gilt für t ∈ T

Zt Zt Zt
1
g(Vt , Mt ) = g(V0 , M0 ) + gv (Vs , Ms ) dVs + gm (Vs , Ms ) dMs + gmm (Vs , Ms ) d[M ]s ,
2
0 0 0
(D.29)
50
M0 = V0 = 0
51
Rt Rt Rt
Gemäß (D.17) ist Vs dMs + Ms dVs = Mt Vt − M0 V0 . Hierbei ist allerdings noch zu klären, ob Vs dMs
0 0 0
sowohl als Itō- als auch als stochastisches Riemann-Stieltjes-Integral denselben Wert besitzt. Die Antwort darauf
findet sich in (D.30) als Anwendung der verallgemeinerten Itō-Doeblin-Formel.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
354 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

wobei gv , gm und gmm jeweils die partiellen Ableitungen nach der ersten und zweiten Komponente
bezeichnen.

(Ohne Beweis)
Bemerkungen:

1. Die differentielle Schreibweise für die verallgemeinerte Itō-Doeblin-Formel ist

1
dg(Vt , Mt ) = gv (Vt , Mt )dVt + gm (Vt , Mt )dMt + 2 · gmm (Vt , Mt )d[M ]t .

Rt Rt
2. Die Integrale gv (Vs , Ms ) dVs bzw. gmm (Vs , Ms ) d[M ]s sind dabei stochastische Riemann-
0 0
Rt
Stieltjes-Integrale, das Integral gm (Vs , Ms ) dMs ist ein Itō-Integral.
0

3. Der Prozess
 
g(Vt , Mt )
t∈T

ist ein Semimartingal mit Startwert g(V0 , M0 ):

     
• Die Prozesse gv (Vt , Mt ) , gm (Vt , Mt ) und gmm (Vt , Mt ) sind nach
t∈T t∈T t∈T
Voraussetzung stetig und außerdem auf jedem abgeschlossenen Intervall [0, t], t ∈ T,
lokal beschränkt, da die Prozesse V und M nach Voraussetzung stetig mit beschränktem
Startwert und somit lokal beschränkt sind.
Rt
• Folglich existieren die stochastischen Riemann-Stieltjes-Integrale gv (Vs , Ms ) dVs sowie
0
Rt
gmm (Vs , Ms ) d[M ]s , und der Prozess
0
 
Zt Zt
1
 gv (Vs , Ms ) dVs + gmm (Vs , Ms ) d[M ]s 
 
2
0 0
t∈T

ist somit wegen der 1. Bemerkung zu Satz D.31 stetig und von lokal beschränkter
Variation mit dem
 Startwert 0.
• Da außerdem gm 2 (V , M )
t t stetig ist und somit
t∈T

Zt
2
gm (Vs , Ms ) d[M ]s
0

für alle t ∈ T existiert, ist wegen (D.23)

 
2,loc
gm (Vt , Mt ) ∈ LM ,
t∈T

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.6. Semimartingale und verallgemeinerte Itō-Doeblin-Formel 355

Rt
d.h., das Integral gm (Vs , Ms ) dMs existiert. Darüber hinaus ist
0
 
Zt
 gm (Vs , Ms ) dMs 
 

0
t∈T

wegen der 1. Bemerkung zu Satz D.16 ein stetiges lokales Martingal mit dem Startwert
0.

Somit ist jeder Prozess, der sich durch eine durch die Funktion g beschriebene Transformation
aus den Prozessen V und M ergibt, ein Semimartingal – so z.B. (Vt · Mt )t∈T .

4. Die Anwendung der verallgemeinerten Itō-Doeblin-Formel auf g : g(v, m) := v · m ergibt

wegen gv (v, m) = m, gm (v, m) = v und gmm (v, m) = 0 die sogenannte Regel der partiellen
Integration

Zt Zt
V t · Mt = V 0 · M0 + Ms dVs + Vs dMs (t ∈ T). (D.30)
0 0

Rt
Dies entspricht – trotz des Auftretens des Itō-Integrals Vs dMs – der üblichen Rechenregel
0
(D.17) für Riemann-Stieltjes-Integrale.

5. Die verallgemeinerte Itō-Doeblin-Formel kann auch auf die – insbesondere in der Finanz-
mathematik – wichtige Klasse der sogenannten Exponentialprozesse angewendet werden.
Ein Prozess E = (Et )t∈T heißt dabei ein Exponentialprozess, wenn es ein stetiges lokales
Martingal M = (Mt )t∈T mit beschränktem Startwert und eine reelle Zahl a gibt, so dass
a2
Et = ea·Mt − 2
·[M ]t

für t ∈ T gilt. Für den Fall des Wienerprozesses (d.h. M = W und [M ]t = t) ist bereits aus
Lemma 3.6 bekannt, dass E ein Martingal ist.
a2
Die Anwendung der verallgemeinerten Itō-Doeblin-Formel mit g(v, m) := ea·m− 2 ·v und
2
folglich gv (v, m) = − a2 · g(v, m), gm (v, m) = a · g(v, m) und gmm (v, m) = a2 · g(v, m)
ergibt
 
Et = g [M ]t , Mt
Zt  Zt  Zt
    1  
= g [M ]0 , M0 + gv [M ]s , Ms d[M ]s + gm [M ]s , Ms dMs + gmm [M ]s , Ms d[M ]s
2
0 0 0

  a2 Zt   Zt   a2
Zt  
= g 0, M0 − · g [M ]s , Ms d[M ]s + a · g [M ]s , Ms dMs + · g [M ]s , Ms d[M ]s
2 2
0 0 0

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
356 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

  Zt
= g 0, M0 + a · Es dMs . (D.31)
0

Somit ist ein Exponentialprozess nicht nur ein Semimartingal (was sich allein schon durch die
Anwendbarkeit der verallgemeinerten Itō-Doeblin-Formel ergibt), sondern sogar ein stetiges
lokales Martingal mit beschränktem Startwert, da in der Semimartingal-Darstellung (D.31)
kein stochastisches Riemann-Stieltjes-Integral mehr auftritt und E0 = g(0, M0 ) = ea·M0
beschränkt ist.
Die differentielle Schreibweise von (D.31) liefert außerdem

dEt = a · Et dMt . (D.32)

Somit ist E die Lösung der stochastischen Differentialgleichung (D.32) (siehe dazu auch
(3.16)). Die verallgemeinerte Itō-Doeblin-Formel ist demnach insbesondere dafür geeignet,
Lösungen von stochastischen Differentialgleichungen zu überprüfen bzw. die zu einem Prozess
gehörige stochastische Differentialgleichung überhaupt erst herzuleiten.

6. Die verallgemeinerte Itō-Doeblin-Formel lässt sich auch direkt für stetige Semimartingale
angeben:

Satz D.37 (Verallgemeinerte Itō-Doeblin-Formel für Semimartingale)

Es seien S = (St )t∈T ein stetiges Semimartingal und h ∈ C 2 eine zweimal stetig differenzierbare
Funktion h : s ∈ R 7→ h(s) ∈ R. Dann gilt für t ∈ T
Zt Zt
0 1
h(St ) = h(S0 ) + h (Ss ) dSs + · h00 (Ss ) d[S]s .
2
0 0

Beweis (nur für beschränkten Startwert S0 ): Für die übliche Semimartingaldarstellung S = S0 +

M (0) + V (0) ergibt sich direkt aus Satz D.36 mit g(v, m) := h(v + m) (und somit gv (v, m) =
h0 (v + m), gm (v, m) = h0 (v + m) sowie gmm (v, m) = h00 (v + m)) für t ∈ T
   
(0) (0) (0)
h(St ) = h (S0 + V (0) )t + Mt = g S0 + Vt , Mt
Zt
(D.29)
     
(0) (0)
= g S0 + Vt , Mt + gv S0 + Vs(0) , Ms(0) d S0 + Vs(0)
0
Zt Zt
  1   h i
+ gm S0 + Vs(0) , Ms(0) dMs(0) + · gmm S0 + Vs(0) , Ms(0) d M (0)
2 s
0 0
Zt  Zt Zt
0
 1 h i
= h(S0 ) + h (Ss ) d S0 + Vs(0)
+ h (Ss ) dMs + · h00 (Ss ) d S
0 (0)
2 s
0 0 0

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
D.6. Semimartingale und verallgemeinerte Itō-Doeblin-Formel 357

Zt Zt
1
= h(S0 ) + h0 (Ss ) dSs + · h00 (Ss ) d[S]s . (D.33)
2
0 0


Bemerkungen:

1. Differentielle Schreibweise: dh(St ) = h0 (St )dSt + 12 · h00 (St )d[S]t

 
2. Der Prozess h(St ) ist wiederum ein Semimartingal, d.h., Transformationen von Se-
t∈T
mimartingalen mittels zweimal stetig differenzierbarer Funktionen sind ebenfalls Semimar-
tingale. Das Integral bezüglich S wird dabei – gemäß Definition D.35 – in ein Itō-Integral
bezüglich M (0) und ein stochastisches Riemann-Stieltjes-Integral bezüglich V (0) 52 aufgeteilt.

3. Ist S lediglich ein stetiger Prozess von lokal beschränkter Variation (d.h. M (0) ≡ 0), so
Rt
entfällt in (D.33) das Integral 12 · h00 (Ss ) d[S]s . Dieser Ausdruck stellt somit einen weite-
0
ren Unterschied in den „Rechenregeln“ für Itō-Integrale und stochastische Riemann-Stieltjes-
Integrale dar.

4. Die verallgemeinerten Itō-Doeblin-Formeln lassen sich auch für den mehrdimensionalen Fall
angeben:

Satz D.38 (Verallgemeinerte mehrdimensionale Itō-Doeblin-Formel) Es seien V 1 , . . . , V m

stetige Prozesse von lokal beschränkter Variation mit beschränkten Startwerten V01 , . . . , V0m so-
wie M 1 , . . . , M n stetige lokales Martingale mit beschränkten Startwerten M01 , . . . , M0n und g :
(v1 , . . . , vm , m1 , . . . , mn ) ∈ Rm+n → R eine stetige Funktion mit stetigen partiellen Ableitungen
gvi für i = 1, . . . , m, gmj für j = 1, . . . , n und gmj mk für j, k = 1, . . . , n. Dann gilt für t ∈ T

g(Vt1 , . . . , Vtm , Mt1 , . . . , Mtn )

= g(V01 , . . . , V0m , M01 , . . . , M0n )
Xm Zt
+ gvi (Vs1 , . . . , Vsm , Ms1 , . . . , Msn ) dVsi
i=1 0

n Z t
X
+ gmj (Vs1 , . . . , Vsm , Ms1 , . . . , Msn ) dMsj
j=1 0

n n Zt
1 XX h i
+ · gmj mk (Vs1 , . . . , Vsm , Ms1 , . . . , Msn ) d M j , M k
2 s
j=1 k=1 0

(Ohne Beweis)
52
Genau genommen handelt es sich um ein stochastisches Riemann-Stieltjes-Integral bezüglich S0 + V (0) . Ein
Riemann-Stieltjes-Integral ist jedoch gemäß (D.16) auch bezüglich des Integrators linear, und das Integral bezüglich
S0 ergibt (betrachtet als „zeitlich konstanter“ Prozess) Null.

Okt. 2013 Jan Rudl, Skript zur Vorlesung Finanzmathematik Ver. 3.0
358 Anhang D. Anhang zu allgemeinen zeitstetigen Finanzmarktmodellen

Satz D.39 (Verallgemeinerte mehrdimensionale Itō-Doeblin-Formel für Semimartingale)

Es seien S 1 , . . . , S m stetige Semimartingale und h : (s1 , . . . , sm ) ∈ Rm → R eine stetige Funktion
mit stetigen partiellen Ableitungen hsi für i = 1, . . . , m und hsi sk für i, k = 1, . . . , m. Dann gilt
für t ∈ T
m Z t
X
h(St1 , . . . , Stm ) = h(S01 , . . . , S0m ) + hsi (Ss1 , . . . , Ssm ) dSsi
i=1 0

m m Zt
1 XX h i
+ · hsi sk (Ss1 , . . . , Ssm ) d S i , S k
2 s
i=1 k=1 0

(Ohne Beweis)

Bemerkungen:

1. Da Linearkombinationen von Semimartingalen wiederum Semimartingale sind (so wie dies

auch für lokale Martingale sowie für Prozesse von lokal beschränkter Variation der Fall ist),
ergeben obige mehrdimensionale Transformationen wiederum Semimartingale. Die Klasse der
Semimartingale ist somit gegenüber Tranformationen mit zweifach stetig partiell integrierba-
ren Funktionen abgeschlossen. Insbesondere ist das Produkt von Semimartingalen wieder ein
Semimartingal. In Verallgemeinerung von (D.30) und (D.25) ergibt sich für zwei Semimar-
tingale S 1 und S 2 für t ∈ T

Zt Zt h i
St1 · St2 = S01 · S02 + Ss1 dSs2 + Ss2 dSs1 + S 1 , S 2 . (D.34)
t
0 0

2. Die Anwendung von Satz D.39 auf m unabhängige Wienerprozesse W 1 , . . . , W m ergibt

wegen

h i t für i = k

W i, W k =
t 0 sonst


für t ∈ T und i, k = 1, . . . , m (siehe (D.26))

h(Wt1 , . . . , Wtm )
m Z t Zt X
m
X 1
= h(0, . . . , 0) + hsi (Ws1 , . . . , Wsm ) dWsi + · hsi si (Ws1 , . . . , Wsm ) ds.
2
i=1 0 0 i=1

Ver. 3.0 Jan Rudl, Skript zur Vorlesung Finanzmathematik Okt. 2013
Literaturverzeichnis

[1] Heinz Bauer, Maß- und Integrationstheorie, Verlag de Gruyter, 2. Auflage 1992

[2] Heinz Bauer, Wahrscheinlichkeitstheorie, Verlag de Gruyter, 5. Auflage 2002

[3] Nicholas H. Bingham und Rüdiger Kiesel, Risk Neutral Valuation, Springer Verlag, 2. Auflage
2004

[4] Alison Etheridge, A Course in Financial Calculus, Cambridge University Press 2002

[5] Hans Föllmer und Alexander Schied, Stochastic Finance. An Introduction in Discrete Time,
Verlag de Gruyter, 3. Auflage 2011

[6] Albrecht Irle, Finanzmathematik, Teubner-Verlag, 2. Auflage 2003

[7] Jürgen Kremer, Einführung in die Diskrete Finanzmathematik, Springer-Verlag 2006

[8] Marek Musiela und Marek Rutkowski, Martingale Methods in Financial Modelling, Springer
Verlag, 2. Auflage 2007

[9] René L. Schilling und Lothar Partzsch, Brownian Motion, Verlag de Gruyter 2012

[10] René L. Schilling, Measures, Integrals and Martingales, Cambridge University Press 2005

[11] Klaus D. Schmidt, Maß und Wahrscheinlichkeit, Springer-Verlag 2009

[12] Albert N. Shiryaev, Essentials of Stochastic Finance: Facts, Models, Theory, Verlag World
Scientific 1999

[13] Jürgen Tietze, Einführung in die Finanzmathematik, Verlag Vieweg+Teubner, 10. Auflage
2010

359