金融代写|利率建模代写Interest Rate Modeling代考|MATH5985
如果你也在 怎样代写利率建模Interest Rate Modeling这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。
Vasicek利率模型一词是指一种对利率的运动和演变进行建模的数学方法。它是一种基于市场风险的单因素短利率模型。瓦西克利率模型常用于经济学中，以确定利率在未来的移动方向。
statistics-lab™ 为您的留学生涯保驾护航 在代写利率建模Interest Rate Modeling方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写利率建模Interest Rate Modeling代写方面经验极为丰富，各种代写利率建模Interest Rate Modeling相关的作业也就用不着说。
我们提供的利率建模Interest Rate Modeling及其相关学科的代写，服务范围广, 其中包括但不限于:
- Statistical Inference 统计推断
- Statistical Computing 统计计算
- Advanced Probability Theory 高等概率论
- Advanced Mathematical Statistics 高等数理统计学
- (Generalized) Linear Models 广义线性模型
- Statistical Machine Learning 统计机器学习
- Longitudinal Data Analysis 纵向数据分析
- Foundations of Data Science 数据科学基础
金融代写|利率建模代写Interest Rate Modeling代考|A Motivating Example
Consider the simplest option-pricing model with an underlying asset following a one-period binomial process, as depicted in Figure 2.1. In Figure $2.1,0 \leq p \leq 1$ and $\bar{p}=1-p$. The option’s payoffs at time $1, f\left(S_{u}\right)$ and $f\left(S_{d}\right)$, are given explicitly, and we want to determine $f(S)$, the value of the option at time 0 . Without loss of generality, we assume that there is a zero interest rate in the model. To avoid arbitrage, we must impose the order $S_{d} \leq S \leq S_{u}$. We call $\mathbb{P}={p, \bar{p}}$ the objective measure of the underlying process.
It may be tempted to price the option by expectation under $\mathbb{P}$ :
$$
\begin{aligned}
f(S) &=E^{\mathbb{P}}\left[f\left(S_{1}\right)\right] \
&=p f\left(S_{u}\right)+\bar{p} f\left(S_{d}\right)
\end{aligned}
$$
However, except for a special $p$, the above price generates arbitrage and thus is wrong. To see that, we replicate the payoff of the option at time 1 using a portfolio of the underlying asset and a cash bond, with respective numbers of units, $\alpha$ and $\beta$, such that, at time 1 ,
$$
\begin{aligned}
&\alpha S_{u}+\beta=f\left(S_{u}\right) \
&\alpha S_{d}+\beta=f\left(S_{d}\right)
\end{aligned}
$$
Solving for $\alpha$ and $\beta$, we obtain
$$
\begin{aligned}
\alpha &=\frac{f\left(S_{u}\right)-f\left(S_{d}\right)}{S_{u}-S_{d}} \
\beta &=\frac{S_{u} f\left(S_{d}\right)-S_{d} f\left(S_{u}\right)}{S_{u}-S_{d}}
\end{aligned}
$$
Equation $2.2$ implies that the time-1 values of the portfolio and option are identical. To avoid arbitrage, their values at time 0 must be identical as well ${ }^{1}$ which yields the arbitrage price of the option at time 0 :
$$
\begin{aligned}
f(S) &=\alpha S+\beta \
&=q f\left(S_{u}\right)+\bar{q} f\left(S_{d}\right) \
&=E^{Q}\left[f\left(S_{1}\right)\right]
\end{aligned}
$$
where $\mathbb{Q}={q, \bar{q}}$, and
$$
q=\frac{S-S_{d}}{S_{u}-S_{d}}, \quad \bar{q}=1-q
$$
is a different set of probabilities. Note that Equation $2.4$ gives the no-arbitrage price of the option. Any other price will induce arbitrage to the market. Hence, the expectation price, in Equation 2.1, is correct only if $p=q$. In fact, ${q, \bar{q}}$ is the only set of probabilities that satisfies
$$
S=q S_{u}+\bar{q} S_{d}=E^{\mathbb{Q}}\left(S_{1}\right)
$$
金融代写|利率建模代写Interest Rate Modeling代考|Binomial Trees and Path Probabilities
Let us move one step forward and consider the binomial tree model up to two time steps, as shown in Figure 2.2, where each pair of numbers represents a state (which can be associated with the price of an asset if necessary). Out of each state at time $j$, two possible states are generated at time $j+1$. Hence, we have $2^{j}$ states at time $j$, starting with a single state at time 0 . The branching probabilities for reaching the next two states from one state, $(i, j)$, are $p_{i, j} \in[0,1]$ and $\bar{p}{i, j}=1-p{i, j}$, respectively. The collection of branching probabilities, $\mathbb{P}=\left{p_{i, j}, \bar{p}{i, j}\right}$, is again called a measure. As is shown in Figure 2.2, there are two paths over the time horizon from 0 to 1 , whereas there are four paths over the time horizon from 0 to 2 . The corresponding path probabilities for the horizon from 0 to 1 are $$ \pi{0,1}=\bar{p}{0,0} \quad \text { and } \quad \pi{1,1}=p_{0,0}
$$
whereas for the horizon from 0 to 2 , they are
$$
\pi_{0,2}=\bar{p}{0,0} \bar{p}{0,1}, \pi_{1,2}=\bar{p}{0,0} p{0,1}, \pi_{2,2}=p_{0,0} \bar{p}{1,1}, \text { and } \pi{3,2}=p_{0,0} p_{1,1}
$$
Consider now another set of branching probabilities, $\mathbb{Q}=\left{q_{i, j}, \bar{q}{i, j}=\right.$ $\left.1-q{i, j}\right}$, for the same tree. The corresponding path probabilities are
$$
\pi_{0,1}^{\prime}=\bar{q}{0,0} \quad \text { and } \quad \pi{1,1}^{\prime}=q_{0,0}
$$
up to time 1 , and
$$
\pi_{0,2}^{\prime}=\bar{q}{0,0} \bar{q}{0,1}, \pi_{1,2}^{\prime}=\bar{q}{0,0} q{0,1}, \pi_{2,2}^{\prime}=q_{0,0} \bar{q}{1,1}, \text { and } \pi{3,2}^{\prime}=q_{0,0} q_{1,1}
$$
金融代写|利率建模代写Interest Rate Modeling代考|The Radon-Nikodym Derivative of a Brownian Path
Consider a path of $\mathbb{P}$-Brownian motion over $(0, t)$ with discrete time stepping,
$$
{W(0)=0, W(\Delta t), W(2 \Delta t), \ldots, W(n \Delta t)}
$$
where $\Delta t=t / n$. With the probability ratio in mind, our immediate question is what the path probability is. The answer, unfortunately, is zero. The implication that we cannot define the notion of the probability ratio given that the same path is realized under two different probability measures. To circumvent this problem, we first seek to calculate the probability for the Brownian motion to travel in a corridor (the so-called corridor probability), as is shown in Figure $2.5$, and then we define the ratio of the corridor probabilities. The ratio of the path probabilities is finally defined through a limiting procedure. The corridor can be represented by the intervals $A_{i}=\left(x_{i}-(\Delta x / 2), x_{i}+(\Delta x / 2)\right), i=1,2, \ldots, n$, where $x_{i}=W(i \Delta t)$ and $\Delta x>0$ is a small number.
For a Brownian motion, the marginal distribution at $t_{i}=i \Delta t$ is known to be
$$
f_{\mathrm{P}}(x)=\frac{1}{\sqrt{2 \pi \Delta t}} \mathrm{e}^{-(1 / 2)\left[\left(x-x_{i}\right)^{2} / \Delta t\right]} \sim N\left(x_{i}, \Delta t\right)
$$
Hence, the probability for the next step to fall in $A_{i+1}$ is
$$
\begin{aligned}
\operatorname{Prob}{\mathrm{P}}\left(A{i+1}\right) &=\int_{x_{i+1}-\Delta x / 2}^{x_{i+1}+\Delta x / 2} f_{\mathrm{P}}(x) \mathrm{d} x \
& \approx f_{\mathrm{P}}\left(x_{i+1}\right) \Delta x=\frac{\Delta x}{\sqrt{2 \pi \Delta t}} \mathrm{e}^{-(1 / 2)\left[\left(x_{i+1}-x_{i}\right)^{2} / \Delta t\right]} .
\end{aligned}
$$
Approximately, we can define the corridor probability to be
$$
\prod_{i=1}^{n} \operatorname{Prob}{2}\left(A{i}\right)=\left(\frac{\Delta x}{\sqrt{2 \pi \Delta t}}\right)^{n} \mathrm{e}^{-(1 / 2 \Delta t) \sum_{i=0}^{n-1}\left(x_{i+1}-x_{i}\right)^{2}} .
$$
Next, suppose that the same path is realized under a different marginal probability,
$$
f_{\mathrm{Q}}(x)=\frac{1}{\sqrt{2 \pi \Delta t}} \mathrm{e}^{-(1 / 2)\left[\left(x-x_{i}+\gamma \Delta t\right)^{2} / \Delta t\right]} \sim N\left(x_{i}-\gamma \Delta t, \Delta t\right), \quad \forall i,
$$
where $\gamma$ is taken to be constant for simplicity. Then the corresponding corridor probability can be similarly obtained to be
$$
\prod_{i=1}^{n} \operatorname{Prob}{\mathrm{Q}}\left(A{i}\right)=\left(\frac{\Delta x}{\sqrt{2 \pi \Delta t}}\right)^{n} \mathrm{e}^{-(1 / 2 \Delta t) \sum_{i=0}^{n-1}\left(x_{i+1}-x_{i}+\gamma \Delta t\right)^{2}}
$$
It follows that the ratio of the two corridor probabilities is
$$
\begin{aligned}
\zeta_{t} &=\exp \left(-\frac{1}{2 \Delta t} \sum_{i=0}^{n-1}\left[\left(x_{i+1}-x_{i}+\gamma \Delta t\right)^{2}-\left(x_{i+1}-x_{i}\right)^{2}\right]\right) \
&=\exp \left(-\frac{1}{2 \Delta t} \sum_{i=0}^{n-1}\left[2\left(x_{i+1}-x_{i}\right) \cdot \gamma \Delta t+\gamma^{2} \Delta t^{2}\right]\right) \
&=\exp \left(-\gamma \sum_{i=0}^{n-1}\left(x_{i+1}-x_{i}\right)-\frac{1}{2} \gamma^{2} \Delta t \cdot n\right)
\end{aligned}
$$
利率建模代考
金融代写|利率建模代写Interest Rate Modeling代考|A Motivating Example
考虑最简单的期权定价模型，标的资产遵循一个周期的二项式过程，如图 2.1 所示。如图2.1,0≤p≤1和p¯=1−p. 期权的时间收益1,F(小号在)和F(小号d), 是明确给出的，我们想要确定F(小号)，期权在时间 0 的价值。不失一般性，我们假设模型中的利率为零。为了避免套利，我们必须强加命令小号d≤小号≤小号在. 我们称之为磷=p,p¯底层过程的客观度量。
可能会倾向于根据预期为期权定价磷 :
F(小号)=和磷[F(小号1)] =pF(小号在)+p¯F(小号d)
但是，除了特殊的p，上述价格产生套利，因此是错误的。为了看到这一点，我们使用标的资产和现金债券的投资组合在时间 1 复制期权的收益，以及相应的单位数量，一个和b，这样，在时间 1 ，
一个小号在+b=F(小号在) 一个小号d+b=F(小号d)
解决一个和b， 我们获得
一个=F(小号在)−F(小号d)小号在−小号d b=小号在F(小号d)−小号dF(小号在)小号在−小号d
方程2.2意味着投资组合和期权的时间 1 值是相同的。为了避免套利，它们在时间 0 的值也必须相同1在时间 0 产生期权的套利价格：
F(小号)=一个小号+b =qF(小号在)+q¯F(小号d) =和问[F(小号1)]
在哪里问=q,q¯， 和
q=小号−小号d小号在−小号d,q¯=1−q
是一组不同的概率。请注意，方程2.4给出期权的无套利价格。任何其他价格都会引起市场套利。因此，方程 2.1 中的期望价格是正确的，仅当p=q. 实际上，q,q¯是唯一满足的概率集
小号=q小号在+q¯小号d=和问(小号1)
金融代写|利率建模代写Interest Rate Modeling代考|Binomial Trees and Path Probabilities
让我们向前一步，考虑二叉树模型最多两个时间步，如图 2.2 所示，其中每对数字代表一个状态（如果需要，可以与资产价格相关联）。离开每个州的时间j，在时间产生两种可能的状态j+1. 因此，我们有2j当时的状态j，从时间 0 的单个状态开始。从一个状态到达下两个状态的分支概率，(一世,j)， 是p一世,j∈[0,1]和p¯一世,j=1−p一世,j， 分别。分支概率的集合，\mathbb{P}=\left{p_{i, j}, \bar{p}{i, j}\right}\mathbb{P}=\left{p_{i, j}, \bar{p}{i, j}\right}, 又称为测度。如图 2.2 所示，在从 0 到 1 的时间范围内有两条路径，而在从 0 到 2 的时间范围内有四条路径。地平线从 0 到 1 的相应路径概率为
圆周率0,1=p¯0,0 和 圆周率1,1=p0,0
而对于从 0 到 2 的地平线，它们是
圆周率0,2=p¯0,0p¯0,1,圆周率1,2=p¯0,0p0,1,圆周率2,2=p0,0p¯1,1, 和 圆周率3,2=p0,0p1,1
现在考虑另一组分支概率，\mathbb{Q}=\left{q_{i, j}, \bar{q}{i, j}=\right.$ $\left.1-q{i, j}\right}\mathbb{Q}=\left{q_{i, j}, \bar{q}{i, j}=\right.$ $\left.1-q{i, j}\right}, 对于同一棵树。对应的路径概率是
圆周率0,1′=q¯0,0 和 圆周率1,1′=q0,0
直到时间 1 ，和
圆周率0,2′=q¯0,0q¯0,1,圆周率1,2′=q¯0,0q0,1,圆周率2,2′=q0,0q¯1,1, 和 圆周率3,2′=q0,0q1,1
金融代写|利率建模代写Interest Rate Modeling代考|The Radon-Nikodym Derivative of a Brownian Path
考虑一条路径磷- 布朗运动(0,吨)具有离散时间步长，
在(0)=0,在(Δ吨),在(2Δ吨),…,在(nΔ吨)
在哪里Δ吨=吨/n. 考虑到概率比，我们的直接问题是路径概率是多少。不幸的是，答案是零。这意味着我们无法定义概率比的概念，因为相同的路径是在两种不同的概率度量下实现的。为了规避这个问题，我们首先寻求计算布朗运动在走廊中传播的概率（即所谓走廊概率），如图2.5，然后我们定义走廊概率的比率。路径概率的比率最终通过一个限制过程来定义。走廊可以用区间来表示一个一世=(X一世−(ΔX/2),X一世+(ΔX/2)),一世=1,2,…,n， 在哪里X一世=在(一世Δ吨)和ΔX>0是一个小数字。
对于布朗运动，边际分布在吨一世=一世Δ吨已知是
F磷(X)=12圆周率Δ吨和−(1/2)[(X−X一世)2/Δ吨]∼ñ(X一世,Δ吨)
因此，下一步落入的概率一个一世+1是
概率磷(一个一世+1)=∫X一世+1−ΔX/2X一世+1+ΔX/2F磷(X)dX ≈F磷(X一世+1)ΔX=ΔX2圆周率Δ吨和−(1/2)[(X一世+1−X一世)2/Δ吨].
近似地，我们可以定义走廊概率为
∏一世=1n概率2(一个一世)=(ΔX2圆周率Δ吨)n和−(1/2Δ吨)∑一世=0n−1(X一世+1−X一世)2.
接下来，假设在不同的边际概率下实现相同的路径，
F问(X)=12圆周率Δ吨和−(1/2)[(X−X一世+CΔ吨)2/Δ吨]∼ñ(X一世−CΔ吨,Δ吨),∀一世,
在哪里C为简单起见，取为常数。那么对应的走廊概率可以类似地得到为
∏一世=1n概率问(一个一世)=(ΔX2圆周率Δ吨)n和−(1/2Δ吨)∑一世=0n−1(X一世+1−X一世+CΔ吨)2
由此可见，两条走廊概率之比为
G吨=经验(−12Δ吨∑一世=0n−1[(X一世+1−X一世+CΔ吨)2−(X一世+1−X一世)2]) =经验(−12Δ吨∑一世=0n−1[2(X一世+1−X一世)⋅CΔ吨+C2Δ吨2]) =经验(−C∑一世=0n−1(X一世+1−X一世)−12C2Δ吨⋅n)
统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。
金融工程代写
金融工程是使用数学技术来解决金融问题。金融工程使用计算机科学、统计学、经济学和应用数学领域的工具和知识来解决当前的金融问题，以及设计新的和创新的金融产品。
非参数统计代写
非参数统计指的是一种统计方法，其中不假设数据来自于由少数参数决定的规定模型；这种模型的例子包括正态分布模型和线性回归模型。
广义线性模型代考
广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。
术语 广义线性模型（GLM）通常是指给定连续和/或分类预测因素的连续响应变量的常规线性回归模型。它包括多元线性回归，以及方差分析和方差分析（仅含固定效应）。
有限元方法代写
有限元方法（FEM）是一种流行的方法，用于数值解决工程和数学建模中出现的微分方程。典型的问题领域包括结构分析、传热、流体流动、质量运输和电磁势等传统领域。
有限元是一种通用的数值方法，用于解决两个或三个空间变量的偏微分方程（即一些边界值问题）。为了解决一个问题，有限元将一个大系统细分为更小、更简单的部分，称为有限元。这是通过在空间维度上的特定空间离散化来实现的，它是通过构建对象的网格来实现的：用于求解的数值域，它有有限数量的点。边界值问题的有限元方法表述最终导致一个代数方程组。该方法在域上对未知函数进行逼近。[1] 然后将模拟这些有限元的简单方程组合成一个更大的方程系统，以模拟整个问题。然后，有限元通过变化微积分使相关的误差函数最小化来逼近一个解决方案。
tatistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。
随机分析代写
随机微积分是数学的一个分支，对随机过程进行操作。它允许为随机过程的积分定义一个关于随机过程的一致的积分理论。这个领域是由日本数学家伊藤清在第二次世界大战期间创建并开始的。
时间序列分析代写
随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。
回归分析代写
多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。
MATLAB代写
MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。
