Quant Sandbox
SzármaztatottPortfólió & kockázatFix hozamúVállalati pénzügySztochasztikus modellekÚtmutató
Sztochasztikus modellek
Sztochasztikus tanulóstúdióBéta
1.1Szimmetrikus véletlen séta1.2Átskálázott véletlen séta1.3Szórás1.4Centrális határeloszlás-tétel2.1A Wiener-folyamat definíciója2.2Növekmény-felfedező2.3Együttes eloszlás és kovariancia3.1Futó maximum és minimum3.2Tükrözési elv3.3Első elérési idők3.4Elérési valószínűségek
Brown-mozgásBéta
Geometriai Brown-mozgásBéta
Itô-folyamatBéta
Monte CarloBéta
Kapcsolódó útmutatók
  • Valószínűségi mezők, σ-algebrák és valószínűségi változók
  • Filtrációk, adaptált folyamatok és megállási idők
  • A Brown-mozgás tulajdonságai
  • A tükrözési elv és az első elérési idők
  • A Brown-híd

© 2026 Quant Sandbox · Tanulást segítő eszköz a kvantitatív pénzügyekhez

Adatvédelem és adatokNincsenek sütik

Ez az oldal nem használ sütiket (cookie-kat), és nem kér személyes adatokat. Néhány apró beállítást a böngésződ helyi tárolójában (local storage) őriz meg — a választott témát és nyelvet, az oldalsáv elrendezését, valamint az útmutatókban elért haladást és a válaszaidat —, hogy a következő látogatáskor is emlékezzen rájuk. Ezek az adatok nem hagyják el az eszközödet; a böngésző tárhelyének törlésével eltávolíthatók. A módosított bemenetek az oldal URL-címében is rögzülhetnek, így megoszthatsz vagy könyvjelzőként elmenthetsz egy adott beállítást. Az oldal a Vercel Web Analytics szolgáltatást használja, amely adatvédelem-barát és süti nélküli: csak névtelen, összesített használati adatokat (például oldalletöltéseket) rögzít, anélkül hogy azonosítana téged vagy más oldalakon követne.

Sztochasztikus modellek

Interaktív tanulási út a véletlen sétától a pénzügyi alkalmazásokig.

  1. Véletlen séta
  2. Folytonos határ
  3. Wiener-folyamat
  4. Itô-kalkulus
  5. SDE-k
  6. Alkalmazások
11 / 14 lecke a stúdióban
01

1. Fejezet · Diszkréttől a folytonosig

A diszkrét véletlen sétától a folytonos Brown-mozgásig.

  • 1.1Szimmetrikus véletlen sétaFüggetlen ±1 lépések összege; a variancia és a végpontok eloszlása.Megnyitás
  • 1.2Átskálázott véletlen sétaA séta átskálázása √n-nel és a Brown-mozgás határfolyamata (Donsker).Megnyitás
  • 1.3SzórásMilyen gyorsan szóródik a véletlen séta? Az empirikus szórás √t-hez konvergál.Megnyitás
  • 1.4Centrális határeloszlás-tételHogyan vezet a független változók összege a normális eloszláshoz.Megnyitás
02

2. Fejezet · Brown-mozgás alapjai

A Wiener-folyamat definíciója, növekményei és kovarianciája.

  • 2.1A Wiener-folyamat definíciójaA négy definiáló tulajdonság, és miért folytonos, de sehol sem differenciálható a pálya.Megnyitás
  • 2.2Növekmény-felfedezőVálassz egy [s, t] ablakot: a növekmény N(0, t − s) eloszlású, bárhol is van az ablak.Megnyitás
  • 2.3Együttes eloszlás és kovarianciaW(s) és W(t) együtt Gauss-eloszlású, Cov = min(s, t); a növekmények függetlenek.Megnyitás
  • 2.4Brown-transzformációk és invarianciaSkálázás, tükrözés, időmegfordítás és időinverzió — eloszlásbeli azonosságok.Tervezett
  • 2.5Kvadratikus variációΣ(ΔW)² → T, miközben a teljes variáció végtelen — a híd az Itô-kalkulushoz.Tervezett
  • 2.6Brown-hídVégpontra kondicionált Brown-mozgás: várható pálya és t(T − t)/T variancia.Tervezett
Brown-mozgás labor megnyitása→
03

3. Fejezet · Brown-pályák geometriája

Futó maximum, tükrözési elv és első elérési idők.

  • 3.1Futó maximum és minimumInteraktív szimuláció a Brown-mozgás futó maximumáról és minimumáról: miért egyezik meg M(t) eloszlása |W(t)|-ével.Megnyitás
  • 3.2Tükrözési elvA Brown-mozgás tükrözési elve animációval és Monte Carlo-ellenőrzéssel: P(M(T) ≥ a) = 2·P(W(T) ≥ a).Megnyitás
  • 3.3Első elérési időkBrown-mozgás első elérési ideje: Lévy-sűrűség, nehéz farok és végtelen várható érték interaktív szimulációval.Megnyitás
  • 3.4Elérési valószínűségekKorlátátlépési valószínűségek drifttel és diszkrét megfigyeléssel, a BGK-korrekcióval — a korlátos opciók alapja.Megnyitás
04

4. Fejezet · Sztochasztikus integrálás és Itô-kalkulus

Sztochasztikus integrálás, Itô-izometria és Itô-lemma.

Itô-folyamat labor megnyitása→

Strukturált leckék tervben; addig az önálló labor elérhető.

05

5. Fejezet · Sztochasztikus differenciálegyenletek

Aritmetikai és geometriai Brown-mozgás, Euler–Maruyama, mean reversion.

Geometriai Brown-mozgás labor megnyitása→

Strukturált leckék tervben; addig az önálló labor elérhető.

06

6. Fejezet · Haladó fogalmak

Martingálok, megállási idők, filtrációk és Girsanov tétele.

Tervezett

Ez a fejezet még fejlesztés alatt áll.

07

7. Fejezet · Monte Carlo labor

Általános célú szimulációs labor és pénzügyi alkalmazások.

Monte Carlo labor megnyitása→

Strukturált leckék tervben; addig az önálló labor elérhető.

Az eszközről

Gyakorlati kurzus sztochasztikus folyamatokból és sztochasztikus analízisből. Minden lecke feltesz egy kérdést, és kísérlettel válaszolhatsz rá: a szimmetrikus véletlen sétától és a √t skálázástól a centrális határeloszlás-tételen és Donsker tételén át a Wiener-folyamatig, a növekményeiig és a kovarianciájáig, a futó maximumig, a tükrözési elvig és az első elérési időkig.

Gyakori kérdések

Kell előre ismernem a sztochasztikus analízist?

Nem. A leckék pénzfeldobásból indulnak és lépésről lépésre építkeznek; mindegyiknek van egy kísérletező „Felfedezés” és egy pontos állításokat tartalmazó „Matematika” füle.

Miért √t szerint skálázódik a Brown-mozgás?

Diszjunkt intervallumokon a növekményei függetlenek, így a varianciák összeadódnak. A variancia ezért lineárisan nő az idővel, a tipikus eltérés — a szórás — pedig √t szerint.

Mi a Wiener-folyamat?

A standard Brown-mozgás matematikai neve: 0-ból induló, folytonos véletlen pálya független növekményekkel, amelynek t hosszú időszakra vett növekménye 0 várható értékű, t varianciájú normális eloszlású. Az átskálázott véletlen bolyongás határértékeként adódik (Donsker-tétel), és a legtöbb folytonos idejű pénzügyi modellben ez a véletlen forrása.

Mi a tükrözési elv?

A 0-ból induló Brown-mozgásnál egy a > 0 szintet elérő minden pálya tükrözhető az első elérési idő után, ebből P(W maximuma [0, t]-n ≥ a) = 2 P(W_t ≥ a). Ez adja a futó maximum és az első elérési idők eloszlását, amelyeket a korlátos (barrier) opciók árazásában használnak.

Az elmélet

  • Valószínűségi mezők, σ-algebrák és valószínűségi változók — Eseménytér, σ-algebra, valószínűségi mérték, mérhető függvény és a változó által generált σ-algebra.
  • Filtrációk, adaptált folyamatok és megállási idők — Az idővel bővülő információ, adaptált és előrejelezhető folyamatok, és mikor megállási idő egy véletlen időpont.
  • A Brown-mozgás tulajdonságai — Definíció, Gauss-folyamat jellemzés, skálázás, időinverzió, Markov-tulajdonság, kvadratikus variáció és a pályák szabálytalansága.
  • A tükrözési elv és az első elérési idők — Az erős Markov-tulajdonság, a futó maximum eloszlása és az első elérési idő sűrűsége.
  • A Brown-híd — Brown-mozgás rögzített végponttal: konstrukció, kovariancia, függetlenség és alkalmazások.