一类纯跳跃L!evy结构模型的强度过程

1083

收藏 2022-05-06

英文标题：
《Intensity Process for a Pure Jump L\\\'evy Structural Model with
Incomplete Information》
---
作者：
Xin Dong and Harry Zheng
---
最新提交年份：
2014
---
英文摘要：
In this paper we discuss a credit risk model with a pure jump L\\\'evy process for the asset value and an unobservable random barrier. The default time is the first time when the asset value falls below the barrier. Using the indistinguishability of the intensity process and the likelihood process, we prove the existence of the intensity process of the default time and find its explicit representation in terms of the distance between the asset value and its running minimal value. We apply the result to find the instantaneous credit spread process and illustrate it with a numerical example.
---
中文摘要：
在本文中，我们讨论了一个具有资产价值的纯跳跃Léevy过程和不可观测随机障碍的信用风险模型。默认时间是资产价值第一次降至屏障以下的时间。利用强度过程和似然过程的不可区分性，我们证明了违约时间强度过程的存在性，并找到了它在资产价值与其运行极小值之间距离的显式表示。我们将所得结果应用于求解瞬时信用利差过程，并用一个数值例子加以说明。
---
分类信息：

一级分类：Quantitative Finance 数量金融学
二级分类：Mathematical Finance 数学金融学
分类描述：Mathematical and analytical methods of finance, including stochastic, probabilistic and functional analysis, algebraic, geometric and other methods
金融的数学和分析方法，包括随机、概率和泛函分析、代数、几何和其他方法
--

---
PDF下载：
-->

Intensity_Process_for_a_Pure_Jump_Lévy_Structural_Model_with_Incomplete_Information.pdf
大小:(380.9 KB)

马上下载

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

全部回复

nandehutu2022

2022-5-6 05:36:18

不完全信息下纯跳跃L′evy结构模型的强度过程*帝国理工学院摘要本文讨论了一个资产价值具有纯跳跃L’evy过程和不可观测随机障碍的信用风险模型。默认时间是资产价值第一次跌破界限的时间。利用强度过程和似然过程的不可区分性，我们证明了违约时间强度过程的存在性，并根据资产价值与其运行极小值之间的距离找到了其显式表示。我们将结果应用于发现瞬时信用利差过程，并用一个数值例子加以说明。纯跳跃L’evy过程，不可观测随机势垒，首次通过时间，路径依赖强度过程。数学学科分类（2010）60J75、60G55、91G401简介结构模型和强度模型是信用风险建模中的两个框架。结构模型基于企业的资产负债结构，具有经济意义。默认时间定义为资产价值过程首次低于默认阈值的时间。我们需要研究第一次通过时间的规律，或等效于运行最小过程的规律。强度形式模型基于这样一个事实，即违约是市场意外发生的，违约时间是在一定过滤条件下完全无法到达的停止时间。其中一个模型直接模拟了强度过程，该过程决定了违约指标过程以及可违约债券和信用违约掉期等信用衍生品的短期利差。这两种模型的关键区别在于信息集或过滤的不同，参见Jarrow和Protter[11]。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-6 05:36:21

如果资产价值过程是连续的，且在具有完整信息的结构模型中，屏障是确定的，则第一次通过时间是一个可预测的停止时间，在自然过滤下不允许强度过程。实际上，很难观察到资产价值过程和违约障碍的完整信息。文献中对过滤扩展及其在不完全信息结构模型中的应用进行了积极的研究，见郭和曾[9]以及Janson等人[10]。在文献中，在第一个PassaGetTime模型中引入不完全信息的方法主要有两种。一种是假设关于价值过程和恒定障碍的不完整信息。Duffee和Lando[6]讨论了一个离散可观测的Y值过程，并找到了相应的强度过程。Kusuoka[13]扩展了[6]*英国伦敦皇家学院数学系SW7 2AZ。电子邮件地址：x。dong10@imp艾瑞尔。ac.uk，h。zheng@imp艾瑞尔。ac.uk。一个连续可观测的噪声值过程。C,etin等人[4]利用A,ezma鞅和信息约简方法推导了强度过程。另一种是假设资产价值过程是可观测的，但随机屏障上的信息是不完整的。Giesecke[7]引入了一个不可观察的随机屏障，并得出结论，如果资产价值是一个扩散过程，那么在市场信息过滤下，默认时间是一个完全不可访问的停止时间，但不允许强度过程。在本文中，我们重点研究了具有有限变化和不完全势垒信息的aL’evy过程结构模型的首次通过时间问题。Purejump过程在金融建模中很重要，因为它们可以捕捉到有限活动、跳跃、偏度和峰度的现象。例如，Madan等人。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-5-6 05:36:25

[15] 在期权定价中，对股票价格使用avariance gamma过程。Madan和Schoutens[18]在具有完整信息的首次通过时间模型中，对对数固定值过程使用了一个漂移从属项。在不完全信息系统中，必要的数学量是条件违约概率。文献中关于强度过程存在性的所有结果都是基于条件违约概率的绝对连续性以及条件违约密度和强度之间的紧密联系。在纯跳跃过程中，当资产价值过程达到新的最小值且条件违约密度不存在时，条件违约概率是不连续的。这是合理的，因为当资产价值过程发生较大变动时，有条件违约概率会跳跃。与条件违约概率的补偿器为自身的连续情况不同，主要的数学困难在于，由于停止时间的不可预测性，找到补偿器。本文的目的是证明具有不可观测随机势垒的纯跳跃L′evy过程的结构模型可以嵌入到等效强度模型中。本文的主要贡献在于证明了强度过程的存在性，并在不完全信息框架下找到了纯跳跃L’evy过程的显式形式，这为违约时间的强度过程与资产价值的运行最小过程之间的关系提供了新的思路。我们将结果应用于确定固定的信贷利差过程，该过程保持积极和确定，符合市场观察，并取决于资产价值的历史路径。论文的结构如下。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-5-6 05:36:28

第二节介绍了该模型，用几个例子说明了主要结果（定理2.2），并用一个数值例子讨论了瞬时信用扩展。第3节证明了主要结果，并在四小节中详细讨论。第4节总结。2.模型和主要结果(Ohm, G、 P）是一个概率空间，V是一个可观察的固定资产价值过程，由vt=VeXtat time t给出，其中X是一个具有有限变化的L＠evy过程，X=0。示例包括漂移从属、方差伽马和正态逆高斯过程。注意，X可以分解为（[14，练习2.8]）Xt=ct- St+St，（1）其中c∈ R和S分别是独立的纯跳跃从属，具有L’evy测度π和π，有关从属的定义和性质，请参见[14，引理2.14]。用F=（Ft）表示X产生的自然过滤。我们假设本文满足以下假设：假设2.1。L’evy测度π是连续的且满足∞xπ（dx）<∞.假设当资产价值低于违约阈值时，公司首次违约，即默认时间τ定义为τ：=inf{t>0:Vt≤~D}=inf{t>0:Xt≤ D:=ln（~D/V）}，其中~D是公司不可观察的违约屏障。假设D是区间[0，V]上的一个单变量，与V无关。那么X的势垒D是一个标准的负指数变量，即。，-D是一个标准的指数变量，其分布函数为P（D≤ x） =Ex表示x<0，且与x无关。请注意，默认屏障是不可观察的，但默认时间是可观察的，因此我们定义了一个渐进过滤扩展G=（Gt）by（[16，第六章，第3节]）Gt={B∈ G:英国电信∈ 英尺，B∩ {τ>t}=Bt∩ {τ>t}。（2）默认时间τ现在是G停止时间。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-6 05:36:32

所有涉及的过滤均假定满足通常条件。用N表示默认指标过程，用Nt定义：=1{τ≤t} 。Doob-Meyer分解定理表明，存在一个唯一的可预测过程a=0，称为N的G-补偿器，使得N- A是G-鞅。如果A.s.是连续的，则G-停止时间τ是完全不可访问的。如果A是绝对连续的A。s、关于勒贝格测度，A可以写成At=Rtλsds A.s.，其中λ为非负且G-渐进可测，则λ称为N的强度过程，有关补偿器和强度过程的详细信息，请参见[3]。用π（x+du）表示：=π（（x+u，x+u+du]）。如果π允许L′evy密度ν，那么π（x+du）=ν（x+u）dx。我们现在可以陈述论文的主要结果。定理2.2。假设X是一个具有有限变化的L’evy过程，且假设2.1得到满足。那么默认指标过程N的G-补偿器是绝对连续的a.s.且N的强度过程λ与瞬时似然过程λt:=limh不可区分↓0hP（t<τ≤ t+h | Gt）在{τ>t}上。此外，使用与（1）中相同的符号，强度过程λ具有以下表示λt=1{τ>t}-c1{Xt-Xt=0}{c<0}+π（Xt- Xt）, （3）其中Xt:=inf0≤s≤txs是X和∏（X）：=Z的运行最小过程∞(1 - E-u） π（x+du），十、≥ 0.（4）定理2.2表明，强度过程λ是一个内生过程，取决于资产价值过程X的路径。此外，在每个时间t，λ是Xt的递减函数- Xt是一种财务上理想的资产，因为这意味着当资产价值过程X接近其历史最低水平时，违约强度增加。接下来我们给出几个例子来说明定理2.2。例2.3。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

mingdashike22

2022-5-6 05:36:35

（漂移复合泊松过程）设X由xt=ct给出-MtXi=1Yi+MtXi=1Yi，其中c∈ R、 Yi和Yi分别是参数为β和β的指数变量，以及强度分别为ρ和ρ的{Yi}，{Yi}，M，Mare相互独立的泊松过程。Xton R的L′evy密度-由ν给出-（x） =ρβe-βx.缺省指示剂过程N的强度过程λ由定理2.2给出为λt=1{τ>t}-c1{Xt-Xt=0}{c<0}+ρ1+βe-β（Xt）-Xt）.例2.4。（漂移伽马过程）设X为xt=ct- Gt，其中c>0，Gt是一个伽马过程Γ（t，u，ν），其平均速率为u，方差率为ν，且L′evy密度为ν（x）=uνe-νxx-1.N的强度过程由λt=1{τ>t}给出Z∞(1 - E-u） νe-ν（u+Xt）-Xt）（u+Xt- Xt）-1du.注意，在这种情况下c>0，因此（3）中的第一项消失。例2.5。（方差伽马过程[15]）设X为方差伽马过程vg（c，ν，σ，θ），由漂移布朗运动θt+σWt生成，时间由伽马过程Γ（t；1，ν）和附加漂移项ct改变，然后xt=ct+Γ（t；u+，ν+）- Γ（t；u）-, ν-), （5）式中，u±=qθ+2σν±θ，和ν±=u±。N的强度过程由λt=1{τ>t}给出-c1{Xt-Xt=0}{c<0}+Z∞(1 - E-u）（u）-)ν-E-u-ν-（u+Xt）-Xt）（u+Xt- Xt）-1件. （6）接下来，我们提供定理2.2在信用风险建模中的应用。可默认名称在时间间隔[t，t+h]内的信用价差S（t，h）定义为（t，h）：=-hln（1- P（t<τ≤ t+h | Gt），其中P（t<τ≤ t+h | Gt）是给定τ>t的条件违约概率。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

mingdashike22

2022-5-6 05:36:38

使用Taylorexpansion，我们可以找到即时信用利差s（t）ass（t）：=limh↓0S（t，h）=limh↓0hP（t<τ≤ t+h | Gt）=∧t。定理2.2说，s（t）是正的，几乎肯定是有限的，由s（t）给出-c1{Xt-Xt=0}{c<0}+π（Xt- Xt），这符合市场观察结果，即即使债券接近到期，瞬时信用利差仍为正且有限，并且由于当前资产价值接近违约阈值的不确定性，债券价格在违约时间前后波动。有关即时信用利差及其期限结构的更多详细信息，请参见[6,7]。接下来我们给出一个数值例子来说明结果。我们在例2.5中取方差gammaprocess vg（c，ν，σ，θ）。使用的数据是（c，ν，σ，θ）=(-0.02, 0.1, 0.15, 0.01).图2.1 t的显示∈ [0,5]资产回报过程X、运行最小过程X和结果强度过程λ的样本路径。图2.1还显示了distanceXt- Xt及其贡献∏（Xt）- Xt）达到强度。我们可以观察到强度λ和距离Xt的相互关系-Xt，这与信贷市场的观察结果一致。注意，R+上的∏（·）由∏（0）限定，该∏（0）完全由X的L’evy度量确定。当Xt- Xt=0，即过程X达到一个新的最小水平，时间大于∏（0）的强度λtat乘以| c |作为漂移参数c<0。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-5-6 05:36:41

图2.2使用与图2.1相同的样本pathof，显示了信贷利差H7的期限结构→ 时间t=0.5时的S（t，h），从S（t，0）=λt.0.5 1 1.5 2.5 3 3.5 4.5 5开始-0.6-0.5-0.4-0.3-0.2-0.100.10.20.30.4离散方差γX:（c，ν，σ，θ）=(-0.02,0.1,0.15,0.01）时间t XtXtλt0.5 1.5 2.5 3 3.5 4 4.5 500.050.10.150.20.250.30.35时间t∏，λ自X:（c，ν，σ，θ）=(-0.02,0.1,0.15,0.01）Xt- Xt∏（Xt）- Xt）π（0）λt图2.1：资产返还过程X如例2.5所示，距离过程X- X和强度过程λ。使用的数据是（c，ν，σ，θ）=(-定理2.2Theorem 2.2的证明分四步进行，详细内容见以下小节。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-5-6 05:36:45

第3.1小节展示了不同过滤条件下的似然过程之间的关系（引理3.2），3.2和3.3小节确定了具有有限变化的谱负evy过程（命题3.8）和具有0.5 1 1.5 2 2.5 3 3.5 4 4.5 50.010.0150.020.0250.030.0350.040.0450.050.0550.06到期时间hcredit spreadterm信用利差结构的极限过程的存在性：浮动VG（c，ν，σ，θ）=(-0.02,0.1,0.15,0.01），t=0.5s（t，h）S（t，0）=λt图2.2：信用利差的期限结构S（t，h）：资产回报过程X为样本2.5，数据（c，ν，σ，θ）=(-0.02,0.1,0.15,0.01），t=0.5，Xt-Xt=0.0585。nite variation（命题3.11）和第3.4小节利用Aven条件确定了内在似然过程和强度过程的不可区分性。3.1不同过滤条件下的补偿和似然过程每次t的条件生存概率由zt给出：=P（τ>t | Ft）=P（Xt>D | Ft）=eXt。众所周知（[16，第六章，定理11]）存在唯一的、递增的、可预测的过程a，即N的G-补偿，因此a和N的差异是一致可积的G-鞅。我们的目标是找到A.让Zt-= 林斯↑tZsand Z0-= 在SztA-DzF过程中不可预测-,其中，kT是F-子鞅1唯一的、递增的、F-可预测的补偿器- Zt=P（τ）≤ t | Ft）。定理3.1（[12]）。过程N- Aτ是G-鞅，其中Aτ=（At∧τ） t≥0.定理3.1表明，我们可以将找到N的G-补偿器的问题转化为找到Z的F-补偿器的问题。如果Zt是一个连续过程，那么Kt=-Zt和At=-ln（Zt）。如果Z是不连续的，则发现K是非平凡的，参见[9]。下一个结果描述了不同过滤条件下的可能性过程。引理3.2。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-5-6 05:36:49

对于任何L′evy过程X，h>0，表示kht:=hE[Kt+h- Kt | Ft]和λht：=hE[Nt+h- 新界| Gt]。那么，kht=eXthEh1- E-（y）-Xh）+iy=Xt-Xtandλht=1{τ>t}e-Xtkht。（7）证据。自xt+h起- Xt=infu∈[t，t+h]徐∧ Xt- Xt=infu∈[0，h]（Xt+u）- Xt）∧ （Xt）- Xt）- （Xt）- Xt）=-（Xt）- Xt）- 英孚∈[0，h]（Xt+u）- Xt）+,我们有eXt+h- 外线|英尺= eXtEeXt+h-Xt- 1 |英尺= 埃克特赫-（（Xt）-Xt）-英孚∈[0，h]（Xt+u）-Xt）+- 1 | Fti=eXtEhe-（y）-Xh）+- 1iy=Xt-Xt，其中最后一个等式来自L′evy过程X的独立和平稳增量性质以及X和X在F中的适应性。因为K是1的F-补偿器-Z、 Doob-Meyer分解表示E[Kt+h- Kt | Ft]=-E[Zt+h- Zt | Ft]=-EeXt+h- 外线|英尺.结合以上内容，得到了khtin（7）。接下来，通过可选投影定理（定理14，第六章，[16]和[7]），我们知道，如果一个随机变量ξ是非负且可积的，那么对于每个≥ 0，E[ξ| Gt]的右连续版本由[ξ|Gt]=1{τ>t}ZtE给出ξ1{τ>t}|Ft+ ξ1{τ ≤t} a.s.（8）因此，使用期望的塔属性和K是1的F补偿的事实- Z、我们有λht=hE[Nt+h- Nt | Gt]=1{τ>t}hZtE{t<τ≤t+h}|英尺= 1{τ>t}hZtE[Zt- Zt+h | Ft]=1{τ>t}ZthE[Kt+h]- Kt |英尺]=1{τ>t}e-Xtkht。这就得到了λhtin（7）。下一个结果紧接着引理3.2。推论3.3。假设kt:=limh↓0kht存在于所有t a.s.，那么{τ>t}上的瞬时似然过程由∧t:=limh给出↓0hP（t<τ≤ t+h | Gt）=e-Xtkt。备注3.4。注意ξ1{τ≤t} 在（8）中，可通过定义进行测量。实际上，因为ξ和τ是(Ohm, G、 P），然后ξ1{τ≤t} 是G-可测量的。为了证明它是可测量的，它相当于展示B∈ R、 B（B）：={ω：ξ（ω）1{τ≤t} （ω）≤ b}∈ Gt。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-5-6 05:36:52

注意b（b）∩ {t<τ}={ξ1{τ≤t}≤ b}∩ {t<τ}=（{ξ）≤ b、 τ≤ t}∪ {0 ≤ b、 t<τ}）∩ {t<τ}={0≤ b、 t<τ}=1{b<0} + 1{b≥0}{t<τ}=1{b<0}( ∩ {t<τ}）+1{b≥0}(Ohm ∩ {t<τ}）。自从, Ohm ∈ 全速飞行≥ 0，我们可以取Bt（b）：=1{b<0} + 1{b≥0}Ohm ∈ Ft，这样b（b）∩ {τ>t}=Bt（b）∩ {τ>t}。因此，我们有B（B）∈ Gt。3.2有限变量的光谱负L’evy过程设X为有限变量的光谱负L’evy过程，则X有一个表示[14，第56页]Xt=ct- St，（9）其中c>0，S是具有L′evy测度π的纯跳跃从属。（9）是π=0且c>0的（1）的特例。X的L′evy测度是πX（dx）=π（d）(-x））=π((-十、-x+dx]）在R上-如果π允许一个密度，那么π(-dx）=ν(-x） dx。在分析X定义3.5（[14]）的路径属性时，需要以下概念。设X是一个L′evy过程。A点x∈ 如果Px为开集或闭集B，则R称为不规则τB=0= 0，其中停止时间τB=inf{t>0:Xt∈ B} 。我们知道（[5，第9章，命题15]），对于（9）中定义的X，0对于(-∞, 0）。因此，从0开始，需要X个严格正的时间才能到达(-∞, 0）。如果wede fine T:=inf{T>0:Xt<0}，那么P（T>0）=1。这是Xb的第一次跳跃时间，但可能不是X的第一次跳跃时间。我们观察到X是一个纯粹的跳跃过程，因为X只能在S跳跃时移动，而X不能在X上跳跃到预先指定的水平(-∞, 0）由于X不能，请参见[14，练习5.9]。因此，X的跳跃大小没有原子，并且是严格负的。X在区间[0，t]上的跳跃次数，即nt:=#{s∈ （0，t]：Xs=Xs}，是一个离散集，是一个有限集。此外，我们用（δi）i表示ntby（Ti）i的到达时间，用（δi）i表示到达时间，用（ξi）i表示跳跃大小。然后我们有以下引理。引理3.6。对于（9）中定义的X，X可以写成续签奖励流程xt=-ntXi=1ξi，其中（δi，ξi）是i.i.d。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-6 05:36:56

随机变量。证据上述分析表明，X是一个非爆炸性标记点过程，可以写成Xt=-Pnti=1ξi，其中-ξi=XTi=XTi- XTi-1=XTi- XTi-1.因为（Ti）i也是L’evy进程X的跳跃时间，是停止时间。我们有（δi，ξi）iarei。i、 d.随机变量，因为X的强马尔可夫性。我们不需要研究X的精确规律，只需要分析过程的小时间行为，这可以借助下一个结果，即选票定理[2，命题2.7]来完成。引理3.7（[2]）。设X在（9）中定义，T:=inf{T>0:Xt<0}。然后，对于所有>0的情况，z≥ 0和u<-z、 P（T）∈ dt，XT-∈ dz，XT∈ du）=zctP（Xt∈ dz）π(-du）dt，在哪里Xt=Xt- Xt-π是S的L′evy度量，因此（T，XT）的联合分布由p（T）给出∈ dt，XT∈ dw）=Zz∈(0,∞)zπ（z+d）(-w））P（Xt∈ dz）！w的ctdt（10）≤ 下面是投票定理的另一个版本：P（T>T，Xt）∈ dx）=xctP（Xt∈ dx）每t>0和x∈ [0, ∞). 因为Xt=ct- 圣≤ 我们有p（T>T）=ctZ∞xP（Xt）∈ dx）=ctZctxP（Xt∈ dx）=cE{0≤Xt≤ct}Xtt.注释为limt↓0Stt=0a.s.，对于几乎所有的ω，都存在t（ω），因此对于所有的t∈ [0，t（ω）]，St（ω）≤ ct，因此为0≤ Xt（ω）=ct- St（ω）≤ ct和LIMT↓0{0≤Xt≤ct}=1 a.s.（11）支配收敛定理导致↓0P（T>T）=cE极限↓0{0≤Xt≤ct}Xtt=c·c=1。（12）提案3.8。设X在（9）中定义，并满足假设2.1。则所有t a.s.~kt存在以下极限：=limh↓0kht=eXt∏（Xt- Xt），其中h>0的khtis在（7）中定义，而∏在（4）中定义。证据记得Xt=-Pnti=1ξ是一个更新奖励过程，其中跳跃大小ξi到达时间δi是所有i的正随机变量，（δi，ξi）是i.i.d.随机变量。通过（12），用F表示δi的分布函数↓0F（t）=limt↓0P（T≤ t） =0=F（0）。因此，F在零处是右连续的，即。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-5-6 05:37:00

F（0）=F（0+）=0。表示为，对于t>0和y≤ 0∧t（y）：=tEh1- E-（y）-Xt）+i∧t（y）：=tEh{nt=1}（1）- E-（ξ+y）+）i∧t（y）：=tE“∞Xk=2{nt=k}1.- E-（Pki=1ξi+y）+#.我们有∧t（y）=Eh1- E-（y+Pnti=1ξi）+i=∧t（y）+∧t（y）。下一步我们将为y展示这一点≤ 0，limt→0∧t（y）=∏(-y），和limt→0∧t（y）=0。（13）然后，（13）给出所需的结论。由于δ和δ是独立的，也注意到（10），我们有{nt=1}（1- E-（ξ+y）+）i（14）=Eh{T≤t} {t-T> T-T} （1）- E-（ξ+y）+）i=ZtZ∞-y英尺（t- s）（1）- E-十、-y） P（T）∈ ds，XT∈ d(-x））=Zts=0Z∞x=-y英尺（t- s）（1）- E-十、-y）Z∞z=0zπ（z+dx））P（Xs∈ （dz）csds=cZts=0英尺（t- s） Z∞z=0Z∞u=0（1- E-u） π（z）- y+du）zP（Xs）∈ dz）sds=cZts=0英尺（t- （s）Zcsz=0∏（z-y） zP（Xs）∈ dz）sds。最后一个等式是由于Xs=cs- 党卫军≤ 反恐精英。因为S是一个纯跳从属，所以我们有（[14，引理4.11]）limt→0Stt=0 a.s.，这意味着限制→0Xtt=c.（15）利用（15）和（11），支配收敛定理，∏（·）的连续性和X0+=0，我们得到了lims↓0Zcsz=0z∏（z- y） P（Xs）∈ dz）s=lims↓0E{0≤Xs≤cs}Xss∏（Xs- y）= E林斯↓0{0≤Xs≤cs}Xss∏（Xs- y）= c∏(-y）。在（14）分钟内达到极限↓0∧t（y）=clims↓0Zcsz=0z∏（z- y） P（Xs）∈ dz）s=∏(-y）。这里我们使用了一个事实，即如果g（·）是一个非负函数且‘F（0+）=1，则TZT‘F（t）g（s）ds≤tZt-F（t- s） g（s）ds≤tZtg（s）dsandlimt→0tZt\'F（t- s） g（s）ds=limt→0tZtg（s）ds=g（0+）。我们已经在（13）中证明了第一个极限。接下来我们证明（13）中的第二个极限。自∧t（0）=tE1.- 提取≤tE1.- E-圣=T1.- E-π（0）t≤ π（0）和0≤ ∧t（0）≤ ∧t（0）≤ π（0）（13）中的第一个极限意味着极限→0∧t（0）=limt→0∧t（0）=∏（0），因此受到限制→0∧t（0）=0。另一方面，我们知道≤ ∧t（y）≤ 所有y的∧t（0）≤ 0，这证明了（13）中的第二个极限。因此，∧t（y）=∏(-y）和∧t=∧t（Xt- Xt）=∏（Xt）- Xt）。备注3.9。注意∏（·）和π（dx）一样是连续的。Π(0) = -lne[E]-S] 是L’evy Khintchine公式中S的拉普拉斯指数，0<π（x）≤ π（0）<R∞uπ（du）<∞为了所有的x≥ 假设为0.2.1。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

nandehutu2022

2022-5-6 05:37:03

因此，∏在R+上有界。3.3有限变量的L’evy过程假设X是有限变量的L’evy过程。然后它有一个表示（1）和假设2.1适用的weassume。请注意，第3.2节中使用的路径属性和技术不再适用。在（1）中，表示漂移和负跳跃分量asZt（c）：=ct- 首先，我们对Zt（c）要求以下结果。引理3.10。对于任何c∈ R和y≤ 0存在以下限制：limh→0hEh1- E-（y）-Zh（c））+i=-c1{y=0}{c<0}+π(-y），（16）其中∏在（4）中定义。证据对于c>0，极限（16）已在上一小节中得到证明。我们现在考虑c的情况≤ 0.注意，h中的Zh（c）在减少，并且Zh（c）=Zh（c）。我们把证据分成两箱。（i） y=0：我们有→0hEh1- E-（y）-Zh（c））+i=limh→0hEh1- ech-施=-c+π（0）。（ii）y<0：取函数f（x）：=1- E-（y+x）+它是有界的，连续的，并且在零的邻域内消失：取 < -y、那么对于任何x∈ (0, ), 我们有f（x）=0。亨塞利姆→0hEh1- E-（y）-Zh（c））+i=limh→他(-Zh（c））]=ZRf（x）π（dx）。第二个等式是由于[17，推论8.9]和π是-Zh（c）。因此，ZRf（x）π（dx）=Z∞-y（1- E-（y+x））π（dx）=Z∞(1 - E-u） π(-y+du）=∏(-y），这证明了（16）。提案3.11。假设（1）中定义了x，并满足假设2.1。那么所有t a.s.~kt都存在以下极限：=limh↓0kht=eXt-c1{Xt-Xt=0}{c<0}+π（Xt- Xt）, （17）其中（7）中定义了h>0的khtis，而（4）中定义了∏。推论3.3中定义的瞬时似然过程λtde由λt=-c1{Xt-Xt=0}{c<0}+π（Xt- Xt）。（18）证据。λtin（18）的表达式是推论3.3和（17）的直接结果。托普洛夫（17）我们只需要证明这一点≤ 0，林→0hEh1- E-（y）-Xh）+i=-c1{y=0}{c<0}+π(-y）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-5-6 05:37:07

（19）因为f（x）=1-E-（y）-x） +是R上x的递减函数-Xh=ch-嘘+嘘≥中国- 对于所有ω和h>0，我们有Xh≥ Zh（c）和heh1- E-（y）-Xh）+i≤嘿- E-（y）-Zh（c））+i.利用引理3.10我们得到了lim-suph→0hEh1- E-（y）-Xh）+i≤ -c1{y=0}{c<0}+π(-y）。随便吃 > 0，在集合{Sh≤ h} 我们有：Xh=ch- 嘘+嘘≤ 中国- Sh+h=Zh（c+),哪个yieldsXh≤ Zh（c+) 关于{Sh≤ h} 。此外，作为Xh≤ 0代表所有h≥ 0，我们几乎可以肯定，Xh=1{Sh≤h} Xh+1{Sh>h} Xh≤ 1{Sh≤h} Xh≤ 1{Sh≤h} Zh（c+).我们有- E-（y）-Xh）+i≥他1.- E-（y）-1{Sh≤h} Zh（c）+))+=嘿嘿≤h}1.- E-（y）-Zh（c）+))+i=P嘘≤ hEh1- E-（y）-Zh（c）+)+i、最后的平等是由于S和S的独立性→0Shh=0a.s.，这是一个很好的例子→0P嘘≤ = 1.我们有→0hEh1- E-（y）-Xh）+i≥ -（c+)1{y=0}{c+<0}+ Π(-y）。允许 ↓ 在上述不等式中，我们得到了→0hEh1- E-（y）-Xh）+i≥ -c1{y=0}{c<0}+π(-y）。我们已经证明了（19）。备注3.12。请注意，如果X是一个具有L′evy测度πX的L′evy过程，f是一个在零附近消失的有界连续函数，那么（[17，推论8.9]）limh↓0hE[f（Xh）]=ZRf（x）πx（dx）。（20）在我们的例子中，我们的目标是↓0hEh1- E-（y）-然而，我们不能直接应用（20），因为如果X不是单调过程，那么X不是L′evy过程。命题3.11可以被视为函数f（x）=1的扩展- E-（y）-x） +和L’evy工艺x，变化有限。3.4似然过程和强度过程的不可区分性我们已经证明了当X是具有有限变化的L′evy过程时，瞬时似然过程的存在性。试探性地，G-补偿器的强度过程λ应等于集合{τ>t}上的∧λ。然而，它们不一定相同。例3.13（[8]）。定义一个停止时间τ：=inf{t>0:Wt>y}，其中W为aBrownian运动，y>0为常数。假设F是W的自然过滤。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-5-6 05:37:11

我们有τ是F-停止时间和hp（t<τ<t+h | Ft）={τ>t}hZh | Wt- y|√2πte-（Wt）-y）第2次↓0-→ 0.也就是说，λt≡ 0代表所有t≥ 0.由于τ在F下是可预测的，因此Nt的补偿器=1{τ≤t} 为Nt，表示强度λ不存在。下一个引理中的Aven条件提供了一个有效条件，确保∧和λ不可区分。引理3.14（[1]）。如果林→对于t>0和h>0a，0λht=λλtexists和λht一致有界。s、，然后在{τ>t}上，Nt-Rtλsds是G-鞅，即Rtλsds是n的G-补偿器。借助前面小节的结果，我们现在可以给出主定理的证明。定理2.2的证明。回想一下（7）关于{τ>t}λht=e-Xtkht=hEh1- E-（y）-Xh）+iy=Xt-XT和y≤ 0，Xt≤ 0和c≥ C∧ 0，这意味着（y- Xh）+≤ -Xh和Xh≥ （c）∧ 0）h- 嘘，我们有λht≤他1.- eXh≤hEh1- e（c）∧0）h-Shi=h1.- e（c）∧0）h-π（0）h≤ -（c）∧ 0) + Π(0).因此序列（λht）h>0在t和has中是一致有界的，引理3.14给出了所需的结论，即λ和λ在{τ>t}上是不可区分的，这导致λ在命题3.11中的表达式。定理2.2的证明现已完成。备注3.15。类似地，kht=eXtλht≤ λh也是有界的，由于Meyer的Laplacian逼近定理，与Aven条件类似，我们可以得出P（τ）的F-补偿器≤ t | Ft）是Kt=Rt)ksds，其中)Kt=limh→0kht。4结论在本文中，我们讨论了随机时间的强度问题，这是随机势垒上有限变化L’evy过程的第一个经过时间。我们证明了强度过程的存在性，并找到了它的显式表示。我们显式地计算了瞬时信用利差过程，并给出了一个方差伽马过程的数值例子，以分析信用利差与资产价值到其运行极小值的距离之间的关系。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-5-6 05:37:14

因此，我们在这个设置中协调了不完全信息的结构模型和路径依赖强度模型。致谢。作者感谢匿名审稿人和AE，感谢他们的意见和建议，这些意见和建议有助于改进之前的版本。辛冬还与贝诺特·范当进行了有益的讨论。《确定斯堪的纳维亚统计法》（J.1985）第12页，A。[2] J.Bertoin，从属，无负跳的L’evy过程，和BranchingProcess，皮埃尔和玛丽·居里大学，2000年。http://webdoc.sub.gwdg.de/ebook/e/2002/maphysto/publications/mps-ln/2000/8.pdf[3] P.Br’emaud，《点过程和队列：鞅动力学》，斯普林格，1981年。[4] U.C,etin，R.Jarrow，P.Protter，Y.Yildirim，部分信息信用风险建模，应用概率年鉴14（2004）1167–1178。[5] R.Doney，《列维过程的涨落理论》，斯普林格，2001年。[6] D.杜菲，D.兰多，《不完全会计信息下的信用利差期限结构》，计量经济学69（2003）633-664。[7] K.Giesecke，《违约与信息》，J.经济动态与控制，30（2006）2281–2303。[8] 郭，R.A.贾罗，曾勇，不完全信息下的信用风险模型，数学。运筹学34（2009）320–332。[9] 《强度过程和补偿器：一种新的过滤扩展方法和Jeulin-Yor定理》，郭，曾勇，，《应用概率年鉴》18（2008）120-142。[10] S.Janson，M.B.Sokhna，P.Protter，《绝对连续补偿器》，国际期刊。理论应用金融14（2001）335–351。[11] R.Jarrow，P.Protter，《结构模型与简化模型：基于信息的新视角》，J.投资管理2（2004）1-10。[12] T.Jeulin，M。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-5-6 05:37:17

Yor，Grossissement d\'une filtration et semi martingales:formules explicites，S\'eminaire de Probabilit\'es XII（1978）78–97。[13] S.Kusuoka，《违约风险模型评论》，数学经济学进展1（1999）69-82。[14] A.Kyprianou，《关于L’evy过程波动及其应用的入门讲座》，斯普林格，2006年。[15] D.B.Madan，P.P.Carr，E.C.Chang，《方差伽马过程与期权定价》，欧洲金融评论2（1998）79–105。[16] P.Protter，《随机积分和微分方程》，第二版，斯普林格，2005年。[17] K.Sato，列维过程和不完全可分分布，剑桥大学出版社，1999年。[18] W.Schoutens，D.B.Madan，《突破到单边》，J.信贷风险4（2008）3-20。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

扫码加我 拉你入群

分享

扫码加好友，拉您进群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群

扫码加我拉你入群