금융수학 개론 제4장: 확률과정 및 확률미분방정식 기초

 

I. 확률과정 (Stochastic Process)

1.1 확률과정의 정의

확률과정(Stochastic Process)은 시간의 흐름에 따라 불확실하게 변하는 현상을 수학적으로 모델링하는 도구입니다. 공식적으로는 확률 공간 $(\Omega, \mathcal{F}, \mathbb{P})$ 위에 정의된, 시간 $t \in T$에 의해 인덱싱된 확률변수들의 집합 $\{X_t : t \in T\}$을 의미합니다. 여기서 각 $X_t$는 특정 시점 $t$에서의 시스템의 상태(예: 주가, 이자율)를 나타내는 확률변수입니다.

• 확률 공간 $(\Omega, \mathcal{F}, \mathbb{P})$:
  • $\Omega$: 모든 가능한 결과들의 집합 (표본 공간). 예를 들어, 동전 던지기에서는 {앞, 뒤}가 됩니다.
  • $\mathcal{F}$: $\Omega$의 부분집합들로 이루어진 시그마-대수(sigma-algebra)로, 우리가 '사건'으로 간주하는 것들의 모음입니다.
  • $\mathbb{P}$: 각 사건에 확률을 할당하는 확률 측도(probability measure)입니다.
• 시간 인덱스 집합 $T$:
  • 이산시간 확률과정: $T = \{0, 1, 2, \dots\}$. 매일의 주가 종가 데이터처럼 시간이 뚝뚝 끊어져 있는 경우입니다. 이항모형이 대표적인 예입니다.
  • 연속시간 확률과정: $T = [0, \infty)$. 시간의 흐름이 연속적인 경우로, 블랙-숄즈 모형의 기반이 됩니다.

표본 경로(Sample Path)는 특정 결과 $\omega \in \Omega$를 하나 고정했을 때 얻어지는 시간 $t$에 대한 함수 $t \mapsto X_t(\omega)$입니다. 이는 마치 수많은 가능한 미래 시나리오 중 하나가 현실에서 실현된 것으로, 우리가 매일 HTS에서 보는 하나의 주가 그래프와 같습니다.

1.2 정보의 흐름: 필트레이션과 적응 과정

금융 시장에서 정보는 시간이 지남에 따라 점차적으로 밝혀집니다. 이러한 정보의 누적 과정을 수학적으로 표현한 것이 필트레이션(Filtration), $\{\mathcal{F}_t : t \ge 0\}$입니다. 여기서 $\mathcal{F}_t$는 시점 $t$까지 이용 가능한 모든 정보를 담고 있는 시그마-대수들의 증가하는 집합족입니다 ($s < t \implies \mathcal{F}_s \subseteq \mathcal{F}_t$, 즉 과거의 정보는 현재 정보에 포함됩니다).
확률과정 $X_t$가 필트레이션 $\{\mathcal{F}_t\}$에 적응(adapted)되어 있다는 것은, 모든 $t$에 대해 확률변수 $X_t$가 $\mathcal{F}_t$-가측(measurable)임을 의미합니다. 직관적으로 이는 "시점 $t$에서의 값 $X_t$는 미래 정보 없이, 오직 시점 $t$까지의 정보만으로 알 수 있다"는 뜻입니다. 이는 미래를 예측할 수 없다는 현실 세계의 제약을 수학적으로 엄밀하게 표현한 것입니다.

1.3 조건부 기댓값과 탑 규칙 (Tower Property)

시점 $s$까지의 정보 $\mathcal{F}_s$가 주어졌을 때, 미래 시점 $t > s$의 확률변수 $X_t$에 대한 우리의 최선의 예측은 조건부 기댓값 $E[X_t \mid \mathcal{F}_s]$ (또는 간단히 $E_s[X_t]$)로 주어집니다. 이 조건부 기댓값은 반복 기댓값의 법칙(law of iterated expectations) 또는 탑 규칙(tower property)이라 불리는 매우 중요한 성질을 만족합니다. $0 \le s \le u$ 일 때, 임의의 확률변수 $Z$에 대해 다음이 성립합니다.

$$E[E[Z \mid \mathcal{F}_u] \mid \mathcal{F}_s] = E[Z \mid \mathcal{F}_s]$$

이 수식의 의미는 'u시점의 정보를 가지고 Z를 예측한 값'을 다시 's시점의 정보로 예측'한 결과는, 처음부터 's시점의 정보로 Z를 예측'한 것과 같다는 것입니다. 즉, 더 적은 정보(과거)로 한 예측은 더 많은 정보(현재)로 한 예측을 평균한 값과 같습니다. 정보가 중첩되어 있을 때, 최종 예측은 가장 오래된 정보 집합에 기반한다는 것을 보여줍니다.

1.4 마팅게일 (Martingale): 공정한 게임의 수학적 모델

적응된 확률과정 $\{X_t\}$가 필트레이션 $\{\mathcal{F}_t\}$에 대해 마팅게일(Martingale)이라는 것은 모든 $s < t$에 대해 다음을 만족하는 것입니다.
$$E[X_t \mid \mathcal{F}_s] = X_s$$
이는 "공정한 게임(fair game)"을 수학적으로 표현한 것입니다. 즉, 현재까지 주어진 모든 정보를 바탕으로 미래 특정 시점의 가치를 예측하더라도, 그 최선의 예측값은 다름 아닌 현재의 가치라는 의미입니다. 금융에서는 위험중립측도(Risk-Neutral Measure)라는 가상의 확률 세계에서, 할인된 자산 가격 과정이 마팅게일이 된다는 사실이 파생상품 가격 결정의 핵심적인 역할을 합니다.

• 기댓값 불변성: 마팅게일 과정 $\{X_t\}$에 대해, 모든 $t > 0$에서 $E[X_t] = E[X_0]$가 성립합니다. 이는 탑 규칙을 이용해 $E[X_t] = E[E[X_t \mid \mathcal{F}_0]] = E[X_0]$ 로 간단히 증명됩니다. 즉, 마팅게일의 평균적인 값은 시간이 지나도 변하지 않습니다.
• 마팅게일 변환 (Martingale Transform): $\{X_k\}$가 이산시간 마팅게일이고, $\{H_k\}$가 예측 가능한(predictable) 과정(즉, $H_k$가 $\mathcal{F}_{k-1}$의 정보, 즉 $k$시점 직전의 정보로 결정됨)일 때, 새로운 과정 $Y_n = \sum_{k=1}^n H_k (X_k - X_{k-1})$ 또한 마팅게일입니다. 이는 '공정한 게임에 대해, 과거 정보에 기반한 예측 가능한 전략으로 베팅하더라도 그 결과는 여전히 공정한 게임이다'라는 중요한 의미를 가집니다. 이는 앞으로 배울 이토 적분의 이산적인 버전으로 볼 수 있습니다.

---

II. 브라운 운동 (Brownian Motion)

2.1 브라운 운동의 정의

표준 브라운 운동(Standard Brownian Motion) 또는 위너 과정(Wiener Process) $\{B_t : t \ge 0\}$은 금융 모델링의 가장 기본적인 확률적 '벽돌'이며, 다음 세 가지 핵심 조건을 만족하는 연속시간 확률과정입니다.

1. 출발점과 연속성: $B_0 = 0$이며, 거의 모든(almost surely) 표본 경로가 시간에 대해 연속 함수입니다. 즉, 주가 그래프처럼 갑자기 점프하지 않습니다.
2. 정상 및 독립 증분 (Stationary and Independent Increments): 임의의 $0 \le s < t$에 대해, 증분(변화량) $B_t - B_s$는
   • 과거의 정보($\mathcal{F}_s$, 즉 $\{B_u : u \le s\}$)와 독립입니다. 이는 마코브 성질을 포함하는 더 강력한 조건입니다.
   • 분포가 오직 시간 간격 $t-s$에만 의존합니다(정상성). 구체적으로, 평균이 0이고 분산이 $t-s$인 정규분포를 따릅니다. $$B_t - B_s \sim \mathcal{N}(0, t-s)$$

브라운 운동은 대칭적 랜덤워크(Symmetric Random Walk)의 극한 형태로 유도될 수 있습니다. 아주 작은 시간 간격 $\Delta t$ 동안 동전을 던져 앞면이 나오면 $+\sqrt{\Delta t}$만큼, 뒷면이 나오면 $-\sqrt{\Delta t}$만큼 움직이는 과정을 생각할 때, $\Delta t \to 0$ 극한에서 브라운 운동을 얻을 수 있습니다. 이는 중심극한정리(Central Limit Theorem)의 동적인 버전으로 이해할 수 있습니다.

2.2 브라운 운동의 주요 성질

(a) 분포, 평균, 분산:
정의에서 $s=0$을 대입하면, $B_t = B_t - B_0 \sim \mathcal{N}(0, t)$ 입니다. 따라서 모든 $t \ge 0$에 대해 다음이 성립합니다.

• $E[B_t] = 0$
• $Var(B_t) = E[B_t^2] - (E[B_t])^2 = E[B_t^2] = t$

(b) 마팅게일 성질:
표준 브라운 운동은 마팅게일입니다. $s < t$에 대해 $E[B_t \mid \mathcal{F}_s]$를 계산해 봅시다.

브라운 운동의 마팅게일 성질 증명$$E[B_t \mid \mathcal{F}_s] = E[B_s + (B_t - B_s) \mid \mathcal{F}_s]$$ 조건부 기댓값의 선형성에 의해, $$= E[B_s \mid \mathcal{F}_s] + E[B_t - B_s \mid \mathcal{F}_s]$$ $B_s$는 시점 $s$에서 이미 알려진 값, 즉 $\mathcal{F}_s$-가측(measurable)이므로, 조건부 기댓값은 자기 자신과 같습니다: $E[B_s \mid \mathcal{F}_s] = B_s$.
또한, 브라운 운동의 독립 증분 성질에 의해 미래의 변화량 $B_t - B_s$는 과거의 정보 $\mathcal{F}_s$와 독립입니다. 따라서 조건부 기댓값은 일반 기댓값과 같습니다. $$E[B_t - B_s \mid \mathcal{F}_s] = E[B_t - B_s] = 0$$ 결론적으로, $$E[B_t \mid \mathcal{F}_s] = B_s + 0 = B_s$$ 이므로, 브라운 운동은 마팅게일의 조건을 만족합니다.

(c) 공분산 구조:
임의의 $s, t \ge 0$에 대해 공분산은 $\mathrm{cov}(B_s, B_t) = \min(s, t)$ 입니다. 이 성질은 브라운 운동의 경로가 어떻게 서로 연관되어 있는지를 보여줍니다. 일반성을 잃지 않고 $s \le t$라고 가정하고 증명해 보겠습니다.

브라운 운동의 공분산 구조 증명$$ \begin{align*} \mathrm{cov}(B_s, B_t) & = E[(B_s - E[B_s])(B_t - E[B_t])] \\ & = E[B_s B_t] \quad (\because E[B_s] = E[B_t] = 0) \\ & = E[B_s (B_t - B_s + B_s)] \\ & = E[B_s(B_t - B_s) + B_s^2] \\ & = E[B_s(B_t - B_s)] + E[B_s^2] \quad (\text{기댓값의 선형성}) \\ \end{align*} $$ 독립 증분 성질에 의해 $B_s$와 $B_t-B_s$는 독립이므로, 기댓값의 곱으로 분리할 수 있습니다. $$ \begin{align*} & = E[B_s]E[B_t - B_s] + E[B_s^2] \\ & = 0 \cdot 0 + \mathrm{Var}(B_s) = s \end{align*} $$ 따라서 $s \le t$일 때 $\mathrm{cov}(B_s, B_t) = s$ 이므로, 일반적으로 $\mathrm{cov}(B_s, B_t) = \min(s, t)$ 입니다.

(d) 사분 변동 (Quadratic Variation):
브라운 운동의 가장 놀랍고 중요한 특징 중 하나는 사분 변동(Quadratic Variation)이 0이 아니라는 점입니다. 이는 확률 미적분학이 일반 미적분학과 근본적으로 달라지는 이유입니다. 구간 $[0, T]$의 분할 $\Pi = \{0=t_0, t_1, \dots, t_n=T\}$에 대해, 분할의 크기 $|\Pi| = \max_k(t_{k+1}-t_k)$가 0으로 갈 때, 다음이 평균제곱수렴(convergence in mean square)의 의미에서 성립합니다.
$$ \lim_{|\Pi| \to 0} \sum_{k=0}^{n-1} (B_{t_{k+1}} - B_{t_k})^2 = T $$
이를 미분 형태로 비공식적으로, 그러나 매우 유용하게 $(dB_t)^2 = dt$ 라고 씁니다. 일반적인 미분 가능한 함수 $f$의 경우, 이 합은 $(\Delta f_k)^2 \approx (f'(t_k)\Delta t_k)^2$ 이므로 $\sum (f'(t_k))^2 (\Delta t_k)^2 \le \max(f')^2 T |\Pi| \to 0$으로 수렴합니다. 브라운 운동은 미분 불가능할 정도로 매우 거칠게 움직이기 때문에 이런 현상이 발생합니다.

사분 변동 증명 (평균제곱수렴)

합 $Q_n = \sum_{k=0}^{n-1} (\Delta B_{t_k})^2$ (여기서 $\Delta B_{t_k} = B_{t_{k+1}} - B_{t_k}$, $\Delta t_k = t_{k+1}-t_k$)이 $T$로 평균제곱수렴함을 보이려면, $\lim_{|\Pi| \to 0} E[(Q_n - T)^2] = 0$ 임을 증명하면 됩니다.

1. 기댓값 계산: 먼저, $Q_n$의 기댓값을 계산합니다. $$E[Q_n] = E\left[\sum_{k=0}^{n-1} (\Delta B_{t_k})^2\right] = \sum_{k=0}^{n-1} E[(\Delta B_{t_k})^2]$$ 브라운 운동의 정의에 의해 증분 $\Delta B_{t_k} \sim \mathcal{N}(0, \Delta t_k)$ 이므로, $E[(\Delta B_{t_k})^2]$는 이 증분의 분산인 $\Delta t_k$와 같습니다. $$E[Q_n] = \sum_{k=0}^{n-1} \Delta t_k = (t_1-t_0) + (t_2-t_1) + \dots + (t_n-t_{n-1}) = t_n - t_0 = T$$ 따라서, $Q_n$의 기댓값은 항상 T입니다.
2. 분산 계산: 다음으로, $Q_n$의 분산을 계산하여 0으로 수렴함을 보입니다. $$ Var(Q_n) = Var\left(\sum_{k=0}^{n-1} (\Delta B_{t_k})^2\right)$$ 브라운 운동의 증분들은 서로 다른 시간 구간에서 서로 독립이므로, $(\Delta B_{t_k})^2$들도 서로 독립입니다. 따라서 합의 분산은 분산의 합과 같습니다. $$ Var(Q_n) = \sum_{k=0}^{n-1} Var((\Delta B_{t_k})^2) $$ 분산을 계산하기 위해 정규분포의 4차 적률이 필요합니다. 평균이 0이고 분산이 $\sigma^2$인 정규분포를 따르는 확률변수 $X$의 4차 적률은 $E[X^4]=3\sigma^4$임을 이용합니다. $$ \begin{align*} Var((\Delta B_{t_k})^2) & = E[(\Delta B_{t_k})^4] - (E[(\Delta B_{t_k})^2])^2 \\ & = 3(\Delta t_k)^2 - (\Delta t_k)^2 = 2(\Delta t_k)^2 \end{align*} $$ 따라서 $Var(Q_n) = \sum_{k=0}^{n-1} 2(\Delta t_k)^2 = 2\sum (\Delta t_k)^2$ 입니다. 분할의 최대 길이 $|\Pi| = \max_k(\Delta t_k)$가 0으로 갈 때, $$Var(Q_n) = 2\sum_{k=0}^{n-1} (\Delta t_k)(\Delta t_k) \le 2 \max_k(\Delta t_k) \sum_{k=0}^{n-1} \Delta t_k = 2|\Pi|T \to 0$$

평균제곱오차(Mean Squared Error)는 $E[(Q_n - T)^2] = Var(Q_n) + (E[Q_n] - T)^2 = Var(Q_n) + (T-T)^2 = Var(Q_n)$ 이므로, 분산이 0으로 수렴함에 따라 평균제곱수렴이 증명됩니다.

---

III. 확률미분방정식 (SDE)과 이토 적분

3.1 이토 적분 (Itô Integral)

브라운 운동의 경로는 거의 모든 곳에서 미분 불가능하고 총 변동(total variation)이 무한대이므로, 고등학교에서 배운 일반적인 리만-스틸체스 적분 $\int f(t) dB_t$를 정의할 수 없습니다. 대신 이토 적분(Itô Integral)은 리만 합의 평균제곱수렴 극한으로 정의되며, 결정적으로 각 소구간 $[t_k, t_{k+1}]$의 왼쪽 끝점(left endpoint) $t_k$을 평가점으로 사용합니다. 이는 피적분함수 $f(t)$가 미래 정보를 이용하지 않는다는(non-anticipating) 성질, 즉 적응된 과정이라는 점을 수학적으로 구현한 것입니다.
$$ \int_0^T f(t) \, dB_t := \lim_{|\Pi| \to 0 \text{ in } L^2} \sum_{k=0}^{n-1} f(t_k) (B_{t_{k+1}} - B_{t_k}) $$
여기서 $f(t)$는 적절한 조건(adapted and square-integrable)을 만족하는 확률과정입니다.

이토 적분의 성질

1. 선형성: $\int_0^T (c_1 f_t + c_2 g_t) dB_t = c_1 \int_0^T f_t dB_t + c_2 \int_0^T g_t dB_t$
2. 기댓값은 0: $E\left[\int_0^T f_t dB_t\right] = 0$. 이는 각 합의 항에서 $E[f(t_k)(B_{t_{k+1}}-B_{t_k})] = E[f(t_k)] E[B_{t_{k+1}}-B_{t_k}] = 0$ 이기 때문입니다 ($f(t_k)$는 $\mathcal{F}_{t_k}$ 가측이고 증분은 $\mathcal{F}_{t_k}$에 독립). 이는 이토 적분 과정 $I_t = \int_0^t f_s dB_s$ 자체가 마팅게일임을 의미합니다.
3. 이토 등거리 성질 (Itô Isometry): 이토 적분의 분산을 계산하는 매우 중요한 공식입니다.
   $$ E\left[ \left( \int_0^T f_t dB_t \right)^2 \right] = E\left[ \int_0^T f_t^2 dt \right] $$
   이 성질은 적분 연산자가 $L^2$ 공간(확률변수 공간)과 $L^2$ 공간(시간-확률 공간) 사이의 거리를 보존(isometry)함을 의미합니다. 만약 $f_t$가 확률과정이 아닌 결정론적 함수라면, 분산은 간단히 $\int_0^T f(t)^2 dt$가 됩니다.

3.2 이토 과정 (Itô Process)

이토 과정은 다음과 같은 형태의 확률미분방정식(Stochastic Differential Equation, SDE)을 만족하는 확률과정 $X_t$를 말합니다.
$$ dX_t = a(t, X_t) \, dt + b(t, X_t) \, dB_t $$
이를 적분 형태로 쓰면 다음과 같습니다.
$$ X_t = X_0 + \int_0^t a(s, X_s) ds + \int_0^t b(s, X_s) dB_s $$
여기서 $a(t, X_t)$를 추세(drift) 계수, $b(t, X_t)$를 확산(diffusion) 또는 변동성(volatility) 계수라고 부릅니다. $dt$ 항은 과정의 예측 가능한 결정론적 변화를, $dB_t$ 항은 예측 불가능한 순수 확률적(랜덤) 충격을 나타냅니다.

---

IV. 이토의 보조정리 (Itô's Lemma)

이토의 보조정리는 확률 미적분학의 연쇄 법칙(chain rule)에 해당하며, '이토 과정의 (두 번 미분 가능한) 함수 또한 이토 과정'임을 보여주는, 금융공학에서 가장 중요한 정리라고 할 수 있습니다. 파생상품의 가격은 기초자산 가격의 함수이므로, 이 정리를 통해 기초자산의 움직임으로부터 파생상품 가격의 움직임을 유도할 수 있습니다.

4.1 1변수 이토의 보조정리

확률과정 $X_t$가 SDE $dX_t = a_t dt + b_t dB_t$ (간결성을 위해 $a(t, X_t)$, $b(t, X_t)$를 $a_t, b_t$로 표기)를 따르고, 함수 $Y(x)$가 두 번 미분 가능한($C^2$) 함수라고 가정합시다. 그러면 확률과정 $Y_t = Y(X_t)$는 다음 SDE를 만족합니다.

$$dY_t = \left(a_t Y'(X_t) + \frac{1}{2}b_t^2 Y''(X_t)\right)dt + b_t Y'(X_t)dB_t$$

1변수 이토 보조정리 증명

이 공식의 핵심은 테일러 전개와 $(dB_t)^2=dt$ 규칙에 있습니다.

1. 테일러 전개: 함수 $Y(x)$를 점 $X_t$ 근방에서 2차항까지 테일러 전개합니다. 고차항은 $\Delta t$가 0으로 갈 때 사라지므로 무시합니다. $$\Delta Y_t = Y(X_{t+\Delta t}) - Y(X_t) \approx Y'(X_t)\Delta X_t + \frac{1}{2}Y''(X_t)(\Delta X_t)^2 + \dots$$
2. 증분 대입 및 제곱항 전개: $\Delta X_t \approx a_t \Delta t + b_t \Delta B_t$를 위 식에 대입합니다. 특히 $(\Delta X_t)^2$ 항을 전개해야 합니다. $$(\Delta X_t)^2 = (a_t \Delta t + b_t \Delta B_t)^2 = a_t^2(\Delta t)^2 + 2a_t b_t \Delta t \Delta B_t + b_t^2 (\Delta B_t)^2$$
3. 미소 극한 ($\Delta t \to dt$): 극한에서 각 미소(infinitesimal) 항의 크기(order)를 비교합니다.
   • $(\Delta t)^2$는 $\Delta t$보다 훨씬 작으므로 0으로 취급합니다: $(dt)^2 = 0$
   • $\Delta t \Delta B_t$의 분산은 $E[(\Delta t \Delta B_t)^2] = (\Delta t)^2 E[(\Delta B_t)^2] = (\Delta t)^3$ 이므로, 이 항 역시 $\Delta t$보다 훨씬 작아 0으로 취급합니다: $dt \cdot dB_t = 0$
   • 사분 변동성에서 보았듯이 $(\Delta B_t)^2$는 평균적으로 $\Delta t$와 같으므로, 극한에서 $(dB_t)^2 = dt$ 로 대체합니다.
   이 규칙들을 적용하면, $(\Delta X_t)^2$는 극한에서 $b_t^2 dt$ 항만 남게 됩니다. $$(\Delta X_t)^2 \to b_t^2 dt$$
4. 항 결합 및 정리: 위 결과를 테일러 전개식에 다시 대입하고 미소 형태로 바꾸어 정리합니다. $$dY_t = Y'(X_t) (a_t dt + b_t dB_t) + \frac{1}{2}Y''(X_t) (b_t^2 dt)$$ $dt$항과 $dB_t$항으로 묶어주면 최종 공식을 얻습니다. $$dY_t = \left(a_t Y'(X_t) + \frac{1}{2}b_t^2 Y''(X_t)\right)dt + b_t Y'(X_t)dB_t$$

이 공식에서 고전 미적분학의 연쇄법칙($dY = Y'dX$)과 다른 점은 $\frac{1}{2}b_t^2 Y''(X_t) dt$ 항입니다. 이는 브라운 운동의 0이 아닌 사분 변동성, 즉 $(dB_t)^2=dt$ 때문에 나타나는 추가적인 추세 항으로, "이토 수정항" 또는 "볼록성 수정항(convexity adjustment)"이라고 부릅니다. 함수의 볼록성($Y''$)이 변동성($b_t^2$)과 결합하여 평균적인 변화에 영향을 미치는 것입니다.

4.2 다변수 이토의 보조정리 (시간 변수 포함)

파생상품 가격처럼 시간에 따라서도 가치가 변하는 경우를 다루기 위해, 함수 $Y(t, x)$에 대한 이토의 보조정리가 필요합니다. 확률과정 $X_t$가 SDE $dX_t = a_t dt + b_t dB_t$를 따르고, 함수 $Y(t, x)$가 시간에 대해 한 번, 공간 변수 $x$에 대해 두 번 미분 가능한($C^{1,2}$) 함수라고 가정합시다. 그러면 확률과정 $Y_t = Y(t, X_t)$는 다음 SDE를 만족합니다:

$$dY_t = \left(\frac{\partial Y}{\partial t} + a_t\frac{\partial Y}{\partial x} + \frac{1}{2}b_t^2\frac{\partial^2 Y}{\partial x^2}\right)dt + b_t\frac{\partial Y}{\partial x}dB_t$$

다변수 이토 보조정리 증명

증명은 1변수의 경우와 유사하게 2변수 테일러 전개로부터 시작합니다. $dY_t = Y(t+dt, X_{t+dt}) - Y(t,X_t)$를 전개하면 다음과 같습니다.

$$ dY \approx \frac{\partial Y}{\partial t}dt + \frac{\partial Y}{\partial x}dX + \frac{1}{2}\frac{\partial^2 Y}{\partial t^2}(dt)^2 + \frac{\partial^2 Y}{\partial t \partial x} dt dX + \frac{1}{2}\frac{\partial^2 Y}{\partial x^2}(dX)^2 + \dots $$

여기에 $dX = a_t dt + b_t dB_t$를 대입하고, 앞에서 유도한 미소 규칙($(dt)^2=0, dt \cdot dB_t = 0, (dB_t)^2=dt$)을 적용합니다.

• $dX = a_t dt + b_t dB_t$
• $(dX)^2 = (a_t dt + b_t dB_t)^2 = a_t^2(dt)^2 + 2a_t b_t dt dB_t + b_t^2(dB_t)^2 = b_t^2 dt$
• $dt \cdot dX = dt(a_t dt + b_t dB_t) = a_t (dt)^2 + b_t dt dB_t = 0$

이 결과들을 테일러 전개식에 대입하면, $dt$보다 작은 고차항들은 모두 0이 되고 다음을 얻습니다.

$$ dY = \frac{\partial Y}{\partial t}dt + \frac{\partial Y}{\partial x}(a_t dt + b_t dB_t) + \frac{1}{2}\frac{\partial^2 Y}{\partial x^2}(b_t^2 dt) $$

$dt$ 항과 $dB_t$ 항으로 묶어주면 최종 공식을 얻습니다.

$$dY_t = \left(\frac{\partial Y}{\partial t} + a_t\frac{\partial Y}{\partial x} + \frac{1}{2}b_t^2\frac{\partial^2 Y}{\partial x^2}\right)dt + b_t\frac{\partial Y}{\partial x}dB_t$$

---

V. 응용: 기하 브라운 운동과 블랙-숄즈-머튼 방정식

5.1 기하 브라운 운동 (Geometric Brownian Motion, GBM)

금융에서 주가 $S_t$는 음수 값을 가질 수 없으므로, 단순 브라운 운동보다는 기하 브라운 운동(GBM)이 더 적합한 모델로 널리 사용됩니다. GBM은 변화율이 현재 가격에 비례한다고 가정하며, 다음 SDE를 만족합니다.
$$ dS_t = \mu S_t dt + \sigma S_t dB_t \quad \iff \quad \frac{dS_t}{S_t} = \mu dt + \sigma dB_t $$
여기서 상수 $\mu$는 기대수익률(추세), $\sigma$는 변동성(확산)을 나타냅니다. 이 SDE의 해, 즉 $S_t$에 대한 명시적인 공식은 이토의 보조정리를 통해 매우 아름답게 구할 수 있습니다. 함수 $Y_t = \ln S_t$를 생각하고, $Y(S) = \ln S$에 1변수 이토 보조정리를 적용합시다. $Y'(S)=1/S$, $Y''(S)=-1/S^2$이고, $a_t = \mu S_t, b_t = \sigma S_t$ 이므로,

기하 브라운 운동 SDE의 해 유도$$ \begin{align*} d(\ln S_t) & = \left( a_t Y'(S_t) + \frac{1}{2}b_t^2 Y''(S_t) \right)dt + b_t Y'(S_t) dB_t \\ & = \left( (\mu S_t) \cdot \frac{1}{S_t} + \frac{1}{2}(\sigma S_t)^2 \left(-\frac{1}{S_t^2}\right) \right)dt + (\sigma S_t) \cdot \frac{1}{S_t} dB_t \\ & = \left(\mu - \frac{1}{2}\sigma^2\right)dt + \sigma dB_t \end{align*} $$

로그 주가 $d(\ln S_t)$가 상수 추세와 변동성을 갖는 일반적인 산술 브라운 운동이 되었습니다. 이제 양변을 0부터 $t$까지 적분하면,

$$\int_0^t d(\ln S_u) = \int_0^t \left(\mu - \frac{1}{2}\sigma^2\right)du + \int_0^t \sigma dB_u$$ $$\ln S_t - \ln S_0 = \left(\mu - \frac{1}{2}\sigma^2\right)t + \sigma (B_t - B_0)$$

$B_0=0$이므로, 양변에 지수함수를 취하여 $S_t$를 구하면 다음과 같습니다.

$$ S_t = S_0 \exp\left( \left(\mu - \frac{1}{2}\sigma^2\right)t + \sigma B_t \right) $$

이 식으로부터 $S_t$가 지수함수 안에 있으므로 항상 양수임을 알 수 있습니다. 또한 $\ln S_t$가 정규분포를 따르므로($B_t$가 정규분포이므로), 주가 $S_t$는 로그정규분포(log-normal distribution)를 따릅니다. 여기서 이토 수정항 $-\frac{1}{2}\sigma^2 t$는 '변동성으로 인한 손실(volatility drag)'을 의미하며, $E[S_t] = S_0 e^{\mu t}$가 성립하도록 만들어주는 중요한 역할을 합니다.

5.2 블랙-숄즈-머튼 편미분방정식 (PDE) 유도 

이제 모든 준비가 끝났습니다. 이토의 보조정리를 이용하여 금융공학 역사상 가장 중요한 방정식 중 하나인 블랙-숄즈-머튼 PDE를 유도해 보겠습니다. 아이디어는 기초자산 $S_t$와 그에 대한 유럽형 옵션 가치 $V(t, S_t)$로 구성된 포트폴리오 $\Pi_t$를 구성하여, 그 가치 변화에서 확률적인 부분($dB_t$)을 완벽하게 제거하는 것입니다. 이를 델타 헤징(delta-hedging)이라고 합니다.

블랙-숄즈-머튼 PDE 상세 유도 과정

1. 포트폴리오 구성: 옵션 1단위를 매도하고(-V), 주식 $\Delta_t = \frac{\partial V}{\partial S}$ 만큼을 매수하여 포트폴리오를 구성합니다. $$ \Pi_t = -V(t, S_t) + \frac{\partial V}{\partial S} S_t $$
2. 포트폴리오 가치 변화 계산: 포트폴리오의 미소 가치 변화 $d\Pi_t$를 계산합니다. $$ d\Pi_t = -dV_t + \frac{\partial V}{\partial S} dS_t $$ (여기서 헤지 비율 $\Delta_t$는 '순간적으로' 일정하다고 가정하여 곱의 미분 규칙이 간단해집니다.)
3. 이토 보조정리 적용: $V(t, S_t)$에 다변수 이토 보조정리를 적용하고, $dS_t = \mu S_t dt + \sigma S_t dB_t$를 대입하여 $d\Pi_t$를 전개합니다. $$dV_t = \left(\frac{\partial V}{\partial t} + \mu S_t \frac{\partial V}{\partial S} + \frac{1}{2}\sigma^2 S_t^2\frac{\partial^2 V}{\partial S^2}\right)dt + \sigma S_t \frac{\partial V}{\partial S}dB_t$$ 이제 $d\Pi_t$에 $dV_t$와 $dS_t$를 대입합니다. $$ d\Pi_t = -\left[ \left(\frac{\partial V}{\partial t} + \mu S_t \frac{\partial V}{\partial S} + \frac{1}{2}\sigma^2 S_t^2\frac{\partial^2 V}{\partial S^2}\right)dt + \sigma S_t \frac{\partial V}{\partial S}dB_t \right] + \frac{\partial V}{\partial S} (\mu S_t dt + \sigma S_t dB_t) $$
4. 확률항 상쇄: 위 식을 $dt$항과 $dB_t$항으로 정리하면, $$ d\Pi_t = \left(-\frac{\partial V}{\partial t} - \mu S_t \frac{\partial V}{\partial S} - \frac{1}{2}\sigma^2 S_t^2\frac{\partial^2 V}{\partial S^2} + \mu S_t \frac{\partial V}{\partial S}\right)dt + \left(-\sigma S_t \frac{\partial V}{\partial S} + \sigma S_t \frac{\partial V}{\partial S}\right)dB_t $$ $dB_t$를 포함하는 확률적 항이 마법처럼 사라집니다. 남는 것은 결정론적인 $dt$ 항들 뿐입니다. $$ d\Pi_t = \left(-\frac{\partial V}{\partial t} - \frac{1}{2}\sigma^2 S_t^2\frac{\partial^2 V}{\partial S^2}\right)dt $$
5. 무차익 원리 적용: 이 포트폴리오 $\Pi_t$는 이제 순간적으로 그 가치 변화가 확정적이므로, 무위험(risk-free) 상태가 되었습니다. 무차익 원리(no-arbitrage principle)에 따라, 이 무위험 포트폴리오의 수익률은 반드시 무위험 이자율 $r$과 같아야 합니다. 그렇지 않다면 무한한 돈을 벌 수 있는 차익거래 기회가 생기기 때문입니다. $$ d\Pi_t = r \Pi_t dt $$ 여기에 $\Pi_t = -V + \frac{\partial V}{\partial S} S_t$ 와 위에서 구한 $d\Pi_t$를 대입합니다. $$ \left(-\frac{\partial V}{\partial t} - \frac{1}{2}\sigma^2 S_t^2\frac{\partial^2 V}{\partial S^2}\right)dt = r \left(-V + \frac{\partial V}{\partial S} S_t\right) dt $$
6. 방정식 정리: 양변의 $dt$를 소거하고 모든 항을 한쪽으로 정리하면, 마침내 유명한 블랙-숄즈-머튼 편미분방정식(PDE)을 얻습니다.
   $$ \frac{\partial V}{\partial t} + rS\frac{\partial V}{\partial S} + \frac{1}{2}\sigma^2 S^2\frac{\partial^2 V}{\partial S^2} - rV = 0 $$

이 PDE는 특정 경계 조건(만기 시점의 옵션 페이오프, 예: 콜옵션의 경우 $V(T, S_T) = \max(S_T - K, 0)$) 하에서 해를 구함으로써 다양한 유럽형 파생상품의 가격을 결정하는 데 사용됩니다. 이 방정식의 가장 놀라운 점은 주식의 실제 기대수익률 $\mu$가 나타나지 않는다는 것입니다. 이는 파생상품의 가격이 시장 참여자들의 위험 선호도와 무관하게, 오직 주가의 변동성과 무위험 이자율에 의해서만 결정됨을 의미합니다. 이는 금융 이론에서 위험중립가격결정(risk-neutral pricing)이라는 거대한 패러다임의 이론적 토대가 됩니다.

IV. 확률과정 및 확률미분방정식의 기초 - 연습문제

1. f가 구간 [a, b]에서 미분가능 함수일 때 다음 식이 성립함을 보이시오.
   $$ \int_a^b f(t)dB_t = f(b)B_b - f(a)B_a - \int_a^b B_t df(t) $$
2.  \( X_t = B_t^2 - t \)로 정의된 \( \{X_t : t \ge 0\} \)는 마팅게일 확률과정임을 증명하시오.
3. 상수 a, b가 있어 \( X_t = \exp\left[(a - \frac{1}{2}b^2)t + bB_t\right] \)일 때, \( X_t^n \)의 기댓값과 \( X_t \)의 분산을 구하시오.
4. \( dX_k = \mu_k dt + \sigma_k dB_k \) (\( 1 \le k \le n \), \( \mu_k \), \( \sigma_k \)는 상수)를 만족하는 n개의 확률변수 \( X_1, X_2, \dots, X_n \)은 항상 다변량 정규분포를 따름을 설명하시오.
5. 주가의 확률미분방정식이 \( dS = (\mu - q)Sdt + \sigma SdB \)를 따르는 배당 주식의 가격 \( S_{t+\delta t} \)의 99% 신뢰구간을 구하시오.
6. \( E[(B_t - B_s)^2] = t-s \)임을 증명하고, \( s < t \)에 대하여 \( B_s \)와 \( \int_s^t B_u du \)의 공분산은 0임을 증명하시오.
7. \( s < t \)에 대하여 \( \int_0^s B_u du \)와 \( \int_0^t B_u du \)의 공분산은 \( \frac{s^2}{2}(t - \frac{s}{3}) \)임을 증명하시오.
8. \( 0 < s < t \)에 대하여 \( \int_s^t B_u du \)와 \( \int_0^t B_u du \)의 공분산은 \( \frac{s^3}{3} + \frac{(t-s)^2(t+s)}{2} \)임을 증명하시오.
9. a가 상수일 때
   $$ E[B_t e^{aB_t}] = a t e^{a^2t/2} \quad \text{그리고} \quad E[B_t^2 e^{aB_t}] = (t + a^2t^2)e^{a^2t/2} $$ 임을 증명하시오.
10. s, t > 0일 때 \( B_{s+t} - \frac{s}{s+t}B_{s+t} \)의 분산은 \( \frac{st}{s+t} \)임을 증명하시오.
11. 이토의 보조정리를 사용하여 \( Y = B_t^3 \)과 \( X = (t+B_t)^2 \)는 각각 확률미분방정식
    $$ dY = 3Y^{1/3}dt + 3Y^{2/3}dB_t $$ 과 $$ dX = (2\sqrt{X}+1)dt + 2\sqrt{X}dB_t $$ 를 만족함을 보이시오.
12. 폐구간 [0, T]의 분할을 \( 0 = t_0 < t_1 < t_2 < \dots < t_n = T \)라 할 때 다음을 증명하시오.
    $$ \lim_{n \to \infty} \sum_{k=1}^{n} (B_{t_k} - B_{t_{k-1}})^3 = 0 $$
13. $s < t$에 대하여 $E[B_s | B_t] = \frac{s}{t}B_t$임을 증명하시오.
14. 0 < s < t에 대하여 다음 등식이 성립함을 보이시오.
    $$ E[e^{B_s} | B_t] = \exp\left( \frac{s}{t}B_t + \frac{s(t-s)}{2t} \right) $$
15. f가 [0, T]에서 연속인 함수일 때, $\int_0^T f(t)dB_t$는 평균이 0이고 분산이 $\int_0^T f(t)^2 dt$인 정규분포를 따름을 설명하시오.
16. 정규분포를 따르는 확률변수 X와 Y가 있을 때 Cov(X, Y) = 0이면 X와 Y는 서로 독립임을 증명하시오.
17. \( \{X_t\} \)가 마팅게일일 때 \( E(X_t) \)는 상수임을 증명하시오.
18. \( f(t,B_t) = B_t^2 - t \)이고 $0 \le s \le t$일 때, $E[f(t,B_t)|\mathcal{F}_s] = f(s,B_s)$임을 증명하시오.
19. 확률과정 \( X=X_t \)가 \( dX = a(b-X)dt + \sigma dB \)를 만족할 때 \( Y=e^{at}X \)는 확률미분방정식
    \( dY = abe^{at}dt + \sigma e^{at}dB \) 를 만족함을 보이고, \( X_t \)를 구하시오.
20. 앞서 연습문제 19번의 \( Y=e^{at}X \)는
    $$ Y_t = Y_0 + ab\int_0^t e^{as}ds + \sigma\int_0^t e^{as}dB_s $$ 로 나타낼 수 있음을 보이시오.
21. \( dS = \mu S dt + \sigma S dB \)를 따르는 \( S=S_t \)에 대하여 k가 양의 정수일 때 \( Y=S^k \)는
    $$ dY = \left[ k\mu + \frac{k(k-1)}{2}\sigma^2 \right]Ydt + k\sigma Y dB $$ 를 만족함을 증명하고, \( X = S^{-1} \)일 때 dX를 구하시오.
22. 22. 확률과정 \( \{X_t\} \)가 \( X_t = B_t - tB_1, 0 \le t \le 1 \)으로 정의되는 브라운 다리 과정일 때
    (a) \( E(X_t) = 0 \)과 \( Cov(X_s, X_t) = s(1-t) \) \((s \le t)\) 임을 증명하시오.
    (b) \( dX_t = \frac{B_1-X_t}{1-t}dt + dB_t \)를 만족함을 증명하시오.
23. \( t \ge 0 \)일 때 \( X_t = t B_{1/t} \)로 정의된 확률과정 \( \{X_t : t \ge 0\} \)는 브라운 운동임을 증명하시오.
24. S= S(t)가 상품의 가격을 나타내는 양의 확률과정으로 t의 연속함수 a(t)와 b(t)에 대해 확률미분방정식 \( dS = a(t)S dt + b(t)S dB_t \)를 따를 때, 이 확률미분방정식의 해를 구하시오.
25. \( 0 < t < 1 \)에 대해 \( X_t = \frac{B_t}{t} \)라 정의된 \( X_t \)의 분산은 \( \frac{1-t}{t} \)임을 보이시오.
26. 확률과정 \( X=X_t \)가
    $$ dX = (1+e^t)Xdt + 2XdB_t $$ 를 만족할 때 \( X_t \)는 로그정규분포를 따름을 설명하고 \( X_t \)의 기댓값 \( E(X_t) \)를 구하시오.
27. \( X_t = \frac{1}{1+B_t} \)는 확률미분방정식
    $$ dX = X^3 dt - X^2 dB_t, \quad X_0 = 1 $$ 의 해가 됨을 증명하시오.
28. 부분적분을 이용하여 \( \int_0^t s dB_s = \int_0^t (t-s)dB_s \)임을 보이고, \( \int_0^t s dB_s \)의 기댓값과 분산을 구하시오.
29. 상수 a > 0에 대하여 \( Y_t = e^{aB_t - a^2t/2} \)는 \( Y_0=1 \)이고 \( dY = aYdB_t \)를 만족함을 보이시오.
30. \( X_t = c \exp[at+bB_t] \)가 확률미분방정식
    $$ dX = \alpha X dt + \beta X dB_t, \quad X_0=1 $$ 의 해가 되는 경우 상수 a, b, c와 \( \alpha, \beta \) 사이의 관계식을 구하시오.
31. 이토 확률과정으로 정의된 확률변수 \( X=X_t, Y=Y_t \)가 각각 확률미분방정식
    \( dX = a(t,X)dt + b(t,X)dB_t \)와 \( dY = \alpha(t,Y)dt + \beta(t,Y)dB_t \)를 따를 때 이토의 보조정리를 사용하여
    $$ d(XY) = XdY + YdX + b(t,X)\beta(t,Y)dt $$ 임을 보이시오.
    [힌트 : \( Z_t = X_t+Y_t \)라 놓은 후 등식 \( XY = \frac{1}{2}(Z^2 - X^2 - Y^2) \)을 이용하시오.]
32. 확률과정 \( r=r_t \)가 확률미분방정식 \( dr = a(\mu-r)dt + \sigma dB_t \)를 따를 때, \( Y_t = \int_0^t r(s)ds \)의 기댓값을 구하시오.
33. f가 연속함수일 때 \( X(t) = \int_0^t f(s)dB_s \)으로 정의된 확률과정 \( \{X(t)\} \)은 마코브 과정이고 가우시안 과정임을 설명하시오.
34. f와 g가 확률과정으로 양의 상수 \( \sigma_f \)와 \( \sigma_g \)에 대해 다음 식을 만족한다고 하자.
    $$ df = \sigma_f^2 f dt + \sigma_f f dB_t $$ $$ dg = \sigma_g^2 g dt + \sigma_g g dB_t $$ (a) \( X=X_t \)가 \( X = \ln f - \ln g \)로 정의될 때 이토의 보조정리를 사용하여 dX를 구하시오.
    (b) \( Y=f/g \)일 때, 임의의 \( t>0 \)에 대해 \( E(Y_t) = Y_0 \)임을 보이시오.
35. f가 연속함수일 때 \( X(t) = \int_0^t f(s)dB_s \)으로 정의된 \( X(t) \)의 4차 모멘트 \( E(X^4(t)) \)는 \( 3(\int_0^t f^2(s)ds)^2 \)임을 증명하시오.
36. \( S_1(t) \)와 \( S_2(t) \)는 확률미분방정식 \( dS = \mu S dt + \sigma S dB_t \)를 만족하는 두 개의 해이고 \( S_1(0)=S_2(0)=s_0 \)를 만족한다고 할 때,
    (a) 확률과정 \( X(t) = \ln(S_1(t)) - \ln(S_2(t)) \)의 확률미분방정식을 구하시오.
    (b) 기댓값 \( E(S_1(t) - S_2(t)) \)을 구하시오.
    (c) 분산 \( \text{Var}\left( \frac{S_1(t)}{S_2(t)} \right) \)을 구하시오.
37. 폐구간 [a, b]를 n개의 소구간 \( [t_{k-1}, t_k], 1 \le k \le n \)으로 나누는 분할과 [a, b]에서 연속인 확률함수 \( f(t)=F(t,B_t) \), 그리고 각 \( 1 \le k \le n \)에 대하여 확률변수
    \( X_k = f(t_{k-1})(B_{t_k} - B_{t_{k-1}}) \)가 정의되었을 때 \( j \ne k \)에 대하여 \( E(X_j X_k) = 0 \)을 보이고,
    $$ E\left[ \left( \sum_{k=1}^n X_k \right)^2 \right] = E\left[ \sum_{k=1}^n f(t_{k-1})^2 (t_k - t_{k-1}) \right] $$ 이 성립함을 보이시오
38. 주가가 \( dS = \mu S dt + \sigma S dB_t \)를 따르는 무배당 주식에 대해 만기 T에서의 페이오프가 \( \max(S_T, K) \)로 주어진 파생상품의 현재 가격 공식을 구하시오. (연속복리 무위험이자율은 r이라 가정함.)
39. [a, b]에서 연속인 확률함수 \( f(t)=F(t,B_t) \)에 대하여 다음 등식이 성립함을 보이시오.
    $$ E\left[ \left( \int_a^b f(t)dB_t \right)^2 \right] = E\left[ \int_a^b f(t)^2 dt \right] $$ 또한, 이 결과와 등식 \( 4\text{Cov}(X,Y) = \text{Var}(X+Y) - \text{Var}(X-Y) \)을 이용해 [a, b]에서 연속인 확률함수 f(t), g(t)에 대하여 이토적분으로 정의된 확률변수 \( X=\int_a^b f(t)dB_t \)와
    \( Y=\int_a^b g(t)dB_t \)의 공분산은 \( E\left[ \int_a^b f(t)g(t)dt \right] \)임을 보이시오.

 

IV. 확률과정 및 확률미분방정식의 기초 - 연습문제 풀이

1. f가 구간 [a, b]에서 미분가능 함수일 때 다음 식이 성립함을 보이시오.

$$ \int_a^b f(t)dB_t = f(b)B_b - f(a)B_a - \int_a^b B_t df(t) $$

풀이: 이토 곱셈 규칙을 이용한 증명

이 공식은 확률 과정에 대한 부분적분(Integration by Parts) 공식입니다. 일반 미적분학의 부분적분과 형태는 유사하지만, 이토 과정의 독특한 성질을 반영해야 합니다.

1. 이토 곱셈 규칙(Itô's Product Rule) 적용: 두 확률과정 \(X_t, Y_t\)에 대해, \(d(X_t Y_t) = X_t dY_t + Y_t dX_t + dX_t dY_t\)가 성립합니다. 여기서 \(f(t)\)와 \(B_t\)를 각각의 과정으로 보겠습니다.
2. 과정 설정: \(X_t = f(t)\) 이고 \(Y_t = B_t\) 로 둡니다. 이들의 미분 형태는 다음과 같습니다.
   • \(df(t) = f'(t)dt\). 여기서 \(f'(t)\)는 일반적인 도함수입니다.
   • \(dB_t\)는 브라운 운동의 증분입니다.
3. 곱의 미분 적용: 이토 곱셈 규칙을 \(d(f(t)B_t)\)에 적용합니다.
   $$ d(f(t)B_t) = f(t)dB_t + B_t df(t) + df(t)dB_t $$
4. 2차 변동항(Quadratic Variation) 계산: 이토 과정의 곱셈 규칙에서 \( (dt)^2=0, dt \cdot dB_t=0, (dB_t)^2=dt \) 라는 성질을 이용합니다.
   $$ df(t)dB_t = (f'(t)dt)dB_t = f'(t)(dt \cdot dB_t) = 0 $$
   따라서, 2차 변동항은 0이 됩니다.
5. 정리 및 적분: 위 결과를 대입하면 곱의 미분은 다음과 같이 간단해집니다.
   $$ d(f(t)B_t) = f(t)dB_t + B_t df(t) $$
   이제 이 식의 양변을 \(t=a\) 부터 \(t=b\) 까지 적분합니다.
   $$ \int_a^b d(f(t)B_t) = \int_a^b f(t)dB_t + \int_a^b B_t df(t) $$
   미적분학의 기본정리에 의해 좌변은 \(f(b)B_b - f(a)B_a\)가 됩니다.
   $$ f(b)B_b - f(a)B_a = \int_a^b f(t)dB_t + \int_a^b B_t df(t) $$
6. 최종 결론: 이 식을 \(\int_a^b f(t)dB_t\)에 대해 정리하면 문제에서 제시된 공식을 얻게 됩니다.
   $$ \int_a^b f(t)dB_t = f(b)B_b - f(a)B_a - \int_a^b B_t df(t) $$

2. \( X_t = B_t^2 - t \)로 정의된 \( \{X_t : t \ge 0\} \)는 마팅게일 확률과정임을 증명하시오.

풀이: 마팅게일의 정의를 이용한 증명

확률과정 \(X_t\)가 마팅게일(Martingale)임을 보이기 위해서는 두 가지 조건을 만족해야 합니다.
(1) \(E[|X_t|] < \infty\) (적분 가능성)
(2) \(s < t\)일 때, \(E[X_t | \mathcal{F}_s] = X_s\) (마팅게일 성질)

1. 적분 가능성 확인:
   $$ E[|X_t|] = E[|B_t^2 - t|] \le E[B_t^2] + |t| $$
   브라운 운동 \(B_t\)는 평균이 0이고 분산이 t인 정규분포를 따르므로, \(E[B_t^2] = \text{Var}(B_t) + (E[B_t])^2 = t + 0^2 = t\) 입니다.
   $$ E[|X_t|] \le t + t = 2t < \infty $$
   따라서 첫 번째 조건은 모든 \(t\)에 대해 만족합니다.
2. 마팅게일 성질 증명: \(s < t\)일 때, 시점 s까지의 정보 \(\mathcal{F}_s\)가 주어진 상태에서 \(X_t\)의 조건부 기댓값을 계산합니다.
   $$ E[X_t | \mathcal{F}_s] = E[B_t^2 - t | \mathcal{F}_s] = E[B_t^2 | \mathcal{F}_s] - t $$
   \(B_t\)를 \(B_s\)와 그 이후의 증분 \((B_t - B_s)\)로 분해하여 계산합니다.
   $$ E[B_t^2 | \mathcal{F}_s] = E[(B_s + (B_t - B_s))^2 | \mathcal{F}_s] $$
   $$ = E[B_s^2 + 2B_s(B_t - B_s) + (B_t - B_s)^2 | \mathcal{F}_s] $$
   조건부 기댓값의 선형성에 따라 각 항을 분리합니다.
   • \(E[B_s^2 | \mathcal{F}_s]\): 시점 s에서 \(B_s\)는 이미 알려진 값이므로, \(B_s^2\) 입니다.
   • \(E[2B_s(B_t - B_s) | \mathcal{F}_s]\): \(2B_s E[B_t - B_s | \mathcal{F}_s]\) 입니다. 브라운 운동의 독립 증분 성질에 의해 \(E[B_t - B_s | \mathcal{F}_s] = E[B_t-B_s] = 0\) 입니다. 따라서 이 항은 0이 됩니다.
   • \(E[(B_t - B_s)^2 | \mathcal{F}_s]\): 증분 \((B_t - B_s)\)는 과거 정보 \(\mathcal{F}_s\)와 독립이므로, \(E[(B_t-B_s)^2] = \text{Var}(B_t-B_s) = t-s\) 입니다.
3. 결과 종합: 위 결과를 모두 합치면,
   $$ E[B_t^2 | \mathcal{F}_s] = B_s^2 + 0 + (t-s) = B_s^2 + t - s $$
   이를 원래의 조건부 기댓값 식에 대입합니다.
   $$ E[X_t | \mathcal{F}_s] = (B_s^2 + t - s) - t = B_s^2 - s = X_s $$
4. 최종 결론: 두 조건을 모두 만족하므로, 확률과정 \(X_t = B_t^2 - t\)는 마팅게일입니다.

3. 상수 a, b가 있어 \( X_t = \exp\left[(a - \frac{1}{2}b^2)t + bB_t\right] \)일 때, \( X_t^n \)의 기댓값과 \( X_t \)의 분산을 구하시오.

풀이: 로그정규분포의 모멘트 생성함수 활용

\(X_t\)는 기하 브라운 운동의 형태로, 로그정규분포를 따릅니다. 로그정규분포를 따르는 확률변수의 적률(moment)을 이용하여 기댓값과 분산을 구합니다.

1. \(X_t^n\)의 형태:
   $$ X_t^n = \left(\exp\left[(a - \frac{1}{2}b^2)t + bB_t\right]\right)^n = \exp\left[n(a - \frac{1}{2}b^2)t + nbB_t\right] $$
2. \(X_t^n\)의 기댓값 계산: \(Y \sim N(\mu, \sigma^2)\)일 때, \(E[e^Y] = e^{\mu + \sigma^2/2}\) 성질을 이용합니다.여기서 \(nbB_t\)가 확률변수 부분입니다. \(B_t \sim N(0, t)\)이므로, \(nbB_t \sim N(0, n^2b^2t)\) 입니다. 따라서 \(Z_t = n(a - \frac{1}{2}b^2)t + nbB_t\)는 정규분포를 따르며, 그 평균과 분산은 다음과 같습니다.
   \(\mu_Z = E[Z_t] = n(a - \frac{1}{2}b^2)t\)
   \(\sigma_Z^2 = \text{Var}(Z_t) = n^2b^2t\)이제 기댓값을 계산합니다.
   $$ E[X_t^n] = E[e^{Z_t}] = \exp(\mu_Z + \sigma_Z^2/2) $$
   $$ = \exp\left(n(a - \frac{1}{2}b^2)t + \frac{n^2b^2t}{2}\right) $$
   $$ = \exp\left(nat + \frac{n(n-1)}{2}b^2t\right) $$
3. \(X_t\)의 분산 계산: \(\text{Var}(X_t) = E[X_t^2] - (E[X_t])^2\) 공식을 사용합니다. 위에서 구한 기댓값 공식에 \(n=1\)과 \(n=2\)를 대입하여 각 항을 구합니다.
   • \(E[X_t]\) (n=1 대입): \(\exp\left(at + \frac{1(0)}{2}b^2t\right) = e^{at}\)
   • \(E[X_t^2]\) (n=2 대입): \(\exp\left(2at + \frac{2(1)}{2}b^2t\right) = e^{2at+b^2t}\)
   이제 분산을 계산합니다.
   $$ \text{Var}(X_t) = e^{2at+b^2t} - (e^{at})^2 = e^{2at+b^2t} - e^{2at} $$
   $$ = e^{2at}(e^{b^2t} - 1) $$

4. \( dX_k = \mu_k dt + \sigma_k dB_k \) (\( 1 \le k \le n \), \( \mu_k \), \( \sigma_k \)는 상수)를 만족하는 n개의 확률변수 \( X_1, X_2, \dots, X_n \)은 항상 다변량 정규분포를 따름을 설명하시오.

풀이: 정규분포의 선형 결합 성질 이용

다변량 정규분포의 핵심적인 성질은, 정규분포를 따르는 확률변수들의 어떠한 선형 결합도 다시 정규분포를 따른다는 것입니다.

1. 각 확률변수의 분포: 먼저 각 확률변수 \(X_k(t)\)의 분포를 알아봅니다. 주어진 확률미분방정식을 시점 0부터 t까지 적분하면,
   $$ X_k(t) = X_k(0) + \int_0^t \mu_k ds + \int_0^t \sigma_k dB_k(s) = X_k(0) + \mu_k t + \sigma_k B_k(t) $$
   여기서 \(X_k(0)\)는 상수, \(\mu_k t\)도 상수입니다. \(B_k(t)\)는 정규분포 \(N(0, t)\)를 따르므로, \(X_k(t)\)는 정규분포 \(N(X_k(0)+\mu_k t, \sigma_k^2 t)\)를 따릅니다.
2. 선형 결합 고려: 이제 이 확률변수들의 임의의 선형 결합을 고려합니다. 상수 \(c_1, c_2, \dots, c_n\)에 대해, 새로운 확률변수 \(Y\)를 다음과 같이 정의합니다.
   $$ Y = c_1 X_1(t) + c_2 X_2(t) + \dots + c_n X_n(t) $$
   위에서 구한 \(X_k(t)\) 식을 대입하면,
   $$ Y = \sum_{k=1}^n c_k (X_k(0) + \mu_k t + \sigma_k B_k(t)) $$
   $$ Y = \left(\sum_{k=1}^n c_k(X_k(0) + \mu_k t)\right) + \left(\sum_{k=1}^n c_k \sigma_k B_k(t)\right) $$
3. 선형 결합의 분포:
   • 첫 번째 괄호 안의 항은 상수입니다.
   • 두 번째 괄호 안의 항은 브라운 운동(정규 확률 과정)들의 선형 결합입니다. 브라운 운동 \(B_k(t)\)들이 서로 독립이든 상관관계가 있든, 이들의 선형 결합은 항상 정규분포를 따릅니다.
   따라서, Y는 상수와 정규분포를 따르는 확률변수의 합이므로, Y 자체도 정규분포를 따릅니다.
4. 결론: 확률변수 벡터 \((X_1, X_2, \dots, X_n)\)의 어떠한 선형 결합도 정규분포를 따르므로, 정의에 의해 이 벡터는 다변량 정규분포(Multivariate Normal Distribution)를 따릅니다.

5. 주가의 확률미분방정식이 \( dS = (\mu - q)Sdt + \sigma SdB \)를 따르는 배당 주식의 가격 \( S_{t+\delta t} \)의 99% 신뢰구간을 구하시오.

풀이: 기하 브라운 운동의 해를 이용한 신뢰구간 설정

먼저, 주어진 확률미분방정식(SDE)의 해를 구하고, 그 해의 분포를 이용하여 신뢰구간을 설정합니다.

1. SDE의 해 구하기: \(dS/S\) 형태이므로 \(\ln S_t\)에 이토의 보조정리를 적용하여 해를 구합니다. 이 SDE의 해는 다음과 같습니다.
   $$ S_{t+\delta t} = S_t \exp\left[ (\mu - q - \frac{1}{2}\sigma^2)\delta t + \sigma (B_{t+\delta t} - B_t) \right] $$
2. 로그 주가의 분포: 위 식의 양변에 자연로그를 취하면,
   $$ \ln S_{t+\delta t} = \ln S_t + (\mu - q - \frac{1}{2}\sigma^2)\delta t + \sigma (B_{t+\delta t} - B_t) $$
   여기서 증분 \((B_{t+\delta t} - B_t)\)는 정규분포 \(N(0, \delta t)\)를 따릅니다. 따라서 \(\ln S_{t+\delta t}\)는 시점 \(t\)의 정보가 주어졌을 때 다음과 같은 정규분포를 따릅니다.
   $$ \ln S_{t+\delta t} \sim N\left( \ln S_t + (\mu - q - \frac{1}{2}\sigma^2)\delta t, \quad \sigma^2 \delta t \right) $$
3. 표준화 및 신뢰구간 설정: \(\ln S_{t+\delta t}\)를 표준화하여 표준정규분포를 따르는 확률변수 Z를 만듭니다.
   $$ Z = \frac{\ln(S_{t+\delta t}/S_t) - (\mu - q - \frac{1}{2}\sigma^2)\delta t}{\sigma\sqrt{\delta t}} \sim N(0,1) $$
   99% 신뢰구간은 표준정규분포에서 양쪽 꼬리 확률이 각각 0.5%인 지점 사이의 구간입니다. 이 지점은 \(z_{0.005} \approx 2.576\)입니다.
   $$ P(-2.576 < Z < 2.576) = 0.99 $$
4. 신뢰구간 유도: Z에 대한 부등식을 \(S_{t+\delta t}\)에 대해 정리합니다.
   $-2.576 < \frac{\ln(S_{t+\delta t}/S_t) - (\mu - q - \frac{1}{2}\sigma^2)\delta t}{\sigma\sqrt{\delta t}} < 2.576$
   $(\mu - q - \frac{1}{2}\sigma^2)\delta t - 2.576\sigma\sqrt{\delta t} < \ln(S_{t+\delta t}/S_t) < (\mu - q - \frac{1}{2}\sigma^2)\delta t + 2.576\sigma\sqrt{\delta t}$
   양변에 \(S_t\)를 곱하고 지수함수를 취하면 최종 신뢰구간을 얻습니다.
   $$ S_t \exp\left[ (\mu - q - \frac{\sigma^2}{2})\delta t - 2.576\sigma\sqrt{\delta t} \right] < S_{t+\delta t} < S_t \exp\left[ (\mu - q - \frac{\sigma^2}{2})\delta t + 2.576\sigma\sqrt{\delta t} \right] $$

6. \( E[(B_t - B_s)^2] = t-s \)임을 증명하고, \( s < t \)에 대하여 \( B_s \)와 \( \int_s^t B_u du \)의 공분산은 0임을 증명하시오.

풀이 1부: 증분의 분산 증명

1. 브라운 운동 증분의 성질: 표준 브라운 운동의 정의에 의해, \(s < t\)일 때 증분 \(B_t - B_s\)는 과거의 정보 \(\mathcal{F}_s\)와 독립이며, 정규분포 \(N(0, t-s)\)를 따릅니다.
2. 기댓값과 분산: 따라서 증분의 기댓값은 \(E[B_t - B_s] = 0\)이고, 분산은 \(\text{Var}(B_t-B_s) = t-s\) 입니다.
3. 2차 모멘트 계산: 확률변수 X에 대해 \(\text{Var}(X) = E[X^2] - (E[X])^2\)이므로,
   $$ E[(B_t - B_s)^2] = \text{Var}(B_t - B_s) + (E[B_t - B_s])^2 = (t-s) + 0^2 = t-s $$

풀이 2부: 공분산 증명

1. 공분산 정의: \(\text{Cov}(X, Y) = E[XY] - E[X]E[Y]\) 입니다.
   \(X = B_s\) 이고 \(Y = \int_s^t B_u du\)로 두겠습니다.
2. 기댓값 계산:
   • \(E[X] = E[B_s] = 0\)
   • \(E[Y] = E[\int_s^t B_u du] = \int_s^t E[B_u] du = \int_s^t 0 du = 0\)
   따라서, 공분산은 \( \text{Cov}(B_s, \int_s^t B_u du) = E[B_s \int_s^t B_u du] \)와 같습니다.
3. 기댓값 계산:
   $$ E\left[B_s \int_s^t B_u du\right] = E\left[\int_s^t B_s B_u du\right] = \int_s^t E[B_s B_u] du $$
   \(s < u\)일 때, \(E[B_s B_u] = E[B_s(B_s + (B_u-B_s))] = E[B_s^2] + E[B_s(B_u-B_s)]\) 입니다.
   독립 증분 성질에 의해 \(E[B_s(B_u-B_s)] = E[B_s]E[B_u-B_s] = 0 \cdot 0 = 0\) 입니다.
   따라서 \(E[B_s B_u] = E[B_s^2] = s\) 입니다.
4. 적분 및 결론: 이 결과를 위 적분식에 대입하면,
   $$ \int_s^t s du = s[u]_s^t = s(t-s) $$
   [결론 정정] 문제의 명제가 틀렸습니다. 공분산은 0이 아니라 s(t-s) 입니다. 만약 문제가 \(B_s\)와 \(\int_s^t dB_u = B_t - B_s\)의 공분산이었다면, 독립증분성으로 인해 0이 됩니다.
   [올바른 접근법] 조건부 기댓값을 사용하면 다음과 같습니다. $$ E\left[B_s \int_s^t B_u du\right] = E\left[ E\left[B_s \int_s^t B_u du \mid \mathcal{F}_s\right] \right] $$ $$ = E\left[ B_s E\left[\int_s^t B_u du \mid \mathcal{F}_s\right] \right] = E\left[ B_s \int_s^t E[B_u \mid \mathcal{F}_s] du \right] $$ \(u > s\)일 때, \(E[B_u | \mathcal{F}_s] = B_s\) 이므로, $$ = E\left[ B_s \int_s^t B_s du \right] = E\left[ B_s^2 (t-s) \right] = (t-s) E[B_s^2] = s(t-s) $$

7. \( s < t \)에 대하여 \( \int_0^s B_u du \)와 \( \int_0^t B_u du \)의 공분산은 \( \frac{s^2}{2}(t - \frac{s}{3}) \)임을 증명하시오.

풀이: 공분산의 정의와 이중적분 활용

1. 공분산 정의: \(X = \int_0^s B_u du\), \(Y = \int_0^t B_v dv\) 라 하면, \(E[X]=E[Y]=0\)이므로 \(\text{Cov}(X,Y) = E[XY]\) 입니다.
2. 기댓값 계산:
   $$ E[XY] = E\left[ \left(\int_0^s B_u du\right) \left(\int_0^t B_v dv\right) \right] = E\left[ \int_0^s \int_0^t B_u B_v dv du \right] $$
   기댓값과 적분 순서를 바꾸면 (푸비니 정리),
   $$ = \int_0^s \int_0^t E[B_u B_v] dv du $$
   브라운 운동의 공분산 성질 \(E[B_u B_v] = \min(u,v)\)를 이용합니다.
   $$ = \int_0^s \int_0^t \min(u,v) dv du $$
3. 이중적분 계산: \(s < t\) 이므로 적분 구간을 나누어 계산합니다.
   $$ \int_0^t \min(u,v) dv = \int_0^u \min(u,v) dv + \int_u^t \min(u,v) dv $$
   • \(\int_0^u \min(u,v) dv = \int_0^u v dv = [\frac{1}{2}v^2]_0^u = \frac{1}{2}u^2\)
   • \(\int_u^t \min(u,v) dv = \int_u^t u dv = [uv]_u^t = u(t-u)\)
   따라서, \(\int_0^t \min(u,v) dv = \frac{1}{2}u^2 + u(t-u) = ut - \frac{1}{2}u^2\)
4. 최종 적분: 이 결과를 다시 바깥 적분에 대입합니다.
   $$ \int_0^s \left( ut - \frac{1}{2}u^2 \right) du = \left[ \frac{t}{2}u^2 - \frac{1}{6}u^3 \right]_0^s $$
   $$ = \frac{t}{2}s^2 - \frac{1}{6}s^3 = \frac{s^2}{2}t - \frac{s^3}{6} $$
   $$ = \frac{s^2}{2}\left(t - \frac{s}{3}\right) $$
   따라서 주어진 등식이 성립합니다.

8. \( 0 < s < t \)에 대하여 \( \int_s^t B_u du \)와 \( \int_0^t B_u du \)의 공분산은 \( \frac{s^3}{3} + \frac{(t-s)^2(t+s)}{2} \)임을 증명하시오.

풀이: 공분산의 선형성 이용 및 문제 검토

공분산의 선형성 \(\text{Cov}(A, B+C) = \text{Cov}(A,B) + \text{Cov}(A,C)\)를 이용하여 실제 공분산 값을 계산하고 문제의 명제와 비교합니다.

1. 공분산 분해: \(X = \int_s^t B_u du\) 이고, \(Y = \int_0^t B_u du = \int_0^s B_u du + \int_s^t B_u du\) 이므로,
   $$ \text{Cov}(X,Y) = \text{Cov}\left(\int_s^t B_u du, \int_0^s B_u du\right) + \text{Var}\left(\int_s^t B_u du\right) $$
2. 첫 번째 항 (공분산) 계산:
   $$ \text{Cov}\left(\int_s^t B_u du, \int_0^s B_v dv\right) = \int_s^t \int_0^s E[B_u B_v] dv du $$
   적분 구간에서 항상 \(v < s < u\) 이므로 \(\min(u,v) = v\) 입니다.
   $$ = \int_s^t \left( \int_0^s v dv \right) du = \int_s^t \left[\frac{1}{2}v^2\right]_0^s du = \int_s^t \frac{s^2}{2} du = \frac{s^2}{2}(t-s) $$
3. 두 번째 항 (분산) 계산: \(I = \int_s^t B_u du\)의 분산을 계산합니다. \(B_u = B_s + (B_u - B_s)\)로 분해합니다.
   $$ I = \int_s^t (B_s + (B_u - B_s))du = (t-s)B_s + \int_s^t (B_u - B_s)du $$
   두 항의 브라운 운동 증분 구간이 겹치지 않아 독립이므로, 두 항의 공분산은 0입니다.
   $$ \text{Var}(I) = \text{Var}((t-s)B_s) + \text{Var}\left(\int_s^t (B_u-B_s)du\right) $$
   $$ = (t-s)^2\text{Var}(B_s) + \text{Var}\left(\int_0^{t-s} B_v'dv\right) \quad (\text{여기서 } B' \text{는 새로운 브라운 운동}) $$
   $$ = s(t-s)^2 + \frac{(t-s)^3}{3} $$
4. 결과 종합 및 명제 검증: 두 항의 결과를 더하면 실제 공분산 값을 얻습니다.
   $$ \text{Cov}(X,Y) = \frac{s^2(t-s)}{2} + s(t-s)^2 + \frac{(t-s)^3}{3} $$
   이 식을 대수적으로 정리하면 다음과 같은 간단한 형태로 나타낼 수 있습니다.
   $$ = \frac{t^3}{3} - \frac{s^2t}{2} + \frac{s^3}{6} $$

   이는 문제에서 증명하라고 제시한 식 \( \frac{s^3}{3} + \frac{(t-s)^2(t+s)}{2} \) 와는 다른 결과입니다.

   [결론] 풀이 과정에서 계산된 실제 공분산 값은 문제에서 제시된 명제와 일치하지 않습니다. 따라서 **문제의 명제 자체가 올바르지 않습니다.**

9. a가 상수일 때 \( E[B_t e^{aB_t}] = a t e^{a^2t/2} \) 그리고 \( E[B_t^2 e^{aB_t}] = (t + a^2t^2)e^{a^2t/2} \) 임을 증명하시오.

풀이: 모멘트 생성함수 미분 활용

정규분포의 모멘트 생성함수(MGF) \(M_X(a) = E[e^{aX}]\)와 그 미분의 성질 \(E[X^n e^{aX}] = \frac{d^n}{da^n}M_X(a)\)를 이용합니다.

1. 모멘트 생성함수(MGF) 정의: 확률변수 \(B_t \sim N(0,t)\)의 MGF는 다음과 같습니다.
   $$ M_{B_t}(a) = E[e^{aB_t}] = e^{0 \cdot a + \frac{1}{2}t a^2} = e^{a^2t/2} $$
2. 첫 번째 등식 증명 (\(E[B_t e^{aB_t}]\)): MGF를 a에 대해 한번 미분합니다.
   $$ \frac{d}{da} M_{B_t}(a) = \frac{d}{da} E[e^{aB_t}] = E\left[\frac{d}{da} e^{aB_t}\right] = E[B_t e^{aB_t}] $$
   이제 \(e^{a^2t/2}\)를 a에 대해 미분합니다.
   $$ \frac{d}{da} e^{a^2t/2} = e^{a^2t/2} \cdot \frac{d}{da}(\frac{a^2t}{2}) = e^{a^2t/2} \cdot (at) $$
   따라서,
   $$ E[B_t e^{aB_t}] = at e^{a^2t/2} $$
3. 두 번째 등식 증명 (\(E[B_t^2 e^{aB_t}]\)): MGF를 a에 대해 두 번 미분합니다.
   $$ \frac{d^2}{da^2} M_{B_t}(a) = E[B_t^2 e^{aB_t}] $$
   위에서 구한 1계 도함수 \(at e^{a^2t/2}\)를 다시 a에 대해 미분합니다 (곱의 미분법 사용).
   $$ \frac{d}{da} (at e^{a^2t/2}) = (t) \cdot e^{a^2t/2} + (at) \cdot (at e^{a^2t/2}) $$
   $$ = t e^{a^2t/2} + a^2t^2 e^{a^2t/2} = (t + a^2t^2)e^{a^2t/2} $$
   따라서,
   $$ E[B_t^2 e^{aB_t}] = (t + a^2t^2)e^{a^2t/2} $$

10. s, t > 0일 때 \( B_t - \frac{t}{s+t}B_{s+t} \)의 분산은 \( \frac{st}{s+t} \)임을 증명하시오.

[참고: 문제의 \(B_{s+t} - \frac{s}{s+t}B_{s+t}\)는 \(B_t - \frac{t}{s+t}B_{s+t}\)의 오기로 판단하여 풀이합니다.]

풀이: 분산의 성질 이용

분산의 기본 성질 \(\text{Var}(aX+bY) = a^2\text{Var}(X) + b^2\text{Var}(Y) + 2ab\text{Cov}(X,Y)\)를 이용합니다.

1. 분산 공식 적용: \(X = B_t\), \(Y = B_{s+t}\)로 두고, \(a=1, b=-\frac{t}{s+t}\)로 설정합니다.
   $$ \text{Var}\left(B_t - \frac{t}{s+t}B_{s+t}\right) = \text{Var}(B_t) + \left(-\frac{t}{s+t}\right)^2\text{Var}(B_{s+t}) - 2\frac{t}{s+t}\text{Cov}(B_t, B_{s+t}) $$
2. 각 항 계산:
   • \(\text{Var}(B_t) = t\)
   • \(\text{Var}(B_{s+t}) = s+t\)
   • \(\text{Cov}(B_t, B_{s+t}) = \min(t, s+t) = t\)
3. 결과 대입 및 정리:
   $$ = t + \frac{t^2}{(s+t)^2}(s+t) - 2\frac{t}{s+t}(t) $$
   $$ = t + \frac{t^2}{s+t} - \frac{2t^2}{s+t} = t - \frac{t^2}{s+t} $$
   통분하여 정리합니다.
   $$ = \frac{t(s+t) - t^2}{s+t} = \frac{st + t^2 - t^2}{s+t} $$
   $$ = \frac{st}{s+t} $$
   따라서 주어진 등식이 성립합니다. 이 확률과정은 브라운 다리(Brownian Bridge)와 관련된 형태입니다.

11. 이토의 보조정리를 사용하여 \( Y = B_t^3 \)과 \( X = (t+B_t)^2 \)는 각각 확률미분방정식
$$ dY = 3Y^{1/3}dt + 3Y^{2/3}dB_t $$ 과 $$ dX = (2\sqrt{X}+1)dt + 2\sqrt{X}dB_t $$ 를 만족함을 보이시오.

풀이: 이토의 보조정리(Itô's Lemma)의 직접 적용

이토의 보조정리는 확률 과정의 함수에 대한 미분을 구하는 강력한 도구입니다. \(f(t, B_t)\)에 대한 이토의 보조정리는 다음과 같습니다: $$ df = \left(\frac{\partial f}{\partial t} + \frac{1}{2}\frac{\partial^2 f}{\partial B_t^2}\right)dt + \frac{\partial f}{\partial B_t}dB_t $$

Part 1: \(Y = B_t^3\)

1. 함수 설정: \(f(B_t) = B_t^3\). 이 함수는 시간에 대해 명시적으로 의존하지 않으므로 \(\frac{\partial f}{\partial t} = 0\) 입니다.
2. 편미분 계산:
   • \(\frac{\partial f}{\partial B_t} = 3B_t^2\)
   • \(\frac{\partial^2 f}{\partial B_t^2} = 6B_t\)
3. 이토의 보조정리 대입:
   $$ dY = d(B_t^3) = \left(0 + \frac{1}{2}(6B_t)\right)dt + (3B_t^2)dB_t = 3B_t dt + 3B_t^2 dB_t $$
4. Y에 대한 식으로 변환: \(Y=B_t^3\) 이므로, \(B_t = Y^{1/3}\) 이고 \(B_t^2 = Y^{2/3}\) 입니다. 이를 위 식에 대입합니다.
   $$ dY = 3Y^{1/3}dt + 3Y^{2/3}dB_t $$

Part 2: \(X = (t+B_t)^2\)

1. 함수 설정: \(f(t, B_t) = (t+B_t)^2\). 이 함수는 시간 t에 대해서도 의존합니다.
2. 편미분 계산:
   • \(\frac{\partial f}{\partial t} = 2(t+B_t) \cdot 1 = 2(t+B_t)\)
   • \(\frac{\partial f}{\partial B_t} = 2(t+B_t) \cdot 1 = 2(t+B_t)\)
   • \(\frac{\partial^2 f}{\partial B_t^2} = 2\)
3. 이토의 보조정리 대입:
   $$ dX = \left(2(t+B_t) + \frac{1}{2}(2)\right)dt + 2(t+B_t)dB_t = (2(t+B_t)+1)dt + 2(t+B_t)dB_t $$
4. X에 대한 식으로 변환: \(X=(t+B_t)^2\) 이므로, \(\sqrt{X} = t+B_t\) 입니다. (단, \(t+B_t \ge 0\) 가정). 이를 위 식에 대입합니다.
   $$ dX = (2\sqrt{X}+1)dt + 2\sqrt{X}dB_t $$

12. 폐구간 [0, T]의 분할을 \( 0 = t_0 < t_1 < t_2 < \dots < t_n = T \)라 할 때 다음을 증명하시오.
$$ \lim_{n \to \infty} \sum_{k=1}^{n} (B_{t_k} - B_{t_{k-1}})^3 = 0 $$

풀이: 브라운 운동의 고차 변동성

이 문제는 브라운 운동의 중요한 성질인 2차 변동성(Quadratic Variation)과 관련이 있습니다. 직관적으로, 브라운 운동의 증분 \(\Delta B_k = B_{t_k} - B_{t_{k-1}}\)는 크기가 대략 \((\Delta t_k)^{1/2}\) 정도 됩니다. 따라서 그 제곱은 \((\Delta t_k)\)가 되고, 세제곱은 \((\Delta t_k)^{3/2}\)이 되어, 분할을 잘게 나눌수록 0으로 수렴하게 됩니다.

1. 증명의 목표: 주어진 합의 기댓값과 분산이 모두 0으로 수렴함을 보이면, 해당 합이 0으로 확률 수렴(converges in probability)함을 보일 수 있습니다.
2. 기댓값 계산: \( \Delta B_k = B_{t_k} - B_{t_{k-1}} \sim N(0, \Delta t_k) \) 입니다. 정규분포의 모든 홀수차 모멘트는 0이므로,
   $$ E\left[\sum_{k=1}^{n} (\Delta B_k)^3\right] = \sum_{k=1}^{n} E[(\Delta B_k)^3] = \sum_{k=1}^{n} 0 = 0 $$
3. 분산 계산:
   $$ \text{Var}\left(\sum_{k=1}^{n} (\Delta B_k)^3\right) = E\left[\left(\sum_{k=1}^{n} (\Delta B_k)^3\right)^2\right] - \left(E\left[\sum_{k=1}^{n} (\Delta B_k)^3\right]\right)^2 $$
   기댓값이 0이므로 분산은 2차 모멘트와 같습니다.
   $$ = E\left[\sum_{j,k} (\Delta B_j)^3 (\Delta B_k)^3\right] = \sum_{k=1}^{n} E[(\Delta B_k)^6] + \sum_{j \ne k} E[(\Delta B_j)^3 (\Delta B_k)^3] $$
   브라운 운동의 증분은 서로 독립이므로, \(j \ne k\)일 때 \(E[(\Delta B_j)^3 (\Delta B_k)^3] = E[(\Delta B_j)^3]E[(\Delta B_k)^3] = 0 \cdot 0 = 0\) 입니다.정규분포 \(N(0, \sigma^2)\)의 6차 모멘트는 \(15\sigma^6\) 입니다. 여기서 \(\sigma^2 = \Delta t_k\) 이므로, \(E[(\Delta B_k)^6] = 15(\Delta t_k)^3\) 입니다.
   $$ \text{Var}\left(\sum_{k=1}^{n} (\Delta B_k)^3\right) = \sum_{k=1}^{n} 15(\Delta t_k)^3 $$
4. 극한 계산: 분할의 크기가 가장 큰 것을 \(\|\Delta\| = \max_k(\Delta t_k)\)라 할 때,
   $$ \sum_{k=1}^{n} 15(\Delta t_k)^3 \le 15 \sum_{k=1}^{n} \|\Delta\|^2 (\Delta t_k) = 15\|\Delta\|^2 \sum_{k=1}^{n} \Delta t_k = 15\|\Delta\|^2 T $$
   분할의 개수 \(n \to \infty\) 이면, 분할의 크기 \(\|\Delta\| \to 0\) 입니다. 따라서,
   $$ \lim_{n \to \infty} \text{Var}\left(\sum_{k=1}^{n} (\Delta B_k)^3\right) = 0 $$
5. 결론: 기댓값과 분산이 모두 0으로 수렴하므로, 주어진 합은 0으로 수렴합니다. 이는 이토 적분에서 \( (dB_t)^2=dt \) 이지만, \( (dB_t)^n \) (n>2) 항들은 무시되는 이유를 보여주는 중요한 결과입니다.

13. \(s < t\)에 대하여 \(E[B_s | B_t] = \frac{s}{t}B_t\)임을 증명하시오.

풀이: 조건부 정규분포의 성질 이용

두 확률변수 \(X, Y\)가 다변량 정규분포를 따를 때, Y가 주어졌을 때 X의 조건부 기댓값은 \(E[X|Y=y] = E[X] + \frac{\text{Cov}(X,Y)}{\text{Var}(Y)}(y - E[Y])\) 공식을 따릅니다.

1. 변수 설정 및 분포 확인:
   • \(X = B_s\), \(Y = B_t\).
   • 브라운 운동의 어떤 시점의 값들은 항상 다변량 정규분포를 따릅니다.
   • \(E[B_s] = 0\), \(E[B_t] = 0\)
   • \(\text{Var}(B_s) = s\), \(\text{Var}(B_t) = t\)
   • \(\text{Cov}(B_s, B_t) = E[B_s B_t] = \min(s,t) = s\) (왜냐하면 \(s<t\))
2. 공식 대입: 위 값들을 조건부 기댓값 공식에 대입합니다.
   $$ E[B_s | B_t] = E[B_s] + \frac{\text{Cov}(B_s, B_t)}{\text{Var}(B_t)}(B_t - E[B_t]) $$
   $$ = 0 + \frac{s}{t}(B_t - 0) $$
3. 결론:
   $$ E[B_s | B_t] = \frac{s}{t}B_t $$
   이 결과는 매우 직관적입니다. 미래 시점 t의 값 \(B_t\)를 알고 있을 때, 과거 시점 s의 값 \(B_s\)에 대한 최선의 추정치는 원점(0)과 점 \((t, B_t)\)를 잇는 직선 위의 점, 즉 \(B_t\)를 시간 비율 \((s/t)\)만큼 축소한 값이라는 의미입니다. 이를 브라운 다리(Brownian Bridge)의 기본 성질이라고도 합니다.

14. \(0 < s < t\)에 대하여 다음 등식이 성립함을 보이시오.
$$ E[e^{B_s} | B_t] = \exp\left( \frac{s}{t}B_t + \frac{s(t-s)}{2t} \right) $$

풀이: 조건부 분포의 모멘트 생성함수 활용

이 문제는 \(B_t\)가 주어졌을 때 \(B_s\)의 조건부 분포를 구하고, 그 분포의 모멘트 생성함수(MGF) \(E[e^{aX}]\)를 이용하는 문제입니다. 여기서 \(a=1\)인 경우입니다.

1. \(B_s\)의 조건부 분포: \(B_s\)와 \(B_t\)가 다변량 정규분포를 따르므로, \(B_t\)가 주어졌을 때 \(B_s\)의 조건부 분포 또한 정규분포를 따릅니다. 그 평균과 분산은 다음과 같습니다.
   • 조건부 평균: \(\mu_{s|t} = E[B_s | B_t] = \frac{s}{t}B_t\) (문제 13의 결과)
   • 조건부 분산: \(\sigma_{s|t}^2 = \text{Var}(B_s) - \frac{(\text{Cov}(B_s,B_t))^2}{\text{Var}(B_t)} = s - \frac{s^2}{t} = \frac{s(t-s)}{t}\)
   즉, \( (B_s | B_t) \sim N\left(\frac{s}{t}B_t, \frac{s(t-s)}{t}\right) \) 입니다.
2. 정규분포의 MGF: 확률변수 \(X \sim N(\mu, \sigma^2)\)일 때, \(E[e^X] = e^{\mu + \sigma^2/2}\) 입니다.
3. MGF 적용: 위 조건부 분포의 평균과 분산을 MGF 공식에 대입합니다.
   $$ E[e^{B_s} | B_t] = \exp\left( \mu_{s|t} + \frac{\sigma_{s|t}^2}{2} \right) $$
   $$ = \exp\left( \frac{s}{t}B_t + \frac{1}{2} \cdot \frac{s(t-s)}{t} \right) $$
4. 결론:
   $$ E[e^{B_s} | B_t] = \exp\left( \frac{s}{t}B_t + \frac{s(t-s)}{2t} \right) $$
   따라서 주어진 등식이 성립합니다.

15. f가 [0, T]에서 연속인 함수일 때, \(\int_0^T f(t)dB_t\)는 평균이 0이고 분산이 \(\int_0^T f(t)^2 dt\)인 정규분포를 따름을 설명하시오.

풀이: 이토 적분의 정의와 성질

이토 적분은 리만 합의 극한으로 정의되며, 이 정의로부터 분포의 특성을 유도할 수 있습니다.

1. 이토 적분의 정의: 이토 적분 \(I(T) = \int_0^T f(t)dB_t\)는 다음과 같은 합의 극한으로 정의됩니다.
   $$ I(T) = \lim_{n \to \infty} \sum_{k=1}^n f(t_{k-1})(B_{t_k} - B_{t_{k-1}}) $$
2. 정규분포를 따르는 이유:
   • 각 항 \(f(t_{k-1})(B_{t_k} - B_{t_{k-1}})\)는 정규분포를 따릅니다. 왜냐하면 \(f(t_{k-1})\)는 상수이고 \((B_{t_k} - B_{t_{k-1}})\)는 정규분포 \(N(0, t_k-t_{k-1})\)를 따르기 때문입니다.
   • 따라서 합계 \(\sum_{k=1}^n \dots\)는 정규분포를 따르는 독립 확률변수들의 선형 결합입니다.
   • 정규분포의 중요한 성질은 정규분포들의 선형 결합 역시 정규분포를 따른다는 것입니다.
   • 그러므로 그 극한인 이토 적분 역시 정규분포를 따릅니다.
3. 평균 계산: 기댓값의 선형성을 이용하여 합의 기댓값을 구합니다.
   $$ E[I(T)] = E\left[\lim_{n \to \infty} \sum_{k=1}^n f(t_{k-1})(B_{t_k} - B_{t_{k-1}})\right] $$
   $$ = \lim_{n \to \infty} \sum_{k=1}^n f(t_{k-1})E[B_{t_k} - B_{t_{k-1}}] = \lim_{n \to \infty} \sum_{k=1}^n f(t_{k-1}) \cdot 0 = 0 $$
   따라서 이토 적분의 평균은 0입니다.
4. 분산 계산 (이토 동측정 성질, Itô Isometry): 분산은 2차 모멘트와 같습니다 (평균이 0이므로).
   $$ \text{Var}(I(T)) = E[I(T)^2] = E\left[\left(\lim_{n \to \infty} \sum_{k=1}^n f(t_{k-1})\Delta B_k\right)^2\right] $$
   문제 37에서 증명했듯이, 증분이 독립이므로 교차항의 기댓값은 0이 됩니다.
   $$ = \lim_{n \to \infty} \sum_{k=1}^n E[f(t_{k-1})^2 (\Delta B_k)^2] = \lim_{n \to \infty} \sum_{k=1}^n f(t_{k-1})^2 E[(\Delta B_k)^2] $$
   \(E[(\Delta B_k)^2] = \Delta t_k\) 이므로,
   $$ = \lim_{n \to \infty} \sum_{k=1}^n f(t_{k-1})^2 \Delta t_k = \int_0^T f(t)^2 dt $$
   이것이 바로 이토 동측정 성질(Itô Isometry)입니다.

16. 정규분포를 따르는 확률변수 X와 Y가 있을 때 Cov(X, Y) = 0이면 X와 Y는 서로 독립임을 증명하시오.

풀이: 다변량 정규분포의 확률밀도함수(PDF) 이용

두 확률변수가 독립이라는 것은 그들의 결합 확률밀도함수가 각 확률변수의 주변 확률밀도함수의 곱으로 표현됨을 의미합니다. 즉, \(f_{X,Y}(x,y) = f_X(x)f_Y(y)\)가 성립해야 합니다.

1. 다변량 정규분포 PDF: \(X \sim N(\mu_X, \sigma_X^2)\), \(Y \sim N(\mu_Y, \sigma_Y^2)\) 이고, 상관계수 \(\rho\)를 갖는 다변량 정규분포의 결합 PDF는 다음과 같습니다.
   $$ f_{X,Y}(x,y) = \frac{1}{2\pi\sigma_X\sigma_Y\sqrt{1-\rho^2}} \exp\left[-\frac{1}{2(1-\rho^2)}\left(\frac{(x-\mu_X)^2}{\sigma_X^2} - \frac{2\rho(x-\mu_X)(y-\mu_Y)}{\sigma_X\sigma_Y} + \frac{(y-\mu_Y)^2}{\sigma_Y^2}\right)\right] $$
2. 공분산 0의 의미: 상관계수 \(\rho\)와 공분산 \(\text{Cov}(X,Y)\)의 관계는 \(\rho = \frac{\text{Cov}(X,Y)}{\sigma_X\sigma_Y}\) 입니다. 따라서 \(\text{Cov}(X,Y) = 0\) 이라는 조건은 \(\rho = 0\) 이라는 조건과 같습니다.
3. \(\rho=0\) 대입: \(\rho=0\)을 위 결합 PDF에 대입합니다.
   • 분모의 \( \sqrt{1-\rho^2} \) 는 1이 됩니다.
   • 지수(exponent) 안의 \(\frac{1}{2(1-\rho^2)}\) 부분은 \(\frac{1}{2}\)가 됩니다.
   • 지수 안의 교차항(\(- \frac{2\rho(\dots)}{\dots}\))은 0이 됩니다.
   $$ f_{X,Y}(x,y) = \frac{1}{2\pi\sigma_X\sigma_Y} \exp\left[-\frac{1}{2}\left(\frac{(x-\mu_X)^2}{\sigma_X^2} + \frac{(y-\mu_Y)^2}{\sigma_Y^2}\right)\right] $$
4. PDF 분해: 지수함수의 성질 \(e^{A+B} = e^A e^B\)를 이용하여 식을 분해합니다.
   $$ = \left(\frac{1}{\sqrt{2\pi}\sigma_X} \exp\left[-\frac{(x-\mu_X)^2}{2\sigma_X^2}\right]\right) \cdot \left(\frac{1}{\sqrt{2\pi}\sigma_Y} \exp\left[-\frac{(y-\mu_Y)^2}{2\sigma_Y^2}\right]\right) $$
   $$ = f_X(x) \cdot f_Y(y) $$
5. 결론: 결합 PDF가 각 주변 PDF의 곱으로 표현되므로, X와 Y는 서로 독립입니다. 이 성질은 오직 정규분포를 따르는 확률변수들에 대해서만 일반적으로 성립하는 매우 특별한 성질입니다.

17. \( \{X_t\} \)가 마팅게일일 때 \( E(X_t) \)는 상수임을 증명하시오.

풀이: 마팅게일의 정의와 전체 확률의 법칙(Law of Total Expectation)

1. 마팅게일의 정의: 확률과정 \( \{X_t\} \)가 마팅게일이라는 것은 \(s < t\)인 모든 s, t에 대하여 \(E[X_t | \mathcal{F}_s] = X_s\)가 성립함을 의미합니다.
2. 전체 확률의 법칙(Law of Total Expectation): 어떤 확률변수 Y와 시그마-필드 \(\mathcal{G}\)에 대해, \(E[Y] = E[E[Y|\mathcal{G}]]\)가 성립합니다.
3. 증명: \(s < t\)인 임의의 s, t를 선택합니다. 전체 확률의 법칙을 \(X_t\)와 \(\mathcal{F}_s\)에 적용합니다.
   $$ E[X_t] = E[E[X_t | \mathcal{F}_s]] $$
   마팅게일의 정의에 의해, \(E[X_t | \mathcal{F}_s] = X_s\) 입니다.
   $$ E[X_t] = E[X_s] $$
4. 결론: 임의의 \(s < t\)에 대해 기댓값이 동일하므로, 마팅게일 과정의 기댓값 \(E[X_t]\)는 시간에 따라 변하지 않는 상수입니다. 보통 \(E[X_t] = E[X_0]\)로 표현됩니다.

18. \( f(t,B_t) = B_t^2 - t \)이고 $0 \le s \le t$일 때, $E[f(t,B_t)|\mathcal{F}_s] = f(s,B_s)$임을 증명하시오.

풀이: 마팅게일 성질의 직접 확인

이 문제는 확률과정 \(X_t = B_t^2 - t\)가 마팅게일임을 보이는 문제 2의 풀이 과정과 완전히 동일합니다. 마팅게일의 정의가 바로 \(E[X_t | \mathcal{F}_s] = X_s\) 이기 때문입니다.

1. 목표 설정: \(E[B_t^2 - t | \mathcal{F}_s] = B_s^2 - s\) 임을 보이면 됩니다.
2. 조건부 기댓값 계산:
   $$ E[B_t^2 - t | \mathcal{F}_s] = E[B_t^2 | \mathcal{F}_s] - t $$
   문제 2에서 증명한 바와 같이, \(B_t\)를 \(B_s + (B_t-B_s)\)로 분해하여 계산하면,
   $$ E[B_t^2 | \mathcal{F}_s] = E[(B_s + (B_t - B_s))^2 | \mathcal{F}_s] = B_s^2 + (t-s) $$
3. 결과 종합:
   $$ E[B_t^2 - t | \mathcal{F}_s] = (B_s^2 + t - s) - t = B_s^2 - s $$
4. 결론:
   $$ E[f(t,B_t)|\mathcal{F}_s] = f(s,B_s) $$
   따라서 주어진 등식이 성립하며, 이는 \(B_t^2-t\)가 마팅게일 과정임을 다시 한번 확인시켜 줍니다.

19. 확률과정 \( X=X_t \)가 \( dX = a(b-X)dt + \sigma dB \)를 만족할 때 \( Y=e^{at}X \)는 확률미분방정식 \( dY = abe^{at}dt + \sigma e^{at}dB \) 를 만족함을 보이고, \( X_t \)를 구하시오.

풀이: 변수 변환과 이토 보조정리를 이용한 SDE 풀이

이 SDE는 평균 회귀(mean-reverting) 성질을 갖는 Ornstein-Uhlenbeck 과정입니다. 제시된 변수 변환은 이 SDE를 간단한 형태로 바꾸어 쉽게 풀 수 있도록 합니다.

1. 변수 변환 및 이토의 보조정리: 함수 \(Y(t,X) = e^{at}X\)에 이토의 보조정리를 적용합니다.
   $$ dY = \frac{\partial Y}{\partial t}dt + \frac{\partial Y}{\partial X}dX + \frac{1}{2}\frac{\partial^2 Y}{\partial X^2}(dX)^2 $$
   • \(\frac{\partial Y}{\partial t} = ae^{at}X\)
   • \(\frac{\partial Y}{\partial X} = e^{at}\)
   • \(\frac{\partial^2 Y}{\partial X^2} = 0\)
   \(dX = a(b-X)dt + \sigma dB\)를 대입합니다. 2차 미분항이 0이므로 \( (dX)^2 \)항은 고려할 필요가 없습니다.
   $$ dY = (ae^{at}X)dt + e^{at}(a(b-X)dt + \sigma dB) $$
2. SDE 정리:
   $$ dY = (ae^{at}X + abe^{at} - ae^{at}X)dt + \sigma e^{at}dB $$
   \(ae^{at}X\) 항이 소거되어 다음과 같은 간단한 SDE를 얻습니다.
   $$ dY = abe^{at}dt + \sigma e^{at}dB_t $$
3. \(X_t\) 구하기: 위 \(dY\)에 대한 식을 0부터 t까지 적분하여 \(Y_t\)를 구합니다.
   $$ Y_t - Y_0 = \int_0^t abe^{as}ds + \int_0^t \sigma e^{as}dB_s $$
   $$ Y_t = Y_0 + ab\left[\frac{1}{a}e^{as}\right]_0^t + \sigma \int_0^t e^{as}dB_s $$
   $$ Y_t = Y_0 + b(e^{at}-1) + \sigma \int_0^t e^{as}dB_s $$
4. 원래 변수로 치환: \(Y_t = e^{at}X_t\) 이고 \(Y_0 = e^0 X_0 = X_0\) 이므로,
   $$ e^{at}X_t = X_0 + b(e^{at}-1) + \sigma \int_0^t e^{as}dB_s $$
   양변을 \(e^{at}\)로 나누어 \(X_t\)를 구합니다.
   $$ X_t = X_0 e^{-at} + b(1-e^{-at}) + \sigma \int_0^t e^{-a(t-s)}dB_s $$

20. 앞서 연습문제 19번의 \( Y=e^{at}X \)는
$$ Y_t = Y_0 + ab\int_0^t e^{as}ds + \sigma\int_0^t e^{as}dB_s $$ 로 나타낼 수 있음을 보이시오.

풀이: 확률미분방정식의 적분형 표현

이 문제는 확률미분방정식(SDE)의 미분형(differential form) 표현을 적분형(integral form)으로 바꾸는 과정에 대한 이해를 묻는 문제입니다.

1. SDE 미분형: 문제 19번에서 \(Y_t\)가 만족하는 SDE는 다음과 같음을 보였습니다.
   $$ dY_t = abe^{at}dt + \sigma e^{at}dB_t $$
   이 식은 짧은 시간 \(dt\) 동안의 변화량 \(dY_t\)를 나타냅니다.
2. 적분형으로 변환: 전체 시간 [0, t] 동안의 변화량을 구하기 위해 양변을 0부터 t까지 적분합니다.
   $$ \int_0^t dY_s = \int_0^t abe^{as}ds + \int_0^t \sigma e^{as}dB_s $$
3. 좌변 계산: 미적분학의 기본정리에 의해, 미소 변화량의 적분은 전체 변화량과 같습니다.
   $$ \int_0^t dY_s = Y_t - Y_0 $$
4. 결론: 위 결과를 종합하면,
   $$ Y_t - Y_0 = ab\int_0^t e^{as}ds + \sigma\int_0^t e^{as}dB_s $$
   \(Y_0\)를 우변으로 이항하면 문제에서 제시된 적분형 표현을 얻게 됩니다.
   $$ Y_t = Y_0 + ab\int_0^t e^{as}ds + \sigma\int_0^t e^{as}dB_s $$

21. \( dS = \mu S dt + \sigma S dB \)를 따르는 \( S=S_t \)에 대하여 k가 양의 정수일 때 \( Y=S^k \)는
$$ dY = \left[ k\mu + \frac{k(k-1)}{2}\sigma^2 \right]Ydt + k\sigma Y dB $$ 를 만족함을 증명하고, \( X = S^{-1} \)일 때 dX를 구하시오.

풀이: 기하 브라운 운동(GBM) 함수의 SDE 유도

이 문제는 자산 가격 \(S_t\)가 기하 브라운 운동을 따를 때, 그 거듭제곱인 \(S_t^k\)가 따르는 확률미분방정식(SDE)을 이토의 보조정리를 이용해 구하는 것입니다.

1. 함수 및 편미분 설정: 함수를 \(Y = f(S) = S^k\)로 설정합니다. 이 함수의 편미분은 다음과 같습니다.
   • \(\frac{\partial Y}{\partial S} = k S^{k-1}\)
   • \(\frac{\partial^2 Y}{\partial S^2} = k(k-1)S^{k-2}\)
   • 시간에 대한 편미분 \(\frac{\partial Y}{\partial t} = 0\) 입니다.
2. 이토의 보조정리 적용: \(S_t\)의 SDE에서 드리프트 항은 \(a(S) = \mu S\), 확산 항은 \(b(S) = \sigma S\)입니다. 이를 이토의 보조정리 \(dY = (\frac{\partial Y}{\partial t} + a(S)\frac{\partial Y}{\partial S} + \frac{1}{2}b(S)^2\frac{\partial^2 Y}{\partial S^2})dt + b(S)\frac{\partial Y}{\partial S}dB_t\)에 대입합니다.
   $$ dY = \left(0 + (\mu S)(kS^{k-1}) + \frac{1}{2}(\sigma S)^2(k(k-1)S^{k-2})\right)dt + (\sigma S)(kS^{k-1})dB_t $$
3. SDE 정리: 위 식의 각 항을 정리합니다.
   $$ dY = \left(k\mu S^k + \frac{1}{2}\sigma^2 k(k-1)S^k\right)dt + k\sigma S^k dB_t $$
   \(Y = S^k\)이므로, \(S^k\)를 Y로 치환하고 공통인수 Y를 묶어냅니다.
   $$ dY = \left[k\mu + \frac{k(k-1)}{2}\sigma^2\right]Ydt + k\sigma Y dB_t $$
   이것으로 첫 번째 증명이 완료되었습니다.
4. \(X = S^{-1}\)일 때 dX 구하기: 이는 위에서 유도한 공식에 \(k = -1\)을 대입하는 것과 같습니다.
   $$ dX = \left[(-1)\mu + \frac{(-1)(-1-1)}{2}\sigma^2\right]Xdt + (-1)\sigma X dB_t $$
   $$ dX = (-\mu + \sigma^2)Xdt - \sigma X dB_t $$

22. 확률과정 \( \{X_t\} \)가 \( X_t = B_t - tB_1, 0 \le t \le 1 \)으로 정의되는 브라운 다리 과정일 때
(a) \( E(X_t) = 0 \)과 \( Cov(X_s, X_t) = s(1-t) \) \((s \le t)\) 임을 증명하시오.
(b) \( dX_t = \frac{B_1-X_t}{1-t}dt + dB_t \)를 만족함을 증명하시오.

풀이 (a): 기댓값과 공분산 계산

1. 기댓값 증명: 기댓값의 선형성을 이용합니다.
   $$ E[X_t] = E[B_t - tB_1] = E[B_t] - tE[B_1] = 0 - t \cdot 0 = 0 $$
2. 공분산 증명: \(\text{Cov}(X_s, X_t) = E[X_s X_t] - E[X_s]E[X_t]\). 기댓값이 0이므로, \(E[X_s X_t]\)만 계산하면 됩니다.
   $$ E[X_s X_t] = E[(B_s - sB_1)(B_t - tB_1)] $$
   $$ = E[B_s B_t - tB_s B_1 - sB_1 B_t + stB_1^2] $$
   선형성을 이용해 각 항의 기댓값을 계산합니다. (\(s \le t\)이므로 \(\min(s,t)=s\))
   • \(E[B_s B_t] = \min(s,t) = s\)
   • \(E[B_s B_1] = \min(s,1) = s\)
   • \(E[B_t B_1] = \min(t,1) = t\)
   • \(E[B_1^2] = \text{Var}(B_1) = 1\)
   $$ = s - t(s) - s(t) + st(1) = s - st - st + st = s - st = s(1-t) $$
   따라서 \(\text{Cov}(X_s, X_t) = s(1-t)\) 입니다.

풀이 (b): SDE 만족 증명

이 문제는 브라운 다리 과정의 SDE 표현에 대한 것입니다. 주어진 SDE는 \(B_1\) 값에 조건지어진 과정의 동학을 나타내며, 해석이 까다롭습니다. 직접적인 대입으로 SDE를 만족하는지 확인해보겠습니다.

1. \(X_t\)의 미분: \(X_t = B_t - tB_1\)를 직접 미분하면 (이토의 관점에서)
   $$ dX_t = dB_t - B_1 dt $$
2. SDE 우변과 비교: 위 식이 문제의 SDE \( \frac{B_1-X_t}{1-t}dt + dB_t \)와 같으려면, 드리프트 항이 일치해야 합니다.
   $$ -B_1 = \frac{B_1 - X_t}{1-t} = \frac{B_1 - (B_t - tB_1)}{1-t} = \frac{B_1(1+t) - B_t}{1-t} $$
   $$ -B_1(1-t) = B_1(1+t) - B_t \implies -B_1 + tB_1 = B_1 + tB_1 - B_t \implies B_t = 2B_1 $$
   이 식은 일반적으로 성립하지 않습니다.
3. 결론: 문제에 제시된 SDE는 표준적인 브라운 다리 과정의 SDE(\(dX_t = -\frac{X_t}{1-t}dt + dB_t\))와 다릅니다. 이는 특정 정보 \(\mathcal{F}_t^{B_1}\) 하에서의 SDE를 나타내는 더 고급 주제일 수 있으며, 단순 대입으로는 증명되지 않습니다. 따라서 문제 자체에 오기가 있거나, 더 높은 수준의 이론(예: 필트레이션 확장)을 요구하는 것으로 보입니다.

23. \( t \ge 0 \)일 때 \( X_t = t B_{1/t} \)로 정의된 확률과정 \( \{X_t : t \ge 0\} \)는 브라운 운동임을 증명하시오.

풀이: 브라운 운동의 세 가지 정의 충족 확인

이것은 시간 역전(Time Inversion) 성질로 알려져 있습니다. \(X_t\)가 브라운 운동이 되려면 다음 세 조건을 만족해야 합니다.

1. \(X_0 = 0\):
   $$ X_0 = \lim_{t\to 0^+} t B_{1/t} $$
   \(u = 1/t\)로 치환하면 \(t \to 0^+\)일 때 \(u \to \infty\) 입니다.
   $$ \lim_{u\to\infty} \frac{B_u}{u} = 0 $$
   이는 브라운 운동은 시간 \(u\)보다 훨씬 느리게 발산한다는 강력한 성질(강대수 법칙) 때문입니다.
2. 연속적인 경로(Continuous Path): \(t > 0\)에서 함수 \(t\)와 \(1/t\)는 연속이고, 브라운 운동 \(B\)는 연속적인 경로를 가집니다. 따라서 합성함수인 \(X_t = tB_{1/t}\)는 \(t>0\)에서 연속입니다. 1번에서 \(t \to 0\)일 때의 극한값이 0임을 보였으므로, \(X_t\)는 \(t=0\)에서도 연속입니다.
3. 정규분포를 따르는 독립 증분: \(0 \le u \le s < t\)일 때, 증분 \(X_t - X_s\)가 과거 정보(\(\{X_v\}_{v \le s}\))와 독립이고, 정규분포 \(N(0, t-s)\)를 따름을 보여야 합니다.이 증명은 다소 까다롭지만, 공분산을 통해 직관을 얻을 수 있습니다.
   기댓값: \(E[X_t - X_s] = E[tB_{1/t} - sB_{1/s}] = tE[B_{1/t}] - sE[B_{1/s}] = 0\).
   분산: \(s < t \implies 1/t < 1/s\).
   $$ \text{Var}(X_t - X_s) = \text{Var}(tB_{1/t}) + \text{Var}(sB_{1/s}) - 2\text{Cov}(tB_{1/t}, sB_{1/s}) $$
   $$ = t^2\text{Var}(B_{1/t}) + s^2\text{Var}(B_{1/s}) - 2st\text{Cov}(B_{1/t}, B_{1/s}) $$
   $$ = t^2(\frac{1}{t}) + s^2(\frac{1}{s}) - 2st \min(\frac{1}{t}, \frac{1}{s}) = t + s - 2st(\frac{1}{t}) = t + s - 2s = t-s $$
   독립성: 증분 \(X_t - X_s\)는 \(B_u\)의 \(u \in [1/t, 1/s]\) 구간에 의존합니다. 과거 정보 \(X_u\) (\(u \le s\))는 \(B_v\)의 \(v \ge 1/u \ge 1/s\) 구간에 의존합니다. 두 브라운 운동의 시간 구간이 겹치지 않으므로, 브라운 운동의 독립 증분 성질에 의해 두 과정은 독립입니다.

세 가지 조건을 모두 만족하므로 \(X_t = tB_{1/t}\)는 표준 브라운 운동입니다.

24. S= S(t)가 상품의 가격을 나타내는 양의 확률과정으로 t의 연속함수 a(t)와 b(t)에 대해 확률미분방정식 \( dS = a(t)S dt + b(t)S dB_t \)를 따를 때, 이 확률미분방정식의 해를 구하시오.

풀이: 시간 의존 계수를 갖는 GBM의 해

이 문제는 계수가 상수가 아닌 시간의 함수일 때의 기하 브라운 운동(GBM) SDE를 푸는 것입니다. 풀이법은 계수가 상수일 때와 동일하게, \(\ln S_t\)에 이토의 보조정리를 적용하는 것입니다.

1. 함수 설정: \(Y_t = f(S_t) = \ln S_t\).
2. 편미분 계산:
   • \(\frac{\partial f}{\partial S} = \frac{1}{S}\)
   • \(\frac{\partial^2 f}{\partial S^2} = -\frac{1}{S^2}\)
   • \(\frac{\partial f}{\partial t} = 0\)
3. 이토의 보조정리 적용: 드리프트 \(a(t,S)=a(t)S\), 확산 \(b(t,S)=b(t)S\)를 이토 공식에 대입합니다.
   $$ dY_t = \left(0 + a(t)S \cdot \frac{1}{S} + \frac{1}{2}(b(t)S)^2 \cdot (-\frac{1}{S^2})\right)dt + b(t)S \cdot \frac{1}{S} dB_t $$
   $$ d(\ln S_t) = \left(a(t) - \frac{1}{2}b(t)^2\right)dt + b(t)dB_t $$
4. 양변 적분: 위 식을 0부터 t까지 적분합니다.
   $$ \int_0^t d(\ln S_s) = \int_0^t \left(a(s) - \frac{1}{2}b(s)^2\right)ds + \int_0^t b(s)dB_s $$
   $$ \ln S_t - \ln S_0 = \int_0^t \left(a(s) - \frac{1}{2}b(s)^2\right)ds + \int_0^t b(s)dB_s $$
5. \(S_t\)에 대해 풀기: 양변에 지수함수를 취하여 최종 해를 구합니다.
   $$ S_t = S_0 \exp\left( \int_0^t \left(a(s) - \frac{1}{2}b(s)^2\right)ds + \int_0^t b(s)dB_s \right) $$

25. \( 0 < t < 1 \)에 대해 \( X_t = \frac{B_t}{t} \)라 정의된 \( X_t \)의 분산은 \( \frac{1-t}{t} \)임을 보이시오.

풀이: 분산의 기본 성질 및 문제 검토

[중요] 이 문제는 제시된 명제에 오류가 있는 것으로 보입니다. 분산의 기본 성질을 이용해 직접 계산한 결과와 문제의 요구사항이 다릅니다. 먼저 직접 계산을 수행하고, 어떤 경우에 문제의 답이 나올 수 있는지 논의하겠습니다.

1. 직접 분산 계산: 분산의 성질 \(\text{Var}(cX) = c^2\text{Var}(X)\)를 이용합니다.
   $$ \text{Var}(X_t) = \text{Var}\left(\frac{B_t}{t}\right) = \left(\frac{1}{t}\right)^2 \text{Var}(B_t) $$
   \(\text{Var}(B_t) = t\) 이므로,
   $$ = \frac{1}{t^2} \cdot t = \frac{1}{t} $$
   따라서, \(X_t = B_t/t\)의 분산은 \(\frac{1}{t}\) 입니다.
2. 문제의 의도 추정: 분산이 \( \frac{1-t}{t} \)가 되는 표준적인 확률 과정은 흔치 않습니다. 하지만, \(B_t\)가 \(B_1=0\) 조건의 브라운 다리일 경우, 그 분산은 \(t(1-t)\)가 됩니다. 이 경우에도 문제의 답과는 다릅니다. 이 문제는 문제 자체에 오기가 있을 가능성이 매우 높습니다.
3. 결론: 문제에 쓰여진 그대로 풀면 분산은 \(\frac{1}{t}\)이며, 문제에서 증명하라고 요구한 \(\frac{1-t}{t}\)는 올바르지 않은 결과입니다.

26. 확률과정 \( X=X_t \)가 $$ dX = (1+e^t)Xdt + 2XdB_t $$ 를 만족할 때 \( X_t \)는 로그정규분포를 따름을 설명하고 \( X_t \)의 기댓값 \( E(X_t) \)를 구하시오.

풀이: GBM 해의 분포 및 기댓값 SDE

Part 1: 로그정규분포 설명

1. SDE 형태 분석: 주어진 SDE는 \(dS = a(t)S dt + b(t)S dB_t\) 형태의 기하 브라운 운동(GBM)입니다. 여기서 \(a(t) = 1+e^t\)이고 \(b(t) = 2\)입니다.
2. 해의 형태: 문제 24에서 풀었듯이, 이 SDE의 해는 \(S_t = S_0 \exp(\dots)\) 형태를 가집니다. 즉, \(\ln(X_t)\)는 다음과 같습니다.
   $$ \ln(X_t) = \ln(X_0) + \int_0^t \left((1+e^s) - \frac{2^2}{2}\right)ds + \int_0^t 2 dB_s $$
   $$ \ln(X_t) = \ln(X_0) + \int_0^t (e^s - 1)ds + 2B_t $$
3. 분포 설명: 위 식에서 \(\ln(X_0)\)와 첫 번째 적분항은 주어진 t에 대해 확정적인 값(상수)입니다. 두 번째 항 \(2B_t\)는 정규분포 \(N(0, 4t)\)를 따릅니다. 따라서 \(\ln(X_t)\)는 상수와 정규분포의 합이므로 정규분포를 따릅니다. 정의에 의해, 확률변수의 로그값이 정규분포를 따를 때 해당 확률변수는 로그정규분포를 따른다고 합니다.

Part 2: 기댓값 계산

1. 기댓값의 동역학: SDE \(dX_t = a(t)X_t dt + b(t)X_t dB_t\)의 양변에 기댓값을 취하면, \(E[dB_t]=0\) 이므로 다음과 같은 상미분방정식(ODE)을 얻습니다.
   $$ dE[X_t] = a(t)E[X_t]dt \implies \frac{dE[X_t]}{dt} = (1+e^t)E[X_t] $$
2. ODE 풀이: 변수분리법을 사용하여 이 ODE를 풉니다.
   $$ \int_{E[X_0]}^{E[X_t]} \frac{1}{E[X_s]}dE[X_s] = \int_0^t (1+e^s)ds $$
   $$ \left[\ln E[X_s]\right]_0^t = \left[s + e^s\right]_0^t $$
   $$ \ln E[X_t] - \ln E[X_0] = (t+e^t) - (0+e^0) = t+e^t-1 $$
3. 결론: \(X_0\)를 상수로 가정하면 \(E[X_0]=X_0\)이므로,
   $$ E[X_t] = X_0 \exp(t+e^t-1) $$

27. \( X_t = \frac{1}{1+B_t} \)는 확률미분방정식
$$ dX = X^3 dt - X^2 dB_t, \quad X_0 = 1 $$ 의 해가 됨을 증명하시오.

풀이: 이토의 보조정리를 이용한 검증

제시된 해 \(X_t\)에 이토의 보조정리를 적용하여 그 결과가 주어진 SDE와 일치하는지 확인합니다.

1. 함수 설정: \(X_t = f(B_t) = (1+B_t)^{-1}\). 이 함수는 시간에 대한 항이 없으므로 \(\frac{\partial f}{\partial t}=0\).
2. 편미분 계산:
   • \(\frac{\partial f}{\partial B_t} = -1(1+B_t)^{-2}\)
   • \(\frac{\partial^2 f}{\partial B_t^2} = (-1)(-2)(1+B_t)^{-3} = 2(1+B_t)^{-3}\)
3. 이토의 보조정리 적용:
   $$ dX_t = \left(\frac{1}{2}\frac{\partial^2 f}{\partial B_t^2}\right)dt + \left(\frac{\partial f}{\partial B_t}\right)dB_t $$
   $$ dX_t = \left(\frac{1}{2} \cdot 2(1+B_t)^{-3}\right)dt + \left(-(1+B_t)^{-2}\right)dB_t $$
   $$ dX_t = (1+B_t)^{-3}dt - (1+B_t)^{-2}dB_t $$
4. \(X_t\)로 치환: \(X_t = (1+B_t)^{-1}\)이므로, \(X_t^2 = (1+B_t)^{-2}\) 이고 \(X_t^3 = (1+B_t)^{-3}\) 입니다. 이를 위 식에 대입합니다.
   $$ dX_t = X_t^3 dt - X_t^2 dB_t $$
   이는 주어진 SDE와 정확히 일치합니다.
5. 초기 조건 확인: \(t=0\)일 때, \(B_0=0\)이므로,
   $$ X_0 = \frac{1}{1+B_0} = \frac{1}{1+0} = 1 $$
   초기 조건 또한 만족합니다. 따라서 \(X_t\)는 주어진 SDE의 해가 맞습니다.

28. 부분적분을 이용하여 \( \int_0^t s dB_s = \int_0^t (t-s)dB_s \)임을 보이고, \( \int_0^t s dB_s \)의 기댓값과 분산을 구하시오.

풀이: 이토 부분적분 및 이토 동측정 성질

[문제 검토] 문제에서 제시된 등식 \(\int_0^t s dB_s = \int_0^t (t-s)dB_s\)는 성립하지 않습니다. 문제 1번에서 유도한 이토 부분적분 공식은 \(\int_0^t s dB_s = tB_t - \int_0^t B_s ds\) 입니다. 문제의 의도가 두 적분의 관계를 묻는 것이었을 수 있으나, 등식은 아닙니다. 여기서는 각 항목을 별도로 분석하겠습니다.

Part 1: \(\int_0^t s dB_s\)의 기댓값과 분산

1. 기댓값: 이토 적분의 기본 성질에 따라, 피적분 함수가 확정적(deterministic)일 때 그 기댓값은 0입니다. 함수 \(f(s)=s\)는 확정적이므로,
   $$ E\left[\int_0^t s dB_s\right] = 0 $$
2. 분산: 이토 동측정 성질(Itô Isometry) \(\text{Var}(\int_0^t f(s)dB_s) = \int_0^t f(s)^2 ds\)를 이용합니다.
   $$ \text{Var}\left(\int_0^t s dB_s\right) = \int_0^t s^2 ds = \left[\frac{1}{3}s^3\right]_0^t = \frac{t^3}{3} $$

Part 2: \(\int_0^t (t-s)dB_s\) 와의 관계 (부분적분 재확인)

1. 문제 1의 공식 적용: 함수 \(f(s)=s\)에 대해 이토 부분적분 공식을 적용하면 다음과 같습니다.
   $$ \int_0^t s dB_s = tB_t - \int_0^t B_s ds $$
2. 결론: 문제에서 제시된 등식은 성립하지 않습니다. 다만, 두 이토 적분은 모두 평균이 0인 정규분포를 따르는 확률변수입니다.

29. 상수 a > 0에 대하여 \( Y_t = e^{aB_t - a^2t/2} \)는 \( Y_0=1 \)이고 \( dY = aYdB_t \)를 만족함을 보이시오.

풀이: 이토의 보조정리를 이용한 검증

이 확률과정은 Doléans-Dade 지수(또는 확률 지수)라고 불리며, 금융공학에서 측도 변환(change of measure) 시 사용되는 매우 중요한 마팅게일입니다.

1. 함수 설정: \(Y_t = f(t, B_t) = e^{aB_t - a^2t/2}\).
2. 편미분 계산:
   • \(\frac{\partial f}{\partial t} = e^{aB_t - a^2t/2} \cdot (-\frac{a^2}{2}) = -\frac{a^2}{2}Y_t\)
   • \(\frac{\partial f}{\partial B_t} = e^{aB_t - a^2t/2} \cdot a = aY_t\)
   • \(\frac{\partial^2 f}{\partial B_t^2} = a \cdot (aY_t) = a^2Y_t\)
3. 이토의 보조정리 적용:
   $$ dY_t = \left(\frac{\partial f}{\partial t} + \frac{1}{2}\frac{\partial^2 f}{\partial B_t^2}\right)dt + \left(\frac{\partial f}{\partial B_t}\right)dB_t $$
   $$ dY_t = \left(-\frac{a^2}{2}Y_t + \frac{1}{2}(a^2Y_t)\right)dt + (aY_t)dB_t $$
4. SDE 정리: 드리프트(dt) 항의 계수가 \(-\frac{a^2}{2}Y_t + \frac{a^2}{2}Y_t = 0\)이 되어 사라집니다.
   $$ dY_t = aY_t dB_t $$
   이는 문제에서 요구한 SDE와 일치합니다.
5. 초기 조건 확인: \(t=0\)일 때, \(B_0=0\)이므로,
   $$ Y_0 = e^{aB_0 - a^2(0)/2} = e^0 = 1 $$
   초기 조건 또한 만족합니다.

30. \( X_t = c \exp[at+bB_t] \)가 확률미분방정식
$$ dX = \alpha X dt + \beta X dB_t, \quad X_0=1 $$ 의 해가 되는 경우 상수 a, b, c와 \( \alpha, \beta \) 사이의 관계식을 구하시오.

풀이: 이토의 보조정리와 계수 비교

제시된 해의 형태에 이토의 보조정리를 적용하여 SDE를 유도한 후, 주어진 SDE와 계수를 비교하여 상수들 간의 관계를 찾습니다.

1. 함수 설정 및 편미분: \(X_t = f(t, B_t) = c e^{at+bB_t}\).
   • \(\frac{\partial f}{\partial t} = c e^{at+bB_t} \cdot a = aX_t\)
   • \(\frac{\partial f}{\partial B_t} = c e^{at+bB_t} \cdot b = bX_t\)
   • \(\frac{\partial^2 f}{\partial B_t^2} = b \cdot (bX_t) = b^2X_t\)
2. 이토의 보조정리 적용:
   $$ dX_t = \left(\frac{\partial f}{\partial t} + \frac{1}{2}\frac{\partial^2 f}{\partial B_t^2}\right)dt + \left(\frac{\partial f}{\partial B_t}\right)dB_t $$
   $$ dX_t = \left(aX_t + \frac{1}{2}b^2X_t\right)dt + (bX_t)dB_t $$
   $$ dX_t = \left(a + \frac{b^2}{2}\right)X_t dt + bX_t dB_t $$
3. 계수 비교: 위에서 유도한 SDE를 문제의 SDE \(dX = \alpha X dt + \beta X dB_t\)와 비교합니다.
   • 드리프트 항 비교: \( \alpha X_t = (a + \frac{b^2}{2})X_t \implies \alpha = a + \frac{b^2}{2} \)
   • 확산 항 비교: \( \beta X_t = bX_t \implies \beta = b \)
4. 초기 조건: \(X_0 = 1\) 조건을 이용해 c를 결정합니다.
   $$ X_0 = c \exp[a(0)+bB_0] = c e^0 = c $$
   따라서 \(c=1\) 입니다.
5. 관계식 요약:
   c = 1
   \(\beta = b\)
   \(\alpha = a + \frac{b^2}{2}\) (또는 \(a = \alpha - \frac{\beta^2}{2}\))

31. 이토 확률과정으로 정의된 확률변수 \( X=X_t, Y=Y_t \)가 각각 확률미분방정식
\( dX = a(t,X)dt + b(t,X)dB_t \)와 \( dY = \alpha(t,Y)dt + \beta(t,Y)dB_t \)를 따를 때 이토의 보조정리를 사용하여
$$ d(XY) = XdY + YdX + b(t,X)\beta(t,Y)dt $$ 임을 보이시오.
[힌트 : \( Z_t = X_t+Y_t \)라 놓은 후 등식 \( XY = \frac{1}{2}(Z^2 - X^2 - Y^2) \)을 이용하시오.]

풀이: 이토의 곱셈 규칙(Itô's Product Rule) 증명

이 문제는 두 이토 과정의 곱의 미분이 어떻게 표현되는지를 보이는 것으로, 이토의 곱셈 규칙으로 알려져 있습니다. 힌트에 따라 \(XY\)를 다른 변수들의 제곱으로 표현하여 증명합니다.

1. 각 과정의 제곱에 대한 미분 구하기: 먼저 \(d(X^2)\), \(d(Y^2)\), \(d(Z^2)\)를 이토의 보조정리를 이용해 구합니다.
   • \(f(X)=X^2 \implies f'=2X, f''=2\). 따라서 \(d(X^2) = (2X \cdot a + \frac{1}{2} \cdot 2 \cdot b^2)dt + (2X \cdot b)dB_t = (2aX+b^2)dt + 2bXdB_t\).
   • 유사하게, \(d(Y^2) = (2\alpha Y+\beta^2)dt + 2\beta YdB_t\).
   • \(Z = X+Y\)이므로 \(dZ = dX+dY = (a+\alpha)dt + (b+\beta)dB_t\).
     \(d(Z^2) = (2(a+\alpha)Z + (b+\beta)^2)dt + 2(b+\beta)ZdB_t\).
2. \(d(XY)\) 계산: \(d(XY) = \frac{1}{2}(d(Z^2) - d(X^2) - d(Y^2))\)를 계산합니다.
   $$ d(Z^2) = (2(a+\alpha)(X+Y) + b^2+2b\beta+\beta^2)dt + 2(b+\beta)(X+Y)dB_t $$
   $$ = (2aX+2aY+2\alpha X+2\alpha Y+b^2+2b\beta+\beta^2)dt + (2bX+2bY+2\beta X+2\beta Y)dB_t $$
   이제 \(d(Z^2) - d(X^2) - d(Y^2)\)를 계산합니다.
   dt 항: \((2aX+2aY+2\alpha X+2\alpha Y+b^2+2b\beta+\beta^2) - (2aX+b^2) - (2\alpha Y+\beta^2) = 2aY + 2\alpha X + 2b\beta\)
   \(dB_t\) 항: \((2bX+2bY+2\beta X+2\beta Y) - (2bX) - (2\beta Y) = 2bY + 2\beta X\)
3. 결과 정리:
   $$ d(XY) = \frac{1}{2}\left[ (2aY + 2\alpha X + 2b\beta)dt + (2bY + 2\beta X)dB_t \right] $$
   $$ = (aY + \alpha X + b\beta)dt + (bY + \beta X)dB_t $$
   이 식을 다시 \(dX\)와 \(dY\)를 이용하여 재구성합니다.
   $$ = Y(adt+bdB_t) + X(\alpha dt + \beta dB_t) + b\beta dt $$
   $$ = YdX + XdY + b(t,X)\beta(t,Y)dt $$
   일반 미적분학의 곱셈 규칙 \(d(XY) = YdX+XdY\)와 달리, 두 확률과정의 공분산에서 비롯되는 \(b\beta dt\) 항이 추가로 나타나는 것이 핵심입니다.

32. 확률과정 \( r=r_t \)가 확률미분방정식 \( dr = a(\mu-r)dt + \sigma dB_t \)를 따를 때, \( Y_t = \int_0^t r(s)ds \)의 기댓값을 구하시오.

풀이: 평균 회귀 과정의 적분

주어진 \(r_t\)는 Ornstein-Uhlenbeck 과정입니다. 먼저 \(E[r_t]\)를 구한 뒤, 이를 적분하여 \(E[Y_t]\)를 구합니다.

1. \(E[r_t]\) 구하기: \(m(t) = E[r_t]\)라 하고, 주어진 SDE의 양변에 기댓값을 취합니다.
   $$ dE[r_t] = a(\mu - E[r_t])dt \implies \frac{dm(t)}{dt} = a\mu - am(t) $$
   이것은 1계 선형 상미분방정식입니다. 해를 구하기 위해 \(m'(t) + am(t) = a\mu\)의 양변에 적분인자 \(e^{at}\)를 곱합니다.
   $$ e^{at}m'(t) + ae^{at}m(t) = a\mu e^{at} \implies \frac{d}{dt}(e^{at}m(t)) = a\mu e^{at} $$
   양변을 0부터 t까지 적분합니다.
   $$ [e^{as}m(s)]_0^t = [ \mu e^{as} ]_0^t \implies e^{at}m(t) - m(0) = \mu(e^{at}-1) $$
   \(r_0\)를 상수로 가정하면 \(m(0)=r_0\)이므로, \(m(t)\)에 대해 정리하면 다음과 같습니다.
   $$ m(t) = E[r_t] = r_0 e^{-at} + \mu(1 - e^{-at}) $$
2. \(E[Y_t]\) 계산: 기댓값과 적분의 순서를 바꿀 수 있습니다 (푸비니 정리).
   $$ E[Y_t] = E\left[\int_0^t r_s ds\right] = \int_0^t E[r_s] ds = \int_0^t m(s) ds $$
   위에서 구한 \(m(s)\)를 대입하여 적분합니다.
   $$ = \int_0^t (r_0 e^{-as} + \mu(1 - e^{-as}))ds = \int_0^t ((r_0-\mu)e^{-as} + \mu)ds $$
   $$ = \left[ -\frac{r_0-\mu}{a}e^{-as} + \mu s \right]_0^t $$
   $$ = \left(-\frac{r_0-\mu}{a}e^{-at} + \mu t\right) - \left(-\frac{r_0-\mu}{a}e^0 + 0\right) $$
3. 결론:
   $$ E[Y_t] = \mu t + \frac{r_0-\mu}{a}(1-e^{-at}) $$
   이 결과는 단기 이자율의 누적 합(예: 제로 쿠폰 본드 가격 계산 시 지수 항)의 기댓값을 나타내며, 이자율 모델링에서 매우 중요한 역할을 합니다.

33. f가 연속함수일 때 \( X(t) = \int_0^t f(s)dB_s \)으로 정의된 확률과정 \( \{X(t)\} \)은 마코브 과정이고 가우시안 과정임을 설명하시오.

풀이: 이토 적분의 특성

1. 가우시안 과정(Gaussian Process) 증명: 문제 15에서 보았듯이, 이토 적분은 정규분포를 따르는 확률변수들의 합의 극한으로 정의됩니다. 따라서 \(X(t)\) 자체는 평균이 0이고 분산이 \(\int_0^t f(s)^2 ds\)인 정규분포를 따릅니다.
   더 나아가, 임의의 시점들 \(t_1, t_2, \dots, t_n\)에 대한 벡터 \((X(t_1), \dots, X(t_n))\)의 임의의 선형 결합 \(\sum c_i X(t_i) = \int_0^T (\sum c_i 1_{t_i>s})f(s)dB_s\) 또한 이토 적분이므로 정규분포를 따릅니다.
   따라서 정의에 의해 \(X(t)\)는 가우시안 과정입니다.
2. 마코브 과정(Markov Process) 증명: 마코브 과정은 "미래는 현재의 정보에만 의존하고 과거의 정보와는 무관하다"는 성질을 가집니다. 즉, \(s < t\)일 때, \(X_t\)의 조건부 분포가 \(\mathcal{F}_s\) 전체가 아닌 오직 \(X_s\) 값에만 의존함을 보여야 합니다.
   $$ X_t = \int_0^t f(u)dB_u = \int_0^s f(u)dB_u + \int_s^t f(u)dB_u = X_s + \int_s^t f(u)dB_u $$
   시점 s의 정보 \(\mathcal{F}_s\)가 주어졌을 때,
   • \(X_s\)는 이미 알려진 상수 값입니다.
   • 두 번째 항 \(\int_s^t f(u)dB_u\)는 미래의 브라운 운동 증분 \(\{dB_u\}_{u>s}\)에만 의존하므로, 브라운 운동의 독립 증분 성질에 의해 과거 정보 \(\mathcal{F}_s\)와 독립입니다.
   따라서, \(\mathcal{F}_s\)가 주어진 상태에서 \(X_t\)의 분포는 \(X_s\)라는 상수와 \(\mathcal{F}_s\)와 독립인 정규분포의 합으로 결정됩니다. 이는 결국 \(X_s\) 값에만 의존한다는 의미입니다. 그러므로 \(X(t)\)는 마코브 과정입니다.

34. f와 g가 확률과정으로 양의 상수 \( \sigma_f \)와 \( \sigma_g \)에 대해 다음 식을 만족한다고 하자.
$$ df = \sigma_f^2 f dt + \sigma_f f dB_t $$ $$ dg = \sigma_g^2 g dt + \sigma_g g dB_t $$ (a) \( X=X_t \)가 \( X = \ln f - \ln g \)로 정의될 때 이토의 보조정리를 사용하여 dX를 구하시오.
(b) \( Y=f/g \)일 때, 임의의 \( t>0 \)에 대해 \( E(Y_t) = Y_0 \)임을 보이시오.

풀이 (a): dX 구하기

1. \(\ln f\)와 \(\ln g\)의 SDE 구하기: 먼저 각 로그 과정의 SDE를 이토의 보조정리로 구합니다. \(F=\ln f\)라 하면 \(F'=1/f, F''=-1/f^2\).
   $$ d(\ln f) = \left( \sigma_f^2 f \cdot \frac{1}{f} + \frac{1}{2}(\sigma_f f)^2 \cdot (-\frac{1}{f^2}) \right)dt + \sigma_f f \cdot \frac{1}{f} dB_t $$
   $$ = (\sigma_f^2 - \frac{1}{2}\sigma_f^2)dt + \sigma_f dB_t = \frac{1}{2}\sigma_f^2 dt + \sigma_f dB_t $$
   유사하게, \(d(\ln g) = \frac{1}{2}\sigma_g^2 dt + \sigma_g dB_t\) 입니다.
2. dX 계산: \(X = \ln f - \ln g\) 이므로 \(dX = d(\ln f) - d(\ln g)\).
   $$ dX = \left(\frac{1}{2}\sigma_f^2 dt + \sigma_f dB_t\right) - \left(\frac{1}{2}\sigma_g^2 dt + \sigma_g dB_t\right) $$
   $$ dX = \frac{1}{2}(\sigma_f^2 - \sigma_g^2)dt + (\sigma_f - \sigma_g)dB_t $$

풀이 (b): \(E[Y_t] = Y_0\) 증명 (Y가 마팅게일임을 증명)

1. \(Y=f/g\)의 SDE 구하기: \(Y=e^X\) 관계와 (a)의 결과를 이용합니다.
   $$ dY = d(e^X) = \left(e^X \cdot (\text{X의 드리프트}) + \frac{1}{2}e^X(\text{X의 확산})^2\right)dt + e^X(\text{X의 확산})dB_t $$
   $$ dY = \left(Y \cdot \frac{1}{2}(\sigma_f^2 - \sigma_g^2) + \frac{1}{2}Y(\sigma_f - \sigma_g)^2\right)dt + Y(\sigma_f - \sigma_g)dB_t $$
   드리프트 항을 정리하면, \(\frac{1}{2}Y(\sigma_f^2 - \sigma_g^2 + \sigma_f^2 - 2\sigma_f\sigma_g + \sigma_g^2) = Y(\sigma_f^2 - \sigma_f\sigma_g)\).
2. SDE: $$ dY = Y(\sigma_f^2 - \sigma_f\sigma_g)dt + Y(\sigma_f - \sigma_g)dB_t $$
3. 결론: 위 SDE의 드리프트 항 \(Y(\sigma_f^2 - \sigma_f\sigma_g)\)는 일반적으로 0이 아닙니다 (단, \(\sigma_f = \sigma_g\) 또는 \(\sigma_f=0\)인 경우는 제외). 따라서 \(Y_t\)는 일반적으로 마팅게일이 아니며 \(E[Y_t] = Y_0\)가 성립하지 않습니다. 문제에 오류가 있는 것으로 보입니다.

35. f가 연속함수일 때 \( X(t) = \int_0^t f(s)dB_s \)으로 정의된 \( X(t) \)의 4차 모멘트 \( E[X(t)^4] \)는 \( 3\left(\int_0^t f^2(s)ds\right)^2 \)임을 증명하시오.

풀이: 정규분포의 모멘트와 이토 동측정 성질

1. \(X(t)\)의 분포: 문제 15에서 보았듯이, 이토 적분 \(X(t)\)는 평균이 0이고 분산이 \(\sigma_X^2 = \int_0^t f(s)^2 ds\)인 정규분포를 따릅니다.
2. 정규분포의 4차 모멘트: 평균이 0이고 분산이 \(\sigma^2\)인 정규분포를 따르는 확률변수 Z에 대해, 4차 모멘트 \(E[Z^4]\)는 \(3\sigma^4\)으로 알려져 있습니다.
3. 결과 적용: \(X(t)\)는 평균이 0인 정규분포를 따르므로, 이 공식을 직접 적용할 수 있습니다.
   $$ E[X(t)^4] = 3 \cdot (\text{Var}(X(t)))^2 = 3(\sigma_X^2)^2 $$
4. 분산 대입: 이토 동측정 성질에 의해 \(\text{Var}(X(t)) = \int_0^t f(s)^2 ds\) 이므로, 이를 대입하면 최종 결과를 얻습니다.
   $$ E[X(t)^4] = 3\left(\int_0^t f(s)^2 ds\right)^2 $$

36. \( S_1(t) \)와 \( S_2(t) \)는 확률미분방정식 \( dS = \mu S dt + \sigma S dB_t \)를 만족하는 두 개의 해이고 \( S_1(0)=S_2(0)=s_0 \)를 만족한다고 할 때,
(a) 확률과정 \( X(t) = \ln(S_1(t)) - \ln(S_2(t)) \)의 확률미분방정식을 구하시오.
(b) 기댓값 \( E(S_1(t) - S_2(t)) \)을 구하시오.
(c) 분산 \( \text{Var}\left( \frac{S_1(t)}{S_2(t)} \right) \)을 구하시오.

[문제 해석] 이 문제는 동일한 SDE와 초기값에서 시작하는 두 개의 해 경로(path)가 어떻게 다른지를 묻고 있습니다. 이는 SDE의 해가 유일한 확정적 함수가 아니라, 브라운 운동의 특정 경로 \(\omega\)에 의존하는 확률 과정임을 이해하는 데 중요합니다. 하지만 문제의 설정(\(S_1, S_2\)가 동일한 \(dB_t\)를 따름) 하에서는 \(S_1(t)=S_2(t)\)가 되어 모든 질문의 답이 0이 됩니다. 문제가 의미를 가지려면 두 해가 서로 다른 브라운 운동 \(dB_1\)과 \(dB_2\)를 따른다고 가정해야 합니다. 이 가정 하에 문제를 풀겠습니다.

풀이 (가정: \(dS_1 = \mu S_1 dt + \sigma S_1 dB_1\), \(dS_2 = \mu S_2 dt + \sigma S_2 dB_2\))

1. (a) dX 구하기: 먼저 \(d(\ln S)\)를 구합니다. \(d(\ln S) = (\mu-\sigma^2/2)dt + \sigma dB_t\) 입니다.
   $$ dX = d(\ln S_1) - d(\ln S_2) = ((\mu-\sigma^2/2)dt + \sigma dB_1) - ((\mu-\sigma^2/2)dt + \sigma dB_2) $$
   $$ dX = \sigma(dB_1 - dB_2) $$
2. (b) 기댓값 계산: GBM의 해 \(S_t = S_0 \exp((\mu-\sigma^2/2)t + \sigma B_t)\)의 기댓값은 \(E[S_t] = S_0 e^{\mu t}\) 입니다.
   $$ E[S_1(t) - S_2(t)] = E[S_1(t)] - E[S_2(t)] = s_0 e^{\mu t} - s_0 e^{\mu t} = 0 $$
3. (c) 분산 계산: \(Y = S_1/S_2\)라 하고, \(\ln Y = X\)의 분포를 먼저 구합니다. (a)의 SDE를 적분하면,
   $$ X(t) = X(0) + \int_0^t \sigma(dB_1-dB_2) = 0 + \sigma \int_0^t d(B_1-B_2) = \sigma(B_1(t)-B_2(t)) $$
   \(B_1, B_2\)가 독립이면 \(B_1-B_2\)는 분산이 합쳐진 새로운 브라운 운동과 같습니다. \(\text{Var}(B_1(t)-B_2(t)) = \text{Var}(B_1(t)) + \text{Var}(B_2(t)) = t+t=2t\).
   따라서 \(X(t) \sim N(0, 2\sigma^2 t)\).
   Y는 로그정규분포를 따르므로, \(E[Y] = e^{0 + 2\sigma^2 t/2} = e^{\sigma^2 t}\) 이고 \(E[Y^2] = e^{2(0) + 4(2\sigma^2 t)/2} = e^{4\sigma^2 t}\).
   $$ \text{Var}(Y) = E[Y^2] - (E[Y])^2 = e^{4\sigma^2 t} - (e^{\sigma^2 t})^2 = e^{2\sigma^2 t}(e^{2\sigma^2 t}-1) $$

37. 폐구간 [a, b]를 n개의 소구간 \( [t_{k-1}, t_k], 1 \le k \le n \)으로 나누는 분할과 [a, b]에서 연속인 확률함수 \( f(t)=F(t,B_t) \), 그리고 각 \( 1 \le k \le n \)에 대하여 확률변수 \( X_k = f(t_{k-1})(B_{t_k} - B_{t_{k-1}}) \)가 정의되었을 때 \( j \ne k \)에 대하여 \( E(X_j X_k) = 0 \)을 보이고,
$$ E\left[ \left( \sum_{k=1}^n X_k \right)^2 \right] = E\left[ \sum_{k=1}^n f(t_{k-1})^2 (t_k - t_{k-1}) \right] $$ 이 성립함을 보이시오.

풀이: 이토 적분 제곱의 기댓값 (이토 동측정 성질의 기초)

1. \(E[X_j X_k] = 0\) 증명 (\(j < k\)):
   $$ E[X_j X_k] = E[f(t_{j-1})\Delta B_j \cdot f(t_{k-1})\Delta B_k] $$
   조건부 기댓값과 전체 확률의 법칙을 이용합니다. \(t_{j-1} < t_j \le t_{k-1} < t_k\) 입니다.
   $$ = E\left[ E[f(t_{j-1})\Delta B_j \cdot f(t_{k-1})\Delta B_k | \mathcal{F}_{t_{k-1}}] \right] $$
   \(f(t_{j-1})\), \(\Delta B_j\), \(f(t_{k-1})\)는 모두 시점 \(t_{k-1}\)에서는 이미 알려진 값입니다.
   $$ = E\left[ f(t_{j-1})\Delta B_j f(t_{k-1}) E[\Delta B_k | \mathcal{F}_{t_{k-1}}] \right] $$
   브라운 운동의 독립 증분 성질에 의해 \(E[\Delta B_k | \mathcal{F}_{t_{k-1}}] = E[B_{t_k} - B_{t_{k-1}}] = 0\) 입니다. 따라서 전체 기댓값은 0이 됩니다.
2. 제곱의 기댓값 증명:
   $$ E\left[ \left( \sum_{k=1}^n X_k \right)^2 \right] = E\left[ \sum_{j=1}^n \sum_{k=1}^n X_j X_k \right] $$
   기댓값의 선형성에 의해,
   $$ = \sum_{j=1}^n \sum_{k=1}^n E[X_j X_k] = \sum_{k=1}^n E[X_k^2] + \sum_{j \ne k} E[X_j X_k] $$
   위에서 \(j \ne k\)일 때 교차항의 기댓값이 0임을 보였으므로,
   $$ = \sum_{k=1}^n E[X_k^2] = \sum_{k=1}^n E[f(t_{k-1})^2 (\Delta B_k)^2] $$
   \(f(t_{k-1})\)는 \(\mathcal{F}_{t_{k-1}}\)에 대해 가측이고, \((\Delta B_k)^2\)는 미래 정보이므로, 조건부 기댓값을 이용합니다.
   $$ = \sum_{k=1}^n E\left[ E[f(t_{k-1})^2 (\Delta B_k)^2 | \mathcal{F}_{t_{k-1}}] \right] = \sum_{k=1}^n E\left[ f(t_{k-1})^2 E[(\Delta B_k)^2 | \mathcal{F}_{t_{k-1}}] \right] $$
   \(E[(\Delta B_k)^2 | \mathcal{F}_{t_{k-1}}] = E[(\Delta B_k)^2] = \Delta t_k\) 입니다.
   $$ = \sum_{k=1}^n E\left[ f(t_{k-1})^2 \Delta t_k \right] = E\left[ \sum_{k=1}^n f(t_{k-1})^2 (t_k-t_{k-1}) \right] $$
   이는 이토 동측정 성질이 이산적인 합의 형태에서 어떻게 나타나는지를 보여줍니다.

38. 주가가 \( dS = \mu S dt + \sigma S dB_t \)를 따르는 무배당 주식에 대해 만기 T에서의 페이오프가 \( \max(S_T, K) \)로 주어진 파생상품의 현재 가격 공식을 구하시오. (연속복리 무위험이자율은 r이라 가정함.)

풀이: 페이오프 분해와 위험중립가치평가

이 파생상품의 페이오프는 표준 콜옵션과 유사하지만 형태가 다릅니다. 페이오프를 분석하고 분해하여 가격을 구합니다.

1. 페이오프 분해:
   $$ \max(S_T, K) = K + \max(S_T - K, 0) $$
   이것을 어떻게 알 수 있을까요?
   - 만약 \(S_T > K\)이면, \(\max(S_T, K) = S_T\) 이고, \(K + \max(S_T-K,0) = K+(S_T-K)=S_T\) 입니다.
   - 만약 \(S_T \le K\)이면, \(\max(S_T, K) = K\) 이고, \(K + \max(S_T-K,0) = K+0=K\) 입니다.
   두 경우 모두 등식이 성립합니다.
2. 가치평가의 선형성: 파생상품의 가격은 페이오프에 대해 선형성을 가집니다. 따라서 현재가치 또한 각 페이오프의 현재가치의 합과 같습니다.
   $$ V_0 = \text{Price}(K) + \text{Price}(\max(S_T-K,0)) $$
3. 각 부분의 가치평가:
   • \(\text{Price}(K)\): 만기에 확실하게 K를 받는 계약의 현재가치는 무위험 이자율로 할인한 \(Ke^{-rT}\) 입니다.
   • \(\text{Price}(\max(S_T-K,0))\): 이것은 만기 T, 행사가격 K인 표준 유러피언 콜옵션의 페이오프입니다. 그 현재가치는 블랙-숄즈 콜옵션 공식 \(c_0\)와 같습니다.
4. 결론: 따라서 이 파생상품의 현재 가격 공식은 다음과 같습니다.
   $$ V_0 = Ke^{-rT} + \left( S_0\Phi(d_1) - Ke^{-rT}\Phi(d_2) \right) $$
   여기서 \(d_1 = \frac{\ln(S_0/K) + (r+\sigma^2/2)T}{\sigma\sqrt{T}}\), \(d_2 = d_1-\sigma\sqrt{T}\) 입니다.

39. [a, b]에서 연속인 확률함수 \( f(t)=F(t,B_t) \)에 대하여 다음 등식이 성립함을 보이시오.
$$ E\left[ \left( \int_a^b f(t)dB_t \right)^2 \right] = E\left[ \int_a^b f(t)^2 dt \right] $$ 또한, 이 결과와 등식 \( 4\text{Cov}(X,Y) = \text{Var}(X+Y) - \text{Var}(X-Y) \)을 이용해 [a, b]에서 연속인 확률함수 f(t), g(t)에 대하여 이토적분으로 정의된 확률변수 \( X=\int_a^b f(t)dB_t \)와 \( Y=\int_a^b g(t)dB_t \)의 공분산은 \( E\left[ \int_a^b f(t)g(t)dt \right] \)임을 보이시오.

풀이: 이토 동측정 성질(Itô Isometry)과 일반화

Part 1: 이토 동측정 성질 증명

이 등식은 이토 동측정 성질(Itô Isometry)로, 이토 적분의 분산을 계산하는 핵심적인 도구입니다.

1. 이산 합으로의 근사: 이토 적분은 문제 37에서 다룬 합의 극한으로 정의됩니다.
   $$ E\left[ \left( \int_a^b f(t)dB_t \right)^2 \right] = E\left[ \left( \lim_{n\to\infty} \sum_{k=1}^n f(t_{k-1})\Delta B_k \right)^2 \right] $$
   기댓값과 극한의 순서를 바꿀 수 있다고 가정하면 (지배 수렴 정리 등),
   $$ = \lim_{n\to\infty} E\left[ \left( \sum_{k=1}^n f(t_{k-1})\Delta B_k \right)^2 \right] $$
2. 문제 37의 결과 적용: 문제 37에서 이산 합의 제곱의 기댓값은 다음과 같음을 보였습니다.
   $$ = \lim_{n\to\infty} E\left[ \sum_{k=1}^n f(t_{k-1})^2 (t_k-t_{k-1}) \right] $$
3. 리만 적분으로의 수렴: 다시 기댓값과 극한의 순서를 바꾸면,
   $$ = E\left[ \lim_{n\to\infty} \sum_{k=1}^n f(t_{k-1})^2 \Delta t_k \right] $$
   괄호 안의 극한은 리만 적분의 정의에 의해 \(\int_a^b f(t)^2 dt\)로 수렴합니다.
   $$ = E\left[ \int_a^b f(t)^2 dt \right] $$

Part 2: 공분산 공식 증명

1. 분산 공식 활용: 주어진 분산 공식을 공분산에 대해 정리하면 \(\text{Cov}(X,Y) = \frac{1}{4}(\text{Var}(X+Y) - \text{Var}(X-Y))\) 입니다.
2. \(\text{Var}(X+Y)\) 계산: 이토 적분의 선형성에 의해 \(X+Y = \int_a^b (f(t)+g(t))dB_t\). 이토 동측정 성질을 적용하면,
   $$ \text{Var}(X+Y) = E\left[ \left(\int_a^b (f+g)dB_t\right)^2 \right] = E\left[ \int_a^b (f+g)^2 dt \right] $$
   $$ = E\left[ \int_a^b (f^2 + 2fg + g^2)dt \right] = E[\int f^2 dt] + 2E[\int fg dt] + E[\int g^2 dt] $$
3. \(\text{Var}(X-Y)\) 계산: 유사하게,
   $$ \text{Var}(X-Y) = E\left[ \int_a^b (f-g)^2 dt \right] = E[\int f^2 dt] - 2E[\int fg dt] + E[\int g^2 dt] $$
4. 공분산 공식 대입:
   $$ 4\text{Cov}(X,Y) = (E[\int f^2 dt] + 2E[\int fg dt] + E[\int g^2 dt]) - (E[\int f^2 dt] - 2E[\int fg dt] + E[\int g^2 dt]) $$
   $$ = 4E\left[\int_a^b f(t)g(t)dt\right] $$
5. 결론: 양변을 4로 나누면 원하는 결과를 얻습니다.
   $$ \text{Cov}(X,Y) = E\left[ \int_a^b f(t)g(t)dt \right] $$