১. ভূমিকা (Introduction)
আধুনিক অর্থনীতি ও বৈশ্বিক ফাইন্যান্সের জগতে শেয়ার বাজার একটি অত্যন্ত গতিশীল ও জটিল ব্যবস্থা। প্রতিদিন লাখ লাখ বিনিয়োগকারী, প্রাতিষ্ঠানিক তহবিল, এবং অ্যালগরিদমিক ট্রেডিং সিস্টেম কোটি কোটি টাকার শেয়ার কেনাবেচা করে। এই বিপুল কর্মযজ্ঞের মাঝে যে প্রশ্নটি সবচেয়ে বেশি গুরুত্ব পায় তা হলো: ভবিষ্যতে কোনো নির্দিষ্ট শেয়ারের দাম কত হবে? আগামী এক মাস, এক বছর বা পাঁচ বছর পর বাজারের রূপ কেমন দাঁড়াবে? এই ধরনের প্রশ্নের গাণিতিক ও পরিসংখ্যানগত উত্তর খোঁজার প্রয়াস থেকেই উদ্ভব হয়েছে 'স্টোকাস্টিক ফাইন্যান্স' (Stochastic Finance)-এর।
শেয়ারের দর পরিবর্তনকে কোনো নির্দিষ্ট সরলরেখা বা সমীকরণ দ্বারা নিখুঁতভাবে প্রকাশ করা সম্ভব নয়। এটি একটি দৈব বা অনিশ্চিত প্রক্রিয়া (Random Process)। আর এই দৈব প্রক্রিয়াকে গাণিতিক কাঠামোয় আবদ্ধ করার ক্ষেত্রে সবচেয়ে সফল ও প্রভাবশালী মডেলগুলোর একটি হলো জ্যামিতিক ব্রাউনিয়ান গতি (Geometric Brownian Motion বা GBM)। ভৌতবিজ্ঞানের একটি অবিচ্ছোদ্য ধারণা থেকে উদ্ভূত এই মডেলটি বর্তমানে গাণিতিক অর্থনীতি, অপশন প্রাইসিং (Option Pricing), পোর্টফোলিও পরিচালনা এবং ঝুঁকি নিয়ন্ত্রণের ভিত্তিপ্রস্তর স্থাপন করেছে।
এই প্রবন্ধের মূল উদ্দেশ্য হলো জ্যামিতিক ব্রাউনিয়ান গতির মৌলিক গাণিতিক কাঠামো উদ্ঘাটন করা, শেয়ার বাজারে বিনিয়োগের ক্ষেত্রে এর বাস্তবসম্মত প্রয়োগ বিশ্লেষণ করা এবং একজন দীর্ঘমেয়াদী বা স্বল্পমেয়াদী বিনিয়োগকারী কীভাবে এই মডেলের মাধ্যমে নিজের ঝুঁকি ও সম্ভাবনা পরিমাপ করতে পারেন তা বিস্তারিতভাবে তুলে ধরা।
২. ব্রাউনিয়ান গতির ঐতিহাসিক প্রেক্ষাপট ও অর্থনীতিতে আগমন
২.১ রবার্ট ব্রাউন ও উদ্ভিদবিদ্যার পর্যবেক্ষণ (১৮২৭)
১৮২৭ সালে স্কটিশ উদ্ভিদবিদ রবার্ট ব্রাউন (Robert Brown) অণুবীক্ষণ যন্ত্রের নিচে পানিতে ভাসমান মাইক্রোস্কোপিক পরাগরেণু পর্যবেক্ষণ করার সময় এক অদ্ভুত ঘটনা লক্ষ্য করেন। তিনি দেখতে পান যে, পানির কণাগুলোর অনবরত ধাক্কার কারণে পরাগরেণুগুলো সম্পূর্ণ বিশৃঙ্খল ও অনিয়মিতভাবে ছুটাছুটি করছে। এই অনিয়মিত গতিবিধিকেই পরবর্তীতে তাঁর নামানুসারে 'ব্রাউনিয়ান গতি' (Brownian Motion) বলা হয়।
২.২ অ্যালবার্ট আইনস্টাইন ও আণবিক ব্যাখ্যা (১৯০৫)
ব্রাউনের পর্যবেক্ষণের দীর্ঘ কয়েক দশক পর, ১৯০৫ সালে বিখ্যাত পদার্থবিজ্ঞানী অ্যালবার্ট আইনস্টাইন গাণিতিকভাবে প্রমাণ করেন যে, এই গতি আসলে তরল পদার্থে বিদ্যমান অণুগুলোর তাপীয় কম্পন ও অবিরাম সংঘর্ষের ফল। আইনস্টাইন ব্রাউনিয়ান গতির জন্য প্রসারণ সমীকরণ (Diffusion Equation) তৈরি করেন, যা পদার্থের আণবিক অস্তিত্বের অন্যতম সেরা প্রমাণ হিসেবে স্বীকৃত হয়।
২.৩ লুসিয়ান বাশেলিয়ার ও ফরাসি শেয়ার বাজার (১৯০০)
অধিকাংশ মানুষ মনে করেন অর্থনীতিতে আইনস্টাইনের তত্ত্ব পরে এসেছে। কিন্তু চমকপ্রদ তথ্য হলো, আইনস্টাইনের গবেষণার পাঁচ বছর আগেই ১৯০০ সালে ফরাসি গণিতবিদ লুসিয়ান বাশেলিয়ার (Louis Bachelier) তাঁর পিএইচডি থিসিস 'Théorie de la Spéculation'-এ প্রথম প্রস্তাব করেন যে, প্যারিস স্টক এক্সচেঞ্জের শেয়ার ও বন্ডের দর পরিবর্তনকে ব্রাউনিয়ান গতি দিয়ে ব্যাখ্যা করা সম্ভব। বাশেলিয়ারই প্রথম ব্যক্তি যিনি স্টক মার্কেটের দামের ওঠানামাকে স্টোকাস্টিক প্রসেস হিসেবে চিহ্নিত করেন।
২.৪ পল স্যামুয়েলসন ও জ্যামিতিক রূপান্তর (১৯৬৫)
বাশেলিয়ারের প্রাথমিক মডেলে একটি বড় দুর্বলতা ছিল: তাঁর মডেল অনুযায়ী শেয়ারের দাম ঋণাত্মক (Negative) হওয়ার সম্ভাবনা ছিল, যা বাস্তবে অসম্ভব (কোনো শেয়ারের দর শূন্যের নিচে নামতে পারে না)। ১৯৬৫ সালে নোবেল বিজয়ী অর্থনীতিবিদ পল স্যামুয়েলসন (Paul Samuelson) বাশেলিয়ারের সাধারণ ব্রাউনিয়ান গতিকে পরিবর্তন করে 'জ্যামিতিক ব্রাউনিয়ান গতি' (GBM)-র ধারণা উদ্ভাবন করেন। তিনি দেখান যে, শেয়ারের মূল্যের সরাসরি পরিবর্তনের চেয়ে 'রিটার্ন' বা শতাংশের পরিবর্তনকে স্টোকাস্টিক হিসেবে ধরা বেশি যৌক্তিক। ফলে শেয়ারের দাম সর্বদা ধনাত্মক থাকে এবং মডেলটি বাস্তবসম্মত রূপ লাভ করে।
৩. জ্যামিতিক ব্রাউনিয়ান গতির গাণিতিক অবকাঠামো
জ্যামিতিক ব্রাউনিয়ান গতি বোঝার জন্য আমাদের প্রথমে সাধারণ ব্রাউনিয়ান গতি বা উইনার প্রসেস (Wiener Process) এবং পরবর্তীতে স্টোকাস্টিক ডিফারেনশিয়াল সমীকরণ সম্পর্কে পরিষ্কার ধারণা লাভ করতে হবে।
৩.১ উইনার প্রসেস (Wiener Process)
একটি দৈব প্রক্রিয়া W(t) বা B(t)-কে উইনার প্রসেস বলা হবে যদি এটি নিম্নলিখিত তিনটি শর্ত পূরণ করে:
১. W(0) = 0 (প্রারম্ভিক বিন্দু শূন্য)।
২. এটি একটি কন্টিনিউয়াস বা অবিচ্ছিন্ন পথ (Continuous Path) অনুসরণ করে।
৩. স্বাধীন ও স্বাভাবিকভাবে বণ্টিত বৃদ্ধি (Independent and Normal Increments): যেকোনো সময় পার্থক্য (t - s)-এর জন্য, বৃদ্ধি [W(t) - W(s)] গড় ০ এবং ভেদাঙ্ক (Variance) (t - s) সহ একটি স্বাভাবিক বন্টন (Normal Distribution) মেনে চলে। অর্থাৎ: W(t) - W(s) ~ N(0, t - s)।
৩.২ GBM-এর স্টোকাস্টিক ডিফারেনশিয়াল সমীকরণ (SDE)
ধরা যাক, সময় t-এ কোনো শেয়ারের মূল্য S(t)। জ্যামিতিক ব্রাউনিয়ান গতির অধীনে, অতি ক্ষুদ্র সময় dt-তে শেয়ারের মূল্যের পরিবর্তন dS(t)-কে নিচের স্টোকাস্টিক ডিফারেনশিয়াল সমীকরণ (SDE) দ্বারা প্রকাশ করা হয়:
| GBM এর মূল সমীকরণ: | dS(t) = μ · S(t) · dt + σ · S(t) · dW(t) | অথবা, রিটার্নের সমীকরণ: | dS(t) / S(t) = μ · dt + σ · dW(t) |
এই সমীকরণে বিদ্যমান উপাদানগুলোর বিশদ বিবরণ নিচে দেওয়া হলো:
- S(t): সময় t-তে নির্দিষ্ট শেয়ারের বর্তমান বাজার মূল্য।
- μ (Mu / Drift Co-efficient): এটি শেয়ারটির প্রত্যাশিত বার্ষিক রিটার্নের হার (Expected Return Rate)। এটি নির্দেশ করে শেয়ারের দাম গড়ে কোন অভিমুখে (উর্ধমুখী বা নিম্নমুখী) ধাবিত হচ্ছে। এটিকে নির্ধারিত বা ডিসটারমিনিস্টিক (Deterministic) অংশ বলা হয়।
- σ (Sigma / Volatility): এটি শেয়ারের মূল্যের অস্থিরতা বা ভোলাটিলিটি (Volatility)। এটি বাজারের অনিশ্চয়তা ও ঝুঁকির পরিমাণ নির্দেশ করে।
- dW(t): উইনার প্রসেসের অতি ক্ষুদ্র পরিবর্তন। গাণিতিকভাবে dW(t) = ε · √(dt), যেখানে ε হলো একটি আদর্শ স্বাভাবিক দৈব চলক (Standard Normal Random Variable ~ N(0,1))।
৩.৩ ইতোর লেমা (Itô's Lemma) এবং সমীকরণের সমাধান
যেহেতু dW(t) সাধারণ ক্যালকুলাসের নিয়ম মেনে চলে না (কারণ উইনার প্রসেস কোথাও ডিফারেনশিয়েবল নয়), তাই এই SDE সমাধান করতে জাপানি গণিতবিদ কিয়োসি ইতোর উদ্ভাবিত 'ইতোর লেমা' (Itô's Lemma) ব্যবহার করা হয়।
ধরি, f(S, t) = ln(S)। ইতোর টেলর সিরিজ এক্সপ্যানশন ব্যবহার করে পাই:
df(S) = (1/S) dS + (1/2) (-1/S²) (dS)²
এখানে, (dS)² = σ² S² dt (কারণ dW² = dt, এবং অন্যান্য উচ্চাতাক পদ শূন্যের কাছাকাছি)।
dS-এর মান বসিয়ে পাই:
d(ln S) = (μ - 0.5 σ²) dt + σ dW(t)
এখন 0 থেকে t সময় পর্যন্ত উভয় পক্ষে সমাকলন (Integration) করে আমরা পাই:
| GBM এর চূড়ান্ত সমাধান সমীকরণ: | S(t) = S(0) · exp [ (μ - 0.5 · σ²) · t + σ · W(t) ] |
এই সমীকরণটি প্রমাণ করে যে, শেয়ারের ভবিষ্যত মূল্য S(t) একটি লগ-নরমাল বন্টন (Log-normal Distribution) অনুসরণ করে। এর অর্থ হলো, ln(S(t)/S(0)) একটি স্বাভাবিক বন্টন (Normal Distribution) মেনে চলে, যার গড় (μ - 0.5 σ²)t এবং ভেদাঙ্ক σ²t।
৪. শেয়ার বাজারে জ্যামিতিক ব্রাউনিয়ান গতির বাস্তব প্রয়োগ
৪.১ ভবিষ্যৎ শেয়ার মূল্যের সিমুলেশন (Monte Carlo Simulation)
GBM-এর সবচেয়ে বাস্তবধর্মী প্রয়োগ ঘটে মন্ট কার্লো সিমুলেশনে। একজন বিনিয়োগকারী ঐতিহাসিক তথ্য (Historical Data) থেকে কোনো শেয়ারের গড় রিটার্ন (μ) এবং অস্থিরতা (σ) গণনা করে আগামী ১০০ বা ১০০০ দিনে শেয়ারটির মূল্য কেমন হতে পারে তার হাজার হাজার সম্ভাব্য গতিপথ (Price Paths) কম্পিউটার প্রোগ্রামের মাধ্যমে তৈরি করতে পারেন।
সারণী ১: GBM মডেলের মূল উপাদান ও শেয়ার বাজারের তাৎপর্য
| গাণিতিক প্রতীক | গাণিতিক নাম | শেয়ার বাজারের বাস্তব তাৎপর্য |
| μ (Mu) | Drift Component | কোম্পানির দীর্ঘমেয়াদী প্রবৃদ্ধি, বার্ষিক প্রত্যাশিত রিটার্ন |
| σ (Sigma) | Volatility Component | বাজারের ঝুঁকি, সংবাদের প্রভাব, দর ওঠানামার তীব্রতা |
| dW(t) | Wiener Process Increment | অনাকাঙ্ক্ষিত নতুন খবর, ভূরাজনৈতিক ঘটনা, দৈব ক্রেতা/বিক্রেতার চাপ |
| S(0) | Initial Asset Price | বিনিয়োগ শুরু করার মুহূর্তে শেয়ারের বর্তমান দর (CMP) |
৪.২ অপশন প্রাইসিং ও ব্ল্যাক-শোলস মডেল (Black-Scholes Model)
১৯৭৩ সালে ফিশার ব্ল্যাক এবং মাইরন শোলস অপশন ডেরিভেটিভসের সঠিক মূল্য নির্ধারণের জন্য যে নোবেলজয়ী মডেল প্রকাশ করেন, তার মূল ভিত্তিই ছিল জ্যামিতিক ব্রাউনিয়ান গতি। ব্ল্যাক-শোলস মডেল ধরে নেয় যে আন্ডারলাইং অ্যাসেট বা শেয়ারের দাম GBM মেনে চলে। এর ওপর ভিত্তি করে ইউরোপিয়ান কল ও পুট অপশনের প্রিমিয়াম হিসাব করা হয়:
C(S, t) = S₀ · N(d₁) - K · e^(-rT) · N(d₂)
এখানে N(d) হলো স্ট্যান্ডার্ড নরমাল কিউমিউলেটিভ ডিস্ট্রিবিউশন ফাংশন। GBM না থাকলে আধুনিক বিশ্বজুড়ে বিলিয়ন ডলারের অপশন ও ডেরিভেটিভস বাজার গড়ে ওঠা অসম্ভব হতো।
৪.৩ ভ্যালু অ্যাট রিস্ক (Value at Risk - VaR) নিরূপণ
ঝুঁকি ব্যবস্থাপনায় প্রাতিষ্ঠানিক বিনিয়োগকারীরা (যেমন মিউচুয়াল ফান্ড বা হেজ ফান্ড) VaR ব্যবহার করেন। GBM মডেল ব্যবহার করে ৯৫% বা ৯৯% আত্মবিশ্বাসের সাথে বলা সম্ভব যে আগামী ১ দিনে বা ১ সপ্তাহে কোনো পোর্টফোলিওর সর্বোচ্চ কত টাকা লোকসান হতে পারে।
৫. জ্যামিতিক ব্রাউনিয়ান গতির সীমাবদ্ধতা ও বাস্তবতার সংঘাত
যদিও জ্যামিতিক ব্রাউনিয়ান গতি গাণিতিকভাবে অত্যন্ত চমৎকার এবং অর্থনীতিতে ব্যাপকভাবে ব্যবহৃত, তবুও বাস্তব শেয়ার বাজারের সাথে এর কিছু মৌলিক বৈপরীত্য রয়েছে। একজন সতর্ক বিনিয়োগকারীকে অবশ্যই এই সীমাবদ্ধতাগুলো সম্পর্কে সচেতন থাকতে হবে।
৫.১ ধ্রুবক ভোলাটিলিটির ভুল ধারণা (Constant Volatility Assumption)
GBM মডেলে ধরে নেওয়া হয় যে অস্থিরতা (σ) সবসময় স্থির বা ধ্রুবক থাকে। কিন্তু বাস্তব বাজারে ভোলাটিলিটি কখনোই স্থির থাকে না। শান্ত বাজারে ভোলাটিলিটি কম থাকে, আবার কোনো বড় রাজনৈতিক বা অর্থনৈতিক সংকটের সময় ভোলাটিলিটি চরম মাত্রায় বৃদ্ধি পায়। বাস্তব বাজারে 'Volatility Clustering' দেখা যায়—অর্থাৎ উচ্চ ভোলাটিলিটির পর উচ্চ ভোলাটিলিটি এবং নিম্ন ভোলাটিলিটির পর নিম্ন ভোলাটিলিটি আসে।
৫.২ নরমাল বন্টন বনাম মোটা লেজের বন্টন (Fat Tails & Black Swan Events)
GBM মডেল অনুযায়ী রিটার্নের বন্টন হয় স্বাভাবিক (Normal Distribution)। স্বাভাবিক বন্টনে গড়ের থেকে ৩ বা ৪ স্ট্যান্ডার্ড ডেভিয়েশনের বাইরের ঘটনা ঘটার সম্ভাবনা প্রায় শূন্য। কিন্তু বাস্তব শেয়ার বাজারে 'ব্ল্যাক সোয়ান Event' (যেমন ২০০৮ সালের অর্থনৈতিক মন্দা বা ২০২০ সালের কোভিড ক্র্যাশ) প্রায়শই ঘটে। বাস্তব বাজারের রিটার্ন বন্টনে 'Fat Tails' বা মোটা লেজ দেখা যায়, অর্থাৎ চরম দরপতন বা দরবৃদ্ধি মডেলের অনুমানের চেয়ে অনেক বেশি ঘটে।
৫.৩ জাম্প প্রসেসের অভাব (Lack of Jumps)
GBM একটি অবিচ্ছিন্ন পথ (Continuous Path) মেনে চলে। অর্থাৎ শেয়ারের দাম ১০০ টাকা থেকে ১০০.১, ১০০.২ এভাবে লাফ না দিয়ে বাড়ে। কিন্তু বাস্তবে রাতারাতি খারাপ বা ভালো খবর আসলে বা ত্রৈমাসিক ফলাফলের পর শেয়ার খোলা মাত্রই ১০% বা ২০% গ্যাপ-আপ বা গ্যাপ-ডাউন (Gap Open) হতে পারে। GBM এই আকস্মিক লাফ (Jump) ব্যাখ্যা করতে পারে না।
৬. বাস্তবসম্মত উন্নত রূপান্তর ও বিকল্প মডেল
GBM-এর সীমাবদ্ধতা দূর করার জন্য আধুনিক স্টোকাস্টিক ফাইন্যান্সে বেশ কিছু উন্নত মডেল তৈরি হয়েছে:
৬.১ মার্টন জাম্প-ডিফিউশন মডেল (Merton Jump-Diffusion Model)
১৯৭৬ সালে রবার্ট মার্টন GBM-এর সাথে পয়সন প্রসেস (Poisson Process) যুক্ত করেন। ফলে সাধারণ দিনে শেয়ার দাম GBM মেনে চলে, কিন্তু হঠাৎ কোনো বড় সংবাদ আসলে মডেলে লাফ (Jump) তৈরি হয়।
৬.২ হেক্সটন স্টোকাস্টিক ভোলাটিলিটি মডেল (Heston Model)
১৯৯৩ সালে স্টিভেন হেক্সটন প্রস্তাব করেন যে ভোলাটিলিটি (σ) নিজেও একটি স্থির সংখ্যা নয়, বরং সেটিও আরেকটি স্টোকাস্টিক প্রসেস মেনে চলে (Mean-Reverting CIR Process)।
৭. ভারতীয় শেয়ার বাজারের (NSE/BSE) প্রেক্ষাপটে GBM-এর কার্যকারিতা
ভারতের জাতীয় শেয়ার বাজার (NSE)-এর নিফটি ৫০ (NIFTY 50) এবং বোম্বে স্টক এক্সচেঞ্জের (BSE) সেনসেক্সের ঐতিহাসিক তথ্য বিশ্লেষণ করলে দেখা যায় যে, দীর্ঘমেয়াদী বিনিয়োগের ক্ষেত্রে GBM বেশ ভালো ফল দেয়।
উদাহরণস্বরূপ, ভারতের বিগত ৩০ বছরের নিফটি ৫০-এর পরিসংখ্যান দেখলে দেখা যায় যে, সুদীর্ঘ সময় ধরে নিফটি প্রায় ১২% থেকে ১৪% চক্রবৃদ্ধি হারে (CAGR) বৃদ্ধি পেয়েছে। এখানে μ = 0.13 এবং গড় ভোলাটিলিটি σ = 0.18 ধরে যদি ২০ বছরের একটি GBM মন্ট কার্লো সিমুলেশন করা যায়, তবে দেখা যাবে যে দীর্ঘমেয়াদে বাজার সূচক একটি স্পষ্ট উর্ধ্বমুখী চ্যানেল বজায় রাখে। তবে স্বল্পমেয়াদী ট্রেডিং বা দৈনিক অপশন ট্রেডিংয়ের ক্ষেত্রে সাধারণ GBM মডেল ব্যর্থ হতে পারে, সেখানে জিএআরসিএইচ (GARCH) মডেল বা স্টোকাস্টিক ভোলাটিলিটি যুক্ত করা আবশ্যক।
৮. বিনিয়োগকারীদের জন্য কৌশলগত উপদেশ ও সিদ্ধান্ত গ্রহণ
জ্যামিতিক ব্রাউনিয়ান গতির গাণিতিক জ্ঞান কেবল গবেষক বা অ্যালগরিদমিক ট্রেডারদের জন্য নয়, সাধারণ ব্যক্তিগত বিনিয়োগকারীর জন্যও এটি অত্যন্ত শিক্ষণীয়। এটি থেকে প্রাপ্ত প্রধান শিক্ষাগুলো নিম্নরূপ:
১. স্বল্পমেয়াদী পূর্বাভিমানের অসারতা: GBM আমাদের শেখায় যে অতি স্বল্পমেয়াদে (দৈনিক বা সাপ্তাহিক) dW(t) বা দৈব উপাদানের প্রভাব μ · dt বা ড্রিফটের চেয়ে অনেক বেশি শক্তিশালী। ফলে স্বল্পমেয়াদে শেয়ারের দর কোথায় যাবে তা বলা লটারি খেলার শামিল।
২. দীর্ঘমেয়াদী ড্রিফটের শক্তি (The Power of Long-Term Drift): সময় t যত বাড়ে, μ · t-এর প্রভাব σ · W(t)-এর প্রভাবকে ছাপিয়ে যায়। কারণ সময় বাড়ার সাথে সাথে ড্রিফটের প্রভাব অনুপাতিক হারে বাড়ে (t), কিন্তু অনিশ্চয়তা বা ভেদাঙ্ক বাড়ে বর্গমূল হারে (√t)। তাই মানসম্মত কোম্পানিতে দীর্ঘমেয়াদে বিনিয়োগ করলে জয়ের সম্ভাবনা প্রায় শতভাগ।
৩. ডাইভারসিফিকেশন বা বৈচিত্র্যায়ন: বিভিন্ন শেয়ারের সমন্বয়ে পোর্টফোলিও তৈরি করলে স্বতন্ত্র শেয়ারের উগ্র ভোলাটিলিটি (σ) কাটছাঁট হয়ে যায়, অথচ পোর্টফোলিওর গড় রিটার্ন (μ) বজায় থাকে।
৯. উপসংহার (Conclusion)
জ্যামিতিক ব্রাউনিয়ান গতি গাণিতিক অর্থনীতি ও বিনিয়োগ শাস্ত্রের ইতিহাসে এক বৈপ্লবিক সংযোজন। যদিও বাস্তব বাজারের সমস্ত জটিলতা এবং অনাকাঙ্ক্ষিত সংকটকে এটি একা ব্যাখ্যা করতে পারে না, তবুও শেয়ারের মূল্য আচরণ, ঝুঁকি ব্যবস্থাপনা এবং ডেরিভেটিভস মূল্যায়নের ক্ষেত্রে এটি আজও সর্বাধিক ব্যবহৃত ভিত্তি মডেল।
শিক্ষা ক্ষেত্রে এবং পিএইচডি গবেষণার ক্ষেত্রে এই মডেলটি অনুধাবন করা স্টোকাস্টিক প্রসেস ও ফাইনান্সিয়াল ইকোনমিক্সের সম্পর্ক বুদ্বগম্য করতে সহায়তা করে। একজন বিনিয়োগকারী হিসেবে দৈব অনিশ্চয়তা (Noise) এবং দীর্ঘমেয়াদী প্রবৃদ্ধি (Drift)-এর পার্থক্য বুঝতে পারাটাই হলো সফলতার মূল চাবিকাঠি—যা জ্যামিতিক ব্রাউনিয়ান গতি আমাদের গাণিতিক সূক্ষ্মতার সাথে শিখিয়ে দেয়।
১০. গ্রন্থপঞ্জি (References)
1. Bachelier, L. (1900). Théorie de la spéculation. Annales Scientifiques de l'École Normale Supérieure, 17, 21-86.
2. Black, F., & Scholes, M. (1973). The Pricing of Options and Corporate Liabilities. Journal of Political Economy, 81(3), 637-654.
3. Einstein, A. (1905). Über die von der molekularkinetischen Theorie der Wärme geforderte Bewegung von in ruhenden Flüssigkeiten suspendierten Teilchen. Annalen der Physik, 322(8), 549-560.
4. Hull, J. C. (2018). Options, Futures, and Other Derivatives (10th ed.). Pearson Education.
5. Merton, R. C. (1976). Option pricing when underlying stock returns are discontinuous. Journal of Financial Economics, 3(1-2), 125-144.
6. Samuelson, P. A. (1965). Proof That Properly Anticipated Prices Fluctuate Randomly. Industrial Management Review, 6(2), 41-49.
7. Shreve, S. E. (2004). Stochastic Calculus for Finance II: Continuous-Time Models. Springer Science & Business Media.
মন্তব্য (০)
লগ-ইন করুন মন্তব্য করতে।