随机微分方程学习笔记01 相对布朗运动的Ito积分
这个系列是在随机过程学习笔记之后的,本来想直接看随机微分方程的,但发现很多概念不了解,就先去看了随机过程的资料。
文章目录
- 一维Ito积分
- 在L2L^2L2上构造
- 简单过程的Ito积分
- VVV中一般过程的Ito积分
- 平方协方差
- Ito积分的性质
- Ito积分的扩展
- 多维Ito积分
前情提要: Ω={所有ω}\Omega=\{所有\omega\}Ω={所有ω}, ω(t)∈P\omega(t)\in\mathbb{P}ω(t)∈P, t∈It\in It∈I,随机过程比如 X:(t,ω)↦X(t,ω)∈RX:(t,\omega)\mapsto X(t,\omega)\in\RX:(t,ω)↦X(t,ω)∈R,随机变量 P→R\mathbb{P}\to\mathbb{R}P→R。
一维Ito积分
在L2L^2L2上构造
设(Ft)t≥0(\mathscr{F}_t)_{t\ge 0}(Ft)t≥0是一个完备概率空间(Ω,F,P)(\Omega,\mathscr{F},P)(Ω,F,P)上的滤子(filtration),即一个满足
- Fs⊂Ft⊂F,(s≤t\mathscr{F}_s\subset\mathscr{F}_t\subset\mathscr{F}, (s\le tFs⊂Ft⊂F,(s≤t);
- Fs=∩t>sFt,(s≥0)\mathscr{F}_s=\cap_{t>s}\mathscr{F}_t,(s\ge 0)Fs=∩t>sFt,(s≥0)【右正则性】;
- ∀A∈F\forall A\in \mathscr{F}∀A∈F满足P(A)=0P(A)=0P(A)=0,有A∈F0A\in\mathscr{F}_0A∈F0;
的网。
(Xt,t≥0)(X_t,t\ge 0)(Xt,t≥0)是一族(Ω,F,P)(\Omega,\mathscr{F},P)(Ω,F,P)上的Rd\mathbb{R}^dRd随机变量。
若满足所有X(t)X(t)X(t)是Fs\mathscr{F}_sFs可测的,则称(X(t),t≥0)(X(t),t\ge 0)(X(t),t≥0)是(Fs)(F_s)(Fs)-适合的((Ft)(\mathscr{F}_t)(Ft)-adapted)。
若满足(t,ω)↦X(t,ω)(t,\omega)\mapsto X(t,\omega)(t,ω)↦X(t,ω)是B⨂F\mathscr{B}\bigotimes\mathscr{F}B⨂F可测的,则称过程XXX是可测的(measurable)。
若满足∀ω\forall \omega∀ω,轨迹t↦X(t,ω)t\mapsto X(t,\omega)t↦X(t,ω)是连续的(B\mathscr{B}B是R\RR上的Borel),则称(X(t),t≥0)(X(t),t\ge 0)(X(t),t≥0)是连续的(continuous)。
已经有结论,若一个过程是(右)连续的,则它是可测的。
设(W(t),t≥0)(W(t),t\ge 0)(W(t),t≥0)是一个连续的(Ft)(\mathscr{F}_t)(Ft)-合适的实值过程,若满足
- W(0)=0W(0)=0W(0)=0。
- 对任意sss,0≤s≤t0\le s\le t0≤s≤t:W(t)−W(s)W(t)-W(s)W(t)−W(s)与Fs\mathscr{F}_sFs独立。
- 对任意sss,0≤s≤t0\le s\le t0≤s≤t:W(t)−W(s)∼N(0,t−s)W(t)-W(s)\sim\mathscr{N}(0,t-s)W(t)−W(s)∼N(0,t−s)。
则称WWW是一维标准布朗运动(standard one-dementional Brownian motion)。
V:={Y:Y为实值随机过程,Ft−适合,可测,且满足∥Y∥V:=(∫0∞E[Y(t)2]dt})12<∞}V:=\{Y:Y为实值随机过程,\mathscr{F}_t-适合,可测,且满足\|Y\|_{V}:=\left(\int_{0}^{\infty}\mathbb{E}\left[Y(t)^2\right]\mathrm{d}t\}\right)^{\frac{1}{2}}<\infty\}V:={Y:Y为实值随机过程,Ft−适合,可测,且满足∥Y∥V:=(∫0∞E[Y(t)2]dt})21<∞}若Y∈VY\in VY∈V且Y(t,ω)=∑i=0∞ηi(ω)1[ti,ti+1)(t),Y(t,\omega)=\sum_{i=0}^{\infty}\eta_{i}(\omega)\mathrm{1}_{[t_i,t_{i+1})}(t),Y(t,ω)=i=0∑∞ηi(ω)1[ti,ti+1)(t),其中(ti)t≥0(t_i)_{t\ge 0}(ti)t≥0是单增序列,ηi\eta_iηi是Fti\mathscr{F}_{t_i}Fti-可测的随机变量,则称YYY是简单的(simple)。
简单过程的Ito积分
对于简单过程Y∈VY\in VY∈V可以自然地定义∫0∞Y(t)dW(t):=∑i=0∞ηi(W(tt+1)−W(ti)).\int_{0}^{\infty}Y(t)\mathrm{d}W(t):=\sum_{i=0}^{\infty}\eta_i(W(t_{t+1})-W(t_{i})).∫0∞Y(t)dW(t):=i=0∑∞ηi(W(tt+1)−W(ti)).等式右边这个级数在L2(P)L^2(\mathbb{P})L2(P)上收敛,这说明等式左边在P\mathbb{P}P这个测度下是几乎处处良定义的。
证明等式右边收敛:
证:令Sk:=∑i=0kηi(W(tt+1)−W(ti))S_k:=\sum_{i=0}^{k}\eta_i(W(t_{t+1})-W(t_{i}))Sk:=∑i=0kηi(W(tt+1)−W(ti)),E[(Sl−Sk)2]=E[(∑i=k+1lηi(W(tt+1)−W(ti)))2]=∑i=k+1lE[ηi2(W(ti+1)−W(ti))2]+2∑k+1≤i<j≤lE[ηiηj(W(ti+1)−W(ti))(W(tj+1)−W(tj))]=∑i=k+1lE[ηi2](ti+1−ti)=∫tk+1tl+1E[Y(t)2]dt→0(k,l→∞)\begin{aligned} \mathbb{E}\left[(S_l-S_k)^2\right]=&\mathbb{E}\left[\left(\sum_{i=k+1}^{l}\eta_i(W(t_{t+1})-W(t_{i}))\right)^2\right]\\ =&\sum_{i=k+1}^{l}\mathbb{E}\left[\eta_i^2(W(t_{i+1})-W(t_i))^2\right]\\ &+2\sum_{k+1\le i<j\le l}\mathbb{E}\left[\eta_i\eta_j(W(t_{i+1})-W(t_i))(W(t_{j+1})-W(t_j))\right]\\ =&\sum_{i=k+1}^{l}\mathbb{E}\left[\eta_i^2\right](t_{i+1}-t_i)\\ =&\int_{t_{k+1}}^{t_{l+1}}\mathbb{E}\left[Y(t)^2\right]\mathrm{d}t\to 0\quad(k,l\to \infty) \end{aligned}E[(Sl−Sk)2]====E⎣⎡(i=k+1∑lηi(W(tt+1)−W(ti)))2⎦⎤i=k+1∑lE[ηi2(W(ti+1)−W(ti))2]+2k+1≤i<j≤l∑E[ηiηj(W(ti+1)−W(ti))(W(tj+1)−W(tj))]i=k+1∑lE[ηi2](ti+1−ti)∫tk+1tl+1E[Y(t)2]dt→0(k,l→∞)所以(Sk)(S_k)(Sk)是L2(P)L^2(\mathbb{P})L2(P)上的柯西列,所以等式右边收敛。□.\Box.□.证明等距E[(∫0∞Y(t)dW(t))2]=∥Y∥V2.\mathbb{E}\left[\left(\int_0^{\infty}Y(t)\mathrm{d}W(t)\right)^2\right]=\|Y\|_V^2.E[(∫0∞Y(t)dW(t))2]=∥Y∥V2.
【理解这个等距:
VVV中的范数是∥⋅∥V\|\cdot\|_{V}∥⋅∥V,随机变量看作是L2(P)L^2(\mathbb{P})L2(P)中的函数,则其的范数是(E[⋅2])12\left(\mathbb{E}\left[\cdot^2\right]\right)^{\frac{1}{2}}(E[⋅2])21。在简单过程这个自变量的区域中Ito积分是个等距映射。】
证:已经证明了(Sk)(S_k)(Sk)是柯西列,所以E[(∫0∞Y(t)dW(t))2]=limk→∞E[Sk2]=limk→∞∫0k+1E[Y(t)2]dt=∥Y∥V2.\begin{aligned} \mathbb{E}\left[\left(\int_0^{\infty}Y(t)\mathrm{d}W(t)\right)^2\right]&=\lim_{k\to\infty}\mathbb{E}\left[S_k^2\right]\\ &=\lim_{k\to \infty}\int_{0}^{k+1}\mathbb{E}[Y(t)^2]\mathrm{d}t\\ &=\|Y\|_V^2. \end{aligned}E[(∫0∞Y(t)dW(t))2]=k→∞limE[Sk2]=k→∞lim∫0k+1E[Y(t)2]dt=∥Y∥V2. □.\Box.□.
VVV中一般过程的Ito积分
推论:∀Y∈V\forall Y\in V∀Y∈V,存在一列简单过程(Yn)n≥1(Y_n)_{n\ge 1}(Yn)n≥1,Yn∈VY_n\in VYn∈V使得limn→∞∥Y−Yn∥V=0\lim_{n\to \infty}\|Y-Y_n\|_{V}=0limn→∞∥Y−Yn∥V=0。
证:【这个证明和很多实变函数的问题的证明相似,久了不练都不熟悉这种套路了。简单 --> 连续+有限 --> 有限 --> 一般】
第一步:用简单过程逼近连续的时域有限事件域有界的过程【这个名字自己取的,可以想象一个过程的定义域有“两个维度”:时间和事件,现在在这两个维度上都做一定的限制,并加上了过程连续的要求】。
设YYY是连续的,当t≤Tt\le Tt≤T时,∣Y(t)∣<K|Y(t)|<K∣Y(t)∣<K,当t≥Tt\ge Tt≥T时,Y(t)=0Y(t)=0Y(t)=0;设tin=int_i^{n}=\frac{i}{n}tin=ni,定义Yn(t):=∑i=0Tn−1Y(tin)1[tin,ti+1n)(t).Y_n(t):=\sum_{i=0}^{T_n-1}Y(t_i^{n})\mathrm{1}_{[t_i^{n},t_{i+1}^{n})}(t).Yn(t):=i=0∑Tn−1Y(tin)1[tin,ti+1n)(t).则由于YYY连续,YnY_nYn点态收敛到YYY,又因为Yn(t)≤K1[0,T](t)Y_n(t)\le K\mathrm{1}_{[0,T]}(t)Yn(t)≤K1[0,T](t),所以由控制收敛定理可以得到∥Y−Yn∥V→0(n→∞)\|Y-Y_n\|_V\to0(n\to \infty)∥Y−Yn∥V→0(n→∞)。
第二步:用连续的时域有限事件域有界的过程逼近一般的时域有限事件域有界的过程。
设当t≤Tt\le Tt≤T时,∣Y(t)∣<K|Y(t)|<K∣Y(t)∣<K,当t≥Tt\ge Tt≥T时,Y(t)=0Y(t)=0Y(t)=0。设h:[0,∞)→[0,∞)h:[0,\infty)\to [0,\infty)h:[0,∞)→[0,∞)是个连续函数且当t≥1t\ge 1t≥1时,h(t)=0h(t)=0h(t)=0,∫h=1\int h=1∫h=1。令Yn(t):=∫0tY(s)nh(n(t−s))ds=∫nt0Y(t−zn)nh(z)d(−zn)=∫0min{1,nt}Y(t−zn)h(z)dz\begin{aligned} Y_n(t)&:=\int_{0}^{t}Y(s)nh(n(t-s))\mathrm{d}s\\ &=\int_{nt}^{0}Y(t-\frac{z}{n})nh(z)\mathrm{d}(-\frac{z}{n})\\ &=\int_0^{\min\{1,nt\}}Y(t-\frac{z}{n})h(z)\mathrm{d}z \end{aligned}Yn(t):=∫0tY(s)nh(n(t−s))ds=∫nt0Y(t−nz)nh(z)d(−nz)=∫0min{1,nt}Y(t−nz)h(z)dz由于∣Y(t−zn)h(z)∣≤Kh(z)|Y(t-\frac{z}{n})h(z)|\le Kh(z)∣Y(t−nz)h(z)∣≤Kh(z)所以limn→∞Yn(t)=∫01limn→∞Y(t−zn)h(z)dz=Y(t)\lim_{n\to\infty}Y_n(t)=\int_0^{1}\lim_{n\to\infty}Y(t-\frac{z}{n})h(z)\mathrm{d}z=Y(t)n→∞limYn(t)=∫01n→∞limY(t−nz)h(z)dz=Y(t)所以YnY_nYn点态收敛到YYY,而且YnY_nYn是连续的。同样用控制收敛准则,得到∥Yn−Y∥V2→0(n→∞)\|Y_n-Y\|_V^2\to0(n\to \infty)∥Yn−Y∥V2→0(n→∞)。
第三步:用一般的时域有限事件域有界的过程逼近VVV中一般过程。这个显然了因为Y∈VY\in VY∈V,那么Yn(t)={Y(t)t≤n,∣Y(t)∣≤n;Y(t)∣Y(t)∣nt≤n,∣Y(t)∣>n;0t>n.Y_{n}(t)=\begin{cases} Y(t) & t\le n,|Y(t)|\le n;\\ \frac{Y(t)}{|Y(t)|}n & t\le n,|Y(t)|> n;\\ 0 & t>n. \end{cases}Yn(t)=⎩⎪⎨⎪⎧Y(t)∣Y(t)∣Y(t)n0t≤n,∣Y(t)∣≤n;t≤n,∣Y(t)∣>n;t>n.能满足∥Yn−Y∥V2→0(n→∞)\|Y_n-Y\|_V^2\to 0(n\to \infty)∥Yn−Y∥V2→0(n→∞) □.\Box.□.
根据前面的推论我们可以知道∀Y∈V\forall Y\in V∀Y∈V能找到一列简单过程(Yn)(Y_n)(Yn)满足∥Yn−Y∥V→0\|Y_n-Y\|_V\to0∥Yn−Y∥V→0,故定义Ito积分∫0∞Y(t)dW(t):=limn→∞∫0∞Yn(t)dW(t)\int_0^{\infty}Y(t)\mathrm{d}W(t):=\lim_{n\to\infty}\int_0^{\infty}Y_n(t)\mathrm{d}W(t)∫0∞Y(t)dW(t):=n→∞lim∫0∞Yn(t)dW(t)这里的极限是在L2(P)L^2(\mathbb{P})L2(P)意义下的。对于0≤A≤B0\le A\le B0≤A≤B,∫ABY(t)dW(t)=∫0∞Y(t)1[A,B](t)dW(t).\int_{A}^{B}Y(t)\mathrm{d}W(t)=\int_{0}^{\infty}Y(t)\mathrm{1}_{[A,B]}(t)\mathrm{d}W(t).∫ABY(t)dW(t)=∫0∞Y(t)1[A,B](t)dW(t).
平方协方差
f,g:R+→Rf,g:\R^+\to\Rf,g:R+→R,Π\PiΠ是一个划分(ti)(t_i)(ti),t0=0t_0=0t0=0,ti↑∞t_i\uarr\inftyti↑∞,∣Π∣=maxi(ti+1−ti)|\Pi|=\max_i(t_{i+1}-t_i)∣Π∣=maxi(ti+1−ti),若 ∀t≥0\forall t\ge 0∀t≥0,极限lim∣Π∣→0∑ti∈Π(f(ti+1∧t)−f(ti∧t))(g(ti+1∧t)−g(ti∧t))\lim_{|\Pi|\to 0}\sum_{t_i\in \Pi}\left(f(t_{i+1}\wedge t)-f(t_i\wedge t)\right)\left(g(t_{i+1}\wedge t)-g(t_i\wedge t)\right)∣Π∣→0limti∈Π∑(f(ti+1∧t)−f(ti∧t))(g(ti+1∧t)−g(ti∧t))都存在,称此极限为f,gf,gf,g的平方协方差,记为<f,g>t\left<f,g\right>_t⟨f,g⟩t。<f>t=<f,f>t\left<f\right>_t=\left<f,f\right>_t⟨f⟩t=⟨f,f⟩t,为fff的平方方差。
设WWW为一维标准布朗运动,计算<W>t\left<W\right>_t⟨W⟩t。
E[(∑ti∈Π(W(ti+1∧t)−W(ti∧t))2−t)2]=E[(∑ti∈Π(W(ti+1∧t)−W(ti∧t))2−((ti+1∧t)−(ti∧t)))2]=∑ti∈ΠE[((W(ti+1∧t)−W(ti∧t))2−((ti+1∧t)−(ti∧t)))2]=∑ti∈Π2((ti+1∧t)−(ti∧t))2【这里有用到正态分布四阶矩的结论】≤2∣Π∣t→0(∣Π∣→0).\begin{aligned} \mathbb{E}\left[\left(\sum_{t_i\in\Pi}(W(t_{i+1}\wedge t)-W(t_i\wedge t))^2-t\right)^2\right]&=\mathbb{E}\left[\left(\sum_{t_i\in\Pi}(W(t_{i+1}\wedge t)-W(t_i\wedge t))^2-((t_{i+1}\wedge t)-(t_{i}\wedge t))\right)^2\right]\\ &=\sum_{t_i\in\Pi}\mathbb{E}\left[\left((W(t_{i+1}\wedge t)-W(t_i\wedge t))^2-((t_{i+1}\wedge t)-(t_{i}\wedge t))\right)^2\right]\\ &=\sum_{t_i\in\Pi}2((t_{i+1}\wedge t)-(t_{i}\wedge t))^2【这里有用到正态分布四阶矩的结论】\\ &\le 2|\Pi|t\\ &\to 0\quad (|\Pi|\to 0). \end{aligned}E⎣⎡(ti∈Π∑(W(ti+1∧t)−W(ti∧t))2−t)2⎦⎤=E⎣⎡(ti∈Π∑(W(ti+1∧t)−W(ti∧t))2−((ti+1∧t)−(ti∧t)))2⎦⎤=ti∈Π∑E[((W(ti+1∧t)−W(ti∧t))2−((ti+1∧t)−(ti∧t)))2]=ti∈Π∑2((ti+1∧t)−(ti∧t))2【这里有用到正态分布四阶矩的结论】≤2∣Π∣t→0(∣Π∣→0).所以在L2(P)L^2(\mathbb{P})L2(P)的意义下<W>t=t\left<W\right>_t=t⟨W⟩t=t。
下面考虑一个∫0TW(t)dW(t)\int_0^{T}W(t)\mathrm{d}W(t)∫0TW(t)dW(t)。设X(n)=∑k=0n−1W(kTn)1[kTn,(k+1)Tn)X^(n)=\sum_{k=0}^{n-1}W(\frac{kT}{n})\mathrm{1}_{[\frac{kT}{n},\frac{(k+1)T}{n})}X(n)=∑k=0n−1W(nkT)1[nkT,n(k+1)T) ∫0TXn(t)dW(t)=∑k=0n−1W(kTn)(W((k+1)Tn)−W(kTn))=12∑k=0n−1W(kTn)(W((k+1)Tn)−W(kTn))+12∑k=0n−1W(kTn)(W((k+1)Tn)−W(kTn))=12∑k=0n−1(W(kTn)+W((k+1)Tn))(W((k+1)Tn)−W(kTn))−12∑k=0n−1(W((k+1)Tn)−W(kTn))2=12W(T)2−12∑k=0n−1(W((k+1)Tn)−W(kTn))2\begin{aligned} \int_0^{T}X^n(t)\mathrm{d}W(t)&=\sum_{k=0}^{n-1}W(\frac{kT}{n})(W(\frac{(k+1)T}{n})-W(\frac{kT}{n}))\\ &=\frac{1}{2}\sum_{k=0}^{n-1}W(\frac{kT}{n})(W(\frac{(k+1)T}{n})-W(\frac{kT}{n}))+\frac{1}{2}\sum_{k=0}^{n-1}W(\frac{kT}{n})(W(\frac{(k+1)T}{n})-W(\frac{kT}{n}))\\ &=\frac{1}{2}\sum_{k=0}^{n-1}(W(\frac{kT}{n})+W(\frac{(k+1)T}{n}))(W(\frac{(k+1)T}{n})-W(\frac{kT}{n}))-\frac{1}{2}\sum_{k=0}^{n-1}(W(\frac{(k+1)T}{n})-W(\frac{kT}{n}))^2\\ &=\frac{1}{2}W(T)^2-\frac{1}{2}\sum_{k=0}^{n-1}(W(\frac{(k+1)T}{n})-W(\frac{kT}{n}))^2 \end{aligned}∫0TXn(t)dW(t)=k=0∑n−1W(nkT)(W(n(k+1)T)−W(nkT))=21k=0∑n−1W(nkT)(W(n(k+1)T)−W(nkT))+21k=0∑n−1W(nkT)(W(n(k+1)T)−W(nkT))=21k=0∑n−1(W(nkT)+W(n(k+1)T))(W(n(k+1)T)−W(nkT))−21k=0∑n−1(W(n(k+1)T)−W(nkT))2=21W(T)2−21k=0∑n−1(W(n(k+1)T)−W(nkT))2 所以∫0TW(t)dW(t)=12W(T)2−12T.\int_{0}^{T}W(t)\mathrm{d}W(t)=\frac{1}{2}W(T)^2-\frac{1}{2}T.∫0TW(t)dW(t)=21W(T)2−21T.
Ito积分的性质
- Ito等距(Ito isometry):E[(∫0∞X(t)dW(t))2]=∥X∥V2\mathbb{E}\left[\left(\int_{0}^{\infty}X(t)\mathrm{d}W(t)\right)^2\right]=\|X\|_V^2E[(∫0∞X(t)dW(t))2]=∥X∥V2;
- E[∫0∞X(t)dW(t)∫0∞Y(t)dW(t)]=∫0∞E[X(t)Y(t)]dt\mathbb{E}\left[\int_{0}^{\infty}X(t)\mathrm{d}W(t)\int_{0}^{\infty}Y(t)\mathrm{d}W(t)\right]=\int_{0}^{\infty}\mathbb{E}[X(t)Y(t)]\mathrm{d}tE[∫0∞X(t)dW(t)∫0∞Y(t)dW(t)]=∫0∞E[X(t)Y(t)]dt;
- ∀0≤A≤B≤C\forall 0\le A\le B\le C∀0≤A≤B≤C,∫ACX(t)dW(t)=∫ABX(t)dW(t)+∫BCX(t)dW(t)\int_{A}^{C}X(t)\mathrm{d}W(t)=\int_{A}^{B}X(t)\mathrm{d}W(t)+\int_{B}^{C}X(t)\mathrm{d}W(t)∫ACX(t)dW(t)=∫ABX(t)dW(t)+∫BCX(t)dW(t)几乎处处成立;
- ∀c∈R\forall c\in \R∀c∈R,∫0∞(cX(t)+Y(t))dW(t)=c∫0∞X(t)dW(t)+∫0∞Y(t)dW(t)\int_{0}^{\infty}\left(cX(t)+Y(t)\right)\mathrm{d}W(t)=c\int_{0}^{\infty}X(t)\mathrm{d}W(t)+\int_0^{\infty}Y(t)\mathrm{d}W(t)∫0∞(cX(t)+Y(t))dW(t)=c∫0∞X(t)dW(t)+∫0∞Y(t)dW(t)几乎处处成立;
- E[∫0∞X(t)dW(t)]=0\mathbb{E}\left[\int_0^{\infty}X(t)\mathrm{d}W(t)\right]=0E[∫0∞X(t)dW(t)]=0;
- ∫0tX(s)dW(s)\int_{0}^{t}X(s)\mathrm{d}W(s)∫0tX(s)dW(s)是Ft\mathscr{F}_tFt可测的;
- (∫0tX(s)dW(s),t≥0)\left(\int_{0}^{t}X(s)\mathrm{d}W(s),t\ge 0\right)(∫0tX(s)dW(s),t≥0)是Ft\mathscr{F}_tFt鞅;
- <∫0∙X(s)dW(s),∫0∙Y(s)dW(s)>t=∫0tX(t)Y(t)ds\left<\int_{0}^{\bullet}X(s)\mathrm{d}W(s),\int_{0}^{\bullet}Y(s)\mathrm{d}W(s)\right>_t=\int_{0}^{t}X(t)Y(t)\mathrm{d}s⟨∫0∙X(s)dW(s),∫0∙Y(s)dW(s)⟩t=∫0tX(t)Y(t)ds;
- 若XXX是有界变差的,X(t)W(t)=∫0tX(s)dW(s)+∫0tW(s)dX(s)X(t)W(t)=\int_{0}^{t}X(s)\mathrm{d}W(s)+\int_{0}^{t}W(s)\mathrm{d}X(s)X(t)W(t)=∫0tX(s)dW(s)+∫0tW(s)dX(s)几乎处处成立。
Ito积分的扩展
我们可以把Ito积分的定义扩展到更大的的范围里。定义V∗={(Y(t),t≥0):实值连续随机过程,适应的(adaptive),可测的,且P(∫0∞Y(t)2dt<∞)=1}V^*=\{(Y(t),t \ge 0):实值连续随机过程,适应的(adaptive),可测的,且\mathbb{P}\left(\int_0^{\infty}Y(t)^2\mathrm{d}t<\infty\right)=1\}V∗={(Y(t),t≥0):实值连续随机过程,适应的(adaptive),可测的,且P(∫0∞Y(t)2dt<∞)=1}
定理:∀Y∈V∗,∀n∈N\forall Y\in V^*,\forall n \in \mathbb{N}∀Y∈V∗,∀n∈N定义停时τn(ω):=inf{T≥0∣∫0TY(t,ω)2dt≥n}.\tau_n(\omega):=\inf\{T\ge 0\mid \int_0^{T}Y(t,\omega)^2\mathrm{d}t\ge n\}.τn(ω):=inf{T≥0∣∫0TY(t,ω)2dt≥n}.则limτn=∞\lim_{\tau_n}=\inftylimτn=∞是几乎处处成立的,且极限∫0∞Y(t)dW(t):=limn→∞∫0τnY(t)dW(t)\int_0^{\infty}Y(t)\mathrm{d}W(t):=\lim_{n\to\infty}\int_0^{\tau_n}Y(t)\mathrm{d}W(t)∫0∞Y(t)dW(t):=n→∞lim∫0τnY(t)dW(t)在概率收敛意义下是存在的。更准确地说,在{ω∣∫0∞Y(t,ω)2dt<n}\{\omega\mid \int_0^{\infty}Y(t,\omega)^2\mathrm{d}t<n\}{ω∣∫0∞Y(t,ω)2dt<n}上几乎一定成立∫0∞Y(t)dW(t)=∫0τnY(t)dW(t).\int_0^{\infty}Y(t)\mathrm{d}W(t)=\int_0^{\tau_n}Y(t)\mathrm{d}W(t).∫0∞Y(t)dW(t)=∫0τnY(t)dW(t).
多维Ito积分
设一个Rm\mathbb{R}^mRm值的(Ft)(\mathscr{F}_t)(Ft)-适合随机过程W(t)=(W1(t),W2(t),…,Wm(t))TW(t)=\left(W_1(t),W_2(t),\dots,W_m(t)\right)^TW(t)=(W1(t),W2(t),…,Wm(t))T满足∀i=1,…,m\forall i=1,\dots,m∀i=1,…,m,WiW_iWi是一个一维(Ft)(\mathscr{F}_t)(Ft)-布朗运动,且所有分量都是独立的,则称W(t)W(t)W(t)为mmm-维布朗运动。
设YYY是一个Rd×m\mathbb{R}^{d\times m}Rd×m值随机过程,每个分量Yij,1≤i≤d,1≤j≤mY_{ij},1\le i\le d,1\le j\le mYij,1≤i≤d,1≤j≤m都属于V∗V^*V∗,则对mmm-维布朗运动WWW的多维Ito积分∫YdW\int Y\mathrm{d}W∫YdW是一个Rd\mathbb{R}^dRd-值随机变量,其分量为(∫0∞Y(t)dW(t))i:=∑j=1m∫0∞Yij(t)dWj(t),1≤i≤d.\left(\int_0^{\infty}Y(t)\mathrm{d}W(t)\right)_i:=\sum_{j=1}^{m}\int_0^{\infty}Y_{ij}(t)\mathrm{d}W_j(t),\quad 1\le i\le d.(∫0∞Y(t)dW(t))i:=j=1∑m∫0∞Yij(t)dWj(t),1≤i≤d.
推论:Ito等距扩展到多维的情况。设Rd×m\mathbb{R}^{d\times m}Rd×m值过程X,YX,YX,Y的分量都属于VVV,WWW是mmm-维布朗运动,则E[<∫0∞X(t)dW(t),∫0∞Y(t)dW(t)>]=∫0∞∑i=1d∑j=1mE[Xij(t)Yij(t)]dt.\mathbb{E}\left[\left<\int_0^{\infty}X(t)\mathrm{d}W(t),\int_0^{\infty}Y(t)\mathrm{d}W(t)\right>\right]=\int_0^{\infty}\sum_{i=1}^{d}\sum_{j=1}^{m}\mathbb{E}\left[X_{ij}(t)Y_{ij}(t)\right]\mathrm{d}t.E[⟨∫0∞X(t)dW(t),∫0∞Y(t)dW(t)⟩]=∫0∞i=1∑dj=1∑mE[Xij(t)Yij(t)]dt.
证:<∫0∞X(t)dW(t),∫0∞Y(t)dW(t)>=∑i=1d∑j=1m∑k=1m∫0∞Xij(t)dWj(t)∫0∞Yij(t)dWk(t).\begin{aligned} \left<\int_0^{\infty}X(t)\mathrm{d}W(t),\int_0^{\infty}Y(t)\mathrm{d}W(t)\right>&=\sum_{i=1}^{d}\sum_{j=1}^{m}\sum_{k=1}^{m}\int_0^{\infty}X_{ij}(t)\mathrm{d}W_j(t)\int_0^{\infty}Y_{ij}(t)\mathrm{d}W_k(t). \end{aligned}⟨∫0∞X(t)dW(t),∫0∞Y(t)dW(t)⟩=i=1∑dj=1∑mk=1∑m∫0∞Xij(t)dWj(t)∫0∞Yij(t)dWk(t). 现在要考虑两个独立的布朗运动W1,W2W_1,W_2W1,W2,分别相对于它们的Ito积分是否也独立呢?
设Y1,Y2Y_1,Y_2Y1,Y2是VVV中的两个简单过程Yk(t)=∑i=0∞ηki(ω)1[ti,ti+1)(t),k∈{1,2}.Y_k(t)=\sum_{i=0}^{\infty}\eta_{ki}(\omega)\mathrm{1}_{[t_i,t_{i+1})}(t),\quad k\in \{1,2\}.Yk(t)=i=0∑∞ηki(ω)1[ti,ti+1)(t),k∈{1,2}. Π\PiΠ相同是可以做到的,只要把两个简单过程的划分点并在一起考虑就可以了。因为YkY_kYk是适应(Ft)(\mathscr{F}_t)(Ft)的随机过程,所以ηki\eta_{ki}ηki是(Ω,Fti)(\Omega,\mathscr{F}_{t_i})(Ω,Fti)上的随机变量。 E[∫0∞Y1(t)dW1(t)∫0∞Y2(t)dW2(t)]=E[(∑i=0∞η1i(W1(ti+1)−W1(ti)))(∑j=0∞η2j(W2(tj+1)−W2(tj)))]=∑i≤jE[η1iη2j(W1(ti+1)−W1(ti))(W2(tj+1)−W2(tj))]+∑i>jE[η1iη2j(W1(ti+1)−W1(ti))(W2(tj+1)−W2(tj))]=∑i≤jE[E[η1iη2j(W1(ti+1)−W1(ti))(W2(tj+1)−W2(tj))∣Ftj]]∑i>jE[E[η1iη2j(W1(ti+1)−W1(ti))(W2(tj+1)−W2(tj))∣Fti]]=∑i<jE[η1iη2j(W1(ti+1)−W1(ti))E[W2(tj+1)−W2(tj)]]+∑i>jE[η1iη2j(W2(tj+1)−W1(tj))E[W1(ti+1)−W1(ti)]]+∑i=jE[η1iη2jE[W1(ti+1)−W1(ti)]E[W2(tj+1)−W2(tj)]]=0.\begin{aligned} \mathbb{E}\left[\int_{0}^{\infty}Y_1(t)\mathrm{d}W_1(t)\int_{0}^{\infty}Y_2(t)\mathrm{d}W_2(t)\right]=&\mathbb{E}\left[\left(\sum_{i=0}^{\infty}\eta_{1i}\left(W_1(t_{i+1})-W_1(t_i)\right)\right)\left(\sum_{j=0}^{\infty}\eta_{2j}\left(W_2(t_{j+1})-W_2(t_j)\right)\right)\right]\\ =&\sum_{i\le j}\mathbb{E}\left[\eta_{1i}\eta_{2j}\left(W_1(t_{i+1})-W_1(t_i)\right)\left(W_2(t_{j+1})-W_2(t_j)\right)\right]\\ &+\sum_{i> j}\mathbb{E}\left[\eta_{1i}\eta_{2j}\left(W_1(t_{i+1})-W_1(t_i)\right)\left(W_2(t_{j+1})-W_2(t_j)\right)\right]\\ =&\sum_{i\le j}\mathbb{E}\left[\mathbb{E}\left[\eta_{1i}\eta_{2j}\left(W_1(t_{i+1})-W_1(t_i)\right)\left(W_2(t_{j+1})-W_2(t_j)\right)\mid\mathscr{F}_{t_j}\right]\right]\\ &\sum_{i> j}\mathbb{E}\left[\mathbb{E}\left[\eta_{1i}\eta_{2j}\left(W_1(t_{i+1})-W_1(t_i)\right)\left(W_2(t_{j+1})-W_2(t_j)\right)\mid\mathscr{F}_{t_i}\right]\right]\\ =&\sum_{i<j}\mathbb{E}\left[\eta_{1i}\eta_{2j}\left(W_1(t_{i+1})-W_1(t_i)\right)\mathbb{E}\left[W_2(t_{j+1})-W_2(t_j)\right]\right]\\ &+\sum_{i>j}\mathbb{E}\left[\eta_{1i}\eta_{2j}\left(W_2(t_{j+1})-W_1(t_j)\right)\mathbb{E}\left[W_1(t_{i+1})-W_1(t_i)\right]\right]\\ &+\sum_{i=j}\mathbb{E}\left[\eta_{1i}\eta_{2j}\mathbb{E}\left[W_1(t_{i+1})-W_1(t_i)\right]\mathbb{E}\left[W_2(t_{j+1})-W_2(t_j)\right]\right]\\ =&0. \end{aligned}E[∫0∞Y1(t)dW1(t)∫0∞Y2(t)dW2(t)]=====E[(i=0∑∞η1i(W1(ti+1)−W1(ti)))(j=0∑∞η2j(W2(tj+1)−W2(tj)))]i≤j∑E[η1iη2j(W1(ti+1)−W1(ti))(W2(tj+1)−W2(tj))]+i>j∑E[η1iη2j(W1(ti+1)−W1(ti))(W2(tj+1)−W2(tj))]i≤j∑E[E[η1iη2j(W1(ti+1)−W1(ti))(W2(tj+1)−W2(tj))∣Ftj]]i>j∑E[E[η1iη2j(W1(ti+1)−W1(ti))(W2(tj+1)−W2(tj))∣Fti]]i<j∑E[η1iη2j(W1(ti+1)−W1(ti))E[W2(tj+1)−W2(tj)]]+i>j∑E[η1iη2j(W2(tj+1)−W1(tj))E[W1(ti+1)−W1(ti)]]+i=j∑E[η1iη2jE[W1(ti+1)−W1(ti)]E[W2(tj+1)−W2(tj)]]0.在利用VVV里面的过程都能用简单过程逼近得到一般情况。所以E[∑i=1d∑j=1m∑k=1m∫0∞Xij(t)dWj(t)∫0∞Yij(t)dWk(t)]=∑i=1d∑j=1m∑k=1mE[∫0∞Xij(t)dWj(t)∫0∞Yij(t)dWk(t)]=∑i=1d∑j=1mE[∫0∞Xij(t)dWj(t)∫0∞Yij(t)dWj(t)]=∑i=1d∑j=1m∫0∞E[Xij(t)Yij(t)]dt【一维的Ito等距】.\begin{aligned} \mathbb{E}\left[\sum_{i=1}^{d}\sum_{j=1}^{m}\sum_{k=1}^{m}\int_0^{\infty}X_{ij}(t)\mathrm{d}W_j(t)\int_0^{\infty}Y_{ij}(t)\mathrm{d}W_k(t)\right]&=\sum_{i=1}^{d}\sum_{j=1}^{m}\sum_{k=1}^{m}\mathbb{E}\left[\int_0^{\infty}X_{ij}(t)\mathrm{d}W_j(t)\int_0^{\infty}Y_{ij}(t)\mathrm{d}W_k(t)\right]\\ &=\sum_{i=1}^{d}\sum_{j=1}^{m}\mathbb{E}\left[\int_{0}^{\infty}X_{ij}(t)\mathrm{d}W_j(t)\int_0^{\infty}Y_{ij}(t)\mathrm{d}W_j(t)\right]\\ &=\sum_{i=1}^{d}\sum_{j=1}^{m}\int_0^{\infty}\mathbb{E}\left[X_{ij}(t)Y_{ij}(t)\right]\mathrm{d}t【一维的Ito等距】. \end{aligned}E[i=1∑dj=1∑mk=1∑m∫0∞Xij(t)dWj(t)∫0∞Yij(t)dWk(t)]=i=1∑dj=1∑mk=1∑mE[∫0∞Xij(t)dWj(t)∫0∞Yij(t)dWk(t)]=i=1∑dj=1∑mE[∫0∞Xij(t)dWj(t)∫0∞Yij(t)dWj(t)]=i=1∑dj=1∑m∫0∞E[Xij(t)Yij(t)]dt【一维的Ito等距】. □.\Box.□.
随机微分方程学习笔记01 相对布朗运动的Ito积分相关推荐
- 随机微分方程学习笔记02 Doob鞅不等式
文章目录 条件期望下的Jensen不等式(一维) 选择停时定理(optional stopping theorem) Doob鞅不等式(Doob's martingale inequality) 条件 ...
- 2021第一学期学习笔记01
2021第一学期学习笔记01 摘要 一.知识点 1.1 追溯 1.2 区块链 二.项目报告 三.本地服务器 四.环境配置 4.1 JDK 展望 摘要 本周的学习情况主要是进行基础理论的学习,查找有关于 ...
- 智能语音:好玩的语音控制是怎么实现的?学习笔记01
智能语音:好玩的语音控制是怎么实现的?学习笔记01 智能音箱的技术架构 智能音箱主要涉及拾音.前端信号处理.语音识别.自然语言处理和语音合成等技术,现在一些产品甚至提供了声纹识别技术. 当然,智能音箱 ...
- Docker学习笔记01
Docker学习笔记01 Docker学习 Docker的概述 Docker的安装 Docker的命令 镜像命令 容器命令 操作命令 ... Docker镜像 容器数据卷 DockerFile Doc ...
- MySQL技术内幕-InnoDB存储引擎第2版-学习笔记-01
MySQL技术内幕-InnoDB存储引擎第2版-学习笔记-01 1. MySQL体系结构和存储引擎 1.1 定义数据库和实例 数据库database: 物理操作系统文件或其他形式文件类型的集合. 当使 ...
- JavaWeb黑马旅游网-学习笔记01【准备工作】
Java后端 学习路线 笔记汇总表[黑马程序员] JavaWeb黑马旅游网-学习笔记01[准备工作] JavaWeb黑马旅游网-学习笔记02[注册功能] JavaWeb黑马旅游网-学习笔记03[登陆和 ...
- JavaWeb-综合案例(用户信息)-学习笔记01【列表查询】
Java后端 学习路线 笔记汇总表[黑马程序员] JavaWeb-综合案例(用户信息)-学习笔记01[列表查询] JavaWeb-综合案例(用户信息)-学习笔记02[登录功能] JavaWeb-综合案 ...
- Servlet和HTTP请求协议-学习笔记01【Servlet_快速入门-生命周期方法、Servlet_3.0注解配置、IDEA与tomcat相关配置】
Java后端 学习路线 笔记汇总表[黑马程序员] Servlet和HTTP请求协议-学习笔记01[Servlet_快速入门-生命周期方法.Servlet_3.0注解配置.IDEA与tomcat相关配置 ...
- Tomcat学习笔记01【Web相关概念、Tomcat基本操作】
Java后端 学习路线 笔记汇总表[黑马程序员] Tomcat学习笔记01[Web相关概念.Tomcat基本操作][day01] Tomcat学习笔记02[Tomcat部署项目][day01] 目录 ...
- XML学习笔记01【xml_基础、xml_约束】
Java后端 学习路线 笔记汇总表[黑马程序员] XML学习笔记01[xml_基础.xml_约束][day01] XML学习笔记02[xml_解析][day01] 目录 01 xml_基础 今日内容 ...
最新文章
- unbutu 按照docker
- 《Head First Java》的思考总结:第三篇
- Vue+Openlayers实现地图缩放图标等比例缩放
- [动漫日语每天一句]02 怎么啦?你在紧张?
- WeekHashMap
- 算法 分析 (收集)
- oracle %date 0 10%,“date:~0,10%“是什么意思?
- 代价敏感多标签主动学习的代码开发跟踪
- leetcode —— 41. 缺失的第一个正数
- Python练习:目录与文件操作
- AI学习笔记(九)从零开始训练神经网络、深度学习开源框架
- CRM中复制记录的方法
- stn专线和otn有什么区别_专线网络和家庭宽带有什么区别?
- Java面向对象的编程
- JUnit学习摘要+入门实例
- 车辆颜色分类网络—BeerNet
- 计算机创造奇迹的英语作文,创造奇迹英语作文Creating Miracle
- WCF学习之:利用Throttling提高服务器性能
- centos7安裝搜狗輸入法_sogou-input-in-centos7
- mumu按键精灵_什么安卓模拟器可实现操作录制?MuMu模拟器成为你的按键精灵_MuMu安卓模拟器/MuMu手游助手...