UA MATH565C 随机微分方程I SDE的定义与例子
UA MATH565C 随机微分方程I SDE的定义与例子
- 随机微分方程的定义
- 白噪声过程
- SDE的一般形式
- 例子:Ornstein-Uhlenbeck过程
随机微分方程的定义
经典力学中描述一个确定性系统的演化过程通常可以用微分方程,比如ODE
dxdt=b(x),x(0)=x0,x,b(x)∈Rn\frac{dx}{dt}=b(x),x(0)=x_0,x,b(x) \in \mathbb{R}^ndtdx=b(x),x(0)=x0,x,b(x)∈Rn
但统计物理中系统都不会是确定性的,因此一般需要给这个ODE加一个噪声,假设噪声项是σ(x)ηt\sigma(x)\eta_tσ(x)ηt,则
dxtdt=b(xt)+σ(xt)ηt\frac{dx_t}{dt}=b(x_t)+\sigma(x_t)\eta_tdtdxt=b(xt)+σ(xt)ηt
通常称b(x)b(x)b(x)为漂移项,σ(x)\sigma(x)σ(x)为噪声的强度,ηt\eta_tηt是白噪声。为了让这个定义有意义,需要定义一下白噪声。
白噪声过程
白噪声ηt\eta_tηt是一个随机过程,假设概率空间为(Ω,F,P)(\Omega,\mathcal{F},P)(Ω,F,P),假设t∈T=[0,+∞)t\in \mathcal{T} = [0,+\infty)t∈T=[0,+∞),则ηt\eta_tηt可以看成映射:
ηt:(Ω×T,F⊗B(T),P⊗λ)→(Rm,B(Rm))\eta_t:(\Omega \times \mathcal{T},\mathcal{F} \otimes \mathcal{B}(\mathcal{T}),P\otimes\lambda) \to (\mathbb{R}^m,\mathcal{B}(\mathbb{R}^m))ηt:(Ω×T,F⊗B(T),P⊗λ)→(Rm,B(Rm))
其中B(T)\mathcal{B}(\mathcal{T})B(T)是T\mathcal{T}T生成的Borel σ\sigmaσ代数,λ\lambdaλ是可测空间(T,B(T)(\mathcal{T},\mathcal{B}(\mathcal{T})(T,B(T)上的Lebesgue测度。ηt\eta_tηt满足下面三条公理化定义:
- Eηt=0,∀t∈TE\eta_t=0,\forall t \in \mathcal{T}Eηt=0,∀t∈T
- Eηtηs=σ2δts,∀t,s∈T,σ2<+∞E\eta_t\eta_s=\sigma^2\delta_{ts},\forall t,s \in \mathcal{T},\sigma^2 < +\inftyEηtηs=σ2δts,∀t,s∈T,σ2<+∞
- 高斯过程
但这个定义有一个缺点,即满足这个定义的随机过程路径函数不可测。给定w∈Ωw \in \Omegaw∈Ω,ηt(w)\eta_t(w)ηt(w)是一个确定性的映射:
ηt(w):(T,B(T),λ)→(Rm,B(Rm))\eta_t(w): (\mathcal{T},\mathcal{B}(\mathcal{T}),\lambda) \to (\mathbb{R}^m,\mathcal{B}(\mathbb{R}^m))ηt(w):(T,B(T),λ)→(Rm,B(Rm))
这个叫路径函数(path function)或者叫这个随机过程的一个实现(realization)。
定理1 白噪声过程的路径函数不可测。
证明的时候考虑更一般的白噪声,即去掉假设3,正式的叙述为:
以及给一个我自己写的比较简陋的证明:
更完整的叙述可以看Oksendal的Stochastic Differential Equation的第二章。
为了让它的路径函数可测,通常将定义2修正为:
- Eηtηs=δtsE\eta_t\eta_s=\delta_{ts}Eηtηs=δts
根据上面1、2、3定义的随机过程ηt\eta_tηt就是白噪声过程(更准确地,高斯白噪声)。
SDE的一般形式
现在重新考虑
dxtdt=b(xt)+σ(xt)ηt⇔dxt=b(xt)dt+σ(xt)ηtdt\frac{dx_t}{dt}=b(x_t)+\sigma(x_t)\eta_t \\ \Leftrightarrow dx_t = b(x_t)dt + \sigma(x_t)\eta_t dtdtdxt=b(xt)+σ(xt)ηt⇔dxt=b(xt)dt+σ(xt)ηtdt
对于ηtdt\eta_t dtηtdt,假设它是某个随机过程WtW_tWt的全微分,即
dWt=ηtdt⇔Wt=∫0tηsdsdW_t = \eta_t dt \Leftrightarrow W_t = \int_{0}^t \eta_s dsdWt=ηtdt⇔Wt=∫0tηsds
积分的本质就是部分和的极限,这些运算保证WtW_tWt也是一个高斯过程。事实上我们一般称WtW_tWt为Wiener过程或者Brown运动,下一讲会正式定义Wiener过程。有了这个定义后,可以写出SDE的一般形式:
dxt=b(xt)dt+σ(xt)dWtdx_t = b(x_t)dt + \sigma(x_t)dW_tdxt=b(xt)dt+σ(xt)dWt
已知初值的情况下,可以写出这个式子的积分:
xt=x0+∫0tb(xs)ds+∫0tσ(xs)dWsx_t = x_0 + \int_0^t b(x_s)ds + \int_0^t \sigma(x_s)dW_sxt=x0+∫0tb(xs)ds+∫0tσ(xs)dWs
搞清楚了右边这两个积分,我们就可以找到SDE的解了。第一个积分是
∫0tb(xs)ds\int_0^t b(x_s)ds∫0tb(xs)ds
可以看成是对b(xs)b(x_s)b(xs)的每一个路径函数积分,这个就是实分析的内容不用多讨论;第二个积分是
∫0tσ(xs)dWs\int_0^t \sigma(x_s)dW_s∫0tσ(xs)dWs
一般称其为Ito积分,下下讲会给出Ito积分的正式定义。Ito随机分析框架的目标就是求解上面的定义的SDE。
一个更一般的观点是并不给定ηt\eta_tηt的具体形式,把SDE看成是随机过程ηt\eta_tηt到随机过程xtx_txt的变换。
例子:Ornstein-Uhlenbeck过程
考虑用如下SDE定义的初值为x0x_0x0的随机过程xtx_txt:
dxt=−kxtdt+ϵdWt,k,ϵ>0dx_t = -kx_tdt + \epsilon dW_t,k,\epsilon>0dxt=−kxtdt+ϵdWt,k,ϵ>0
现在还没有讲过SDE的解法,所以先直观地思考一下这个方程。首先我们发现,ϵdWt\epsilon dW_tϵdWt是时间dtdtdt内的噪声项,排除掉噪声,原始的系统是
dx=−kxdtdx= -kxdtdx=−kxdt
这个系统的解就是x(t)=x0e−ktx(t)=x_0e^{-kt}x(t)=x0e−kt,一般用来描述衰变等过程,这个解换个写法就是x(t)ekt=const.x(t)e^{kt}=const.x(t)ekt=const.,也就是d(x(t)ekt)=0d(x(t)e^{kt})=0d(x(t)ekt)=0。我们可以根据SDE试图计算一下d(xtekt)d(x_te^{kt})d(xtekt):
d(xtekt)=ektdxt+d(ekt)xt=ekt(−kxtdt+ϵdWt)+kektxtdt=ϵektdWtd(x_te^{kt}) = e^{kt}dx_t + d(e^{kt})x_t \\ = e^{kt}(-kx_tdt + \epsilon dW_t) + ke^{kt}x_t dt =\epsilon e^{kt}dW_td(xtekt)=ektdxt+d(ekt)xt=ekt(−kxtdt+ϵdWt)+kektxtdt=ϵektdWt
也就是说随机过程xtektx_te^{kt}xtekt的全微分只含有噪声项,求积分:
xtekt=x0+ϵ∫0teksdWs⇔xt=x0e−kt+ϵ∫0te−k(t−s)dWsx_te^{kt} = x_0 + \epsilon \int_0^t e^{ks} dW_s \\ \Leftrightarrow x_t = x_0 e^{-kt} + \epsilon \int_0^t e^{-k(t-s)}dW_sxtekt=x0+ϵ∫0teksdWs⇔xt=x0e−kt+ϵ∫0te−k(t−s)dWs
这个就是上面那个SDE的解。这个包含一个确定项和一个随机过程,确定项正好是不考虑噪声的ODE的解。
UA MATH565C 随机微分方程I SDE的定义与例子相关推荐
- UA MATH565C 随机微分方程III Ito Isometry
UA MATH565C 随机微分方程III Ito Isometry 定义ft,gtf_t,g_tft,gt是step process,∀0=t0<t1⋯<tn=t\forall 0= ...
- UA MATH565C 随机微分方程V Stationary Measure
UA MATH565C 随机微分方程V Stationary Measure Markov Property Stationary Measure PDE方法 这一讲试图回答的问题是基于Homogen ...
- UA MATH565C 随机微分方程V 算子半群理论简介
UA MATH565C 随机微分方程V 算子半群理论简介 Banach空间中的算子半群 Hille-Yosida定理 Shift Operator 上一讲提到Homogeneous Markov Fa ...
- UA MATH565C 随机微分方程V Markov Family简介
UA MATH565C 随机微分方程V Markov Family简介 Transition function Banach Space Method ODE的IVP可以看成是对系统的一些变量从初始状 ...
- UA MATH565C 随机微分方程V 无穷小生成算子
UA MATH565C 随机微分方程V 无穷小生成算子 Infinitesimal generator as derivative 这一讲给出算子半群那一讲提出的infinitesimal gener ...
- UA MATH565C 随机微分方程V Markov Family的特征函数
UA MATH565C 随机微分方程V Markov Family的特征函数 特征函数 上一讲用u(t,x)u(t,x)u(t,x)和v(t,x)v(t,x)v(t,x)描述了Markov Famil ...
- UA MATH565C 随机微分方程V Markov Family的算子
UA MATH565C 随机微分方程V Markov Family的算子 函数的算子 测度的算子 Homogeneous Markov Family 函数的算子 这一讲正式介绍Markov Famil ...
- UA MATH565C 随机微分方程III Ito积分的构造下
UA MATH565C 随机微分方程III Ito积分的构造下 Progressively Measurable 从step process到一般随机过程 Progressively Measurab ...
- UA MATH565C 随机微分方程III Ito积分的构造
UA MATH565C 随机微分方程III Ito积分的构造 Filtration Step Process的Ito积分 Step Process的Ito积分的性质 上一讲讨论到,构造Ito积分要用构 ...
最新文章
- gamma分布_轻松理解gamma分布
- 陈百强原来这么帅_外套假两件,原来这么帅。
- 并查集判断是否有环存在
- 【微机原理与接口技术】具体芯片(1)并行接口8255A(2):控制字概述
- 第3篇:Flowable-IDM详述
- java 新建 api 案列_Java利用webservice创建接口案例源码
- Lync 2010 企业版安装
- Java set的区别_Java Set集合详解及Set与List的区别
- 一个html代码太多,如何为一个部分呈现多次的一个html代码
- ELK之ES-Logstash-Kibana互联
- maya多边形建模怎样做曲面_maya中的曲面模型怎么转换成多边形?
- 56相册视频(土豆相册视频 激动相册视频 QQ动感影集等)——下载教程
- 离散求边缘密度_密度梯度理论简介——半导体器件仿真
- 2022年山东省安全员A证考试模拟100题及在线模拟考试
- 数字孪生开启传统行业数字化转型升级之路
- 基于原生小程序精仿的猫眼电影(可预览)
- Failed to connect to repository : Error performing git command: git.exe
- 基于BCNN的汽车车型识别研究
- 全网最详细的如何在谷歌浏览器里正确下载并安装Postman【一款功能强大的网页调试与发送网页HTTP请求的Chrome插件】(图文详解)...
- 计算机内部信号表现形式,信号是数据在传输过程中的什么的表现形式
热门文章
- 软件测试Web数据分析工具HttpWatch安装
- 可视化---寻找路径与算法
- 业余学python数据挖掘怎么赚钱_0基础转行学Python,学到什么地步能拿到月薪15k+?...
- Set Up a Simple Knowledge Base
- 系统模块——什么是系统模块、path 路径操作、相对路径VS绝对路径
- Python 技术篇-百度语音合成API接口调用演示
- 双击SDK Manager.exe和AVD Manager.exe时,弹出提示:failed to execute tools\android.bat解决办法
- rot90--矩阵旋转
- MATLAB图像函数以及应用(第六章)边界问题
- 用python做数据分析,安装包一次到位