3.2 Brown 运动的基本性质

3.2.1 Brown 运动的定义

上面的内容自然地引出了 Brown 运动,我们在此假设 D=1 ,然后对它下个定义

定义 3.1 (一维 Brown 运动) 一个一维 Brown 运动(或 Wiener 过程)是指这样的实值随机过程 W(⋅) ,它满足下面的几个条件

  1. W(0)=0a.s.
  2. 对所有 t⩾s⩾0 , W(t)−W(s) 服从 N(0,t−s)
  3. 对所有 0<t1<t2<⋯<tn ,随机变量 W(t1),W(t2)−W(t1),…,W(tn)−W(tn−1) 是相互独立的(增量相互独立)

中心极限定理可以给我们更多启发,Brown 运动中粒子的每次独立随机扰动的加和经过适当缩放调整后就会得出 Gauss 分布(定义中的第二条)。

3.2.2 联合概率的计算

根据定义里面的第一条和第二条,可以得出对任意 t>0 , W(t)=N(0,t) 。进而对任意 a⩽b ,有

P(a⩽W(t)⩽b)=12πt∫abe−x22tdx

这时我们想知道,如果确定一列时刻 0<t1<⋯<tn 和一系列实的区间端点 ai<bi,i=1,…,n 联合概率 P(a1⩽W(t1)⩽b1,…,an⩽W(tn)⩽bn) 应该是什么。换句话说,我们想知道满足上述条件的一段采样序列的概率。

我们可以猜一下。我们已经知道给定一个采样点 t1 和区间 [a1,b1] ,我们有

P(a1⩽W(t)⩽b1)=∫a1b112πtexp⁡{−x22t}dx.

给定 W(t1)=x1∈[a1,b1] ,根据定义的第二条, W(t2)−W(t1) 服从 N(x1,t2−t1) 。因此

P(a2⩽W(t2)⩽b2|W(t1)=x1)=∫a2b212π(t2−t1)exp⁡{−|x2−x1|22(t2−t2)}dx2

所以两个采样点的联合概率应该是

P(a1⩽W(t1)⩽b1,a2⩽W(t2)⩽b2)=∫a1b1∫a2b2g(x1,t1|0)g(x2,t2−t1|x1)dx2dx1

其中 g(x,t|y)=12πtexp⁡{−(x−y)22t} 。上面的推导还可以这样理解,联合概率 P(W(t1),W(t2)) 可以写成 P(W(t1))P(W(t2)|W(t1)) ,而根据定义,我们知道它们的密度函数分别为 g(x1,t1|0) 和 g(x2,t2−t1|x1) ,在 [a1,b1]×[a2,b2] 上积分就得到了上面的结果。推而广之,我们就可以猜出一般的形式:

(3.4)P(a1⩽W(t1)⩽b1,…,an⩽W(tn)⩽bn)=∫a1b1⋯∫anbng(x1,t1|0)g(x2,t2−t1|x1)⋯g(xn,tn−tn−1|xn−1)dxn⋯dx1.

定理 3.2 W(⋅) 是一个一维 Brown 运动,对每一个实值函数 f:Rn→R 和采样时间序列 0=t0<t1<⋯<tn ,有

E[f(W(t1),…,W(tn))]=∫−∞∞⋯∫−∞∞f(x1,…,xn)g(x1,t1|0)g(x2,t2−t1|x1)⋯g(xn,tn−tn−1|xn−1)dxn⋯dx1

特别地,令

f(x1,…,xn)=χ[a1,b1](x1)⋯χ[an,bn](xn),

则该定理给出 (3.4)。

证明. 主要思路是用换元把每一采样间隔的随机变量剥离,得到一组相互独立的随机变量。 记 Xi=W(ti),i=1,…,n ,然后做线性的变量替换

Y=[Y1Y2⋮Yn]=[1−11⋱⋱−11][X1X2⋮Xn]=JX

因此有 |J|≡1 ,这样一来我们在变量替换时就非常容易了。这样我们就从原来的随机变量造出了一列相互独立且都服从 Gauss 分布的随机变量。然后令

h(y1,y2,…,yn)=f(y1,y1+y2,…,y1+⋯+yn).

我们目标期望,就可以证明定理的内容:

E[f(W(t1),…,W(tn))]=E[h(y1,…,yn)]=∫−∞∞⋯∫−∞∞h(y1,…,yn)p(y1,…,yn)dyn⋯dy1=∫−∞∞⋯∫−∞∞h(y1,…,yn)g(y1,t1|0)g(y2,t2−t1|0)⋯g(yn,tn−tn−1|0)dyn⋯dy1=∫−∞∞⋯∫−∞∞f(x1,…,xn)g(x1,t1|0)g(x2,t2−t1|x1)⋯g(xn,tn−tn−1|xn−1)dxn⋯dx1

3.2.3 白噪声

现在来看看白噪声是怎么回事。

引理 3.3 W(⋅) 是一个一维 Brown 运动,对 s,t>0 ,有

E(W(t))=0,E(W2(t))=t$$以及$$E(W(t)W(s))=t∧s=min {s,t}

(注意,这里的 ∧ 跟微分形式里面那玩意儿没关系,为约定俗成)

证明. 前两个结果容易得到。我们计算最后一个。不妨假设 t>s ,得到

E(W(t)W(s))=E[(W(s)+W(t)−W(s))W(s)]=E[W(s)2]+E[(W(t)−W(s))W(s)]=E[W(s)2]+E[W(t)−W(s)]E[W(s)]⏟0增量独立性=s=t∧s

一些直觉推导 我们在介绍 SDE 的时候提到了对 Brown 运动 “求导” 的结果 W˙(t)=ξ(t) 是 “一维白噪声”。但事实上几乎对所有的 ω 对应的采样路径 t↦W(t,ω) 对所有 t⩾0 都是不可微的。因此 W˙(⋅)=ξ(t) 这样的东西实际并不存在。但我们有这个启发式公式 “E[ξ(t)ξ(s)]=δ0(s−t)” 。我们可以 “证明” 这件事情。考虑 h>0 ,固定 t>0 ,然后算一下两个微商的乘积

ϕh(s):=E[(W(t+h)−W(t)h)(W(s+h)−W(s)s)]=1h2[E(W(t+h)W(s+h))−E(W(t+h)W(s))−E(W(t)W(s+h))+E(W(t)W(s))]=1h2[(t+h)∧(s+h)−(t+h)∧s−t∧(s+h)+t∧s]=1h2[2(t∧s)+h−(t+h)∧s−((t−h)∧(s)+h)]=1h2[2(t∧s)−(t+h)∧s−(t−h)∧s]={0,s<t−hh−2[s−(t−h)],t−h<s<th−2[(t+h)−s],t<s<t+h0,s>t+h

可以看到这是一个连续的 “脉冲”,它的高是 1h ,因此曲线下的面积总是 1 。令 h→0 ,函数 ϕh(s) 就会 ”趋于“ Dirac 质量 δ0(s−t) ,也即 E[ξ(t)ξ(s)] 。

为什么 W˙(⋅)=ξ(⋅) 叫做 “白噪声” 假设实值随机过程 X(⋅) 满足对任意 t⩾0 ,有 E(X2(t))<∞ ,我们定义 自相似函数 为

r(t,s):=E(X(t)X(s)),t,s⩾0

如果存在某个函数 c:R→R ,使得 r(t,s)=c(t−s) ,除此之外随机过程还满足对任意 t,s⩾0 有 E(X(t))=E(X(s)) ,则我们称 X(⋅) 是 广义平稳的。白噪声 ξ(⋅) 至少在形式上是 Gauss 广义平稳的,这时 c=δ0 。 ξ(⋅) 叫做白噪声的原因是频域中它是常函数,这说明每种 “颜色” (频率)的 “光” 的贡献是相同的。定义对 c 的 Fourier 变换

f(λ)=12π∫−∞∞e−iλtc(t)dt,λ∈R

将 Dirac 点质量代入,我们有

f(λ)=12π∫−∞∞e−iλtδ0dt=12π,∀λ∈R.