4.1 预备知识

在第一章里面我们看到了随机微分方程的形态

dX=b(X,t)dt+B(X,t)dWX(0)=X0

其中 B:Rn→Mn×m 。在这章中它将被转化为

X(t)=X0+∫0tb(X,s)ds+∫0tB(X,s)dW,t⩾0.

但在此之前,我们首先要弄清楚对于满足 "恰当" 性质的随机过程 G , ∫0TGdW 到底是什么意思,我们应该怎么定义它。

然而这件事似乎并不显然:Brown 运动的采样路径 t↦W(t,ω) 对几乎所有 ω 都有无限变差,这个积分项显然不能按照通常的积分理解。

4.1.1 Paley-Wiener-Zygmund 随机积分

当 m=n=1 时,我们首先介绍 Paley,Wiener 和 Zygmund 提出的定义

定义 4.1 (Paley-Wiener-Zygmund, 随机积分) 考虑连续可微的函数 g:[0,T]→R ,有 g(0)=g(T)=0 ,定义

∫0TgdW:=−∫0Tg′Wdt

注意 ∫0TgdW 是随机变量。接下来看一些随机积分的性质

引理 4.2

  1. E(∫0TgdW)=0
  2. E[(∫0TgdW)2]=∫0Tg2dt

证明. (1) E(∫0TgdW)=−E(∫0Tg′Wdt)=−∫0Tg′E(W)dt=0 (2)

E[(∫0TgdW)2]=E[(∫0Tg′Wds)(∫0Tg′Wdt)]=E[∫0T∫0Tg′(s)g′(t)W(s)W(t)⏟s∧tdsdt]=E[∫0Tg′(t)(∫0tsg′(s)ds+t∫tTg′(s)ds)dt]=E[∫0Tg′(t)(tg(t)−∫0tg(s)ds+t(g(T)⏟0−g(t)))dt]分部积分Newton-Leibniz 公式=−E[∫0Tg′(t)U(∫0tg(s)ds)dt]=−E[g(t)∫0tg(s)ds|0T⏟0−∫0T[g(t)]2dt]=∫0Tg2dt.分部积分

事实上我们可以对定义 4.1 做推广:考虑 g∈L2(0,T) ,以及一个函数序列 {gn} ,其中 gi∈C1 ,同时满足 gi(0)=gi(T)=0 ,使得 ∫0T(gn−g)2dt=0 ,根据性质 2 和积分的线性性,有

E[(∫0TgmdW−∫0TgndW)2]=E[(∫0T(gm−gn)dW)2]=∫0T(gm−gn)2dt

因此 {∫0TgndW}n=1∞ 在 L2(Ω) 中是一个 Cauchy 列。因此我们可以定义

∫0TgdW:=limn→∞∫0TgndW

这样对原定义的拓展依然满足引理中的两条性质。

注释 4.3 由于在 Paley-Wiener-Zygmund 的定义中要求 g 是一个确定的函数。我们还是没有办法处理 ∫0tB(X,s)dW 这样的东西,因此我们必须将其拓展到更大范围的被积对象上,并在确定函数情况下和 Paley-Wiener-Zygmund 的定义保持一致。

4.1.2 Riemann 和

在开始进一步讨论之前,我们来看看对于一个一维 Brown 运动

∫0TWdW

应该如何定义。一个比较自然的方法是用 Riemann 和然后取极限(如果极限存在)。

定义 4.4 (划分) 给定区间 [0,T] ,它的一个划分(partition) P 是该区间中的有限个不同的点构成的集合 P:={0=t0<t1<⋯<tm=T} 。该划分的 网格大小 定义为 |P|:=max0⩽k⩽m−1|tk+1−tk| 。对于固定的 0⩽λ⩽1 ,和 [0,T] 上的给定划分 P ,定义 τk:=(1−λ)tk+λtk+1 ,它是 [tk,tk+1] 区间上的一点。

定义 4.5 ( ∫0TWdW 的 Riemann 和估计) 对于 [0,1] 上的给定划分 P ,记

R=R(P,λ):=∑k=0m−1W(τk)[W(tk+1)−W(tk)]

为随机积分 ∫0TWdW 的 Riemann 和估计。

我们的核心问题是,固定 λ 的值上述估计在 |P|→0 时会发生什么?

引理 4.6 (Brown 运动轨道的二次变差) 考虑 [0,∞) 上的一个区间 [a,b] ,定义该区间上的一个划分序列

P(n):={a=t0(n)<t1(n)<⋯<tmn(n)=b}

它满足当 n→∞ 时, |P(n)|→0 。于是有在 L2(Ω) 中当 n→∞ 时,有

Qn=∑k=0mn−1[W(tk+1(n))−W(tk(n))]2→b−a

证明. 首先注意到

Qn−(b−a)=∑k=0mn−1([W(tk+1(n))−W(tk(n))]2−(tk+1(n)−tk(n))).

因此

E[(Qn−(b−a))2]=∑k=0mn−1∑j=0mn−1E[([W(tk+1(n))−W(tk(n))]2−(tk+1(n)−tk(n)))×([W(tj+1(n))−W(tj(n))]2−(tj+1(n)−tj(n)))]

当两个求和指标 k 和 j 不同时,根据 Brown 运动的增量独立性,有 W(tk+1(n))−W(tk(n)))∼N(0,tk+1(n)−tk(n)) 。因此

E[[W(tk+1(n))−W(tk(n))]2−(tk+1(n)−tk(n))]=E[[W(tk+1(n))−W(tk(n))]2]−(tk+1(n)−tk(n))=(tk+1(n)−tk(n))⏟σ2=tk+1(n)−tk(n)+0⏟μ2=0−(tk+1(n)−tk(n))=0.

因此双重求和中的非 “对角” 项都为零,就得到当 n→∞ 时,

E[(Qn−(b−a))2]=∑k=0mn−1E[([W(tk+1(n))−W(tk(n))]2−(tk+1(n)−tk(n)))2]=∑k=0mn−1E[[W(tk+1(n))−W(tk(n))]4⏟四阶原点矩=μ4+6μ2σ2+3σ4]−2E[[W(tk+1(n))−W(tk(n))]2]⏟二阶原点矩=μ2+σ2=tk+1(n)−tk(n)(tk+1(n)−tk(n))+(tk+1(n)−tk(n))2=∑k=0mn−13(tk+1(n)−tk(n))2−2(tk+1(n)−tk(n))2+(tk+1(n)−tk(n))2=2∑k=0mn−1(tk+1(n)−tk(n))2⩽2|Pn|∑k=0mn−1(tk+1(n)−tk(n))=2|Pn|(b−a)→0.

除此之外因为我们发现 W(tk+1(n))−W(tk(n)) 的方差恰好就是 tk+1(n)−tk(n) ,因此还可以这样做

E[(Qn−(b−a))2]=∑k=0mn−1E[([W(tk+1(n))−W(tk(n))]2−(tk+1(n)−tk(n)))2]=∑k=0mn−1E[([W(tk+1(n))−W(tk(n))tk+1(n)−tk(n)]2−1)2(tk+1(n)−tk(n))2]=∑k=0mn−1E[(Yn−1)2]⋅(tk+1(n)−tk(n))2⩽C∑k=0mn−1(tk+1(n)−tk(n))2.

注释 4.7 ( dW≈dt1/2 ) 可以看出,对于微小的时间增量 dt ,Brown 运动(轨道)的增量 dW 服从 Gauss 分布 N(0,dt) ,其标准差恰好是 dt1/2 ,这说明在时间间隔 dt 内,轨道增量 dW 的变化水平大致是 dt1/2 ,这一定程度上解释了第一章中提到的 dW≈dt1/2 这件事情。

注释 4.8 (Brown 运动轨道在区间上变差几乎必然无限) 另一方面,因为当 n→∞ 时, Qn 在 L2(Ω) 中有极限 b−a 。由于 Brown 运动本身对一切 0<γ<12 ,我们在样本空间中找一个样本点使得该结论成立,这个样本点对应的 Brown 运动轨道有一致 γ -Hölder 连续性,因此存在 K ,使得

|W(tk+1(n))−W(tk(n))|⩽K|tk+1(n)−tk(n)|γ|W(tk+1(n))−W(tk(n))|2⩽K|tk+1(n)−tk(n)|γ|W(tk+1(n))−W(tk(n))|∑k=0mn−1|W(tk+1(n))−W(tk(n))|2⩽K∑k=0mn−1|tk+1(n)−tk(n)|γ|W(tk+1(n))−W(tk(n))|⩽K|P(n)|γ∑k=0mn−1|W(tk+1(n))−W(tk(n))|b−a=lim supn→∞∑k=0mn−1|W(tk+1(n))−W(tk(n))|2⩽Klim supn→∞|P(n)|γ∑k=0mn−1|W(tk+1(n))−W(tk(n))|

由于 |P(n)|→0 ,等式右边最后一项必须满足

sup[b−a] 的划分 P{∑k=0mn−1|W(tk+1)−W(tk)|}=∞.

这就证明了 Brown 运动轨道在任意闭区间 [a,b] 上的变差几乎一定是无穷大。

有了 Brown 运动轨道平方变差在 L2(Ω) 中的收敛性后,我们来看看对 ∫0TWdW 的 Riemann 和估计我们能得到什么。

引理 4.9 给定一个固定的 λ∈[0,1] ,以及区间 [0,T] 上的一列细度趋于零的划分 P(n) ,定义

Rn:=∑k=0mn−1W(τk(n))(W(tk+1(n))−W(tk(n)))

其中 τk(n)=(1−λ)tk(n)+λtk+1(n) ,于是在 L2(Ω) 中有极限

limn→∞Rn=W(T)22+(λ−12)T

换句话说,Riemann 和估计的极限值受中点的选取位置影响。

证明.

Rn:=∑k=0mn−1W(τk(n))(W(tk+1(n))−W(tk(n)))=12∑k=0mn−1[(W(τk(n))−W(tk(n)))−(W(tk+1(n))−W(τk(n)))+W(tk(n))+W(tk+1(n))]×[(W(tk+1(n))−W(τk(n)))+(W(τk(n))−W(tk(n)))]⏟W(tk+1(n))−W(tk(n))=12∑k=0mn−1[(W(τk(n))−W(tk(n)))2−(W(tk+1(n))−W(τk(n)))2+W(tk+1(n))2−W(tk(n))2]=W2(T)2+12∑k=0mn−1(W(τk(n))−W(tk(n)))2−12∑k=0mn−1(W(tk+1(n))−W(τk(n)))2→W2(T)2+T2[λ−(1−λ)]=W2(T)2+[λ−12]T.in L2(Ω)引理 4.6

注释 4.10 (Itô 积分和 Stratonovich 积分) 事实上,Itô 的定义就是取 λ=0 得到的:

(Itô)∫0TWdW=W2(T)2−T2

另一种定义来自 Stratonovich,取 λ=12 :

(Stratonovich)∫0TW∘dW=W2(T)2

看起来更自然的定义应该是后面那个,但是前者有一些优势。前者将中点 τ(n) 选取在划分区间的左端点 tk(n) ,可以使得 ∫0TGdW 这样形式的积分可以允许 G(⋅) 是一大类叫做 非预期过程 的随机过程。另一方面,我们不知道随机过程在区间 [tk(n),tk+1(n+1)] 上的行为,取左端点作为估计最为稳妥。