4.2 Itô 积分

4.2.1 非预期过程

考虑定义在某个概率空间 (Ω,U,P) 上的 Brown 运动 W(⋅) 。我们先给出一些定义

定义 4.11 (Brown 运动的历史和未来) 在某个概率空间 (Ω,U,P) 上的 Brown 运动 W(⋅) ,定义下面两个 σ -代数

W(t):=U(W(s)|0⩽s⩽t)W+(t):=U(W(s)−W(t)|s⩾t)

分别为 Brown 运动从开始截止到 t 的 历史,以及 Brown 运动在时间 t 之后的 未来 。

定义 4.12 (非预期的 σ -代数 / 滤子) 考虑一族 σ -代数 F(⋅) ,如果它满足

  1. 对所有 0⩽s⩽t 有 F(s)⊂F(t)
  2. 对所有 t⩾0 ,有 W(t)⩽F(t)
  3. 对所有 t⩾0 , F(t) 和 W+(t) 相互独立 我们称其相对于 W(⋅) 是 非预期的,或者称其为 滤子。

注释 4.13 我们可以这样理解 F(t) :它是 t 时刻时我们能掌握到的所有信息。一个很自然的想法就是这样定义

F(t):=U(W(s)(0⩽s⩽t),X0)

其中 X0 是一个和 W+(0) 无关的随机变量。事实上, X0 就是后面讲到的 SDE 中的 初值条件。

定义 4.14 (非预期的随机过程) 如果一个实值随机过程 G(⋅) 满足对任意 t⩾0 , G(t) 都是 F(t) -可测的,那么就称该随机过程是对 F(⋅) 非预期的。

注释 4.15 这个定义可以解释为,任何时刻下, G(t) 都只依赖 F(t) 中的信息

注释 4.16 事实上我们其实依赖更强的条件,即 G(⋅) 需要是 循序可测 (progressively measurable) 的,但这个定义比较复杂,因此我们在此只写它是可测的。前者的主要想法是,在 G(⋅) 是非预期的基础上,它还同时对 t 和 ω 联合可测。
事实上,如果被积随机过程 G(⋅) 是循序可测的,那么对应的 Itô 随机积分 ∫0TGdW 的能写成更加简洁优美又实用的形式。换言之,让 G(⋅) 只和 Brown 运动的历史相关,而不与其未来相关,世界会更美好。

定义 4.17 (循序可测的实值随机过程空间) 定义满足 E(∫0TG2dt)<∞ 的所有循序可测的实值随机过程 G(⋅) 构成的空间为 L2(0,T) 定义满足 E(∫0T|F|dt)<∞ 的所有循序可测的实值随机过程 F(⋅) 构成的空间为 L1(0,T)

4.2.2 阶梯过程

为了得出一般形式的 Ito 随机积分,我们从性质更好的阶梯过程开始。

定义 4.18 (阶梯过程) 对一个随机过程 G∈L2(0,T) ,如果存在一个 [0,T] 上的划分 P={0=t0<t1<⋯<tm=T} 使得对所有 k=0,…,m−1 和 t∈[tk,tk+1) ,都有 G(t)≡Gk ,则 G(⋅) 被称为是一个 阶梯过程 。

由于上面定义的 G 是循序可测的,因此它也是非预期的(对 ω 和 t 联合可测蕴含对 t 可测)。因此 Gk 是 F(tk) -可测的随机变量。

定义 4.19 考虑阶梯过程 G∈L2(0,T) ,则下面给出了 G 在区间 (0,T) 上的 Ito 随机积分:

∫0TGdW:=∑k=0m−1Gk[W(tk+1)−W(tk)]

这是一个随机变量。

引理 4.20 对所有 a,b∈R 以及所有阶梯过程 G,H∈L2(0,T) ,Ito 随机积分有下面的性质

  1. (线性性) ∫0TaG+bHdW=a∫0TGdW+b∫0THdW
  2. (期望为零) E(∫0TGdW)=0
  3. E[(∫0TGdW)2]=E(∫0TG2dt)

证明. (1)可以看见,两个阶梯过程的线性组合是一个新的阶梯过程。 (2)

E(∫0TGdW)=E[∑k=1m−1Gk[W(tk+1)−W(tk)]]

由于 Gk 是 F(tk) -可测的, W(tk+1)−W(tk) 是 W+(tk) 可测的。因此 Gk 和 W(tk+1)−W(tk) 无关,因此有上式等于零 (3)先展开

E[(∫0TGdW)2]=E[∑i,jGi⏟∈F(ti)⋅Gj⏟∈F(tj)⋅[W(ti+1)−W(ti)]⏟∈W+(ti)⋅[W(tj+1)−W(tj)]⏟∈W+(tj)]=∑i,jE[Gi⏟∈F(ti)⋅Gj⏟∈F(tj)⋅[W(ti+1)−W(ti)]⏟∈W+(ti)⋅[W(tj+1)−W(tj)]⏟∈W+(tj)]

其中 i<j 时,有 W(tj+1)−W(tj) 和乘起来的其他三项相互独立,因此它们的期望为零。类似地也可以得到 i>j 时的所有求和项期望都是零。因此可以简化为

E[(∫0TGdW)2]=∑i=1m−1E[Gi2[W(ti+1)−W(ti)]2]=∑i=1m−1E(Gi2)E([W(ti+1)−W(ti)⏟∼N(0,ti+1−ti)]2)=∑i=1m−1E(Gi2)(ti+1−ti)=E(∫0TG2dt)

有了阶梯过程后我们就考虑用阶梯过程逼近 L2(0,T) 中的任意随机过程 G ,这样就可以定义 G 的随机 Ito 积分了。

引理 4.21 (用阶梯过程逼近任意二次可积的循序可测随机过程) 任意 G∈L2(0,T) ,都存在一列 L2(0,T) 中的随机过程 G(n) ,使得

E(∫0T|G−G(n)|dt)→0.

证明思路. 大概的思路就是对几乎一定连续的随机过程 G ,对 [0,T] 这个区间画格子,并定义

G(m)(t):=∫0tmem(s−t)G(s)ds

所得的 G(m)(t) 对几乎所有 ω 都连续,且几乎一定二次收敛到 G 。接着就用阶梯过程逼近 G(m) 。

4.2.3 Itô 积分的定义和性质

定义 4.22 考虑某个 G∈L2(0,T) 和 L2(0,T) 中的一个阶梯过程序列 {Gn}n=1∞ ,则有当 m,n→∞ 时,有

E[(∫0TG(n)−G(m)dW)2]=E[∫0T(G(n)−G(m))2dt]→0

因此下面的极限在 L2(Ω) 存在:

∫0TGdW:=limn→∞∫0TG(n)dW

这就是 G 的 Ito 随机积分。

可以检查这个定义是良好的:即它与收敛的序列无关。先前提到的阶梯过程的 Ito 随机积分在一般情况下也成立:

定理 4.23 对所有 a,b∈R 以及所有 G,H∈L2(0,T) ,Ito 随机积分有下面的性质

  1. (线性性) ∫0TaG+bHdW=a∫0TGdW+b∫0THdW
  2. (期望为零) E(∫0TGdW)=0
  3. E[(∫0TGdW)2]=E(∫0TG2dt)

4.2.4 定义的推广

定义 4.14 定义 M2(0,T) 为所有满足下面条件的实值循序可测随机过程 G(⋅) :

∫0TG2dt<∞a.s.

我们可以把被积随机过程从 L2(0,T) 扩展到 M2(0,T) ,方法和先前类似,即使用 M2(0,T) 中的阶梯过程逼近。这样的定义也 Riemann 和极限的视角也是相容的:

注释 4.15 若 G∈M2(0,T) ,且路径 t↦G(t,ω) 对几乎所有 ω 连续。考虑划分 P(n) ,当其趋于零时,引理 4.9 中的 Rn 当小区间中点 τk(k) 取左端点时趋于 G 在该区间上的随机 Ito 积分。

4.2.5 不定 Itô 积分

定义 4.16 (不定 Ito 积分) 考虑 G∈L2(0,T) ,定义其不定积分为

I(t):=∫0tGdW,0⩽t⩽T

注意 I(0)=0 。

下面给出不定积分的几个有用的性质,它是一个采样路径几乎一定连续的鞅。

定理 4.17 考虑 G∈L2(0,T) ,则其不定积分 I(⋅) 是一个鞅,且它存在一个采样路径几乎一定连续的版本。

以后我们在提到 I(⋅) 时,就是指这个性质非常好的版本。