4.3 Itô 积分的链式法则和乘积法则

4.3.1 链式法则

首先给出一些方便的记号。

定义 4.18 假设随机变量 X(⋅) 满足存在 F∈L1(0,T) 和 G∈L2(0,T) ,和 0⩽s⩽r⩽T ,使得

X(r)=X(s)+∫rsFdt+∫rsGdW

我们就说 X(⋅) 对于 t∈[0,T] ,满足下面形式的 “随机微分”

dX=Fdt+GdW

需要注意的是,这里面的 dX , dt 和 dW 单独拿出来都没有实际意义,需要和积分配套使用。接下来我们就可以叙述 Ito 链式法则了。

定理 4.19 (Ito 链式法则) 若随机变量 X(⋅) 有随机微分 dX=Fdt+GdW ,其中 F∈L1(0,T) 和 G∈L2(0,T) 。考虑函数

u:R×[0,T]→R(x,t)↦u(x,t)

且 u 的偏导数 ux , ut 以及 uxx 都存在且连续。则 Y(t)=u(X(t),t) 有随机微分

du(X(t),t)=utdt+uxdX+12uxxG2dt=(ut+uxF+12uxxG2)dt+uxGdW

其中 u 的各偏导数的参数都是 (X(t),t) 。

注释 4.20 换言之,沿用上面的记号,链式法则说的是

Y(r)−Y(s)=u(X(r),r)−u(X(s),s)=∫srut+uxF+12uxxG2dt+∫rsuxGdWa.s.

4.3.2 链式法则的应用

我们先不证明上面的链式法则,它要用到下面要讲的乘积法则。我们先接受它,然后看一下几个典型的有趣例子

示例 4.21 (单项式) 首先考虑简单的情况。假设 X(⋅)=W(⋅) ,以及 u(x)=xm 。根据随机微分的定义,有 dX=0dt+1dW ,即 F≡0,G≡1 。根据 Ito 链式法则,就有

d(Wm)=(ut+uxF+12uxxG2)dt+uxGdW=(0+mXm−1⋅0+12m(m−1)Wm−212)dt+(mXm−1⋅1)dW=12m(m−1)Wm−2dt+mWm−1dW

特别地,当 m=2 时,有 d(W2)=2WdW+dt ,写成积分形式就是

∫srWdW=W2(r)−W2(s)2−r−s2

这又回到了 Ito 积分的定义。

示例 4.22 接下来考虑 u=exp⁡{λx−λ2t2} , X(⋅) 和上面一样。因此有

du=(ut+uxF+12uxxG2)dt+uxGdW=(−λ22u+0+λ22u)dt+λudW=λudW

因此它还可以写成下面的随机微分方程形式:

dY=λYdWY(0)=1

接下来看一个稍微复杂一些的例子,但读者会发现,这里的 Hermite 多项式起到了 Taylor 展开里面类似 xnn! 这样的功效。

定义 4.23 (Hermite 多项式) 定义 Hermite 多项式 Hn(x,t),n=0,1,… 为

Hn(x,t):=(−t)nn!exp⁡{x22t}dndxnexp⁡{−x22t}

定理 4.24 (Hermite 多项式和随机积分)

dHn+1(W,t)=Hn(W,t)dW

证明. 我们知道 dxnn!=xn−1(n−1)!dx ,它的形式和这个很像。我们也可以考虑把某个东西做类似 Taylor 展开一样的展开。在这里我们的选择是 u(x,λ)=exp⁡{−(x−λt)22t} 。 在 Taylor 展开中,我们有 dndxnex|x=0=n!⋅xnn! ,这里我们也考察类似的项。由于此时变元换成了 λ ,因此我们需要考察 λ=0 时的情形。我们首先从一阶导开始。

∂∂λu(x,λ)=(x−λt)u(x,λ)

另一方面

∂∂xu(x,λ)=−x−λttu(x,λ)

因此有 ∂∂λu(x,λ)=(−t)⋅∂∂xu(x,λ). 接下来我们猜想

∂n∂λnu(x,λ)=(−t)n∂n∂xnu(x,λ)

n=0,1 时已经验证过(或不言自明),接下来用归纳法。假设 n−1 时成立,有

∂n∂λnu(x,λ)=∂∂λ∂n−1∂λn−1u(x,λ)=(−t)n−1∂∂λ∂n−1∂xn−1u(x,λ)=(−t)n−1∂n−1∂xn−1∂∂λu(x,λ)u 光滑=(−t)n−1∂n−1∂xn−1(−t)∂∂xu(x,λ)=∂n∂xnu(x,λ)

写开来就是

∂n∂λnexp⁡{−(x−λt)22t}=(−t)n∂n∂xnexp⁡{−(x−λt)22t}

同时对两侧令 λ=0 ,就有

∂n∂λnexp⁡{−(x−λt)22t}|λ=0=(−t)n∂n∂xnexp⁡{−(x−λt)22t}|λ=0=(−t)ndndxnexp⁡{−x22t}

现在我们需要凑出 Hermite 多项式的形式:

Hn(x,t)=(−t)nn!⋅exp⁡{−x22t}dndxnexp⁡{−x22t}=1n!∂n∂λnexp⁡{λx−λ2t2}|λ=0

因此 exp⁡{λx−λ2t2} 就可以有下面的展开

Y(x)=exp⁡{λx−λ2t2}=∑n=0∞n!Hn(x,t)

此时将 x 替换为 Brown 运动 W(t) ,根据上个例子的结论,有

{dY=λYdWY(0)=1

因此

Y(t)=Y(0)+∫0tYdW

把上面的展开代进来,有

∑n=0∞λnHn(X(t),t)=1+∫0t∑n=0∞λn+1Hn(X(t),t)dW=1+∑n=1∞λn∫0tHn−1(X(t),t)dW

因此对所有 n∈N>0 ,比对 λn 的系数,有

Hn(X(t),t)=Hn−1(X(t),t)dW

4.3.3 乘积法则

我们先给出两个简单的结论。

引理 4.25

  1. d(W2)=2WdW+dt
  2. d(tW)=Wdt+tdW

证明. 根据之前的内容,(1)是显然的,现在证明 (2)。我们可以把两边分别写成 Riemann 和的极限的形式。选取一个细度趋于零的划分 P(n) ,左边可以写成

∫0rd(tW)=rW(r)=∑k=0mn−1[tk+1nW(tk+1n)−tknW(tkn)]

右边的第一项的区间中点用右侧端点,第二项用左侧端点。因此可以写成下面的形式,我们发现和上面的 Riemann 和完全一致。

∫0rWdt+∫0rtdW=∑k=0mn−1W(tk+1n)[tk+1n−tkn]+∑k=0mn−1tkn[W(tk+1n)−W(tkn)]=∑k=0mn−1[tk+1nW(tk+1n)−tknW(tkn)]

现在给出一般形式的乘积法则

定理 4.26 假设两个随机变量 X1 和 X2 满足

dX1=F1dt+G1dWdX2=F1dt+G1dW

其中 F1,F2∈L1(0,T) , G1,G2∈L2(0,T) ,则 X1X2 有下面的随机微分

d(X1X2)=X2dX1+X1dX2+G1G2dt

证明. 分三步。我们要证明乘积法则对所有的 Fi 和 Gi 都成立,而 Fi 和 Gi 都可以在各自的空间中被各自空间中的阶梯过程逼近。

(第一步) 我们先从最简单的情况开始。选一个 r∈[0,T] ,且假设 X1(0)=X2(0) , Fi 和 Gi 是对时间无关的 F(0) -可测的随机过程。根据给定条件,有

Xi(t)=∫0tdXi(t)=∫0tFidt+∫0tGidW=Fi∫0tdt+Gi∫0tdW=Fit+GiW(t).

现在考虑等式右侧的积分

∫0rX2dX1+X1dX2+G1G2dt=∫0rX2(F1dt+G1dW)+X1(F2dt+G2dW)+G1G2dt=∫0rF1X2+F2X1+G1G2dt+∫0rG1X2+G2X1dW=∫0rF1(F2t+G2W)+F2(F1t+G1W)+G1G2dt+∫0rG1(F2t+G2W)+G2(F1t+G1W)dW=2∫0rF1F2tdt+(F1G2+F2G1)(∫0rWdt+∫0rtdW)+2∫0rG1G2WdW+G1G2r=F1F2r2+(F1G2+F2G1)rW(r)+G1G2(W(r)2−r)+G1G2r=X1(r)X2(r)

接下来是 s⩾0 , X1(s) 和 X2(s) 任意, Fi 和 Gi 是 F(s) -可测的过程的情况,和上面的证明类似,不再赘述。

(第二步) 对于阶梯过程 Fi 和 Gi ,我们可以对每一个阶梯区间 [tk,tk+1) 用上一步的结果,然后加起来即可

(第三步) 我们可以在对应的空间中分别选出一列收敛于任意的 Fi 和 Gi 的阶梯过程 Fi(n) 和 Gi(n) ,定义

Xi(n)(t):=Xi(0)+∫0tFi(n)ds+∫0tGi(n)dW

用前两步的结果,然后令 n→∞ ,就能证明定理。

注释 4.27 乘积法则中的 G1G2dt 称为 Ito 校正项

注释 4.28 乘积公式可以导出下面的 Ito 分部积分公式:

∫srX2dX1=X1(t)X2(t)|sr−∫srX1dX2−∫rsG1G2dt

注释 4.29 可以看到,如果 G1 或 G2 为零,我们的结论就退化为通常微积分中的分部积分公式。如果进一步令 X1(⋅)=W(⋅) , X2(⋅)=g∈C1 ,其中后者为确定函数,且满足 g(0)=g(T)=0 ,我们就回到了先前 Paley-Wiener-Zygmund 的随机积分定义

4.3.4 链式法则的证明

有了乘积法则之后,我们来证明 Ito 链式法则。我们再把链式法则写一遍

定理 4.19 (Ito 链式法则) 若随机变量 X(⋅) 有随机微分 dX=Fdt+GdW ,其中 F∈L1(0,T) 和 G∈L2(0,T) 。考虑函数

u:R×[0,T]→R(x,t)↦u(x,t)

且 u 的偏导数 ux , ut 以及 uxx 都存在且连续。则 Y(t)=u(X(t),t) 有随机微分

du(X(t),t)=utdt+uxdX+12uxxG2dt=(ut+uxF+12uxxG2)dt+uxGdW

其中 u 的各偏导数的参数都是 (X(t),t) 。

证明. 链式法则的证明也分三步。首先考虑最简单的情况,即 u 为单项式的情形,然后证明多项式的情形,最后用多项式逼近任意的 u (和它的各个偏导数)。

(第一步) 现在我们来证明链式法则的第一个例子中的情形,即 u(x)=xm,m=0,1,… 我们要证明的是

d(Xm)=utdt+uxdX+12uxxG2dt=mXm−1dX+m(m−1)2Xm−2G2dt

当 m=0 和 m=1 时,我们可以很容易地验证上式成立。现在用数学归纳法,假设 m=n−1 时上式成立,并假设 dX=Fdt+GdW ,因此

d(Xm−1)=(m−1)Xm−2dX+(m−1)(m−2)2Xm−3G2dt=(m−1)Xm−2(Fdt+GdW)+(m−1)(m−2)2Xm−3G2dt=◻dt+(m−1)Xm−2GdW.此时我们不用关心 dt 的系数

进而我们可以使用乘积法则

d(Xm)=d(X⋅Xm−1)=Xd(Xm−1)+Xm−1dX+(m−1)Xm−2G2dt=X[(m−1)Xm−2(Fdt+GdW)+(m−1)(m−2)2Xm−3G2dt]+Xm−1dX+(m−1)Xm−2G2dt=mXm−1dX+m(m−1)2Xm−2G2dt

这样我们就证明了 u(x)=xm 的情形。根据微分算子的线性性,该结果对任意的多项式 f∈F[x] 成立。

(第二步) 接下来考虑可以写成两个多项式乘积的情况: u(x,t)=f(x)g(t) ,其中 f 和 g 都是多项式,这是因为任何 u∈F[x,t] 都可以写成 x 和 t 单项式乘积的有限线性组合。由第一步,我们有

d[f(X)]=◻dW+◻dtd[g(t)]=0dW+gt(t)dt

因此

d(u(X,t))=d(f(X)g(t))=f(X)d[g(t)]+g(t)d[f(X)]+(0⋅◻)dt=f(X)g′dt+g(t)[f′(X)dX+12f″(X)G2dt]=f(X)g′(t)dt+g(t)f′(X)dX+12g(t)f″(X)G2dt=utdt+uxdX+12uxxG2dt

(第三步) 最后一步就是逼近。对任意满足定理条件的 u ,都存在一个多项式序列 u(n)∈F[x,t] ,使得当 n→∞ 时,有

u(n)→u,ut(n)→ut,ux(n)→ux,uxx(n)→uxx

因此我们在第二步的基础上对 n 求极限即可。

4.3.5 链式法则的拓展形式

首先引入一些记号

约定 4.30 我们将 Rn 中的点 x 写为 x=[x1,…,xn]⊤ 考虑实值函数 u:Rn×[0,T]→R ,我们有下面的偏导数简记号

ut=∂u∂t,uxi=∂u∂xi,uxixj=∂u∂xixj,…

其中 i,j=1,…,n 。

我们现在给出 Ito 链式法则的一般形式

定理 4.31 (Ito 链式法则) 假设一列随机过程 X(i) 满足分别存在一列 F(i)∈L1(0,T) 和 G(i)∈L2(0,T) ,使得对所有 i=1,…,n 都有

dX(i)=F(i)dt+G(i)dW

现在考虑直至二次偏导连续的 u:Rn×[0,T]→R ,有

d[u(X(1),…,X(n),t)]=utdt+∑k=1nuxkdX(i)+12∑i,j=1nuxiuxjG(i)G(j)dt.

这个定理也可以使用一维情形下证明的相似思路完成。即考虑 u 用下面的多项式逼近:

u(n)=∑k=1mg(t)∏i=1nfi(xi)

其中 g 和 fi 都是多项式。