本文为 Evans 所著的 SDE 小册子(如封面)的学习笔记。

5.1 SDE 的定义和示例

5.1.1 前置知识

首先进行一些符号的约定。

记号约定 5.1 记 W(⋅) 是一个 m 维 Brown 运动, X0 是一个和 W(⋅) 无关的 n 维随机变量。定义 F(t) 由 Brown 运动直至时间 t 的历史和 X0 生成的 σ 代数为

F(t):=U(W(s)(0⩽s⩽t),X0),t⩾0

记号约定 5.2 给定 T>0 ,考虑函数 b:Rn×[0,T]→Rn , B:Rn×[0,T]→Mn×m 。我们常会以矩阵和向量的形式写出这些函数:

b=[b(1),b(2),…,b(n)],B=[b(1,1)⋯b(1,m)⋮⋱⋮b(n,1)⋯b(n,m)].

接着就可以给出 Ito SDE 的一般形式了。

定义 5.3(Ito 随机微分方程) 对 0⩽t⩽T ,称 n 维实向量值的随机过程 X(⋅) 是下面的Ito 随机微分方程 的解

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

如果 X(⋅) 满足下面四个条件:

  1. X(⋅) 是对 F(⋅) 是循序可测的
  2. F:=b(X,t)∈Ln1(0,T)
  3. G:=B(X,t)∈Ln×m2(0,T)
  4. 对所有 0⩽t⩽T ,都有 X(t)=X0+∫0tb(X(s),s)ds+∫0tB(X(s),s)dWa.s.

在条件(2)和(3)的保证下,我们可以假定 X(⋅) 的采样路径几乎一定连续。

注释 5.4(高阶 SDE) 一般将高阶 SDE 写成下面的形式

Y(n)=f(t,Y,…,Y(n−1))+g(t,Y,…,Y(n−1))ξ

本注释中 ◻(i) 表示对函数的 i 阶导, ξ 是白噪声。我们可以用下面的方法将其写成我们熟悉的形式。只需令

X(t)=[Y(t)Y(1)(t)⋮Y(n−1)(t)]=[X1(t)X2(t)⋮Xn(t)].

于是这个 SDE 可以写成

dX=[X2⋯f(⋯)]+[0⋮g(⋯)]dW.

5.1.1 线性 SDE 的一些例子

示例 5.5

令 m=n=1 ,考虑确定的连续函数 g ,随机微分方程

{dX=gXdWX(0)=1

的解为 X(t)=exp⁡{−12∫0tg2ds+∫0tgdW}

验证方法不难,令 Y(t)=−12∫0tg2ds+∫0tgdW ,它满足随机微分 dY=−12g2dt+gdW 。令 X=eY=u(Y) ,根据 Ito 链式法则,有

dX=du(Y)=(ut+uxF+12uxxG2)dt+uxGdW=(0−12eYg2+12eYg2)dt+eYgdW=eYgdW=gXdW.

示例 5.6

和上例类似,方程

{dX=fXdt+gXdWX(0)=1

的解为 X(t)=exp⁡{∫0tf−12g2ds+∫0tgdW}

要验证这个结果,同样令 Y(t)=∫0tf−12g2ds+∫0tgdW ,它满足随机微分 dY=(f−12g2)dt+gdW ,由 Ito 链式法则,有

dX=du(Y)=deY=[eY(f−12g2)+12g2]dt+eYgdW=fXdt+gXdW

示例 5.7(股价)

定义某支股票在 t 时刻的价格为 S(t) 。我们可以用下面的 SDE 建模股价的瞬时变化率为 dSS :

dSS=μdt+σdW⟹{dS=μSdt+σSdWS(0)=s0

其中 μ>0 和 σ 是常数,分别成为股票的漂移和波动。

如果考虑 u(S)=log⁡S ,用 Ito 链式法则,有

d(log⁡S)=(0+1S⋅μS−12S2σ2S2)dt+1S⋅σSdW=dSS−12S2σ2S2dt=(μ−12σ2)dt+σdW

因此我们可以立刻得到 S(t)=s0exp⁡{σW(t)+[μ−σ22]t} .

其中关于上面推导的第二步,我们可以考虑一般的情形, dX=Fdt+GdW , u(⋅) 是二次可导的函数,即

du(X)=(uxF+12uxxG2)dt+uxGdW=u′(Fdt+GdW)+12u″G2dt=u′dX+12u″G2dt

另外,从上面的 SDE,我们也能得到

S(t)=s0+∫0tμSds+∫0tσSdW

因为最后一项的期望为零,我们能得到

E(S(t))=s0+∫0tμE(S(s))ds⟹f(t)=f0+μ∫0tf(s)ds

两边对 t 求导,得到 f′(t)=μf(t) ,因此有 f(t)=E(S(t))=s0eμt 。如果上文一般情况中令波动系数 σ→0 ,就与上面的结果对应。

示例 5.8(Brown 桥)

考虑下面的 SDE

{dB=−B1−tdt+dWB(0)=00⩽t⩽1

它的解为

B(t)=(1−t)∫0t11−sdW

且满足 limt→1−B(t)=0a.s. 我们称 B(⋅) 是 0 时刻到 1 时刻的原点之间的 Brown 桥。

示例 5.9(Langevin 等式)

我们可以将摩擦力考虑进来,以更精细地建模先前的 Brown 分子运动模型。考虑一维的情况

X˙=−bX+σξ

其中 ξ 是白噪声, b 是摩擦系数, σ 是扩散参数。我们可以将其写成下面的 SDE 模型

{dX=−bXdt+σdWX(0)=X0

我们可以将 X(⋅) 理解为粒子的速度,和下一个例子中的位置过程 Y(⋅) 对应。

该方程的解为

X(t)=e−btX0+σ∫0te−b(t−s)dW,t⩾0.

另外注意 X 满足对应下面积分形式的随机微分

X(t)=X(0)−b∫0tX(s)ds+σW(t)⟹E(X(t))=E(X(0))−b∫0tE(X(s))ds+0

我们立即得到 E(X(t))=E(X0)e−bt 。然后计算二阶距:

E(X2(t))=E[e−2btX02+2σe−btX0∫0te−b(t−s)dW+σ2(∫0te−b(t−s)dW)2]=e−2btE(X02)+2σe−btE(X0)E(∫0te−b(t−s)dW)+σ2∫0te−2b(t−s)dsE(∫0tGdW)2=∫0tG2ds=e−2btE(X02)+σ2∫0te−2b(t−s)dsE(∫0tGdW)=0=e−2btE(X02)+σ22b(1−e−2bt)

于是得到方差 V(X(t))=E(X2(t))−E(X(t))2=e−2btV(X0)+σ22b(1−e−2bt) 。此时我们关注该过程之均值和方差的渐近性质,假设 V(X0)<∞ ,当 t→∞ 时,有

E(X(t))→0V(X(t))→σ22b

换言之,粒子的分布在 t 充分大时趋近于 N(0,σ22b) ,这是一个固定的分布。它的方差项同时包含扩散系数和摩擦系数,可以将其理解为时间充分大后扩散与摩擦耗散之间的平衡。

Langevin 方程的模拟

示例 5.10(Ornstein-Uhlenbeck 过程, OU 过程)

一个更好的建模 Brown 运动的模型由下面的 Ornstein-Uhlenbeck 方程给出:

{Y¨=−bY˙+σξY(0)=Y0Y˙(0)=Y1

若令 X=Y˙ ,原方程就转变为我们刚刚见过的形式:

dX=−bXdt+σdWX(0)=Y1

假设 Y1 服从 Gauss 分布,有

X(t)=e−btY1+σ∫0te−b(t−s)dW

也服从 Gauss 分布(不严谨的说,第一项服从 Gauss 分布,第二项是对 Gauss 分布的加权和)。接着我们计算 Y(t) 的均值和方差:

E(Y(t))=E(Y0)+E[∫0tXds]=E(Y0)+∫0tE(X(s))ds=E(Y0)+∫0tE[e−btY1+σ∫0te−b(t−s)dW]ds=E(Y0)+∫0te−btE[Y1]ds=E(Y0)+E(Y1)(1−e−bt)b

经过一些复杂计算,我们可以得到方差

V(Y(t))=V(Y0)+σ2b2t+σ22b3(−3+4e−bt−e−2bt)

示例 5.11(随机谐振子)

描述随机谐振子的方程如下所示

{X¨=−λ2X−bX˙+σξX(0)=X0X˙(0)=X1

其中 −λ2X 表示线性的回复力, −bX˙ 表示摩擦力。

该方程的解析解可以由 5.4 节中的一般性公式得出。对于 X1=0,b=0,σ=1 的特殊情形,有下面的解

X(t)=X0cos⁡(λt)+1λ∫0tsin⁡(λ(t−s))dW