5.3 解的性质
本节我们不加证明地引入一些 SDE 解的部分性质。
定理 5.14(高阶矩的估计)
考虑满足解的存在唯一性定理条件的
b
和
B
,如果对某个
p > 1
,还成立下面的条件:
E ( | X 0 | 2 p ) < ∞ ,
则 SDE
{ d X = b ( X , t ) d t + B ( X , t ) d W X ( 0 ) = X 0
满足下面的估计不等式:
E ( | X ( t ) | 2 p ⩽ C 2 ( 1 + E ( | X 0 | 2 p ) ) e C 1 t E ( | X ( t ) − X 0 | 2 p ⩽ C 2 ( 1 + E ( | X 0 | 2 p ) ) t p e C 1 t t p
其中常数
C 1 , C 2
只和
T , L , m , n , p
有关。
尽管对矩的估计比较粗糙,它依然是有用的:
示例 5.15(采样路径的性质)
上述讨论中并不排除
B ≡ 0
的可能性。若
B ≡ 0
,则原 SDE 的解为 ODE
X ˙ = b ( X , t )
,在可能随机的初值条件下的解。如果
b
是光滑的,那么解
t ↦ X ( t )
也将是光滑的;反之如果存在
1 ⩽ i ⩽ n
,使得对所有
x ∈ R n , 0 ⩽ t ⩽ T
有
∑ i ⩽ l ⩽ m | b i l ( x , t ) | 2 > 0
则几乎所有
ω
对应的采样轨道都是无处可微的。
定理 5.16(参数依赖性)
假设对
k = 1 , 2 , …
,
b ( k ) , B ( k )
和
X 0 ( k )
都满足存在唯一性定理的条件,且对应同一个
L
,如果它们还满足
lim k → ∞ E ( | X 0 ( k ) − X 0 | 2 ) = 0
以及对任意
M > 0
,成立
lim k → ∞ max 0 ⩽ t ⩽ T | x | ⩽ M ( | b ( k ) ( x , t ) − b ( x , t ) | + | B ( k ) ( x , t ) − B ( k ) ( x , t ) | ) = 0
最后假设
X ( k )
是
{ d X ( k ) = b ( k ) ( X ( k ) , t ) d t + B ( k ) ( X ( k ) , t ) d W X ( k ) ( 0 ) = X 0 ( k )
的解,则有
lim k → ∞ E ( max 0 ⩽ t ⩽ T | X ( k ) ( t ) − X ( t ) | 2 ) = 0
,其中
X
是
{ d X = b ( X , t ) d t + B ( X , t ) d W X ( 0 ) = X 0
的解。
示例 5.17(微小噪声的情形)
特别地,对几乎所有
ω
,
ε → 0
时SDE
{ d X ( ε ) = b ( X ( ε ) ) d t + ε d W X ( ε ) ( 0 ) = x 0
的解在
[ 0 , T ]
上一致收敛到
{ x ˙ = b ( x ) x ( 0 ) = x 0
的解轨道,不过在长的时间尺度上,小噪音项对系统动力学的影响深远。
5.4 线性随机微分方程
5.4.1 记号
定义 5.18(线性随机微分方程)
随机微分方程
d X = b ( X , t ) d t + B ( X , t ) d W
线性,是指
b
和
B
都有下面的形式:
b ( x , t ) = c ( t ) + D ( t ) x B ( x , t ) = E ( t ) + F ( t ) x
其中
c : [ 0 , T ] ∈ R n , D : [ 0 , T ] → M n × n , E : [ 0 , T ] → M n × m , F :→ L ( R n , M n × m )
,其中
L ( R n , M n × m )
指的是
R n
到
M n × m
的线性变换的集合。
定义 5.19(线性其次和狭义线性)
对于 定义 5.18 中的线性 SDE,如果在
t ∈ [ 0 , T ]
上有
c ≡ E ≡ 0
,称它是齐次 的;如果在相同条件下有
F ≡ 0
,则称其为狭义线性 的。
注解 5.20
如果
c , d , E , F
满足
sup o ⩽ t ⩽ T [ | c ( t ) | + | D ( t ) | + | E ( t ) | + | F ( t ) | ] < ∞
则它们构成得到的
b , B
,满足存在唯一性定理的条件;如果
E ( | X 0 | 2 ) < ∞
,且
X 0
和
W + ( 0 )
独立,对应的 SDE 有唯一解。
5.4.2 狭义线性 SDE 的求解公式
定理 5.21(线性随机微分方程的求解公式)
线性随机微分方程
{ d X = ( c ( t ) + D X ) d t + ( E ( t ) + F ( t ) X ) d W X ( 0 ) = X 0
的解为
X ( t ) = e D t X 0 + ∫ 0 t e D ( t − s ) ( c ( t ) d s + E ( s ) d W )
一般地,方程
{ d X = ( c ( t ) + D ( t ) X ) d t + ( E ( t ) + F ( t ) X ) d W X ( 0 ) = X 0
的解为
(*) X ( t ) = Φ ( t ) [ X 0 + ∫ 0 t Φ ( s ) − 1 ( c ( t ) d s + E ( s ) d W ) ]
其中
Φ ( t )
是非自治(时变)ODE
{ Φ ˙ = D ( t ) Φ Φ ( 0 ) = I
的基本矩阵 。
可以将上面的基本矩阵理解为同时以所有不同状态(
e i
)出发,经历
x ˙ = D ( t ) x
演化的结果组成的矩阵。如果将
E d W
写成
E ξ d t
,其中
ξ
是白噪声,并将其看作是非齐次项,得到的 ODE
X ˙ = c ( t ) + D ( t ) X + E ( t ) ξ
然后利用 ODE 的求解公式能得到和上面相同的结果。但当
F ≡ 0
时情况就不一样了,Ito 链式法则会多出一项。
最后如果
X 0
服从 Gauss 分布,则
X ( t )
也将是 Gauss 分布,因为 (*) 是作用在
X 0
上和
E ( s ) d W
的线性泛函,且
E ( s ) d W
积分得到的也是 Gauss 随机变量。
5.4.3 广义线性标量 SDE 的求解公式
定理 5.22(一维的一般情形)
假设
n = 1
,
m ⩾ 1
,下面的 SDE
{ d X = ( c ( t ) + d ( t ) X ) d t + ∑ l = 1 M ( e ( l ) ( t ) + f ( l ) ( t ) X ) d W ( l ) X ( 0 ) = X 0
的解为
X ( t ) = Φ ( t ) [ X 0 + ∫ 0 t Φ ( s ) − 1 ( c ( s ) − ∑ l = 1 M e ( l ) ( s ) f ( l ) ( s ) ) d s ] + ∫ 0 t ∑ l = 1 M Φ ( s ) − 1 e ( l ) ( s ) d W ( l ) ,
其中
Φ ( t ) = exp [ ∫ 0 t d − ∑ l = 1 M ( f ( l ) ) 2 2 d s + ∫ 0 t ∑ l = 1 M f ( l ) d W ( l ) ] .
5.4.4 求解线性 SDE 的方法
本节我们看几个 SDE 的例子,以复习 Ito 链式法则。
示例 5.23
{ d X = d ( t ) X d t + f ( t ) X d W X ( 0 ) = X 0
这个方程是
m = n = 1
的情形。我们尝试找到两个过程
X 1
和
X 2
,使得
X = X 1 X 2
,其中
{ d X 1 = f ( t ) X 1 d W X 1 ( 0 ) = X 0 , { d X 2 = A ( t ) d t + B ( t ) d W X 2 ( 0 ) = 1
其中
A
和
B
是未知的过程(或确定函数),需要求解得出。这么设定的原因是通过 Ito 乘积法则,有
d X = d ( X 1 X 2 ) = X 2 d X 1 + X 1 d X 2 + G 1 G 2 d t = f ( t ) X 1 X 2 d W + [ A ( t ) d t + B ( t ) d W ] X 1 + f ( t ) B ( t ) X 1 d t = f ( t ) X d W + [ A ( t ) d t + B ( t ) d W ] X 1 + f ( t ) B ( t ) X 1 d t
可见这样设置之下通过乘积法则就自然产生了原 SDE 的第一项(红色),剩下就需要找适当的
A
和
B
,使得
[ A ( t ) d t + B ( t ) d W ] X 1 + f ( t ) B ( t ) X 1 d t = d ( t ) X d t
不难发现当
B ≡ 0 , A ( t ) = d ( t ) X
时上面的等式成立。因此
X 2
满足
{ d X 2 = d ( t ) X d t X 2 ( 0 ) = 1
,这是一个 ODE,其解为
X 2 ( t ) = exp { ∫ 0 t d ( s ) d s } ,
对于
X 1
,我们在实例 5.5 中已给出其解为
X 1 ( t ) = X 0 exp { ∫ 0 t f ( s ) d W − 1 2 ∫ 0 t f 2 ( s ) d s } ,
因此最终的解为上述两项相乘:
X ( t ) = X 0 exp { ∫ 0 t f ( s ) d W + ∫ 0 t d ( s ) − 1 2 f 2 ( s ) d s } ,
接下来考虑一个更加一般的情况。
示例 5.24
{ d X = ( c ( t ) + d ( t ) X ) d t + ( e ( t ) + f ( t ) X ) d W X ( 0 ) = X 0
我们使用类似的思路,假设
X = X 1 X 2
,但本例中两者的预设稍有不同:
{ d X 1 = d ( t ) X 1 d t + f ( t ) X 1 d W X 1 ( 0 ) = 1 , { d X 2 = A ( t ) d t + B ( t ) d W X 2 ( 0 ) = X 0
根据 Ito 乘积法则,有
d X = X 1 d X 2 + X 2 d X 1 + G 1 G 2 d t = [ A ( t ) d t + B ( t ) d W ] X 1 + d ( t ) X 1 X 2 d t + f ( t ) X 1 X 2 d W + f ( t ) B ( t ) X 1 d t = d ( t ) X d t + f ( t ) X d W + [ A ( t ) d t + B ( t ) d W ] X 1 + f ( t ) B ( t ) X 1 d t
上述推导可见原 SDE 的两项已经出现(红色部分),
A
和
B
只需满足
[ A ( t ) d t + B ( t ) d W ] X 1 + f ( t ) B ( t ) X 1 d t = c ( t ) d t + e ( t ) d W
即可。可见
B ( t ) = e ( t ) [ X 1 ( t ) ] − 1
,
A ( t ) = [ c ( t ) − f ( t ) e ( t ) ] ⋅ [ X 1 ( t ) ] − 1
。注意
X 1
满足的 SDE 为上个例题所讨论的,可得
X 1 ( t ) = exp { ∫ 0 t f ( s ) d W + ∫ 0 t d ( s ) − 1 2 f 2 ( s ) d s } ,
而
X 2
可以直接积分得到:
X 2 ( t ) = X 0 + ∫ 0 t [ c ( s ) − f ( s ) e ( s ) ] ⋅ [ X 1 ( s ) ] − 1 d s + ∫ 0 t e ( s ) [ X 1 ( s ) ] − 1 d s .
将
X 1
代入即可。
注解 5.25
随机方程的数值解在理论和应用领域都有着广泛的热度。入门该领域可阅读 D. J. Higham 所著的 An algorithmic introduction to numerical simulation of stochastic differ- ential equations,并同时参考 P. E. Kloeden 和 E. Platen 所著的 Numerical Solution of Stochastic Differential Equations。