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(|X0|2p)<∞,

则 SDE {dX=b(X,t)dt+B(X,t)dWX(0)=X0 满足下面的估计不等式:

E(|X(t)|2p⩽C2(1+E(|X0|2p))eC1tE(|X(t)−X0|2p⩽C2(1+E(|X0|2p))tpeC1ttp

其中常数 C1,C2 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∈Rn,0⩽t⩽T 有

∑i⩽l⩽m|bil(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 X0(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

limk→∞E(|X0(k)−X0|2)=0

以及对任意 M>0 ,成立

limk→∞max0⩽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 {dX(k)=b(k)(X(k),t)dt+B(k)(X(k),t)dWX(k)(0)=X0(k) 的解,则有 limk→∞E(max0⩽t⩽T |X(k)(t)−X(t)|2)=0 ,其中 X 是 {dX=b(X,t)dt+B(X,t)dWX(0)=X0 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 {dX(ε)=b(X(ε))dt+εdWX(ε)(0)=x0 的解在 [0,T] 上一致收敛到 {x˙=b(x)x(0)=x0 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 dX=b(X,t)dt+B(X,t)dW 线性,是指 b 和 B 都有下面的形式:

b(x,t)=c(t)+D(t)xB(x,t)=E(t)+F(t)x

其中 c:[0,T]∈Rn,D:[0,T]→Mn×n,E:[0,T]→Mn×m,F:→L(Rn,Mn×m) ,其中 L(Rn,Mn×m) 指的是 Rn 到 Mn×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

supo⩽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(|X0|2)<∞ ,且 X0 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 {dX=(c(t)+DX)dt+(E(t)+F(t)X)dWX(0)=X0 的解为

X(t)=eDtX0+∫0teD(t−s)(c(t)ds+E(s)dW)

一般地,方程 {dX=(c(t)+D(t)X)dt+(E(t)+F(t)X)dWX(0)=X0 的解为

(*)X(t)=Φ(t)[X0+∫0tΦ(s)−1(c(t)ds+E(s)dW)]

其中 Φ(t) 是非自治(时变)ODE {Φ˙=D(t)ΦΦ(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( ei )出发,经历 x˙=D(t)x 演化的结果组成的矩阵。如果将 EdW 写成 Eξdt ,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 X0 服从 Gauss 分布,则 X(t) 也将是 Gauss 分布,因为 (*) 是作用在 X0 上和 E(s)dW 的线性泛函,且 E(s)dW 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

{dX=(c(t)+d(t)X)dt+∑l=1M(e(l)(t)+f(l)(t)X)dW(l)X(0)=X0

的解为

X(t)=Φ(t)[X0+∫0tΦ(s)−1(c(s)−∑l=1Me(l)(s)f(l)(s))ds]+∫0t∑l=1MΦ(s)−1e(l)(s)dW(l),

其中

Φ(t)=exp⁡[∫0td−∑l=1M(f(l))22ds+∫0t∑l=1Mf(l)dW(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

{dX=d(t)Xdt+f(t)XdWX(0)=X0

这个方程是 m=n=1 的情形。我们尝试找到两个过程 X1 和 X2 ,使得 X=X1X2 ,其中

{dX1=f(t)X1dWX1(0)=X0,{dX2=A(t)dt+B(t)dWX2(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

dX=d(X1X2)=X2dX1+X1dX2+G1G2dt=f(t)X1X2dW+[A(t)dt+B(t)dW]X1+f(t)B(t)X1dt=f(t)XdW+[A(t)dt+B(t)dW]X1+f(t)B(t)X1dt

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)dt+B(t)dW]X1+f(t)B(t)X1dt=d(t)Xdt

不难发现当 B≡0,A(t)=d(t)X 时上面的等式成立。因此 X2 满足 {dX2=d(t)XdtX2(0)=1 ,这是一个 ODE,其解为

X2(t)=exp⁡{∫0td(s)ds},

对于 X1 ,我们在实例 5.5 中已给出其解为

X1(t)=X0exp⁡{∫0tf(s)dW−12∫0tf2(s)ds},

因此最终的解为上述两项相乘:

X(t)=X0exp⁡{∫0tf(s)dW+∫0td(s)−12f2(s)ds},

接下来考虑一个更加一般的情况。

示例 5.24

{dX=(c(t)+d(t)X)dt+(e(t)+f(t)X)dWX(0)=X0

我们使用类似的思路,假设 X=X1X2 ,但本例中两者的预设稍有不同:

{dX1=d(t)X1dt+f(t)X1dWX1(0)=1,{dX2=A(t)dt+B(t)dWX2(0)=X0

根据 Ito 乘积法则,有

dX=X1dX2+X2dX1+G1G2dt=[A(t)dt+B(t)dW]X1+d(t)X1X2dt+f(t)X1X2dW+f(t)B(t)X1dt=d(t)Xdt+f(t)XdW+[A(t)dt+B(t)dW]X1+f(t)B(t)X1dt

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)dt+B(t)dW]X1+f(t)B(t)X1dt=c(t)dt+e(t)dW

即可。可见 B(t)=e(t)[X1(t)]−1 , A(t)=[c(t)−f(t)e(t)]⋅[X1(t)]−1 。注意 X1 满足的 SDE 为上个例题所讨论的,可得 X1(t)=exp⁡{∫0tf(s)dW+∫0td(s)−12f2(s)ds}, 而 X2 可以直接积分得到:

X2(t)=X0+∫0t[c(s)−f(s)e(s)]⋅[X1(s)]−1ds+∫0te(s)[X1(s)]−1ds.

将 X1 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。