6.1 停 时

6.1.1 定义和基本性质

停时这一概念在研究随机微分方程时自然而然地出现,有了它我们可以考察过程在 “随机时间段” 上的行为。考虑概率空间 (Ω,U,P) , F(⋅) 是滤子,我们在本节引入一些在 F(⋅) 下有良好性质的随机时间量。

定义 6.1 (停时) 一个映射 τ:Ω→[0,∞] 若满足对所有 t⩾0 ,都有 τ−1((−∞,t])∈F(t) 则它被称为 F(⋅) 的停时。

这说的是所有的 (−∞,t] 都是 F(t) -可测集合。另外注意 t 可以取 +∞ ,因此任意常数 τ≡t0 也是 F(⋅) 的停时。接着我们看停时的一些性质。一般为了方便,将 τ−1((−∞,t]) 写成 {τ⩽t} 。

定理 6.2 (停时的基本性质) 假设 τ,τ1 和 τ2 都是 F(⋅) 的停时,则

  1. 对任意 t⩾0 , {τ<t}∈F(t) ,且 {τ=t}∈F(t)
  2. τ1∨τ2=max{τ1,τ2} 和 τ1∧τ2=min{τ1,τ2} 都是停时

证明. 对于 (1),首先可以可以使用上界趋于 t 的一列闭区间的并表示开区间:

{τ<t}=⋃k=1∞{τ⩽t−1k}

这样一来,根据停时的定义,右侧的每一项有 {τ⩽t−1k}∈F(t−1k) ,同时 F(⋅) 是滤子,有 F(t−1k)⊂F(t) 。最后 F(⋅) 是 σ -代数,对元素的可数并封闭,因此有 {τ<t}∈F(t) 。由于 {τ=t}={τ⩽t}∩{τ<t}c ,由 σ -代数的定义,也有 {τ=t}∈F(t) 。

对于 (2) ,首先由于 τ1 和 τ2 ,所以不论取 max 还是 min ,都将得到一个非负的映射,因此满足停时的前提条件。其次我们期望利用 σ 代数的性质,将 {τ1◻τ2⩽t} 表示成 {τ⩽t} 或是 {τ<t} 的有限次集合运算结果,就能证明 {τ1◻τ2⩽t}∈F(t) ,进而证明它们是停时。可以验证

{τ1∨τ2⩽t}={τ1⩽t}∩{τ2⩽t}∈F(t),{τ1∧τ2⩽t}={τ1⩽t}∪{τ2⩽t}∈F(t)

其中 τ1∨τ2⩽t 意为 τ1 和 τ2 都不大于 t ,而 τ1∧τ2⩽t 意为 τ1 和 τ2 中至少一个不大于 t 。因此 τ1∨τ2 和 τ1∧τ2 都是停时。

接下来给出停时的一个经典例子和附带的一个定理。

定理 6.3(首达时) 考虑满足解的存在唯一性定理条件的随机微分方程 {dX(t)=b(t,X)dt+B(t,X)dW,X(0)=X0 的解 X(⋅) (假设其,考虑该过程 “首次到达” Rn 中的非空闭集或空开集 E 的时间:

τ=inf{t⩾0:X(t)∈E},

则 τ 是一个停时(若 X(⋅) 的某个轨道不碰触到 E ,则规定该轨道对应于 E 的首达时为 +∞ )。 “停时” 这一名称就来源于此。

证明. 要证明 τ 是一个停时,只需证明固定 t 的条件下有 {τ⩽t}∈F(t) 。注意 τ 是用下确界定义的,如果 τ⩽t ,则一定存在某个 t0∈[0,t] 使得 X(t0)∈E 。因此我们只要尝试 “枚举” 所有 [0,t] 中的 t0 即可完整拼凑出 {τ⩽t} 的全部情形。但是需要注意 [0,∞) 上的闭区间是不可数集,因此我们需要在上面找一个稠密的可数集 {ti}i=1∞ 来完成这个操作。因此就有

{τ⩽t}=⋃ti⩽t{X(ti)∈E}

请注意等号右侧是可数并,可以联想到 σ -代数的定义。如果 {X(ti)∈E} 是 F(ti) 中的元素,则 {τ⩽t} 一定也是其中的元素。此时需要对 E 进行讨论;同时注意,固定 ti 时, X(ti) 是一个随机变量,即 Ω 到 Rn 的可测函数。

如果 E 是开集,则 E∈B(Rn) ,根据可测函数的性质,有 {X(ti)∈E}∈F(ti)⊂F(t) 。反之,我们可以用一列递降收敛到 E 开集 Un 来逼近之:考虑点 x 到 E 的距离 d(x,E)=inf{d(x,y):y∈E} ,其中 d 取 Rn 中的 Euclid 距离,则

E=⋂i=1∞Un=⋂i=1∞{x:d(x,E)<1n}.

我们将对应于 Un 的停时记为 τUn ,由于 Un 是开集, τUn 是停时,因此 {τUn⩽t}∈F(t) 。最后我们需要证明的其实是可数交是否能够穿脱到下极限里面的问题:

⋂n=1∞{τUn⩽t}=?{τ⋂i=1∞Un⩽t}={τC⩽t}

我们证明二者互相包含。右边包含于左边是显然的,现在证明左边包含于右边。取 ω∈⋂n=1∞{τUn⩽t} ,这意味着对任意 n ,都有 {τUn⩽t} ,即存在 sn⩽t ,使得 X(sn)∈Un 。由于 [0,t] 是紧集,存在一个收敛子列 snk→s∈[0,t] 。此时我们希望 X 是连续的,这样就可以得到 X(snk,ω)→X(s,ω) 。另外根据 Un 的定义,有 d(X(snk,ω),E)<1nk ,两边对 k 去极限,得到 d(X(s,ω),E)=0 ,即 X(s,ω)∈E 。这样就证明了 ⋂n=1∞{τUn⩽t}={τC⩽t} 。总而言之,有

{τ⩽t}=⋂n=1∞⋃ti⩽t{X(ti)∈Un}⏟{τUn⩽t}∈F(ti)⊂F(t)⊂F(t).

注解 6.4 和停时定义对应地,还有 X 最后碰触集合 E 的时间 σ=sup{t⩾0:X(t)∈E} ,但它不是停时,因为 {σ⩽t} 和未来相关,未来的“信息”并不在 F(t) 中。

6.1.2 停时与随机积分

本节我们考虑积分上限是停时的随机积分,然后得到关于这类随机积分的 Ito 公式。

定义 6.5(上限为停时的随机积分) 考虑过程 G∈L2(0,T) 和停时 τ∈[0,T] ,定义

∫0τGdW:=∫0Tχ{t⩽τ}GdW.

上限为停时的随机积分有和通常随机积分相似的两条性质。

引理 6.6 考虑过程 G∈L2(0,T) 和停时 τ∈[0,T] ,以 τ 为上限的随机积分 ∫0τGdW 拥有下面两条性质

  1. (期望为零) E(∫0τGdW)=0,
  2. (伊藤等距) E[(∫0τGdW)2]=E(∫0τG2dt).

证明. 由于 ∫0τGdW=∫0Tχ{t⩽τ}GdW ,而 χ{t⩽τ}G∈L2(0,T) ,因此将其看成一个新的 L2(0,T) 中的过程,应用一般 Ito 随机积分的结果即可证明。

注解 6.8 (伊藤等距) 一般 Ito 随机积分中的第二条性质之所以称作是 ”等距“ 是因为它给出了一个从 L2(0,t) 到 L2(Ω) 的保持 L2 范数的 Ito 积分算子:

I:L2(0,1)→L2(Ω)G↦∫0tGdW

它保持两个空间中的 L2 范数:

‖G‖L2(0,t)=E(∫0tG2dt)=E[(I[G])2]=‖I[G]‖L2(Ω),

因此它在两个空间中 L2 范数诱导的度量意义下成为等距映射。

6.1.3 带有停时的 Ito 链式法则

回忆一下,若 W(⋅) 是 m 维 Brown 运动,给定随机微分方程

dX=b(X,t)dt+B(X,t)dW

则对任意 u∈C2 ,有

du(X,t)=utdt+∑i=1nuxidXi+12∑i,j=1nuxi,xj∑k=1mb(i,k)b(j,k)dt

我们先引入一个生成元 L ,它是一个偏微分算子:

定义 6.7 关于过程 X 的生成元 L 是下面的偏微分算子

L:u→∑i,j=1na(i,j)uxi,xj+∑i=1nb(i)uxi

其中

ai,j=12∑k=1mbi,kbj,k.

考虑上面的链式法则的积分形式,有

u(X(t),t)−u(X(0),0)=∫0tutds+∫0t∑i=1nuxidX(i)+12∫0t∑i,j=1nuxi,xj∑k=1mb(i,k)b(j,k)dt=∫0tutds+∫0t∑i=1nuxi[b(i)(X,t)dt+∑k=1mB(i,k)(X,t)dW(k)]+12∫0t∑i,j=1nuxi,xj∑k=1mb(i,k)b(j,k)dt=∫0t(ut+Lu)ds+∫0t⟨Du,BdW⟩.

其中 Du=[u1,…,un] ,且 u=u(X,t) 。

注解 6.7 可以验证,生成元 L 是一个(也许退化的)二阶椭圆型偏微分算子。这是因为任取 ξ=(ξ1,…,ξn) ,都有

∑i,j=1na(i,j)ξiξj=12∑i,j=1n∑k=1mb(i,k)b(j,k)ξiξj=12∑k=1m(∑i=1nb(i,k)ξi)2⩾0

如果存在 θ>0 ,使得对任意 ξ∈Rn , L 都满足 ∑i,j=1na(i,j)ξiξj⩾θ‖ξ‖2 ,则称 L 是一致椭圆算子。 L 不一定是一致椭圆算子,因为如果 B≡0 ,它退化为一阶算子。

现在我们考虑将上面的积分上限换成某个 [0,T] 上的停时 τ ,有

u(X(τ),τ)−u(X(0),0)=∫0τ[ut+Lu]ds+∫0τ⟨Du,BdW⟩.

两侧取期望,有

E(u(X(τ),τ)−u(X(0),0))=E[∫0τ(ut+Lu)ds].

这被称为Dynkin 公式。马上我们将揭示这个结果让随机微分方程和非随机的偏微分方程之间产生的重要联系。

6.1.4 Brown 运动和 Laplace 算子

如果取 X 为 n 维 Brown 运动 W ,则对应的生成元为

Lu=12∑i,jnI(i,j)uxi,xj+0=12∑i=1nuxi,xi=12Δu.

其中 Δ 称为 Laplace 算子,在数学和物理中广泛出现。下节我们还将继续讨论 Brown 运动与偏微分方程等领域的重要联系。