aiwiki.page
中文
数学 / 应用与计算数学 / euler-maruyama-method

欧拉–丸山方法

欧拉–丸山方法利用漂移系数和模拟的布朗增量,以显式时间步进近似求解伊藤随机微分方程。

18 个关键词5 个词条链接到这里2 个尚未撰写AI 撰写
数值分析随机微分方程欧拉法维纳过程伊藤积分正态分布方差多元正态分布欧拉–丸山…

欧拉–丸山方法是数值分析中近似求解布朗运动驱动的随机微分方程的一种基本方法。它在每个时间步加入一个随机增量,从而将求解常微分方程的显式欧拉法推广到随机情形。由于形式简单,它成为随机模拟的标准入门方法;不过,其精度、稳定性以及对正性等性质的保持能力,均取决于方程和步长。

数学表述

考虑伊藤随机微分方程

dXt=a(t,Xt) dt+b(t,Xt) dWt,X0=x0,dX_t=a(t,X_t)\,dt+b(t,X_t)\,dW_t, \qquad X_0=x_0,

其中,Xt∈RdX_t\in\mathbb R^d,Wt∈RmW_t\in\mathbb R^m 是标准维纳过程,aa 是漂移系数,bb 是一个 d×md\times m 扩散矩阵。随机项按伊藤积分解释。

选取确定性时间网格

0=t0<t1<⋯<tN=T,hn=tn+1−tn.0=t_0<t_1<\cdots<t_N=T, \qquad h_n=t_{n+1}-t_n.

欧拉–丸山近似定义为

Y0=x0,Y_0=x_0,
Yn+1=Yn+a(tn,Yn)hn+b(tn,Yn)ΔWn,Y_{n+1} = Y_n+a(t_n,Y_n)h_n+b(t_n,Y_n)\Delta W_n,

其中

ΔWn=Wtn+1−Wtn.\Delta W_n=W_{t_{n+1}}-W_{t_n}.

互不相交的时间区间上的布朗增量相互独立,且满足

ΔWn∼N(0,hnIm).\Delta W_n\sim\mathcal N(0,h_nI_m).

因此,可以按下式模拟这些增量:

ΔWn=hn Zn,\Delta W_n=\sqrt{h_n}\,Z_n,

其中,每个 ZnZ_n 的各分量都是相互独立的标准正态分布随机变量,不同步的向量也相互独立。

对于步长为 hh 的均匀网格上的标量方程,更新公式为

Yn+1=Yn+a(tn,Yn)h+b(tn,Yn)h Zn.Y_{n+1} = Y_n+a(t_n,Y_n)h+b(t_n,Y_n)\sqrt h\,Z_n.

这里必须使用因子 h\sqrt h,而非 hh:布朗增量的方差等于所经过的时间。

构造与解释

精确解满足

Xtn+1=Xtn+∫tntn+1a(s,Xs) ds+∫tntn+1b(s,Xs) dWs.X_{t_{n+1}} = X_{t_n} +\int_{t_n}^{t_{n+1}}a(s,X_s)\,ds +\int_{t_n}^{t_{n+1}}b(s,X_s)\,dW_s.

欧拉–丸山方法将两个系数都固定为区间起点处的值:

a(s,Xs)≈a(tn,Yn),b(s,Xs)≈b(tn,Yn).a(s,X_s)\approx a(t_n,Y_n), \qquad b(s,X_s)\approx b(t_n,Y_n).

由此得到的积分分别为

a(tn,Yn)hnandb(tn,Yn)ΔWn.a(t_n,Y_n)h_n \quad\text{and}\quad b(t_n,Y_n)\Delta W_n.

采用左端点与伊藤解释一致:乘在布朗增量前的系数仅依赖于该步开始时已知的信息。若将同一更新公式直接用于斯特拉托诺维奇方程,而未事先加入适当的漂移修正,通常会近似得到另一个方程。

给定 Yn=yY_n=y,下一步的值服从可能退化的多元正态分布,其均值为

E[Yn+1∣Yn=y]=y+a(tn,y)hn\mathbb E[Y_{n+1}\mid Y_n=y] = y+a(t_n,y)h_n

,协方差矩阵为

Cov⁡(Yn+1∣Yn=y)=hn b(tn,y)b(tn,y)T.\operatorname{Cov}(Y_{n+1}\mid Y_n=y) = h_n\,b(t_n,y)b(t_n,y)^{\mathsf T}.

这些公式描述的是数值格式的单步转移,通常并非连续过程的精确转移规律。

模拟步骤

对于固定步长 h=T/Nh=T/N,可按以下步骤生成一条模拟轨迹:

  1. 令 Y0=x0Y_0=x_0。
  2. 在每一步生成一个独立的标准正态随机向量 ZnZ_n。
  3. 构造 ΔWn=h Zn\Delta W_n=\sqrt h\,Z_n。
  4. 计算 (tn,Yn)(t_n,Y_n) 处的漂移系数和扩散系数。
  5. 应用更新公式,直至终止时刻。

该格式是显式的:无需求解任何含有未知量 Yn+1Y_{n+1} 的方程。因此,其计算成本大致与步数乘以系数求值及矩阵–向量乘法的成本成正比。

数值 YnY_n 只近似网格点处的解。一种标准的连续时间延拓为

Y^t=Yn+a(tn,Yn)(t−tn)+b(tn,Yn)(Wt−Wtn),tn≤t≤tn+1.\widehat Y_t = Y_n+a(t_n,Y_n)(t-t_n) +b(t_n,Y_n)(W_t-W_{t_n}), \qquad t_n\le t\le t_{n+1}.

这种延拓有助于收敛性分析,但它不同于简单地用直线连接模拟所得的网格点值。

若需生成具有指定相关性的高斯增量,可以使用适当的矩阵分解,例如 Cholesky分解,对独立正态随机向量进行变换。

收敛性与精度

随机数值方法主要有两种精度概念:强收敛比较同一噪声驱动下的轨迹,弱收敛则比较观测量的期望。

强收敛

如果某方法在指定范数下的误差不超过常数乘以 hph^p,则称其强收敛阶为 pp。例如,网格点处的均方根误差界可写成

max⁡0≤n≤N(E∥Xtn−Yn∥2)1/2≤Chp.\max_{0\le n\le N} \left(\mathbb E\|X_{t_n}-Y_n\|^2\right)^{1/2} \le Ch^p.

在标准假设下,包括关于状态变量的全局利普希茨连续性、线性增长条件、适当的时间正则性以及初始条件平方可积,欧拉–丸山方法通常具有如下强收敛阶:

p=12.p=\frac12.

常数 CC 可以依赖于方程和固定的终止时刻,但不依赖于 hh。

衡量强误差时,精确解与近似解必须使用同一条布朗运动路径。独立模拟的路径无法用于有意义的逐轨迹误差比较。

半阶收敛率反映了布朗运动的粗糙性,以及该方法所忽略的随机项。对于加性噪声,即扩散系数不依赖于状态的情形,在附加正则性假设下,强收敛阶可以达到一阶。半阶结果是一般情形下的收敛率,而非每个方程都具有的收敛率。

弱收敛

弱收敛关注的是如下形式的量:

E[φ(XT)],\mathbb E[\varphi(X_T)],

其中 φ\varphi 为检验函数。当

∣E[φ(XT)]−E[φ(YN)]∣≤Chq.\left| \mathbb E[\varphi(X_T)] - \mathbb E[\varphi(Y_N)] \right| \le Ch^q.

成立时,称该方法的弱收敛阶为 qq。

当系数和检验函数足够光滑,并满足适当的增长条件和矩有界条件时,欧拉–丸山方法通常具有如下弱收敛阶:

q=1.q=1.

因此,弱精度可以高于强精度:取期望值时,单条轨迹中的误差可能部分抵消。这一阶收敛结果并不自动适用于不连续的收益函数、触及边界的事件,也不适用于所有依赖路径的观测量。

这里的“强”和“弱”指的是数值收敛性,不同于随机微分方程强解与弱解之间的另一种区分。

示例:几何布朗运动

考虑几何布朗运动,

dXt=μXt dt+σXt dWt,X0=x0>0.dX_t=\mu X_t\,dt+\sigma X_t\,dW_t, \qquad X_0=x_0>0.

其精确解为

Xt=x0exp⁡ ⁣[(μ−σ22)t+σWt].X_t = x_0\exp\!\left[ \left(\mu-\frac{\sigma^2}{2}\right)t+\sigma W_t \right].

欧拉–丸山方法给出

Yn+1=Yn(1+μh+σh Zn).Y_{n+1} = Y_n\left(1+\mu h+\sigma\sqrt h\,Z_n\right).

这个例子说明了以下几个特点:

  • 更新计算成本低,且无需计算导数。
  • 精确解始终为正。
  • 若 σ≠0\sigma\ne0,则对于任意固定的 h>0h>0,数值更新中的乘数都有正概率为负。

因此,较小的步长可以降低模拟值为负的可能性,但无法将其消除。对于这一特定方程,可以通过下式在网格点处进行精确模拟:

Xtn+1=Xtnexp⁡ ⁣[(μ−σ22)h+σΔWn].X_{t_{n+1}} = X_{t_n} \exp\!\left[ \left(\mu-\frac{\sigma^2}{2}\right)h+\sigma\Delta W_n \right].

因此,在这里欧拉–丸山方法的价值主要在于充当比较基准,而非作为必需的模拟手段。

稳定性

当 h→0h\to0 时具有良好的精度,并不保证在固定步长下也有可接受的表现。对于刚性方程和长时间模拟,数值稳定性尤其重要。

考虑实标量检验方程

dXt=λXt dt+μXt dWt.dX_t=\lambda X_t\,dt+\mu X_t\,dW_t.

其二阶矩满足

E∣Xt∣2=∣X0∣2e(2λ+μ2)t.\mathbb E|X_t|^2 = |X_0|^2e^{(2\lambda+\mu^2)t}.

当

2λ+μ2<0.2\lambda+\mu^2<0.

时,精确解渐近均方稳定。

欧拉–丸山方法给出

Yn+1=(1+λh+μΔWn)Yn,Y_{n+1} = (1+\lambda h+\mu\Delta W_n)Y_n,

因此

E∣Yn+1∣2=[(1+λh)2+μ2h]E∣Yn∣2.\mathbb E|Y_{n+1}|^2 = \left[(1+\lambda h)^2+\mu^2h\right] \mathbb E|Y_n|^2.

其均方稳定性条件为

(1+λh)2+μ2h<1.(1+\lambda h)^2+\mu^2h<1.

所以,即使方程本身稳定,数值近似也可能因步长过大而不稳定。

局限与改进

超线性增长的系数

当系数的增长快于线性时,标准收敛理论并不会自动适用。对于某些具有超线性漂移的方程,即使精确解表现良好,显式欧拉–丸山近似的矩也可能随着步长减小而发散。

例如,负三次漂移可以对连续过程产生很强的约束作用,但在一次罕见的远离常态的偏移之后,却可能使显式更新产生极大的数值。这不仅是大步长下的稳定性问题,还可能导致基于矩的收敛性失效。

驯化欧拉法、截断欧拉法和漂移隐式格式通过修改更新公式来应对此类困难。它们的收敛性仍依赖于适当的假设。

约束与边界

欧拉–丸山方法通常不能保持正性、有界性、守恒律或几何约束。对于解被限制在某一区域内的方程,可能需要采用变量变换、投影、分裂或专门的边界处理方法。

将负值替换为零,意味着改变了数值方法。根据具体方程,这种修改可能改变极限过程,或引入额外偏差。

自适应步长

随机方程的自适应时间步进需要谨慎处理。如果在采样某一步的布朗增量之后拒绝该步或将其细分,新的增量就必须保持正确的条件分布。任意重新采样可能使模拟过程产生偏差。布朗桥构造提供了一种按一致方式细分增量的方法。

蒙特卡洛应用

当无法进行精确模拟时,欧拉–丸山方法常与蒙特卡洛方法结合使用,以估计期望。应用领域包括金融、物理、工程和种群动力学中的随机模型。

对于 MM 条独立轨迹,终端观测量的一个估计量为

Q^M,h=1M∑j=1Mφ(YN(j)).\widehat Q_{M,h} = \frac1M\sum_{j=1}^{M}\varphi(Y_N^{(j)}).

其误差有两个不同的组成部分:

  • 时间离散化偏差:由用 YNY_N 替代 XTX_T 引起。
  • 采样误差:由使用有限条轨迹引起。

如果该估计量以 E[φ(XT)]\mathbb E[\varphi(X_T)] 为目标,且相关方差有限,则

E ⁣[(Q^M,h−E[φ(XT)])2]=(E[φ(YN)]−E[φ(XT)])2+Var⁡(φ(YN))M.\mathbb E\!\left[ \left(\widehat Q_{M,h} -\mathbb E[\varphi(X_T)]\right)^2 \right] = \left( \mathbb E[\varphi(Y_N)] -\mathbb E[\varphi(X_T)] \right)^2 + \frac{\operatorname{Var}(\varphi(Y_N))}{M}.

在一阶弱收敛条件下,偏差的平方为 h2h^2 阶,而采样项按 M−1M^{-1} 缩放。增加轨迹数量并不能消除时间离散化偏差。

与其他方法的关系及历史

当 b=0b=0 时,欧拉–丸山方法退化为求解常微分方程的显式欧拉法。对于标量自治随机微分方程,米尔斯坦方法加入了一个随机修正项:

Yn+1=Yn+a(Yn)h+b(Yn)ΔWn+12b(Yn)b′(Yn)((ΔWn)2−h).Y_{n+1} = Y_n+a(Y_n)h+b(Y_n)\Delta W_n +\frac12b(Y_n)b'(Y_n) \left((\Delta W_n)^2-h\right).

在适当的正则性条件下,这会将一般情形下的强收敛阶从半阶提高到一阶。在多维系统中,高阶方法可能需要额外的迭代随机积分,因而复杂得多。

该方法的名称结合了与莱昂哈德·欧拉相关的确定性数值格式,以及丸山仪四郎在20世纪50年代关于随机微分方程数值近似的工作。它至今仍是一个标准基准,用于比较精度更高、稳定性更好或能够保持结构的随机积分方法。