{
  "id": "feynman-kac-formula",
  "title": "费曼–卡茨公式",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "费曼–卡茨公式将某些微分方程的解表示为加权随机路径的期望，联系了概率论、分析学、量子理论与金融学。",
  "category": "mathematics",
  "subcategory": "probability-statistics",
  "type": "concept",
  "aliases": [
    "费曼–卡茨表示",
    "费曼–卡茨定理"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/feynman-kac-formula/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/feynman-kac-formula/",
      "json": "https://aiwiki.page/en/feynman-kac-formula.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "费曼–卡茨公式是一类表示定理，将线性偏微分方程与随机过程泛函的期望联系起来。其经典形式将带有势项的扩散方程的解表示为一个期望值：终端收益乘以沿随机轨迹累积的指数权重后取期望。源项和边界条件也可以纳入这一表示。\n\n该公式在分析学与概率论之间建立了双向联系：既可以通过随机路径研究微分方程，也可以通过求解微分方程确定路径依赖量的分布。其主要应用场景包括热方程、虚时间量子演化、边值问题以及金融衍生品定价。虽然通常被称为一个公式，但它实际上有多个版本，各版本的假设条件取决于系数的正则性、势函数的性质、定义域以及所采用的解的概念。"
    },
    {
      "heading": "历史起源与概念背景",
      "text": "该公式以理查德·费曼和马克·卡茨的名字命名。费曼在1948年发表的一篇重要论述中阐述了量子力学的路径积分表述，通过各种可能轨迹的贡献来表示量子演化。卡茨认识到，如果将振荡的量子权重替换为实指数权重，并让轨迹由布朗运动支配，那么一种相关的构造就能成为严格的概率表示。他于1949年发表的论文《论某些维纳泛函的分布》发展了路径泛函与微分方程之间的这一联系。\n\n这一概率结构早于以两人名字命名的公式。通过维纳过程得到数学上严格表述的布朗运动，早已为热传导提供了一种表示。对于 \\(\\mathbb R^d\\) 中的标准布朗运动 \\(B_t\\)，表达式\n\n\\[u(t,x)=\\mathbb E[f(x+B_t)]\\]\n\n在适当假设下满足 \\(\\partial_tu=\\tfrac12\\Delta u\\)。费曼–卡茨构造加入了一个随空间位置变化的势 \\(V\\)：\n\n\\[u(t,x)= \\mathbb E_x\\!\\left[ \\exp\\!\\left(-\\int_0^t V(B_s)\\,ds\\right)f(B_t) \\right],\\]\n\n其中，\\(\\mathbb E_x\\) 表示布朗运动从 \\(x\\) 出发。对应的方程为\n\n\\[\\partial_tu=\\frac12\\Delta u-Vu.\\]\n\n\\(V\\) 的路径积分记录了势沿整条轨迹的累积效应，而不只是其在终点处的作用。\n\n卡茨的这一视角对于研究加性泛函\n\n\\[A_t=\\int_0^t q(B_s)\\,ds.\\]\n\n的分布尤为有用。取 \\(V=\\lambda q\\)，并令终端函数为 \\(f=1\\)，就可以得到它的拉普拉斯变换 \\(\\mathbb E_x[e^{-\\lambda A_t}]\\)。这样，占用时间和累积成本问题就转化为带有乘法项的微分方程问题。反过来，只要满足必要的可积性条件，允许在期望内求导，有时便可以通过对 \\(\\lambda\\) 求导来求得 \\(A_t\\) 的各阶矩。\n\n后续的发展将这一公式纳入了扩散过程、算子半群和泛函分析的理论框架。随机微积分的发展使人们能够利用伊藤公式给出直接证明，而算子方法则将这种表示推广到过于不规则、初等经典理论无法处理的势。它与量子路径积分之间的历史联系依然重要，但这一严格的概率公式涉及的是正的路径测度与实时间扩散，并不意味着可以不加限制地对实时间量子振幅作概率解释。"
    },
    {
      "heading": "扩散过程与标准终值公式",
      "text": "一般的经典形式从 \\(\\mathbb R^d\\) 中的扩散过程 \\(X_s\\) 出发，该过程在 \\(s\\geq t\\) 时由随机微分方程定义：\n\n\\[dX_s=b(s,X_s)\\,ds+\\sigma(s,X_s)\\,dW_s, \\qquad X_t=x.\\]\n\n这里，\\(W\\) 是 \\(m\\) 维布朗运动，\\(b\\) 是漂移向量，\\(\\sigma\\) 是 \\(d\\times m\\) 扩散矩阵。记 \\(a=\\sigma\\sigma^{\\mathsf T}\\)，则相应的无穷小生成元作用于光滑函数的表达式为\n\n\\[\\mathcal L_t\\phi(x) =\\sum_{i=1}^d b_i(t,x)\\,\\partial_i\\phi(x) +\\frac12\\sum_{i,j=1}^d a_{ij}(t,x)\\,\\partial_{ij}\\phi(x).\\]\n\n二阶项的系数由增量的局部协方差决定。因子 \\(1/2\\) 不可或缺：标准布朗运动的生成元是 \\(\\tfrac12\\Delta\\)，而不是 \\(\\Delta\\)。\n\n考虑终值问题\n\n\\[\\partial_tu+\\mathcal L_tu-cu+f=0, \\qquad u(T,x)=g(x).\\]\n\n函数 \\(c\\)、\\(f\\) 和 \\(g\\) 分别表示贴现率或杀死率、持续源项和终端收益。令\n\n\\[D_{t,s}=\\exp\\!\\left(-\\int_t^s c(r,X_r)\\,dr\\right),\\]\n\n则表示公式为\n\n\\[u(t,x)= \\mathbb E_{t,x}\\!\\left[ D_{t,T}g(X_T)+ \\int_t^T D_{t,s}f(s,X_s)\\,ds \\right].\\]\n\n记号 \\(\\mathbb E_{t,x}\\) 表示对以 \\(X_t=x\\) 为初始条件的扩散过程取期望。方程从 \\(T\\) 时刻给定的值向后演化，而样本路径则从 \\(t\\) 时刻向前演化。\n\n一组便于使用、且有意取得较强的充分条件是：系数光滑有界且各阶导数有界，\\(b\\) 和 \\(\\sigma\\) 关于空间变量满足全局利普希茨连续性，\\(a\\) 一致正定，以及数据 \\(c,f,g\\) 光滑有界。在这些条件下，扩散过程不会爆炸，期望有限，标准抛物型方程正则性理论保证存在经典解。经典解在定义域内部具有一阶连续时间导数和二阶连续空间导数。假设条件还可以大幅减弱，但此时所得的解可能需要在弱解、温和解或黏性解的意义下理解。\n\n这一定理通常涵盖两个不同的断言。验证断言指出，满足适当可积性条件、具有足够正则性的解必定等于上述期望。存在性断言则指出，该期望本身具有所需的正则性，并且满足相应的微分方程。验证可以较为直接地由随机微积分得出；存在性的证明则可能需要相当深入的分析估计。不能仅凭写出一个期望表达式就断定解具有光滑性或唯一性，尤其是在扩散退化或系数不够光滑的情形下。"
    },
    {
      "heading": "利用伊藤公式与鞅推导",
      "text": "基本证明使用 伊藤公式，它是链式法则在随机微积分中的对应形式。将其应用于足够光滑的 \\(u(s,X_s)\\)，可得\n\n\\[du(s,X_s)= \\bigl(\\partial_su+\\mathcal L_su\\bigr)(s,X_s)\\,ds +\\nabla u(s,X_s)^{\\mathsf T}\\sigma(s,X_s)\\,dW_s.\\]\n\n\\(\\mathcal L_s\\) 中的二阶项来自布朗运动的二次变差。这一项解释了为什么扩散过程对应于二阶方程，尽管其随机微分方程在微分记号下是一阶的。\n\n折现因子满足\n\n\\[dD_{t,s}=-c(s,X_s)D_{t,s}\\,ds.\\]\n\n由于它具有有限变差，将它与 \\(u(s,X_s)\\) 相乘不会引入额外的二次协变差项。代入微分方程，得到\n\n\\[d\\!\\left[D_{t,s}u(s,X_s)\\right] =-D_{t,s}f(s,X_s)\\,ds +D_{t,s}\\nabla u(s,X_s)^{\\mathsf T}\\sigma(s,X_s)\\,dW_s.\\]\n\n因此，\n\n\\[M_s=D_{t,s}u(s,X_s) +\\int_t^sD_{t,r}f(r,X_r)\\,dr\\]\n\n是一个局部鞅。如果其中的随机积分是真鞅，在 \\(s=T\\) 时取期望即可立即得到该公式。\n\n局部鞅与真鞅之间的区别涉及实质性条件，而非纯粹的技术细节。一个充分条件是随机积分的被积过程平方可积：\n\n\\[\\mathbb E_{t,x}\\!\\int_t^T D_{t,s}^{\\,2} \\left|\\sigma(s,X_s)^{\\mathsf T}\\nabla u(s,X_s)\\right|^2ds<\\infty.\\]\n\n更一般地，证明中会在过程退出半径逐渐增大的球时，或在相关量变得过大时，将过程停住。停时后的随机积分期望为零，再通过极限论证去掉停时。要使这一极限步骤成立，需要一致可积性或适当的控制估计。缺少这些条件，局部鞅的期望可能下降，从而使原本看似合理的计算失效。\n\n同样的论证还给出了指定容许类中的唯一性：两个解之差的终端值和源项均为零，因此其随机表示也为零。反过来，利用马尔可夫性质可得到一个涉及条件期望的短时间恒等式：\n\n\\[u(t,x)=\\mathbb E_{t,x}\\!\\left[ D_{t,t+h}u(t+h,X_{t+h}) +\\int_t^{t+h}D_{t,s}f(s,X_s)\\,ds \\right].\\]\n\n当所需的导数存在时，在 \\(h\\) 趋于零时展开这一恒等式，就能恢复原来的微分方程。对于不预设经典可微性的表述，这一恒等式也是其概率论出发点。"
    },
    {
      "heading": "热核、指数权重与显式示例",
      "text": "最简单的例子取 \\(X_s=x+B_s\\)，势为常数 \\(c=\\lambda\\)，且无源项。对于有界可测函数 \\(g\\)，\n\n\\[u(t,x)=e^{-\\lambda t} \\int_{\\mathbb R^d} \\frac{\\exp[-|y-x|^2/(2t)]}{(2\\pi t)^{d/2}} g(y)\\,dy.\\]\n\n这里采用初值约定，即 \\(u(0,x)=g(x)\\)，并且它满足\n\n\\[\\partial_tu=\\frac12\\Delta u-\\lambda u.\\]\n\n其中的高斯核是布朗运动的转移概率密度函数。因此，普通的热传播就是高斯平均，而常数势则提供一个独立的指数衰减因子。对于扩散项为 \\(\\kappa\\Delta\\) 的热方程，相应的过程为 \\(x+\\sqrt{2\\kappa}\\,B_t\\)。\n\n对于非常数势 \\(V\\)，通常不能将指数项移到期望之外。终点 \\(B_t\\) 并不能确定累积量 \\(\\int_0^tV(B_s)\\,ds\\)：到达同一终点的路径，在 \\(V\\) 较大的区域内停留的时间可能相差很大。当核存在时，可以通过布朗桥将其表示为：\n\n\\[K_V(t,x,y)=p_t(x,y)\\, \\mathbb E_{x,y}^{\\,t}\\!\\left[ e^{-\\int_0^tV(B_s)\\,ds} \\right].\\]\n\n这里，\\(p_t\\) 是自由热核，而桥期望所施加的条件是：路径从 \\(x\\) 出发，并在时刻 \\(t\\) 到达 \\(y\\)。这一表示将端点之间的传播与中间路径产生的影响分离开来。\n\n正势可以精确地解释为杀死机制。令 \\(E\\) 为一个独立的、均值为一的指数随机变量，并在\n\n\\[\\int_0^sV(X_r)\\,dr>E.\\]\n\n时终止路径。给定路径后，它存活至时刻 \\(t\\) 的条件概率恰好为\n\n\\[e^{-\\int_0^tV(X_s)\\,ds}.\\]\n\n因此，当 \\(V\\geq0\\) 时，加权转移算子具有次马尔可夫性：它保持非负性，但可能减少总概率质量。负势则会放大权重，不具有这种简单的存活概率解释。必须对势的负部加以控制，才能保证指数期望有限。\n\n在一维情形下，可以给出一个路径泛函的显式例子。对于 \\(\\alpha>0\\)，令\n\n\\[F(t,x)=\\mathbb E_x\\!\\left[ \\exp\\!\\left(-\\alpha\\int_0^tB_s^2\\,ds\\right) \\right].\\]\n\n记 \\(\\omega=\\sqrt{2\\alpha}\\)，则结果为\n\n\\[F(t,x)= \\frac{1}{\\sqrt{\\cosh(\\omega t)}} \\exp\\!\\left[-\\frac{\\omega x^2}{2}\\tanh(\\omega t)\\right].\\]\n\n将高斯形式的试探解代入方程\n\\(\\partial_tF=\\tfrac12\\partial_{xx}F-\\alpha x^2F\\)，并使用初始条件 \\(F(0,x)=1\\)，即可得到这一结果。在 \\(x=0\\) 处，该式给出了布朗路径平方积分的拉普拉斯变换；这个量涉及整条路径，而非单次高斯观测。"
    },
    {
      "heading": "边界条件、退出时间与椭圆型问题",
      "text": "边值形式的费曼–卡茨公式在扩散过程离开某一区域时将其停止。设 \\(D\\subset\\mathbb R^d\\) 为开集，并定义\n\n\\[\\tau_D=\\inf\\{s\\geq0:X_s\\notin D\\}.\\]\n\n对于生成元为 \\(\\mathcal L\\) 的时间齐次扩散过程，考虑\n\n\\[\\mathcal Lu-cu+f=0\\quad\\text{in }D, \\qquad u=h\\quad\\text{on }\\partial D.\\]\n\n在保证退出时间有限、满足适当可积性条件且能够取到给定边界值的假设下，有如下表示：\n\n\\[u(x)=\\mathbb E_x\\!\\left[ e^{-\\int_0^{\\tau_D}c(X_r)\\,dr}h(X_{\\tau_D}) +\\int_0^{\\tau_D} e^{-\\int_0^sc(X_r)\\,dr}f(X_s)\\,ds \\right].\\]\n\n这是边值问题的概率解法：在路径首次退出区域的位置取边界值，并在退出前累积源项的贡献。\n\n对于布朗运动，取 \\(c=f=0\\)，可得\n\n\\[u(x)=\\mathbb E_x[h(B_{\\tau_D})].\\]\n\n这个解是调和函数，满足 \\(\\Delta u=0\\)。将 \\(B_{\\tau_D}\\) 的分布视为边界上的测度，便得到所谓的调和测度。在二维单位圆盘中，其密度就是泊松核。因此，这一概率表示重现了经典势论中的一项核心构造。边界的正则性至关重要：在任意一个边界点处，由此表示的函数未必能趋于任意指定的连续边界值。\n\n取 \\(h=0\\)、\\(c=0\\) 及 \\(f=1\\)，便得到平均退出时间：\n\n\\[u(x)=\\mathbb E_x[\\tau_D], \\qquad \\frac12\\Delta u=-1.\\]\n\n对于 \\(\\mathbb R^d\\) 中半径为 \\(R\\) 的球，\n\n\\[\\mathbb E_x[\\tau_D]=\\frac{R^2-|x|^2}{d}.\\]\n\n事实上，\\(\\Delta|x|^2=2d\\)，且该表达式在边界上为零。这个例子也明确了归一化约定：若使用生成元为 \\(\\Delta\\) 的过程，平均退出时间就会减半。更一般地，泊松方程表示过程被吸收前对源项的累积占用，而其格林函数则描述相应的占用密度。\n\n不同的边界条件需要不同的随机过程。路径在边界被吸收对应于狄利克雷条件，而反射扩散对应于诺伊曼条件。罗宾条件则涉及由边界局部时构造的额外指数权重；局部时度量的是路径与边界的接触，而非通常意义上流逝的时间。抛物型问题将边界停止与固定终止时刻结合起来，在两者中先发生的时刻停止过程。在无界区域中，过程可能始终不退出，因此，表示公式可能需要额外计入永远留在区域内的轨道所产生的贡献，或施加使该贡献消失的条件。"
    },
    {
      "heading": "半群与虚时间量子力学",
      "text": "对于不随时间变化的系数和势函数，定义\n\n\\[(T_tf)(x)= \\mathbb E_x\\!\\left[ e^{-\\int_0^tV(X_s)\\,ds}f(X_t) \\right].\\]\n\n由马尔可夫性和路径积分的可加性可得\n\n\\[T_{t+s}=T_tT_s.\\]\n\n因此，在适当的函数空间中并满足合适的假设时，这些加权算子构成一个半群。其生成元在形式上为 \\(\\mathcal L-V\\)。这个公式不仅能求解一个初值问题，还给出了整个演化族的表示。若 \\(V\\geq0\\)，则该演化保持非负性，并且在有界函数空间的上确界范数下具有压缩性。\n\n对于布朗运动，相应的算子为\n\n\\[H=-\\frac12\\Delta+V, \\qquad T_t=e^{-tH}.\\]\n\n这里，\\(\\Delta\\) 是拉普拉斯算子。在 \\(L^2(\\mathbb R^d)\\) 这样的希尔伯特空间中，适当的假设可使 \\(H\\) 成为半有界的自伴算符，进而利用谱定理定义其指数。通过闭二次型来定义算子，而不要求其定义域中的每个函数都具有逐点意义下的二阶导数，这一框架也能容纳某些奇异势。\n\n这一公式与薛定谔方程的联系，需要区分实时间与虚时间。实时间量子演化为 \\(e^{-itH/\\hbar}\\)，这是一个具有振荡性的酉算子。虚时间演化则为 \\(e^{-\\tau H/\\hbar}\\)，它是一个类似热演化的算子，可用费曼–卡茨期望来表示。对于物理学中的哈密顿算符\n\n\\[H=-\\frac{\\hbar^2}{2m}\\Delta+U,\\]\n\n相应的虚时间扩散过程，其协方差随时间增长的速率为 \\(\\hbar/m\\)，而其权重为\n\n\\[\\exp\\!\\left[-\\frac1\\hbar\\int_0^\\tau U(X_s)\\,ds\\right].\\]\n\n形式上的复时间代换有助于解释二者在历史上的联系，但仅凭这一代换，并不能为实时间量子演化建立正的概率表示。\n\n算子分裂提供了推导这一公式的另一条途径。在适当条件下，特罗特乘积公式给出\n\n\\[e^{-t(H_0+V)} =\\lim_{n\\to\\infty} \\left(e^{-tH_0/n}e^{-tV/n}\\right)^n, \\qquad H_0=-\\frac12\\Delta.\\]\n\n每个自由演化因子对应一步高斯传播，每个势因子则乘上一个指数权重。它们的乘积近似于一条随机路径，其权重由 \\(\\int V\\) 的黎曼和给出。所得的长时间演化蕴含着谱信息：当存在孤立的最低特征值并满足适当的重叠条件时，衰减最慢的贡献便可确定基态能量。这是量子计算和统计物理中若干虚时间方法的数学基础。"
    },
    {
      "heading": "金融估值与 Black–Scholes 方程",
      "text": "在数学金融中，该公式将贴现期望与定价方程联系起来。在 Black–Scholes 模型中，不支付股息的资产在风险中性测度下满足\n\n\\[dS_t=rS_t\\,dt+\\sigma S_t\\,dW_t,\\]\n\n其中，\\(r\\) 为常数利率，\\(\\sigma>0\\) 为波动率。对于欧式合约的到期收益 \\(g(S_T)\\)，估值公式为\n\n\\[v(t,s)=e^{-r(T-t)} \\mathbb E[g(S_T)\\mid S_t=s].\\]\n\n相应的方程为\n\n\\[\\partial_tv+\\frac12\\sigma^2s^2\\partial_{ss}v +rs\\partial_sv-rv=0, \\qquad v(T,s)=g(s).\\]\n\n一阶导数项中的漂移系数与贴现率均为 \\(r\\)，但两者的作用不同：前者决定风险中性测度下的资产动态，后者用于将到期收益贴现。\n\n采用风险中性概率需要独立的金融学论证，并非仅凭费曼–卡茨定理就能得出。在理想化的完备市场模型中，复制策略与无套利条件导出定价方程；通过适当的概率测度变换，贴现后的可交易资产价格成为鞅。随后，费曼–卡茨公式将该方程的解表示为贴现期望。一般而言，若将历史资产收益率的概率分布直接代入定价期望，就会改变其含义。在更一般的模型中，容许的定价测度是否存在、是否唯一，需要额外的假设。\n\n对于看涨期权的到期收益 \\(g(s)=(s-K)^+\\)，终端值连续，但在执行价格 \\(K\\) 处不可微。这并不妨碍上述表示成立。该期望仍有良好定义，而且扩散作用使解在 \\(t<T\\) 时变得光滑。由于给定 \\(S_t\\) 时，\\(\\log S_T\\) 服从正态分布，计算期望可得\n\n\\[v(t,s)=s\\Phi(d_1)-Ke^{-r\\tau}\\Phi(d_2),\\]\n\n其中\n\n\\[d_1=\\frac{\\log(s/K)+(r+\\sigma^2/2)\\tau}{\\sigma\\sqrt{\\tau}}, \\qquad d_2=d_1-\\sigma\\sqrt{\\tau}, \\qquad \\tau=T-t.\\]\n\n函数 \\(\\Phi\\) 是标准正态分布的累积分布函数。\n\n同样的结构也适用于随机利率：\n\n\\[v(t,x)= \\mathbb E_{t,x}^{\\,Q}\\!\\left[ e^{-\\int_t^Tr(X_s)\\,ds}g(X_T) \\right].\\]\n\n存续期间的支付会引入源项积分，而障碍合约则引入到达边界时的停止机制。路径依赖合约可能需要增加状态变量：例如，将资产价格的累计积分加入状态变量，就能使亚式期权的收益具有马尔可夫表示。美式行权则有所不同，因为持有人可以选择停止时刻。其价值涉及对停止规则的优化，因此导出的是变分不等式，而不只是基本公式中的线性终值方程。"
    },
    {
      "heading": "蒙特卡洛计算与数值局限",
      "text": "这种表示自然引出了一种蒙特卡洛方法。若以 \\(Y\\) 表示折现后的终端收益与累积源项贡献之和，则通过独立模拟的轨道可构造估计量\n\n\\[\\widehat u_N=\\frac1N\\sum_{k=1}^NY_k.\\]\n\n对于精确抽取的独立样本，若期望有限，大数定律保证该估计量收敛到 \\(u\\)。若 \\(\\operatorname{Var}(Y)<\\infty\\)，则由中心极限定理可得，其渐近标准误为\n\n\\[\\sqrt{\\frac{\\operatorname{Var}(Y)}{N}}.\\]\n\n名义上的 \\(N^{-1/2}\\) 采样收敛速率并不直接依赖于状态空间的维数，因此，当确定性网格的规模大到难以承受时，概率表示就显得颇具吸引力。\n\n大多数扩散过程都无法精确采样。一种基本的时间离散近似是欧拉–丸山方法：\n\n\\[X_{n+1}=X_n+b(t_n,X_n)\\Delta t +\\sigma(t_n,X_n)\\sqrt{\\Delta t}\\,Z_n,\\]\n\n其中，\\(Z_n\\) 是相互独立的标准高斯向量。指数中的路径积分也必须进行近似。因此，除了采样误差，还会引入离散化导致的估计量的偏差。在适当的光滑性和增长条件下，欧拉–丸山方法通常具有 \\(1/2\\) 阶强收敛性和 \\(1\\) 阶弱收敛性；但不连续的收益函数、边界穿越或不规则的系数都可能改变这些收敛阶。仅依据样本波动性构造的不确定性区间无法衡量这种偏差。\n\n边界问题在数值计算中带来了一种特殊的困难。模拟路径可能在相邻两个采样时刻之间离开区域后又重新进入，因此，仅检查网格点可能会漏掉首次退出。对于某些过程和简单边界，可以利用布朗桥的穿越概率修正这一影响。否则，就需要缩小时间步长，或采用专门的退出时间算法。同样，将连续监测的障碍改为离散监测，改变的是数学上的收益定义，而不只是计算实现方式。在高维情形下，尽管名义采样收敛指数与维数无关，每条轨道的计算成本、所需时间步数以及权重的方差仍可能大幅增加。\n\n方差缩减可能起决定性作用。控制变量法利用期望已知的相关随机量；重要性采样改变模拟所用的概率分布，并通过似然比进行补偿；多层蒙特卡洛方法则结合多个时间分辨率下相互耦合的路径。较大的正势可能使几乎所有权重都接近零，而负势则可能产生罕见但极大的权重。这两种情况都可能使直接构造的估计量效率低下，或使有限方差假设不再成立。此外，直接蒙特卡洛方法通常只估计选定起点处的解，而不是构造全局近似。因此，当需要求出低维区域上的完整解场时，基于有限差分法或有限元法的方法可能更为合适。"
    },
    {
      "heading": "经典扩散公式之外的推广",
      "text": "这一基本机制并不局限于连续路径。对于生成矩阵为 \\(Q\\) 的连续时间马尔可夫链，设 \\(V\\) 为由依赖于状态的速率构成的对角矩阵。约定 \\(Q\\) 作用于函数值组成的列向量，则\n\n\\[u(t)=e^{t(Q-V)}g\\]\n\n具有如下表示：\n\n\\[u_i(t)= \\mathbb E_i\\!\\left[ e^{-\\int_0^tV(X_s)\\,ds}g(X_t) \\right].\\]\n\n因此，矩阵指数与扩散半群一样，都具有加权路径的解释。更一般的跳跃过程则以非局部生成元取代局部二阶微分算子，往往由此得到积分微分方程。其中的核心要素是马尔可夫演化，以及沿其路径累积的乘法泛函。\n\n对于低正则性的势函数和系数，需要谨慎选择分析框架。无界的非负势函数通常可以通过截断和单调收敛来处理。负部较大的势函数则更为棘手，因为指数权重会增长；为证明期望的有限性及算子的有界性，需要对短时间内的路径积分施加控制条件。视具体问题而定，所表示的函数可能是弱解、半群意义下的温和解，或黏性解。这些解的概念不能相互替代，每一种都有各自关于存在性、唯一性和边界行为的假设。不存在一个不加任何限制、就能涵盖所有可测系数和所有势函数的统一版本。\n\n半线性方程具有相关但不同的随机表示。对于\n\n\\[\\partial_tu+\\mathcal Lu+ F\\!\\left(t,x,u,\\sigma^{\\mathsf T}\\nabla u\\right)=0, \\qquad u(T,x)=g(x),\\]\n\n相应的倒向随机微分方程具有如下形式：\n\n\\[Y_s=g(X_T)+ \\int_s^T F(r,X_r,Y_r,Z_r)\\,dr -\\int_s^T Z_r\\,dW_r.\\]\n\n在具有充分正则性的马尔可夫框架下，\n\n\\[Y_s=u(s,X_s), \\qquad Z_s=\\sigma(s,X_s)^{\\mathsf T}\\nabla u(s,X_s).\\]\n\n在固定正向动力学后，若 \\(F\\) 关于 \\(Y\\) 是仿射的，且不依赖于 \\(Z\\)，就可恢复线性费曼–卡茨公式。对于非线性的 \\(F\\)，这种表示不再只是预先给定的路径收益的期望：未知的倒向过程会出现在其自身的驱动项中。\n\n受控扩散引入了对轨迹的优化，并导出哈密顿–雅可比–贝尔曼方程，从而将这一主题与贝尔曼方程及数学优化联系起来。其他推广利用分枝粒子表示特定的非线性反应项，或在未知量为向量值时，为路径附加矩阵值输运。在后一种情形下，不同时刻的系数可能不可交换，因此必须以时间有序的演化取代普通的标量指数。这些推广保留了将解析演化转化为随机路径信息的原则，但其可积性、次序和唯一性要求与标量线性定理有所不同。"
    }
  ],
  "links": [
    "partial-differential-equation",
    "stochastic-process",
    "expected-value",
    "probability",
    "heat-equation",
    "richard-feynman",
    "quantum-mechanics",
    "wiener-process",
    "laplace-transform",
    "functional-analysis",
    "stochastic-differential-equation",
    "lipschitz-continuity",
    "itos-formula",
    "martingale",
    "markov-property",
    "conditional-expectation",
    "probability-density-function",
    "boundary-value-problem",
    "harmonic-function",
    "poisson-equation",
    "greens-function",
    "laplace-operator",
    "hilbert-space",
    "self-adjoint-operator",
    "spectral-theorem",
    "schrodinger-equation",
    "black-scholes-model",
    "normal-distribution",
    "cumulative-distribution-function",
    "monte-carlo-method",
    "law-of-large-numbers",
    "central-limit-theorem",
    "standard-error",
    "estimator-bias",
    "finite-difference-method",
    "finite-element-method",
    "markov-chain",
    "weak-solution",
    "bellman-equation",
    "mathematical-optimization"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}