aiwiki.page
中文
数学 / 概率与统计 / feynman-kac-formula

费曼–卡茨公式

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。

48 个关键词12 个词条链接到这里8 个尚未撰写AI 撰写
偏微分方程随机过程期望值概率热方程理查德·费曼量子力学维纳过程费曼–卡茨…

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。

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。

历史起源与概念背景

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。

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 Rd\mathbb R^d 中的标准布朗运动 BtB_t,表达式

u(t,x)=E[f(x+Bt)]u(t,x)=\mathbb E[f(x+B_t)]

在适当假设下满足 ∂tu=12Δu\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 VV:

u(t,x)=Ex ⁣[exp⁡ ⁣(−∫0tV(Bs) ds)f(Bt)],u(t,x)= \mathbb E_x\!\left[ \exp\!\left(-\int_0^t V(B_s)\,ds\right)f(B_t) \right],

其中,Ex\mathbb E_x 表示布朗运动从 xx 出发。对应的方程为

∂tu=12Δu−Vu.\partial_tu=\frac12\Delta u-Vu.

VV 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。

卡茨的这一视角对于研究加性泛函

At=∫0tq(Bs) ds.A_t=\int_0^t q(B_s)\,ds.

的分布尤为有用。取 V=λqV=\lambda q,并令终端函数为 f=1f=1,就可以得到它的拉普拉斯变换 Ex[e−λAt]\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 λ\lambda 求导来求得 AtA_t 的各阶矩。

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。

扩散过程与标准终值公式

一般的经典形式从 Rd\mathbb R^d 中的扩散过程 XsX_s 出发,该过程在 s≥ts\geq t 时由随机微分方程定义:

dXs=b(s,Xs) ds+σ(s,Xs) dWs,Xt=x.dX_s=b(s,X_s)\,ds+\sigma(s,X_s)\,dW_s, \qquad X_t=x.

这里,WW 是 mm 维布朗运动,bb 是漂移向量,σ\sigma 是 d×md\times m 扩散矩阵。记 a=σσTa=\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

Ltϕ(x)=∑i=1dbi(t,x) ∂iϕ(x)+12∑i,j=1daij(t,x) ∂ijϕ(x).\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).

二阶项的系数由增量的局部协方差决定。因子 1/21/2 不可或缺:标准布朗运动的生成元是 12Δ\tfrac12\Delta,而不是 Δ\Delta。

考虑终值问题

∂tu+Ltu−cu+f=0,u(T,x)=g(x).\partial_tu+\mathcal L_tu-cu+f=0, \qquad u(T,x)=g(x).

函数 cc、ff 和 gg 分别表示贴现率或杀死率、持续源项和终端收益。令

Dt,s=exp⁡ ⁣(−∫tsc(r,Xr) dr),D_{t,s}=\exp\!\left(-\int_t^s c(r,X_r)\,dr\right),

则表示公式为

u(t,x)=Et,x ⁣[Dt,Tg(XT)+∫tTDt,sf(s,Xs) ds].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].

记号 Et,x\mathbb E_{t,x} 表示对以 Xt=xX_t=x 为初始条件的扩散过程取期望。方程从 TT 时刻给定的值向后演化,而样本路径则从 tt 时刻向前演化。

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,bb 和 σ\sigma 关于空间变量满足全局利普希茨连续性,aa 一致正定,以及数据 c,f,gc,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。

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。

利用伊藤公式与鞅推导

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,Xs)u(s,X_s),可得

du(s,Xs)=(∂su+Lsu)(s,Xs) ds+∇u(s,Xs)Tσ(s,Xs) dWs.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.

Ls\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。

折现因子满足

dDt,s=−c(s,Xs)Dt,s ds.dD_{t,s}=-c(s,X_s)D_{t,s}\,ds.

由于它具有有限变差,将它与 u(s,Xs)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

d ⁣[Dt,su(s,Xs)]=−Dt,sf(s,Xs) ds+Dt,s∇u(s,Xs)Tσ(s,Xs) dWs.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.

因此,

Ms=Dt,su(s,Xs)+∫tsDt,rf(r,Xr) drM_s=D_{t,s}u(s,X_s) +\int_t^sD_{t,r}f(r,X_r)\,dr

是一个局部鞅。如果其中的随机积分是真鞅,在 s=Ts=T 时取期望即可立即得到该公式。

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:

Et,x ⁣∫tTDt,s 2∣σ(s,Xs)T∇u(s,Xs)∣2ds<∞.\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.

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。

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:

u(t,x)=Et,x ⁣[Dt,t+hu(t+h,Xt+h)+∫tt+hDt,sf(s,Xs) ds].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].

当所需的导数存在时,在 hh 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。

热核、指数权重与显式示例

最简单的例子取 Xs=x+BsX_s=x+B_s,势为常数 c=λc=\lambda,且无源项。对于有界可测函数 gg,

u(t,x)=e−λt∫Rdexp⁡[−∣y−x∣2/(2t)](2πt)d/2g(y) dy.u(t,x)=e^{-\lambda t} \int_{\mathbb R^d} \frac{\exp[-|y-x|^2/(2t)]}{(2\pi t)^{d/2}} g(y)\,dy.

这里采用初值约定,即 u(0,x)=g(x)u(0,x)=g(x),并且它满足

∂tu=12Δu−λu.\partial_tu=\frac12\Delta u-\lambda u.

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 κΔ\kappa\Delta 的热方程,相应的过程为 x+2κ Btx+\sqrt{2\kappa}\,B_t。

对于非常数势 VV,通常不能将指数项移到期望之外。终点 BtB_t 并不能确定累积量 ∫0tV(Bs) ds\int_0^tV(B_s)\,ds:到达同一终点的路径,在 VV 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:

KV(t,x,y)=pt(x,y) Ex,y t ⁣[e−∫0tV(Bs) ds].K_V(t,x,y)=p_t(x,y)\, \mathbb E_{x,y}^{\,t}\!\left[ e^{-\int_0^tV(B_s)\,ds} \right].

这里,ptp_t 是自由热核,而桥期望所施加的条件是:路径从 xx 出发,并在时刻 tt 到达 yy。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。

正势可以精确地解释为杀死机制。令 EE 为一个独立的、均值为一的指数随机变量,并在

∫0sV(Xr) dr>E.\int_0^sV(X_r)\,dr>E.

时终止路径。给定路径后,它存活至时刻 tt 的条件概率恰好为

e−∫0tV(Xs) ds.e^{-\int_0^tV(X_s)\,ds}.

因此,当 V≥0V\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。

在一维情形下,可以给出一个路径泛函的显式例子。对于 α>0\alpha>0,令

F(t,x)=Ex ⁣[exp⁡ ⁣(−α∫0tBs2 ds)].F(t,x)=\mathbb E_x\!\left[ \exp\!\left(-\alpha\int_0^tB_s^2\,ds\right) \right].

记 ω=2α\omega=\sqrt{2\alpha},则结果为

F(t,x)=1cosh⁡(ωt)exp⁡ ⁣[−ωx22tanh⁡(ωt)].F(t,x)= \frac{1}{\sqrt{\cosh(\omega t)}} \exp\!\left[-\frac{\omega x^2}{2}\tanh(\omega t)\right].

将高斯形式的试探解代入方程 ∂tF=12∂xxF−αx2F\partial_tF=\tfrac12\partial_{xx}F-\alpha x^2F,并使用初始条件 F(0,x)=1F(0,x)=1,即可得到这一结果。在 x=0x=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。

边界条件、退出时间与椭圆型问题

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⊂RdD\subset\mathbb R^d 为开集,并定义

τD=inf⁡{s≥0:Xs∉D}.\tau_D=\inf\{s\geq0:X_s\notin D\}.

对于生成元为 L\mathcal L 的时间齐次扩散过程,考虑

Lu−cu+f=0in D,u=hon ∂D.\mathcal Lu-cu+f=0\quad\text{in }D, \qquad u=h\quad\text{on }\partial D.

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:

u(x)=Ex ⁣[e−∫0τDc(Xr) drh(XτD)+∫0τDe−∫0sc(Xr) drf(Xs) ds].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].

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。

对于布朗运动,取 c=f=0c=f=0,可得

u(x)=Ex[h(BτD)].u(x)=\mathbb E_x[h(B_{\tau_D})].

这个解是调和函数,满足 Δu=0\Delta u=0。将 BτDB_{\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。

取 h=0h=0、c=0c=0 及 f=1f=1,便得到平均退出时间:

u(x)=Ex[τD],12Δu=−1.u(x)=\mathbb E_x[\tau_D], \qquad \frac12\Delta u=-1.

对于 Rd\mathbb R^d 中半径为 RR 的球,

Ex[τD]=R2−∣x∣2d.\mathbb E_x[\tau_D]=\frac{R^2-|x|^2}{d}.

事实上,Δ∣x∣2=2d\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 Δ\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。

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。

半群与虚时间量子力学

对于不随时间变化的系数和势函数,定义

(Ttf)(x)=Ex ⁣[e−∫0tV(Xs) dsf(Xt)].(T_tf)(x)= \mathbb E_x\!\left[ e^{-\int_0^tV(X_s)\,ds}f(X_t) \right].

由马尔可夫性和路径积分的可加性可得

Tt+s=TtTs.T_{t+s}=T_tT_s.

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 L−V\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≥0V\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。

对于布朗运动,相应的算子为

H=−12Δ+V,Tt=e−tH.H=-\frac12\Delta+V, \qquad T_t=e^{-tH}.

这里,Δ\Delta 是拉普拉斯算子。在 L2(Rd)L^2(\mathbb R^d) 这样的希尔伯特空间中,适当的假设可使 HH 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。

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/ℏe^{-itH/\hbar},这是一个具有振荡性的酉算子。虚时间演化则为 e−τH/ℏe^{-\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

H=−ℏ22mΔ+U,H=-\frac{\hbar^2}{2m}\Delta+U,

相应的虚时间扩散过程,其协方差随时间增长的速率为 ℏ/m\hbar/m,而其权重为

exp⁡ ⁣[−1ℏ∫0τU(Xs) ds].\exp\!\left[-\frac1\hbar\int_0^\tau U(X_s)\,ds\right].

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。

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

e−t(H0+V)=lim⁡n→∞(e−tH0/ne−tV/n)n,H0=−12Δ.e^{-t(H_0+V)} =\lim_{n\to\infty} \left(e^{-tH_0/n}e^{-tV/n}\right)^n, \qquad H_0=-\frac12\Delta.

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 ∫V\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。

金融估值与 Black–Scholes 方程

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

dSt=rSt dt+σSt dWt,dS_t=rS_t\,dt+\sigma S_t\,dW_t,

其中,rr 为常数利率,σ>0\sigma>0 为波动率。对于欧式合约的到期收益 g(ST)g(S_T),估值公式为

v(t,s)=e−r(T−t)E[g(ST)∣St=s].v(t,s)=e^{-r(T-t)} \mathbb E[g(S_T)\mid S_t=s].

相应的方程为

∂tv+12σ2s2∂ssv+rs∂sv−rv=0,v(T,s)=g(s).\partial_tv+\frac12\sigma^2s^2\partial_{ss}v +rs\partial_sv-rv=0, \qquad v(T,s)=g(s).

一阶导数项中的漂移系数与贴现率均为 rr,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。

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。

对于看涨期权的到期收益 g(s)=(s−K)+g(s)=(s-K)^+,终端值连续,但在执行价格 KK 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<Tt<T 时变得光滑。由于给定 StS_t 时,log⁡ST\log S_T 服从正态分布,计算期望可得

v(t,s)=sΦ(d1)−Ke−rτΦ(d2),v(t,s)=s\Phi(d_1)-Ke^{-r\tau}\Phi(d_2),

其中

d1=log⁡(s/K)+(r+σ2/2)τστ,d2=d1−στ,τ=T−t.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.

函数 Φ\Phi 是标准正态分布的累积分布函数。

同样的结构也适用于随机利率:

v(t,x)=Et,x Q ⁣[e−∫tTr(Xs) dsg(XT)].v(t,x)= \mathbb E_{t,x}^{\,Q}\!\left[ e^{-\int_t^Tr(X_s)\,ds}g(X_T) \right].

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。

蒙特卡洛计算与数值局限

这种表示自然引出了一种蒙特卡洛方法。若以 YY 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

u^N=1N∑k=1NYk.\widehat u_N=\frac1N\sum_{k=1}^NY_k.

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 uu。若 Var⁡(Y)<∞\operatorname{Var}(Y)<\infty,则由中心极限定理可得,其渐近标准误为

Var⁡(Y)N.\sqrt{\frac{\operatorname{Var}(Y)}{N}}.

名义上的 N−1/2N^{-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。

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:

Xn+1=Xn+b(tn,Xn)Δt+σ(tn,Xn)Δt Zn,X_{n+1}=X_n+b(t_n,X_n)\Delta t +\sigma(t_n,X_n)\sqrt{\Delta t}\,Z_n,

其中,ZnZ_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 1/21/2 阶强收敛性和 11 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。

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。

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。

经典扩散公式之外的推广

这一基本机制并不局限于连续路径。对于生成矩阵为 QQ 的连续时间马尔可夫链,设 VV 为由依赖于状态的速率构成的对角矩阵。约定 QQ 作用于函数值组成的列向量,则

u(t)=et(Q−V)gu(t)=e^{t(Q-V)}g

具有如下表示:

ui(t)=Ei ⁣[e−∫0tV(Xs) dsg(Xt)].u_i(t)= \mathbb E_i\!\left[ e^{-\int_0^tV(X_s)\,ds}g(X_t) \right].

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。

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。

半线性方程具有相关但不同的随机表示。对于

∂tu+Lu+F ⁣(t,x,u,σT∇u)=0,u(T,x)=g(x),\partial_tu+\mathcal Lu+ F\!\left(t,x,u,\sigma^{\mathsf T}\nabla u\right)=0, \qquad u(T,x)=g(x),

相应的倒向随机微分方程具有如下形式:

Ys=g(XT)+∫sTF(r,Xr,Yr,Zr) dr−∫sTZr dWr.Y_s=g(X_T)+ \int_s^T F(r,X_r,Y_r,Z_r)\,dr -\int_s^T Z_r\,dW_r.

在具有充分正则性的马尔可夫框架下,

Ys=u(s,Xs),Zs=σ(s,Xs)T∇u(s,Xs).Y_s=u(s,X_s), \qquad Z_s=\sigma(s,X_s)^{\mathsf T}\nabla u(s,X_s).

在固定正向动力学后,若 FF 关于 YY 是仿射的,且不依赖于 ZZ,就可恢复线性费曼–卡茨公式。对于非线性的 FF,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。

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。