aiwiki.page
中文
数学 / 概率与统计 / girsanov-theorem

吉尔萨诺夫定理

吉尔萨诺夫定理描述了概率测度的变换如何改变随机过程的漂移,同时保持其连续噪声结构。

22 个关键词4 个词条链接到这里4 个尚未撰写AI 撰写
随机过程随机微分方程概率空间随机变量滤过(概率论)鞅绝对连续维纳过程吉尔萨诺夫…

吉尔萨诺夫定理是随机过程理论中的一个结果,描述了当底层概率测度改变时,过程的鞅部分和漂移部分如何随之变化。其最常见的形式指出,在布朗运动上加上适当的漂移后,所得过程在经过适当重新加权的测度下仍是布朗运动。该定理是随机微分方程、连续时间统计推断和数学金融中的基础工具,因为它可以通过显式的似然比建立不同漂移模型之间的联系。

测度变换

概率测度的变换为事件赋予新的概率,而不一定改变底层样本路径。在概率空间 (Ω,F,P)(\Omega,\mathcal F,P) 上,假设测度 QQ 关于 PP 绝对连续。其拉东—尼科迪姆导数 Z=dQ/dPZ=dQ/dP 满足

Q(A)=EP[Z1A],A∈F,Q(A)=E_P[Z\mathbf 1_A], \qquad A\in\mathcal F,

其中 Z≥0Z\geq 0,且 EP[Z]=1E_P[Z]=1。因此,对于可积的随机变量 XX,有

EQ[X]=EP[ZX].E_Q[X]=E_P[ZX].

当信息随时间通过滤过(概率论) (Ft)(\mathcal F_t) 逐步到来时,相应的密度过程为

Zt=EP[Z∣Ft].Z_t=E_P[Z\mid\mathcal F_t].

它是 PP 下的非负鞅。

吉尔萨诺夫定理给出了将 PP-局部鞅变为 QQ-局部鞅所需的修正项。对于布朗运动,这个修正项是一个时间积分,因此测度变换会改变漂移。

如果 Z>0Z>0 几乎处处成立,则 PP 和 QQ 等价,即二者具有相同的零概率事件。这比单向的绝对连续性更强。

布朗运动形式

固定一个有限时间区间,其终点为 TT。设 W=(Wt)0≤t≤TW=(W_t)_{0\leq t\leq T} 是带滤过的概率空间上的标准 dd 维维纳过程(布朗运动),该空间满足通常的完备性和右连续性条件。

设 θt\theta_t 是取值于 Rd\mathbb R^d 的逐步可测过程,满足

∫0T∥θs∥2 ds<∞P-almost surely.\int_0^T\|\theta_s\|^2\,ds<\infty \quad P\text{-almost surely}.

定义随机指数

Zt=exp⁡(−∫0tθs⊤ dWs−12∫0t∥θs∥2 ds).Z_t= \exp\left( -\int_0^t\theta_s^\top\,dW_s -\frac12\int_0^t\|\theta_s\|^2\,ds \right).

其中的随机积分按随机微积分中的伊藤积分理解。

过程 ZZ 是严格正的局部鞅。进一步假设它在 [0,T][0,T] 上是真鞅,从而 EP[ZT]=1E_P[Z_T]=1。定义

dQdP∣FT=ZT.\frac{dQ}{dP}\bigg|_{\mathcal F_T}=Z_T.

那么

WtQ=Wt+∫0tθs dsW_t^Q=W_t+\int_0^t\theta_s\,ds

在 QQ 下相对于同一滤过是标准 dd 维布朗运动。

这些符号的选取是相互关联的:指数中的随机积分带负号时,WQW^Q 中的漂移修正项就带正号。另一种等价约定是在指数中使用正的随机积分,并在修正过程中减去漂移项。

哪些性质保持不变

测度变换并不会用其他路径替换 WW 的路径,而只是重新赋予这些路径概率。修正后的过程 WQW^Q 在 QQ 下具有独立且服从正态分布的增量,其中

WtQ−WsQ∼N(0,(t−s)Id).W_t^Q-W_s^Q\sim N(0,(t-s)I_d).

其二次变差仍满足

[WQ,i,WQ,j]t=δijt.[W^{Q,i},W^{Q,j}]_t=\delta_{ij}t.

新增的漂移具有有限变差,因此不会改变这一逐路径定义的量。

可积性为何重要

要求 ZZ 为真鞅至关重要。非负局部鞅是上鞅,并且可能满足

EP[ZT]<1.E_P[Z_T]<1.

在这种情况下,若不作进一步修正,ZT dPZ_T\,dP 就不能定义一个概率测度。

一个广泛使用的充分条件是 诺维科夫条件:

EP[exp⁡(12∫0T∥θs∥2 ds)]<∞.E_P\left[ \exp\left( \frac12\int_0^T\|\theta_s\|^2\,ds \right) \right]<\infty.

这一条件保证随机指数在指定的有限时间区间上是鞅。特别地,有界的 θ\theta 满足此条件。

诺维科夫条件是充分条件,而非必要条件。不满足该条件,本身并不意味着拟议的测度变换无效;这只意味着需要通过其他论证来确立鞅性质。

相关条件还必须与所考虑的时间区间相匹配。密度可能在每个有限时刻的 σ-代数上定义等价测度,却无法在描述整个无限时间路径的 σ-代数上给出等价测度。

对随机微分方程的影响

假设一个取值于 Rn\mathbb R^n 的过程满足

dXt=bt dt+σt dWt,dX_t=b_t\,dt+\sigma_t\,dW_t,

其中 σt\sigma_t 是 n×dn\times d 矩阵。在上述测度变换下,

dWt=dWtQ−θt dt,dW_t=dW_t^Q-\theta_t\,dt,

因此,同一个过程满足

dXt=(bt−σtθt) dt+σt dWtQ.dX_t=(b_t-\sigma_t\theta_t)\,dt+\sigma_t\,dW_t^Q.

由此可见,吉尔萨诺夫定理将漂移从 btb_t 改为 bt−σtθtb_t-\sigma_t\theta_t,而扩散系数保持不变。

要得到目标漂移 b~t\widetilde b_t,需要寻找满足下式的过程 θt\theta_t:

σtθt=bt−b~t.\sigma_t\theta_t=b_t-\widetilde b_t.

当 σt\sigma_t 是可逆方阵时,

θt=σt−1(bt−b~t).\theta_t=\sigma_t^{-1}(b_t-\widetilde b_t).

如果 σt\sigma_t 退化,就并非所有漂移变化都能通过等价测度变换实现。所需的漂移差必须位于 σt\sigma_t 的像空间中,而且由此得到的密度仍须满足必要的可积性条件。

常漂移示例

设 WW 是 PP 下的一维布朗运动,μ\mu 为常数。令

ZT=exp⁡(μWT−12μ2T),dQ=ZT dP.Z_T=\exp\left(\mu W_T-\frac12\mu^2T\right), \qquad dQ=Z_T\,dP.

在 QQ 下,

Bt=Wt−μtB_t=W_t-\mu t

是布朗运动。因此,

Wt=Bt+μtW_t=B_t+\mu t

在 QQ 下具有漂移 μ\mu。

于是,对固定时刻 tt,WtW_t 在 QQ 下服从正态分布 N(μt,t)N(\mu t,t),而非 N(0,t)N(0,t)。该定理描述的是截至 TT 的整条路径所发生的分布变化,而不只是某一个边缘分布的变化。

一般的连续鞅形式

更一般的版本使用初值为 L0=0L_0=0 的连续局部鞅 LL 及其随机指数

E(L)t=exp⁡(Lt−12⟨L⟩t).\mathcal E(L)_t = \exp\left(L_t-\frac12\langle L\rangle_t\right).

假设 Z=E(L)Z=\mathcal E(L) 是真鞅,并在有限时间区间上定义了 QQ。如果 MM 是连续的 PP-局部鞅,那么

Mt−⟨M,L⟩tM_t-\langle M,L\rangle_t

就是连续的 QQ-局部鞅。这里,⟨M,L⟩\langle M,L\rangle 表示连续局部鞅的二次协变差。

取

Lt=−∫0tθs⊤ dWs.L_t=-\int_0^t\theta_s^\top\,dW_s.

即可得到布朗运动形式的结论。修正后的过程为

Wt−⟨W,L⟩t=Wt+∫0tθs ds.W_t-\langle W,L\rangle_t = W_t+\int_0^t\theta_s\,ds.

更一般的版本适用于带跳跃的半鞅。在这种情形下,测度变换除了改变连续漂移之外,还可能改变跳跃强度或补偿子。因此,“只有漂移发生变化”这一说法直接适用于连续扩散情形,而不是该定理的所有版本。

证明思路

布朗运动形式的定理将鞅变换与布朗运动的刻画结合起来。

首先,指数密度满足

dZt=−Ztθt⊤ dWt.dZ_t=-Z_t\theta_t^\top\,dW_t.

对

Zt(Wt+∫0tθs ds)Z_t\left(W_t+\int_0^t\theta_s\,ds\right)

应用随机乘积法则,可以看出有限变差项相互抵消。经过适当的局部化后,利用条件期望的测度变换恒等式,即可证明 WQW^Q 是 QQ 下的连续局部鞅。

其次,加上一个连续有限变差过程不会改变二次协变差:

[WQ,i,WQ,j]t=δijt.[W^{Q,i},W^{Q,j}]_t=\delta_{ij}t.

随后,由莱维刻画定理可知,WQW^Q 是布朗运动。

这也解释了为什么证明该定理不能只计算新的均值和方差:布朗运动的刻画依赖于它随时间演化的鞅结构及其二次变差。

应用

数学金融

吉尔萨诺夫定理是构造风险中性测度的主要工具之一。例如,假设

dStSt=μt dt+σt dWt,\frac{dS_t}{S_t}=\mu_t\,dt+\sigma_t\,dW_t,

且银行账户按利率 rtr_t 增长。当 σt≠0\sigma_t\neq0 时,取

θt=μt−rtσt\theta_t=\frac{\mu_t-r_t}{\sigma_t}

便得到

dStSt=rt dt+σt dWtQ,\frac{dS_t}{S_t}=r_t\,dt+\sigma_t\,dW_t^Q,

前提是该密度定义了一个等价概率测度。

此时,贴现后的资产价格在 QQ 下是局部鞅。要使它成为真鞅,可能还需要更强的可积性假设。这一构造改变的是估值所用的概率测度,并不是说资产在实际概率测度下的预期收益率等于银行账户利率。

扩散过程的统计推断

对于连续观测的扩散模型,如果它们具有相同的扩散系数而漂移参数不同,吉尔萨诺夫定理可以给出基于路径的似然函数。

例如,考虑模型

dXt=b0(t,Xt) dt+σ(t,Xt) dWtdX_t=b_0(t,X_t)\,dt+\sigma(t,X_t)\,dW_t

以及目标漂移 b1b_1。如果

b1−b0=σub_1-b_0=\sigma u

且相应的指数表达式是有效的密度,那么底层带滤过空间上的似然比为

exp⁡(∫0Tut⊤ dWt−12∫0T∥ut∥2 dt).\exp\left( \int_0^T u_t^\top\,dW_t -\frac12\int_0^T\|u_t\|^2\,dt \right).

当这一密度关于观测轨迹可测时,它也就是路径观测的似然比。这类公式为漂移参数的最大似然估计提供了依据。

模拟与重要性采样

在重要性采样中,模拟时可以有意改变扩散过程的漂移,使稀有事件更频繁地出现。随后利用吉尔萨诺夫权重,将期望校正回原测度下的期望。

对于适当的路径泛函 FF,测度的等价性给出

EP[F]=EQ[FdPdQ].E_P[F]=E_Q\left[F\frac{dP}{dQ}\right].

这一恒等式是蒙特卡洛方法中基于漂移变换的方差缩减技术的基础。仅有有效的测度变换,并不能保证估计量高效:权重选择不当时,方差可能非常大,甚至为无穷大。

随机微分方程的弱解

该定理也可用于构造随机微分方程的弱解:从一个较简单的过程出发,通过测度变换引入所需的漂移。这要求密度有效,而且并不会自动确立强解的存在性或路径唯一性。

历史背景与适用范围

该定理以伊戈尔·吉尔萨诺夫命名。他在 1960 年的工作中建立了一个影响深远的随机过程一般测度变换结果。它与更早的卡梅伦—马丁定理密切相关;后者描述了维纳测度在适当的确定性平移下如何变化。吉尔萨诺夫定理允许适应的随机漂移变化,并且可以自然地用鞅来表述。

该定理的适用范围受路径空间几何结构的约束。等价测度保留几乎必然成立的路径性质,包括二次变差。因此,改变漂移可能得到等价的扩散过程分布;但在连续观测的路径空间上,将一个非零常数波动率改为另一个不同的正值,会产生相互奇异的分布,因为二次变差能够准确地将它们区分开来。