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) 上,假设测度 Q 关于 P 绝对连续。其拉东—尼科迪姆导数 Z=dQ/dP 满足
Q(A)=EP[Z1A],A∈F,
其中 Z≥0,且 EP[Z]=1。因此,对于可积的随机变量 X,有
EQ[X]=EP[ZX].
当信息随时间通过滤过(概率论) (Ft) 逐步到来时,相应的密度过程为
Zt=EP[Z∣Ft].
它是 P 下的非负鞅。
吉尔萨诺夫定理给出了将 P-局部鞅变为 Q-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>0 几乎处处成立,则 P 和 Q 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 T。设 W=(Wt)0≤t≤T 是带滤过的概率空间上的标准 d 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 是取值于 Rd 的逐步可测过程,满足
∫0T∥θs∥2ds<∞P-almost surely.
定义随机指数
Zt=exp(−∫0tθs⊤dWs−21∫0t∥θs∥2ds).
其中的随机积分按随机微积分中的伊藤积分理解。
过程 Z 是严格正的局部鞅。进一步假设它在 [0,T] 上是真鞅,从而 EP[ZT]=1。定义
dPdQFT=ZT.
那么
WtQ=Wt+∫0tθsds
在 Q 下相对于同一滤过是标准 d 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,WQ 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 W 的路径,而只是重新赋予这些路径概率。修正后的过程 WQ 在 Q 下具有独立且服从正态分布的增量,其中
WtQ−WsQ∼N(0,(t−s)Id).
其二次变差仍满足
[WQ,i,WQ,j]t=δijt.
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 Z 为真鞅至关重要。非负局部鞅是上鞅,并且可能满足
EP[ZT]<1.
在这种情况下,若不作进一步修正,ZTdP 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(21∫0T∥θs∥2ds)]<∞.
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 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 的过程满足
dXt=btdt+σtdWt,
其中 σt 是 n×d 矩阵。在上述测度变换下,
dWt=dWtQ−θtdt,
因此,同一个过程满足
dXt=(bt−σtθt)dt+σtdWtQ.
由此可见,吉尔萨诺夫定理将漂移从 bt 改为 bt−σtθt,而扩散系数保持不变。
要得到目标漂移 bt,需要寻找满足下式的过程 θt:
σtθt=bt−bt.
当 σt 是可逆方阵时,
θt=σt−1(bt−bt).
如果 σt 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 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 W 是 P 下的一维布朗运动,μ 为常数。令
ZT=exp(μWT−21μ2T),dQ=ZTdP.
在 Q 下,
Bt=Wt−μt
是布朗运动。因此,
Wt=Bt+μt
在 Q 下具有漂移 μ。
于是,对固定时刻 t,Wt 在 Q 下服从正态分布 N(μt,t),而非 N(0,t)。该定理描述的是截至 T 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=0 的连续局部鞅 L 及其随机指数
E(L)t=exp(Lt−21⟨L⟩t).
假设 Z=E(L) 是真鞅,并在有限时间区间上定义了 Q。如果 M 是连续的 P-局部鞅,那么
Mt−⟨M,L⟩t
就是连续的 Q-局部鞅。这里,⟨M,L⟩ 表示连续局部鞅的二次协变差。
取
Lt=−∫0tθs⊤dWs.
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+∫0tθsds.
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.
对
Zt(Wt+∫0tθsds)
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 WQ 是 Q 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.
随后,由莱维刻画定理可知,WQ 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
StdSt=μtdt+σtdWt,
且银行账户按利率 rt 增长。当 σt=0 时,取
θt=σtμt−rt
便得到
StdSt=rtdt+σtdWtQ,
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 Q 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)dWt
以及目标漂移 b1。如果
b1−b0=σu
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−21∫0T∥ut∥2dt).
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 F,测度的等价性给出
EP[F]=EQ[FdQdP].
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。