吉尔萨诺夫定理 是随机微积分 中的一个核心结果,描述了将一个概率测度替换为另一个时,随机过程 的分解如何变化。其最广为人知的形式指出,从一个维纳过程 中减去适当的补偿漂移后,所得过程在新测度下成为布朗运动。等价地,改变概率测度可以为扩散过程引入或消除漂移,而不改变其瞬时协方差。
该定理将随机模型之间的比较转化为似然比的计算。它是随机微分方程 理论、衍生品定价、连续观测过程的统计推断、非线性滤波以及重要性抽样的基础。其关键限制在于,所提出的似然比必须能够定义一个真正的概率测度:形式上正确的随机指数,其期望未必为一。
该定理以伊戈尔·吉尔萨诺夫命名,他于1960年发表了关于随机过程变换的论文。该定理拓展了与高斯测度平移及卡梅伦–马丁定理相关的思想。其现代表述的适用范围从布朗运动延伸至一般半鞅,包括带跳跃的过程。
概率测度、密度过程与等价性 测度变换通常不会改变所考察的样本路径,而是改变赋予各个路径集合的概率。设
( Ω , F , ( F t ) 0 ≤ t ≤ T , P ) (\Omega,\mathcal F,(\mathcal F_t)_{0\leq t\leq T},P) ( Ω , F , ( F t ) 0 ≤ t ≤ T , P )
为一个带滤过的概率空间 。滤过 ( F t ) (\mathcal F_t) ( F t ) 记录了截至时刻 t t t 可获得的信息。在标准表述中,它满足通常的完备性和右连续性条件。
假设另一个概率测度 Q Q Q 在 F T \mathcal F_T F T 上关于 P P P 绝对连续。这种绝对连续性 记作 Q ≪ P Q\ll P Q ≪ P ,意指 P ( A ) = 0 P(A)=0 P ( A ) = 0 蕴含 Q ( A ) = 0 Q(A)=0 Q ( A ) = 0 。拉东—尼科迪姆导数
L = d Q d P ∣ F T L=\frac{dQ}{dP}\bigg|_{\mathcal F_T} L = d P d Q F T
是一个满足 E P [ L ] = 1 E_P[L]=1 E P [ L ] = 1 的非负随机变量,且有
Q ( A ) = E P [ L 1 A ] . Q(A)=E_P[L\,\mathbf 1_A]. Q ( A ) = E P [ L 1 A ] .
如果 L > 0 L>0 L > 0 在 P P P 下几乎处处成立,则这两个测度等价,记作 Q ∼ P Q\sim P Q ∼ P :它们在 F T \mathcal F_T F T 上具有完全相同的零概率事件。
相应的密度过程 为
Z t = E P [ L ∣ F t ] . Z_t=E_P[L\mid\mathcal F_t]. Z t = E P [ L ∣ F t ] .
它是一个鞅 ,而 Z t Z_t Z t 是 Q Q Q 在 F t \mathcal F_t F t 上的限制相对于 P P P 在该 σ-代数上的限制的密度。因此,终端时刻的似然比决定了此前各时刻的一族相容的似然比。在标准的吉尔萨诺夫构造中,Z 0 = 1 Z_0=1 Z 0 = 1 ;等价地说,测度变换不改变初始信息所对应事件的概率。
条件期望按照条件贝叶斯公式变换:
E Q [ X ∣ F t ] = E P [ Z T X ∣ F t ] Z t , E_Q[X\mid\mathcal F_t] = \frac{E_P[Z_TX\mid\mathcal F_t]}{Z_t}, E Q [ X ∣ F t ] = Z t E P [ Z T X ∣ F t ] ,
这里默认满足相应的可积性假设,且分母为正。这一恒等式将两个测度下的条件期望 联系起来,也解释了为什么吉尔萨诺夫定理的证明中会出现与密度过程的乘积。
等价性始终是相对于指定的 σ-代数和时间范围而言的。两个概率律可能在每个有限时间的 σ-代数上都等价,但在整条无限时间轨迹生成的 σ-代数上却相互奇异。具有非零常数漂移的布朗运动就是一个重要例子:它的长期平均位移能够确定漂移,尽管在固定的有限时间区间内,没有任何零概率事件能够区分这两个概率律。
该定理讨论的是对事件重新赋予概率权重,而不是对轨迹进行确定性的改变。一个在 P P P 下具有非零漂移的过程,在 Q Q Q 下可以具有零漂移,因为条件平均值依赖于所用的测度。相比之下,二次变差等逐路径定义的量在等价测度下保持不变。
布朗运动的漂移变换定理 设 W = ( W 1 , … , W d ) W=(W^1,\ldots,W^d) W = ( W 1 , … , W d ) 是概率测度 P P P 下关于滤过 ( F t ) (\mathcal F_t) ( F t ) 的 d d d 维布朗运动。设 θ t \theta_t θ t 是取值于 R d \mathbb R^d R d 的逐步可测过程,满足
∫ 0 T ∥ θ s ∥ 2 d s < ∞ P -almost surely . \int_0^T\|\theta_s\|^2\,ds<\infty \qquad P\text{-almost surely}. ∫ 0 T ∥ θ s ∥ 2 d s < ∞ P -almost surely .
则伊藤积分
M t = ∫ 0 t θ s ⊤ d W s M_t=\int_0^t\theta_s^\top\,dW_s M t = ∫ 0 t θ s ⊤ d W s
是连续局部鞅,其二次变差 为
⟨ M ⟩ t = ∫ 0 t ∥ θ s ∥ 2 d s . \langle M\rangle_t=\int_0^t\|\theta_s\|^2\,ds. ⟨ M ⟩ t = ∫ 0 t ∥ θ s ∥ 2 d s .
定义随机指数
Z t = E ( M ) t = exp ( ∫ 0 t θ s ⊤ d W s − 1 2 ∫ 0 t ∥ θ s ∥ 2 d s ) . Z_t=\mathcal E(M)_t = \exp\left( \int_0^t\theta_s^\top\,dW_s -\frac12\int_0^t\|\theta_s\|^2\,ds \right). Z t = E ( M ) t = exp ( ∫ 0 t θ s ⊤ d W s − 2 1 ∫ 0 t ∥ θ s ∥ 2 d s ) .
假设 Z Z Z 在 [ 0 , T ] [0,T] [ 0 , T ] 上是真鞅。由于 Z 0 = 1 Z_0=1 Z 0 = 1 ,可得 E P [ Z T ] = 1 E_P[Z_T]=1 E P [ Z T ] = 1 ,因此
d Q d P ∣ F T = Z T \frac{dQ}{dP}\bigg|_{\mathcal F_T}=Z_T d P d Q F T = Z T
定义了一个与 P P P 等价的概率测度。吉尔萨诺夫定理断言,
W t Q = W t − ∫ 0 t θ s d s W_t^Q=W_t-\int_0^t\theta_s\,ds W t Q = W t − ∫ 0 t θ s d s
是概率测度 Q Q Q 下的 d d d 维布朗运动。
符号约定十分重要。当指数中的随机积分取正号时,应从 W W W 中减去相应的漂移补偿项。另一种同样常见的约定是采用
Z t = exp ( − ∫ 0 t λ s ⊤ d W s − 1 2 ∫ 0 t ∥ λ s ∥ 2 d s ) , Z_t= \exp\left( -\int_0^t\lambda_s^\top\,dW_s -\frac12\int_0^t\|\lambda_s\|^2\,ds \right), Z t = exp ( − ∫ 0 t λ s ⊤ d W s − 2 1 ∫ 0 t ∥ λ s ∥ 2 d s ) ,
此时
W t Q = W t + ∫ 0 t λ s d s . W_t^Q=W_t+\int_0^t\lambda_s\,ds. W t Q = W t + ∫ 0 t λ s d s .
令 θ = − λ \theta=-\lambda θ = − λ ,就可看出这两种表述完全一致。
当 θ \theta θ 为常向量时,密度变为
Z T = exp ( θ ⊤ W T − 1 2 ∥ θ ∥ 2 T ) . Z_T=\exp\left(\theta^\top W_T-\frac12\|\theta\|^2T\right). Z T = exp ( θ ⊤ W T − 2 1 ∥ θ ∥ 2 T ) .
在 Q Q Q 下,原坐标过程 W t W_t W t 的均值为 θ t \theta t θ t ,协方差为 t I d tI_d t I d 。新过程 W t Q = W t − θ t W_t^Q=W_t-\theta t W t Q = W t − θ t 的均值为零,具有独立高斯增量和连续路径。这个例子对应于对正态分布 进行指数倾斜,只不过这里是在路径空间上进行。
当 θ \theta θ 依赖于过程的历史时,该定理仍然成立。因此,新的漂移可以是随机的,也可以依赖于状态。关键在于 θ \theta θ 不预知未来,且密度过程是真鞅。这一结论比关于单个时刻分布的陈述更强:它确立了过程关于整个滤过的布朗运动性质,其中包括未来增量与当前信息的独立性。
为什么会出现漂移修正 证明结合了随机分部积分公式与布朗运动的刻画,揭示了修正项为何是一个协变差项,而非任意的调整。由随机指数的定义,
d Z t = Z t θ t ⊤ d W t . dZ_t=Z_t\theta_t^\top\,dW_t. d Z t = Z t θ t ⊤ d W t .
对于第 i i i 个分量,令
Y t i = W t i − ∫ 0 t θ s i d s . Y_t^i=W_t^i-\int_0^t\theta_s^i\,ds. Y t i = W t i − ∫ 0 t θ s i d s .
由乘积法则可得
d ( Z t Y t i ) = Y t i d Z t + Z t d Y t i + d [ Z , Y i ] t . d(Z_tY_t^i) = Y_t^i\,dZ_t+Z_t\,dY_t^i+d[Z,Y^i]_t. d ( Z t Y t i ) = Y t i d Z t + Z t d Y t i + d [ Z , Y i ] t .
这里的方括号表示二次协变差,而 Y i Y^i Y i 中的有限变差项对二次协变差没有贡献。
由于
d [ Z , Y i ] t = d [ Z , W i ] t = Z t θ t i d t , d[Z,Y^i]_t=d[Z,W^i]_t=Z_t\theta_t^i\,dt, d [ Z , Y i ] t = d [ Z , W i ] t = Z t θ t i d t ,
乘积中的漂移项相互抵消:
d ( Z t Y t i ) = Y t i Z t θ t ⊤ d W t + Z t d W t i . d(Z_tY_t^i) = Y_t^i Z_t\theta_t^\top\,dW_t+Z_t\,dW_t^i. d ( Z t Y t i ) = Y t i Z t θ t ⊤ d W t + Z t d W t i .
经局部化处理可知,Z Y i ZY^i Z Y i 是 P P P -局部鞅。随后,由贝叶斯公式的密度过程版本可推出,Y i Y^i Y i 是 Q Q Q -局部鞅。局部化是必要的,因为在不作停止处理的情况下,乘积过程与补偿后的过程都未必可积。
剩下的一步是证明这个局部鞅是布朗运动。减去一个绝对连续的有限变差过程不会改变二次协变差,因此
[ Y i , Y j ] t = [ W i , W j ] t = δ i j t . [Y^i,Y^j]_t=[W^i,W^j]_t=\delta_{ij}t. [ Y i , Y j ] t = [ W i , W j ] t = δ ij t .
由于 P P P 与 Q Q Q 在有限时间区间上等价,这些逐路径成立的恒等式在 Q Q Q 下也成立。多维莱维刻画定理 指出,从零出发且具有上述协方差结构的连续局部鞅是标准布朗运动。
这一论证解释了吉尔萨诺夫定理的两个典型特征。首先,密度通过其与原鞅的协变差来影响漂移。若某个噪声分量与密度过程的随机对数之间的协变差为零,该分量就不会受到漂移修正。其次,扩散尺度保持不变,因为加上或减去有限变差项不会影响二次变差。
反过来看也很有帮助。在布朗运动的增广自然滤过中,鞅表示定理可将满足适当条件的密度鞅表示为关于该布朗运动的随机积分。因此,严格为正的密度过程在局部可以写成随机指数的形式。在这一框架下,吉尔萨诺夫公式描述的是等价测度变换对漂移的一般影响,而不仅仅是一种方便的构造。对于更大的滤过,密度中可能还会出现其他鞅,此时以协变差表述的形式才是恰当的一般性结论。
鞅条件与归一化失效 连续局部鞅的随机指数是正的,但仅凭正性并不能保证它是密度过程。非负局部鞅是上鞅,因此
E P [ Z t ] ≤ Z 0 = 1. E_P[Z_t]\leq Z_0=1. E P [ Z t ] ≤ Z 0 = 1.
这里的不等式可能是严格的。在固定的有限时间区间上,起决定作用的归一化条件是
E P [ Z T ] = 1. E_P[Z_T]=1. E P [ Z T ] = 1.
对于这个非负局部鞅,终点处的这一等式意味着它在整个 [ 0 , T ] [0,T] [ 0 , T ] 上都具有鞅性质。
最常用的充分判据是 诺维科夫条件 :
E P [ exp ( 1 2 ∫ 0 T ∥ θ s ∥ 2 d s ) ] < ∞ . E_P\left[ \exp\left( \frac12\int_0^T\|\theta_s\|^2\,ds \right) \right]<\infty. E P [ exp ( 2 1 ∫ 0 T ∥ θ s ∥ 2 d s ) ] < ∞.
该条件保证随机指数在这一时间区间上是真鞅。特别地,有界的 θ \theta θ 对任意有限的 T T T 都满足诺维科夫条件。确定性的平方可积被积函数也满足这一条件,因为此时范数平方的积分是一个有限常数。
另一个判据是 Kazamaki 条件。在有限时间区间上的一种标准表述中,如果
exp ( M t / 2 ) \exp(M_t/2) exp ( M t /2 )
是下鞅,那么 E ( M ) \mathcal E(M) E ( M ) 就是一致可积鞅。诺维科夫判据和 Kazamaki 判据分别控制随机对数的不同方面。两者都不应被误认为是必要条件:未能通过某个便于使用的指数矩检验,本身并不能证明所提出的测度变换无效。
三维贝塞尔过程提供了一个归一化失效的具体例子。设 R 0 = r > 0 R_0=r>0 R 0 = r > 0 ,且
d R t = d B t + 1 R t d t . dR_t=dB_t+\frac{1}{R_t}\,dt. d R t = d B t + R t 1 d t .
这个过程始终严格为正。由伊藤公式 可得
d ( r R t ) = − r R t 2 d B t , d\left(\frac{r}{R_t}\right) = -\frac{r}{R_t^2}\,dB_t, d ( R t r ) = − R t 2 r d B t ,
进而有
r R t = E ( − ∫ 0 ⋅ 1 R s d B s ) t . \frac{r}{R_t} = \mathcal E\left(-\int_0^\cdot\frac{1}{R_s}\,dB_s\right)_t. R t r = E ( − ∫ 0 ⋅ R s 1 d B s ) t .
尽管它具有正的随机指数形式,却是一个严格局部鞅。更明确地说,对于 t > 0 t>0 t > 0 ,
E P [ r R t ] = 2 Φ ( r t ) − 1 < 1 , E_P\left[\frac{r}{R_t}\right] = 2\Phi\left(\frac{r}{\sqrt t}\right)-1<1, E P [ R t r ] = 2Φ ( t r ) − 1 < 1 ,
其中 Φ \Phi Φ 是标准正态分布的累积分布函数。
将这一表达式用作拉东–尼科迪姆导数,得到的测度总质量将小于一。在过程接近有问题的区域之前将其停止,可以得到有效的局部化测度变换;但要过渡到不加停止的极限,还需要额外的控制。这就是证明中常常将局部随机微积分计算与整体可积性论证分开的原因:前者确定候选漂移,后者则决定概率测度是否确实存在。
变换扩散方程与比较分布 考虑一个由 d d d 维布朗运动驱动的 n n n 维扩散过程:
d X t = b ( t , X t ) d t + σ ( t , X t ) d W t . dX_t=b(t,X_t)\,dt+\sigma(t,X_t)\,dW_t. d X t = b ( t , X t ) d t + σ ( t , X t ) d W t .
这里,b b b 的取值属于 R n \mathbb R^n R n ,而 σ \sigma σ 是一个 n × d n\times d n × d 矩阵。在满足
W t Q = W t − ∫ 0 t θ s d s , W_t^Q=W_t-\int_0^t\theta_s\,ds, W t Q = W t − ∫ 0 t θ s d s ,
的测度变换下,代入可得
d X t = [ b ( t , X t ) + σ ( t , X t ) θ t ] d t + σ ( t , X t ) d W t Q . dX_t= \bigl[b(t,X_t)+\sigma(t,X_t)\theta_t\bigr]\,dt +\sigma(t,X_t)\,dW_t^Q. d X t = [ b ( t , X t ) + σ ( t , X t ) θ t ] d t + σ ( t , X t ) d W t Q .
因此,漂移增加了 σ θ \sigma\theta σ θ ,而扩散矩阵保持不变。
要将 b b b 替换为目标漂移 b ~ \widetilde b b ,方程
σ ( t , X t ) θ t = b ~ ( t , X t ) − b ( t , X t ) \sigma(t,X_t)\theta_t = \widetilde b(t,X_t)-b(t,X_t) σ ( t , X t ) θ t = b ( t , X t ) − b ( t , X t )
必须有解,而且由此得到的随机指数必须满足鞅条件。如果 σ \sigma σ 是可逆方阵,形式上可取
θ t = σ ( t , X t ) − 1 ( b ~ ( t , X t ) − b ( t , X t ) ) . \theta_t= \sigma(t,X_t)^{-1} \bigl(\widetilde b(t,X_t)-b(t,X_t)\bigr). θ t = σ ( t , X t ) − 1 ( b ( t , X t ) − b ( t , X t ) ) .
对于退化扩散,漂移之差必须位于 σ \sigma σ 的值域中。等价测度变换通常无法在不受噪声作用的方向上引入任意漂移。
例如,从
X t = x + σ W t , σ ≠ 0 , X_t=x+\sigma W_t,\qquad \sigma\neq0, X t = x + σ W t , σ = 0 ,
出发,希望引入漂移 b ( X t ) b(X_t) b ( X t ) 。取
θ t = b ( X t ) σ \theta_t=\frac{b(X_t)}{\sigma} θ t = σ b ( X t )
便可使 X X X 在 Q Q Q 下满足
d X t = b ( X t ) d t + σ d W t Q . dX_t=b(X_t)\,dt+\sigma\,dW_t^Q. d X t = b ( X t ) d t + σ d W t Q .
如果 b b b 有界,则在任意有限时间区间上,诺维科夫条件均成立。这种构造给出了一个弱解 :改变概率测度是构造解的一个环节。单凭这一构造,既不能确立由原概率空间上某个给定布朗运动驱动的强解的存在性,也不能自动证明逐路径唯一性。
只要所考察的方程在分布意义下适定,且满足测度变换的假设条件,同一个公式也能给出扩散过程分布之间的似然比。当状态与驱动噪声的维数相同且 σ \sigma σ 可逆时,可以从连续观测到的路径中恢复噪声:
d W t = σ ( t , X t ) − 1 ( d X t − b ( t , X t ) d t ) . dW_t=\sigma(t,X_t)^{-1} \bigl(dX_t-b(t,X_t)\,dt\bigr). d W t = σ ( t , X t ) − 1 ( d X t − b ( t , X t ) d t ) .
将其代入随机指数,就能把似然表示为观测轨迹的泛函。
一个根本限制涉及波动率。等价测度保持逐路径的二次协变差不变:
[ X i , X j ] t = ∫ 0 t ( σ σ ⊤ ) i j ( s , X s ) d s . [X^i,X^j]_t = \int_0^t(\sigma\sigma^\top)_{ij}(s,X_s)\,ds. [ X i , X j ] t = ∫ 0 t ( σ σ ⊤ ) ij ( s , X s ) d s .
因此,改变扩散协方差通常需要采用其他操作,而不能依靠吉尔萨诺夫漂移调整。例如,具有两个不同常数方差的布朗运动,其分布在连续路径空间上相互奇异,因为它们的二次变差能精确确定各自的方差。
高斯测度的平移与历史发展 被积函数为确定性函数的情形,将吉尔萨诺夫定理与高斯测度的几何结构联系起来。在区间 [ 0 , T ] [0,T] [ 0 , T ] 上从零出发的连续路径空间中,设 μ \mu μ 为维纳测度。对于满足 h ( 0 ) = 0 h(0)=0 h ( 0 ) = 0 的确定性函数 h h h ,考虑将每条布朗路径平移 h h h :
W t ⟼ W t + h ( t ) . W_t\longmapsto W_t+h(t). W t ⟼ W t + h ( t ) .
卡梅伦–马丁定理精确刻画了哪些这样的平移会使平移后的测度仍与维纳测度等价。
所有允许的平移构成卡梅伦–马丁空间
H 0 1 ( [ 0 , T ] ) = { h : h ( 0 ) = 0 , h absolutely continuous , ∫ 0 T ∣ h ˙ ( s ) ∣ 2 d s < ∞ } . H_0^1([0,T]) = \left\{ h:h(0)=0,\ h\text{ absolutely continuous}, \ \int_0^T|\dot h(s)|^2\,ds<\infty \right\}. H 0 1 ([ 0 , T ]) = { h : h ( 0 ) = 0 , h absolutely continuous , ∫ 0 T ∣ h ˙ ( s ) ∣ 2 d s < ∞ } .
对于该空间中的 h h h ,W + h W+h W + h 的分布相对于维纳测度的密度为
exp ( ∫ 0 T h ˙ ( s ) d W s − 1 2 ∫ 0 T ∣ h ˙ ( s ) ∣ 2 d s ) \exp\left( \int_0^T\dot h(s)\,dW_s -\frac12\int_0^T|\dot h(s)|^2\,ds \right) exp ( ∫ 0 T h ˙ ( s ) d W s − 2 1 ∫ 0 T ∣ h ˙ ( s ) ∣ 2 d s )
这正是取确定性函数 θ = h ˙ \theta=\dot h θ = h ˙ 时的吉尔萨诺夫密度。
平方可积条件具有几何解释。量
∥ h ∥ H 2 = ∫ 0 T ∣ h ˙ ( s ) ∣ 2 d s \|h\|_H^2=\int_0^T|\dot h(s)|^2\,ds ∥ h ∥ H 2 = ∫ 0 T ∣ h ˙ ( s ) ∣ 2 d s
是该平移在嵌入连续路径空间的一个希尔伯特空间 中的范数平方。它度量了在不导致测度奇异的情况下,平移高斯路径分布所需的有限能量。不属于该空间的确定性连续平移,会产生与维纳测度奇异的分布。
罗伯特·卡梅伦和威廉·马丁于1944年建立了他们的平移定理。吉尔萨诺夫1960年的工作将适用范围拓展到广泛得多的一类变换,包括适应的随机漂移变换。从确定性平移推广到非预见的随机平移,对扩散方程至关重要,因为这类方程所需的漂移通常依赖于不断演化的状态。此后的发展,包括 J. H. 范斯许彭、尤金·黄和埃里克·朗格拉尔等人的工作,将测度变换公式纳入了一般的鞅与半鞅框架。
即使在最简单的确定性例子中,也能看出有限时间范围这一限制的重要性。对于非零常数 a a a ,布朗运动与漂移为 a a a 的布朗运动在每个区间 [ 0 , T ] [0,T] [ 0 , T ] 上的分布都等价。然而,在无限区间上,
W t t ⟶ 0 P -almost surely , \frac{W_t}{t}\longrightarrow0 \quad P\text{-almost surely}, t W t ⟶ 0 P -almost surely ,
而漂移为 a a a 的布朗运动则满足 X t / t → a X_t/t\to a X t / t → a 。这些极限事件将两个无限时间范围上的分布区分开来。相应地,有限时刻的似然鞅
exp ( a W t − 1 2 a 2 t ) \exp\left(aW_t-\frac12a^2t\right) exp ( a W t − 2 1 a 2 t )
在原维纳测度下几乎必然收敛于零,并且在无限时间范围上并非一致可积。
连续鞅、半鞅与跳跃 布朗运动情形下的定理是更一般的测度变换原理的一个特例。设 Z Z Z 是定义测度 Q Q Q 的严格正密度鞅,M M M 是连续的 P P P -局部鞅。那么,在通常的局部条件下,
M ~ t = M t − ∫ 0 t 1 Z s − d ⟨ M , Z ⟩ s \widetilde M_t = M_t-\int_0^t\frac{1}{Z_{s-}}\,d\langle M,Z\rangle_s M t = M t − ∫ 0 t Z s − 1 d ⟨ M , Z ⟩ s
是 Q Q Q -局部鞅。括号 ⟨ M , Z ⟩ \langle M,Z\rangle ⟨ M , Z ⟩ 表示可预测协变差;由于 M M M 连续,只有 Z Z Z 的连续鞅部分对此有贡献。
若 Z = E ( N ) Z=\mathcal E(N) Z = E ( N ) ,其中 N N N 是连续局部鞅,则上式简化为
M ~ t = M t − ⟨ M , N ⟩ t . \widetilde M_t=M_t-\langle M,N\rangle_t. M t = M t − ⟨ M , N ⟩ t .
当 M = W i M=W^i M = W i 、N = ∫ θ ⊤ d W N=\int\theta^\top dW N = ∫ θ ⊤ d W 时,修正项为 ∫ θ s i d s \int\theta^i_s\,ds ∫ θ s i d s 。当模型由多个相互依赖的噪声源驱动时,这一一般表达式尤其有用:每个局部鞅的修正项,都由它与密度的随机对数之间的协变差决定。
半鞅 在局部上可以表示为一个局部鞅与一个有限变差过程之和。在等价概率测度变换下,半鞅性质保持不变,但其分解会发生变化。在连续模型中,这种调整相当于在鞅分量与漂移分量之间转移一个可预测的有限变差项。对于带跳过程,跳跃的可预测发生率和分布也可能改变。
用泊松过程 可以说明带跳情形下的测度变换,而无须引入一般随机测度所需的记号。假设在 P P P 下,N t N_t N t 的强度为 λ > 0 \lambda>0 λ > 0 ,另取一个强度 μ > 0 \mu>0 μ > 0 。定义
Z t = ( μ λ ) N t exp ( ( λ − μ ) t ) . Z_t= \left(\frac{\mu}{\lambda}\right)^{N_t} \exp\bigl((\lambda-\mu)t\bigr). Z t = ( λ μ ) N t exp ( ( λ − μ ) t ) .
由泊松分布的生成函数可得 E P [ Z t ] = 1 E_P[Z_t]=1 E P [ Z t ] = 1 ,再由独立增量性质可知,Z Z Z 是密度鞅。在由此得到的测度 Q Q Q 下,N N N 是强度为 μ \mu μ 的泊松过程。因此,
是在 P P P 下的补偿鞅,而
是在 Q Q Q 下的补偿鞅。
在一般的带跳模型中,对应的对象是补偿子,即描述跳跃条件发生率的可预测测度。在满足正性和可积性条件的前提下,通过似然加权进行的测度变换会改变这一补偿子。这与连续的布朗运动情形不同:在后者中,二次变差保持不变,只有有限变差的漂移项发生改变。测度的等价性还会保持零概率事件不变,因此,等价测度不可能使原概率律下发生概率为零的某类跳跃变得可能。
数学金融中的风险中性估值 在数学金融 中,吉尔萨诺夫定理可用于构造使贴现资产价格成为局部鞅的测度。考虑一只股票,其价格满足
d S t S t = μ d t + σ d W t P , σ > 0 , \frac{dS_t}{S_t}=\mu\,dt+\sigma\,dW_t^P, \qquad \sigma>0, S t d S t = μ d t + σ d W t P , σ > 0 ,
以及一个货币市场账户
B t = e r t , B_t=e^{rt}, B t = e r t ,
其中 μ , σ , r \mu,\sigma,r μ , σ , r 均为常数。在实际概率测度 P P P 下,贴现股价 S t / B t S_t/B_t S t / B t 的漂移率为 μ − r \mu-r μ − r 。
将布朗风险的市场价格定义为
λ = μ − r σ , \lambda=\frac{\mu-r}{\sigma}, λ = σ μ − r ,
并令
Z t = exp ( − λ W t P − 1 2 λ 2 t ) . Z_t= \exp\left(-\lambda W_t^P-\frac12\lambda^2t\right). Z t = exp ( − λ W t P − 2 1 λ 2 t ) .
在任意有限时间区间上,该过程都是真鞅。在由 Z T Z_T Z T 定义的测度 Q Q Q 下,
W t Q = W t P + λ t W_t^Q=W_t^P+\lambda t W t Q = W t P + λ t
是布朗运动。代入可得
d S t S t = r d t + σ d W t Q , \frac{dS_t}{S_t}=r\,dt+\sigma\,dW_t^Q, S t d S t = r d t + σ d W t Q ,
因此贴现股价的漂移为零。在这个常系数模型中,它是真鞅,而不仅仅是局部鞅。
对于在时刻 T T T 支付、满足适当可积性条件的欧式收益 H H H ,其在布莱克–斯科尔斯模型中的复制价值为
V t = B t E Q [ H B T | F t ] . V_t=B_tE_Q\left[\frac{H}{B_T}\,\middle|\,\mathcal F_t\right]. V t = B t E Q [ B T H F t ] .
这个公式中不再出现 μ \mu μ ,并不意味着投资者预期股票将获得无风险收益率。这反映的是从实际概率测度到定价测度的变换;在这一变换中,风险调整体现在似然比之中。
当存在多种资产和多个布朗因子时,消除漂移的条件可写成矩阵形式:
σ t λ t = μ t − r t 1. \sigma_t\lambda_t=\mu_t-r_t\mathbf 1. σ t λ t = μ t − r t 1 .
波动率矩阵的秩 有助于判断该方程是否有解,以及解是否唯一。在标准的布朗市场假设下,等价鞅测度的唯一性与市场完备性相关。如果某些布朗风险无法通过现有资产进行交易,就可能存在多个可容许的定价测度。
在金融解释中,还必须区分局部鞅与真鞅。一般无套利理论是在适当的市场假设下,以等价局部鞅测度为基础表述的。在这样的测度下,正的贴现资产价格可能是严格局部鞅,因此,常见的基于期望的定价恒等式可能需要额外假设才能成立。吉尔萨诺夫定理提供了一种候选的漂移变换,但它本身并不能确立策略的可容许性、市场的完备性,也不能保证估值所需的全部可积性条件。
扩散过程统计推断与滤波中的似然 吉尔萨诺夫定理为漂移参数的估计提供了基于路径的似然。考虑标量模型
d X t = b α ( X t ) d t + σ ( X t ) d W t α , dX_t=b_\alpha(X_t)\,dt+\sigma(X_t)\,dW_t^\alpha, d X t = b α ( X t ) d t + σ ( X t ) d W t α ,
其中参数 α \alpha α 未知,扩散系数已知且非零。固定一个参考参数 α 0 \alpha_0 α 0 ,并假设相关概率律均有良好定义,且满足测度变换的条件。相对于 P α 0 P_{\alpha_0} P α 0 ,定义
θ t = b α ( X t ) − b α 0 ( X t ) σ ( X t ) . \theta_t= \frac{b_\alpha(X_t)-b_{\alpha_0}(X_t)} {\sigma(X_t)}. θ t = σ ( X t ) b α ( X t ) − b α 0 ( X t ) .
在 [ 0 , T ] [0,T] [ 0 , T ] 上连续观测所得的对数似然比为
log d P α d P α 0 = ∫ 0 T θ t d W t α 0 − 1 2 ∫ 0 T θ t 2 d t . \log\frac{dP_\alpha}{dP_{\alpha_0}} = \int_0^T\theta_t\,dW_t^{\alpha_0} -\frac12\int_0^T\theta_t^2\,dt. log d P α 0 d P α = ∫ 0 T θ t d W t α 0 − 2 1 ∫ 0 T θ t 2 d t .
利用
d W t α 0 = d X t − b α 0 ( X t ) d t σ ( X t ) dW_t^{\alpha_0} = \frac{dX_t-b_{\alpha_0}(X_t)\,dt}{\sigma(X_t)} d W t α 0 = σ ( X t ) d X t − b α 0 ( X t ) d t
便可完全通过观测轨迹来表示似然。这一表示是扩散过程漂移的最大似然估计 、似然比检验和贝叶斯分析的基础。各模型具有相同的扩散系数至关重要:连续观测能够精确确定二次变差,因此,波动率结构不同的模型之间未必存在通常意义上的似然比。
对于常漂移模型
d X t = α d t + σ d W t , X 0 = x 0 , dX_t=\alpha\,dt+\sigma\,dW_t,\qquad X_0=x_0, d X t = α d t + σ d W t , X 0 = x 0 ,
相对于零漂移模型,其对数似然为
ℓ T ( α ) = α σ 2 ( X T − x 0 ) − α 2 T 2 σ 2 . \ell_T(\alpha) = \frac{\alpha}{\sigma^2}(X_T-x_0) -\frac{\alpha^2T}{2\sigma^2}. ℓ T ( α ) = σ 2 α ( X T − x 0 ) − 2 σ 2 α 2 T .
将这个二次函数最大化可得
α ^ = X T − x 0 T . \widehat\alpha=\frac{X_T-x_0}{T}. α = T X T − x 0 .
该估计量的方差为 σ 2 / T \sigma^2/T σ 2 / T ,而费希尔信息 为 T / σ 2 T/\sigma^2 T / σ 2 。尽管观测到了整条路径,终点相对于起点的位移就已包含有关这一常漂移的全部信息。
非线性滤波 中也有一个相关应用。假设通过以下模型观测隐藏信号 X X X :
d Y t = h ( X t ) d t + d V t , dY_t=h(X_t)\,dt+dV_t, d Y t = h ( X t ) d t + d V t ,
其中观测噪声 V V V 是布朗运动,并且在标准设定下,它与驱动信号的噪声相互独立。在适当的指数可积性假设下,可以选取一个参考测度 Q Q Q ,使得 Y Y Y 在该测度下为布朗运动。用于恢复实际观测模型的似然为
L t = exp ( ∫ 0 t h ( X s ) d Y s − 1 2 ∫ 0 t h ( X s ) 2 d s ) . L_t= \exp\left( \int_0^t h(X_s)\,dY_s -\frac12\int_0^t h(X_s)^2\,ds \right). L t = exp ( ∫ 0 t h ( X s ) d Y s − 2 1 ∫ 0 t h ( X s ) 2 d s ) .
若 Y t \mathcal Y_t Y t 为观测滤过,则由条件贝叶斯公式可得
E P [ f ( X t ) ∣ Y t ] = E Q [ f ( X t ) L t ∣ Y t ] E Q [ L t ∣ Y t ] . E_P[f(X_t)\mid\mathcal Y_t] = \frac{E_Q[f(X_t)L_t\mid\mathcal Y_t]} {E_Q[L_t\mid\mathcal Y_t]}. E P [ f ( X t ) ∣ Y t ] = E Q [ L t ∣ Y t ] E Q [ f ( X t ) L t ∣ Y t ] .
这就是卡利安普尔–斯特里贝尔公式。在标准正则性条件下,由其未归一化的分子可导出扎凯滤波方程。测度变换将观测噪声的概率结构与承载隐藏信号信息的似然分离开来。
重要性采样、相对熵与控制 吉尔萨诺夫定理还可用于路径空间上的重要性采样。设所关心的量为
p = E P [ F ( X ) ] . p=E_P[F(X)]. p = E P [ F ( X )] .
若 Q ∼ P Q\sim P Q ∼ P ,则
p = E Q [ F ( X ) d P d Q ] . p=E_Q\left[F(X)\frac{dP}{dQ}\right]. p = E Q [ F ( X ) d Q d P ] .
对于稀有事件的概率,F F F 是示性函数。合适的采样测度能让稀有事件更频繁地发生,同时用似然比的倒数来校正由此产生的偏差。这是 蒙特卡洛方法 的一种连续时间形式。
采用正号约定
d Q d P = exp ( ∫ 0 T θ t ⊤ d W t − 1 2 ∫ 0 T ∥ θ t ∥ 2 d t ) , \frac{dQ}{dP} = \exp\left( \int_0^T\theta_t^\top\,dW_t -\frac12\int_0^T\|\theta_t\|^2\,dt \right), d P d Q = exp ( ∫ 0 T θ t ⊤ d W t − 2 1 ∫ 0 T ∥ θ t ∥ 2 d t ) ,
扩散过程的漂移变为 b + σ θ b+\sigma\theta b + σ θ 。用 Q Q Q 下的布朗运动表示似然比的倒数,可得
d P d Q = exp ( − ∫ 0 T θ t ⊤ d W t Q − 1 2 ∫ 0 T ∥ θ t ∥ 2 d t ) . \frac{dP}{dQ} = \exp\left( -\int_0^T\theta_t^\top\,dW_t^Q -\frac12\int_0^T\|\theta_t\|^2\,dt \right). d Q d P = exp ( − ∫ 0 T θ t ⊤ d W t Q − 2 1 ∫ 0 T ∥ θ t ∥ 2 d t ) .
利用这一公式,可以在改变漂移后进行模拟,再通过加权恢复原概率律下的期望。
事件发生频率提高,并不保证估计量更好。其方差取决于二阶矩
E Q [ F ( X ) 2 ( d P d Q ) 2 ] , E_Q\left[ F(X)^2\left(\frac{dP}{dQ}\right)^2 \right], E Q [ F ( X ) 2 ( d Q d P ) 2 ] ,
而这个二阶矩可能很大,甚至为无穷大。改变漂移可以使采样集中在目标区域,却也可能导致似然权重极不稳定。密度过程的鞅条件保证的是测度变换的有效性,而非数值采样的效率;时间离散化还会引入另一个独立的近似问题。
同一个似然比也有信息论上的解释。假设满足所需的可积性条件,则
D K L ( Q ∥ P ) = E Q [ log d Q d P ] = 1 2 E Q [ ∫ 0 T ∥ θ t ∥ 2 d t ] . D_{\mathrm{KL}}(Q\|P) = E_Q\left[\log\frac{dQ}{dP}\right] = \frac12E_Q\left[\int_0^T\|\theta_t\|^2\,dt\right]. D KL ( Q ∥ P ) = E Q [ log d P d Q ] = 2 1 E Q [ ∫ 0 T ∥ θ t ∥ 2 d t ] .
第一个等号给出了 KL散度 的定义。要得到第二个等号,只需将
d W t = d W t Q + θ t d t dW_t=dW_t^Q+\theta_t\,dt d W t = d W t Q + θ t d t
代入对数似然比,并利用所得的 Q Q Q 下随机积分的期望为零这一性质。因此,改变路径概率律所付出的信息代价,等于布朗运动坐标下控制能量期望值的一半。
这一恒等式将测度变换与随机控制 、熵正则化优化以及薛定谔桥问题联系起来。对于受控漂移 b + σ θ b+\sigma\theta b + σ θ ,可以用受控扩散过程相对于无控制扩散过程的相对熵作为惩罚项。容许控制仍须产生有效的概率测度,任何端点约束也都必须与底层路径概率律相容。在退化系统中,信息惩罚仅适用于沿 σ \sigma σ 所表示的噪声方向能够实现的漂移变化;这些方向之外的漂移变化,无法通过等价的布朗运动测度变换实现。