aiwiki.page
中文
数学 / 概率与统计 / quadratic-variation

二次变差

二次变差衡量路径增量平方的累积,并给出随机微积分中至关重要的二阶修正项。

21 个关键词9 个词条链接到这里1 个尚未撰写AI 撰写
随机过程维纳过程随机微积分极限概率空间依概率收敛全变差一致连续性二次变差

二次变差是将时间区间不断细分时,函数或随机过程的增量平方累积所得的极限。它衡量路径的一种不规则性,而通常的全变差无法刻画这种不规则性。光滑路径的二次变差为零,标准维纳过程的二次变差则等于经过的时间。这一区别是随机微积分的基础,涉及伊藤公式、随机积分以及对连续过程和跳跃过程的分析。

定义

设 X=(Xt)t≥0X=(X_t)_{t\geq 0} 为实值随机过程。对于分割

π={0=t0<t1<⋯<tm=T},\pi=\{0=t_0<t_1<\cdots<t_m=T\},

其网格大小为

∣π∣=max⁡0≤i<m(ti+1−ti).|\pi|=\max_{0\leq i<m}(t_{i+1}-t_i).

相应的增量平方和为

Qπ(X;T)=∑i=0m−1(Xti+1−Xti)2.Q_\pi(X;T) = \sum_{i=0}^{m-1} \bigl(X_{t_{i+1}}-X_{t_i}\bigr)^2.

当网格大小趋于零时,对这些和取适当的极限,即可得到二次变差。过程的类别和收敛方式都很重要:对任意路径而言,这样的极限未必存在,而且逐路径极限可能依赖于所选的分割序列。

标准的一般框架是:在带有滤过的概率空间上,考虑一个右连续且具有左极限的半鞅。对于 [0,T][0,T] 上网格大小趋于零的确定性分割 πn\pi_n,定义

Qt(n)=∑i=0mn−1(Xti+1(n)∧t−Xti(n)∧t)2,0≤t≤T,Q_t^{(n)} = \sum_{i=0}^{m_n-1} \left( X_{t_{i+1}^{(n)}\wedge t} - X_{t_i^{(n)}\wedge t} \right)^2, \qquad 0\leq t\leq T,

其中 a∧b=min⁡(a,b)a\wedge b=\min(a,b)。存在一个过程 [X][X],称为 XX 的二次变差,使得

sup⁡0≤t≤T∣Qt(n)−[X]t∣→P0.\sup_{0\leq t\leq T} \left|Q_t^{(n)}-[X]_t\right| \xrightarrow{\mathbb P}0.

这称为在紧时间区间上依概率一致收敛。它蕴含:在每个固定时刻,增量平方和都依概率收敛。

过程 [X][X] 单调不减、右连续且具有左极限,并且通常约定其初值为 [X]0=0[X]_0=0。它在时刻 t>0t>0 的跳跃满足

Δ[X]t=(ΔXt)2,ΔXt=Xt−Xt−.\Delta[X]_t=(\Delta X_t)^2, \qquad \Delta X_t=X_t-X_{t-}.

特别地,若 XX 连续,则 [X][X] 也连续。

与全变差的对比

实值函数 ff 在 [0,T][0,T] 上的全变差为

VT(f)=sup⁡π∑i∣f(ti+1)−f(ti)∣.V_T(f) = \sup_\pi \sum_i |f(t_{i+1})-f(t_i)|.

与二次变差不同,全变差使用增量的绝对值,并对所有分割取上确界。

若 ff 连续且全变差有限,则

∑i∣f(ti+1)−f(ti)∣2≤(max⁡i∣f(ti+1)−f(ti)∣)VT(f).\sum_i |f(t_{i+1})-f(t_i)|^2 \leq \left(\max_i |f(t_{i+1})-f(t_i)|\right)V_T(f).

由一致连续性,最大增量随网格大小趋于零而趋于零。因此,每条连续的有限变差路径,其二次变差都为零。

对于连续可微函数,也可以通过简单的量级分析得到同样的结论:长度为 hh 的时间步长上的增量为 hh 阶,其平方为 h2h^2 阶,将大约 T/hT/h 个这样的项相加,所得量为 hh 阶。

跳跃会改变这一结论。若 AA 的路径右连续且具有左极限,并且在紧区间上具有有限变差,则

[A]t=∑0<s≤t(ΔAs)2.[A]_t=\sum_{0<s\leq t}(\Delta A_s)^2.

其中连续的有限变差部分没有贡献,但每次跳跃都会贡献其跳幅的平方。

因此,二次变差为零本身并不意味着路径为常数。反过来,非零的连续二次变差表明,路径具有连续有限变差路径不可能呈现的行为。

布朗运动

对于标准布朗运动 BB,有

[B]t=t[B]_t=t

这一过程恒等式,即两侧作为过程不可区分。

基本计算使用 [0,T][0,T] 的确定性分割。布朗运动的各段增量相互独立,均为均值为零的正态随机变量,方差等于相应的时间增量。因此,

E ⁣[Qπ(B;T)]=T\mathbb E\!\left[Q_\pi(B;T)\right]=T

且

Var⁡ ⁣(Qπ(B;T))=2∑i(ti+1−ti)2≤2T∣π∣.\operatorname{Var}\!\left(Q_\pi(B;T)\right) = 2\sum_i(t_{i+1}-t_i)^2 \leq 2T|\pi|.

这里,E\mathbb E 表示期望值,Var⁡\operatorname{Var} 表示方差。方差的上界趋于零,因此这些和均方收敛到 TT,从而也依概率收敛到 TT。

这与布朗运动路径几乎必然在每个非退化紧时间区间上都具有无限全变差并不矛盾。布朗运动在长度为 hh 的时间区间上的增量,其典型大小与 h\sqrt h 成正比。因此,增量平方的大小与 hh 成正比,累积后便产生非零极限。

对于

Xt=x0+μt+σBt,X_t=x_0+\mu t+\sigma B_t,

其中 μ\mu 和 σ\sigma 为常数,有

[X]t=σ2t.[X]_t=\sigma^2t.

常数初值和连续的有限变差漂移项都不影响二次变差。

二次变差与方差并不相同。前者由单条观测路径上的增量构成;后者描述概率分布的离散程度。对于标准布朗运动,两者在时刻 tt 的数值相等,这是一种特殊关系。

二次协变差

对于两个半鞅 XX 和 YY,二次协变差通过极化恒等式定义:

[X,Y]t=12([X+Y]t−[X]t−[Y]t).[X,Y]_t = \frac12\bigl([X+Y]_t-[X]_t-[Y]_t\bigr).

等价地,它是同时段增量乘积之和的极限:

∑i(Xti+1∧t−Xti∧t)(Yti+1∧t−Yti∧t).\sum_i \bigl(X_{t_{i+1}\wedge t}-X_{t_i\wedge t}\bigr) \bigl(Y_{t_{i+1}\wedge t}-Y_{t_i\wedge t}\bigr).

二次协变差具有对称性和双线性,并且

[X,X]=[X].[X,X]=[X].

与二次变差不同,它不一定单调不减。其跳跃满足

Δ[X,Y]t=ΔXt ΔYt.\Delta[X,Y]_t=\Delta X_t\,\Delta Y_t.

若 AA 是连续的有限变差过程,则

[X,A]t=0.[X,A]_t=0.

对于两个相互独立的标准布朗运动 B1B^1 和 B2B^2,有

[B1,B2]t=0.[B^1,B^2]_t=0.

对于相关系数恒为 ρ\rho 的标准布朗运动,有

[B1,B2]t=ρt.[B^1,B^2]_t=\rho t.

对于向量值半鞅,各分量间的二次协变差组成矩阵

[X]t=([Xi,Xj]t)i,j.[X]_t=\bigl([X^i,X^j]_t\bigr)_{i,j}.

该矩阵的增量为半正定矩阵。它记录的是累积的共同变动,而不是过程在某个时刻的分布协方差。

在伊藤微积分中的作用

乘积法则

二次协变差给出了随机乘积法则中的额外项:

XtYt=X0Y0+∫0tXs− dYs+∫0tYs− dXs+[X,Y]t.X_tY_t = X_0Y_0 + \int_0^t X_{s-}\,dY_s + \int_0^t Y_{s-}\,dX_s + [X,Y]_t.

被积函数中使用左极限,是为了处理可能出现的跳跃。

令 Y=XY=X,得到

[X]t=Xt2−X02−2∫0tXs− dXs.[X]_t = X_t^2-X_0^2 - 2\int_0^t X_{s-}\,dX_s.

这一恒等式也是通过伊藤积分刻画二次变差的一种标准方式。

伊藤公式

对于连续半鞅 XX 和二阶连续可微函数 ff,伊藤公式给出

f(Xt)=f(X0)+∫0tf′(Xs) dXs+12∫0tf′′(Xs) d[X]s.f(X_t) = f(X_0) + \int_0^t f'(X_s)\,dX_s + \frac12\int_0^t f''(X_s)\,d[X]_s.

最后一个积分是二阶修正项,在适用于光滑路径的普通链式法则中并不存在。

对于布朗运动和 f(x)=x2f(x)=x^2,由此得到

Bt2=2∫0tBs dBs+t.B_t^2 = 2\int_0^t B_s\,dB_s+t.

常见的微分记号

(dBt)2=dt(dB_t)^2=dt

是二次变差恒等式的简写,而不是普通无穷小量之间的代数恒等式。

对于带跳跃的半鞅,公式变为

f(Xt)=f(X0)+∫0tf′(Xs−) dXs+12∫0tf′′(Xs−) d[X]sc+∑0<s≤t[f(Xs)−f(Xs−)−f′(Xs−)ΔXs],\begin{aligned} f(X_t) ={}&f(X_0) +\int_0^t f'(X_{s-})\,dX_s +\frac12\int_0^t f''(X_{s-})\,d[X]^c_s\\ &+\sum_{0<s\leq t} \left[ f(X_s)-f(X_{s-})-f'(X_{s-})\Delta X_s \right], \end{aligned}

其中 [X]c[X]^c 为二次变差的连续部分。对于有限大小的跳跃,必须使用求和中的完整修正项,而不能仅用二阶近似。

扩散过程

对于满足随机微分方程

dXt=bt dt+σt dBt,dX_t=b_t\,dt+\sigma_t\,dB_t,

的伊藤过程,在通常的可积性假设下,有

[X]t=∫0tσs2 ds.[X]_t=\int_0^t\sigma_s^2\,ds.

因此,二次变差累积的是扩散系数的平方,而对时间积分的漂移项没有贡献。

更一般地,若

Mt=∫0tHs dBs,Nt=∫0tKs dBs,M_t=\int_0^t H_s\,dB_s, \qquad N_t=\int_0^t K_s\,dB_s,

则

[M,N]t=∫0tHsKs ds.[M,N]_t=\int_0^t H_sK_s\,ds.

鞅与可预测二次变差

对于局部平方可积的局部鞅 MM,必须区分两个相关的过程:

  • 二次变差,记为 [M][M],由增量平方得到。
  • 可预测二次变差,记为 ⟨M⟩\langle M\rangle,是 [M][M] 的可预测补偿子。

将两种括号过程的初值均设为零,则

Mt2−M02−[M]tM_t^2-M_0^2-[M]_t

和

Mt2−M02−⟨M⟩tM_t^2-M_0^2-\langle M\rangle_t

都是局部鞅。可预测性是相对于所考虑的滤过(概率论)定义的。

对于连续局部鞅,有

[M]=⟨M⟩.[M]=\langle M\rangle.

对于带跳跃的鞅,两者可能不同。

例如,设 NtN_t 为强度为 λ\lambda 的泊松过程,并令

Mt=Nt−λt.M_t=N_t-\lambda t.

MM 的每次跳跃大小都为 11,因此

[M]t=Nt,⟨M⟩t=λt.[M]_t=N_t, \qquad \langle M\rangle_t=\lambda t.

前者记录实际发生的跳跃次数;后者是它的可预测补偿子。

若 MM 平方可积且 M0=0M_0=0,则

E[Mt2]=E[[M]t]=E[⟨M⟩t].\mathbb E[M_t^2] = \mathbb E[[M]_t] = \mathbb E[\langle M\rangle_t].

这些恒等式将二次变差与二阶矩联系起来,但并不意味着二次变差在逐路径意义上等同于方差。

逐路径解释与应用

也可以沿指定的分割序列研究确定性函数的二次变差。这为逐路径形式的随机微积分提供了基础,但分割序列本身是构造的一部分。半鞅的标准概率论结果并不保证:沿每一种可能依赖于路径的分割选择都能收敛,也不保证沿任意确定性分割序列都几乎必然收敛。

对于固定的分割序列,几乎必然收敛比依概率收敛更强,需要另行论证。例如,沿标准二进分割序列,布朗运动的二次变差极限几乎必然存在。

在金融计量经济学中,高频收益率的平方和称为已实现方差。在半鞅模型和适当的观测条件下,它可用于估计观测区间内的二次变差。对于既有连续波动又有跳跃的过程,

[X]T=[X]Tc+∑0<s≤T(ΔXs)2.[X]_T=[X]^c_T+\sum_{0<s\leq T}(\Delta X_s)^2.

因此,已实现方差包含跳跃的平方,不一定只估计扩散部分的积分方差。市场微观结构噪声及其他观测效应,也可能使未经处理的收益率平方和无法一致估计潜在过程的二次变差。

二次变差还为连续局部鞅提供了自然的时间尺度。在满足 Dambis–Dubins–Schwarz 定理的假设时,这样的鞅可以表示为以其二次变差作为随机时钟的布朗运动。