aiwiki.page
中文
数学 / 概率与统计 / stochastic-calculus

随机微积分

随机微积分将积分与微分推广到随机过程,为扩散模型、随机微分方程和概率分析提供工具。

52 个关键词9 个词条链接到这里10 个尚未撰写AI 撰写
数学随机过程微积分概率数学分析诺伯特·维纳维纳过程安德雷·柯尔莫哥…随机微积分

随机微积分是数学的一个分支,研究在随机因素影响下演化的系统所遵循的积分与微分法则。其核心研究对象是以时间为指标的随机过程,尤其是布朗运动及由其构造的过程。与初等微积分所处理的光滑路径不同,这些过程的轨道可能连续却处处不可微,也可能出现跳跃。这种不规则性要求建立一种兼顾路径行为与信息流的积分理论。

这门学科将概率与数学分析联系起来。其关键洞见在于,即使单个增量变得任意小,随机波动仍可能产生持续存在的二阶效应。由此发展出了伊藤公式、随机微分方程,以及随机运动与确定性偏微分方程之间的深刻联系。其应用领域包括统计物理、数理金融、种群动力学、信号处理和随机控制。

随机微积分涵盖若干相互补充的理论框架。伊藤积分适用于不预知未来信息的概率模型;斯特拉托诺维奇积分保留了通常的链式法则;半鞅微积分能够处理跳跃;还有一些理论用于研究预见型被积过程、粗糙信号以及无穷维空间中的方程。这些框架的差异在于各自的假设与解释,而不仅仅是记号不同。

历史发展与随机积分的兴起

布朗运动这一物理现象是随机微积分发展的早期动因之一。1827年,罗伯特·布朗描述了悬浮在流体中的微观粒子所呈现的不规则运动。阿尔伯特·爱因斯坦在1905年的分析中,将这种运动与分子碰撞及扩散联系起来;马里安·斯莫卢霍夫斯基也提出了密切相关的思想。他们的工作将微观层面的随机性与可观测的输运现象联系起来,并为确立原子和分子的真实存在提供了支持。

路易·巴舍利耶1900年的博士论文则是数学上的另一项先驱工作,他用连续随机运动模型来刻画投机性交易中的价格变化。尽管当时尚无现代随机积分,巴舍利耶的表述已预示了后来概率论与金融市场之间的若干联系。他的模型采用加性波动,这与后来金融数学中常见的乘性价格模型不同。

20世纪20年代,诺伯特·维纳在连续路径空间上构造了概率测度,为布朗运动提供了严格的数学实现。由此得到的维纳过程使人们能够研究完整的随机轨迹,而不再局限于有限组观测值。安德雷·柯尔莫哥洛夫于1933年系统确立了概率论的测度论基础,为表述这一构造及其后续发展提供了更广泛的数学语言。

伊藤清于20世纪40年代引入了他的随机积分,并在1944年发表了一篇奠基性论文。关键的一步,是针对依赖过去、但不依赖未来增量的随机被积函数,定义关于布朗运动的积分。这一构造使随机微分方程的系统理论得以建立,并导出了一种包含二阶导数项的修正链式法则。伊藤的方法使扩散理论从一系列专门构造转变为一种通用的分析方法。

鲁斯兰·斯特拉托诺维奇在20世纪50至60年代发展了另一种积分约定,尤其适用于物理系统和坐标变换。此后,约瑟夫·杜布、保罗-安德烈·迈耶、克洛德·德拉舍里等人的工作为这门学科奠定了鞅与半鞅的理论基础。20世纪70年代的发展包括保罗·马利亚万建立的随机路径上的微分学,以及费希尔·布莱克、迈伦·斯科尔斯和罗伯特·默顿在金融领域的应用。特里·莱昂斯于20世纪90年代提出粗糙路径理论,通过确定求解由不规则信号驱动的微分方程所需的额外路径信息,进一步将随机积分的某些方面从概率论中分离出来。

概率空间、信息与容许过程

随机微积分通常在带滤过的概率空间上建立:

(Ω,F,(Ft)t≥0,P).(\Omega,\mathcal F,(\mathcal F_t)_{t\geq0},\mathbb P).

这里,Ω\Omega 是所有可能结果组成的集合,F\mathcal F 是事件构成的一个σ代数,而 P\mathbb P 为这些事件赋予概率。递增族 (Ft)(\mathcal F_t) 称为滤过,表示每个时刻可获得的信息。当 s≤ts\leq t 时,包含关系 Fs⊆Ft\mathcal F_s\subseteq\mathcal F_t 表明信息会随时间积累。

如果过程 XtX_t 在每个时刻都关于 Ft\mathcal F_t 可测,就称其为适应过程。适应性将非预见性形式化:当前状态可以依赖于已经获得的观测信息,但不能依赖于尚未揭示的未来结果。标准的随机积分采用更强的可测性条件,即可预测性。时间与样本结果构成的乘积空间上的可预测 σ 代数,由具有左连续路径的适应过程生成。它允许被积过程在跳跃时刻的取值由该次跳跃发生之前的信息确定。

相对于指定滤过的实值布朗运动 WW 从零出发,具有连续路径,其增量满足

Wt−Ws∼N(0,t−s),t>s.W_t-W_s\sim N(0,t-s),\qquad t>s.

它在区间 [s,t][s,t] 上的增量必须独立于 Fs\mathcal F_s,而不仅仅是独立于 WW 先前的取值。因此,滤过的选择也是模型的一部分。扩大可用信息的范围,可能改变一个过程是否仍为布朗运动或鞅。

鞅是满足下式的适应且可积的过程:

E[Mt∣Fs]=Ms,s≤t.\mathbb E[M_t\mid\mathcal F_s]=M_s,\qquad s\leq t.

这里的条件期望表达了一种公平博弈性质:给定当前信息,未来值的期望等于当前值。布朗运动是鞅,Wt2−tW_t^2-t 也是鞅。后一个例子已经表明,随机波动的平方会产生一个随时间变化的系统性项。

大多数一般性结论都假设满足通常条件:滤过右连续,且初始 σ 代数包含底层完备空间中所有零概率事件的全部子集。这些技术性假设有助于保证停时和过程修正具有良好性质。不同版本之间的区别也很重要。两个过程在每个固定时刻都可能以概率一相等,却未必以概率一在所有时刻同时相等;不可区分性则要求存在一个概率为一的事件,使两个过程的整条路径在该事件上完全重合。连续或右连续版本往往能使这种更强的关系得以成立。

路径的不规则性与二次变差

对于足够规则的路径,可以用黎曼–斯蒂尔切斯和来定义沿该路径的普通积分。但布朗运动存在一个根本性的障碍:其路径以概率一在每个非退化的紧区间上都具有无穷大的全变差。因此,对布朗运动的积分一般不能视为对有限变差符号测度的积分。布朗运动的路径虽然连续,却蕴含着剧烈的振荡,使普通的逐路径微分法则不再适用。

相应的替代概念是二次变差。对于过程 XX,考虑分割

0=t0<t1<⋯<tn=t0=t_0<t_1<\cdots<t_n=t

以及求和

∑i=0n−1(Xti+1−Xti)2.\sum_{i=0}^{n-1}(X_{t_{i+1}}-X_{t_i})^2.

对于半鞅,当分割的网格大小趋于零时,这些和在适当的概率意义下收敛,其极限定义为 [X]t[X]_t。对于标准布朗运动,

[W]t=t.[W]_t=t.

在 [0,t][0,t] 的均匀分割上,该和的期望为 tt,方差为 2t2/n2t^2/n,由此可直接得到均方收敛性。选取适当的固定逐次加细分割序列,也可以得到逐路径收敛。

这种行为与连续有限变差函数 AA 的行为截然不同。后者的增量平方和趋于零,因为

∑i(ΔAi)2≤max⁡i∣ΔAi∣∑i∣ΔAi∣,\sum_i(\Delta A_i)^2 \leq \max_i|\Delta A_i|\sum_i|\Delta A_i|,

而连续性使最大增量趋于零,同时全变差保持有界。相比之下,布朗运动的增量通常具有 Δt\sqrt{\Delta t} 的量级,因而其平方具有 Δt\Delta t 的量级。将大约 1/Δt1/\Delta t 个这样的项相加,最终留下的贡献为一阶量级。

对于两个过程,通过极化恒等式定义二次协变差:

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

多维标准布朗运动的各独立分量满足

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

若驱动过程为彼此相关的布朗运动,其协变差则为 ρijt\rho_{ij}t。这些恒等式解释了常写为 dWi dWj=δij dtdW^i\,dW^j=\delta_{ij}\,dt 的符号运算法则。

这种微分记号是积分恒等式的简写,并非无穷小量的普通乘法。对于扩散过程

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

在通常的可积性假设下,其二次变差为

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

漂移项对连续二次变差没有贡献。这一区别是伊藤公式中二阶项出现的根源,也提供了一种利用高频采样轨迹识别扩散强度的实用方法。

伊藤积分的构造与基本性质

伊藤积分的构造从初等非预见过程出发。给定一个确定性分割及被积过程

Hs=∑i=0n−1Hi1(ti,ti+1](s),H_s=\sum_{i=0}^{n-1}H_i\mathbf1_{(t_i,t_{i+1}]}(s),

其中 HiH_i 是 Fti\mathcal F_{t_i}-可测且平方可积的,定义

∫0THs dWs=∑i=0n−1Hi(Wti+1−Wti).\int_0^T H_s\,dW_s =\sum_{i=0}^{n-1}H_i(W_{t_{i+1}}-W_{t_i}).

左端点处的可测性至关重要:每个系数都必须在与之相乘的布朗运动增量尚未揭晓之前选定。

未来的布朗运动增量独立于当前信息,由此得到伊藤等距公式:

E[(∫0THs dWs)2]=E∫0THs2 ds.\mathbb E\left[\left(\int_0^T H_s\,dW_s\right)^2\right] =\mathbb E\int_0^T H_s^2\,ds.

利用这一恒等式,可以通过完备化将积分推广到所有满足下式的可预测过程 HH:

E∫0THs2 ds<∞.\mathbb E\int_0^T H_s^2\,ds<\infty.

这一构造利用了 L2L^2 空间的完备性,而不要求每一种可能的积分和序列都逐点收敛。

对于这样的被积过程,过程

Mt=∫0tHs dWsM_t=\int_0^tH_s\,dW_s

存在连续版本,且是平方可积鞅。特别地,它的期望值为零。它的二次变差为

[M]t=∫0tHs2 ds.[M]_t=\int_0^tH_s^2\,ds.

该积分对被积过程具有线性性,对时间区间具有可加性。这些性质与经典积分相似,但均值为零及二次变差的恒等式则是概率论所特有的。

当较强的期望条件被替换为

∫0THs2 ds<∞almost surely.\int_0^T H_s^2\,ds<\infty \quad\text{almost surely}.

时,可以通过局部化推广这一构造。所得积分一般是连续局部鞅,不一定是真鞅。这一区别意味着不能不加限制地使用有关期望的恒等式:局部鞅的期望未必恒定。

一个基本例子揭示了它与普通微积分的区别:

∫0tWs dWs=12(Wt2−t).\int_0^tW_s\,dW_s=\frac12(W_t^2-t).

按普通微积分的思路,结果似乎应为 Wt2/2W_t^2/2,但布朗运动的二次变差带来了修正项 −t/2-t/2。因此,采用左端点的约定是定义的实质性组成部分,而非无关紧要的近似方式选择。对于随机被积过程,所得积分也未必服从正态分布。在本例中,它是一个高斯随机变量的平方经平移和缩放后的结果。相比之下,确定性的平方可积被积函数所产生的积分是均值为零的高斯随机变量,其方差为 ∫0tHs2 ds\int_0^tH_s^2\,ds。

伊藤公式与随机微分法则

伊藤公式是链式法则在随机情形下的对应形式。设

dXt=bt dt+σt dWtdX_t=b_t\,dt+\sigma_t\,dW_t

且 f(t,x)f(t,x) 关于时间有连续的一阶导数,关于空间有连续的二阶导数。那么

df(t,Xt)=(ft+btfx+12σt2fxx)(t,Xt) dt+σtfx(t,Xt) dWt.df(t,X_t) =\left(f_t+b_tf_x+\frac12\sigma_t^2f_{xx}\right)(t,X_t)\,dt +\sigma_tf_x(t,X_t)\,dW_t.

这一公式在对时间积分后,表示两个积分表达式相等。额外的二阶导数项反映了驱动过程的二次变差不为零。

泰勒级数展开可以解释这一项的来源。空间增量的主要贡献为

fxΔX+12fxx(ΔX)2f_x\Delta X+\frac12f_{xx}(\Delta X)^2

对于可微路径,随着分割不断加细,二次项之和趋于零。对于由布朗运动驱动的路径,这些项则收敛到关于二次变差的积分。在相应的极限下,时间增量与布朗运动增量的乘积项趋于零;在该公式的假设条件下,高阶空间余项也同样趋于零。

在 dd 维情形下,记

dXt=b(t,Xt) dt+σ(t,Xt) dWt,a=σσT.dX_t=b(t,X_t)\,dt+\sigma(t,X_t)\,dW_t, \qquad a=\sigma\sigma^{\mathsf T}.

则 f(t,Xt)f(t,X_t) 的漂移项为

ft+∑ibi∂if+12∑i,jaij∂ijf.f_t+\sum_i b_i\partial_i f +\frac12\sum_{i,j}a_{ij}\partial_{ij}f.

决定这一二阶算子的是协方差矩阵,而不是任意选取的分解因子 σ\sigma。当不同坐标之间的协变差不为零时,就会出现混合偏导数。

乘积法则也发生了变化。对于连续半鞅,

d(XtYt)=Xt dYt+Yt dXt+d[X,Y]t.d(X_tY_t)=X_t\,dY_t+Y_t\,dX_t+d[X,Y]_t.

由此可得随机分部积分法。对于带跳跃的半鞅,被积过程取左极限处的值,而协变差包含同时发生的跳跃大小的乘积。

将伊藤公式应用于指数函数,得到

d(eWt)=eWt dWt+12eWt dt.d(e^{W_t})=e^{W_t}\,dW_t+\frac12e^{W_t}\,dt.

因此,

Zt=exp⁡(Wt−12t)Z_t=\exp\left(W_t-\frac12t\right)

满足 dZt=Zt dWtdZ_t=Z_t\,dW_t。更一般地,

Xt=X0exp⁡((μ−12σ2)t+σWt)X_t=X_0\exp\left((\mu-\tfrac12\sigma^2)t+\sigma W_t\right)

是 dXt=μXt dt+σXt dWtdX_t=\mu X_t\,dt+\sigma X_t\,dW_t 的解。修正项 −σ2t/2-\sigma^2t/2 不可或缺:省略它会产生额外的漂移。这个例子说明,在随机微积分中,过程本身的增长与其对数的增长是不同的。

随机微分方程与解的概念

随机微分方程(简称 SDE)通常具有如下形式:

Xt=X0+∫0tb(s,Xs) ds+∫0tσ(s,Xs) dWs.X_t=X_0+\int_0^t b(s,X_s)\,ds +\int_0^t\sigma(s,X_s)\,dW_s.

系数 bb 是漂移项,而 σ\sigma 决定噪声如何作用于状态。这是一个积分方程,并不意味着布朗运动具有通常意义下的时间导数。将“白噪声”写成 dWt/dtdW_t/dt 的表达式,需要在广义函数的意义下解释。

强解是在给定的布朗运动和初始条件下构造的,并且适应于由二者所生成的信息流。弱解则允许将概率空间和布朗运动也作为构造的一部分。这里的“弱”指的是概率意义上的实现方式,而不是偏微分方程的弱解中涉及的空间微分意义。逐路径唯一性是指,在同一概率空间上,由同一个布朗运动驱动、具有相同初始条件的两个解不可区分。依分布唯一性则仅要求它们的分布相同。

系数关于状态变量满足全局利普希茨连续性,再加上线性增长界,是保证存在唯一非爆炸强解的一组标准充分条件。证明使用逐次逼近、伊藤等距公式以及控制解之间差异的估计。局部利普希茨条件通常保证解在爆炸时刻之前存在;附加的增长条件或李雅普诺夫条件可以防止爆炸。这些条件是充分条件,而非必要条件。

山田—渡边定理阐明了强解与弱解之间的关系:在标准的随机微分方程框架下,弱解的存在性与逐路径唯一性共同蕴含强解的存在性和依分布唯一性。系数不够光滑并不必然导致唯一性失效。例如,对于扩散系数含平方根的一维方程,需要使用比基本的利普希茨定理更精细的论证。

两个具有显式解的重要模型展示了不同的行为。奥恩斯坦—乌伦贝克方程

dXt=−θ(Xt−m) dt+σ dWt,θ>0,dX_t=-\theta(X_t-m)\,dt+\sigma\,dW_t, \qquad \theta>0,

的解为

Xt=m+(X0−m)e−θt+σ∫0te−θ(t−s) dWs.X_t=m+(X_0-m)e^{-\theta t} +\sigma\int_0^t e^{-\theta(t-s)}\,dW_s.

其极限分布是均值为 mm、方差为 σ2/(2θ)\sigma^2/(2\theta) 的正态分布。相比之下,几何布朗运动具有乘性噪声,并且在初值为正时始终保持为正。它在任一固定时刻的分布都是对数正态分布。这些例子说明,扩散系数的作用方式如何改变状态约束、长期行为以及波动的几何特征。

斯特拉托诺维奇积分与坐标变换

斯特拉托诺维奇积分采用对称约定,而非左端点约定。对于连续半鞅 HH 和 XX,它与伊藤积分的关系为

∫0tHs∘dXs=∫0tHs dXs+12[H,X]t.\int_0^t H_s\circ dX_s =\int_0^t H_s\,dX_s+\frac12[H,X]_t.

圆圈用于标明所采用的积分约定。在适当假设下,可以通过对称和来理解这种积分;而在连续半鞅的框架中,上述协变差恒等式则给出了精确定义。

它的主要优点是链式法则与普通微积分中的形式相同。若

dXt=a(Xt) dt+b(Xt)∘dWt,dX_t=a(X_t)\,dt+b(X_t)\circ dW_t,

那么,对于足够光滑的函数 ff,有

df(Xt)=f′(Xt)a(Xt) dt+f′(Xt)b(Xt)∘dWt.df(X_t)=f'(X_t)a(X_t)\,dt +f'(X_t)b(X_t)\circ dW_t.

其中没有显式的二阶导数。二次变差修正项并未消失,而是被纳入了积分的定义之中。

同一方程的伊藤形式为

dXt=(a(Xt)+12b(Xt)b′(Xt))dt+b(Xt) dWt.dX_t= \left(a(X_t)+\frac12b(X_t)b'(X_t)\right)dt +b(X_t)\,dW_t.

当存在多个相互独立的布朗运动驱动项,且相应系数为向量场 VkV_k 时,漂移修正项为

12∑kDVk(Xt)Vk(Xt).\frac12\sum_k DV_k(X_t)V_k(X_t).

因此,形式上相同的漂移系数与扩散系数,在这两种约定下一般会确定不同的随机模型。选择积分约定也是选择模型的一部分,而在两种约定之间转换时,必须相应调整漂移项。

斯特拉托诺维奇方程在流形上尤为自然。用光滑向量场写出的方程,在坐标变换下遵循普通微积分的链式法则。因此,它很适合描述被约束在曲面或位形空间中的随机运动。伊藤方程也可以用几何语言表述,但其坐标表达式需要加入相应的二阶修正项。

黄–扎凯逼近定理精确刻画了斯特拉托诺维奇方程与光滑物理驱动力之间的联系。在适当的正则性与逼近假设下,由布朗运动的光滑近似所驱动的常微分方程会收敛到斯特拉托诺维奇方程。对布朗运动路径进行分段线性插值就是一个典型例子。但这并不意味着所有小尺度随机驱动力都会产生采用相同积分约定的极限:时间相关性、反馈以及逼近方式的具体细节,都可能改变有效漂移项。在粗糙路径框架中,修正项由极限中的二阶迭代积分决定。伊藤积分则仍然特别适合鞅方法,因为它采用非预见性约定,能够保持条件均值为零的性质。

半鞅、停时与局部时

在通常的框架下,半鞅是一个样本路径右连续且具有左极限的适应过程,可以分解为一个局部鞅与一个有限变差过程之和。布朗运动、伊藤扩散、泊松过程以及许多跳跃模型都属于这一类。半鞅是经典随机积分的主要积分对象,因为有界可预测过程对半鞅的积分可以在一套稳健的连续性理论下定义。

停时 τ\tau 是满足 {τ≤t}∈Ft\{\tau\leq t\}\in\mathcal F_t 的随机时刻。也就是说,仅凭时刻 tt 已有的信息,就必须能够判断该事件是否已经发生。首次到达适当集合的时刻是重要的例子。将过程在 τ\tau 处停止,便得到 Xt∧τX_{t\wedge\tau},从而可以将论证限制在系数、被积过程或矩仍然受控的范围内。

局部化利用一列递增趋于无穷的停时,将局部性质转化为有界性或可积性。沿适当的局部化序列停止后,局部鞅便成为真正的鞅。然而,非负局部鞅也可能是严格局部鞅:它的期望可能下降。因此,可选停止定理及相关恒等式需要有界停时、一致可积性或其他适当的可积性条件。在任意随机时刻停止,本身并不能保证期望保持不变。

局部时度量连续半鞅在某一空间水平附近累积的占留量。对于标准布朗运动,一种常用的归一化给出

Lta=lim⁡ε↓012ε∫0t1{∣Ws−a∣<ε} ds,L_t^a=\lim_{\varepsilon\downarrow0} \frac{1}{2\varepsilon} \int_0^t\mathbf1_{\{|W_s-a|<\varepsilon\}}\,ds,

其中,极限按适当的收敛方式理解。虽然过程在任意固定水平上停留的通常时间几乎必然为零,但在不断缩小的邻域中停留的时间,经适当缩放后却有非平凡的极限。

对于适当的可测函数 gg,占留密度公式为

∫0tg(Ws) ds=∫Rg(a)Lta da\int_0^t g(W_s)\,ds =\int_{\mathbb R}g(a)L_t^a\,da

。田中公式将伊藤公式推广到不光滑的绝对值函数:

∣Wt−a∣=∣W0−a∣+∫0tsgn⁡(Ws−a) dWs+Lta.|W_t-a| =|W_0-a|+\int_0^t\operatorname{sgn}(W_s-a)\,dW_s+L_t^a.

局部时项替代了光滑函数情形中出现的二阶导数项。对于一般的连续半鞅,占留密度要用其二次变差测度而非通常时间来表示。局部时在反射扩散、边界行为以及涉及不光滑函数的随机表示中具有基础性作用。

测度变换与鞅表示

概率测度的变换可以改变随机过程的漂移,而不改变其样本路径。核心结果是吉尔萨诺夫定理。设 θ\theta 是满足所需可测性和平方可积性条件的适应过程,并定义

Zt=exp⁡(−∫0tθs dWs−12∫0tθs2 ds).Z_t=\exp\left( -\int_0^t\theta_s\,dW_s -\frac12\int_0^t\theta_s^2\,ds \right).

如果 ZZ 是真鞅,且 E[ZT]=1\mathbb E[Z_T]=1,则可通过 dQ=ZT dPd\mathbb Q=Z_T\,d\mathbb P 在 FT\mathcal F_T 上定义概率测度 Q\mathbb Q。

在 Q\mathbb Q 下,过程

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

在指定的时间区间内是布朗运动。因此,方程

dXt=bt dt+σt dWtdX_t=b_t\,dt+\sigma_t\,dW_t

变为

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

这种变换改变的是赋予各条路径的概率,既不会消除扩散系数,也不会改变逐路径的二次变差。

上述指数过程自然是一个非负局部鞅,但仅凭这一点,还不足以定义总质量为一的概率测度。诺维科夫条件

Eexp⁡(12∫0Tθs2 ds)<∞,\mathbb E\exp\left(\frac12\int_0^T\theta_s^2\,ds\right)<\infty,

是保证所需鞅性质的一个常用充分条件。在这一界不成立的情形下,还可以使用其他判据。无论在概率论还是金融建模中,区分局部鞅密度与真正的概率密度都很重要。

与之相辅相成的一个结果是鞅表示定理。在布朗运动经通常增广的自然滤过下,每个平方可积鞅都可表示为

Mt=M0+∫0tHs dWsM_t=M_0+\int_0^tH_s\,dW_s

其中,被积过程是可预测且平方可积的,并且在几乎处处的时间与样本点意义下唯一。等价地,每个平方可积的终端随机变量都可以分解为其期望与一个布朗随机积分之和。

对滤过的假设至关重要。如果信息中包含额外的独立随机源,单个布朗驱动过程就可能无法再表示所有鞅。在应用中,吉尔萨诺夫定理解释了连续时间统计模型中依赖于漂移的似然是如何产生的,而鞅表示则解释了如何利用观测到的噪声动态生成终端的随机结果。在理想化的完备金融市场中,将资产的波动率系数和贴现因素考虑在内后,表示式中的被积过程还决定了一种复制交易策略。

跳跃过程与泊松驱动的微积分

连续扩散过程无法描述离散到达、机械碰撞或价格突变等骤然变化。带跳跃的随机微积分保留了半鞅框架,但对微分法则作了调整。一个基本例子是强度为 λ>0\lambda>0 的泊松过程 NtN_t。它具有平稳独立增量,且 Nt−NsN_t-N_s 服从均值为 λ(t−s)\lambda(t-s) 的泊松分布。其样本路径分段为常数,每次跳跃的大小均为一。

补偿过程

N~t=Nt−λt\widetilde N_t=N_t-\lambda t

是一个鞅。它的已实现二次变差为 [N~]t=Nt[\widetilde N]_t=N_t,而可预测二次变差为 λt\lambda t。这一区别区分了实际观测到的跳跃之和与其可预测补偿子。对于满足适当条件的可预测过程 HH,有

E[(∫0THs dN~s)2]=λ E∫0THs2 ds.\mathbb E\left[\left(\int_0^TH_s\,d\widetilde N_s\right)^2\right] =\lambda\,\mathbb E\int_0^TH_s^2\,ds.

因此,补偿跳跃积分具有与布朗积分类似的等距性质。

对于实值半鞅 XX 和二阶连续可微函数 ff,带跳跃的伊藤公式为

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}

这里,[X]c[X]^c 是二次变差的连续部分。有限大小的跳跃要求计入 ff 的完整变化,因此仅有二阶泰勒项并不足够。使用左极限 Xs−X_{s-} 可确保随机积分的被积过程具有可预测性。

更一般的跳跃模型使用泊松随机测度,其强度刻画了按时间和跳跃大小划分的预期跳跃次数。莱维过程具有平稳独立增量和随机连续性,可以包含漂移、布朗运动分量以及跳跃。其跳跃强度由莱维测度 ν\nu 描述,该测度满足

∫R(1∧z2) ν(dz)<∞.\int_{\mathbb R}(1\wedge z^2)\,\nu(dz)<\infty.

这一条件允许在有界时间区间内出现无穷多个小跳跃。

小跳跃的补偿取决于所采用的截断约定,漂移项也需作相应调整。这类模型会产生非局部的无穷小生成元:生成元不再仅依赖于当前点处的导数,还包含不同位置的函数值之差。复合泊松模型描述有界区间内次数有限的跳跃,而无限活跃的莱维模型则描述由小幅不连续变化构成的持续背景。

扩散生成元、偏微分方程与费曼–卡茨公式

对于时间齐次扩散过程

dXt=b(Xt) dt+σ(Xt) dWt,dX_t=b(X_t)\,dt+\sigma(X_t)\,dW_t,

其无穷小生成元为

Lf(x)=b(x)⋅∇f(x)+12tr⁡ ⁣(σ(x)σ(x)TD2f(x)).Lf(x)=b(x)\cdot\nabla f(x) +\frac12\operatorname{tr}\!\left( \sigma(x)\sigma(x)^{\mathsf T}D^2f(x) \right).

梯度和黑塞矩阵分别刻画空间上的一阶与二阶变化。伊藤公式表明,

f(Xt)−f(X0)−∫0tLf(Xs) dsf(X_t)-f(X_0)-\int_0^tLf(X_s)\,ds

是一个局部鞅。在适当的可积性与停时假设下,取期望便得到戴金公式。

生成元将随机轨道与偏微分方程联系起来。若

u(t,x)=E[g(XT)∣Xt=x],u(t,x)=\mathbb E[g(X_T)\mid X_t=x],

则在一定的正则性假设下,uu 满足后向柯尔莫哥洛夫方程

∂tu+Lu=0,u(T,x)=g(x).\partial_tu+Lu=0,\qquad u(T,x)=g(x).

密度 pp 所满足的相应前向方程为

∂tp=−∑i∂i(bip)+12∑i,j∂i∂j(aijp),a=σσT.\partial_tp =-\sum_i\partial_i(b_ip) +\frac12\sum_{i,j}\partial_i\partial_j(a_{ij}p), \qquad a=\sigma\sigma^{\mathsf T}.

这也称为福克–普朗克方程。

对于布朗运动,L=12ΔL=\tfrac12\Delta,因此其转移密度满足某种形式的热方程。这一联系解释了为什么热传播和随机位移中都会出现高斯核。更一般地,同一组局部系数既确定一个随机微分方程,也确定一个二阶微分算子。即使扩散矩阵退化,只要漂移向量场与扩散向量场之间具有适当的相互作用,仍可能产生光滑的密度;霍尔曼德型条件正是对此的表述。

费曼–卡茨公式引入势函数或贴现率 cc:

u(t,x)=Et,x[e−∫tTc(s,Xs) dsg(XT)].u(t,x)= \mathbb E_{t,x}\left[ e^{-\int_t^T c(s,X_s)\,ds}g(X_T) \right].

在适当的假设下,它满足

∂tu+Lu−cu=0\partial_tu+Lu-cu=0

且终端条件为 gg。偏微分方程中的源项对应于额外的时间积分的期望。对于边值问题,可以在扩散过程离开区域时将其停止,并在退出位置取给定的边界值,从而得到概率表示。

这些对应关系并不要求每个解都在经典意义下可微。鞅问题通过生成元来刻画过程:对于适当的一类检验函数,候选概率律必须使生成元恒等式所定义的过程成为鞅。当光滑性不足时,偏微分方程的黏性解与弱解表述拓展了分析方法的适用范围。在随机控制中,对漂移或扩散的选择进行优化,会产生非线性的哈密顿–雅可比–贝尔曼方程,从而将随机微积分与贝尔曼方程及动态规划联系起来。

数值模拟与近似

大多数随机微分方程没有显式解,因此需要用数值方法近似其路径或某些特定的期望值。对于

dXt=b(t,Xt) dt+σ(t,Xt) dWt,dX_t=b(t,X_t)\,dt+\sigma(t,X_t)\,dW_t,

欧拉–丸山方法采用如下格式:

Xn+1=Xn+b(tn,Xn)h+σ(tn,Xn)ΔWn,X_{n+1}=X_n+b(t_n,X_n)h+\sigma(t_n,X_n)\Delta W_n,

其中,增量 ΔWn\Delta W_n 是相互独立、均值为零、方差为 hh 的正态随机变量。这与求解常微分方程的欧拉方法类似,但噪声增量的尺度为 h\sqrt h,而不是 hh。

必须区分两种精度概念。强收敛通过一种耦合来衡量逐路径误差,在这种耦合下,数值近似与精确解由同一个布朗运动驱动。弱收敛衡量的则是期望值的误差,例如

∣E[φ(XT)]−E[φ(XN)]∣.\left|\mathbb E[\varphi(X_T)]-\mathbb E[\varphi(X_N)]\right|.

在标准的全局正则性假设下,欧拉–丸山方法的强收敛阶为 1/21/2,弱收敛阶为 11;其中,弱收敛结论要求系数和检验函数具有适当的光滑性。弱意义下精确的格式不一定能准确再现单条样本路径。

对于系数足够光滑的标量自治随机微分方程,米尔斯坦方法在欧拉更新公式中加入

12σ(Xn)σ′(Xn)((ΔWn)2−h)\frac12\sigma(X_n)\sigma'(X_n) \bigl((\Delta W_n)^2-h\bigr)

这一项。在适当假设下,这会将强收敛阶提高到 11。在多维系统中,类似的高阶方法会涉及包括莱维面积在内的迭代随机积分。除非交换噪声等结构条件能够简化公式,否则这些积分的模拟可能要复杂得多。

收敛性结论在很大程度上取决于系数的增长情况。对于某些漂移项呈超线性增长的方程,即使精确解表现良好,显式欧拉格式的矩也可能发散。隐式方法、驯化欧拉格式和保结构算法分别针对这一问题的不同方面。数值格式还可能违反模型的状态约束:一个简单的时间步进就可能为始终保持非负的连续时间过程给出负的近似值。因此,除了形式上的相容性,还必须单独检验稳定性和正性保持性质。

蒙特卡洛方法利用模拟轨迹估计期望值。在样本相互独立且方差有限的条件下,其标准抽样误差按 M−1/2M^{-1/2} 的尺度变化,其中 MM 为路径数。时间离散化偏差与抽样误差是两种不同的误差,必须同时加以控制。多层蒙特卡洛方法通过耦合不同分辨率下的模拟来降低计算成本。越障事件和首次通过相关量需要格外谨慎处理,因为离散观测可能遗漏网格点之间发生的事件;布朗桥修正和专门的停时近似方法可用于处理这类误差。

在物理学、金融、统计学与控制中的应用

在物理学中,朗之万方程描述物体在确定性力和随机驱动力作用下的运动。例如,势场 UU 中的过阻尼粒子可能满足

dXt=−μ∇U(Xt) dt+2μkBT dWt,dX_t=-\mu\nabla U(X_t)\,dt +\sqrt{2\mu k_BT}\,dW_t,

其中,μ\mu 为迁移率,kBk_B 为玻尔兹曼常数,TT 为绝对温度。当迁移率为常数、约束充分且边界条件适当时,平衡态概率密度正比于 e−U/(kBT)e^{-U/(k_BT)}。漂移与噪声振幅之间的关系体现了涨落–耗散平衡。若迁移率随位置变化,则会引入额外的漂移项,其形式取决于所采用的随机积分约定。

在数理金融中,几何布朗运动给出了经典 Black–Scholes 模型所依据的股票价格模型。对期权价值 V(t,St)V(t,S_t) 应用伊藤公式,并通过理想化的连续调整对冲策略消去布朗运动项,可得

Vt+12σ2S2VSS+rSVS−rV=0.V_t+\frac12\sigma^2S^2V_{SS}+rSV_S-rV=0.

这一方程依赖于若干特定假设,包括连续交易、基本形式中的模型参数恒定,以及不存在交易成本。随机波动率模型和跳跃模型放宽了价格动态的部分假设,但通常也会改变对冲特性和市场完备性。

在统计学中,连续时间模型将观测轨迹与未知的漂移参数和扩散参数联系起来。对于理想的连续观测路径,二次变差可以确定扩散强度的时间积分:

[X]T=∫0Tσt2 dt.[X]_T=\int_0^T\sigma_t^2\,dt.

漂移估计则有所不同,因为漂移以 dtdt 的量级累积,而噪声以 dt\sqrt{dt} 的量级波动。在固定时间区间内提高采样频率,通常无法获得与延长观测时段相同的漂移信息。测量噪声也可能使已实现二次变差的估计失真,因此需要采用适合观测机制的方法。

滤波研究如何根据含噪观测来估计未被直接观测的状态。卡尔曼–布西滤波器处理具有高斯噪声的线性连续时间系统,给出条件均值和误差协方差所满足的方程。非线性滤波以条件概率分布取代有限维状态估计,从而导出测度值随机演化方程。这不同于对含噪时间序列做简单的平滑处理:它明确地以观测陆续到达时可获得的信息为条件进行估计。

随机控制将决策过程 utu_t 引入系数中,并以运行成本和终端成本之和的期望为优化目标。动态规划导出哈密顿–雅可比–贝尔曼方程,而随机极大值原理则利用伴随过程给出必要条件。相关的倒向随机微分方程给定的是终端条件,而非初始条件:

Yt=ξ+∫tTf(s,Ys,Zs) ds−∫tTZs dWs.Y_t=\xi+\int_t^T f(s,Y_s,Z_s)\,ds-\int_t^TZ_s\,dW_s.

这类方程将非线性期望、控制与半线性偏微分方程联系起来。在上述每一种应用中,滤过都规定了观测者或控制者在作出决策时能够掌握哪些信息。

经典伊藤微积分之外的推广

经典伊藤微积分以半鞅为积分器,以非预见过程为被积过程。一些重要的过程并不属于这一框架。赫斯特参数为 H∈(0,1)H\in(0,1) 的分数布朗运动 BHB^H 具有协方差

E[BtHBsH]=12(t2H+s2H−∣t−s∣2H).\mathbb E[B_t^HB_s^H] =\frac12\left(t^{2H}+s^{2H}-|t-s|^{2H}\right).

当 H=1/2H=1/2 时,它就是普通布朗运动。对于其他参数值,其增量具有相关性,且在其自然滤过下不是半鞅。因此,对它进行积分需要引入额外结构,或采用不同的定义。

当被积函数与积分器的赫尔德指数之和大于一时,杨积分可以逐路径定义。对于 H>1/2H>1/2 的分数布朗运动,杨积分尤其适用于其具有足够正则性的泛函。更粗糙的信号则需要一阶路径以外的信息。粗糙路径理论通过为路径配备迭代积分来增强路径,进而构造在适当的增强路径拓扑下连续的解映射。对于布朗运动,不同的增强方式分别对应伊藤积分或斯特拉托诺维奇积分。

马利亚万微积分通过扰动底层噪声来对随机变量求导。其导数刻画了当驱动轨迹沿适当方向发生变化时,路径泛函如何随之变化。作为导数算子的伴随算子,散度算子将随机积分推广到某些预见性被积过程,并在适当的一类适应过程上与伊藤积分一致。马利亚万方法给出了概率密度存在性与光滑性的判据,还能导出可用于敏感性分析的分部积分恒等式。

无限维随机微积分研究希尔伯特空间等空间中的随机演化。例如,随机热方程将空间扩散与随机强迫相结合:

dut=Δut dt+F(ut) dt+G(ut) dWt.du_t=\Delta u_t\,dt+F(u_t)\,dt+G(u_t)\,dW_t.

其中的噪声可以是希尔伯特空间值维纳过程,也可以是柱状维纳过程,而算子 GG 必须满足适当条件,才能保证随机积分存在。温和解利用拉普拉斯算子生成的半群,从而不必假定每个解都具有经典意义下的空间导数。

有些随机偏微分方程过于奇异,无法直接定义其中的非线性项。时空白噪声可能使未知场只能取分布值,因此方程中出现的乘积需要经过重整化。正则性结构与旁控制分布为在精确假设下构造这类方程提供了框架。它们与粗糙路径的联系体现在方法上:必须为不规则数据补充精心组织的高阶对象,并在取极限的过程中追踪修正项。由此得到的解不仅取决于形式上的微分表达式,还取决于所指定的噪声、逼近过程以及重整化解释。