随机积分 是一种积分变量为随机过程 的积分 ,其被积函数通常也是随机过程。它的典型形式为
∫ 0 t H s d X s , \int_0^t H_s\,dX_s, ∫ 0 t H s d X s ,
其中,X X X 描述随机演化的信号,H H H 则规定如何对其增量加权。当 X X X 的路径极不规则时,通常的积分方法一般不再适用。随机积分利用概率信息、逐路径结构,或将两者结合起来,提供其他构造方法。
应用最广泛的构造是伊藤积分,它最初用于对维纳过程 进行积分,后来推广到范围广泛得多的过程类。另一种重要构造是斯特拉托诺维奇积分,它遵循普通微积分 中熟悉的变量替换法则,但与伊藤积分之间相差一个修正项,该修正项由相关过程的波动决定。两者并非同一种运算的两套记号,而是体现了不同的取极限方式。
随机积分是随机微分方程 、鞅论、扩散过程、数理金融以及描述物理系统涨落的模型的基础。随机积分理论解释了为什么随机涨落会在微分公式中产生额外项,如何在统一框架下处理连续噪声与不连续噪声,以及不同的近似方式会导出怎样的极限方程。
起源与普通积分的局限 对于足够规则的函数 x x x ,形如 ∫ h d x \int h\,dx ∫ h d x 的积分可以通过加权增量和构造:
∑ i h ( ξ i ) ( x ( t i + 1 ) − x ( t i ) ) . \sum_i h(\xi_i)\bigl(x(t_{i+1})-x(t_i)\bigr). i ∑ h ( ξ i ) ( x ( t i + 1 ) − x ( t i ) ) .
如果 x x x 的全变差有限且 h h h 连续,那么所得的黎曼–斯蒂尔切斯积分不受各子区间内取值点 ξ i \xi_i ξ i 选取方式的影响。布朗运动的表现则不同:几乎每条路径都是连续的,但在任意非退化紧区间上的全变差均为无穷大。因此,普通的有限变差积分无法为以布朗运动路径为积分器的积分提供一般性定义。
其中起决定作用的特征是二次变差 。对于布朗运动 W W W ,沿着 [ 0 , t ] [0,t] [ 0 , t ] 上网格宽度趋于零的确定性分割,有
∑ i ( W t i + 1 − W t i ) 2 ⟶ t \sum_i\bigl(W_{t_{i+1}}-W_{t_i}\bigr)^2 \longrightarrow t i ∑ ( W t i + 1 − W t i ) 2 ⟶ t
依概率成立。相比之下,连续有限变差函数的二次变差为零。在长度为 Δ t \Delta t Δ t 的区间上,布朗运动增量的典型大小为 Δ t \sqrt{\Delta t} Δ t ,因此,即使各个增量趋于零,其平方的累加仍为一阶量。
这种性质使取值约定变得至关重要。代数恒等式
W t 2 = 2 ∑ i W t i ( W t i + 1 − W t i ) + ∑ i ( W t i + 1 − W t i ) 2 W_t^2 = 2\sum_i W_{t_i}(W_{t_{i+1}}-W_{t_i}) +\sum_i(W_{t_{i+1}}-W_{t_i})^2 W t 2 = 2 i ∑ W t i ( W t i + 1 − W t i ) + i ∑ ( W t i + 1 − W t i ) 2
表明,采用左端点取值的和收敛于
∫ 0 t W s d W s = 1 2 ( W t 2 − t ) . \int_0^t W_s\,dW_s=\frac12(W_t^2-t). ∫ 0 t W s d W s = 2 1 ( W t 2 − t ) .
相比之下,采用两端点函数值的算术平均数所得到的和满足
∑ i W t i + W t i + 1 2 ( W t i + 1 − W t i ) = 1 2 W t 2 . \sum_i\frac{W_{t_i}+W_{t_{i+1}}}{2} (W_{t_{i+1}}-W_{t_i}) =\frac12W_t^2. i ∑ 2 W t i + W t i + 1 ( W t i + 1 − W t i ) = 2 1 W t 2 .
两者的差异是二次变差所带来的结构性结果,而非数值误差。
随机积分源于二十世纪概率论的多条发展脉络。诺伯特·维纳 在二十世纪二十年代于连续布朗运动路径空间上构造了数学测度,并发展了针对确定性被积函数的积分。伊藤清自二十世纪四十年代开始的工作,使对随机、非预见性被积过程进行积分成为可能,也使人们能够建立由布朗运动驱动的微分方程。鲁斯兰·斯特拉托诺维奇在二十世纪五十年代引入了另一种积分约定,保留了普通的链式法则。
后来的发展将随机积分与鞅 的一般理论以及带跳跃的过程联系起来。这一发展使核心问题从随机路径是否具有普通导数,转变为哪些类别的积分器能够支持稳定的积分运算。现代的答案既取决于积分器的路径性质,也取决于选取被积过程时可获得的信息。
伊藤积分的构造 布朗运动的伊藤积分建立在带滤过的概率空间 上:
( Ω , F , ( F t ) t ≥ 0 , P ) . (\Omega,\mathcal F,(\mathcal F_t)_{t\geq0},\mathbb P). ( Ω , F , ( F t ) t ≥ 0 , P ) .
滤过 ( F t ) (\mathcal F_t) ( F t ) 记录截至时刻 t t t 所能获得的信息。布朗运动 W W W 适应于该滤过,且当 t > s t>s t > s 时,W t − W s W_t-W_s W t − W s 与 F s \mathcal F_s F s 相互独立。因此,信息结构也是定义的一部分:相对于某个滤过而言是布朗运动的过程,在加入未来信息后,未必仍是布朗运动。
对于初等可预测被积过程
H s = ∑ i = 0 n − 1 ξ i 1 ( t i , t i + 1 ] ( s ) , H_s=\sum_{i=0}^{n-1}\xi_i\mathbf1_{(t_i,t_{i+1}]}(s), H s = i = 0 ∑ n − 1 ξ i 1 ( t i , t i + 1 ] ( s ) ,
其中 ξ i \xi_i ξ i 是 F t i \mathcal F_{t_i} F t i -可测的,定义
∫ 0 T H s d W s = ∑ i = 0 n − 1 ξ i ( W t i + 1 − W t i ) . \int_0^T H_s\,dW_s = \sum_{i=0}^{n-1}\xi_i(W_{t_{i+1}}-W_{t_i}). ∫ 0 T H s d W s = i = 0 ∑ n − 1 ξ i ( W t i + 1 − W t i ) .
与某个增量相乘的系数,必须在该增量发生之前选定。这一非预见性条件至关重要:它保证该系数与即将发生的布朗运动增量,在构造所要求的条件意义下相互独立。
对于平方可积的初等过程,在对上述和的平方取期望时,独立性和条件均值为零的性质使交叉项消失。由此得到伊藤等距公式 :
E [ ∣ ∫ 0 T H s d W s ∣ 2 ] = E ∫ 0 T ∣ H s ∣ 2 d s . \mathbb E\left[\left|\int_0^T H_s\,dW_s\right|^2\right] = \mathbb E\int_0^T|H_s|^2\,ds. E ∫ 0 T H s d W s 2 = E ∫ 0 T ∣ H s ∣ 2 d s .
这一恒等式将随机积分平方的期望值 与普通积分联系起来,也给出了扩展定义所需的连续性估计。
满足
E ∫ 0 T ∣ H s ∣ 2 d s < ∞ \mathbb E\int_0^T|H_s|^2\,ds<\infty E ∫ 0 T ∣ H s ∣ 2 d s < ∞
的可预测过程,可以在右侧表达式所确定的范数下用初等过程逼近。这些初等过程的积分随后在平方可积随机变量 空间中收敛,其极限就定义为伊藤积分。希尔伯特空间 结构保证了结果不依赖于所选的逼近序列。这一构造同样适用于循序可测的平方可积被积过程,但须按乘积测度 d t d P dt\,d\mathbb P d t d P 下相应的等价关系来识别被积过程。
积分过程
M t = ∫ 0 t H s d W s M_t=\int_0^tH_s\,dW_s M t = ∫ 0 t H s d W s
具有连续版本,并且在上述可积性条件下是平方可积鞅。特别地,M 0 = 0 M_0=0 M 0 = 0 ,且 E [ M t ] = 0 \mathbb E[M_t]=0 E [ M t ] = 0 。它的增量未必相互独立,也未必服从正态分布:当 H H H 是随机过程时,这些更强的性质一般并不成立。
通过局部化,可以将定义推广到仅要求对每个有限的 T T T 都满足
∫ 0 T ∣ H s ∣ 2 d s < ∞ almost surely \int_0^T|H_s|^2\,ds<\infty \quad\text{almost surely} ∫ 0 T ∣ H s ∣ 2 d s < ∞ almost surely
的可预测过程 H H H 。具体做法是在被积过程平方的累积积分变得过大之前停止该过程,构造相应的停止积分,再以相容的方式将它们拼接起来。所得积分是连续局部鞅,但未必是真鞅,也未必具有有限的二阶矩。
二次变差与伊藤微积分 伊藤积分有一套相应的微积分理论,其中二次波动会对微分产生贡献。若
M t = ∫ 0 t H s d W s , M_t=\int_0^tH_s\,dW_s, M t = ∫ 0 t H s d W s ,
则其二次变差为
[ M ] t = ∫ 0 t H s 2 d s . [M]_t=\int_0^tH_s^2\,ds. [ M ] t = ∫ 0 t H s 2 d s .
对于两个这样的积分,
M t = ∫ 0 t H s d W s , N t = ∫ 0 t K s d W s , M_t=\int_0^tH_s\,dW_s, \qquad N_t=\int_0^tK_s\,dW_s, M t = ∫ 0 t H s d W s , N t = ∫ 0 t K s d W s ,
它们的二次协变差为
[ M , N ] t = ∫ 0 t H s K s d s . [M,N]_t=\int_0^tH_sK_s\,ds. [ M , N ] t = ∫ 0 t H s K s d s .
这些恒等式刻画了随机增量的累积大小及其共同波动,而非通常意义上的全变差。
假设在通常的局部可积条件下,
X t = X 0 + ∫ 0 t b s d s + ∫ 0 t σ s d W s X_t=X_0+\int_0^t b_s\,ds+\int_0^t\sigma_s\,dW_s X t = X 0 + ∫ 0 t b s d s + ∫ 0 t σ s d W s
成立。对于关于时间具有连续一阶导数、关于空间具有连续二阶导数的函数 f ( t , x ) f(t,x) f ( t , x ) ,伊藤公式 给出
d f ( t , X t ) = ( ∂ t f + b t ∂ x f + 1 2 σ t 2 ∂ x x f ) ( t , X t ) d t + σ t ∂ x f ( t , X t ) d W t . df(t,X_t) = \left( \partial_t f+b_t\partial_x f +\frac12\sigma_t^2\partial_{xx}f \right)(t,X_t)\,dt + \sigma_t\partial_xf(t,X_t)\,dW_t. df ( t , X t ) = ( ∂ t f + b t ∂ x f + 2 1 σ t 2 ∂ xx f ) ( t , X t ) d t + σ t ∂ x f ( t , X t ) d W t .
沿光滑路径进行普通微分时,并不存在与此处二阶导数项对应的项。二阶泰勒级数 展开解释了这一项的来源:布朗运动增量的平方在求和后仍有贡献,而相关的高阶余项则在适当的局部化处理下趋于零。
例如,将公式应用于 f ( x ) = x 2 f(x)=x^2 f ( x ) = x 2 ,可得
d ( W t 2 ) = 2 W t d W t + d t . d(W_t^2)=2W_t\,dW_t+dt. d ( W t 2 ) = 2 W t d W t + d t .
若将其应用于 f ( t , x ) = exp ( x − t / 2 ) f(t,x)=\exp(x-t/2) f ( t , x ) = exp ( x − t /2 ) ,则得到
d exp ( W t − t / 2 ) = exp ( W t − t / 2 ) d W t . d\exp(W_t-t/2)=\exp(W_t-t/2)\,dW_t. d exp ( W t − t /2 ) = exp ( W t − t /2 ) d W t .
修正项 − t / 2 -t/2 − t /2 恰好抵消了额外的二阶项。这个指数过程是正鞅的一个重要例子,也是构造概率测度变换的基本要素。
对于连续半鞅,相应的乘积法则为
d ( X t Y t ) = X t d Y t + Y t d X t + d [ X , Y ] t d(X_tY_t)=X_t\,dY_t+Y_t\,dX_t+d[X,Y]_t d ( X t Y t ) = X t d Y t + Y t d X t + d [ X , Y ] t
因此,随机分部积分法 包含一个协变差项。在非严格计算中常用的记号 d W t d W t = d t dW_t\,dW_t=dt d W t d W t = d t 概括了这一性质;它并不表示无穷小实数之间的实际乘法。
在多维情形下,设 W W W 为标准的 m m m 维布朗运动,且 d X = b d t + σ d W dX=b\,dt+\sigma\,dW d X = b d t + σ d W ,其中 σ \sigma σ 为一个 n × m n\times m n × m 矩阵 。此时,二阶项变为
1 2 ∑ i , j = 1 n ( σ σ T ) i j ∂ i j f d t . \frac12\sum_{i,j=1}^{n} (\sigma\sigma^{\mathsf T})_{ij} \,\partial_{ij}f\,dt. 2 1 i , j = 1 ∑ n ( σ σ T ) ij ∂ ij f d t .
矩阵 σ σ T \sigma\sigma^{\mathsf T} σ σ T 是 X X X 中噪声的瞬时协方差矩阵。它决定了与该扩散过程相关的二阶微分算子,并将随机积分与偏微分方程 直接联系起来。
半鞅、局部化与跳跃 布朗运动并不是具有实用价值的最一般的积分器。标准的一般框架采用半鞅 ,即可以分解为下式的过程:
其中,M M M 是局部鞅,A A A 是局部有限变差的适应过程。通常假定过程的路径右连续且具有左极限,这一正则性条件称为 càdlàg。对于可预测被积过程 H H H ,积分可分解为
∫ H d X = ∫ H d M + ∫ H d A . \int H\,dX=\int H\,dM+\int H\,dA. ∫ H d X = ∫ H d M + ∫ H d A .
第二项是逐路径定义的勒贝格–斯蒂尔切斯积分;第一项则需要借助鞅积分的构造和局部化。
当积分器存在跳跃时,可预测性尤为重要。如果 Y Y Y 是适应的 càdlàg 过程,那么其左极限过程 Y t − Y_{t-} Y t − 是可预测的,表示时刻 t t t 紧前的值。在跳跃时刻,
Δ ( H ⋅ X ) t = H t Δ X t . \Delta(H\cdot X)_t=H_t\Delta X_t. Δ ( H ⋅ X ) t = H t Δ X t .
因此,对于写成 d Y t = Y t − d X t dY_t=Y_{t-}\,dX_t d Y t = Y t − d X t 的方程,乘子是跳跃前的状态。将其替换为跳跃后的值,通常会改变方程,并可能引入对未来信息的依赖。
一个基本例子是强度为 λ \lambda λ 的泊松过程 N t N_t N t 。它在有界区间内几乎必然只有有限次跳跃,因此
∫ 0 t H s d N s = ∑ 0 < s ≤ t H s Δ N s . \int_0^tH_s\,dN_s = \sum_{0<s\leq t}H_s\Delta N_s. ∫ 0 t H s d N s = 0 < s ≤ t ∑ H s Δ N s .
它的补偿过程 N ~ t = N t − λ t \widetilde N_t=N_t-\lambda t N t = N t − λ t 是一个鞅。对于满足适当条件的可预测过程 H H H ,
E [ ( ∫ 0 T H s d N ~ s ) 2 ] = λ E ∫ 0 T H s 2 d s . \mathbb E\left[ \left(\int_0^T H_s\,d\widetilde N_s\right)^2 \right] = \lambda\mathbb E\int_0^T H_s^2\,ds. E ( ∫ 0 T H s d N s ) 2 = λ E ∫ 0 T H s 2 d s .
补偿减去了可预测的平均跳跃累积量,同时保留了随机波动。
伊藤公式还必须计入并非无穷小的跳跃。对于实值半鞅 X X X 和二阶连续可微函数 f f f ,
f ( X t ) = f ( X 0 ) + ∫ 0 t f ′ ( X s − ) d X s + 1 2 ∫ 0 t f ′ ′ ( X s − ) d [ X ] s c + ∑ 0 < s ≤ t [ f ( X s ) − f ( X s − ) − f ′ ( X s − ) Δ X s ] . \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} f ( X t ) = f ( X 0 ) + ∫ 0 t f ′ ( X s − ) d X s + 2 1 ∫ 0 t f ′′ ( X s − ) d [ X ] s c + 0 < s ≤ t ∑ [ f ( X s ) − f ( X s − ) − f ′ ( X s − ) Δ X s ] .
这里,[ X ] c [X]^c [ X ] c 是二次变差的连续部分。跳跃求和项保留了每次跳跃时精确的非线性变化,而不是仅用二次项来近似。
半鞅的重要性还体现在结构层面。比希特勒–德拉舍里刻画表明,在通常的过程假设下,半鞅恰好是“良好积分器”:对于有界初等可预测过程,当被积过程一致趋于零时,相应的积分具有适当的连续性。不属于这一类的过程仍可能容许有意义的积分,但通常需要采用不同的拓扑、利用额外的路径信息,或对被积过程施加限制。
斯特拉托诺维奇约定与光滑逼近 对于连续半鞅 H H H 和 X X X ,斯特拉托诺维奇积分 定义为
∫ 0 t H s ∘ d X s = ∫ 0 t H s d X s + 1 2 [ H , X ] t . \int_0^tH_s\circ dX_s = \int_0^tH_s\,dX_s+\frac12[H,X]_t. ∫ 0 t H s ∘ d X s = ∫ 0 t H s d X s + 2 1 [ H , X ] t .
其中的圆圈用于将其与伊藤积分区分开来。在标准条件下,它也可以通过对称端点和的极限得到。当 H H H 的路径连续且具有有限变差时,修正项为零;但当 H H H 本身也受到与 X X X 相同的噪声驱动时,修正项通常不为零。
它的突出优点是具有与普通微积分类似的链式法则 。对于连续半鞅 X X X 和足够光滑的 f f f ,有
d f ( X t ) = f ′ ( X t ) ∘ d X t . df(X_t)=f'(X_t)\circ dX_t. df ( X t ) = f ′ ( X t ) ∘ d X t .
因此,
∫ 0 t W s ∘ d W s = 1 2 W t 2 , \int_0^tW_s\circ dW_s=\frac12W_t^2, ∫ 0 t W s ∘ d W s = 2 1 W t 2 ,
而相应的伊藤积分为 ( W t 2 − t ) / 2 (W_t^2-t)/2 ( W t 2 − t ) /2 。二阶项的贡献并未消失,而是被纳入了积分的定义,不再显式出现在变量替换公式中。
在适当的光滑性条件下,标量斯特拉托诺维奇方程
d X t = a ( X t ) d t + b ( X t ) ∘ d W t dX_t=a(X_t)\,dt+b(X_t)\circ dW_t d X t = a ( X t ) d t + b ( X t ) ∘ d W t
等价于伊藤方程
d X t = ( a ( X t ) + 1 2 b ( X t ) b ′ ( X t ) ) d t + b ( X t ) d W t . dX_t= \left(a(X_t)+\frac12b(X_t)b'(X_t)\right)dt +b(X_t)\,dW_t. d X t = ( a ( X t ) + 2 1 b ( X t ) b ′ ( X t ) ) d t + b ( X t ) d W t .
只有经过这一漂移调整,两个方程才描述同一个过程。在不同的积分约定下使用相同的漂移系数和扩散系数,通常会得到不同的模型。
在乘性噪声的情形下,这一区别尤为明显。方程
d X t = σ X t ∘ d W t dX_t=\sigma X_t\circ dW_t d X t = σ X t ∘ d W t
的解为 X t = X 0 e σ W t X_t=X_0e^{\sigma W_t} X t = X 0 e σ W t 。其伊藤形式的漂移项为 1 2 σ 2 X t \tfrac12\sigma^2X_t 2 1 σ 2 X t 。相比之下,伊藤方程 d X t = σ X t d W t dX_t=\sigma X_t\,dW_t d X t = σ X t d W t 的解为 X 0 e σ W t − σ 2 t / 2 X_0e^{\sigma W_t-\sigma^2t/2} X 0 e σ W t − σ 2 t /2 。当 X 0 X_0 X 0 为固定常数时,后者的期望保持不变,而前者通常并非如此。
Wong–Zakai 逼近结果解释了为什么在用光滑信号逼近布朗运动时,常常会出现斯特拉托诺维奇积分。在适当的假设下,由布朗运动的分段光滑逼近所驱动的常微分方程,其解收敛于某个斯特拉托诺维奇方程的解。这一结论取决于具体的逼近方式;经过特殊构造的多维逼近可能产生额外的修正项。
斯特拉托诺维奇记法在流形 上也很有用。由于普通链式法则仍然成立,通过光滑向量场 表达的方程在坐标变换下具有自然的变换形式。伊藤方程同样可以描述取值于流形的过程,但其坐标表达式需要包含二阶变换项。对于跳跃过程,斯特拉托诺维奇思想有多种不同的推广;仅凭连续过程情形下的简单转换公式,并不能确定所采用的是哪一种跳跃积分约定。
随机微分方程与扩散模型 随机微分方程通过随机积分来解释,而不是通过布朗运动对时间的普通导数来解释。表达式
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
的含义是
X t = X 0 + ∫ 0 t b ( s , X s ) d s + ∫ 0 t σ ( s , X s ) d W s . X_t=X_0+\int_0^t b(s,X_s)\,ds +\int_0^t\sigma(s,X_s)\,dW_s. X t = X 0 + ∫ 0 t b ( s , X s ) d s + ∫ 0 t σ ( s , X s ) d W s .
漂移积分描述累积的有限变差运动,而随机积分描述大小和方向取决于当前状态的波动。
当 b b b 和 σ \sigma σ 满足全局利普希茨连续性 和线性增长条件,且初始条件适当时,该方程存在唯一的非爆炸强解。这里的“强”是指解由给定的布朗运动和初始数据构造而成,并不是指经典意义上的可微性。局部利普希茨条件通常能保证解在可能的爆炸时刻之前存在且唯一。弱解则允许将概率空间和驱动方程的布朗运动也作为构造的一部分。
奥恩斯坦–乌伦贝克方程
d X t = − θ X t d t + σ d W t , θ > 0 , dX_t=-\theta X_t\,dt+\sigma\,dW_t, \qquad \theta>0, d X t = − θ X t d t + σ d W t , θ > 0 ,
展示了通常的常数变易法如何与随机积分相结合:
X t = e − θ t X 0 + σ ∫ 0 t e − θ ( t − s ) d W s . X_t=e^{-\theta t}X_0 +\sigma\int_0^t e^{-\theta(t-s)}\,dW_s. X t = e − θ t X 0 + σ ∫ 0 t e − θ ( t − s ) d W s .
当 X 0 X_0 X 0 为确定值时,解服从高斯分布,均值为 e − θ t X 0 e^{-\theta t}X_0 e − θ t X 0 ,方差为
σ 2 2 θ ( 1 − e − 2 θ t ) . \frac{\sigma^2}{2\theta}(1-e^{-2\theta t}). 2 θ σ 2 ( 1 − e − 2 θ t ) .
极限方差反映了确定性弛豫与持续随机驱动之间的平衡。
对于时间齐次扩散过程,伊藤公式给出了其无穷小生成元:
L f ( x ) = b ( x ) ⋅ ∇ f ( x ) + 1 2 ∑ i , j ( σ σ T ) i j ( x ) ∂ i j f ( x ) . Lf(x)=b(x)\cdot\nabla f(x) +\frac12\sum_{i,j}(\sigma\sigma^{\mathsf T})_{ij}(x) \partial_{ij}f(x). L f ( x ) = b ( x ) ⋅ ∇ f ( x ) + 2 1 i , j ∑ ( σ σ T ) ij ( x ) ∂ ij f ( x ) .
当存在足够正则的转移密度 p ( t , x ) p(t,x) p ( t , x ) 时,它满足前向方程
∂ t p = − ∑ i ∂ i ( b i p ) + 1 2 ∑ i , j ∂ i ∂ j ( ( σ σ T ) i j p ) . \partial_t p = -\sum_i\partial_i(b_ip) +\frac12\sum_{i,j} \partial_i\partial_j\bigl((\sigma\sigma^{\mathsf T})_{ij}p\bigr). ∂ t p = − i ∑ ∂ i ( b i p ) + 2 1 i , j ∑ ∂ i ∂ j ( ( σ σ T ) ij p ) .
该方程描述的是整个概率分布的演化,而非单条样本路径的演化。
费曼–卡茨公式 从另一个角度建立了与微分方程的联系。在适当的正则性和可积性假设下,
u ( t , x ) = E t , x [ e − ∫ t T V ( X s ) d s g ( X T ) ] u(t,x)= \mathbb E_{t,x}\left[ e^{-\int_t^T V(X_s)\,ds}g(X_T) \right] u ( t , x ) = E t , x [ e − ∫ t T V ( X s ) d s g ( X T ) ]
满足
∂ t u + L u − V u = 0 , u ( T , x ) = g ( x ) . \partial_tu+Lu-Vu=0, \qquad u(T,x)=g(x). ∂ t u + Lu − V u = 0 , u ( T , x ) = g ( x ) .
对 u ( s , X s ) u(s,X_s) u ( s , X s ) 贴现后的过程应用伊藤公式,就能明确看出这种联系:偏微分方程使其漂移项抵消,剩下一个局部鞅。这类表示为研究热传导、带杀死机制的扩散、边值问题,以及通过随机抽样进行数值计算提供了概率方法。
鞅表示、测度变换与金融 随机积分可以从基本的噪声源重构鞅。在布朗运动的完备化自然滤过下,每个在时刻 T T T 可测的平方可积终端随机变量 F F F 都可表示为
F = E [ F ] + ∫ 0 T H s d W s F=\mathbb E[F]+\int_0^T H_s\,dW_s F = E [ F ] + ∫ 0 T H s d W s
其中,被积过程 H H H 是可预测且平方可积的,并且在 d t d P dt\,d\mathbb P d t d P 几乎处处相等的意义下唯一。等价地,
E [ F ∣ F t ] = E [ F ] + ∫ 0 t H s d W s . \mathbb E[F\mid\mathcal F_t] = \mathbb E[F]+\int_0^tH_s\,dW_s. E [ F ∣ F t ] = E [ F ] + ∫ 0 t H s d W s .
这是鞅表示定理 的一种形式。
这一结果取决于所采用的滤过,而不只是取决于是否存在布朗运动。如果滤过包含额外的独立随机源,仅靠布朗运动的随机积分未必能表示该滤过下的所有鞅。在由跳跃驱动的滤过中,补偿跳跃积分起着相应的作用。表示定理刻画了哪些随机波动可以通过现有的驱动过程来表达。
随机指数为概率测度变换提供了一种相关机制。对于可预测过程 θ \theta θ ,考虑
Z t = exp ( − ∫ 0 t θ s d W s − 1 2 ∫ 0 t θ s 2 d s ) . Z_t= \exp\left( -\int_0^t\theta_s\,dW_s -\frac12\int_0^t\theta_s^2\,ds \right). Z t = exp ( − ∫ 0 t θ s d W s − 2 1 ∫ 0 t θ s 2 d s ) .
这个过程是正的局部鞅。使其在 [ 0 , T ] [0,T] [ 0 , T ] 上成为真鞅的一个充分条件是诺维科夫条件:
E exp ( 1 2 ∫ 0 T θ s 2 d s ) < ∞ . \mathbb E\exp\left(\frac12\int_0^T\theta_s^2\,ds\right)<\infty. E exp ( 2 1 ∫ 0 T θ s 2 d s ) < ∞.
当 Z T Z_T Z T 通过 d Q = Z T d P d\mathbb Q=Z_T\,d\mathbb P d Q = Z T d P 定义概率测度 Q \mathbb Q Q 时,吉尔萨诺夫定理 指出,
W t Q = W t + ∫ 0 t θ s d s W_t^{\mathbb Q}=W_t+\int_0^t\theta_s\,ds W t Q = W t + ∫ 0 t θ s d s
是测度 Q \mathbb Q Q 下的布朗运动。这种变换改变了漂移,但二次变差保持不变。
在连续时间金融中,可预测交易策略 H t H_t H t 指定了依据下一次价格变动之前可获得的信息所选择的持仓。如果 S S S 是半鞅价格过程,其累积交易收益为
G t = ∫ 0 t H s d S s . G_t=\int_0^tH_s\,dS_s. G t = ∫ 0 t H s d S s .
可预测性排除了在观察到某次价格增量之后,才选择适用于该增量的头寸。S S S 的有限变差部分产生通常意义上的累积收益,而其局部鞅部分则产生随机收益。
在理想化的布莱克–斯科尔斯模型中,
d S t = μ S t d t + σ S t d W t , dS_t=\mu S_t\,dt+\sigma S_t\,dW_t, d S t = μ S t d t + σ S t d W t ,
适当的测度变换可将漂移 μ \mu μ 替换为无风险利率 r r r 。于是,贴现后的价格在变换后的测度下成为鞅。鞅表示提供了利用可交易资产和银行账户复制适当或有索取权的数学机制。
这些结论依赖于明确的假设,包括所采用的滤过、允许的交易策略、可积性,以及不存在某些指定的市场摩擦。在包含不可交易随机源的模型中,相对于可交易资产的鞅表示可能不成立,或有索取权也可能不存在唯一的复制价格。随机积分将收益形式化,但它本身并不能确立市场的完备性。
近似与数值计算 随机积分通常通过模拟增量来计算,而不是构造整条连续样本路径。对于网格 t n = n Δ t t_n=n\Delta t t n = n Δ t 上的布朗运动,其增量相互独立,且满足
Δ W n = W t n + 1 − W t n ∼ N ( 0 , Δ t ) . \Delta W_n=W_{t_{n+1}}-W_{t_n} \sim N(0,\Delta t). Δ W n = W t n + 1 − W t n ∼ N ( 0 , Δ t ) .
对于适应的阶梯近似 H n H_n H n ,和式
∑ n H n Δ W n \sum_nH_n\Delta W_n n ∑ H n Δ W n
本身就是相应分段常值过程的精确伊藤积分。数值误差来自对目标被积过程的近似,或对决定该过程的解的近似。
用于伊藤方程的欧拉–丸山方法 为
X n + 1 = X n + b ( t n , X n ) Δ t + σ ( t n , X n ) Δ W n . X_{n+1} = X_n+b(t_n,X_n)\Delta t +\sigma(t_n,X_n)\Delta W_n. X n + 1 = X n + b ( t n , X n ) Δ t + σ ( t n , X n ) Δ W n .
在左端点计算系数体现了非预见性约定。在标准的全局正则性条件和矩条件下,该方法的强收敛阶为 1 / 2 1/2 1/2 :在固定终止时刻,典型的均方根误差为 O ( ( Δ t ) 1 / 2 ) O((\Delta t)^{1/2}) O (( Δ t ) 1/2 ) 。若再满足额外的光滑性条件,其弱收敛阶通常为 1 1 1 ,即对足够光滑的检验函数,其期望值的误差为 O ( Δ t ) O(\Delta t) O ( Δ t ) 。
强精度和弱精度回答的是不同的问题。强近似将数值路径与由同一条布朗路径驱动的精确解进行比较。弱近似则通过检验函数的期望来比较分布。计算终端收益的平均值可能只需考虑弱精度,而逐路径耦合、滤波算法或停时事件的近似则可能需要更精细的误差控制。
对于系数足够光滑的标量方程,米尔斯坦方法 增加了一项,以计入迭代随机积分的贡献:
X n + 1 = X n + b ( X n ) Δ t + σ ( X n ) Δ W n + 1 2 σ ( X n ) σ ′ ( X n ) ( ( Δ W n ) 2 − Δ t ) . \begin{aligned} X_{n+1}={}&X_n+b(X_n)\Delta t+\sigma(X_n)\Delta W_n\\ &+\frac12\sigma(X_n)\sigma'(X_n) \bigl((\Delta W_n)^2-\Delta t\bigr). \end{aligned} X n + 1 = X n + b ( X n ) Δ t + σ ( X n ) Δ W n + 2 1 σ ( X n ) σ ′ ( X n ) ( ( Δ W n ) 2 − Δ t ) .
这一修正项源于
∫ t n t n + 1 ∫ t n s d W u d W s = 1 2 ( ( Δ W n ) 2 − Δ t ) . \int_{t_n}^{t_{n+1}} \int_{t_n}^{s}dW_u\,dW_s = \frac12\bigl((\Delta W_n)^2-\Delta t\bigr). ∫ t n t n + 1 ∫ t n s d W u d W s = 2 1 ( ( Δ W n ) 2 − Δ t ) .
在适当的假设下,该修正将强收敛阶提高到 1 1 1 。在多维情形中,高阶格式可能需要包括莱维面积在内的交叉迭代积分,而这些积分无法仅由布朗运动的端点增量确定。
数值稳定性与积分约定的一致性是两个不同的问题。将普通的光滑路径求解器用于插值后的布朗运动数据,可能得到斯特拉托诺维奇方程的近似,而非原本想求解的伊藤方程的近似。反过来,如果模型以斯特拉托诺维奇形式给出,却未经转换就采用左端点随机格式,也可能引入错误的漂移项。对于某些系数呈超线性增长的方程,即使精确解表现良好,显式欧拉–丸山方法的矩也可能发散。
蒙特卡洛方法 在离散化误差之外还会引入抽样误差。当模拟结果相互独立且方差有限时,样本均值的标准误差按样本量平方根的倒数成比例下降。因此,减小时间步长并不能消除统计误差,增加路径数量也不能消除时间离散化不准确造成的偏差。
经典半鞅积分之外的推广 经典伊藤理论适用范围很广,但并不能涵盖所有随机信号。一个重要例子是分数布朗运动 B H B^H B H ,它是均值为零的高斯过程,协方差为
E [ B t H B s H ] = 1 2 ( t 2 H + s 2 H − ∣ t − s ∣ 2 H ) , 0 < H < 1. \mathbb E[B_t^HB_s^H] = \frac12\left(t^{2H}+s^{2H}-|t-s|^{2H}\right), \qquad 0<H<1. E [ B t H B s H ] = 2 1 ( t 2 H + s 2 H − ∣ t − s ∣ 2 H ) , 0 < H < 1.
当 H = 1 / 2 H=1/2 H = 1/2 时,它就是普通布朗运动。取其他值时,它在自身的自然滤过下不是半鞅。对于任意小于 H H H 的阶数,其路径都具有局部 Hölder 连续性,而参数 H H H 还控制着增量之间的相依性。
一种逐路径的替代方法是杨积分。若 h h h 和 x x x 分别具有指数为 α \alpha α 和 β \beta β 的 Hölder 连续性,且
α + β > 1 , \alpha+\beta>1, α + β > 1 ,
则可将 ∫ h d x \int h\,dx ∫ h d x 定义为普通增量和的极限,无须引入概率意义上的修正。这种方法尤其适用于 H > 1 / 2 H>1/2 H > 1/2 的分数布朗运动,前提是被积函数具有足够的正则性。它通常无法处理布朗运动关于自身的积分,因为布朗运动的 Hölder 指数小于 1 / 2 1/2 1/2 。
特里·莱昂斯于 20 世纪 90 年代发展了粗糙路径理论 ,通过为信号增添迭代积分来扩展逐路径积分。对于粗糙程度对应于 2 < p < 3 2<p<3 2 < p < 3 的路径,一阶增量和二阶迭代积分构成了主要数据。后者记录了有向面积等信息,而这些信息无法仅凭原始路径的一致收敛以连续方式恢复。不同的增强方式可以刻画伊藤型或斯特拉托诺维奇型行为。这一方法将微分方程的确定性连续性结果与其驱动信号的概率构造分离开来。
另一种推广使用马利亚万分析 。其中的散度算子为某些可能依赖于未来噪声的被积过程定义了斯科罗霍德积分。当被积过程适应于所考虑的滤过,并满足相应的平方可积条件时,这种积分与伊藤积分一致。然而,对于预见型被积过程,它是一种不同的运算,可通过与高斯概率空间上微分运算之间的对偶关系来刻画。不能简单地将其理解为去掉非预见性限制后的伊藤和。
要描述函数空间中的随机演化,就需要无穷维随机积分。若 W Q W^Q W Q 是取值于希尔伯特空间、协方差算子为 Q Q Q 的维纳过程,则算子值过程 Φ \Phi Φ 的可积性由如下形式的条件决定:
E ∫ 0 T ∥ Φ s Q 1 / 2 ∥ H S 2 d s < ∞ , \mathbb E\int_0^T \|\Phi_sQ^{1/2}\|_{\mathrm{HS}}^2\,ds<\infty, E ∫ 0 T ∥ Φ s Q 1/2 ∥ HS 2 d s < ∞ ,
其中,∥ ⋅ ∥ H S \|\cdot\|_{\mathrm{HS}} ∥ ⋅ ∥ HS 是希尔伯特–施密特范数。柱状维纳噪声需要相应的构造,因为它未必能定义为取值于底层希尔伯特空间的随机变量。
这些积分通过随机卷积等表达式出现在随机偏微分方程 中,例如
X t = S ( t ) X 0 + ∫ 0 t S ( t − s ) Φ s d W s , X_t=S(t)X_0+\int_0^tS(t-s)\Phi_s\,dW_s, X t = S ( t ) X 0 + ∫ 0 t S ( t − s ) Φ s d W s ,
其中,S ( t ) S(t) S ( t ) 是某个确定性方程的演化半群。S ( t ) S(t) S ( t ) 所提供的光滑化作用、噪声的空间协方差以及定义域的维数,共同决定了该积分能否作为函数值过程存在,还是只能存在于广义函数空间中。