Processing math: 4%

3/25/2014

[隨機分析] Ito-formula 與其應用 (0) -Simplest Case

在微積分中,我們計算的時候大多仰賴 微積分基本定理(Fundamental Theorem of Calculus)。那麼我們想問在建立隨機分析之後,是否也有類似的結果呢?
答案是肯定的。在隨機分析中這樣的結果稱作Ito formula 或者 Ito Lemma

Theorem (Ito Formula - simplest Case)
f:RRfC2
f(Bt)=f(B0)+t0f(Bs)dBs+12t0f
Comments:
1. 注意到如果上式 第二個積分 \frac{1}{2}\int_0^t f''(B_t) ds=0 (NOT Ito integral, but Lebesgue integral)的話,則我們確實回到的微積分基本定理。故第二項積分又稱 Ito correction term。
2. 注意到 第一個積分 \int_0^t f'(B_s) dB_s  (Ito integral) 為 zero mean,故此暗示了後方第二個積分必須要包含所有關於函數 f(B_t) 漂移(drift)程度的資訊。
3. 注意到函數必須二階可微連續,亦即 f \in \mathcal{C}^2
4. 注意到 Ito Integral 有下列重要結果:Ito-integral 為一個隨機過程,且若 f \in \mathcal{H}^2,則隨機積分為一個 Martingale。若 f \in L_{LOC}^2,則隨機積分為一個 Local martingale。

這邊我們先不證明,先舉幾個例子看看這個Ito formula 在計算Ito Integral的威力。

Example 1
B_t為標準布朗運動,試求  \int_0^t B_s dB_s = ?

Solution
因為我們想要求   \int_0^t B_s dB_s,故想法是希望透過應用 Ito formula 來為我們產生出此隨機積分項。此積分項出現在Ito formula 等號右邊的第二項 (一階導數的積分項),故我們令 函數 f(x) := x^2,則 f'(x)=2x, f''(x)=2,故由Ito formula (*) 可知
B_t^2 = B_0^2 + \int_0^t 2B_s dB_s + \frac{1}{2}\int_0^t 2 ds
又因為 B_t 為標準布朗運動 B_0 =0,我們可將上式整理如下
2 \int_0^t B_s dB_s = B_t^2 -  \int_0^t ds
亦即
 \int_0^t B_s dB_s = \frac{1}{2}B_t^2 - \frac{1}{2}t. \ \ \ \ \square

再看看這個例子。

Example 2
B_t為標準布朗運動,試求  \int_0^t B_s^2 dB_s = ?

Solution
令 函數 f(x) := x^3,則 f'(x)=3x^2, f''(x)=6x,故由Ito formula (*) 可知
B_t^3 = B_0^3 + \int_0^t 3B_s^2 dB_s + \frac{1}{2}\int_0^t 6 B_s ds
又因為 B_t 為標準布朗運動 B_0 =0,我們可將上式整理如下
3 \int_0^t B_s^2 dB_s = B_t^3 -3 \int_0^t  B_s ds
亦即
 \int_0^t B_s^2 dB_s = \frac{1}{3}B_t^3 - \int_0^t  B_s ds  \ \ \ \ \square

注意到上式已經是最簡狀態,\int_0^t  B_s ds 是path-wise Lebesgue integral 無法更進一步化簡。

Example 3
B_t為標準布朗運動,試求  \int_0^t e^{B_s}dB_s = ?

Solution
令 函數 f(x) :=e^x,則 f'(x)= f''(x)= e^x,故由Ito formula (*) 可知
e^{B_t} = e^{B_0} + \int_0^t e^{B_s} dB_s + \frac{1}{2}\int_0^t e^{B_s} ds
又因為 B_t 為標準布朗運動 B_0 =0,我們可將上式整理如下
\int_0^t e^{B_s} dB_s = e^{B_t}- e^{B_0} - \frac{1}{2}\int_0^t e^{B_s} ds
亦即
\int_0^t e^{B_s} dB_s = e^{B_t}- 1 - \frac{1}{2}\int_0^t e^{B_s} ds \ \ \ \ \square

現在我們考慮一個稍微複雜一點的情況,定義
M_t := \exp(\alpha B_t - \alpha^2 t/2) 如果我們想要計算 \int_0^t M_s dB_s 是多少呢?

注意到上式子M_t 不只是 B_t 的函數,亦為 t的函數(亦即 M_t = f(t, B_t)) 故Ito fomula (*) 沒辦法直接應用,我們需要進一步修正Ito formula來讓我們可以對付 這種情況。這我們會在下一篇再作介紹

==================
延伸閱讀
[隨機分析] Ito-formula 與其應用 (1) - Two variables case

ref:
J. M. Steele, Stochastic Calculus and Financial Applications, Springer

沒有留言:

張貼留言

[人工智慧] 本地端 DeepSeek R1 快速安裝:以 Macbook Pro M4 Chip為例

最近火熱的 DeepSeek R1 模型由於採用了 distill 技術,可以大幅降低計算成本,使得一般人有機會在自家筆電上跑性能逼近 Open AI ChatGPT o1的大語言模型。本文簡單介紹一步安裝在 Macbook Pro 的方法以及使用方法,以下測試採用 Macboo...