If you can’t solve a problem, then there is an easier problem you can solve: find it. -George Polya
3/22/2014
[隨機分析] Ito Integral 淺談 (III) - Localization
這次要介紹的是 Localization 的概念。
回憶之前我們所定義的 Ito Integral 都要求 我們的積分變數 f∈H2,亦即積分變數必須滿足如下 L2 可積性條件
E[∫T0f2(ω,t)dt]<∞
現在如果我們考慮如下 Ito Integral:
考慮 g:R→R 為連續函數
∫t0g(Bs)dBs則此 連續函數的積分變數 g 並無法滿足我們的可積性條件 (WHY?):比如說如果我們選擇
g(Bt):=eBt4,為一個連續函數,但如果我們現在去觀察其期望值: (by Jensen's inequality)
E[eBt4]≥eE[Bt4]=eE[Bt4]=e3t2上式透過Jensen inequality告訴我們有明確的下界,但並無上界 (隨著 t 變大,下界跟著exponetially 變大),也就是說 E[eBt4]→∞ 還沒開始積分就爆掉了。為了解決這個問題。 我們需要進一步拓展可積分的函數範圍,我們利用 Stopping time來巧妙的幫助我們拓展Ito Integral至更廣泛的函數 (EX: 連續函數)。
------------------------
Definition: f∈L2LOC[0,T] space
令函數 f:Ω×[0,T]→R 為 measurable 與 adapted;若存在一組 非遞減 (nondecreasing) 停止時間(stopping time) 的 sequence
υ1(ω)≤υ2(ω)≤...≤υn(ω)≤... 使得 fn(ω,t):=f(ω,t)⋅1{t≤υn(ω)}∈H2[0,T] 且對足夠大的 n而言, υn(ω)=T for almost every ω;則我們說
f∈L2LOC[0,T]
Comments:
1. 上述定義中的 停止時間(stopping time) 的 sequence 稱作 Localizing sequence. 用來把增加的太快的函數用 stopping time 擋下來 使其仍然落在 H2 之中。
2. 由 f∈L2LOC 的定義,可知 H2⊂L2LOC,故對任意連續函數 g:R→R 而言,我們有 f(ω,t)=g(Bt),注意到標準布朗運動 Bt 為連續函數,故 g(Bt)亦為連續函數。現在如果我們的 f(ω,t)=g(Bt)∈L2LOC,則有一組停止時間使得我們的積分變數都落在 H2又因為連續函數在compact domain必為有界,故我們可以推論對任意固定 ω,函數 t↦g(Bt(ω)) 在閉區間 [0,T] 為有界,亦即 f(ω,t)=g(Bt)∈L2LOC。積分變數為連續函數的 Ito Integral 亦可被定義。
3. 上述的定義適合用於拓展Ito積分到 L2LOC,但並不容易用來確認函數是否落在 L2LOC。故下面我們給出一個等價的定義結果:
Claim: f∈L2LOC⇔∫T0f(ω,t)2dt<∞ for almost every ω
Proof
先證 (⇒)
假設 f∈L2LOC,我們要證明 ∫T0f(ω,t)2dt<∞ for almost every ω
由定義 f∈L2LOC[0,T] space,可知 存在一組 非遞減 (nondecreasing) 停止時間(stopping time) 的 sequence
υ1(ω)≤υ2(ω)≤...≤υn(ω)≤... 使得 fn(ω,t)=f(ω,t)⋅1{t≤υn(ω)}∈H2[0,T]
且對足夠大的 n而言, υn(ω)=T for almost every ω
我們首先利用 fn(ω,t)∈H2 可知,
E[∫T0f2n(ω,t)dt]<∞ 亦即
⇒E[∫T0f2(ω,t)⋅1{t≤υn(ω)}dt]<∞ (∗) 注意到其實上式已經幾乎是我們要的,如果我們能證明期望值內部的積分是有限的。故我們定義一個事件為 " fn(ω,t) 為平方可積分的事件",亦即定義事件 Γn如下
Γn:={ω:∫T0f2n(ω,t)dt<∞}
則機率 P{Γn}=1
現在,我們對Γn取交集,得到 Γ=⋂nΓn,且 P{Γ}=1;
現在我們使用為尚未用上的 f∈L2LOC[0,T] space 定義:對足夠大的 n而言, υn(ω)=T for almost every ω,
故令 ω∈Γ 且 n 足夠大。使得υn(ω)=T;則我們觀察式 (∗) 的等號右邊
∫T0f2(ω,t)⋅1{t≤υn(ω)}dt=∫T0f2(ω,t)⋅1{t≤T}dt<∞但是又注意因為上式 Indicator function 為 1{t≤T} 而積分範圍是從 0 到 T,故此1{t≤T}=1,亦即
∫T0f2(ω,t)⋅1{t≤T}dt=∫T0f2(ω,t)dt<∞
故得證 (⇒)
接著我們證明另一個方向 (⇐):
假設 ∫T0f(ω,t)2dt<∞ for almost every ω,我們要證明 f∈L2LOC。
也就是要證明:"存在一組 非遞減 (nondecreasing) 停止時間(stopping time) 的 sequence
υ1(ω)≤υ2(ω)≤...≤υn(ω)≤... 使得 fn(ω,t):=f(ω,t)⋅1{t≤υn(ω)}∈H2[0,T] 且對足夠大的 n而言, υn(ω)=T for almost every ω "
故我們現在定義一組符合上述要求 停止時間的sequence
υn(ω):=inf{s≥0:∫s0f(ω,u)2du≥n or s=T}由基本積分理論可知 s↦∫s0f(ω,s)sdu 為一個連續函數,故我們有下列結果
∫υn(ω)0f2(ω,u)du≤n⇒∫T0f2(ω,u)⋅1{u≤υn(ω)}du≤n第二式成立是因為對時間 (du) 積分 (非對 dBu積分的 隨機積分)。又因為上式為小於或等於 n 故 我們對其取期望值
E[∫T0f2(ω,u)⋅1{u≤υn(ω)}du]≤n<∞
亦即, f(ω,u)⋅1{u≤υn(ω)}∈H2[0,T]. 即為所求 ◻
==========
延伸閱讀
[隨機分析] Ito Integral 淺談 (IV) - Ito Integral on L^2 Local space
ref:
J. M. Steele, Stochastic Calculus and Financial Applications, Springer
訂閱:
張貼留言 (Atom)
[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...
-
數學上的 if and only if ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做 若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛...
-
這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 No...
-
半導體中的電流是由電子(electron)及電洞(hole)兩種載子(carrier)移動所產生 載子移動的方式: 擴散(diffusion) ⇒ 擴散電流 (不受外力電場作用) 飄移(drift) ⇒ 飄移電流 (受外...
沒有留言:
張貼留言