Processing math: 100%

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 fH2,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:RR 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: fL2LOC[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{tυn(ω)}H2[0,T] 且對足夠大的 n而言, υn(ω)=T for almost every ω;則我們說
fL2LOC[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 fL2LOC 的定義,可知  H2L2LOC,故對任意連續函數 g:RR 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 tg(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: fL2LOCT0f(ω,t)2dt< for almost every ω

Proof
先證 ()
假設 fL2LOC,我們要證明 T0f(ω,t)2dt< for almost every ω

由定義 fL2LOC[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{tυn(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{tυn(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 fL2LOC[0,T] space 定義:對足夠大的 n而言, υn(ω)=T for almost every ω

故令 ωΓn 足夠大。使得υn(ω)=T;則我們觀察式 () 的等號右邊
T0f2(ω,t)1{tυn(ω)}dt=T0f2(ω,t)1{tT}dt<但是又注意因為上式 Indicator function 為 1{tT} 而積分範圍是從 0T,故此1{tT}=1,亦即
T0f2(ω,t)1{tT}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  fL2LOC

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{tυn(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{s0:s0f(ω,u)2dun or s=T}由基本積分理論可知 ss0f(ω,s)sdu 為一個連續函數,故我們有下列結果
υn(ω)0f2(ω,u)dunT0f2(ω,u)1{uυn(ω)}dun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{uυn(ω)}du]n<
亦即, f(ω,u)1{uυn(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

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...