Again,這是這系列的第五篇,這次來看看一個稍微不一樣的例子
Example 1: Stochastic Exponential for Standard Brownian Motion
令 $\lambda \in \mathbb{R}$,考慮如下 Stochastic Process:
\[
X_t = 1 + \lambda \int_0^t X_s dB_s \ \ \ \ (*)
\]試求解上式。
Comment:
回憶在微分方程,
\[
g(t) = 1 + \lambda \int_0^t g(s) ds
\]我們有 Unique 的解且具備 Exponential 形式: $g(t) := e^{\lambda t}$ 。故可以想見式 $(*)$ 應該也有此 Exponential 的解的樣子。
Solution
首先將 $(*)$ 改寫成微分形式:
\[\begin{array}{l}
{X_t} = 1 + \lambda \int_0^t {{X_s}} d{B_s}\\
\Rightarrow d{X_t} = \lambda {X_t}d{B_t}
\end{array}
\] 這邊我們直接求解 (這邊略過此SDE的 唯一性 與 存在性 檢驗,直接求解。)
進一步改寫 $d{X_t} - \lambda {X_t}d{B_t} = 0$ 並且定義積分因子 (透過一點 trial and error):
\[{U_t}: = {e^{ - \lambda \int_0^t {d{B_s}} + \frac{1}{2}{\lambda ^2}t}} = {e^{ - \lambda {B_t} + \frac{1}{2}{\lambda ^2}t}}
\]利用 Integration by part (Product rule) 計算 $d(X_t U_t)$:
\[
d\left( {{X_t}{U_t}} \right) = {X_t}d\left( {{U_t}} \right) + {U_t}d\left( {{X_t}} \right) + d\left\langle {{U_t},{X_t}} \right\rangle \ \ \ \ (\star)
\]其中
\[\left\{ \begin{array}{l}
d\left( {{U_t}} \right) = \frac{1}{2}{\lambda ^2}{U_t}dt - \lambda {U_t}d{B_t} + \frac{1}{2}{\lambda ^2}{U_t}dt\\
d\left\langle {{U_t},{X_t}} \right\rangle = d{U_t} \cdot d{X_t} = \left( {\frac{1}{2}{\lambda ^2}{U_t}dt - \lambda {U_t}d{B_t} + \frac{1}{2}{\lambda ^2}{U_t}dt} \right)\lambda {X_t}d{B_t}\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = - {\lambda ^2}{U_t}{X_t}dt
\end{array} \right.
\] 將上式代入 $(\star)$,我們得到
\[\begin{array}{l}
d\left( {{X_t}{U_t}} \right) = {X_t}\left( {{\lambda ^2}{U_t}dt - \lambda {U_t}d{B_t}} \right) + {U_t}\lambda {X_t}d{B_t} - {\lambda ^2}{U_t}{X_t}dt\\
\Rightarrow d\left( {{X_t}{U_t}} \right) = 0
\end{array}
\] 現在將上式轉換回積分形式:
\[\begin{array}{l}
{X_t}{U_t} - {X_0}{U_0} = 0\\
\Rightarrow {X_t}{U_t} = {X_0}\\
\Rightarrow {X_t}{e^{ - \lambda {B_t} + \frac{1}{2}{\lambda ^2}t}} = {X_0}\\
\Rightarrow {X_t} = {X_0}{e^{\lambda {B_t} - \frac{1}{2}{\lambda ^2}t}}\\
\Rightarrow {X_t} = {e^{\lambda {B_t} - \frac{1}{2}{\lambda ^2}t}}\\
\end{array}
\] (注意到 $X_0=1, U_0=1$);現在我們用積分因子法找到了一組解 $X_t$,我們必須回頭測試此解確實滿足 SDE,利用 Ito Formula,計算
\[d{X_t} = \left( { - \frac{1}{2}{\lambda ^2}} \right){X_t}dt + \lambda {X_t}d{B_t} + \frac{1}{2}{\lambda ^2}{X_t}dt\]故
\[ \Rightarrow d{X_t} = \lambda {X_t}d{B_t}
\]亦即此為我們的SDE。故
\[
{X_t} = {e^{\lambda {B_t} - \frac{1}{2}{\lambda ^2}t}}
\]確實為 SDE的(唯一)解。此解被稱為 Stochastic Exponential。 $\square$
現在我們更進一步考慮如何拓展上述結果:
如果我們把 Standard Brownian Motion 替換成 Standard Process 上述結果是否仍能成立呢? 答案是肯定的,我們用下面這個例子說明 Stochastic Exponential 對 standard process 的情況:
Example 2: Stochastic Exponential for Standard Process
定義 $Y_t$ 為 Standard process 亦即
\[
Y_t := Y_0 + \int_0^t a(\omega, s) ds + \int_0^t b(\omega,s) dB_s, \ \ 0 \leq t \leq T
\]其中 $a(\cdot, \cdot)$ 與 $b(\cdot, \cdot)$ 為 adapted, measurable processes 且滿足以下積分條件:
\[
\int_0^T |a(\omega,s)|ds + \int_0^T |b(\omega,s)|^2 ds < \infty \ \text{almost surely}
\] 現在試求 $Z_t$ 滿足
\[
Z_t = 1 + \lambda \int_0^t Z_s dY_s
\]
Solution
在求解之前我們可以猜測此SDE對應的解的形式應該仍保留 Stochastic Exponential 的樣子。不過我們為了統一性,我們仍使用積分因子法求解:
首先改寫上述 $Z_t$ 為 微分形式
\[\begin{array}{l}
{Z_t} = 1 + \lambda \int_0^t {{Z_s}} d{Y_s}\\
\Rightarrow d{Z_t} = \lambda {Z_t}d{Y_t}\\
\Rightarrow d{Z_t} - \lambda {Z_t}d{Y_t} = 0
\end{array}\]
定義積分因子如下:
\[{U_t}: = {e^{ - \lambda \int_0^t {d{Y_s}} + \frac{1}{2}{\lambda ^2}{{\left\langle Y \right\rangle }_t}}} = {e^{ - \lambda {Y_t} + \frac{1}{2}{\lambda ^2}{{\left\langle Y \right\rangle }_t}}}
\]利用 Integration by part 計算
\[d\left( {{Z_t}{U_t}} \right) = {Z_t}d\left( {{U_t}} \right) + {U_t}d\left( {{Z_t}} \right) + d\left\langle {{U_t},{Z_t}} \right\rangle
\]其中
\[\left\{ \begin{array}{l}
d\left( {{U_t}} \right) = - \lambda {U_t}d{Y_t} + \frac{1}{2}{\lambda ^2}{U_t}d{\left\langle Y \right\rangle _t} + \frac{1}{2}{\lambda ^2}{U_t}d{\left\langle Y \right\rangle _t}\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = - \lambda {U_t}d{Y_t} + {\lambda ^2}{U_t}d{\left\langle Y \right\rangle _t}\\
d{Z_t} = \lambda {Z_t}d{Y_t}\\
d\left\langle {{U_t},{Z_t}} \right\rangle = d{U_t}d{Z_t} = \left( { - \lambda {U_t}d{Y_t} + {\lambda ^2}{U_t}d{{\left\langle Y \right\rangle }_t}} \right)\lambda {Z_t}d{Y_t}\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}
\end{array} = - {\lambda ^2}{U_t}{Z_t}d{Y_t}d{Y_t} = - {\lambda ^2}{U_t}{Z_t}d{\left\langle Y \right\rangle _t}
\end{array} \right.
\] 將上式代入 $d(Z_t U_t)$ 可得
\[\begin{array}{l}
d\left( {{Z_t}{U_t}} \right) = {Z_t}d\left( {{U_t}} \right) + {U_t}d\left( {{Z_t}} \right) + d\left\langle {{U_t},{Z_t}} \right\rangle \\
\Rightarrow d\left( {{Z_t}{U_t}} \right) = {Z_t}\left( { - \lambda {U_t}d{Y_t} + {\lambda ^2}{U_t}d{{\left\langle Y \right\rangle }_t}} \right) + {U_t}\lambda {Z_t}d{Y_t} - {\lambda ^2}{U_t}{Z_t}d{\left\langle Y \right\rangle _t}\\
\Rightarrow d\left( {{Z_t}{U_t}} \right) = 0
\end{array}
\]現在轉換為積分形式
\[\begin{array}{l}
{Z_t}{U_t} - {Z_0}{U_0} = 0\\
\Rightarrow {Z_t}{U_t} = {Z_0}\\
\Rightarrow {Z_t}{e^{ - \lambda {Y_t} + \frac{1}{2}{\lambda ^2}{{\left\langle Y \right\rangle }_t}}} = 1\\
\Rightarrow {Z_t} = {e^{\lambda {Y_t} - \frac{1}{2}{\lambda ^2}{{\left\langle Y \right\rangle }_t}}}
\end{array}
\] 故我們求得一個對 $Z_t$ 的解,現在對其進行驗證測試其確實滿足SDE:利用 Ito Formula 計算 $dZ_t$ 可得
\[\begin{array}{l}
d{Z_t} = \lambda {Z_t}d{Y_t} - \frac{1}{2}{\lambda ^2}{Z_t}d{\left\langle Y \right\rangle _t} + \frac{1}{2}{\lambda ^2}{Z_t}d{\left\langle Y \right\rangle _t}\\
\Rightarrow d{X_t} = \lambda {Z_t}dY
\end{array}\]亦即 此解
\[
{Z_t} = {e^{\lambda {Y_t} - \frac{1}{2}{\lambda ^2}{{\left\langle Y \right\rangle }_t}}}
\]確實滿足SDE,故為此即為 SDE的 解。
If you can’t solve a problem, then there is an easier problem you can solve: find it. -George Polya
訂閱:
張貼留言 (Atom)
[隨筆] A+焦慮的世代
接住A+世代學生 當了老師之後發現要"接住"學生確實不容易,撇開老師自身可能也有需要被接住的問題不談。我這幾年常常感受到這世代的學生們有著很大的徬徨,不太清楚未來的方向,但是卻有著非得要拿到A/A+不可的糾結,於是課優先選甜涼課,實習競賽投好投滿。好像看著同學...
-
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) $\Rightarrow$ 擴散電流 (不受外力電場作用) 飄移(drift) $\Rightarrow$ 飄移電流 (受外...
沒有留言:
張貼留言