跳到主要內容

[隨機分析] How to solve SDE practically (1) - A Brownian Bridge example

這次要介紹的是如何直接求解隨機微分方程 (SDE)?

考慮如下SDE  (Brownian Bridge):
定義 $t \in [0 ,T], T<1$
\[
dX_t = \frac{-X_t}{1-t}dt + dB_t \ \ \ \ X_0 =0  \ \ \ \ (*)
\]
Comment:
此SDE 稱作 Brownian Bridge,亦即 其行為類似一個 Bridge 連接兩端點為 $0$ ,在時間 $t=0$時值為 $0$,最後到 時間 $t=t$ 亦回到 $0$,如下圖所示:



Sol:
1. Check the existence and uniqueness 
由Existence 與 Uniqueness Theorem得知,給定一 SDE具有下列形式:\[
dX_t = \mu(t,X_t)dt + \sigma(t,X_t) dB_t, \ X(0)=x_0 \ \ \ \ (*)
\]若我們要有唯一解,則其係數必須滿足 Lipschitz condtion 與 Growth conditon,故我們在求解之前先確認此兩個條件滿足。

首先檢驗 Lipschitz conditon
\[
|\mu(t,x) - \mu(t,y)|^2 + |\sigma(t,x) - \sigma(t,y)|^2 \leq K |x-y|^2
\]由上式左邊可得
\[{ \Rightarrow {{\left| {\left( {\frac{{ - {X_t}}}{{1 - t}}} \right) - \left( {\frac{{ - {Y_t}}}{{1 - t}}} \right)} \right|}^2} + |1 - 1{|^2} = {{\left( {\frac{1}{{1 - t}}} \right)}^2}{{\left| {{X_t} - {Y_t}} \right|}^2}}
\]故令 $K = {\left( {\frac{1}{{1 - t}}} \right)^2}$ 即可滿足Lipschitz condtion。

再者檢驗 Growth condition
\[
|\mu(t,x)|^2 + |\sigma(t,x)|^2 \leq K(1 + |x|^2)
\]故由上式左邊可得
\[ \Rightarrow {\left| {\left( {\frac{{ - {X_t}}}{{1 - t}}} \right)} \right|^2} + |1{|^2} = {\left( {\frac{1}{{1 - t}}} \right)^2}{\left| {{X_t}} \right|^2} + 1 \le {\left( {\frac{1}{{1 - t}}} \right)^2}(1 + |X_t{|^2})
\]故取 $K={\left( {\frac{1}{{1 - t}}} \right)^2}$ 即可滿足Growth condition。

由於係數滿足Lipschitz condtion 與 Growth conditon,故SDE $(*)$有唯一解,

2. Solve the SDE by using integration factor method
現在我們可以開始進行求解。想法為利用ODE中的積分因子法求解。步驟如下

首先改寫上式如下
\[ \Rightarrow d{X_t} + \frac{{dt}}{{1 - t}}{X_t} = d{B_t}
\]定義積分因子 (積分因子的定法請參見此篇 :[微分方程] Solving a linear ODE by using Integration factor method )
\[{U_t}: = {e^{\int_0^t {\frac{1}{{1 - s}}ds} }} = {e^{ - \ln \left( {1 - t} \right)}}
\]現在觀察 $d\left( {{X_t}{U_t}} \right)$,由integration by part (Ito formula):
\[d(XU) = XdU + UdX + d\left\langle {X,U} \right\rangle
\] 我們可得
\[\begin{array}{l}
 \Rightarrow d\left( {{X_t}{U_t}} \right) = Xd\left( {{e^{ - \ln \left( {1 - t} \right)}}} \right) + {e^{ - \ln \left( {1 - t} \right)}}\left( {\frac{{ - {X_t}}}{{1 - t}}dt + d{B_t}\;} \right) \\
\ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ \ + \left( {\frac{{ - {X_t}}}{{1 - t}}dt + d{B_t}\;} \right)d\left( {{e^{ - \ln \left( {1 - t} \right)}}} \right)\\
 \Rightarrow d\left( {{X_t}{U_t}} \right) = X{e^{ - \ln \left( {1 - t} \right)}}\left( {\frac{1}{{1 - t}}} \right)dt + {e^{ - \ln \left( {1 - t} \right)}}\left( {\frac{{ - {X_t}}}{{1 - t}}dt + d{B_t}\;} \right)\\
\begin{array}{*{20}{c}}
{}&{}&{}&{}&{}&{}
\end{array} + \left( {\frac{{ - {X_t}}}{{1 - t}}dt + d{B_t}\;} \right){e^{ - \ln \left( {1 - t} \right)}}\left( {\frac{1}{{1 - t}}} \right)dt\\
 \Rightarrow d\left( {{X_t} \cdot {U_t}} \right) = {e^{ - \ln \left( {1 - t} \right)}}\left[ {d{B_t}\;} \right]
\end{array}\]故對上式兩邊同取積分,我們可得
\[\begin{array}{l}
{X_t} \cdot {U_t} = \int_0^t {{e^{ - \ln \left( {1 - s} \right)}}d{B_s}} \\
 \Rightarrow {X_t} \cdot \left( {{e^{ - \ln \left( {1 - t} \right)}}} \right) = \int_0^t {\frac{1}{{1 - s}}d{B_s}} \\
 \Rightarrow {X_t} = {e^{\ln \left( {1 - t} \right)}}\int_0^t {\frac{1}{{1 - s}}d{B_s}}\\
{ \Rightarrow {X_t} = \left( {1 - t} \right)\int_0^t {\frac{1}{{1 - s}}d{B_s}} }, \ \forall t \in [0,1)
\end{array}
\]上式即為Brownian Bridge $(*)$的解。

留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

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,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

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 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質