這次要介紹的是 Ito integral on L^2 Local space 的另外一個重要結果:
如果我們考慮 積分變數 $f$ 不再是隨機過程,亦即 $f$ 為一非隨機函數, e.g., $f(t)$ (不再是 $f(t,\omega)$),則對此函數的 Ito integral:
\[
\int_0^t f(s) dB_s
\]為一個 Gaussian Process with zero mean 與 variance $\int_0^t f(s)^2 ds$。我們將此結果計做以下定理
Theorem (Nonrandom integrand of Ito integral yields a Gaussian process)
若 $f \in \mathcal{C}[0,T]$ 為非隨機 連續函數,則由 Ito integral 所定義的 隨機過程 $X_t$
\[
X_t := \int_0^t f(s) dB_s \ , \ t \in [0,T]
\]為 mean zero Gaussian process 且有互相獨立增量與 covariance function
\[
Cov(X_s,S_t) = \int_0^{s \wedge t} f^2(u) du
\]除此之外,如果我們取在 $[0,T]$ 上 Partition 定義如下
\[
t_i := iT/n, \ 0 \leq i \leq n
\] ,且選擇 $t_i^*$ 滿足 $t_{i-1} \leq t_i^* \leq t_i \ , \forall 1 \leq i \leq n$,則我們有 Riemann Representation 如下:
\[
\lim_{n \rightarrow \infty} \sum_{i=1}^{n} f(t_i^*) (B_{t_i} - B_{t_{i-1}}) = \int_0^T f(s) dB_s
\]其中上述 Limit 表 convergence in probability.
Proof
此處的 Riemann Representation proof 可視為 之前 我們討論過的 對隨機函數 $f(B_s)$ 的 Riemann Representation 的特例, 詳細證明請參閱之前文章
[隨機分析] Ito Integral 淺談 (IV) - Ito Integral on L^2 Local space and its Riemann Representation
我們只需證明第一部分:
首先證明 $X_t$ 由獨立增量 (independent increments)。
由 Riemann Representation,我們可知
\[
\lim_{n \rightarrow \infty} \sum_{i=1}^{n} f(t_i^*) (B_{t_i} - B_{t_{i-1}}) = \int_0^T f(s) dB_s
\]因為 $B_{t_i}$ 為標準布朗運動,故由標準布朗運動定義可知 對 $0 \leq i \leq n$$B_{t_i} - B_{t_{i-1}}$ 為獨立增量,$X_t$ 確實具有獨立增量,且標準布朗運動可視為 Gaussian Process,故 $X_t$ 亦為 Gaussian Process。
再者由 Riemann Representation 我們可計算其 mean
\[
E[X_t] = 0
\] 與 Variance (利用 Ito Isometry)
\[
Var[X_t] = E \left[ \left( \int_0^t f(s) dB_s \right )^2 \right ] = \int_0^t f(s)^2 ds
\] 上式可用 Ito isometry 是因為積分變數為 $f \in \mathcal{C} \Rightarrow f \in L_{LOC}^2 [0,T]$,故為平方可積。Ito isometry 可以使用!。
最後,Covariance function 可由上述 Variance formula 與 獨立增量求得。 $\square$
對於非隨機積分變數的 Ito Integral 為 Gaussian Process 這點可以很大的程度上幫助我們計算 distribution。下面我們看幾個定理的應用:
Example 1
試求一確定 (deterministic) 函數 $\tau : [0, \infty) \rightarrow [0, \infty)$ 使得
\[
X_t = \int_0^t e^s dB_s \ \ \text{and} \ \ Y_t = B_{\tau(t)}
\]具有相同的 distribution。 Hint: 使用上述定理。
Proof
首先觀察 $X_t = \int_0^t e^s dB_s$,由於 積分變數 $e^s$ 為確定 (非隨機) 函數,故由上述定理可知,$X_t$ 為 Gaussian process with zero mean 與 covariance: 對 $s<t$
\[
Cov(X_t,X_s) = \int_0^s e^{2u} du =\frac{1}{2}\left( {{e^{2s}} - 1} \right)
\]
現在回頭觀察 $Y_t= B_{\tau(t)}$ ,由於其為標準布朗運動,故亦為 Gaussian process with zero mean,且其 Covariance : 對 $s<t$
\[\begin{array}{l}
Cov\left( {{Y_t},{Y_s}} \right) = Cov\left( {{B_{\tau (t)}},{B_{\tau (s)}}} \right) = E\left[ {{B_{\tau (t)}}{B_{\tau (s)}}} \right]\\
\begin{array}{*{20}{c}}
{}&{}&{}&{\rm{ = }}
\end{array}E\left[ {\left( {\left( {{B_{\tau (t)}} - {B_{\tau (s)}}} \right) + {B_{\tau (s)}}} \right){B_{\tau (s)}}} \right]\\
\begin{array}{*{20}{c}}
{}&{}&{}&{\rm{ = }}
\end{array}E\left[ {\left( {{B_{\tau (t)}} - {B_{\tau (s)}}} \right){B_{\tau (s)}}} \right] + E\left[ {{B_{\tau (s)}}{B_{\tau (s)}}} \right]\\
by\begin{array}{*{20}{c}}
{}
\end{array}independence\\
\begin{array}{*{20}{c}}
{}&{}&{}&{{\rm{ = }}E\left[ {{B_{\tau (t)}} - {B_{\tau (s)}}} \right]}
\end{array}E\left[ {{B_{\tau (s)}}} \right] + E\left[ {{B_{\tau (s)}}{B_{\tau (s)}}} \right]\\
\begin{array}{*{20}{c}}
{}&{}&{}&{\rm{ = }}
\end{array}\tau (s)
\end{array}
\] 由於 Gaussian process 完全由 mean function 與 covariance function 決定,故令
\[
\tau (s)=\frac{1}{2}\left( {{e^{2s}} - 1} \right)
\]則 $X_t$ 與 $Y_t$ 的 即有相同 distribution 。
Example 2
令 $f \in L^1 [0,T]$ 且 $B_t$ 為在機率空間 $(\Omega, \cal{F}, P)$ Standard Brownian Motion。現在定義
\[
Y_f(\omega) = \int_0^T f(s) B_s ds
\] (a) 試求此積分
(b) 基於結果 (a),現在對任意兩函數 $f, g \in L^1[0,T]$,試求其 Joint distribution of
\[ \left[ {\begin{array}{*{20}{c}}
{{Y_f}}\\
{{Y_g}}
\end{array}} \right]\]
Comment: 此積分 $Y_f(\omega) = \int_0^T f(s) B_s ds$ 結果為 random variable ,因為是積分到 "固定"大 $T$ (而非任意時刻 $t$),另外此積分不是 Ito Integral 因為其為對 $ds$ 積分。
Proof
利用積分形式的 Integration by part
\[\begin{array}{l}
d\left( {{U_t}{V_t}} \right) = {U_t}d{V_t} + {V_t}d{U_t} + d\left\langle {{U_t},{V_t}} \right\rangle \\
\Rightarrow {U_t}{V_t} - {U_0}{V_0} = \int_0^t {{U_s}d{V_s}} + \int_0^t {{V_s}d{U_s}} + \left\langle {{U_t},{V_t}} \right\rangle
\end{array}
\]選 $U_t := f(t), V_t := B_t$,則我們有
\[\begin{array}{l}
F\left( t \right){B_t} = \int_0^t {F\left( s \right)d{B_s}} + \int_0^t {{B_s}dF\left( s \right)} + 0\\
\Rightarrow F\left( t \right){B_t} = \int_0^t {F\left( s \right)d{B_t}} + \int_0^t {{B_t}f\left( s \right)ds} \\
\Rightarrow \int_0^t {{B_s}f\left( s \right)ds} = F\left( t \right){B_t} - \int_0^t {F\left( s \right)d{B_t}}
\end{array}
\]注意到 $F\left( t \right){B_t} = F\left( t \right)\int_0^t {d{B_s}} = \int_0^t {F\left( t \right)d{B_s}}$,故我們可以改寫上面的結果:
\[\begin{array}{l}
\int_0^t {f\left( s \right){B_s}ds} = F\left( t \right){B_t} - \int_0^t {F\left( s \right)d{B_t}} \\
\Rightarrow \int_0^t {f\left( s \right){B_s}ds} = \int_0^t {\left[ {F\left( t \right) - F\left( s \right)} \right]d{B_s}} = \int_0^t {\left[ {\int_s^t {f\left( u \right)du} } \right]d{B_s}}
\end{array}\]故
\[
\int_0^T {f\left( s \right){B_s}ds} = \int_0^T {\left[ {\int_s^T {f\left( u \right)du} } \right]d{B_s}}
\] 且由於積分變數 ${\int_s^T {f\left( u \right)du} }$ 為非隨機。故由 上述定理可知其為 Gaussian random variable (因為 $T$ fixed,積分不在是 stochastic process,而是一個 random variable) with zero mean 且 Variance 為
\[
\int_0^T {{{\left[ {\int_s^T {f\left( u \right)du} } \right]}^2}ds}
\]亦即
\[\int_0^T {f\left( s \right){B_s}ds} \sim \mathcal{N}(0, \int_0^T {{{\left[ {\int_s^T {f\left( u \right)du} } \right]}^2}ds})
\]
由 Gaussian random variable 定義可知:若
\[\left[ {\begin{array}{*{20}{c}}
X\\
Y
\end{array}} \right]
\] 為 normal 若且為若 (if and only if) 對所有的 $\alpha, \beta \in \mathbb{R}$, $\alpha X + \beta Y $為 Normal;且若 $\left[ {\begin{array}{*{20}{c}}
X\\
Y
\end{array}} \right]
$ 為 mean zero,則我們有
\[\left[ {\begin{array}{*{20}{c}}
X\\
Y
\end{array}} \right]{{\sim}}\left( {{\rm{0}},\left[ {\begin{array}{*{20}{c}}
{\sigma _X^2}&{{\mathop{\rm cov}} \left( {X,Y} \right)}\\
{{\mathop{\rm cov}} \left( {Y,X} \right)}&{\sigma _Y^2}
\end{array}} \right]} \right)
\]則應用 part(a) 類似方法讀者可計算上述 Covariance 與 Variance 求得答案。
ref:
J. M. Steele, Stochastic Calculus and Financial Applications, Springer
If you can’t solve a problem, then there is an easier problem you can solve: find it. -George Polya
3/24/2014
3/23/2014
[隨機分析] Ito Integral 淺談 (IV) - Ito Integral on L^2 Local space and its Riemann Representation
延續 第三篇,
[隨機分析] Ito Integral 淺談 (III) - Localization
我們有了 Localizing sequence $\{ \upsilon_n \}$之後,便可以開始著手拓展 Ito Integral 到 $f \in L_{LOC}^2[0, T]$。亦即
\[
\int_0^t f(\omega,s) dB_s \ \ \text{for $f \in L_{LOC}^2[0,T]$}
\]
在定義上述Ito Integral之前,我們需要先介紹一個新的概念: Local Martingale
========
Definition (Local Martingale)
考慮 $t \in [0,T]$,令 $M_t$ 為一個對 filtration $\{ \mathcal{F}_t\}$ adapted 的隨機過程,則我們說 $M_t$ 為一個 Local Martingale 若下列條件成立:
========
Comment: 上述的一組停止時間的sequence 即為我們先前所介紹的 Localizing sequence。
有了 Local Martingale 在手之後,我們便可以開始著手拓展Ito Integral 到 $f \in L_{LOC}^2[0, T]$。
=============
Definition: (Construction of the Ito Integral for $f \in L_{LOC}^2$)
考慮對所有 $n$, $X_{n,t}$ 為連續時間的 Ito Integral。
\[
X_{n,t} := \int_0^t f(\omega, s) \cdot 1_{\{s \leq \upsilon_n(\omega)\}} dB_s(\omega)\] ,則存在一組連續的 Local Martingale 使得 對 almost every $\omega$而言,下列隨機過程
\[
X_t(\omega) = X_{n,t}(\omega), \ \text{ $\forall$ n s.t. $\upsilon_n(\omega) \geq t$ }
\]且隨機過程 $X_t(\omega)$ 與 Localizing sequence $\{ \upsilon_n \}$的選取無關,故定義 Ito Integral for $f \in L_{LOC}^2$ :
\[
X_t := \int_0^t f(\omega,s) dB_s
\]
===============
事實上此定義需要進一步證明,但這邊我們先假定此定義是well-defined。然後我們想要進一步討論以下這個重要結果。
===============
Theorem (Riemann Representation):
令 $f \in \mathcal{C}(\mathbb{R})$ (即 $f$ 為連續實數函數),且定義 Partition
\[
\Delta_n :=\{ 0 = t_0^n<...<t_n^n=T\}
\],並 mesh $||\Delta_n|| \rightarrow 0$,則
\[
\int_0^T f(B_s) dB_s = \lim_{||\Delta_n|| \rightarrow 0} \sum_i f(B_{t_{i-1}})(B_{t_i} - B_{t_{i-1}}) \ \text{in Probability}
\]================
Proof:
我們要證明
\[
\int_0^T f(B_s) dB_s = \lim_{||\Delta_n|| \rightarrow 0} \sum_i f(B_{t_{i-1}})(B_{t_i} - B_{t_{i-1}}) \ \text{in Probability}
\]
注意到我們現在是落在 compact $[0,T]$,且 布朗運動 $B_t$ 為連續函數,故連續函數在compact domain必定有界。這暗示了$f(B_t)$ 在 $[0,T]$亦為有界。我們把此結果稱作 $(1)$。
有了這個資訊,我們便可先定義一組 停止時間的sequence
\[
\tau_M(\omega) := \inf \{ t \geq 0: |B_t| \geq M \ or \ t=T \}
\]則由結果$(1)$我們知道 $ f(B_t) \cdot 1_{\{ t \leq \tau_M(\omega)\}} \in \mathcal{H}^2[0,T]$ 且 對almost every $\omega$與足夠大的 $n$而言,$\tau_M(\omega) =T$。故此組 停止時間sequence localized $f(B_t(\omega))$,也就是說這組停止時間seqeunce讓 $f(B_t(\omega)) \in L_{LOC}^2[0,T]$。
有了上述結果之後,我們可以開始著手進一步的證明,首先由定理的假設我們引入一個新的函數 $f_M \in \mathcal{C}_c(\mathbb{R})$; ( 其中 $\mathcal{C}_c(\mathbb{R})$ 表連續,且 compactly supported on $\mathbb{R}$ 的space) 使得
\[
f_M(x) = f(x) \ \text{for $|x| \leq M$}
\]因此, $f_M$ 為有界函數(bounded),故取平方積分後依然有界,故我們可推知 $f_M(B_t) \in \mathcal{H}^2[0,T]$,那麼對於此 $f_M$,我們便可應用先前的 $L^2$ space的結果。
對固定 $M$,我們可以計算對 $f_M$函數的 Ito Integral : $\int_0^T f_M(B_s) dB_s$。
由於$f_M(B_t) \in \mathcal{H}^2[0,T]$, 回憶 Density LEMMA ( $\mathcal{H}_0^2$ $\text{is Dense in}$ $\mathcal{H}^2$) 可知,我們可以找到一組 approximating sequence $\phi_n \in \mathcal{H}_0^2$ 使得當 $n \rightarrow \infty$,
\[
|| \phi_n - f_M ||_{L^2{(dP \times dt)}} \rightarrow 0 \ \ \ \ (*)
\]因為$\phi_n \in \mathcal{H}_0^2$ ,我們令
\[
\phi_n(\omega,s) = \sum_{i=1}^n f_M(B_{t_{i-1}}) \cdot 1_{\{ t_{i-1} < s \leq t_{i} \}}
\]
為了要檢驗此 $\{ \phi_n\}$ 為我們的approximating sequence to $f_M(B_t)$,故我們由 $(*)$計算其 $L^2$ norm,
\[
\begin{array}{l}
||{\phi _n}\left( {\omega ,s} \right) - {f_M}\left( {{B_s}} \right)|{|_{{L^2}(dP \times dt)}}= E\left[ {\int_0^T {{{\left( {{\phi _n}\left( {\omega ,s} \right) - {f_M}\left( {{B_s}} \right)} \right)}^2}ds} } \right]\\
= E\left[ {\int_0^T {{{\left( {\sum\limits_{i = 1}^n {{f_M}} ({B_{{t_{i - 1}}}}) \cdot {1_{\{ {t_{i - 1}} < s \le {t_i}\} }} - {f_M}\left( {{B_s}} \right)} \right)}^2}ds} } \right]\\
= E\left[ {\int_0^T {{{\left( {\sum\limits_{i = 1}^n {\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)} \cdot {1_{\{ {t_{i - 1}} < s \le {t_i}\} }}} \right)}^2}ds} } \right]\\
= E\left[ {\int_0^T {\sum\limits_{i = 1}^n {{{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} \cdot {1_{\{ {t_{i - 1}} < s \le {t_i}\} }}ds} } \right]\\
= \int_{{t_{i - 1}}}^{{t_i}} {\sum\limits_{i = 1}^n {E{{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} ds} \\
\le \int_{{t_{i - 1}}}^{{t_i}} {ds} \sum\limits_{i = 1}^n {E\left( {\mathop {\sup }\limits_{\{ s:{t_{i - 1}} < s \le {t_i}\} } {{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} \right)} \\
= (t_i - t_{i-1}) \sum\limits_{i = 1}^n {E\left[ {\mathop {\sup }\limits_{\{ s:{t_{i - 1}} < s \le {t_i}\} } {{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} \right]}
\end{array}
\ \ \ \ (\star)\]
注意到,如果我們定義
\[
\mu(h) := \sup \{ | f_M(x) - f_M(y)|: |x-y| \leq h\}
\]則由於 $f_M$為落在Compact domain的連續函數,故其必定有界;亦即存在一個夠大的常數$B$使得
\[
\mu(h) \leq B
\]且由連續性可知,當 $h \rightarrow 0 \Rightarrow \mu(h) \rightarrow 0$
故如果我們現在定義
\[
M_i := {\displaystyle \mathop {\sup }\limits_{\{ s:{t_{i - 1}} < s \le {t_i}\} } {{ | {({B_{{t_{i - 1}}}}) - \left( {{B_s}} \right)}} |}}
\]由上述定義,我們可推知 $(\star)$ 有如下關係:
\[
(t_i - t_{i-1}) \sum\limits_{i = 1}^n {E\left[ {\mathop {\sup }\limits_{\{ s:{t_{i - 1}} < s \le {t_i}\} } {{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} \right]}
\leq E[\mu^2(M_i))] \\
\]
其中 $ \mu^2(M_i) \leq B \cdot \mu(M_i) \rightarrow 0 \text{as $n \rightarrow \infty$}$
故由 Dominated Convergence theorem,可知當 $n \rightarrow \infty$,我們有
\[
(t_i - t_{i-1}) \sum\limits_{i = 1}^n {E\left[ {\mathop {\sup }\limits_{\{ s:{t_{i - 1}} < s \le {t_i}\} } {{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} \right]}
\leq E[\mu^2(M_i))] \rightarrow 0
\]
故 $\{ \phi_n\}$ 為我們的approximating sequence to $f_M(B_t)$。
故我們現在可以計算 $\phi_n$對應的 Ito Integral
\[
I(\phi_n) = \sum_i f_M(B_{t_{i-1}})(B_{t_i} - B_{t_{i-1}})
\]且由 Ito Isometry,我們知道 $I(\phi_n) \rightarrow I(f_M)$ in $L^2(dP)$,故我們有了對 $f_M$的Riemann Representation
\[
I(f_M) = \int_0^T f_M(B_s) dB_s = \lim_{||\Delta_n|| \rightarrow 0} \sum_i f_M(B_{t_{i-1}})(B_{t_i} - B_{t_{i-1}}). \ \ (**)
\]
但注意到上式是對 $f_M$,我們想要定義的是 $f$,故現在我們可以開始證明convergence in probability。
首先觀察 $f$ 與 $f_M$ 的兩者間的關係如下:
對所有的 $\omega \in \{ \omega: \tau_M(\omega) =T \}$,我們有 $f(B_{t_i}) = f_M(B_{t_i}) \ \forall \ 0 \leq i \leq n$,故考慮 事件 $\{ \tau_M(\omega) = T\}$,則有如下結果
\[
\int_0^T f(B_s) dB_s = \int_0^T f(B_s) \cdot 1_{\{s \leq \tau_M(\omega) \}}dB_s
\]
定義下列事件 $A_n(\varepsilon )$
\[
A_n(\varepsilon ) := \left\{ {\omega :\left| {\sum\limits_{i = 1}^n {f\left( {{B_{{t_{i - 1}}}}} \right)\left( {{B_{{t_i}}} - {B_{{t_{i - 1}}}}} \right)} - \int_0^T {f\left( {{B_s}} \right)d{B_s}} } \right| \ge \varepsilon } \right\}
\]
故現在我們需要證明的是 對所有的 $\varepsilon >0 $,當$n \rightarrow \infty$,上述事件 $A_n(\varepsilon )$發生的機率為0
我們首先將事件 $A_n(\varepsilon )$ 分成兩部分:
\[P\left( {\left\{ {{A_n}\left( \varepsilon \right) \cap \left\{ {{\tau _M}\left( \omega \right) < T} \right\}} \right\}} \right) + P\left( {\left\{ {{A_n}\left( \varepsilon \right) \cap \left\{ {{\tau _M}\left( \omega \right) = T} \right\}} \right\}} \right)\]當 $M$夠大的時候,第一項 $P\left( {\left\{ {{A_n}\left( \varepsilon \right) \cap \left\{ {{\tau _M}\left( \omega \right) < T} \right\}} \right\}} \right) \leq P\left( {\left\{ {{\tau _M}\left( \omega \right) < T} \right\}} \right) \rightarrow 0$
現在注意第二項,利用 Chebyshev's inequality,我們可以得到下面關係:
\[\begin{array}{l}
P\left( {\left\{ {{A_n}\left( \varepsilon \right) \cap \left\{ {{\tau _M}\left( \omega \right) = T} \right\}} \right\}} \right)\\
\le P\left( {\left\{ {\omega :\left| {\sum\limits_{i = 1}^n {{f_M}\left( {{B_{{t_{i - 1}}}}} \right)\left( {{B_{{t_i}}} - {B_{{t_{i - 1}}}}} \right)} - \int_0^T {{f_M}\left( {{B_s}} \right)d{B_s}} } \right| \ge \varepsilon } \right\}} \right)\\
\le \frac{1}{{{\varepsilon ^2}}}E\left[ {{{\left| {\sum\limits_{i = 1}^n {{f_M}\left( {{B_{{t_{i - 1}}}}} \right)\left( {{B_{{t_i}}} - {B_{{t_{i - 1}}}}} \right)} - \int_0^T {{f_M}\left( {{B_s}} \right)d{B_s}} } \right|}^2}} \right] \rightarrow 0
\end{array}\]
最後式成立是來自之前 Rimenn Representation $ (**)$ 的結果。故我們得到
\[
\int_0^T f(B_s) dB_s = \lim_{||\Delta_n|| \rightarrow 0} \sum_i f(B_{t_{i-1}})(B_{t_i} - B_{t_{i-1}}) \ \text{in Probability}
\]至此證明完畢。 $\square$
ref:
J. M. Steele, Stochastic Calculus and Financial Applications, Springer
[隨機分析] Ito Integral 淺談 (III) - Localization
我們有了 Localizing sequence $\{ \upsilon_n \}$之後,便可以開始著手拓展 Ito Integral 到 $f \in L_{LOC}^2[0, T]$。亦即
\[
\int_0^t f(\omega,s) dB_s \ \ \text{for $f \in L_{LOC}^2[0,T]$}
\]
在定義上述Ito Integral之前,我們需要先介紹一個新的概念: Local Martingale
========
Definition (Local Martingale)
考慮 $t \in [0,T]$,令 $M_t$ 為一個對 filtration $\{ \mathcal{F}_t\}$ adapted 的隨機過程,則我們說 $M_t$ 為一個 Local Martingale 若下列條件成立:
存在一組 停止時間 的sequence $\upsilon_1(\omega) \leq \upsilon_2(\omega) \leq ... \leq \upsilon_n(\omega) \leq ...$ 使得對所有的 $n$,
\[ M_{t \wedge \upsilon_n(\omega)} - M_0 \] 為一個 Martingale, 且機率 $P\left( \bigcup\limits_n {\left\{ {\upsilon_n(\omega) = T} \right\}} \right) =1$
Comment: 上述的一組停止時間的sequence 即為我們先前所介紹的 Localizing sequence。
有了 Local Martingale 在手之後,我們便可以開始著手拓展Ito Integral 到 $f \in L_{LOC}^2[0, T]$。
=============
Definition: (Construction of the Ito Integral for $f \in L_{LOC}^2$)
考慮對所有 $n$, $X_{n,t}$ 為連續時間的 Ito Integral。
\[
X_{n,t} := \int_0^t f(\omega, s) \cdot 1_{\{s \leq \upsilon_n(\omega)\}} dB_s(\omega)\] ,則存在一組連續的 Local Martingale 使得 對 almost every $\omega$而言,下列隨機過程
\[
X_t(\omega) = X_{n,t}(\omega), \ \text{ $\forall$ n s.t. $\upsilon_n(\omega) \geq t$ }
\]且隨機過程 $X_t(\omega)$ 與 Localizing sequence $\{ \upsilon_n \}$的選取無關,故定義 Ito Integral for $f \in L_{LOC}^2$ :
\[
X_t := \int_0^t f(\omega,s) dB_s
\]
===============
事實上此定義需要進一步證明,但這邊我們先假定此定義是well-defined。然後我們想要進一步討論以下這個重要結果。
===============
Theorem (Riemann Representation):
令 $f \in \mathcal{C}(\mathbb{R})$ (即 $f$ 為連續實數函數),且定義 Partition
\[
\Delta_n :=\{ 0 = t_0^n<...<t_n^n=T\}
\],並 mesh $||\Delta_n|| \rightarrow 0$,則
\[
\int_0^T f(B_s) dB_s = \lim_{||\Delta_n|| \rightarrow 0} \sum_i f(B_{t_{i-1}})(B_{t_i} - B_{t_{i-1}}) \ \text{in Probability}
\]================
Proof:
我們要證明
\[
\int_0^T f(B_s) dB_s = \lim_{||\Delta_n|| \rightarrow 0} \sum_i f(B_{t_{i-1}})(B_{t_i} - B_{t_{i-1}}) \ \text{in Probability}
\]
注意到我們現在是落在 compact $[0,T]$,且 布朗運動 $B_t$ 為連續函數,故連續函數在compact domain必定有界。這暗示了$f(B_t)$ 在 $[0,T]$亦為有界。我們把此結果稱作 $(1)$。
有了這個資訊,我們便可先定義一組 停止時間的sequence
\[
\tau_M(\omega) := \inf \{ t \geq 0: |B_t| \geq M \ or \ t=T \}
\]則由結果$(1)$我們知道 $ f(B_t) \cdot 1_{\{ t \leq \tau_M(\omega)\}} \in \mathcal{H}^2[0,T]$ 且 對almost every $\omega$與足夠大的 $n$而言,$\tau_M(\omega) =T$。故此組 停止時間sequence localized $f(B_t(\omega))$,也就是說這組停止時間seqeunce讓 $f(B_t(\omega)) \in L_{LOC}^2[0,T]$。
有了上述結果之後,我們可以開始著手進一步的證明,首先由定理的假設我們引入一個新的函數 $f_M \in \mathcal{C}_c(\mathbb{R})$; ( 其中 $\mathcal{C}_c(\mathbb{R})$ 表連續,且 compactly supported on $\mathbb{R}$ 的space) 使得
\[
f_M(x) = f(x) \ \text{for $|x| \leq M$}
\]因此, $f_M$ 為有界函數(bounded),故取平方積分後依然有界,故我們可推知 $f_M(B_t) \in \mathcal{H}^2[0,T]$,那麼對於此 $f_M$,我們便可應用先前的 $L^2$ space的結果。
對固定 $M$,我們可以計算對 $f_M$函數的 Ito Integral : $\int_0^T f_M(B_s) dB_s$。
由於$f_M(B_t) \in \mathcal{H}^2[0,T]$, 回憶 Density LEMMA ( $\mathcal{H}_0^2$ $\text{is Dense in}$ $\mathcal{H}^2$) 可知,我們可以找到一組 approximating sequence $\phi_n \in \mathcal{H}_0^2$ 使得當 $n \rightarrow \infty$,
\[
|| \phi_n - f_M ||_{L^2{(dP \times dt)}} \rightarrow 0 \ \ \ \ (*)
\]因為$\phi_n \in \mathcal{H}_0^2$ ,我們令
\[
\phi_n(\omega,s) = \sum_{i=1}^n f_M(B_{t_{i-1}}) \cdot 1_{\{ t_{i-1} < s \leq t_{i} \}}
\]
為了要檢驗此 $\{ \phi_n\}$ 為我們的approximating sequence to $f_M(B_t)$,故我們由 $(*)$計算其 $L^2$ norm,
\[
\begin{array}{l}
||{\phi _n}\left( {\omega ,s} \right) - {f_M}\left( {{B_s}} \right)|{|_{{L^2}(dP \times dt)}}= E\left[ {\int_0^T {{{\left( {{\phi _n}\left( {\omega ,s} \right) - {f_M}\left( {{B_s}} \right)} \right)}^2}ds} } \right]\\
= E\left[ {\int_0^T {{{\left( {\sum\limits_{i = 1}^n {{f_M}} ({B_{{t_{i - 1}}}}) \cdot {1_{\{ {t_{i - 1}} < s \le {t_i}\} }} - {f_M}\left( {{B_s}} \right)} \right)}^2}ds} } \right]\\
= E\left[ {\int_0^T {{{\left( {\sum\limits_{i = 1}^n {\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)} \cdot {1_{\{ {t_{i - 1}} < s \le {t_i}\} }}} \right)}^2}ds} } \right]\\
= E\left[ {\int_0^T {\sum\limits_{i = 1}^n {{{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} \cdot {1_{\{ {t_{i - 1}} < s \le {t_i}\} }}ds} } \right]\\
= \int_{{t_{i - 1}}}^{{t_i}} {\sum\limits_{i = 1}^n {E{{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} ds} \\
\le \int_{{t_{i - 1}}}^{{t_i}} {ds} \sum\limits_{i = 1}^n {E\left( {\mathop {\sup }\limits_{\{ s:{t_{i - 1}} < s \le {t_i}\} } {{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} \right)} \\
= (t_i - t_{i-1}) \sum\limits_{i = 1}^n {E\left[ {\mathop {\sup }\limits_{\{ s:{t_{i - 1}} < s \le {t_i}\} } {{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} \right]}
\end{array}
\ \ \ \ (\star)\]
注意到,如果我們定義
\[
\mu(h) := \sup \{ | f_M(x) - f_M(y)|: |x-y| \leq h\}
\]則由於 $f_M$為落在Compact domain的連續函數,故其必定有界;亦即存在一個夠大的常數$B$使得
\[
\mu(h) \leq B
\]且由連續性可知,當 $h \rightarrow 0 \Rightarrow \mu(h) \rightarrow 0$
故如果我們現在定義
\[
M_i := {\displaystyle \mathop {\sup }\limits_{\{ s:{t_{i - 1}} < s \le {t_i}\} } {{ | {({B_{{t_{i - 1}}}}) - \left( {{B_s}} \right)}} |}}
\]由上述定義,我們可推知 $(\star)$ 有如下關係:
\[
(t_i - t_{i-1}) \sum\limits_{i = 1}^n {E\left[ {\mathop {\sup }\limits_{\{ s:{t_{i - 1}} < s \le {t_i}\} } {{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} \right]}
\leq E[\mu^2(M_i))] \\
\]
其中 $ \mu^2(M_i) \leq B \cdot \mu(M_i) \rightarrow 0 \text{as $n \rightarrow \infty$}$
故由 Dominated Convergence theorem,可知當 $n \rightarrow \infty$,我們有
\[
(t_i - t_{i-1}) \sum\limits_{i = 1}^n {E\left[ {\mathop {\sup }\limits_{\{ s:{t_{i - 1}} < s \le {t_i}\} } {{\left( {{f_M}({B_{{t_{i - 1}}}}) - {f_M}\left( {{B_s}} \right)} \right)}^2}} \right]}
\leq E[\mu^2(M_i))] \rightarrow 0
\]
故 $\{ \phi_n\}$ 為我們的approximating sequence to $f_M(B_t)$。
故我們現在可以計算 $\phi_n$對應的 Ito Integral
\[
I(\phi_n) = \sum_i f_M(B_{t_{i-1}})(B_{t_i} - B_{t_{i-1}})
\]且由 Ito Isometry,我們知道 $I(\phi_n) \rightarrow I(f_M)$ in $L^2(dP)$,故我們有了對 $f_M$的Riemann Representation
\[
I(f_M) = \int_0^T f_M(B_s) dB_s = \lim_{||\Delta_n|| \rightarrow 0} \sum_i f_M(B_{t_{i-1}})(B_{t_i} - B_{t_{i-1}}). \ \ (**)
\]
但注意到上式是對 $f_M$,我們想要定義的是 $f$,故現在我們可以開始證明convergence in probability。
首先觀察 $f$ 與 $f_M$ 的兩者間的關係如下:
對所有的 $\omega \in \{ \omega: \tau_M(\omega) =T \}$,我們有 $f(B_{t_i}) = f_M(B_{t_i}) \ \forall \ 0 \leq i \leq n$,故考慮 事件 $\{ \tau_M(\omega) = T\}$,則有如下結果
\[
\int_0^T f(B_s) dB_s = \int_0^T f(B_s) \cdot 1_{\{s \leq \tau_M(\omega) \}}dB_s
\]
定義下列事件 $A_n(\varepsilon )$
\[
A_n(\varepsilon ) := \left\{ {\omega :\left| {\sum\limits_{i = 1}^n {f\left( {{B_{{t_{i - 1}}}}} \right)\left( {{B_{{t_i}}} - {B_{{t_{i - 1}}}}} \right)} - \int_0^T {f\left( {{B_s}} \right)d{B_s}} } \right| \ge \varepsilon } \right\}
\]
故現在我們需要證明的是 對所有的 $\varepsilon >0 $,當$n \rightarrow \infty$,上述事件 $A_n(\varepsilon )$發生的機率為0
我們首先將事件 $A_n(\varepsilon )$ 分成兩部分:
\[P\left( {\left\{ {{A_n}\left( \varepsilon \right) \cap \left\{ {{\tau _M}\left( \omega \right) < T} \right\}} \right\}} \right) + P\left( {\left\{ {{A_n}\left( \varepsilon \right) \cap \left\{ {{\tau _M}\left( \omega \right) = T} \right\}} \right\}} \right)\]當 $M$夠大的時候,第一項 $P\left( {\left\{ {{A_n}\left( \varepsilon \right) \cap \left\{ {{\tau _M}\left( \omega \right) < T} \right\}} \right\}} \right) \leq P\left( {\left\{ {{\tau _M}\left( \omega \right) < T} \right\}} \right) \rightarrow 0$
現在注意第二項,利用 Chebyshev's inequality,我們可以得到下面關係:
\[\begin{array}{l}
P\left( {\left\{ {{A_n}\left( \varepsilon \right) \cap \left\{ {{\tau _M}\left( \omega \right) = T} \right\}} \right\}} \right)\\
\le P\left( {\left\{ {\omega :\left| {\sum\limits_{i = 1}^n {{f_M}\left( {{B_{{t_{i - 1}}}}} \right)\left( {{B_{{t_i}}} - {B_{{t_{i - 1}}}}} \right)} - \int_0^T {{f_M}\left( {{B_s}} \right)d{B_s}} } \right| \ge \varepsilon } \right\}} \right)\\
\le \frac{1}{{{\varepsilon ^2}}}E\left[ {{{\left| {\sum\limits_{i = 1}^n {{f_M}\left( {{B_{{t_{i - 1}}}}} \right)\left( {{B_{{t_i}}} - {B_{{t_{i - 1}}}}} \right)} - \int_0^T {{f_M}\left( {{B_s}} \right)d{B_s}} } \right|}^2}} \right] \rightarrow 0
\end{array}\]
最後式成立是來自之前 Rimenn Representation $ (**)$ 的結果。故我們得到
\[
\int_0^T f(B_s) dB_s = \lim_{||\Delta_n|| \rightarrow 0} \sum_i f(B_{t_{i-1}})(B_{t_i} - B_{t_{i-1}}) \ \text{in Probability}
\]至此證明完畢。 $\square$
ref:
J. M. Steele, Stochastic Calculus and Financial Applications, Springer
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 $f \in \mathcal{H}^2$,亦即積分變數必須滿足如下 $L^2$ 可積性條件
\[
E \left[ \int_0^T f^2(\omega, t) dt \right] < \infty
\]
現在如果我們考慮如下 Ito Integral:
考慮 $g : \mathbb{R} \rightarrow \mathbb{R}$ 為連續函數
\[
\int_0^t g(B_s)dB_s
\]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
\[
g(B_t) :={e^{{B_t}^4}}
\],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)
\[
E[{e^{{B_t}^4}}] \ge {e^{E[{B_t}^4]}} = {e^{E[{B_t}^4]}} = {e^{3{t^2}}}
\]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 $E[{e^{{B_t}^4}}] \rightarrow \infty$ 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: $f \in L_{LOC}^2 [0,T]$ space
令函數 $f: \Omega \times [0,T] \rightarrow \mathbb{R}$ 為 measurable 與 adapted;若存在一組 非遞減 (nondecreasing) 停止時間(stopping time) 的 sequence
\[
\upsilon_1(\omega) \leq \upsilon _2(\omega) \leq ... \leq \upsilon_n(\omega) \leq ...
\] 使得 $f_n(\omega,t) := f(\omega,t) \cdot 1_{ \{ t \leq \upsilon_n(\omega) \} } \in \mathcal{H}^2[0,T]$ 且對足夠大的 $n$而言, $\upsilon_n(\omega) = T$ for almost every $\omega$;則我們說
\[
f \in L_{LOC}^2 [0,T]
\]
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 $\mathcal{H}^2$ 之中。
2. 由 $f \in L_{LOC}^2$ 的定義,可知 $\mathcal{H}^2 \subset L_{LOC}^2$,故對任意連續函數 $g : \mathbb{R} \rightarrow \mathbb{R}$ 而言,我們有 $f(\omega, t) = g(B_t)$,注意到標準布朗運動 $B_t$ 為連續函數,故 $g(B_t)$亦為連續函數。現在如果我們的 $ f(\omega,t) = g(B_t) \in L_{LOC}^2$,則有一組停止時間使得我們的積分變數都落在 $\mathcal{H}^2$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 $\omega$,函數 $t \mapsto g(B_t(\omega))$ 在閉區間 $[0, T]$ 為有界,亦即 $ f(\omega,t) = g(B_t) \in L_{LOC}^2$。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 $L_{LOC}^2$,但並不容易用來確認函數是否落在 $L_{LOC}^2$。故下面我們給出一個等價的定義結果:
Claim: $f \in L_{LOC}^2 \Leftrightarrow \int_0^T f(\omega,t)^2 dt < \infty$ for almost every $\omega$
Proof
先證 $ ( \Rightarrow )$
假設 $f \in L_{LOC}^2$,我們要證明 $\int_0^T f(\omega,t)^2 dt < \infty$ for almost every $\omega$
由定義 $f \in L_{LOC}^2 [0,T]$ space,可知 存在一組 非遞減 (nondecreasing) 停止時間(stopping time) 的 sequence
\[
\upsilon_1(\omega) \leq \upsilon _2(\omega) \leq ... \leq \upsilon_n(\omega) \leq ...
\] 使得 $f_n(\omega,t) = f(\omega,t) \cdot 1_{ \{ t \leq \upsilon_n(\omega) \} } \in \mathcal{H}^2[0,T]$
且對足夠大的 $n$而言, $\upsilon_n(\omega) = T$ for almost every $\omega$
我們首先利用 $f_n(\omega,t) \in \mathcal{H}^2$ 可知,
\[
E \left [ \int_0^T f^2_n(\omega,t) dt \right ] < \infty
\] 亦即
\[
\Rightarrow E \left [ \int_0^T f^2(\omega,t) \cdot 1_{ \{ t \leq \upsilon_n(\omega) \} } dt \right ] < \infty \ \ \ (*)
\] 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 " $f_n(\omega,t)$ 為平方可積分的事件",亦即定義事件 $\Gamma_n$如下
\[
\Gamma_n := \left \{ \omega: \int_0^T f^2_n(\omega,t) dt <\infty \right \}
\]
則機率 $P \{ \Gamma_n \} = 1$
現在,我們對$\Gamma_n$取交集,得到 $\Gamma = \bigcap\limits_n {{\Gamma _n}} $,且 $P \{ \Gamma \} = 1$;
現在我們使用為尚未用上的 $f \in L_{LOC}^2 [0,T]$ space 定義:對足夠大的 $n$而言, $\upsilon_n(\omega) = T$ for almost every $\omega$,
故令 $\omega \in \Gamma$ 且 $n$ 足夠大。使得$\upsilon_n(\omega) = T$;則我們觀察式 $(*)$ 的等號右邊
\[
\int_0^T f^2(\omega,t) \cdot 1_{ \{ t \leq \upsilon_n(\omega) \} } dt = \int_0^T f^2(\omega,t) \cdot 1_{ \{ t \leq T \} } dt <\infty
\]但是又注意因為上式 Indicator function 為 $1_{ \{ t \leq T \}}$ 而積分範圍是從 $0$ 到 $T$,故此$1_{ \{ t \leq T \}} =1$,亦即
\[
\int_0^T f^2(\omega,t) \cdot 1_{ \{ t \leq T \} } dt = \int_0^T f^2(\omega,t) dt <\infty
\]
故得證 $(\Rightarrow)$
接著我們證明另一個方向 $(\Leftarrow)$:
假設 $\int_0^T f(\omega,t)^2 dt < \infty$ for almost every $\omega$,我們要證明 $f \in L_{LOC}^2$。
也就是要證明:"存在一組 非遞減 (nondecreasing) 停止時間(stopping time) 的 sequence
\[
\upsilon_1(\omega) \leq \upsilon _2(\omega) \leq ... \leq \upsilon_n(\omega) \leq ...
\] 使得 $f_n(\omega,t) := f(\omega,t) \cdot 1_{ \{ t \leq \upsilon_n(\omega) \} } \in \mathcal{H}^2[0,T]$ 且對足夠大的 $n$而言, $\upsilon_n(\omega) = T$ for almost every $\omega$ "
故我們現在定義一組符合上述要求 停止時間的sequence
\[
\upsilon_n(\omega) := \inf \left \{ s \geq 0 : \int_0^s f(\omega, u)^2 du \geq n \ or \ s=T \right \}
\]由基本積分理論可知 $s \mapsto \int_0^s f(\omega, s)^s du$ 為一個連續函數,故我們有下列結果
\[
\int_0^{\upsilon_n(\omega)} f^2(\omega, u) du \leq n \Rightarrow \int_0^T f^2(\omega, u) \cdot 1_{ \{u \leq \upsilon_n(\omega)\}} du \leq n
\]第二式成立是因為對時間 $(du)$ 積分 (非對 $d B_u$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
\[
E[ \int_0^T f^2(\omega, u) \cdot 1_{\{u \leq \upsilon_n(\omega)\}} du] \leq n < \infty
\]
亦即, $f(\omega,u) \cdot 1_{\{ u \leq \upsilon_n(\omega) \} } \in \mathcal{H}^2[0,T]$. 即為所求 $\square$
==========
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:
文章 (Atom)
[數學分析] Mean Value Theorem 與 Lipschitz 連續性:有界導數蘊含 Lipschitz
數學分析上的 Lipschitz condition 與 mean value theorem 有一些有趣的關係:在區間上具有均勻有界導數(uniformly bounded derivative)的可導函數 $f$ 必為 Lipschitz 連續。為此首先回憶基本一維的...
-
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 ...
-
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...
-
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 (...