[論文レビュー] A multilevel Monte Carlo method for a class of McKean-Vlasov processes

Lee Ricketson|arXiv (Cornell University)|Aug 10, 2015

Stochastic processes and financial applications参考文献 33被引用数 10

ひとこと要約

本稿は、解の法に依存する係数を有する確率的微分方程式（McKean-Vlasov過程）をシミュレートするための、多層モンテカルロ（MLMC）法の新規な手法を提示する。粗いレベルでの平均場推定値を活用することで分散を低減する。この手法は、$L^1$ 誤差が $ε$ に達するまでに $O(\u03b5^{-2}(\log\u03b5)^5)$ の複雑性を達成し、この設定における標準的MLMCの $O(\u03b5^{-3})$ の複雑性と比較して顕著な改善を示す。

ABSTRACT

We generalize the multilevel Monte Carlo (MLMC) method of Giles to the simulation of systems of particles that interact via a mean field. When the number of particles is large, these systems are described by a McKean-Vlasov process - a stochastic differential equation (SDE) whose coefficients depend on expectations of the solution as well as pathwise data. In contrast to standard MLMC, the new method uses mean field estimates at coarse levels to inform the fine level computations. Using techniques from the theory of propagation of chaos, we prove convergence and complexity results for the algorithm in a special case. We find that the new method achieves $L^1$ error of size $\varepsilon$ with $O(\varepsilon^{-2} (\log \varepsilon)^5)$ complexity, in contrast to the $O(\varepsilon^{-3})$ complexity of standard methods. We also prove a variance scaling result that strongly suggests similar performance of the algorithm in a more general context. We present numerical examples from applications and observe the expected behavior in each case.

研究の動機と目的

• McKean-Vlasov SDEに従う相互作用粒子系に多層モンテカルロ（MLMC）法を拡張すること。ここで係数は、粒子系の経験的平均場に依存する。
• 巨大な粒子系（$N_p \approx 10^{23}$）のシミュレーションが計算的に非現実的であることを踏まえ、平均場極限による近似を導入すること。
• 粗いレベルでの平均場推定値を用いて細かいレベルのシミュレーションを支援する分散低減戦略を開発し、標準的MLMCと比較して計算効率を向上させること。
• 伝播の混沌（propagation of chaos）理論を用いて、特殊な場合における提案手法の理論的収束性および複雑性の上限を確立すること。
• 数値的検証を通じて、実用的応用において期待される性能を確認すること。

提案手法

• 時間ステップ $\Delta t_\ell \propto 2^{-\ell}$ の階層を導入し、標準的MLMCと同様の構造を採用するが、細かいレベルでの駆動項および拡散係数に、粗いレベルからの平均場推定値 $\widehat{R}^\ell$ を組み込む。
• 伝播の混沌の性質を活用し、$N_p \to \infty$ のとき、粒子系が解の期待値に依存する係数を持つMcKean-Vlasov SDEに収束することを保証する。
• 離散グローナルの不等式とモーメントの上限を用いて、レベル間での誤差伝播を制御する。主な推定は、マルティンゲール項に対してバーグシュタイン＝デイヴィス＝ギュンディー（Burkholder-Davis-Gundy）不等式を用いて導出される。
• 粗いレベルと細かいレベルのシミュレーション間の相関を活用することで分散低減を達成する。特に、粗いレベルでの平均場推定値が、細かいレベルと粗いレベルのパスの差の分散を低減する。
• 各レベル間での係数（駆動項および拡散係数）の $L^p$ ノルムの差を $\epsilon_\ell(p)$ を用いて上限付けする。$p=1$ のとき $\Delta t_\ell^{1/2}$、$p=2$ のとき $\Delta t_\ell |\log \Delta t_\ell|$、$p>2$ のとき $\Delta t_\ell$ に比例するスケーリングが得られ、レベル間の安定性が保証される。
• 理論的複雑性解析により、レベル $\ell$ における期待誤差が $\delta_n^\ell(p) = O(\epsilon_\ell(p))$ に減少することが示され、$L^1$ 誤差 $\u03b5$ を達成するための総合的複雑性が $O(\u03b5^{-2}(\log \u03b5)^5)$ に抑えられることを示す。

実験結果

リサーチクエスチョン

• RQ1 多層モンテカルロ法は、平均場相互作用を有するMcKean-Vlasov SDEに従う相互作用粒子系に一般化可能か？
• RQ2 粗いレベルでの平均場推定値を用いて細かいレベルのシミュレーションを支援することで、標準的MLMCと比較して分散が低減され、計算複雑性が改善されるか？
• RQ3 目標とする $L^1$ 誤差 $\u03b5$ を達成するための、提案手法の理論的複雑性は何か？
• RQ4 階層内のレベルと時間ステップサイズに応じて、細かいパスと粗いパスの差の分散はどのようにスケーリングされるか？
• RQ5 解析した特殊ケースを超えて、分散スケーリングの結果に基づいて、この手法が良好な収束性を維持するか？

主な発見

• 提案された多層モンテカルロ法は、$L^1$ 誤差が $\u03b5$ に達するまでに $O(\u03b5^{-2}(\log \u03b5)^5)$ の複雑性を達成し、このクラスの問題に対して標準的モンテカルロ法の $O(\u03b5^{-3})$ の複雑性と比較して顕著な改善を示す。
• 粗いレベルでの平均場推定値を用いて細かいレベルのシミュレーションを支援することで、分散が低減され、巨大粒子系におけるスケーラビリティが向上する。
• 理論的解析により、各レベルにおける誤差が $O(\epsilon_\ell(p))$ に減少することが確認され、$\epsilon_\ell(p)$ は $p=1$ のとき $\Delta t_\ell^{1/2}$、$p=2$ のとき $\Delta t_\ell |\log \Delta t_\ell|$、$p>2$ のとき $\Delta t_\ell$ に比例するスケーリングを示し、レベル間の安定性が保証される。
• 分散スケーリングの結果は、解析した特殊ケースを超えて、より広範なMcKean-Vlasov過程のクラスに対しても、改善された複雑性性能が成り立つ可能性を強く示唆する。
• 数値的例は、期待される挙動を確認し、実用的応用において理論的予測と整合した実効性を示している。