[논문 리뷰] Transformations of Markov Processes and Classification Scheme for Solvable Driftless Diffusions

Claudio Albanese, Alexey Kuznetsov|ArXiv.org|2007. 10. 08.

Stochastic processes and financial applications참고 문헌 18인용 수 17

한 줄 요약

이 논문은 도오브의 h-변환과 미분형식을 조합한 확률적 변환을 활용하여 해석적으로 풀 수 있는 일차원 확산 과정에 대한 새로운 분류 체계를 제안한다. 주요 기여는 기존 과정을 변환하여 새로운 드리프트가 없는 해석적 확산 과정의 가족을 체계적으로 생성하는 방법을 제공하는 것으로, 특히 초함수 및 초함수형 수렴형 R-가족의 형태로 표현되는 해석적 해를 가진 과정들을 포함한다. 이러한 모든 과정들은 불변 보즈 불변량과 리우빌 변환을 통해 초함수 함수로 전이 밀도를 기술할 수 있다.

ABSTRACT

We propose a new classification scheme for diffusion processes for which the backward Kolmogorov equation is solvable in analytically closed form by reduction to hypergeometric equations of the Gaussian or confluent type. The construction makes use of transformations of diffusion processes to eliminate the drift which combine a measure change given by Doob's h-transform and a diffeomorphism. Such transformations have the important property of preserving analytic solvability of the process: the transition probability density for the driftless process can be expressed through the transition probability density of original process. We also make use of tools from the theory of ordinary differential equations such as Liouville transformations, canonical forms and Bose invariants. Beside recognizing all analytically solvable diffusion process known in the previous literature fall into this scheme and we also discover rich new families of analytically solvable processes.

연구 동기 및 목표

• 백분류 히스토리 방정식이 초함수 방정식으로 감소함으로써 닫힌 형태로 해석적으로 풀 수 있는 일차원 마르코프 과정에 대한 종합적인 분류 체계를 개발하는 것.
• 측도 변화(도오브의 h-변환)와 미분형식을 사용하여 일반적인 확산 과정을 드리프트가 없는 형태로 변환하면서도 해석적 풀이 가능성을 유지하는 프레임워크를 구축하는 것.
• 기존의 오르nstain-Uhlenbeck, 베ssel, CIR, 자코비 과정과 같은 클래스를 초월하여 새로운 해석적 풀이가 가능한 확산 과정의 가족을 식별하고 특성화하는 것.
• 해석적 풀이 가능성은 유지하면서 변환에 대해 불변인 불변량인 보즈 불변량과 리우빌 변환을 도입하여 새로운 해석적 풀이가 가능한 과정을 체계적으로 생성하는 데 기여하는 것.
• 기존 문헌에서 알려진 모든 해석적 풀이가 가능한 확산 과정이 이 분류 체계에 포함됨을 보여주며, 더 풍부한 새로운 가족을 발견함으로써 기존 결과를 통합하고 일반화하는 것.

제안 방법

• 드리프트를 제거하기 위해 도오브의 h-변환(측도 변화)과 미분형식(상태공간 변화)으로 구성된 확률적 변환을 사용한다.
• 두 번째 차수 미분 연산자(생성자)를 표준 초함수 또는 초함수형 방정식으로 감소시키기 위해 리우빌 변환과 표준형을 적용한다.
• 해석적 풀이 가능성은 유지되며, 확률적 변환에 대해 불변인 보즈 불변량을 활용한다.
• 해당 ODE의 기본 해의 와른스키안과 변환의 자코비안을 사용하여 변환된 과정의 변동성 함수를 유도한다.
• 측도 변화와 상태공간 변화에 따라 밀도가 변하는 것을 고려하여, 원래 과정의 밀도를 변환 관계를 통해 드리프트가 없는 과정의 전이 밀도로 구성한다.
• 정규 특이점을 가진 두 번째 차수 선형 상미분방정식 이론을 활용하여, 그 표준형과 관련 특수함수(초함수 또는 초함수형)에 기반해 가능한 모든 해석적 풀이가 가능한 생성자들을 분류한다.

실험 결과

연구 질문

• RQ1 어느 정도의 일차원 확산 과정이 그들의 백분류 히스토리 방정식에 대해 해석적으로 닫힌 형태의 해를 갖는가?
• RQ2 드리프트를 제거하면서도 해석적 풀이 가능성을 유지하는 확률적 변환을 체계적으로 구성하는 방법은 무엇인가?
• RQ3 그러한 변환에 대해 불변하는 불변량은 무엇이며, 이를 통해 해석적 풀이가 가능한 과정을 어떻게 분류할 수 있는가?
• RQ4 이 프레임워크는 기존의 고전적 과정들(예: CIR, 자코비, 오르nstain-Uhlenbeck)을 초월하여 새로운 해석적 풀이가 가능한 확산 과정의 가족을 생성할 수 있는가?
• RQ5 원래 과정의 생성자와 변환된 드리프트 없는 과정의 변동성 함수 사이의 정확한 관계는 무엇인가?

주요 결과

• 기존에 알려진 모든 해석적 풀이가 가능한 확산 과정—예를 들어 오르nstain-Uhlenbeck, 베assel, CIR, 자코비 과정—은 제안된 분류 체계에 포함된다.
• 논문은 두 가지 새로운 해석적 풀이가 가능한 확산 과정의 가족을 구성한다: $A(x) = x(1-x)$인 초함수형 R-가족과 $A(x) = x$인 초함수형 수렴형 R-가족으로, 이는 자코비 및 CIR 과정을 일반화한다.
• 변환된 드리프트 없는 과정의 변동성 함수는 $\sigma_Y(Y(x)) = y'(x) / \gamma(y(x))$로 명시적으로 주어지며, 여기서 $y(x)$는 초함수형 ODE의 해의 모비우스 변환이다.
• 드리프트가 없는 과정의 전이 밀도는 원래 과정의 밀도를 변환함으로써 초함수 함수로 표현 가능하며, 해석적 풀이 가능성은 유지된다.
• 보즈 불변량은 확률적 변환에 대해 불변이며, 해석적 풀이가 가능한 생성자에 대한 완전한 분류 도구로 기능하여 새로운 해석적 풀이가 가능한 클래스를 식별하는 데 기여한다.
• 두 번째 분류 정리에 따르면, (초함수형) 초함수형 R-가족에 속하는 모든 과정은 동일한 기본 과정의 스토케스틱 변환으로 나타나며, 그 동역학은 $dX_t = (a + bX_t) \frac{A(X_t)}{R(X_t)} dt + \frac{A(X_t)}{\sqrt{R(X_t)}} dW_t$로 주어지며, 여기서 $R(x)$는 정의역 내에 영이 없는 이차다항식이다.