[论文解读] G-Expectation, G-Brownian Motion and Related Stochastic Calculus of Ito's type

Shigē Péng|ArXiv.org|Jan 3, 2006

Stochastic processes and financial applications被引用 8

一句话总结

本文引入了G-期望，一种基于生成元G的完全非线性热方程的非线性期望框架，实现了G-布朗运动的构造以及相应的伊藤型随机微积分。其主要贡献是在这一内在的、与概率空间无关的框架下，提出了新的伊藤公式，并建立了SDE的存在性与唯一性结果，将经典伊藤微积分推广至可处理波动率模糊性的模型。

ABSTRACT

We introduce a notion of nonlinear expectation --G--expectation-- generated by a nonlinear heat equation with infinitesimal generator G. We first discuss the notion of G-standard normal distribution. With this nonlinear distribution we can introduce our G-expectation under which the canonical process is a G--Brownian motion. We then establish the related stochastic calculus, especially stochastic integrals of Ito's type with respect to our G--Brownian motion and derive the related Ito's formula. We have also give the existence and uniqueness of stochastic differential equation under our G-expectation. As compared with our previous framework of g-expectations, the theory of G-expectation is intrinsic in the sense that it is not based on a given (linear) probability space.

研究动机与目标

• 开发一种独立于预设概率空间的非线性期望框架，以解决经典概率论中的局限性。
• 通过具有生成元G的完全非线性热方程，定义G-布朗运动与G-正态分布。
• 在G-期望下建立伊藤型随机微积分，包括随机积分与伊藤公式。
• 在G-框架下证明随机微分方程（SDE）解的存在性与唯一性。
• 为金融领域与随机过程中的波动率不确定性建模提供基于内在、无模型依赖方法的理论基础。

提出的方法

• 通过具有单参数生成元G的完全非线性热方程（G-热方程）的解来定义G-期望，推广经典热方程。
• 将G-正态分布定义为G-期望下典范过程的分布，其来源于G-热方程。
• 在G-框架中，通过简单过程的极限程序构造关于G-布朗运动的随机积分。
• 推导适用于G-布朗运动的新伊藤公式，涉及二阶导数与生成元G，推广经典伊藤公式。
• 通过在空间 $M_G^2(0,T;\mathbb{R}^n)$ 中证明压缩映射原理，建立G-期望下SDE解的存在性与唯一性。
• 利用涉及G-条件期望与G-期望下的 $L^2$-范数的先验估计，控制收敛性与稳定性。

实验结果

研究问题

• RQ1 能否在不依赖给定概率空间的前提下，内在地构造非线性期望？
• RQ2 如何为源自完全非线性热方程的G-布朗运动发展一种伊藤型随机微积分？
• RQ3 在G-期望下，伊藤公式的形式为何？与经典伊藤公式有何不同？
• RQ4 在何种条件下，由G-布朗运动驱动的随机微分方程存在唯一解？
• RQ5 G-框架与一致风险度量及波动率不确定性模型之间有何关联？

主要发现

• G-期望通过具有生成元G的完全非线性热方程的解内在定义，无需依赖预设概率空间。
• 在G-期望下，典范过程为G-布朗运动，其分布为由G-热方程导出的G-正态分布。
• 为G-布朗运动推导出新的伊藤公式，涉及生成元G与二阶导数，推广经典伊藤公式。
• 在G-期望下构造了伊藤型随机积分，其收敛性通过 $L^2$-估计与极限程序得以确立。
• 在系数满足Lipschitz条件时，形如 $X_t = X_0 + \int_0^t b(X_s)ds + \int_0^t h(X_s)d\langle B\rangle_s + \int_0^t \sigma(X_s)dB_s$ 的随机微分方程在 $M_G^2(0,T;\mathbb{R}^n)$ 中存在唯一解。
• 该框架为完全非线性PDE提供了概率基础，并能建模波动率模糊性，且与一致风险度量等价。