[论文解读] Momentum-Space Approach to Asymptotic Expansion for Stochastic Filtering and other Problems

Masaaki Fujii|arXiv (Cornell University)|Jan 1, 2012

Stochastic processes and financial applications被引用 2

一句话总结

本文提出了一种动量空间渐近展开方法用于随机滤波，通过傅里叶变换和多项式逼近，将非线性滤波问题转化为可解的递归常微分方程（ODE）系统。该方法通过子步长法实现高效、高阶的数值计算，在标准渐近方法失效的区域显著提升了精度。

ABSTRACT

This paper develops an asymptotic expansion technique in momentum space. It is shown that Fourier transformation combined with a polynomial-function approximation of the nonlinear terms gives a closed recursive system of ordinary differential equations (ODEs) as an asymptotic expansion of the conditional distribution appearing in stochastic filtering problems. Thanks to the simplicity of the ODE system, higher order calculation can be performed easily. Furthermore, solving ODEs sequentially with small sub-periods with updated initial conditions makes it possible to implement a substepping method for asymptotic expansion in a numerically efficient way. This is found to improve the performance significantly where otherwise the approximation fails badly. The method may be useful for other applications, such as, option pricing in finance as well as measure-valued stochastic dynamics in general.

研究动机与目标

• 解决非线性随机滤波问题中高阶渐近逼近的挑战。
• 克服标准渐近方法在复杂滤波场景中出现的数值不稳定性和失效问题。
• 开发一种计算高效的框架，用于计算随机滤波中的条件分布。
• 通过递归 ODE 和子步长法，实现更高阶渐近展开的实际应用。
• 将该方法的应用范围从滤波扩展至其他问题，如期权定价和测度值动力学。

提出的方法

• 通过傅里叶变换将滤波问题转换到动量空间，以简化非线性项。
• 使用多项式函数逼近福克-普朗克方程中的非线性分量。
• 推导出表示渐近展开的递归常微分方程（ODE）系统。
• 实现一种子步长算法，通过在小时间区间内顺序求解 ODE，并更新初始条件。
• 利用 ODE 系统的简洁性，实现高阶计算的高效执行。
• 利用递归结构，实现条件分布的可扩展且数值稳定的计算。

实验结果

研究问题

• RQ1 动量空间表述能否提升随机滤波中渐近展开的数值稳定性和精度？
• RQ2 通过傅里叶变换和多项式逼近推导出的递归 ODE 系统在高阶展开中的表现如何？
• RQ3 子步长法在多大程度上提升了渐近近似的一致收敛性和可靠性？
• RQ4 该方法能否推广至涉及测度值随机动力学的其他问题？
• RQ5 高阶项对条件分布近似精度的影响如何？

主要发现

• 动量空间方法将复杂的非线性滤波问题转化为递归 ODE 系统，实现了系统化的高阶展开。
• 对非线性项使用多项式逼近，使得渐近框架中具备解析和数值可处理性。
• 结合更新初始条件的子步长法显著提升了数值性能，并防止了标准渐近方法在失效区域的崩溃。
• 递归 ODE 结构支持高阶项的高效计算，使该方法在实际应用中具备可扩展性。
• 该方法在金融期权定价及其他测度值随机过程中的应用展现出强大潜力。
• 该方法为非线性滤波中的传统渐近技术提供了一种稳健且计算高效的替代方案。