[논문 리뷰] Nonlinear Expectations and Stochastic Calculus under Uncertainty

Shigē Péng|arXiv (Cornell University)|2010. 02. 24.

Risk and Portfolio Optimization인용 수 84

한 줄 요약

이 논문은 모델 불확실성 하에서 비선형 기대와 확률적 미적분의 새로운 프레임워크를 제안하며, 고전적 확률론을 하한선 기대값으로 대체하여 모호한 분포를 모델링한다. 약한 i.i.d. 조건 하에서 강력한 대수법칙과 중심극한정리를 수립하여 G-브라운 motion과 완전히 비선형인 PDE(즉, G-방정식)를 도출하며, 이는 한계 분포를 기술한다. 이는 강건한 금융 모델링과 불확실성 정량화를 위한 엄밀한 기초를 제공한다.

ABSTRACT

In this book, we introduce a new approach of sublinear expectation to deal with the problem of probability and distribution model uncertainty. We a new type of (robust) normal distributions and the related central limit theorem under sublinear expectation. We also present a new type of Brownian motion under sublinear expectations and the related stochastic calculus of Ito's type. The results provide robust tools for the problem of probability model uncertainty arising from financial risk management, statistics and stochastic controls.

연구 동기 및 목표

• 모델 불확실성 하에서 고전적 확률론을 하한선 기대값으로 대체하여 강건한 확률적 미적분 프레임워크를 개발한다.
• 기본적인 대수법칙과 중심극한정리를, 기저 확률 분포가 모호하거나 정밀하지 않은 설정으로 일반화한다.
• 데이터의 일관성 부족에도 불구하고 정규분포의 실용적 사용에 대한 이론적 기초를 마련하기 위해, 분포 불확실성 하에서 G-정규분포가 자연스럽게 유도됨을 보여준다.
• 모델 불확실성 하에서의 확률 과정과 두 번째 순서 완전히 비선형 PDE(HJB 방정식), 특히 G-방정식 간의 연결 고리를 설정한다.
• 모델의 모호성 하에서 리스크 관리 및 금융 가격 설정에 대해 수학적으로 엄밀하고 계산적으로 구현 가능한 도구를 제공한다.

제안 방법

• 집합 $\{P_\theta\}$ 위에서의 상한 기대값으로 표현된 하한선 기대값 $\mathbb{E}[X] = \sup_{\theta \in \Theta} \mathbb{E}_\theta[X]$ 정의.
• 약한 i.i.d. 조건 하에서 $\mathbb{E}$-독립성과 $\mathbb{E}$-동일분포 개념 도입. 분포는 집합 $\{F_\theta(x)\}$ 내에서 유계이다.
• 새로운 대수법칙 수립: $\lim_{n\to\infty} \mathbb{E}[\varphi(S_n/n)] = \sup_{\underline{\mu} \leq v \leq \overline{\mu}} \varphi(v)$로, 이는 Dirac 측도 집합으로 수렴함을 보여준다.
• 강건한 중심극한정리 유도: $\lim_{n\to\infty} \mathbb{E}[\varphi(S_n/\sqrt{n})] = \mathbb{E}[\varphi(X)]$, 여기서 $X$는 분산 불확실성 $[\underline{\sigma}^2, \overline{\sigma}^2]$을 갖는 G-정규분포이다.
• G-방정식 $\partial_t u + G(Du, D^2u) = 0$을 통해 한계 분포 모델링. 여기서 $G(a) = \frac{1}{2}(\overline{\sigma}^2 a^+ - \underline{\sigma}^2 a^-)$로, 확률 과정과 완전히 비선형 PDE 간의 연결 고리를 제공한다.
• Krylov(2008)의 정규성 추정치를 활용하여 점성해 이론과 정규성 추정치를 사용해 G-방정식의 해 존재성과 호일더 연속성을 증명한다.

실험 결과

연구 질문

• RQ1 기저 확률 분포가 모호하거나 정밀하지 않을 경우 고전적 대수법칙은 어떻게 일반화될 수 있는가?
• RQ2 분포 불확실성 하에서 정규화된 합의 한계 분포는 무엇이며, 고전적 정규분포와 어떻게 다를까?
• RQ3 고정된 확률 측도 하에서 i.i.d. 표본 추출을 가정하지 않고도 강건한 중심극한정리를 수립할 수 있는가?
• RQ4 모델 불확실성 하에서의 확률 과정과 완전히 비선형 PDE 간의 연결 고리는 무엇인가?
• RQ5 G-정규 랜덤 변수의 함수 기대값은 어떻게 계산할 수 있으며, 볼록성과 볼록성의 역할은 무엇인가?

주요 결과

• 강건한 대수법칙에 따르면 $\mathbb{E}[\varphi(S_n/n)]$는 $\sup_{\underline{\mu} \leq v \leq \overline{\mu}} \varphi(v)$로 수렴하며, 이는 표본 평균이 구간 $[\underline{\mu}, \overline{\mu}]$에 집중됨을 보여준다.
• 강건한 중심극한정리에 따르면 $\lim_{n\to\infty} \mathbb{E}[\varphi(S_n/\sqrt{n})] = \mathbb{E}[\varphi(X)]$이며, 여기서 $X \sim N(\{0\} \times [\underline{\sigma}^2, \overline{\sigma}^2])$로, G-정규분포이다.
• 함수 $\varphi$가 볼록일 경우 $\mathbb{E}[\varphi(X)] = \frac{1}{\sqrt{2\pi\overline{\sigma}^2}} \int_{-\infty}^\infty \varphi(x) \exp(-x^2/(2\overline{\sigma}^2)) dx$이며, 함수 $\varphi$가 볼록일 경우 $\overline{\sigma}^2$가 $\underline{\sigma}^2$로 대체된다.
• $\underline{\sigma} = \overline{\sigma} = \sigma$일 경우 G-정규분포는 고전적 정규분포 $N(0, \sigma^2)$로 축소되며, 고전적 중심극한정리를 복원한다.
• 확률 변수 $X$의 분포는 PDE $\partial_t u = G(u_{xx})$의 해 $u(t,x) = \mathbb{E}[\varphi(x + \sqrt{t}X)]$로 특징지어지며, 여기서 $G(a) = \frac{1}{2}(\overline{\sigma}^2 a^+ - \underline{\sigma}^2 a^-)$이다.
• G-방정식의 해들이 차원과 타원성 상수 $\varepsilon, K$에 따라 $\alpha \in (0,1)$의 호일더 연속성을 띤다는 것이 입증되었으며, 이는 정규성과 잘 정의됨을 보장한다.