[論文レビュー] Strong Numerical Methods of Orders 2.0, 2.5, and 3.0 for Ito Stochastic Differential Equations Based on the Unified Stochastic Taylor Expansions and Multiple Fourier-Legendre Series

Dmitriy F. Kuznetsov|arXiv (Cornell University)|Jul 5, 2018

Stochastic processes and financial applications参考文献 35被引用数 26

ひとこと要約

本稿では、多次元非可換ノイズを伴う伊藤型確率微分方程式（SDE）に対して、統一的なテイラー＝イトおよびテイラー＝ストラトニヴィチ展開を用いて、2.0、2.5、3.0次の明示的一段階強数値解法を提示する。この手法は、多重度6までの反復ストラトニヴィチ積分の高精度な平均二乗近似を実現するため、多重フーリエ＝レジェンドル級数を採用している。これにより、制御およびフィルタリング応用におけるSDEの効率的かつ高精度な数値解法が可能になる。

ABSTRACT

The article is devoted to the construction of explicit one-step numerical methods with the strong orders of convergence 2.0, 2,5, and 3.0 for Ito stochastic differential equations with multidimensional non-commutative noise. We consider the numerical methods based on the unified Taylor-Ito and Taylor-Stratonovich expansions. For numerical modeling of iterated Ito and Stratonovich stochastic integrals of multiplicities 1 to 6 we appling the method of multiple Fourier-Legendre series converging in the sense of norm in Hilbert space $L_2([t, T]^k),$ $k=1,\ldots,6$. The article is addressed to engineers who use numerical modeling in stochastic control and for solving the non-linear filtering problem. The article can be interesting for the mathematicians who working in the field of high-order strong numerical methods for Ito stochastic differential equations.

研究の動機と目的

• 非可換ノイズを伴う伊藤型SDEに対して、高次明示的一段階強数値解法を開発すること。
• 多重度1から6までの反復イトおよびストラトニヴィチ確率積分の正確な平均二乗近似の課題に取り組むこと。
• 高次スキームの整合性を確保するため、テイラー＝イトおよびテイラー＝ストラトニヴィチ展開を統一的に組み合わせること。
• 複数の確率積分の効率的計算を可能にすることで、確率的制御、フィルタリング、安定性解析におけるSDEの実用的数値解法を実現すること。
• 270,000個の事前計算されたフーリエ係数をサポートするPythonソフトウェアパッケージとして理論を実装し、収束次数0.5から3.0までをカバーすること。

提案手法

• 本手法は、伊藤型SDEの高次数値スキームを導出するため、統一的なテイラー＝イトおよびテイラー＝ストラトニヴィチ展開に基づく。
• 多重度1から6までの反復確率積分は、区間$[t,T]^k$上での$L_2$ノルムにおいて収束する多重フーリエ＝レジェンドル級数を用いて近似される。
• フーリエ＝レジェンドル展開の係数は厳密に計算され、再利用を効率化するため270,000個の係数を含むデータベースに格納される。
• 近似誤差は平均二乗ノルムを用いて定量的に評価され、正確な積分と近似積分の期待二乗差の閉形式表現が得られる。
• 複数の確率積分の近似における平均二乗誤差を最小化することで、安定的かつ高精度な数値積分が実現される。
• 実装は、実用的SDEシミュレーションを想定し、収束次数0.5から3.0までの強数値解法をサポートするPythonソフトウェアパッケージとして実現されている。

実験結果

リサーチクエスチョン

• RQ1 非可換ノイズを伴う伊藤型SDEに対して、2.0、2.5、3.0次の高次強数値解法を体系的に構築する方法は何か？
• RQ2 多重度1から6までの反復イトおよびストラトニヴィチ確率積分を、最小限の平均二乗誤差で近似する最適な方法は何か？
• RQ3 多重フーリエ＝レジェンドル級数は、高多重度確率積分の数値計算において安定的かつ効率的なフレームワークを提供できるか？
• RQ4 統一的なテイラー＝イトおよびテイラー＝ストラトニヴィチ展開を活用することで、高次スキームにおける整合性と収束性をどのように保証できるか？
• RQ5 270,000個のフーリエ＝レジェンドル係数を事前に計算・保存することで、SDEソルバーの効率性にどのような実用的影響を与えるか？

主な発見

• 本手法は、多次元非可換ノイズを伴う伊藤型SDEに対して、強収束次数2.0、2.5、3.0を達成する。
• 反復確率積分の近似における平均二乗誤差が定量的に評価され、5重積分の場合、残差誤差が$0.00759\Delta^5$程度である例が示された。
• 5重積分$I_{00000}^{*(i_1i_2i_3i_4i_5)}$について、2次展開を用いた場合の近似誤差は約$0.00759105\Delta^5$である。
• 6重積分$I_{000000}^{*(i_1i_2i_3i_4i_5i_6)}$の残差平均二乗誤差は$\frac{\Delta^6}{720} - \sum_{j_1,\dots,j_6=0}^q C_{j_6\dots j_1}^{2}$であると示され、高次多重度においても高い精度を示している。
• 270,000個の事前計算されたフーリエ＝レジェンドル係数を用いたソフトウェア実装により、高次収束を伴うSDEの効率的かつ再現可能な数値解法が可能になった。
• 本手法はイトおよびストラトニヴィチ解釈を両方サポートする統一的フレームワークを提供し、数値モデリングにおける柔軟性を高めている。