Skip to main content
QUICK REVIEW

[论文解读] Affine processes on positive semidefinite matrices

Christa Cuchiero, Damir Filipovi 'c|RePEc: Research Papers in Economics|Oct 1, 2009
Stochastic processes and financial applications被引用 4
一句话总结

本文建立了正半定矩阵锥上连续随机过程的数学基础,证明此类过程必为Feller过程,且其生成元具有可接受参数的仿射形式。主要贡献在于对所有此类过程的完整表征,证明了对任意可接受参数集,存在唯一解,并建立了参数与控制特征函数的广义Riccati方程解之间的一一对应关系。

ABSTRACT

This article provides the mathematical foundation for stochastically continuous affine processes on the cone of positive semidefinite symmetric matrices. This analysis has been motivated by a large and growing use of matrix-valued affine processes in finance, including multi-asset option pricing with stochastic volatility and correlation structures, and fixed-income models with stochastically correlated risk factors and default intensities.

研究动机与目标

  • 为对称正半定矩阵锥上的仿射过程提供严谨的数学基础。
  • 解决多资产期权定价中具有随机波动率与相关性的可 tractable 模型需求。
  • 通过允许漂移、扩散与跳跃分量的完全一般性,推广现有模型(如Wishart过程)。
  • 建立此类过程存在性与唯一性的必要与充分条件。
  • 证明所有在正半定锥上连续、无限可分的马尔可夫过程必为零扩散的仿射过程,反之亦然。

提出的方法

  • 作者将仿射过程定义为时间齐次、连续随机过程,其生成元为仿射形式,且在 $ S_d^+ $ 上取值。
  • 他们推导出生成元系数(漂移、扩散、消亡、跳跃分量)的必要与充分条件,以确保过程始终停留在 $ S_d^+ $。
  • 该方法依赖于通过仿射变换公式推导出的广义Riccati微分方程求解特征函数。
  • 存在性证明采用鞅问题方法,并通过跳跃-扩散过程的逼近构造提供另一种构造方式。
  • 关键技术工具是使用 $ S_d^+ $ 上的快速递减函数空间 $ \mathcal{S} $,以及 $ S_d^+ $ 上紧支测度的拉普拉斯变换的可逼近性结果。
  • 主结果的证明利用Bros–Epstein–Glaser定理,表明拉普拉斯变换为零意味着测度为零,从而确保解的唯一性。

实验结果

研究问题

  • RQ1对于时间齐次的马尔可夫过程在 $ S_d^+ $ 上,其生成元系数需满足何种必要与充分条件,才能使其为仿射且连续随机?
  • RQ2矩阵值过程的仿射变换公式如何表征?其解由何种常微分方程组控制?
  • RQ3在何种参数条件下,$ S_d^+ $ 上存在唯一的仿射过程?这与Feller性质有何关联?
  • RQ4所有在 $ S_d^+ $ 上连续、无限可分的马尔可夫过程是否均可表征为零扩散的仿射过程?
  • RQ5生成元参数与广义Riccati方程解之间的精确关系为何?

主要发现

  • 所有在 $ S_d^+ $ 上连续随机的仿射过程必为Feller过程,且其生成元为仿射形式,从而保证强马尔可夫性与Feller连续性。
  • 对任意可接受的参数集(包括一般漂移、扩散与跳跃分量),在 $ S_d^+ $ 上对应的SDE存在唯一的强解,确保模型的适定性。
  • 该过程的特征函数满足仿射变换公式,其累积量生成函数满足一组广义Riccati常微分方程组。
  • 参数空间由可接受性条件完全表征,包括漂移矩阵需满足 $ b - (d-1)\tilde{\theta}\tilde{\theta}^T \in S_d^+ $ 的要求。
  • 在 $ S_d^+ $ 上连续、无限可分的马尔可夫过程类,恰好与零扩散的仿射过程类完全一致。
  • 任何在 $ S_d^+ $ 上的测度的拉普拉斯变换,均由其在集合 $ \{ \exp(-\langle u, \cdot \rangle) \}_{u \in S_d^{++}} $ 上的取值唯一确定,从而确保过程分布的唯一性。

更好的研究,从现在开始

从阅读论文到最终审阅,大幅缩短您的研究时间。

无需绑定信用卡

本解读由 AI 生成,并经人工编辑审核。