[论文解读] An introduction to SDE simulation

Simon J. A. Malham, Anke Wiese|arXiv (Cornell University)|Apr 5, 2010

Simulation Techniques and Applications参考文献 38被引用 12

一句话总结

本文全面介绍了随机微分方程（SDE）的强模拟方法，重点聚焦于伊藤-丸山方法及其在赫斯顿模型中的全截断变体。通过绘制误差与时间步长及CPU时间的对数-对数图，展示了如何计算全局强误差收敛性，并获得了与理论预期一致的收敛速率。

ABSTRACT

We outline the basic ideas and techniques underpinning the simulation of stochastic differential equations. In particular we focus on strong simulation and its context. We also provide illustratory examples and sample matlab algorithms for the reader to use and follow. Our target audience is advanced undergraduate and graduate students interested in learning about simulating stochastic differential equations. We try to address the FAQs we have encountered.

研究动机与目标

• 为高年级本科生和研究生提供一种实用且易于理解的随机微分方程模拟入门方法。
• 通过解答教学与研究中常见的问题（FAQ），澄清SDE模拟中的常见困惑。
• 通过直观示例和可运行的MATLAB代码，展示强模拟技术。
• 演示如何通过在不同时间步长下沿相同路径计算并分析全局强误差。
• 通过时间步长和CPU时间的对数-对数误差图，验证数值收敛速率。

提出的方法

• 采用SDE的伊藤积分形式：$\mathrm{d}y_t = V_0(y_t)\,\mathrm{d}t + \sum_{i=1}^d V_i(y_t)\,\mathrm{d}W_t^i$。
• 应用伊藤-丸山格式进行数值求解，并采用全截断法以确保赫斯顿模型方差过程的正性。
• 采用多尺度布朗运动增量生成策略：将小尺度增量聚合以形成更大的时间步长。
• 通过在不同时间步长下沿相同维纳路径比较解，并对大量样本路径取平均，计算全局强误差。
• 使用误差与时间步长、误差与CPU时间的对数-对数图，评估收敛阶数和计算效率。
• 在MATLAB中实现赫斯顿模型的算法，包括路径生成、积分器函数和误差分析。

实验结果

研究问题

• RQ1 如何可靠地使用适用于路径相关泛函的强数值方法模拟随机微分方程？
• RQ2 在SDE模拟中，正确估计全局强误差的步骤是什么？它与弱误差估计有何不同？
• RQ3 在模拟过程中，如何实现赫斯顿模型方差过程的数值稳定性和正性？
• RQ4 全截断伊藤-丸山格式在赫斯顿模型中的预期收敛速率是多少？如何通过数值方法验证？
• RQ5 在强SDE模拟中，计算成本（CPU时间）与时间步长之间如何影响模拟精度？

主要发现

• 全截断伊藤-丸山格式成功保持了赫斯顿模型中方差过程的正性，避免了出现不合理的负值。
• 全局强误差与时间步长的对数-对数图显示收敛速率为约$\mathcal{O}(h^{1/2})$，与伊藤-丸山方法的理论预期一致。
• 误差与CPU时间的图表表明，计算成本与时间步数成线性关系，且误差随$\mathcal{O}(1/\sqrt{\text{CPU time}})$减小。
• 该方法在一年时间范围内对赫斯顿模型实现了稳定且精确的模拟，样本路径数$P=100$。
• 在不同时间步长下使用一致的维纳路径是准确估计强误差的关键，因为它将离散化误差与路径间波动分离开来。