[论文解读] Averaging principle for slow-fast stochastic differential equations with time dependent locally Lipschitz coefficients

Wei Liu, Michael Röckner+2 more|arXiv (Cornell University)|Sep 5, 2018

Stochastic processes and financial applications参考文献 12被引用 5

一句话总结

本文建立了具有时变、局部利普希茨系数的慢-快随机微分方程的平均化原理。通过采用时间离散化和截断技术，作者在小参数 $\epsilon \to 0$ 时证明了慢分量在 $L^p(\Omega; C([0,T], \mathbb{R}^n))$ 意义下强收敛于平均方程的解，前提是保证冻结快动力系统的不变测度存在且唯一。

ABSTRACT

This paper is devoted to studying the averaging principle for stochastic differential equations with slow and fast time-scales, where the drift coefficients satisfy local Lipschitz conditions with respect to the slow and fast variables, and the coefficients in the slow equation depend on time $t$ and $ω$. Making use of the techniques of time discretization and truncation, we prove that the slow component strongly converges to the solution of the corresponding averaged equation.

研究动机与目标

• 建立具有时变、局部利普希茨系数的慢-快随机系统平均化原理。
• 解决漂移系数中时间与 $\omega$ 的非马尔可夫依赖性带来的挑战。
• 在路径空间中证明慢分量强收敛于平均方程的解。
• 在时变系数条件下，确保冻结快方程的不变测度存在且唯一。
• 将现有平均化结果推广至系数非全局利普希茨或非时齐的情形。

提出的方法

• 使用时间离散化以处理系数的时变性。
• 应用截断技术以控制局部利普希茨增长并确保可积性。
• 构造一系列具有全局利普希茨系数的逼近方程。
• 通过矩估计与格朗沃尔型不等式证明路径上的强收敛性。
• 利用冻结快过程的不变测度 $\mu^{t,x}$ 推导平均方程。
• 运用随机分析与伊藤公式分析慢分量的收敛性。

实验结果

研究问题

• RQ1 在何种条件下，时变、局部利普希茨的慢-快 SDE 的慢分量在 $\epsilon \to 0$ 时强收敛于平均方程的解？
• RQ2 平均化原理如何推广至系数同时依赖于时间 $t$ 和样本路径 $\omega$ 的系统？
• RQ3 当系数为时变时，处理漂移与扩散系数中局部利普希茨连续性的技术要求是什么？
• RQ4 在时变系数情形下，冻结快方程的不变测度 $\mu^{t,x}$ 是否可良好定义并具有实际意义？
• RQ5 此类系统在强 $L^p$ 路径空间意义下的收敛速率或性质为何？

主要发现

• 当 $\epsilon \to 0$ 时，慢分量 $X^\epsilon$ 在 $L^p(\Omega; C([0,T], \mathbb{R}^n))$ 拓扑下强收敛于 $\bar{X}$，且 $\lim_{\epsilon \to 0} \mathbb{E}\left(\sup_{t \in [0,T]} |X^\epsilon_t - \bar{X}_t|^p\right) = 0$ 对某个 $p > 0$ 成立。
• 平均方程为 $d\bar{X}_t = \bar{b}(t, \bar{X}_t)dt + \sigma(t, \bar{X}_t)dW^1_t$，其中 $\bar{b}(t,x) = \int_{\mathbb{R}^m} b(t,x,y) \mu^{t,x}(dy)$。
• 在适当条件下，冻结方程 $dY_s = f(t,x,Y_s)ds + g(t,x,Y_s)d\tilde{W}^2_s$ 的不变测度 $\mu^{t,x}$ 存在且唯一。
• 证明了系数 $\bar{b}(t,x)$ 满足具有时变可积模 $\bar{K}_t(R)$ 的局部利普希茨条件，从而保证了平均 SDE 的路径唯一性。
• 证明依赖于截断与时间离散化，以控制局部利普希茨行为并确保系数增长的可积性。
• 在 $K_t(R)$ 增长有界假设下，通过应用于 $X^\epsilon$ 与 $\bar{X}$ 差值的矩估计与格朗沃尔型不等式建立了收敛性。