[论文解读] Levy area logistic expansion and simulation

Simon J. A. Malham, Anke Wiese|arXiv (Cornell University)|Jul 1, 2011

Stochastic processes and financial applications被引用 1

一句话总结

本文提出了一种新颖且高效的采样方法，用于在二维随机微分方程中对 Lévy 面积进行采样，该方法利用无限加权逻辑斯蒂随机变量的级数。通过利用切比雪夫多项式逼近累积分布函数，并在 10^(-12) 的均匀误差控制下实现逆函数的精确求逆，该方法实现了平方对数复杂度，从而支持高精度的强 Milstein 格式，适用于拟蒙特卡洛方法的实现。

ABSTRACT

We present a new method for sampling the Levy area for a two-dimensional Wiener process conditioned on its endpoints. An efficient sampler for the Levy area is required to implement a strong Milstein numerical scheme to approximate the solution of a stochastic differential equation driven by a two-dimensional Wiener process whose diffusion vector fields do not commute. Our method is simple and complementary to those of Gaines-Lyons and Wiktorsson, and amenable to quasi-Monte--Carlo implementation. It is based on representing the Levy area by an infinite weighted sum of independent Logistic random variables. We use Chebychev polynomials to approximate the inverse distribution function of sums of independent Logistic random variables in three characteristic regimes. The error is controlled by the degree of the polynomials, we set the error to be uniformly 10^(-12). We thus establish a strong almost-exact Levy area sampling method. The complexity of our method is square logarithmic. We indicate how our method can contribute to efficient sampling in higher dimensions.

研究动机与目标

• 开发一种针对在端点条件下的二维维纳过程的 Lévy 面积的高效且精确的采样方法。
• 通过提供与拟蒙特卡洛技术兼容的方法，克服现有采样器的局限性。
• 在逆分布函数逼近中实现均匀误差控制，具体设定为 10^(-12)。
• 实现非交换扩散向量场的随机微分方程的强 Milstein 格式的实际应用。
• 通过结构化推广，将该方法扩展至更高维的随机过程。

提出的方法

• Lévy 面积被表示为一系列独立逻辑斯蒂随机变量的无限加权和。
• 使用切比雪夫多项式来逼近这些逻辑斯蒂变量部分和的逆累积分布函数。
• 识别出该和分布的三种不同特征区域，并分别处理以优化逼近精度。
• 选择切比雪夫多项式的阶数，以确保逆 CDF 逼近的均匀误差被控制在 10^(-12) 以内。
• 该方法设计为与拟蒙特卡洛积分兼容，以提升数值模拟中的收敛速度。
• 采样过程的复杂度随所需精度的倒数的对数的平方增长。

实验结果

研究问题

• RQ1 如何以高精度和低计算成本对二维维纳过程的 Lévy 面积进行采样？
• RQ2 通过加权逻辑斯蒂随机变量的表示，是否能够实现高效且精确的逆变换采样？
• RQ3 何种逼近策略可确保在不同分布区域中均实现 10^(-12) 的均匀误差控制？
• RQ4 该方法的复杂度如何随所需精度变化？是否可实现平方对数复杂度？
• RQ5 该方法在多大程度上可推广至更高维的随机过程？

主要发现

• 通过自适应切比雪夫多项式逼近，所提方法在逆累积分布函数逼近中实现了 10^(-12) 的均匀误差界。
• 采样复杂度在误差容限倒数的对数尺度下呈平方对数增长，表明其具有高效率。
• 该方法与拟蒙特卡洛方法兼容，可显著提升数值模拟中的收敛速度。
• 将 Lévy 面积表示为加权逻辑斯蒂变量之和，使得在所有区域中均能实现稳定且精确的采样。
• 该方法提供了一种强近似精确采样方案，适用于高阶 Milstein 格式的实现。
• 该框架可扩展至更高维的随机微分方程，为多维场景下的高效模拟提供了可行路径。