[论文解读] Multi-level Picard approximations of high-dimensional semilinear parabolic differential equations with gradient-dependent nonlinearities

Martin Hutzenthaler, Thomas Kruse|arXiv (Cornell University)|Nov 3, 2017

Stochastic processes and financial applications参考文献 10被引用 41

一句话总结

本文提出了一种结合高斯-勒让德求积法的多级皮卡德迭代方法，用于近似具有梯度依赖非线性的高维半线性抛物型PDE。在适当的正则性条件下，证明了计算复杂度在维度d和逆精度ε上均为多项式增长，具体为O(dε^{-(4+δ)})（对任意δ > 0），从而解决了高维PDE近似领域长期存在的开放问题。

ABSTRACT

Parabolic partial differential equations (PDEs) and backward stochastic differential equations (BSDEs) have a wide range of applications. In particular, high-dimensional PDEs with gradient-dependent nonlinearities appear often in the state-of-the-art pricing and hedging of financial derivatives. In this article we prove that semilinear heat equations with gradient-dependent nonlinearities can be approximated under suitable assumptions with computational complexity that grows polynomially both in the dimension and the reciprocal of the accuracy.

研究动机与目标

• 为解决具有梯度依赖非线性的高维半线性抛物型PDE近似所面临的计算挑战。
• 解决一个长期开放的问题：此类PDE是否能以在维度d和逆精度ε上均为多项式增长的计算复杂度进行近似。
• 将现有基于皮卡德的方法扩展至处理梯度依赖非线性项，而此前的方法在一般终端条件下无法处理此类情况。
• 为所提方法建立严格的复杂度界，确保在高维情况下的可扩展性。

提出的方法

• 采用多级皮卡德迭代，逐步逼近半线性PDE的解。
• 结合高斯-勒让德求积规则，高效近似皮卡德迭代中的时间积分，利用其对光滑被积函数的谱收敛特性。
• 使用递归误差界（不等式54）控制多级方案中各层级的全局误差。
• 应用离散格朗沃尔型不等式与半范数估计，以管理梯度依赖非线性项下的误差传播。
• 通过迭代递归误差估计，推导出非递归的全局误差界（不等式65）。
• 利用后向随机微分方程（BSDEs）对PDE解进行随机表示，并通过蒙特卡洛采样进行数值求值。

实验结果

研究问题

• RQ1 具有梯度依赖非线性项的高维半线性抛物型PDE能否以在维度d和逆精度ε上均为多项式增长的计算复杂度进行近似？
• RQ2 当非线性项依赖于解的梯度时，结合高斯-勒让德求积法的多级皮卡德方法是否仍能保持多项式复杂度？
• RQ3 在解的标准正则性假设下，该方法的计算成本是否被O(dε^{-(4+δ)})（对任意δ > 0）所界定？
• RQ4 该方法是否能处理一般终端条件，而无需像分支扩散法那样要求其值较小？
• RQ5 在梯度依赖情形下，计算复杂度对维度d和精度ε的精确依赖关系为何？

主要发现

• 多级皮卡德逼近的计算复杂度被界定为O(dε^{-(4+δ)})（对任意δ > 0），其中d为维度，ε为指定精度。
• 该复杂度界在解的适当正则性假设下成立，包括解u∞的C∞光滑性。
• 高斯-勒让德求积法的使用确保了时间积分的快速收敛，这对维持低复杂度至关重要。
• 误差分析建立了非递归的全局误差界（不等式65），从而支持了复杂度估计的成立。
• 该方法适用于一般终端条件，且无需要求非线性项较小，与分支扩散法形成对比。
• 结果证实，通过所提出的多级皮卡德方法，该类PDE的维度灾难问题得以克服。