[论文解读] Numerical approximation of general Lipschitz BSDEs with branching processes

Bruno Bouchard, Xiaolu Tan+1 more|arXiv (Cornell University)|Oct 30, 2017

Stochastic processes and financial applications参考文献 15被引用 10

一句话总结

本文将基于分支过程的蒙特卡洛算法从 Lipschitz 驱动函数独立于 Z 的情形，扩展至驱动函数依赖于解的梯度（即 Z 分量）的情形。通过在离散时间步引入面提升（face-lift）过程以控制 Z 分量，并结合局部多项式逼近与 Picard 迭代，作者在无时间范围限制下实现了全局收敛性，数值模拟验证了该方法的有效性。

ABSTRACT

We extend the branching process based numerical algorithm of Bouchard et al. [3], that is dedicated to semilinear PDEs (or BSDEs) with Lipschitz nonlinearity, to the case where the nonlinearity involves the gradient of the solution. As in [3], this requires a localization procedure that uses a priori estimates on the true solution, so as to ensure the well-posedness of the involved Picard iteration scheme, and the global convergence of the algorithm. When, the nonlinearity depends on the gradient, the later needs to be controlled as well. This is done by using a face-lifting procedure. Convergence of our algorithm is proved without any limitation on the time horizon. We also provide numerical simulations to illustrate the performance of the algorithm.

研究动机与目标

• 将基于分支过程的 BSDE 数值算法扩展至驱动函数依赖于 Z 分量（即解的梯度）的情形，此前该方法仅适用于不依赖 Z 的驱动函数。
• 通过在离散时间步引入面提升过程，解决当驱动函数依赖于梯度时，保证问题适定性与收敛性的挑战。
• 在任意时间范围内保持算法的全局收敛性，即使在底层 BSDE 的多项式驱动函数可能导致爆炸的情况下亦成立。
• 提供一种数值稳定、纯前向的蒙特卡洛方法，避免经典后向格式的高昂计算成本，尤其适用于高维情形。

提出的方法

• 在紧致区域上，对一般 Lipschitz 驱动函数 f(x,y,z) 在 (x,y,z) 上进行局部多项式逼近，以使分支过程方法得以应用。
• 应用 Picard 迭代格式，将一般 BSDE 逐步转化为一系列具有多项式驱动函数的 BSDE，从而可借助基于分支过程的模拟方法求解。
• 在选定的时间步引入面提升过程以控制 Z 分量，通过用有界版本替代 Z 分量，防止爆炸并确保稳定性。
• 利用真实解及其梯度的先验估计，确定局部化与面提升的时间步，以保证迭代过程的适定性。
• 构建纯前向蒙特卡洛算法，利用分支过程在每个 Picard 步骤中模拟多项式逼近 BSDE 的解。
• 在 Lipschitz 条件下证明该格式的全局收敛性，且无时间范围限制，依赖于通过 BDG 不等式与 Gronwall 型不等式导出的统一可积性与矩界。

实验结果

研究问题

• RQ1 基于分支过程的蒙特卡洛算法能否扩展至依赖于 Z 分量（即解的梯度）的驱动函数情形？此前该方法仅适用于不依赖 Z 的驱动函数。
• RQ2 当 Z 分量的路径行为仅在零测集上定义时，如何在算法中实现其稳定化，以避免直接截断？
• RQ3 面提升过程在驱动函数依赖于梯度时，对保证算法适定性与收敛性起到何种作用？
• RQ4 所提方法是否能在任意时间范围内保持全局收敛性，即使多项式逼近后的 BSDE 可能发生爆炸？
• RQ5 与经典后向格式相比，该算法在计算成本与精度方面表现如何？

主要发现

• 所提算法对一般 Lipschitz BSDE 实现了全局收敛，且对时间范围无任何限制，即使驱动函数依赖于梯度。
• 面提升过程通过在离散时间步用有界版本替换 Z 分量，有效控制了 Z 分量，确保了 Picard 迭代的稳定性和适定性。
• 该方法依赖于对驱动函数的局部多项式逼近以及先验估计，以确定局部化与面提升的时间步，从而保证了解分量的统一可积性。
• 数值模拟结果展示了算法的性能与稳定性，证实其在高维问题中的实际可行性。
• 收敛性证明基于矩界与统一可积性，常数来源于 BDG 不等式与 Gronwall 型不等式，明确依赖于驱动函数的 Lipschitz 常数及扩散矩阵的性质。
• 该算法计算高效，作为纯前向蒙特卡洛方法，避免了经典方法的后向递推过程，尤其适用于驱动函数可由低次多项式良好逼近的问题。