[论文解读] On maximal inequalities for purely discontinuous $L_q$-valued martingales

Carlo Marinelli|arXiv (Cornell University)|Nov 27, 2013

Advanced Banach Space Theory参考文献 4被引用 6

一句话总结

本文通过使用经典随机分析处理实半鞅，而非高级的向量值概率工具，建立了关于由补偿随机测度所生成的纯不连续 $L_q$-值鞅的精确最大不等式。关键结果表明，该 $L_q$-范数鞅的上确界在 $L_p$-范数与被积函数的预测特征所构成的混合范数表达式之间存在等价关系，适用于所有 $p,q \in (1,\infty)$。

ABSTRACT

We prove maximal inequalities for $L_q$-valued martingales obtained by stochastic integration with respect to compensated random measures. A version of these estimates for integrals with respect to compensated Poisson random measures were first obtained by Dirksen (arXiv:1208:3885) using arguments based on inequalities for sums of independent Banach-space-valued random variables, geometric properties of Banach spaces, and decoupling inequalities. Our proofs are completely different and rely almost exclusively on classical stochastic analysis for real semimartingales.

研究动机与目标

• 建立由关于补偿随机测度的随机积分所生成的纯不连续 $L_q$-值鞅的最大不等式。
• 仅利用预测特征，提供此类鞅的 $L_q$-范数上确界在 $L_p$-范数下的界。
• 挑战一种普遍观点，即当 $p \neq q$ 时，逐点估计与经典随机分析无法得到精确界。
• 提出一种与 Dirksen 基于重排和巴拿赫空间几何的“自上而下”方法相反的、更基础的向量值最大不等式方法。

提出的方法

• 使用实半鞅的经典随机分析，避免使用如重排不等式或向量值 Rosenthal 型不等式等高级工具。
• 将二次变差过程 $[M,M]_\infty^{1/2}$ 分解为预测部分与鞅部分：$\left(\int |g|^2 d\mu\right)^{1/2} \leq \left|\int |g|^2 d\bar{\mu}\right|^{1/2} + \left(\int |g|^2 d\nu\right)^{1/2}$。
• 应用关于补偿随机测度的随机积分的矩估计，依赖于伊藤公式及广义形式的 Burkholder-Davis-Gundy 型不等式。
• 对指数 $q$ 进行归纳，从 $q=2$ 开始，通过将相同估计技术应用于被积函数的平方，逐步将界推广至更高 $q$。
• 在混合范数空间中应用 Hölder-Minkowski 不等式与三角不等式，以控制被积函数及其预测投影的 $L_p(L_q)$-范数。
• 将空间 $\mathcal{I}_{p,q}$ 定义为根据 $p$ 与 $q$ 的相对大小而定的混合范数空间 $L_{p,p,q}$、$L_{p,q,q}$ 与 $\tilde{L}_{p,q}$ 的组合，以刻画被积函数 $g$ 的可积性。

实验结果

研究问题

• RQ1 能否仅通过实半鞅的经典随机分析，推导出 $L_q$-值纯不连续鞅的最大不等式？
• RQ2 是否可能在不依赖重排或巴拿赫空间几何性质的前提下，获得此类鞅的 $L_q$-范数上确界在 $L_p$-范数下的精确界？
• RQ3 普遍认为当 $p \neq q$ 时，逐点积分与经典方法会失效，这一观点在此背景下是否成立？
• RQ4 当 $p \neq q$ 时，被积函数 $g$ 的可积性条件如何通过预测投影 $\nu$ 来刻画？
• RQ5 控制鞅的 $L_q$-范数上确界在 $L_p$-范数下的混合范数空间 $\mathcal{I}_{p,q}$ 的精确结构是什么？

主要发现

• 本文建立了对所有 $p,q \in (1,\infty)$ 成立的等价关系 $\left\| \sup_{t \geq 0} \| (g \star \bar{\mu})_t \|_{L_q} \right\|_{\mathbb{L}_p} \asymp_{p,q} \| g \|_{\mathcal{I}_{p,q}}$，其中 $\mathcal{I}_{p,q}$ 是根据 $p$ 与 $q$ 的关系而定的混合范数空间的组合。
• 该界仅以补偿器 $\nu$ 表示，表明该 $L_p$-范数仅依赖于被积函数的预测特征。
• 当 $2 \leq q \leq p$ 时，通过从 $q=2$ 开始对 $q$ 进行归纳证明，利用对被积函数平方的矩界递归应用。
• 证明显示 $\mathbb{E}\left\| \left( \int |g|^4 d\nu \right)^{1/4} \right\|_{L_q}^p \lesssim \mathbb{E}\left\| \left( \int |g|^2 d\nu \right)^{1/2} \right\|_{L_q}^p + \mathbb{E}\left( \int \|g\|_{L_q}^q d\nu \right)^{p/q}$，从而完成归纳步骤。
• 该方法避免了 Rosenthal 不等式在向量值情形的推广以及重排技术，提供了一条更简单、更易理解的通向相同结果的路径。
• 结果证实，即使当 $p \neq q$ 时，经典随机分析技术也足以推导出精确的最大不等式，从而挑战了认为此类结果必须依赖高级巴拿赫空间几何的普遍观点。