[论文解读] Optimal stochastic control and optimal consumption and portfolio with G-Brownian motion

Weiyin Fei, Chen Fei|arXiv (Cornell University)|Sep 1, 2013

Stochastic processes and financial applications参考文献 39被引用 10

一句话总结

本文利用 G-布朗运动和次线性期望理论，在模型不确定性下构建了最优随机控制框架。建立了最优消费与投资决策的验证定理，推导出在波动率模糊性下的哈密顿-雅可比-贝尔曼（HJB）方程，并证明了修正的两基金分离定理，表明风险规避型投资者在不确定性增加时会减少对风险资产的配置。

ABSTRACT

By the calculus of Peng's G-sublinear expectation and G-Brownian motion on a sublinear expectation space $(Ω, {\cal H}, \hat{\mathbb{E}})$, we first set up an optimality principle of stochastic control problem. Then we investigate an optimal consumption and portfolio decision with a volatility ambiguity by the derived verification theorem. Next the two-fund separation theorem is explicitly obtained. And an illustrative example is provided.

研究动机与目标

• 建立基于 G-布朗运动的、在凯恩斯不确定性下最优随机控制的系统性框架。
• 在波动率模糊性下建模最优消费与投资决策，反映现实金融市场中的不确定性。
• 在次线性期望和 G-随机微分方程下，推导最优策略的验证定理。
• 在模糊性下证明修正的两基金分离定理，扩展经典投资组合理论。
• 通过一个说明性例子表明，悲观型投资者在不确定性增加时会减少对风险资产的敞口。

提出的方法

• 在子线性期望空间 $(\Omega, \mathcal{H}, \hat{\mathbb{E}})$ 上利用彭的 G-子线性期望微积分来建模模型不确定性。
• 应用由 G-布朗运动驱动的 G-随机微分方程（SDEs）来表示在波动率模糊性下的资产价格动态。
• 通过动态规划方法推导出值函数的哈密顿-雅可比-贝尔曼（HJB）方程，结合 G-伊藤微积分。
• 引入算子 $\mathbb{L}_G(\pi,c)\psi(t,x)$ 来表示在 G-布朗运动下受控扩散过程的无穷小生成元。
• 建立验证定理：若候选策略 $\hat{u} = (\hat{\pi}, \hat{c})$ 最大化 HJB 方程中的哈密顿函数，则该策略为最优策略。
• 以递归形式应用最优性原理，将时间 $t$ 的值函数与后续时间 $\bar{t}$ 的期望值联系起来。

实验结果

研究问题

• RQ1 如何利用 G-布朗运动在模型不确定性下构建最优随机控制的表述？
• RQ2 当波动率模糊时，最优消费与投资选择的 HJB 方程具有何种结构？
• RQ3 在次线性期望和 G-布朗运动下，两基金分离定理如何调整？
• RQ4 模糊性对最优投资行为的影响是什么，特别是对悲观型投资者而言？
• RQ5 在 G-期望下，最优控制的验证定理与经典随机控制有何不同？

主要发现

• 在模糊性下，最优消费与投资的 HJB 方程被推导为 $\sup_{c \geq 0, \pi \in \mathbb{R}^d} \left[ \mathbb{L}_G(\pi,c)\psi(t,x) + U_1(c) \right] = 0$，终端条件为 $\psi(T,x) = U_2(x)$。
• 证明了验证定理：若策略 $\hat{u} = (\hat{\pi}, \hat{c})$ 最大化 HJB 方程中的哈密顿函数，则其为最优策略，且 $\mathbb{V}(t,x) = \psi(t,x)$。
• 明确获得了修正的两基金分离定理，表明在模糊性下最优投资组合可分解为无风险基金与风险基金的组合。
• 一个说明性例子证实，对于悲观型投资者，更高的模糊性会导致其对风险资产的投资减少。
• 该框架通过引入 G-布朗运动和次线性期望，将波动率模糊性纳入经典最优控制，为行为金融学提供了新视角。
• 由于存在 G-期望项，结果与经典随机控制（如 Yong 和 Zhou [44]）存在差异，反映了动态中的模型不确定性。