[论文解读] Optimization of the Mean-Square Approximation Procedures for Iterated Ito Stochastic Integrals of Multiplicities 1 to 5 from the Unified Taylor-Ito Expansion Based on Multiple Fourier-Legendre Series

Mikhail Kuznetsov, Dmitriy F. Kuznetsov|arXiv (Cornell University)|Oct 22, 2020

Stochastic processes and financial applications参考文献 37被引用 6

一句话总结

本文在统一的泰勒-伊藤展开框架下，利用多重傅里叶-勒让德级数，对多重性为1至5的迭代伊藤随机积分优化了均方逼近方法。通过推导精确的误差公式并借助包含27万条预计算系数的数据库，作者显著减少了所需独立高斯随机变量的数量，同时不损失逼近精度，从而实现了对非交换噪声的多维伊藤SDEs更高效的强数值方法，其收敛阶分别为1.0、1.5、2.0和2.5。

ABSTRACT

The article is devoted to optimization of the mean-square approximation procedures for iterated Ito stochastic integrals of multiplicities 1 to 5. The mentioned stochastic integrals are part of strong numerical methods with convergence orders 1.0, 1.5, 2.0, and 2.5 for Ito stochastic differential equations with multidimensional non-commutative noise based on the unified Taylor-Ito expansion and multiple Fourier-Legendre series converging in the sense of norm in Hilbert space $L_2([t, T]^k)$ $(k=1,\ldots,5).$ In this article we use multiple Fourier-Legendre series within the framework of the method of expansion and mean-square approximation of iterated Ito stochastic integrals based on generalized multiple Fourier series. We show that the lengths of sequences of independent standard Gaussian random variables required for the mean-square approximation of iterated Ito stochastic integrals of multiplicities 1 to 5 can be significantly reduced without the loss of the mean-square accuracy of approximation for these stochastic integrals.

研究动机与目标

• 通过优化迭代伊藤随机积分的均方逼近，提升非交换噪声多维伊藤SDEs强数值方法的效率。
• 减少对准确逼近多重性为1至5的迭代伊藤积分所必需的独立标准高斯随机变量数量。
• 在泰勒-伊藤展开框架内，建立多重傅里叶-勒让德级数逼近的精确误差公式与收敛条件。
• 通过最小化计算成本同时保持均方精度，实现高阶数值格式（阶数1.0、1.5、2.0、2.5）的实际应用。
• 提供一个包含27万条预计算傅里叶-勒让德系数的综合数据库，以高效逼近多重性为1至5的积分。

提出的方法

• 在希尔伯特空间 $ L_2([t,T]^k) $ 中，利用多重傅里叶-勒让德级数展开表示多重性 $ k = 1, \dots, 5 $ 的迭代伊藤随机积分。
• 应用统一的泰勒-伊藤展开，推导出以多重性1至5的迭代积分为关键组成部分的随机泰勒级数。
• 通过广义多重傅里叶级数及勒让德多项式正交性质，推导出均方逼近误差的精确公式。
• 利用包含27万条预计算傅里叶-勒让德系数的数据库，避免重复计算，加速逼近过程。
• 通过最小化所需高斯随机变量数量，同时保持误差界与 $ (T-t)^6 $ 成比例，提出优化的逼近格式。
• 利用包含加权平方系数和的收敛条件（如 $ \sum (2j+1)^2 \bar{C}_{j_1 j_2}^{01} $）确定最小截断阶数。

实验结果

研究问题

• RQ1 能否在不降低精度的前提下，减少对多重性为1至5的迭代伊藤积分进行均方逼近所必需的独立标准高斯随机变量数量？
• RQ2 当使用多重傅里叶-勒让德级数逼近多重性为1至5的迭代伊藤积分时，其均方逼近误差的精确公式是什么？
• RQ3 傅里叶-勒让德级数逼近的收敛条件如何依赖于积分的多重性与结构？
• RQ4 为确保均方误差被 $ C(T-t)^6 $ 控制，傅里叶-勒让德展开所需的最少项数是多少？
• RQ5 使用预计算系数如何影响多维伊藤SDEs高阶强数值格式的计算效率？

主要发现

• 通过傅里叶-勒让德级数的优化截断，显著减少了对多重性为1至5的迭代伊藤积分进行均方逼近所必需的独立标准高斯随机变量数量。
• 推导出精确的误差公式，表明多重性为1至5的积分的均方误差被 $ C(T-t)^6 $ 控制，确保高阶收敛。
• 使用预计算的傅里叶-勒让德系数（共27万条）显著降低了数值格式中的计算开销。
• 条件（241）–（246）为每种多重性提供了最小截断阶数，且主条件（241）、（243）、（245）中未出现阶乘因子（如 $ 3! $、$ 4! $），从而降低了计算成本。
• 对于三重积分，满足条件（241）的最小 $ p $ 在 $ T-t = 2^{-1} $ 时为1，在 $ T-t = 2^{-6} $ 时增至8，体现了自适应截断的特性。
• 优化后的格式在保持均方精度的同时减少了随机变量数量，从而实现了收敛阶为1.0、1.5、2.0和2.5的强数值方法的高效实现。