[论文解读] Probabilistic Representation and Approximation for Coupled Systems of Variational Inequalities

Romuald Élie, Idris Kharroubi|arXiv (Cornell University)|Sep 5, 2009

Stochastic processes and financial applications参考文献 5被引用 4

一句话总结

本文通过带跳的、一维的、带约束的倒向SDE，提出了一类耦合拟线性变分不等式系统的概率表示，从而实现了一种新型的基于蒙特卡洛的数值算法。该方法利用状态转移跳跃过程，在较弱条件下为所得到的算法提供了收敛性保证。

ABSTRACT

Our study is dedicated to the probabilistic representation and numerical approximation of solutions to coupled systems of variational inequalities. The dynamics of each component of the solution is driven by a different linear parabolic operator and suffers a non-linear dependence in all the components of the solution. This dynamics is combined with a global structural constraint between all the components of the solution including the practical example of optimal switching problems. In this paper, we interpret the unique viscosity solution to this type of coupled systems of variational inequalities as the solution to one-dimensional constrained BSDEs with jumps introduced recently in [6]. In the spirit of [3], this new representation allows for the introduction of a natural entirely probabilistic numerical scheme for the resolution of these systems.

研究动机与目标

• 解决最优切换和随机控制问题中出现的高维耦合拟线性变分不等式系统的数值挑战。
• 克服当状态数 $ m $ 较大时，经典PDE方法计算不可行的问题。
• 建立一种概率Feynman-Kac型表示，将粘性解与带跳的约束倒向SDE联系起来。
• 基于该表示设计一种收敛且可实现的蒙特卡洛算法，用于实际数值求解。
• 将先前关于反射BSDE和带跳BSDE的研究结果推广至具有状态依赖动态和相互依赖约束的系统。

提出的方法

• 将耦合变分不等式系统的解表示为定义在状态空间 $ \mathcal{I} $ 上的纯跳过程驱动的一维带约束倒向SDE的 $ Y $-分量。
• 将前向过程 $ (I_s, X_s) $ 建模为在状态 $ I_s $ 上具有跳过程、在 $ X_s $ 上具有扩散过程的SDE，由布朗运动和泊松测度驱动。
• 推导BSDE的动力学，其中生成器依赖于跳跃分量 $ U_s(j) = v_j - v_{I_{s-}} $，且约束条件为 $ h(I_{s-}, j, X_s, Y_{s-}, Y_{s-}+U_s(j), Z_s) \geq 0 $。
• 通过时间离散化 $ h $ 构造离散时间逼近格式，在时间区间 $ [t_k, t_{k+1}) $ 上进行时间反向递推，并利用最小二乘回归近似条件期望。
• 通过状态变量 $ (I_{t_k}, X^{h}_{t_k}) $ 的基函数对条件期望进行近似，使用 $ N $ 条模拟路径和 $ L $ 个基函数。
• 基于离散时间收敛性和统计误差控制，证明当 $ h \to 0 $，$ N, L \to \infty $ 时，整个算法收敛。

实验结果

研究问题

• RQ1 能否为具有状态依赖生成器和相互依赖约束的耦合拟线性变分不等式系统建立概率表示？
• RQ2 带跳的约束BSDE公式是否能唯一确定PDE系统的粘性解？
• RQ3 能否基于该表示构造出数值稳定且收敛的蒙特卡洛算法？
• RQ4 在状态过程引入跳跃相比仅扩散或无跳跃模型，如何提升表示与逼近效果？
• RQ5 结合时间离散化、路径模拟与基于回归的条件期望近似，整个算法的收敛行为如何？

主要发现

• 耦合变分不等式系统的唯一粘性解可表示为一维带跳约束BSDE的 $ Y $-分量。
• BSDE公式同时包含扩散与跳跃分量，其中跳跃部分编码了不同状态间价值函数分量之间的相互依赖性。
• 在较弱正则性条件下，当时间步长 $ h \to 0 $ 时，算法在 $ \mathbf{S}^2 $、$ \mathbf{L}^2_W $ 和 $ \mathbf{L}^2_{\tilde{\mu}} $ 范数下收敛。
• 基于OLS的条件期望回归近似在路径数 $ N $ 和基函数数 $ L $ 趋于无穷时实现收敛。
• 该方法将先前关于反射BSDE和带跳BSDE的研究结果推广至具有状态切换动态和非马氏约束的系统。
• 该方法可高效求解高维切换问题，其中经典PDE方法因计算成本过高而难以应用。