[论文解读] Robust utility maximization problem in model with jumps and unbounded claim
本文研究了在带跳过程和无界头寸下的模型不确定性下的鲁棒效用最大化问题，通过带跳的二次-指数倒向随机微分方程（BSDE）来表述价值过程。它建立了动态最大值原理，通过一个前向-后向随机系统刻画了最优消费-投资策略与最坏情况模型，将先前结果推广至跳跃-扩散设定。
We study a problem of utility maximization under model uncertainty with information including jumps. We prove first that the value process of the robust stochastic control problem is described by the solution of a quadratic-exponential backward stochastic differential equation with jumps. Then, we establish a dynamic maximum principle for the optimal control of the maximization problem. The characterization of the optimal model and the optimal control (consumption-investment) is given via a forward-backward system which generalizes the result of Duffie and Skiadas (1994) and El Karoui, Peng and Quenez (2001) in the case of maximization of recursive utilities including model with jumps.
研究动机与目标
- 解决真实概率测度未知且由一组测度表示的模型不确定性下的效用最大化问题。
- 将现有的鲁棒随机控制结果扩展至包含跳过程和无界头寸的模型，这些在金融市场上很常见。
- 在具有跳跃动态的动态设定中，刻画最优消费-投资策略与最坏情况模型。
- 将Duffie-Skiadas与El Karoui等人关于递归效用的框架推广，以包含模型不确定性和跳跃。
- 利用随机分析与BSDE技术，为最优控制问题建立动态最大值原理。
提出的方法
- 将鲁棒效用最大化问题表述为在一组概率测度上的极小化-极大化控制问题，并通过相对熵进行惩罚。
- 将价值过程表征为带跳的二次-指数BSDE的解，以捕捉模型不确定性与随机动态之间的相互作用。
- 采用受Anderson、Hansen与Sargent启发的惩罚方法，使用相对熵量化模型模糊性。
- 采用变分法与Gâteaux微分推导最优性的必要条件。
- 利用弱收敛与Banach-Mazur引理，在BSDE框架中提取扰动序列的强收敛子列。
- 建立一个前向-后向随机系统，通过动态最大值原理刻画最优控制与最坏情况测度。
实验结果
研究问题
- RQ1在模型不确定性下，如何对带跳和无界头寸的鲁棒效用最大化进行建模？
- RQ2在具有模糊动态的跳跃-扩散模型中，价值函数的动态表征是什么？
- RQ3在非马氏、跳跃扩展设定下，最优消费-投资策略如何与最坏情况模型相互作用？
- RQ4动态最大值原理能否扩展至包含带跳的二次-指数BSDE，以适用于鲁棒控制问题？
- RQ5相对熵惩罚在前向-后向随机系统中确定最优模型与控制时起什么作用？
主要发现
- 鲁棒随机控制问题的价值过程被表征为带跳的二次-指数倒向随机微分方程的解。
- 建立了动态最大值原理，通过前向-后向随机系统将最优控制与最坏情况模型联系起来。
- 证明了最优模型与控制满足一个方程组，该方程组将Duffie-Skiadas与El Karoui等人结果推广至跳跃-扩散模型。
- 通过弱收敛与Banach-Mazur技术严格证明了扰动解的收敛性，确保了变分意义下导数的存在性。
- 推导出价值过程导数的极限BSDE，表明在最坏情况测度下，扰动动态满足局部鞅条件。
- 最优控制被表达为在最坏情况概率测度下，消费的边际效用与终端财富的条件期望。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。