[论文解读] Rough flows

Ismaël Bailleul, Sebastian Riedel|arXiv (Cornell University)|May 7, 2015

Stochastic processes and financial applications参考文献 4被引用 3

一句话总结

本文引入了'粗糙驱动器'作为时变向量场的粗糙路径类比，利用近似流构建了积分理论，并证明了流上粗糙微分方程的适定性。该理论建立了解流对驱动器的连续性，并将连续半 martingale 随机流嵌入此框架，从而得到强逼近结果，并为高斯随机流的大偏差提供了新见解。

ABSTRACT

We introduce in this work a concept of rough driver that somehow provides a rough path-like analogue of an enriched object associated with time-dependent vector fields. We use the machinery of approximate flows to build the integration theory of rough drivers and prove well-posedness results for rough differential equations on flows and continuity of the solution flow as a function of the generating rough driver. We show that the theory of semi-martingale stochastic flows developed in the 80's and early 90's fits nicely in this framework, and obtain as a consequence some strong approximation results for general semimartingale flows and provide a fresh look at large deviation theorems for 'Gaussian' stochastic flows.

研究动机与目标

• 通过粗糙驱动器的概念，基于粗糙路径理论为时变向量场建立一个框架。
• 利用近似流构建粗糙驱动器的严格积分理论。
• 证明解流关于生成粗糙驱动器的连续性及适定性。
• 将经典连续半 martingale 随机流嵌入粗糙流框架。
• 推导一般半 martingale 流的强逼近结果，并为高斯随机流的大偏差定理提供新视角。

提出的方法

• 将粗糙驱动器的概念引入为时变向量场相关丰富对象的粗糙路径类比。
• 利用近似流的工具构建粗糙驱动器的积分理论。
• 运用粗糙流理论证明流上粗糙微分方程的解的存在性、唯一性及连续性。
• 通过证明半 martingale 随机流满足粗糙驱动器条件，建立粗糙驱动器与半 martingale 随机流之间的联系。
• 将该框架应用于推导一般半 martingale 流的强逼近结果。
• 利用粗糙流结构重新推导并重新诠释高斯随机流的大偏差定理。

实验结果

研究问题

• RQ1 如何通过一类新对象——粗糙驱动器，将粗糙路径理论扩展至时变向量场？
• RQ2 如何利用近似流为粗糙驱动器构建积分理论？
• RQ3 粗糙微分方程的解流如何关于其生成的粗糙驱动器连续依赖？
• RQ4 经典半 martingale 随机流在粗糙驱动器框架中以何种方式被嵌入？
• RQ5 从该粗糙流表述中，能为高斯随机流的大偏差原理带来哪些新见解？

主要发现

• 粗糙驱动器理论为时变向量场提供了粗糙路径理论的自然延伸，使得流上粗糙微分方程的系统处理成为可能。
• 在粗糙驱动器框架下，流上粗糙微分方程的适定性得以确立，且解连续依赖于驱动器。
• 证明了解流作为生成粗糙驱动器的函数是连续的，确保了解映射的稳定性。
• 证明了半 martingale 随机流满足粗糙驱动器条件，使其自然地嵌入粗糙流框架。
• 通过粗糙驱动器方法，为一般半 martingale 流推导出强逼近结果，改进了收敛估计。
• 该框架为高斯随机流的大偏差定理提供了新视角，揭示了新的结构特征，并简化了现有证明。