[论文解读] Solving Backward Stochastic Differential Equations with quadratic-growth drivers by Connecting the Short-term Expansions

Masaaki Fujii, Akihiko Takahashi|arXiv (Cornell University)|Jun 14, 2016

Stochastic processes and financial applications被引用 3

一句话总结

该论文提出了一种新颖的数值格式，用于求解带二次型增长驱动项的马尔可夫后向随机微分方程（BSDEs），通过将时间区间分解为短时间段，并在每个区间上应用半解析渐近展开。该方法在 $L^p$-范数下对解过程和控制过程均实现了 $/mathcal{O}(h^{3p/2})$ 的误差界，从而在无需蒙特卡洛模拟或基于回归的条件数学期望估计的前提下，实现了高精度求解。

ABSTRACT

This article proposes a new approximation scheme for quadratic-growth BSDEs in a Markovian setting by connecting a series of semi-analytic asymptotic expansions applied to short-time intervals. Although there remains a condition which needs to be checked a posteriori, one can avoid altogether time-consuming Monte Carlo simulation and other numerical integrations for estimating conditional expectations at each space-time node. Numerical examples of quadratic-growth as well as Lipschitz BSDEs suggest that the scheme works well even for large quadratic coefficients, and a fortiori for large Lipschitz constants.

研究动机与目标

• 开发一种计算高效的数值格式，用于求解在金融风险管理和效用优化中广泛存在的马尔可夫后向随机微分方程（BSDEs）及其二次型增长驱动项。
• 通过避免在每个时间节点上进行耗时的条件数学期望估计，克服标准蒙特卡洛方法和基于回归方法的局限性。
• 通过时间分解方法，将此前仅适用于小非线性项的半解析渐近方法扩展至可处理大二次系数的情形。
• 提供一个统一的框架，适用于二次型增长和标准利普希茨（Lipschitz）BSDEs，提升方法的通用性与计算可扩展性。

提出的方法

• 将终端时间区间划分为 $n$ 个短子区间 $I_i = [t_{i-1}, t_i]$，以局部化非线性动力学行为。
• 在每个子区间上应用二阶渐近展开：基于线性化驱动项的零阶解 $\widehat{Y}^{i,[0]}, \widehat{Z}^{i,[0]}$，以及用于残差误差的首阶校正项 $\widehat{Y}^{i,[1]}$。
• 以前一区间的解作为下一区间的初始条件，通过递归连接确保时间上的一致性。
• 通过扰动终端条件框架建立误差传播界，分析真实解与近似解在 $L^p$-范数下的差异。
• 通过将渐近展开误差代入扰动分析，推导出总误差估计，从而获得 $/mathcal{O}(h^{3p/2})$ 的收敛速率。
• 利用已知的利普希茨BSDEs和SDEs的正则性结果，控制短时间区间内状态与控制过程增量的增长。

实验结果

研究问题

• RQ1 渐近展开技术能否被拓展以处理标准摄动方法失效的、具有二次型增长驱动项的BSDEs？
• RQ2 在马尔可夫BSDE中，当在多个区间上连接短时间渐近近似时，误差传播行为如何？
• RQ3 所提出的格式能否在不依赖蒙特卡洛模拟或基于回归的条件数学期望估计的前提下实现高精度？
• RQ4 当二次系数较大或波动率较高时（此时非线性效应占主导），该方法表现如何？
• RQ5 该方法是否同时适用于二次型增长和标准利普希茨BSDEs，从而实现统一的计算框架？

主要发现

• 所提格式在每个短时间区间上，对解 $Y$ 和控制过程 $Z$ 均实现了 $/mathcal{O}(h^{3p/2})$ 的 $L^p$-范数误差界，其中 $p \geq 2$。
• 误差估计通过分析真实解与渐近近似解之间的差异获得，残差误差被视作利普希茨BSDE中的扰动进行处理。
• 该方法避免了蒙特卡洛模拟和基于回归的条件数学期望估计，与标准格式相比显著降低了计算成本。
• 数值例子表明，即使在大二次系数和高波动率条件下，该方法仍表现出稳健性能，表明其在摄动理论适用范围之外也具有稳定性。
• 该方法适用于二次型增长和标准利普希茨BSDEs，提示其具有发展为统一数值框架的潜力。
• 理论依据依赖于零阶解的有界性以及底层SDE的正则性，确保在短时间区间内误差保持可控。