[论文解读] Stochastic differential equations driven by G-Brownian motion and ordinary differential equations

Peng Luo, Falei Wang|arXiv (Cornell University)|Sep 20, 2013

Stochastic processes and financial applications参考文献 10被引用 4

一句话总结

本文通过样本路径分析，建立了一种将由 G-布朗运动驱动的随机微分方程（SDEs）简化为参数化常微分方程（ODEs）的新方法。利用 G-随机微积分，作者证明了 G-SDE 的解可表示为 G-布朗运动与有限变差过程的函数，从而使得经典 ODE 理论得以应用，并导出了 G-SDE 的新比较定理，给出了其成立的必要与充分条件。

ABSTRACT

In this paper, we show that the integration of a stochastic differential equations driven by G-Brownian motion in R can be reduced to the integration of an ordinary differential equations parametrized by a variable in (Ω,F). We study the sample solutions of G-SDEs by an extention of G-Itô formula. And then we also get a comparison theorem for G-SDEs and its applications.

研究动机与目标

• 通过在 G 框架下分析样本解，建立 G-SDE 与 ODE 之间的联系。
• 克服使用 G-随机微积分技术证明样本解属于空间 $ M^{2}_{G}(0,T) $ 的挑战。
• 推导 G-SDE 的比较定理，并确定其有效性的必要与充分条件。
• 提供一个理论与计算框架，使经典 ODE 结果可用于 G-SDE 的分析。

提出的方法

• 通过样本路径分解，将 G-SDE 的解表示为 G-布朗运动与有限变差过程的函数。
• 利用 G-随机微积分证明样本解属于 $ M^{2}_{G}(0,T) $，确保可积性与适定性。
• 应用 $ G $-Itô 公式推导解的路径式动力学，将 SDE 简化为以 $ \omega \in \Omega $ 为索引的一族 ODE。
• 利用 $ G $-正态分布与次线性期望结构处理 SDE 动力学中的模型不确定性。
• 通过分析 ODE 参数化推导比较结果，并对漂移与扩散系数提出充分条件。
• 利用现有 ODE 理论（如存在性、唯一性、比较性）推断 G-SDE 解的性质。

实验结果

研究问题

• RQ1 G-SDE 的解能否表示为以 $ \Omega $ 中样本路径为索引的一族 ODE 的解？
• RQ2 在何种条件下，G-SDE 的样本解属于空间 $ M^{2}_{G}(0,T) $？
• RQ3 G-SDE 比较定理成立的必要与充分条件是什么？
• RQ4 在模型不确定性下，如何将经典 ODE 理论应用于 G-SDE 的分析？
• RQ5 G-SDE 的动力学能否分解为 G-布朗运动与有限变差过程，以简化分析？

主要发现

• G-SDE 的解可表示为 G-布朗运动与有限变差过程的函数，从而在每条样本路径上可简化为 ODE。
• G-SDE 的样本解属于 $ M^{2}_{G}(0,T) $，该结论通过先进的 G-随机微积分技术得以确立。
• 推导出 G-SDE 的新比较定理，其必要与充分条件涉及漂移与扩散系数。
• 比较条件 $ b^1(x) - b^2(x) + 2G(h^1(x) - h^2(x)) \leq 0 $ 被证明是充分但非必要的路径支配条件。
• 在系数有界性假设下，获得渐近路径式界：对准必然（q.s.）$ \omega $，有 $ |X_t| \leq C|B_t| + C\int_0^t e^{C|B_s|}ds + |X_0| $。
• 该方法使得经典 ODE 结果可直接应用于 G-SDE，显著简化了理论与计算分析。