[论文解读] Stochastic Integrals and Abelian Processes

Claudio Albanese|ArXiv.org|Nov 19, 2007

Neural Networks and Applications被引用 4

一句话总结

本论文提出一种构造性、路径相关的框架，通过傅里叶分析与重整化群方法，对具有统一连续系数的三角剖分扩散过程，在连续极限下定义随机积分。该方法在傅里叶变换后的马尔可夫生成元的图范数下建立了收敛性，证明了联合核的光滑性与解析性，并将该方法扩展至非共振阿贝尔过程，如随机积分、上确界过程及离散时间求和。

ABSTRACT

We study triangulation schemes for the joint kernel of a diffusion process with uniformly continuous coefficients and an adapted, non-resonant Abelian process. The prototypical example of Abelian process to which our methods apply is given by stochastic integrals with uniformly continuous coeffcients. The range of applicability includes also a broader class of processes of practical relevance, such as the sup process and certain discrete time summations we discuss. We discretize the space coordinate in uniform steps and assume that time is either continuous or finely discretized as in a fully explicit Euler method and the Courant condition is satisfied. We show that the Fourier transform of the joint kernel of a diffusion and a stochastic integral converges in a uniform graph norm associated to the Markov generator. Convergence also implies smoothness properties for the Fourier transform of the joint kernel. Stochastic integrals are straightforward to define for finite triangulations and the convergence result gives a new and entirely constructive way of defining stochastic integrals in the continuum. The method relies on a reinterpretation and extension of the classic theorems by Feynman-Kac, Girsanov, Ito and Cameron-Martin, which are also re-obtained. We make use of a path-wise analysis without relying on a probabilistic interpretation. The Fourier representation is needed to regularize the hypo-elliptic character of the joint process of a diffusion and an adapted stochastic integral. The argument extends as long as the Fourier analysis framework can be generalized. This condition leads to the notion of non-resonant Abelian process.

研究动机与目标

• 开发一种构造性、非概率的方法，用于在不依赖测度论紧致性论证的前提下，在连续极限下定义随机积分。
• 在系数一致连续的条件下，建立扩散过程与适应随机积分联合分布的三角剖分方案收敛性。
• 将该框架扩展至更广泛的路径相关过程类别——称为非共振阿贝尔过程——超越标准随机积分。
• 推导傅里叶变换后马尔可夫生成元在图范数下的收敛速率，其依赖于系数的霍尔德可微性。
• 通过解析延拓与联合核的分块对角化，以路径相关的算子代数方法重新推导经典结果（如费曼-卡茨、吉尔萨诺夫、卡梅伦-马丁公式）

提出的方法

• 采用均匀空间离散化与连续时间或完全显式欧拉时间离散化的三角剖分方案，满足柯朗条件。
• 对联合核应用傅里叶变换，以正则化拟椭圆结构，并实现马尔可夫生成元的分块对角化。
• 采用重整化群变换以重求和路径贡献，将带装饰的路径视为具有时间有序相互作用的路径。
• 引入路径相关的分析方法，不依赖概率解释，通过复权重的解析延拓实现收敛性证明。
• 利用算子代数技术在有限三角剖分上定义联合马尔可夫生成元，其收敛性在傅里叶变换后生成元的图范数下得到证明。
• 通过提升基本传播子并使用部分傅里叶变换实现分块对角化，将该方法扩展至离散时间过程。

实验结果

研究问题

• RQ1 在均匀空间与时间离散化下，扩散过程与随机积分的联合分布何时在连续极限下收敛？
• RQ2 如何在不依赖非构造性测度论方法的前提下，在连续极限下构造性地定义随机积分？
• RQ3 除随机积分外，哪些路径相关过程类别可借助基于傅里叶的正则化实现类似的收敛性与解析性结果？
• RQ4 傅里叶变换后马尔可夫生成元在图范数下的收敛速率如何？其与系数光滑性的关系为何？
• RQ5 经典随机积分特征函数公式（如吉尔萨诺夫、卡梅隆-马丁公式）能否通过路径相关的构造性框架重新推导？

主要发现

• 扩散过程与随机积分联合核的傅里叶变换在随机积分的共轭变量上为整函数，确保其光滑性与收敛性。
• 三角剖分方案在傅里叶变换后马尔可夫生成元的图范数下收敛，收敛速率依赖于系数的霍尔德可微性。
• 该方法在不依赖紧致性或概率假设的前提下，提供了费曼-卡茨、吉尔萨诺夫、卡梅隆-马丁与伊藤公式的构造性推导。
• 该框架可扩展至非共振阿贝尔过程，包括上确界过程与离散时间求和，其收敛性通过相似的傅里叶与重整化技术得以建立。
• 对于离散时间欧拉格式，图范数下的收敛性可直接由单步核的收敛性推出，且时间离散化下界保持不变。
• 在吸收边界条件（如上确界过程中的情况）下，联合核仍保持良好正则化，因吸收点处动力学被简化，边界条件仍成立。