[论文解读] Strong convergence order for slow-fast McKean-Vlasov stochastic differential equations

Michael Röckner, Xiaobin Sun+1 more|arXiv (Cornell University)|Sep 17, 2019

Stochastic processes and financial applications参考文献 30被引用 7

一句话总结

本文在两种不同框架下建立了慢-快 McKean-Vlasov 随机微分方程的强收敛速率：首先通过时间离散化方法获得收敛阶 1/3，随后在更强的正则性条件下利用泊松方程技术将收敛阶提升至 1/2。在一般设定下，1/2 的收敛速率为最优。

ABSTRACT

In this paper, we consider the averaging principle for a class of McKean-Vlasov stochastic differential equations with slow and fast time-scales. Under some proper assumptions on the coefficients, we first prove that the slow component strongly converges to the solution of the corresponding averaged equation with convergence order $1/3$ using the approach of time discretization. Furthermore, under stronger regularity conditions on the coefficients, we use the technique of Poisson equation to improve the order to $1/2$, which is the optimal order of strong convergence in general.

研究动机与目标

• 在小参数 ε → 0 时，建立两时间尺度 McKean-Vlasov SDE 中慢分量的强收敛速率。
• 分析分布依赖随机系统中的平均化原理，即系数依赖于解的分布的一类方程。
• 在系数的最小正则性假设与更强正则性假设下，确定此类系统在强收敛意义下的最优收敛速率。
• 通过将平均化原理推广至具有慢-快时间尺度的 McKean-Vlasov SDE，弥合文献中的空白。
• 通过收敛速率提供平均极限的数值近似之定量误差界。

提出的方法

• 应用 Khasminskii 的时间离散化方法，在标准正则性与耗散性条件下，推导出慢分量向平均方程收敛的收敛阶为 1/3。
• 在系数具有更强光滑性与矩条件的假设下，采用泊松方程技术，将收敛阶提升至 1/2。
• 利用快分量的遍历性与指数混合性质，验证平均化效应并推导其在不变测度下的统一估计。
• 建立快分量关于测度变量的可微性，并通过泊松方程解导出平均漂移关于测度变量的导数的有界性估计。
• 应用马尔可夫链的变分法与耦合技术，控制快过程对初值与分布扰动的敏感性。
• 推导平均漂移及其关于测度与空间变量的导数的统一矩界与利普希茨型估计。

实验结果

研究问题

• RQ1 当 ε → 0 时，慢-快 McKean-Vlasov SDE 中慢分量的最优强收敛速率是什么？
• RQ2 当在系数上施加更强的正则性条件时，收敛速率是否可超越 1/3？
• RQ3 系数对慢分量分布的依赖性如何影响平均化原理与收敛速率？
• RQ4 泊松方程方法在具有多尺度结构的分布依赖 SDE 中可被多大程度上适配？
• RQ5 在强收敛意义下，实现最优收敛速率 1/2 所需的系数必要与充分条件是什么？

主要发现

• 在标准假设下，通过时间离散化与矩估计，证明慢分量以收敛阶 1/3 强收敛于平均方程的解。
• 在更强的正则性条件下，包括系数的 Hölder 连续性与有界导数，收敛速率提升至 1/2，该速率在一般 SDE 中为强收敛意义下的最优。
• 泊松方程技术可构造校正项，从而减小平均近似中的误差，实现最优收敛速率。
• 证明平均漂移关于测度变量是可微的，其导数满足具有统一矩界的随机 PDE。
• 快分量表现出指数遍历性与统一矩界，这对推导收敛速率及保证平均近似稳定性至关重要。
• 在给定假设下，1/2 的收敛速率是紧的，无法进一步提升，从而在强收敛意义下确认了其最优性。