[论文解读] Strong Numerical Methods of Orders 2.0, 2.5, and 3.0 for Ito Stochastic Differential Equations Based on the Unified Stochastic Taylor Expansions and Multiple Fourier-Legendre Series

Dmitriy F. Kuznetsov|arXiv (Cornell University)|Jul 5, 2018

Stochastic processes and financial applications参考文献 35被引用 26

一句话总结

本文提出了一类显式单步强数值方法，阶数分别为 2.0、2.5 和 3.0，用于求解具有多维非交换噪声的 Itô 随机微分方程，方法基于统一的 Taylor–Ito 和 Taylor–Stratonovich 展开。该方法采用多重 Fourier–Legendre 级数，实现了对多重性最高达 6 的迭代随机积分的高精度均方逼近，从而实现了在控制与滤波应用中对 SDE 的高效且精确的数值求解。

ABSTRACT

The article is devoted to the construction of explicit one-step numerical methods with the strong orders of convergence 2.0, 2,5, and 3.0 for Ito stochastic differential equations with multidimensional non-commutative noise. We consider the numerical methods based on the unified Taylor-Ito and Taylor-Stratonovich expansions. For numerical modeling of iterated Ito and Stratonovich stochastic integrals of multiplicities 1 to 6 we appling the method of multiple Fourier-Legendre series converging in the sense of norm in Hilbert space $L_2([t, T]^k),$ $k=1,\ldots,6$. The article is addressed to engineers who use numerical modeling in stochastic control and for solving the non-linear filtering problem. The article can be interesting for the mathematicians who working in the field of high-order strong numerical methods for Ito stochastic differential equations.

研究动机与目标

• 开发适用于具有多维非交换噪声的 Itô SDE 的高阶显式单步强数值方法。
• 解决对多重性为 1 至 6 的迭代 Itô 与 Stratonovich 随机积分进行精确均方逼近的挑战。
• 统一 Taylor–Ito 与 Taylor–Stratonovich 展开，以构建一致的高阶格式。
• 通过高效计算随机积分，实现对随机控制、滤波与稳定性分析中 SDE 的实际数值求解。
• 在 Python 软件包中实现该理论，支持从 0.5 到 3.0 的收敛阶数，并预存 Fourier 系数。

提出的方法

• 该方法基于统一的 Taylor–Ito 与 Taylor–Stratonovich 展开，推导出适用于 Itô SDE 的高阶数值格式。
• 对多重性为 1 至 6 的迭代随机积分，采用在 $[t,T]^k$ 上 $L_2$ 范数收敛的多重 Fourier–Legendre 级数进行逼近。
• Fourier–Legendre 展开的系数被精确计算并存储在包含 270,000 个系数的数据库中，以实现高效重用。
• 通过均方范数量化逼近误差，给出了精确积分与近似积分之间期望平方差的闭式表达式。
• 该方法通过最小化多重随机积分逼近中的均方误差，实现了稳定且精确的数值积分。
• 实现方式为一个 Python 软件包，支持阶数从 0.5 到 3.0 的强数值方法，适用于实际 SDE 模拟。

实验结果

研究问题

• RQ1 如何系统地构造适用于具有非交换噪声的 Itô SDE 的阶数为 2.0、2.5 和 3.0 的高阶强数值方法？
• RQ2 对多重性为 1 至 6 的迭代 Itô 与 Stratonovich 随机积分，如何以最小均方误差实现最优逼近？
• RQ3 多重 Fourier–Legendre 级数能否为高重数随机积分的数值计算提供稳定且高效的框架？
• RQ4 如何利用统一的 Taylor–Ito 与 Taylor–Stratonovich 展开，确保高阶格式的一致性与收敛性？
• RQ5 预计算并存储 270,000 个 Fourier–Legendre 系数对 SDE 求解器效率的实际影响是什么？

主要发现

• 该方法对具有多维非交换噪声的 Itô SDE 实现了 2.0、2.5 和 3.0 阶的强收敛。
• 对迭代随机积分的均方误差进行了量化，示例显示五重积分的残余误差约为 $0.00759\Delta^5$。
• 对于五重积分 $I_{00000}^{*(i_1i_2i_3i_4i_5)}$，当使用二阶展开时，逼近误差约为 $0.00759105\Delta^5$。
• 六重积分 $I_{000000}^{*(i_1i_2i_3i_4i_5i_6)}$ 的残余均方误差为 $\frac{\Delta^6}{720} - \sum_{j_1,\dots,j_6=0}^q C_{j_6\dots j_1}^{2}$，表明在高重数下具有高精度。
• 使用预存的 270,000 个 Fourier–Legendre 系数的软件实现，可实现高效且可复现的高阶收敛 SDE 数值求解。
• 该方法提供了一个统一框架，同时支持 Itô 与 Stratonovich 解释，增强了数值建模的灵活性。