[论文解读] $ε$-Strong Simulation for Multidimensional Stochastic Differential Equations via Rough Path Analysis

José Blanchet, Xinyun Chen+1 more|arXiv (Cornell University)|Mar 23, 2014

Stochastic processes and financial applications参考文献 9被引用 5

一句话总结

本文首次提出基于粗糙路径理论的多维随机微分方程（SDEs）的ε-强模拟方法。通过在粗糙路径度量下以ε误差精度逼近布朗运动和李维面积，构造了一个分段常数、完全可模拟的过程$X_\varepsilon$，使得对任意$\varepsilon > 0$，几乎必然满足$\|X_\varepsilon(t) - X(t)\|_\infty < \varepsilon$，从而支持向更小误差容限的自适应精炼。

ABSTRACT

Consider a multidimensional diffusion process $X=\{X\left(t ight) :t\in\lbrack0,1]\}$. Let $\varepsilon&gt;0$ be a extit{deterministic}, user defined, tolerance error parameter. Under standard regularity conditions on the drift and diffusion coefficients of $X$, we construct a probability space, supporting both $X$ and an explicit, piecewise constant, fully simulatable process $X_{\varepsilon}$ such that \[ \sup_{0\leq t\leq1}\left\Vert X_{\varepsilon}\left(t ight) -X\left(t ight) ight\Vert_{\infty}0$ with probability one. Our construction requires a detailed study of continuity estimates of the Ito map using Lyon's theory of rough paths. We approximate the underlying Brownian motion, jointly with the Lévy areas with a deterministic $\varepsilon$ error in the underlying rough path metric.

研究动机与目标

• 开发适用于广义漂移和扩散系数的多维SDEs的容差强制模拟（TES）框架。
• 将此前仅限于一维或扩散系数为常数的SDEs的ε-强模拟方法扩展至多维情形。
• 通过显式、分段常数且完全可模拟的过程，确保几乎必然的路径误差控制$\|X_\varepsilon(t) - X(t)\|_\infty < \varepsilon$。
• 实现自适应精炼：基于$X_\varepsilon$条件构造$X_{\varepsilon'}$（其中$\varepsilon' < \varepsilon$），支持无偏蒙特卡洛估计。
• 通过吕利斯的粗糙路径理论建立伊藤映射的连续性估计，实现布朗运动与李维面积的联合逼近，并控制粗糙路径误差。

提出的方法

• 利用吕利斯的粗糙路径理论，通过在粗糙路径度量下以ε误差精度建模布朗运动与李维面积的联合动态。
• 通过离散化粗糙路径并应用受控误差的伊藤映射，构造真实扩散过程$X$的分段常数近似$X_\varepsilon$。
• 采用时间区间的分层分解，并通过控制$\theta_l$、$\eta_l$和$\rho_l$项的有界性，递归控制局部路径贡献。
• 利用$E_n[\exp(\theta_0 \{L_{i,j}^{n+m}(k') - L_{i,j}^{n+m}(k)\})]$的指数矩界，控制尾部行为并确保稳定性。
• 通过在 dyadic 划分上进行局部化与递归分析，管理粗糙路径近似中的误差传播。
• 通过将$X_{\varepsilon'}$的构造条件化于$X_\varepsilon$，实现自适应精炼，支持嵌套误差控制。

实验结果

研究问题

• RQ1 ε-强模拟能否扩展至具有非恒定扩散系数的多维SDEs，而不仅限于一维或扩散系数为常数的情形？
• RQ2 如何在粗糙路径拓扑下量化伊藤映射的连续性，以确保路径误差控制？
• RQ3 是否可以构造一个可模拟的近似序列$X_\varepsilon$，使得$\|X_\varepsilon - X\|_\infty < \varepsilon$几乎必然成立，并支持向更小容限的自适应精炼？
• RQ4 布朗运动与李维面积的联合逼近在粗糙路径度量下实现路径误差边界的控制中起到何种作用？
• RQ5 能否推导出伊藤映射增量的矩界，以确保模拟方案的稳定性和收敛性？

主要发现

• 在漂移和扩散系数满足标准利普希茨连续性和光滑性条件下，本文构造了一个分段常数、完全可模拟的过程$X_\varepsilon$，使得对任意$\varepsilon > 0$，几乎必然满足$\|X_\varepsilon(t) - X(t)\|_\infty < \varepsilon$。
• 该方法支持自适应精炼：对任意$\varepsilon' < \varepsilon$，可基于$X_\varepsilon$条件构造$X_{\varepsilon'}$，确保几乎必然满足$\|X_{\varepsilon'}(t) - X(t)\|_\infty < \varepsilon'$。
• 误差控制通过在粗糙路径度量下以ε精度逼近布朗运动与李维面积实现，从而实现严格的路径误差边界。
• 推导出指数矩界：$\mathbb{E}_n[\exp(\theta_0 \{L_{i,j}^{n+m}(k') - L_{i,j}^{n+m}(k)\})] \leq 4\exp(\varepsilon_0\gamma(k'-k)^{\beta-1/2})$，有效控制尾部分布并确保稳定性。
• 分析表明，局部校正项的乘积$\prod_{l=2}^m \prod_r C(t_r^{n+m-l})$在不同情形下有界于$\exp(1/2)$或$\exp(8/25)$，确保全局误差控制。
• 该方法首次为多维SDEs提供了ε-强模拟的一般构造，克服了以往方法仅限于一维或常数扩散系数情形的局限。