Skip to main content
QUICK REVIEW

[论文解读] The Proof of Convergence with Probability 1 in the Method of Expansion of Iterated Ito Stochastic Integrals Based on Generalized Multiple Fourier Series

Dmitriy F. Kuznetsov|arXiv (Cornell University)|Jun 26, 2020
Approximation Theory and Sequence Spaces被引用 4
一句话总结

本文通过广义多重傅里叶级数展开,证明了任意重数的迭代伊藤随机积分以概率1几乎必然收敛。该方法依赖于正交系——特别是勒让德多项式与三角级数——其中系数由积分的非随机核函数导出,收敛性通过矩估计与帕塞瓦尔恒等式建立,将先前的均方收敛与二阶矩收敛结果推广至几乎必然收敛。

ABSTRACT

The article is devoted to the formulation and proof of the theorem on convergence with probability 1 of expansion of iterated Ito stochastic integrals of arbitrary multiplicity based on generalized multiple Fourier series converging in the sense of norm in Hilbert space. The cases of multiple Fourier-Legendre series and multiple trigonomertic Fourier series are considered in detail. The proof of the mentioned theorem is based on the general properties of multiple Fourier series as well as on the estimate for the fourth moment of approximation error in the method of expansion of iterated Ito stochastic integrals based on generalized multiple Fourier series.

研究动机与目标

  • 建立任意重数的迭代伊藤随机积分展开方法的几乎必然收敛性(概率为1)。
  • 将先前局限于均方收敛或二阶矩收敛的结果推广至几乎必然收敛。
  • 具体分析多重傅里叶-勒让德级数与多重三角傅里叶级数展开的收敛行为。
  • 为基于广义傅里叶级数的随机微分方程数值方法提供严格的理论基础。

提出的方法

  • 该方法将迭代伊藤随机积分在超立方体 $[t,T]^k$ 上的核函数展开为广义多重傅里叶级数,利用 $L_2([t,T])$ 中的完备正交系。
  • 级数的系数通过与积分重数 $k$ 无关的显式公式计算,从而实现系统的近似。
  • 该展开将随机积分转化为标准正态随机变量乘积的级数,其系数由核函数的傅里叶级数导出。
  • 通过逼近误差的四阶矩估计与 $L_2$-范数收敛的帕塞瓦尔恒等式分析收敛性。
  • 证明利用了连续函数单调收敛的狄尼定理及多重级数的性质,以建立几乎必然收敛。
  • 分析特别应用于多重傅里叶-勒让德级数与多重三角傅里叶级数,对其收敛行为进行了详细处理。

实验结果

研究问题

  • RQ1通过广义多重傅里叶级数展开的迭代伊藤随机积分,其任意重数 $k$ 是否以概率1收敛?
  • RQ2在迭代伊藤积分的背景下,多重傅里叶-勒让德级数与多重三角傅里叶级数的收敛特性如何比较?
  • RQ3能否以一种确保几乎必然收敛的方式,对逼近误差的四阶矩进行有界估计?
  • RQ4帕塞瓦尔恒等式与系数级数的结构在建立几乎必然收敛性中起什么作用?
  • RQ5在定理条件下,收敛是否在整个定义域 $[t,T]^k$ 上一致?

主要发现

  • 本文证明了任意重数 $k$ 的迭代伊藤随机积分,通过广义多重傅里叶级数展开,以概率1几乎必然收敛。
  • 该收敛性对多重傅里叶-勒让德级数与多重三角傅里叶级数均成立,且对两种情况均给出了明确证明。
  • 证明依赖于逼近误差四阶矩的估计以及 $L_2$-范数收敛的帕塞瓦尔恒等式的应用。
  • 部分系数平方和的极限等于完整级数的和,确认了误差 $L_2$-范数的收敛性。
  • 利用狄尼定理确保了系数级数部分和的一致收敛,从而支持了几乎必然收敛的结果。
  • 该结果推广了先前关于均方收敛与 $2n$ 阶矩收敛的研究成果,确立了更强的收敛模式。

更好的研究,从现在开始

从阅读论文到最终审阅,大幅缩短您的研究时间。

无需绑定信用卡

本解读由 AI 生成,并经人工编辑审核。