[论文解读] Variations on branching methods for non linear PDEs

Xavier Warin|arXiv (Cornell University)|Jan 26, 2017

Stochastic processes and financial applications参考文献 7被引用 15

一句话总结

本文提出改进的分支方法，用于通过带方差缩减技术的蒙特卡洛模拟求解高维半线性及完全非线性偏微分方程（PDEs）。通过采用新颖的后向递推方案与对偶变量，作者将分支过程的适用范围扩展至更长到期期限和更复杂的非线性情形，显著降低数值方差，同时增加计算与内存开销。

ABSTRACT

The branching methods developed are effective methods to solve some semi linear PDEs and are shown numerically to be able to solve some full non linear PDEs. These methods are however restricted to some small coefficients in the PDE and small maturities. This article shows numerically that these methods can be adapted to solve the problems with longer maturities in the semi-linear case by using a new derivation scheme and some nested method. As for the case of full non linear PDEs, we introduce new schemes and we show numerically that they provide an effective alternative to the schemes previously developed.

研究动机与目标

• 解决现有分支方法在求解具有更长到期期限和更大非线性系数的非线性PDEs时的局限性。
• 克服高维PDEs中确定性方法失效时的维度灾难问题。
• 开发新型数值格式，以改善基于蒙特卡洛方法求解半线性和完全非线性PDEs的收敛性并降低方差。
• 为高维条件下条件数学期望近似提供一种实用且可扩展的回归方法替代方案。
• 展示对偶变量与嵌套后向递推在降低函数与导数评估中数值误差方面的有效性。

提出的方法

• 提出一种新型后向递推方案，以提升长到期期限半线性PDEs中的稳定性与方差控制能力。
• 在虚粒子表示中应用对偶变量，以降低蒙特卡洛估计条件数学期望时的方差。
• 采用二阶后向递推结构，以更好地处理涉及二阶导数的非线性项。
• 实施重归一化技术，以稳定分支过程中的方差，尤其在非线性程度较大时。
• 通过修改粒子分裂与加权规则，对[9, 11]中原始分支方法进行改进，以提升数值鲁棒性。
• 利用后向随机微分方程（BSDEs）与二阶BSDEs（SOBSDEs）的概率表示，将PDE解与随机过程相联系。

实验结果

研究问题

• RQ1 分支方法能否被扩展以求解超出原始方法限制的更长到期期限的半线性PDEs？
• RQ2 对偶变量与嵌套后向递推在降低蒙特卡洛估计非线性PDE解方差方面有多有效？
• RQ3 所提出的方案能否为高维非线性PDEs提供稳定且准确的回归方法替代方案？
• RQ4 在新型分支方案中，计算成本、内存使用与方差降低之间的权衡如何？
• RQ5 在高维环境下，新方案在估计解及其导数方面的表现如何？

主要发现

• 新型后向递推方案使半线性PDEs的求解期限扩展至1.5，显著超出原始方法的适用范围。
• 基于对偶变量的方案（版本3）在所有测试案例中均实现最低方差，优于原始方法与二阶递推方案。
• 在维度d=4、T=1时，解析解为u(0,0.51) = -0.50828，对偶方案获得接近该值且误差较低的解。
• 在d=6、T=1时，解析解为u(0,0.51) = -1.20918，对偶方案在维度增加时仍保持良好精度。
• 通过(1·Du)进行导数估计的精度略低于函数评估，但所有方案中均保持可靠。
• 内存开销随虚粒子表示阶数增加而上升，尤其在对偶方案中，但这一代价被显著的方差降低所抵消。