[论文解读] Weak Approximation of Reflected Diffusions on The Positive Half-Line by Solutions of SDE

Cameron Bruggeman, Andrey Sarantsev|arXiv (Cornell University)|Sep 6, 2015

Stochastic processes and financial applications被引用 1

一句话总结

本文提出一种惩罚方法，通过大漂移系数创建软屏障以弱逼近正半轴上的反射扩散过程，使用随机微分方程（SDE）的解来实现。关键贡献是通过尺度函数收敛证明弱收敛，为反射扩散过程建立了严格的逼近框架。

ABSTRACT

Consider a reflected diffusion on the positive half-line. We approximate it by solutions of stochastic differential equations using the penalty method: We emulate the hard barrier of reflection by a soft barrier of a large drift coefficient, which compells the diffusion to return to the positive half-line. The main tool of the proof is convergence of scale functions.

研究动机与目标

• 开发一种对正半轴上反射扩散过程的弱逼近方法。
• 解决在SDE中使用软屏障逼近硬反射屏障的挑战。
• 建立逼近过程弱收敛于真实反射扩散过程的理论。
• 利用尺度函数提供一个严格的分析框架，用于收敛性证明。

提出的方法

• 通过引入大漂移系数，采用惩罚方法构造一个软屏障，使过程远离原点。
• 构建一个带有惩罚项的辅助SDE，其漂移项可抑制过程低于零的运动，从而模拟反射行为。
• 利用与扩散过程相关的尺度函数，分析并比较原始过程与逼近过程的行为。
• 通过证明逼近过程的尺度函数收敛于反射扩散的尺度函数，建立弱收敛性。
• 利用尺度函数的性质，推导出有限维分布的弱收敛性。
• 利用尺度函数与扩散过程生成元之间的联系，验证逼近的有效性。

实验结果

研究问题

• RQ1 能否通过带有软屏障的SDE解来弱逼近正半轴上的反射扩散过程？
• RQ2 惩罚项中漂移系数的选择如何影响逼近过程的收敛性？
• RQ3 尺度函数在证明逼近SDE弱收敛性中起到什么作用？
• RQ4 尺度函数的收敛是否足以保证对应扩散过程的弱收敛？
• RQ5 能否利用尺度函数等分析工具，严格证明惩罚方法的有效性？

主要发现

• 当惩罚参数（即漂移系数）趋于无穷大时，逼近SDE弱收敛于反射扩散过程。
• 通过与扩散过程相关的尺度函数收敛性，建立了收敛性。
• 逼近过程的尺度函数收敛于反射扩散的尺度函数，意味着有限维分布的收敛性。
• 该方法提供了一种构造性强且分析上可处理的途径，可通过标准SDE模拟反射扩散过程。
• 利用尺度函数可实现无需路径逼近的弱收敛性严格证明。
• 当存在尺度函数时，该框架可推广至其他具有吸收或反射边界条件的扩散过程。