UA MATH565C 随机微分方程V Markov Family的特征函数
UA MATH565C 随机微分方程V Markov Family的特征函数
- 特征函数
上一讲用u(t,x)u(t,x)u(t,x)和v(t,x)v(t,x)v(t,x)描述了Markov Family的函数f(ξt)f(\xi_t)f(ξt),与积分∫0tg(ξs)ds\int_0^t g(\xi_s)ds∫0tg(ξs)ds的期望,并给出了他们满足的PDE。但PDE方法只能解决f(ξt)f(\xi_t)f(ξt)与∫0tg(ξs)ds\int_0^t g(\xi_s)ds∫0tg(ξs)ds的期望,这一讲试图用特征函数来描述他们的分布。
特征函数
ξt\xi_tξt与∫0tg(ξs)ds\int_0^t g(\xi_s)ds∫0tg(ξs)ds的联合特征函数是
κt(z1,z2)=Ex[exp(iz1∫0tg(ξs)ds)eiz2ξt]\kappa_t(z_1,z_2)=E_x[\exp (iz_1\int_0^t g(\xi_s)ds)e^{iz_2\xi_t}]κt(z1,z2)=Ex[exp(iz1∫0tg(ξs)ds)eiz2ξt]
完备性保证特征函数和分布是一一对应的。定义
c(ξs)=iz1g(ξs),f(ξt)=eiz2ξtc(\xi_s) = iz_1g(\xi_s),f(\xi_t)=e^{iz_2\xi_t}c(ξs)=iz1g(ξs),f(ξt)=eiz2ξt
则特征函数可以简写成
κt(z1,z2)=Ex[exp(∫0tc(ξs)ds)f(ξt)]\kappa_t(z_1,z_2)=E_x[\exp (\int_0^t c(\xi_s)ds)f(\xi_t)]κt(z1,z2)=Ex[exp(∫0tc(ξs)ds)f(ξt)]
其中ccc是有界一致连续函数,f∈DAf\in D_Af∈DA,可以证明
∂κt(z1,z2)∂t=Aκt(z1,z2)+c(x)κt(z1,z2)κ0(z1,z2)=f(x)\frac{\partial \kappa_t(z_1,z_2)}{\partial t} = A\kappa_t(z_1,z_2) + c(x)\kappa_t(z_1,z_2) \\ \kappa_0(z_1,z_2) = f(x)∂t∂κt(z1,z2)=Aκt(z1,z2)+c(x)κt(z1,z2)κ0(z1,z2)=f(x)
证明(并不是完整证明,只是一些关键步骤)
定义算子
P~tf(x)=Ex[f(ξt)exp(∫0tc(ξs)ds)]\tilde{P}_t f(x) = E_x[f(\xi_t)\exp(\int_0^t c(\xi_s)ds)]P~tf(x)=Ex[f(ξt)exp(∫0tc(ξs)ds)]
这个算子的范数有上界
∥P~t∥=sup∣Ex[f(ξt)exp(∫0tc(ξs)ds)]∣supf(x)≤supEx[exp(∫0tc(ξs)ds]≤etsupc(x)\left\| \tilde{P}_t \right\| = \sup \frac{|E_x[f(\xi_t)\exp(\int_0^t c(\xi_s)ds)]|}{\sup f(x)} \le \sup E_x[\exp(\int_0^t c(\xi_s)ds] \le e^{t\sup c(x)}∥∥∥P~t∥∥∥=supsupf(x)∣Ex[f(ξt)exp(∫0tc(ξs)ds)]∣≤supEx[exp(∫0tc(ξs)ds]≤etsupc(x)
接下来验证这个算子是一个算子半群,即验证P~t+s=P~tP~s\tilde{P}^{t+s} = \tilde{P}^t \tilde{P}^sP~t+s=P~tP~s:
P~t+sf=Ex[f(ξt+s)exp(∫0t+sc(ξr)dr)]=Ex[Ex[f(ξt+s)exp(∫0tc(ξr)dr+∫tt+sc(ξr)dr)∣F≤t]]=Ex[exp(∫0tc(ξr)dr)Ex[θtexp(∫0sc(ξr)dr)f(ξs)∣F≤t]]\tilde{P}^{t+s}f = E_x[f(\xi_{t+s})\exp(\int_0^{t+s} c(\xi_r)dr)] \\ = E_x[E_x[f(\xi_{t+s})\exp(\int_0^{t} c(\xi_r)dr +\int_t^{t+s} c(\xi_r)dr )|\mathcal{F}_{\le t}]] \\ = E_x[\exp(\int_0^{t} c(\xi_r)dr)E_x[\theta_t\exp(\int_0^{s} c(\xi_r)dr )f(\xi_{s})|\mathcal{F}_{\le t}]] P~t+sf=Ex[f(ξt+s)exp(∫0t+sc(ξr)dr)]=Ex[Ex[f(ξt+s)exp(∫0tc(ξr)dr+∫tt+sc(ξr)dr)∣F≤t]]=Ex[exp(∫0tc(ξr)dr)Ex[θtexp(∫0sc(ξr)dr)f(ξs)∣F≤t]]
因为shift operatorθt\theta_tθt作用在filtration F≤t\mathcal{F}_{\le t}F≤t的条件下,所以它不会提供额外的信息,上面这个式子就是P~tP~sf\tilde{P}^t \tilde{P}^sfP~tP~sf,但可以用Markov Property得到更简化的式子:=Ex[exp(∫0tc(ξr)dr)f(ξs)]=E_x[\exp(\int_0^{t} c(\xi_r)dr)f(\xi_s)]=Ex[exp(∫0tc(ξr)dr)f(ξs)]
假设A~\tilde{A}A~是这个算子半群的infinitesimal generator,则
DA~=DAA~f=Af+cfD_{\tilde{A}} = D_A \\ \tilde{A}f = Af + cfDA~=DAA~f=Af+cf
根据第二条就可以得出特征函数满足的PDE,我们先证第二条:
A~f=limt→0P~tf−ft=limt→0P~tf−Ptft+limt→0Ptf−ft\tilde{A}f = \lim_{t \to 0} \frac{\tilde{P}^tf - f}{t} = \lim_{t \to 0} \frac{\tilde{P}^tf - P^tf}{t} + \lim_{t \to 0} \frac{P^tf - f}{t}A~f=t→0limtP~tf−f=t→0limtP~tf−Ptf+t→0limtPtf−f
第二项就是AfAfAf,下面计算第一项:当t→0t \to 0t→0时,
P~tf−Ptf=Ex[f(ξt)exp(∫0tc(ξs)ds)]−Ex[f(ξt)]=Ex[f(ξt)(exp(∫0tc(ξs)ds)−1)]=Ex[f(ξt)(∫0tc(ξs)ds+o(∫0tc(ξs)ds))]\tilde{P}^tf - P^tf = E_x[f(\xi_t)\exp(\int_0^t c(\xi_s)ds)] - E_x[f(\xi_t)] \\= E_x[f(\xi_t)(\exp(\int_0^t c(\xi_s)ds) - 1)] = E_x[f(\xi_t)(\int_0^tc(\xi_s)ds+o(\int_0^tc(\xi_s)ds))]P~tf−Ptf=Ex[f(ξt)exp(∫0tc(ξs)ds)]−Ex[f(ξt)]=Ex[f(ξt)(exp(∫0tc(ξs)ds)−1)]=Ex[f(ξt)(∫0tc(ξs)ds+o(∫0tc(ξs)ds))]
因为ccc是有界一致连续函数,o(∫0tc(ξs)ds)=o(tsupc)=o(t)o(\int_0^tc(\xi_s)ds) = o(t \sup c)=o(t)o(∫0tc(ξs)ds)=o(tsupc)=o(t),所以
limt→0P~tf−Ptft=limt→0Ex[f(ξt)(∫0tc(ξs)ds+o(t))]t=cf,unif.\lim_{t \to 0} \frac{\tilde{P}^tf - P^tf}{t} = \lim_{t \to 0} \frac{E_x[f(\xi_t)(\int_0^tc(\xi_s)ds+o(t))]}{t} =cf,\ unif.t→0limtP~tf−Ptf=t→0limtEx[f(ξt)(∫0tc(ξs)ds+o(t))]=cf, unif.
UA MATH565C 随机微分方程V Markov Family的特征函数相关推荐
- UA MATH565C 随机微分方程V Markov Family的算子
UA MATH565C 随机微分方程V Markov Family的算子 函数的算子 测度的算子 Homogeneous Markov Family 函数的算子 这一讲正式介绍Markov Famil ...
- UA MATH565C 随机微分方程V Markov Family简介
UA MATH565C 随机微分方程V Markov Family简介 Transition function Banach Space Method ODE的IVP可以看成是对系统的一些变量从初始状 ...
- UA MATH565C 随机微分方程V Stationary Measure
UA MATH565C 随机微分方程V Stationary Measure Markov Property Stationary Measure PDE方法 这一讲试图回答的问题是基于Homogen ...
- UA MATH565C 随机微分方程V 算子半群理论简介
UA MATH565C 随机微分方程V 算子半群理论简介 Banach空间中的算子半群 Hille-Yosida定理 Shift Operator 上一讲提到Homogeneous Markov Fa ...
- UA MATH565C 随机微分方程V 无穷小生成算子
UA MATH565C 随机微分方程V 无穷小生成算子 Infinitesimal generator as derivative 这一讲给出算子半群那一讲提出的infinitesimal gener ...
- UA MATH565C 随机微分方程VI 扩散过程简介
UA MATH565C 随机微分方程VI 扩散过程简介 Kolmogorov定理 称具有路径连续的Markov Family (ξt,Px)(\xi_t,P_x)(ξt,Px)是一个diffusi ...
- UA MATH565C 随机微分方程II Wiener过程简介
UA MATH565C 随机微分方程II Wiener过程简介 Wiener过程的简单性质 Wiener过程的定义 在上一讲我们定义了WtW_tWt: dWt=ηtdt⇔Wt=∫0tηsdsdW_t ...
- UA MATH565C 随机微分方程III Ito积分的构造下
UA MATH565C 随机微分方程III Ito积分的构造下 Progressively Measurable 从step process到一般随机过程 Progressively Measurab ...
- UA MATH565C 随机微分方程III Ito Isometry
UA MATH565C 随机微分方程III Ito Isometry 定义ft,gtf_t,g_tft,gt是step process,∀0=t0<t1⋯<tn=t\forall 0= ...
最新文章
- go系列(5)- beego自己写controller
- python中使用函数的优点_Python基础之函数基本用法与进阶详解
- verilog中b',d',h'的意思
- 【转载】ADS分散加载文件使用总结(lpc23xx)
- Emacs远程开发及projectile安装
- BZOJ1066: [SCOI2007]蜥蜴
- 架构实战项目心得(十四):spring-boot结合Swagger2构建RESTful API测试体系
- 根据crash学习ARM64虚拟地址空间布局
- WIN7,WIN10,WIN11怎么查看电脑操作系统位数
- PAT 1068 万绿丛中一点红
- 最全的珍贵的四大天王合照和成名历程 - 很怀念【组图】
- 5G大规模MIMO技术
- 高德地图定位 地图比例缩放
- 群晖硬盘扩容 逃课方法
- adobe captivate 5.5 中文教程
- WebAPI中 request.query、request.body
- python中出现[Errno 2] No such file or directory解决方法之一
- 一文带你了解Web前端发展历程
- 电脑无法登陆百度知道和百度文库解决办法
- 计算机三级网络技术第一轮(第二章)
热门文章
- 2010年十大投资机会(转载)
- c语言顺序结构程序设计第4章答案,第4章顺序结构程序设计习题及答案.doc
- token验证_Swagger中添加Token验证
- Sharding Sphere 读写分离的配置
- NIO的Buffer
- session登录练习使用解决null显示问题
- MySQL 数据库mysqlbinlog使用问题:unknown variable ‘default-character-set=utf8‘.解决方法
- Windows 技术篇-是否允许程序连接网络误操作解除方法,如何解除阻止程序连接网络,程序连接网络设置方法
- c# winform实现2048游戏
- 黄金分割算法求函数的极值C++实现