伊藤公式
引理:设X={Xt,t∈[0,T]}是如下形式的伊藤过程。
Xt=X0+∫0tαsdBs+∫0tβsds
设f(t,x)的偏导数\frac{\part f}{\part t},\frac{\part f}{\part x},\frac{\part^2 f}{\part x^2}都存在且连续,则:
Y={Yt,t∈[0,T]}={f(t,Xt),t∈[0,T]}
也是伊藤过程,且:
Y_t=f(t,X_t)=f(0,X_0)+\int_{0}^{t}[\frac{\part f}{\part t}(s,X_s)+\frac{\part f}{\part x}(s,X_s)\beta_s+\frac{1}{2}\frac{\part^2 f}{\part x^2}(s,X_s)\alpha_s^2] \mathrm{d}s+\int_{0}^{t}[\frac{\part f}{\part x}(s,X_s)\alpha_s] \mathrm{d}B_s
微分形式:
\mathrm{d}Y_t=\mathrm{d} f(t,X_t)=\frac{\part f}{\part t}(t,X_t)\mathrm{d}t+\frac{\part f}{\part X}(t,X_t)\mathrm{d}X_t+\frac{1}{2}\frac{\part^2 f}{\part x^2}(t,X_t)(\mathrm{d}X_t)^2
而我们知道:
(dXt)2=(αtdBt+βtdt)2=αt2(dBt)2=αt2dt
所以:
\mathrm{d}Y_t=[\frac{\part f}{\part t}(t,X_t)+\frac{1}{2}\alpha_t^2\frac{\part^2 f}{\part x^2}(t,X_t)]\mathrm{d}t+\frac{\part f}{\part X}(t,X_t)\mathrm{d}X_t \\
=[\frac{\part f}{\part t}(t,X_t)+\beta_t\frac{\part f}{\part x}(t,X_t)+\frac{1}{2}\alpha_t^2\frac{\part^2 f}{\part x^2}(t,X_t)]\mathrm{d}t+\alpha_t\frac{\part f}{\part X}(t,X_t)\mathrm{d}B_t
证明思路
使用泰勒展开,一些高阶无穷小项被省略掉了,区别于传统二元函数泰勒展开,因为(dXt)2=αt2dt,故(dXt)2项没有被省略掉。
随机微分方程(SDE) (Stochastic Differential Equation)
线性SDE
dX(t)=(c1(t)X(t)+c2(t))dt+(σ1(t)X(t)+σ2(t))dBtX0=x0
其中c1(t),c2(t),σ1(t),σ2(t)是给定的函数。
齐次线性SDE
dX(t)=c1(t)X(t)dt+σ1(t)X(t)dBtX0=x0>0
求解方法如下:
令Yt=lnXt,对Yt应用伊藤公式:
dY(t)=dlnX(t)=[c1(t)−21σ12(t)]dt+σ1(t)dB(t)
所以:
lnXt=Y(t)=lnX0+∫0t[c1(s)−21σ12(s)]ds+∫0tσ1(s)dBs
Xt=X0 exp{∫0t[c1(s)−21σ12(s)]ds+∫0tσ1(s)dBs}
称为广义布朗运动。
若 C1(s)=μ , σ1(s)=σ 为常数,则:
Xt=X0 e(μ−21σ2)t+σBt
是几何布朗运动。
线性SDE的求解
补充知识:
若:
dX(t)=α1(t)dB(t)+β1(t)dtdY(t)=α2(t)dB(t)+β2(t)dt
则:
d(X(t)Y(t))=X(t)dY(t)+Y(t)dX(t)+dX(t)dY(t)
求解:
令Y(t)为齐次线性SDE的解,令X(1)=Y−1(t),则:
dX(1)=dY−1(t)=[−c1(t)+σ12(t)]Xt(1)dt−σ1(t)Xt(1)dBt
运用上述补充知识可得:
d(Xt(1)Xt)=[c2(t)−σ1(t)σ2(t)]Xt(1)dt−σ2(t)Xt(1)dBt
注意到Y0=1,对两边积分并化简可得:
Xt=Yt(X0+∫0t[c2(s)−σ1(s)σ2(s)]Ys−1ds+∫0tσ2(s)Ys−1dBs)
其中,Yt是齐次线性SDE的解:
Yt= exp{∫0t[c1(s)−21σ12(s)]ds+∫0tσ1(s)dBs}
解的期望与方差
对于非齐次线性SDE:
dX(t)=(c1(t)X(t)+c2(t))dt+(σ1(t)X(t)+σ2(t))dBtX0=x0
我们考虑对其解求期望。
对其积分形式两边求期望:
E[X(t)]=X0=∫0tE[(c1(s)X(s)+c2(s))]ds+0
假设c1(s),c2(s)为确定性函数,则:
E[X(t)]=X0=∫0t(c1(s)E[X(s)]+c2(s))ds+0
是一阶线性常微分方程。
令g(t)=E[X(t)],则:
g′(t)=c1(t)g(t)+c2(t)g(0)=x0
我们也可以直接令原方程中的σ1,σ2=0,解出来的Xt即为期望。