- •Случайные события
- •Стохастический мир
- •Случайные величины
- •Совместная и условная вероятности
- •Зависимость и независимость
- •Характеристическая функция
- •Модель аддитивного блуждания
- •Случайные процессы
- •Стохастические уравнения
- •Уравнение Ито
- •Остановка перед восхождением
- •Лемма Ито
- •Точные решения
- •Простые стохастические модели
- •Представление решений
- •Автокорреляция и спектр
- •Порождающий процесс Винера
- •Средние значения
- •Динамическое уравнение для средних
- •Процесс Феллера
- •Логистическое уравнение
- •Вероятности
- •Марковские плотности вероятности
- •Граничные условия
- •Стохастические интегралы
- •Площадь под траекторией Винера
- •Интегралы Ито
- •Интегрирование стохастических уравнений
- •Единственность решений
- •Метод последовательных приближений
- •Системы уравнений
- •Скоррелированные блуждания
- •Системы стохастических уравнений
- •Стохастический осциллятор
- •Линейные многомерные модели
- •Многомерие помогает одномерию
- •Как решать стохастические задачи?
- •Стохастическая природа
- •Теория броуновского движения
- •Стохастический осциллятор
- •Дрожание земной оси
- •Электронный шум
- •Хищники и их жертвы
- •Стохастическое общество
- •Финансовые рынки
- •Эмпирические закономерности
- •Диверсификация
- •Портфель на всю жизнь
- •Опционы
- •Кривая доходности
- •Компьютерное моделирование
- •Статистики
- •Случайные числа
- •Моделирование стохастических процессов
- •Ошибки вычислений и ускорение сходимости
- •Вычисление средних
- •R: Стохастический справочник
- •Основные соотношения теории
- •Системы уравнений с одинаковым шумом
- •M: Математические приложения
- •H: Помощь
- •C: Примечания
- •Рекомендуемая литература
156 |
Глава 6. |
6.2Системы стохастических уравнений
В общем случае система стохастических уравнений записывается в виде:
dxi = ai(x; t) dt + bi (x; t) W ; |
(6.4) |
где i = 1; :::; n, по повторяющемуся индексу = 1; :::; m предполагается суммирование, и в общем случае n 6= m. Можно опустить не только знак
суммы, но и индексы, записав стохастическое уравнение в матричном виде:
dx = a(x; t) dt + b W; |
(6.5) |
где a векторная функция, а b матричная, размерности n x m. Вектор
винеровских переменных, как и в одномерном случае, записывается через гауссовы случайные числа:
p |
|
p |
|
|
|
|
t: |
(6.6) |
|||
W = f W1; :::; Wmg = f"1; :::; "mg |
t = |
|
Мы будем считать, что h" " i = , а эффекты корреляции переносить
на матрицу bi . Скоррелированные величины "0 можно выразить через нескоррелированные при помощи линейного преобразования 0 = S ,
поэтому стохастический член в ураp âнении Ито со скоррелировp àнными винеровскими переменными b0 0 dt эквивалентен (b0 S) dt.
Численное моделирование выполняется при помощи выбора малого интервала времени t. После этого генерится вектор m нормально распредел¼нных чисел = f"1; :::; "mg и вычисляется набор значений процессов в следующий момент времени. Для первой итерации:
p |
|
|
|
xi = x0i + ai(x0; t0) t + bi (x0; t0) " t: |
(6.7) |
Процессы x(t) = fx1(t); :::; xn(t)g мы всегда нумеруем, начиная с индекса 1, а нулевой индекс x0i - это значение i-того процесса в момент времени t0, ò.å. x0i = xi(t0).
Несложно проверить, что смысл коэффициентов сноса определяется средним hxi x0ii = t = ai(x0; t0), а диффузия:
h(xi x0i) (xj x0j)i |
= b |
|
(x |
; t ) b |
|
(x ; t ) = (b |
|
bT ) |
|
(6.8) |
t |
|
i |
0 |
0 |
j |
0 0 |
|
ij |
|
при t ! 0 стремится к произведению матриц волатильности, где bTij = bji - операция транспонирования (перестановки) индексов.
Системы уравнений |
157 |
Обобщим лемму Ито на n-мерный случай. Пусть F (x; t) диффе-
ренцируемая функция. Разложим е¼ в ряд Тейлора в окрестности точки
x0; t0:
F (x; t) = F (x0; t0) + |
@F |
t + |
@F |
xi + |
1 @2F |
xi xj + ::: (6.9) |
||
|
|
|
|
|
||||
@t |
@xi |
2 @xi@xj |
По повторяющимся индексам проводится суммирование, и все функции в правой части вычисляются в точке x0; t0. В соответствии с (6.7):
p
xi = ai(x0; t0) t + bi (x0; t0) " t: (6.10)
Изменение функции dF = F (x; t) F (x0; t0) подчиняется стохастиче- скому уравнению Ито:
|
|
dF = A(x0; t0) dt + B (x0; t0) W : |
|
|
(6.11) |
|||||||||
|
|
|
|
|
|
|
|
p |
|
|
|
|
|
|
|
|
|
|
|
|
, |
, получаем: |
|||||||
Подставляя (6.10) â (6.9) и сохраняя члены порядка t t |
||||||||||||||
|
@F |
|
@F |
1 @2F |
@F |
|
|
|
||||||
|
|
|
|
|
||||||||||
F F0 |
|
+ |
|
ai + |
|
|
|
bi bj " " t + |
|
bi " p t: |
||||
@t |
@xi |
2 |
@xi@xj |
@xi |
Ñíîñ A(x0; t0) по определению равен пределу hF F0i = t при t ! 0 и находится с уч¼том соотношений h" " i = . Для диффузии, в соответствии с (6.8), имеем:
|
t |
|
= @xi @xj |
bi bj = B B : |
|
|
(F F0)2 |
|
|
@F @F |
|
Поэтому стохастическое уравнение для скалярной функции n + 1 переменных F (x; t), в которую вместо аргументов x подставлены случайные процессы x(t), записывается следующим образом:
dF = |
@F |
+ |
@F |
ai + |
1 @2F |
bi bj dt + |
@F |
bi W : |
(6.12) |
||
|
|
|
|
|
|
||||||
@t |
@xi |
2 @xi@xj |
@xi |
Если функция F не скалярная, а векторная, то это соотношение спра-
ведливо для каждой из е¼ компонент.
Введя символ следа матрицы, равного сумме диагональных элементов Tr A = A = A11 + ::: + Ann, можно записать лемму Ито в матричном виде:
dF = |
@F |
|
@F |
a + |
1 |
bT |
@2F |
b dt + |
@F |
b W; (6.13) |
|||
|
+ |
|
|
|
|
Tr |
|
|
|||||
@t |
|
@x |
2 |
@x2 |
@x |
ãäå @2F=@x2 матрица вторых производных.
158 |
Глава 6. |
Получим многомерное уравнение Фоккера-Планка. Для этого необ-
ходимо повторить рассуждения из одномерной задачи. Рассмотрим слу- чайный вектор y = x(t) в момент времени t и предшествующий ему
x = x(t t) в момент времени t t. Они связаны диффузным стохастическим процессом:
p
y = x + a t + b t;
где векторная a = ai(x; t t) и матричная b = bi (x; t t) функции вычислены в момент времени t t. Предположим, что плотность вероятности случайной величины x равна P (x; t t). Распределение
для гауссовой переменной нам известно. Чтобы найти распределение для величины y, необходимо вычислить среднее от произвольной функции
F (y) с известными плотностями P (x; t t) и P ( ):
|
F (y) |
P (x;") |
1 |
|
|
|
|
h (y)i = Z |
|
|
|
|
|
|
|
|
|
|
|
||||
F (x + a t + b t |
) z |
(x )}| |
( 1 |
m{) |
|
||||||||||
|
|
z |
}| |
p |
|
{ |
|
|
|
|
|
|
|
dnxdm": |
|
F |
|
|
|
|
|
P |
; t t P " ; :::; " |
|
|
||||||
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
p
Разложим первый множитель в ряд по малой величине a t + b " t:
|
|
|
|
|
@F |
(ai t + bi " p |
|
) |
|
|
||||
F (y) = |
F (x) + |
t |
||||||||||||
|
|
|||||||||||||
|
|
|
|
|
@xi |
|||||||||
|
|
1 @2F |
|
(ai t + bi " p |
|
) (aj t + bj " p |
|
); |
||||||
+ |
|
|
t |
t |
||||||||||
|
|
|
|
|
||||||||||
|
|
2 @xi@xj |
где по повторяющимся индексам, как и раньше, подразумевается суммирование. По t раскладываем также P (x; t t).
При интегрировании по всем "i происходит усреднение, которое да¼т h" i = 0 è h" " i = . В результате, повторяя рассуждения на стр. 107, получаем:
|
@P |
|
@(a P ) |
|
1 |
|
@2 |
hbi bj P i = 0 |
|
|
||||
|
|
|
+ |
i |
|
|
|
|
|
|
: |
(6.14) |
||
|
|
@t |
@xi |
2 |
@xi@xj |
|||||||||
ãäå ai = ai(x; t), bi = bi (x; t), à P |
= P (x0; t0 ) x; t) - условная плот- |
ность вероятности. Если в момент времени t0 значение x0 известно точно, то для решения этого уравнения используется начальное условие в виде n - мерной дельта - функции Дирака, равной произведению одномерных
функций по каждой координате: P (x0; t0 ) x; t0) = (x x0).
Системы уравнений |
159 |
Аналогично выводится уравнение для производной от среднего:
dt |
|
1 |
@t F (x; t) P (x0; t0 ) x; t) dnx: |
|||
= Z |
||||||
d F x(t); t |
|
|
@ |
|
|
|
|
|
1 |
|
|
Раскрывая производную произведения и подставляя @P=@t из уравнения Фоккера - Планка, получаем динамические уравнения для средних:
|
dt |
= |
@t |
+ ai @xi |
+ 2 bibj |
@xi@xj |
: |
(6.15) |
|||||||
|
d F x(t); t |
|
|
@F |
|
@F |
1 |
@2F |
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Как и лемму Ито, это соотношение можно записать в матричной форме при помощи символа следа Tr. Усреднение производится при условии,
что в момент времени t вектор случайного процесса был равен x0 = x(t0).
Уравнение для среднего справедливо и для векторных или тензорных функций, так как выводится независимо для каждой из компонент. Выбирая F = x и учитывая, что @x =@xi = i, получаем временную дина- мику среднего в компонентной и матричной форме:
_ |
_ |
(6.16) |
hx i = ha (x; t)i ; |
hxi = ha(x; t)i : |
Только для линейных по x сносов динамика среднего значения будет
совпадать с решением детерминированного уравнения. Функциональная зависимость волатильности b(x; t) при этом роли не играет. Если снос
нелинеен по x, то функция hxi = x(t) будет отличаться от детерминированного решения с b = 0.
Производные от произведения x x выражаются через символ Кроне-
кера следующим образом:
@(x x ) = x i + x i;
@xi
@2(x x )
@xi@xj
= j i + j i:
Поэтому, выбирая F в тензорном виде F = x x , можно записать урав- нение для среднего от произведения случайных процессов:
hx _x i = hx a + x a + b b i : |
(6.17) |
В частности, для св¼ртки (суммирования) по индексам и имеем мат- ричное выражение для изменения квадрата hx_2i = 2 hx ai + Tr b bT .