Zagadnienia

8. Całka izometryczna względem procesu Wienera

Podczas kolejnych wykładów zdefiniujemy całkę względem procesu Wienera - zaczniemy od całkowania funkcji deterministycznych, by później przejść do konstrukcji izometrycznej całki stochastycznej Itô.

Konstrukcja całki stochastycznej ma pewne podobieństwa do konstrukcji całki Lebesgue'a. Najpierw określa się, w naturalny sposób, całki najprostszych funkcji/procesów (funkcje schodkowe, procesy elementarne), później pokazuje się własności tak określonej całki (oparte na liczeniu drugich momentów), które pozwalają uogólnić definicję na bardziej złożone funkcje/procesy.

Należy zwrócić uwagę, że całkę stochastyczną definiujemy globalnie na całej przestrzeni probabilistycznej, a nie dla każdej trajektorii z osobna.

Dla uproszczenia notacji będziemy definiowali całki 0tXsdWs. Całkę utXsdWs dla 0<u<t można wówczas określić na kilka sposobów - albo uogólniając w naturalny sposób odpowiednie definicje albo np. jako całkę 0tXsIu,sdWs.

Będziemy zakładać, że 0<T oraz Ftt0 jest filtracją spełniającą zwykłe warunki taką, że Wt jest Ft-mierzalne oraz Ws-Wt jest niezależne od Ft dla st (za Ft można przyjąć uzupełnienie Ft+W).

8.1. Całka Paleya-Wienera

Definiowanie całki stochastycznej względem procesu Wienera zaczniemy od najprostszego przypadku funkcji deterministycznych.

Dla funkcji schodkowej postaci

h=i=1kαiIti-1,ti,0=t0<t1<<tk=t,αiR,

określamy

Ih=0thsdWs:=i=1kαiWti-Wti-1.

Z podstawowych własności procesu Wienera natychmiast otrzymujemy następujące własności przekształcenia I:

Stwierdzenie 8.1

Przy powyżej wprowadzonych oznaczeniach mamy
i) EIh=0,
ii) VarIh=EIh2=0th2sds,
iii) Ih ma rozkład normalny N0,0th2sds,
iii) Ic1h1+c2h2=c1Ih1+c2Ih2 dla c1,c2R.

Oznaczając przez E1 zbiór funkcji schodkowych na a,b widzimy, że przekształcenie I definiuje liniową izometrię L20,tE1L2Ω. Ponieważ funkcje schodkowe są gęste w L2 izometrię w jednoznaczny sposób możemy rozszerzyć na całe L20,t.

Definicja 8.1

Rozszerzenie powyższej izometrii do izometrii na L20,t nazywamy całką Paleya-Wienera z funkcji h i oznaczamy 0thsdWs.

Stwierdzenie 8.2

Dla dowolnej funkcji hL20,t,
i) E0thsdWs=0,
ii) Var0thsdWs=E0thsdWs2=0th2sds,
iii) 0thsdWs ma rozkład normalny N0,0th2sds.

Można też udowodnić następujące proste własności całki Paleya-Wienera:

Stwierdzenie 8.3

i) Jeżeli hC10,t, to

0thsdWs=htWt-0thsWsds.

Ponadto dla dowolnego hL20,t,
ii) E0thsdWsp=EW1p0th2sdsp/2
oraz
iii) 0uhsdWs=0thsI0,usds p.n. dla dowolnych 0<u<t.

Dowód pozostawiamy Czytelnikowi (zob. Ćwiczenia 8.2-8.4).

8.2. Procesy elementarne

Starając się przenieść konstrukcję Paleya-Wienera na przypadek całki z procesów, musimy określić stochastyczny odpowiednik funkcji schodkowych - są to tak zwane procesy elementarne.

Definicja 8.2

Powiemy, że proces X=Xtt0,T należy do E - rodziny procesów elementarnych (elementarnych procesów prognozowalnych), jeśli X jest postaci

Xt=ξ0I0+k=1mξk-1Itk-1,tkt, (8.1)

gdzie 0=t0<t1<<tm<T, zaś ξk są ograniczonymi zmiennymi losowymi, Ftk-mierzalnymi.

Oczywiście E jest przestrzenią liniową.

Definicja 8.3

Dla XE definiujemy proces

IX=IXttT=0tXsdWstT

wzorem

IXt:=k=1mξk-1Wtkt-Wtk-1t.
Uwaga 8.1

Definicja jest poprawna, tzn. nie zależy od reprezentacji XE.

Stwierdzenie 8.4

Jeśli X jest procesem elementarnym, to proces IX=0tXsdWstT jest martyngałem względem Ft0tT, o ciągłych trajektoriach takim, że IX0=0 oraz

E0TXsdWs2=E0TXs2ds.

Przyjmijmy, że Xt jest postaci (8.1). Ciągłość trajektorii i IX0=0 wynika natychmiast z określenia IX. Jeżeli tjttj+1, to zmienna

IXt=ξ0Wt1-Wt0+ξ1Wt2-Wt1++ξjWt-Wtj

jest Ft mierzalna. Ponadto IXt=IXtm dla tmtT.

Sprawdzimy teraz, że IX jest martyngałem, czyli dla s<tT mamy E(I(X)t|Fs)=I(X)s. Wystarczy pokazać to dla tjs<ttj+1, ale wtedy

E(I(X)t-I(X)s|Fs)=E(ξj(Wt-Ws)|Fs)=ξjE(Wt-Ws|Fs)=0,

wykorzystujemy tu założenie, że ξj jest FtjFs mierzalne. By zakończyć dowód liczymy

EIXT2=k=1mEξk-12Wtk-Wtk-12
+2j<kEξk-1ξj-1Wtk-Wtk-1Wtj-Wtj-1=:I1+I2.

Wykorzystując mierzalność ξj oraz niezależność przyrostów procesu Wienera mamy

I1=kE[ξk-12E((Wtk-Wtk-1)2|Ftk-1)]=kEξk-12(tk-tk-1)=E0TXs2ds

oraz

I2=2j<kE[(ξk-1ξj-1E((Wtk-Wtk-1)(Wtj-Wtj-1)|Ftk-1)]
=2j<kE[ξk-1ξj-1(Wtj-Wtj-1)E(Wtk-Wtk-1|Ftk-1)]=0,

bo EWtk-Wtk-1=0.

Uwaga 8.2

Jedyne własności procesu Wienera jakie wykorzystywaliśmy w dowodzie, to E(Wt-Ws|Fs)=0 oraz E((Wt-Ws)2|Fs)=t-s dla 0s<t. Własności te można formalnie wyprowadzić z faktu, że procesy Wt i Wt2-t są martyngałami względem Ft.

8.3. Martyngały ciągłe, całkowalne z kwadratem

Definicja 8.4

Przez MT2,c oznaczamy przestrzeń martyngałów Mt0tT względem filtracji Ftt0,T o trajektoriach ciągłych takich, że EMT2<.

Uwaga 8.3

i) Jeśli MMT2,c, to z nierówności Jensena wynika, że EMt2EMT2<, więc Mt20tT jest podmartyngałem.
ii) Przestrzeń MT2,c można utożsamić z przestrzenią martyngałów ciągłych Mt0t<T takich, że supt<TEMt2<. Możemy bowiem określić MT jako granicę p.n. Mt przy tT (zob. Twierdzenie 6.5 dla p=2).
iii) Z nierówności Dooba (Twierdzenie 5.1) wynika, że dla M=MtMT2,c,

EsuptTMt24EMT2.
Twierdzenie 8.1

Przestrzeń MT2,c jest przestrzenią Hilberta (tzn. zupełną przestrzenią euklidesową) z iloczynem skalarnym

M,N=M,NT=EMTNT,M,NMT2,c

oraz normą

MT=M,MT=EMT2=MTL2Ω.
Uwaga 8.4

i) Przy rozważaniach dotyczących całki stochastycznej utożsamiamy procesy nieodróżnialne. Formalnie rzecz biorąc elementy MT2,c to klasy abstrakcji martyngałów ciągłych względem relacji nieodróżnialności.
ii) Przekształcenie MMT jest izometrycznym włożeniem przestrzeni MT2,c w L2Ω,F,P.

Dowód Twierdzenia

Oczywiście MT2,c jest przestrzenią liniową, zaś M,N jest iloczynem skalarnym, bo jest dwuliniowy, symetryczny, M,M0 oraz jeśli M,M=0, to EMT2=0, czyli MT=0 p.n., co z własności martygału implikuje, że Mt=0 p.n., więc z ciągłości M, PtTMt=0=1.

Musimy jeszcze udowodnić zupełność. Niech Mn=MtnMT2,c będzie ciągiem Cauchy'ego, czyli

Mn-MmT2=EMTn-MTm20 dla m,n.

Wówczas MTn jest ciągiem Cauchy'ego w L2Ω,FT,P, zatem z zupełności L2 istnieje całkowalna z kwadratem zmienna MT taka, że EMTn-MT20 przy n.

Możemy położyć M~t:=E(MT|Ft), ale taka definicja nie gwarantuje ciągłości M~. Udowodnimy, że można znaleźć martyngał M, który jest ciągłą modyfikację M~.

Zauważmy, że na mocy nierówności Dooba,

EsuptTMtn-Mtm24EMTn-MTm2,

więc możemy wybrać podciąg nk taki, że

l>kEsuptTMtnk-Mtnl28-k.

Wówczas

PsuptTMtnk-Mtnk+12-k2-k.

Zatem, jeśli określimy

Ak:={suptT|Mtnk-Mtnk+1|2-k},

to kPAk<, czyli na mocy lematu Borela-Cantelli, Plim supAk=0.

Jeśli ωlim supAk, to ωAk dla kk0=k0ω, czyli suptTMtnk-Mtnk+12-k dla kk0. Ciąg Mtnkω0tT jest zatem zbieżny jednostajnie na 0,T do pewnej funkcji Mtω. Kładziemy dodatkowo Mω=0 dla ωlim supAk.

Z ciągłości Mnk wynika ciągłość M. Ponieważ MTnkMT w L2 więc również w L1, czyli Mtnk=E(MTnk|Ft)E(MT|Ft) w L1, a że MtnkMt p.n., więc Mt=E(MT|Ft)=M~t p.n., czyli Mt0tT jest martyngałem ciągłym.

8.4. Całka izometryczna Itô. Procesy prognozowalne

Każdemu procesowi elementarnemu X przyporządkowaliśmy martyngał ciągły IX, co więcej przekształcenie I

L20,T×Ω,B0,TF,λPEIMT2,c

jest liniową izometrią. Przekształcenie I możemy więc rozszerzyć do liniowej izometrii (którą też będziemy oznaczać literą I) z E¯ w MT2,c, gdzie E¯ oznacza domknięcie przestrzeni procesów elementarnych w L20,T×Ω,B0,TF,λP.

Definicja 8.5

Tak zdefiniowane przekształcenie I przyporządkowujące każdemu procesowi X=Xt0tT z przestrzeni E¯ ciągły, całkowalny z kwadratem martyngał IX nazywamy izometryczną całką stochastyczną Itô z procesu X i oznaczamy

I(X)t=:0tXsdWs,0tT.

Oczywiście natychmiast powstaje pytanie jak wygląda przestrzeń E¯, czyli jakie procesy stochastyczne umiemy całkować.

Definicja 8.6

σ-ciało zbiorów prognozowalnych P, to σ-ciało podzbiorów 0,T×Ω generowane przez zbiory postaci 0×A, s,t×A, s<t<T, AFs.

Proces X=Xt0t<T jest prognozowalny, jeśli traktowany jako funkcja X:0,T×ΩR jest mierzalny względem P.

Z definicji natychmiast wynika, że Xtω=IAωIu,vt jest prognozowalny, jeśli AFu oraz uv<T.

Ponieważ każdą ograniczoną zmienną ξ, Fu–mierzalną można aproksymować jednostajnie przez zmienne postaci aiIAi, AiFu, więc proces ξωIu,vt jest prognozowalny dla dowolnej ograniczonej zmiennej ξ, Fu–mierzalnej.

Zatem dowolny proces YE jest prognozowalny, czyli EL20,T×Ω,P,λP, stąd

E¯L20,T×Ω,P,λP.

W szczególności każdy proces z E¯ jest nieodróznialny od procesu prognozowalnego. Okazuje się, że zachodzi również odwrotne zawieranie.

Stwierdzenie 8.5

Mamy E¯=L20,T×Ω,P,λP.

Wobec poprzednich rozważań musimy tylko pokazać, że E¯L20,T×Ω,P,λP. Rozważymy dwa przypadki.

Przypadek I: T<.

Najpierw pokażemy, że jeśli ΓP, to IΓE¯. W tym celu określmy A:=ΓP:IΓE¯ oraz

B:=0×A:AF0u,v×A: 0u<v<T,AFu.

Łatwo sprawdzić, że B jest π-układem, ponadto jeśli ΓB, to IΓEE¯, a zatem BA. Co więcej A jest λ-układem dla T<, bo
i) Γ=0,T×ΩA, czyli IΓ=1E¯, gdyż biorąc ciąg TnT, otrzymujemy EI0×Ω+I0,Tn×Ω=I0,Tn×ΩL2I0,T×ΩE¯.
ii) Γ1,Γ2A, Γ1Γ2, IΓ2Γ1=IΓ2-IΓ1E¯ z liniowości E¯, czyli Γ2Γ1A.
iii) ΓnA wstępujący, wówczas IΓnL2IΓnE¯, czyli ΓnA.

Zatem dla T<, z twierdzenia o π- i λ-układach AσB=P.

Dalej, jeśli ΓiP, aiR, to i=1naiIΓiE¯ (z liniowości). Ponadto funkcje proste inaiIΓi są gęste w L20,T×Ω,P,λP, czyli E¯=L20,T×Ω,P,λP.

Przypadek II: T=.

Niech XL20,×Ω,P,λP oraz Xtnω:=XtωI0,n×Ωt,ω. Wówczas procesy Xn są prognozowalne, należą do L20,n×Ω,P,λP, zatem XnE¯ na mocy przypadku I.

Ponadto XnX w L20,×Ω,λP (tw. Lebesgue'a o zbieżności zmajoryzowanej), czyli XE¯.

Określiliśmy zatem 0tXsdWs dla procesów prognozowalnych całkowalnych z kwadratem względem miary λP na 0,T×Ω. Od tej pory przyjmujemy następujące oznaczenie

L2T=L20,T×Ω,P,λP
=X=Xt0t<T prognozowalny :E0TXs2ds<.

Dobrze by było jeszcze wiedzieć, że klasa procesów prognozowalnych jest dostatecznie duża, wynika to z następującego faktu:

Stwierdzenie 8.6

Jeśli X=Xtt0,T jest procesem adaptowalnym i lewostronnie ciągłym, to X jest prognozowalny.

Dla T< określmy

Xtn:=X0I0+k=12n-1Xk-12nTIk-12nT,k2nT,

zaś w przypadku T= niech

Xtn:=X0I0+k=1n2nXk-12nIk-12n,k2n.

Łatwo zauważyć, że procesy Xn są prognozowalne oraz z lewostronnej ciągłości X wynika, że XtnXt punktowo. Prognozowalność X wynika z faktu, że granica punktowa ciągu funkcji mierzalnych jest mierzalna.

Uwaga 8.5

Można udowodnić, że dla Ft-adaptowalnego procesu X=Xtt0,T takiego, że E0TXs2ds< istnieje proces prognozowalny Y taki, że Xtω=Ytω dla λP prawie wszystkich t,ω0,T×Ω. Pozwala to określić XdW dla procesów adaptowalnych z L20,T×Ω.

8.5. Zadania

Ćwiczenie 8.1

Oblicz Cov0sh1tdWt,0sh2tdWt dla h1,h2L20,s.

Ćwiczenie 8.2

Wykaż, że dla 0u<t i hL20,t zachodzi

0uhsdWs=0thI0,usdWs p.n..
Ćwiczenie 8.3

Wykaż, że dla hC10,t zachodzi

0thsdWs=htWt-0thsWsds p.n..
Ćwiczenie 8.4

Niech Cp:=EW1p1/p. Wykaż, że dla 0<p<, przekształcenie hCp-10ThtdWt jest izometrycznym włożeniem L20,T w LpΩ.

Ćwiczenie 8.5

Wykaż, że proces

Yt=1-t0t11-sdWs0t<1,0t=1

ma takie same rozkłady skończenie wymiarowe co proces Zt=Wt-tW1 (most Browna).

Ćwiczenie 8.6

Wykaż, że jeśli XLT2,0tsT oraz ξ jest ograniczoną zmienną losową Ft mierzalną to ξXIt,sLT2 oraz tsξXdW=ξtsXdW (Uwaga: tsXdW definiujemy jako 0TIs,tXdW).

Ćwiczenie 8.7

Wykaż, że jeśli 0<t1<<tm<T oraz ξk są zmiennymi losowymi w L2Ω, Ftk mierzalnymi to proces X:=k=1m-1ξkItk,tk+1 należy do LT2 oraz 0tXdW=k=1m-1ξkWtk+1t-Wtkt.

Ćwiczenie 8.8

Załóżmy, że X jest procesem prognozowalnym, ciągłym w L2 (tzn. tXt jest ciągła z 0,T w L2Ω). Wykaż, że wówczas XLT2 oraz dla dowolnego ciągu podziałów 0=t0nt1ntknn=T o średnicy zbiegającej do zera zachodzi dla tT,

k=0kn-1XtknWtk+1n-Wtkn0TXdW

w L2Ω przy n.

Ćwiczenie 8.9

Oblicz 0tWsdWs.

Treść automatycznie generowana z plików źródłowych LaTeXa za pomocą oprogramowania wykorzystującego LaTeXML.

Projekt współfinansowany przez Unię Europejską w ramach Europejskiego Funduszu Społecznego.

Projekt współfinansowany przez Ministerstwo Nauki i Szkolnictwa Wyższego i przez Uniwersytet Warszawski.