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,αi∈R, |
|
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,c2∈R.
Oznaczając przez E1 zbiór funkcji schodkowych na a,b widzimy, że przekształcenie
I definiuje liniową izometrię L20,t⊃E1→L2Ω. 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 h∈L20,t,
i) E∫0thsdWs=0,
ii) Var∫0thsdWs=E∫0thsdWs2=∫0th2sds,
iii) ∫0thsdWs ma rozkład normalny N0,∫0th2sds.
Można też udowodnić następujące proste własności całki Paleya-Wienera:
Stwierdzenie 8.3
i) Jeżeli h∈C10,t, to
|
∫0thsdWs=htWt-∫0th′sWsds. |
|
Ponadto dla dowolnego h∈L20,t,
ii) E∫0thsdWsp=EW1p∫0th2sdsp/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=Xtt∈0,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 X∈E definiujemy proces
|
IX=IXtt≤T=∫0tXsdWst≤T |
|
wzorem
|
IXt:=∑k=1mξk-1Wtk∧t-Wtk-1∧t. |
|
Uwaga 8.1
Definicja jest poprawna, tzn. nie zależy od reprezentacji X∈E.
Stwierdzenie 8.4
Jeśli X jest procesem elementarnym, to proces IX=∫0tXsdWst≤T jest
martyngałem względem Ft0≤t≤T,
o ciągłych trajektoriach takim, że IX0=0 oraz
|
E∫0TXsdWs2=E∫0TXs2ds. |
|
Przyjmijmy, że Xt jest postaci (8.1).
Ciągłość trajektorii i IX0=0 wynika natychmiast z określenia IX.
Jeżeli tj≤t≤tj+1, to zmienna
|
IXt=ξ0Wt1-Wt0+ξ1Wt2-Wt1+…+ξjWt-Wtj |
|
jest Ft mierzalna. Ponadto IXt=IXtm dla tm≤t≤T.
Sprawdzimy teraz, że IX jest martyngałem, czyli dla s<t≤T mamy
E(I(X)t|Fs)=I(X)s.
Wystarczy pokazać to dla tj≤s<t≤tj+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 Ftj⊂Fs mierzalne.
By zakończyć dowód liczymy
|
EIXT2= | ∑k=1mEξk-12Wtk-Wtk-12 |
|
|
| +2∑j<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)=E∫0TXs2ds |
|
oraz
|
I2 | =2∑j<kE[(ξk-1ξj-1E((Wtk-Wtk-1)(Wtj-Wtj-1)|Ftk-1)] |
|
|
| =2∑j<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 0≤s<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 Mt0≤t≤T
względem filtracji Ftt∈0,T o trajektoriach ciągłych takich, że EMT2<∞.
Uwaga 8.3
i) Jeśli M∈MT2,c, to z nierówności Jensena wynika, że
EMt2≤EMT2<∞, więc Mt20≤t≤T jest podmartyngałem.
ii) Przestrzeń MT2,c można utożsamić z przestrzenią
martyngałów ciągłych Mt0≤t<T takich, że supt<TEMt2<∞.
Możemy bowiem określić MT jako granicę p.n. Mt przy t→T
(zob. Twierdzenie 6.5 dla p=2).
iii) Z nierówności Dooba (Twierdzenie 5.1) wynika, że dla
M=Mt∈MT2,c,
Twierdzenie 8.1
Przestrzeń MT2,c jest przestrzenią Hilberta
(tzn. zupełną przestrzenią euklidesową)
z iloczynem skalarnym
|
M,N=M,NT=EMTNT,M,N∈MT2,c |
|
oraz normą
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 M→MT 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,M≥0 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, P∀t≤TMt=0=1.
Musimy jeszcze udowodnić zupełność. Niech
Mn=Mtn∈MT2,c będzie ciągiem Cauchy'ego, czyli
|
Mn-MmT2=EMTn-MTm2→0 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-MT2→0 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,
|
Esupt≤TMtn-Mtm2≤4EMTn-MTm2, |
|
więc możemy wybrać podciąg nk taki, że
|
∀l>kEsupt≤TMtnk-Mtnl2≤8-k. |
|
Wówczas
|
Psupt≤TMtnk-Mtnk+1≥2-k≤2-k. |
|
Zatem, jeśli określimy
|
Ak:={supt≤T|Mtnk-Mtnk+1|≥2-k}, |
|
to ∑kPAk<∞, czyli na mocy lematu Borela-Cantelli,
Plim supAk=0.
Jeśli ω∉lim supAk, to ω∉Ak dla k≥k0=k0ω, czyli
supt≤TMtnk-Mtnk+1≤2-k dla k≥k0. Ciąg
Mtnkω0≤t≤T jest zatem zbieżny jednostajnie na 0,T do pewnej funkcji
Mtω. Kładziemy dodatkowo Mω=0 dla ω∈lim supAk.
Z ciągłości Mnk wynika ciągłość M.
Ponieważ MTnk→MT w L2 więc również w L1, czyli
Mtnk=E(MTnk|Ft)→E(MT|Ft) w L1, a że
Mtnk→Mt p.n., więc
Mt=E(MT|Ft)=M~t p.n.,
czyli Mt0≤t≤T 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,T⊗F,λ⊗P↩E⟶IMT2,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,T⊗F,λ⊗P.
Definicja 8.5
Tak zdefiniowane przekształcenie I przyporządkowujące każdemu procesowi
X=Xt0≤t≤T z przestrzeni E¯ ciągły, całkowalny z
kwadratem martyngał IX nazywamy izometryczną całką stochastyczną Itô z procesu X i
oznaczamy
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, A∈Fs.
Proces X=Xt0≤t<T jest prognozowalny, jeśli traktowany jako funkcja
X:0,T×Ω→R jest mierzalny względem P.
Z definicji natychmiast wynika, że Xtω=IAωIu,vt jest prognozowalny,
jeśli A∈Fu oraz u≤v<T.
Ponieważ każdą ograniczoną zmienną ξ, Fu–mierzalną można aproksymować jednostajnie
przez zmienne postaci ∑aiIAi, Ai∈Fu, więc proces
ξωIu,vt jest prognozowalny dla dowolnej ograniczonej zmiennej ξ,
Fu–mierzalnej.
Zatem dowolny proces Y∈E jest prognozowalny, czyli
E⊂L20,T×Ω,P,λ⊗P,
stąd
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,λ⊗P.
Wobec poprzednich rozważań musimy tylko pokazać, że
E¯⊃L20,T×Ω,P,λ⊗P. Rozważymy dwa przypadki.
Przypadek I: T<∞.
Najpierw pokażemy, że jeśli Γ∈P, to
IΓ∈E¯.
W tym celu określmy A:=Γ∈P:IΓ∈E¯ oraz
|
B:=0×A:A∈F0∪u,v×A: 0≤u<v<T,A∈Fu. |
|
Łatwo sprawdzić, że B jest π-układem, ponadto jeśli
Γ∈B, to IΓ∈E⊂E¯,
a zatem B⊂A.
Co więcej A jest λ-układem dla T<∞, bo
i) Γ=0,T×Ω∈A, czyli IΓ=1∈E¯, gdyż
biorąc ciąg Tn↗T, otrzymujemy E∋I0×Ω+I0,Tn×Ω=I0,Tn×Ω⟶L2I0,T×Ω∈E¯.
ii) Γ1,Γ2∈A, Γ1⊂Γ2,
IΓ2∖Γ1=IΓ2-IΓ1∈E¯ z
liniowości E¯, czyli Γ2∖Γ1∈A.
iii) Γn∈A wstępujący, wówczas
IΓn⟶L2I⋃Γn∈E¯,
czyli ⋃Γn∈A.
Zatem dla T<∞, z twierdzenia o π- i λ-układach
A⊃σB=P.
Dalej, jeśli Γi∈P, ai∈R, to
∑i=1naiIΓi∈E¯ (z liniowości).
Ponadto funkcje proste ∑i≤naiIΓi są gęste w
L20,T×Ω,P,λ⊗P, czyli
E¯=L20,T×Ω,P,λ⊗P.
Przypadek II: T=∞.
Niech X∈L20,∞×Ω,P,λ⊗P
oraz Xtnω:=XtωI0,n×Ωt,ω.
Wówczas procesy
Xn są prognozowalne, należą do L20,n×Ω,P,λ⊗P,
zatem Xn∈E¯ na mocy przypadku I.
Ponadto Xn→X w L20,∞×Ω,λ⊗P
(tw. Lebesgue'a o zbieżności zmajoryzowanej), czyli X∈E¯.
∎
Określiliśmy zatem ∫0tXsdWs dla procesów prognozowalnych całkowalnych
z kwadratem względem miary λ⊗P na 0,T×Ω.
Od tej pory przyjmujemy następujące oznaczenie
|
L2T | =L20,T×Ω,P,λ⊗P |
|
|
| =X=Xt0≤t<T prognozowalny :E∫0TXs2ds<∞. |
|
Dobrze by było jeszcze wiedzieć, że klasa procesów prognozowalnych jest dostatecznie
duża, wynika to z następującego faktu:
Stwierdzenie 8.6
Jeśli X=Xtt∈0,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
Xtn→Xt 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=Xtt∈0,T takiego, że
E∫0TXs2ds<∞ istnieje proces prognozowalny Y taki, że Xtω=Ytω
dla λ⊗P prawie wszystkich t,ω∈0,T×Ω. Pozwala to określić
∫XdW dla procesów adaptowalnych z L20,T×Ω.
8.5. Zadania
Ćwiczenie 8.1
Oblicz Cov∫0sh1tdWt,∫0sh2tdWt
dla h1,h2∈L20,s.
Ćwiczenie 8.2
Wykaż, że dla 0≤u<t i h∈L20,t zachodzi
|
∫0uhsdWs=∫0thI0,usdWs p.n.. |
|
Ćwiczenie 8.3
Wykaż, że dla h∈C10,t zachodzi
|
∫0thsdWs=htWt-∫0th′sWsds p.n.. |
|
Ćwiczenie 8.4
Niech Cp:=EW1p1/p.
Wykaż, że dla 0<p<∞, przekształcenie
h→Cp-1∫0ThtdWt jest izometrycznym włożeniem
L20,T w LpΩ.
Ćwiczenie 8.5
Wykaż, że proces
|
Yt=1-t∫0t11-sdWs0≤t<1,0t=1 |
|
ma takie same rozkłady skończenie wymiarowe co proces Zt=Wt-tW1
(most Browna).
Ćwiczenie 8.6
Wykaż, że jeśli X∈LT2,0≤t≤s≤T oraz
ξ jest ograniczoną zmienną losową Ft mierzalną to
ξXIt,s∈LT2 oraz ∫tsξXdW=ξ∫tsXdW
(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+1∧t-Wtk∧t.
Ćwiczenie 8.8
Załóżmy, że X jest procesem prognozowalnym, ciągłym w L2
(tzn. t→Xt jest ciągła z 0,T w L2Ω). Wykaż, że
wówczas X∈LT2 oraz dla dowolnego ciągu podziałów
0=t0n≤t1n≤…≤tknn=T o
średnicy zbiegającej do zera zachodzi dla t≤T,
|
∑k=0kn-1XtknWtk+1n-Wtkn→∫0TXdW |
|
w L2Ω przy n→∞.
Ćwiczenie 8.9
Oblicz ∫0tWsdWs.