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 ∫0tXs⁢d⁢Ws. Całkę ∫utXs⁢d⁢Ws dla 0<u<t można wówczas określić na kilka sposobów - albo uogólniając w naturalny sposób odpowiednie definicje albo np. jako całkę ∫0tXs⁢Iu,∞⁢s⁢d⁢Ws.

Będziemy zakładać, że 0<T≤∞ oraz Ftt≥0 jest filtracją spełniającą zwykłe warunki taką, że Wt jest Ft-mierzalne oraz Ws-Wt jest niezależne od Ft dla s≥t (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=1kαi⁢Iti-1,ti,⁢0=t0<t1<…<tk=t,⁢αi∈R,

określamy

I⁢h=∫0th⁢s⁢⁢d⁢Ws:=∑i=1kαi⁢W⁢ti-W⁢ti-1.

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

Stwierdzenie 8.1

Przy powyżej wprowadzonych oznaczeniach mamy
i) E⁢I⁢h=0,
ii) Var⁢I⁢h=E⁢I⁢h2=∫0th2⁢s⁢⁢d⁢s,
iii) I⁢h ma rozkład normalny N⁢0,∫0th2⁢s⁢⁢d⁢s,
iii) I⁢c1⁢h1+c2⁢h2=c1⁢I⁢h1+c2⁢I⁢h2 dla c1,c2∈R.

Oznaczając przez E1 zbiór funkcji schodkowych na a,b widzimy, że przekształcenie I definiuje liniową izometrię L2⁢0,t⊃E1→L2⁢Ω. Ponieważ funkcje schodkowe są gęste w L2 izometrię w jednoznaczny sposób możemy rozszerzyć na całe L2⁢0,t.

Definicja 8.1

Rozszerzenie powyższej izometrii do izometrii na L2⁢0,t nazywamy całką Paleya-Wienera z funkcji h i oznaczamy ∫0th⁢s⁢⁢d⁢Ws.

Stwierdzenie 8.2

Dla dowolnej funkcji h∈L2⁢0,t,
i) E⁢∫0th⁢s⁢⁢d⁢Ws=0,
ii) Var⁢∫0th⁢s⁢⁢d⁢Ws=E⁢∫0th⁢s⁢⁢d⁢Ws2=∫0th2⁢s⁢⁢d⁢s,
iii) ∫0th⁢s⁢⁢d⁢Ws ma rozkład normalny N⁢0,∫0th2⁢s⁢⁢d⁢s.

Można też udowodnić następujące proste własności całki Paleya-Wienera:

Stwierdzenie 8.3

i) Jeżeli h∈C1⁢0,t, to

∫0th⁢s⁢⁢d⁢Ws=h⁢t⁢Wt-∫0th′⁢s⁢Ws⁢⁢d⁢s.

Ponadto dla dowolnego h∈L2⁢0,t,
ii) E⁢∫0th⁢s⁢⁢d⁢Wsp=E⁢W1p⁢∫0th2⁢s⁢⁢d⁢sp/2
oraz
iii) ∫0uh⁢s⁢d⁢Ws=∫0th⁢s⁢I0,u⁢s⁢d⁢s 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=ξ0⁢I0+∑k=1mξk-1⁢Itk-1,tk⁢t, (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

I⁢X=I⁢Xtt≤T=∫0tXs⁢⁢d⁢Wst≤T

wzorem

I⁢Xt:=∑k=1mξk-1⁢Wtk∧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 I⁢X=∫0tXs⁢⁢d⁢Wst≤T jest martyngałem względem Ft0≤t≤T, o ciągłych trajektoriach takim, że I⁢X0=0 oraz

E⁢∫0TXs⁢⁢d⁢Ws2=E⁢∫0TXs2⁢⁢d⁢s.

Przyjmijmy, że Xt jest postaci (8.1). Ciągłość trajektorii i I⁢X0=0 wynika natychmiast z określenia I⁢X. Jeżeli tj≤t≤tj+1, to zmienna

I⁢Xt=ξ0⁢Wt1-Wt0+ξ1⁢Wt2-Wt1+…+ξj⁢Wt-Wtj

jest Ft mierzalna. Ponadto I⁢Xt=I⁢Xtm dla tm≤t≤T.

Sprawdzimy teraz, że I⁢X 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

E⁢I⁢XT2=∑k=1mE⁢ξk-12⁢Wtk-Wtk-12
+2⁢∑j<kE⁢ξk-1⁢ξj-1⁢Wtk-Wtk-1⁢Wtj-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 E⁢Wtk-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 E⁢MT2<∞.

Uwaga 8.3

i) Jeśli M∈MT2,c, to z nierówności Jensena wynika, że E⁢Mt2≤E⁢MT2<∞, więc Mt20≤t≤T jest podmartyngałem.
ii) Przestrzeń MT2,c można utożsamić z przestrzenią martyngałów ciągłych Mt0≤t<T takich, że supt<T⁡E⁢Mt2<∞. 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,

E⁢supt≤T⁡Mt2≤4⁢E⁢MT2.
Twierdzenie 8.1

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

M,N=M,NT=E⁢MT⁢NT,⁢M,N∈MT2,c

oraz normą

MT=M,MT=E⁢MT2=MTL2⁢Ω.
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 L2⁢Ω,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 E⁢MT2=0, czyli MT=0 p.n., co z własności martygału implikuje, że Mt=0 p.n., więc z ciągłości M, P∀t≤T⁢Mt=0=1.

Musimy jeszcze udowodnić zupełność. Niech Mn=Mtn∈MT2,c będzie ciągiem Cauchy'ego, czyli

Mn-MmT2=E⁢MTn-MTm2→0⁢⁢ dla ⁢m,n→∞.

Wówczas MTn jest ciągiem Cauchy'ego w L2⁢Ω,FT,P, zatem z zupełności L2 istnieje całkowalna z kwadratem zmienna MT taka, że E⁢MTn-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,

E⁢supt≤T⁡Mtn-Mtm2≤4⁢E⁢MTn-MTm2,

więc możemy wybrać podciąg nk taki, że

∀l>k⁢E⁢supt≤T⁡Mtnk-Mtnl2≤8-k.

Wówczas

Psupt≤T⁡Mtnk-Mtnk+1≥2-k≤2-k.

Zatem, jeśli określimy

Ak:={supt≤T|Mtnk-Mtnk+1|≥2-k},

to ∑kP⁢Ak<∞, czyli na mocy lematu Borela-Cantelli, P⁢lim sup⁡Ak=0.

Jeśli ω∉lim sup⁡Ak, to ω∉Ak dla k≥k0=k0⁢ω, czyli supt≤T⁡Mtnk-Mtnk+1≤2-k dla k≥k0. Ciąg Mtnk⁢ω0≤t≤T jest zatem zbieżny jednostajnie na 0,T do pewnej funkcji Mt⁢ω. Kładziemy dodatkowo M⁢ω=0 dla ω∈lim sup⁡Ak.

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 I⁢X, co więcej przekształcenie I

L2⁢0,T×Ω,B⁢0,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 L2⁢0,T×Ω,B⁢0,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 I⁢X nazywamy izometryczną całką stochastyczną Itô z procesu X i oznaczamy

I(X)t=:∫0tXsdWs,0≤t≤T.

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 Xt⁢ω=IA⁢ω⁢Iu,v⁢t jest prognozowalny, jeśli A∈Fu oraz u≤v<T.

Ponieważ każdą ograniczoną zmienną ξ, Fu–mierzalną można aproksymować jednostajnie przez zmienne postaci ∑ai⁢IAi, Ai∈Fu, więc proces ξ⁢ω⁢Iu,v⁢t jest prognozowalny dla dowolnej ograniczonej zmiennej ξ, Fu–mierzalnej.

Zatem dowolny proces Y∈E jest prognozowalny, czyli E⊂L2⁢0,T×Ω,P,λ⊗P, stąd

E¯⊂L2⁢0,T×Ω,P,λ⊗P.

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

Stwierdzenie 8.5

Mamy E¯=L2⁢0,T×Ω,P,λ⊗P.

Wobec poprzednich rozważań musimy tylko pokazać, że E¯⊃L2⁢0,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⊃σ⁢B=P.

Dalej, jeśli Γi∈P, ai∈R, to ∑i=1nai⁢IΓi∈E¯ (z liniowości). Ponadto funkcje proste ∑i≤nai⁢IΓi są gęste w L2⁢0,T×Ω,P,λ⊗P, czyli E¯=L2⁢0,T×Ω,P,λ⊗P.

Przypadek II: T=∞.

Niech X∈L2⁢0,∞×Ω,P,λ⊗P oraz Xtn⁢ω:=Xt⁢ω⁢I0,n×Ω⁢t,ω. Wówczas procesy Xn są prognozowalne, należą do L2⁢0,n×Ω,P,λ⊗P, zatem Xn∈E¯ na mocy przypadku I.

Ponadto Xn→X w L2⁢0,∞×Ω,λ⊗P (tw. Lebesgue'a o zbieżności zmajoryzowanej), czyli X∈E¯.

∎

Określiliśmy zatem ∫0tXs⁢d⁢Ws dla procesów prognozowalnych całkowalnych z kwadratem względem miary λ⊗P na 0,T×Ω. Od tej pory przyjmujemy następujące oznaczenie

L2T=L2⁢0,T×Ω,P,λ⊗P
=X=Xt0≤t<T⁢ prognozowalny :⁢E⁢∫0TXs2⁢d⁢s<∞.

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:=X0⁢I0+∑k=12n-1Xk-12n⁢T⁢Ik-12n⁢T,k2n⁢T,

zaś w przypadku T=∞ niech

Xtn:=X0⁢I0+∑k=1n⁢2nXk-12n⁢Ik-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⁢∫0TXs2⁢d⁢s<∞ istnieje proces prognozowalny Y taki, że Xt⁢ω=Yt⁢ω dla λ⊗P prawie wszystkich t,ω∈0,T×Ω. Pozwala to określić ∫X⁢d⁢W dla procesów adaptowalnych z L2⁢0,T×Ω.

8.5. Zadania

Ćwiczenie 8.1

Oblicz Cov⁢∫0sh1⁢t⁢d⁢Wt,∫0sh2⁢t⁢d⁢Wt dla h1,h2∈L2⁢0,s.

Ćwiczenie 8.2

Wykaż, że dla 0≤u<t i h∈L2⁢0,t zachodzi

∫0uh⁢s⁢d⁢Ws=∫0th⁢I0,u⁢s⁢d⁢Ws⁢⁢ p.n..
Ćwiczenie 8.3

Wykaż, że dla h∈C1⁢0,t zachodzi

∫0th⁢s⁢d⁢Ws=h⁢t⁢Wt-∫0th′⁢s⁢Ws⁢d⁢s⁢⁢ p.n..
Ćwiczenie 8.4

Niech Cp:=E⁢W1p1/p. Wykaż, że dla 0<p<∞, przekształcenie h→Cp-1⁢∫0Th⁢t⁢d⁢Wt jest izometrycznym włożeniem L2⁢0,T w Lp⁢Ω.

Ćwiczenie 8.5

Wykaż, że proces

Yt=⁡1-t⁢∫0t11-s⁢d⁢Ws0≤t<1,0t=1⁢

ma takie same rozkłady skończenie wymiarowe co proces Zt=Wt-t⁢W1 (most Browna).

Ćwiczenie 8.6

Wykaż, że jeśli X∈LT2,0≤t≤s≤T oraz ξ jest ograniczoną zmienną losową Ft mierzalną to ξ⁢X⁢It,s∈LT2 oraz ∫tsξ⁢X⁢d⁢W=ξ⁢∫tsX⁢d⁢W (Uwaga: ∫tsX⁢d⁢W definiujemy jako ∫0TIs,t⁢X⁢d⁢W).

Ćwiczenie 8.7

Wykaż, że jeśli 0<t1<…<tm<T oraz ξk są zmiennymi losowymi w L2⁢Ω, Ftk mierzalnymi to proces X:=∑k=1m-1ξk⁢Itk,tk+1 należy do LT2 oraz ∫0tX⁢d⁢W=∑k=1m-1ξk⁢Wtk+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 L2⁢Ω). 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-1Xtkn⁢Wtk+1n-Wtkn→∫0TX⁢d⁢W

w L2⁢Ω przy n→∞.

Ćwiczenie 8.9

Oblicz ∫0tWs⁢d⁢Ws.

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.