跳到主要內容

[隨機分析] Ito-formula 與其應用 (1) - Two variables case

回憶我們在上一篇
[隨機分析] Ito-formula 與其應用 (0) -Simplest Case
所提出的問題先前問題,考慮
\[
M_t := \exp(\alpha B_t - \alpha^2 t/2)
\]我們想要計算此Ito Integral
\[
\int_0^t M_s dB_s =?
\]注意到上式隨機積分中的積分變數 $M_t$ 不只是 $B_t$ 的函數,亦為 $t$的函數(亦即 $M_t = f(t, B_t)$ 為雙變數函數) 故原本的 simplest form of Ito formula  沒辦法直接應用,我們需要進一步修正Ito formula來讓我們可以對付 這種情況。

在修正Ito Formula 之前我們先定義下列函數

Definition: ($f \in \mathcal{C}^{m,n}(\mathbb{R^+} \times \mathbb{R})$)
考慮函數 $(t,x)  \mapsto f(t,x) \in \mathbb{R}$,且其對 $t$ 存在 $m$ 階導數且連續,對 $x$ 存在 $n$ 階導數且連續,則我們稱此函數 $f \in \mathcal{C}^{m,n}(\mathbb{R^+} \times \mathbb{R})$

有了上面的定義,我們可以著手拓展Ito formula到雙變數函數 如下

=================
Theorem (Ito's Formula with Space and Time Variables)
對任意函數 $f \in \mathcal{C}^{1,2}(\mathbb{R}^+ \times \mathbb{R})$,則對應的 Ito's formula 為
\[
\small{
f(t,B_t) = f(0,B_0) + \int_0^t \frac{{\partial f}}{{\partial t}}\left( {s,{B_s}} \right)ds +  \int_0^t \frac{{\partial f}}{{\partial x}}\left( {s,{B_s}} \right) dB_s +  \frac{1}{2}\int_0^t \frac{{\partial^2 f}}{{\partial x^2}}\left( {s,{B_s}} \right)ds }
\]=================
Proof: omitted.

有了上面的定理,我們現在可以再回頭瞧瞧原本無法解決的例子:

Example
考慮 $M_t := \exp(\alpha B_t - \alpha^2 t/2)$,試求 $\int_0^t M_s dB_s=?$

Solution
首先定義函數
\[
f\left( {t,x} \right): = \exp (\alpha x - {\alpha ^2}t/2)
\] 且
\[\begin{array}{l}
\frac{\partial }{{\partial t}}f\left( {t,x} \right) = {e^{\alpha x}}{e^{ - {\alpha ^2}t/2}}\left( {\frac{{ - {\alpha ^2}}}{2}} \right)\\
\frac{\partial }{{\partial x}}f\left( {t,x} \right) = {e^{ - {\alpha ^2}t/2}}{e^{\alpha x}}\alpha \\
\frac{{{\partial ^2}}}{{\partial {x^2}}}f\left( {t,x} \right) = {\alpha ^2}{e^{ - {\alpha ^2}t/2}}{e^{\alpha x}}

\end{array}
\] 由 "Ito's Formula with Space and Time Variables",
\[
\small{
f(t,B_t) = f(0,B_0) + \int_0^t \frac{{\partial f}}{{\partial t}}\left( {s,{B_s}} \right)ds +  \int_0^t \frac{{\partial f}}{{\partial x}}\left( {s,{B_s}} \right) dB_s +  \frac{1}{2}\int_0^t \frac{{\partial^2 f}}{{\partial x^2}}\left( {s,{B_s}} \right)ds }
\]可知
\[\begin{array}{*{20}{l}}
{\exp (\alpha {B_t} - {\alpha ^2}t/2) = 1 + \left( {\frac{{ - {\alpha ^2}}}{2}} \right)\int_0^t {{e^{\alpha {B_s}}}{e^{ - {\alpha ^2}s/2}}} ds}\\
{\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\; + \alpha \int_0^t {{e^{ - {\alpha ^2}s/2}}{e^{\alpha {B_s}}}} d{B_s} + \frac{{{\alpha ^2}}}{2}\int_0^t {{e^{ - {\alpha ^2}s/2}}{e^{\alpha {B_s}}}} ds}\\
{ \Rightarrow \frac{1}{\alpha }\left( {\exp (\alpha {B_t} - {\alpha ^2}t/2) - 1} \right) = \int_0^t {{e^{\alpha {B_s}}}{e^{ - {\alpha ^2}s/2}}} d{B_s}}\\
{ \Rightarrow {M_t} = 1 + \alpha \int_0^t {{M_t}} d{B_s}}
\end{array}\]

\[{\int_0^t {{M_t}} d{B_s} = \frac{1}{\alpha }\left( {{M_t} - 1} \right)} \ \ \ \ \square
\]

ref:
J. M. Steele, Stochastic Calculus and Financial Applications, Springer

留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if  ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做  若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質