随机采样下随机微分方程Milstein方法的渐近误差.pdfVIP

中国科学 数学 年 第 卷 第 期 随机采样下随机微分方程 方法的 渐近误差 ∗ 陈颖瑜 张立新 浙江大学数学系, 杭州 310027; 浙江大学城市学院, 杭州 310027 E-mail: chenyingyu@zju.edu.cn, stazlx@zju.edu.cn 收稿日期: 2014-04-28; 接受日期: 2014-06-23; * 通信作者 国家自然科学基金(批准号: 和中央高校基本科研业务费资助项目 摘要 随机微分方程数值解的误差问题在度量离散化对冲的金融风险方面有着重要的应用. 众所周 √ 知, 等距采样下Itˆo 型随机微分方程的Euler 方法的收敛速度为 , 而Milstein 方法是Euler 方法的 一种修正, 可以将收敛速度提高到 , 非等距、随机采样在一定程度上也能提高收敛速度. 本文给出在 非等距、随机采样下由一列连续局部鞅驱动的随机微分方程的Milstein 方法的误差过程的渐近(弱收 敛) 结果. 关键词 方法 随机采样时间 平稳收敛 好性 主题分类 引言 我们考虑一般的q 维随机微分方程 (SDE) X = x + ∫ f (X )dY , (1.1) 其中Y ∈ 是时间区间 [0, 1] 上的d 维连续局部鞅, f 表示从 映射到 ⊗ 上的函数矩阵. 令 W 为多维Brown 运动, 当函数矩阵f = (a, b), dY = (dW , dt)∗ 时, (1.1) 具有经典的Itˆo 型随机微分 方程形式 X = x + ∫ a(X )dW + ∫ b(X )ds. (1.2) 在实际应用中, 由于模拟带来的困难, 常常结合数值解X 和 Monte Carlo 方法去解多维 SDE (1.1). 此外, 数值解的误差问题在度量离散化对冲下的金融风险方面有着重要的应用. ˜ 连续型Euler 方法是解SDE (1.1) 比较常见的一种的数值方法, 其解X 可以表示成 ˜ ˜ ˜ ˜ X = X + f (X)(Y − Y), X = x , 其中 n(t) = k/n, 若 k/n t (k + 1)/n. 已经有很多作者研究了在不同的函数矩阵和驱动过程下 Euler 方法的收敛判断标准和收敛速度. Kurtz 和Protter 建立了SDE (1.2) 的Euler 方法的误差分 英文