Stochastische Differentialgleichungen

Eine stochastische Differentialgleichung beschreibt die Entwicklung eines Systems, das einem deterministischen Drift und einer zufälligen Fluktuation unterliegt, die durch die Brownsche Bewegung angetrieben wird, wodurch ein Diffusionsprozess definiert wird.

Definition

Eine stochastische Differentialgleichung spezifiziert das Differential eines Prozesses als ein Driftkoeffizient multipliziert mit einem Zeitinkrement plus ein Diffusionskoeffizient multipliziert mit einem Brownschen Inkrement, und ihre Lösung ist ein Diffusionsprozess, dessen Gesetz durch den zugehörigen Differentialoperator zweiter Ordnung bestimmt wird.

Scope

Dieses Thema behandelt die Interpretation stochastischer Differentialgleichungen als Ito-Integralgleichungen, die Existenz und Eindeutigkeit starker Lösungen unter Lipschitz- und Wachstumsbedingungen, die Unterscheidung zwischen starken und schwachen Lösungen, den Generator der Diffusion und seine Verbindung zu den Fokker-Planck- und Rückwärts-Kolmogorov-Gleichungen, die Feynman-Kac- und Girsanov-Theoreme sowie numerische Schemata wie die Euler-Maruyama- und Milstein-Methoden.

Core questions

• Wie wird eine stochastische Differentialgleichung als Ito-Integralgleichung interpretiert?
• Welche Bedingungen garantieren die Existenz und Eindeutigkeit einer Lösung?
• Wie ist der Generator der Diffusion mit partiellen Differentialgleichungen verknüpft?
• Wie werden Lösungen numerisch und mit welcher Genauigkeit approximiert?

Key theories

Existenz und Eindeutigkeit starker Lösungen

Unter Lipschitz-Stetigkeit und linearem Wachstum der Drift- und Diffusionskoeffizienten besitzt die stochastische Differentialgleichung eine eindeutige starke Lösung, die eine kontinuierliche Markov-Diffusion ist, etabliert durch eine Picard-ähnliche Iteration unter Verwendung der Ito-Isometrie.

Feynman-Kac und der Generator

Der infinitesimale Generator der Diffusion ist ein elliptischer Operator zweiter Ordnung, seine Übergangsdichte löst die Fokker-Planck-Gleichung, und die Feynman-Kac-Formel stellt Lösungen parabolischer partieller Differentialgleichungen als Erwartungswerte von Funktionalen der Diffusion dar.

Clinical relevance

Stochastische Differentialgleichungen modellieren Vermögenspreise, Zinssätze und Volatilität im Finanzwesen, die verrauschte Dynamik physikalischer, chemischer und biologischer Systeme sowie Populations- und Epidemiemodelle mit Umweltzufälligkeit, während ihre numerische Lösung mittels Euler-Maruyama und verwandter Schemata die Monte-Carlo-Preisbildung und -Simulation ermöglicht.

History

Ito führte in den 1940er Jahren stochastische Differentialgleichungen ein, um Diffusionsprozesse zu konstruieren, deren Generatoren vorgeschriebene elliptische Operatoren sind; Stroock und Varadhan formulierten das Thema in den 1960er und 1970er Jahren durch das Martingalproblem neu, und die numerische Analyse dieser Gleichungen wurde in den 1990er Jahren von Kloeden und Platen systematisiert.

Key figures

• Kiyosi Ito
• Bernt Oksendal
• Daniel Stroock
• Srinivasa Varadhan

Seminal works

• oksendal2003

Frequently asked questions

Was beschreibt eine stochastische Differentialgleichung?

Sie beschreibt einen Prozess, der sich unter einem vorhersagbaren Drift plus zufälligen Stößen aus der Brownschen Bewegung bewegt, wodurch eine Diffusion entsteht, deren Wahrscheinlichkeitsverteilung sich gemäß einer zugehörigen partiellen Differentialgleichung entwickelt.

Was ist der Unterschied zwischen einer starken und einer schwachen Lösung?

Eine starke Lösung wird auf einer gegebenen Brownschen Bewegung und Filtration aufgebaut, während eine schwache Lösung nur die Existenz einer Brownschen Bewegung und eines Prozesses mit dem vorgeschriebenen Gesetz erfordert; schwache Lösungen können existieren, wenn starke nicht existieren.