Stochastische Differentialgleichungen

Eine stochastische Differentialgleichung beschreibt die Entwicklung eines Systems, das sowohl von einem deterministischen Trend als auch von Brownschem Rauschen angetrieben wird. Ihre Lösungen, die Diffusionsprozesse, modellieren kontinuierliche Zufallsdynamiken in Wissenschaft und Finanzwesen.

Definition

Eine stochastische Differentialgleichung ist eine Gleichung für einen Prozess, dessen infinitesimale Änderung ein Driftterm multipliziert mit dem Zeitinkrement plus ein Diffusionsterm multipliziert mit einem Brownschen Inkrement ist, interpretiert durch das Ito-Integral, deren Lösungen Diffusionsprozesse sind.

Scope

Das Thema umfasst die Formulierung stochastischer Differentialgleichungen mit Drift- und Diffusionskoeffizienten, die durch Brownsche Bewegung angetrieben werden, die Unterscheidung zwischen starken und schwachen Lösungen sowie zwischen pfadweiser und Verteilungs-Eindeutigkeit, Existenz und Eindeutigkeit unter Lipschitz- und linear-wachsenden Bedingungen, die Markov- und Diffusionseigenschaft von Lösungen mit ihren Generatoren, Standardbeispiele wie die geometrische Brownsche Bewegung und den Ornstein-Uhlenbeck-Prozess sowie numerische Schemata wie die Euler-Maruyama-Methode.

Core questions

• Wie wird einer durch Brownschem Rauschen angetriebenen Differentialgleichung eine rigorose Bedeutung verliehen?
• Worin besteht der Unterschied zwischen starken und schwachen Lösungen und den entsprechenden Eindeutigkeitsbegriffen?
• Unter welchen Bedingungen existiert eine eindeutige Lösung?
• Wie werden die resultierenden Diffusionen durch ihre Generatoren beschrieben und numerisch simuliert?

Key concepts

• Drift- und Diffusionskoeffizienten
• starke und schwache Lösungen
• pfadweise Eindeutigkeit
• Diffusionsgenerator
• Euler-Maruyama-Schema

Key theories

Existenz und Eindeutigkeit von Lösungen

Wenn die Drift- und Diffusionskoeffizienten Lipschitz-stetig sind und höchstens linear wachsen, besitzt die stochastische Differentialgleichung eine eindeutige starke Lösung, die durch eine Picard-Iteration erhalten wird, welche der deterministischen Theorie ähnelt, aber das Ito-Integral und die Isometrie verwendet.

Diffusionen und ihre Generatoren

Lösungen stochastischer Differentialgleichungen sind Markovsche Diffusionsprozesse, deren infinitesimaler Generator ein Differentialoperator zweiter Ordnung ist, der aus den Drift- und Diffusionskoeffizienten gebildet wird und die probabilistische Dynamik mit parabolischen und elliptischen partiellen Differentialgleichungen verknüpft.

Clinical relevance

Stochastische Differentialgleichungen modellieren Vermögenspreise und Zinssätze im quantitativen Finanzwesen, die Geschwindigkeit von Partikeln unter Reibung und Rauschen in der Physik, Populationsgrößen und chemische Konzentrationen unter zufälligen Fluktuationen in Biologie und Chemie sowie verrauschte Regelsysteme in der Ingenieurwissenschaft. Ihre numerische Lösung ist zentral für die Monte-Carlo-Simulation dieser Modelle.

History

Ito führte in den 1940er Jahren stochastische Differentialgleichungen als die rigorose Form von Gleichungen ein, die durch weißes Rauschen angetrieben werden. Die Existenz-, Eindeutigkeits- und Diffusionstheorie wurde von Ito, Watanabe, Stroock und Varadhan entwickelt; ihre Anwendungen erweiterten sich ab den 1970er Jahren mit dem Aufkommen der mathematischen Finanzwissenschaft dramatisch.

Key figures

• Kiyosi Ito
• Bernt Oksendal
• Shinzo Watanabe
• Leonard Ornstein

Seminal works

• oksendal2003

Frequently asked questions

Worin besteht der Unterschied zwischen einer starken und einer schwachen Lösung?

Eine starke Lösung wird auf einer gegebenen Brownschen Bewegung und Filtration aufgebaut, sodass die Lösung eine Funktion dieses spezifischen Rauschens ist, während eine schwache Lösung nur einen Prozess mit der korrekten Verteilung auf einem Wahrscheinlichkeitsraum liefert; die beiden gehen mit entsprechend unterschiedlichen Eindeutigkeitsbegriffen einher.

Wie werden stochastische Differentialgleichungen numerisch gelöst?

Schemata wie die Euler-Maruyama-Methode diskretisieren die Zeit und ersetzen Brownsche Inkremente durch simulierte Gaußsche Schritte; sie konvergieren zur wahren Lösung, wenn die Schrittweite schrumpft, wenngleich mit Raten, die die Irregularität des Rauschens widerspiegeln.