带记忆的混合随机微分方程模块化模拟方案的路径收敛性

《Mathematics and Computers in Simulation》:Pathwise convergence of a modular simulation scheme for hybrid SDEs with memory

【字体: 大 中 小 】 时间:2026年08月29日 来源:Mathematics and Computers in Simulation 4.0

编辑推荐:

   摘要 本文引入了一类新的随机系统,即带记忆的混合随机微分方程(mH-SDEs),其转移率取决于欧几里得分量和离散分量的联合历史轨迹。这一模型扩展了现有的混合随机微分方程模型,后者仅以欧几里得过程的历史轨迹为条件来确定转移,从而能够表达更丰富的依赖关系,如基于停留时间的转移和

  

摘要

本文引入了一类新的随机系统,即带记忆的混合随机微分方程(mH-SDEs),其转移率取决于欧几里得分量和离散分量的联合历史轨迹。这一模型扩展了现有的混合随机微分方程模型,后者仅以欧几里得过程的历史轨迹为条件来确定转移,从而能够表达更丰富的依赖关系,如基于停留时间的转移和自我强化动态。转移率对离散分量自身历史的依赖(而非仅依赖欧几里得过程)是本模型与现有混合SDE模型的核心区别。对于由莱维过程驱动的mH-SDEs,我们提出了模块化泊松算法,该算法采用路径依赖统一化方法来生成离散跳跃,同时在跳跃之间利用任何已有的SDE求解器作为微算法来推进欧几里得部分的演化。主要的理论贡献在于建立了具有显式收敛速率的逐路径收敛性,并开发了新的技术来控制跨越状态变化的误差累积以及界定过程解耦的概率。模块化设计使得实践者能够使用现有的、经过充分研究的SDE模拟方法,同时保持理论的收敛性质。本文首次为具有跳跃扩散动态且联合历史依赖的混合系统提供了严格的收敛性分析。

引言

混合随机微分方程(H-SDEs)[1] 用于建模如下系统:一个欧几里得值过程 X={Xt}t≥0 在根据离散值过程 J={Jt}t≥0 的变化而改变的动力学下演化(以下分别称为欧几里得分量和离散分量)。这些模型在数学金融、工程控制系统等领域自然出现,例如市场状态根据经济条件切换,或具有模式相关动态的控制系统。H-SDEs 的数值分析文献沿几个方向发展,主要根据转移机制的结构进行分类。对于马尔可夫状态切换系统,奠基性工作建立了欧拉-马尔可夫方案 [2],后续扩展处理了非利普希茨系数 [3] 并提供了逐路径收敛速率 [4]。高阶方法包括米尔斯坦型方案 [5] 和一般阶近似 [6]。当漂移和扩散系数呈现超线性增长时,驯服欧拉 [7] 和投影欧拉方法 [8] 等专门技术变得相关。状态依赖转移已通过专用算法处理 [9],理论进展已扩展到具有可数无限离散状态的系统 [10]、[11]。对于由跳跃扩散驱动的H-SDEs,研究人员开发了有限差分方法 [12] 和欧拉-马尔可夫扩展 [13]。

路径依赖随机模型通常遵循两种方法之一。第一种将历史依赖直接嵌入欧几里得动力学中,产生随机泛函微分方程(SFDEs),其中漂移和扩散系数以函数形式依赖轨迹历史 [14]、[15]。第二种方法在标准SDE中增加一个对欧几里得过程行为响应的离散跳跃分量。

大多数关于状态切换扩散的研究采用第二种框架,开发转移率依赖欧几里得分量 X 的模型,通过其当前状态 [9]、[16] 或其历史轨迹 [17]、[18]。最近的理论进展包括具有可数状态空间的历史依赖转移系统的稳定性分析 [19]。然而,现有模型施加了一个根本性限制:离散分量只能响应欧几里得过程,而不能响应其自身的历史演化。

本文关注转移明确依赖系统历史行为的模型,我们称之为带记忆的混合SDEs(mH-SDEs)。我们的mH-SDEs允许离散跳跃过程除了依赖欧几里得分量的历史外,还依赖其自身过去的行为。这种推广使得转移率能够响应两个过程的完整联合历史,捕捉诸如年龄依赖状态变化等现象,其中转移倾向取决于在前一状态中的停留时间,或自我强化动态,其中过去的跳跃模式影响未来的转移行为。虽然我们的方法建立在历史依赖状态切换模型的结构要素之上 [17]、[20],但主要挑战不在于构建这些系统,而在于开发可计算的模拟方法。研究这一特定混合系统类别的初始动机源于艾伦的论文 [21]。尽管该工作对该主题进行了初步探索,但本文建立了更一般的严格框架,解决了原始公式中的技术限制,并扩展了模拟算法的有效性。

本文的核心贡献是一种模块化模拟方法,它将复杂混合系统的数值处理从特定问题任务转化为系统化的方法论。我们不是为每种欧几里得动力学与转移规则的组合推导专用算法,而是开发一种统一方法论,将现有的、经过充分建立的SDE模拟方案作为可互换组件使用,同时保持理论的收敛性质。这一创新催生了模块化泊松算法,该算法解决了mH-SDEs提出的基本挑战:现有数值方法不能直接扩展以处理定义这些系统的联合历史依赖。我们的算法采用路径依赖统一化方案通过主泊松过程生成离散跳跃时间,同时使用任何合适的SDE求解器(称为微算法)在跳跃之间演化欧几里得分量。我们为该设计建立了具有显式速率的逐路径收敛性,证明实践者可以纳入已建立的SDE方法作为微算法而不会损害收敛性质。

建立这一收敛结果需要克服路径依赖系统中连续近似误差与离散状态转移交互产生的重大理论挑战。虽然现有文献解决了相关设置,包括具有延迟的混合系统 [22]、[23]、[24] 和具有马尔可夫状态变化的中性SFDEs [25],但没有先前的工作涉及表征mH-SDEs的随机转移机制的联合历史依赖。我们的收敛分析开发了控制跳跃事件间误差累积和界定真实与近似转移过程之间发散概率的新技术,为该模型类提供了首个严格处理。

相对于现有混合和路径依赖SDE模型,其中离散分量仅响应欧几里得过程而不响应其自身历史,本框架的区分特征正是这种联合历史依赖。年龄依赖转移、停留时间效应和自我强化动态都要求离散机制记住自身过去,而不仅仅是欧几里得路径。现有公式即使能捕捉此类现象,也只是通过人工扩展状态空间来实现,而本框架通过单一的联合历史依赖转移规则直接容纳它们。模块化泊松算法在模拟层面反映了这一新颖性:宏观层面的路径依赖统一化步骤生成离散转移,而它们之间的欧几里得演化则委托给可互换的微算法,因此可以使用任何已建立的SDE求解器而不改变离散时间构造。这种分离本身相对于现有实践也是新的,其中模拟联合历史依赖转移规则通常需要专用的、特定问题的离散化。这里宏观层面的构造是一次性确定的,只需根据当前欧几里得动力学选择合适的微算法,整体方案的数值收敛在关于转移率和微算法的一组显式假设下得到保证。

本文其余部分组织如下。第2节介绍mH-SDEs的数学公式并建立解的存在唯一性。第3节通过横跨金融、保险、可靠性理论和自激系统的应用展示模型的多功能性。第4节提出模块化泊松算法并证明其具有显式速率的逐路径收敛性。第5节讨论意义和未来研究方向。附录提供详细数值示例,展示第3节中讨论的每类应用,演示算法在不同mH-SDE规范下的性能。

章节片段

模型定义

在本节中,我们发展带记忆的混合SDEs(mH-SDEs)的数学框架,建立系统动力学和解存在唯一性的条件。该构造依赖于由泊松随机测度驱动的路径依赖转移机制,并容纳欧几里得分量中的广义莱维噪声。解的存在唯一性通过递归拼接程序建立,并将公式与具有时间依赖性的表示相连接。

框架的示例应用

mH-SDEs 的多功能性在于其通过时间和轨迹依赖的强度矩阵 Qt(y)=[qij(t,y)]i,j∈Z,y∈DE((?∞,t)) 编码多样化记忆结构的能力。

本节展示历史 Y(?∞,t) 的路径泛函如何捕捉不同应用领域中受经验启发的转移机制。我们的示例说明了依赖欧几里得过程历史、离散计时模式、潜在噪声特性和系统聚合量等方面的内容。

模块化泊松算法与收敛性

本节发展模块化泊松算法,一种用于mH-SDEs的灵活模拟方法,提出离散和欧几里得动力学的模块化分离。我们展示算法结构,陈述验证其功能的逐路径收敛结果,提供详细证明,并讨论这种模块化设计的实际优势。

结论

在本文中,我们引入了带记忆的混合随机微分方程(mH-SDEs),一类新的混合系统,其转移率取决于欧几里得和离散分量的联合路径历史。对于这一先前未研究的由莱维过程驱动的模型类,我们开发了模块化泊松算法,一种灵活且可证明收敛的模拟方法。我们的主要贡献是统一的逐路径收敛分析,建立了显式速率,

致谢

作者感谢 Will Allan 和 Giang Thu Nguyen 的初步讨论,本研究方向正是源于此。本工作的基础思想是在作者担任阿德莱德大学研究助理期间构思的,尽管本文提出的理论框架已显著演进,以确保普遍可解性和收敛性。

Oscar Peralta
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号