倒向随机微分方程理论

合集下载

倒向随机微分方程及其应用

倒向随机微分方程及其应用

倒向随机微分方程及其应用随机微分方程是一类以随机变量为未知数的微分方程,其解是一个随机过程。

倒向随机微分方程是随机微分方程的一种特殊形式,其解是由后向前求解的。

倒向随机微分方程在金融工程、物理学、生物学等领域中具有重要的应用。

倒向随机微分方程的形式为:dY(t) = f(t, Y(t)) dt + g(t, Y(t)) dW(t)其中,Y(t)是未知函数,f(t, Y(t))和g(t, Y(t))是已知函数,dW(t)是随机微分项,代表布朗运动。

这个方程描述了随机过程Y(t)在时间t的变化规律,受到外部随机因素的影响。

倒向随机微分方程的求解可以通过反演法或数值方法来实现。

反演法是一种基于概率论的解析方法,通过求解方程的特征函数或母函数来得到解析解。

数值方法则通过离散化时间和空间域,将微分方程转化为差分方程,利用数值算法求解。

倒向随机微分方程在金融工程中有广泛的应用。

例如,贝莱克-舒尔斯模型是一种用于定价期权的模型,其基本思想就是通过倒向随机微分方程来描述资产价格随时间的变化。

这个模型不仅可以用于期权定价,还可以用于风险管理和投资组合优化等领域。

在物理学中,倒向随机微分方程可以用于描述粒子在随机力作用下的运动。

布朗运动就是一种倒向随机微分方程的解,描述了被悬浮在流体中的微小粒子的运动轨迹。

布朗运动不仅在物理学中有重要应用,还在金融学、生物学和化学等领域中有广泛应用。

在生物学中,倒向随机微分方程可以用于描述遗传变异和进化过程。

遗传算法是一种基于倒向随机微分方程的优化算法,通过模拟自然进化过程来求解复杂的优化问题。

倒向随机微分方程在遗传算法中起到了重要的作用,帮助寻找最优解。

倒向随机微分方程作为一种重要的数学工具,在金融工程、物理学和生物学等领域中有广泛的应用。

通过倒向求解的方式,可以更好地理解和描述随机过程的演化规律,为解决实际问题提供了有效的数学手段。

随着研究的深入,倒向随机微分方程的应用领域将会进一步扩展,并为人类社会的发展做出更大的贡献。

随机游走和离散的倒向随机微分方程

随机游走和离散的倒向随机微分方程

()V,t E丁 ≤ w = 鼍 w 一 w ~ ‘ ta o] ≤z w — w 一 萎. : w — 1. 2 ∈ ,, , t
f 2
√ ∑ 鲁 由鲁 .d 列知w — 与w w 立, E 7 : , 是i.序 i w 独 而且:W —0
维普资讯




MATHEM ATI A C APP CATA LI
20 ,5 2 :6 7 0 2 1 【 7  ̄ 9‘ J
随 机 游 走 和 离 散 的倒 向 随 机 微 分 方 程
张桂 昌
( 东大学数 学与 系统科 学学 院 , 山 山东 济 南 2 0 0 ) 5 10 摘 要 : 文研 究 了随机 游走 和 离散 的倒 向随机 微分 方程 . 随机 游走 到布 朗运 动 的收 本 把 敛推 广 到 L 情形 ; 而且根据 倒 向 随机 微分 方程 的理 论框 架研 究 了离散 的倒 向 随机 微
维普资讯 http://wwபைடு நூலகம்
第 2期
张桂 昌 : 机 游 走 和 离 散 的倒 向随 机微 丹方 程 随
R L C L形式 : ( 一 S[ ]( , 中[ ] w? ) ÷ ) 其 z 表示 不超 过 的最 大 整数 ,z [ ]一 E 7若 不 x,
是 数[ 一n 1, 为 数为 号 便 见以 我 记 为. 整 ;] ( )若n 整 .记 简 起 ,后 们 『] 一
… J
EW )一EW ( )=E ∑ 鲁 ∑ 1 , (T ( D =Ew^ ( )=^ 一 ^ EW ) ( 鲁 ( T 一E ∑ )

h ( ( ) +6 E∑ () 鲁: 3一2t 2 ∑ 鲁 h E ) : 鲁 )一h { } ( ai

倒向随机微分方程及其应用_彭实戈

倒向随机微分方程及其应用_彭实戈
第 26卷第 2期 1997年 4月
数 学 进 展
ADV AN CES IN M A T HEM A T ICS
V ol. 26, N o. 2 April, 1997
倒向随机微分方程及其应用
彭实戈
( 山东大学数学系 , 济南 , 山东 , 250100)
摘要 本文将 介绍一类新的方程: 倒向随机微 分方程 . 为 便于理解 ,我 们将首先通过与 常微分 方程和经典的 随机微分方 程 ( It. o 方程 )的对 比 . 并 通过数理经 济和数学金 融学中的 一个典 型的例子 来引入倒向 随机微分 方程 . 然 后给出解 的存在唯一 性定理和 比较定 理 . 并 介绍非线性 Fey nma n-Kac 公式 , 它 给出了倒向随机微 分方程的解与一大类 常见的非线性偏 微分 方程 (组 )的 解之间的 对应关系 , 从而为 将来利用 M onté -Ca rlo 型的随机 计算方 法计算 大量的偏微分方程开辟了新的途径 . 最后介绍倒向随机微分方程在金融数学中的应用 .
以下我们转而考虑常微分方程 ( 2)的不确定情况下的推广、即倒向随机微分方程 . 我 们仍然要求方程的解是适应的 . 应该注意到这一要求是非平凡的: 它意味着我们要通过 将来时刻 T 给定的一个 (一般可以是随机的 )目标 yT = a解出现在时刻的值 y ( 0) . 这一 要求乍一看起来似乎不现实 . 为了更好的理解 . 下面我们举一个离散时间情况下的非常 简单的例子 , 它在金融数学中是非常典型的 .
收稿日期: 1993-07-05. 修改稿: 1995-06-27. 国家自然科学基金资助项目 .
98
数 学 进 展
2 6卷
倒向随机微分方程的理论研究的历史较短 , 但进展却很迅速 . 除了其理论本身所具 有的有趣的数学性质之外 , 还因为发现了重要的应用前景 . 著名经济学家 Duf fie 和 Epstein发现可以用它来描述不确定经济环境下的消费偏好 (即效用函数理论—— 这是计量 经济学的基础 . 见 [ 12 ]) . 彭通过倒向随机微分方程获得了非线性 Fey nma n-Kac公式 ,从 而可以用来处理诸如反应扩散方程和 Navier-St okes方程等众所周知的重要非线性偏微 分 方程组 (见 [ 38] ) . Ei Karo ui和 Quenez发现金融市场的许多重要的派生证券 (如期权 期货等 )的理论价格可以用倒向随机微分方程解出 (见 [ 19, 18, 14, 15 ] ) .

带跳的倒向重随机微分方程的比较定理

带跳的倒向重随机微分方程的比较定理

带跳的倒向重随机微分方程的比较定理带跳的倒向重随机微分方程的比较定理是一种用于解决如何确定随机环境下微分方程解具体取值的方法。

随机环境下,微分方程的解不再是确定的,而是随机的。

为了研究这种情况下微分方程的性质,数学家们提出了各种不同的方法。

其中,带跳的倒向重随机微分方程的比较定理被认为是较为有效的解决随机微分方程问题的方法之一。

带跳的倒向重随机微分方程是指,微分方程的解不仅受到连续的随机过程的影响,还受到跳跃过程的影响。

在这种情况下,微分方程的解需要同时满足连续性和瞬时性,这给解的确定带来了困难。

在此背景下,数学家提出了带跳的倒向重随机微分方程的比较定理,它可以帮助我们更好地了解解的取值情况。

带跳的倒向重随机微分方程的比较定理主要是一种比较方法。

它的基本思想是,对于两个满足带跳的倒向重随机微分方程的解,如果它们在某些时刻之后可以比较,而且它们刚开始的差异足够小,那么它们在这些时刻之后的差异也足够小。

也就是说,如果我们可以找到一个解作为标准,然后比较其他解与这个标准解的差异,就可以得到其他解取值的范围。

这种方法可以有效地解决随机微分方程的解的指导问题,为随机系统的分析提供依据。

带跳的倒向重随机微分方程的比较定理在实际应用中得到了广泛的运用。

以金融风险管理为例,我们可以利用该定理来评估不同投资方案的风险。

对于同一种投资方案,我们可以采用该定理来评估不同的投资组合,以确定哪种组合最适合我们的需求。

另外,该定理还可以用于研究物理系统中的随机现象,例如原子的随机运动。

研究物理系统的随机现象具有重要的实际意义,因为这些随机现象随处可见,例如大气物理、生态学和生物学中都存在着这些现象。

综上所述,带跳的倒向重随机微分方程的比较定理是一种有用的方法,它可以帮助我们更好地了解随机微分方程的解的取值情况。

在实际应用中,这种定理具有广泛的运用前景,例如在金融风险管理、物理学和生态学等领域都可以使用该定理来解决实际问题。

倒向随机微分方程和金融数学

倒向随机微分方程和金融数学

倒向随机微分方程和金融数学倒向随机微分方程和金融数学1. 引言金融数学是应用数学的一个重要分支,它将数学方法应用于金融领域中的问题解决。

在金融市场中,随机性起着重要作用,使得预测和决策变得极其困难。

倒向随机微分方程(BSDEs)作为一种强大的工具,已经被广泛应用于金融数学中。

本文将介绍倒向随机微分方程和其在金融数学中的应用。

2. 倒向随机微分方程概述倒向随机微分方程是由法国数学家El Karoui和Pardoux 在1997年首次引入的。

它是一种包含随机过程的微分方程,与传统的随机微分方程不同。

正向随机微分方程描述的是一个随机性的演化过程,而倒向随机微分方程描述的是从终点向起点推导反过来的过程。

BSDEs是由两个部分组成的,一个是解的逆序过程,另一个是随机型方程,通常是对价值的期望。

3. BSDEs的特点BSDEs相比于传统的随机微分方程具有以下特点:3.1 倒向性质:BSDEs反映了很多金融问题的特性,如期权的定价、风险管理和对冲等。

它们通常是从期限的到期时点开始,逐步地往回计算出一个结果。

3.2 非线性:BSDEs通常是非线性的,这意味着无法使用传统的线性方法进行求解。

非线性特性要求使用更加复杂的工具,如数值算法和数值模拟等。

3.3 随机性:BSDEs中包含了随机过程,这使得预测和决策变得更加困难。

随机性要求使用概率论和统计学的方法进行分析和求解。

4. BSDEs在金融数学中的应用BSDEs在金融数学中有广泛的应用,下面分别介绍两个典型应用。

4.1 期权定价期权是金融市场中常见的衍生工具,通过对期权进行定价可以帮助投资者进行决策。

传统的期权定价方法,如Black-Scholes模型,假设市场是完全的和无摩擦的,但实际金融市场中存在着各种各样的不确定性和随机性。

倒向随机微分方程通过考虑随机过程的演化,能更好地对期权进行定价。

4.2 风险管理风险管理是金融机构中的重要问题,它涉及到如何对金融产品和投资组合进行风险度量和控制。

多维倒向随机微分方程比较定理

多维倒向随机微分方程比较定理

多维倒向随机微分方程比较定理是一个用于比较多维倒向随机微分方程解的重要结果。

它提供了一种方法来比较不同随机微分方程解的性质。

具体来说,设X和Y是两个多维倒向随机微分方程的解,且满足以下条件:
1. X和Y的初始条件相同;
2. X的漂移项小于等于Y的漂移项;
3. X的扩散项小于等于Y的扩散项。

则根据多维倒向随机微分方程比较定理,可以得出以下结论:
1. 对于所有的时刻t,X在每个维度上都小于等于Y,即X的路径处于Y的路径下方;
2. 如果X和Y中有一个维度上的差异,则对于某个时刻t,X在该维度上严格小于Y。

这个定理的重要性在于,它允许我们通过比较不同随机微分方程解的漂移项和扩散项来研究其解的性质。

通过确定哪个解更优或更稳定,我们可以更好地理解随机系统的行为,并作出相应的决策。

需要注意的是,多维倒向随机微分方程比较定理的应用范围相对较窄,适用于特定类型的随机微分方程和解。

在具体问题中,还需要结合具体条件和背景进行判断和推导。

1。

随机倒向微分方程

随机倒向微分方程

随机倒向微分方程
随机倒向微分方程是一种描述随机系统动力学行为的数学工具。

与传统的随机微分方程不同,随机倒向微分方程是基于观测数据的反向推导,可以更加准确地描述系统的行为。

随机倒向微分方程的基本形式为:
dX_t = f(X_t)dt + g(X_t)dW_t
其中,X_t是系统的状态变量,f(X_t)和g(X_t)是确定性函数,dW_t是Wiener过程的微小增量。

这个方程描述了系统在时刻t的状态变化,其中随机项代表了系统受到的外部随机干扰。

随机倒向微分方程的求解需要使用贝叶斯统计学的方法,即给定初始状态和观测数据,反向推导出系统的状态演化。

这种方法可以避免传统方法中需要对系统的未知参数进行估计的问题,因此具有更高的准确性和可靠性。

随机倒向微分方程在金融、生物、物理、化学等领域中有着广泛的应用。

在金融领域中,它被用于股票价格、汇率、利率等金融市场的建模和预测。

在生物领域中,它被用于描述基因表达、神经元活动、细胞生长等生物系统的动力学行为。

在物理和化学领域中,它被用于描述分子运动、化学反应等物理过程的演化。

随机倒向微分方程的应用还面临着一些挑战。

首先,由于需要反向推导系统的状态演化,需要大量的计算资源和时间。

其次,由于随机项的存在,方程的解不是唯一的,需要进行模型选择和验证。

最后,随机倒向微分方程的参数估计也是一个难题,需要使用高级的统计学方法进行优化。

总之,随机倒向微分方程是一种强大的数学工具,可以更加准确地描述和预测随机系统的动力学行为。

随着计算能力和统计学方法的不断发展,它将在更多的领域中得到广泛的应用。

倒向随机方程

倒向随机方程

倒向随机方程1. 引言倒向随机方程是一类重要的随机微分方程,其在金融学、物理学、生物学等领域中有着广泛的应用。

本文将介绍倒向随机方程的基本概念、求解方法以及一些应用实例。

2. 基本概念2.1 随机微分方程在介绍倒向随机方程之前,我们首先需要了解随机微分方程。

随机微分方程是描述随机过程演化的数学工具,通常由确定性部分和随机部分组成。

一般形式的随机微分方程可以写为:dX t=b(X t,t)dt+σ(X t,t)dW t其中,X t表示时间t时刻的状态变量,b(X t,t)和σ(X t,t)为确定性函数,W t为布朗运动(或称为标准布朗运动)。

这个方程描述了状态变量在时间上的演化,并且受到外部环境的影响。

2.2 倒向随机方程倒向随机方程是一类特殊的随机微分方程,它与正向(或称为前向)随机方程相对应。

正向随机方程描述了系统从初始状态到未来状态的演化过程,而倒向随机方程则描述了系统从未来状态回溯到初始状态的演化过程。

一般形式的倒向随机方程可以写为:dX t=b(X t,t)dt+σ(X t,t)dW t其中,X t表示时间t时刻的状态变量,b(X t,t)和σ(X t,t)为确定性函数,W t为布朗运动。

与正向随机方程不同的是,在倒向随机方程中,时间是反向流动的。

3. 求解方法求解倒向随机方程是一个复杂且具有挑战性的问题。

目前主要有两种常用的求解方法:数值方法和解析方法。

3.1 数值方法数值方法是通过离散化时间和空间来近似求解倒向随机方程。

常用的数值方法包括欧拉法、Milstein法、Monte Carlo模拟等。

欧拉法是最简单也是最常用的数值方法之一。

它通过将时间和空间离散化为小步长,并使用差分逼近来近似求解倒向随机方程。

欧拉法具有简单易实现、计算效率高的优点,但精度相对较低。

Milstein法是欧拉法的一种改进方法,它在欧拉法的基础上引入了二阶项的近似。

这种改进可以提高数值解的精度,尤其在随机项的系数存在非线性关系时效果更为显著。

无穷水平跳扩散正——倒向随机微分方程的解与比较定理

无穷水平跳扩散正——倒向随机微分方程的解与比较定理

・ tA ( ,)=t・ =一( ' +( ,)+( , t tA √ ) yb q )
』,,』e ^s ) ( qW一 f( ̄d出 d )(, 2 Ⅳ )
其 中: =( , , )t 0 d一维 布 朗运动 ; … ,≥ 为 { () 为取 值 于可测空 间 ( ( )上 的 P i |t} j } z, z) os —
sn点 过程 , d ,z o N ( s d)是 由 | ・ j )生成 的计数测 度 , } (
积 以及通 常 范数 ;
・t ( Y qP , tt ∞) = ( tt ∞) t= , , , )A(, , t 一 ,, , t b tt ∞) ( , , ,( , , ) ( , , , tt ) c tt ∞) ; t t t ・ (, , h tt ∞):h ( , , t ltt ∞)+h ( , , , t 2 tt ∞) h=b t ,

代数 F [ ; ≤t [ A,0 s ) s t = Wss ]V N ( ( ,] ; ≤ ,
A ∈B( ]VⅣ, P一零 测度集 的全体集 合 。为 z) Ⅳ是

和 Y nl提 出并发展 的 “ og5 连续 扩张 ”方 法 。此外 ,
P n —hl 研 究 了无 穷 水 平 正 一倒 向 随 机 微 分 方 e gS i 6 程 ,以及 本文作 者 卜副研究 了停 时水平 跳扩 散正 一
关键 词 :跳扩散正 一 倒向随机微分方程 ; 适应解;比较定理; aaa Tnk 公式
中图分类号 :O 1.3 21 6
文献标 识码 :A
文章 编号 : 59 59(08 1 05 5 02- 7 20 )0 - 0 - 6 0 0
正 一 向随 机微分方 程 的研 究是在 倒 向随机微 倒 分 方程 的 基 础 上 逐 步 发 展 起 来 的。 19 9 3年 ,A — n t e i 在时间水 平 充 分小 的条 件下 ,证 明了 正 一 o l… nl 倒 向随机微分 方程 可解性 的第一 个结果 。对 于任意 有 限时间水平 情形 ,主要有 两类 方法求解 正 一倒 向 随机 微 分 方 程 :一 是 由 MaPo e. o g 创 立 的 —rt rY n t “ 四步 设计 ” 法 ;二是 由 H u—P n 、P n — eg e gWu

随机倒向微分方程

随机倒向微分方程

随机倒向微分方程介绍随机倒向微分方程(Stochastic Backward Differential Equation,SBDE)是一类具有随机项的微分方程,它在金融、物理学、生物学以及工程学等领域发挥着重要作用。

相比传统的确定性微分方程,随机倒向微分方程考虑了环境的不确定性,更贴近现实世界。

基本概念1. 随机过程随机过程是一种描述随机现象随时间变化的数学模型。

在随机倒向微分方程中,我们关注的是连续时间的随机过程。

一个随机过程可以由一系列随机变量组成,每个随机变量代表了在不同的时间点上观测到的随机现象。

2. 随机倒向微分方程的基本形式随机倒向微分方程可以用如下形式表示:dY(t)=f(t,Y(t),Z(t))+g(t,Y(t),Z(t))⋅Z(t)dt其中,Y(t)是待求解的随机过程,f(t,Y(t),Z(t))和g(t,Y(t),Z(t))是已知的函数,Z(t)是驱动该随机过程的随机项。

3. 正向和反向的区别在一般的微分方程中,我们根据初始条件求解未来的状态。

而在倒向微分方程中,我们利用终端条件逆向求解过去的状态。

随机倒向微分方程则结合了随机项的不确定性,更加复杂和现实。

1. 显式欧拉方法显式欧拉方法是一种简单而常用的数值解法,它的迭代公式和确定性的微分方程类似。

该方法的基本思想是利用前一时刻的值预测下一时刻的值,并通过随机项对预测值进行修正。

2. 隐式欧拉方法隐式欧拉方法是显式欧拉方法的一种改进。

该方法在预测下一时刻的值时不仅利用前一时刻的值,还利用后一时刻的值。

这种双向的信息交流能够提高数值解的稳定性和准确性。

3. 龙格-库塔方法龙格-库塔方法是一种更高阶的数值解法,适用于复杂的随机倒向微分方程。

该方法通过计算多个阶段的斜率来逼近真实解,从而提高数值解的精度。

4. 蒙特卡洛方法蒙特卡洛方法是一种基于统计学原理的数值解法,通过生成大量的随机样本来估计未知量。

在随机倒向微分方程的求解中,蒙特卡洛方法可以通过模拟随机过程的轨迹来获得数值解。

一类倒向随机微分方程解的Levi定理

一类倒向随机微分方程解的Levi定理

( 6 )
首先对( ? y) 在[ , 上用 I 公式并在等式两边取数学期望得 0 ] t 6
tY]E lI] E I+ [: ,zd, ; +[ 。 =[ 2Jg l : ] eo zd 1 ] E. (, ) lI : 0 : , y
从 A )与 A )可得
第 1 3卷 第 3期
21 0 2年 6月
北华大学学报 ( 自然科 学版 )
J U N L O EHU NV R IY N t a Si c ) O R A FB I A U I E ST ( a rl ce e u n
Vo.1 . 1 3 NO 3
Jn 2 1 a .0 2
d d—.. V , , , g ,y )一 ( t , )I (z 一 2) P× t s, Y。 I ( t , a 12 ( , 1 g ,, ≤咖 I1 。1. Y2
这 里记 咖( )的线性 增长 常数 为 A, 0≤ ( ・ 即 )≤ A( +1 ( 文献 [ ] . )见 2) 由文献 [ ]可 知 , 1 如果 生 成 元 g满 足 A ) ~ A ) 那 么 对任 意 的随 机 变量 苣 ,S E 1 , B D ( )在 空 间
2 主 要 结 果
引理 14( l 比较定理) 假定生成元 g 满足 A ) A )设 ( , 与( ,; 分别是参数为( , , ) 和 . z) z ) Tg 与 ( , ,) S E Tg B D 在空间 ( , )× ( , ) 0 ; 0 ; 中的唯一解. 如果 d s , , P . ≤ 则对每个 t 0 ∈[ , ] 我们有 ,
= +l (, z)u—l : d £ 0T , u g ,:d ・丑,∈[,] z
: I (, )u ・B,∈[, . + , d —I d g t 0]

倒向随机微分方程的解及其比较定理

倒向随机微分方程的解及其比较定理

倒向随机微分方程的解及其比较定理《倒向随机微分方程的解及其比较定理》是一个复杂的数学理论。

本文将首先简要介绍倒向随机微分方程,其次概述它的解法以及比较定理,进而着重探讨这个理论的各种数学思想,包括其背后的假设、可解性、比较性、收敛性等关键概念。

最后,本文将提供一些有关这个理论的应用实例,并对它的发展前景进行展望。

1、言随机微分方程(RDE)是数学领域重要的方法。

它的主要特征是处理一类动态系统的随机变化,不仅能够获得对系统具体行为的深入分析,而且又表达出系统具有不确定性。

它有着广泛的应用,包括金融经济、控制理论、生物学等研究领域。

倒向随机微分方程(inverse RDE)是RDE的一种特例,它的研究也受到了很多学者的关注。

《倒向随机微分方程的解及其比较定理》是在研究倒向随机微分方程的基础上推导出来的一个数学定理。

本文将对其进行简要介绍,探讨它背后的数学思想,以及其在实践中的应用,并就其发展前景进行展望。

2、向随机微分方程及其比较定理2.1向随机微分方程倒向随机微分方程(inverse RDE)是一类特殊的随机微分方程,它以反演的策略从一个给定的状态反推出对应的动态变化。

其具体的数学表达形式为:dX_t=-f(X_t)dt+γdW_t其中,X_t为系统的状态随着时间t的动态变化,f(X_t)为满足某一特定条件的映射,dW_t为一个随机过程,γ是随机更新的步长。

2.2较定理倒向随机微分方程的比较定理指的是当所有的随机变量都满足某一特定条件时,倒向随机微分方程的数学解的收敛性可以通过比较定理来证明。

具体的数学形式为:E[F(X_t)|X_s]≥F(X_s)其中,F(X_t)表示X_t的随机变量的概率密度函数,s和t表示系统的时间变量,s<t。

3、《倒向随机微分方程的解及其比较定理》的数学思想《倒向随机微分方程的解及其比较定理》研究的是倒向随机微分方程的解,它实质上是一种不断更新状态的随机过程,根据该过程的状态变化就可以得到倒向随机微分方程的解。

一类倒向随机微分方程的比较定理

一类倒向随机微分方程的比较定理
证明: 令 y = Y— , 2 一 Z 一 2, 一 V一 ,
y 。 一 E Q y + E 『 』 : Q 毒 d s +
f r n A T Q d ] ≥o , 即:

毒一 g ( s , , ) 一g , 则 , 2 , , 鸯满足 : f —d 一( A +B 2 +毒 ) d t +d 一2 d z e ,

Q A Y , d t —Q , B Z d t —Q 毒 d t —Q d +
Q Z d + Q A y d t + Q B y d w + Q B Z d t一
n ( £ ) ≥0 , 6 ( £ ) ≥0 , 且I n ( £ ) d t < +∞,I 6 ( £ ) d t
Ma r 2 0 0 7
满足 : 对 任意 的 V t ∈[ O , 丁 ] , 有忌 ( t , O )一 0 , 且 使 常
令 Q = e x p { B d 一 』 } B l d s + 』 : A d s }
对 Q Y 应 用 凡 公 式有
A 一J f

y 一
0 ,
,Y ’ 一 ≠
其它
参考 文献 :
[ 1 ] P a r d o u x E . , P e n g S . A d a p t e d s o l u t i o n o f a b a c k wa r d S t O — c h a s t i c d i f f e r e n t i a l e q u a t i o n [ J ] . S y s t e ms C o n t r o l L e t t .
<+ c x 3 , 则 可得 到如下 定理 ( 比较 定理 ) : 设( y, Z ) 为方 程 ( 2 )的解 , ( Y, Z) 为方 程 ( 3 ) 的 解, 如果 r一 一' 7 ≥ 0 , g 一g ( t , Y, 一 ) 一g ≥ Z +Q B Y ) d

期权定价理论的发展和倒向随机微分方程

期权定价理论的发展和倒向随机微分方程

期权定价理论的发展和倒向随机微分方程期权定价是金融衍生品定价领域中的重要问题之一、期权的定价涉及到随机过程和概率论的应用。

为了解决期权定价问题,学者们先后提出了多种理论和模型。

其中,倒向随机微分方程是期权定价理论发展的一种重要途径。

黑-斯科尔斯(Black-Scholes)模型是期权定价理论的里程碑。

黑-斯科尔斯模型基于几个基本假设,包括市场中不存在套利机会、股票价格符合几何布朗运动和股票价格的对数收益率服从正态分布等。

这个模型通过偏微分方程求解股票价格的期望和方差,并得到了欧式期权的封闭解。

黑-斯科尔斯模型的推出不仅为期权定价提供了一种基本的工具,也为期权交易市场的发展提供了重要的理论支持。

然而,黑-斯科尔斯模型基于对股票价格的假设过于简单,未能完全反映市场的实际情况。

为了改进这个模型,学者们提出了包括波动率偏度与峰度模型在内的一系列模型。

波动率偏度与峰度模型将股票价格的对数收益率分解为正态部分和非正态部分,通过考虑波动率的偏度和峰度,更准确地描述了股票价格的分布特征。

这些改进模型更接近实际市场,提高了期权定价的准确性。

倒向随机微分方程模型是期权定价理论发展的一个重要方向。

倒向随机微分方程模型是一类用于描述随机过程的微分方程。

与正向随机微分方程模型不同,倒向随机微分方程模型可以根据观察到的数据,回推出随机过程的动力学特征。

借助倒向随机微分方程模型,可以更加准确地预测和估计金融资产价格的未来走势。

在期权定价中,倒向随机微分方程模型可以用于从期权的市场价格中推导出隐含波动率,进而用于期权的定价和风险管理。

这种模型在实际应用中具有较好的鲁棒性和精确度。

总之,期权定价理论经历了从黑-斯科尔斯模型到波动率偏度与峰度模型再到倒向随机微分方程模型的演变过程。

倒向随机微分方程模型的提出为期权定价理论和实践提供了新的思路和工具。

随着金融市场不断发展和创新,期权定价理论将继续演化和完善。

levy 过程驱动的倒向随机微分方程相关问题

levy 过程驱动的倒向随机微分方程相关问题

倒向随机微分方程是随机微分方程理论中的一个重要分支,它在金融工程、生物医学、信号处理等众多领域都有着广泛的应用。

而对于一些过程驱动的倒向随机微分方程相关问题,研究者们一直在不断地进行探索和研究。

本文将从levy 过程驱动的倒向随机微分方程相关问题展开讨论。

一、levy 过程介绍levy 过程是随机过程理论中的一种重要类型,它具有独立增量和稳定性等特点。

在金融数学中,levy 过程被广泛应用于模拟股票价格和衍生品的定价等领域。

而在倒向随机微分方程的研究中,levy 过程也扮演着重要的角色。

二、倒向随机微分方程的基本概念倒向随机微分方程是倒向随机过程的一个重要表达形式,它在金融数学、信号处理、生物医学等领域都有广泛的应用。

倒向随机微分方程的基本概念包括随机微分方程、倒向随机过程、条件期望等。

三、levy 过程驱动的倒向随机微分方程模型的建立在实际应用中,我们需要具体的数学模型来描述levy 过程驱动的倒向随机微分方程。

在这一部分,我们将介绍levy 过程驱动的倒向随机微分方程模型的建立方法,包括数学原理和实际应用案例。

四、levy 过程驱动的倒向随机微分方程的数值求解对于levy 过程驱动的倒向随机微分方程,其数值求解是一个重要的研究方向。

本文将介绍levy 过程驱动的倒向随机微分方程的数值求解方法,包括传统的数值方法和近年来的一些新的数值算法。

五、levy 过程驱动的倒向随机微分方程在金融工程中的应用金融工程是levy 过程驱动的倒向随机微分方程的一个重要应用领域。

本文将介绍levy 过程驱动的倒向随机微分方程在金融工程中的具体应用案例,包括股票价格模拟、期权定价等方面。

总结:本文从levy 过程驱动的倒向随机微分方程的基本概念出发,介绍了其在数学模型建立、数值求解和金融工程中的应用。

通过对相关问题的探讨和研究,有望为该领域的进一步发展提供有益的参考和借鉴。

希望本文对相关领域的研究者和从业人员有所帮助。

期权定价理论的发展和倒向随机微分方程

期权定价理论的发展和倒向随机微分方程

期权定价理论的发展和倒向随机微分方程期权定价理论的发展可以追溯到20世纪60年代,最初由美国经济学家布莱克(Fischer Black)和斯科尔斯(Myron Scholes)提出。

他们的贡献是建立了著名的布莱克-斯科尔斯期权定价模型,该模型基于假设市场具有完全竞争和无套利机会的特征,利用随机微分方程建立了股票价格与期权价格之间的动态关系。

该模型提供了解决欧式期权的解析解,为期权市场的发展和创新提供了坚实的理论基础。

在布莱克-斯科尔斯模型之后,学者们对期权定价理论进行了进一步研究和拓展。

其中一个重要的发展是考虑了市场存在风险溢价的情况。

美国经济学家罗伯特·曼舒尔斯坦(Robert Merton)提出了使用完美对冲策略来消除风险溢价的方法,该方法被称为风险中性评估。

风险中性评估假设投资者对风险是中性的,以中性的利率对期权进行定价。

这一方法在现实市场中的应用较广泛,它提供了一种在实际投资中可以套利无风险的策略。

另一个重要的发展是对期权定价模型的拓展和推广。

布莱克-斯科尔斯模型最初是针对欧式期权的,但随着市场的需要,学者们开始研究其他类型的期权。

比如,美国经济学家考克斯(John Cox)、罗斯(Stephen Ross)和鲁宾斯坦(Mark Rubinstein)发展了考克斯-罗斯模型,该模型可以解决美式期权的定价问题。

此外,还有学者研究了带有障碍和提前执行权的期权定价模型,为金融市场的创新提供了支持。

倒向随机微分方程的推导主要基于伊藤引理,该引理是随机微积分的基本定理之一、通过对股票价格进行动态建模,可以得到股票价格的演化方程,从而可以推导出期权价格的解析解。

在推导倒向随机微分方程时,需要考虑市场中的随机性和不确定性因素,如风险溢价和波动率等。

总结起来,期权定价理论的发展和倒向随机微分方程的应用为金融市场参与者提供了强大的工具和理论基础。

不断的研究和拓展使得期权定价模型逐渐趋于完善,并为期权交易和投资决策提供了更加准确和可靠的定价方法。

期权定价理论的发展和倒向随机微分方程

期权定价理论的发展和倒向随机微分方程

期权定价理论的发展和倒向随机微分方程
的应用的如下:
1、桑塔格(1973)的均值反转模型:桑塔格模型把期权作为一种随机
收益率,通过赋予一个相应的期权价格和利用金融学原理来描述和评估一
个期权投资组合的风险。

桑塔格(1973)模型假定期权价格是一个随机变量,可以借助经典的Ito微分方程的算法和可计算的Black-Scholes定价模型(1973)来求解。

2、跳跃期权定价模型:跳跃期权定价模型基于Merton(1976)的跳跃
模型,假设资产价格基于一个随机有限时间长度的价格跳跃,使用马尔科
夫链来计算。

Merton(1976)基于Ito变分法和强化随机微分方程来解决这
个问题,并使用了基于红利折扣率的模型来计算期权价格。

3、Heston模型:Heston模型(1993)证明了期权价格变动可以用非常
流行的随机微分方程的技术来描述。

Heston模型的定价技术使用经典的
变分法来定义资产价格跳跃的可能性,并且可以用可计算的Black-Scholes定价模型(1973)来评估期权价格。

倒向随机微分方程和金融数学

倒向随机微分方程和金融数学

倒向随机微分方程和金融数学倒向随机微分方程和金融数学随机微分方程是一种用来描述随机过程演化的数学工具,它在金融数学中扮演着重要角色。

本文将探讨倒向随机微分方程及其在金融数学中的应用。

一、倒向随机微分方程的基本概念倒向随机微分方程是由Yong等人于1999年提出的,它是对正向随机微分方程的一种推广。

与正向随机微分方程描述系统的演化方式不同,倒向随机微分方程描述的是系统的过渡概率密度函数的演化。

倒向随机微分方程可用于解决很多实际问题,尤其在金融数学中有着广泛的应用。

二、倒向随机微分方程的数学表达式倒向随机微分方程可以表示为如下形式:dX_t = a(X_t,t)dW_t - b(X_t,t)dt其中,W_t是标准布朗运动,a(X_t,t)和b(X_t,t)是给定的函数。

这个方程描述了一个随机过程X_t的轨迹在每个时刻的微小变化。

通过求解这个方程,我们可以得到随机过程的过渡概率密度函数。

三、倒向随机微分方程在金融数学中的应用1. 期权定价倒向随机微分方程在金融工程领域中被广泛应用于期权定价模型。

通过建立包含倒向随机微分方程的随机微分方程,可以计算出期权价格的理论值。

这对于投资者制定交易策略、管理风险具有重要意义。

2. 风险管理倒向随机微分方程还可以用于风险管理领域,特别是对于金融市场中的风险溢价定价和风险度量具有重要作用。

通过倒向随机微分方程建模,可以获得金融资产的风险价值,帮助投资者更好地控制投资风险。

3. 投资组合优化倒向随机微分方程可以用于建立投资组合优化模型,帮助投资者根据市场波动性和风险溢价水平确定最佳投资组合。

通过求解倒向随机微分方程,可以找到最优投资策略,实现投资组合的稳健增长。

四、倒向随机微分方程的挑战与展望倒向随机微分方程的研究还存在一些挑战。

首先,倒向随机微分方程的数值解具有很高的计算复杂度,需要运用高效的数值方法来解决。

其次,倒向随机微分方程的参数估计问题也是一个研究热点,如何准确地估计随机微分方程中的参数仍然是一个有待深入研究的问题。

倒向随机微分方程的解及其比较定理

倒向随机微分方程的解及其比较定理

V 1 1 N . o. 7 o3
J 12 o l .0 8 l
倒 向 随 机 微 分 方 程 的解 及 其 比较 定 理
蕾 丽 ቤተ መጻሕፍቲ ባይዱ

; …
’ ’

( 辽东 学 院 师范 学 院 , 宁 丹东 18 0 辽 10 0)
摘 要 随机微分方程描述一个受到 随机干扰 的客观对象在已知初始条件 的运 动规 律 , 获得 的解是一个 随机的状态. 所
【 文献标识码】 A
【 文章编号】62 81(0 80 — 20一 4 17- 5320 )3 02 o
S l to f Re e s t c a tc Di e e t lEq a i n a d Is Co a io h o e o u i n o v r e S o h si f r n i u to n t mp rs n T e r m f a
Do g Li a n hu
( om l c ol Lad n nvr t, a dn 10 0, hn ) N r a S ho , i o gU ie i D n og1 0 C ia o sy 8
Ab ta t tc at iee t l q a o ecie h a f t n o n a d m— itr e be t ei e sr c :So h si df rni u t nd srb ste lw o i f ern o ds b d o jc v t c f ae i mo o o u i nh
而倒向随机微分方程的时间顺序正好相反 , 它研究 “ 目标 问题 ” 即为达到预定 目标 , , 现在如何行动 . 其数学结 构与经典 随机微
分方 程有本质 的不 同. 对倒 向随机微 分方程 的解及其 比较定理做 了较为深入的探讨.

带跳的倒向重随机微分方程的比较定理

带跳的倒向重随机微分方程的比较定理

带跳的倒向重随机微分方程的比较定理带跳的倒向重随机微分方程的比较定理是一个关于动力系统的现代化领域,它引起了研究者广泛的兴趣和研究。

它涉及到许多研究领域,因此对许多领域的研究者来说,了解《带跳的倒向重随机微分方程的比较定理》及其实现方法,都是十分重要的。

本文将阐述《带跳的倒向重随机微分方程的比较定理》及其实现方法。

首先,《带跳的倒向重随机微分方程的比较定理》指的是在动力系统中,以带跳扰动为条件,其状态量随机微分方程的解性能比普通无扰动情况下具有更好的收敛性能。

与普通随机微分方程不同,带跳随机微分方程是一类反向重随机微分方程,其本质上是在时间上有限的Riemann质点集的作用下,状态量的关系经历一次变化。

该定理的实现方法需要考虑以下几个方面:首先,对任意一个时刻,要求它满足Riemann质点集,也就是说,在这个时刻之前,所有状态量应该满足同一个跳跃条件;其次,要求这个质点集的特性,即在Riemann质点时刻的状态量不变;最后,要求状态量在给定范围内连续变化,并且满足平均梯度下降条件。

通过上述方法,可以使系统的状态量经历一次变化,通过该定理可以有效地提高系统的收敛性能,从而提高系统的稳定性,减少系统运行过程中的不确定性。

另外,应用该定理还有另一种方法,即应用外加控制(external control)来实现非线性状态反馈控制。

由于带跳随机微分方程可以控制系统状态量经历一次变化,因此可以采用外加控制来实现系统状态量的间歇性改变,从而提高系统的性能。

总之,《带跳的倒向重随机微分方程的比较定理》在动力系统的现代化领域里具有十分重要的意义,它的实现方法包括满足Riemann 质点集条件,使得状态量经历一次变化,以及采用外加控制,以实现系统状态量的间歇性改变,从而提高系统的性能。

经过深入研究,这项定理有望为研究动力系统提供一种新的参考模型,从而推动动力系统更加现代化。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

倒向随机微分方程理论的一段往事(2008-07-18 22:04:36)转载分类:数学江湖标签:杂谈转自:/文章是中国金融数学届的狂牛的老头子:彭实戈写的,在这里转给大家欣赏。

按:这个文章回顾了倒向随机微分方程理论产生的一段往事,同样是数学上一个让人愉悦的故事。

当年,我和Pardoux写的关于倒向随机微分方程 简称BSDE理论的那篇文章发表在一个叫《SystemsandControlLetters》的“小杂志”上。

那是一个“有心栽花花不开,无意插柳柳成荫”的故事。

BSDE的文章发表于1990年,而这项研究的实际完成是在1989年4月。

其时我从法国回来,正在复旦大学做博士后 1988年开始。

数学系的李训经教授在复旦组织了一个每周一次的控制论讨论班,讨论班的一个重点是随机系统的最优控制问题。

当时雍炯敏刚从美国回来,在复旦任副教授,陈叔平在浙大,经常到复旦来参加讨论班。

李老师有两个博士生胡瑛和周迅宇 我刚到复旦时,周迅宇还在日本Nisio教授那里,大概属于联合培养,他们都具备了非常好的概率论和随机分析的基础。

我说非常好,是相对于我这个刚从法国著名的Pardoux研究团体回来的“洋博士”而言的。

当时从国外回来的“洋博士”还不算多,大家都对我们“另眼相待”。

回国后看到复旦的这些博士生的基础打得如此之牢固,令我十分佩服。

讨论班的学术气氛很热烈,有两个主攻方向:一是无穷维系统最优控制的最大值原理;一是随机最优控制问题,扩散项含时间的随机控制系统最大值原理是当时大家关心的公开难题之一。

那是一个硕果累累的年代,产生了一批令国际同行刮目相看的研究成果,称其为“FudanGroup”。

复旦对于博士后的生活安排得非常周到。

我有一个二室一厅的套间,里面是整套全新的家具。

胡瑛是这里的常客——几乎每天都来。

经常是进门后没说几句话就坐下来,拿出纸和笔来讨论问题,累了就到校园里去散一会儿步,饿了就出去找个饭店或到食堂吃一顿。

我们两个合作写了好几篇文章,当时的主攻方向是广义的和无穷维随机系统的最大值原理。

李训经和雍炯敏先生也经常来访,我们也经常去李老师家。

我们有一些合作的具体题目。

休息的时候,也经常谈及几个“大问题”,其中之一就是Bismut在讨论随机最大值原理的时候引入的一个非常奇特的线性的倒向随机微分方程。

我在巴黎留学时的导师A.Bensoussan对这个问题有一个非常系统的研究。

但它的真正含义是什么﹖在—般非线性情况下的情况有没有解﹖还有一个是扩散项含控制时的最大值原理,这个问题十几年来一直没有被解决,困难的实质在哪里﹖这些都还很不清楚。

但是我当时的态度比较现实:问题很有趣,值得聊聊。

但是这些问题太大,太难,而且复旦的随机控制研究还只是在起步阶段,没有名师可以请教,所以这些问题不能作为我目前的主攻方向。

我那时的感觉是,这些都是很远的将来才可能被解决的事情。

但是有一天,我对胡瑛说,我感到我找到了解决扩散项含控制的随机最大值原理困难的关键,就是说,一般随机控制系统的最大值原理可以解决了,而且其最终的形式是很奇特的!我在如何引二阶项的共轭方程方面遇到了—些困难,但很快就找到了—个巧妙的解决办法,这个共轭方程是矩阵值的线性的BSDE。

此后我用了将近两个星期的时间将结果整理写出,并且在讨论班上报告了这个结果。

我完成了—般随机最大值原理的证明之后,整理打印好文章,于1989年2月寄到《SIAMControl》杂志。

SIAM编委对此结果给以很高的评价,很快接受并于第二年发表。

这是我第一次解决一个公认的公开的难题,我想这一点对接下来解决BSDE的存在唯一性定理是很有影响的。

首先,处理—般最大值原理一个关键就是矩阵值的线性BSDE。

更重要的是心理方面的,我的自信心提高了很多,不再把前面提到的那些难题作为“很远的将来才可能被解决的事情”了。

4月份,我用博士后基金邀请Pardoux教授来访(博士后可以有基金来邀请外国专家,这也可以算是一个中国的特色)。

我的打算是:利用这段时期与他合作解决一个“Mallianvin导数”意义下的无穷维的“偏微分方程”问题。

但是Pardoux到复旦以后我们两个进行了几次讨论,都没有什么实质性进展,前景似乎有一些不妙。

一天,我陪Pardoux去上海城隍庙,在南翔馒头店吃过那颇负盛名的小笼蒸包之后,又去了豫园外面的九曲桥上的茶楼。

在二楼上喝着茶,看着楼里的茶客、跑堂和楼外的湖水,别有一番情趣。

闲聊中话题又转到了那个仍在云里雾里的“Malliavin方程”上来了。

这时Pardoux对于这个问题本身的提法是否适当提出了质疑,他说:“一般的 抛物性偏微分方程和随机偏微分方程之所以有解,主要是因为这些方程中都有一个强制性 Coercive结构。

但在这个问题中,我看不出哪里会有这种强制性。

”我很理解他所说的“强制性”的重要性。

事实上我也下意识地在寻找这一点。

而他的一席话使问题更明确,困难更加表面化,而解决问题的前景似乎也更加渺茫了。

我又考虑了一下,觉得无言以对,话题又转到了其他方面去了。

晚上回到家里,又想到了这个问题,但仍觉得无从下手。

第二天早上醒得比往常要早,又想到了这个可望而不可及的“Malliavin方程”的“强制性”。

而这时又转而想到一个完全不相关的问题,即前面提到的BSDE存在性问题,“这个问题是否有强制性”﹖躺在床上,用Ito公式心算了一下,忽然发现了问题的关键:长期以来人们总是在想方设法通过取期望消去的随机积分项,其实恰好就起到了强制项的作用。

想到这里,爬起来就找出纸和笔来验证,只花了几分钟,就利用这种强制性证明解出了BSDE解的唯一性。

我立刻感到这个问题已经可以解决了,剩下的任务就是要进行Picard迭代,并再利用这强制性来证明解的存在性了 而我对此很有信心 这种信心也来自几年以前孙经先博士和我的一次闲聊。

我感到很激动,当即打电话给住在复旦东招二楼的Pardoux。

他接电话后就问:“你知道现在才几点吗”﹖我说:“我知道,但我想我也知道怎样证明BSDE的存在唯一性方法了 ”他对我说了一句“Monte” 上来吧。

Pardoux理解了唯一性的证明后,觉得很有道理。

我们就拿出笔和纸,讨论如何利用这种强制性来证明解的存在性。

存在性的证明要麻烦一些,我们需要在Picard迭代的一些技术细节上仔细地推导和验证,而Pardoux当天上午还有学术报告以及其他活动,所以我们决定在这些活动结束以后再仔细讨论。

这些活动结束以后已经是晚上,我对他说,我草算了一遍,存在性也是成立的,但还需要仔细地完整地写出来,以防证明有漏洞。

第二天上午,我就把这个BSDE的存在唯一性结果文章的第一稿 原稿是用铅笔写的给Pardoux看。

他仔细读完以后对我说,证明通得过并值得发表。

但他接着说:“我对这个结果没有什么贡献,应该以你一个人的名义发表”。

我这时对他谈起了他在上海城隍庙关于“Malliavin方程”的强制性的一番话对我想到BSDE的强制性的影响。

我解释得可能不太清楚,但他同意两人联名发表。

我们商定由他执笔写第一稿的引言 这是数学文章的特点:往往是先有文章的主体,最后再写引言部分。

然后由他带回法国写出修改稿并且负责打印。

一般而言,一个“好的数学方程”要具备两个条件,解的存在性和解的唯一性,其中解的存在性当然是第一重要的。

但为什么我在解的唯一性成立后就信心十足了呢﹖这当然首先是因为我感觉到发现了BSDE的强制性结构,它可以被用来解决唯一性,也可以用来解决存在性。

但是我觉得,多年以前我与孙经先博士一次谈话也起了很关键的作用。

一次闲聊中说到他的本行(不动点问题)时他谈到了一个很有趣的结果,大意是:“如果一个方程的解已经被证明是存在唯一的,那么就能找到一个距离函数,而问题就是这个距离下的一个压缩映象的不动点”。

这番话使我对唯一性部分证明的份量产生了非常深刻的印象。

此后养成一个习惯:先解决唯一性,再证明存在性。

谈到这篇文章发表在哪一个杂志上,Pardoux认为这个结果不太大,并且文章很短,很难在SIAM这样重要的杂志上发表。

而他知道一个杂志,不像SIAM那样有名气,但是在控制论界有广泛的读者,就是《SystemsandControlLetters》 我以前不知道这个杂志。

在这种杂志上发表比较合适。

我当时感到他并不像我那样地高度看待这个结果。

但是同意了他的意见。

Pardoux回国后不久,我写信给他,说我对BSDE非常感兴趣,准备将今后三年的时间用于研究这个方向。

BSDE的第二篇文章是和胡瑛合写的,讨论的是无穷维空间中的BSDE。

事实上,对BSDE的热情和兴趣使我在1989、1990和1991年连续写了6篇这方面的文章。

1990年,我结束了复旦的博士后研究工作,回到了山大数学系。

一天午睡之后,突然想通了一件长期向往而不知如何下手的事情,即如何用概率方法来获得一类抛物型非线性偏微分方程组的解,而它的最简单的情况就是著名的Feynman-Kac公式,是1951年Kac在研究量子学中著名的Feynman积分问题而发现的。

Feynman-Kac公式的基本思想是将Markov过程的路径的积分求数学期望,后来很多人试图将Feynman-Kac公式推广到非线性方程。

但是没有获得满意的结果。

事实上,我在复旦做博士后期间与李训经、胡瑛、雍炯敏等闲聊时曾多次涉及这个问题。

那天中午才突然发现,BSDE恰好就是解决这个问题的工具我感到非常兴奋,自己给自己鼓掌叫好。

这不仅是因为获得了非线性Feynman-Kac公式这个许多学者近四十年以来在追求的目标,而且证实了我一年以前的感觉,BSDE的确是一个非常重要的一个理论现在回过头来看,BSDE理论建立以后,非线性Feynman-Kac公式应是垂手可得的事情,而我则足足用了一年的时间才发现。

1992年5月,我在法国通过国家博士 Habilitation答辩时,回忆起两年前发现非线性Feynman-Kac公式的经过时说“过去,这对我只是一个梦想。

有一天我突然意识到,她 elle,因为formule在法语中是阴性名词就在我身边,睡了整整一年 ”我很快地将Feynman-Kac公式整理成文章,投往《SIAMControl》杂志。

记的篇幅不长,共11页,我历来持这种观点,真正有创造性的观点的论文,其价值并不在于篇幅的长短。

但不久SIAM杂志就寄来审稿意见,拒稿 我当时感到很失望,这个国际性的权威杂志在两年多时间里接受了我三篇文章,其中有的 一般随机最大值原理还给予非常高的评价,当我把这篇解决了近四十年来都未获得实质进展的结果寄给这个杂志时,我自认为是给他们送去的是一份答谢礼物,但得到的问答却是一个“不”我只好退而求其次,将稿件寄给了Stochaitics杂志的编委Pardoux,并且说明已被SIAM拒稿。

相关文档
最新文档