收藏本站
《山东大学》 2017年
收藏 | 手机打开
二维码
手机客户端打开本文

非线性数学期望下的贝叶斯推断及随机微分方程

魏玮  
【摘要】:对非线性数学期望下概率与统计相关问题的研究,一方面是概率论基础理论研究的发展趋势,另一方面源于人们对于金融市场中日益增长的不确定性问题的探索。20世纪70年代,现代意义的金融衍生品在美国诞生,日益增加的衍生品交易额在为市场机构带来巨大的利润的同时,也蕴藏了极大的风险。如何采用适当的方法来评估、管理和控制来自衍生品交易的内在风险显得尤为重要,金融市场风险度量已成为全球经济学家与数学家研究的重点领域。一个非常具有挑战性的问题是,金融衍生品的风险行为是非线性的,经典概率论中对于概率和期望的线性假设已经难以刻画风险行为的次线性本质。许多专家因此引入了非线性期望的概念来度量不确定性。比如Peng (1997)通过倒向随机微分方程引入了一种重要的非线性期望g-期望,用来度量概率不确定性模型的随机性和风险,可参见 Chen 和 Epstein (2002), Frittelli 和 Gianin (2004), Peng(2004)。Artzner, Delbaen, Eber和Heath (1999)引入了一致风险度量的概念,即将金融衍生品的未来不确定性看作一个随机变量X,将其风险度量看作赋予在随机变量X上的一个次线性泛函ρ[X],本质上就是次线性数学期望。因此,次线性期望提供了衡量不确定性损失X的一种稳健性方法。在g-期望的基础上,Peng (2007)进一步引入了一个更加一般的次线性期望框架一-G-期望。在G-期望框架下,Peng引入了 G-正态分布、G-期望和G-布朗运动的概念,后两者可视为对Wiener测度和经典的布朗运动在非线性下的推广。Peng证明了非线性期望的理论基础(次线性期望下的大数定律和中心极限定理),并建立了 G-Ito随机积分,可参见Peng (2007, 2008, 2009, 2010)。基于Peng的开创性工作,许多学者进行了相应的推广,例如,Chen (2010),Chen, Wu和Li (2013)等研究了强大数定律,这些结果是对Peng (2007, 2008)中“弱”大数定律的推广,Denis, Hu和Peng (2011)研究了 G-期望的表示定理和轨道性质,Li和Peng (2011)对停时和一般的G-Ito公式进行了研究,Gao (2009),Peng (2010),Lin (2013)研究了 G-布朗运动驱动的随机微分方程(以下简称G-SDE,或G-随机微分方程)的解的相关性质,更多内容可参见Xu和 Zhang (2009),Hu 和 Peng (2009),Gao 和 Jiang (2010),Hu 和 Zhang (2010),Song(2012),Nutz (2013),Nutz 和 Van Handel (2013),Hu,Ji,Peng 和 Song (2014),Peng 和Song (2015), Zhang 和 Chen (2015),Hu, Wang 和 Zheng (2016)等。受到以上内容的启发,本篇博士论文进行了部分研究工作,主要内容包括:1.首次提出了在不确定性环境下,计算贝叶斯后验分布最大期望与最小期望的一种新方法——PSI方法,创新性地引入辅助性的超先验分布并将不确定性因素参数化,从而将方法广泛地应用于多种不确定性情形下。2.研究了 G-随机微分方程解的渐近估计,得到了次线性期望空间下G-随机微分方程解的重对数估计,且给出了一类多维G-随机微分方程解的渐近估计并推广到更一般的形式。3.对G-随机微分方程解的相关性质进行深入研究,分别探讨了一阶和二阶G-随机微分方程解的有界性与平稳性,给出了有界性与平稳性的充分条件并举出相应的例证。4.进一步研究G-期望空间的相关性质,将Lyapunov定理从经典的单一线性概率情形推广到了 G-期望下一族概率测度的情形,给出了 G-随机微分方程的解在容度意义下的平稳性。下面我们来介绍一下每章的工作,这些结果是由我在博士期间完成的五篇论文整合而成的,其中两篇已在SCI期刊正式发表,其余三篇已送审。第一章本章给出了不确定性环境下,计算贝叶斯后验分布最大期望与最小期望的一种新方法——PSI方法,可将诸如先验分布或者似然函数选择的多种不确定性考虑在内,将不确定性都通过不确定性指标进行参数化,且在这个指标参数的基础上创新性地引入辅助性的超先验分布,运用Metropolis算法生成Monte Carlo样本,并对后验分布的最大期望与最小期望进行估计。本章最大的贡献就是对于所有可能的不确定性场景,都只需要进行一次Monte Carlo抽样来计算后验分布期望,从而大大减少了传统分析法中繁琐的运算量。· 1.1 PSI算法及理论支持我们提出的算法有三个步骤(记做PSI):1. (Prior Step)引入参数λ的辅助性超先验分布π(λ),其中参数λ代表不确定性。2. (Sampling Step)对于任意目标参数X,利用MCMC方法,从给定观测样本数据条件下的联合后验分布中进行(X,λ)的样本抽样:注意到在很多时候,目标参数X = F(θ, λ)可能是标量函数,其中θ是模型中生成数据的结构参数。在更一般的情形下,我们可以将Sampling Step拆分为下面两个步骤:(1)利用MCMC方法从(θ,λ)的联合后验分布中抽样,其中θ是数据生成过程中的结构参数。(2)对于任意目标参数X = F(θ,λ),可计算相应的后验分布的(X,λ)样本。3. (Inference Step)基于(X,λ)的后验样本,我们可以估计后验分布期望的范围以及相应的其他任意后验分布分位数的范围。本节我们给出了 PSI算法的理论依据。命题0.1说明,从联合分布中抽样出的MCMC样本的模拟计算值,是后验分布期望的一致相合估计。命题0.1.令目标条件后验分布函数为其中λ ∈ λ。假设π(·)是满足(H)的辅助性先验分布函数:(H)对于所有的λ ∈ A,密度函数π(λ) 0。令是从下面的联合后验分布中导出的条件分布函数则有(i)对于所有的X,以及所有的λ∈∧,π(X丨λ,D)=(X|D,λ)。(ii)令为目标后验分布最大期望。则对于满足(H)条件的任意辅助性先验密度函数π(λ),都有(iii)令S知=Xt,λt)t∈T为Monte Corlo样本。μ(λ|ST)是μ(λ)=,E(X|D,λ)的一致相合估计,对于任意的则supμ(λ|ST)是后验分布最大期望的一致相合估计:即对于任意大于零的,· 1.2多种不确定性环境下的数值分析我们将算法推广到应用层面,给出了先验分布不确定、模型选择不确定以及数据不确定等不确定性环境下计算后验分布最大期望与最小期望的数值分析,详细的案例分析请参见正文部分。我们采用模拟数据,分别利用局部加权回归散点平滑法(locally weighted scatterplot smoothing,简记为 lowess)以及Metropolis-Hastings 抽样算法完成贝叶斯推断分析。所有程序均使用R语言编程实现。第二章我们在本章中研究G-随机微分方程的解的渐近估计,给出了次线性期望空间下G-随机微分方程解的重对数估计,以及一类多维G-随机微分方程解的渐近估计并推广到了更一般的形式。我们考虑由m维G-布朗运动驱动的d维随机微分方程其中1≤ i ,j ≤ m,初始值Xt0=X0∈Rd 其中Bt是m维的G-布朗运动。假设方程的系数f,hi和gij满足相应条件,从而使得方程在[t0,∞)上有一个唯一的解Xt。定理0.1.假设存在两个大于零的常数λ和η使得,对于所有的(x,t)∈ Rd[t0,∞),有.则方程(0.0.2)的解有如下性质· 2.1 G-随机微分方程解的重对数估计接下来,我们考虑方程(0.0.2)的一个特殊形式,即其中1 ≤ i,j ≤ m,初始值Xt0= ∈ Rd,∧i是给定的矩阵∧ ∈ Rd×m的第i列。定理0.2.假设存在一对大于零的常数ρ1,ρ2使得对于所有的(x,t) ∈ Rd ×[t0,∞),对某些ε 0以及所有的t ≥ t0,δ 0,方程(0.0.5)的解满足则有性质注记0.1.众所周知,在经典线性概率空间下,重对数律(LIL)是最重要的极限定理之Chen和Hu (2014)给出了非线性期望下的重对数律,与经典情形下收敛到一个固定点不同的是,非线性期望下的重对数律是收敛到一个区间,即:其中v是相应的Choquet容度。因此定理0.2可被看做非线性条件下G-随机微分方程解的重对数估计。· 2.2多维G-随机微分方程解的渐近估计定理0.3.假设存在三个大于零的常数γ, ρ1和ρ2,使得对于所有的(x,t)∈Rd× t ∞),且对于某些ε 0和所有的t≥t0 随机微分方程(0.0.5)的解满足则方程的解存在性质注记0.2.值得注意的是,定理0.3的结论是独立于ρ1,ρ2和∧的。事实上,由(0.0.9)可推出当t足够大时,对于几乎所有的ω∈Ω,因此可得定理0.4.假设存在三个大于零的常数γ, Pi和ρ2,使得对于所有的(x,t)∈Rd× [t0,∞),有对于某些ε 0以及所有的t ≥ t0, δ 0,随机微分方程(0.0.5)的解满足则它的解有如下性质:注记0.3.事实上,只要f和gij线性增长,定理0.2-0.4中的G-Novikov条件就都满足。在这种情况下,只要系数h(x,t)是有界的,上述的结论都可以适用于随机微分方程(0.0.2)。更具体的说,如果存在一个G 0使得对于所有的(x,t)∈Rd ×[t0,∞)成立,则定理0.3-0.4的结论对于随机微分方程(0.0.2)也依然成立,相应的(0.0.7)和(0.0.13)中的||A||应该替换为C。第三章本章的工作分为两大部分,第一部分在次线性期望下,研究一阶G-随机微分方程解的有界性与平稳性,并给出相应的例证。第二部分,对二阶G-随机微分方程解的有界性与平稳性进行研究,并给出相应的有界性与平稳性的充分条件。· 3.1 一阶G-随机微分方程解的有界性与平稳性记C(R+;R+)为非负域下的连续函数族。令C1,2(Rd× R+;R+)为定义在Rd × R+上的非负函数族V(x,t),关于x二阶连续可导且关于t连续可导。现在我们考虑以下由m维G-布朗运动驱动的d维随机微分方程初始值Xt0= x0 ∈ Rd,≥ 0。(Bi,Bj=(Bi,Bj)i,j=1,…,m是B的交互变差矩阵。在C1,2(Rd×R+;R+)上定义一个算子L,如下所示我们做以下假设:(H1)系数f,gi,hij:Rd × [0, ∞) →Rd是关于t连续且关于x满足局部Lipschitz条件的确定性函数,即对于每个x,x'∈B0(R):={a:|a| ≤R},存在在一大于零的且仅依赖于R的常数CR,使得对于每个t ∈ [0, ∞),(H2)存在一个 Lyapunov 函数V∈C1,2 (Rd×[0,∞);R+),满足以及一个函数δ∈C(E+;]R+),使得对于某些常数C 0和所有(x.t) ∈ Rd× [0, ∞),有定理0.5.满足(H1)和(H2)时,G-随机微分方程(0.0.14)存在一个唯一的解。定理0.6.假设C1,2(Rd×R+;R+)气妒× R+;R+)上存在一个函数V(x,t),使得对于所有的(x,t)∈常数。则对于所有的t ≥ tO,(0.0.14)的所有解满足定理0.7.假设存在C1,2(Rd× R+;R+)中的函数V(x,t),使得对于所有的(x,t) ∈Rd × R+,满足其中α,η ∈ C(R+;R+),w,v,q是大于零的常数,w ≥ 1,且ρ是一个非负的常数。则对于所有的t≥t0,(0.0.14)的所有解满足定理0.8.假设存在C1,2(Rd×R+;R+)中的函数V(x,t),对于所有的(x,t) ∈Rd×R+,有其中α,η∈C(R+;R+),w,v是大于零的常数,w>1,ρ是一个非负的常数。则对于所有的t ≥ t0,(0.0.14)的所有解满足定理0.9. 1.若定理0.6或定理0.7的假设成立,且存在大于零的常数M,使得则(0.0.14)所有的解都是一致随机有界的。2.若定理0.7的假设成立,且满足条件(0.0.27),则(0.0.14)所有的解都是随机有界的。定理0.10.假设f(0,t) = 0, g(0,t)= 0和h(0,t) = 0。存在大于零的常数M,使得1.如果定理0.5的假设成立,则(0.0.14)的零解在G-期望下是α-指数渐近平稳的且m = 1/w。2.如果定理0.7的假设成立,则(0.0.14)的零解在G-期望下是α-一致指数渐近平稳的且m = 1/w。· 3.2二阶G-随机微分方程解的有界性与平稳性· 3.2.1 关于时间的二阶G-随机微分方程考虑G-随机微分方程其中α和β是大于零的常数。函数g在R2上连续,且满足局部Lipschitz条件,从而可保证(0.0.30)存在一个唯一连续解,记作X=(xt,yt)。定义连续可微函数V(X,t)=V(xt,yt,t)如下其中α,β是大于零的常数。我们现在来研究G-随机微分方程(0.0.30)解的有关性质。定理0.11.假设L,K和C是大于零的常数,满足存在大于零的常数D0=D0(α,β) = 和D1=D1(α,β) 使得对于所有的t ≥ 0, x和y成立。则随机微分方程(0.0.30)的解Xt=(xt,yt)是一致随机有界的。定理0.12.如果定理0.11的假设成立,则随机微分方程(0.0.30)的解Xt =(xt,yt)是随机有界的。定理0.13.如果定理0.11的假设成立。不妨假设存在大于零的常数M,使得则随机微分方程(0.0.30)的平凡解在G-期望下是α-指数渐近平稳的且m = 1/w。定理0.14.如果定理0.11的假设成立。不妨假设存在大于零的常数M,使得则随机微分方程(0.0.30)的平凡解在G-期望下是α-一致指数渐近平稳的且有m = 1/w。·3.2.2关于二次变差过程的二阶G-随机微分方程考虑下面的G-随机微分方程其中α和β是大于零的常数。函数g在R2上连续,且满足局部Lipschitz条件,从而可保证(0.0.37)存在一个唯一连续解,记作X= (xt,yt) 需要指出的是,与线性期望空间下不同,G-期望空间下G-布朗运动的二次变差过程为(B)t,与t不同。因此我们对关于二次变差过程的G-随机微分方程进行了研究。沿用前一节的连续可微函数V(X,t)=V(xt,yt.t),我们研究了 G-随机微分方程(0.0.37)解的性质。定理0.15.假设L,K(和C是大于零的常数,使得存在大于零的常数D0= D0(α,β),D1=D1(α,β),使得对于所有t ≥ 0, x和y成立。随机微分方程(0.0.37)的解Xt = (xt,yt)是一致随机有界的。定理0.16.如果定理0.15的假设成立,则随机微分方程(0.0.37)的解Xt=(xt,yt)的解是随机有界的。定理0.17.如果定理0.15的假设成立。存在大于零的常数M,使得则随机微分方程(0.0.37)的平凡解在G-期望下是α-指数渐近平稳的且有m =1/w。定理0.18.如果定理0.15的假设成立。假定存在大于零的常数M,使得则随机微分方程(0.0.37)的平凡解在G-期望下是α-一致指数渐近平稳的且有m = 1/w。第四章本章进一步研究G-期望空间的相关性质,将Lyapunov定理从经典的单一线性概率情形推广到了 G-期望下一族概率测度的情形,给出了 G-随机微分方程的解在容度意义下的平稳性。定理0.19.考虑下列G-随机微分方程初始值Xt0=x0。若存在正定函数V(x,t)∈ e C1,2(Sn× [0,∞))使得对任意的(x,t) ∈S× [0, ∞),有则G-随机微分方程(0.0.43)的平凡解依容度u随机平稳。定理0.20.若存在正定渐减函数V(x,t)∈C2,1(Sh × [0,∞))使得为负定函数,则方程(0.0.43)的平凡解在容度V意义下随机渐近平稳。定理0.21.若存在正定渐减径向无界的函数V(x,t) ∈C2,1(R× [0,∞))使得为负定的,则方程(0.0.43)的平凡解在容度V意义下随机充分渐近平稳。注记0.4.实际上,在上述三个定理的证明中考虑下列函数由类似的方法,可以将上述结果推广到下列h≠ 0的G-随机微分方程。
【学位授予单位】:山东大学
【学位级别】:博士
【学位授予年份】:2017
【分类号】:F224

手机知网App
【参考文献】
中国期刊全文数据库 前7条
1 Miao ZHANG;Zeng-jing CHEN;;A Law of Large Numbers Under the Nonlinear Expectation[J];Acta Mathematicae Applicatae Sinica;2015年04期
2 Qian LIN;;Some Properties of Stochastic Differential Equations Driven by the G-Brownian Motion[J];Acta Mathematica Sinica;2013年05期
3 ;Some properties on G-evaluation and its applications to G-martingale decomposition[J];Science China(Mathematics);2011年02期
4 BUCKDAHN Rainer;;Inf-convolution of G-expectations[J];Science China(Mathematics);2010年08期
5 ;On Representation Theorem of G-Expectations and Paths of G-Brownian Motion[J];Acta Mathematicae Applicatae Sinica(English Series);2009年03期
6 ;Survey on normal distributions,central limit theorem,Brownian motion and the related stochastic calculus under sublinear expectations[J];Science in China(Series A:Mathematics);2009年07期
7 ;Filtration Consistent Nonlinear Expectations and Evaluations of Contingent Claims[J];Acta Mathematicae Applicatae Sinica(English Series);2004年02期
【共引文献】
中国期刊全文数据库 前10条
1 王绍锋;吴盼玉;马帅奇;;上概率下的Chebyshev大数定律[J];数学的实践与认识;2017年22期
2 彭实戈;;非线性期望的理论、方法及意义[J];中国科学:数学;2017年10期
3 王绍锋;胡锋;陈洁;;上概率下的中心极限定理(英文)[J];应用数学;2017年04期
4 宋丽;吴盼玉;;关于容度的一个Borel-Cantelli引理(英文)[J];应用概率统计;2017年04期
5 Ze-Chun HU;Yan-Zhi YANG;;Some Inequalities and Limit Theorems Under Sublinear Expectations[J];Acta Mathematicae Applicatae Sinica;2017年02期
6 林路;;不确定条件下的回归模型及其统计推断[J];邵阳学院学报(自然科学版);2017年01期
7 PENG ShiGe;ZHANG HuiLin;;Stochastic calculus with respect to G-Brownian motion viewed through rough paths[J];Science China(Mathematics);2017年01期
8 王丙均;袁明霞;张慧;;局部非利普希茨条件下G-随机微分方程的解的逼近[J];南京师大学报(自然科学版);2016年03期
9 CHEN ZengJing;;Strong laws of large numbers for sub-linear expectations[J];Science China(Mathematics);2016年05期
10 ZHANG LiXin;;Rosenthal's inequalities for independent and negatively dependent random variables under sub-linear expectations with applications[J];Science China(Mathematics);2016年04期
【二级参考文献】
中国期刊全文数据库 前2条
1 ;A general central limit theorem under sublinear expectations[J];Science China(Mathematics);2010年08期
2 ;On Representation Theorem of G-Expectations and Paths of G-Brownian Motion[J];Acta Mathematicae Applicatae Sinica(English Series);2009年03期
【相似文献】
中国期刊全文数据库 前10条
1 刘坤会;一些泛函型随机微分方程问题[J];北方交通大学学报;2000年02期
2 丁灯,郑小任;一类具有随机反射边界的随机微分方程(Ⅰ)[J];中山大学学报(自然科学版);2000年04期
3 让光林,万成高;两参数跳型随机微分方程解的存在性和唯一性[J];湖北大学学报(自然科学版);2000年01期
4 李芳,赵生变;一个随机微分方程的研究[J];北方交通大学学报;2001年06期
5 姜秀英,臧国心;随机微分方程解的一个边界性态[J];哈尔滨师范大学自然科学学报;2002年03期
6 江秉华;以连续鞅为驱动的随机微分方程解的迭代收敛性[J];湖北师范学院学报(自然科学版);2005年03期
7 鲍建海;曹梅英;刘霞;;马尔可夫调制随机微分方程的平均稳定性[J];华东交通大学学报;2006年01期
8 王拉省;薛红;聂赞坎;;带跳的时滞随机微分方程近似解的收敛性(英文)[J];应用数学;2007年01期
9 何新安;;随机微分方程在水文地质计算中的应用[J];今日科苑;2008年14期
10 王子亭;李萍;;分数随机微分方程的一般解[J];中国石油大学学报(自然科学版);2009年01期
中国重要会议论文全文数据库 前6条
1 吴晓群;赵雪漪;吕金虎;;节点动力学含随机噪声的复杂动力网络拓扑结构识别[A];中国自动化学会控制理论专业委员会A卷[C];2011年
2 孙旭;;An alternative expression for stochastic dynamics under non-Gaussian white noise[A];第二届全国随机动力学学术会议摘要集与会议议程[C];2013年
3 王要策;胡良剑;;马尔科夫切换型随机微分方程Milstein方法的p阶矩指数稳定性[A];第四届中国智能计算大会论文集[C];2010年
4 龙红卫;;平面上随机微分方程的ε-最优控制[A];企业发展与系统工程——中国系统工程学会第七届年会论文集[C];1992年
5 黄成毅;冯长水;;具有时滞状态反馈的Duffing-van der Pol系统的随机响应与可靠性[A];中国力学大会——2013论文摘要集[C];2013年
6 郭雷;;连续系统的近似极大似然估计:存在性与收敛性[A];1991年控制理论及其应用年会论文集(下)[C];1991年
中国博士学位论文全文数据库 前10条
1 魏玮;非线性数学期望下的贝叶斯推断及随机微分方程[D];山东大学;2017年
2 张玉天;若干随机微分方程的稳定性问题[D];吉林大学;2015年
3 王秋晰;随机微分方程最优控制理论的若干问题[D];吉林大学;2015年
4 李宇勐;随机偏微分方程的中偏差及应用[D];中国科学技术大学;2016年
5 王文鹤;有关随机微分方程概周期解的若干问题[D];吉林大学;2016年
6 罗鹏;G—布朗运动驱动的随机微分方程[D];山东大学;2016年
7 冯新伟;基于排序的正倒向随机微分方程与非线性期望[D];山东大学;2016年
8 魏超;几类It(?)随机微分方程的参数估计[D];东华大学;2016年
9 杜元花;几类随机微分方程的稳定性分析[D];电子科技大学;2016年
10 罗超良;随机微分方程的稳定性及分岔研究[D];湖南大学;2016年
中国硕士学位论文全文数据库 前10条
1 夏周霞;随机微分方程的稳定性分析与应用[D];湖南大学;2010年
2 贾小青;对两类随机微分方程解的性质的研究[D];哈尔滨工业大学;2010年
3 温建洪;倒向重随机微分方程解的收敛性[D];山东大学;2005年
4 褚风庆;倒向重随机微分方程一些相关问题的研究[D];山东大学;2011年
5 谢晶晶;一维随机微分方程的稳定性[D];华中科技大学;2011年
6 姜世龙;随机微分方程依路径随机周期解的存在性[D];吉林大学;2013年
7 李玉婷;一类非线性随机微分方程的指数稳定性[D];郑州大学;2015年
8 王红;带跳的分段连续型随机微分方程数值方法的收敛性[D];哈尔滨工业大学;2015年
9 严伟;随机微分方程的递延校正解[D];山东大学;2015年
10 郭凤禹;随机比例方程的两类分步THETA方法[D];哈尔滨工业大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026