logo

ランベルト変換 📂確率微分方程式

ランベルト変換

定義 1

dXt=f(t,Xt)dt+g(Xt)dWt d X_{t} = f \left( t , X_{t} \right) dt + g \left( X_{t} \right) d W_{t} 拡散ggXtX_{t}にのみ依存し、時間ttには依存しない確率微分方程式が上記のように与えられているとする。次のような変換F:XtYtF : X_{t} \mapsto Y_{t}ランペルティ変換という。 Yt:=F(Xt)=1g(u)duu=Xt Y_{t} := F \left( X_{t} \right) = \left. \int {{ 1 } \over { g (u) }} du \right|_{u = X_{t}} このように得られた{Yt}\left\{ Y_{t} \right\}は、次のように単位拡散を持つ変換されたSDEの解である。 dYt=[f(t,Xt)g(Xt)12g(Xt)x]dt+dWt d Y_{t} = \left[ {{ f \left( t, X_{t} \right) } \over { g \left( X_{t} \right) }} - {{ 1 } \over { 2 }} {{ \partial g \left( X_{t} \right) } \over { \partial x }} \right] dt + d W_{t}

証明

伊藤の公式を使って確認するだけだ。

伊藤の公式:伊藤過程{Xt}t0\left\{ X_{t} \right\}_{t \ge 0}が与えられたとする。 dXt=udt+vdWt d X_{t} = u dt + v d W_{t} 函数V(t,Xt)=VC2([0,)×R)V \left( t, X_{t} \right) = V \in C^{2} \left( [0,\infty) \times \mathbb{R} \right)についてYt:=V(t,Xt)Y_{t} := V \left( t, X_{t} \right)とおくと、{Yt}\left\{ Y_{t} \right\}もまた伊藤過程であり、次が成り立つ。 dYt=Vtdt+VxdXt+12Vxx(dXt)2=(Vt+Vxu+12Vxxv2)dt+VxvdWt \begin{align*} d Y_{t} =& V_{t} dt + V_{x} d X_{t} + {{ 1 } \over { 2 }} V_{xx} \left( d X_{t} \right)^{2} \\ =& \left( V_{t} + V_{x} u + {{ 1 } \over { 2 }} V_{xx} v^{2} \right) dt + V_{x} v d W_{t} \end{align*}

説明

ランペルティ変換は元の伊藤過程から複雑な非線形項をドリフト項に集約し、拡散項を11に固定する。

dXt=μXtdt+σXtdt d X_{t} = \mu X_{t} dt + \sigma X_{t} dt 幾何ブラウン運動を考えよう。f(x)=μxf(x) = \mu xg(x)=σxg(x) = \sigma xであるから、そのランペルティ変換は dYt=f(t,Xt)g(Xt)12g(Xt)xdt+dWt=μXtσXt12σdt+dWt=(μσ12σ)dt+dWt \begin{align*} d Y_{t} =& {{ f \left( t, X_{t} \right) } \over { g \left( X_{t} \right) }} - {{ 1 } \over { 2 }} {{ \partial g\left( X_{t} \right) } \over { \partial x }} dt + d W_{t} \\ =& {{ \mu X_{t} } \over { \sigma X_{t} }} - {{ 1 } \over { 2 }} \sigma dt + d W_{t} \\ =& \left( {{ \mu } \over { \sigma }} - {{ 1 } \over { 2 }} \sigma \right) dt + d W_{t} \end{align*} であり、その解YtY_{t}は次のようになる。 Yt=1g(u)duu=Xt=1σuduu=Xt=1σloguu=Xt=logXtσ \begin{align*} Y_{t} =& \left. \int {{ 1 } \over { g (u) }} du \right|_{u = X_{t}} \\ =& \left. \int {{ 1 } \over { \sigma u }} du \right|_{u = X_{t}} \\ =& \left. {{ 1 } \over { \sigma }} \log u \right|_{u = X_{t}} \\ =& {{ \log X_{t} } \over { \sigma }} \end{align*}


  1. Panik. (2017). Stochastic Differential Equations: An Introduction with Applications in Population Dynamics Modeling: p199, 231~232. ↩︎